基于激光测距雷达和车载 GPS 的动态障碍物检测
基于激光测距雷达和车载 GPS 的动态障碍物检测
作者:王葵;翟荣刚;王道斌;颜普
0引言
在无人车自主行驶过程中,动态障碍物对其造成的危险性最大,该文针对道路环境,采用二维激光雷达和车载 GPS 作为外部传感器,提出了一种无人车实时检测动态障碍物的方法激光测距传感器。其中二维激光雷达用于实时的障碍物距离检测,车载 GPS 提供相邻时刻无人车的位移和航向角偏移信息。
1建立激光显示地图
采用的激光雷达为 SICK 公司生产的激光雷达LMS291,它是一种二维激光雷达,只在一个固定的平面上获得距离信息,同时也是扫描成像的激光雷达。LMS291 激光雷达从右向左每隔 0. 5° 逐点扫描,扫描范围为 180°,因此返回 361 个激光扫描点 ( 以下简称激光点) 的距离数据。利用激光雷达进行动态障碍物检测,首先需要将激光点的距离数据变换到以激光雷达坐标为原点的坐标系下,如图 1 所示,前方右侧区域有障碍物,二维激光雷达可以隔0. 5°逐点扫描,记录此点与观测点( 原点位置) 的距离 di,同时记录相应的角度 θi ( 与坐标 X 轴所成的夹角) 。
2激光点聚类方法
将 LMS291 获得的距离数据变换到以激光雷达为原点的坐标系下后,将激光点显示在 512 × 512 像素大小的图像地图上,如图 2 所示。激光雷达位于地图的最下方居中位置,每一个像素间距代表10 cm,因此 512 × 512 像素大小的地图显示了前方51. 2 m、左右各 25. 6 m 范围内的障碍物的分布情况。实验中激光雷达采用 0. 5° /180° /80 m 的测距模式,可以测量到无人车前方 80 m 和 180° 范围内的障碍物。
激光点聚类就是将激光点依照一定的规则进行聚类,在未知环境下,不适合采用特征方式对同一障碍物上的激光点进行聚类,该文采用基于相邻激光点距离的聚类方法,当间距小于一定阈值时,表明相邻的 2 个激光点都来自一个物体上,如果间距大于一定阈值,则说明相邻的 2 个激光点分别来自不同的物体上。
由于遮挡和物体的某部分反射率太低,可能造成将同一物体上的激光点分割成几个类,造成聚类数目变大,采用以下方法进行聚类合并,当相邻 3 个聚类满足以下情况时,则将聚类 1 和聚类 3 进行合并: 聚类 1 终点与聚类点 3 起点之间的聚类小于80 cm。聚类结果如图 3 所示,相同颜色的点表示是同一障碍物上的激光点,并用矩形方框包含显示,为确保矩形方框能够有效包含障碍物的实际区域,矩形方框向外延伸 20 cm,可以看出激光点聚类结果较好。
3位移与航向角偏移补偿
车载 GPS 获取的定位数据使用的是 WGS84 坐标,获取车辆的经度 L、纬度 B 和航向角θ,将经纬度坐标( L,B) 高斯投影到平面坐标( x,y) 上,高斯公式为:5匹配潜在动态障碍物并预测运动通过激光点聚类和潜在动态障碍物的检测后, 得到了 k'个互不相连的潜在动态障碍物,可以计算得到潜在动态障碍物的激光点个数、大小和位置等。
1)潜在动态障碍物中包含的激光点个数: 在激光点聚类过程中激光点的个数就可以直接获得。
2)潜在动态障碍物的面积大小( 单位为 m2 ) : 可以利用潜在动态障碍物所覆盖的区域面积来描述,以图 3 中的矩形大小计算面积,假设在激光雷达坐标系下,潜在动态障碍物 i 中激光点坐标中 x 和 y 方向上最大最小坐标为 xmax ,xmin ,ymax ,ymin ,则障碍 物的面积大小为:
Si = ( xmax - xmin + 0. 4) ( ymax - ymin + 0. 4) ( 14)
3)潜在动态障碍物的质心位置: 把潜在障碍物
看成是一个位于地面的圆心物体,因此质心就是潜在动态障碍物的圆心,圆心可以通过计算潜在动态障碍物中所有激光点的距离平均值和角度平均值计算:
其中: ( xi,yi ) 为潜在动态障碍物 i 的质心,di 和 θi为潜在动态障碍物 i 中 n 个激光点的距离平均值和角度平均值。
选择以下 3 个条件进行 2 帧之间的潜在动态障碍物匹配: ( 1) 相邻 2 帧之间潜在动态障碍物的激光点个数差小于一定的阈值。( 2) 相邻 2 帧之间潜在动态障碍物的区域面积差小于一定的阈值。( 3) 潜在动态障碍物之间的质心位置的距离小于一定的阈值。满足这 3 个条件后,就认为 2 帧中的 2 个潜在动态障碍物为同一个动态障碍物。计算动态障碍物与无人车的相对运动速度和方向,确定 1 s 后动态障碍物相对于无人车的位置,标记其运动轨迹和区域并显示在地图中。
6实验结果及分析
该文利用了车头前端的激光雷达传感器和车载GPS 检测道路上的运动物体。图 4a 和图 4b 是场景为无人车处于运动状态下的连续 2 帧的图像,图 4c 和图4d 为对应的连续2 帧激光扫描地图,图4e 为2 帧激光数据比较后得到的潜在运动物体显示,绿点为第 1 帧中的动态物体上的激光点,白点为第 2 帧中的动态物体上的激光点,计算得到运动物体的运动方向和速度后,红点为 1 s 后动态物体的位置显示。图 4f 为预测其运动区域的显示结果。从实验结果可以看到,在无人车处于运动状态下,利用文中介绍的方法,可以有效地检测出运动中的客车并预测其运动区域。
7结论
该文提出了一种在道路环境下进行动态障碍物实时检测的方法,并进行了大量的试验,都能较好地对动态障碍物进行检测和预测。实验结果验证了算法的有效性,为决策系统和控制系统无人车预警避让动态障碍物提供信息,提高了无人车自主行驶过程中的安全性和可靠性。
本文章转自爱学术(aixueshu.com),如有侵权,请联系删除