無人駕駛道路探測綜述

史晨陽，林燕丹

(1.復旦大學信息科學與工程學院，上海 200433；2.復旦大學電光源研究所，上海 200433)

引言

無人駕駛車輛導航因為在真實環境中需要考慮各種類型的道路場景，特別是在沒有位置信息且使用感知傳感器時，所以具有很強的挑戰性。最重要的是，感應系統需要實時檢測道路上的不同情況，比如路面(如車道和障礙物)和道路使用者(例如行人、汽車、摩托車和自行車)。一方面，道路表面探測的導航系統應處理不同的地形和道路狀況(例如結構和非結構的道路)；另一方面，道路使用者識別的目的是避免發生碰撞嚴重事故。

路面檢測的復雜性主要是由以下因素造成的:①結構化道路和非結構化道路交替出現(如圖1所示)；②路面均勻性與照給定條件的有區別；③由于天氣原因，道路的外形可能會經常發生變化；④道路的曲率并不總是像高速公路那樣低[1]。避碰系統(collision avoidance system，CAS)至少包括以下三個主要部分(如圖2所示):對象檢測;決策;驅動(制動或轉向)[2]。

圖1 道路場景描述Fig.1 Scene description of road

圖2 控制體系結構的階段Fig.2 Stages of the control architecture

一種實時檢測系統涉及一種或多種傳感器融合后獲得的環境信息的感知任務。不同的功能需要不同的傳感器，例如激光雷達(光檢測和測距)、聲波雷達用于測距、相機、紅外相機和激光都是進行機動識別和處理。要實現對特性、模型和通用體系結構的估計，需要提出許多新技術。

在接下來的部分中，將介紹道路檢測傳感器和相關算法的設計，并對文獻中的設計結果進行綜述，并指出了今后的研究方向。本文的結構根據不同的檢測對象分為兩個主要部分。第一部分是路面檢測系統，第二部分是道路用戶檢測系統。最后，根據目前的研究現狀，提出了無人駕駛車輛道路檢測的展望和未來發展方向。

1 路面檢測

1.1 車道檢測

在過去十年研究中，研究人員提出了AWSTM、Auto Vue、RALPH[3-5]、AURORA[6]、SCAR[7]、GOLD[8,9]、LOIS[10]等幾種有效的車道檢測系統。

最近，一些研究人員將注意力集中在高速公路和其他結構化道路的車道檢測上[11-13]。Wang等[14]構建了一個基于Catmull-Rom樣條的車道模型來描述視角對平行線的影響。Jung和Kelber[15]提出了一種用于車道檢測的線性拋物模型，在該模型中，近視場采用線性模型，遠視場采用二次模型。該方法對有邊緣的道路進行了很好的描述，其使用的主要限制是由于攝像頭前的車輛對車道標記造成明顯的遮擋。為了解決這一問題，Cheng等[13]采用了一種基于顏色信息的方法，在有遮擋的情況下，從尺寸、形狀和運動面來識別真實的車道標記。此外，Zhou等[16]引入了一種可變形的車道邊界投影模板模型，將車道檢測問題表述為后驗估計的最大化問題。該模型的參數包括車輛在巷道內的位置、車頭方向和巷道局部結構。在文獻[17]中，可調濾波器采用魯棒性和精確的車道檢測。帶有過濾器的該方法提供了一種有效的方法，用于檢測在不同的照明和道路條件下的圓形反射器標記、固線標記和分段線標記。對于更具挑戰性的結構化道路，Kim[18]提出了一種基于隨機樣本一致性(RANSAC)的魯棒實時車道檢測算法，并將其與一種基于粒子濾波的跟蹤算法結合使用概率分組框架。Gopalan等[19]還提出了一種基于學習的方法來解決一些具有挑戰性的問題，比如由于遮擋、陰影和場景照明條件的改變而導致的車道標記的外觀變化。最近，一些研究人員也將注意力集中在保持線路的系統上[20]。激光傳感器利用反射強度信息進行車道檢測[21]。但是單純基于反射的車道檢測是不夠的，需要提供視覺信息[22]。已經有了基于激光掃描的系統，用于車道檢測的精度和可靠性都很高[23-25]。激光掃描儀更適合使用距離信息檢測路面[26]。

1.2 道路檢測

雖然上述算法對結構化道路足夠有效，但在車道標記并不總是存在的，且在復雜的現實城市道路環境中，識別效果不能讓人滿意。最近，研究的重點已經轉移到非結構化道路的檢測，即次要道路及越野情況。在沒有車道標記的情況下，主要使用顏色和紋理特征輔助識別。He等[27]提出兩個步驟。首先估計邊界，然后根據全彩色圖像檢測道路區域。Tarel和Bigorgne[28]也提出一種區域生長的分割方法，并對圖像進行專門的預表達，并通過輻射校正對該方法進行優化。然而，這是一個離線算法，不能用于無人駕駛。Alvarez和Lopez[29]結合陰影不變性特征空間和基于模型的分類器，建立該在線構建模型，以提高算法對當前光照條件和現場其他車輛的適應性。立體視覺在研究中被頻繁應用[30,31]。Caraffi等[30]提出了一種復雜的三目視覺系統用于障礙物和路徑檢測，其中立體系統用于瀝青估計和障礙物檢測，單目視覺系統用于檢測可移動路徑。Wedel等[31]利用參數B樣條曲線為路面建模，并利用立體測量來估計路面參數。Fang等[32]也使用了多視角相機，但目標是建立一個精確的地圖，而不是實時的道路檢測。Danescu和Nedevschi[33]利用來自立體視覺和灰度圖像的信息，通過粒子濾波框架檢測和跟蹤道路上的車道，獲取場景的深度信息，提高檢測道路上障礙物的感應數據。絕大多數基于視覺的道路檢測方法都是復雜且耗時的，因為這些方法必須克服亮度問題，這是機器視覺中的難題。雖然立體視覺提供了一些幫助，但較短的有效距離限制了它的適用性。

除了視覺傳感器，主動傳感器也被越來越多地使用，如毫米波雷達傳感器[34]和激光掃描儀[35]。Fardi等[36]通過激光的融合反射率信息檢測道路邊界。Wijesoma等[37]提出了另一種單掃描系統，在該系統中引入了一種新的基于連續三次激光數據等角分離的激光特征。Zhao等[38]提出了一種基于激光掃描的方法來感知一個巨大的動態城市環境，它強調解決同時定位和映射問題而不是道路檢測。由于傳感器檢測方法的特點，大多數基于傳感器的檢測方法主要集中在國道或越野條件下的道路提取和邊界檢測;對于車道標記，即使借助反射特征評價，主動傳感器也很難做到比視覺更好。此外，單行激光掃描儀的一幀數據通常不足以代表車輛前方的大部分區域。因此，一些研究人員將GPS與GIS結合起來提供補充信息。然而，GPS的分辨率有限。此外，GISs經常無法使用，特別是在發展中國家，或者更新不夠頻繁。由于所有的單級傳感器方法都有局限性，因此也提出了基于多傳感器融合的道路檢測方法[39,40]。文獻[39]中使用了光檢測和測距(激光雷達)系統、攝像機和GPS。Thrun等[40]添加了GIS信息，但是由于GPS在很多地方都是不可用的，因此問題仍然存在。

根據給定的信息，道路和車道檢測系統處理的都是結構化的道路，即有行車線標記的道路；對于無結構的道路，例如沒有車道標志的道路。上述道路狀況經常出現在我們周圍，是自動駕駛的必需滿足的要求。

2 道路使用者檢測

對象檢測是指分析一個或多個傳感器獲得的環境信息的感知任務。雖然目標檢測是通過測距傳感器進行的，例如激光雷達或雷達，但是計算機視覺研究者在過去幾年中對解決這一階段產生了廣泛的興趣。這個階段的復雜性取決于具體的交通情況。最后，一個執行系統根據前一階段生成的目標命令進行調整，并將這些命令轉換為相應執行器所需的低級控制信號:油門；制動器；轉向；產生的信號必須采取相應的動作避免碰撞，即加速、斷裂或轉向。

圖3 通過制動避免行人碰撞Fig.3 Pedestrian collision avoidance by tracking

圖4 行人避碰階段[2]Fig.4 Pedestrian collisiun cwoidance stages

一些研究人員將雷達信息和相應的融合結構結合起來進行檢測。Sole等[41]使用視覺驗證方法來驗證雷達候選是否為真實目標。Bombini等[42]， Haselhoff等[43]， Bertozzi等[44]使用雷達信息，在決定基于視覺的探測區域之前使用雷達信息。對于行人檢測，Milch等[45]在不處理雷達信息不確定性的情況下進行目標水平融合。Dalal和Triggs[46]對行人檢測的圖像特征進行了近幾十年的研究，重點研究了形狀、輪廓、顏色、紋理等的表示。Ahonen等[47]和Wu等[48]利用紋理信息對目標進行建模。

車輛上的傳感器系統需要預測車到行人的距離和TTC(碰撞時間,time-to-escape)。相機是最常用的傳感器。在過去的十年中，大量基于視覺的行人檢測系統被提出。一些引人注目的調查已經被提出，其中一些成果已經發表[49,50]。文獻[51-53]總結了大部分關于人體運動的工作，主要集中在智能車輛領域的行人保護應用，包括被動和主動安全技術。

無人飛行器[54]首次提出自動避碰，自20世紀90年代早期起就已經在機載國內運輸飛機上使用[55]。雖然自主導航與智能車輛領域的自主導航有很大的不同，但有幾個方面可以得到有效的擴展。例如，文獻[56]中提出了一種使用沖突概率的超車控制方法，該方法已廣泛應用于航空領域[57]。其他的概念(如TTC)和對無人機深入研究的風險評估，也適用于智能車輛。

行人檢測使用文獻[58，59]中描述的系統進行(見圖5)。非密集三維地圖使用穩健相關過程進行計算，減少匹配誤差[60]。使用所謂的虛擬視差圖動態估計相機的俯仰角，它比其他的表現形式(如v視差圖或yOz平面)，提供更好的性能。通過節距補償可以實現兩個主要的優點。首先，它提高了車輛對行人事故的TTC估計的準確性。其次，它改善了道路點和障礙點之間的分離，降低了假陽性和假陰性檢出率。

圖5 基于立體視覺的行人檢測體系結構概述Fig.5 Overview of the stereo-vision-based pedestrian detection architecture

3 展望

目前，我們正在觀察以前孤立的駕駛員輔助功能合并在一起的趨勢，以實現對縱向和橫向的更復雜的輔助，驅動支持。在未來幾輪高端汽車的創新周期中，部分自主駕駛有望成為現實，即便是高度自動化的駕駛也不再是遙不可及的。為了實現自動駕駛，最重要的是傳感系統需要實時檢測道路上的不同情況，如路面和道路使用者。本文對道路狀況的檢測進行了大量的研究。未來，結合各種傳感器的特點，基于道路照明提高道路識別效率將是汽車駕駛的發展趨勢。完善道路各參與部分之間的溝通，實現道路信息的互動。最后，完全自主駕駛將成為我們生活的一部分，世界的交通將變得更加智能化、信息化和安全。