乡间道路障碍物地图检测与重构

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：

{ EMBED Equation.KSEE3 \* MERGEFORMA T

|⎥⎥⎦

⎤⎢⎢⎣⎡∆-∆-⎥⎦⎤⎢⎣⎡∆-∆-∆--∆-=⎥⎦⎤⎢⎣⎡--y x s k s k k k k k predict k predict k y x y x 11,,)cos()sin()sin()cos(ϕϕϕϕ （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