凸凹不平道路几何参数识别和模型重构方法研究

doi:10.19562/j.chinasae.qcgc.2023.02.012

摘要/Abstract

摘要：

自动驾驶汽车的凸凹不平道路和异常路面行驶，不仅要考虑道路曲率等因素，还需要对路面凸起、凹坑等特征和病害进行识别建模，提高车辆通过性、安全性和舒适性。为此，本文提出了一种基于激光雷达的凸凹不平道路几何参数识别和模型重构方法。首先，将局部加权散点平滑方法（Lowess）首次应用于激光雷达点云处理，提高了激光雷达点云数据的平滑性；其次，提出了基于斜率阈值分割的路面几何参数识别方法，通过设置斜率阈值对道路凸起与凹坑进行识别提取；再次，通过识别特征点云边界构建了带约束的分段多项式函数路面连续典型特征拟合数学模型。最后，通过建立的室内路面典型特征沙盘模型及路面实测数据，应用本文提出的方法，对凸凹不平道路的凹坑和凸起等特征进行了识别和模型重构。结果表明，分段多项式拟合方法在拟合次数5~6次时达到拟合效果极限位置，此时各个场景中92%的数据点拟合均方根误差在0~0.015 m范围内，本文提出的方法能准确完成凸凹不平道路几何参数识别，实现路面典型特征三维数学模型重构。

关键词: 凸凹不平道路, 模型重构, 分段多项式拟合, 斜率阈值, 激光雷达

Abstract:

For autonomous vehicles driving on uneven road and abnormal road， not only factors such as road curvature need to be considered， but also characteristics and diseases such as road bumps and potholes need to be identified and modeled， so as to improve vehicle passability， safety and comfort. Therefore， this paper proposes a surface geometry parameter recognition and model reconstruction method of uneven road based on the Lidar. Firstly， the Locally Weighted Scatterplot Smoothing （Lowess） method is applied to the lidar point cloud processing for the first time to improve the smoothness of the lidar point cloud data. Secondly， a surface geometry parameter recognition method based on slope threshold segmentation is proposed to identify and extract the road bumps and pits by setting slope threshold. Thirdly， the 3D mathematical model based on piecewise polynomial function with constraints for road surface geometry parameter of uneven road is built. Finally， through the indoor sand table model of typical characteristics of the road and the measured data， the road geometry parameters’ recognition and model reconstruction are carried out by the proposed method. The results show that the piecewise polynomial fitting method achieves the best fitting effect when the fitting times are 5-6 times， and the root mean square error of 92% data points in each scene is within the range of 0~0.015m. The proposed method can accurately achieve the surface geometric parameter identification of uneven road and realize the 3D mathematical model reconstruction of the typical geometry feature.

Key words: uneven road, model reconstruction, piecewise polynomial fitting, slope threshold, lidar

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.

Wenguang Wu,Shuangyue Tian,Zhiyong Zhang,Bin Jin,Zenghua Qiu. Research on Surface Geometry Parameter Recognition and Model Reconstruction of Uneven Road[J]. Automotive Engineering, 2023, 45(2): 273-284.

图/表 16

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

表1

表2

变量取值"

处理阶段	变量	取值
点云平滑	$α$ $β$ $θ$	25° 0° 0°
点云平滑	$K$	41
典型特征提取	$m$	4
	$[K m i n, K m a x]$	［-0.15，0.15］
	$σ$	5

表2

图11

图12

图13

图14

参考文献 30

1	胡宇辉，王旭，胡家铭，等. 越野环境下无人驾驶车辆技术研究综述［J］. 北京理工大学学报， 2021， 41（11）： 1137-1144.
	HU Yuhui， WANG Xu， HU Jiaming， et al. An overview on unmanned vehicle technology in off-road environment［J］.Transactions of Beijing Institute of Technology， 2021， 41（11）： 1137-1144.
2	赵健，李雅欣，佟静，等. 基于车辆动力学响应特征的越野地面分类方法［J］. 汽车工程， 2022， 44（6）： 909-918.
	ZHAO Jian， LI Yaxin， TONG Jing， et al. Cross-country road classification method based on vehicle dynamic response characteristics［J］. Automotive Engineering， 2022， 44（6）： 909-918.
3	QIN Y， WANG Z， XIANG C， et al. Speed independent road classification strategy based on vehicle response： theory and experimental validation［J］. Mechanical Systems and Signal Processing， 2019， 117： 653-666.
4	梁冠群，赵通，王岩，等. 基于LSTM网络的路面不平度辨识方法［J］. 汽车工程， 2021， 43（4）： 509-517.
	LIANG Guanqun， ZHAO Tong， WANG Yan， et al. Road unevenness identification based on LSTM network［J］. Automotive Engineering， 2021， 43（4）： 509-517.
5	LIU W， WANG R， DING R， et al. On-line estimation of road profile in semi-active suspension based on unsprung mass acceleration［J］. Mechanical Systems and Signal Processing， 2020， 135： 106370.
6	ZHAO B， NAGAYAMA T， XUE K. Road profile estimation， and its numerical and experimental validation， by smartphone measurement of the dynamic responses of an ordinary vehicle［J］. Journal of Sound and Vibration， 2019， 457： 92-117.
7	XUE K， NAGAYAMA T， ZHAO B. Road profile estimation and half-car model identification through the automated processing of smartphone data［J］. Mechanical Systems and Signal Processing， 2020， 142： 106722.
8	PANDEY A K， PALADE V， IQBAL R， et al. Convolution neural networks for pothole detection of critical road infrastructure［J］. Computers & Electrical Engineering， 2022， 99： 107725.
9	寇发荣，高亚威，景强强，等. 基于路面等级自适应的主动悬架LQG控制［J］. 振动与冲击， 2020， 39（23）： 30-37.
	KOU Farong，GAO Yawei，JING Qiangqiang， et al. LQG control of active suspension based on adaptive road surface level［J］. Journal of Vibration and Shock， 2020， 39（23）： 30-37.
10	KANG S W， KIM J S， KIM G W. Road roughness estimation based on discrete Kalman filter with unknown input［J］. Vehicle System Dynamics， 2019， 57（10）： 1530-1544.
11	RYU S K， KIM T， KIM Y R. Feature-based pothole detection in two-dimensional images［J］. Transportation Research Record， 2015， 2528（1）： 9-17.
12	KOCH C， BRILAKIS I. Pothole detection in asphalt pavement images［J］. Advanced Engineering Informatics， 2011， 25（3）： 507-515.
13	WANG P， HU Y， DAI Y， et al. Asphalt pavement pothole detection and segmentation based on wavelet energy field［J］. Mathematical Problems in Engineering， 2017， 2017.
14	MARQUES A， CORREIA P L. Automatic road pavement crack detection using SVM［J］. Lisbon， Portugal： Dissertation for the Master of Science Degree in Electrical and Computer Engineering at Instituto Superior Técnico， 2012.
15	DU Z， YUAN J， XIAO F， et al. Application of image technology on pavement distress detection： a review［J］. Measurement， 2021， 184： 109900.
16	沙爱民，童峥，高杰. 基于卷积神经网络的路表病害识别与测量［J］. 中国公路学报， 2018， 31（1）： 1-10.
	SHA Aimin， TONG Zheng， GAO Jie， Recognition and measurement of pavement disasters based on convolutiona lneural networks［J］. China Journal of Highway and Transport， 2018， 31（1）： 1-10.
17	CHEN H， YAO M， GU Q. Pothole detection using location-aware convolutional neural networks［J］. International Journal of Machine Learning and Cybernetics， 2020， 11（4）： 899-911.
18	晏班夫，徐观亚，栾健，等. 基于Faster R-CNN与形态法的路面病害识别［J］. 中国公路学报， 2021， 34（9）： 181-193.
	YAN Banfu， XU Guanya， LUAN Jian， et al. Pavement distress detection based on faster R-CNN and morphological operations［J］. China Journal of Highway and Transport， 2021， 34（9）： 181-193.
19	HOLGADO-BARCO A， GONZALEZ-AGUILERA D， ARIAS-SANCHEZ P， et al. An automated approach to vertical road characterisation using mobile LiDAR systems： longitudinal profiles and cross-sections［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2014， 96： 28-37.
20	ZHANG C， NATEGHINIA E， MIRANDA-MORENO L F， et al. Pavement distress detection using convolutional neural network （CNN）： a case study in Montreal， Canada［J］. International Journal of Transportation Science and Technology， 2021.
21	ZHAO D， WANG L， LI Y， et al. Extraction of preview elevation of road based on 3D sensor［J］. Measurement， 2018， 127： 104-114.
22	NI T， LI W， ZHAO D， et al. Road profile estimation using a 3D sensor and intelligent vehicle［J］. Sensors， 2020， 20（13）： 3676.
23	LEE J H， KIM H J， CHO B J， et al. Road bump detection using LiDAR sensor for semi-active control of front axle suspension in an agricultural tractor［J］. IFAC-PapersOnLine， 2018， 51（17）： 124-129.
24	DÍAZ-VILARIÑO L， GONZÁLEZ-JORGE H， BUENO M， et al. Automatic classification of urban pavements using mobile LiDAR data and roughness descriptors［J］. Construction and Building Materials， 2016， 102： 208-215.
25	ZHANG D， ZOU Q， LIN H， et al. Automatic pavement defect detection using 3D laser profiling technology［J］. Automation in Construction， 2018， 96： 350-365.
26	刘家银，唐振民，王安东，等. 基于多激光雷达与组合特征的非结构化环境负障碍物检测［J］. 机器人， 2017 （5）： 638-651.
	LIU Jiayin， TANG Zhenmin， WANG Andong， et al. Negative obstacle detection in unstructured environment based on multiple LiDARs and compositional features［J］. Robot， 2017 （5）： 638-651.
27	FENG Z， EL ISSAOUI A， LEHTOMÄKI M， et al. Pavement distress detection using terrestrial laser scanning point clouds–Accuracy evaluation and algorithm comparison［J］. ISPRS Open Journal of Photogrammetry and Remote Sensing， 2022， 3： 100010.
28	QI C R， SU H， MO K， et al. Pointnet： deep learning on point sets for 3D classification and segmentation［C］ Proceedings of the IEEE Conference on Computer Vision And Pattern Recognition， 2017： 652-660.
29	QI C R， YI L， SU H， et al. Pointnet++： deep hierarchical feature learning on point sets in a metric space［J］. Advances in Neural Information Processing Systems， 2017， 30.
30	GEIGER A， LENZ P， STILLER C， et al. Vision meets robotics： the KITTI dataset［J］. The International Journal of Robotics Research， 2013， 32（11）： 1231-1237.

参数	数值
激光雷达
测量精度	±3 cm
垂直视角	-15°~15°
垂直分辨率	2°
水平视角	360°
水平分辨率	0.1°~0.4°
电子倾角仪
测量范围	单轴：360°、双轴：±40°
分辨率	0.02°
精度	±0.2°

[1]	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.
[2]	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.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.