智慧駕駛環境感知 | 續東：道路空間特徵與測量距離相結合的LiDAR道路邊界點提取演算法

本文內容來源於《測繪學報》2021年第11期（審圖號GS（2021）7714號）

道路空間特徵與測量距離相結合的LiDAR道路邊界點提取演算法

續東¹
,柳景斌¹
,花向紅²,陶武勇²

1. 武漢大學測繪遙感資訊工程國家重點實驗室, 湖北武漢 430079;2. 武漢大學測繪學院, 湖北武漢 430079

基金專案：國家重點研發計劃（2016YFB0502204）；國家自然科學基金（41874031；42111530064）；深圳市科技計劃資助專案（JCYJ20210324123611032）

摘要：針對現有方法在較稀疏的16線鐳射雷達資料中提取道路邊界點準確度較低的問題，本文提出一種道路空間特徵與測量距離相結合的道路邊界點提取方法：採用隨機取樣一致性（RANSAC）演算法進行預處理，快速剔除道路區域外點；判斷同條鐳射線中點與點之間的水平連續性和垂直連續性，去除大部分道路表面點；根據道路邊界點的測量模型，結合原始測量距離修正保留的道路邊界點，初步剔除非道路邊界點；透過判斷起始於被保留點的兩個水平向量的夾角是否大於一定閾值，進一步精確剔除非道路邊界點。試驗結果表明，本文方法相對於現有方法能夠較準確獲取道路邊界點，同時滿足無人駕駛汽車環境感知的實時性要求。

關鍵詞：16線鐳射雷達道路邊界點提取鐳射雷達標定鐳射雷達資料修正多尺度空間特徵

引文格式：續東, 柳景斌, 花向紅, 等. 道路空間特徵與測量距離相結合的LiDAR道路邊界點提取演算法[J]. 測繪學報，2021，50(11)：1534-1545. DOI: 10.11947/j.AGCS.2021.20210244

XU Dong, LIU Jingbin, HUA Xianghong, et al. A road curb points extraction algorithm combined spatial features and measuring distance[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(11): 1534-1545. DOI: 10.11947/j.AGCS.2021.20210244

閱讀全文：http://xb.sinomaps.com/article/2021/1001-1595/2021-11-1534.htm

引言

在城市環境中實現完全無人駕駛依賴於準確的環境感知演算法，獲取道路邊界點是環境感知演算法的重要任務^[1^]。精確的道路邊界不僅為無人駕駛汽車提供安全的可通行區域，而且可以用於無人駕駛汽車的定位與建圖^[2^]。

城市道路邊界大部分(直道、彎道)具有全域性連續性特徵，結合多種區域性特徵，邊界可以被穩健地探測到，已有多種方法達到了較好的效果。在這些方法中使用的感測器包括：單目攝像頭^[3^-4^]、單線鐳射雷達^[5^-6^]及多線鐳射雷達^[7^]。多線鐳射雷達與其他感測器相比具有以下優點^[8^]：①相對於視覺感測器^[9^]，對環境的光照變化不敏感；②能夠實時、精確地獲取車輛周圍環境的3D資訊。因此，多線鐳射雷達近年來被廣泛應用於無人駕駛汽車的環境感知任務。目前，無人駕駛汽車上常用的多線鐳射雷達有16線、32線和64線3種，其中64線和32線鐳射雷達使用最多，公開的資料集大部分也是使用這兩種鐳射雷達，如KITTI資料集^[10^]、NCLT資料集^[11^]等。隨著鐳射測量技術的發展，16線鐳射雷達因為其有競爭力的價格被越來越多的車企、創業公司以及高校採用。實現適用於16線鐳射雷達的道路邊界點提取演算法，對推廣無人駕駛技術有積極的意義。

國內外對基於多線鐳射雷達的道路邊界點提取方法有深入的研究，目前主要研究成果分為兩類：計算單一尺度空間特徵的道路邊界點提取方法^[12^-14^]和計算多尺度空間特徵的道路邊界點提取方法^[15^-16^]。第1類研究主要有：文獻[12]將3D點雲對映到2D柵格中，利用3種區域性特徵(柵格內高程差、相鄰柵格梯度和法向量)提取道路邊界柵格，獲取道路邊界點。柵格對映是道路邊界探測中常用的方法，然而由於多線鐳射雷達獲取的點雲分佈不均勻，導致許多柵格為空，浪費了儲存和計算資源。此外，柵格尺寸大小的設定需要根據掃描資料的特性進行多次試驗：柵格過大，容易丟失細節，損失探測精度；柵格過小，如果資料稀疏，常常探測不到道路邊界點。文獻[13]對路面點進行平面擬合，根據道路邊界高度進而獲取候選道路邊界點，最後透過對候選道路邊界點進行曲線擬合獲得道路邊界點。該方法基於道路邊界高度特徵進行道路邊界點的提取，但是由於道路邊界特徵多樣性(草叢路邊、石頭路邊)和路內障礙物遮擋，很難建立固定模型對道路邊界進行準確、可靠的識別。文獻[14]首先根據光線傳播方法對點雲進行分割得到多個部分，然後採用滑動視窗方式逐線提取道路邊界點。該方法主要根據道路邊界點之間空間特徵與非道路邊界點之間空間特徵的區別，提取道路邊界點。該方法僅考慮點之間空間特徵而忽略了道路趨勢資訊，容易將非道路邊界點識別為道路邊界點，方法精確率不高。第2類是計算多尺度空間特徵的道路邊界點提取方法，目前研究主要有：文獻[15]在利用基於滑動視窗的光線傳播方法將道路分割成多個部分後，先利用最小二乘擬合平面模型計算大尺度空間特徵，隨後計算點與點之間的小尺度空間特徵，進而提取道路邊界點。文獻[16]首先利用小尺度空間特徵選取後續道路邊界點，再利用候選道路邊界點進行道路邊界擬合，對候選道路邊界點進行濾波，提取道路邊界點。第1類方法透過計算單一尺度空間特徵提取道路邊界點，計算速度快但提取道路邊界點的精確率較低。第2類方法兼顧了計算大中尺度和小尺度空間特徵的優點，但選擇的大中尺度和小尺度空間特徵，對道路邊界點的提取結果會造成較大影響。

基於以上分析，本文提出一種道路空間特徵和測量距離相結合的道路邊界點提取方法：透過計算多種空間特徵，結合鐳射雷達測量距離，能夠準確穩定地從16線鐳射雷達獲取的稀疏點雲中提取道路邊界點。由於汽車多行駛在城市環境中，本文著重探究城市環境下結構化道路邊界點的提取。圖 1為本文道路邊界點提取方法流程。

圖 1 本文道路邊界點提取方法流程Fig. 1 The workflow of road curb points extraction method proposed in this paper

圖選項

1 資料預處理

利用16線鐳射雷達進行道路邊界點提取，首先需要對鐳射雷達獲取的資料進行預處理。預處理步驟包括16線鐳射雷達的標定和資料修正。

本文所採用的16線鐳射雷達從上至下共有16根掃描線，豎直角度跨度為-15°~15°，豎直角度解析度為2°，每根掃描線對應的豎直角度見表 1。16線鐳射雷達的其他引數為：水平角度跨度為360°，水平角度解析度為0.2°；掃描頻率為10 Hz；測距精度為±3 cm，最小測程為0.5 m，最大測程為150 m。

表 1 16線鐳射雷達掃描線與對應垂直角度Tab. 1 Relationship between laser ID and θ_iof 16-ray LiDAR

laser ID	θ_i/(°)	laser ID	θ_i/(°)	laser ID	θ_i/(°)
0	-15	6	-9	12	-3
1	1	7	7	13	13
2	-13	8	-7	14	-1
3	3	9	9	15	15
4	-11	10	-5	-	-
5	5	11	11	-	-

表選項

1.1 16線鐳射雷達標定

16線鐳射雷達原始資料為每個鐳射點的測量距離dist、水平角度φ和垂直角度θ(圖 2)，為了將原始鐳射點pis(disti，φ_i，θ_i)統一到車體的載體座標系piv(x_i，y_i，z_i)中，需要對安裝後的16線鐳射雷達進行標定。

圖 2 16線鐳射雷達側檢視和俯檢視Fig. 2 Side view and top view of 16-ray LiDAR

圖選項

車輛正前方為載體座標系Y軸正方向，車輛右側為X軸正方向，載體座標系原點為鐳射雷達中心。16線鐳射雷達安裝在車輛頂部，安裝後鐳射雷達與車輛保持水平，如圖 3所示。因為本文未使用其他感測器進行邊界點提取，且在安裝上確保了鐳射雷達與車體保持水平，本文描述的16線鐳射雷達標定消除了鐳射雷達球座標水平0°方向與載體Y軸方向之間的夾角∂。本文采用的標定方法參考了文獻[17—20]。

圖 3 16線鐳射雷達安裝示意Fig. 3 Installation diagram of 16-ray LiDAR

圖選項

本文中鐳射雷達的標定原理為：根據同名點在鐳射雷達座標系的座標和載體座標系下的座標計算夾角∂。具體步驟為：①將載體駛入有明顯標誌物的標定場地，在該場地內可以獲取標誌物在載體座標系下的座標；②儲存16線鐳射雷達資料，獲取標誌物在鐳射雷達座標系下的座標；③計算旋轉平移矩陣，並轉為尤拉角，獲得夾角∂。

16線鐳射雷達測量得到的鐳射點原始資料pis(disti，φ_i，θ_i)透過式(1)轉換得到鐳射點在載體座標系下的座標piv(x_i，y_i，z_i)

(1)

1.2 16線鐳射雷達資料修正

16線鐳射雷達測量資料修正主要包括以下方面：首先，在鐳射雷達的一個掃描週期內，無人駕駛汽車的移動使得鐳射雷達原點的位置發生顯著位移，如果不修正無人駕駛汽車行駛過程中對測量資料的影響，會使得在一個掃描週期內的同一條鐳射線上的測量點出現區域性扭曲；其次，在一個掃描週期內，汽車的姿態變化也會對道路邊界檢測產生較大影響。為了保證道路邊界檢測的準確性，必須對16線鐳射雷達測量的原始資料進行修正。圖 4展示了車輛姿態角γ、β和α。

圖 4 掃描週期內車輛姿態變化Fig. 4 Schematic of vehicles posture changing under vehicle motion condition

圖選項

16線鐳射雷達掃描一幀所需要的時間較短，可以認為同一幀內車輛的位置和姿態(位姿)變化近似線性變化，因此一幀內每一時刻車輛的位姿可以透過前後兩幀車輛的位姿插值獲得。透過無人駕駛汽車上的感測器可以獲得每一幀的位置變化量(X_frame，Y_frame，Z_frame)和姿態變化量(γ_frame，β_frame，α_frame)，當前幀的位姿與上一幀的位姿相減獲得位姿變化量。每一幀中每一時刻的位姿變化量可透過線性插值獲得，將位姿變化量進行轉換可得到矯正車輛移動的平移向量T和旋轉矩陣R。假設當前幀的起始水平旋轉角為φ₁，多線鐳射雷達掃描到φ₂時，Tφ₂和Rφ₂透過式(2)獲得

(2)

獲得平移向量和旋轉矩陣後，16線鐳射雷達在水平角度φ₂測量得到的原始資料經過轉換，獲得的載體座標系下的點piv經過式(3)糾正，可得到矯正後的點piv′

(3)

16線鐳射雷達資料修正結果如圖 5所示。

圖 5 16線鐳射雷達資料修正Fig. 5 16-ray LiDAR data correction

圖選項

2 道路邊界點提取

圖 6展示了結構化道路屬性資訊，基於多線鐳射雷達的道路邊界點提取即在點雲中提取紅色掃描點。本文采用多種空間特徵，並結合道路邊界點的測量模型提出了一種適用於16線鐳射雷達資料的道路邊界點提取演算法。

圖 6 結構化道路屬性資訊Fig. 6 Structured road geometry description

圖選項

2.1 基於大尺度空間特徵的道路外區域點濾波

為了保證道路邊界點提取方法的實時性和精度，首先對原始點雲進行初步處理，去除大量道路外區域的點。初步處理過程如下：選用RANSAC演算法進行平面擬合^[21^]獲得平面模型引數，設定高程閾值為0.25 m，將所有點代入平面模型中，保留低於高程閾值的點。RANSAC演算法是從一組含有噪聲的資料中正確估計數學模型引數的迭代演算法。該演算法步驟如下：①隨機選取可以估計出模型的最小資料集；②計算模型引數；③將所有資料代入模型，計算內點(符合當前模型的資料)數目；④比較當前模型和之前推出的最好的模型的內點數量，記錄最大內點數的模型引數和內點數；⑤重複①—④步，直到迭代結束或當前模型符合迭代終止條件。RANSAC演算法可以從包含道路外區域點的點雲中，精確估計道路平面模型引數。相對於利用最小二乘方法獲取道路平面模型引數，RANSAC演算法具有更強的穩健性^[22^]。處理結果如圖 7所示，初步處理剔除了大部分道路外區域點，在保留點中存在著部分非道路邊界點。後續步驟中透過計算小尺度空間特徵，逐步剔除非道路邊界點，最後提取到正確的道路邊界點。

圖 7 初步處理後的結果Fig. 7 The result of preliminary process

圖選項

2.2 基於小尺度空間特徵和測量距離的道路邊界點提取

16線鐳射雷達掃描得到的道路邊界點存在很多不同於道路表面點的空間特徵，例如道路邊界點高度高於道路表面點、同條掃描線中道路邊界點之間的水平距離大於道路表面點之間的水平距離以及道路邊界點之間的高度變化較大等。本文基於每條掃描線中點與點之間空間特徵，並結合道路邊界點的測量模型，設計了4種指標來提取道路邊界點，如圖 8所示。

圖 8 小尺度空間特徵Fig. 8 Interpretation of small-scale spatial features

圖選項

(1) 水平連續性指標：相鄰兩點間的水平距離閾值δxy,i

(4)

式中，h為16線鐳射雷達安裝高度(本文中h=2 m)；θ_i為16線鐳射雷達中Laser ID為i對應的鐳射線的垂直角度；φ為水平角度解析度(在本文中φ=0.2)。如果鐳射掃描在道路邊界上，得到的點之間的水平距離大於δxy,i。

(2) 垂直連續性指標：相鄰兩點間的高度閾值δ_z，δ_z設定為固定值(本文中δ_z=0.02 m)。

(3) 測量距離：最小距離閾值disti_min和最大距離閾值disti_max

(5)

式中，h_curb為道路邊界高度(本文中設定為0.15)；ε為測量誤差，根據16線鐳射雷達的引數得知，ε=0.03 m。如圖 8所示，當16線鐳射雷達掃描到道路邊界最下方時，達到測量到道路邊界的最大距離，當16線鐳射雷達掃描到道路邊界最上方時，達到測量到道路邊界的最小距離。因此測量距離也可以作為一個空間特徵加以利用，進而提取道路邊界點。

(4) 相鄰點構成的水平面向量夾角ρi,j

(6)

式中，v_a和v_b是同時起始於點Pi,j(指Laser ID為i條鐳射線中的第j個點)的兩個在xy平面的向量；n指相鄰點的數目(在本文中n=10)，從Pi,j向前或先後n個點，由這些點計算出平面向量。如圖 8中A和B兩點，此時n=2，點A位於道路邊界表面，起始於A點的兩個向量vaA和vbA的夾角度數近似180°，點B位於道路表面，起始於B點的兩個向量vaB和vbB夾角度數小於180°。本文根據這個特性來提取道路邊界點，方法如下。

輸入：Laser ID為0、2、4、6、8、10的鐳射測量的點雲P¹，迭代次數K，閾值t，閾值δ_z

輸出：道路邊界點P²

步驟1：利用RANSAC演算法得出最優平面模型，計算P¹中點Pi,j¹(第i條鐳射中第j個點)與最優平面的距離di,j，如果di,j<t，保留Pi,j¹。

步驟2：對每條鐳射線中滿足步驟1的所有點Pi,j¹，計算相鄰點的水平歐氏距離p_dist，判斷水平連續性

(7)

如果p_dist<δxy,l，保留Pi,j¹。

步驟3：對滿足步驟2的所有點Pi,j¹，計算垂直偏差ΔZ，判斷垂直連續性

(8)

如果ΔZ>δ_z，保留Pi,j¹。

步驟4：對滿足步驟3的所有點Pi,j¹，從原始資料中獲取測量距離disti,j，判斷是否測量距離在檢測道路邊界的合理範圍內。如果disti,j∈ [disti_min disti_max]，保留Pi,j¹。

步驟5：對滿足步驟4的所有點Pi,j¹，從P¹中找到其在同一條鐳射線中的前後n個相鄰點，構成水平面上的向量，透過公式計算向量夾角。在道路邊界表面上的點，從該點出發構成的水平面上的向量之間的夾角近似180°。在試驗中發現，將夾角閾值設定為160°能取得較好的效果。如果Pi,j¹的夾角大於160°，則將該點加入P²。

圖 9展示了本文提出的道路邊界點提取方法的流程以及每一步處理完的效果。從步驟1到步驟5，每次都對候選的道路邊界點進行了篩選，直到提取出道路邊界點。

圖 9 各步驟處理結果Fig. 9 The results of each step

圖選項

3 試驗及結果分析

為了充分評價本文提出的道路邊界點提取方法表現，試驗選擇包含典型交通場景的城區道路環境作為試驗區域，5種道路邊界點提取方法同本文中提出的道路邊界點提取方法進行比較，這5種方法為文獻[12]、文獻[13]、文獻[14]、文獻[15]、文獻[16]中的方法。

試驗區域為典型的城市交通場景(圖 10)，道路長度為5 km。該區域包括直道、“T”形路口和“Y”形路口場景，場景中存在大貨車、小汽車、腳踏車和人等主要交通參與者。試驗平臺為吉利電動車，採集資料時車輛的行駛速度為40 km/h。總計採集資料本文16線鐳射雷達測量資料2400幀，選取了不連續的80幀作為驗證道路邊界點提取方法效能的資料集(直道場景50幀，“T”形路口場景和“Y”形路口場景各15幀)，並對獲取資料中的道路邊界點進行人工標註。每幀16線鐳射雷達資料包含約3萬個點。

圖 10 試驗場景Fig. 10 The experimental scene

圖選項

3.1 評價指標

本文評價道路邊界點提取方法效能的指標參考了機器學習中評價分類器效能的指標。在機器學習中，對於二分類問題常用的評價度量是精確率和召回率^[23^]。精確率表示判斷為正例的例子中，真正為正例的比例；召回率表示所有正例中，被判斷為正例的比例。在評價多個分類器效能時，可能存在某個分類器召回率很高，精確率很低，另一個分類器精確率很高，召回率很低，此時僅使用單一的效能度量，不能很好地評價分類器效能。為了解決如何判斷分類器效能的問題，文獻[24]設計了一些綜合考慮精確率和召回率的效能度量，例如F₁得分，它是精確率和召回率的調和值。因此本文選用精確率Precision、召回率Recall以及F₁得分作為評價道路邊界提取方法的指標，3種指標可透過式(9)計算得到

(9)

式中，TP為道路邊界點提取方法識別正確的道路邊界點數目；FP為道路邊界點提取方法識別錯誤的道路邊界點數目；FN為道路邊界提點取方法未提取到的邊界點數目。

3.2 試驗結果分析

表 2列出了5種現有道路邊界點提取方法和本文方法在每種場景下的平均評價指標結果和標準差及3種場景的總平均結果。

表 2 道路邊界點提取結果Tab. 2 The results of curb points extraction

Mean± Std		直道	“T”形路口	“Y”形路口	Mean
精確率	文獻[12]的方法	0.396 0±0.053 9	0.426 2±0.115 0	0.303 2±0.035 4	0.375 1
	文獻[13]的方法	0.261 7±0.087 7	0.205 2±0.083 8	0.267 0±0.079 5	0.244 7
	文獻[14]的方法	0.385 2±0.075 2	0.308 2±0.077 6	0.292 1±0.065 5	0.328 6
	文獻[15]的方法	0.472 6±0.088 5	0.476 2±0.174 5	0.294 9±0.123 1	0.414 6
	文獻[16]的方法	0.586 6±0.121 7	0.471 5±0.099 1	0.605 7±0.222 7	0.554 6
	本文方法	0.879 2±0.082 4	0.751 8±0.079 8	0.803 0±0.082 2	0.811 3
召回率	文獻[12]的方法	0.918 8±0.074 3	0.813 0±0.144 6	0.798 9±0.100 2	0.843 6
	文獻[13]的方法	0.970 5±0.050 6	0.870 3±0.119 6	0.930 5±0.046 6	0.923 8
	文獻[14]的方法	0.622 4±0.088 4	0.453 3±0.146 1	0.551 3±0.125 3	0.542 3
	文獻[15]的方法	0.621 5±0.142 5	0.580 9±0.147 3	0.434 6±0.149 6	0.545 7
	文獻[16]的方法	0.556 6±0.156 6	0.326 6±0.177 5	0.457 2±0.144 3	0.446 8
	本文方法	0.885 3±0.077 3	0.818 0±0.107 1	0.838 6±0.103 5	0.847 3
F1得分	文獻[12]的方法	0.551 1±0.057 0	0.543 5±0.102 0	0.438 2±0.044 1	0.510 9
	文獻[13]的方法	0.404 7±0.101 6	0.321 1±0.102 5	0.409 7±0.096 6	0.378 5
	文獻[14]的方法	0.472 9±0.075 9	0.356 3±0.072 4	0.378 9±0.077 4	0.402 7
	文獻[15]的方法	0.532 3±0.099 9	0.514 3±0.157 9	0.345 7±0.130 2	0.464 1
	文獻[16]的方法	0.553 4±0.123 3	0.364 3±0.142 1	0.504 8±0.166 3	0.474 2
	本文方法	0.879 3±0.061 6	0.778 4±0.071 7	0.817 0±0.074 4	0.824 9

表選項

由表 2可以看出，在精確率方面，本文提出的方法取得了最好的結果。因為文獻[12]的方法、文獻[13]的方法和文獻[14]的方法是計算單一尺度空間特徵的道路邊界點提取方法，所以這3種方法在精確率上表現較差。文獻[15]的方法和文獻[16]的方法是計算多尺度空間特徵的道路邊界點提取方法，這兩種方法相對於計算單一尺度空間特徵的方法在準確率上有一定的提升。在召回率方面，計算大尺度空間特徵可以從稀疏的16線鐳射雷達資料中保留更多的道路邊界點，因此，文獻[13]的方法獲得了最高的召回率。但計算大尺度空間特徵也保留了很多非道路邊界點，需要結合其他空間特徵對保留的點進行進一步篩選，否則會降低道路邊界點提取方法的精確率。只計算單一空間特徵是造成文獻[13]的方法精確率最低的原因。本文方法結合了多尺度空間特徵，同時考慮了道路邊界點的測量模型，相對於現有道路邊界點提取方法，在確保較好召回率的同時提升了精確率。F₁得分是精確率和召回率的調和值，本文提出的方法以精確率和召回率為評價度量時，都取得了最好或較好的表現，所以F1得分高於其他方法。

16線鐳射雷達掃描的頻率通常設定為10 Hz^[25^]，即0.1 s完成1幀點雲的掃描。在0.1 s時間內，無人駕駛汽車的多個系統需要協同合作完成下一步決策，道路邊界提取只是環境感知中比較重要的一個環節，因此，在0.01 s內完成道路邊界點提取是比較合理的實時性要求^[26^]。本文提出的道路邊界點提取方法對500幀點雲的處理時間如圖 11所示，其平均執行時間為3.713 ms，最大執行時間為7.894 ms，滿足實時性要求。

圖 11 本文演算法處理500幀點雲執行時間Fig. 11 Runtime of curb points extraction with proposed algorithm for 500 frames

圖選項

圖 12、圖 13和圖 14分別展示了6種方法在不同場景下的邊界點提取結果。

圖 12 直道道路邊界點提取結果Fig. 12 The results of curb points extraction in straightaway

圖選項

圖 13 “Y”形路口道路邊界點提取結果Fig. 13 The results of curb points extraction in Y-shape intersection

圖選項

圖 14 “T”形路口道路邊界點提取結果Fig. 14 The results of curb points extraction in T-shape intersection

圖選項

由圖 12、圖 13和圖 14中可以看出，本文的方法相對於其他5種方法取得了較好的效果，但是存在部分不足。首先在不平整道路上，道路邊界探測效果不佳，經過分析得出透過原始的測量距離篩選道路邊界點依賴於區域性相對平整的道路環境。其次對於掃描間隔緊湊的道路邊界點沒有取得較好的探測結果，該類邊界點之間雖然存在一定的高度差，然而其點間高差和點間水平間距較小，與道路表面點近似，本文中設定的水平距離閾值和高差閾值不能很好地將其與道路表面點區分開，會將這類邊界點識別為非道路邊界點進而去除，如果將高差閾值和點間距閾值設定較小，可以保留掃描間隔緊湊的道路邊界點，其夾角特徵與其他道路邊界點的夾角特徵相同，結合測量距離，可以完成該型別道路邊界點的提取。雖然將高差閾值和點間距閾值設定較小可以完成掃描間隔緊湊的道路邊界點的提取，但也造成了道路表面點的錯誤識別，降低了演算法的精確率。當掃描間隔緊湊的道路邊界點不滿足文中設定的水平距離閾值和高差閾值的情況下，考慮到該類邊界點存在持續的高度增加或高度減少過程，結合測量距離閾值和起始於一點的水平向量夾角閾值，可以完成該類道路邊界點的提取。

圖 15 掃描間隔緊湊的道路邊界點Fig. 15 Compact road curb points

圖選項

4 結論

針對目前基於多線鐳射雷達的道路邊界點提取方法在資料較稀疏的16線鐳射雷達資料中提取道路邊界點精確率較低的問題，本文提出了一種穩健的道路空間特徵和測量距離相結合的道路邊界點提取方法，並在實際道路環境下進行了試驗測試。試驗結果表明，本文方法在資料稀疏的16線鐳射雷達資料中，能夠準確提取出道路邊界點。相對於現有方法，本文方法提高了精確率，並且能夠滿足無人駕駛汽車實時性要求。該方法在結構化道路環境下具有較好的穩健性，但是當道路邊界不具有高程階躍的特性時，會導致結果不穩定，下一步工作將研究多感測器融合以解決該問題。

作者簡介

第一作者簡介：續東(1995—), 男, 博士, 主要從事三維鐳射掃描技術研究。E-mail: [email protected]

通訊作者：枊景斌, E-mail: [email protected]

初審：張豔玲

複審：宋啟凡

終審：金君

往期推薦

資訊

○《測繪學報》《測繪通報》《測繪學報（英文版）》編輯部恭祝大家元旦快樂！

○ 2021年全球十大航天新聞

○ 2021年中國十大航天新聞

○ PPT分享 | 陳軍院士：自然資源時空資訊科技體系方向與任務