首页 > 论文范文 > 社会科学论文 > 科技论文 > 无线电电子学论文 > 探究基于激光和视觉融合的障碍检测方法

探究基于激光和视觉融合的障碍检测方法

2020-05-21 298 上传者：管理员

摘要：无人驾驶技术作为未来驾驶领域的发展趋势,实现实时定位是其最主要的功能。避障是实现路径的合理规划规划与道路边缘检测的基础。然而,目前的单一传感器检测在复杂的动态场景中无法保证检测结果的准确性。为了提高无人驾驶车的避障性能,本文重点研究了基于激光和视觉融合的障碍检测方法,探究了影响融合效果的关键因素,创新性地提出将三维激光雷达扫描与机器视觉融合的避障技术并说明了其工作原理。该方法能够减小障碍物检测的误差。最后总结了该方法的应用前景。

关键词：
无人驾驶技术
无线电电子学
机器视觉
激光与视觉融合
激光雷达扫描
避障
加入收藏

无人驾驶汽车因为方便被越来越多的大众所需求。行驶路线上出现障碍物和地形识别是保证可靠性运行的前提也是驾驶时要解决的关键问题。然而由于激光扫描时地面上激光点云密度分布不均匀等原因造成了图像稳定性差等问题。单目相机无法测量出物体的深度，通过激光扫描收发探测信号建立实时的场景障碍物模型收到错误信号的概率较大。针对以上问题本文分析了大量激光与视觉融合在交通领域研究的论文对其进行分析整理评价，重点研究了两者融合的检测技术，并说明了其最新研究成果。

一、基于激光扫描的无人车避障技术

（一）障碍物自适应栅格表达方法

首先进行参数的标定，对激光雷达点云[1]进行预处理；其次利用预处理后的激光雷达点云数据，计算无人驾驶车周边场景障碍物的分布情况，接着根据目标的数量，自动确定适中的栅格地图分辨率建图；然后对数据进行降维，并将其投影到地图中，提高目标的检测性能；最后，在地图中获取目标的位姿等信息，从而进行目标的栅格表达。如公式（1）所示

公式（1）

其中，Col和Row分别是地图的列的数量和行的数量，(x,y)为点云的二维坐标,Tx和Ty分别为在x和y坐标上增大的平移量，G为栅格的大小。目标自适应栅格表示法的主要问题是建立分辨率自适应的栅格地图。首先以车的位置为中心建立栅格地图，对于同一个障碍物环境场景，采用不同分辨率的栅格地图表达，由于目标的区域在地图中的比例不相同，引入一个量表示地图中目标的密度值o

公式（2）（3）

其中，t是车辆的行驶时间，f(I)和g(t)分别是障碍物的密度和车辆的密度，R为地图中目标的密度值。

（二）激光数据滤波及特征提取

该方法的思想是把首个数据点作为第一组聚类的中心，若聚类半径R大于下一点到该点的距离认为是同一物。聚类算法如下式：

公式（4）

其中，ρi和ρi-1分别为目前的扫描距离和上一个检测点的距离。

二、基于机器视觉的障碍物检测方法

（一）简单的单目视觉目标检测

为了进一步解决避障精确度低的问题，研究了贝叶斯网络与卡尔曼滤波融合的检测技术。首先通过卡尔曼滤波检测障碍物，同时提取特征信息，然后利用特征信息通过朴素贝叶斯网络对无人车周围的障碍物进行检测分析。障碍物的检测准确度到达95%以上，单目SLAM检测有了较好的检测效果。

（二）简单立体视觉的障碍物检测

为了精确地检测障碍物，提出了一种基于立体视觉的目标检测技术。首先借鉴物理学中的控制变量实现双目相机的标定，其次将采集的图像利用Bouguet算法[2]进行立体校正，然后采用YOLO卷积神经网络对障碍物类别进行快速检测，利用改进立体匹配算法完成对弱光照下光滑边缘障碍物的检测。结果显示，该系统检测耗时短、误差范围很小，具有较好的实时性和较高的准确度，有利于无人车避障技术的研究。

三、基于激光和视觉融合的SLAM方法

(1）基于激光和视觉融合的关键问题。不同传感器对同一目标在相同时刻的描述是激光和视觉传感器数据融合的基础。传感器的标定方法有两种，第1种是按照不同传感器数据之间的约束关系来计算两个传感器之间的相对变换关系，类似于单目相机的内参标定，对于标定误差较大的单目相机采用全局优化的方法同步优化相机内部标定和外部标定。第2种则是根据给定的相对变换关系安装传感器。当传感器发生故障时第2种需要重新校准，而且无人车运动过程中的振动会使得相对误差逐渐增大，因此更多的采用第1种标定方法。视觉与激光不相同，所以在数据层数据不能融合，但是在决策层进行融合预处理的成本比较高，所以数据融合首要是特征层的数据融合。按照周围场景选择合适的单一传感器或者利用传感器将数据融合为关键点建立处从而降低数据融合的运算复杂度并更精确地应用在动态的复杂场景。（2）基于扩展的卡尔曼姿态激光和视觉融合算法。激光方法采用相关性匹配进行运动估计，视觉特征点用来匹配后进行运动估计。当视觉与激光同时定位成功时，系统同时输出两个位姿，对二者位姿结果进行EKF融合。融合算法从下到上分为建立地图、位姿融合、策略判断三个模块。由数据预处理、地图概率模型、相关性匹配、特征点判断、位姿优化构成建立地图模块。由特征检测、特征匹配、运动估计、特征点判断、位姿优化组成视觉模块进行策略判断。

四、总结与展望

SLAM在AR、无人车的自主定位与导航等领域的应用越来越广泛，但由于单个传感器的局限性，在无人驾驶汽车领域激光视觉融合SLAM应用较少。激光视觉融合SLAM有效的解决了该问题同时也将更多的应用于测绘等领域。随着研究者们的不断努力，SLAM技术不断走向成熟。激光和视觉融合SLAM技术还能够与深度学习、多机器人系统相融合。激光和视觉融合SLAM中的特征匹配、闭环检测等环节都能利用深度学习来获得更精确的结论。多机器人系统在执行任务效率、分散性、灵活性、稳定性、容错性、可重构性以及成本等方面比单机器人系统更加有优势。

参考文献：

[1]王辉.5G+自动驾驶智能车“驶向”发展高速路[J].交通企业管理,2019(6):4-6.

[2]李洋.智能车辆障碍物检测技术综述[J].大众科技,2019,21(6):65-68.

刘警灿,石铭杰,李辉,黄建昌.基于激光和视觉融合的障碍检测研究[J].计算机产品与流通,2020(06):145.