Çok Katmanlı Lidar Bazında Sürüş Alanının Bilgi Çıkarma Algoritması
Duan Jianmin, Wang Changren, Ren Lu, Liu Dan
(Bilgi Bilimi Bölümü, Pekin Teknoloji Üniversitesi, Pekin 100124)
Sürücüsüz aracın önündeki sürülebilir alanın bilgisini çıkarmak için, çok katmanlı lidara dayalı olarak sürülebilir alan bilgisini çıkarmak için bir algoritma önerilmiştir. Öncelikle, veri aralığı yoğunluk dağılımı ile birleştirilen radar dönüş verisinin özelliklerine göre yol kenarı nokta seti elde edilir ve elde edilen yol kenarı noktaları ağırlıklı Öklid mesafesi KNN'ye göre OPTICS algoritması ile kümelenir. Daha sonra, bordürleri her iki tarafa da sığdırmak için en küçük kareler yöntemi kullanılır. Son olarak, yoldaki engellerin nokta bulutu, geliştirilmiş OPTICS algoritması ile kümelenir ve hesaplama yoluyla engellerin konumu, mesafesi, boyutu ve diğer bilgileri elde edilir. Yol kenarı noktalarını çıkarmak için veri aralığı yoğunluğu dağıtım yöntemini kullanmak engeller ve kaldırım noktalarından etkilenmezken, geliştirilmiş OPTICS algoritması artık Eps kısıtlamalarına tabi değildir ve gürültü nedeniyle çıkarılan engel bilgilerinin sorununu çözen gürültü noktalarını doğru bir şekilde ayırt edebilir. Kesin soru. Gerçek araç deneyleri, algoritmanın etkinliğini ve gerçek zamanlı performansını kanıtlamaktadır.
İnsansız araç; çok katmanlı lidar; sürülebilir alan; veri yoğunluğu dağılımı; OPTİK algoritması
Çin Kütüphanesi Sınıflandırma Numarası: TN958.98
Belge tanımlama kodu: Bir
DOI: 10.16157 / j.issn.0258-7998.170392
Çince alıntı biçimi: Duan Jianmin, Wang Changren, Ren Lu, ve diğerleri.Çok katmanlı lidara dayalı sürüş alanı bilgi çıkarma algoritması.Elektronik Teknoloji Uygulaması, 2017, 43 (10): 78-82.
İngilizce alıntı biçimi: Duan Jianmin, Wang Changren, Ren Lu, ve diğerleri.Çok katmanlı lidara dayalı sürüş alanı bilgisi çıkarma algoritması.Elektronik Tekniğin Uygulanması, 2017, 43 (10): 78-82.
0 Önsöz
Toplumun sürekli gelişmesiyle birlikte, dünyanın her yerinden giderek daha fazla bilim insanı insansız sürüş konusunda araştırmalar yapmaya başladı ve bunların arasında radar teknolojisi yaygın olarak ilgi gördü. Literatür, yol kenarı noktalarını çıkarmak için yol kenarı nokta verilerinin tutarlı karakteristiğini kullanır, ancak algoritma yol noktalarından ve engel noktalarından kolayca etkilenir ve hiyerarşik olarak işlenmesi gerekir, bu nedenle doğruluk ve gerçek zamanlı performans gereksinimleri karşılayamaz. Literatür, yol kenarı noktalarını çıkarmak için lidar dönüş yüksekliği verilerinin atlamasını kullanır, bu yöntem engeller nedeniyle çok dengesizdir. Kümeleme algoritmasına gelince, lidar verileri esas olarak kümelerde göründüğünden, yoğunluk tabanlı kümeleme yöntemi lidar verileri için uygundur ve OPTICS algoritması tipik bir yoğunluk tabanlı kümeleme yöntemidir. Literatür, OPTICS algoritmasını iyileştirmek için sonuç dizisi yeniden düzenleme stratejisini kullanır, ancak pratik uygulamalarda, lidar veri noktalarının ani seslerini ayırt etmek imkansızdır, bu da yanlış engel çıkarma sonuçlarına neden olur.
Bu makale ilk olarak bordür noktalarını çıkarmak için veri aralığı yoğunluğu dağılımını kullanır ve sürülebilir alanları en küçük kareler yöntemiyle ayırt etmek için kaldırıma uyar ve daha sonra, döndürülen verileri sürülebilir alanlarda gerçek zamanlı olarak kümelemek için geliştirilmiş OPTİK algoritmasını kullanır. Son olarak, önerilen algoritmanın etkinliği ve gerçek zamanlı performansı gerçek araç deneyleri ile doğrulanır.
1 Lidar veri ön işleme
1.1 Lidar veri analizi
Bu makale, Alman IBEO şirketi tarafından üretilen IBEO LUX 2010 dört hatlı lidar'ı kullanmaktadır.Tek hatlı lidar ile karşılaştırıldığında, bu tip radar, büyük veri hacmi, yüksek algılama doğruluğu ve uzun algılama mesafesi avantajlarına sahiptir. Ana parametreleri Tablo 1'de gösterilmektedir.
Dört hatlı radar tarafından döndürülen bilgiler temel olarak seri numarası, tarama katmanı numarası, mesafe ve konum koordinat bilgilerini içerir. Karakteristik analizi aşağıdaki gibidir:
(1) Lidar soldan sağa tarar ve her karede döndürülen veri miktarı temelde benzerdir;
(2) Lidar tarafından döndürülen veriler, ilerideki sahnedeki değişikliklere göre değişir ve her engelin tarama noktalarının sayısı ve şekli farklıdır;
(3) Lidar yolun kenarını taradığında, döndürülen veriler seyrek x ekseni koordinatları ve sıkı bir şekilde düzenlenmiş y ekseni koordinatlarıyla karakterize edilir.
1.2 Veri ön işleme
Aracın önündeki sürülebilir alan ve engel bilgisini tespit etmek için lidar aracın ön kısmının ortasına yerleştirilir.Geçmiş deneyimlere göre radarın montaj yüksekliği 0.846 m olarak ayarlanmıştır. Kurulum konumu şeması Şekil 1'de gösterilmiştir.
2 Lidar veri işleme yöntemi
2.1 Tek boyutlu veri aralığı yoğunluk dağılımı
(X1, y1), (x2, y2), (x3, y3), ..., (xn, yn), n R'nin radar dönüş kenar noktası verisi olduğunu varsayarsak, özelliklerine göre D = {boyutsal verilerinden biri y1, y2, y3, ..., yn}, n R temelde benzerdir. Veri aralığının olasılık yoğunluğu dağılımı, belirli bir aralığa düşen radar tarafından döndürülen verilerin yoğunluğudur. Formül:
Formülde ve , belirli bir aralığın iki uç noktasıdır, num (yi) belirli bir aralığa düşen veri sayısıdır ve payda, veri sayısının toplamıdır; P, belirli bir aralıktaki toplam veri sayısıdır. Olasılık. Genel veriler j aralıklara bölünürse, olasılıkların toplamı 1'dir.
2.2 OPTİK algoritması
OPTICS (Küme Yapısını Tanımlamak için Sipariş Noktası) algoritması, yoğunluk tabanlı bir kümeleme algoritmasıdır. Bu algoritma, DBSCAN algoritmasının bir uzantısıdır. Veri nesnesi kümesindeki verileri sıralar ve nesnelerin sıralı bir listesini çıkarır (küme sıralaması). Bu liste kümeleri çıkarmak için kullanılan tüm bilgileri içerir, yani veri nesneleri sınıflandırma. OPTICS algoritmasında tanıtılan iki tanım aşağıdadır:
Tanım 1 çekirdek mesafesi (çekirdek mesafesi)
P noktasının minimum yarıçaplı minimum mesafe (P) olan m komşu içerdiği varsayıldığında, P noktasının çekirdek mesafesi şu şekilde tanımlanabilir:
Tanım 2 erişim mesafesi (RD)
P noktasının komşu noktalarından biri olduğunu varsayarsak, P ve o arasındaki ulaşılabilir mesafenin tanımı şöyledir:
Geleneksel OPTICS kümeleme yönteminin uygulama adımları Şekil 2'de gösterilmiştir. OPTICS algoritmasının avantajı, girdi parametrelerine duyarlı olmamasıdır, ancak giriş Eps ve gerçek Eps büyük olduğunda, kümeleme etkisi yine de etkilenir ve algoritma gürültü ile başa çıkamaz. ayırmak.
2.3 Ağırlıklı Öklid mesafesine dayalı KNN grafiği
Radar verilerinin gerçek radar verilerindeki veri yoğunluğu dağılımını hesapladıktan sonra, her tepe alanının nokta kümesini çıkarın, yatay ve dikey koordinatların varyans değerini hesaplayın ve ardından veri noktaları arasındaki ağırlıklı Öklid mesafesini hesaplayın.
KNN, ağırlıklı Öklid mesafesine göre gerçek radar tarafından taranan veri noktalarının mesafe matrisini Distk * k hesaplayacak, ardından her bir boyutu Distk * k'de artan sırada düzenleyerek sıralama (Distk * k) ve son olarak sıralama (Distk * k) Her boyut verisi) KNN grafiğine çizilir.
2.4 En Küçük Kareler Uydurma
Bu çalışmada, deney yolunun özelliklerine göre, deney yolunun her iki tarafındaki bordür noktalarının çoğu doğrusal olarak dağıldığından, yolun her iki tarafında çıkarılan bordür noktalarına doğrusal olarak uyması için en küçük kareler yöntemi kullanılmıştır. En küçük kareler yöntemi, hata karelerinin toplamını en aza indirerek verilerin en iyi fonksiyon eşleşmesini bulan matematiksel bir optimizasyon yöntemidir. Doğrusal uydurma için yaygın olarak kullanılan ifade y = kx + h'dir ve aşağıdaki k ve h parametreleri için çözüm formülüdür:
Formülde n uydurulacak noktaların sayısını temsil eder, (xi, yi) uydurulacak noktaların koordinat değeridir, k eğimdir ve h kesişimdir.
3 Sürülebilir alan bilgilerinin çıkarım yöntemi
3.1 Ağırlıklı Öklid mesafesine dayalı geliştirilmiş OPTİK algoritması
Geleneksel OPTICS algoritması diğer geleneksel kümeleme algoritmalarının bazı problemlerinin üstesinden gelse de, yine de bazı eksiklikleri vardır.Örneğin, çekirdek noktaların gerçek taranması sürecinde, OPTICS, uygun EPS'yi seçerek çekirdek noktaların konumunu belirler. Bununla birlikte, yanlış Eps seçimi, gürültüye neden olur ve bu da algoritmanın gürültüye duyarlılığını büyük ölçüde azaltır ve kümelemeyi yanlış yapar. Ek olarak, Eps aralığı kör bir şekilde seçilirse, kümeleme etkisi de etkilenecektir.
OPTICS'in eksikliklerini iyileştirmek için, bu makale ağırlıklı Öklid mesafesi KNN'ye dayalı gelişmiş bir OPTİK algoritması önermektedir.Bu algoritma Eps giriş parametresini gerektirmez, ancak k-en yakın komşu grafiğini oluşturur ( KNN) kümeleme sonuçlarını belirlemek ve gürültü noktalarını ayırt etmek için. Spesifik adımlar Şekil 3'te gösterilmektedir.
Şekil 3'e göre, geliştirilmiş OPTICS algoritması, Eps seçmeden doğrudan kümeleme gerçekleştirebilir. Akış çizelgesindeki ağırlıklı Öklid mesafesi KNN'ye dayalı olarak gürültüyü ayırmanın spesifik adımları aşağıdaki gibidir:
(1) Mesafe matrisi Distk * k oluşturmak için her veri noktası tipindeki her nokta arasındaki ağırlıklı Öklid mesafesini hesaplayın;
(2) Mesafe matrisindeki her boyutun mesafelerini artan düzende sıralayarak sıralayın (Distk * k);
(3) Gürültü noktası ile diğer noktalar arasındaki mesafe bir eşikten büyük olduğu için, bu nokta ile diğer noktalar arasındaki minimum mesafenin eşikten büyük olup olmadığının, daha büyükse noktanın bir gürültü olup olmadığının belirlenmesi gerekir.
3.2 Tek boyutlu veri aralığı yoğunluk dağılımına dayalı kaldırım çıkarma algoritması
Lidar tarafından döndürülen nokta bulutu verilerinin analizi sayesinde, nokta bulutunun yol noktaları, her iki taraftaki bordür noktaları, çevreleyen çiçekler ve bitkiler ve engel noktaları içerdiği anlaşılabilir. Eşit mesafeli k aralıkları ayarlayın, bu aralıkta, her aralıktaki radar veri noktalarının yoğunluğunu bulmak için denklem (2) 'yi kullanın. Sınır noktası olarak yatay eksen sıfır alınarak, her iki taraftaki maksimum yoğunluğun ve ikinci maksimum yoğunluğun bulunduğu aralık çıkarılır. Deneyimlerden, kaldırım noktası ile bordür noktası arasındaki yükseklik farkı yaklaşık 20 cm'dir ve bu yükseklik farkına göre kaplama noktası ortadan kaldırılabilir. Kaldırım noktalarını elde ettikten sonra, kaldırım noktalarını kümelemek için iyileştirilmiş OPTİK algoritmasını kullanın ve son olarak en küçük kareler yöntemini kullanarak kaldırımı elde edin ve kaldırım bilgilerini hesaplayın.
3.3 Sürülebilir alandaki engel bilgilerinin çıkarılması
Elde edilen yol kenarı bilgisi ile yolun yol genişliği belirlenebilir. Sol ve sağ yol kenarı noktalarının menzillerinin sırasıyla toplamı olduğu varsayılırsa, sürülebilir alanın menzili, yatay sınırlandırma ve formül (8) 'e göre elde edilebilir:
Formülde, Croad sürüş alanıdır ve Cnoise çevredeki ortamdır.
İnsansız aracın genişlik bilgisi ile çıkarılabilir alanın genişlik bilgisinin birleşimine göre ifade şöyledir:
Sürülebilir alanı çıkardıktan sonra, kalan noktalar engeller ve gürültüdür. Engel noktaları esas olarak şunları içerir: yayalar, motorlu araçlar, bisikletler vb. Engelin ana özellik bilgisi mesafe, açı, merkez noktası vb. Olarak ifade edilir. Geliştirilmiş OPTICS algoritması, sürülebilir alandaki engelleri kümelemek ve her engel türünün engel merkez noktasının mesafesini, açısını ve x, y, z koordinatlarını çıkarmak için kullanılır. Engelin uzunluğunu, genişliğini, mesafesini, açısını ve hızını sınıf içinde hesaplayarak öğrenin.
4 Gerçek araç test sonuçları
4.1 Deneysel koşullar ve platform
Bu makaledeki deneysel platform, BJUT-IV (Pekin Teknoloji Üniversitesi Akıllı Araç) tarafından bağımsız olarak geliştirilen insansız bir araçtır. IBEO-LUX dört hatlı lidar, deneysel verileri toplamak için aracın ön ucunun ortasına monte edilmiştir. Radarın kurulum yüksekliği 0.846 m'dir. Deneyin sahnesi, Şekil 4'te gösterildiği gibi, kampüsteki bir yoldur.
4.2 Sürülebilir alandaki yol kenarı ekstraksiyonunun deneysel sonuçları
Sürülebilir alandaki yol kenarı çıkarma deneyinin sonuçları Şekil 5'te gösterilmektedir.
Şekil 4'ün sol tarafı, deney sahnesi 1'dir ve yol durumu, hiçbir aracın geçmemesidir. Şekil 5 (b) orijinal veri noktalarını göstermektedir.Orijinal veri noktaları yol kenarı noktalarını, yol noktalarını, çevredeki ağaçları ve demir ağları içermektedir. Şekildeki radar veri noktaları, şekilde oklarla gösterilen noktalarla temsil edilen 4 katmana bölünmüştür. Şekil 5 (a), sıfırın sınır noktası, 4 aralıktaki sıfıra yakın iki aralığın kaldırım noktası aralıkları ve diğer ikisinin mahkeme sınırları olduğu radarla döndürülen verilerin y değerinin veri yoğunluğu dağılımının histogramıdır. . Yoğunluk histogramına göre, soldaki bordür noktası aralığını ve sağdaki bordür noktası aralığını net bir şekilde analiz edebiliriz. Aralık yoğunluğu seçimi ile Şekil 5 (c) 'de gösterilen durum elde edilir.Şekildeki iki nokta sütunu, tek boyutlu verilere dayalı olarak aralık yoğunluğu ile elde edilen sonuçlardır. Şekil 5 (d), ağırlıklı Öklid mesafesine dayalı olarak KNN tarafından geliştirilen OPTICS algoritması aracılığıyla çıkarılan yol kenarı noktalarını kümeler Şekildeki eliptik kutu, iki kategorinin kümeleme sonuçlarını açıkça göstermektedir. Son olarak, her iki tarafta çıkarılan kenar noktaları, en küçük kareler yöntemiyle doğrusal olarak yerleştirilir ve sonuç, Şekil 5 (e) 'de gösterilir. Çıkarılan bordür sonuçları, yolun genişliğinin 10.48 m, aracın sol tarafı ile bordür arasındaki mesafenin 6.64 m ve aracın sağ tarafı ile bordür arasındaki mesafenin 3.83 m olduğunu göstermiştir. Gerçek deneysel sahnede, gerçek yol genişliği ölçüm yoluyla yaklaşık 10,5 m'dir ve çıkarma sonucu ile gerçek genişlik arasındaki fark sadece 0,02 m'dir ve yol genişliği bilgisi algılama oranı% 99,8'dir, bu da pratik uygulamaların ihtiyaçlarını karşılar.
4.3 Engel çıkarma deneyi sürülebilir alan ile sonuçlanır
Sürülebilir alandaki engel çıkarmanın sonucu Şekil 6'da gösterilmektedir ve Şekil 4'ün sağ tarafı yayaların ve arabaların bulunduğu 2. deney sahnesidir. Şekil 6 (a) 47. çerçevenin ağırlıklı Öklid mesafesi KNN diyagramıdır Şeklin seyrek kısmı metinde belirtilen gürültü, diğer kısmı ise kümelenme etkisidir. Şekil 6 (b), yoldaki engelleri tespit etmek için geleneksel OPTİK algoritmasını kullanan aracın sürüş sürecindeki 47. veri çerçevesini göstermektedir. Radar tarama işlemi sırasında üçüncü katman verilerindeki gürültüden dolayı kümeleme etkisinin etkilendiği ve kümeleme doğruluğunun azaldığı şekilden görülebilmektedir. Şekil 6 (c), 47. çerçevede OPTİK algoritmasını iyileştirmek için ağırlıklı Öklid mesafesine dayalı KNN kullanmanın etkisini göstermektedir.Algoritma yol gürültüsünün etkisini önleyebilir ve engelleri doğru bir şekilde kümeleyebilir ve engeller hesaplama yoluyla elde edilebilir Algılanan yaya uzunluğunun ana özellikleri = 0,1 m, genişlik = 0,3 m, algılanan araç uzunluğu uzunluk = 3,3 m, genişlik = 1,7 m, radar ile öndeki engel arasındaki mesafe, algılama sonucu Temel olarak ölçülen gerçek boyutla tutarlıdır ve test gereksinimlerini karşılar.
Şekil 6 (d), 45. çerçevede geleneksel OPTİK algoritmasının algılama sonucunu göstermektedir Şekilde, yol gürültüsü kümelenme doğruluğunu etkileyen bir engel olarak kabul edilmektedir. Şekil 6 (e), iyileştirilmiş OPTİK algoritmasını kullanan 45. veri çerçevesini iyi sonuçlarla göstermektedir. Yukarıdaki deneysel sonuçlar, bu makalede önerilen sürülebilir alan çıkarma algoritmasının etkinliğinin ve gerçek zamanlı performansının iyileştirildiğini kanıtlayabilir.
5. Sonuç
Bu belgede önerilen sürülebilir alan bilgisi çıkarma algoritması, sürülebilir alan yol kenarı çıkarma ve engel çıkarma işlemlerini içerir.Yol kenarı çıkarımında, radar verilerini tanımlamak için tek boyutlu veri aralığı yoğunluk dağılımı kullanılır ve yol kenar noktaları, tanımlanan aralıktan çıkarılır. Bu yöntem, veri yoğunluğuna dayalı olarak kaldırım noktalarını çıkarır, yol engellerinin kaldırım noktası çıkarma üzerindeki etkisini ortadan kaldırır ve aynı anda birden çok veri katmanını işleyerek karmaşıklığı azaltır. Ağırlıklı Öklid mesafesine dayalı KNN geliştirilmiş OPTİK algoritması, yoldaki engel nokta bulutlarını kümelemek için kullanılır ve engelin konumu, mesafesi, boyutu ve diğer bilgileri hesaplama yoluyla elde edilir. Geliştirilmiş OPTİK algoritması artık Eps tarafından kısıtlanmıyor ve gürültü noktalarını doğru bir şekilde ayırt ederek engel çıkarma işleminin doğruluğunu artırıyor. Önerilen algoritma, sürücüsüz aracın önündeki sürülebilir alanın bilgilerini etkili bir şekilde algılayabilir, sürücüsüz karar verme katmanı için etkili bilgiler sağlayabilir ve ayrıca sürücüsüz aracın güvenliğini artırabilir.
Referanslar
DAHLKAMP H, KAEHLER A, BRADSKI G. Çöl arazisinde kendi kendini denetleyen monoküler yol tespiti Robotik Proceedings: Science and Systems Philadelphia: MIT Press, 2006: 115-121.
Wang Xin, Li Gao, Zhu Wanli, vb. Paralel Hibrit Elektrikli Araçların Enerji Yönetimi Modellemesi ve Optimizasyon Araştırması Kontrol Mühendisliği, 2014 (3): 357-360.
Yang Xiangjun. Dört hatlı lidara dayalı yol algılama ve izleme. Hangzhou: Zhejiang Üniversitesi, 2013.
Liu Zi, Tang Zhenmin, Ren Mingwu. 3D lidara dayalı gerçek zamanlı yol sınırı algılama algoritması. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2011 (S2): 351-354.
Zeng Yiling, Xu Hongbo, Bai Shuo Geliştirilmiş OPTİK algoritması ve metin kümelemede uygulaması. Çin Bilgi İşlem Dergisi, 2008 (1): 51-55, 60.
Zhuang Xiuhua. Tek hatlı lidara dayalı engel tespiti ve takibi üzerine araştırma Changsha: Hunan Üniversitesi, 2014.
Dang Qiuyue, Lu Yueming. OPTICS ulaşılabilirlik grafiğine dayalı otomatik küme tanıma yöntemi Bilgisayar Uygulaması, 2012 (S2): 19-21, 47.
Wang Pin, Huang Yan.Kipülasyon tanımada geliştirilmiş OPTİK algoritmasının uygulanması Bilgisayar Mühendisliği ve Uygulamaları, 2011 (16): 141-143.
Sun Tianyu, Sun Wei, Xue Min. OPTICS Kümeleme ve Çoklu Hareketli Hedef Takibi için Hedef Bölge Olasılık Modeli Çin Görüntü ve Grafik Dergisi, 2015 (11): 1492-1499.
Chen Yanli, Hong Long, Jin Dawen, vb. Basit ve etkili bir yoğunluk tabanlı kümeleme analiz algoritması, Nanjing Üniversitesi Postalar ve Telekomünikasyon Dergisi, 2005 (4): 24-29.
Duan Jianmin, Li Longjie, Zheng Kaihua Araç üstü 4 hatlı lidara dayalı olarak öndeki yolun sürülebilir alanının tespiti Automobile Technology, 2016 (2): 55-62.
Zou Leqiang. En küçük kareler ilkesi ve basit uygulaması Science and Technology Information, 2010 (23): 282-283.
Ding Keliang, Shen Yunzhong, Ou Jikun. Global En Küçük Kareler Düz Çizgi Uydurma Liaoning Teknik Üniversitesi Dergisi (Doğa Bilimleri Baskısı), 2010 (1): 44-47.
Cheng Yumin Araştırma ilerlemesi ve hareketli en küçük karelerin gözden geçirilmesi Bilgisayar Destekli Mühendislik, 2009 (2): 5-11, 20.
Duan Jianmin, Zheng Kaihua, Li Longjie, ve diğerleri.Çok katmanlı lidara dayalı yol bilgisi çıkarma algoritması. Kontrol Mühendisliği, 2016 (4): 468-473.
