MDPI Electronics | 一种考虑点云空间分布的聚类方法用于自动驾驶的Lidar目标检测
点击左上角"MDPI开放数字出版"关注我们，为您推送更多最新研究。
通讯作者
高锋 教授
重庆大学
主要研究方向为自动驾驶系统的感知、决策与控制。
近些年来，随着科学技术的不断发展，无人驾驶的概念不再是一个白日梦。现在，围绕自动驾驶的问题集中在实现所需的基础技术和进步上。LiDAR已经成为支持向自动驾驶转变的最受讨论的技术之一。来自重庆大学机械与运载学院的高锋团队近期在Electronics上发表了一篇论文，研究了用于自动驾驶Lidar目标检测的点云空间分布的聚类方法。
引言
Lidar目标检测是自动驾驶感知系统中的一个重要组成部分，其中点云聚类是保证其准确性的关键因子。考虑到车载处理器的计算能力、完备数据集的收集难度以及类别数目的不确定性，故以传统DBSCAN (记为DSC) 方法为基础实现点云的聚类。传统DSC方法在空间域中使用一组固定的参数，而点云具有近密远疏的分布特点，故目标距Lidar不同位置时应选择不同的邻域半径 (如图1)，否则容易会出现下述问题：
传统DBSCAN方法具有固定的参数，近距离和远距离目标的聚类性能无法得到很好地平衡，并且容易出现过聚类和欠聚类等错误分割，因此不同距离的目标应选择不同的邻域半径以获取更好的聚类性能。
对于同一物体而言，沿其轮廓分布的横向和纵向点间距可能是不同的，而使用圆形邻域会覆盖更多的空间区域，容易将多个物体的点云聚集在一个类别中，出现欠聚类的错误分割现象。
为改善此类问题获得更好的聚类性能，在设计搜索邻域时应考虑Lidar点的空间分布特性，以适应不同距离范围内点云密度的变化。
（a）
（b）
图1. 目标距Lidar不同位置的半径选择：(a) 近距离区域；(b) 远距离区域。
设计亮点
本文在传统DSC方法的基础上，提出以下亮点以改善点云的整体聚类性能：
基于Lidar扫描机制构建点间距模型，考虑待测目标在自动驾驶系统中的典型轮廓形状，选择横纵向点间距对点云的空间分布特性进行分析；
基于所述点云分布特性，设计了新的聚类方法DAC，其搜索邻域为可变椭圆，并且椭圆参数随采样点位置自适应调整；
进一步分析了DAC中不同参数间的联系，并利用KITTI数据集对参数进行数值优化，为实车验证提供了参数评估原则；
最终，通过对比实验验证了DAC方法在改善整体聚类性能上的优势，尤其可以显著降低过聚类和欠聚类的占比。
点云聚类方法
根据所构建的点间距模型 (如图2)，得到点云的空间分布特性；在此基础上设计了新的搜索邻域形状，其大小随采样点的位置自适应变化。所提DAC方法的操作流程如图3所示。
图2. 点间距模型。
图3. DAC算法的流程图。
测试结果
01 实验环境
为验证DAC算法的有效性，使用如图4 (a) 所示的试验车在重庆大学校园内 (图4 (b)) 进行对比实验。
（a）
（b）
图4. 实验平台和实验场景：(a) 实验平台；(b) 场景示例。
02 对比实验设计
对比试验设计时，所关注的因素主要有：
基于车载处理器进行计算，算法的运行时间不能过长；
DAC算法以自适应椭圆代替了固定圆形作为聚类方法的邻域形状，故参照算法要选用半径固定的搜索邻域。
最终，以划分区域的SDSC方法作为参照算法进行测试，该方法既考虑了点云密度的分布情况，又选用了半径固定的圆为邻域形状。
03 对比实验结果
两个算法检测结果与运行时间的平均统计结果均列于表1中。相较于SDSC，DAC的运行时间虽有所增加，但各类错误检测的比例均明显下降，另外考虑到其运行时间小于Lidar融合的最高频率，故DAC以牺牲运算时间来改善检测效果的方式在实际应用中是可行的。
表1. 两个算法的统计结果
04 典型工况分析
为进一步阐述DAC算法在过聚类和欠聚类方面的性能优势，以图5场景为例分析了两个算法出现不同结果的原因。
在SDSC算法中，对于并列行走的学生而言，圆形邻域会覆盖更多地空白区域而将这些彼此靠近的点错误地框在一起；而受到遮挡的灰色车辆，纵向点云的密度发生了明显的变化，噪点的存在更是将车辆识别为两个物体。
相反，DAC算法根据采样点位置连续地调整邻域形状，以适应不同位置的点云密度，故而实现了行人和车辆的正确分割。
图5. 典型场景中两个算法的结果对比。
小结
本文提出了一个新的聚类方法用于自动驾驶系统的Lidar目标检测，该方法在设计搜索邻域时充分考虑了点云的空间分布特性，以有效改善整个空间域的检测性能。在相对复杂环境中进行对比测试发现，相较于固定圆形邻域的SDSC，应用了动态椭圆邻域的DAC能够获得更好的聚类性能，尤其能够显著降低过聚类和欠聚类的错误检测数量。
识别二维码阅读英文原文
原文出自Electronics 期刊.
Caihong Li et al. A New Density-Based Clustering Method Considering Spatial Distribution of Lidar Point Cloud for Object Detection of Autonomous Driving. Electronics 2021, 10(16), 2005.
Electronics 期刊介绍
主编：Flavio Canavero, Politecnico di Torino, Italy
期刊主题涵盖电子科学与应用领域，发表电子器件、微电子与计算机技术、光电子工程、通信工程、信号与信息处理、微波理论与技术、生物电子工程、能源电子及系统等领域。
2020 Impact Factor | 2020 CiteScore | MPT | APT |
2.397 | 2.7 | 35 | 37 |
*MPT: Median Publication Time; APT: Average Publication Time
识别左侧二维码，
订阅Electronics期刊最新资讯。
往期回顾
MDPI分学科公众号推荐
版权声明：
翻译作者：Riley Wang
本文内容由MDPI中国办公室编辑负责撰写，一切内容请以英文原版为准。如需转载，请邮件联系：
mdpicnmarketing@mdpi.com
由于微信订阅号推送规则更新，建议您将“MDPI开放数字出版”设为星标，便可在消息栏中便捷地找到我们，及时了解最新开放出版动态资讯！
点击左下方“阅读原文”，阅读英文原文。
期待您的【分享，点赞，转发】