基于激光雷达的无人驾驶汽车道路、交通标志与障碍物识别方法

戴燕玲

摘 要：在无人驾驶汽车技术中，现有的传统雷达容易受扫描角度和距离及复杂环境的影响，探测精度较低，同时使用传统的几何轮廓特征和运动状态特征的方法，无人驾驶汽车对环境的感知能力特别是障碍物的识别率和准确性也较低。针对这些不足，文章首先从道路、交通标志方面提出一种视觉感知方法，以及一种基于激光雷达的时空特征向量的障礙物识别方法来提高无人驾驶汽车对环境特别是障碍物的识别率和准确性。

关键词：视觉感知；激光雷达；时空特征向量

无人驾驶汽车技术是汽车产业与人工智能、物联网、高性能计算等新一代信息技术深度融合的产物，是当前全球汽车与交通出行领域智能化和网联化发展的主要方向，已成为当今车联网时代研究的新潮。无人驾驶的技术需要解决的首要任务是安全性保障问题，即汽车对环境的感知能力特别是障碍物的识别能力是无人驾驶技术的核心与关键。为提高无人驾驶汽车对环境的感知能力，本文提出一种基于激光雷达的无人驾驶汽车对道路、交通标志及障碍物的识别方法。

1 无人驾驶汽车技术的研究现状

无人驾驶汽车是当代物联网时代特别是车联网时代的必然产物，指的是装有各种传感器、控制器、执行器，加入通信与计算机网络技术，实现车与人、车与车、车与物的连接，具有智能化、自动化等特点的一种智能交通系统，可实现自动化无人驾驶的新型汽车。

随着无人驾驶技术的发展，无人驾驶的级别分为DA，PA，HA，FA 4级。最初级的DA相当于现在的高级驾驶辅助系统（Advanced Driver Assistant System，ADAS），包含一些自动技术，如自动巡航系统、防抱死系统等，有智能提示信息；PA即部分自动驾驶，大约只有10秒可以保持自动驾驶，有智能提示信息；HA是高度自动驾驶，大部分时间可以保持自动驾驶；FA是完全自动驾驶，系统完全控制车辆行驶，无需驾驶员。

目前，大多数研究机构的无人驾驶技术采用的是车载摄像头+车头的毫米波雷达进行对车辆定位及识别的方案。传感器部分包括双目摄像头、远距离单目摄像头、长距离毫米波雷达、中距离毫米波雷达和超声波雷达。执行机构包括所有横向纵向操控产品、车身电子稳定系统（Electronic Stability Program，ESP），iBooster和Servolectric[1]。

传统雷达虽然价格便宜，成本较低，但探测过程中容易受扫描角度及复杂环境的影响，探测精度低。

2 道路检测与识别

对于道路的检测与识别，Mobileye真正要做的是Eye 4+道路体验管理（Road Experience Management，REM）系统的解决方案。通过与主机厂合作，Eye Q4利用摄像头记录道路信息，转化为可供车辆使用的数据，这使得Mobileye拥有了自己的高精度地图，精确度号称达到10.16 cm，让Mobileye的“环境感知模式”可以快速识别并分类移动物体、护栏、道路标线、交通标志、信号灯等[3]。

无人机要实现无人驾驶，从视觉的角度上讲要先学会观察道路，也就是检测车道线，

包括车道线与车的位置关系的识别，实线还是虚线的识别等。为保证系统识别的实时性和鲁棒性要求，通常需要将视觉系统拍摄的彩色图像转换为灰度图像，进而进行高斯模糊处理，

然后利用边缘检测技术（如Canny）得到道路图像的边缘信息，获得的边缘信息不仅包括需要的车道线边缘，同时还包括不需要的其他车道及周围围栏的边缘，去掉不需要边缘的方法是确定一个多边形可视域，其工作原理是因为相机与车的位置固定，车相与车道的位置也相对固定，因此车道在相机中基本保持在一个固定区域内。去除杂乱的边缘信息后，利用Hough变换提取图像中的分段直线，比较前后帧直线可消除错误的信息[2]。将检测到的直线交叉点反向透视变换后得到一系列坐标，将其进行连接即是行驶路线。

3 道路交通标志检测与识别

在无人驾驶技术研究过程中，针对道路交通标志的检测与识别问题，通常用3种方法。

第一种方法是对图像进行预处理后，分别提取图像的Zernike和Hu不变矩特征，并建立相应的特征数据集，然后运用支持向量机对特征数据集进行分类处理，因不变矩具有平移，旋转，缩放不变性，特别适用于具有不同程度的几何失真类交通标志的检测和识别。此方法无需大量采样，因此其识别率和实时性都非常好。

第二种则是基于分类算法，常见的有稀疏表达分类算法和系统编码分类算法，两种方法在有遮挡和光照的情况下均有较好的识别能力，但是面对高特征维数的识别，系统编码分类算法的时间复杂度要远远低于稀疏表达分类算法。

第三种方法是利用尺度不变特征转换（Scale Invariant Feature Transform，SIFT）算子。SIFT算子不但对旋转、尺度缩放、亮度变化保持不变性，而且对视角变化、仿射变换、噪声也保持一定程度的稳定性，该方法对特征点的个数和有效点的比例没有要求，当特征点不是很多时，经优化的SIFT匹配算法甚至可以达到实时的要求，而且可以很方便地与其他形式的特征向量进行联合。

4 障碍物检测与识别

对于动态障碍物的检测与识别，激光雷达获取的数据量远超毫米波雷达，但其成本也是毫米波雷达无法比拟的。虽然毫米波雷达缺点明显，但测量距离远，可以达到200 m，也可以在雨天及下雪天气使用。激光雷达和毫米波雷达融合刚好弥补了各自的短板。采用顶级的Velodyne 64信道激光雷达，融合了激光雷达、超声波雷达、毫米波雷达、差分GPS、惯导设备、监控视频、红外摄像头等前沿技术。

激光雷达不仅可以获取线数，点密度，水平垂直视角，检测距离，扫描频率，精度等位置和距离，而且还可以根据回波脉冲宽度得到所扫描物体的密度信息，其与障碍物表面的颜色，粗糙度及材质密切相关。正常情况下，回波脉冲的宽度一般呈现在0～500的区域范围内，为了将路面多变环境的干扰降到最低，需选择有效区域范围内的回波脉冲宽度数据作为有效值，最后取其均值作为匹配特征之一，待数据匹配完成后，再将该路段的不同障碍物分类代入相应的卡尔曼滤波器对障碍物的运动状态进行估计[4]。endprint

傳统的基于激光雷达障碍物识别方法通常使用障碍物的轮廓特征以及运动状态特征，包括目标障碍物的长度值、宽度值、线性度数、速度等多样数据，该方法极容易受扫描角度和距离的影响，因此所收集的数据误差率较高。为了实现提升对动态障碍物识别的准确性的目的，本文在实地研究过程中设计了一个基于三维时空特征向量的目标障碍物的识别方法。该方法有效地提高了障碍物识别数据的准确性和有效性。具体方法如下：

（1）构建三维时空特征向量，其包含目标障碍物在时间和空间维度中的信息，假设将三维时空特征向量分量分别记为A，B，C。A中包含多帧含有目标障碍物中心点，边沿线的终点及拐点等关键点数据信息，B中包含多帧数据中障碍物的Hu不变矩的特征数据集合，反映目标障碍物的轮廓特征，C中则是传感器的历史位置在最新传感器坐标系统中的坐标和方向，其反应扫描角度和位置。

（2）利用支持向量机扫描识别，对不同的障碍物进行区分。

（3）将目标障碍物映射到现实的交通道路环境，比如汽车、行人、自行车。实际过程中可以使用3个支持向量机分类器分别进行识别，获得分类器支持最多的类别就是汽车行驶过程中实际的障碍物[5]。

为实现提高目标动态障碍物检测与障碍物识别准确率的目的，基于三维时空特征向量的障碍物识别方法行之有效。在目标障碍物检测及识别的过程中，首先选取障碍物的标志性特征，再利用当前各种信息进行特征匹配，然后使用卡尔曼滤波器对目标障碍物的运动状态进行估算，同时在对障碍物的识别过程中建立目标障碍物的时空特征向量值，最后导入支持向量机。

5 结语

本文主要提出了基于激光雷达的对道路、交通标志与障碍物的识别方法，有效提高了无人驾驶汽车对环境特别是动态障碍物的识别率和准确性，为无人驾驶汽车的安全性提供了一定的保障。但由于现在的无人驾驶汽车还存在一些关键性问题尚未解决，包括汽车成本、交通事故法律责任以及个人信息安全问题，还有当前的交通环境问题，一定程度上阻碍了无人驾驶汽车技术的发展。

[参考文献]

[1]辛煜，梁华为，梅涛，等.基于激光传感器的无人驾驶汽车动态障碍物检测及表示方法[J].机器人，2014（6）：654-661.

[2]刘振超.基于图像的车道线检测[D].北京：中国科学技术大学，2012.

[3]陈芝协.城区道路交通标志的检测与识别[D].北京：中国科学技术大学，2012.

[4]BERNUY F， DEL SOLAR J R， PARRA I， et al. Adaptive and real-time unpaved road segmentation using color histograms and RANSAC[C].2011 9th Institute of Electrical and Electronics Engineers International Conference on Control and Automation， 2011.

[5]MACLACHLAN R， MERTZ C.Tracking of moving objects from a moving vehicle using a scanning laser rangefinder[C]. USA：Intelligent Transportation Systems， 2006.endprint