转向避撞工况下装载激光雷达车辆的障碍物跟踪

doi:10.19562/j.chinasae.qcgc.2021.11.006

摘要/Abstract

摘要：

目前车载激光雷达对周围障碍物的感知与定位多基于车辆坐标系，当车辆转向避撞时，由于航向角的变化和车辆坐标系的旋转，会增加障碍物数据关联、周边车辆运动状态分析和避撞路径规划的难度。为消除车辆转向带来的不利影响，本文中基于车载激光雷达坐标系的变换，提出了一种目标障碍物的跟踪方法。首先，采用改进的K-means算法对提取的道路边界点进行聚类，拟合出道路边界线；其次，根据道路边界利用麻雀搜索算法求解车辆航向角，进而对雷达坐标系进行变换；最后，采用关联算法和粒子滤波器，实现目标障碍物的跟踪。实车试验结果表明：在车辆转向避撞时，提出的算法能够准确地提取道路边界和跟踪障碍物。

关键词: 激光雷达, 道路边界提取, K-means聚类, 麻雀搜索算法, 障碍物跟踪

Abstract:

At present， the perception and positioning of surrounding obstacles by onboard lidarare mostly based on vehicle coordinate system. When the vehicle turns to avoid collision， due to the change of heading angle and the rotation of vehicle coordinate system， the difficulties of the obstacle data correlation， the analysis of surrounding vehicle motion state and the path planning for collision avoidance will increase. In order to eliminate the adverse effects of vehicle steering， atarget obstacle tracking methodis proposed based on the transformation of onboardlidar coordinate system. Firstly， the improved K-means clustering algorithm is used to cluster the road boundary points extracted to fit the road boundary line.Then， sparrow search algorithmisadopted to solve out the heading angle of vehicle accordingtoroad boundary， with the lidar coordinate system transformed. Finally， the association algorithm and particle filter are used to track the target obstacles. The results of real vehicle test show that the algorithm proposed can accurately extract the road boundary and track obstacles in vehicle turning for collision avoidance.

Key words: lidar, road boundary extraction, K-means clustering, sparrow search algorithm, target tracking

赵治国,王鹏,陈晓蓉,梁凯冲. 转向避撞工况下装载激光雷达车辆的障碍物跟踪[J]. 汽车工程, 2021, 43(11): 1611-1619.

Zhiguo Zhao,Peng Wang,Xiaorong Chen,Kaichong Liang. Obstacle Tracking of a Lidar-equipped Vehicle in Turning for Collision Avoidance[J]. Automotive Engineering, 2021, 43(11): 1611-1619.

图/表 14

图1

图2

图3

图4

表1

粒子滤波器算法"

算法：粒子滤波器

1.初始化。从先验概率中随机采样N个粒子，粒子状态为 $X 0 i i = 1,2, ?, N$ ，所有粒子的权值为1/N。

2.更新。在k时刻，根据系统的状态转移方程可获得目标预测值，通过对比获得的实际量测值，更新粒子的权重。系统的状态转移方程为

$x v x y v y k = 1 T 00 0100 001 T 0001 x v x y v y k - 1 + ε x ε v x ε y ε v y k - 1$

式中： $ε$ 为状态方程的过程噪声；T为激光雷达数据测量的时间间隔。

3.归一化权重。 $W k i = w k i / ∑ i = 1 N w k i$

4.重要性重采样。当有效样本数N_eff小于设定阈值，即 $N e f f = 1 / ∑ i = 1 N w k i 2 < N t h$ 时进行重采样，得到新的粒子集合 $X k i * | i = 1,2, ?, N$ 。

5.状态估计。 $X ? k = ∑ i = 1 N W k i X k i$

表1

图5

图6

图7

图8

图9

图10

图11

图12

图13

参考文献 20

1	谢德胜，徐友春，王任栋，等. 基于三维激光雷达的无人车障碍物检测与跟踪［J］. 汽车工程， 2018， 40（8）： 952-959.
	XIE D， XU Y， WANG R， et al. Obstacle detection and tracking for unmanned vehicles based on 3D laser radar［J］. Automotive Engineering， 2018， 40（8）： 952-959.
2	汪世财，谈东奎，谢有浩，等. 基于激光雷达点云密度特征的智能车障碍物检测与跟踪［J］. 合肥工业大学学报（自然科学版）， 2019， 42（10）： 1311-1317.
	WANG S， TAN D， XIE Y， et al. Obstacle detection and tracking for intelligent vehicle based on density characteristics of point cloud using 3D lidar［J］. Journal of Hefei University of Technology（Natural Science）， 2019， 42（10）： 1311-1317.
3	《中国公路学报》编辑部. 中国汽车工程学术研究综述·2017［J］. 中国公路学报， 2017， 30（6）：1-197.
	Editorial Department of China Journal of Highway and Transport. Review on China's automotive engineering research progress：2017［J］. China Journal of Highway and Transport， 2017， 30（6）：1-197.
4	徐国艳，牛欢，郭宸阳，等. 基于三维激光点云的目标识别与跟踪研究［J］. 汽车工程， 2020， 42（1）： 38-46.
	XU G， NIU H， GUO C， et al. Research on target recognition and tracking based on 3D laser point cloud［J］. Automotive Engineering， 2020， 42（1）： 38-46.
5	宗长富，文龙，何磊. 基于欧几里得聚类算法的三维激光雷达障碍物检测技术［J］. 吉林大学学报（工学版）， 2020， 50（1）： 107-113.
	ZONG C， WEN L， HE L. Object detection based on Euclidean clustering algorithm with 3D laser scanner［J］. Journal of Jilin University（Engineering and Technology Edition）， 2020， 50（1）： 107-113.
6	MACLACHLAN R， MERTZ C. Tracking of moving objects from a moving vehicle using a scanning laser rangefinder ［C］.IEEE Intelligent Transportation Systems Conference. ［S. 1.］： IEEE， 2006： 301-306.
7	邹斌，刘康，王科未. 基于三维激光雷达的动态障碍物检测和追踪方法［J］. 汽车技术， 2017（8）： 19-25.
	ZOU B， LIU K， WANG K. Dynamic obstacle detection and tracking method based on 3D LiDAR［J］. Automobile Technology， 2017（8）： 19-25.
8	LEONARD J， HOW J， TELLER S， et al. A perception-driven autonomous urban vehicle［J］. Journal of Field Robotics， 2008， 25（10）：727-774.
9	王涛，曾文浩，于琪. 基于激光雷达的无人驾驶障碍物检测和跟踪［J］. 西南交通大学学报， 2021： 1-9.
	WANG T， ZENG W， YU Q. Obstacle detection and tracking for driverless cars based on LiDAR［J］. Journal of Southwest Jiaotong University， 2021： 1-9.
10	刘梓，唐振民，任明武. 基于3D激光雷达的实时道路边界检测算法［J］. 华中科技大学学报（自然科学版）， 2011， 39（S2）： 351-354.
	LIU Z， TANG Z， REN M. Algorithm of real-time road boundary detection based on 3D lidar［J］. Journal of Huazhong University of Science and Technology（Natural science Edition）， 2011， 39（S2）： 351-354.
11	朱学葵，高美娟，李尚年. 一种智能汽车的实时道路边缘检测算法［J］. 北京联合大学学报（自然科学版）， 2015， 29（4）： 1-7.
	ZHU X， GAO M， LI S. A real-time road boundary detection algorithm based on driverless cars［J］. Journal of Beijing Union University（Natural Sciences）， 2015， 29（4）： 1-7.
12	SUN P， ZHAO X， XU Z， et al. A 3D LiDAR data-based dedicated road boundary detection algorithm for autonomous vehicles［J］. IEEE Access， 2019， 7： 29623-29638.
13	LI K， SHAO J， GUO D. A multi-feature search window method for road boundary detection based on LIDAR data［J］. Sensors （Basel， Switzerland）， 2019， 19（7）： 1551.
14	FRITSCH J， KUHNL T， GEIGER A. A new performance measure and evaluation benchmark for road detection algorithms［C］. IEEE， 2013.
15	LI Q， CHEN L， LI M， et al. A sensor⁃fusion drivable⁃region and lane⁃detection system for autonomous vehicle navigation in challenging road scenarios［J］. IEEE Transactions on Vehicular Technology， 2014， 63（2）： 540-555.
16	ZERMAS D， IZZAT I， PAPANIKOLOPOULOS N. Fast segmentation of 3D point clouds： a paradigm on LiDAR data for autonomous vehicle applications［C］.International Conference on Robotics and Automation. IEEE， 2017： 5067-5073.
17	王灿，孔斌，杨静，等. 基于三维激光雷达的道路边界提取和障碍物检测算法［J］. 模式识别与人工智能， 2020， 33（4）： 353-362.
	WANG C， KONG B， YANG J， et al. An algorithm for road boundary extraction and obstacle detection based on 3D lidar［J］. Pattern Recognition and Artificial Intelligence， 2020， 33（4）： 353-362.
18	刘子谭，朱平，刘旭鹏，等. K均值聚类改进与行驶工况构建研究［J］. 汽车技术， 2019（11）： 57-62.
	LIU Z， ZHU P， LIU X， et al. Research on improved K-Means and driving cycle construction［J］. Automobile Technology， 2019（11）： 57-62.
19	吕鑫，慕晓冬，张钧，等. 混沌麻雀搜索优化算法［J］. 北京航空航天大学学报， 2020： 1-10.
	LV X， MU X， ZHANG J， et al. Chaos sparrow search optimization algorithm［J］. Journal of Beijing University of Aeronautics and Astronautics， 2020： 1-10.
20	REHMAN S U， ASGHAR D S， FONG S. DBSCAN： past， present and future［C］. The Fifth International Conference on the Applications of Digital Information and Web Technologies， IEEE CPS， February 2014. IEEE， 2014.

[1]	伍文广,田双岳,张志勇,金斌,邱增华. 凸凹不平道路几何参数识别和模型重构方法研究[J]. 汽车工程, 2023, 45(2): 273-284.
[2]	黄鹤,李文龙,杨澜,王会峰,王飚,茹锋. DHSSA优化的K均值互补迭代车型信息数据聚类[J]. 汽车工程, 2022, 44(5): 691-700.
[3]	张晓龙,江昆,孙恺,刘茂林,邵振雷,肖鹏川,杨殿阁. 激光雷达的内参建模与点云修正方法[J]. 汽车工程, 2021, 43(8): 1228-1237.
[4]	王海,李洋,蔡英凤,孙恺,陈龙. 基于激光雷达的3D实时车辆跟踪[J]. 汽车工程, 2021, 43(7): 1013-1021.
[5]	龚章鹏,王国业,于是. 基于体素网络的道路场景多类目标识别算法[J]. 汽车工程, 2021, 43(4): 469-477.
[6]	罗玉涛,秦瀚. 基于稀疏彩色点云的自动驾驶汽车3D目标检测方法[J]. 汽车工程, 2021, 43(4): 492-500.
[7]	姜武华,周松林,王其东,陈无畏,陈佳佳. 基于自适应多特征融合的路沿检测与跟踪方法研究[J]. 汽车工程, 2021, 43(12): 1762-1770.
[8]	马雷,刘泽宾,曹彪,王文举,邱泉源. 基于粗糙性度量的道路可行驶区域识别方法[J]. 汽车工程, 2021, 43(11): 1594-1601.
[9]	徐国艳, 牛欢, 郭宸阳, 苏鸿杰. 基于三维激光点云的目标识别与跟踪研究^*[J]. 汽车工程, 2020, 42(1): 38-46.
[10]	娄新雨, 王海, 蔡英凤, 郑正扬, 陈龙. 采用64线激光雷达的实时道路障碍物检测与分类算法的研究[J]. 汽车工程, 2019, 41(7): 779-754.
[11]	范晶晶, 王力, 褚文博, 罗禹贡. 基于KDTree树和欧式聚类的越野环境下行人识别的研究^*[J]. 汽车工程, 2019, 41(12): 1410-1415.
[12]	谢德胜,徐友春,王任栋，苏致远. 基于三维激光雷达的无人车障碍物检测与跟踪[J]. 汽车工程, 2018, 40(8): 952-959.