編者按：隨著自動駕駛技術(shù)的快速發(fā)展，環(huán)境感知系統(tǒng)已成為智能車輛導航的核心。本篇文章展示了一種基于激光雷達（LIDAR）的環(huán)境感知方案，旨在同時實現(xiàn)環(huán)境建圖和移動障礙物的檢測。該研究基于多層、多回波的LIDAR傳感器，通過全局和局部網(wǎng)格的融合方法，不僅解決了復雜城市環(huán)境中障礙物的識別問題，還提出了一種高效的動態(tài)物體檢測策略。實驗驗證顯示，該方案在處理快速移動物體和動態(tài)環(huán)境中的表現(xiàn)尤為出色，展示了其在自動駕駛領(lǐng)域的應用潛力。此研究為LIDAR感知的多模態(tài)數(shù)據(jù)處理提供了創(chuàng)新思路，進一步提升了自動駕駛汽車在復雜城市環(huán)境中的導航能力。文章不僅為研究人員和工程師提供了可行的技術(shù)參考，也為智能駕駛的商業(yè)化應用奠定了基礎。

本文譯自：

《A lidar Perception Scheme for Intelligent Vehicle Navigation》

文章來源：

2010 11th International Conference on Control Automation Robotics & Vision, Singapore, 2010, pp. 1809-1814.

作者：

Julien Moras; Véronique Cherfaoui; Phillipe Bonnifait

作者單位：

法國貢比涅公立大學

原文鏈接：

https://ieeexplore.ieee.org/document/5707962/

摘要：在城市環(huán)境中，移動障礙物的檢測和自由空間的確定是駕駛輔助系統(tǒng)或自動駕駛車輛的關(guān)鍵問題。本文提出了一種基于激光雷達的乘用車感知系統(tǒng)，能夠同時進行映射和移動障礙物檢測。目前，許多激光雷達提供多層和多回波測量。處理這種多模態(tài)的一種聰明方法是在全局和局部框架中使用投影在路面上的網(wǎng)格。全局框架生成映射，局部框架用于處理移動物體。已經(jīng)開發(fā)了一種基于正負積累的方法來解決快速移動障礙物的殘余問題。這種方法也非常適合于多層和多回波傳感器。在IBEO Alasca和Applanix定位系統(tǒng)上進行的實驗結(jié)果表明了這種感知策略的性能。

關(guān)鍵詞：智能車輛，環(huán)境感知，地圖，移動目標檢測

Ⅰ 引言 

在城市地區(qū)，用于人類交通的自動駕駛汽車正在成為現(xiàn)實。事實上，世界上的幾項工作已經(jīng)顯示出一些令人印象深刻的成果。然而，城市環(huán)境下的自動駕駛?cè)匀皇且粋€問題，需要對場景的理解來預測其演變。感知系統(tǒng)使用不同的傳感器，測量結(jié)果可能有噪聲、有偏差或不完整。新的激光雷技術(shù)（多層、多回波）可以通過顯著增加測量次數(shù)來解決這一問題。這種傳感技術(shù)即使激光束被部分反射，也能提供對周圍環(huán)境的可靠感知。感知問題可以分解為不同的部分：定位、映射和移動物體的檢測和跟蹤。

• 自我定位（EL）：定位任務是機器人應用中反復出現(xiàn)的問題。GPS、慣性測量單元（IMU）、本體感知或外感知里程計是智能輛的主要解決方案。如今，可靠的亞公制定位系統(tǒng)已經(jīng)存在，但它們對于商業(yè)應用來說仍然過于昂貴。

• 映射(M)：許多機器人作品用不同的方法處理了靜態(tài)環(huán)境的映射。通常，映射與定位任務相結(jié)合，以解決SLA（Simultaneous localization And mapping）問題[1]，[2],[3]。主要存在兩種方法：基于特征的方法嘗試用一組預先確定的幾何形狀（線段、弧線等）進行映射，網(wǎng)格方法基于離散空間表示，使得數(shù)據(jù)關(guān)聯(lián)和融合更容易。

• 移動目標檢測和跟蹤（MOT）：SLAM方法對場景中移動物體的存在非常敏感。事實上，這些算法是基于映射過程的時間相干性。解決這個問題的一種方法是檢測和跟蹤運動物體[4],[5],[6],[7]。通常，檢測和跟蹤系統(tǒng)是在基于特征的框架中開發(fā)的，分為3個步驟：用于對象檢測的原始數(shù)據(jù)聚類、數(shù)據(jù)關(guān)聯(lián)和時間融合。誤差的主要來源是在聚類階段和關(guān)聯(lián)步驟。最近的一些作品使用了參數(shù)模型[8]。使用網(wǎng)格方法解決MOT問題并不常見，但一些與貝葉斯占用過濾器（BOF）相關(guān)的工作[9]傾向于通過具有特定標準的聚類單元來解決該問題。

在這項工作中，考慮一個在平面世界中移動的移動機器人。由于假設是在城市環(huán)境中，因此可能會有很多障礙物和很多移動物體，如圖1所示。在本文中，沒有考慮自我定位（EL）問題，這就是為什么使用定位系統(tǒng)“Applanix Pos LV 220”，這是一個集成的多傳感器系統(tǒng)，可以提供非常精確的車輛3D姿態(tài)（位置和方向）。另外兩個問題（M和MOT）是聯(lián)系在一起的，因為它們處理的是感知系統(tǒng)。主要的區(qū)別在于對象的移動性。這是用來做分類的標準。為了管理這個策略，使用了基于網(wǎng)格的框架。

本文提出了一種感知方案，主要用于探測周圍的移動物體，允許在存在移動物體的情況下映射靜態(tài)環(huán)境。這種檢測策略可以在跟蹤算法中使用，以便能夠預測導航應用的空閑空間。這種方法的主要優(yōu)點是沒有聚類階段，適用于各種各樣的城市障礙物（行人、車輛、自行車等）。它還可以應對新一代激光雷達頻繁出現(xiàn)的多回波測量。

在第一部分中，提出了融合傳感器數(shù)據(jù)的框架。然后，提出了基于accu-的融合策略模擬將在展示實驗結(jié)果的一節(jié)之后進行描述。

圖1 城市情況：紅色小車配備了多層激光雷達

Ⅱ 融合框架

本文使用二維網(wǎng)格表示，定義為投影在地板上的離散空間。網(wǎng)格的每個單元格代表一塊空間，并包含根據(jù)對環(huán)境的感知計算出的數(shù)據(jù)。本文使用對偶空間表示：一個稱為掃描網(wǎng)格（SG）的瞬時局部地圖，它由大小為的極性單元組成（是長度，表示角扇區(qū)）和一個稱為網(wǎng)格地圖（GM）的全球地圖，這是世界上引用的笛卡爾地圖。笛卡爾單元格是長度的平方。本節(jié)介紹如何根據(jù)傳感器模型和環(huán)境模型定義這些圖。

A. 激光雷達掃描

使用的傳感器是IBEO阿拉斯加激光雷達。它是一個四掃描傳感器，在每次掃描時提供環(huán)境的3D點云。該傳感器可以在320°的前場范圍內(nèi)進行長達200米的測量，根據(jù)所需的角度分辨率，速率從8Hz到40hz不等。它使用905nm波長的紅外激光器，孔徑為0.25°。角度分辨率可根據(jù)如圖(2)所示的角度進行自適應。例如，如果激光束被障礙物部分反射，該傳感器還能夠在每條視線上提供多個回聲。另一個特點是，它可以在考慮的瞄準線上不返回任何測量結(jié)果。如果沒有回波，可能有兩種情況：在最大范圍內(nèi)沒有物體，或者有障礙物沒有反射激光束。因此，本文提出的傳感器模型要考慮到這些傳感器的特殊性。

B. 多回波掃描網(wǎng)格

利用傳感器模型，可以從每次激光雷達掃描中建立掃描網(wǎng)格（SG），這是一個二維局部瞬時占用網(wǎng)格。由于激光雷達是一個極坐標傳感器，因此使用極坐標網(wǎng)格模型來計算細胞的占用情況。傳感器精度高于網(wǎng)格分辨率，網(wǎng)格以傳感器為中心。因此，可以使用理想的傳感器模型作為圖4頂部所示的1D顯式解。考慮掃描網(wǎng)格，設SG表示取整數(shù)值的單元的狀態(tài)，指的是表1所描述的單元的三種不同狀態(tài)。該值的強度對應于冗余度，即置信度的度量。

表1 掃描網(wǎng)格賦值表

圖2 阿拉斯加XT角分辨率與測量角度和頻率的關(guān)系

圖3 多回波傳感器模型

圖3說明了這一點。掃描網(wǎng)格的每一行對應一個角扇區(qū)。在這個扇區(qū)中，有幾個回波是可能的，因為有三個原因：i)在一個方向上有可能接收到幾個回波，ii)在同一平面上的4層投影可以提供位于不同距離的回波，iii)激光雷達的角分辨率不是恒定的，有時比網(wǎng)格的分辨率好一些（幾個激光雷達方向可以在極地網(wǎng)格的同一列上投影）。因此，值得注意的是，這種網(wǎng)格傳感器模型考慮了多重回波能力。SG初始化為0，每個角度獨立處理，如圖3所示，每次測量增加相應單元的值，減少第一個被占用單元之前的單元的值。負信息表征了空閑空間。兩個被占用細胞之間的細胞和最后一個檢測到的細胞后面的細胞在0處受到影響。圖4給出了一個SG的例子，其中觀察到多次回波。

圖4 多回波傳感器模型：左圖為場景的攝像機視圖，右圖為笛卡爾坐標系下投影的SG，白色單元格被占用，黑色空閑，灰色未知。

C. 網(wǎng)格地圖

網(wǎng)格地圖（grid-map，GM）被定義為一個全局累積的二維網(wǎng)格，并存儲映射信息。它是一個笛卡爾地圖，每個大小為的單元格都是全局空間的2D投影的一部分。通過全局，這個網(wǎng)格被引用到一個被認為是固定的東-北-上框架。GM用于創(chuàng)建基于激光雷達的區(qū)域感知地圖。這意味著場景的所有靜態(tài)元素都將被映射，包括停放的汽車等偽靜態(tài)元素。

D. 從掃描網(wǎng)格到網(wǎng)格地圖

該方法的一個關(guān)鍵點是，SG可以使用Applanix傳感器提供的姿勢在GM框架中投影，如圖5所示。首先，使用雙線性插值將極坐標網(wǎng)格轉(zhuǎn)換為笛卡爾網(wǎng)格。然后，應用笛卡爾SG變換來進行投影。這包括一次旋轉(zhuǎn)和一次平移。旋轉(zhuǎn)是通過雙線性變換完成的，因為每個投影單元可能部分投影到幾個單元上。雙線性變換可能會插值值，因此，在變換后的單元格中，值是極坐標單元格鄰域值之間的混合物。這會導致邊緣平滑。

圖5 使用SG和GM的連續(xù)轉(zhuǎn)換

Ⅲ 累加算法的實現(xiàn)

應用于GM的處理體系結(jié)構(gòu)如圖6所示。本節(jié)詳細介紹了使用累加算法的GM更新階段。第Ⅱ節(jié)中提出的框架是通用的，可以使用概率或證據(jù)融合框架，而不是使用所提出的積累算法進行融合。描述了積累過程來解決映射和移動對象跟蹤（MMOT）的問題。

圖6 GM過程的體系結(jié)構(gòu)

A. GM中消極和積極的積累

在累積策略中，GM的每個單元存儲一個表示當前占用累積水平的指示器。

極限表示空閑細胞，而表示已占用細胞。該地圖初始化為平均值在所有單元格中。這意味著沒有對環(huán)境的先驗知識。

更新過程使用來自SG的值提供正累積或負累積。增量過程旨在通過像二維直方圖一樣整合占用測量值來構(gòu)建地圖[10]。最近的一些研究使用了類似的方法來解決SLAM問題[11]。這項工作側(cè)重于定位問題，使用地圖上的匹配來實現(xiàn)里程計。相反，在本文的方法中，提供了定位，沒有匹配或數(shù)據(jù)關(guān)聯(lián)，因為算法只是執(zhí)行過濾以提取移動對象。