针对激光传感器在室外环境中检测动态障碍物所遇到的数据处理存在延时、检测成果精确率不高级问题，提出了一种依据3维激光传感器Velodyne和四线激光传感器Ibeo信息交融的动态障碍物检测及表明办法。该种办法运用在了自主研制的无人驾驭轿车渠道上，许多的试验以及它们在“我国智能车未来挑战赛”中的优异体现证明该办法具有可靠性和精确性。
本办法通过剖析处理Velodyne激光数据对无人驾驭轿车四周的动态障碍物进行检测盯梢，关于无人驾驭轿车前方精确性要求较高的扇形区域，选用相信间隔理论交融Velodyne激光数据处理信息和Ibeo输出的运动状况信息，较大地进步了对障碍物运动状况的检测精确率，然后依据交融得到的成果对运动障碍物的方位进行延时批改，终究在障碍物占用栅格图大将动态障碍物所占有方位与静态障碍物所占有方位差异标明。本办法不只能够在室外环境中精确地检测出障碍物运动信息，而且能够消除传感器数据处理延时所带来的动态障碍物方位差错，更精确地将环境中的动静态障碍物信息用障碍物占用栅格图进行描绘．该种办法运用在了自主研制的无人驾驭轿车渠道上，许多的试验以及它们在“我国智能车未来挑战赛”中的优异体现证明该办法具有可靠性和精确性。
1 导言
无人驾驭轿车是人工智能的一个非常重要的验证渠道，近些年成为国内外研讨热门。无人驾驭轿车作为一种陆地轮式机器人，既与一般机器人有着很大的相似性，又存在着很大的不同。首要它作为轿车需确保乘员乘坐的舒适性和安全性，这就要求对其行进方向和速度的操控愈加严厉；别的，它的体积较大，特别是在杂乱拥堵的交通环境下，要想能够顺畅行进，对周围障碍物的动态信息获取就有着很高的要求。
国内外许多无人驾驭轿车研讨团队都是通过剖析激光传感器数据进行动态障碍物的检测。斯坦福大学的自主车“Junior”运用激光传感器对盯梢方针的运动几许特征建模，然后用贝叶斯滤波器别离更新每个方针的状况；卡耐基·梅隆大学的“BOSS”从激光传感器数据中提取障碍物特征，通过相关不同时刻的激光传感器数据对动态障碍物进行检测盯梢。
在实践运用中，3维激光传感器因为数据处理工作量较大，存在一个比较小的延时，这在必定程度上下降了无人驾驭轿车对动态障碍物的反响才干，特别是无人驾驭轿车前方区域的运动障碍物，对其安全行进构成了很大的要挟；而一般的四线激光传感器尽管数据处理速度较快，可是勘探规模较小，一般在100？～120？之间；别的，单个的传感器在室外杂乱环境中也存在着检测精确率不高的现象。针对这些问题，本文提出一种运用多激光传感器进行动态障碍物检测的办法，选用3维激光传感器Velodyne对无人驾驭轿车周围的障碍物进行检测盯梢，运用卡尔曼滤波器对障碍物的运动状况进行盯梢与猜测，关于无人驾驭轿车前方精确性要求较高的扇形区域，选用相信间隔理论交融Velodyne和四线激光传感器Ibeo数据来确认障碍物的运动信息，进步了障碍物运动状况的检测精确率，终究在栅格图上不只对无人驾驭轿车周围的动、静态障碍物进行差异标明，而且还依据交融成果对动态障碍物的方位进行了延时批改，消除了传感器处理数据延时所带来的方位差错。这种办法运用在了自主研制的无人驾驭轿车上，在城市和村庄路途中进行了许多的实车试验，并在国家自然科学基金委举行的“我国智能车未来挑战赛”中取得了优异成果。
2 体系结构
四线激光传感器Ibeo装置于无人驾驭轿车的正前方保险杠方位，3维激光传感器Velodyne装置于车顶上方，它们的详细装置方位如图1所示。
图1 传感器Velodyne和Ibeo装置方位
本文提出的无人驾驭轿车动态障碍物检测及其表明办法流程如图2所示。首要对Velodyne数据进行栅格化处理得到一张障碍物占用栅格图，对不同时刻的栅格图进行聚类盯梢能够获取障碍物的动态信息，将动态的障碍物从栅格图中删去并存储在动态障碍物列表中，这个删去了动态障碍物占用信息的栅格图也便是一张静态障碍物栅格图，然后将动态障碍物列表中的动态障碍物信息和Ibeo获取的无人驾驭轿车前方区域内的动态障碍物信息进行同步交融得到一个新的动态障碍物列表，终究将这个新的列表中的动态障碍物兼并到静态障碍物栅格图中得到一张动静态障碍物差异标明的栅格图。
图2 无人驾驭轿车动态障碍物检测及其表明办法流程图
本文创立的障碍物占用栅格图巨细为512&TImes;512，每个栅格的巨细为20cm&TImes;20cm，无人驾驭轿车车头朝向与y轴正方向同向且坐落这个栅格地图中的（256，100）方位。栅格图和Velodyne、Ibeo的检测规模联系如图3所示。
图3 栅格图和Velodyne、Ibeo的检测规模联系示意图
3 Velodyne数据处理
3.1 Velodyne数据栅格化
将激光数据栅格化的办法有许多，无人驾驭轿车范畴比较老练的3维激光传感器数据栅格表明办法有均值高度图和最大最小值高度图两种。本文选用最大最小值高度图法对Velodyne数据进行栅格化处理，最大最小值高度图是由Thrun教授提出的一种高度图的变种，该办法在2007年的DARPA（美国国防部先进研讨项目局）城市挑战赛中得到了广泛的运用，而且取得了很好的运用作用。在最大最小值高度图中地上被建模为一系列的栅格，这些栅格仅包含两个值：一切投影到同一栅格中的激光传感器返回值的最大值和最小值。然后将最大值和最小值之差大于预先设定的阈值D的栅格标记为障碍物状况；将差小于D的栅格标记为非障碍物状况。关于一个栅格X，假如其为障碍物状况，则设置该栅格的占用值T（X）=1；假如为非障碍物状况，则设置为T（X）=0．图4是用最大最小值高度图法对一个十字路口的Velodyne数据栅格化后所得到的障碍物占用栅格图。
3.2 障碍物聚类
对障碍物进行盯梢之前需求对栅格地图中的占用栅格进行聚类，本文选用的是一种区域成长聚类算法，见FuncTIon1．Addopen（X）和Addclosed（X）别离表明将栅格X增加进open列表和closed列表；Deleteopen（X）和Deleteclosed（X）别离表明将栅格X从open列表和closed列表中删去；Newlable（X）表明给栅格X赋一个新的标明值；Copylable（X，Y）表明将栅格X的标明值赋予给栅格Y；Selectopen（X）和Selectclosed（X）别离表明从open列表和closed列表中随机选出一个栅格X；L（X）表明栅格X是否现已被赋予了标明值，值为1表明现已被赋予，值为0则表明没有。
图4 用最大最小值高度图法栅格化得到的栅格图
通过FuncTIon1，栅格地图中设定聚类区域内的障碍物占用栅格就被聚类成一个个障碍物块，图5是对路途内的障碍物占用栅格聚类得到的成果。
3.3 障碍物盯梢
首要创立一个动态障碍物列表来存储上面聚类得到的障碍物块信息，而且实时更新这些障碍物块的盯梢成果。存储于这个动态障碍物列表中的每一个障碍物块包含以下信息：编号，最新一次聚类得届时的时刻、占有方位、速度巨细方向和加速度巨细方向，速度协方差，加速度协方差以及存在相信度和运动相信度。
图5 障碍物占用栅格聚类成果
对障碍物块进行盯梢时，需求匹配当时时刻聚类得到的障碍物块和动态障碍物列表中存储的障碍物块，本文选用一种最大相关值法对其进行匹配。关于动态障碍物列表中的每一个障碍物块和当时时刻聚类得到的每一个障碍物块，存在一个相关值。这个相关值的巨细与和的方位、巨细、形状有关。如图6所示，关于每一个障碍物块，用一个能掩盖它的最小矩形对其进行参数化：长边长L，短边长R，中心方位O（x，y）和障碍物块对这个矩形的占用率k。
明显，和的中心方位不能直接拿来比较，因为对它们进行聚类的时刻不同，所以需求对的中心方位进行批改，见式（1）、（2）：
其间，和别离是7最新一次聚类得届时的时刻和当时时刻，和是在动态障碍物列表中存储的最新速度和加速度是对的中心方位进行批改后得到的中心方位。所以，能够依据式（3）得到：
其间，a、b和c是权值，通过试验能够得到比较适宜的经验值。
然后就能够得到一个如下的决议计划矩阵并设置一个门限相关值：
接着从这个决议计划矩阵中找到最大的相关值，假如不小于门限值，则以为障碍物块和成功匹配，然后将与和相关的一切相关值从这个决议计划矩阵中删去，得到一个新的决议计划矩阵如下：
再从这个新的决议计划矩阵中寻觅最大的相关值，依此类推，直到找到的最大相关值小于门限值或许决议计划矩阵变空停止。
终究的匹配成果有如下3种状况，别离对其进行处理：
①存储于动态障碍物列表中可是没有当时聚类得到的障碍物块与之匹配的障碍物块，将其存在相信度减1，其它值不变。
②当时聚类得到的可是没有存储于动态障碍物列表中的障碍物块与之匹配的障碍物块，将其增加进动态障碍物列表中，并将速度巨细、方向和加速度巨细、方向都置初值为0，速度协方差和加速度协方差都置初值为10，存在相信度置初值为10，运动相信度置初值为0。
③存储于动态障碍物列表中而且有当时聚类得到的障碍物块与之匹配的障碍物块，将其存在相信度加1，更新其所在方位，并依据经典卡尔曼滤波算法更新得到其速度、加速度以及速度协方差和加速度协方差．考虑到传感器差错，本文以为速度值小于一个较小值（比方0.5m/s）的障碍物块是停止或许接近于停止的，所以假如更新得到的速度大于这个较小值，将其运动相信度加1，反之减1。
当然在实践操作中，动态障碍物列表中的障碍物块运动相信度和存在相信度都设置了上下限值。终究将动态障碍物列表中那些存在相信度小于一个设定值的障碍物块从列表中删去，因为本文以为这些障碍物块现已从无人驾驭轿车周围环境中消失，这样还能确保动态障碍物列表中的障碍物块数目不会跟着时刻累积而无限增大。
3.4 静态障碍物栅格图生成
更新完动态障碍物列表后，依照如下的Func-tion2对前面栅格化后得到的栅格图进行处理，能够生成一张静态障碍物栅格图。
4 传感器数据交融
4.1 传感器数据同步匹配
因为四线激光传感器Ibeo能直接输出环境中的动态障碍物信息，而Velodyne数据通过上文中的一系列处理才干得到环境中动态障碍物信息，两者的数据收集和处理耗时不同，所以首要需求同步匹配两者的障碍物信息。
Ibeo输出的动态障碍物信息是用一个个box的格局进行表明的，每个box的参数包含边长a、b，中心方位和速度v的巨细方向，如图7所示。
图7 Ibeo输出动态障碍物信息示意图
图8Velodyne数据和Ibeo数据同步示意图
本文将box的中心方位朝其速度方向的反方向平移间隔S，如图8所示，S的巨细满意式（4）：
其间和别离是收集处理Velodyne数据和Ibeo数据的耗时，λ是参数。
同步完结后，就能够匹配两个传感器的障碍物块信息，本文确定，与某个box有区域堆叠的障碍物块，即和该box成功匹配，这样匹配的成果也有以下3种：
①没有Velodyne检测到的障碍物块与之成功匹配的box，不作任何处理。
②没有box与之成功匹配的Velodyne检测到的障碍物块，如图9中的，也不作任何处理，依然选用Velodyne的检测成果作为终究成果。
③有box与之成功匹配的Velodyne检测到的障碍物块，如图9中的和，它们都需求交融Velodyne和Ibeo数据得到终究运动状况，详细的交融办法见下节。
图9 Velodyne数据和Ibeo数据匹配示意图
4.2 传感器数据交融
同步匹配完结后，选用相信间隔理论对匹配成功的两个传感器数据进行交融，假定和别离是Velodyne数据核算得到的运动状况和Ibeo输出的运动状况，它们都遵守高斯分布，某次丈量它们得到的数据别离是和，则它们的概率密度函数见式（5）、（6）：
终究对满意输出支撑传感器个数为2的传感器数据依照式（12）进行交融，终究得到障碍物块的运动状况X，其间l是满意输出支撑传感器个数为2的传感器个数。
交融完结后，考虑到Velodyne数据收集处理耗时，动态障碍物的占有方位在这段时刻内实践发生了改变，需求对这些占有方位进行批改。批改办法为，将动态障碍物列表中那些运动相信度大于上面设定值的障碍物块的一切占有方位朝其速度方向平移间隔S′，如图10所示，S′的巨细满意式（13），其间v′是通过交融后的障碍物块运动速度．这些通过交融、批改后的障碍物块信息都更新存储在动态障碍物列表中。
图10 动态障碍物方位批改示意图
5 兼并动静态障碍物占用栅格图
通过上面的过程，得到了一个交融了Velodyne数据核算成果和Ibeo输出成果的动态障碍物列表以及一张静态障碍物占用栅格图。在本文中，障碍物占用栅格图作为无人驾驭轿车描绘周围环境的仅有办法，终究还要将动态障碍物的占用信息增加进来，拜见Function3对静态障碍物占用栅格图进行处理即可得到终究的障碍物占用栅格图。终究得到的这张障碍物占用栅格图中不只将动静态障碍物进行了差异标明（静态障碍物占用栅格标明为T=1，动态障碍物占用栅格标明为T=2），完结了动静态障碍物的切割，而且消除了传感器处理数据延时所带来的动态障碍物方位差错，更精确地对环境信息进行了描绘。
6 试验成果
6.1 试验渠道及场景
本办法被运用到自主研制的无人驾驭轿车“智能前锋”号上，在一个敞开的城区环境中进行了许多的实车测验，如图11所示。这个敞开的城区环境南北长6800m，东西长2600m，其间存在着许多的机动车、非机动车以及行人，在这个实在驾驭环境的区域内测验了无人车对各种类型的动态障碍物的检测功能。
图11 无人驾驭轿车实车测验区域
别的，运用该办法的无人驾驭轿车参加了由国家自然科学基金委主办的“我国智能车未来挑战赛”，并取得了优异的成果，见图12。
图12“智能前锋”号在2012年“我国智能车未来挑战赛”上成功检测到运动车辆并完结超车
6.2 成果
在试验和竞赛中，“智能前锋”号的一些参数设置如表1所示。
“智能前锋”号用Velodyne和Ibeo对环境中的动静态障碍物进行检测，然后将检测到的成果表明在障碍物占用栅格地图上，如图13所示，黑色方框为依据本车行进状况与环境信息自适应设定的聚类区域，进入到这个黑色方框内的动态障碍物都被成功检测到，并差异于其它的静态障碍物标明在栅格图上，这两个运动方针的检测成果和实践成果比照方表2所示。
图13 检测到动态障碍物并表明在栅格图上
表2显现编号为0#的运动方针无论是速度巨细
仍是速度方向，其差错都小于编号为2#的运动方针，因为0#运动方针正好处于Ibeo的检测规模内，其运动状况信息是交融了Velodyne和Ibeo的数据，而2#的状况信息只来自Velodyne的数据处理成果。为了得到这两种成果精确率之间详细差异，对一辆根本坚持速度巨细为30km/h、航向为180？（正南方向）的车辆别离用这两种办法进行检测，而且在试验中，让“智能前锋”依照S形道路行进，以测验无人驾驭轿车与方针障碍物运动方向在不同夹角下的检测稳定性，成果见图14和图15。
图14 两种检测办法得到的速度巨细比照图
图15 两种检测办法得到的速度方向比照图
成果显现，选用交融Velodyne和Ibeo信息得到运动方针状况的办法比较于只用Velodyne处理成果的办法，检测成果的精确率和稳定性都得到了较大的进步．本办法对无人驾驭轿车前方要害区域选用前者办法进行动态障碍物检测，对其它区域选用后者办法进行检测，既合理地对传感器进行了装备，又确保了无人驾驭轿车行进的安全性。
7 定论
本文提出的运用于无人驾驭轿车的动态障碍物检测及其表明办法，对传感器进行了合理装备，选用3维激光传感器Velodyne检测大规模环境中的动态障碍物信息，关于无人驾驭轿车前方要害区域，选用相信间隔理论交融四线激光雷达Ibeo数据和Velodyne检测成果来进步检测精确率，而且依据障碍物的运动状况消除传感器数据处理延时所带来的障碍物方位差错，终究将动态障碍物和静态障碍物差异标明于障碍物占用栅格图上。许多的试验以及自主研制的无人驾驭轿车在“我国智能车未来挑战赛”中的优异体现证明了本办法的可靠性。可是因为传感器本身的局限性，在极端杂乱的城市环境中，现有的检测精确率依然难以满意要求，怎样对传感器进行更合理的装备以及进步检测算法的有效性来进一步进步动态障碍物检测精确率是下一步研讨的要点。
