【论文翻译】Real-Time LIDAR-Based Urban Road and Sidewalk Detection for Autonomous Vehicles

Real-Time LIDAR-Based Urban Road and Sidewalk Detection for Autonomous Vehicles

---

论文地址：论文
github地址：urban_road_filter

摘要：

  在城市场景中进行道路和人行道检测是一项具有挑战性的任务，因为道路的缺陷以及传感器数据的带宽较高。传统的自由空间和地面滤波算法对于小高度差不够敏感。基于相机或传感器融合的方案被广泛应用于将可行驶道路与人行道或路面进行分类。激光雷达传感器包含了所有必要的信息，可以从中进行特征提取。对于道路和人行道检测，本文提出了一种实时(20Hz+)的解决方案。该方案还可以用于局部路径规划。人行道边缘检测是三种算法并行工作的组合。为了验证结果，本文使用了事实上的标准数据集KITTI以及我们的测量结果。数据和源码在我们的GitHub中公开共享用以复现结果。

Keywords: autonomous vehicle; open source; LIDAR point cloud; free-space detection;road segmentation;ground-non-ground segmentation; obstacle detection; autonomous vehicles; self-driving

---

1.引言：

  自动驾驶车辆，也称作无人驾驶车辆，目前正在快速的改进。这些车辆或是机器人拥有感知周围环境并且在没有人类输入的情况下安全移动的能力。这些系统的四个主要工作是感测、感知、规划和控制。感测基本上是从传感器中获取数据；感知意味着从传感器数据中提取特征；规划意味着创建可行的轨迹；最后，控制负责执行这个轨迹。本文的工作范围是感知，更确切的说是道路和人行道特征的提取。这些信息将会提供给规划子系统。从传感器的角度来说，自动驾驶车辆采用基于是视觉方法，通常是利用立体相机或单目相机。此外，还存在基于无线电波的测距，其中最值得注意的是雷达。在当前的工作中，我们的重点是激光雷达，这也是一种常见的光测距传感器。虽然基于视觉的方法适用于很多类型的识别，但它们对光照敏感。基于激光雷达的方法在很大的程度上不受照明变化的影响，并且它们更加链家且更加适合在高分辨率的3D空间中进行测量。这种高分辨率需要高效的算法来实时工作。
  在城市环境中，路沿(curb)的作用是将车辆交通和人行道分离开来。它们通常沿着道路连续存在，并且将高出路面的人行道隔离开来。激光雷达生成的离散点云提供了包括高度的3d数据。因此，一种简单的方法是使用高度数据拟合水平面进行分割。这种方法是一种幼稚的方法，原因有几个。道路故意设置有路沿而非完全平坦的路面。排水坡度是由道路倾斜度、纵向坡度和表面横向坡度的组合影响。如果没有这个坡度，水就会覆盖路面，从而导致危险的情况，例如打滑。此外，多年来混凝土或沥青可能会累积许多变形。井盖、坑洞以及其他因素导致的不平整是城市环境的共同特征，这些都使得特征提取具有挑战性。即使在车道、路口、最小和最大曲率方面存在一些限制，但这仍然留下了无限多种的道路和人行道形状。基于激光雷达基础上的道路和人行道检测，为了解决这些挑战的方法，本文设计和实现了一种实时、稳健、可行性较强、参数敏感度较小的算法。
  本文按照以下组织方式介绍我们的方法：第2节为现有技术的综述；第3节介绍所提出的方法；第4节为所提出的方法的评估；最后，第5节展示结论。

2.相关工作：

  接下来将会介绍相关研究的中枢。有许多基于摄像头或激光雷达与摄像头融合的道路和车道检测的论文[1-5]。这些方法通常依赖于图像数据，主要使用卷积神经网络进行深度学习。神经网络通常是卷积的，模型训练使用的是带标签的城市道路和其他场景图像。如果满足光照条件，这些方案可以通过GPU加速实时执行。
  也有完全基于激光雷达的方案，用于地面检测[6,7]和道路识别[8-13]。它们中的大多数都是以后处理和半自动的方式进行工作。对于雷达分割，还有基于神经网络的解决办法，例如RangeNet++，PolarNet等[14-16]。这些解决方案严重依赖于GPU。在FPGA或GPU加速的帮助下，当前的技术可以确保实时性能[12-15]。尽管已经研究了许多道路形状（T形、Y形、±形），但大部分方法仍旧无法处理复杂的交叉口[8-12]。这些形状缺少环岛，桥梁，多车道，安全岛等。LIDAR传感器提供原始的3D空间信息，可以组织为单层的LIDAR（也成为2D LIDAR或激光扫描）和多层，或3D LIDAR。在[17,18]中，一个向下看的2D LIDAR传感器用覆盖90°视场的2D点阵列扫描场景。他们的方法方法是从传感器位于极坐标系的原始数据中提取线段，并对线段进行分类。[17]是这种传统方法的一个很好的例子，也在DARPA Urban Challenge中得到了展示。这些方案的局限性是与3D LIDAR相比来说视野非常狭窄。居于融合的方案，将LIDAR/超声波/相机/立体相机[19-22]结合起来，通常由多种传感器输入来提供准确的输出。这些技术的限制性在于他们的实时性能：[20]提到处理时间优化作为未来的工作，而[21]声称在NVIDIA Xacier板上进行超声波融合比输入的要慢；[22]可以在高端NVIDIA RTX 3090 GPU上实时工作。尽管[23-25]都与车道识别相关，但在道路地图生成方面可能会应用不同的解决方案。这些解决方法旨在生成车道级地图，而不是在自动驾驶期间进行即时车道保持。也有基于3D LIDAR的解决方案[26-29]。它们通常以非确定性的方式工作，这不一定是一个缺点。[27]使用随机抽样一致性（RANSAC）算法来过滤候选点提取和种子点提取。[28]也使用RANSAC从候选点中估计二次多项式模型，并不断迭代，知道拟合模型尽可能地满足点。[29]也采用了启发式的方法；为了估计地面平面，应用了顺序二次规划（SQP）优化。这个解决方案还使用了反射数据，并要求传感器进行校准。
  上述的一些方法存在有识别问题。例如，在[8]中，在没有高程信息的情况下确定水平面上两个相邻点的距离和角度差异是具有挑战性的。在[9]中，确定小波变换的阈值同样困难，并且甚至可能得到虚假的阳性结果。此外，在[10]中，轨迹是唯一的输入，这使得使用范围缩小了。[1-33]中讨论的大多数方法都使用以10 Hz旋转的LIDAR系统。这意味着每秒提供10次完整的360度测量。体素的数量可以根据水平角分辨率（通常为0.2°-0.8°，即1800-450个样本）和垂直分辨率（通道数，通常为12-128）来计算。2D LIDAR没有垂直分辨率；它只包含一个通道。LIDAR的工作范围通常在50到500米之间。我们的解决方案使用频率20Hz，512或1028个垂直样本和64个水平通道的LIDAR在120米的范围内进行测试，并在多个可用的雷达上进行测试（详见第4节）。
  为了在我们的局部规划上使用道路和人行道识别，我们期望其具有通用性、性能好、实时使用、缺乏参数敏感性和开放性。因此，我们决定设计和实现一种基于单个传感器的解决方案，并在环形交叉口、多车道、桥梁等奇怪呢卡u给你下提供稳健的结果，所提出的方法在中等嵌入式ARM CPU上实时运行，无需FGPA加速。

3.提出的解决方案：

  所提出的解决方案采用三种不同的方法找到人行道。需要提到的是，输出不仅仅包括道路和分割区域的点云，还包括一个简化的易于处理的向量。这个输出对其他算法非常有用，例如局部路径规划，因为它是道路更加紧凑的描述。紧凑型可以说是实时性的关键组成部分之一。
  作为一个城市道路和人行道环境的模型，可以想象一个扭曲的平面和轻微不平的人行道（见图1）。从鸟瞰图上看，道路和人行道可以采取多种形式。图1展示了上述特性和简化的传感器数据。假设LIDAR传感器位于路面以上。城市道路和人行道环境的模型显示在图1中。道路是绿色的，人行道用红色标记。

  提出的解决方案urban_road_filter是免费的，并且公开源码。我们的解决方案的输入是一个纯LIDAR流，没有相机和任何额外的传感器数据。该方法包括三种人行道检测方法（星形搜索方法、X-zero和Y-zero方法）、一种道路检测方法以及基于2D多边形的道路提取。

@TODO

论文思维导图：

（如果理解有误欢迎指出）