A 3D LiDAR Data-Based Dedicated Road Boundary Detection Algorithm for Autonomous Vehicles

1. 文章主要工作

从三维激光雷达数据中精确地提取不规则的道路边界或道路上被障碍物遮挡的道路边界.

算法步骤如下：

(1) 利用GNSS提供的车辆位置和姿态信息，对三维激光雷达数据进行预处理，剔除噪声点.
(2) 在预处理的点云数据中快速分离出地面点，以减少道路障碍物的干扰.
(3) 利用边界点的特征，沿着车辆运动轨迹，搜索道路边界候选点.
(4) 对道路边界候选点进行B样条曲线拟合，平滑道路边界.

算法流程图如下：

实验装置：

2. 点云预处理

主要做了两点工作：

1. 对点云进行运动补偿，弥补由于车辆运动造成的点云畸变.
   
2. 使用中值滤波器处理原始点云数据中的噪声点.

3. 地面点云的提取

提出了一种基于极坐标网格的地面点云提取方法，网格单元的大小是根据激光雷达扫描点随着距离的增加而变得稀疏的原理划分的.

示意图：

(1).将极坐标网格等分为m个扇区，

$\Delta \theta$为水平角分辨率，$\lambda$取2，以确保同一激光扫描线上至少有两个点落在同一个扇区内.

(2).将每个扇区分解为k个bin，

$\Delta \theta$为垂直角分辨率，$\mu$取2，以确保每个bin里至少有来自激光雷达两条不同扫描线上的点.

(3).根据点的坐标将其划分到不同的极坐标网格里，网格中每个bin中都包含了障碍物点和地面点

扇区号：

bin的序号：

(4).对每个bin里的点云按照高度进行排序，根据单个点的高度以及相邻点的高程差，筛选出地面点云.

具体算法如下：

城市场景的地面点云提取效果：

当路面不平整，存在车辆等障碍物时，仍能准确地提取出地面点，并将道路边界信息保存在地面点中。

提取地面点的帧率可以达到每秒17帧，可以满足实时性要求：

4. 道路边界点特征选择

考虑到道路环境的多样性，通过定义并提取道路边界的空间特征，采用一种新的搜索方法检测出道路边界的候选特征点.

主要考虑了道路边界点的两种空间特征：

(1) 一般来说，当激光雷达在平坦的道路上扫描时，同一条扫描线上的三个连续点形成的角度大致相同，并且近似于一个平角；在有坡度或者不平坦道路上扫描时，扫描到地面的激光束仍然保持平滑特性，角度变化很小；而当激光束扫描道路边界时，无论路缘、路肩或杂草，激光扫描线都将变得不均匀，从而导致道路交叉点处三个连续点之间的角度相对较小。

点 p l , i