乡间道路障碍物地图检测与重构.doc

野外道路环境下的自主驾驶环境感知与地图重构方法摘要：文章土工了一种在详见野外道路环境下的自主驾驶环境感知与地图重构的方法，主要内容包括两方面：1.用摄像机感知道路，人行横道，减速带的方法；2.用激光雷达检测障碍物的方法。道路检测得到的是道路的位置，使用的是摄像机和VELD模块，人行道跟减速带的检测得到的是人行横道和减速带的位置。而障碍物的检测方法是通过从激光雷达得到的数据形成一个障碍物地图。该方法的实验在一辆车上安装了6个激光雷达，3个摄像机和一套实时设备，包括一台PC机。试车实验已完成，并证明了该方法能够达到实际的需求。1.引言：自主驾驶对于社会有很多好处，包括能够阻止人为错误引起的事故，节约能源，便捷性等。 但要让车子能够自主行驶到预定的目的地，还有很多的困难需要解决，首先必须知道车子要去哪里，其次是检测周围的环境以避免碰撞，最后需要检测道路周围的标志，例如道路轮廓，人行横道，减速带等。 近年来DARPA在这方面领先。视觉领域越来越重要，视觉在80年代到90年代期间迎来了它的新生。在此期间，他们开始与安全系统融合，自动控制等。德国，欧盟，美国，日本等国家在这方面获得了很大的领先，视觉带来了一些传统雷达所不具备的一些感知特点。大多数障碍物地面检测方法采用的是全局地图的方法，采用的是GPS，陀螺仪，雷达，摄像机等，这些方法一般检测汽车与障碍物的相对位置，然后进行全局操作，使用全局地图来判断路径。一些方法，尤其是那些需要考虑动态障碍物和人行道的方法，使用现场窗口来决定障碍物地图，大多数的方法都是采用微元分离和使用置信度概念来生成全局地图。在大多数的实验中，雷达的数据密度，三轴转换值，GPS和INSs的三轴转角误差以及电脑的内存负载都是问题，尤其是在高速驾驶或者在乡间小路上，或者遇到减速带时。为了克服这些问题，使用了一些方法，例如平面滤波，把立体摄像机与激光雷达结合起来，把微深度和斜度结合起来作调整。为了减少在3-D点云中提取的点的姿态误差，一些研究使用即时定位和地图构建，迭代最近点，以及匹配搜索等方法。这些方法重复检测需要的地域，重复地适配误差。但是，这些对于野外驾驶是没有用的，因为野外没有足够的需要的以上特征的点。因此，一些方法试图客服来自于GPS和INS的概率性误差。对于激光雷达部分，障碍物检测方法是采用了风险评估和基于模型滤波的方法。风险评估方法包括两部分：1.基于高度差的方法；2.分类的方法。这两种方法结合于风险。文章建议的方法的最重要特征是基于激光雷达检测的鲁棒性和可伸缩性。预测的方法设计成有一个开放的结构，整合每一种基于风险的已知方法来克服平衡计算机内存压力和检测的精度问题。文章提到的结构设计可以控制平衡计算机内存压力和检测精度。主要是由一些可调整的参数和微小变化来决定的。一种基于道路条件特征的新方法才可以适用于基于风险的结构。2. 车载系统的配置文章使用Grandeur TG作为无人车的测试车。该车具有一个传统是六缸发动机和一套前轮驱动系统。为了安装一些传感器以保障他们不受事故的损害，该车在前面安装了一个保险杠，在车顶安装了一个车顶行李架。这套定制的设备能够由电阻和马达直接驱动刹车。由一个横向的控制器发送电子信号来控制油门。通过侧面的控制器控制安装于驾驶杆上的直流马达，得到所需要的驾驶角度。2个SICK雷达和一个IBEO雷达安装在汽车的前保险杠上，3个SICK雷达安装在车顶。3个摄像头安装在汽车前挡风玻璃上，2个摄像头用来探测汽车前方的减速带和人行横道，一个有色摄像头用来探测道路。这套装置的电脑系统安装在汽车的后座。包括了3台联网的计算机。3. 视觉探测视频系统的主要目的是为了探测道路和车道的标志（人行横道，加速带等），这些东西用雷达是不容易检测出来的。3个摄像头的用法，一个灰度摄像头是用来检测人行横道的，一个彩色摄像头是用来探测减速带，还有一个是用来探测车道。减速带和车道用不同的摄像头是由于车道探测是基于嵌入式模块的，而减速带探测是在个人电脑上处理的。人行横道探测方法通常被用于比较松懈安全的城市状态下（这种情况在意大利和韩国是不一样的，这是由于不同的道路规则决定的），其结果为：探测的85%是正确的的实物。车道的探测结果在前面的文献中已经被证明过。A. 车道探测车道检测在VELD这个DSP模块上进行处理的。摄像头传输的图像经过VELD的处理，然后车道位置被返回到网络节点上，进行滤波来除去噪声，假设它是除了十字路口之外没有其他变化的普通路面。VELD：VELD模块是基于DLD精确转化反向透视地图（IPM）。做IPM转化可以允许消除地图上的透视物体，形成一个新的2D的区域地图，在这上面同样分配所有像素点。根据探测到的DLD的转化量在IPM上搜寻车道的标记，然后把它们按照临近点聚集。相近点集合是用分段线性函数来完成的。虚线和实线车道标识的提取过程有一点不一样：首先他们的建立都是分成三个步骤，产生，扩张和确定。产生的过程中，对于实线和虚线是不一样的（这是由于检测到的点的集群不一样）但是两者都是利用基于区域的追踪。扩张阶段是连接各个检测到的片段，当然前提是它们的特征是相近的。确认的阶段是根据它们各自距离车前的距离跟自身的长度分配给每个车道点一个数值。车道数据滤波：视觉模块取得的数据通过滤波处理将检测到的精度误差影响减到最小。车道数据测量时间k随着车辆的运动变化。假如我们只考虑取样时间T的变化，那么道路动态模型可以有以下公式表示： （1）这里为取样时间内的纵向距离为取样时间内的横向距离取样时间内的旋转角度X是以汽车作为移动坐标系的前方的车道的位置，Y是以汽车作为移动坐标系的前方车道横向位置坐标。纵向距离是取样时间T与纵向速度的乘积。转角是单位取样时间T与角速度的乘积。可以由以下公式表示： （2）B.人行横道检测分辨人行横道的方法是搜索它的特征，例如形状，规则性，或者颜色等。在距离地面高度1.22米的地方安装一个移动灰度摄像头。此方法的第一步是通过IPM转化得到一张高空俯瞰的地图。第二步，对IPM图像进行滤波处理，得到一个只有垂直边界的新图像。第三步是分析边界图像找到垂直的比调整的临界值高的条纹。该过程是处理每一条白色或者黑色的条纹，相当于转化颜色明-暗或者暗-明。所有的条纹都被标记，它们的位置将被存储。第四步是连接标记，一条白一条黑为一个单位。当要整合两个垂直的标记时，需要采用特殊的检测：第一步检测是检测两个极限边界的距离，第二部检测是检测两个标记的不同方向。当然，两种检测的标记必须都比极限值小。然后所有的障碍物都被检测，并根据距离的不同分类。一个特别的特征是针对定位消失的虚线也要包括进去。这一步检测是当在两个白色的物体的时候，在两个条纹之间有足够的空间，并且消失的条纹的平均密度与周围的相近，而且两个物体的方向被检测出来是相近的。C.减速带的检测对减速带的检测就有很大的不同了：减速带的高度大概是0.05米，因此激光雷达和立体视觉摄像头不能用。而且减速带经常被污染和损伤，还可能出现大量相同颜色的道路环境。为了解决这最后一个问题，文章只分析图像的中下部分，即道路路面。由于减速带是高度很低，使用IPM转化后得到的形状会被扭曲和拉伸。减速带是由黄色的斜对角线和白色的条纹组成的。因此建立一个新的只有黄色信息的二值化图像，在RGB通道中的比例为：高值的红色和绿色通道，低值的蓝色通道。然后相互侵蚀能够改变图像的质量，消除噪声点。黄色目标物通过整合就近的黄色像素点得到。接下来是划分图像中的水平方向上的条纹。两个物体块之间的最大空白，物体块中心的间距，以及左右物体块的间距都需要被计算。考虑到目前探测的物体块数量和计算的距离，这样探测减速带是可行的。4. 激光雷达探测激光雷达是用来探测肉眼和摄像头无法探测到的地方。5个SICK雷达和一个IBEO雷达作为自主驾驶的基本障碍物探测传感器。IBEO雷达提供了一种脉冲分类方法，这种方法对于生成障碍物地图很有帮助。但是SICK雷达不含有这种地面探测方式；因此分类方法只能在PC上设计实行。基于高度差的方法适用于探测点集和标记的用于评估风险等级的点。在某些特定的情况下，一些假设可以被加进来，帮助滤掉一些无法识别的障碍物。假设平面地面条件上，障碍物可以由Z的值决定。这样假设可以减少出现错误的可能性，延伸了检测的长度，填充了一些未知的区域。这样汽车能够更快到达目的地。用风险值标记的点集来生成障碍物地图。一个基于模型滤波的方法来减少雷达噪声。根据前一次的风险地图和汽车行进时刻，推断下一次的风险地图。风险标记点集用于测量病推断本次合成的风险地图，这个地图就代表了障碍物地图。因此，雷达探测过程包括6个过程。第一步，雷达数据转化成点集。第二步，调整分类方法，标记点集。第三步，用基于标记和基于高度差的方法来评估每个点的风险。第四步，用权重分配的方法整合被评估的点。第五步，用风险评估地图作为度量来推断本次风险地图。最后一步，根据风险地图形成障碍物地图。A. 分类算法SICK的分类算法是用于地面探测。该算法标记探测到的每一个点为地面或者障碍物。分类算法使用的是高度Z和侧面位置Y的误差。如果随着Y的变化探测到的X和Z的位置没有变化，则这些点可假设为地面。首先，在一个单独的扫描平面内，线性拟合z=my+q 能够计算出来。参数m和q计算的是同一个界面的扫面点。而在一个界面内的点的数量是由障碍物和道路的横向长度所决定的的。线性拟合的误差可以这样表示： （4） （5）误差值是地面探测的一个标准。如果某个点满足以下两个条件，则该点是属于地面的。（1） 线性拟合拥有比较小的误差：（2） 线性拟合拥有比较小的斜率： 相反的，如果线性拟合的误差或者斜率超过临界值，则分析的点是可能是障碍物。B.基于高度差的方法基于高度差的方法探测高度不同的点。如果给出的2个点小于或者等于预先定义的范围，z的位置差超过临界的垂直距离，那么这两个点是被假设为危险的。临界垂直距离决定于车轮半径的一半。因此，特定的阈值范围可以由这个垂直距离和最大可上升角度决定。C.风险整合风险整合应该考虑雷达的安装和每种方法的可靠性，环境特征等等。整合方法返回的是权重集合的风险值。最终的风险值表示如下： （6）是整合的风险值。是地面探测方法的风险值。是高度差方法的风险值。是基于假设的风险值。W是每种方法的权重。这是由每个方法的可靠性和探测点的x,y值所决定的的。D.障碍物地图形成障碍物地图的形成是靠风险地图的。假如风险值大于预定的阀值，那么应该是一个障碍物。风险地图是由被标记的风险点集形成的。同时为了控制来自于雷达或者是外部环境的的噪声，例如树叶，沙土等，需要将本次的数据已前一次的数据进行比较。这个过程是由滤波来试验的。滤波整合先前的风险值和本次的风险值，形成风险地图。E.参数研究总体上，障碍物探测方法可以平衡计算内存和测量精度的矛盾。方法的设计尽量简单；但是同时也需要保证方法的精度。本次试验中使用基于风险结构，可以灵活地提供一种能够基于道路条件修改参数的方法。例如，如果道路没有高斜坡和障碍物，就像普通的乡村道路那样，那么风险值的标准中的高度就应该调整。该方法中的参数可以根据道路条件来调整。对于乡村道路或者比较整洁的野外道路，来自于分类方法的比重就可以大一点。在此种条件下的大多数障碍物都高于1米。如果道路不是在宽阔地带，高大的建筑物或者山脉会阻碍GPS的信号，更新可能不可靠，或者跳过。在复杂的道路条件和低速条件下，基于高度差的方法比分类的方法更有效。这些关系都能够分析，参数可以由道路特征来决定。5. 汽车试验目标方法评估首先需要收集数据，在PC上用Labview处理，同时实时处理。数据是在野外和乡村环境下收集的，该方法对2种环境都进行调试和测试。A. 野外环境测试在野外的测试中，把成捆的稻草仍在道路中间作为障碍物。道路的另一边，芦苇和杂草也能看见。观察和记录横向和纵向的运动。汽车在前方没有任何障碍物的道路上以时速20-30码的速度前进。但是高度的纵向误差意味着测试点的z值估计错误了。在图10中，基于高度差的方法合成的地图有一些没有识别出来的障碍物。另一方面，加入用目标方法合成的地图，并且进行调整，包括使用分类的方法，地面几乎都被错认成障碍物。B.乡村环境测试在乡村环境，车道，人行横道和减速带都必须被检测。对于这个目的，显然视频效果比雷达好得多。当然这不包括十字路口和交通灯。这个测试的结果可以从图11（a）中看到。汽车驾驶检测沿着车道一直到达人行横道为止。障碍物地图，行驶车道和人行横道可以在图11（b）中看到。驾驶车道和障碍物地图可以提供路径形成方法，人行横道是用来控制速度的。自主驾驶沿着车道行进，直到在人行横道前停止。C.自主驾驶自主驾驶实车实验采用的就是文章提到的方法。车辆行进的路线是由障碍物的位置和想要到达的目标决定的。算法是基于潜在地域的方法，每一轮数据采完，路径生成器都通过环境地图，汽车传感器信息和GPS数据计算候选路径。路径生成器选择最便捷的路径，包括检测到的障碍物长度和目前位置到目的地的距离。障碍物检测和路径生成的计算方法是在PC上完成和测试的。第一步是提供一种双路径变化的情景，如图12所示。图13展示了合成生成路径的方法。红色虚线是理想的路径，黑色的实线是通过路径生成方法生成的路径。标记的星星代表障碍物点。通过这种环境检测方法，汽车成功的避免了障碍物。第二步，一个完整的检测，包括野外道路和乡村道路测试，它的测试的轨迹被记录在图15上。汽车沿着测试轨迹前进，并且避免了障碍物。汽车前进了3.7千米，10分钟53秒。计算方法可以根据道路条件调整：没有障碍物或者只有少量障碍物，或者几乎是平地。整个实验没有识别的突然出现的点少于30个。汽车能够立马检测出70个点；因此，可能的未识别点只有不到0.0007%。因此，未识别的点不影响自主驾驶。表II中对模拟和实测做了一个比较。仿真是用一个理想传感器模型来测试障碍物。在仿真与实测中驾驶的误差数据小于1%，这意味着处理过程中得到的结果几乎是理想的。6. 结论自主驾驶环境感知的方法已经被提出。该方法设计的是针对静态的乡村和野外的环境下。环境感知的方法主要包括2部分：1.基于视频的探测；2.基于激光雷达的检测。基于视频的检测用于测到驾驶检测，人行横道检测和减速带的检测。驾驶路径是采用彩色摄像头检测，用VELD模块处理。车道滤波用来估计当前车道是否有识别错误。人行横道和减速带检测是各用一个摄像头，在PC上处理。激光雷达是用于检测障碍物。计算方法是用于生成本地障碍物地图，代替了由于计算汽车当前位置中有很多困难的全局地图。探测点被分类，各个点的风险值通过分类方法和基于高度差的方法进行评估。风险地图是由基于模型的滤波器形成的，它是通过使用风险标记点的值来判断的，障碍物地图就是通过当前的风险地图形成的。文章提到的方法已经被成功地证明了，并且还进行了实车实验。证明了该方法在探测障碍物，车道，人行横道和减速带的位置均有很好的效果。