复杂激光传感信息在无人车路径采集中的应用

2023-11-01郭琼琳尉庆国

机械设计与研究 2023年5期

郭琼琳, 尉庆国

(1.晋中职业技术学院,山西晋中 030600;E-mail: ttly12121@163.com; 2.中北大学,太原 030051)

激光传感器具有灵敏度高、响应时间快、覆盖范围广、精度高等特点,在无人驾驶车辆行驶路径规划方面,具有很大的优势[1]。当今城市交通中的汽车数量剧增,引发了交通堵塞等一系列问题,对城市发展产生了负面影响,无人驾驶技术成为解决交通效率的重要方法。其中,无人驾驶技术的关键在于车辆具备判断复杂路况信息进行路径规划的能力。因此,研究路径规划,对于改善拥挤的城市交通,控制能源消耗,提高车辆运行安全系数等具有重要意义。文献[2]基于改进的粒子群算法,实现了车辆路径算法优化。利用粒子群算法优化训练模糊神经网络权值参数,避免局部极值问题。但该方法未对采集的路况信息进行有效处理,路径识别效率不佳。文献[3]研究了一种基于模拟退火算法的车辆路径优化算法。采用黄金正弦算法的遍历特点优化模拟退火算法的初始值,扩充邻域搜索,提高了算法的全局优化性能。但该方法的缺点是容易受到冗余路况信息的干扰,路径识别速度较慢。文献[4]提出一种基于改进人工蜂群算法的车辆路径优化算法。利用变异算子增大极值在陷入局部最优时的跳出概率,提高了车辆路径规划的收敛能力。但是该算法同样未考虑冗余路况信息的干扰问题,路径识别效果不佳。文献[5]提出利用高斯置信流形转换路径,以最小信息增益为目的构建几何距离模型,以RRT算法求解,实现了渐进最优的路径规划。但是该方法对传感信息未进行处理,路径识别效果不理想。

为了解决上述方法无法有效采集车辆路况信息的问题,文章研究将激光传感器应用于无人车辆路径规划。采用禾赛科技pandar40激光雷达高速采集路径信息,并转换为笛卡尔坐标系,便于后续处理;对平面信息进行双曲线展示,创新性地利用Otsu双阈值分割方法在冗余激光信息干扰下分割提取出有效信息,为后续定位规划提供准确的数据;基于路段时间占有率、交通流量及信号控制因素,利用BPR函数建立了车辆路径模型,实现了无人车路径规划。测试结果表明本文在识别路径信息耗时和路径定位精度上具有优势,借助高效获取信息的优势,体现出较为优越的路径规划性能。

1 基于激光传感器采集复杂路径信息

在路径规划中应用激光传感器,可以快速收集环境数据、障碍信息等。因此本文设计利用激光传感器感知周围环境信息,并基于此规划路径。应用的激光传感器包括激光雷达、相机等感知传感器。激光传感器借由相机识别车道线、红绿灯、交通标志牌等,结合机器视觉技术感知行人和周边车辆的运动特征。文章采用禾赛科技pandar40激光雷达,其原理是通过发射激光波束,接收器接收反射回来的波束,得到车辆与周边障碍物的距离,准确地探测前车或障碍物的位置、速度和方位角等信息[6],得到周围环境的三维图像模型。该激光雷达具有40组激光收发对,镜头可实现360°旋转,更适合于无人车辆辅助行驶。

本文设置该激光雷达参数,如表1所示。

表1 激光雷达参数设置

将激光雷达安装在车顶,如图1所示,感知周围环境并得到三维点云数据。在此基础上对数据进一步处理,规划车辆路径。

图1 激光传感器安装示意图

2 复杂激光传感信息下的无人车路径规划算法

2.1 无人车激光传感复杂路径信息的干扰排除阈值计算

激光传感器在检测周围地物信息时,是建立在以自身为中心的球坐标系下的。为便于后续处理,将球坐标系的数据转换为笛卡尔坐标系表达,转换关系为:

(1)

式中:l表示目标与激光传感器的距离,w表示目标与激光传感器在坐标系平面上的夹角,θ表示目标在坐标系上的投影与Y轴之间的夹角。将极坐标系转化为直角坐标系,推导公式为:

x2+y2=z2cos2w/sin2w

(2)

则公式(2)可以进一步转化为:

(3)

由此,将激光传感器扫描平面位置的点云数据转换为双曲线展示。采集到的激光点云数据不仅包括道路、周围建筑物、树木等信息,还存在物体投影产生的色度干扰信息。为了高效采集信息,便于后续路径规划,需要滤除这些干扰信息。通常车辆行驶在柏油路面上,路面灰度值保持在一定范围内。当出现阴影、油渍等灰度值异常的干扰时,使用Otsu双阈值分割方法将灰度值处于阈值范围内的激光点云数据视为道路,其余视为非道路,进行分割。阈值的选择是分割路径信息的关键,随机选择两个阈值变量d1、d2,将激光点云数据划分为三部分:c1、c2、c3,则对应的灰度值范围分别为[0,d1]、[d1+1,d2]、[d2+1,h],h表示最大灰度值。将每部分数据方差最大时的d1、d2作为阈值的最佳值。具体计算过程为:

(4)

2.2 无人车路径规划

在激光传感器感知并滤除的路径环境信息基础上,以通行时间最短为目标,构建无人车路径规划模型。

总行程时间包括延误时间和行驶时间[7-9]。总行程时间体现了路段的交通效率。行程时间较短,则路段的交通效率较高。利用美国道路局BPR(Bureau of Public Road)函数[10-12]计算车辆的道路行驶时间:

(5)

式中:行驶开始时间为t0。路口在固定时间内共有Cij个车辆经过。实际交通流量为Qij(t)。阻滞系数为α和β,将其分别取值为α=0.15,β=4。通过检测器测量路段的延误时间,同时可测出交通流量Qij(t)和方向不均匀系数Ωij(t)。将车辆数Sij(t)和Qij(t)进行联立求解得出路段的延误时间,计算公式如式(6)所示:

(6)

通过上述计算可以得到不同节点i和节点j之间路段的延误时间,表达式为[13-15]:

tu=dij(t)Cij·λ

(7)

式中:tu表示交叉路口处的通行时间;λ表示智能交通系统中的绿色信号比。

动态路网表示为G=(V,E,W),其中W={wij(t),dij(t)+Dij}。则模型的目标函数为:

(8)

式中:Dij为绿灯时长;δ为通行权重。

通过式(5)～(8)即可建立车辆路径优化模型,计算车辆经过各个路段的时间,完成了基于激光传感信息的车辆路径优化模型的建立,选择出最优的行驶路线。

复杂激光传感信息在无人车路径采集中的应用实现流程如图2所示。

图2 应用实现流程示意图

3 实验过程及结果

3.1 实验准备

选取某市的区域路线,标出主干道路交叉所产生的节点,并对其进行编号。提取路网信息,并将其转化为网络结构图,如图3所示。

图3 某市部分地图的网络结构图

在Matlab环境下进行测试。实验硬件条件为: Intel i5-7200U CPU与4.00GB RAM。设置种群最大迭代次数Max为200。交叉概率Pc=0.7。种群规模为Size=40。变异概率Pm=0.7。初始转向角为0°±1°,初始偏移量为(0±1)cm。激光雷达旋转扫描无人车四周环境,间隔0.5°进行一次扫描信息返回操作,扫描范围是360°,共测有361个距离数值信息,一次扫描时间为26.64 ms。

从图3中可以发现,该区域的道路中,存在两处较为复杂的道路交通区,分别为[5,6,7,8,]和[26,27,28,29,30,31,32]。为检验本文方法在复杂道路条件下的路径规划能力,选取目标节点均需经过这两处区域,具体为:

实验一:规划节点1到节点30的动态最优路径;

实验二:规划节点5到节点12的动态最优路径。

通过激光传感器得到部分地区地表三维点云数据如图4所示。

图4 地表三维点云数据

3.2 无人车路径优化结果

将本文方法用于实验一得到优化方案如下:

最优路径为:1→13→14→15→21→24→33→32→30

路径长度为:4 770 m

将本文方法用于实验二得到优化方案如下:

最优路径为:5→4→3→2→12

路径长度为:1930 m

3.3 路径信息识别耗时结果

引入文献[2]、文献[3]和文献[4]方法作为对比方法,测试四种方法在不同实验条件下对车辆路径信息的识别耗时,得到结果如表2所示。

表2 不同实验条件下对车辆路径信息的识别耗时对比结果/ms

分析表2可知,文献[2]、文献[3]和文献[4]方法在路径信息识别时,平均耗时分别为1 605.5 ms、2 001.5 ms和1 316.5 ms,而应用本文方法识别路径信息耗时为367.5 ms。由对比数据可知,本文方法显著缩短了识别耗时,提高了识别效率。这是因为本文使用激光传感器快速收集环境数据、障碍信息;将激光传感器采集的路径信息转换为笛卡尔坐标系,便于后续识别操作;采用Otsu双阈值分割方法去除冗余激光信息干扰,提高了识别效率。

3.4 路径长度误差

为进一步验证本文方法的应用效果,以编号5→4路径识别中对路径长度的定位误差为指标,进行对比验证。结果如图5所示。

图5 定位误差

分析图5可知,应用文献[2]、文献[3]和文献[4]方法进行路径信息识别时,定位距离误差最高达到1.45 m、1.14 m和1.75 m,而应用本文方法对路径的定位距离误差保持在0.5 m内,定位精度明显较高。这主要是由于本文利用Otsu双阈值分割方法滤除了干扰信息,为定位奠定了准确的数据基础;考虑路段时间占有率、交通流量及信号控制等因素,通过BPR函数建立了车辆路径规划模型,提高了定位精度。

综上,本文方法借助激光传感器高效获取信息的优势,去除干扰信息,提取准确的路径信息并选定行走路径,各项实验结果表明本文方法具有较为优越的路径规划性能。