基于激光雷达几何特征的轨道检测方法

基于激光雷达几何特征的轨道检测方法

在列车控制系统中，正确感知列车当前位置是确保运行安全的重要手段。1激光雷达距离空间本文采用1个单线激光雷达传感器实现对地面环境扫描。激光雷达以垂直于轨道平面的方式安装在列车前端顶部，距离地面高度为H，如图1所示。激光雷达通过发射高速旋转的激光脉冲并接收目标反射的脉冲信号，在xz平面中获取环境的二维距离描述，将垂直于xz平面的列车前进方向定义为y方向。激光雷达的每一次扫描都可以获得1组点集2基于特征模型的方法常见的轨道由2条互相平行的单轨组成，2条单轨之间的距离称为轨距(G)，如图1(b)所示。本文首先采用基于特征与模型的方法对单轨进行检测。基于轨高特征及轨道对激光脉冲的遮挡特性，一帧激光雷达数据中可能的轨顶关键点可以被提取出来；然后，以模型匹配的方式对结果中的错误检测进行剔除，与模型相匹配的轨顶关键点则被认为是真实的轨道检测；最后，在沿轨道方向上对相邻帧中的轨道检测进行关联，从而形成连续的单轨目标。2.1单次扫描中的轨道检测2.1.1区域限制条件由于轨道是在地面上的目标，在z方向上对搜索区域进行限制，能够大大减少每次扫描中需要处理的数据点数，节约计算资源。本文将z方向上的搜索区域限制为式中：ΔH为z方向搜索区域限制参数，其选择应考虑轨道高度，并保证搜索区域能够覆盖所有轨道所在高度。若激光雷达对无明显目标的地表平面进行扫描，则相邻数据点的距离变化较小。而轨道是1种凸形目标，会阻碍激光脉冲到达被其遮挡的区域，从而造成相关激光点之间的距离明显变化。单次扫描下第i个数据点与相邻点之间的距离Δd式中：若Δd2.1.2形目标对应边缘点的选取单次扫描中的遮挡边缘包括所有的轨顶关键点及其他凸形目标对应的边缘点。由于轨高限制，轨顶关键点与其附近落于轨底的激光数据点在高度上相差约为轨高h，如图2所示。定义遮挡边缘点p式中：r则遮挡边缘p2.1.3轨道横截面方向非织造域的邻域匹配对每1个可能的轨顶关键点的邻域点进行模型匹配，从而确定最终的轨道位置。应用于模型匹配的邻域搜索半径为r式中：υ为经平移后与模型相匹配的邻域点个数；p由于轨道横截面具有对称性，图3只给出了适用于x坐标小于0的轨顶关键点的轨道横截面模型。若要对x坐标大于0的轨顶关键点的邻域进行模型匹配，则只需将图3的点模型沿yz平面翻转即可。通过不断迭代找到最小匹配误差e2.2基于轨道方向聚类的生长考虑到轨道在y方向上的连续性，需将每一帧激光雷达数据中识别出的轨顶关键点与历史检测点进行聚类，形成若干连续的单轨。将第1帧激光雷达数据中的轨顶关键点分派为不同聚类，通过判断后续的每1个轨顶检测点与现有各聚类的位置关系，实现沿轨道方向的聚类生长。图4所示为纵向单轨聚类的示例，该聚类包含10个历史轨顶检测点，当前时刻存在3个待分配的检测点p为了保证聚类的准确性，每个聚类中最近m次扫描的轨顶检测点被用于计算聚类的主方向。由于对轨道的检测至少需要3个测量点2.3横向关联的平行性检测在通常情况下，轨道是由1组平行的单轨组成，为了实现横向的单轨间关联，本文采用基于轨距及平行性检查的轨道横向关联方法。对于标准轨距轨道(G=1.435m)，其实际轨距允许变化范围为[1.43,1.47]m。然而，本文的轨顶关键点与轨距测量所需的关键点的定义不同，因此，考虑轨道横截面的尺寸，适用于本文的轨距变化范围应为[1.50,1.54]m。在每一帧轨顶关键点完成纵向轨道聚类后，对每1个关键点进行横向距离搜索，寻找与其横向距离符合轨距变化范围的其他关键点，形成可能的轨对，并与已有轨道区段关联。然而，仅根据轨距进行横向关联，在特定情况下会存在关联不确定性，如图5所示。当前时刻图5中左侧第2条单轨上的轨顶关键点与其左侧和右侧单轨上的关键点间的距离都符合轨距要求，因此，需加入其他限制条件解决该不确定性问题。本文第2.2节中各轨道聚类的主方向可用于横向关联的平行性检测。当已有聚类在当前时刻获得状态更新后，将各聚类的最新主方向进行对比，若2个聚类的主方向夹角不超过轨道平行性最大允许角度偏差θ，则2个轨道聚类符合平行性要求。同时，为提高算法解决不确定性问题的能力，还需考虑每个轨道聚类历史匹配中的左右轨分配情况。图5中，通过轨距检测，当前扫描中左侧第2条单轨上的轨顶关键点既可与右侧相邻轨道关键点关联，也可与左侧轨道关键点关联，然而，在之前时刻的单轨横向关联中，该轨道被识别为左侧轨道的右侧单轨，根据轨道的分布特点，属于该轨道聚类的轨道关键点只能继续作为1条轨道的右侧单轨，在此限制条件下，当前时刻的属于该轨道聚类的轨道关键点只能与其左侧关键点发生关联形成轨对。由于缺少方向信息，轨道区段的初始化只根据对第1帧激光雷达数据进行轨距检测而完成。若2个横向关联的轨顶关键点与已有轨道区段不匹配或轨顶关键点属于新的单轨聚类，则为其新建1个轨道区段。与单轨纵向聚类相同，在每次关联中，每个已有的轨道区段只能添加1组轨顶关键点，最近m次扫描中至少包含n对轨道关键点，并允许其连续l次扫描中没有发生检测点关联。3实验分析3.1激光雷达传感器和检测参数本文采用Pepperl+FuchsOMD30M-R2000-B23-V1V1D-1L本文轨道检测算法中的所有参数选择较保守。σ3.2轨道检测结果为了获得量化的实验结果，每组实验数据中的地面真值都被人为标注出来，即每1个激光雷达数据点是否属于某一轨道。将每1个轨顶关键点的位置与地面真值进行对比，可确定其属于正确检测(truepositive,TP)或误检(falsepositive,FP)。真值中存在的而算法没有检测出的轨顶关键点则为漏检(falsenegative,FN)。在此基础上，召回率r和准确率p用于评估算法性能：式中：N对每1组数据依次进行单次扫描下的轨道检测、纵向单轨聚类和轨道横向关联，在每个阶段的算法完成后都会计算出此时轨道检测的召回率与准确率。所有数据的轨道检测结果见表2，其中，参数下标s,lo和la分别代表单次扫描下的轨道检测、纵向单轨聚类和轨道横向关联3个算法阶段。图6所示为对第2组数据依次进行单次扫描下的轨道检测、纵向单轨聚类和轨道横向关联后的轨顶关键点检测结果，在xy平面中表示。图6中，箭头所示数值为各轨道区段的检测召回率。实验车辆从y=0m处自左向右行驶，车辆行驶在由3条单轨构成的混合轨距轨道上，在其右侧依次有2条汇入当前轨道的侧轨，分别为标准轨距轨道和窄轨。从表2和图6可以看出：单次扫描的轨道检测后，所有轨道中的96.9%被正确检测，且在不同阶段的轨道检测结果中，对实验车辆所在轨道的检测召回率都要高于其他2条轨道的检测召回率。由于轨道设计原因，在道岔处(y»30m或y»70m)的轨道具有不同的几何形状，会发生少量漏检。图6中，错误检测点主要出现在x>1m和x<-2m,y>70m的区域。从图6(a)可以看出：在经过单次扫描的轨道检测后，轨道外存在一些随机分布的错误检测点(p由表2可以看出：第4组数据的最终轨道检测召回率最低(r4纵向单轨与横向关联轨道检测1)在纵向单轨聚类及轨道横向关联中，都规定了在包含m次扫描的滑动窗内至少包含的检测点个数及允许的最大无关联次数，有效地减少了错误的轨道检测。在不考虑激光雷达回波强度信