基于視覺系統(tǒng)的車道線檢測有諸多缺陷。

 

首先，視覺系統(tǒng)對背景光線很敏感，諸如陽光強烈的林蔭道，車道線被光線分割成碎片，致使無法提取出車道線。

 

其次，視覺系統(tǒng)需要車道線的標(biāo)識完整，有些年久失修的道路，車道線標(biāo)記不明顯，不完整，有些剛開通幾年的道路也是如此。

 

第三，視覺系統(tǒng)需要車道線的格式統(tǒng)一，這對按照模型庫識別車道線的系統(tǒng)尤其重要，有些車道線格式很奇特，比如藍顏色的車道線，很窄的車道線，模型庫必須走遍全國將這些奇特的車道線一一收錄，才能保證順利檢測。

 

再次，視覺系統(tǒng)無法對應(yīng)低照度環(huán)境，尤其是沒有路燈的黑夜。一般LKW要求時速在72公里以上才啟動，原因之一是速度比較高時人不會輕易換道，另一個原因就是比較低的車速意味著視覺系統(tǒng)的取樣點不足，擬合的車道線準(zhǔn)確度較低。而激光雷達的有效距離一般是視覺系統(tǒng)的4-5倍，有效的采樣點比較多，車速較低時檢測準(zhǔn)確度遠高于視覺系統(tǒng)。

 

最后，如果車道線表面被水覆蓋，視覺系統(tǒng)會完全無效。視覺系統(tǒng)最大的優(yōu)點就是成本低。因此自2008年后，學(xué)術(shù)界已經(jīng)很少研究基于視覺系統(tǒng)的車道線檢測，轉(zhuǎn)而利用激光雷達檢測車道線，激光雷達可以解決上述所有問題，包括車道線被水覆蓋，激光雷達最大可穿越70米的水深。

 

激光雷達唯一的缺點就是成本太高。

 

 

早期激光雷達檢測車道線是基于雷達掃描點密度的車道線檢測方法，該方法通過獲取雷達掃描點的坐標(biāo)并轉(zhuǎn)換成柵格圖，用原始數(shù)據(jù)映射柵格圖，可以是直接坐標(biāo)柵格圖也可以是極坐標(biāo)柵格圖。

 

按照后期處理需要進行選擇，極坐標(biāo)柵格圖被直接用于車道線識別，即有多個點映射的柵格就被認(rèn)為是車道線點，該識別方法對特征提取的要求很高，且受距離影響嚴(yán)重，因為極坐標(biāo)柵格距離越近柵格精度越高，車道線識別的精度越高，距離越遠柵格精度越低導(dǎo)致識別車道線的精度就越低然后利用柵格圖中點的密度提取車道線。

 

對于點密度的求取可以采用直方圖統(tǒng)計的方式，通過直方圖統(tǒng)計點密度快捷直觀，容易理解。由于基于掃描點密度的檢測方法沒有很復(fù)雜的中間過程，所以實時性高，在快速檢測中受到大家的青睞。

 

但是該方法只獲取了掃描點的位置信息，對于雷達反饋的其他信息都沒有進一步分析，容易把一些與車道線掃描點密度類似的道路信息混進車道線檢測結(jié)果中；或者在車道線與其他障礙物靠近或重合時，無法區(qū)分出障礙物和車道線，他們只能被當(dāng)作一個整體保留或剔除。

 

所以此方法的抗干擾能力差，容易出現(xiàn)誤檢。這種方法目前已經(jīng)不常使用。

 

 

目前激光雷達檢測車道線主要有四種方法：

 

后三種方法需要多線激光雷達，最少也是16線激光雷達。前者可以使用4線或單線激光雷達，考慮到奧迪A8已經(jīng)開始使用4線激光雷達，4線激光雷達已經(jīng)進入實用階段。

 

當(dāng)然，這四種方法也可以混合使用。

 

 

車道線檢測基本分兩部走：提取幾何或物理特征，利用離散數(shù)據(jù)擬合成車道線。無論是視覺還是激光雷達，通常都是用最小二乘法擬合車道線。

 

 

Ibeo是最適合第一種方法的激光雷達。Ibeo的激光雷達特有三次回波技術(shù)。每點激光返回三個回波，返回信息能夠更加可靠地還原被測物體，同時能夠精確分析相關(guān)物體數(shù)據(jù)，并能識別雨、霧、雪等不相關(guān)物體的數(shù)據(jù)。

 

 

如圖所示，其中W表示回波脈沖寬度，d表示掃描目標(biāo)的距離。反射率作為物體的固有屬性，受物體材質(zhì)、顏色等的影響，能夠很好地反映物體特征，不同顏色。

 

密度的物體的反射率都有一定的差異，物體反射率決定Ibeo回波脈沖寬度特性，路面和車道線有著明顯的差異，所以可以利用回波脈沖寬度的差異對目標(biāo)進行區(qū)分。

 

上圖為典型的車道線標(biāo)識

 

回波寬度

 

很明顯，路面的回波寬度在2米左右，車道線的回波寬度在4米左右。

 

根據(jù)Ibeo的特性知道其垂直方向上的掃描角度為3.2度，共分四層掃描，即每層0.8度，在Ibeo水平安裝的情況下，并考慮到實際情況一一Ibeo的高度受車體的限制，其下面兩層(一、二層)主要返回道路表面的信息，而上面兩層(三、四層)主要返回有一定高度的道路信息。

 

根據(jù)激光雷達的特性知道激光束掃描到物體會立即產(chǎn)生回波，一二兩層的掃描距離遠小于三四兩層。

 

通過理論分析和實驗驗證可知一二兩層返回的信息主要包括路面、車道線、少量障礙物和邊界數(shù)據(jù)；三四兩層主要返回道路邊界、障礙物和少量路表信息，所以在特征種子點提取階段需要重點分析一二兩層的雷達數(shù)據(jù)，這部分?jǐn)?shù)據(jù)中對于車道線檢測最大的干擾在于路面，提取車道線種子點特征的重點就是分離車道線特征與路面特征。

 

 

通過最小類內(nèi)方差算法找到路面與車道線的分割閾值，利用誤差分析原理剔除車道線集合范圍內(nèi)的粗大誤差，即剔除干擾信息，提取出車道線特征種子點。然后再擬合成車道線。

 

最小類內(nèi)方差是一種自適應(yīng)閾值的求取方法，也是一種模糊聚類方法。其基本思想是使用一個閾值將整體數(shù)據(jù)分成兩個類，因為方差是數(shù)值分布是否均勻的度量，兩個類的內(nèi)部的方差和越小則每一類內(nèi)部的差別就越小，那么兩個類之間的差別就越大。

 

如果存在一個閾值使得類內(nèi)方差和最小則說明這個閾值就是劃分兩類的最佳閡值，使用最佳閾值劃分意味著劃分兩類出現(xiàn)偏差的概率最小。

 

通過回波脈沖寬度利用最小類內(nèi)方差算法建模分割車道線特征與路面特征，剔除車道線特征提取的最大干擾。對回波脈沖寬度進行統(tǒng)計分析，并劃分脈沖寬度級別，因為直接使用脈沖寬度值其分布不利于統(tǒng)計，采用對脈沖寬度平均區(qū)域劃分即脈沖寬度級，統(tǒng)計各級內(nèi)的點數(shù)，從而得到回波脈沖寬度分布直方圖。再利用諸如模糊聚類分析方法剔除干擾值。

 

最小二乘法近似求解不斷優(yōu)化靠近真實值的數(shù)學(xué)方法，它可以利用己知數(shù)據(jù)簡便地求得未知數(shù)據(jù)，并不斷優(yōu)化保證求得的數(shù)據(jù)與真實數(shù)據(jù)問的誤差的平方和最小。

 

利用最小二乘法擬合曲線，就是不斷優(yōu)化求取某條曲線使其最能體現(xiàn)已有數(shù)據(jù)點的變化趨勢，具體過程是利用已知的數(shù)據(jù)點優(yōu)化求取最優(yōu)的未知數(shù)據(jù)合成一條最佳的曲線，并保證已有數(shù)據(jù)點到曲線的距離的平方和最小。

 

也就是說，曲線擬合不要求近似曲線過所有數(shù)據(jù)點，只需要己知的數(shù)據(jù)點都距離在這條曲線的不遠處，即這條曲線能反映數(shù)據(jù)點的整體分布，又不至于出現(xiàn)較大的局部波動，已知數(shù)據(jù)與曲線的偏差的平方和達到最小就能有效控制波動。

 

簡而言之，最小二乘法擬合就是利用最小化誤差的平方和求取數(shù)據(jù)的最佳函數(shù)匹配。

 

 

 

根據(jù)反射強度值做的車道線檢測，在車載激光雷達獲取的道路周圍環(huán)境點云數(shù)中，可以輕松區(qū)分出道路與車道線。

 

具體到車載激光雷達獲取的道路周圍環(huán)境三維點云數(shù)據(jù)中，可以看作一個局部均值變點模型，每一激光層采集的可行駛區(qū)域內(nèi)回波強度值就是一組輸出序列，其回波強度值變化的點就是所要求的車道標(biāo)線點集。

 

現(xiàn)在只須在每一激光層采集的可行駛區(qū)域內(nèi)回波強度值輸出序列中檢測是否有變化點，若存在則標(biāo)記并提取這些變點。基于車載雷達獲取的智能車感興趣區(qū)域內(nèi)海量點云數(shù)據(jù)中的T坐標(biāo)值有一定高程特點進行濾波，確定可行駛區(qū)域進而剔除與車道標(biāo)線回波強度值相近的障礙物。

 

上圖為簡單濾波后粗提取的車道線回波強度值投影圖（全局圖）

 

由于車載激光雷達獲取的道路周圍環(huán)境點云數(shù)據(jù)是分層存儲的，不同激光層獲取的道路周圍環(huán)境點云數(shù)據(jù)相鄰兩點間距與到雷達坐標(biāo)系原點的距離有關(guān)。

 

距離越遠間距越大，考慮到安裝在正常行駛上的激光雷達獲取的車道標(biāo)線曲率變較小，所以利用文獻提出的基于車道標(biāo)線方向的EM最大期望聚類算法對粗提取車道標(biāo)線點云數(shù)據(jù)進行聚類。

 

通過在聚類過程中估計車道標(biāo)線方向來對粗提取的車道標(biāo)線點云數(shù)據(jù)集進行分類去噪。然后再利用最小二乘法進行車道線擬合。

 

再來看先檢測路沿，再根據(jù)路寬推測車道線的方法。

 

激光雷達通過以太網(wǎng)與計算機連接，點云數(shù)據(jù)以 UDP 的方式進行發(fā)送。激光雷達的數(shù)據(jù)通過兩個端口發(fā)送出來，端口 2368 負(fù)責(zé)發(fā)送點云數(shù)據(jù)，端口 8308 發(fā)送 GPS 數(shù)據(jù)還有位置數(shù)據(jù)。根據(jù)廠商提供的數(shù)據(jù)包格式說明，每個數(shù)據(jù)包包含有效數(shù)據(jù)的載荷以及狀態(tài)數(shù)據(jù)。

 

一個數(shù)據(jù)包集合 12 次發(fā)射接收到的所有數(shù)據(jù)，接收到的距離以及強度信息是按照錯開的順序進行接收的（ 0， 16， 1， 17， 2， 18...15，31）。

 

根據(jù)數(shù)據(jù)包的格式，進行相應(yīng)的接收和存儲。點云數(shù)據(jù)包含到一束激光點達到反射點反饋到的距離信息、強度信息以及偏轉(zhuǎn)角度，由此可以得到反射點到激光雷達中心的距離、垂直平面上的角度以及水平面上的角度。

 

若使用車輪與地面接觸的四個點所在的平面作為空間直角坐標(biāo)系的 xOy 平面，通過激光雷達中心所在位置并且垂直于 xOy 平面的一條直線作為 z 軸，由此便構(gòu)成了如圖的空間坐標(biāo)系。

 

 

利用點云數(shù)據(jù)， distance 表示激光點到激光雷達中心的直線距離，α是垂直方向上的夾角， β是水平方向上的夾角。

 

由于雷達內(nèi)部發(fā)射器之間存在偏差（如圖 3-(b)），需要進行內(nèi)部校 正 ， calibration_x 、 calibration_y 以 及calibration_z 分別為在 xyz 方向上所對應(yīng)的內(nèi)部校正參數(shù)，通過公式求得每個點在空間中的坐標(biāo)（ x, y, z）。

 

 

依次遍歷每一個數(shù)據(jù)點，就可以完成對激光雷達數(shù)據(jù)的解析，利用接收到的數(shù)據(jù)重構(gòu)出 3D點云。多線激光雷達采集到的 3D 點云數(shù)據(jù)能夠提供了大量的信息，但是處理這些數(shù)據(jù)也帶來了巨大的運算量，這是造成許多基于多線激光雷達的算法實時性比較差的重要原因。

 

 

因此，減少運算量是提升多線激光雷達的實時性與可用性的關(guān)鍵。對于這個問題，通過劃分網(wǎng)格的方法，減少運算量。

 

一種網(wǎng)格是方框型，一種是扇形。

 

方形網(wǎng)格是以激光雷達的位置（或者說車體位置為）地圖中心，將激光雷達周圍的環(huán)境劃分為大小相等的網(wǎng)格。進行方形網(wǎng)格劃分之后，將解析雷達數(shù)據(jù)得到的 3D點云投影到網(wǎng)格當(dāng)中。扇形網(wǎng)格是以激光雷達的位置為圓心，用不同的半徑的同心圓將激光雷達周圍的環(huán)境進行劃分。

 

一個網(wǎng)格是由同心圓以及從圓心出發(fā)的射線組成如圖中的紅色部分。因為激光雷達可以測量的最大范圍可以到達 80 米到 100 米，所以設(shè)置最大的一個同心圓的半徑為 80 米，最小的同心圓的半徑為 0.5米， 相鄰?fù)膱A半徑差作為一個參數(shù)，將 3D點云中的每個點投影到網(wǎng)格當(dāng)中。

 

基于方形網(wǎng)格的劃分，將全圖分割為大小相同的網(wǎng)格，對于遠近的障礙物處理比較公平；缺點是運算量大?；谏刃尉W(wǎng)格進行劃分，呈現(xiàn)近處網(wǎng)格小而密集，從圓心開始越往外，網(wǎng)格越大。

 

扇形網(wǎng)格的優(yōu)勢在于對于近處的障礙物有良好的精度，能夠分辨較小的障礙物，在減少運算量的同時對障礙物的處理有所側(cè)重，缺點在于可能無法識別遠處的較小的障礙物。

 

 

常見的路沿有人行道的路沿石、綠化帶、隔離柵欄、雪糕桶等，除此之外，道路環(huán)境中，常見的障礙物還有路燈、行道樹、消防栓、垃圾桶等。因此，路沿識別，需要找到人行道、綠化帶、隔離柵欄、雪糕桶這類物體。

 

道路環(huán)境中的物體的高度大致可以分為三個層次，路燈、行道樹等物體高度分類為高，綠化帶、隔離柵欄、雪糕桶、消防栓等物體高度分類為中，人行道旁邊的路沿石的高度則劃分為低。

 

因此將高度作為篩選路沿的第一個特征但是，如果直接使用每個點的高度信息，接下來做聚類處理時會產(chǎn)生巨大的運算量，因此在上一步進行網(wǎng)格劃分之后，就可以將點的聚類轉(zhuǎn)為對網(wǎng)格的聚類。

 

由于網(wǎng)格的數(shù)量遠遠小于點的數(shù)量，因而可以大大減少聚類所需要的運算量。因此要將點的高度信息映射為網(wǎng)格的高度信息。

 

完成高程信息統(tǒng)計以后， 會出現(xiàn)一個明顯的問題：行道樹會有一些樹枝延伸到道路上，此時，高程信息會顯示路上有障礙物，實質(zhì)上由于樹枝是懸空的，并不會阻礙汽車的正常的行駛，因此，需要對這一類誤判的障礙物進行中空識別，并將這一部分重新劃分為可行駛區(qū)域。

 

算法的思路是，遍歷每個標(biāo)定為障礙物的網(wǎng)格，檢測網(wǎng)格內(nèi)的點的高度分布， 如果在地面以上 10cm（障礙物高度） 至地面以上 2.4 米（激光雷達的頂端距離地面的高度）之內(nèi)的點進行統(tǒng)計，如果數(shù)量少于 10%，則認(rèn)為該網(wǎng)格是中空的障礙物網(wǎng)格，車輛能夠正常通過，因此重新將該網(wǎng)格歸為可通行區(qū)域。

 

在高度信息統(tǒng)計,給每一個網(wǎng)格維護一個標(biāo)志位，該標(biāo)志位用來指示網(wǎng)格是否符合常見路沿的高度限制要求。

 

如果滿足，則該標(biāo)志位為真，否則為假。完成了所有的障礙物高度信息統(tǒng)計以后，也就是對所有的網(wǎng)格都進行了標(biāo)記，此時考慮路沿的第二個特征：在一段距離內(nèi)維持相似高度。

 

只滿足路沿的第一特征的物體可能會是消防栓、路過的小孩和垃圾箱等物品，因此需要路沿的第二個特征進行進一步區(qū)分，將鄰近網(wǎng)格聚類成群落，當(dāng)群落中的網(wǎng)格的數(shù)量大于路沿的連續(xù)閾值時，才能認(rèn)為是路沿。

 

聚類流程如圖所示，遞歸地搜索所有網(wǎng)格， 直到周圍沒有新的可聚類網(wǎng)格就終止。 如果一個標(biāo)志位為真的網(wǎng)格的鄰近網(wǎng)格的標(biāo)志位同樣為真，就將它放入集群當(dāng)中。進行群落檢查的時候，如果群落中的網(wǎng)格數(shù)大于設(shè)定的閾值，則可認(rèn)為是路沿。

 

 

我國高速公路設(shè)計標(biāo)準(zhǔn)為， 車道寬度 3.75米，應(yīng)急車道為 2.5 米。如圖所示， L1 為激光雷達檢測的車體到左側(cè)路沿的距離， L2 為激光雷達檢測的車體到右側(cè)激光雷達的距離，

 

設(shè)道面總寬度 L， 則 L 可由公式得到:L = L1 + L2 ?？紤]到并非所有的所有道路均設(shè)置緊急車道，使用求模運算進行估計，設(shè)余數(shù)為 M，則余數(shù)M 可由公式得到：M = L % 3.75。

 

 

如果 M 約等于 2.5，則認(rèn)為存在應(yīng)急車道，否則認(rèn)為不存在。若存在時，路面寬度由公式L = L − 2.5，設(shè)車道數(shù)為 N，使用路面寬度除以 3.75，并向下取整，因為在道路設(shè)計中，路面與路沿之間存在一小段距離，則車道數(shù)可有公式N = ⌊L⁄3.75⌋計算出，根據(jù)車道數(shù)即可劃分出車道線，車道線的寬度一般為15-20厘米。

 

由于車道與路沿的距離長短不一，因此這種方法在非標(biāo)準(zhǔn)道路上準(zhǔn)確度不高，倒是路沿的檢測準(zhǔn)確度比較高。

 

 

未來固態(tài)激光雷達也很適合檢測車道線，固態(tài)激光雷達的FOV比較窄反而是個優(yōu)勢，等于過濾掉了很多無關(guān)數(shù)據(jù)。

 

不過單光子激光雷達通常采用計數(shù)器的方式讀出數(shù)據(jù)，不能檢測回波強度或回波寬度，不能檢測車道線。線性APD固態(tài)激光雷達就很合適。

 

（本文轉(zhuǎn)載自雷鋒網(wǎng)，作者系佐思產(chǎn)研研究總監(jiān)周彥武）