基于稀疏點云的ADAS三維地圖構建方法

姚 遠，王 玥*，胡慶武

（1.武漢大學 遙感信息工程學院，湖北 武漢 430079）

基于稀疏點云的ADAS三維地圖構建方法

姚 遠1，王 玥1*，胡慶武1

（1.武漢大學 遙感信息工程學院，湖北 武漢 430079）

提出了一種基于機載LiDAR稀疏點云與已有道路二維導航地圖快速構建ADAS三維地圖的方法。通過稀疏點云與導航地圖拓撲疊加分析和三維空間關系檢驗，實現了對復雜道路結構的高程平滑和面向ADAS的道路三維地圖構建。以香港地區ADAS地圖為例，采用該方法進行了三維地圖構建。結果表明，該方法合理且效率高，精度滿足先進自動駕駛三維地圖要求。

ADAS；機載LiDAR；三維地圖；高程平滑

谷歌的智能駕駛是基于導航技術的，它結合地圖數據、GPS數據以及在行駛過程中對周圍環境的探測來決定如何行駛[1]。精確的地圖數據在智能駕駛的實現中非常重要，利用地圖數據可預知前方道路狀況以決定是否需要增減油門[2]，并可在高程約束下選擇最優路徑。地圖數據作為一種新的傳感器，在ADAS中應用廣泛，LI Kang[3]等提出實時構建道路曲率以支持ADAS應用的思路；Thomas B[4]等構建了一種實時更新與測試ADAS地圖的方法；LU Meng[5]等研究了在ADAS的使用中如何利用地圖有效減少交通事故的發生；李德毅[6]提出的智能駕駛需要高精度三維導航地圖，但現存導航地圖多以二維為主，缺少高程信息，實用性不強。

近年來，機載LiDAR作為精確、快速獲取三維數據的技術正得到廣泛認同[7]。通過高速激光掃描測量的方法，大面積快速獲取被測對象表面的三維坐標數據，可快速采集城市三維信息[8]。LiDAR點云的存在為利用現存的二維導航地圖生成三維地圖提供了可能。本文提出一種基于機載LiDAR稀疏點云和已有道路二維導航地圖來快速構建ADAS三維地圖的方法。

1 算法框架

本文基于LiDAR稀疏點云的ADAS三維地圖構建在統一的地理參考下，通過稀疏點云與導航地圖平面拓撲疊加分析和三維空間關系檢驗，將稀疏點云的高程信息無縫平滑地轉移到二維導航地圖上，以此實現導航地圖中道路的三維構建，如圖1所示。

實現ADAS三維地圖構建的關鍵是稀疏點云高程數據到道路對象的準確轉換[9]。一方面，稀疏點云來自機載LiDAR掃描，點云數據含有粗差；另一方面，點云密度與道路對象分割不匹配，在同一路段內道路點云高程存在變化，如圖2所示，路段1、2內的點云存在高程差異，路段1和路段2結合處點云也存在高程差異，還有部分點云在路段的邊界附近，這些都給基于LiDAR稀疏點云的道路高程賦值帶來困難。因此，需要對稀疏點云粗差進行預處理，并通過空間一致性檢驗來解決點云到道路對象的合理賦值。因此，本文設計的算法流程為：首先對點云數據進行預處理并構建格網；然后將構網的數據和二維導航地圖數據疊加賦予高程信息生成三維導航數據；再對生成的三維導航數據進行平滑處理并進行一致性檢驗，最后得到符合要求的三維導航地圖（圖3）。

圖2 點云與道路對象匹配問題

2 ADAS三維地圖構建算法

基于稀疏點云和二維導航地圖疊置構建三維地圖的方法包括點云數據預處理、二維導航地圖疊置分析、高程平滑和空間關系校驗等。點云數據預處理包括點云數據的坐標轉換、不同航帶點云的拼接和點云粗差過濾，以減少點云在后續疊置分析中對精度的影響。

圖 3 算法流程

2.1 二維導航地圖疊置分析

利用點云數據和二維導航地圖數據構建三維導航地圖需要將二者進行疊加分析。然而，機載點云的數據量很大，直接進行疊加分析運算量大且耗時，尋找有效算法加快處理的速度很重要。本文根據高程賦值的特點將點云數據按照范圍構建格網，再將格網和二維導航地圖進行疊加分析，主要步驟如下：

1）稀疏點云格網構建。計算稀疏點云所有點所在的平面范圍：（Xmin，Ymin）和（Xmax，Ymax），根據平面范圍生成0.1×0.1的點云格網[10]。格網點的高程值取格網范圍內所有點高程值的最小值hmin。

2）空間疊置。將點云格網與二維導航地圖進行空間疊置分析。

3）高程賦值。對于二維導航地圖上的點P（x，y），統計以此點為中心，10×10格網內所有點的高程值，將最小值Minh作為該點的高程值。

將分別采用直接疊置分析和構建格網后進行疊置分析的運行時間進行對比，結果如表1所示?？梢姡疚臉嫿ǜ窬W的疊置分析方法能夠將點云和二維導航圖疊置分析的效率提高1 000倍以上，解決了利用大數據量稀疏LiDAR點云構建三維導航地圖的運算效率問題。

表1 不同疊置分析方法效率對比

2.2 高程平滑

通過稀疏點云與二維導航圖直接疊置分析生成的三維導航地圖中，每個點的高程值都是基于點云孤立生成的，沒有考慮道路要素內部的拓撲一致性，因此存在高程突變和高程賦值錯誤，影響在ADAS中的使用。一種常見高程異常為高架橋道路，受制于點云密度和精度，道路面上的高程點存在部分是路面上LiDAR點云高程值，部分是橋梁下方點云高程值，以最小高程值作為道路面高程疊置賦值，會導致道路面高程錯誤[11]。因此，需通過道路內部的拓撲結構進行高程平滑，改正高程突變和高程賦值錯誤。本文采用二次曲面擬合進行高程平滑。

二次曲面方程為：

式中，（x，y）為平面坐標；f（x，y）為高程值。

道路要素內部所有點的高程值h1，h2，h3，…，hn中，若某一點高程值hk相對應的高程殘差vk滿足下列條件：

根據以上算法原理，本文采用基于二次曲面擬合進行高程異常點改正，實現高程平滑。

設三維導航數據中道路要素編號依次為（p1，p2，…，pn），n為道路要素的總個數，高程平滑步驟如下：

1）提取道路要素。取出第i個道路要素pi。

2）計算標準差。針對取出的道路要素pi，統計pi中所有點h1，h2，…，hm（m為點個數）的高程之和Sumh，根據點的個數求平均值，計算標準差的估計量σ。

3）找到異常數據。取出pi中點hk與3σ比較大?。捍笥诖酥?，進入下一步；小于此值，跳過這個點，計算下個點。

4）高程異常值修改。根據異常值hk前后6個點的非零高程值，由式（1）擬合一個二次曲面函數。根據擬合的曲面函數計算異常點的高程值，存入數據中，返回3）。

5）中止。當k=m時道路要素pi平滑完成，道路要素內部過程中止；當i=n時所有道路要素高程平滑過程中止。

2.3 空間關系檢驗

二維導航地圖在賦予高程信息并平滑后生成的三維導航地圖需要檢驗生成精度是否滿足要求。現場測量驗證費力耗時，可根據三維導航數據的空間拓撲一致性和合理性進行校驗。本文設計了2種空間關系校驗方法。

2.3.1 導航地圖要素內部檢驗

由于單一要素內部的高程變化不是很大，檢驗采用高程的均方差。對于每個要素，計算其高程值的均方差，如果均方差超過給定閾值，則內部檢驗不合格，此要素標記為錯誤。

2.3.2 導航地圖要素之間檢驗

要素之間的檢驗采用鄰接性。本文定義鄰接性：相鄰要素之間具有相同的平面坐標值時，高程值相同說明鄰接性正常，反之則鄰接性不正常。如圖4所示，道路要素1的P1點和道路要素2的P2點滿足：x1=x2，鄰接性不正常，2個要素都標記為錯誤。

圖 4 鄰接性檢驗示例

3 實驗及分析

本文采用香港油尖旺區（街區道路）和觀塘區（高架橋道路）的三維ADAS導航地圖來驗證構建方法的有效性。道路部分分為機動車輛道路要素、交叉道路要素和分割車道要素。稀疏點云來自機載LiDAR，點云數據經過初步處理以及地面點和非地面點的分離，有效減少了點云高程賦值的工作量。

圖5 實驗數據集

如圖5所示，實驗數據中藍色要素為ADAS二維導航地圖，其他顏色要素為來自LiDAR地面點的稀疏點云。采用本文算法生成三維導航地圖，結果如圖6、 7所示，局部放大圖為全局圖紅圈標注部分的放大圖。無論是一般的道路街區還是高架橋區域，采用本文算法，都能得到較好的道路三維導航圖，相鄰的道路要素高程過渡自然平滑，無明顯的高程階躍。

圖6 油尖旺區ADAS結果

為了進一步定量評價本文算法的有效性，對該方法生成的道路三維ADAS導航圖進行空間關系檢驗，其結果如表2所示。2個實驗數據集得到的三維道路ADAS導航圖外部鄰接性檢驗結果都在97%以上，說明三維導航地圖相鄰道路面高程過渡平滑，無明顯階躍；內部均方差在0.5 m以內的達到97%以上，說明道路路段內部高程賦值平穩，與實際道路情況相符，因此本文算法是有效的。

表2 三維ADAS導航圖空間關系檢驗結果

4 結 語

本文提出利用機載激光點云數據結合二維導航地圖生成三維導航地圖的方法，通過稀疏點云與導航地圖拓撲疊加分析和三維空間關系檢驗，實現面向ADAS的道路三維地圖構建，為ADAS提供了基礎三維道路信息，便于司機對道路狀況的預判，進行最優路徑規劃和減少能源的消耗。香港地區ADAS地圖構建結果表明，本文方法能有效解決利用已有數據生成三維導航地圖的問題，可降低基于車載三維激光掃描移動測量系統制作ADAS三維導航圖的工作量。需要進一步解決的是要素內部LiDAR點云密度不夠時高程賦值精度的問題。

[1] Hillel A B, Lerner R, Levi D, et al. Recent Progress in Road and Lane Detection: a Survey[J].Machine Vision and Applications,2014,25(3):727-745[2] Etsion I, Sher E. Improving Fuel Efficiency with Laser Surface Textured Piston Rings[J].Tribology International,2009,42(4): 542-547

[3] LI K, TAN H, Misener J A, et al. Digital Map as a Virtual Sensor-dynamic Road Curve Reconstruction for a Curve Speed Assistant[J]. Vehicle System Dynamics,2008,46(12):1 141-1 158

[4] Thomas B, Lowenau J, Durekovic S, et al. Test Results and Validation of the Feed Map Framework with ADAS Applications[C]. International IEEE Conference on Intelligent Transportation Systems,Beijing, 2008

[5] LU M, Wevers K, WANG J. Implementation Road Map for In-vehicle Safety Systems in China[J].Transportation Research Record: Journal of the Transportation Research Board, 2010(2148):116-123

[6] 李德毅.大數據時代的位置服務[J]. 測繪科學, 2014(8): 3-6

[7] Manandhar D, Shibasaki R. Vehicle-borne Laser Mapping System(VLMS)-a New Observation System for 3D Mapping of Urban Areas[C].IEEE/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas, Rome,2001

[8] Grinstead B, Koschan A, Page D, et al. Vehicle-borne Scanning for Detailed 3D Terrain Model Generation[C]. Commercial Vehicle Engineering Congress and Exhibition, Chicago, 2005

[9] WANG J, Lawson G, SHEN Y. Automatic High-fidelity 3D Road Network Modeling Based on 2D GIS Data[J]. Advances in Engineering Software,2014,76: 86-98

[10] SHI W Z, LI B J, LI Q Q. A Method for Segmentation of Range Image Captured by Vehicle-borne Laser Scanning Based on the Density of Projected Points[J]. Acta Geodaetica Et Cartographic Sinica, 2005,34:95-100

[11] Cavegn, Stefan, Stephan Nebiker. Automated 3D Road Sign Mapping with Stereovision-based Mobile Mapping Exploiting Depth Information from Dense Stereo Matching[J]. Photogrammetrie Fernerkundung Geoinformation, 2012(5):631-645

P28

B

1672-4623（2016）07-0059-03

10.3969/j.issn.1672-4623.2016.07.018

姚遠,碩士研究生，研究方向為地圖學與地理信息系統。

2015-06-02。

項目來源：國家自然科學基金資助項目（41271452）。（*為通訊作者）