戈壁滩上的辉煌 发表于 2024-9-12 21:17

《智能驾驶之激光雷达算法详解》9、基于 3D 激光点云的路沿检测

<div>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;本章聚焦于基于3D激光点云技术的路沿检测,此模块在后续的道路结构剖析、行驶区域界定、路径策略规划及车辆精准定位中均占据核心地位。当前,路沿检测的技术路径主要分为两大阵营:一是依托人工精心设计的规则,二是凭借深度学习网络的智能识别。</div>

<div>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;人工规则驱动的路沿检测:在激光雷达应用的初期探索阶段,路沿检测主要依赖人工定义的规则。这一过程细致划分为四个关键步骤:特征点的精准捕捉、左右两侧特征点的科学分类、噪声点的有效剔除以及路沿轮廓的精准拟合。为了提升路沿检测的稳定性,减少帧间波动,研究者们巧妙运用了多帧点云的累加技术,并引入了滤波与跟踪机制以优化拟合曲线的参数。这些算法的核心在于利用预设的几何规律来锁定路沿特征点,如S.Peng和K.等人通过分析激光点间的高度差与坡度变化,A.Y.Hr等则着眼于线束间激光点的空间关系,而Y.Zhang等则创新性地结合了激光雷达的特定参数。在特征点分类环节,左右路沿的准确区分对于提升拟合精度至关重要。D.Zai等利用超体素与车辆行驶轨迹的结合,实现了特征点的左右分类;S.XuP则提出了least-cost path模型,尽管需手动设定参考点,限制了其实时性。而基于聚类的方法虽能自动分类,但计算复杂度较高。Y.ZhangJ提出的双层波束模型,通过识别道路走向与交叉口,有效提升了分类效率,并被G.Wang等进一步优化应用。</div>

<div>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;噪声过滤与曲线拟合:为确保路沿曲线的准确性,需对特征点进行噪声过滤。常用的方法包括基于横向距离或RANSAC算法的筛选,随后利用Kalman滤波或粒子滤波技术对拟合曲线进行平滑处理。此外,高斯过程回归以其强大的抗噪能力和优异的曲线拟合性能,在参考文献和中得到了成功应用,为路沿曲线的精确表达提供了新思路。</div>

<div>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;传统基于人工规则的路沿检测方法,受限于固定的特征点提取与参数设定,难以应对复杂多变的真实驾驶环境与多样的路沿形态,难以满足现代感知系统对精准度与灵活性的追求。其繁琐的多步骤流程更是制约了算法的实时性能。然而,随着深度学习在视觉与激光技术中的蓬勃兴起,一场路沿检测的革命正悄然发生。学者们纷纷探索深度学习的力量,旨在通过3D激光点云实现路沿检测的端到端解决方案。Uber的J. Lian团队在2019年CVPR会议上提出的卷积递归网络,便是这一领域的璀璨明珠,它巧妙融合高精度地图中的点云与图像信息,实现了路沿检测的自动化与智能化。</div>

<div>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;基于人工规则的 SAT-LRBD 算法:吉林大学的G.Wang团队,融合多重路沿特征点萃取规则与噪声点剔除技术,创新性地提出了SAT-LRBD算法,即一种在激光雷达数据基础上,兼顾速度与精度的道路边界检测方案。此算法在遵循人工规则的路沿检测方法中脱颖而出,展现出卓越的检测精准度。在ITTI数据集上的测试中,SAT-LRBD每帧激光点云的处理时间仅需70.5毫秒,高效而迅速。SAT-LRBD算法精准执行3D激光点云的初步分割任务,将复杂点云数据巧妙地划分为地面点集(nd)与非地面点集(off-ground),为后续处理奠定坚实基础。在此算法框架内,地面点集特别贡献于路沿候选特征点的甄选,而非地面点集则作为重要辅助,深化对道路结构的洞察,包括十字路口布局、路段识别的精准解析。整个流程精心划分为三大环节:第一步,依据预设的几何特征参数,从地面点集中精准提炼出路特征点;第二步,巧妙运用道路分割线技术,结合非地面点集信息,深化对道路架构的理解,并辅助实现精准的边界划分;第三步,融合距离滤波、RANSAC算法与迭代高斯过程,对结果进行精细打磨,确保最终输出既精确又高效。</div>

<div>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;U-AFCD算法:Y Jung及其团队在首尔大学研发的Uncertainty-Aware Fast CutDetection (U-AFCD) 算法,在ICRA 2021会议上大放异彩。该算法深度融合了深度学习网络,专注于路沿检测及其不确定性评估。Jung团队慷慨分享了精心构建的路沿数据集,位于GitHub上的YounghwaJungcurbdetecton DNN,供全球研究者共同探索。此数据集源自城区复杂环境的精心采集,利用Velodyne VLP-32C激光雷达与OXTS RT3002定位系统,共收集到详尽的5224%点云数据,并附带了鸟瞰视角下的精准路沿分割标注。U-AFCD算法的设计精妙,核心分为两大阶段:编码-解码分割网络,该阶段如同精密的筛子,精准分离出视野内清晰可见的路沿点云,为后续处理奠定坚实基础;引入前沿的条件神经过程(Conditional Neural Process, CNP),此阶段如同智慧的侦探,不仅推测出被遮挡、不可见区域的路沿轮廓,还巧妙地评估了整个检测过程的不确定性,为用户提供更加全面、可靠的决策支持。</div>

<div>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;深入研究了U-AFCD算法,该算法依托神经网络技术,在路沿分割与推断领域展现出独特优势。它巧妙运用U-Net网络,精准分割点云数据,初步勾勒出可见路沿轮廓。进而,该算法融合CNP、ANP等先进模型,不仅弥补了被遮挡、不可见路沿的空白,还巧妙评估了整体检测结果的置信度。尽管在实时性优化上尚有空间,但其开创性地采用CNP、ANP替代传统高斯过程回归或多项式拟合,为路沿检测问题提供了新颖视角,极具探索价值。</div>

<div>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;本章详尽剖析了路沿检测技术的现状,将其归结为两大流派:一是依赖人工规则的检测方法,虽在早期激光感知研究中占据主流,却面临调参繁琐、场景适应性差等瓶颈;二是依托深度学习网络的检测方法,特别是针对1D激光点云的应用,近年来备受瞩目。然而,点云级路沿标注数据集的匮乏,成为制约该领域发展的关键因素。当前研究多采取折衷方案,即将3D激光点云转换为BEV投影,再利用图像处理技术进行分割或车道线检测。基于3D激光点云的路沿检测仍是一个亟待攻克的研究难题,亟需工业界与学术界的共同努力与智慧碰撞。</div>

<p><!--importdoc--></p>

Jacktang 发表于 2024-9-15 08:53

<p>U-AFCD算法依托神经网络技术,比较神奇</p>

通途科技 发表于 2024-9-29 22:27

页: [1]
查看完整版本: 《智能驾驶之激光雷达算法详解》9、基于 3D 激光点云的路沿检测