1、本研究得到国家重点基础研究发展规划（973）项目（编号：2007CB311006 ）资助。基于激光扫描仪的智能车前方障碍物检测作者一 1, 2 作者二 2 作者三 1（西安交通大学综合自动化研究所 西安 710049）（E-mail: , ）摘 要： 无人驾驶智能车在非结构化环境下的环境感知是其进行自主导航的关键问题之一 1。智能车辆要实现在未知环境下的自主导航，必须获取到有效并且可靠的环境信息，其中包括判断哪些区域存在障碍物，哪些区域不存在障碍物。这些也是了实现环境建模、定位、路径规划等工作打好基础。这就要求将障碍物和可行地面数据进行有效分离。传统的地物分离方法是高度阈值法和空间聚类法。高度
2、阈值法直接滤除阈值外数据，这种算法只适用于室内或室外比较平坦的环境，对于越野情况就不再适合。空间聚类法是一种很耗时的算法，如果没有任何预处理，所花费的时间将是不可接受的。鉴于以上原因，本文提出了一种基于坡度检测和聚类分析的障碍物检测方法。同时，为了增强算法的鲁棒性和坡度检测的稳定性，算法中加入了平面条带法和距离滤波方法，收到了较好的效果。关键词：激光扫描仪，障碍物检测，无人驾驶智能车,环境感知中图分类号：TP273Obstacle Detection For Intelligent Vehicle Based on Laser RadarFIRST Author-Aa1,2 SECOND Au
3、thor-Bb2 THIRD Author-Cc1(Institute Of Integrated Automation,Xian Jiaotong University, Xian 710049,China)(E-mail: , aas_)Abstract The environmental sensing of Unmanned Intelligent Vehicles in unstructured environments is a key issue for autonomous navigation. To achieving the autonomous navigation,
4、we must get effective and reliable environmental information, including determining which areas exist obstructions, which areas doesnt. These things is for the aim of achieving environmental modeling, locationing, path planning, etc. This is required to sepatate the obstruction datas and the feasibl
5、e ground datas.The traditional separation method is altitude threshold method and space clustering method. Altitude threshold method is directly to filter external data, this algorithm only applies to indoor or relatively flat outdoor environment, for off-road situation is no longer appropriate. Spa
6、tial clustering method is a very time-consuming algorithm, if there is no pre-treatment, the time would be unacceptable.Due to the above reasons,we found a obstacle detection method which is based on slope detecting and cluster analysising.Meanwhile, in order to enhance the robustness and stability
7、of the slope detection algorithm ,we added a flat strip method and distance filtering method, we received a better results.Key words Laser Radar, Obstacle Detection ,Intelligent Vehicle1 引言近年来，随着移动机器人、战场侦察车、车辆辅助驾驶、月球探测车的研究与应用日2益增多，环境感知技术及环境感知传感器的研究也越来越多。智能车环境感知的一个重要问题是障碍物检测，进而进行车体定位、路径规划等后续工作。在众多的环境
8、感知传感器中，激光扫描仪以其较高的测距精度及角度分辨率，在室内及室外的障碍检测中被广泛使用。激光扫描仪能直接获取周围环境的距离数据，并能转换成三维坐标，这里面包括地面数据和障碍物数据。一般的滤波分类方法如高度阈值法等都强调高程低的数据属于地面数据，高程较高的数据不在地面上。而实际的情况并非完全如此，如斜坡上的数据，若只是根据高程来滤除地面点，必然带来一定的系统误差。而另一种空间聚类方法分离地物数据则算法效率太低，耗时太大。为了实现智能车导航的安全性、灵敏性，需要一种简单、快速、稳健的障碍物数据检测与分离方法。本文通过分析研究地形和障碍物数据的空间特性，借鉴不规则三角网数字高程模型的坡度检测算法
9、，辅以平面条带法、距离滤波和稳定性约束，通过检测三维数据的表面法向量分离地形和障碍物数据，快速、稳健的分离地物。2 基于激光扫描仪的障碍物检测方法2.1环境距离数据获取及预处理本文使用德国 SICK 公司 LMS200 型 2D 激光扫描仪作为传感器，采用 YAAN 公司YD3040 室外云台增加一维俯仰信息。LMS200 型激光扫描仪扫描区域设置为 180,角度分辨率设为 0.5, 最大有限测距设为 80m。本文将云台安装在了智能车辆的顶部，激光扫描仪固定在云台上，通过云台的上下转动和激光扫描仪相结合来对车辆前方 180范围进行扫描，如图 1 所示。云台的转动角度为 0-84 度 。扫描时，
10、云台每转动一次 (步长为 2 )，从激光扫描仪读取一次扫描结果并记录，云台从上到下一共转动 42 次，得到 43 条扫描线，每条扫描耗时 26.64ms。每条扫描线记录 361 个深度信息，只选取前 42 条扫描线，可以得到车前方 15162 个点的距离信息。图 1 LMS200 激光扫描仪和 YD3040 云台结合扫描示意图本文采用高斯滤波方法对距离数据测量误差进行滤波平滑。激光扫描仪采集距离信息，并记录水平角和俯仰角，构成了极坐标形式，为便于处理，将其转换到车体笛卡尔坐标系，采用右手坐标系，如图 2 所示， 点为扫描点， 平面为A扫描平面。自 动 化 学 报3xzyZ轴X 轴Y 轴ArO车
11、前方x o y 平面图 2 距离数据的坐标转换坐标转换公式如下：(1)cosin1804xryz其 中 ，公式(1)中：为笛卡尔坐标系， 的正方向为车辆的右方向， 指向车辆正前方， 的正(,)Txyxyz方向为正上方，定义第一次扫描平面为 平面； 为极坐标系， 为距离， 为oy(,)Trr扫描射线与 轴的夹角， 为俯仰角，即扫描平面与水平面的夹角。 0.51,2.36024i ijj其 中 或其 中2.2表面法向量检测算法通过分析激光扫描仪的各扫描线，可归纳出扫描数据的以下几个性质： 1)扫描线间的三角片面法向量会随物体的轮廓而变化。2)空间聚集性：障碍物点在空间上聚集在一起。3)地面条带性：
12、同一条扫描线的地面点成条带状。4)连续性：扫描线是空间连续的，除非有障碍物出现。5)空间跳跃性：同一行扫描线因障碍物的空间跳跃应是成对出现的，个别大障碍物除外。基于以上扫描数据的特性，并借鉴不规则三角网（Triangulated Irregular Networks, TIN）数字高程模型（ Digital Elevation Model, DEM）的坡度检测算法，分离地面数据和障4碍物数据。利用上述的扫描线性质，地物表面法向量、障碍物点的空间聚集性和地面点的条带性，可分离地物点 2。表面法向量就包含了被检测处的地形信息：坡度(slope)与坡向(aspect)。斜坡由坡度和坡向共同决定，坡度
13、一般定义为实际地形表面和水平面之间的夹角；坡向用方位角表示，在车体坐标系中， 轴方向为起始方向，逆时针方向为正，范围 3，y 0,36在如前定义的车体坐标系中表示如下：(2)2arctnzxyfslop(3)rt90xxffse对于离散形式坡度与坡向的计算，不能直接采用上述公式计算，必须采用离散的方式计算，文中采用取两行扫描线中距离最近的三点，叉乘计算三角面法向量的方法计算坡度与坡向，如图 3 所示，利用相邻扫描点计算出表面法向量 ，接着按照式(4)和(,xyzn式(5)计算坡度与坡向。(4)2arctnzxyslop(5)rt90xxseOXxnnyznYslopaectZ图 3 坡度与坡向
14、计算由于地面坡度一般比较小，而障碍物的表面法向量会随障碍物表面形状起伏而呈较大自 动 化 学 报5的坡度，本文设置坡度阈值为 30，小于阈值的标为地面数据，分离地物数据，算法流程如图 4 所示。对每一行扫描数据读本行和上一行 数据 到 l i n e 1 和 l i n e 0取 l i n e 1 中相邻两点 p o i n t 1 、 p o i n t 2（ 两点取其相邻三点均值 ）本行处理完毕处理下一行。 计算坡度与坡向并存储N所有行处理完毕处理本行下一数据p o i n t 1 、 p o i n t 2 和p o i n t 3 叉乘得表面法向量Y结束据坡度阈值划分为地面与非地面数
15、据N设置坡度阈值s l o p e _ t h r e s h o l d s = 3 0 度开始在 l i n e 0 中搜索与 p o i n t 1 和p o i n t 2 距离在距离阈值内的点的均值 p o i n t 3Y图 4 基于表面法向量的地物分离算法流程图注意：由于激光扫描仪采集数据在空间上是极不均匀的，密度由远到近逐渐变得密集，倘若计算坡度的两行数据距离很近，计算本处的表面法向量不仅是不必要的，而且还会使数据小波动引起较大的表面法向量波动，从而影响算法的鲁棒性，本算法根据行间距自动选择计算本行数据点法向量的下一行数据。若各个表面法向量检测准确，分离地面数据是完全可行，但是
16、由于实际采集的数据会带有种种误差，若只用三点计算表面法向量，势必会带来较大误差，与实际有较大出入，所以对计算法向量的三点均取其附近点的均值进行法向量计算，增强算法的鲁棒性和坡度检测的稳定性。2.3聚类算法聚类(clustering) 是对样品指标进行分类的一种统计方法，将某一种性质指标相似的样品聚集在一起，并使得在这种分类情况下，以某种度量为标准的相似性，在同一聚类之间最小化，而在不同的聚类之间最大化。而在聚类分析中，很多聚类分析算法采用基于欧式距离的相似性度量方法。以下分析几种聚类法，最后借鉴分层聚类思想，得到自适应空间聚类算法。常见的聚类特征如下：6类的重心：类中元素的均值： (6) 1G
17、imX类的直径：类中元素间的最长距离： (7)ax()ijDd聚类分类方法有：最短距离法：两个类中元素之间距离最小者作为类间距离。最长距离法：两个类中元素之间距离最大者作为类间距离。中间距离法：类间距离不取最短或最长，而取某中间值，如三角形中线法等。重心法：采用类重心来度量类间距离。文中采用此方法。本文利用聚类方法，将已经分离出地面的障碍物数据进行统计分析，统计每个障碍物的大小、位置、高度和形状等信息，方便后续的路径规划、越障和对障碍物的进一步处理。在障碍物检测过程中，无法确定障碍物个数，也无法确定聚集个数，且孤立点较多，距离车体越远数据越稀疏，故只能采用自适应聚类数、对孤立点不敏感、适应不同
18、密度的聚类算法 4。但由于经典的基于多元统计分析的聚类法，在处理大量空间数据时，由于空间物体形状复杂、数据量庞大，处理速度慢、效率很低 5。若要采用基于多元统计分析的聚类法处理 15162 个数据点，所耗时间可能很难满足在线处理要求，必须根据激光扫描数据因障碍物的存在而聚集 5，改进一般的空间聚类算法，缩短聚类时间。空间聚类算法中在这里可用的方法有：基于密度的空间聚类和基于距离的空间聚类；由于激光扫描仪采集的数据会因距离变化和障碍物分布其密度也有很大差别，故采用基于距离的空间聚类算法。鉴于以上的分析，在障碍物检测过程中，无法确定有多少个障碍物，所以也无法确定聚类的个数，本文借鉴分层聚类的聚集法
19、思想，并加以改进，得到自适应空间聚类算法。将数据进行 向索引，接着进行欧氏距离搜索，将与本类最后一点满足阈值的未分类z点划为一类，并记录第一个不满足阈值的点，为下一子类的搜索起点。循环此过程，直至没有点被分到新的子类中。这样就可以按照数据的纵向层次聚集特性实现自适应聚类数。最后得聚类结果(类内点数小于 5 视为孤立点，舍去) 。输入：pos_data_x 、pos_data_y、pos_data_z，为预处理后的距离数据。输出：points 三维数据数组，存储 坐标、类别数。 cls_count 数组记录类别数、xyz、 、类内点数以及类重心。算法流程如图 5 所示。自 动 化 学 报7Y子类
20、合并子类间距离满足阈值更新 p o i n t s 数组和 c l s _ c o u n t 数组设置距离阈值 d i s t a n c e _ t h r e s h o l d s取当前点 p o i n t s ( i , j )初始化子类数 c l s _ n u m = 1类内点数 c l a s s _ i n l i e r s = 0本类最后一点与未分类点 p o i n t s ( i , j + 1 ) 的距离满足距离阈值继续搜索下一点更新最后一个类内点N搜索完所有点计算子类重心 并存储到 c l s _ c o u n t 中继续搜索下一点N本子类内点数c l a s
21、 s _ i n l i e r s + +并求所有内点之和Y结束分类结果更新到p o i n t s 和 c l s _ c o u n t遍历所有子类NY子类搜索完毕p o i n t s 数组按照 z 坐标排序读 障碍物数据 到 p o i n t s开始继续搜索下一子类别c l s _ c o u n t 排序动态调整子类数c l s _ c o u n t _ d s p子类信息对应位存储NY还有未分类点YN首个未分类点搜索下一子类c l s _ n u m + +c l a s s _ i n l i e r s = 0图 5 自适应空间聚类流程图设置距离阈值d i s t a n
22、 c e _ t h r e s h o l d s取 c l s _ c o u n t ( i , 1 )计算与子类c l s _ c o u n t ( j , 1 )的重心距离满足距离阈值j = j + 1继续搜索下一子类更新 第 j 个外的c l s _ c o u n t ( j , 1 ) 子类的类别数 、 类内点数和子类的重心NY搜索完所有子类i = i + 1 , j = 1继续搜索下一子类N更新 p o i n t s 中的c l s _ c o u n t ( j , 1 ) 子类为c l s _ c o u n t ( i , 1 ) 子类Y结束初步分类的p o i n
23、 t s和 c l s _ c o u n t开始更新 第 i 个外的c l s _ c o u n t ( i , 1 ) 子类的类内点数和子类的重心更新 c l s _ c o u n t ( i , 1 )c l s _ c o u n t ( j , 1 ) 本身的类内点数和子类的重心图 6 子类合并算法流程图8经过聚类处理后，有时会存在距离很近的子类，对于用于导航的环境地图而言，将二者合并存储更合理。子类合并流程图如图 6 所示。3.算法仿真效果图 7 是车前方道路 CCD 图象，经过上述算法的处理后，可以得到如图 8(c)所示的障碍物空间聚类结果，这就为后续的环境感知定位和路径规划
24、提供了描述较为精确的三维环境模型。为说明算法效果，下面将与 k-mean 算法处理的结果作对比。图 7 LMS 的扫描数据(a)k-mean 聚类结果； (b)本文空间聚类结果； (c)本文空间聚类的三维图图 8 障碍物聚类结果为使 k-mean 算法和本文的自适应空间聚类算法具有可比性，二者的输入数据均是经过地物分离的障碍物数据，数据点数为 5401 个，滤除的地面数据为 9761 个。k-mean 算法人工指定分类数 165。自适应空间聚类算法：设置距离阈值为 70cm，分类数由算法根据障碍物的空间聚集特性自适应确定。表 1 两种聚类算法的性能比较方法 数据点数 分类数 需指定分类数与否
25、孤立点敏感与否 运行时间(s)k-mean 5401 165 是 是 20.856本文算法 5401 165 否 否 0.919对比图 8(a)和(b)(图中数字为子类编号) 可见，k_mean 算法在点集相对分散时(图 8 (a)中自 动 化 学 报9矩形处)，可以得到较好的分类效果，但是其对孤立点比较敏感，图 8(a)中椭圆处孤立点较多，造成距离很近的点分到了不同的类别中；k-mean 算法需要指定待分类数据所分的类别数；图 8 (b)中对孤立点不敏感，并且对于分散的孤立点从分类数据中剔除；本文的聚类算法不需要指定分类的类别数，算法可根据数据自动确定分类数。表 1 对上述特点进行了对比分析
26、，从表中可看出，本文的聚类算法耗时较少，可达到准实时处理。4 结论本文通过使用激光扫描仪来采集环境距离数据，通过坐标转换获取基本环境信息。利用表面法向量检测算法提取障碍物数据，对分离出的障碍物数据使用聚类算法进行统计分析，统计每个障碍物的大小、位置、高度和形状等信息，方便后续的路径规划、越障和对障碍物的进一步处理，收到了较理想的效果。References1 于春和，陈国斌，刘济林基于多线激光扫描仪的障碍检测与环境重建 J浙江大学学报 (工学版 )，2006， 40(6)： 1066-10692 Andreas Nuchter, Kai Lingemann, Joachim Hertzberg.
27、 Extracting drivable surfaces in outdoor 6d slamC. In Proc. of the 37nd Int. Symp. on Robotics, 2006.3 周启明，刘学军数字地形分析 M科学出版社，北京， 2006： 34-944 Zhiyu Xiang, Jilin Liu, et al. Obstacle detection by using two 2D laser range findersJ. Journal of Zhejiang University ( SCIENCE), 2001,2(4):355-394.5 李德仁，王树良，李德毅空间数据挖掘理论与应用 M科学出版社， 2006： 2686 于金霞，蔡自兴，段琢华基于激光扫描仪特征提取和增量式数据关联的障碍分类判决 J高技术通信， 2007， 17(7)： 703-708
