CN112597839A - 基于车载毫米波雷达的道路边界检测方法 - Google Patents

Abstract

本发明涉及一种基于车载毫米波雷达的道路边界检测方法。与现有技术相比，本发明具有以下的优点和积极效果：道路边界的检测主要依赖于道路两旁的静止目标来实现，不依赖于任何图像信息，因此在光照强度较低、恶劣天气等影响下具有更好的表现，可实现全天时、全天候的检测；并且，由于车载毫米波雷达的传输信号通常是目标级，最大检测目标数量通常不超过100个，相较于图像传感器的像素级信息处理，对实时性的提升较为明显，对硬件的要求也更低。

Description

基于车载毫米波雷达的道路边界检测方法

技术领域

本发明涉及一种道路边界识别与提取的方法。

背景技术

自动驾驶和高级辅助驾驶已经变成汽车智能化的重要发展方向。其中，车载毫米波雷达凭借其全天时、全天候、测速精度高以及实时性强等优点而被广泛应用于自动驾驶的感知系统中。在车辆自动驾驶的过程中，可行驶区域的划分对于安全驾驶意义重大，因此需要一种快速且有效的方法来识别道路的边界。

近年来，随着深度学习的快速发展，道路边界的识别与提取主要是通过对相机采集的道路图像使用像素级的分割算法来实现。然而这种方法至少存在以下一点或几点问题：

第一，当天气条件比较恶劣或者光照条件较差(如夜间和阴天)时，图像的质量会急剧下降，导致道路边界的识别精度下降甚至无法识别。

第二，图像在做像素级的语义分割时，所需处理的信息量较大，在满足自动驾驶实时性检测的前提下，对硬件提出了更高的要求。

第三，目前图像传感器的探测距离通常比较近，不超过120m，由此形成的道路边界的有效范围也会受到图像传感器性能的约束。

发明内容

本发明要解决的技术问题是：利用相机采集的道路图像进行道路边界识别与提取存在诸多限制。

为了解决上述技术问题，本发明的技术方案是提供了一种基于车载毫米波雷达的道路边界检测方法，其特征在于，包括以下步骤：

步骤1、利用安装于车辆正前方的车载毫米波雷达实时探测本车周围各个目标的状态信息，目标包括全部动态目标及静态目标；

步骤2、获得本车的车速，结合步骤1获得的各个目标的状态信息，采用下式(1)计算得到各个目标的绝对速度：

V_abs＝V_rel+V_ego (1)

式(1)中，V_abs表示目标的绝对速度；V_rel表示目标相对于本车的相对速度，通过步骤1得到状态信息获得；V_ego表示本车的车速；

滤除所有目标中绝对速度大于预先设定的阈值的目标，将过滤得到的目标定义为相对于地面静止的静止目标，将被过滤的目标定义相对地面运动的运动目标；或者从所有目标中筛选出绝对速度小于预先设定的阈值的目标，将筛选得到的目标定义为相对于地面静止的静止目标，将被过滤的目标定义为相对地面运动的运动目标；

步骤3、将通过步骤2获得的每个静止目标定义为一个点，对所有点进行基于加权距离的聚类算法，将道路两旁的障碍物形成的反射点进行聚类，得到道路边界候选点，其中，加权距离的定义如下式(2)所示：

d＝ω_x*dx+ω_y*dy (2)

式(2)中，d为任意两个点之间的加权距离；ω_x为X轴方向的权重，X轴方向为前后方向；ω_y为Y轴方向的权重，Y轴方向为左右方向；dx为两个点在X轴方向聚类的差值，即X轴坐标的差值；dy为两个点在Y轴方向聚类的差值，即Y轴坐标的差值；

步骤4、仅保留步骤3获得的道路边界候选点中与本车左右两侧距离最近的点作为实际左侧道路边界点以及实际右侧道路边界点；

步骤5、利用RANSAC算法分别对实际左侧道路边界点以及实际右侧道路边界点进行曲线拟合，从而得到实际左侧道路边界曲线以及实际右侧道路边界曲线。

优选地，步骤1中，探测得到各目标的状态信息时，唯一确定各目标在笛卡尔坐标系下的位置坐标(X,Y)，其中，笛卡尔坐标系的坐标原点O为本车的质心，本车质心的正前方竖直方向为笛卡尔坐标系的X轴的正方向，本车质心左侧水平方向定义为笛卡尔坐标系的Y轴的正方向，则位置坐标(X,Y)中，X为X轴坐标，表示目标所在位置与本车质心垂直方向上的偏差；Y为Y轴坐标，表示目标所在位置与本车质心水平方向上的偏差。

优选地，步骤2中，利用定位信息获得所述本车的车速。

优选地，步骤3中，所述静止目标的绝对速度接近0m/s，所述运动目标的绝对速度远大于0m/s。

优选地，步骤3中的聚类算法包括以下步骤：

步骤301、选择任意一个点P；

步骤302、判断当前点P是否已被归入某个类，或者当前点P是否被标记为噪声，若是，则返回步骤301，若否，则进入步骤303；

步骤303、计算当前点P到其它各点之间的加权距离d，将加权距离d满足d＜dist_thresh的点标记为当前点P的邻节点，式中，dist_thresh为最大容忍距离；

步骤304、若当前点P的邻节点数量大于零，则进入步骤305，否则进入步骤306；

步骤305、将当前点P标记为噪声后，返回步骤301；

步骤306、将当前点P标记为类内点后，建立新类C，将当前点P及当前点P的所有邻节点加入类C中；

步骤307、扫描类C中所有未被标记的点q，将被标记的点q标记为类C的类内点，计算点q到类C外其他各点的加权距离d，将类C外加权距离d满足d＜dist_thresh的所有点加入类C中；

步骤308、若类C中所有点都被标记为类C的类内点，则进入步骤309，否则，返回步骤307；

步骤309、若类C中点的数量大于预先设定的阈值n，则类C中的所有点均为道路边界候选点，否则，舍弃类C。

优选地，步骤4包括以下步骤：

步骤401、计算通过步骤3获得的所有类的Y轴均值，当前类的Y轴均值为当前类中所有点的Y轴坐标值的均值；

步骤402、将Y轴均值大于0的类与Y轴均值小于0的类分开，分别作为本车左侧或右侧的目标类；

步骤403、从本车左侧的目标类中选择Y轴均值最小的目标类，该目标类中的所有点即为实际左侧道路边界点；

从本车右侧的目标类中选择Y轴均值最小的目标类，该目标类中的所有点即为实际右侧道路边界点。

由于采用了上述的技术方案，与现有技术相比，本发明具有以下的优点和积极效果：道路边界的检测主要依赖于道路两旁的静止目标(例如路灯、栅栏以及绿化带等)来实现，不依赖于任何图像信息，因此在光照强度较低、恶劣天气等影响下具有更好的表现，可实现全天时、全天候的检测；并且，由于车载毫米波雷达的传输信号通常是目标级，最大检测目标数量通常不超过100个(例如ARS408)，相较于图像传感器的像素级信息处理，对实时性的提升较为明显，对硬件的要求也更低。

附图说明

图1是本发明中的道路边界识别方法的流程图；

图2是本发明的雷达安装检测示意图；

图3是本发明所使用的聚类方法流程图；

图4是本发明中自车周边目标经过聚类后所得到的聚类效果示意图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

图1至图4中的一些方框图代表物理实体或算法步骤，均可在现实中找到其原型或软件中实现相应功能。

图1所示为按照本发明实施例的识别道路边界方法的流程图。图2描述了车载毫米波雷达的安装与检测方法示意图。车载毫米波雷达与车辆刚性连接并安装在车辆正前方，安装高度在60～80cm，以尽可能的减少来自高处或地面的噪声干扰，这里的车辆为车载毫米波雷达的宿主车辆，下文称为自车。本发明对车型没有具体要求，但通常配备有自动驾驶功能。车载毫米波雷达常见的有24GHZ和77GHZ两种，其波长通常在1mm-10mm之间，通过向车身周围发射电磁波，在达到目标时会以漫反射的形式反射至四周，其中一部分被车载毫米波雷达的信号接收器所接收，通过对比发射信号和接收信号的时间差和相位差计算得到自车车身周边目标的状态信息，具体包括各目标的位置P、速度V及角度θ。自车的两侧分布着栅栏、绿化带或路灯等明显的可作为道路边界的目标，此外还有一些我们不感兴趣的目标，例如道路边界更外侧的树木或是由雷达探测到的一些其它的金属物体。

如图1所示，本发明提供的一种基于车载毫米波雷达的道路边界检测方法包括以下步骤：

首先，在步骤1)中，车载毫米波雷达实时地探测自车车身周围目标的状态信息。需要指出的是，在定义目标的状态信息时可以预先指定坐标系，即笛卡尔坐标系，其中，以车辆质心作为笛卡尔坐标系的坐标原点O，车辆质心的正前方垂直方向为笛卡尔坐标系的X轴，车辆质心左侧水平方向定义为笛卡尔坐标系的Y轴。在车载毫米波雷达检测到周边目标的状态信息时，目标所在位置的坐标(X,Y)则被唯一确定，其中：X为X轴坐标，表示目标所在位置与本车质心垂直方向上的偏差；Y为Y轴坐标，表示目标所在位置与本车质心水平方向上的偏差。

步骤2)中，从车辆的定位信息中获取自车的速度信息，并结合步骤1)中的车载毫米波雷达的探测结果，计算得到各目标的绝对速度。具体的目标绝对速度计算方法见下式(1)，将绝对速度接近0m/s的目标定义为相对于地面静止目标，将绝对速度远大于0m/s的目标定义为相对地面运动的目标，从而实现相对地面运动目标的滤除。

V_abs＝V_rel+V_ego (1)

式(1)中，V_abs表示目标的绝对速度；V_rel表示目标相对于自车的相对速度，是车载毫米波雷达的测量结果；V_ego表示自车的行驶速度，通常由车辆的定位信息给出。

在本实施例中，车载毫米波雷达在经过一个测量周期后探测到的目标数量通常在几十个到一百个这一数量级，而过滤掉路面上的全部运动目标一方面可以进一步减小车载毫米波雷达探测目标的数量，从而降低道路边界检测方法对硬件的要求，并提升这一方法的实时性。另一方面，路面上的运动目标如车辆、行人等会对识别道路边界造成干扰，因为道路边界通常是由栅栏、绿化带或路灯等静止目标构成，因此过滤运动目标可以进一步提升这一方法的准确性。

在步骤3)中，本发明采用基于加权距离的聚类方法对所有的静止目标进行聚类，具体聚类流程如图3所示。为了方便描述，在步骤3)中，将步骤2)中提出的相对地面静止的目标暂时描述为点。由于在实际行驶过程中，栅栏、绿化带或路灯等通常接近于垂直分布，即其分布与车辆的垂直方向(X轴方向)相比于车辆的水平方向(Y轴方向)具有更小的夹角，所以本发明在聚类过程中以加权距离来衡量道路边界目标点之间的相似度，来实现道路边界目标点的聚类，加权距离的定义如下式(2)所示：

d＝ω_x*dx+ω_y*dy (2)

式(2)中，d为任意两个点之间的加权距离；ω_x为X轴方向的权重，其值通常小于1；ω_y为Y轴方向的权重，其值通常大于1；dx为两个点在X轴方向聚类的差值，即X轴坐标的差值；dy为两个点在Y轴方向聚类的差值，即Y轴坐标的差值。

对于满足下式(3)中条件的点，可以认为属于同一类：

d＜dist_thresh (3)

式(3)中，dist_thresh为最大容忍距离，通常与具体的雷达型号以及雷达的距离分辨率有关。

聚类后的效果示意图如图4所示，示意图中共得到了3类结果，从左至右依次为左侧道路边界点、右侧道路边界点以及不相关的聚类点。其中，左右道路边界点通常为道路两边静止的栅栏、绿化带或路灯等目标的雷达探测点。不相关的聚类通常由距离道路边界更远端的树木等目标的探测点组成。除此之外，一些独立的无法形成聚类的探测点在此聚类方法中被定义为噪声，对道路边界的检测意义不大。

在步骤4)中，发明从上述步骤3)得到的所有聚类结果中筛选出真实的道路边界点(例如图4中的由栅栏、绿化带或路灯等目标反射点形成的聚类)，舍弃一些无用聚类(例如图4中的树木等目标反射点形成的聚类)。通常自车左右两侧距离最近的类是由真实的道路边界点形成的聚类。具体的筛选方法为计算每个类中所有雷达探测点Y轴坐标的平均值。首先将平均值大于0和小于0的类区分开，他们通常是位于自车左侧或右侧的目标类，而对于所有Y轴坐标平均值大于0和小于0的类，取各自Y轴坐标平均值的绝对值最小的类，即为真实的道路边界点形成的聚类。

在步骤5)中，本发明采用RANSAC算法对步骤4)得到的自车左右两侧距离最近的聚类点进行曲线拟合。与最小二乘拟合不同的是，RANSAC算法通常会忽略噪声对最终拟合结果的影响，由于步骤3)聚类中通常会引入少量噪声，而最小二乘拟合通常会对道路边界点和噪声点同时进行拟合，从而影响拟合方程的精度，因此RANSAC算法相较于最小二乘拟合方法具有更高的准确性，拟合后的方程即为道路边界的曲线方程，如下式(4)所示：

y＝a₀+a₁x+a₂x²+a₃x³ (4)

式(4)中，x是自变量，对应于自车坐标系下X轴方向上的位置，定义为目标质心的X轴坐标与自车质心X轴坐标的差值；y是因变量，对应于自车坐标系下Y轴方向上的位置，定义为目标质心的Y轴坐标与自车质心的Y轴坐标的差值；a₀为常数项系数，对应于道路边界曲线方程在自车坐标系Y轴方向上的截距；a₁为1次项系数，a₂为2次项系数，a₃为3次项系数。

至此，两侧道路边界的三次曲线方程已经确定。本发明所提出的方法不依赖于图像信息，避免了对像素级的数据进行处理，所以在道路边界检测实时性方面有较大提升；此外，车载毫米波雷达对于栅栏、绿化带以及路灯等目标的检测不受天气以及光照等条件的影响，因此可以做到对道路边界的全天时、全天候的检测；更进一步地，车载毫米波雷达的最大探测距离通常超过200m，因此在识别时可极大的增加道路边界的最大有效范围，增加自动驾驶的感知能力。

Claims (6)

1.一种基于车载毫米波雷达的道路边界检测方法，其特征在于，包括以下步骤：

步骤1、利用安装于车辆正前方的车载毫米波雷达实时探测本车周围各个目标的状态信息，目标包括全部动态目标及静态目标；

步骤2、获得本车的车速，结合步骤1获得的各个目标的状态信息，采用下式(1)计算得到各个目标的绝对速度：

V_abs＝V_rel+V_ego (1)

式(1)中，V_abs表示目标的绝对速度；V_rel表示目标相对于本车的相对速度，通过步骤1得到状态信息获得；V_ego表示本车的车速；

滤除所有目标中绝对速度大于预先设定的阈值的目标，将过滤得到的目标定义为相对于地面静止的静止目标，将被过滤的目标定义相对地面运动的运动目标；或者从所有目标中筛选出绝对速度小于预先设定的阈值的目标，将筛选得到的目标定义为相对于地面静止的静止目标，将被过滤的目标定义为相对地面运动的运动目标；

步骤3、将通过步骤2获得的每个静止目标定义为一个点，对所有点进行基于加权距离的聚类算法，将道路两旁的障碍物形成的点进行聚类，得到道路边界候选点，其中，加权距离的定义如下式(2)所示：

d＝ω_x*dx+ω_y*dy (2)

式(2)中，d为任意两个点之间的加权距离；ω_x为X轴方向的权重，X轴方向为前后方向；ω_y为Y轴方向的权重，Y轴方向为左右方向；dx为两个点在X轴方向聚类的差值，即X轴坐标的差值；dy为两个点在Y轴方向聚类的差值，即Y轴坐标的差值；

步骤4、仅保留步骤3获得的道路边界候选点中与本车左右两侧距离最近的点作为实际左侧道路边界点以及实际右侧道路边界点；

步骤5、利用RANSAC算法分别对实际左侧道路边界点以及实际右侧道路边界点进行曲线拟合，从而得到实际左侧道路边界曲线以及实际右侧道路边界曲线。

2.如权利要求1所述的一种基于车载毫米波雷达的道路边界检测方法，其特征在于，步骤1中，探测得到各目标的状态信息时，唯一确定各目标在笛卡尔坐标系下的位置坐标(X,Y)，其中，笛卡尔坐标系的坐标原点O为本车的质心，本车质心的正前方竖直方向为笛卡尔坐标系的X轴的正方向，本车质心左侧水平方向定义为笛卡尔坐标系的Y轴的正方向，则位置坐标(X,Y)中，X为X轴坐标，表示目标所在位置与本车质心垂直方向上的偏差；Y为Y轴坐标，表示目标所在位置与本车质心水平方向上的偏差。

3.如权利要求1所述的一种基于车载毫米波雷达的道路边界检测方法，其特征在于，步骤2中，利用定位信息获得所述本车的车速。

4.如权利要求1所述的一种基于车载毫米波雷达的道路边界检测方法，其特征在于，步骤3中，所述静止目标的绝对速度接近0m/s，所述运动目标的绝对速度远大于0m/s。

5.如权利要求1所述的一种基于车载毫米波雷达的道路边界检测方法，其特征在于，步骤3中的聚类算法包括以下步骤：

步骤301、选择任意一个点P；

步骤302、判断当前点P是否已被归入某个类，或者当前点P是否被标记为噪声，若是，则返回步骤301，若否，则进入步骤303；

步骤303、计算当前点P到其它各点之间的加权距离d，将加权距离d满足d＜dist_thresh的点标记为当前点P的邻节点，式中，dist_thresh为最大容忍距离；

步骤304、若当前点P的邻节点数量大于零，则进入步骤305，否则进入步骤306；

步骤305、将当前点P标记为噪声后，返回步骤301；

步骤306、将当前点P标记为类内点后，建立新类C，将当前点P及当前点P的所有邻节点加入类C中；

步骤307、扫描类C中所有未被标记的点q，将被标记的点q标记为类C的类内点，计算点q到类C外其他各点的加权距离d，将类C外加权距离d满足d＜dist_thresh的所有点加入类C中；

步骤308、若类C中所有点都被标记为类C的类内点，则进入步骤309，否则，返回步骤307；

步骤309、若类C中点的数量大于预先设定的阈值n，则类C中的所有点均为道路边界候选点，否则，舍弃类C。

6.如权利要求1所述的一种基于车载毫米波雷达的道路边界检测方法，其特征在于，步骤4包括以下步骤：

步骤401、计算通过步骤3获得的所有类的Y轴均值，当前类的Y轴均值为当前类中所有点的Y轴坐标值的均值；

步骤402、将Y轴均值大于0的类与Y轴均值小于0的类分开，分别作为本车左侧或右侧的目标类；

步骤403、从本车左侧的目标类中选择Y轴均值最小的目标类，该目标类中的所有点即为实际左侧道路边界点；

从本车右侧的目标类中选择Y轴均值最小的目标类，该目标类中的所有点即为实际右侧道路边界点。

Images