论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection

摘要

高分辨率雷达传感器能够通过每个测量周期检测数千个反射点,非常准确地感知车辆周围的环境。本文提出了一种新的占用网格映射方法,用于对静态环境进行建模。对所有数据点的反射振幅进行补偿、归一化,然后转换为基于预定义的雷达传感器模型的探测概率值。根据测试车辆的运动,计算经过几个测量周期后的后验占用概率,建立占用网格图。随后,该占用网格图被转换为二元网格图,其中包含障碍物的网格单元被定义为已占用。通过连接组件标记算法,对这些被占用的网格单元进行聚类,消除所有只有少量网格单元的异常值。然后,利用摩尔邻居跟踪算法识别聚类网格单元的边界。基于这些边界,利用Bresenham的直线算法确定基于区间模型的自由空间。根据雷达实测数据绘制的占用网格图和自由空间检测结果与实际道路场景吻合较好。

1.介绍

由于雷达传感器具有全天候的坚固性和相对较低的成本,因此在汽车行业中得到了广泛的应用,特别是在高级驾驶辅助系统(ADAS)领域。例如,在自适应巡航控制(ACC)系统中,雷达传感器可以在大范围内探测到目标。在获得目标距离值后,车辆可由ACC系统自动加速或减速。

自动驾驶辅助控制系统的发展不断提高了对高分辨率雷达传感器的要求。为了处理复杂的应用和交通情况,雷达传感器需要较高的角度和距离分辨率来捕获足够的环境信息。此外,高分辨率雷达需要在像素级上与激光雷达或相机传感器进行数据融合。

带天线阵的快速chirp线性调频连续波雷达系统(chirp序列雷达)已被证明是最合适的解决方案之一。该雷达系统基于单个测量周期内探测到的数千个反射点,具有高分辨率的环境感知能力。

在高分辨率数据的环境建模领域,常用的方法之一是占用网格地图,该方法最初起源于概率机器人[2,3]。该方法将环境划分为均匀的网格单元模式,然后将检测点填充到相应的网格单元中。网格单元代替点随时间被跟踪,因此测量噪声和不确定性被消除。同时,计算每个网格单元被占用的概率。该方法能够在连续的测量周期中,在同一物理位置检测到来自静态物体的反射点,从而获得稳定的占用网格图,足以对静态环境进行建模。

根据占用网格图,可以识别出自由空间区域。在进行车辆轨迹规划时,应尽可能精确地估计自由空间,否则可能发生与附近障碍物的碰撞,特别是在进行规避机动[4]后。

本文的组织如下:第2节介绍了占用网格映射和空闲空间检测的技术现状。第三部分介绍了所使用的雷达传感器和坐标系统等数据准备任务。在第4节中,首先描述了一种利用单前沿高分辨率雷达数据绘制占用网格的方法。然后,在第5节中,介绍了具有多个互补融合雷达传感器的占用网格图。基于占用网格图,在第6节中介绍了检测空闲空间区域所需的算法。最后,对本文进行了总结,并提出了未来的展望。

2.相关工作

本节描述了与占用网格映射和自由空间检测相关的工作。

2.1.贝叶斯定理

基于贝叶斯定理,将当前测量周期中的新数据与之前的数据相结合,计算地图的后验概率p(m|R1:t,V1:t),其中m是网格图,R1:t是时间1到t的传感器测量数据集,V1:t是时间1到t的车辆位置数据集。

 (1)

 在等式(1)中的后验概率ℓt的对数比值比可计算如下

(2)

其中,p(m|Rt,Vt)表示处理当前测量值的传感器数据Rt和车辆数据Vt的检测概率。在处理任何测量ℓ0之前,检测概率的对数比值比通常假设为0,因为在第一次测量之前对周围环境一无所知。

2.2.占用网格建图

占用网格建图之前是通过激光雷达传感器[5]和相机传感器[6]实现的。利用先进的前向逆传感器模型,将激光雷达传感器的反射数据转换为占用概率,作为贝叶斯定理[7]中的检测概率。如果激光雷达传感器检测到物体,目标所在的网格单元被识别为被占用(见图1)。在被占用的网格单元和激光雷达传感器之间,与激光雷达传感器在一定径向距离内的网格单元被标记为自由的。用网格单元与目标之间的距离的线性函数来计算网格单元在距离阈值上的占用概率。没有任何测量信息的网格单元(图1中的灰色)被标记为未知。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第1张图片

图1:激光传感器模型

由于雷达传感器能够感知障碍物后面的物体,因此需要一个不同的传感器模型来计算占用概率。在[8]中,Degerman等人提取信噪比(信噪比),并与Swerling 1模型一起计算检测概率。使用静态雷达,Clarke等人计算占用概率作为反射功率、范围的快速傅里叶变换(FFT)箱数以及轴承[9]的函数。Werber等人利用关于雷达横截面(RCS)的信息,开发了一种基于振幅的方法,并具有占用网格映射[10]。考虑到雷达传感器的不同特性和调制特性,通过将检测点的反射强度转换为占用概率,可以建立一个通用的雷达传感器模型

由于以前的汽车雷达传感器只能提供很少的反射数据,主要是在目标级,占用网格地图通常是通过同步定位和建图(SLAM)算法在有限区域的多个测量创建的。结合所有的测量结果,建立了整个测量区域的占用网格图,这有助于定位车辆的位置。网格建图还用于对单元格级[11]上存储的对象进行分类。但是,这种方法并不适用于实时测量范围内的占用网格建图。

2.3.自由空间检测

基于占用网格图,使用激光和视觉传感器,自由空间检测功能已经在之前的一些工作中得到了发展。

对于激光雷达传感器模型,自由空间被定义为传感器与目标[12]之间的距离的函数。进一步的工作重点是根据摄像机传感器数据[13,14]进行具有分类能力的道路边界识别。Konrad等人提出了一种使用多层激光扫描仪[15]估计道路路线的方法。Lundquist等人采用曲线拟合方法来检测[16]高速公路上的道路边界。Schreier等人开发了一个参数自由空间图,该图描述了自我载体周围任意形状的外部自由空间边界的B样条轮廓,并添加了边界类型[17]的附加属性。在复杂的车辆环境中,需要估计大量的曲线参数。

由于雷达特定数据中的噪声和不确定性,在自由空间检测之前,需要对创建的占用网格图进行相应的调整。由于雷达探测只能覆盖有限的区域,因此需要开发一个重点关注未来车辆轨迹沿线区域的自由空间模型。

3.测量配置和数据准备

在测试车辆上安装了一套开发好的高性能雷达系统,并记录了测量数据。利用控制器局域网(CAN)总线上的车辆动态数据模拟了车辆运动模型。车辆的坐标系和网格图相互适应。

3.1.雷达传感器

研制了一套77 GHz FMCW实验高性能雷达系统,并安装在车辆前部(见图2)。采用带宽为B = 2.4 GHz、观测周期时间为T = 50 ms和16通道接收天线阵列。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第2张图片

图2:实验雷达传感器和FPGA开发板

 测量的原始数据维度为4096个样本,1024个坡道和16个通道。采用现场可编程门阵列(FPGA)开发板,实现了信号处理算法。对样本进行FFT检测,以确定检测点的距离信息(范围)。对于径向速度检测,计算了斜坡上的第二个FFT。在这两个维度中,使用了切比雪夫窗。一种有序统计恒虚警率(OS-CFAR)算法生成一个阈值,用于计算出的二维距离-多普勒频谱的目标提取。对阈值水平以上的目标进行处理,并用确定性最大似然法(DML)算法计算其方向(到达角度)。

设置一个速度阈值,从静态环境中选择相关的目标点。将雷达极坐标系中反射点的范围和角度转换为笛卡尔坐标系中的xr,i和yr,i。车辆后轴的中间位置被定义为坐标系的原点。利用上述信号处理算法计算各点的反射振幅Ar,i。因此,t时刻的反射点Rt的信息可以表示为

(3)

 其中,N是反射点的个数。

3.2.车辆运动模型

图3为ISO 8855:2011所定义的车辆坐标系。从CAN-Bus中,记录了速度v、加速度a、转弯速度φ等车辆动态数据。基于常转弯加速度(CTRA)模型[19]计算自车运动

,(4) 

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第3张图片

图3:车辆运动模型 

通过整合公式(4),自车位置的计算和表示为

(5)

 基于自车的位置,对网格图进行跟踪。

3.3.网格图坐标系统

一般来说,占用网格图的坐标系可以通过两种方法来定义:

1)地面固定坐标系。自车在这个坐标系中不同的点上移动。该方法适用于有限地点的测量,如停车场,否则建议使用较大的网格地图,以确保自车始终在地图中。

2)车辆-固定坐标系。移动和旋转网格图,以保持原点停留在车辆后轴的中间点。然而,在移位和旋转期间会出现不希望出现的偏移量。在自车移动后,过去地图中的一个网格单元可能会在移动和旋转的地图中占据几个新的网格单元,这使得网格地图不稳定或不准确。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第4张图片

图4:网格图坐标系统

 为了在任何地方建模和可视化车辆周围的环境,网格地图坐标系需要像方法2一样与自车一起移动。同时,还对其进行了一些修正来解决偏移问题。根据车辆位置,网格图只是在x和y方向上移动整数行和列。网格图的原点与自我位置xv’和yv’之间的其余差异被保留(见图4)。网格图的方向是通过使用第一次测量时的自车方向来固定的。在车辆运动过程中,网格图不被旋转,而是保存了自车φv的方向。这些值用于更新网格贴图的坐标系中的点。该方法可以移动网格图,在跟踪网格图时不会产生偏移。

整个网格图的长度和宽度与雷达传感器的探测范围相适应。单个网格单元的大小与雷达传感器的分辨率相当

通过下式将自车坐标系中雷达探测点的坐标转换为网格地图坐标系

(6)

 4.占用网格地图

根据位置,雷达反射点被分配给相应的网格单元。在每个时间步长中,考虑雷达传感器的当前测量值和网格之前的值,对占用网格进行更新。这可以减少测量的不确定性和误差,因为真正的障碍通常在连续的测量周期中被检测到,并随着时间的推移映射在相同的网格单元中。

每个新点的反射强度转换为归一化值。结合单个单元中所有点的值,计算出该单元中的检测概率。在每个周期中,计算该概率并相互结合,获得后验概率,建立最终有效的占用网格图。下部分介绍了检测概率和后验概率的方法。

4.1.检测概率

图5显示了停车场一个测量周期的图像,原始雷达数据的鸟瞰视图如图6所示。在下一部分中,将所有检测点的反射振幅转换为每个网格单元中的检测概率。

自由空间损失补偿。自由空间损失描述的是电磁波在自由空间中传播过程中功率密度的减小,符合距离定律,而没有考虑额外的衰减因素(如雨或雾)。反射幅度随着距离雷达传感器的距离的增加而减弱。

为了使障碍物的反射强度和转换后的探测概率与距离无关,对自由空间损失进行了补偿。在等式(7)中给出了反射振幅与各点的径向距离之间的关系。所有点的振幅在与雷达传感器的参考距离Ar,i^N处被转换为等效值d^N。

(7)

 其中。 

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第5张图片

 图5:真实停车场场景图像

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第6张图片

  图6:雷达反射点鸟瞰图

天线增益补偿。这些点的反射振幅还受到目标与雷达传感器之间的角度的影响,这与天线的增益有关。对不同的天线增益模式进行补偿,以实现与到达角无关的反射振幅。为了了解振幅与反射点角度的关系,放置与雷达传感器相同距离但角度不同的角反射器,测量反射器在不同角度的反射振幅(见图7)。使用这种天线模式,所有点的振幅都被转换为一个各向同性的值,从而消除了任何角度的依赖性。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第7张图片

图7:天线增益经验特性曲线

 反射振幅的归一化处理。反射幅度是一个相对值,并随信号处理算法和参数的不同而变化。然而,不同点之间的振幅的关系总是表现出相对反射强度。因此,补偿后的振幅被归一化到0到1之间的值。对于每个测量周期,所有的点都按它们的振幅进行排序(见图8)。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第8张图片

 图8:反射幅度的分布和归一化

如果将反射强度的最大振幅值设置为1,将最小振幅值设置为0,则采用不合适的比例尺,因为有些点有一个极值。因此,10%最大值归一化为1,10%最小值为0。它们之间的反射振幅根据一个线性函数转换为该值。因此,所有点的反射强度都被归一化了(见图9)。

 论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第9张图片   论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第10张图片

 图9:归一化反射幅度                  图10:检测概率(自车在原点附近)

在单个网格单元中的检测概率。反射振幅经过补偿和归一化后,这些点被分配到网格单元中。每个网格单元可以被几个具有不同反射强度的点所占据。单个网格单元的反射强度或所有点的反射强度或点数可以计算单个网格单元的检测概率。在网格单元中,从一个物体中检测到一些反射强度高的点,而一些反射强度低的点由于天线旁瓣而从附近的另一个物体中反射。应忽略那些反射强度较低的点的影响否则,通过计算一个网格单元内的平均反射强度来计算出较低的检测概率。此外,每个网格单元中的点数在很大程度上取决于网格单元的大小。

基于上述原因,在计算中只考虑每个网格单元中最大反射强度值为20%的点。它们的平均反射强度值定义为网格单元中的检测概率。图10描述了一个测量周期中所有网格单元的检测概率。

4.2.后验概率

雷达传感器模型将反射强度转换为探测概率,这与激光雷达传感器模型不同,因此,等式(2)已进行了修改。

首先,用等式(8)将检测概率调整到0.5到1之间的值;否则,反射强度在0.5以下的反射强度,也来自障碍物,导致后验概率的对数比降低。

 (8)

 然而,随着检测概率的缩放,每次计算新的测量周期的数据时,后验概率都会增加。用退化因子k来解决这一问题,然后用该方程计算后验概率的对数优势比

 (9)

 随着自车的移动,具有占用概率值的网格单元发生了移动。因此,每个网格单元根据当前周期的雷达数据和前一个周期的占用概率来保持探测概率以前的雷达数据对最终占用概率的影响应该小于新的数据。随着退化因子k,占用概率ℓt−1的对数比值比随时间降低。因此,在每个周期中,网格单元中的占用概率值首先随着退化因子的增加而降低,然后随着当前检测概率的增加而增加

网格单元格中的对数比值比ℓt被归一化为0到1之间的值,这表示后验占用概率。最大极限和最小极限采用预测方法确定:一个物体位于一个网格单元中,并在每个周期中以相同的检测概率Pth进行检测。经过n个测量周期后,假设网格单元为100%被占用。当前对数比值比值设置为上限ℓth,max,用后验概率的值1表示。ℓth,max可以通过下式计算

 (10)

 在接下来的m个循环中,在这个网格单元中没有检测到任何反射的点。网格单元格再次设定是自由的。当前对数比值定义为下限ℓth,min,用后验概率的值0表示。ℓth,min可以通过下式计算

(11)

 上限和下限之间的对数比值被转换为0到1之间的值。图11显示了预测中占用概率随测量周期的变化曲线(Pth=0.9,n=m= 10)。在第10个周期中,占用概率达到最大值,然后下降,在第20个周期中出现最小值。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第11张图片

图11:预测占用概率变化曲线

 4.3.结果

后验概率代表在每个周期中的最终占用概率。在图12中,显示了从一个停车位测量得到的占用网格图,其中停放了几辆卡车和货车(见图5)。在占用网格图中,卡车的轮廓被识别出来,尽管它们停得彼此很近。卡车所在区域的占用概率几乎为1,它们之间的网格单元的占用概率为0。此占用网格图可以正确地表示静态环境。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第12张图片

图12:停车场的占用网格地图

4.4.幅度网格地图

幅度网格地图是另一种常用的网格地图方法,它将每个网格单元的反射幅度随时间的最大值归一化为占用概率。在图13中,给出了幅度网格地图的一个例子。与占用网格地图相比,测量噪声没有被过滤,并在网格图中呈现,因为它只考虑了最大值,而忽略了测量值的持续时间周期。由于测量噪声的存在,在现有的自由空间中计算出较高的占用概率,干扰了自由空间的检测。因此,在以下部分中将使用前面第4.1和4.2节中提到的方法。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第13张图片

图13:振幅网格地图的示例

5.占用网格图融合

为了扩展视场(FoV),三个高分辨率雷达安装在车辆周围。在介绍雷达传感器配置后,提出了三种雷达数据处理的占用网格地图。利用上述方法,得到了一个具有较大视场的稳定网格图。

5.1.传感器配置

安装在前扰流板中心的雷达传感器(以FC雷达表示,见图2)的方位孔径约为±50°。这意味着,大多数探测点位于车辆的前面,但两侧的周围环境不能被很好地感知。需要更多的雷达传感器来扩展传感区域。

由于车辆左侧雨刮储油池和排气管位置缺乏安装空间,另外两个雷达传感器分别安装在车辆右前角(FR雷达表示)和右后角(RR雷达表示)(见图14)。传感器的安装位置和方向在车辆坐标系(见图3)中描述,例如FR雷达的(xFR、yFR、φFR)。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第14张图片

图14:车辆周围安装三个雷达传感器(前中雷达如图2所示)

 5.2.数据融合

三个雷达传感器可以探测自身视场中的不同反射点,这些反射点部分重叠(见图15)。为了同步和同步地处理和存储来自单个雷达传感器的数据,需要在它们之间进行数据融合。

根据进行融合的处理阶段,传感器数据融合可以分为低层级和高层级。高层级的数据融合意味着来自每个雷达传感器的探测及其信息首先分别预处理到目标级。然后,来自不同传感器的物体被合并并融合在一起。高层级数据融合是时间高效的,但在数据融合前的预处理过程中,一些信息会丢失或被忽略。例如,当一个对象只反射每个传感器的视场中的几个点时,这些点及其来自一个传感器的信息可能不足以被预处理到一个对象。由于这些点无法识别对象,它们的数据不能在处理阶段传递和用于数据融合。相比之下,低层级数据融合直接结合来自所有传感器的原始数据(即检测点),然后生成融合的原始数据。在上述示例中,可以使用经过低层级别数据融合后信息更丰富的融合数据来识别对象。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第15张图片

 图15:三个雷达的FOV

占用网格地图是一种较适合的低层级融合不同传感器雷达数据的方法。可以创建一个围绕车辆的网格地图,其中每个雷达传感器的所有反射点都被分配。在图16中,三个雷达传感器探测到的单次反射点用不同的颜色表示。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第16张图片

图16:来自三个雷达传感器的检测点(瞬时、单镜头记录)

 利用对传感器安装位置和方向的了解,我们首先可以通过等式(12)将雷达特定检测点的位置转换为车辆坐标系然后由等式(6)进入一个公共的网格图坐标系。之后,它们将被分配给相应的网格单元格。

(12)

 这里xra,i,yra,i是雷达传感器坐标系下检测点的坐标。

通过考虑每个单个网格单元具有高反射强度的分配点,计算出检测概率,并采用前面第4.1和4.2节中提到的方法建立占用网格图。

5.3.结果

图17为多个交叉街道的占用网格图所示。通过三个雷达传感器之间的数据融合,在网格地图上,车辆的前方和右侧都有清晰可见的街道轮廓。道路区域内的网格单元的占用概率为0。测量结果表明,利用融合高分辨率雷达的占用网格图可以很好地识别交叉口、道路边界和自由空间驾驶区的检测。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第17张图片

图17:一条有多个十字路口的街道上的占用网格地图

 6.自由空间检测

由于在雷达传感器的探测范围和孔径之外,或在一些较大的障碍物后面,无法实现在车辆周围的自由空间探测。对于车辆运动规划,感兴趣场(FoI)是沿着可能轨迹的区域。首先,确定所有网格单元中的占用状态,以创建一个二进制网格地图。利用聚类方法,将由测量误差引起的常数和强反射点引起的被占用面积再次定义为自由空间。基于边界识别算法,对被占用区域的边界进行检测,实现了沿车辆轨迹的自由空间检测。

6.1.占用状态确定

在检测空闲空间之前,应该确定网格单元是否被占用。最简单的方法是使用一个恒定的占用概率阈值。确定网格单元的占用状态,以便可将占用网格图转换为二进制网格图(见图18)。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第18张图片

图18:具有占用概率阈值的二元网格地图(红色:被占用的网格单元,白色:自由网格单元)

 但是,由于雷达传感器和OS-CFAR算法的特点,一些网格单元的占用状态与各自的值不匹配。从一个对象中,许多反射点被检测到并分配到不同的网格单元中。其中一些点的反射幅度较低,使其对应的网格单元的占用概率接近于零。这些网格单元被检测为自由空间,实际上属于障碍。本文提出了两种方法,以识别属于障碍物但占用概率较低的网格单元。

1)考虑了占用概率低于阈值的网格单元。计算了邻域内的网格单元的数量,其占用概率远高于所选的网格单元(见图19中的网格单元N,左侧图像)。如果此量大于阈值,则将所选网格单元(图19中的网格单元C)设置为已占用。利用该方法,在障碍物内部和边界区域占用概率较低的网格单元被识别为被占用。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第19张图片

 图19:相邻的网格单元格(C:中心网格单元格。N:相邻网格单元格)。

2)处理占用概率为零的网格单元。如果两个“夹”网格单元(见图19、中间和右侧的网格单元N)具有较高的占用概率,并被声明为被占用,则所选网格单元设置为被占用。因此,特别是在障碍物内部区域中占用概率为零的网格单元被检测为被占用。

使用上述方法,可以确定所有网格单元的占用状态。该结果的一个示例如图20所示。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第20张图片

 图20:处理后的二元网格地图

6.2.聚类二元网格单元

利用占用网格地图,对随机测量噪声进行了滤波。然而,一些反射点是由附近的强物体或测量误差引起的。在二元网格图中,点通常占据障碍物外尺寸较小的区域,被称为异常值。使用连接的占用面积大小的阈值,对异常值进行过滤。

为了计算所连接的被占用区域的大小,需要首先要对二进制网格单元进行分组。本文讨论了三种流行的聚类算法:

1)K-Means[21]。网格单元的划分被分为一个预定义数量的类,其中每个网格单元都属于具有最接近平均值的类。由于车辆周围的环境总是在变化,所以预定义的数量并不有效

2)基于密度的噪声应用空间聚类(DBSCAN)[22]。网格单元被分组在一起,并根据相邻网格单元的数量分为核心网格单元、边界网格单元和噪声网格单元。这里的噪声网格单元被认为是异常值。为了精确地过滤噪声网格单元,选择了网格单元之间的相对较低的距离阈值和网格单元数的相对较高的阈值。但是,计算时间很长,因为在最坏情况下它是网格单元数的二次函数。

3)连接组件标签(CCL)[23,24]。对二进制网格地图中连接的被占用的网格单元进行检测并进行聚类。不需要预定义任何参数。此外,它所需要的计算负担明显小于DBSCAN。因此,这里选择了CCL作为聚类算法

计每个类中网格单元格的数量都被计算。使用数字阈值,找到异常值,轮廓中的网格单元再次标记为自由。这个处理步骤是有意义的,因为一些轮廓直接位于车辆的前方,属于FoI。在图21中,展示了CCL算法的聚类结果。黑色圆圈中的网格单元格被聚集起来,然后再次被定义为自由单元格。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第21张图片

图21:用CCL算法进行聚类(不同的颜色代表不同的聚类)

6.3.边界识别

聚类和被占用的二元网格单元的边界与自由空间检测主要相关。本文引入了摩尔-邻居跟踪(MNT)算法来识别被占用区域[25]的边界。在图22中,描述了MNT算法。从一个随机被占据的网格单元B1开始,沿顺时针方向B2搜索下一个被占据的相邻网格单元。当初始网格单元被第二次访问时,迭代循环终止。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第22张图片

 图22:MNT算法(B:边界网格单元)

所有到达的网格单元都被标记为边界网格单元,这有助于检测沿轨迹的自由空间。图23显示了边界识别结果的一个例子。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第23张图片

 图23:边界识别(黑色:边界网格单元,灰色:已占用的网格单元)

6.4.基于区间的自由空间模型

沿车辆轨迹的自由空间由车辆未来可能位置与被占领区域边界之间的最窄距离来定义。

首先,利用基于CTRA模型的当前动态数据计算自我车辆的轨迹,并计算车辆沿轨迹的位置和方向。也可以用任何机动来计算车辆的轨迹。车辆轨迹定义为基线,考虑到每个位置的方向,该区域类似于扇形,定义了沿轨迹的FoI(见图24)。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第24张图片

 图24:FoI和沿着轨迹的区间

然后将FoI沿轨迹分为一定长度的区间。该时间区间总是垂直于每个点上的车辆方向。一个单一区间的长度被定义为车速的函数,因为随着速度的增加,需要一个更宽的自由空间。

为了实现基于区间的自由空间模型,选择车辆在FoI中的位置所在的网格单元作为基线网格单元。使用Bresenham's线算法访问基线网格单元格,该算法位于每个位置与车辆方向垂直的方向(见图25)。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第25张图片

 图25:.一个区间内的自由空间检测(蓝色:基线网格单元,绿色:自由空间网格单元,黑色:边界网格单元,灰色:已占用网格单元)。

搜索与每个基线网格单元距离最小的被占用的网格单元。然后将这个距离定义为自由空间区间的宽度。在此间隔中,更接近基线网格单元的网格单元被标记为自由空间。同样,可以计算所有间隔的宽度,从而检测沿车辆轨迹的自由空间。

6.5.结果

图26显示了停车点自由空间检测的一个例子。在车辆前方左侧的自由空间比右侧多,这意味着向左的规避轨迹比向右的更可行。此外,卡车之间的停车位被认为是自由空间,这有助于产生停车机动。

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第26张图片

图26:自由空间检测的例子

 在图27和图28中,显示了公共道路上的另一个例子。在道路的左侧有几个警告柱,它们在地图上分别被检测为障碍物。警告柱之间的距离被识别为空闲空间。

  论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第27张图片论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection_第28张图片

 图27:在公共道路的测量图像               图28:在公共道路的自由空间检测

7.结论与展望

为了利用高分辨率雷达传感器对车辆周围的静态环境进行建模,提出一种基于占用网格地图概念和确定的自由驾驶空间检测的方法

利用雷达传感器检测目标点的位置和反射幅度,作为占用网格地图的输入数据。首先,根据自由空间损耗和天线图案增益对反射幅度进行补偿,然后进行归一化处理。其次,根据检测点的位置和方向,将检测点分配给相应的网格单元。第三,将单个网格单元中的检测概率计算为检测点反射强度的函数。第四,在自车的移动过程中,网格单元的值会下降,然后结合新的测量数据来计算后验占用概率。最后,创建并更新占用网格地图。同时,利用占用网格图对三个雷达传感器进行数据融合。

然后,将占用网格图转换为二元网格图。此外,根据相邻的网格单元状态,障碍区域中的网格单元被标记为被占用。为了消除异常值,使用CCL算法对连接的网格单元进行聚类。通过MNT算法,可以识别出聚集的、被占用的网格单元的边界。最后,基于Bresenham's线算法检测一个基于区间的自由空间驾驶区。如本文所阐述的,所确定的自由空间和所检测到的路边障碍物,与汽车驾驶的真实世界场景完美地匹配。

在未来的工作中,计划将雷达探测的高度信息也纳入占用网格地图中。当然,这就需要进一步发展高分辨率雷达传感器,以能够估计方位角和仰角。占用网格图的进一步应用,如车辆定位和SLAM,也可以开发。

你可能感兴趣的:(论文解读,人工智能,算法,自动驾驶)