无人地面车辆车道级路径引导方法

杨强荣，王美玲，于华超

(北京理工大学 自动化学院，北京 100081)

无人地面车辆(以下简称无人车)是未来交通系统与未来作战系统的重点研究对象之一，其成果对于人类社会的进步具有举足轻重的意义．近年来，随着无人车在智能交通系统、辅助驾驶、智能运输等领域的广泛应用，对车载电子导航地图也提出了更高的要求．因此，基于车道级电子导航地图的相关研究便提上了日程，例如高精度电子地图的构建[1-3]、道路建模[4]、基于先验地图信息进行定位[5-8]和基于先验地图的地图匹配等[9]．

针对上述需求，笔者通过对多传感器信息的融合，提出了一种车道级电子地图的构建方法，并以该地图为基础，结合无人车的运动规划技术和跟踪控制技术提出了一种适用于无人车的精确路径引导方法，为车辆在结构化道路环境下的自主行驶提供了保障．

1 数据采集与处理

1.1 IN2BOT数据采集平台

图1所示的IN2BOT无人地面平台为文中数据采集平台．该平台是团队对美国北极星全地形车改装而成，具有档位、油门、刹车的自动控制功能，并可以提供构建车道级电子地图所需要的传感器数据，其中包括定位数据、全景图像数据、交通灯图像数据、交通标志图像数据和激光雷达数据．平台配备的传感器如表1所示．

表1 实验平台传感器配置

图2 数据采集与处理方案

1.2 数据采集方案

高精度的地理数据是构建高精度电子地图的基础，根据对不同地理数据的采集需求和常用地图数据采集传感器配置的分析，文中提出了如图2所示的数据采集方案．数据采集与处理主要包括以下4部分:

(1) 采集全景图像．构建高精度地图需要采集全景图像信息作为地图底图．在采集全景图像之前首先需要通过标定板对全景摄像头进行标定，并基于逆投影变换(Inverse Projection Mapping， IPM)获得全景俯视图；另外，后期处理时，为了对不同的全景图像进行拼接，需要对图像的采集位置进行标识，文中以二维码的形式在图像右下角标注其位置信息，全景图像的采集和处理流程如图3所示．

图3 全景图像的采集和处理流程

(2) 采集定位数据．构建车道级电子地图要求定位数据能够区分不同车道，因此定位数据的精度至少是分米级．而目前应用最为广泛的全球卫星定位系统(Global Positioning System， GPS)单点定位精度一般在米级以上．为此，文中采用了差分定位技术，即在一个已知位置的平台上架设差分基站，基站通过移动通信模块向数据采集平台传输实时差分信息，由此可使定位精度达到厘米级．

(3) 估计交通灯和交通标志位置．在通过单目相机得到交通灯和交通标志的图像之后，基于多目标的定位和跟踪算法获取其位置信息[10]．

(4) 确定道路边界信息．通过激光雷达采集周围环境点云数据，并通过多重特征Hough变换便可确定道路边界信息．

2 车道级电子地图的构建

2.1 构建电子地图

图4 设计的图像坐标系

下面介绍如何利用带有位置信息的全景图像序列构建车道级电子地图．首先，由于采集到的电子地图数据覆盖范围广、数据量大，使用常规的图像拼接方法无法直接将全景图像拼接成一张图像．因此，数据采集区域被划分成如图4所示的网格区域．其中一个网格的大小为 1 620 m× 360 m (27 000像素× 6 000像素)，原点坐标(x0，y0)根据数据采集区域的坐标范围选定．当读入一帧新的图像时，根据该图像记录的位置信息(xi，yi)和车的航向信息φi将图像旋转平移到图4所示坐标系中．接着，计算该图像所在的网格序号(i，j)，并判断该序号是否与上一帧图像的序号相同．如若相同，则将两幅图像按照对应的位置关系拼接在一起;否则，首先将上一帧图像的拼接结果保存，并判断当前帧图像所在的网格之前有没有保存好的图像．如果之前该网格有保存好的图像，则将该图像导入内存，并将该图像与当前帧图像按照位置关系拼接在一起．而如果之前该网格没有保存好的图像，则在内存里新建一片区域表示当前网格，并将当前帧图像贴到对应位置．最后，重复上述过程直到处理完所有采集到的全景图像．上述算法得到的是若干张对应相应网格的图像，这些图像还需要按照相应的网格序号拼接成一张图像作为车道级电子地图的底图．

在获取到高精度底图之后，便可根据交通规则和车道的转向信息来构建电子地图．通常，对于双向四车道或更多车道的道路来说，根据交通规则各车道的属性不完全相同．在一般情况下，内侧车道不具有向右转的属性，外侧车道不具有向左转的属性．因此，需要根据不同车道间的转向属性建立不同路段对应车道间的连接关系．另外，为了保证车辆在通过路口时能够按照交通规则行驶在正确的车道上，建立同一道路上不同车道间的连接关系也很有必要．因此，笔者通过对电子地图添加换道点来建立同向行驶车道间的连接关系．

2.2 创建属性表

为了适应无人车的应用要求，电子地图中的地理数据除了具有精确的位置信息之外，还需要包含准确的属性信息来反映每个地理对象的具体意义．因此，在生成精确的电子地图和对应的车道后，要为不同的地理对象建立属性表．

表2 “道路”数据的属性表

3 路径引导

无人车典型的应用场景是在给定任务点后，通过路径规划得到全局最优路径，并实时根据检测到的环境信息修正轨迹，从而快速并且安全地从起点出发到达终点．因此，如何通过任务点规划得到全局最优路径和根据实时检测到的环境信息对全局最优路径进行修正是无人车进行应用所必须解决的问题．

3.1 全局路径规划

文中提出的车道级全局路径规划算法主要包括以下几个步骤:

(1) 路网抽象．在路网抽象这个过程中，将原本带有宽度的车道抽象为线段，将交叉口抽象为顶点．这样具有真实物理属性的城市交通网络就被抽象为一个由点和线段组成的有向加权网络G(V，L)，其中V、L分别为顶点集合和车道集合，车道集合L对应的路阻矩阵为W．

(2) 任务点匹配．由于给定任务点的精度不高，直接使用距离匹配可能会将其匹配到错误的顶点上，因此需要结合任务点的属性和车道的属性进行匹配．首先，以任务点所在的位置为圆心构建一个圆形的缓冲区域，并将所有与该缓冲区域相交的车道作为候选车道．接着，结合前后任务点和每个候选车道的Direction属性，删除那些与当前任务点方向差别较大的车道．然后，读取当前任务点的转向信息，并将任务点匹配到对应的车道上．最后，得到该车道对应的节点并加入关键顶点集合VL．

(3) 路阻标定．路阻标定就是给路阻矩阵W赋初值的过程．依据所选用的最优路径计算方法不同，W标定的对象也不同(如路段长度、路段行程时间)．文中算法选定每条车道的长度对W赋值，即

wi，j=di,j,

(1)

其中，wi，j是顶点i和顶点j之间的路阻，而di,j是车道i，j的长度，如果i，j∉L，则di,j= ∞．

(4) 求解最优路径．由于城市道路网络的顶点数量巨大而且每一个任务点都必须按顺序依次经过，因此传统的路径规划算法必须进行n-1 次的全局搜索(n为VL中顶点的数量，即需要对VL中的每两个相邻的点进行规划)，会耗费大量的时间．因此，文中算法对每一次搜索的范围进行限制，即将所有与起点s和终点e的距离之和小于2ds，e(ds，e为起点到终点的距离)的顶点加入搜索集合Vs，而其他的顶点则不予考虑．并且每一次搜索的步骤如下: 初始化时，令 dist(s)= 0，dist(i)= ∞ (i≠s且i∈VS)．接着每次从Vs(非空集)中选取这样的一个顶点u，它的 dist(u) 最小．将选取出的u点作为搜索的起点，对于其他还在Vs集合内的顶点v，若u，v∈L，且 dis(u)+wu，v< dis(v)，则更新dis(v)为 dis(u)+w(u，v)，同时从Vs中将u删除，直到Vs为空集或者到达终点e时终止．

3.2 局部路径修正

在得到上述全局最优路径后，无人车就可根据该路径从起点行驶到终点．但是，当前方最优路径上出现障碍物时，车辆必须通过局部路径修正来避开障碍物．文中提出的局部路径修正算法主要包括构建代价地图和综合代价规划．其中代价地图中重点考虑了路网信息、障碍物信息和车道线信息．

代价地图主要包括背景代价地图、障碍物代价地图和车道线代价地图．其中背景代价地图由上述全局最优路径得到，全局最优路径代价最低，逐渐向两侧提高．障碍物代价地图由激光雷达点云数据得到．首先，基于激光雷达数据提取出可通行区域．接着，为了提高车辆行驶的安全性，对可通行区域进行膨胀和高斯模糊操作，并将两种操作的结果进行叠加就得到了障碍物代价地图．车道线代价地图由识别的车道模型和最优路径所在的车道所决定，最优路径所在的车道代价最低，其他车道中心线的代价逐渐向两侧提高，而且车道线上的区域代价设为最高．再进行高斯模糊操作，使得车道线处于代价峰值，而车道中心线处于代价低谷．

在得到上述代价地图之后，用301个相隔 0.4 m 的点来描述当前道路的每一条车道，并根据式(2)计算第i条车道的总代价，选取代价最低的车道作为局部路径的修正结果．

(2)

4 实验验证

笔者以江苏省常熟市智能车研发中心作为试验场地对提出的车道级路径引导方法进行试验验证．图5给出了全局规划的结果．由图5(a)可以看出，得到的全局规划路径平滑地依次通过了各个任务点，为无人车地行驶提供了一个合理的参考．由图5(b)和(c)对比可得，当无人车在下一个路口需要右转时，文中算法规划的路径会根据交通规则指导车辆向右并道进入右转车道，为右转做好准备．而传统的Dijkstra算法的规划路径并没有进行换道，而是沿着直行道继续行驶并完成右转，这明显违反了城市的交通规则．由此可以看出，文中提出的车道级路径引导方法很好地反映了城市的交通规则．

图5 全局规划路径结果

最后，为了验证文中局部路径修正算法的性能，在无人车行驶轨迹上随机布置了两辆静态障碍车辆，车辆的纵向间距为 15 m，横向间距为 3 m．在此场景下，无人车需要通过左右各一次换道才能顺利通过．图6(a)

图6 局部路径修正结果

给出了无人车的实际行驶轨迹和全局参考轨迹．由图6(a)可以看出，由于无人车前方障碍物的存在，穿过障碍车的备选路径的代价远大于其他路径，而在车道线代价的引导下，无人车选择了首先向左并线，再向右并线的路径，路径规划结果安全合理．图6(b)给出了上述场景无人车行驶过程的视频帧序列．

除在上述实验场地进行跑车实验以外，搭载了文中构建的高精度地图和高精度路径引导算法的无人车还参加了2012～2016年的中国智能车未来挑战赛．其中在2016年的比赛当中，该平台全程无干预地完成了比赛任务，并获得了优异成绩．

5 结 束 语

随着无人车在智能交通系统、辅助驾驶等领域的应用，高精度电子地图的重要性日益凸显．为此，笔者通过对多传感器信息进行融合提出了一种车道级电子地图的构建方法，并基于该地图提出了一种适合无人车在结构化道路环境下行驶的车道级路径引导方法．跑车实验和中国智能车挑战赛比赛结果表明，文中提出的高精度电子地图和路径引导方法能满足无人车在结构化道路环境下的需求，给无人车的安全快速驾驶提供了可靠的指导和保障．但是，该方法对于无人车在复杂环境下的路径引导只是一个初步的研究，还有许多问题亟待解决，例如: 笔者提出的算法的道路还是由手工绘制生成，效率很低．如何使用采集到的多传感器数据来自动生成道路是下一步有待解决的问题．