64线Lidar-Based传感算法智能车辆道路障碍

文摘

64 -线激光雷达传感器,基于对象的实时检测和分类算法的有效性和提出。首先,multifeature和多层激光雷达点地图是用于分离,障碍,和悬挂物体。然后,障碍网格由grid-clustering集群算法与动态距离阈值。之后,通过结合两个相邻帧的运动状态信息,聚类结果修正。最后,使用支持向量机分类器分类障碍与集群对象位置和态度的特性。算法的精度和实时性能好被实验证明,它可以满足智能车辆的实时要求。

1。介绍

道路目标检测和分类是无人驾驶车辆的安全驾驶的一个重要组成部分,特别是在复杂的城市道路(1]。在许多类型的传感器,由于64 -线激光雷达高分辨率和精度,这是研究人员广泛关注的和工业开发人员。与视觉和毫米雷达、64行激光雷达有更大数据量处理超过100万3 d分,每秒10赫兹的频率,所以它有严格的要求在环境传感算法的实时性能。

有两种类型的主流点云数据处理方法。一个是直接基于点云处理(2,3),另一种是基于网格地图(4- - - - - -6]。前需要处理和分类每一个激光点,非常耗时,而后者转移三维激光指向一个2 d网格然后分类这些新生成的网格能够显著降低分类计算成本。传统的网格地图等施工方法包含几种类型意味着高度图(7),最大高度地图,和最小高度图(8]。然而,这些方法使用单一阈值很难分化障碍的不同高度和形状(9,10]。例如,他们不能区分斜坡、低障碍,和路边,他们通常考虑悬挂物体障碍如树枝上面车辆的高度。

在激光点聚类,现有聚类算法的计算成本如k - means聚类、密度聚类(11,12),和层次聚类13,14)O (m), O (m²)和O (m²日志米),直接与点数量米。上述聚类算法将会增加计算时间,,很难满足无人机的实时要求。

障碍分类目标在动态环境中的无人机路径规划和行为预测也非常重要的无人驾驶车辆。在[15),由激光雷达点云获取投射到网格,由全球最近邻(GNN)和集群对于每个候选人,其特征向量计算和使用支持向量机(SVM)分类的基础上,激进的基函数(RBF)的内核。在[16),车辆和行人分类使用高斯混合模型分类器(GMM分类器)。在[17),点云投影到二维网格,和包络矩形块的特征网格地图中提取和分类的RPN网络。在[18),支持向量机结合的反射强度概率分布,纵向高度等高线分布,和立场和态度相关特性对激光雷达点云的特征进行分类。文献[19结合点云的基本特征和原始上下文语义环境构建和扩展点云的特征向量,用支持向量机进行目标识别。

在这项工作中,一个对象检测和分类算法的有效性和实时算法。算法分离的道路,障碍,和悬挂对象通过使用multifeature和多层海拔地图。然后,障碍网格由grid-clustering集群算法与动态距离阈值。之后,通过结合两个相邻帧的运动状态信息,聚类结果修正。最后,使用支持向量机分类器分类障碍与集群对象位置和态度的特性。

2。网格地图建设

本文使用一个multifeature多级高度映射到抽象的激光雷达点云数据。multifeature多级高度地图是基于多尺度的变异高度地图车辆的周围空间划分为三层。第一层是路面层,表明路面车辆可以旅行的地方。第二层是障碍层,包括各种障碍,如车辆、行人、建筑物、交通标志、树木,等等。最后一层是暂停对象层,表明障碍的高度大于车辆的安全高度,不会影响车辆的旅行,但激光雷达探测到。算法流程如图1。

2.1。网格点云分割

激光点位于相同的网格根据排序高度从小型到大型,这样获得的数据点的列表。两点间隔高度阈值设置为 。当上点和下点之间的时间间隔大于间隔高度阈值,这两个分属于不同的飞机。重复这个过程遍历整个网格映射到所有飞机块形式 。每个面块,有几个激光点在网格中,它包含五个特点:最大高度 ,最小的高度 ,高度的意思 ,强度是指 ,和强度方差 。最大高度,最低高度,和高度的意思是特征点云平面的几何特征块,和其他两个反映点云的反射强度特征。

2.2。路面层检测

与大多数算法只使用高度特性对于路面层分割、点云的高度和强度信息都是用于这项工作。

2.2.1。高度信息

飞机的最大和最小高度块用作路面分类功能。由于激光雷达标定的误差,两步的方法是用来判断一楼。

为每个面块 , 。如果 ,这架飞机被认为是一个障碍。如果 ,这架飞机块被认为是人行道上飞机。如果 ,强度特征将介绍,因为很难确定飞机块是一个障碍或人行道上,单纯依赖高度特性。在这里,和阈值,一个将会更小,将会更大。

2.2.2。强度信息

当 ,块可能是一个道路陡坡或一个对象与一个小垂直高度,所以强度信息需要进一步判断。

强度的激光雷达返回值是0到255之间。在这里,我们带一个大数量的样品和计数的强度值。在这部作品中,激光雷达强度值概率分布曲线的200辆,200年行人、沥青、水泥路面得到如图2。可以看出,无论车辆或行人,其强度差异更大,因为它的表面材料和颜色通常是不统一的。另一方面,路面属性相对统一,所以它的强度分布是相对常规和方差很小。在此基础上,如果一个块的强度方差小于方差阈值 ,块将被视为人行道上飞机,否则它将被认为是障碍。

2.3。障碍层和悬浮层检测

在得到所有的路面层,可以获得平均高度所有的路面层。然后,可以设置悬挂对象层高度如下: 在哪里无人驾驶车辆和的高度吗是人为地设置障碍的高度开车时车辆的屋顶。

因此,高度比的面块将被视为悬浮层,其余的则是障碍层。

3所示。障碍网格聚类

因为我们有投射的激光雷达点云网格地图在前面的网格地图建设步骤,获得了障碍网格,这里的聚类时间复杂度降低到O ( ),在哪里是障碍网格几千倍的数量少于原始激光雷达点的数量。

由于固定分辨率的激光雷达波束角,其决议将减少随着距离的增加将导致一个遥远的障碍分解成多个离散部分,考虑多个障碍。为了避免这种情况,我们把两个相邻帧的障碍运动状态信息的空间聚类结果。聚类算法流程图如图3。

对不同距离网格聚类在一个框架,不同距离阈值选择集群离散网格。grid-clustering阈值设置 ,在哪里网格大小和吗是半径参数。对于每一个网格,相邻网格的面积对象将被认为是一个障碍。

在半径参数设置,博尔赫斯提出了一个计算方法半径参数使用距离值(20.),如图4。

的计算公式是 在哪里网格的中心坐标的距离是障碍,激光雷达传感器测量误差,是激光雷达的水平角分辨率。

为了进一步提高聚类的准确性,集群目标关联匹配校正使用集群。它对最近的障碍阻挡在空间聚类结果和用四个参数:障碍中心坐标,运动方向、速度和强度的意思。

4所示。目标分类

在这个工作中,道路环境中动态障碍分为四类:汽车、nonmotor车辆(自行车),行人等等。基于运动特征和几何轮廓特征这四个类别的障碍,提出了一种基于svm的目标分类方法,如图5。

4.1。目标的特性

因为每个障碍的信息数据保存为一盒模型,功能也从盒子中提取模型。为每个目标框模型,列出几组特性如下:(1)点X, Y, Z点,α的立场和态度的功能目标;(2)长度,宽度,高度,和δ目标的轮廓特征。在这里,α是相对观测角的范围( ),如图6。

4.2。支持向量机分类器

这项工作选择障碍的SVM分类器分类适合小样本,非线性样本分类问题。

为了解决非线性分类问题,支持向量机分类器使用核函数将低维空间分类问题映射到高维特征空间构造一个线性函数的分类。径向基核函数(RBF):

5。实验和分析

5.1。聚类实验和分析

eight-connected聚类算法的聚类算法相比在固定距离阈值和density-based空间聚类的应用程序与噪声(DBSCAN)算法。我们使用这三种方法进行实验200目标车辆在道路环境。通过实验分析,聚类准确率的障碍目标表所示1。而基于分区的方法,如k - means,需要提前知道集群的数量,所以他们不适合无人驾驶车辆和我们不包括他们的比较。这个算法的平均时间大约是15毫秒。

一组直观的比较如图7。图7(一)显示了该聚类算法的影响,图7 (b)是eight-connected聚类算法,图呢7 (c)是DBSCAN。可以看出,在远方,eight-connected聚类算法将一个对象错误标记为多个对象和DBSCAN是一个小比,虽然我们的方法仍然适用。

5.2。分类实验和分析

这个实验用台湾的林教授Chih-Jen University-LIBSVM[开发的软件21]。此外,KITTI数据集和BDD100K用于分类测试(22,23]。总的来说,有4091 5217个样本包含车辆样本,417骑自行车样品,573行人样本,其他136个样本。在这里,我们以大约70%的样本总数为训练样本,其余作为测试样本。通过网格优化算法,参数惩罚因子 ,的参数 ,和最佳的识别率为88.31%,如表所示2。

一群分类实验如图8。绿色、黄色和红色框意味着汽车,自行车和行人,分别和整体分类时间是10 ms每帧。

6。结论

关注大数据的难度64行激光雷达的影响无人驾驶车辆的实时性能,对象检测和分类算法提出了有效性和实时。算法分离的道路,障碍,和悬挂使用multifeature多层海拔地图。然后,基于动态距离grid-clustering算法阈值用于集群的障碍,和聚类结果修正相结合两个相邻帧的运动状态信息。最后,使用支持向量机分类的障碍。实验结果表明,该算法具有良好的障碍检测和分类精度和实时性能更好地满足实时要求的无人自主车辆在路上开车时。在实验中,还发现,自行车和行人的检出率相对较低。这可能是由于激光雷达只能扫描的一小部分行人和自行车的自主车,和其中的一些部件通常由滤波算法或过滤特性我们使用不区分行人和自行车很好。所以,在未来的工作中,我们将改善滤波算法,将获得更多的障碍信息和新特性,如速度,将被添加到更好的区分行人和自行车。

数据可用性

这项工作的数据源是KITTI从公共数据集。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了国家重点研究和发展项目的中国(2018 yfb0105003),中国国家自然科学基金(U1764264, 61601203, U1664258 U1764257, 61773184),江苏省自然科学基金(BK20180100),江苏省重点研究和发展项目(BE2016149),关键项目的发展江苏省战略性新兴产业(2016 - 1094和2015 - 1084年),镇江城市和重点研究和发展项目(GY2017006)。

引用

1. y Cai、刘z h . Wang和x的太阳,“Saliency-based行人检测在远红外线图像,”IEEE访问5卷,第5019 - 5013页,2017年。视图:谷歌学术搜索
2. c·r·齐h·苏k . Mo和l . j . Guibas”PointNet:深入学习三维点集的分类和分割,”学报IEEE计算机视觉与模式识别会议拉斯维加斯,页77 - 85年,NV,美国,2016年12月。视图:谷歌学术搜索
3. k·j·h·高,b . Cheng Wang, j .赵和d·李”对象分类使用CNN-based融合视觉和激光雷达在自主车辆的环境中,“IEEE工业信息,14卷,不。9日,第4231 - 4224页,2018年。视图:出版商的网站|谷歌学术搜索
4. s Goga和美国Nedevschi分段的方法使用多卷3 d激光雷达数据网格结构,”学报智能计算机通信和处理(组成)任,页309 - 315年,罗马尼亚,2017年9月。视图:谷歌学术搜索
5. 问:朱、陈、李问:a . Nuchter m . Li和j·王,“基于3 d激光雷达点云的交叉识别自主驾驶,”学报2012年IEEE智能车辆研讨会(IV)IEEE,页456 - 461年,马德里,西班牙,2012年6月。视图:谷歌学术搜索
6. s . t . y . Liu蒙泰罗,e .军刀”从空中汽车检测彩色图像和机载激光雷达数据,”学报2016年IEEE国际地球科学和遥感研讨会(雪茄烟)IEEE,页1384 - 1387年,北京,中国,2016年7月。视图:谷歌学术搜索
7. 李h . m . Tsukada f . Nashashibi, m .父”Multivehicle合作本地映射:基于占用网格地图合并的方法,”IEEE智能交通系统,15卷,不。5,2089 - 2100年,2014页。视图:出版商的网站|谷歌学术搜索
8. 杜伦,m . Montemerlo h . Dahlkamp et al .,”Stanley):机器人,赢得了美国国防部高级研究计划局大挑战”《机器人技术领域,23卷,不。9日,第692 - 661页,2006年。视图:出版商的网站|谷歌学术搜索
9. 彭y, d, y中,谢,j .罗和j .顾”障碍检测和避障算法基于二维激光雷达,”学报2015年IEEE信息与自动化国际会议上丽江,页1648 - 1653年,中国,2015年8月。视图:谷歌学术搜索
10. x l . h . Wang戴,y Cai,太阳,和l·陈,“基于多尺度对比度显著目标检测,”神经网络卷。101年,47-56,2018页。视图:出版商的网站|谷歌学术搜索
11. l .白x Cheng j .梁h .沈郭y,“快密度聚类策略基于k - means算法,”模式识别卷,71年,第386 - 375页,2017年。视图:出版商的网站|谷歌学术搜索
12. k .山崎”额外的数据对贝叶斯聚类的影响,”神经网络卷,94年,第95 - 86页,2017年。视图:出版商的网站|谷歌学术搜索
13. h·刘张x, x张“小说density-based和层次density-based为不确定数据聚类算法,”神经网络卷,93年,第255 - 240页,2017年。视图:出版商的网站|谷歌学术搜索
14. 苏y . t . a . a . Liu, w z聂,和m . Kankanhalli”层次聚类多任务学习人类行为联合分组和认可,“IEEE模式分析与机器智能,39卷,不。1,第114 - 102页,2017。视图:出版商的网站|谷歌学术搜索
15. m . Darms p Rybski, c .厄”的分类和跟踪动态对象具有多个传感器在城市环境中自主驾驶”学报2008年IEEE智能车辆研讨会奥本山,页1197 - 1202年,MI,美国,2008年2月。视图:谷歌学术搜索
16. c . Premebida g .蒙泰罗美国Nunes, p . Peixoto“激光雷达和行人和车辆检测和跟踪方法,建立”学报2007年IEEE智能交通系统会议,第1049 - 1044页,西雅图,佤邦,2007年9月美国。视图:谷歌学术搜索
17. j . Behley诉Steinhage, a·克莱莫”激光段分类使用bag-of-words的混合物,”国际会议在智能机器人与系统学报》上,页4195 - 4200,东京,日本,2013年11月。视图:谷歌学术搜索
18. p . Babahajiani l .风扇和m . Gabbouj”对象识别三维点云的城市街景,”计算机视觉的亚洲会议施普林格,页177 - 190年,可汗,瑞士,2014年11月。视图:谷歌学术搜索
19. s . Wirges t·菲舍尔j·b·弗里亚斯和c·斯蒂勒”目标检测和分类在占用网格地图使用深卷积网络,”2018年,http://arxiv.org/abs/1805.08689。视图:谷歌学术搜索
20. p . Skrzypczynski”,构建几何环境地图使用红外测距仪数据,”智能自治系统,第412 - 408页,1995年。视图:谷歌学术搜索
21. c . c . Chang和c·j·林,”LIBSVM:支持向量机的库,”ACM智能交易系统和技术(TIST),卷2,不。3,1-27,2011页。视图:出版商的网站|谷歌学术搜索
22. 盖革,p .楞次、c·斯蒂勒和r . Urtasun“视觉满足机器人:KITTI数据集,国际机器人研究杂志》上,32卷,不。11日,第1237 - 1231页,2013年。视图:出版商的网站|谷歌学术搜索
23. w . f . Yu西安,y . Chen等人BDD100K:不同驾驶视频数据库可伸缩的注释工具2018年,arXiv预印本arXiv: 1805.04687。

版权

版权©2018海王等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。