Road-Segmentation-Based Curb Detection Method for Self-Driving via a 3D-LiDAR Sensor粗读

点云学习

路沿检测算法文章粗读

道路分割路沿检测–Road-Segmentation-Based Curb Detection Method for Self-Driving via a 3D-LiDAR Sensor

摘要——本文提出了一种利用三维激光雷达传感器自动分割道路并检测路缘的实时路缘检测方法。首先对传感器的点云数据进行处理,以区分道路上和非道路区域。A sliding-beam method is then proposed to segment the road by using the off-road data.
通过传感器标定,采用平面滤波方法对道路上和道路外点云进行区分。基于非道路数据,采用滑梁法对道路进行分割,识别道路形状,提取路沿。该方法能够识别道路形状并提取每一路段的路沿.使其能够处理交叉口的路沿检测问题,我们提出了一种改进的滑动梁道路分割方法,该方法对多种道路形状(如±形、t形、y形)都具有鲁棒性。基于点云数据的空间特征提出了一种基于搜索的方法来提取每个路段的路沿。该方法保证了自动驾驶的实时性。
一、数据预处理
提出了传感器标定方法和基于平面的滤波方法来提取道路上和非道路数据
A、传感器标定
传感器校准方法 ( L. Wang, Y. Zhang, and J. Wang, “Map-based localization method forautonomous vehicles using
3D-LiDAR" IFAC-PapersOnLine, vol. 50.no. 1, pp. 276-281, 2017.)
步骤:1、基于安装偏差角,将传感器坐标中的点转换为车辆坐标
2、利用差分全球定位系统(DGPS)和惯性导航系统(NS)获取车辆运动信息。根据主飞行器的滚转角ev和俯仰角Bv。将点转换为地面坐标,原点位于传感器中心。
B、基于平面的滤波方法
用线性方程定义平面,然后用一种简单的最小二乘法进行平面拟合
步骤:1、选取P中所有垂直指向角为负的点。然后采用随机样本一致性方法估计平面(35的参数。(P为校正后的数据集)基于路缘的平均高程,将阈值设置为0.2m,这决定了一个点是在路上还是非道路
二、路沿检测
A、 Sliding-Beam 分割(十字路口交叉检测)
模型包含两个部分,即底层模型和顶层模型。1)底层梁模型;底层梁模型确定道路分割的梁角。这些角度代表了相对于车辆当前位置的道路方向。以飞行器位置为发射点,采用寻峰法确定梁角。2)建立顶层梁模型,对主车前方道路进行分段,即识别前方道路形状,特别是交叉口。
B、细节分割路沿检测
在道路分割的基础上,提出以下路缘检测方法
首先,对路缘的空间特征进行定义和提取;然后确定特征阈值,采用路缘搜索方法检测每段的路缘。
1)空间特征提取:路缘具有许多不同于路面的空间特征。路沿高度一般为10厘米~15厘米,标高变化剧烈。此外,路面点平整连续,路缘通常出现在道路两侧。
2)路沿搜索
每段中的点按逆时针顺序排序,用于路沿搜索过程。路缘应该在两个方向上搜索,因为一个给定的路段通常有两个路缘。以下步骤确定了限制的特征。1水平连续性:计算相邻两点之间的水平距离。如果距离大于8xy1,这个点可能是一个约束点。2)垂直连续性:计算相邻两点之间的垂直距离。如果距离大于82,!,该点可能是一个约束点。3)角度阈值-个约束点。2)垂直连续性;计算相邻两点之问的垂直距离。如果距离大于6z1,该点可能是一个约束点。3)角度阈值;当可能出现抑制点时,则计算6.1。4)高程阈值;当可能抑制点的6i、1小于角度阈值时,在两个向量的点上计算高程分布。如果V中各点的高程增加,且pitnv1与pi,l之间的最大高程大于HC,则将点pil视为约東点。
三、实验结果
A、道路分割
引入真分割率(TSR)、错误分割率(WSR)和错误分割率(FSR)作为评价指标
B、路沿检测
引入三个量化指标进行综合评价。根据定位误差和标记误差,将真检测距离阈值设置为10cm。距离由被检测的路缘和它最近的标记路缘计算。
Precision, Recall, F1 Score
平均精密度为84.89%,召回率为82.87%,F1平均得分为83.73%。
C、在线实验
在采用NI PX1-8109作为控制器的自动驾驶汽车平台上进行了测试。控制器核心采用Intel i7-620M处理器,基频2.66GHz。该方法在Windows-7操作系统下用Visual C语言实现。在线测试大约需要6分钟处理3600帧激光雷达数据,弹道约2.9公里长,平均速度28.6公里/小时。我们将每一帧的约束通过以太网传输到数据日志处理过程中,然后对结果进行分析。
平均处理时间约为12ms

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值