道路檢測是無人駕駛智能車進行自主導航的一個重要研究內容，它將道路區域與周圍環境進行區分，為無人車提供道路的可行區域。 在高速公路、市區環境下，特殊的道路邊界等已作為一種障礙物成為新的研究內。 現有的道路檢測方法大部分都基于灰度或彩色圖像 [1-2] ，視覺技術信息量比較豐富，可以實現對道路邊界的識別。 但視覺易受光照條件變化的影響，若環境復雜時，當道路區域存在陰影、裂縫、水跡等干擾因素時，對道路邊界的提取將是非常困難的，上述方法將難以得到正確的道路邊界檢測結果。 目前，使用較多的測距傳感器，如雷達傳感器或激光傳感器 [3] ，可以直接給出距離信息，且對環境和氣候的變化有較強的適應能力，我們注意到路與非路區域的交界處通常存在的道路邊界，例如道路兩側的道沿、生成的雜草、矮墻等，由于激光測距雷達幾乎不受外界因素影響，為此本文選用 UTM-30LX-EW 激光雷達進行道路邊界的檢測。
1 UTM-30LX-EW 激光雷達的成像原理
激光雷達測距基本原理是：由于激光雷達在空氣中速度
與三維激光雷達相比，二維激光測距儀屬于單線型激光雷達，按照一般方法安裝時只能得到測量環境某個平面上的距離數據，無法直接采集環境的三維信息，但可以通過人工手段來彌補。 本文主要測量無人車在行駛過程中車體到道路左側邊界的距離，為無人車在進行左側超車、避障時，判斷左側是否有足夠寬的道路可行區域，所以采用的策略是將二維激光測距儀側著安裝在無人車左側前車輪上方車架上(如圖1 所示)，這樣激光雷達掃描的平面就是垂直于地面的，在激光測距儀固定不能轉動的情況下，為了得到道路邊界表面輪廓數據，需要無人車在試驗中前進的配合，這樣無人車在行進過程中不僅可以得到距離道路邊界障礙物信息也可以得到道路邊界障礙物的高度信息。
本文中，我們將 UTM-30LX-EW 激光雷達設置為以水平面垂直向下 32° 為掃描范圍，角分辨率 0.25° ，激光雷達安裝高度距離地面 390 mm ， 對于一般道路邊界高度大于 30 mm小于 390 mm 的障礙物，都可以準確測得，配合無人車在行進過程中進行道路邊界的檢測。
2 道路模型
由于無人車行駛的道路情況復雜多變，為了簡化處理問題的難度和便于描述算法，本文假設所處理的道路路面滿足以下幾點要求 :
1 )道路路面區域基本平坦，道路區域的高度一致性高于道路區域和非道路區域之間的高度一致性。
2 )道路區域和非道路區域之間具有一定的高度落差。 即道路邊界有人造路沿、圍墻或者種植的綠色植被等。
3 )道路的邊界線為直線或規則的曲線。
本文實驗所選擇的道路場景是城市道路，其道路滿足上述道路要求。 無人車在正常運動中，近似呈直線分布，圖 2 是一個理想的結構化道路模型，在這個模型中，道路區域即 CD表現出典型的呈類直線分布特點， 且在無障礙情況下 CD 段能保持比較穩定的連續寬度， 其中線段 BC 與 DE 代表道路邊界和路沿的高度。
在城市道路環境中，路沿、灌木叢良好的幾何特性為道路邊界和形狀提供了重要信息。 因此，基于激光雷達檢測出來的障礙信息，再進行道路邊界的檢測較為可行，不會受到陰影的影響。
3 深度數據的邊界檢測算法
3.1 單幀激光雷達數據的邊界檢測
如圖 3 所示路面與非路面邊界存在高度的跳變信息 [4-5] ，激光雷達安裝在固定高度 H=390 mm ， AB 為路沿高度， OA ，OB 為測量的距離信息， 由于激光雷達的掃描范圍設定為水平向下 32° ，掃描精度為 0.25° ，掃描周期 25 ms ，所以在一個掃面周期 32° 范圍內有 128 條激光束對邊界進行掃描檢測，起始步長 412 ，終止步長 540 (水平方向)，可以通過激光雷達測得的障礙物極坐標計算出路沿的高度。
由于道路邊界有明顯的高度差，道路可行區域靠近道路邊界處可能會存在小石子、小雜草等干擾，這些我們不作為影響無人車正常通行的障礙物考慮， 所以我們采取去除 h<30 mm 的障礙物點，只提取 h>30 mm 的障礙物點。 由于我們需要獲得的是無人車在道路行駛的可行區域，故我們只需要知道單幀激光雷達數據中道路邊界距離無人車最近的點即可， 再對大于 30 mm 的障礙物返回點信息中進行分析篩選，只保留最近的障礙物返回點信息，這樣就去除了非路區域的障礙物信息，如非路區域障礙物 C 點的信息是我們所不需要的，這樣簡化了數據量，又滿足無人車對邊界測量信息的要求，提高了數據的處理速度。
3.2 多單幀激光雷達數據的邊界檢測
在復雜道路中，邊界區域存在其他因素的干擾，而單幀激光雷達所能獲取的環境信息很少，因此僅僅依靠單頓激光雷達數據提取道路邊界點有時會存在錯誤。 無人車在運動過程中采集數據是一個持續的過程，各幀之間的激光雷達數據在空間和時間上是關聯的，利用多幀激光雷達數據之間的關聯特性提高道路邊界檢測的準確性。
文中提出了一種基于激光雷達的距離差與角 度差 雙閾值結合均值濾波的提取算法[6] ，該檢測方法只針對無人車感興趣的道路邊界區域， 減少對非道路區域的檢測時間，減少數據點的檢測，提高了系統實時性，同時對檢測出的障礙物點進行均值濾波，再次消除噪聲干擾，提高檢測準確度。 用該算法檢測路面時，只要道路邊界和路面具有激光激光雷達能探測出的高度差，無論路邊是規則的幾何形狀還是不規則形狀，都可分割出道路區域與非道路區域的邊界。
3.3 道路邊沿的判定
道路邊界具有連續性，根據多幀激光雷達數據之間的關聯性可對相鄰幀間的雷達數據建立約束關系，可以對道路邊界點產生指導作用，排除一些不符合要求的道路邊界點候選點，從而提高邊界檢測的準確性。 在使用單幀雷達數據檢測道路邊界點時，記錄已檢測過的道路邊界點信息，基于這些邊界點信息對當前時刻的邊界點進行約束：
1 )相鄰邊界點之間的距離差不能超過一個距離上限。
2 )道路邊界線上一段小范圍內的 3 個點之間的斜率基本相同。
假設第 i 幀單線激光雷達的邊界點坐標為( xi， yi， zi)， x 為無人車前進的方向， y 障礙物點到無人車的方向， z 障礙物點高度方向，為了加快計算速度，直線特征分析在二維空間進行，將三維空間點投影到 XOY 平面搜索直線。 則該點坐標必須滿足以下約束 :
b 時，繼續檢測下一幀數據，如果連續幾幀距離差都大于給定閾值，則認為這幾幀數據是噪聲干擾，將其去除。 通過上述雙閾值的判別，記錄滿足閾值要求的點信息，進行下一步濾波處理。
如圖 4 所示，是無人車行駛過程中激光雷達測得的經過閾值處理后的 n 個邊界數據點，將數據點的距離信息 y 存放在數組 A ()中，則：
下面是對無人車行駛中所采集的一段時間內邊界數據點，本文僅對道路邊界距離進行數據處理，說明該檢測方法的可行性可靠性。處理結果如圖 6 所示， * 點是無人車行駛過程中的激光雷的所測得原始邊界點數據， △ 是經過雙閾值處理后的數據，·點代表均值濾波后數據，可已看出經過處理后邊界點噪聲明顯減少了，更加平滑趨于線性。
4 直線道路邊界的擬合
在基于多頓激光雷達數據相關性分析的基礎上，確定出每一頓單線激光雷達數據的道路邊界點之后，然后就可以基于該道路邊界點數據檢測出道路邊界的具體位置。 本文假設道路的邊界為常見的直線模型。 本文分別采用基于直線的最小二乘法對直線道路邊界進行擬合，以進一步提高道路邊界檢測的準確率和精度。
直線擬合的應用非常廣泛，主要完成對給定的若干個目標點，找出一條能反映這些點分布規律的直線方程。 為了簡化計算過程，提高道路邊界檢測的速度，本文僅處理平面的直線擬合，計算出的道路邊界點從空間坐標映射到 XOY 面，即去掉高度信息，然后進行平面直線擬合。
直線擬合基本原理如下：
最小二乘法是一種常用的擬合技術， 根據擬合函數模型， 通過計算數據的實際值和對應的函數擬合值誤差平方，使該誤差平方和的值最小化來確定待擬合函數的最合適參數。 假設待擬合的數據點為( xi， yi)， i 從 1 到 n ，擬合后的直線模型為 Yi =axi+b ，其中 a 、 b 為任意實數。 實際觀測值和擬合值之間的誤差平方和可以表示如下 :
誤差函數為：
5 結 論
文中根據路面與非路面之間的高度差，提出一種基于激光雷達數據的道路邊界檢測方法。 首先針對單幀激光雷達數據，提取出距離無人車的最近道路邊界點，然后再對多幀激光雷達數據采取道路邊界點距離、 角度雙閾值約束處理，再進行均值濾波提取邊界點， 最后進行了邊界擬合等幾個部分。 實驗結果表明，該邊界檢測算法可靠性強，穩定性高，能夠準確完成道路邊界檢測任務，為無人車在道路的正常行駛提供安全保障。
參考文獻：
[1] Tan C ,Hong T, Chang T. Color model based real time learning for road following [C]//Proc of the IEEE Intellingent Transportation Systems Conference. Toronto: IEEE ， 2006: 939-944.
[2] dahlkamp H ,Kaehler A , Bradski G. Self supervised monocular road detection in desert terrain [C]//Proc of the Robotics Science and Systems Conference. Philadelphia: MIT Press,2006:115-121.
[3] 李斌 . 智能車輛前方車輛探測及安全車距控制方法的研究 [D]. 長春 : 吉林大學， 2001.
[4] Lalonde J,Vandapel N ,Hebert M. Natural terrain classification using three dimensional ladar data for ground robot mobility[J]. Journal of Field Robotics ,2006 , 23 ( 10 ) :839-861.
[5] Sappa A, Devy M.Fast range image segmentation by an edge detection strategy [C]//Proceedings of the 3rd International Conference on 3D Digital Imaging and Modeling. Quebec:IEEE , 2001:292-299.
[6] Peter X Liu ， Max Q H. online data driven fuzzy clustering with applications to realtime robotic tracking [J]. IEEE Transactions on Fuzzy System,2004,12 ( 4 ) :516-523.
