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$p_{l,i}$的边界点置信度计算，连续$g_l$个相邻点取平均：

其中，


这里${\alpha }_{th}$取$135^o$

(2) 如果激光雷达扫描线与道路边界大致平行，道路边界点与其相邻点在同一扫描线上形成的夹角不满足上述道路边界准则，此时考虑相邻三条扫描线的连续三个点，比较相邻两个点的径向梯度。
梯度计算公式：

在路面上，由于三维激光雷达扫描原理，相邻扫描线之间的径向距离随着距离的增加而增加；因此，$g_{l-1,l}^i$通常大于$g_{l+1,l}^i$。但是，道路边界处相邻扫描线之间的径向距离显著减小，扫描线之间的高度差显著增大，导致$g_{l-1,l}^i$小于$g_{l+1,l}^i$.

此时，$p_{l,i}$为道路边界点的概率定义为：

综合以上，$p_{l,i}$为道路边界点的概率定义为：

阈值$P_{th}$取0.5.

5. 道路边界点的搜索

将得到的特征矩阵按水平扫描范围分为$[0,\pi )$，$(\pi ,2\pi ]$两部分搜索。

搜索算法如下：

1. 根据给定的阈值$P_{th}$，从中间到两边搜索左右两边的道路边界，得到初始的候选道路边界点。
2. 从初始的候选右边道路边界点中选取最近的$n$个，并且分别记录其在特征矩阵中的行列号。
3. 根据行列号进行二阶多项式拟合，预测出下一个道路边界候选点的位置。在预测得到的候选边界点附近进行5邻居搜索，如果周围有边界点概率值大于预测点或概率值等于1的点，选取周围概率值最高的点作为下一个道路边界点，否则的话用预测点作为道路边界点。
4. 不断地对每一行进行预测搜索，完成道路右边边界点地搜索，然后再对道路左边进行搜索。

6. 道路边界拟合

使用三阶的B样条曲线对得到的道路边界点进行拟合，得到道路边界曲线。

7. 实验结果

主要分为两部分：
1.选取城市直道、弯道、斜向道路边界行驶、变宽度道路，进行道路边界检测，验证算法的有效性。
2.定量分析算法的性能。

7.1. 验证算法的有效性

1.城市直道

道路两边由路缘石和灌木组成

算法对道路边界的不连续性和障碍物干扰效果较好。

2.弯道

(1)道路边界由路缘石组成，路两边有许多垂柳。一些柳枝延伸到道路上，导致原始点云中存在大量噪声点，增加了寻找道路边界点的难度。

B样条曲线模型与道路曲线形状吻合较好。

(2)道路边界形状更加不规则，弯道的左边界由低矮的路缘石组成，而右边界则由低矮的草坪和灌木组成.

即使在道路两侧只有低矮的草坪和路肩，算法仍然可以检测出道路边界点。

3.斜向道路边界行驶

结果表明，该方法能提供可靠的道路边界点检测结果，能够很好地适应道路形态的变化。

4.变宽度道路

算法对不同道路边界宽度的道路仍能获得可靠的检测结果。

7.2. 定量分析算法的性能

校园场景，路线全长约4.6公里，包括各种复杂的道路环境，如常规的城市直道、含路缘石的弯道、宽阔的道路和低矮的草坪路。

计算时间:

所提出方法的平均计算时间为每帧36.5毫秒，三维激光雷达扫描频率为10hz，算法可以实时运行。

与其他方法对比：

性能优于其他方法。

8. 总结

下一步工作，重点解决交叉路口的道路边界检测问题。

考虑与摄像头采集到的道路纹理和颜色信息进行融合，进一步提高道路边界检测算法的精度。