面向自动驾驶汽车的多线激光雷达动态障碍物检测思考

本文基于深度学习及 ROS 开发环境对无人驾驶环境感知技术展开研究，主要的研究内容包含了深度学习理论、激光雷达的使用、激光雷达点云数据的预处理、基于激光雷达点云并结合深度学习对驾驶环境中障碍物检测以及基于联合概率数据关联算法和无迹卡尔曼滤波对动态障碍物进行跟踪。

第 1 章 绪论

1.1 课题研究背景及意义
自 20 世纪 70 年代以来，自动驾驶技术在全世界得到广泛的关注。美国作为全球发达国家之一，利用自己在汽车产业以及计算机产业的发展优势，建立了NHTSA 自动驾驶汽车安全驾驶评价标准。德国允许驾驶员双手离开方向盘测试，法国和以色列已经开放无人驾驶的测试，而英国已经有 4 个城市被允许无人驾驶车测试[1]。随着各个国家对其关注的深入，自动驾驶技术得到了飞跃式的发展。通过对现代汽车添加传感器和建立车联网获取驾驶环境中周边汽车位置信息，降低交通事故发生频率的同时能够提高道路的利用率，从而缓解交通压力，便利人类生活《。中国制造 2025》的发布暗示着自动驾驶汽车的发展在未来将成为重中之重[2]。在 2017 年中国人工智能学会发布《中国人工智能系列白皮书-智能驾驶 2017》中，也指出自动驾驶汽车是新一轮科技革命背景下的新兴技术，将是汽车行业一次重大改革和升级[3]。

图 1-1 2020 年自动驾驶路测报告

如图 1-1 所示，为 2020 年自动驾驶路测报告，该报告为自动驾驶汽车在行驶过程中，面对出现的危险情况，自动驾驶汽车没有做出相应的处理或者所采取的处理方法无法避免事故的发生而被迫由安全员接管驾驶权所发生的次数。根据报告可以得出，参与此次测试的自动驾驶汽车的前三名的 MPI 值成功超出 20000 英里的大关，且第一名的 Waymo 公司的自动驾驶汽车的 MPI 达到了 29945 英里，相较于 2019 年提高了近 1.3 倍。自动驾驶技术在飞跃式的发展下，虽然取得了大量的研究成果，但是整个自动驾驶汽车在高速发展过程中并非是顺风顺水，在测试和使用的过程中交通事故也是频繁发生，给整个自动驾驶行业带来了沉重的打击。例如，全球知名企业特斯拉公司旗下汽车产品，在开启自动驾驶模式上路行驶后，引发了多起交通事故，造成人员受伤；2017 年百度世界大会 Apollo 自动驾驶汽车在北京五环进行上路测试过程中，因多次违反交通规则吃到了第一张违章罚单；2018 年3 月 Uber 自动驾驶汽车在美国亚利桑那州的道路上行驶测试时，因无法准确识别路上行人从而引发了全球第一起自动驾驶汽车致人死亡的交通事故，Uber 也因此次事故决定暂停自动驾驶汽车测试；同样牵涉谷歌自动驾驶汽车的交通事故也是频繁发生。目前所发生的这一系列的交通事故，都在揭示着自动驾驶汽车安全行驶的要求以现有的自动驾驶汽车的智能水平是无法满足的，对于近一步提升自动驾驶汽车的智能水平已成为了当务之急。
........................

1.2 基于激光雷达的自动驾驶环境感知研究现状
1.2.1 基于传统方法的障碍物检测
在自动驾驶的环境感知功能中，障碍物检测作为重要环节之一，在神经网络应用于自动驾驶之前，基于点云的目标检测算法已拥有一套较成熟的流程：
（1） 使用已安装好且经过数据标定的激光雷达传感器对自动驾驶汽车的驾驶环境进行点云采集，并将点云数据传入中心处理器中；
（2） 使用滤波器对采集到的激光点云数据滤波处理，消除点云噪声，同时对点云进行下采样；
（3） 根据点云数据的三维空间坐标信息以及激光反射率信息，将滤波后的点云分割为地面点云和非地面点云；
（4） 地面点云用于拟合驾驶路面，非地面点云则通过聚类处理，形成障碍物点云块；
（5） 对聚类后形成的点云块进行特征提取处理；
（6） 对已检测输出的目标进行障碍物分类。
1.2.1.1 基于栅格地图的障碍物检测方法 、
基于栅格地图检测的方法是最早期的检测方法也是最普遍的检测方法。基于栅格地图检测的方法将空间离散成二维或者三维网格元素（单元）。其中每个单元包含感知空间的元素信息。二维栅格映射的早期工作是由 Moravec 和 Elfes 等人[5]完成的，并验证于美国卡耐基梅隆大学的 Neptune 移动机器人，取得了不错的验证结果。随后，应用于 2005 年 DARPA 举办的挑战赛，其中斯坦福大学研制的 Stanley自动驾驶汽车[6]就是利用栅格地图的方法完成障碍物检测。通过相邻点的高度差判断该点是否为障碍物点，并将点云所属元素网格判定为占用网格或可行驶网格，同时利用一阶马尔科夫模型对数据修正。从而形成由占用、可行驶和未知三种形式元素组成的栅格地图。在 2007 年 Pfaff 和 Triebel 等人[7]在 2.5D 网格模型（高程地图）的基础上，提出了一种扩展的高程地图，增加对桥洞结构和树枝等悬垂物体的感知。该方法利用激光雷达进行多角度点云收集，然后通过卡尔曼滤波对映射网格单元内的每个点云层进行初始处理，计算出每个栅格内点的高度的均值和方差，依据方差判断出该网格单元是否为障碍物网格，再依据均值判断该点云层为障碍物的哪个部分。
............................

第 2 章 自动驾驶汽车实验平台介绍及数据处理

2.1 自动驾驶汽车实验平台概述
本文所使用的自动驾驶汽车实验平台，是以新能源电动汽车为基础进行改造。该自动驾驶平台主要由环境感知模块、分析模块、控制模块等部分组成，其中环境感知模块是利用各种传感器（速腾聚创 16 线激光雷达一台、大陆前方毫米波雷达ARS408-21 一台、超声波雷达 12 个、惯性系统和 GPS 系统组合 RS232 一台、Mobileye 630 摄像头一台等）获取自动驾驶汽车行驶中多种形式的环境信息，通过计算机视觉识别、信息融合等算法对采集的数据进行处理，得到自动驾驶汽车本身位置信息以及行驶道路上障碍物的位姿信息，为自动驾驶汽车的各种驾驶行为提供信息基础。自动驾驶汽车实验平台实体如图 2-1 所示。

图 2-1 自动驾驶实验平台

速腾聚创 16 线激光雷达安装于自动驾驶实验平台顶部的固定支架顶端，其所具有的 360°全方位扫描范围及 150m 的理论测距范围为整个自动驾驶系统提供了目标的高精度三维空间信息。Mobileye 630 摄像头安装于自动驾驶实验平台前挡风玻璃上，通过角度可调支架固定在玻璃的左下部分，同时确保摄像头图像页面的水平线与车前水平线保持平行，用于车前行人以及道路表面减速带的检测。77GHz 的长距毫米波雷达安装于自动驾驶实验平台前保险杠处，用于汽车行驶环境中前方障碍物空间信息的检测。OXTS 组合惯导 RS232 固定于自动驾驶实验平台后备箱内，并将 2 个 GPS 天线以前侧定位后侧定向的方式安装在汽车顶部的中轴线上，为自动驾驶实验平台提供高精度的位姿信息。
........................

2.2 激光雷达的分类
随着现代社会智能化的快速发展，激光雷达的应用领域也越来越广泛，尤其在自动驾驶领域，激光雷达成为了不可或缺的一部分。同时，这样也刺激着激光雷达产业的迅猛发展，适用于各样场景的激光雷达逐渐步入各类行业。目前，市场上的激光雷达大部分为机械激光雷达。按照同一时刻下激光雷达所发射的激光束的数量划分为两类，分别是只有单根扫描线的单线激光雷达和具有四线、十六线乃至一百二十八线的多线激光雷达。单线激光雷达主要用于小型家用智能电器和工业场景内的 AGV 上，虽然其具有体积小、扫描速度快、分辨率高、可靠性好的优点，但是仍存在着不足之处，其只能完成单一平面内的扫描工作，无法检测障碍物的高度。多线激光雷达相较于单线激光雷达能够同时完成多平面的扫描工作，增加了空间坐标中 z 向信息的获取，检测出障碍物的高度，从而还原更加真实的工作环境，因此更适合应用于自动驾驶汽车领域。
按照激光雷达的工作平台可大致划分为四类，分别是车载激光雷达、机载激光雷达、地基激光雷达及星载激光雷达。车载激光雷达是专门为汽车智能化所设计的移动型的激光雷达，应用激光测距原理计算目标与激光雷达之间的相对距离，同时记录所获取点云的空间坐标数据及其激光反射率数据，迅速构造出所在环境内物体的三维模型以及整个环境的驾驶地图，从而完成感知周边环境的工作。该激光雷达在当下的自动驾驶领域中充当角色的地位越来越高，诸如百度、谷歌、宝马等企业都在各自研发的自动驾驶汽车上应用激光雷达。目前市面常用的车载激光雷达如图 2-5 所示，有 Quanergy 公司的 M8 激光雷达、RoboSense 公司的 RS-LiDAR-32 激光雷达、Velodyne 公司的 64 线激光雷达等。机载激光雷达以飞行平台为载体，通过对地表进行扫描，测取地表目标的位姿及反射率等信息，再使用信息分析技术获取所需的空间信息。该激光雷达在军用、民用领域具有广泛的应用潜力和前景。地基激光雷达则主要应用于林业等相关方面，提取各种森林的参数。星载激光雷达则主要应用于海面高度测量、特殊气候现象检测等相关方面。
............................

第 3 章 自动驾驶汽车激光雷达检测算法的研究 .................................. 25
3.1 卷积神经网络 ..................................... 25
3.1.1 卷积层 ......................................... 26
3.1.2 激活函数层 .................................... 26
第 4 章 基于 JPDA 算法的自动驾驶汽车动态障碍物跟踪 ............................. 45
4.1 数据关联 ................................................ 45
4.1.1 数据关联算法简介 ................................................. 45
4.1.2 基于联合概率数据关联算法 ............................. 46
第 5 章 总结与展望 ................................................. 55
5.1 工作总结 ............................................. 55
5.2 展望 ....................................... 55

第 4 章 基于 JPDA 算法的自动驾驶汽车动态障碍物跟踪

4.1 数据关联
在自动驾驶汽车的工作中，自动驾驶汽车面对工况的复杂度往往是不一样的，可能是视野内空无一物，也可能是十分密集的。当面对复杂的驾驶环境时，数据关联就成为了障碍物检测跟踪方法中关键的一环，最终会影响所有被检测系统检测到的障碍物之间的匹配率以及障碍物运动轨迹的预估计效果。在一个障碍物分布密集的驾驶环境中，对其中多个动态障碍物执行跟踪任务是具有挑战性的。首先，所有传感器的检测结果都是以固定的时间间隔传入到融合节点，需要确定一个有效的检测间隔，以确保所有传感器的结果能够在规定的时间内完成数据关联；其次，不能保证所有障碍物在这个规定的时间间隔内都能被传感器检测输出（即存在障碍物位于传感器的检测盲区等情况）；最后，传感器所检测的数据内混有噪声。综上所述，只有解决这些问题获取精准的数据关联处理结果，才能保证后续处理的正确性。
4.1.1 数据关联算法简介
在自动驾驶汽车的动态障碍物检测跟踪中，需要对已标记的障碍物进行数据关联，即确定障碍物在同一传感器不同时刻下的位置或障碍物在不同传感器相同时刻下所处的位置，并建立关联关系，完成对障碍物的跟踪。常见的点云障碍物关联算法有：最近邻关联算法、多假设跟踪算法、交互式多模型算法、匈牙利算法、概率数据关联算法、联合概率数据关联算法。
最近邻关联算法通常应用在目标稀疏或者杂波密度较小的场景且具有良好的匹配效果，但是在复杂的驾驶环境下，因其抗干扰能力弱且无法做到全局最优匹配而鲜有使用。最近邻关联算法包含了局部最近邻目标关联算法和全局最近邻目标关联算法，其中局部最近邻目标关联算法通过计算跟踪目标与其关联门内的观测点的加权欧式距离，进行对比并选取距离最小的观测点与跟踪目标进行关联匹配；而全局最近邻目标关联算法则是计算跟踪目标与全局内所有观测点的加权欧式距离，进行对比并选取距离最小的观测点与跟踪目标进行关联匹配。
.............................

第 5 章 总结与展望

5.1 工作总结
在无人驾驶的研究领域中，三维环境障碍物感知技术是其中重要的一个研究方向，只有精准的感知驾驶环境中的道路信息，才能够为后续的路径规划提供安全的保证。本文针对自动驾驶汽车障碍物感知任务，对点云数据进行预处理，并使用深度学习理论和跟踪算法进行动态障碍物检测跟踪。主要工作总结如下：
（1）总结了在自动驾驶汽车中感知技术的分类，分析激光雷达在环境感知上的作用；然后从基于传统的障碍物检测方法和基于机器学习的障碍物的检测方法这两个角度出发，细分不同的检测技术。
（2）基于三维激光雷达采集的点云数据，采用直通滤波对原始数据进行预处理，确定有效的检测范围，然后通过二维点云映射转换成鸟瞰视角图像。应用空洞卷积扩大网络的感受视野，增强对大目标回归边界的检测精度及小目标的检测精度；应用非极大值抑制去除冗余的候选框，保证结果的最佳输出。实验结果表明，在数据集上动态障碍物检测的速度及精度有明显的提升，为无人驾驶技术提供一种有效的目标检测算法。
（3）针对障碍物跟踪问题，基于 JPDA 算法建立激光雷达所采集的数据下帧与帧之间障碍物的关联，从而完成车辆行驶环境下动态障碍物的跟踪；建立障碍物运动的 CTRV 模型，用于动态障碍物运动轨迹的预估计，为自动驾驶汽车后续的路径规划功能提供数据基础。实验结果表明，在复杂的行驶环境中，该算法可以完成动态障碍物跟踪与运动轨迹预估计。
参考文献（略）