本方法通過分析處理Velodyne激光數(shù)據(jù)對無人駕駛汽車四周的動態(tài)障礙物進(jìn)行檢測跟蹤，對于無人駕駛汽車前方準(zhǔn)確性要求較高的扇形區(qū)域，采用置信距離理論融合Velodyne激光數(shù)據(jù)處理信息和Ibeo輸出的運(yùn)動狀態(tài)信息，較大地提高了對障礙物運(yùn)動狀態(tài)的檢測準(zhǔn)確率，然后根據(jù)融合得到的結(jié)果對運(yùn)動障礙物的位置進(jìn)行延時(shí)修正，最終在障礙物占用柵格圖上將動態(tài)障礙物所占據(jù)位置與靜態(tài)障礙物所占據(jù)位置區(qū)別標(biāo)示。本方法不僅可以在室外環(huán)境中準(zhǔn)確地檢測出障礙物運(yùn)動信息，而且可以消除傳感器數(shù)據(jù)處理延時(shí)所帶來的動態(tài)障礙物位置偏差，更準(zhǔn)確地將環(huán)境中的動靜態(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(yīng)用在了自主研發(fā)的無人駕駛汽車平臺上，大量的實(shí)驗(yàn)以及它們在“中國智能車未來挑戰(zhàn)賽”中的優(yōu)異表現(xiàn)證明該方法具備可靠性和準(zhǔn)確性。

 

 

無人駕駛汽車是人工智能的一個(gè)非常重要的驗(yàn)證平臺，近些年成為國內(nèi)外研究熱點(diǎn)。無人駕駛汽車作為一種陸地輪式機(jī)器人，既與普通機(jī)器人有著很大的相似性，又存在著很大的不同。首先它作為汽車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(yán)格；另外，它的體積較大，特別是在復(fù)雜擁擠的交通環(huán)境下，要想能夠順利行駛，對周圍障礙物的動態(tài)信息獲取就有著很高的要求。

 

國內(nèi)外很多無人駕駛汽車研究團(tuán)隊(duì)都是通過分析激光傳感器數(shù)據(jù)進(jìn)行動態(tài)障礙物的檢測。斯坦福大學(xué)的自主車“Junior”利用激光傳感器對跟蹤目標(biāo)的運(yùn)動幾何特征建模，然后用貝葉斯濾波器分別更新每個(gè)目標(biāo)的狀態(tài)；卡耐基·梅隆大學(xué)的“BOSS”從激光傳感器數(shù)據(jù)中提取障礙物特征，通過關(guān)聯(lián)不同時(shí)刻的激光傳感器數(shù)據(jù)對動態(tài)障礙物進(jìn)行檢測跟蹤。

 

在實(shí)際應(yīng)用中，3維激光傳感器因?yàn)閿?shù)據(jù)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人駕駛汽車對動態(tài)障礙物的反應(yīng)能力，特別是無人駕駛汽車前方區(qū)域的運(yùn)動障礙物，對其安全行駛構(gòu)成了很大的威脅；而普通的四線激光傳感器雖然數(shù)據(jù)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(fù)雜環(huán)境中也存在著檢測準(zhǔn)確率不高的現(xiàn)象。針對這些問題，本文提出一種利用多激光傳感器進(jìn)行動態(tài)障礙物檢測的方法，采用3維激光傳感器Velodyne對無人駕駛汽車周圍的障礙物進(jìn)行檢測跟蹤，利用卡爾曼濾波器對障礙物的運(yùn)動狀態(tài)進(jìn)行跟蹤與預(yù)測，對于無人駕駛汽車前方準(zhǔn)確性要求較高的扇形區(qū)域，采用置信距離理論融合Velodyne和四線激光傳感器Ibeo數(shù)據(jù)來確定障礙物的運(yùn)動信息，提高了障礙物運(yùn)動狀態(tài)的檢測準(zhǔn)確率，最終在柵格圖上不僅對無人駕駛汽車周圍的動、靜態(tài)障礙物進(jìn)行區(qū)別標(biāo)示，而且還根據(jù)融合結(jié)果對動態(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(shù)據(jù)延時(shí)所帶來的位置偏差。這種方法應(yīng)用在了自主研發(fā)的無人駕駛汽車上，在城市和鄉(xiāng)村道路中進(jìn)行了大量的實(shí)車實(shí)驗(yàn)，并在國家自然科學(xué)基金委舉辦的“中國智能車未來挑戰(zhàn)賽”中取得了優(yōu)異成績。

 

 

四線激光傳感器Ibeo安裝于無人駕駛汽車的正前方保險(xiǎn)杠位置，3維激光傳感器Velodyne安裝于車頂上方，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

 

本文提出的無人駕駛汽車動態(tài)障礙物檢測及其表示方法流程如圖2所示。首先對Velodyne數(shù)據(jù)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)行聚類跟蹤可以獲取障礙物的動態(tài)信息，將動態(tài)的障礙物從柵格圖中刪除并存儲在動態(tài)障礙物列表中，這個(gè)刪除了動態(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，然后將動態(tài)障礙物列表中的動態(tài)障礙物信息和Ibeo獲取的無人駕駛汽車前方區(qū)域內(nèi)的動態(tài)障礙物信息進(jìn)行同步融合得到一個(gè)新的動態(tài)障礙物列表，最后將這個(gè)新的列表中的動態(tài)障礙物合并到靜態(tài)障礙物柵格圖中得到一張動靜態(tài)障礙物區(qū)別標(biāo)示的柵格圖。

 

圖2 無人駕駛汽車動態(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，無人駕駛汽車車頭朝向與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(shù)據(jù)柵格化的方法有很多，無人駕駛汽車領(lǐng)域比較成熟的3維激光傳感器數(shù)據(jù)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(shù)據(jù)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(xiàng)目局）城市挑戰(zhàn)賽中得到了廣泛的應(yīng)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(yù)先設(shè)定的閾值D的柵格標(biāo)記為障礙物狀態(tài)；將差小于D的柵格標(biāo)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(shè)置該柵格的占用值T(X)=1；如果為非障礙物狀態(tài)，則設(shè)置為T(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(shù)據(jù)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，本文采用的是一種區(qū)域生長聚類算法，見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(biāo)示值；Copylable(X,Y)表示將柵格X的標(biāo)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(jī)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(biāo)示值，值為1表示已經(jīng)被賦予，值為0則表示沒有。

 

圖4 用最大最小值高度圖法柵格化得到的柵格圖

 

 

經(jīng)過Function1，柵格地圖中設(shè)定聚類區(qū)域內(nèi)的障礙物占用柵格就被聚類成一個(gè)個(gè)障礙物塊，圖5是對道路內(nèi)的障礙物占用柵格聚類得到的結(jié)果。

 

 

首先創(chuàng)建一個(gè)動態(tài)障礙物列表來存儲上面聚類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(jié)果。存儲于這個(gè)動態(tài)障礙物列表中的每一個(gè)障礙物塊包含以下信息：編號，最新一次聚類得到時(shí)的時(shí)間、占據(jù)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(yùn)動置信度。

 

圖5 障礙物占用柵格聚類結(jié)果

 

對障礙物塊進(jìn)行跟蹤時(shí)，需要匹配當(dāng)前時(shí)刻聚類得到的障礙物塊和動態(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。對于動態(tài)障礙物列表中的每一個(gè)障礙物塊和當(dāng)前時(shí)刻聚類得到的每一個(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(shù)化：長邊長L，短邊長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比較，因?yàn)閷λ鼈冞M(jìn)行聚類的時(shí)間不同，所以需要對的中心位置進(jìn)行修正，見式(1)、(2)：

 

 

其中，和分別是7最新一次聚類得到時(shí)的時(shí)間和當(dāng)前時(shí)刻，和是在動態(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(jù)式(3)得到：

 

 

其中，a、b和c是權(quán)值，通過實(shí)驗(yàn)可以得到比較合適的經(jīng)驗(yàn)值。

 

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

 

 

接著從這個(gè)決策矩陣中找到最大的關(guān)聯(lián)值，如果不小于門限值，則認(rèn)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，依此類推，直到找到的最大關(guān)聯(lián)值小于門限值或者決策矩陣變空為止。

 

最終的匹配結(jié)果有如下3種情況，分別對其進(jìn)行處理：

 

①存儲于動態(tài)障礙物列表中但是沒有當(dāng)前聚類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(dāng)前聚類得到的但是沒有存儲于動態(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(yùn)動置信度置初值為0。

 

③存儲于動態(tài)障礙物列表中并且有當(dāng)前聚類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(jù)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(rèn)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(yùn)動置信度加1，反之減1。

 

當(dāng)然在實(shí)際操作中，動態(tài)障礙物列表中的障礙物塊運(yùn)動置信度和存在置信度都設(shè)置了上下限值。最后將動態(tài)障礙物列表中那些存在置信度小于一個(gè)設(shè)定值的障礙物塊從列表中刪除，因?yàn)楸疚恼J(rèn)為這些障礙物塊已經(jīng)從無人駕駛汽車周圍環(huán)境中消失，這樣還能保證動態(tài)障礙物列表中的障礙物塊數(shù)目不會隨著時(shí)間累積而無限增大。

 

 

更新完動態(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?yàn)樗木€激光傳感器Ibeo能直接輸出環(huán)境中的動態(tài)障礙物信息，而Velodyne數(shù)據(jù)經(jīng)過上文中的一系列處理才能得到環(huán)境中動態(tài)障礙物信息，兩者的數(shù)據(jù)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(shù)包括邊長a、b，中心位置和速度v的大小方向，如圖7所示。

 

圖7 Ibeo輸出動態(tài)障礙物信息示意圖

 

圖8Velodyne數(shù)據(jù)和Ibeo數(shù)據(jù)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的大小滿足式(4)：

 

 

其中和分別是采集處理Velodyne數(shù)據(jù)和Ibeo數(shù)據(jù)的耗時(shí)，λ是參數(shù)。

 

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(rèn)定，與某個(gè)box有區(qū)域重疊的障礙物塊，即和該box成功匹配，這樣匹配的結(jié)果也有以下3種：

 

①沒有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(jié)果作為最終結(jié)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(shù)據(jù)得到最終運(yùn)動狀態(tài)，具體的融合方法見下節(jié)。

 

圖9 Velodyne數(shù)據(jù)和Ibeo數(shù)據(jù)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(shù)據(jù)進(jìn)行融合，假設(shè)和分別是Velodyne數(shù)據(jù)計(jì)算得到的運(yùn)動狀態(tài)和Ibeo輸出的運(yùn)動狀態(tài)，它們都服從高斯分布，某次測量它們得到的數(shù)據(jù)分別是和，則它們的概率密度函數(shù)見式(5)、(6)：

 

 

 

最后對滿足輸出支持傳感器個(gè)數(shù)為2的傳感器數(shù)據(jù)按照式(12)進(jìn)行融合，最終得到障礙物塊的運(yùn)動狀態(tài)X，其中l(wèi)是滿足輸出支持傳感器個(gè)數(shù)為2的傳感器個(gè)數(shù)。

 

 

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

 

 

圖10 動態(tài)障礙物位置修正示意圖

 

 

經(jīng)過上面的步驟，得到了一個(gè)融合了Velodyne數(shù)據(jù)計(jì)算結(jié)果和Ibeo輸出結(jié)果的動態(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人駕駛汽車描述周圍環(huán)境的唯一方式，最后還要將動態(tài)障礙物的占用信息添加進(jìn)來，參見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靜態(tài)障礙物進(jìn)行了區(qū)別標(biāo)示（靜態(tài)障礙物占用柵格標(biāo)示為T=1，動態(tài)障礙物占用柵格標(biāo)示為T=2），實(shí)現(xiàn)了動靜態(tài)障礙物的分割，而且消除了傳感器處理數(shù)據(jù)延時(shí)所帶來的動態(tài)障礙物位置偏差，更準(zhǔn)確地對環(huán)境信息進(jìn)行了描述。

 

 

 

 

本方法被應(yīng)用到自主研發(fā)的無人駕駛汽車“智能先鋒”號上，在一個(gè)開放的城區(qū)環(huán)境中進(jìn)行了大量的實(shí)車測試，如圖11所示。這個(gè)開放的城區(qū)環(huán)境南北長6800m，東西長2600m，其中存在著大量的機(jī)動車、非機(jī)動車以及行人，在這個(gè)真實(shí)駕駛環(huán)境的區(qū)域內(nèi)測試了無人車對各種類型的動態(tài)障礙物的檢測性能。

 

圖11 無人駕駛汽車實(shí)車測試區(qū)域

 

另外，應(yīng)用該方法的無人駕駛汽車參加了由國家自然科學(xué)基金委主辦的“中國智能車未來挑戰(zhàn)賽”，并取得了優(yōu)異的成績，見圖12。

 

 

圖12“智能先鋒”號在2012年“中國智能車未來挑戰(zhàn)賽”上成功檢測到運(yùn)動車輛并完成超車

 

 

在實(shí)驗(yàn)和比賽中，“智能先鋒”號的一些參數(shù)設(shè)置如表1所示。

 

 

“智能先鋒”號用Velodyne和Ibeo對環(huán)境中的動靜態(tài)障礙物進(jìn)行檢測，然后將檢測到的結(jié)果表示在障礙物占用柵格地圖上，如圖13所示，黑色方框?yàn)楦鶕?jù)本車行駛狀態(tài)與環(huán)境信息自適應(yīng)設(shè)定的聚類區(qū)域，進(jìn)入到這個(gè)黑色方框內(nèi)的動態(tài)障礙物都被成功檢測到，并區(qū)別于其它的靜態(tài)障礙物標(biāo)示在柵格圖上，這兩個(gè)運(yùn)動目標(biāo)的檢測結(jié)果和實(shí)際結(jié)果對比如表2所示。

 

圖13 檢測到動態(tài)障礙物并表示在柵格圖上

 

 

表2顯示編號為0#的運(yùn)動目標(biāo)無論是速度大小

還是速度方向，其誤差都小于編號為2#的運(yùn)動目標(biāo)，因?yàn)?#運(yùn)動目標(biāo)正好處于Ibeo的檢測范圍內(nèi)，其運(yùn)動狀態(tài)信息是融合了Velodyne和Ibeo的數(shù)據(jù)，而2#的狀態(tài)信息只來自Velodyne的數(shù)據(jù)處理結(jié)果。為了得到這兩種結(jié)果準(zhǔn)確率之間具體差異，對一輛基本保持速度大小為30km/h、航向?yàn)?80?（正南方向）的車輛分別用這兩種方式進(jìn)行檢測，并且在實(shí)驗(yàn)中，讓“智能先鋒”按照S形路線行駛，以測試無人駕駛汽車與目標(biāo)障礙物運(yùn)動方向在不同夾角下的檢測穩(wěn)定性，結(jié)果見圖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?qū)Ρ葓D

 

結(jié)果顯示，采用融合Velodyne和Ibeo信息得到運(yùn)動目標(biāo)狀態(tài)的方式相比于只用Velodyne處理結(jié)果的方式，檢測結(jié)果的準(zhǔn)確率和穩(wěn)定性都得到了較大的提升．本方法對無人駕駛汽車前方關(guān)鍵區(qū)域采用前者方式進(jìn)行動態(tài)障礙物檢測，對其它區(qū)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，又保證了無人駕駛汽車行駛的安全性。

 

 

本文提出的應(yīng)用于無人駕駛汽車的動態(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)境中的動態(tài)障礙物信息，對于無人駕駛汽車前方關(guān)鍵區(qū)域，采用置信距離理論融合四線激光雷達(dá)Ibeo數(shù)據(jù)和Velodyne檢測結(jié)果來提高檢測準(zhǔn)確率，并且根據(jù)障礙物的運(yùn)動狀態(tài)消除傳感器數(shù)據(jù)處理延時(shí)所帶來的障礙物位置誤差，最終將動態(tài)障礙物和靜態(tài)障礙物區(qū)別標(biāo)示于障礙物占用柵格圖上。大量的實(shí)驗(yàn)以及自主研發(fā)的無人駕駛汽車在“中國智能車未來挑戰(zhàn)賽”中的優(yōu)異表現(xiàn)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(fù)雜的城市環(huán)境中，現(xiàn)有的檢測準(zhǔn)確率仍然難以滿足要求，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進(jìn)一步提高動態(tài)障礙物檢測準(zhǔn)確率是下一步研究的重點(diǎn)。