本方法通過(guò)分析處理Velodyne激光數據對無(wú)人駕駛汽車(chē)四周的動(dòng)態(tài)障礙物進(jìn)行檢測跟蹤，對于無(wú)人駕駛汽車(chē)前方準確性要求較高的扇形區域，采用置信距離理論融合Velodyne激光數據處理信息和Ibeo輸出的運動(dòng)狀態(tài)信息，較大地提高了對障礙物運動(dòng)狀態(tài)的檢測準確率，然后根據融合得到的結果對運動(dòng)障礙物的位置進(jìn)行延時(shí)修正，最終在障礙物占用柵格圖上將動(dòng)態(tài)障礙物所占據位置與靜態(tài)障礙物所占據位置區別標示。本方法不僅可以在室外環(huán)境中準確地檢測出障礙物運動(dòng)信息，而且可以消除傳感器數據處理延時(shí)所帶來(lái)的動(dòng)態(tài)障礙物位置偏差，更準確地將環(huán)境中的動(dòng)靜態(tài)障礙物信息用障礙物占用柵格圖進(jìn)行描述．該種方法應用在了自主研發(fā)的無(wú)人駕駛汽車(chē)平臺上，大量的實(shí)驗以及它們在“中國智能車(chē)未來(lái)挑戰賽”中的優(yōu)異表現證明該方法具備可靠性和準確性。

 

 

無(wú)人駕駛汽車(chē)是人工智能的一個(gè)非常重要的驗證平臺，近些年成為國內外研究熱點(diǎn)。無(wú)人駕駛汽車(chē)作為一種陸地輪式機器人，既與普通機器人有著(zhù)很大的相似性，又存在著(zhù)很大的不同。首先它作為汽車(chē)需保證乘員乘坐的舒適性和安全性，這就要求對其行駛方向和速度的控制更加嚴格；另外，它的體積較大，特別是在復雜擁擠的交通環(huán)境下，要想能夠順利行駛，對周?chē)系K物的動(dòng)態(tài)信息獲取就有著(zhù)很高的要求。

 

國內外很多無(wú)人駕駛汽車(chē)研究團隊都是通過(guò)分析激光傳感器數據進(jìn)行動(dòng)態(tài)障礙物的檢測。斯坦福大學(xué)的自主車(chē)“Junior”利用激光傳感器對跟蹤目標的運動(dòng)幾何特征建模，然后用貝葉斯濾波器分別更新每個(gè)目標的狀態(tài)；卡耐基·梅隆大學(xué)的“BOSS”從激光傳感器數據中提取障礙物特征，通過(guò)關(guān)聯(lián)不同時(shí)刻的激光傳感器數據對動(dòng)態(tài)障礙物進(jìn)行檢測跟蹤。

 

在實(shí)際應用中，3維激光傳感器因為數據處理工作量較大，存在一個(gè)比較小的延時(shí)，這在一定程度上降低了無(wú)人駕駛汽車(chē)對動(dòng)態(tài)障礙物的反應能力，特別是無(wú)人駕駛汽車(chē)前方區域的運動(dòng)障礙物，對其安全行駛構成了很大的威脅；而普通的四線(xiàn)激光傳感器雖然數據處理速度較快，但是探測范圍較小，一般在100?～120?之間；另外，單個(gè)的傳感器在室外復雜環(huán)境中也存在著(zhù)檢測準確率不高的現象。針對這些問(wèn)題，本文提出一種利用多激光傳感器進(jìn)行動(dòng)態(tài)障礙物檢測的方法，采用3維激光傳感器Velodyne對無(wú)人駕駛汽車(chē)周?chē)恼系K物進(jìn)行檢測跟蹤，利用卡爾曼濾波器對障礙物的運動(dòng)狀態(tài)進(jìn)行跟蹤與預測，對于無(wú)人駕駛汽車(chē)前方準確性要求較高的扇形區域，采用置信距離理論融合Velodyne和四線(xiàn)激光傳感器Ibeo數據來(lái)確定障礙物的運動(dòng)信息，提高了障礙物運動(dòng)狀態(tài)的檢測準確率，最終在柵格圖上不僅對無(wú)人駕駛汽車(chē)周?chē)膭?dòng)、靜態(tài)障礙物進(jìn)行區別標示，而且還根據融合結果對動(dòng)態(tài)障礙物的位置進(jìn)行了延時(shí)修正，消除了傳感器處理數據延時(shí)所帶來(lái)的位置偏差。這種方法應用在了自主研發(fā)的無(wú)人駕駛汽車(chē)上，在城市和鄉村道路中進(jìn)行了大量的實(shí)車(chē)實(shí)驗，并在國家自然科學(xué)基金委舉辦的“中國智能車(chē)未來(lái)挑戰賽”中取得了優(yōu)異成績(jì)。

 

 

四線(xiàn)激光傳感器Ibeo安裝于無(wú)人駕駛汽車(chē)的正前方保險杠位置，3維激光傳感器Velodyne安裝于車(chē)頂上方，它們的具體安裝位置如圖1所示。

 

圖1 傳感器Velodyne和Ibeo安裝位置

 

本文提出的無(wú)人駕駛汽車(chē)動(dòng)態(tài)障礙物檢測及其表示方法流程如圖2所示。首先對Velodyne數據進(jìn)行柵格化處理得到一張障礙物占用柵格圖，對不同時(shí)刻的柵格圖進(jìn)行聚類(lèi)跟蹤可以獲取障礙物的動(dòng)態(tài)信息，將動(dòng)態(tài)的障礙物從柵格圖中刪除并存儲在動(dòng)態(tài)障礙物列表中，這個(gè)刪除了動(dòng)態(tài)障礙物占用信息的柵格圖也就是一張靜態(tài)障礙物柵格圖，然后將動(dòng)態(tài)障礙物列表中的動(dòng)態(tài)障礙物信息和Ibeo獲取的無(wú)人駕駛汽車(chē)前方區域內的動(dòng)態(tài)障礙物信息進(jìn)行同步融合得到一個(gè)新的動(dòng)態(tài)障礙物列表，最后將這個(gè)新的列表中的動(dòng)態(tài)障礙物合并到靜態(tài)障礙物柵格圖中得到一張動(dòng)靜態(tài)障礙物區別標示的柵格圖。

 

圖2 無(wú)人駕駛汽車(chē)動(dòng)態(tài)障礙物檢測及其表示方法流程圖

 

本文創(chuàng )建的障礙物占用柵格圖大小為512×512，每個(gè)柵格的大小為20cm×20cm，無(wú)人駕駛汽車(chē)車(chē)頭朝向與y軸正方向同向且位于這個(gè)柵格地圖中的(256,100)位置。柵格圖和Velodyne、Ibeo的檢測范圍關(guān)系如圖3所示。

 

圖3 柵格圖和Velodyne、Ibeo的檢測范圍關(guān)系示意圖

 

 

將激光數據柵格化的方法有很多，無(wú)人駕駛汽車(chē)領(lǐng)域比較成熟的3維激光傳感器數據柵格表示方法有均值高度圖和最大最小值高度圖兩種。本文采用最大最小值高度圖法對Velodyne數據進(jìn)行柵格化處理，最大最小值高度圖是由Thrun教授提出的一種高度圖的變種，該方法在2007年的DARPA（美國國防部先進(jìn)研究項目局）城市挑戰賽中得到了廣泛的應用，并且取得了很好的使用效果。在最大最小值高度圖中地面被建模為一系列的柵格，這些柵格僅包含兩個(gè)值：所有投影到同一柵格中的激光傳感器返回值的最大值和最小值。然后將最大值和最小值之差大于預先設定的閾值D的柵格標記為障礙物狀態(tài)；將差小于D的柵格標記為非障礙物狀態(tài)。對于一個(gè)柵格X，如果其為障礙物狀態(tài)，則設置該柵格的占用值T(X)=1；如果為非障礙物狀態(tài)，則設置為T(mén)(X)=0．圖4是用最大最小值高度圖法對一個(gè)十字路口的Velodyne數據柵格化后所得到的障礙物占用柵格圖。

 

 

對障礙物進(jìn)行跟蹤之前需要對柵格地圖中的占用柵格進(jìn)行聚類(lèi)，本文采用的是一種區域生長(cháng)聚類(lèi)算法，見(jiàn)Function1．Addopen(X)和Addclosed(X)分別表示將柵格X添加進(jìn)open列表和closed列表；Deleteopen(X)和Deleteclosed(X)分別表示將柵格X從open列表和closed列表中刪除；Newlable(X)表示給柵格X賦一個(gè)新的標示值；Copylable(X,Y)表示將柵格X的標示值賦予給柵格Y；Selectopen(X)和Selectclosed(X)分別表示從open列表和closed列表中隨機選出一個(gè)柵格X；L(X)表示柵格X是否已經(jīng)被賦予了標示值，值為1表示已經(jīng)被賦予，值為0則表示沒(méi)有。

 

圖4 用最大最小值高度圖法柵格化得到的柵格圖

 

 

經(jīng)過(guò)Function1，柵格地圖中設定聚類(lèi)區域內的障礙物占用柵格就被聚類(lèi)成一個(gè)個(gè)障礙物塊，圖5是對道路內的障礙物占用柵格聚類(lèi)得到的結果。

 

 

首先創(chuàng )建一個(gè)動(dòng)態(tài)障礙物列表來(lái)存儲上面聚類(lèi)得到的障礙物塊信息，并且實(shí)時(shí)更新這些障礙物塊的跟蹤結果。存儲于這個(gè)動(dòng)態(tài)障礙物列表中的每一個(gè)障礙物塊包含以下信息：編號，最新一次聚類(lèi)得到時(shí)的時(shí)間、占據位置、速度大小方向和加速度大小方向，速度協(xié)方差，加速度協(xié)方差以及存在置信度和運動(dòng)置信度。

 

圖5 障礙物占用柵格聚類(lèi)結果

 

對障礙物塊進(jìn)行跟蹤時(shí)，需要匹配當前時(shí)刻聚類(lèi)得到的障礙物塊和動(dòng)態(tài)障礙物列表中存儲的障礙物塊，本文采用一種最大關(guān)聯(lián)值法對其進(jìn)行匹配。對于動(dòng)態(tài)障礙物列表中的每一個(gè)障礙物塊和當前時(shí)刻聚類(lèi)得到的每一個(gè)障礙物塊，存在一個(gè)關(guān)聯(lián)值。這個(gè)關(guān)聯(lián)值的大小與和的位置、大小、形狀有關(guān)。如圖6所示，對于每一個(gè)障礙物塊，用一個(gè)能覆蓋它的最小矩形對其進(jìn)行參數化：長(cháng)邊長(cháng)L，短邊長(cháng)R，中心位置O(x,y)和障礙物塊對這個(gè)矩形的占用率k。

 

顯然，和的中心位置不能直接拿來(lái)比較，因為對它們進(jìn)行聚類(lèi)的時(shí)間不同，所以需要對的中心位置進(jìn)行修正，見(jiàn)式(1)、(2)：

 

 

其中，和分別是7最新一次聚類(lèi)得到時(shí)的時(shí)間和當前時(shí)刻，和是在動(dòng)態(tài)障礙物列表中存儲的最新速度和加速度是對的中心位置進(jìn)行修正后得到的中心位置。于是，可以根據式(3)得到：

 

 

其中，a、b和c是權值，通過(guò)實(shí)驗可以得到比較合適的經(jīng)驗值。

 

然后就可以得到一個(gè)如下的決策矩陣并設置一個(gè)門(mén)限關(guān)聯(lián)值：

 

 

接著(zhù)從這個(gè)決策矩陣中找到最大的關(guān)聯(lián)值，如果不小于門(mén)限值，則認為障礙物塊和成功匹配，然后將與和相關(guān)的所有關(guān)聯(lián)值從這個(gè)決策矩陣中刪除，得到一個(gè)新的決策矩陣如下：

 

 

再從這個(gè)新的決策矩陣中尋找最大的關(guān)聯(lián)值，依此類(lèi)推，直到找到的最大關(guān)聯(lián)值小于門(mén)限值或者決策矩陣變空為止。

 

最終的匹配結果有如下3種情況，分別對其進(jìn)行處理：

 

①存儲于動(dòng)態(tài)障礙物列表中但是沒(méi)有當前聚類(lèi)得到的障礙物塊與之匹配的障礙物塊，將其存在置信度減1，其它值不變。

 

②當前聚類(lèi)得到的但是沒(méi)有存儲于動(dòng)態(tài)障礙物列表中的障礙物塊與之匹配的障礙物塊，將其添加進(jìn)動(dòng)態(tài)障礙物列表中，并將速度大小、方向和加速度大小、方向都置初值為0，速度協(xié)方差和加速度協(xié)方差都置初值為10，存在置信度置初值為10，運動(dòng)置信度置初值為0。

 

③存儲于動(dòng)態(tài)障礙物列表中并且有當前聚類(lèi)得到的障礙物塊與之匹配的障礙物塊，將其存在置信度加1，更新其所在位置，并根據經(jīng)典卡爾曼濾波算法更新得到其速度、加速度以及速度協(xié)方差和加速度協(xié)方差．考慮到傳感器誤差，本文認為速度值小于一個(gè)較小值（比如0.5m/s）的障礙物塊是靜止或者接近于靜止的，所以如果更新得到的速度大于這個(gè)較小值，將其運動(dòng)置信度加1，反之減1。

 

當然在實(shí)際操作中，動(dòng)態(tài)障礙物列表中的障礙物塊運動(dòng)置信度和存在置信度都設置了上下限值。最后將動(dòng)態(tài)障礙物列表中那些存在置信度小于一個(gè)設定值的障礙物塊從列表中刪除，因為本文認為這些障礙物塊已經(jīng)從無(wú)人駕駛汽車(chē)周?chē)h(huán)境中消失，這樣還能保證動(dòng)態(tài)障礙物列表中的障礙物塊數目不會(huì )隨著(zhù)時(shí)間累積而無(wú)限增大。

 

 

更新完動(dòng)態(tài)障礙物列表后，按照如下的Func-tion2對前面柵格化后得到的柵格圖進(jìn)行處理，可以生成一張靜態(tài)障礙物柵格圖。

 

 

 

因為四線(xiàn)激光傳感器Ibeo能直接輸出環(huán)境中的動(dòng)態(tài)障礙物信息，而Velodyne數據經(jīng)過(guò)上文中的一系列處理才能得到環(huán)境中動(dòng)態(tài)障礙物信息，兩者的數據采集和處理耗時(shí)不同，所以首先需要同步匹配兩者的障礙物信息。

 

Ibeo輸出的動(dòng)態(tài)障礙物信息是用一個(gè)個(gè)box的格式進(jìn)行表示的，每個(gè)box的參數包括邊長(cháng)a、b，中心位置和速度v的大小方向，如圖7所示。

 

圖7 Ibeo輸出動(dòng)態(tài)障礙物信息示意圖

 

圖8Velodyne數據和Ibeo數據同步示意圖

 

本文將box的中心位置朝其速度方向的反方向平移距離S，如圖8所示，S的大小滿(mǎn)足式(4)：

 

 

其中和分別是采集處理Velodyne數據和Ibeo數據的耗時(shí)，λ是參數。

 

同步完成后,就可以匹配兩個(gè)傳感器的障礙物塊信息，本文認定，與某個(gè)box有區域重疊的障礙物塊，即和該box成功匹配，這樣匹配的結果也有以下3種：

 

①沒(méi)有Velodyne檢測到的障礙物塊與之成功匹配的box，不作任何處理。

 

②沒(méi)有box與之成功匹配的Velodyne檢測到的障礙物塊，如圖9中的，也不作任何處理，仍然采用Velodyne的檢測結果作為最終結果。

 

③有box與之成功匹配的Velodyne檢測到的障礙物塊，如圖9中的和，它們都需要融合Velodyne和Ibeo數據得到最終運動(dòng)狀態(tài)，具體的融合方法見(jiàn)下節。

 

圖9 Velodyne數據和Ibeo數據匹配示意圖

 

 

同步匹配完成后，采用置信距離理論對匹配成功的兩個(gè)傳感器數據進(jìn)行融合，假設和分別是Velodyne數據計算得到的運動(dòng)狀態(tài)和Ibeo輸出的運動(dòng)狀態(tài)，它們都服從高斯分布，某次測量它們得到的數據分別是和，則它們的概率密度函數見(jiàn)式(5)、(6)：

 

 

 

最后對滿(mǎn)足輸出支持傳感器個(gè)數為2的傳感器數據按照式(12)進(jìn)行融合，最終得到障礙物塊的運動(dòng)狀態(tài)X，其中l是滿(mǎn)足輸出支持傳感器個(gè)數為2的傳感器個(gè)數。

 

 

融合完成后，考慮到Velodyne數據采集處理耗時(shí)，動(dòng)態(tài)障礙物的占據位置在這段時(shí)間內實(shí)際發(fā)生了變化，需要對這些占據位置進(jìn)行修正。修正方式為，將動(dòng)態(tài)障礙物列表中那些運動(dòng)置信度大于上面設定值的障礙物塊的所有占據位置朝其速度方向平移距離S′，如圖10所示，S′的大小滿(mǎn)足式(13)，其中v′是經(jīng)過(guò)融合后的障礙物塊運動(dòng)速度．這些經(jīng)過(guò)融合、修正后的障礙物塊信息都更新存儲在動(dòng)態(tài)障礙物列表中。

 

 

圖10 動(dòng)態(tài)障礙物位置修正示意圖

 

 

經(jīng)過(guò)上面的步驟，得到了一個(gè)融合了Velodyne數據計算結果和Ibeo輸出結果的動(dòng)態(tài)障礙物列表以及一張靜態(tài)障礙物占用柵格圖。在本文中，障礙物占用柵格圖作為無(wú)人駕駛汽車(chē)描述周?chē)h(huán)境的唯一方式，最后還要將動(dòng)態(tài)障礙物的占用信息添加進(jìn)來(lái)，參見(jiàn)Function3對靜態(tài)障礙物占用柵格圖進(jìn)行處理即可得到最終的障礙物占用柵格圖。最終得到的這張障礙物占用柵格圖中不僅將動(dòng)靜態(tài)障礙物進(jìn)行了區別標示（靜態(tài)障礙物占用柵格標示為T(mén)=1，動(dòng)態(tài)障礙物占用柵格標示為T(mén)=2），實(shí)現了動(dòng)靜態(tài)障礙物的分割，而且消除了傳感器處理數據延時(shí)所帶來(lái)的動(dòng)態(tài)障礙物位置偏差，更準確地對環(huán)境信息進(jìn)行了描述。

 

 

 

 

本方法被應用到自主研發(fā)的無(wú)人駕駛汽車(chē)“智能先鋒”號上，在一個(gè)開(kāi)放的城區環(huán)境中進(jìn)行了大量的實(shí)車(chē)測試，如圖11所示。這個(gè)開(kāi)放的城區環(huán)境南北長(cháng)6800m，東西長(cháng)2600m，其中存在著(zhù)大量的機動(dòng)車(chē)、非機動(dòng)車(chē)以及行人，在這個(gè)真實(shí)駕駛環(huán)境的區域內測試了無(wú)人車(chē)對各種類(lèi)型的動(dòng)態(tài)障礙物的檢測性能。

 

圖11 無(wú)人駕駛汽車(chē)實(shí)車(chē)測試區域

 

另外，應用該方法的無(wú)人駕駛汽車(chē)參加了由國家自然科學(xué)基金委主辦的“中國智能車(chē)未來(lái)挑戰賽”，并取得了優(yōu)異的成績(jì)，見(jiàn)圖12。

 

 

圖12“智能先鋒”號在2012年“中國智能車(chē)未來(lái)挑戰賽”上成功檢測到運動(dòng)車(chē)輛并完成超車(chē)

 

 

在實(shí)驗和比賽中，“智能先鋒”號的一些參數設置如表1所示。

 

 

“智能先鋒”號用Velodyne和Ibeo對環(huán)境中的動(dòng)靜態(tài)障礙物進(jìn)行檢測，然后將檢測到的結果表示在障礙物占用柵格地圖上，如圖13所示，黑色方框為根據本車(chē)行駛狀態(tài)與環(huán)境信息自適應設定的聚類(lèi)區域，進(jìn)入到這個(gè)黑色方框內的動(dòng)態(tài)障礙物都被成功檢測到，并區別于其它的靜態(tài)障礙物標示在柵格圖上，這兩個(gè)運動(dòng)目標的檢測結果和實(shí)際結果對比如表2所示。

 

圖13 檢測到動(dòng)態(tài)障礙物并表示在柵格圖上

 

 

表2顯示編號為0#的運動(dòng)目標無(wú)論是速度大小

還是速度方向，其誤差都小于編號為2#的運動(dòng)目標，因為0#運動(dòng)目標正好處于Ibeo的檢測范圍內，其運動(dòng)狀態(tài)信息是融合了Velodyne和Ibeo的數據，而2#的狀態(tài)信息只來(lái)自Velodyne的數據處理結果。為了得到這兩種結果準確率之間具體差異，對一輛基本保持速度大小為30km/h、航向為180?（正南方向）的車(chē)輛分別用這兩種方式進(jìn)行檢測，并且在實(shí)驗中，讓“智能先鋒”按照S形路線(xiàn)行駛，以測試無(wú)人駕駛汽車(chē)與目標障礙物運動(dòng)方向在不同夾角下的檢測穩定性，結果見(jiàn)圖14和圖15。

 

圖14 兩種檢測方式得到的速度大小對比圖

 

圖15 兩種檢測方式得到的速度方向對比圖

 

結果顯示，采用融合Velodyne和Ibeo信息得到運動(dòng)目標狀態(tài)的方式相比于只用Velodyne處理結果的方式，檢測結果的準確率和穩定性都得到了較大的提升．本方法對無(wú)人駕駛汽車(chē)前方關(guān)鍵區域采用前者方式進(jìn)行動(dòng)態(tài)障礙物檢測，對其它區域采用后者方式進(jìn)行檢測，既合理地對傳感器進(jìn)行了配置，又保證了無(wú)人駕駛汽車(chē)行駛的安全性。

 

 

本文提出的應用于無(wú)人駕駛汽車(chē)的動(dòng)態(tài)障礙物檢測及其表示方法，對傳感器進(jìn)行了合理配置，采用3維激光傳感器Velodyne檢測大范圍環(huán)境中的動(dòng)態(tài)障礙物信息，對于無(wú)人駕駛汽車(chē)前方關(guān)鍵區域，采用置信距離理論融合四線(xiàn)激光雷達Ibeo數據和Velodyne檢測結果來(lái)提高檢測準確率，并且根據障礙物的運動(dòng)狀態(tài)消除傳感器數據處理延時(shí)所帶來(lái)的障礙物位置誤差，最終將動(dòng)態(tài)障礙物和靜態(tài)障礙物區別標示于障礙物占用柵格圖上。大量的實(shí)驗以及自主研發(fā)的無(wú)人駕駛汽車(chē)在“中國智能車(chē)未來(lái)挑戰賽”中的優(yōu)異表現證明了本方法的可靠性。但是由于傳感器自身的局限性，在極其復雜的城市環(huán)境中，現有的檢測準確率仍然難以滿(mǎn)足要求，怎樣對傳感器進(jìn)行更合理的配置以及提升檢測算法的有效性來(lái)進(jìn)一步提高動(dòng)態(tài)障礙物檢測準確率是下一步研究的重點(diǎn)。