一、諸論

（一）研究背景

伴隨著人工智能的高速發(fā)展，為解決交通堵塞、通行效率低的問題，自動駕駛汽車取得了前所未有的發(fā)展。

汽車作為重要的運載工具，通過車載傳感器（車規(guī)級傳感器設(shè)備），可視設(shè)備，控制器，執(zhí)行器等電子設(shè)備，形成一種可以在任意地點，任意時刻，能夠接入任意信息的模式，為汽車提供智能環(huán)境的支持，達(dá)到提高車輛安全性的目的。目標(biāo)識別感知及控制系統(tǒng)目前已經(jīng)成為汽車智能化的亮點和賣點。

2015年，工信部發(fā)布的《中國制造2025》明確提出，到2025年，我國將掌握自動駕駛的總體技術(shù)以及各項關(guān)鍵技術(shù)，要建立起比較完善的智能網(wǎng)聯(lián)汽車的自主研發(fā)體系，生產(chǎn)配套體系以及產(chǎn)業(yè)群，要基本完成汽車產(chǎn)業(yè)的轉(zhuǎn)型升級。所以在政策和市場的共同作用下，我國的智能汽車技術(shù)發(fā)展迅猛，智能汽車領(lǐng)域相關(guān)系統(tǒng)以及應(yīng)用軟件的開發(fā)已經(jīng)初步成形。

本論文以溫州大學(xué)甌江學(xué)院智能車綜合開發(fā)控制系統(tǒng)臺架為平臺，以LS-C161A型16線激光雷達(dá)為研究對象，充分運用Apollo、51Simone綜合仿真系統(tǒng)，以傳感器技術(shù)、多傳感器融合為基礎(chǔ)，解決了傳統(tǒng)激光雷達(dá)測試成本高、仿真效果差、訓(xùn)練集單一的缺點，對基于激光雷達(dá)的目標(biāo)識別感知控制算法提出了改進措施；并對基于低速無人駕駛車輛上的目標(biāo)識別進行了深入的研究；最后，基于多傳感器融合的確定性目標(biāo)關(guān)聯(lián)算法，實現(xiàn)了特殊道路場景下不確定數(shù)目的多個車輛目標(biāo)的跟蹤，為汽車的主動防撞及自動駕駛奠定堅實的基礎(chǔ)。

（二）激光雷達(dá)的定義和關(guān)鍵技術(shù)

激光雷達(dá)又稱光學(xué)雷達(dá)（LiDAR，Light Detection And Ranging），是一種先進的光學(xué)遙感技術(shù)。激光雷達(dá)可以用于測量物體距離和表面形狀，其測量精度可達(dá)厘米級。

圖1-1 激光雷達(dá)工作原理

激光雷達(dá)，是以發(fā)射激光束探測目標(biāo)的位置、速度等特征量的綜合雷達(dá)系統(tǒng)。其工作原理是向目標(biāo)發(fā)射探測信號(激光束),然后將接收到的從目標(biāo)反射回來的信號(目標(biāo)回波)與發(fā)射信號進行比較,作適當(dāng)處理后,就可獲得目標(biāo)的有關(guān)信息,如目標(biāo)距離、方位、高度、速度、姿態(tài)、甚至形狀等參數(shù),從而對目標(biāo)車輛等目標(biāo)進行探測、跟蹤和識別。

本論文研究的LS-161A型激光雷達(dá)采用混合固態(tài)激光雷達(dá)方式，集合了 16 個激光收發(fā)組件，測量距離高達(dá) 150 米，測量精度+/- 2cm 以內(nèi)，出點數(shù)高達(dá) 300,000 點/秒，水平測角 360°，垂直測角 -15°~15°。 LS-161A通過 16 個激光發(fā)射組件快速旋轉(zhuǎn)的同時發(fā)射高頻率激光束對外界環(huán)境進 行持續(xù)性的掃描，經(jīng)過測距算法提供三維空間點云數(shù)據(jù)及物體反射率，可以讓機器看到周圍的世界，為定位、導(dǎo)航、避障等提供有力的保障。

二、基于激光雷達(dá)的目標(biāo)識別

（一）引言

激光雷達(dá)是一種主動探測傳感器，其受環(huán)境干擾小，精度高、速度快的特點，廣泛適用于移動機器人、AGV等的目標(biāo)檢測和識別方面。

關(guān)于激光雷達(dá)的目標(biāo)檢測，主要集中在行人和障礙物方面，針對以上兩種目標(biāo)，重點在于如何研究高效的控制模型。對于自動駕駛汽車來說，從高清圖像中檢測出特征物體尤為重要，例如不易被發(fā)現(xiàn)的紅綠燈、行人等。

目標(biāo)識別的難點在于以下幾個方面

l 無法準(zhǔn)確無誤的分割目標(biāo)物體，特別是目標(biāo)特征不顯著的物體；

l 不同的物體在不同角度的探測結(jié)果不同；

l 環(huán)境對目標(biāo)物體信息的干擾；

（二）基于激光雷達(dá)的環(huán)境感知

自動駕駛的四大核心技術(shù)包括環(huán)境感知、精度定位、路徑規(guī)劃和線控執(zhí)行四大部分，環(huán)境感知是實現(xiàn)自動駕駛的先決和必要條件，越來越多的研究表明，僅僅依靠視覺的環(huán)境感知很難達(dá)到自動駕駛要求的。

環(huán)境感知主要包括路面、靜態(tài)物體和動態(tài)物體三個方向。自動駕駛汽車對于動態(tài)物體的感知，不僅要檢測物體，還要對其軌跡進行追蹤，從而預(yù)計車輛的行駛軌跡。對于市區(qū)道路尤其中國的復(fù)雜市區(qū)必不可少。

圖2-1 激光雷達(dá)環(huán)境感知

（三）激光雷達(dá)目標(biāo)數(shù)據(jù)預(yù)處理

通常激光雷達(dá)在工作時，每一束激光對應(yīng)一個目標(biāo)物體的三維立體坐標(biāo)（靜態(tài)位姿），但實際上目標(biāo)物體是在不斷運動和變化的，在運動和變化的過程中會發(fā)生物體的形狀畸形變化，為了保證目標(biāo)數(shù)據(jù)的穩(wěn)定和可靠，我們要去除物體畸形變化。

由激光雷達(dá)原始產(chǎn)生的目標(biāo)數(shù)據(jù)，可以獲取每一束激光打在障礙物上的激光點距的絕對距離值和角度值。轉(zhuǎn)換為目標(biāo)距離值和角度值,去畸變之后,轉(zhuǎn)化為新的數(shù)據(jù)重新發(fā)布。

首先我們要先假設(shè)一個自動駕駛車輛模型，使得模型車輛做勻速直線運動，然后將每一個時間的數(shù)據(jù)存儲在隊列里面。

以下是數(shù)據(jù)預(yù)處理的操作過程和源代碼：

l 點云類的構(gòu)造函數(shù)

（四）激光雷達(dá)數(shù)據(jù)可視化

Pcl Visualizer是cloud Viewer的后端可視化工具，但它在單線程中運行，若要使用PCLVisualizer類必須使用調(diào)用函數(shù),這樣可以避免可視化的并發(fā)問題。

以下是實現(xiàn)數(shù)據(jù)可視化的代碼：

下面函數(shù)作為回調(diào)函數(shù)，在主函數(shù)中注冊后只執(zhí)行一次，函數(shù)具體實現(xiàn)對可視

化對象背景顏色設(shè)置等。

編譯并運行程序，得到點云數(shù)據(jù)圖。

（五）激光雷達(dá)濾波處理

PCL中總結(jié)了幾種需要進行點云濾波處理的情況，這幾種情況分別如下：

(1) 點云數(shù)據(jù)密度不規(guī)則需要平滑。

(2) 因為遮擋等問題造成離群點需要去除。

(3) 大量數(shù)據(jù)需要進行下采樣(Downsample)。

(4) 噪聲數(shù)據(jù)需要去除。

對應(yīng)的方法如下：

(1) 按具體給定的規(guī)則限制過濾去除點。

(2) 通過常用濾波算法修改點的部分屬性。

(3) 對數(shù)據(jù)進行下采樣。

雙邊濾波算法是通過取鄰近采樣點的加權(quán)平均來修正當(dāng)前采樣點的位置，從而達(dá)到濾波效果。同時也會有選擇剔除部分與當(dāng)前采樣點“差異”太大的相鄰采樣點，從而達(dá)到保持原特征的目的。

pcl.filters庫提供了對噪聲點和離群點去除的具體實現(xiàn)# filters模塊利用32個類與5個函數(shù)實現(xiàn)了利用filters對點云數(shù)據(jù)進行不同的濾波以達(dá)到除去不需要的點的目的，其依賴于 pci：: common,pci：:sample.consensus、pci：:search、pci：:kdtree、pci： ：octree 模塊。

（六）激光雷達(dá)點云構(gòu)建深度圖像

深度圖像(Depth Images)也被稱為距離影像(Range Images),是指將從圖像采集器到場景中各點的距離(深度)值作為像素值的圖像，它直接反映了景物可見表面的幾何形狀，利用它可以很方便的解決3D目標(biāo)描述中的許多問題。深度圖像經(jīng)過坐標(biāo)轉(zhuǎn)換可以計算為點云數(shù)據(jù)，有規(guī)則及必要信息的點云數(shù)據(jù)也可以反算為深度圖像數(shù)據(jù)。

因為記錄距離信息的方式的差異性，所以在英文文獻(xiàn)中對深度圖像的表達(dá)呈現(xiàn)出很強的多樣性。使用較多的表達(dá)是：range image。Arman和Aggarwal在對三維目標(biāo)識別技術(shù)進行綜述時指出depth map、dense~depth map、depth image、rangepicture^3D imagesurface height map都是等價的表示術(shù)語。除此以外的常見表達(dá)還有：dense-range image、depth aspect image、2. 5D image、3D data、xyz mapssur-face profiles 等。

從數(shù)學(xué)模型上看，深度圖像可以看做是標(biāo)量函數(shù)j 在集合K上的離散采樣，得到圖像，其中旳Er為二維網(wǎng)格（矩陣）的索引eR,/={1 ,盤}，如下圖所示：

（七）激光雷達(dá)點云關(guān)鍵點

NARF(Normal Aligned Radial Feature)關(guān)鍵點是為了從深度圖像中識別物體而提出的，關(guān)鍵點探測的重要一步是減少特征提取時的搜索空間，把重點放在重要的結(jié)構(gòu)上，對NARF關(guān)鍵點提取過程有以下要求：

①提取的過程必須考慮邊緣以及物體表面變化信息在內(nèi)；

②關(guān)鍵點的位置必須穩(wěn)定的可以被重復(fù)探測，即使換了不同的視角；

③關(guān)鍵點所在的位置必須有穩(wěn)定的支持區(qū)域，可以計算描述子和進行唯一的估計法向量。為了滿足上述要求，提出以下探測步驟來進行關(guān)鍵點提?。?/p>

(1) 遍歷每個深度圖像點，通過尋找在近鄰區(qū)域有深度突變的位置進行邊緣檢測。

(2) 遍歷每個深度圖像點，根據(jù)近鄰區(qū)域的表面變化決定一測度表面變化的系數(shù)，以及變化的主方向。

(3) 根據(jù)第二步找到的主方向計算興趣值，表征該方向與其他方向的不同，以及該處表面的變化情況，即該點有多穩(wěn)定。

(4) 對興趣值進行平滑過濾。

(5) 進行無最大值壓縮找到最終的關(guān)鍵點，即為NARF關(guān)鍵點。

（八）激光雷達(dá)特征提取

3D點云特征描述與提取是點云信息處理中的最基礎(chǔ)也是最關(guān)鍵的一部分，點云的識別、分割、重采樣、配準(zhǔn)、曲面重建等處理大部分算法，都嚴(yán)重依賴特征描述與提取的結(jié)果。從尺度上來分，一般分為局部特征描述和全局特征描述，例如局部的法線、等幾何形狀特征的描述，全局的拓?fù)涮卣髅枋?，都屬?D點云特征描述與提取范疇。在PCL中，目前已有很多基本的特征描述子與提取算法，相信在社區(qū)的快速增長下會集成和添加更多特征描述子和提取算法。

利用描述子建立曲面間的對應(yīng)點在3D物體識別領(lǐng)域有廣泛應(yīng)用。采用一個向量描述曲面上指定點及其鄰域的形狀特征，通過匹配向量的值來建立不同曲面間點的對應(yīng)關(guān)系，此冋量即為指定點的描述子，經(jīng)典描述子3D形狀內(nèi)容描述子構(gòu)造簡單，辨別力強，且對噪聲不敏感。其構(gòu)造方法為：在以指定點p為中心的球形支撐域內(nèi)，沿徑向、方向角和俯仰角3個坐標(biāo)方向劃分成網(wǎng)格，統(tǒng)計落入網(wǎng)格內(nèi)的點數(shù)，構(gòu)造向量Vo V的每個元素與支撐域內(nèi)的一個網(wǎng)格對應(yīng)，元素的值為對應(yīng)網(wǎng)格中的點數(shù)，向量V即為點P的描述子。

三、總結(jié)

本論文通過對激光點云數(shù)據(jù)的綜合處理，得出了一種低速無人駕駛汽車適用的目標(biāo)識別感知控制算法。對低速自動駕駛汽車研究提供了理論依據(jù)，也為低速自動駕駛Demo研究提供了數(shù)據(jù)支持。