【智能车大会报告分享】面向无人车导航的激光雷达数据处理技术

2017 年 12 月 18 日 中国自动化学会 张珂殊

本报告的目的，不是要把激光雷达的数据处理推向无人驾驶车，当然面向无人车这是必要的过程。我们把理解激光雷达数据处理来支持无人车自动驾驶的激光雷达。所以这里做了面向无人车驾驶特别是目标识别和分类的可靠性实验。

激光雷达

从激光点云中，人可以直观地看到车道、车道之间的灰度差异，甚至可以识别出两边电线杆、树木、桥梁和桥梁结构甚至电杆和电线。但是机器要如何识别目标呢？它们可以通过三维灰度特征对激光点云进行分类，进一步做到建模、识别和仿真，理解激光雷达的特点，并跟其他传感器配合，更好地支持无人驾驶。

激光雷达数据处理、分类和识别

测绘激光雷达全自动化处理是一个目标，但也需要人工参与，处理过程当中就有目标分类与识别。在路上做高精度地图的时候，在数据处理中把行人、车辆剔除掉。其实测绘关注的是静态的东西，而导航不仅关注于静态，还要关注动态，如路上汽车、行人、马路牙、分道线、道路障碍、高架桥、道路两侧的路标、灯杆、护栏、反光板等等。

测绘雷达要对高精度地图进行三维测量，同时做目标分类、目标建模和目标管理，这是数字城市高精度地图所需要做的。对于导航来说目的很简单，就是识别出来可靠导航。

作业要求，测绘不需要实时处理，它只要做到事后处理就可以了。但是导航避障需要实时处理，强调探测能力和可靠性。

设备特点，对于导航来说网格密度和数据时效很重要。但是对于测绘来说作业能力和测量精度是要一致的。

数据特点，导航数据因为关注前方或者周边360度，数据是多次累积的，是非结构化数据。测绘对象需要数据网格均匀。对测量对象来说，导航需要静态目标参照关注动态变化。测绘是静态地物测量，剔除动态目标。

我们做了一个实验，第一类是测绘激光雷达。360度均匀地沿着道路行进方式，在200米范围内高精度采集道路周边的数据。同时用16线、32线激光雷达进行扫描，可以看到在数据处理、分类和识别过程中能做到哪些方面的东西。

路上的挡光板。针对挡光板来说，在5米的探测距离，网格密度10厘米情况下，利用我们现在的数据，基于我们自己的算法，识别概率只有75-85%左右。现在识别出来，可能针对这些目标要分类，产生一些驾驶行为。但是如果只有85%，那么数据的可靠性在哪里？那我们能不能把传感器做得更可靠，数据分析更可靠？

路面数据。探测距离5米，识别概率是75%左右。车道线，它的识别概率也是75%，在探测去20米左右。路边线的识别，探测距离20-30米，识别成功率在85%左右。针对电线及电线杆探测距离10-20米，识别成功在75-80%。

水泥隔离带，有高速上水泥隔离带，也有路边的水泥隔离带，它的探测距离5-20米，识别成功率75-85%。这是根据不同距离的网格密度不一样而有所差异。不同路灯的识别，5-20米，识别成功率85%左右。我们做了很多目标，这一共有十个大类，50个具体目标。在典型的目标，特别是在测绘、导航共同感兴趣的目标做了一些统计。

这里面没有行人。其实在对行人、动物识别过程中，它的准确率差异非常大，所以我们也没有得出一个很完备的结论，当然行人在不规则组可以看到。从人体大小来看，50厘米高度左右目标来说，大概25厘米，30厘米左右网格密度，已经是分辨目标的极限了。

通过数据处理，各种数据方法的研究来了解导航激光雷达自身的特点。测绘雷达数据是均匀的，但是导航激光雷达特点是多帧的、不断重复、不均匀的。对激光雷达预处理的时候，需要提高载车平台位姿的测量能力和多堆数据间姿态补偿能力。这是激光雷达传感器本身所需要做的工作。

另一方面，既然我们有多帧的数据，我们现在算法目前并不包括对前几帧数据的记忆，那是不是有了前几帧数据的记忆就能提高识别能力，是不是可以提高成功率，减少响应时间，或者AI能做哪些工作？我们也希望通过数据处理的方向和人工智能的方向共同努力。目前帧频是20帧，重访时间50毫秒。车速120km/h，响应时间是6秒。

我们利用大量测绘所做的高精度地图做一个真实数据的回访仿真。基于真实高精度地图，可靠性测试，包括采集传输、模型编码和算法方法，时效性测试、鲁棒性测试。