面向无人车导航的激光雷达数据处理技术

本报告的目的,不是要把激光雷达的数据处理推向无人驾驶车,当然面向无人车这是必要的过程。我们把理解激光雷达数据处理来支持无人车自动驾驶的激光雷达。所以这里做了面向无人车驾驶特别是目标识别和分类的可靠性实验。

激光雷达

从激光点云中,人可以直观地看到车道、车道之间的灰度差异,甚至可以识别出两边电线杆、树木、桥梁和桥梁结构甚至电杆和电线。但是机器要如何识别目标呢?它们可以通过三维灰度特征对激光点云进行分类,进一步做到建模、识别和仿真,理解激光雷达的特点,并跟其他传感器配合,更好地支持无人驾驶。

激光雷达数据处理、分类和识别

测绘激光雷达全自动化处理是一个目标,但也需要人工参与,处理过程当中就有目标分类与识别。在路上做高精度地图的时候,在数据处理中把行人、车辆剔除掉。其实测绘关注的是静态的东西,而导航不仅关注于静态,还要关注动态,如路上汽车、行人、马路牙、分道线、道路障碍、高架桥、道路两侧的路标、灯杆、护栏、反光板等等。

测绘雷达要对高精度地图进行三维测量,同时做目标分类、目标建模和目标管理,这是数字城市高精度地图所需要做的。对于导航来说目的很简单,就是识别出来可靠导航。

作业要求,测绘不需要实时处理,它只要做到事后处理就可以了。但是导航避障需要实时处理,强调探测能力和可靠性。

设备特点,对于导航来说网格密度和数据时效很重要。但是对于测绘来说作业能力和测量精度是要一致的。

数据特点,导航数据因为关注前方或者周边360度,数据是多次累积的,是非结构化数据。测绘对象需要数据网格均匀。对测量对象来说,导航需要静态目标参照关注动态变化。测绘是静态地物测量,剔除动态目标。

我们做了一个实验,第一类是测绘激光雷达。360度均匀地沿着道路行进方式,在200米范围内高精度采集道路周边的数据。同时用16线、32线激光雷达进行扫描,可以看到在数据处理、分类和识别过程中能做到哪些方面的东西。

路上的挡光板。针对挡光板来说,在5米的探测距离,网格密度10厘米情况下,利用我们现在的数据,基于我们自己的算法,识别概率只有75-85%左右。现在识别出来,可能针对这些目标要分类,产生一些驾驶行为。但是如果只有85%,那么数据的可靠性在哪里?那我们能不能把传感器做得更可靠,数据分析更可靠?

路面数据。探测距离5米,识别概率是75%左右。车道线,它的识别概率也是75%,在探测去20米左右。路边线的识别,探测距离20-30米,识别成功率在85%左右。针对电线及电线杆探测距离10-20米,识别成功在75-80%。

水泥隔离带,有高速上水泥隔离带,也有路边的水泥隔离带,它的探测距离5-20米,识别成功率75-85%。这是根据不同距离的网格密度不一样而有所差异。不同路灯的识别,5-20米,识别成功率85%左右。我们做了很多目标,这一共有十个大类,50个具体目标。在典型的目标,特别是在测绘、导航共同感兴趣的目标做了一些统计。

这里面没有行人。其实在对行人、动物识别过程中,它的准确率差异非常大,所以我们也没有得出一个很完备的结论,当然行人在不规则组可以看到。从人体大小来看,50厘米高度左右目标来说,大概25厘米,30厘米左右网格密度,已经是分辨目标的极限了。

通过数据处理,各种数据方法的研究来了解导航激光雷达自身的特点。测绘雷达数据是均匀的,但是导航激光雷达特点是多帧的、不断重复、不均匀的。对激光雷达预处理的时候,需要提高载车平台位姿的测量能力和多堆数据间姿态补偿能力。这是激光雷达传感器本身所需要做的工作。

另一方面,既然我们有多帧的数据,我们现在算法目前并不包括对前几帧数据的记忆,那是不是有了前几帧数据的记忆就能提高识别能力,是不是可以提高成功率,减少响应时间,或者AI能做哪些工作?我们也希望通过数据处理的方向和人工智能的方向共同努力。目前帧频是20帧,重访时间50毫秒。车速120km/h,响应时间是6秒。

我们利用大量测绘所做的高精度地图做一个真实数据的回访仿真。基于真实高精度地图,可靠性测试,包括采集传输、模型编码和算法方法,时效性测试、鲁棒性测试。

未来的研究内容

从激光雷达角度来讲包括传感器端,也就是雷达的数据采集,包括数据的预处理,也是在激光雷达硬件上做一些工作。包括基于计算平台,激光雷达的数据处理,我们是否建立统一的四维数据。另外在数据处理上和数据预处理上,希望通过我们的处理给无人车驾驶提供必要工具包。

我们和合作伙伴在数据处理同时,已经在推出国内16线、32线全自主知识产权,希望在这个过程中,用我们自己的激光雷达走我们自己的道路,通过自己的分析,制定自己的指标。另外我们也在做行业标准和系统可靠性。

同时导航坐标体系及四维度数据模型研究,包括多激光雷达、多源传感器数据坐标体系、多尺度时域数据标定及融合方法。另外我们也希望进一步把导航测绘一体化,这样就可以基于高精度地图,把导航数据与矢量数据或模型叠加,把历史变迁叠加,实现地物补测及更新。

(本文根据作者在2017中国智能车大会暨国家智能车发展论坛上所作报告录音整理而成)

来源:学会秘书处

  • 发表于:
  • 原文链接:http://kuaibao.qq.com/s/20171218G0KX1900?refer=cp_1026

同媒体快讯

相关快讯

扫码关注云+社区