一种改进Delaunay三角剖分的临时道路检测方法_王超.pdf

（）年 第 卷 第 期 收稿日期：基金项目：国家基础加强计划项目（）（）；促进内涵发展科研水平提高项目（）作者简介：王超，男，硕士研究生，主要从事移动机器人感知研究，：；通信作者 王立勇，男，博士，教授，主要从事自动驾驶技术与应用研究，：。本文引用格式：王超，王立勇，苏清华，等 一种改进 三角剖分的临时道路检测方法 重庆理工大学学报（自然科学），（）：，（），（）：（）一种改进 三角剖分的临时道路检测方法王 超，王立勇，苏清华，丁炳超，张 政，贾晓亮（北京信息科技大学 现代测控技术教育部重点实验室，北京；陆军装备部驻北京地区军事代表局驻临汾地区军事代表室，山西 临汾）摘 要：针对由交通锥桶引导的临时道路，提出一种改进 三角剖分算法，实现该特殊场景下的道路检测。使用 算法对图像中的交通锥桶目标进行识别，并融合图像信息与激光雷达获取的交通锥桶点云信息，对融合后的交通锥桶信息进行 三角剖分，提出一种 三角网滤波算法与局部优化策略，根据路况变化实现 三角网权重与损失值的实时计算，有效滤除损失值总和不满足条件的三角边，算法减少了 三角网内的噪声约束，有效实现车道线与可行驶路径的快速规划与实时更新。实车实验结果表明：该算法平均耗时 ，所检测路径绝对轨迹误差为 、准确率为，相比传统 三角剖分算法，改进后的算法满足实时性要求，降低了路径检测误差，提高了路径检测准确率。关 键 词：锥桶识别；方程式赛车；三角剖分；路径规划；临时道路检测中图分类号：文献标识码：文章编号：（）引言随着人工智能技术高速发展，无人驾驶车辆已成为各高校与机构的重点研究对象，其主要包含 个关键技术：环境感知、决策规划及车辆控制。其中，环境感知是实现车辆自主行驶的先决条件，它模拟了人类驾驶员对自身周围环境的理解，如在结构化道路中，无人车辆需感知环境，使其保持在车道线以内行驶，对此，有学者提出针对车道线的可行使区域检测方法。而路况环境是复杂多变的，其中临时道路作为一种特殊路况之一，常在道路保养与维护、发生交通事故以及道路临时管制等情况下使用交通路锥临时搭建，以避免事故进一步扩大及交通引流。另外，为了驱动无人驾驶技术的发展，国内外高校与研究机构举办的无人驾驶方程式大赛均以交通路锥作为临时牵引车道。针对上述特定场景，常规的车道线识别方法面临诸多挑战，对此，有部分学者提出了解决方案，如李刚等使用四边形重心的几何特性确定路锥车道内可行驶路径点，并采用 次样条插值拟合路径曲线，但该方法估算出的车辆可行驶路径较短，且没有考虑可行驶区域的安全冗余范围。史林波等使用 变换的方法检测路锥车道线，根据检测结果拟合车辆的目标行驶路径，此方法计算复杂度较高，且对弯道检测鲁棒性不强。等使用特征点法对场景视觉特征点进行提取并匹配，根据匹配结果确定各点之间的几何约束，并从中分割出可行驶道路，此方法依赖于视觉特征点的提取与匹配，易受环境光照、载体旋转等影响，且道路检测结果中包含较多非道路成分，安全冗余度不高。针对上述问题，本文提出一种改进 三角剖分算法，通过实时更新与优化 三角网的权重及损失值，滤除损失值总和不满足条件阈值的冗余三角边，从而提升道路检测准确率，降低车辆行驶危险。道路环境与锥桶检测 道路环境本文以交通锥桶搭建的临时道路作为研究对象，参考中国大学生无人方程式大赛规则并结合实际道路应用，以红、蓝 种颜色锥桶分别标记临时道路左、右两侧边界。交通锥桶长、宽、高分别为、，横向间距为 ，纵向间距为 ，如图 所示。图 临时道路场景 交通锥桶检测交通锥桶的检测分为 部分，分别为：从相机采集的彩色图像中获取交通锥桶 颜色信息，从激光雷达获取的点云数据中获取交通锥桶 点云信息，以及、交通锥桶数据融合。为提取彩色图像中的交通锥桶的颜色信息，训练检测锥桶的机器学习模型，首先，将通过相机采集的红、蓝色交通锥桶图像数据集使用 软件分别进行手工标注；然后，选取 张道路图像按照 的比例分别构建训练集（张）、测试集（张）及验证集（张）；最后，基于训练集数据训练 目标检测网络，直至该网络收敛并可实现对道路中不同颜色锥桶实时检测，获取锥桶颜色分类结果及图像检测框，如图（）所示。基于视觉的深度估计方法易受光照、车辆震动等因素影响，无法高精度感知锥桶位置，因此本文采用激光雷达对道路场景实时扫描，从而获取锥桶的准确位置。由于地面不平等因素，运动状态下激光雷达采集的点云数据中包含大量地面噪声点云，且呈现为纹理状，对后续锥桶点云聚类带来干扰，因此，通过线性模型对地面进行平面拟合，将原始点云数据中的地面噪声滤除，如式（）所示，式中，、为平面拟合参数，、为原始点云坐标。（）使用 方法对式（）进行参数估计，并判断原始点云到该平面距离是否满足条件，若点云中满足该点到平面的正交投影距离小于给定阈值，则该点云属于地面，将其滤除并保留地面以上的点云。最后，采用欧几里得算法对锥桶点云进行聚类分割。由于该方法会对所有相邻点云计算欧式距离，运算量较大，为提高算法整体运算效率，在聚类前使用体素栅格法对障碍物点云进行降采样，其中体素栅格阈值设为 ，确保在减少点云数量的同时保留其形状特征。由于相机与激光雷达对场景的感知是松耦合过程，因此，需要将相机与激光雷达进行联合标定，进而确定两者在空间内的投影关系，从而实现图像中交通锥桶的颜色信息与激光点云中交通锥桶的点云信息的数据融合。本文通过构建关于重投影残差的 模型，如式（）所示。()（）式中：为重投影残差；为图像中第 个像素坐标；为第 个点云坐标，且 与 均为先验数据；为第 个点云深度值；为相机内参矩阵。为计算投影矩阵，采用高斯 牛顿非线性优化方法对式（）进行迭代优化，优化过程中存在重投影残差关于投影矩阵 的微分运算，由于 是由正交旋转矩阵 和平移向量 所构成的特殊欧氏群，其加法运算不具封闭性，因此本文采用李代数左乘扰动模型实现对投影矩阵 的无约束优化。待优化完成后从 中取出旋转矩阵 和平移向量，实现交通锥桶 点云投影到 图像，如式（）所示，式中 为实时检测到的锥桶 点云坐标，为点云投影到图像中的 像素坐标。（）（）由于传感器标定存在误差，无法确保交通锥桶点云投影后的像素坐标与图像交通锥桶坐标重合，因此，通过统计每一个交通锥桶检测框内 的数量来决定融合是否有效，若数量满足给定阈值，则对满足条件的 求质心并作为该锥桶最终的 点云坐标，如图（）所示。图 交通锥桶检测 三角剖分改进算法 三角网构建步骤 三角剖分可将离散的交通锥桶集合连接成互不交叉的三角网。该三角网满足空外接圆准则和最小角最大准则，避免产生狭长三角形，从而确保从锥桶集合中任意交通锥桶位置开始建网，最终得到的 三角网是唯一的。本文以所检测交通锥桶集合中每个锥桶个体作为三角形顶点，如图（）所示，各顶点位置由交通锥桶点云坐标描述，采用逐点插入法构建 三角网，具体步骤如下：）创建一个虚拟平面，确保其与道路平面平行，在该平面内构建一个虚拟三角形包围盒，确保能将所有交通锥桶包含在包围盒以内。）在虚拟三角形包围盒内插入一点，将该点分别与虚拟三角形各顶点相连，构成初始三角网，随后将交通锥桶点集中所有点依次插入到当前的三角网中，并记录包含该点的三角形位置。）在确定插入点位置后，将该点与其所在三角形 个顶点相连，根据空外接圆准则删除构成影响域凸包内三角形公共边，最终生成如图（）所示的 三角网。由图 可知，由红、蓝交通锥桶作为路标引导的临时道路中，对各交通锥桶进行 三角剖分可确定其内部的几何关系，提取出红色交通锥桶之间所连接的三角边即可构建出临时道路左车道线，同理，也可确定蓝色交通锥桶构成的右车道线，连接红、蓝之间所连接的三角边中点可作为车辆可行驶路径。图 三角剖分示意图 由于场景的复杂性以及算法的局限性，无法确保对交通锥桶检测效果达到 准确率，因此在实际交通锥桶检测过程中可能出现错检，如图（）中，当蓝色交通锥桶引导的车道下侧出现异常点，该点为交通锥桶误识别结果，而导致在构建图（）中 三角网时出现多条冗余三角边。此外，当 检 测 到 弯 道 处 的 交 通 锥 桶，如王 超，等：一种改进 三角剖分的临时道路检测方法图（）中的红色交通锥桶，在对其进行 三角 剖 分 时 也 会 产 生 冗 余 三 角 边。因 此，从 三角网中直接规划车道线与可行驶路径的错误率将增加。三角网滤波算法为消除因冗余三角边数量的增加而导致无法稳定规划出车道线与可行驶路径的问题，本文提出一种针对 三角网冗余三角边的滤波器，在不影响 三角网内部几何约束的前提下实现冗余三角边滤除。该算法首先对 三角网进行均值滤波，可避免因交通锥桶摆放位置间距不规律导致后续计算三角边损失值无法收敛的问题。对如图（）所得 三角网，计算红、蓝交通锥桶连接的三角边长度总和并求其均值，如式（）所示。（）（）（）式中：为三角边数量；（，）为第 个三角边对应红色交通锥桶位置坐标；（，）为第 个三角边对应蓝色交通锥桶位置坐标。同种颜色且位置相邻的交通锥桶所连接三角边长度总和、，及其均值，如式（）（）所示。（）（）（）（）（）（）（）式中：、分别为红、蓝色交通锥桶数量；为所有红色且位置相邻的 个交通锥桶连线长度总和；为所有蓝色且位置相邻的 个交通锥桶连线长度总和；（，）与（），（）为红色且位置相邻的交通锥桶位置坐标；（，）与（），（）为蓝色且位置相邻的交通锥桶位置坐标。根据 和 可计算出 种不同颜色交通锥桶构成三角边的长度损失值，以及同种颜色且位置相邻的锥桶所构成三角边的长度损失值，和 分别反映了 三角网中横向及纵向噪声约束规模，如式（）、（）所示，其中，（，）与（，）表示不同颜色交通锥桶所构成三角边对应红色、蓝色交通锥桶位置坐标，（，）与（，）表示不同颜色交通锥桶构成三角边中 个相邻三角边的中点坐标，也即路径点坐标。（）（）（）（）（）（）根据路径点坐标可得到 个相邻路径点所构成三角形的各边长度：，如图 所示，并以此计算路径夹角，如式（）所示。为从 三角网中获取路径的损失信息，需对路径夹角进行编码，得到路径夹角损失值，如式（）所示，其中，为 三角网中路径夹角个数。（）（）（）图 路径夹角示意图 联立式（）、（）及（），计算 三角边总损失值，如式（）所示。（）式中：为交通锥桶误检数量；、分别表示锥桶误检缩放系数、路径角度缩放系数、车道宽度缩放系数、路径长度缩放系数。通过设定阈值，将损失值 大于 的三角边进行滤除，从而有效降低冗余三角边的数量。为避免在不同环境下出现非冗余三角边的误滤除，需根据交通锥桶摆放位置的前后及左右间距变化实时更新阈值，如式（）所示。（）（）三角网局部优化对滤除冗余三角边后的 三角网，可根据三角网内各顶点颜色特征及其关联的点云坐标构建车道线与可行驶路径，即在三角网内依次连接红色锥桶，得到左车道线；同理，对蓝色锥桶处理得到右车道线，左右车道线之间的区域为车辆可行驶区域，如图 所示。每当获取到新的锥桶数据时需对原 三角网进行更新，并对更新后的三角网再次构建车道线及可行驶路径。更新时需对插入交通锥桶后所构成的新三角边进行空圆特性检测，遍历新 三角网，并计算各三角边损失值。该过程本质上是对整体 三角网进行全局更新，当出现大量交通锥桶数据时会导致运算量增大，对后续可行驶路径及车道线的规划效率造成一定影响。图 路径夹角示意图 为保证算法整体运行效率，当检测到新的交通锥桶数据时，采用滑动窗口法对 三角网进行局部优化，具体实施步骤如图 所示。在更新 三角网时，需对部分历史锥桶数据进行滤除，通过判断锥桶 点云坐标与车辆的相对位置，将车辆后方的交通锥桶数据进行滤除，避免其参与 三角剖分，确保后续只对车辆前方滑动窗口内的交通锥桶数据进行优化。优化过程中需确保新插入的交通锥桶数据在滑动窗口内与历史帧交通锥桶数据产生关联，由于冗余三角边的滤除过程是由单独的线程负责计算，因此可将该线程所得到的三角边均值 与作为历史帧交通锥桶数据，随后对更新后的 三角网计算标准差损失值。图 三角网局部优化流程 由红、蓝 种不同颜色交通锥桶构成三角边的标准差损失值 如式（）所示。（）（）式中：为 种不同颜色交通锥桶构成三角边中第 个三角边的长度；为 种不同颜色交通锥桶构成三角边的数量。由同种颜色且位置相邻的交通锥桶所构成三角边的标准差损失值 如式（）所示。（）（）（）式中：为红色相邻交通锥桶所构成三角边中第 个三角边长度；为蓝色相邻交通锥桶所构成三角边中第 个三角边长度；和 分别为红色相邻交通锥桶、蓝色相邻交通锥桶所构成三角边的数量。根据 及 可计算三角网局部优化损失值，如式（）所示。（）式中：、分别为路径标准差缩放系数、车道标准差缩放系数。新插入的交通锥桶将作为新的顶点并关联多个三角边，通过多次计算局部优化损失值，选取损失值最小的三角边中点作为路径更新量，并王 超，等：一种改进 三角剖分的临时道路检测方法将其与前一帧路径点相连，同时，将该三角边 个端点根据交通锥桶颜色特征分别与前一帧车道线端点相连，作为车道线更新量，如图 所示。图 车道线及路径更新示意图 实验结果与分析实车实验过程中，采用无人方程式赛车作为移动平台，如图 所示。无人方程式赛车车身轴距为 ，搭载 激光雷达 台，双目立体相机 台，组合导航模块 套，英伟达 一台。线激光雷达的测距范围为 ，可感知道路上的交通锥桶距离；相机分辨率为 ，图像采集频率为，用于实时获取道路图像信息；组合导航模块用于车辆实时定位；作为车辆嵌入式计算机运行环境感知、道路检测程序。图 无人方程式赛车 将 三角网滤波算法中的缩放系数、分别设置为、；三角网局部优化缩放系数、分别为 、。由红、蓝 种颜色交通锥桶构建的临时道路长度约，车辆行驶速度为 。为验证算法的有效性，在正常光照环境下对临时道路中直行、右转及左转车道进行实车实验，如图 所示。图 正常光照环境下临时道路检测结果 在图（）直行车道场景中，受远处右侧车道交通锥桶的影响，三角网增加了 条冗余三角边，导致 三角剖分算法无法稳定规划出车道线，且计算可行驶路径时产生错误偏移，如图 （）所示。在图 （）右转车道及图（）左转车道 种场景中，受锥桶误识别以及弯道同侧交通锥桶的影响，三角剖分算法均无法正常检测出车道线与可行驶路径。然而，通过增加三角网滤波和局部优化，直行、右转及左转路试的实时车道检测和可行驶路径规划均可快速、准确地生成，如图（）、（）及（）中所示。为验证算法的鲁棒性，在不同光照环境下进行实车实验，如图 所示。传统 三角剖分算法无法正确规划出可行驶路径，且车道线检测不稳定，如图（）及（）中所示。然而，改进 三角剖分算法在弱光及逆光场景下均可稳定、准 确 检 测 出 车 道 线 与 可 行 驶 路 径，如图（）及（）中所示，因此，本文算法具有良好的鲁棒性。图 不同光照环境下临时道路检测结果 为进一步验证本文算法的准确性，使用 组合导航对上述临时道路进行数据采集。本实验中，首先，由人工驾驶无人方程式赛车以 的速度完成整个赛道行驶，驾驶过程中，车辆尽可能处于道路正中间，组合导航、激光雷达及相机共同实时记录车辆行驶的 数据、场景障碍物点云信息以及交通锥桶图像信息。其次，通过对数据集中 数据进行路径可视化，可得到车辆真实行驶轨迹。随后，基于该数据集中的障碍物点云与道路图像数据，使用本文算法完成道路检测和可行驶路径计算。最后，通过与人工驾驶的 路径比较，判断改进 三角剖分算法是否可行，实验结果如图 所示。图 可行驶路径与 路径对比 在同样的环境下，表 给出不同算法实验对比结果。由表 可知，文本算法所检测可行驶路径绝对轨迹误差为 ，相比其他算法均有所降低。另外，本文算法处理每帧数据平均耗时为.，路径检测长度为 ，准确率为，在满足实时性的同时提高了可行驶路径检测长度及检测准确率。表 不同算法实验对比算法平均耗时绝对轨迹误差 路径检测准确率 路径检测长度 四边形重心法 三角剖分算法本文算法 结论本文提出一种改进 三角剖分算法，用于检测由交通锥桶引导的临时道路，在实车实验中规划出车道线及车辆可行驶路径，得出的主要结论如下：）提出一种 三角网滤波算法，根据路况变化实现 三角网权重与损失值的实时计算，有效减少 三角网内的噪声约束，降低车道线与可行驶路径检测误差。）提出一种 三角网局部优化策略，实时计算三角网局部优化损失值，有效滤除交通锥桶信息中的无效数据，实现车道线与可行驶路径的快速规划与实时更新。）实车实验结果表明，本文所提出的改进 三角剖分算法平均耗时为 ，检测可行驶路径的绝对轨迹误差为 、准确率为，满足实时性要求，降低了路径检测误差，提高了路径检测准确率。参考文献：宫慧琪，牛芳 自动驾驶关键技术与产业发展态势研究 信息通信技术与政策，（）：，：，：，：，：，（）：王 超，等：一种改进 三角剖分的临时道路检测方法 ，：，（）：，：，：，：，：李刚，金鸿耀，冀同涛，等 一种无人驾驶赛车路径规划算法研究 辽宁工业大学学报（自然科学版），（）：史林波 自动驾驶中路锥车道的识别方法及其路径规划研究 成都：电子科技大学，：，：，：，（）：，：（），（）：，（）：，（）：，（，；，）：，：；（责任编辑 卢 燕）