摘 要：為了能夠快速，準(zhǔn)確地提取出路面信息，提出了一種基于小波變換的路沿檢測方法。首先通過預(yù)處理，減少無效信息點(diǎn)的個(gè)數(shù)，然后根據(jù)城市道路特征利用離散小波變換提取出路沿的位置，最后通過卡爾曼濾波進(jìn)行預(yù)測與跟蹤。該方法可使無人駕駛車輛準(zhǔn)確有效地檢測出未知環(huán)境中的動(dòng)態(tài)障礙物，實(shí)時(shí)性好，可靠性高。

　　關(guān)鍵詞：通信論文發(fā)表,激光雷達(dá),檢測,跟蹤

　　近年來，無人車輛駕駛技術(shù)研究呈現(xiàn)明顯增長趨勢。其中障礙物分類則是無人車環(huán)境感知問題中最為重要的課題。多數(shù)早起環(huán)境感知研究都是通過對(duì)攝像頭采集到的圖像進(jìn)行處理，但是由于圖像容易受到環(huán)境，天氣等多重因素的限制，處理效果并不穩(wěn)定。然而激光測距雷達(dá)具備抗干擾性強(qiáng)，精度高等優(yōu)點(diǎn)，越來越多被應(yīng)用到環(huán)境感知中。

　　1 理論部分

　　1.1 激光雷達(dá)工作原理

　　為使無人車能夠快速準(zhǔn)確地獲得位置環(huán)境中障礙物的距離，激光雷達(dá)能夠很好地滿足這些需求。激光雷達(dá)采用飛行時(shí)間測距原理，由激光器發(fā)射出的激光脈沖投射到物體表面引起散射，其中一部分經(jīng)過反射并被激光雷達(dá)的接收器所接收。激光測距的公式如下：

　　d=△t*C/2 (1)

　　其中d為激光發(fā)射器到反射點(diǎn)之間的幾何距離，C為光速，△t為測量發(fā)射光束與從物體表面返回來的反射光束之間的時(shí)間差△t。

　　1.2 小波變換

　　與Fourier變換相比，小波變換是空間(時(shí)間)和頻率的局部變換，因而能有效地從信號(hào)中提取信息。一般所討論的小波是指由一個(gè)稱之為母小波或基小波函數(shù)，進(jìn)過伸縮與平移所產(chǎn)生的ψ(t)或其他空間的基底。定義函數(shù)ψ(t)滿足

　　∫_(-∞)^(+∞)?= ψ(t) □(24&dt)=0， ψ(t)∈L^2 (R) (2)

　　其中ψ(t)為母小波函數(shù)，或簡稱為小波函數(shù)。

　　1.3 卡爾曼濾波

　　卡爾曼濾波常用于去除混雜于有用信號(hào)之中的隨機(jī)噪聲。其基本思想是以最小平均誤差為最佳估計(jì)準(zhǔn)則，采用信號(hào)與噪聲的狀態(tài)空間模型，利用前一時(shí)刻的估計(jì)值和當(dāng)前時(shí)刻的觀測值來更新對(duì)狀態(tài)變量的估計(jì)，求出當(dāng)前時(shí)刻的估計(jì)值。以下即為卡爾曼濾波算法，共包括三個(gè)方程，都是矩陣算法。

　　K_k=AP_k C^T 〖(CP_k C^T+S_z)〗^(-1) (3)

　　x ?_(k+1)=(Ax ?_k+Bu_k )+K_k (y_(k+1)-Cx ?_k) (4)

　　P_(k+1)=AP_k A^T+S_w- AP_k C^T S_Z^(-1) CP_k A^T (5)

　　2 算法描述

　　為了簡化算法，需要在路沿檢測前做一些假設(shè)。第一，地面是相對(duì)平滑且連續(xù)平穩(wěn)變化的。第二，假設(shè)車輛行駛在平滑路面上，震動(dòng)較小，激光雷達(dá)掃描角度并未改變。在這些前提下，算法主要可以分為三個(gè)部分：(1)數(shù)據(jù)預(yù)處理，(2)基于小波變換的特征提取，(3)基于卡爾曼濾波的狀態(tài)跟蹤。

　　2.1 數(shù)據(jù)預(yù)處理

　　在預(yù)處理過程中，首先把激光雷達(dá)所收集到的數(shù)據(jù)把數(shù)據(jù)進(jìn)行聚類，當(dāng)某幾個(gè)相鄰的點(diǎn)的距離小于一定閾值時(shí)可以歸類到一起。如果其中某一類中的點(diǎn)數(shù)過少，則可以把它們移除。再通過插值或者刪除的方法把點(diǎn)的個(gè)數(shù)變?yōu)?^n。

　　2.2 特征提取

　　為了處理數(shù)據(jù)，具體的算法步驟如下：

　　步驟1：計(jì)算初始層i各個(gè)相鄰點(diǎn)高度值的低頻成分和高頻成分;

　　步驟2：所得低頻成分和高頻成分標(biāo)以i-1;

　　步驟3：計(jì)算標(biāo)記完的點(diǎn)的高度平均值;

　　步驟4：重新標(biāo)記各個(gè)成分。計(jì)算個(gè)點(diǎn)到平均值的差值，如果差值大于方差則該成分為有效，否則不予考慮;

　　步驟5：計(jì)算第i+1層;

　　這個(gè)算法從最上層一直計(jì)算到最下層。最后所有點(diǎn)會(huì)被分成兩部分：路面點(diǎn)和非路面點(diǎn)。

　　2.3 狀態(tài)跟蹤

　　特征提取后，得到道路兩邊路沿的坐標(biāo)值，設(shè)其狀態(tài)向量為X=〖[x x ? x ?]〗^T， x，x ?，x ?分別為目標(biāo)在運(yùn)動(dòng)方向上的位置、速度和加速度。設(shè)采樣周期為T，則離散時(shí)間狀態(tài)方程如下：

　　X(k)=?(k-1)X(k-1)+G(k-1)W(k-1) (6)

　　Z(k)=H(k)X(k)+V(k) (7)

　　式中，X(k)是k時(shí)刻目標(biāo)狀態(tài)向量，W(k)為狀態(tài)噪聲，E(W(k))=0，Z(k)是k時(shí)刻測量向量，V(k)測量噪聲;? (k)和H(k)分別為k時(shí)刻狀態(tài)轉(zhuǎn)移矩陣和測量矩陣。對(duì)于相對(duì)運(yùn)動(dòng)目標(biāo)跟蹤，因?yàn)樗�建立模型不同，其表達(dá)式不同，這里采用常加速模型。

　　?(k)=[■(1&T&T^2@0&1&T@0&0&1)] (8)

　　H(k)=[1 0 0] (9)

　　只要預(yù)先給定狀態(tài)估計(jì)值和濾波估計(jì)狀態(tài)向量的協(xié)方差矩陣�？�爾曼濾波過程就能持續(xù)遞推下去。最后得效果圖如下：

　　圖1 卡爾曼跟蹤后的路沿點(diǎn)檢測效果

　　3 結(jié)束語

　　本文提出了一種基于小波變換的實(shí)時(shí)路沿點(diǎn)檢測方法，在城市道路中有著良好的魯棒性。該方法的優(yōu)點(diǎn)是計(jì)算簡便、時(shí)間復(fù)雜程度低，比較適合于實(shí)時(shí)應(yīng)用系統(tǒng)。

　　參考文獻(xiàn)：

　　[1]Van der Merwe R，Wan E A. The square-root unscented Kalman filter for state and parameter estimation[J]. IEEE International Conference on Acoustics，Speech，and Signal Processing，2001(06)：3461-3464.

　　[2]Ashraf M. Aziz.A new multiple decisions fusion rule for targets detection in multiple sensors distributed detection systems with data fusion[J].Information Fusion，2014(18)：175-186.

　　作者簡介：陸恒(1990-)，男，碩士研究生，研究方向：智能車輛環(huán)境感知。

　　作者單位：同濟(jì)大學(xué) 中德學(xué)院，上海 201804

---

轉(zhuǎn)載請注明來自：http://www.jinnzone.com/tongxinlw/51088.html