车载激光雷达下新能源汽车无人驾驶障碍检测
芯格瑞 Slab 2024年12月23日 16:03 北京
1 前言
现阶段,人工智能和汽车技术不断推进,新能源汽车无人驾驶技术成为新一代信息技术深度融合的产物,对管理城市交通与避免环境污染具有重要应用价值。在无人驾驶技术研究过程中,未知环境下对障碍物的检测能力是保障新能源汽车无人驾驶技术正常运行的核心要素。为增强其可靠性和稳定性,其行驶环境障碍的准确检测是当下国内外众多科研机构和技术人员的研究热点。
2 数据采集与坐标转换
当前应用较多的车载单线激光雷达的应用视野小,导致检测的障碍物数据很少,无人驾驶汽车所处的路面上存在不同类型的障碍物,因此,利用单线雷达无法实现障碍物检测。为实现障碍物检测,将两个32 线车载激光雷达水平对称安装在无人驾驶汽车的两侧,以此获取行进方向的全部点云数据,提高点云密度,利用坐标转换同步两个车载激光雷达的点云数据帧,具体步骤如下:
(1)车载激光雷达安装
车载激光雷达参数示意图如图 1 所示。
图 1 车载激光雷达关键数据采集示意图
图 1 中关键数据的计算如下:
式中:fo 代表 o时刻内零度扫描线在水平面上实时投影产生的距离;β描述起始扫描角;f 和 j均为车载激光雷达的基本安装参数;j 表示架设高度;Δχ 代表车载激光雷达的水平角分辨率。
(2)坐标转换
由于无人驾驶汽车两端的车载激光雷达获取数据时,容易存在数据不同步的问题,导致障碍检测精度低。为此,为方便处理点云数据,将车载激光雷达转换成坐标形式,坐标系转换示意图如图 2 所示。将车载激光雷达发射点设定为原点,水平右方向以及垂直上方向分别设定为 y 轴和 z 轴;在任意 o 时刻内,用 χ 代表中心线和第 o 根扫描线间产生的夹角,以此得到车载激光雷达的扫描点 a(fo,β,χ),如图 2(a)所示;将两个车载激光雷达水平放置到无人驾驶车体坐标系下,得到无人驾驶汽车的三维坐标 a( x,y,z),如图 2(b)所示。
左雷达坐标转换公式如下:
右雷达坐标转换公式如下:
在无人驾驶汽车行驶状态下,利用水平安装的车载激光雷达采集到密集且完整的路面结构三维点云数据,通过上述坐标转换能够解决车载激光雷达数据过大以及数据帧不同步的问题,为下述点云数据处理提供必要条件。
3 无人驾驶障碍检测方法
利用滤波算法去除离散噪声点
通过车载激光雷达坐标转换采集到的无人驾驶汽车行进路面结构三维点云数据,其中包含了由于测量误差产生的远离路面主体结构的噪声点,会直接影响到障碍检测结果。为此,利用基于点云数据点邻域统计特征的滤波算法,将离散点中存在的噪声点去除,具体步骤如下:
(1)用 A 表示采集到的点云数据集,用数据点 ao表示 A 中的任一数据点,用 L 表示数据点 ao 中的最近邻域并提取其中存在的所有数据点;
(2)计算 ao 距离全部数据点的平均值 fZ :
式中:aok 代表第 k 个数据点,且 k = 1,2,…,l;
(3)无人驾驶汽车点云数据的数据点属于高斯分布,因此计算出点云数据集 A 的标准差 ζ 和全局距离平均值 ν,以此确定点云数据分布形状,其表达式为
(4)设定一个阈值作为标准值,基于以上计算,确定标准阈值的取值范围 ν±α·ζ,其中,α 表示标准差的倍数阈值,若 fZ 超出标准范围,将该数据点确定为离散噪声点,并将其从 A 中消除,得到无噪声点干扰的高精度点云数据集,用下式描述:
4 实验与分析
为了验证所提车载激光雷达下新能源汽车无人驾驶障碍检测方法的整体有效性,需要对其展开测试。实验以无人驾驶汽车向某一障碍物方向行进为测试环境,不断记录障碍坐标以及车体位置,测得障碍物的120组位置数据,设定其位置偏差坐标为(Δx,Δy),利用所提方法对该数据实施滤波处理并展开位置估计,对比滤波前后的位置偏差值,由此得到的结果如图 4 所示:
由图 4 可以看出,在没有滤波的情况下,障碍位置的测量偏差较大,最大可达29cm;经所提方法对其展开滤波处理后,位置偏差明显减少且滤波过程较稳定,充分说明在未知路面环境下,所提方法具有较高的抗噪能力,可以有效增强障碍位置信息的准确性和可靠性。
为进一步体现所提方法的可行性,使得无人驾驶汽车稳定运行,在与上述测试条件相同的情况下,选取障碍的识别距离为实验指标,利用所提方法和基于点云与图像交叉融合的道路环境下障碍检测方法、基于DETR的道路环境下障碍检测方法以及基于红外可见光融合的低能见度道路目标检测算法对120组障碍位置数据展开识别,由此得到的对比结果如表 1 所示。
为检验所提方法的性能,实验选取某一段泥土路面实景图作为测试对象,在无人驾驶汽车前方随机摆放三个不同类型的障碍物,如图 5 所示;利用上述四种方法分别对该路段展开障碍检测,对比结果如图 6所示:
分析图 6 可知,在相同的测试条件下,其他三种方法均有不同程度的检测误差:方法仅能检测到近距离的障碍物,无法识别出距离较远的障碍物,具有一定的局限性;扩大了检测范围,但出现误识别的现象,降低障碍检测精度;而所提方法能够很好地将无人驾驶汽车前方所有障碍准确地检测出来,具有较高的检测精度。
5 结束语
针对目前新能源汽车无人驾驶障碍检测方法存在障碍识别精度低和检测效率低等问题,提出车载激光雷达下新能源汽车无人驾驶障碍检测方法。将双线车载激光雷达水平安装在无人驾驶汽车上,并将采集到的路面结构点云数据完成了同步;利用基于统计特征的离散点滤波算法,有效去除了点云数据中的离散噪声点;采用 DBSCAN 聚类算法实现对无人驾驶障碍的检测。经验证,所提方法不受噪声点的影响,具有较高的稳定性、检测效率和识别精度。
S-Lab
S-Lab是一家专业的软硬件测试实验室，拥有专业的OTA实验室和通信电子实验室，配备了先进的检测设备和系统。我们为各类智能硬件终端设备提供全面的检测服务，涵盖商业航天、机器人、智能驾驶、智能通信、物联网和专网设备等产品。我们的专业检测服务包括天线性能、射频传导、De-Sense、型号核准预测试等，旨在确保产品的性能和符合性。覆盖多个领域的专业检测设备和能力，包括工业、农业、交通、家居、商业和军工，为客户提供可靠的技术支持。
S-Lab为您的产品提供全方位的专属测试服务，我们致力于确保您的产品在各个方面都能达到最高标准。我们的测试团队将为您的硬件产品进行综合的天线性能测试及射频测试，帮助提高产品质量、缩短上市周期，并协助解决和调优产品问题。作为您产品上市不可或缺的重要环节，S-Lab保证您的设备在性能和兼容性上达到最高水平。
往期推荐
探索卫星通信新纪元，开启5G融合之旅
认证动态 | 国内外认证更新
