N o v e m b e r２０２１V o l．５０N o．１１A G C S h t t p:ʊx b．s i n o m a p s．c o m踪误差降低了０．０８m以上.本文所提出的方法充分利用了智能驾驶车辆所依赖的数字地图,将车道线检测的结果与地图中的道路先验信息进行融合,将地图与车辆感知功能进行了有机结合.未来工作将会集中于利用道路边界等其他高精地图中的道路信息,进一步提升跟踪系统的精度和稳定性,并将该方法推广至更为复杂的道路环境当中.参考文献:[１]㊀H EC h e n h a n g,Z E N G H u i,H U A N GJ i a n q i a n g,e t a l．S t r u cＧt u r ea w a r es i n g l eＧs t a g e３D o b j e c td e t e c t i o nf r o m p o i n tc l o u d[C]ʊP r o c e ed i n g s o f２０２０I E E E/C V FC o n fe r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n(C V P R)．S e a tＧt l e,WA,U S A:I E E E,２０２０:１１８７０Ｇ１１８７９．[２]㊀A R N O L DE,A LＧJ A R R A H O Y,D I A N A T IM,e t a l．A s u r v e y o n３D o b j e c td e t e c t i o n m e t h o d sf o ra u t o n o m o u sd r i v i n g a p p l i c a t i o n s[J]．I E E E T r a n s a c t i o n so nI n te l l i g e n tT r a n s p o r t a t i o nS y s t e m s,２０１９,２０(１０):３７８２Ｇ３７９５．[３]㊀B O G O S L AV S KY I I,S T A C HN I S SC．E f f i c i e n t o n l i n e s e g m e n t a t i o n f o r s p a r s e３D l a s e r s c a n s[J]．P F GＧJ o u r n a l o fP h o t o g r a mm e t r y,R e m o t e S e n s i n g a n d G e o i n f o r m a t i o nS c i e n c e,２０１７,８５(１):４１Ｇ５２．[４]㊀H I M M E L S B A C H M,H U N D E L S H A U S E NFV,W U E N S C H E HJ．F a s t s e g m e n t a t i o n o f３D p o i n t c l o u d s f o r g r o u n d v e h iＧc l e s[C]ʊP r o c e ed i n g so f２０１０I E E EI n te l l i g e n tV e h i c l e sS y m p o s i u m．L a J o l l a,C A,U S A:I E E E,２０１０:５６０Ｇ５６５．[５]㊀K A N U N G OT,M O U N TD M,N E T A N Y A H U NS,e t a l．A ne f f i c i e n tkＧm e a n sc l u s t e r i n g a l g o r i t h m:a n a l y s i sa n di m p l e m e n t a t i o n[J]．I E E E T r a n s a c t i o n s o n P a t t e r nA n a l y s i s a n dM a c h i n e I n t e l l i g e n c e,２００２,２４(７):８８１Ｇ８９２．[６]㊀杜芳．基于激光雷达的道路环境感知算法研究与实现[D]．南京:南京理工大学．２０１８．D U F a n g．R e s e a r c ha n di m p l e m e n t a t i o no f r o a de n v i r o nＧm e n t p e r c e p t i o n a l g o r i t h m b a s e d o n L i D A R．N a n j i n g:N a n j i n g U n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y,２０１８．[７]㊀S H I S h a o s h u a i,W A N G X i a o g a n g,L IH o n g s h e n g．P o i n t R C N N:３D o b j e c t p r o p o s a l g e n e r a t i o na n d d e t e c t i o nf r o m p o i n tc l o u d[C]ʊP r o c e ed i n g s o f２０１９I E E E/C V FC o n fe r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n(C V P R)．L o n gB e a c h,C A,U S A:I E E E,２０１９:７７０Ｇ７７９．[８]㊀S H IS h a o s h u a i,WA N G Z h e,S H I J i a n p i n g,e t a l．F r o m p o i n t s t o p a r t s:３Do b j e c t d e t e c t i o n f r o m p o i n t c l o u dw i t hp a r tＧa w a r e a n d p a r tＧa g g r e g a t i o nn e t w o r k[J]．I E E ET r a n sＧa c t i o n s o n P a t t e r n A n a l y s i s a n d M a c h i n eI n t e l l i g e n c e,２０２１,４３(８):２６４７Ｇ２６６４．[９]㊀S H I S h a o s h u a i,G U OC h a o x u,J I A N GL i,e t a l．P VＧR CＧN N:p o i n tＧv o x e l f e a t u r es e t a b s t r a c t i o nf o r３Do b j e c td eＧt e c t i o n[C]ʊP r o c e e d i n g so f２０２０I E E E/C V F C o n f e r e n c eo nC o m p u t e rV i s i o n a n dP a t t e r nR e c o g n i t i o n(C V P R)．S eＧa t t l e,WA,U S A:I E E E,２０２０:１０５２６Ｇ１０５３５．[１０]㊀W E N GX i n s h u o,W A N G J i a n r e n,H E L DD,e t a l．３Dm u l t iＧo b j e c t t r a c k i n g:ab a s e l i n ea n dn e we v a l u a t i o n m e t r i c s[C]ʊP r o c e e d i n g so f２０２０I E E E/R S JI n t e r n a t i o n a lC o n f e r e n c eo n I n t e l l i g e n tR o b o t sa n dS y s t e m s(I R O S)．L a s V e g a s,N V,U S A:I E E E,２０２１:１０３５９Ｇ１０３６６．[１１]㊀Z HA N G W,Z H O U H,S U NS,e t a l．R o b u s tm u l t iＧm oＧd a l i t y m u l t iＧo b je c tt r a c k i n g[C]ʊP r o c e e d i n g s o f２０１９I E E E/C V FI n t e r n a t i o n a lC o n f e r e n c eo nC o m p u t e rV i s i o n(I C C V)．S e o u l,K o r e a(S o u t h):I E E E/C V F,２０１９:２３６５Ｇ２３７４．[１２]㊀黄如林．无人驾驶汽车动态障碍物避撞关键技术研究[D]．合肥:中国科学技术大学,２０１７．HU A N GR u l i n．R e s e a r c ho nk e y t e c h n o l o g i e so f d y n a m i co b s t a c l ea v o i d a n c ef o ra u t o n o m o u s v e h i c l e[D]．H e f e i:U n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y o fC h i n a,２０１７．[１３]㊀B A RＧS H A L OM Y,D A UM F,HU A N GJ．T h e p r o b a b iＧl i s t i cd a t aa s s o c i a t i o nf i l t e r[J]．I E E E C o n t r o lS y s t e m sM a g a z i n e,２００９,２９(６):８２Ｇ１００．[１４]㊀L IX i n,WA N GK e j u n,WA N G W e i,e t a l．A m u l t i p l e o bＧj e c t t r a c k i n g m e t h o d u s i n g K a l m a n f i l t e r[C]ʊP r o c e e d i n g so f２０１０I E E E I n t e r n a t i o n a l C o n f e r e n c e o n I n f o r m a t i o n a n dA u t o m a t i o n．H a r b i n,C h i n a:I E E E,２０１０:１８６２Ｇ１８６６．[１５]㊀Y A N G S h i s h a n,B A UM M．E x t e n d e d K a l m a nf i l t e r f o re x t e n d e do b j e c t t r a c k i n g[C]ʊP r o c e e d i n g so f２０１７I E E EI n t e r n a t i o n a lC o n f e r e n c eo nA c o u s t i c s,S p e e c ha n dS i g n a lP r o c e s s i n g(I C A S S P)．N e w O r l e a n s,L A,U S A:I E E E,２０１７:４３８６Ｇ４３９０．[１６]㊀B R E I T E N S T E I N M D,R E I C H L I N F,L E I B E B,e t a l．R o b u s t t r a c k i n gＧb yＧd e t e c t i o nu s i n g ad e t e c t o rc o n f i d e n c ep a r t i c l e f i l t e r[C]ʊP r o c e e d i n g so f２００９I E E E１２t hI n t e rＧn a t i o n a lC o n f e r e n c eo nC o m p u t e rV i s i o n．K y o t o,J a p a n:I E E E,２００９:１５１５Ｇ１５２２．[１７]㊀S US h e n g h a o,L I U M e n g x i n,C E N M i n g．H i g hd e f i n i t i o n m a p a s s i s t e dv e h i c l et r a c k i n g w i t hl a n ec o n s t r a i n t[C]ʊP r o c e e d i n g s o f２０２０C h i n e s eC o n t r o l a n dD e c i s i o nC o n f e rＧe n c e(C C D C)．H ef e i,C h i n a:I E E E,２０２０:３２０１Ｇ３２０６．[１８]㊀U L M K E M,K O C H W．R o a dＧm a p a s s i s t e dg r o u n dm o v i n g t a r g e t t r a c k i n g[J]．I E E E T r a n s a c t i o n so n A e r o s p a c ea n dE l e c t r o n i c S y s t e m s,２００６,４２(４):１２６４Ｇ１２７４．[１９]㊀H E H a o,WA N GS h u y a n g,WA N GS h i c h e n g,e t a l．A r o a d e x t r a c t i o nm e t h o d f o r r e m o t e s e n s i n g i m a g e b a s e d o ne n c o d e rＧd e c o d e r n e t w o r k[J]．J o u r n a l of G e o d e s y a n dG e o i n f o r m a t i o nS c i e n c e,２０２０,３(２):１６Ｇ２５．[２０]㊀L A B A Y R A D E R,D O U R E TJ,L A N E U R I TJ,e t a l．A r e l i a b l e a n d r o b u s t l a n e d e t e c t i o n s y s t e mb a s e d o n t h e p a rＧa l l e l u s eo f t h r e ea l g o r i t h m s f o rd r i v i n g s a f e t y a s s i s t a n c e[J]．I E I C E t r a n s a c t i o n s o ni n f o r m a t i o n a n d s y s t e m s,２００６,８９(７):２０９２Ｇ２１００．[２１]㊀N E V E ND,B R A B A N D E R EBD,G E O R G O U L I SS,e t a l．T o w a r d s e n dＧt oＧe n d l a n e d e t e c t i o n:a n i n s t a n c e s e g m e n t aＧt i o na p p r o a c h[C]ʊP r o c e e d i n g so f２０１８I E E EI n t e l l i g e n t２３５１Copyright©博看网 . All Rights Reserved.第１１期庄瀚洋,等:顾及数字地图中车道走向的车辆跟踪增强算法V e h i c l e s S y m p o s i u m(I V)．C h a n g s h u,C h i n a:I E E E,２０１８:２８６Ｇ２９１．[２２]㊀K I M Z．R o b u s t l a n ed e t e c t i o na n d t r a c k i n g i nc h a l l e n g i n g s c e n a r i o s[J]．I E E E T r a n s a c t i o n so nI n t e l l i g e n tT r a n s p o rＧt a t i o nS y s t e m s,２００８,９(１):１６Ｇ２６．[２３]㊀X U H u a r o n g,W A N G X i a o d o n g,H U A N GH o n g w u,e t a l．Af a s t a n ds t a b l el a n ed e t e c t i o n m e t h o db a s e do n BＧs p l i n ec u r v e[C]ʊP r o c e ed i n g s o f２００９I E E E I n te r n a t i o n a l C o nf e r e n c eo nC o m p u t e rＧA i d e dI n d u s t r i a lD e s i g n&C o n c e p t u a lD e s i g n．W e n z h o u,C h i n a:I E E E,２００９:１０３６Ｇ１０４０．[２４]㊀刘经南,詹骄,郭迟,等．智能高精地图数据逻辑结构与关键技术[J]．测绘学报,２０１９,４８(８):９３９Ｇ９５３．D O I:１０．１１９４７/j．A G C S．２０１９．２０１９０１２５．L I UJ i n g n a n,Z HA N J i a o,G U O C h i,e ta l．D a t al o g i cs t r u c t u r e a n d k e y t e c h n o l o g i e s o n i n t e l l i g e n t h i g hＧp r e c i s i o nm a p[J]．A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a,２０１９,４８(８):９３９Ｇ９５３．D O I:１０．１１９４７/j．A G C S．２０１９．２０１９０１２５．[２５]㊀G E I G E R A,L E N ZP,U R T A S U N R．A r ew er e a d y f o ra u t o n o m o u sd r i v i n g T h eK I T T Iv i s i o nb e nc h m a r ks u i t e[C]ʊP r o c e e d i n g s o f２０１２I E E EC o n f e r e n c eo nC o m p u t e rV i s i o na n d P a t t e r n R e c o g n i t i o n．P r o v i d e n c e,R I,U S A:I E E E,２０１２:３３５４Ｇ３３６１．[２６]㊀K AMM E LS,P I T Z E RB．L i d a rＧb a s e d l a n em a r k e r d e t e cＧt i o na n dm a p p i n g[C]ʊP r o c e e d i n g so f２００８I E E EI n t e l l iＧg e n t V e h i c l e s S y m p o s i u m．E i n d h o v e n,N e t h e r l a n d s:I E E E,２００８:１１３７Ｇ１１４２．[２７]㊀J E O N GJ,K I M A．L i D A Ri n t e n s i t y c a l i b r a t i o nf o rr o a d m a r k i n g e x t r a c t i o n[C]ʊP r o c e e d i n g s o f２０１８I n t e r n a t i o n a lC o n f e r e n c e o n U b i q u i t o u sR o b o t s(U R)．H o n o l u l u,H I,U S A:I E E E,２０１８:４５５Ｇ４６０．[２８]㊀L E V I N S O NJ,T H R U NS．R o b u s t v e h i c l e l o c a l i z a t i o n i n u r b a ne n v i r o n m e n t su s i n gp r o b a b i l i s t i c m a p s[C]ʊP r oＧc e ed i n g s o f２０１０I E E E I n te r n a t i o n a l C o nf e r e n c e o nR o b o t i c s a n d A u t o m a t i o n．A K,U S A:I E E E,２０１０:４３７２Ｇ４３７８．[２９]㊀O T S U N．At h r e s h o l ds e l e c t i o n m e t h o df r o m g r a yＧl e v e lh i s t o g r a m s[J]．I E E ET r a n s a c t i o n s o nS y s t e m s,M a n,a n dC y b e r n e t i c s,１９７９,９(１):６２Ｇ６６．[３０]㊀A B D IH,W I L L I AM SLJ．P r i n c i p a l c o m p o n e n t a n a l y s i s[J]．W i l e y I n t e r d i s c i p l i n a r y R e v i e w s:C o m p u t a t i o n a l S t aＧt i s t i c s,２０１０,２(４):４３３Ｇ４５９．[３１]㊀M I K N I S M,D A V I E S R,P L A S S MA N N P,e ta l．N e a r r e a lＧt i m e p o i n t c l o u d p r o c e s s i n g u s i n g t h eP C L[C]ʊP r oＧc e ed i n g so f２０１５I n te r n a t i o n a lC o nf e r e n c eo n S y s t e m s,S i g n a l s a n dI m a g eP r o c e s s i n g(I W S S I P)．L o n d o n,U K:I E E E,２０１５:１５３Ｇ１５６．[３２]㊀N G U Y E N A,C A N OA M,E D A H I R O M,e t a l．F a s t e uＧc l ide a n c l u s t e r e x t r a c t i o nu s i n g G P U s[J]．J o u r n a l o fR oＧb o t ic s a nd Me c h a t r o n i c s,２０２０,３２(３):５４８Ｇ５６０．[３３]㊀丁雷,基于多A g e n t的车辆路径规划系统设计与实现[D]．四川成都．电子科技大学．２０２０．D I N G L e i．D e s i g n a n di m p l e m e n t a t i o n o fv e h i c l e p a t hp l a n n i n g s y s t e mb a s e do nm u l t i a g e n t s y s t e m[D]．C h e n gＧd u:U n i ve r s i t y o fE l e c t r o n i cS c i e n c ea n d T e c h n o l o g y o fC h i n a,２０２０．[３４]㊀P E N T I C O D W．A s s i g n m e n t p r o b l e m s:a g o l d e n a n n i v e rＧs a r y s u r v e y[J]．E u r o p e a n J o u r n a l o f O p e r a t i o n a lR e s e a r c h,２００７,１７６(２):７７４Ｇ７９３．[３５]㊀C A E S A R H,B A N K I T IV,L A N G A H,e t a l．n u S c e n e s: am u l t i m o d a ld a t a s e t f o ra u t o n o m o u sd r i v i n g[C]ʊP r oＧc e ed i n g s o f２０２０I E E E/C V FC o n fe r e n c e o nC o m p u t e rV iＧs i o na n d P a t t e r n R e c o g n i t i o n(C V P R)．S e a t t l e,WA,U S A:I E E E,２０２０:１１６１８Ｇ１１６２８．(责任编辑:丛树平㊁张艳玲)收稿日期:２０２１Ｇ０５Ｇ１１修回日期:２０２１Ｇ０９Ｇ２７第一作者简介:庄瀚洋(１９８９ ),男,博士,助理研究员,研究方向为智能网联车辆.F i r s ta u t h o r:Z H U A NGH a n y a n g(１９８９ ),m a l e,P h D, a s s i s t a n t r e s e a r c hf e l l o w,m a j o r s i n i n t e l l i g e n tc o n n e c t e d v e h i c l e．EＧm a i l:z h u a n g h a n y１１＠s j t u．e d u．c n通信作者:王春香C o r r e s p o n d i n g a u t h o r:W A N GC h u n x i a n gEＧm a i l:w a n g c x＠s j t u．e d u．c n３３５１Copyright©博看网 . All Rights Reserved.㊀２０２１年１１月A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a N o v e m b e r,２０２１㊀㊀第５０卷㊀第１１期测㊀绘㊀学㊀报V o l．５０,N o．１１引文格式:续东,柳景斌,花向红,等．道路空间特征与测量距离相结合的L i D A R道路边界点提取算法[J]．测绘学报,２０２１,５０(１１):１５３４Ｇ１５４５．D O I:１０．１１９４７/j．A G C S．２０２１．２０２１０２４４．X U D o n g,L I UJ i n g b i n,H U A X i a n g h o n g,e ta l．Ar o a dc u r b p o i n t se x t r a c t i o na l g o r i t h mc o m b i n e ds p a t i a l f e a t u r e sa n d m e a s u r i n gd i s t a n c e[J]．A c t aGe o d a e t i c a e t C a r t o g r a p h i c a S i n i c a,２０２１,５０(１１):１５３４Ｇ１５４５．D O I:１０．１１９４７/j．A G C S．２０２１．２０２１０２４４．道路空间特征与测量距离相结合的L i D A R道路边界点提取算法续㊀东１,柳景斌１,花向红２,陶武勇２１．武汉大学测绘遥感信息工程国家重点实验室,湖北武汉４３００７９;２．武汉大学测绘学院,湖北武汉４３００７９Ar o a d c u r b p o i n t s e x t r a c t i o n a l g o r i t h m c o m b i n e d s p a t i a lf e a t u r e s a n d m e a s u r i n g d i s t a n c eX UD o n g１,L I UJ i n g b i n１,H U AX i a n g h o n g２,T A O W u y o n g２１．S t a t eK e y L a b o r a t o r y o f I n f o r m a t i o nE n g i n e e r i n g i nS u r v e y i n g,M a p p i n g a n dR e m o t eS e n s i n g,W u h a nU n i v e r s i t y, W u h a n４３００７９,C h i n a;２．S c h o o l o fG e o d e s y a n dG e o m a t i c s,W u h a nU n i v e r s i t y,W u h a n４３００７９,C h i n aA b s t r a c t:E x t r a c t i n g a c c u r a t e r o a dc u r b i sac r u c i a l t a s k f o r d r i v e r l e s s v e h i c l e s．H o w e v e r,e x i s t i n g r o a d c u r b p o i n t s e x t r a c t i o nm e t h o d s a r e n o t r o b u s t f o r s p a r s e１６Ｇr a y L i D A R d a t a．T h i s p a p e r p r e s e n t s a r o a d c u r b p o i n t s e x t r a c t i o na l g o r i t h mt h a t c o m b i n e sm u l t i s c a l es p a t i a l f e a t u r e sa n dm e a s u r i n g d i s t a n c e．T h e p o i n t s o u t s i d e t h e r o a da r e a s a r e f i r s t l y r e m o v e db y a d o p t i n g t h e r a n d o ms a m p l e c o n s e n s u s(R A N S A C)a l g o r i t h m, t h e nm o s t o f t h e r o a d s u r f a c e p o i n t s a r e r e m o v e db y j u d g i n g t h e h o r i z o n t a l a n d v e r t i c a l c o n t i n u i t y b e t w e e n p o i n t s i nt h es a m el a s e rb e a m．A c c o r d i n g t ot h e m e a s u r e m e n t m o d e lo ft h er o a dc u r b p o i n t s,i ft h e m e a s u r e dd i s t a n c e o f t h e r e s e r v e d p o i n t s i sw i t h i na r e a s o n a b l ed i s t a n c ea n d t h ea n g l eb e t w e e n t h e t w o h o r i z o n t a l v e c t o r s s t a r t i n g w i t h t h e p o i n t i s l a r g e r t h a nac e r t a i n t h r e s h o l d,t h e p o i n tw i l l b e i d e n t i f i e da s t h e r o a dc u r b p o i n t．E x p e r i m e n t s s h o wt h a t t h e r o a dc u r b p o i n t se x t r a c t i o nm e t h o d p r o p o s e d i n t h i s p a p e r p e r f o r m s b e t t e r t h a n t h e o t h e r m e t h o d s u n d e r１６Ｇr a y L i D A R d a t a s e t a n dm e e t s t h e r e a lＧt i m e r e q u i r e m e n t s f o r e n v i r o n m e n t a l p e r c e p t i o n o f d r i v e r l e s s v e h i c l e s．K e y w o r d s:１６Ｇr a y L i D A R;r o a dc u r bd e t e c t i o n;L i D A Rc a l i b r a t i o n;L i D A R d a t ac o r r e c t i o n;m u l t i s c a l e s p a t i a l f e a t u r e sF o u n d a t i o n s u p p o r t:T h eN a t i o n a l K e y R e s e a r c h a n dD e v e l o p m e n t P r o g r a mo f C h i n a(N o．２０１６Y F B０５０２２０４); T h eN a t i o n a lN a t u r a l S c i e n c eF o u n d a t i o no fC h i n a(N o s．４１８７４０３１;４２１１１５３００６４);S h e n z h e nS c i e n c ea n d T e c h n o l o g y P r o g r a m(N o．J C Y J２０２１０３２４１２３６１１０３２)摘㊀要:针对现有方法在较稀疏的１６线激光雷达数据中提取道路边界点准确度较低的问题,本文提出一种道路空间特征与测量距离相结合的道路边界点提取方法:采用随机采样一致性(R A N S A C)算法进行预处理,快速剔除道路区域外点;判断同条激光线中点与点之间的水平连续性和垂直连续性,去除大部分道路表面点;根据道路边界点的测量模型,结合原始测量距离修正保留的道路边界点,初步剔除非道路边界点;通过判断起始于被保留点的两个水平向量的夹角是否大于一定阈值,进一步精确剔除非道路边界点.试验结果表明,本文方法相对于现有方法能够较准确获取道路边界点,同时满足无人驾驶汽车环境感知的实时性要求.关键词:１６线激光雷达;道路边界点提取;激光雷达标定;激光雷达数据修正;多尺度空间特征中图分类号:P２３７㊀㊀㊀㊀文献标识码:A㊀㊀㊀㊀文章编号:１００１Ｇ１５９５(２０２１)１１Ｇ１５３４Ｇ１２基金项目:国家重点研发计划(２０１６Y F B０５０２２０４);国家自然科学基金(４１８７４０３１;４２１１１５３００６４);深圳市科技计划资助项目(J C Y J２０２１０３２４１２３６１１０３２)㊀㊀在城市环境中实现完全无人驾驶依赖于准确的环境感知算法,获取道路边界点是环境感知算Copyright©博看网 . All Rights Reserved.第１１期续㊀东,等:道路空间特征与测量距离相结合的L i D A R道路边界点提取算法法的重要任务[１].精确的道路边界不仅为无人驾驶汽车提供安全的可通行区域,而且可以用于无人驾驶汽车的定位与建图[２].城市道路边界大部分(直道㊁弯道)具有全局连续性特征,结合多种局部特征,边界可以被稳健地探测到,已有多种方法达到了较好的效果.在这些方法中使用的传感器包括:单目摄像头[３Ｇ４]㊁单线激光雷达[５Ｇ６]及多线激光雷达[７].多线激光雷达与其他传感器相比具有以下优点[８]:①相对于视觉传感器[９],对环境的光照变化不敏感;②能够实时㊁精确地获取车辆周围环境的３D信息.因此,多线激光雷达近年来被广泛应用于无人驾驶汽车的环境感知任务.目前,无人驾驶汽车上常用的多线激光雷达有１６线㊁３２线和６４线３种,其中６４线和３２线激光雷达使用最多,公开的数据集大部分也是使用这两种激光雷达,如K I T T I 数据集[１０]㊁N C L T数据集[１１]等.随着激光测量技术的发展,１６线激光雷达因为其有竞争力的价格被越来越多的车企㊁创业公司以及高校采用.实现适用于１６线激光雷达的道路边界点提取算法,对推广无人驾驶技术有积极的意义.国内外对基于多线激光雷达的道路边界点提取方法有深入的研究,目前主要研究成果分为两类:计算单一尺度空间特征的道路边界点提取方法[１２Ｇ１４]和计算多尺度空间特征的道路边界点提取方法[１５Ｇ１６].第１类研究主要有:文献[１２]将３D 点云映射到２D栅格中,利用３种局部特征(栅格内高程差㊁相邻栅格梯度和法向量)提取道路边界栅格,获取道路边界点.栅格映射是道路边界探测中常用的方法,然而由于多线激光雷达获取的点云分布不均匀,导致许多栅格为空,浪费了存储和计算资源.此外,栅格尺寸大小的设置需要根据扫描数据的特性进行多次试验:栅格过大,容易丢失细节,损失探测精度;栅格过小,如果数据稀疏,常常探测不到道路边界点.文献[１３]对路面点进行平面拟合,根据道路边界高度进而获取候选道路边界点,最后通过对候选道路边界点进行曲线拟合获得道路边界点.该方法基于道路边界高度特征进行道路边界点的提取,但是由于道路边界特征多样性(草丛路边㊁石头路边)和路内障碍物遮挡,很难建立固定模型对道路边界进行准确㊁可靠的识别.文献[１４]首先根据光线传播方法对点云进行分割得到多个部分,然后采用滑动窗口方式逐线提取道路边界点.该方法主要根据道路边界点之间空间特征与非道路边界点之间空间特征的区别,提取道路边界点.该方法仅考虑点之间空间特征而忽略了道路趋势信息,容易将非道路边界点识别为道路边界点,方法精确率不高.第２类是计算多尺度空间特征的道路边界点提取方法,目前研究主要有:文献[１５]在利用基于滑动窗口的光线传播方法将道路分割成多个部分后,先利用最小二乘拟合平面模型计算大尺度空间特征,随后计算点与点之间的小尺度空间特征,进而提取道路边界点.文献[１６]首先利用小尺度空间特征选取后续道路边界点,再利用候选道路边界点进行道路边界拟合,对候选道路边界点进行滤波,提取道路边界点.第１类方法通过计算单一尺度空间特征提取道路边界点,计算速度快但提取道路边界点的精确率较低.第２类方法兼顾了计算大中尺度和小尺度空间特征的优点,但选择的大中尺度和小尺度空间特征,对道路边界点的提取结果会造成较大影响.基于以上分析,本文提出一种道路空间特征和测量距离相结合的道路边界点提取方法:通过计算多种空间特征,结合激光雷达测量距离,能够准确稳定地从１６线激光雷达获取的稀疏点云中提取道路边界点.由于汽车多行驶在城市环境中,本文着重探究城市环境下结构化道路边界点的提取.图１为本文道路边界点提取方法流程.图１㊀本文道路边界点提取方法流程F i g．１㊀T h ew o r k f l o wo f r o a d c u r b p o i n t s e x t r a c t i o nm e t h o d p r o p o s e d i n t h i s p a p e r５３５１Copyright©博看网 . All Rights Reserved.N o v e m b e r２０２１V o l．５０N o．１１A G C S h t t p:ʊx b．s i n o m a p s．c o m１㊀数据预处理利用１６线激光雷达进行道路边界点提取,首先需要对激光雷达获取的数据进行预处理.预处理步骤包括１６线激光雷达的标定和数据修正.本文所采用的１６线激光雷达从上至下共有１６根扫描线,竖直角度跨度为－１５ʎ~１５ʎ,竖直角度分辨率为２ʎ,每根扫描线对应的竖直角度见表１.１６线激光雷达的其他参数为:水平角度跨度为３６０ʎ,水平角度分辨率为０．２ʎ;扫描频率为１０H z;测距精度为ʃ３c m,最小测程为０．５m,最大测程为１５０m.表１㊀１６线激光雷达扫描线与对应垂直角度T a b．１㊀R e l a t i o n s h i p b e t w e e n l a s e r I Da n dθi o f１６Ｇr a y L i D A Rl a s e r I Dθi/(ʎ)l a s e r I Dθi/(ʎ)l a s e r I Dθi/(ʎ)０－１５６－９１２－３１１７７１３１３２－１３８－７１４－１３３９９１５１５４－１１１０－５ＧＧ５５１１１１ＧＧ１．１㊀１６线激光雷达标定１６线激光雷达原始数据为每个激光点的测量距离d i s t㊁水平角度φ和垂直角度θ(图２),为了将原始激光点p s i(d i s t i,φi,θi)统一到车体的载体坐标系p v i(x i,y i,z i)中,需要对安装后的１６线激光雷达进行标定.图２㊀１６线激光雷达侧视图和俯视图F i g．２㊀S i d e v i e wa n d t o p v i e wo f１６Ｇr a y L i D A R车辆正前方为载体坐标系Y轴正方向,车辆右侧为X轴正方向,载体坐标系原点为激光雷达中心.１６线激光雷达安装在车辆顶部,安装后激光雷达与车辆保持水平,如图３所示.因为本文未使用其他传感器进行边界点提取,且在安装上确保了激光雷达与车体保持水平,本文描述的１６线激光雷达标定消除了激光雷达球坐标水平０ʎ方向与载体Y轴方向之间的夹角∂.本文采用的标定方法参考了文献[１７ ２０].图３㊀１６线激光雷达安装示意F i g．３㊀I n s t a l l a t i o nd i a g r a mo f１６Ｇr a y L i D A R㊀㊀本文中激光雷达的标定原理为:根据同名点在激光雷达坐标系的坐标和载体坐标系下的坐标计算夹角∂.具体步骤为:①将载体驶入有明显标志物的标定场地,在该场地内可以获取标志物在载体坐标系下的坐标;②保存１６线激光雷达数据,获取标志物在激光雷达坐标系下的坐标;③计算旋转平移矩阵,并转为欧拉角,获得夹角∂.１６线激光雷达测量得到的激光点原始数据p s i(d i s t i,φi,θi)通过式(１)转换得到激光点在载体坐标系下的坐标p v i(x i,y i,z i)x i＝d i s t i c o sθi c o s(φi－∂)y i＝d i s t i c o sθi s i n(φi－∂)z i＝d i s t i s i nθiüþýïïïï(１)６３５１Copyright©博看网 . All Rights Reserved.第１１期续㊀东,等:道路空间特征与测量距离相结合的L i D A R道路边界点提取算法１．２㊀１６线激光雷达数据修正１６线激光雷达测量数据修正主要包括以下方面:首先,在激光雷达的一个扫描周期内,无人驾驶汽车的移动使得激光雷达原点的位置发生显著位移,如果不修正无人驾驶汽车行驶过程中对测量数据的影响,会使得在一个扫描周期内的同一条激光线上的测量点出现局部扭曲;其次,在一个扫描周期内,汽车的姿态变化也会对道路边界检测产生较大影响.为了保证道路边界检测的准确性,必须对１６线激光雷达测量的原始数据进行修正.图４展示了车辆姿态角γ㊁β和α.图４㊀扫描周期内车辆姿态变化F i g．４㊀S c h e m a t i c o f v e h i c l e s p o s t u r e c h a n g i n g u n d e r v e h i c l em o t i o n c o n d i t i o n㊀㊀１６线激光雷达扫描一帧所需要的时间较短,可以认为同一帧内车辆的位置和姿态(位姿)变化近似线性变化,因此一帧内每一时刻车辆的位姿可以通过前后两帧车辆的位姿插值获得.通过无人驾驶汽车上的传感器可以获得每一帧的位置变化量(X f r a m e,Y f r a m e,Z f r a m e)和姿态变化量(γf r a m e,βf r a m e,αf r a m e),当前帧的位姿与上一帧的位姿相减获得位姿变化量.每一帧中每一时刻的位姿变化量可通过线性插值获得,将位姿变化量进行转换可得到矫正车辆移动的平移向量T和旋转矩阵R.假设当前帧的起始水平旋转角为φ１,多线激光雷达扫描到φ２时,Tφ２和Rφ２通过式(２)获得Tφ２＝１－φ２－φ１２πæèçöø÷X f r a m e Y f r a m e Z f r a m e[]Tγφ２βφ２αφ２[]＝１－φ２－φ１２πæèçöø÷㊀㊀γf r a m eβf r a m eαf r a m e[]Rφ２＝R z(γφ２)R y(βφ２)R x(αφ２)üþýïïïïïïïï(２)获得平移向量和旋转矩阵后,１６线激光雷达在水平角度φ２测量得到的原始数据经过转换,获得的载体坐标系下的点p v i经过式(３)纠正,可得到矫正后的点p vᶄip vᶄi＝Rφ２P v i＋Tφ２(３)１６线激光雷达数据修正结果如图５所示.２㊀道路边界点提取图６展示了结构化道路属性信息,基于多线激光雷达的道路边界点提取即在点云中提取红色扫描点.本文采用多种空间特征,并结合道路边界点的测量模型提出了一种适用于１６线激光雷达数据的道路边界点提取算法.２．１㊀基于大尺度空间特征的道路外区域点滤波为了保证道路边界点提取方法的实时性和精度,首先对原始点云进行初步处理,去除大量道路外区域的点.初步处理过程如下:选用R A N S A C算法进行平面拟合[２１]获得平面模型参数,设定高７３５１Copyright©博看网 . All Rights Reserved.N o v e m b e r ２０２１V o l ．５０N o ．１１A G C Sh t t p :ʊx b ．s i n o m a ps ．c o m 程阈值为０．２５m ,将所有点代入平面模型中,保留低于高程阈值的点.R A N S A C 算法是从一组含有噪声的数据中正确估计数学模型参数的迭代算法.该算法步骤如下:①随机选取可以估计出模型的最小数据集;②计算模型参数;③将所有数据代入模型,计算内点(符合当前模型的数据)数目;④比较当前模型和之前推出的最好的模型的内点数量,记录最大内点数的模型参数和内点数;⑤重复① ④步,直到迭代结束或当前模型符合迭代终止条件.R A N S A C 算法可以从包含道路外区域点的点云中,精确估计道路平面模型参数.相对于利用最小二乘方法获取道路平面模型参数,R A N S A C 算法具有更强的稳健性[２２].处理结果如图７所示,初步处理剔除了大部分道路外区域点,在保留点中存在着部分非道路边界点.后续步骤中通过计算小尺度空间特征,逐步剔除非道路边界点,最后提取到正确的道路边界点.图５㊀１６线激光雷达数据修正F i g ．５㊀１６Ｇr a y Li D A Rd a t a c o r r e c t i on 图６㊀结构化道路属性信息F i g ．６㊀S t r u c t u r e d r o a d g e o m e t r y d e s c r i pt i o n ２．２㊀基于小尺度空间特征和测量距离的道路边界点提取㊀㊀１６线激光雷达扫描得到的道路边界点存在很多不同于道路表面点的空间特征,例如道路边界点高度高于道路表面点㊁同条扫描线中道路边界点之间的水平距离大于道路表面点之间的水平距离以及道路边界点之间的高度变化较大等.本文基于每条扫描线中点与点之间空间特征,并结合道路边界点的测量模型,设计了４种指标来提取道路边界点,如图８所示.图７㊀初步处理后的结果F i g ．７㊀T h e r e s u l t o f p r e l i m i n a r ypr o c e s s ８３５１Copyright©博看网 . All Rights Reserved.第１１期续㊀东,等:道路空间特征与测量距离相结合的L i D A R道路边界点提取算法图８㊀小尺度空间特征F i g ．８㊀I n t e r p r e t a t i o no f s m a l l Ｇs c a l e s pa t i a l f e a t u r e s ㊀㊀(１)水平连续性指标:相邻两点间的水平距离阈值δx y ,i δx y ,i ＝h c o t θi ２πφ１８０(４)式中,h 为１６线激光雷达安装高度(本文中h ＝２m );θi 为１６线激光雷达中L a s e r I D 为i 对应的激光线的垂直角度;φ为水平角度分辨率(在本文中φ＝０．２).如果激光扫描在道路边界上,得到的点之间的水平距离大于δx y ,i .(２)垂直连续性指标:相邻两点间的高度阈值δz ,δz 设置为固定值(本文中δz ＝０．０２m ).(３)测量距离:最小距离阈值d i s t i _mi n 和最大距离阈值d i s t i _ma x d i s t i _mi n ＝h －h c u r bs i n θi＋εd i s t i _ma x ＝hs i n θi－εüþýïïïï(５)式中,h _c u r b 为道路边界高度(本文中设置为０．１５);ε为测量误差,根据１６线激光雷达的参数得知,ε＝０．０３m .如图８所示,当１６线激光雷达扫描到道路边界最下方时,达到测量到道路边界的最大距离,当１６线激光雷达扫描到道路边界最上方时,达到测量到道路边界的最小距离.因此测量距离也可以作为一个空间特征加以利用,进而提取道路边界点.(４)相邻点构成的水平面向量夹角ρi ,jρi ,j ＝a r c c o s v a v b|v a | |v b|æèçöø÷v a ＝１n ðn k ＝１(x i ,j －k －x i ,j ),[ðnk ＝１(y i ,j －k －y i ,j )]v b ＝１n ðn k ＝１(x i ,j ＋k －x i ,j ),[ðnk ＝１(y i ,j ＋k －y i ,j )]üþýïïïïïïïï(６)式中,v a 和v b 是同时起始于点P i ,j (指L a s e r I D 为i 条激光线中的第j 个点)的两个在x y 平面的向量;n 指相邻点的数目(在本文中n ＝１０),从P i ,j 向前或先后n 个点,由这些点计算出平面向量.如图８中A 和B 两点,此时n ＝２,点A 位于道路边界表面,起始于A 点的两个向量v Aa 和v Ab 的夹角度数近似１８０ʎ,点B 位于道路表面,起始于B 点的两个向量v B a 和v B b 夹角度数小于１８０ʎ.本文根据这个特性来提取道路边界点,方法如下.输入:L a s e r I D 为０㊁２㊁４㊁６㊁８㊁１０的激光测量的点云P １,迭代次数K ,阈值t ,阈值δz 输出:道路边界点P ２步骤１:利用R A N S A C 算法得出最优平面模型,计算P １中点P １i ,j (第i 条激光中第j 个点)与最优平面的距离d i ,j ,如果d i ,j ＜t ,保留P １i ,j .步骤２:对每条激光线中满足步骤１的所有点P １i ,j ,计算相邻点的水平欧氏距离p d i s t ,判断水平连续性p di s t ＝㊀(P １i ,j ,x －P １i ,j ＋１,x )２＋(P １i ,j ,y －P １i ,j ＋１,y )２(７)如果p d i s t ＜δx y ,l ,保留P １i ,j .９３５１Copyright©博看网 . All Rights Reserved.N o v e m b e r ２０２１V o l ．５０N o ．１１A G C Sh t t p :ʊx b ．s i n o m a ps ．c o m 步骤３:对满足步骤２的所有点P １i ,j ,计算垂直偏差ΔZ ,判断垂直连续性ΔZ ＝P １i ,j ,z －P １i ,j ＋１,z (８)如果ΔZ ＞δz ,保留P １i ,j .步骤４:对满足步骤３的所有点P １i ,j ,从原始数据中获取测量距离d i s t i ,j ,判断是否测量距离在检测道路边界的合理范围内.如果d i s t i ,j ɪd i s t i _m i n d i s t i _m a x [],保留P １i ,j .步骤５:对满足步骤４的所有点P１i ,j,从P １中找到其在同一条激光线中的前后n 个相邻点,构成水平面上的向量,通过公式计算向量夹角.在道路边界表面上的点,从该点出发构成的水平面上的向量之间的夹角近似１８０ʎ.在试验中发现,将夹角阈值设置为１６０ʎ能取得较好的效果.如果P １i ,j 的夹角大于１６０ʎ,则将该点加入P ２.图９展示了本文提出的道路边界点提取方法的流程以及每一步处理完的效果.从步骤１到步骤５,每次都对候选的道路边界点进行了筛选,直到提取出道路边界点.图９㊀各步骤处理结果F i g ．９㊀T h e r e s u l t s o f e a c hs t e p３㊀试验及结果分析为了充分评价本文提出的道路边界点提取方法表现,试验选择包含典型交通场景的城区道路环境作为试验区域,５种道路边界点提取方法同本文中提出的道路边界点提取方法进行比较,这５种方法为文献[１２]㊁文献[１３]㊁文献[１４]㊁文献[１５]㊁文献[１６]中的方法.试验区域为典型的城市交通场景(图１０),道路长度为５k m .该区域包括直道㊁ T 形路口和 Y形路口场景,场景中存在大货车㊁小汽车㊁自行车和人等主要交通参与者.试验平台为吉利电动车,采集数据时车辆的行驶速度为４０k m /h.总计采集数据本文１６线激光雷达测量数据２４００帧,选取了不连续的８０帧作为验证道路边界点提取方法性能的数据集(直道场景５０帧,T 形路口场景和 Y 形路口场景各１５帧),并对获取数据中的道路边界点进行人工标注.每帧１６线激光雷达数据包含约３万个点.图１０㊀试验场景F i g ．１０㊀T h e e x pe r i m e n t a l s c e n e ０４５１Copyright©博看网 . All Rights Reserved.第１１期续㊀东,等:道路空间特征与测量距离相结合的L i D A R 道路边界点提取算法３．１㊀评价指标本文评价道路边界点提取方法性能的指标参考了机器学习中评价分类器性能的指标.在机器学习中,对于二分类问题常用的评价度量是精确率和召回率[２３].精确率表示判断为正例的例子中,真正为正例的比例;召回率表示所有正例中,被判断为正例的比例.在评价多个分类器性能时,可能存在某个分类器召回率很高,精确率很低,另一个分类器精确率很高,召回率很低,此时仅使用单一的性能度量,不能很好地评价分类器性能.为了解决如何判断分类器性能的问题,文献[２４]设计了一些综合考虑精确率和召回率的性能度量,例如F １得分,它是精确率和召回率的调和值.因此本文选用精确率P r e c i s i o n㊁召回率R e c a l l 以及F １得分作为评价道路边界提取方法的指标,３种指标可通过式(９)计算得到P r e c i s i o n ＝T PT P ＋F PR e c a l l ＝T PT P ＋F N F １＝２ˑP r e c i s i o n ˑR e c a l l P r e c i s i o n ＋R e c a l l üþýïïïïïïïï(９)式中,T P 为道路边界点提取方法识别正确的道路边界点数目;F P 为道路边界点提取方法识别错误的道路边界点数目;F N 为道路边界提点取方法未提取到的边界点数目.３．２㊀试验结果分析表２列出了５种现有道路边界点提取方法和本文方法在每种场景下的平均评价指标结果和标准差及３种场景的总平均结果.表２㊀道路边界点提取结果T a b ．２㊀T h e r e s u l t s o f c u r b p o i n t s e x t r a c t i o nM e a n ʃS t d直道T形路口 Y形路口M e a n精确率文献[１２]的方法０．３９６０ʃ０．０５３９０．４２６２ʃ０．１１５００．３０３２ʃ０．０３５４０．３７５１文献[１３]的方法０．２６１７ʃ０．０８７７０．２０５２ʃ０．０８３８０．２６７０ʃ０．０７９５０．２４４７文献[１４]的方法０．３８５２ʃ０．０７５２０．３０８２ʃ０．０７７６０．２９２１ʃ０．０６５５０．３２８６文献[１５]的方法０．４７２６ʃ０．０８８５０．４７６２ʃ０．１７４５０．２９４９ʃ０．１２３１０．４１４６文献[１６]的方法０．５８６６ʃ０．１２１７０．４７１５ʃ０．０９９１０．６０５７ʃ０．２２２７０．５５４６本文方法０．８７９２ʃ０．０８２４０．７５１８ʃ０．０７９８０．８０３０ʃ０．０８２２０．８１１３召回率文献[１２]的方法０．９１８８ʃ０．０７４３０．８１３０ʃ０．１４４６０．７９８９ʃ０．１００２０．８４３６文献[１３]的方法０．９７０５ʃ０．０５０６０．８７０３ʃ０．１１９６０．９３０５ʃ０．０４６６０．９２３８文献[１４]的方法０．６２２４ʃ０．０８８４０．４５３３ʃ０．１４６１０．５５１３ʃ０．１２５３０．５４２３文献[１５]的方法０．６２１５ʃ０．１４２５０．５８０９ʃ０．１４７３０．４３４６ʃ０．１４９６０．５４５７文献[１６]的方法０．５５６６ʃ０．１５６６０．３２６６ʃ０．１７７５０．４５７２ʃ０．１４４３０．４４６８本文方法０．８８５３ʃ０．０７７３０．８１８０ʃ０．１０７１０．８３８６ʃ０．１０３５０．８４７３F １得分文献[１２]的方法０．５５１１ʃ０．０５７００．５４３５ʃ０．１０２００．４３８２ʃ０．０４４１０．５１０９文献[１３]的方法０．４０４７ʃ０．１０１６０．３２１１ʃ０．１０２５０．４０９７ʃ０．０９６６０．３７８５文献[１４]的方法０．４７２９ʃ０．０７５９０．３５６３ʃ０．０７２４０．３７８９ʃ０．０７７４０．４０２７文献[１５]的方法０．５３２３ʃ０．０９９９０．５１４３ʃ０．１５７９０．３４５７ʃ０．１３０２０．４６４１文献[１６]的方法０．５５３４ʃ０．１２３３０．３６４３ʃ０．１４２１０．５０４８ʃ０．１６６３０．４７４２本文方法０．８７９３ʃ０．０６１６０．７７８４ʃ０．０７１７０．８１７０ʃ０．０７４４０．８２４９㊀㊀由表２可以看出,在精确率方面,本文提出的方法取得了最好的结果.因为文献[１２]的方法㊁文献[１３]的方法和文献[１４]的方法是计算单一尺度空间特征的道路边界点提取方法,所以这３种方法在精确率上表现较差.文献[１５]的方法和文献[１６]的方法是计算多尺度空间特征的道路边界点提取方法,这两种方法相对于计算单一尺度空间特征的方法在准确率上有一定的提升.在召回率方面,计算大尺度空间特征可以从稀疏的１６线激光雷达数据中保留更多的道路边界点,因此,文献[１３]的方法获得了最高的召回率.但计算大尺度空间特征也保留了很多非道路边界点,需要结合其他空间特征对保留的点进行进一步筛选,否则会降低道路边界点提取方法的精确率.只计算单一空间特征是造成文献[１３]的方法精确率最低的原因.本文方法结合了多尺度空间特征,同时考虑了道路边界点的测量模型,相对于现有道路边界点提取方法,在确保较好召回率的同时提升了精确率.F １得分是精确率和召回率的调和值,本文提出的方法以精确率和召回率为评１４５１Copyright©博看网 . All Rights Reserved.。
