基于优化DBSCAN算法的激光雷达障碍物检测
【天津大学蔡怀宇、陈晓冬教授团队】

 

      近年来无人驾驶技术迅猛发展,障碍物检测对无人驾驶智能车的安全行驶具有十分重要的意义,已经成为无人驾驶环境感知中的重要研究内容。典型的障碍物检测主要有基于视觉传感器和雷达传感器的两大主流方法。基于视觉传感器的检测方法受环境因素影响较大,且很难获得障碍物的深度信息;基于雷达的检测则具有不易受外界环境条件影响、抗干扰性强、可直接获得深度信息等优点,因此被广泛研究和应用。其中,三维激光雷达凭借其高精度、高分辨率及高可靠性的特性成为障碍物检测重要的传感器之一。

      在激光雷达障碍物检测中,点云聚类是非常重要的部分。DBSCAN算法(density-based spatial clustering of applications with noise)是一种经典密度聚类算法,它不需要预先知道类的个数就能发现任意形状的簇并且能有效地识别噪声点。但传统DBSCAN算法对输入参数ε和MinPts极其敏感,如果参数选取不当,会对聚类效果产生不良影响。激光雷达输出是一种典型分布不均匀的数据形式,若采用传统DBSCAN算法中固定ε和MinPts值进行聚类,总是会出现某些距离区域障碍物漏检或误检的问题,无法满足无人驾驶应用中准确检测障碍物的需要。

      天津大学蔡怀宇、陈晓冬教授研究团队依托于天津大学无人驾驶交叉研究平台,致力于智能驾驶汽车环境感知技术的研究,针对传统DBSCAN算法的缺陷提出一种优化DBSCAN算法,该方法不再采用传统聚类过程中使用的不变聚类半径参数ε,而是根据激光雷达扫描线的分布特点,将距离因素引入聚类参数ε中,保证不同距离上数据点的密度发生改变时,都可以自适应地调整ε参数与之对应,从而提高了聚类的准确性。


图1 激光雷达扫描线

 

       传统DBSCAN算法虽然可以发现任意形状的簇并且能有效地识别噪声点,但仍存在一些局限性:算法在整个聚类过程中使用了统一的ε和MinPts,该方式在数据分布比较均匀时,对聚类结果不会产生很大影响;但如果数据分布明显不均匀时,会使聚类效果出现较大偏差。本文依据激光雷达扫描线的分布特点建立ε*列表,激光雷达扫描线如图1所示。从图中可以看出激光雷达扫描点的间距随着探测距离的增大而增大,因此本文通过激光雷达距离地面的高度h、扫描线的俯仰角计算相邻两条激光扫描线投射点的距离,进而构建ε*列表。


图2 多种距离障碍物检测实验
(a) 数据采集场景;(b) 传统DBSCAN聚类算法效果;(c) 优化DBSCAN聚类算法效果

 

      根据三维空间中任意点的坐标计算其到激光雷达z轴的距离,然后根据计算结果在ε*列表中寻找对应的εk*、εk+1*,最后根据一阶线性插值法,计算该点处的ε值。为了验证本文算法的有效性,采用福特校园数据集的Velodyne64线激光雷达数据对算法性能进行测试。实验结果如图2所示,改进后的算法可同时检测出不同距离处的障碍物,使漏检率明显下降。

       该研究获得天津市科技计划基金资助项目(No. 17ZXRGGX00140)支持。

 

研究团队简介

天津大学无人驾驶汽车交叉研究中心 于2016年3月成立,是由来自车辆动力、光电工程、图像处理、机器学习、自动控制、数学优化和非线性系统等相关学科科研团队组成的多学科交叉研究平台,主要研究方向包括面向智能驾驶的感知、规划、决策、控制系统设计和核心算法研究,智能驾驶车辆多维度测试与评价技术等。其中天津大学精密仪器与光电子工程学院蔡怀宇、陈晓冬教授研究团队主要研究方向为光电检测与成像技术,作为交叉研究中心核心团队之一,主要负责无人驾驶环境感知硬件系统方案设计、传感器标定,以及基于激光雷达、可见/红外相机等多传感器数据融合的障碍物检测与跟踪算法研究。交叉研究中心现有教授、副教授和讲师20余人,博士生和硕士生60余人,其中国家优青1人,青年长江学者1人,教育部新世纪人才5人。发表SCI/EI论文160余篇,获得国家授权发明专利40余项。相关研究成果获得中国电子学会自然科学一等奖 (排名第二)、天津市自然科学三等奖等奖项。连续两届参加“世界智能驾驶挑战赛”,荣获无人驾驶组越野赛优秀奖、城市街区场景赛优秀奖、最佳乡村道路通行奖、虚拟场景组领先奖等多个奖项。

 

相关论文

蔡怀宇, 陈延真, 卓励然, 等. 基于优化DBSCAN算法的激光雷达障碍物检测[J]. 光电工程, 2019, 46(7): 180514. 

DOI:10.12086/oee.2019.180514