共点映射丨无人车可行驶区域检测

engineering.org.cn

网站升级，欢迎关注

一直以来，道路检测都被认为是无人车领域的关键技术，并吸引了广大研究者的关注。然而，仅基于道路检测的自动驾驶决策可能仍无法处理一些紧急情况。

事实上，在驾驶汽车时，人类驾驶员通过将障碍物与非障碍物分类来理解情景，而不仅仅是识别道路。

对于无人车而言，检测这种“平坦区域”而不是检测道路区域，可以为决策过程提供更全面的知识，使无人车行为更接近人类驾驶员。

共点映射

图像+激光

图像数据包含丰富的外观特征，像素稠密但是容易受光照等外部条件因素的影响；激光雷达数据包含准确的位置信息，对光照等外部条件不敏感，但是数据稀疏。所以图像数据和激光雷达数据存在很好的互补性。

在图像中，物体的边界通常表现为图像边缘，在激光雷达中则表现为深度不连续性。我们引入一种点到点的双射，即共点映射，将来自激光传感器的点映射到图像分割边缘的点上，从而实现信息的融合。

因此，我们提出了一种自适应的可行驶区域的检测方法，该方法利用共点映射将单目相机获得的像素信息与激光传感器获得的空间信息融合。

☝ 激光雷达点障碍物分类示意图

每个黑点代表一个激光点。

点之间的彩色连线由平面三角剖分得到，在激光雷达坐标系下计算三角形的法向量。

然后通过激光雷达点周围三角形的法向量均值判断该雷达点附近区域是否平坦。

1

首先，通过将每个激光点的空间位置与图像像素的坐标结合，建立三角剖分关系，以此得到激光点之间的近邻关系，并利用三角剖分三角形的平面法向量完成激光点的障碍分类。

2

然后通过自学习模型将障碍物分类结果与图像超像素融合，结合交通场景中普遍存在的物理约束，得到由障碍物约束的初始可行驶区域。

3

进而，利用初始可行驶区域范围中的数据，在不同特征空间中计算候选可行驶区域，这些特征包括：可行驶程度特征，法向量特征，颜色特征和强度特征。

4

最后，将不同特征通过贝叶斯框架融合以获得最终的可行驶区域。通过该方法，我们可以在不借助训练的情况下，得到当前可行驶区域。

☝从上到下分别为原始图像，障碍物分类结果和初始可行驶区域。

其中障碍物分类图中，红色点表示为被分类为障碍物的激光点，蓝色表示非障碍物点。

利用激光雷达，我们可以成功将右侧阴影中的道路边界检测出来。

该方法利用不同传感器的数据特征，和实际交通场景中的物理约束，在不借助训练数据的条件下，得到了较为可靠的可行驶区域。

该方法可以为以后的研究工作提供有效的初始结果，如利用该方法处理大量的无标签数据，然后结合人工标注的数据，可以有效地扩充数据集，为后续的有监督或半监督方法提供便利。

✎改编丨刘子熠

☟ 改编原文

Ziyi Liu, Siyu Yu, Nanning Zheng. A Co-Point Mapping-Based Approach to Drivable Area Detection for Self-Driving Cars[J].Engineering,2018,4(4):479-490.

点击文末“阅读原文”可免费下载被改编的原文。

中国工程院院刊

工程造福人类

科技开创未来

微信公众号ID ：CAE-Engineering