基于点云反射特性的前方道路附着系数估计方法研究

doi:10.19562/j.chinasae.qcgc.2024.10.011

摘要/Abstract

摘要：

路面附着系数是影响自动驾驶系统决策控制策略的重要因素。为实现对道路附着系数前瞻性的高精度感知，本文基于车载激光雷达设计了一种新的路面附着系数估计方法。首先采集了干燥柏油路面、混凝土路面、湿滑柏油路面、结冰路面和积雪路面构建道路数据集；基于使用布料模拟滤波和RANSAC算法进行了道路点云提取、基于高斯滤波去除反射率异常噪点；根据点云反射率随距离和入射角变化的规律将路面划分为不同区域分别提取特征；基于深度神经网络构建了道路识别模型，并基于采集数据集进行了训练，最后基于路面材质和峰值附着系数的统计经验确定了前方道路的附着系数。测试结果表明，本文提出的算法道路类型辨识精度超过99.3%，算法平均运行周期55 ms，可实现实时高精度的路面峰值附着系数估计。

关键词: 路面附着系数, 激光雷达点云, 布料模拟滤波, RANSAC, 深度神经网络, 高斯滤波, 路面类型识别

Abstract:

The road friction coefficient is a significant factor that impacts the decision-making control strategy of the autonomous driving system. To achieve prospective and high-precision perception of the road friction coefficient， a novel estimation method for road friction coefficient based on the LiDAR equipped in vehicles is proposed in this paper. Firstly， a road dataset is constructed by collecting data from dry asphalt， concrete， wet asphalt， icy， and snowy road surface. Then， road point cloud is extracted using cloth simulation filtering and RANSAC algorithms， and abnormal noise points are removed based on Gaussian filtering. The road surface is divided into different regions according to the variation of point cloud reflectivity with distance and incident angle， and features are extracted accordingly. A road recognition model is constructed based on the deep neural network and trained by the collected dataset. Finally， the friction coefficient of the road ahead is determined based on the statistical experience of road material and peak friction coefficient. The test results show that the proposed algorithm achieves road type recognition accuracy of over 99.3%， with an average running cycle of 55ms， enabling real-time and high-precision estimation of the road peak friction coefficient.

Key words: road friction coefficient, LiDAR point cloud, cloth simulation filtering, RANSAC, deep neural network, Gaussian filtering, road type recognition

胡宏宇,唐明弘,高菲,鲍明喜,高镇海. 基于点云反射特性的前方道路附着系数估计方法研究[J]. 汽车工程, 2024, 46(10): 1842-1852.

Hongyu Hu,Minghong Tang,Fei Gao,Mingxi Bao,Zhenhai Gao. Research on the Estimation Method of Road Friction Coefficient Ahead Based on Point Cloud Reflection Properties[J]. Automotive Engineering, 2024, 46(10): 1842-1852.

图/表 23

图 1

图 2

表 1

图 3

图 4

图 5

图 6

图 7

图 8

图 9

图 10

表 2

图 11

图 12

图 13

表 3

图 14

图 15

图 16

图 17

图 18

图 19

表 4

参考文献 28

1	袁朝春，张龙飞，陈龙，等. 路面峰值附着系数辨识算法研究［J］. 汽车工程， 2017，39（11）： 1268-1273.
	YUAN C C， ZHANG L F， CHEN L， et al. Research on identification algorithm of road peak friction coefficient［J］. Automotive Engineering， 2017， 39（11）： 1268-1273.
2	ZHAO T， HE J， LV J， et al. A comprehensive implementation of road surface classification for vehicle driving assistance： dataset， models， and deployment［J］. IEEE Transactions on Intelligent Transportation Systems， 2023，24（8）： 8361-8370.
3	ZHANG R Y， FENG Y L， SHI P C， et al. Tire-road friction coefficient estimation for distributed drive electric vehicles using PMSM sensorless control［J］. IEEE Transactions on Vehicular Technology， 2023，72（7）： 8672-8685.
4	高博麟，陈慧，谢书港，等. 分布式电驱动车车速及路面附着系数融合估计［J］. 汽车工程， 2016，38（2）： 216-220.
	GAO B L， CHEN H， XIE S G， et al. Integrated estimation of distributed electric vehicle speed and road friction coefficient［J］. Automotive Engineering， 2016， 38（2）： 216-220.
5	CHENG Q， CORREA-VICTORINO A， CHARARA A. A new nonlinear observer using unscented Kalman filter to estimate sideslip angle， lateral tire road forces and tire road friction coefficient［C］. IEEE， 2011.
6	李刚，解瑞春，卫绍元，等. 基于双容积卡尔曼滤波的车辆状态与路面附着系数估计［J］. 中国科学（技术科学）， 2015，45（4）： 403-414.
	LI G， XIE R C， WEI S Y， et al. Estimation of vehicle state and road friction coefficient based on dual-volume Kalman filter［J］. Science China （Technological Sciences）， 2015， 45（4）： 403-414.
7	熊璐，金达，冷搏，等. 考虑复杂激励条件的分布式驱动电动汽车路面附着系数自适应估计方法［J］. 机械工程学报， 2020，56（18）： 123-133.
	XIONG L， JIN D， LENG B， et al. An adaptive estimation method for road friction coefficient of distributed drive electric vehicles considering complex excitation conditions［J］. Journal of Mechanical Engineering， 2020， 56（18）： 123-133.
8	CASSELGREN J， ROSENDAHL S， SJÖDAHL M， et al. Road condition analysis using NIR illumination and compensating for surrounding light［J］. Optics and Lasers in Engineering， 2016，77： 175-182.
9	NOLTE M， KISTER N， MAURER M. Assessment of deep convolutional neural networks for road surface classification［C］. Ithaca： IEEE， 2018.
10	YANG H， JANG H， JEONG D. Detection algorithm for road surface condition using wavelet packet transform and SVM［C］. IEEE， 2013.
11	ŠABANOVIČ E， ŽURAULIS V， PRENTKOVSKIS O， et al. Identification of road-surface type using deep neural networks for friction coefficient estimation［J］. Sensors， 2020，20（3）： 612.
12	ZHAO J， WU H， CHEN L. Road surface state recognition based on SVM optimization and image segmentation processing［J］. Journal of Advanced Transportation， 2017，2017： 1-21.
13	王海，蔡柏湘，蔡英凤，等. 基于语义分割网络的路面积水与湿滑区域检测［J］. 汽车工程， 2021，43（4）： 485-491.
	WANG H， CAI B X， CAI Y F， et al. Detection of road surface waterlogging and wet slippery areas based on semantic segmentation network［J］. Automotive Engineering， 2021， 43（4）： 485-491.
14	HOLZMANN F， BELLINO M， SIEGWART R， et al. Predictive estimation of the road-tire friction coefficient［C］. 2006 IEEE Conference on Computer Aided Control System Design， 2006 IEEE International Conference on Control Applications， 2006 IEEE International Symposium on Intelligent Control， Munich， Germany， 2006： 885-890.
15	余卓平，曾德全，熊璐，等. 基于激光雷达的无人车路面附着系数估计［J］. 华中科技大学学报（自然科学版）， 2019，47（7）： 124-127.
	YU Z P， ZENG D Q， XIONG L， et al. Estimation of road friction coefficient for autonomous vehicles based on LiDAR［J］. Journal of Huazhong University of Science and Technology （Natural Science Edition）， 2019， 47（7）： 124-127.
16	HAN Z， LIU W， GAO Z， et al. A method for real-time road surface identification of intelligent tire systems based on random convolutional kernel neural network［J］. IEEE Transactions on Intelligent Vehicles， 2024： 1-15.
17	GUO H， ZHAO X， LIU J， et al. A fusion estimation of the peak tire-road friction coefficient based on road images and dynamic information［J］. Mechanical Systems and Signal Processing， 2023，189： 110029.
18	庹文坤. 多源信息融合的路面附着系数估计算法研究［D］. 石家庄：石家庄铁道大学， 2021.
	TUO W K. Research on road friction coefficient estimation algorithm based on multi-source information fusion［D］. Shijiazhuang： Shijiazhuang Tiedao University， 2021.
19	张雷，关可人，丁晓林，等. 基于图像识别与动力学融合的路面附着系数估计方法［J］. 汽车工程， 2023，45（7）： 1222-1234， 1262.
	ZHANG L， GUAN K R， DING X L， et al. Road friction coefficient estimation method based on image recognition and dynamics fusion［J］. Automotive Engineering， 2023， 45（7）： 1222-1234， 1262.
20	员荣祥. 基于图像信息和车辆状态的路面附着系数估计研究［D］. 秦皇岛：燕山大学， 2022.
	YUAN R X. Research on road friction coefficient estimation based on image information and vehicle status［D］. Qinhuangdao： Yanshan University， 2022.
21	刘惠. 视觉与动力学信息融合的智能车辆路面附着系数估计［D］. 长春：吉林大学， 2021.
	LIU H. Estimation of road friction coefficient for intelligent vehicles based on the fusion of vision and dynamics information［D］. Changchun： Jilin University， 2021.
22	KASHANI A， OLSEN M， PARRISH C， et al. A review of LIDAR radiometric processing： from Ad Hoc intensity correction to rigorous radiometric calibration［J］. Sensors， 2015，15（11）： 28099-28128.
23	侯欣辰，冷搏，曾德全，等. 基于激光反射强度特征的智能汽车路面估计方法［J］. 同济大学学报（自然科学版）， 2021，49（z1）： 141-147.
	HOU X C， LENG B， ZENG D Q， et al. Road surface estimation method for intelligent vehicles based on laser reflection intensity characteristics［J］. Journal of Tongji University （Natural Science）， 2021， 49（z1）： 141-147.
24	LIU B， ZHAO D， ZHANG H. Road classification using 3D LiDAR sensor on vehicle［J］. Measurement Science & Technology， 2023，34（6）： 65201.
25	HEINZLER R， SCHINDLER P， SEEKIRCHER J， et al. Weather influence and classification with automotive lidar sensors［C］. 2019 IEEE Intelligent Vehicles Symposium （IV）， Paris， France， 2019： 1527-1534.
26	SEBASTIAN G， VATTEM T， LUKIC L， et al. Range weather net for LiDAR-only weather and road condition classification［C］. 2021 IEEE Intelligent Vehicles Symposium （IV）， Nagoya， Japan， 2021.
27	韩栋斌，徐友春，李华，等. 无人车三维激光雷达反射强度校准［J］. 军事交通学院学报， 2017，19（10）： 85-90.
	HAN D B， XU Y C， LI H， et al. Calibration of 3D LiDAR reflection intensity for unmanned vehicles［J］. Journal of Military Transportation University， 2017， 19（10）： 85-90.
28	喻凡，林逸. 汽车系统动力学［M］. 2版. 北京：机械工业出版社， 2017： 385.
	YU F， LIN Y. Vehicle system dynamics［M］. 2nd ed. Beijing： China Machine Press， 2017： 385.

路面类型	训练集数据量	测试集数据量
干燥柏油路面	36 457	9 914
积雪路面	38 962	9 741
混凝土路面	55 710	13 927
结冰路面	43 960	10 990
湿滑柏油路面	40 350	10 087

[1]	邓浩楠,赵治国,赵坤,李刚,于勤. 四驱车辆交互式多模型自适应无迹卡尔曼滤波路面附着系数估计[J]. 汽车工程, 2024, 46(8): 1357-1369.
[2]	张雷, 关可人, 丁晓林, 郭鹏宇, 王震坡, 孙逢春. 基于图像识别与动力学融合的路面附着系数估计方法[J]. 汽车工程, 2023, 45(7): 1222-1234.
[3]	查云飞,吕小龙,陈慧勤,易迎春,王燕燕. 基于路面附着系数估计的车辆轨迹跟踪控制[J]. 汽车工程, 2023, 45(6): 1010-1021.
[4]	张新荣,王鑫,宫新乐,黄晋,黄丹,王鹏兴. 面向智能车辆的路面附着系数分段识别方法[J]. 汽车工程, 2023, 45(10): 1923-1932.
[5]	谢德胜,徐友春,陆峰,潘世举. 基于多传感器信息融合的3维目标实时检测[J]. 汽车工程, 2022, 44(3): 340-349.
[6]	熊辉, 郭宇昂, 陈超义, 许庆, 李克强. 基于遗传优化与深度学习的交通信号灯检测^*[J]. 汽车工程, 2019, 41(8): 960-966.
[7]	陈文强,熊辉,李克强,李晓飞,张德兆. 基于深度神经网络的行人及骑车人联合检测[J]. 汽车工程, 2018, 40(6): 726-.