城市环境下大规模散乱激光雷达点云的预处理方法
【陆军军事交通学院徐友春教授课题组】

       智能车采用的众多传感器都是以点云的形式提供行驶场景的感知信息,例如RGBD相机、激光雷达(LiDAR)和立体相机等,对这些感知信息加以利用即对点云数据加以处理运用,可以实现障碍物检测与跟踪、车道边缘检测、障碍物轨迹预测、高精度地图绘制、即时定位与地图构建等多种类别的智能车自主定位、环境感知功能,是智能车实现完全自主驾驶的一种不可或缺的技术手段。城市道路环境以其复杂、多变的特点成为当前智能车自主驾驶领域的研究热点和难点。在城市三维环境下,多线LiDAR扫描得到的三维点云规模庞大,包含数以万计的数据点,而且其中存在着大量的离群噪点,这些因素大大增加了各类感知、定位算法的实现难度,严重影响着点云数据利用时的准确性和实时性,因此需要适当的点云简化以及数据处理方法来高效地处理如此庞大的数据量。点云数据预处理的目的是通过地面点云分割、离群噪声的剔除、降采样等处理,为后续处理提供离群噪声点少、数据规模小、局部特征显著的点云数据,以此来保证点云数据利用的高效性。

        陆军军事交通学院智能车实验室徐友春教授科研团队致力于研究智能车自主驾驶的相关技术,包括智能车的自动控制、环境感知、规划决策以及自主定位等。其中,激光雷达传感器应用于环境感知的研究取得了显著成果。针对城市三维环境下LiDAR点云数据密度大、离群噪点多、分布散乱不利于点云数据利用的问题,提出了一种城市环境下大规模散乱LiDAR点云的预处理方法。首先,将点云数据转化为均值高程图,利用网格之间的高度梯度对点云进行地面分割处理;然后,通过三维体素栅格划分的方法改进了DBSCAN聚类算法,改进后的方法称之为VG-DBSCAN,用此方法对点云进行聚类,使目标点云与离群点分离,从而剔除点云中的离群噪点;最后,采用Voxel Grid滤波器对点云降采样。实验结果表明,所提方法可以对点云数据进行实时的预处理,平均耗时仅为132.1 ms,满足实时处理的要求;预处理之后点云帧间匹配的精确度提高了2倍,平均匹配耗时也仅为预处理前的1/6。


图1  地面分割结果。 (a) 地面分割前;(b) 地面分割后
 

图2  VG-DBSCAN滤波去噪局部效果。 (a) 去噪前;(b) 去噪后


图3  帧间配准结果。 (a) 配准前;(b) 配准后

研究团队简介
       陆军军事交通学院智能车实验室现有核心成员16名,其中高职4名,中职7名,在读博士生3名,在读硕士生11名。实验室主要从事智能车辆相关技术研究和软硬件平台开发。团队连续七年参加由国家自然科学基金委主办的全国智能车未来挑战赛,连续三年获得全国智能车未来挑战赛第一名;参加2015年郑开大道智能车公开试验,完成了国内智能车的首次城郊道路公开试验;2016年参加“跨越险阻-2016”地面无人系统挑战赛,包揽A组、B组双组冠军;2018年参加“跨越险阻-2018”蝉联A组、B组第一名。智能车队在长城H7、H8、H9平台下设计了全新的由硬件平台和软件算法构成的智能车辆系统,突破了智能车辆关键技术的研究。2013年获中国智能交通科技进步一等奖,军队科技进步三等奖1项,2014年获得天津市优秀科研团队。发表学术论文百余篇,获得国家发明专利授权5项。

相关论文
赵凯, 徐友春, 王任栋. 一种城市环境三维点云配准的预处理方法[J]. 光电工程, 2018, 45(12): 180266.
DOI: 10.12086/oee.2018.180266