移动车辆在非结构化的环境下的检测和跟踪

《移动车辆在非结构化的环境下的检测和跟踪》由会员分享，可在线阅读，更多相关《移动车辆在非结构化的环境下的检测和跟踪（7页珍藏版）》请在金锄头文库上搜索。

1、在非结构化环境中的移动车辆检测和跟踪在非结构化环境中的移动车辆检测和跟踪摘要摘要：移动车辆的检测和跟踪对于无碰撞导航是必不可少的。在自然的非机构环境下，暴 露的检测由于低噪音比而富有挑战性。本文描述了我们应用一个速度为 14Km/h 的的户外 自动机器人，并将其装备一个 HDL-64E S2 调速发电机来外界环境感知。我们现已经证明在 城市中现有的结论是可靠的。为了分离背景去克服路面网络信息的不可用状况，我们介绍 一个结合了几何和时间提示的前景模型。局部形状估计成功的引导车辆的定位。大规模的 评定表明，该系统在各种不预知其路面网络前提下工作的可靠性和有效性。应用我们自己 的传感器和在美国国防部

2、高级研究计划局城市挑战赛中公共得出的可靠数据显示其识别车 辆的准确率超过 96%。 1.1.简介简介动态物体的检测和跟踪是室外机器人无碰撞自主导航的一项基本任务。与城市地区 相比，在有后台分离和运动预测的可用的道路网络信息条件下，非结构化环境由低噪音比 成为了一个更有挑战性的场景。我们提出了一种方法，是独立的任何先验知识的环境，特 别是道路网络的车辆检测和跟踪。这种方法可以处理不同的外观，大小和速度的车辆在很 短的时间内的部分或全部遮挡。他们提供了拥有机器人周围大的距离的完整 360的观测的 三维点云。对于这项工作，我们使用了更新频率到 15Hz 的调速发电机 HDL-64E S2。因此， 更

3、新到每 66ms，允许算法对一瞬间的变化进行检测。我们扩展现有的方法：Petrovskaya 和史朗，目的是参加 2007 年的 DARPA 城市挑 战赛。该方法主要依赖于路网信息背景减法，以减少一些虚假的阳性检测，通过降低计算 负荷持续车辆的假设检验。我们将工作环境延伸至非结构化环境中不限制搜索空间的可能 出现车辆的地区。因此，我们应用时间和几何线索运行前景分离。为了处理传感器噪声和 不规则的范围的读数，我们扩展了 Petrovska and Thrun 的二位扫描模型，用来描述一个 高斯环境模型固定点周围的每个读数。在以前的工作中，我们使用线和角的功能，引导车 辆定位领域的变革。比如 Ra

4、o-Blackwellized 粒子滤波器中使用的车辆跟踪。本文这样构成，第二段首先讨论以前的研究。第三段讨论了我们未来的研究。第四 段和第五段描述了实验过程。第六段描述了我们实验结果。第七段是结论部分。 2 2、相关工作相关工作在过去的几十年里，已经研究出大量的检测和跟踪的方法，特别是在 DARPA 背景和 城市挑战赛中。现有的方法可分为外观基础法和运动基础法现有的方法可分为外观基础法和运动基础法。外观基础法，一方面允许对 动态对象的识别，即使它们是目前不动。在过去 15 年里 Sun 等人做了一项基于视觉的车辆 检测和跟踪的调查。大多数基于视觉的方法定位是根据车辆的视觉线索。假设，然后使用

5、 模版匹配或二进制分类验证。 在城市挑战赛中，Broggi 等人在他们的机器人上使用了宽 基线三目摄像系统，以产生一系列高达 5000 万像素的图像。过滤地面读数后，通过其余各 点聚集来生成对象假说。VisLab 洲际挑战赛的机器人“搬运工” ，就配备了两个立体摄像 系统。该相机提供了标线、车辆和行人信息的探测。两个系统都支持多个 LRFS 地形分析和 远距离障碍物检测。Wender 和 Dietmayer 的车辆假设源于平面激光扫描拟合的角点特征点 簇。为了验证摄像机的图像的横向视图和竖向视图，串联了两个独立的分类机。从候补的 角落近似的平面激光扫描获得的转化。在由 Miller 等人所描述

6、的方法中，一个基于视觉的商业车辆跟踪系统的输出被集成 到一个多传感器的环境中表示。 摄像机图像用于生成候选车辆，而不是用于验证。Dietmayer 等人只使用 LRF 数据来检测交通参与者完全是基于几何学上的。他们得 到几何程度的拟合平面激光扫描点簇的方向包围盒。莫里斯等人在混乱的环境中使用相结合的 2D 和 3D 扫描识别车辆。用于产生假设，我们进一步研究的三维扫描的二维扫描。线性支架向量机用来在杂乱中区分车辆。另一方面基于运动的方法能感知物体在区域内的变化，因此只检测移动的物体。避 免现实分辨率是以外观为基础，以克服高的内类间方差。相反，运动检测物体的显着特点。王侦测到移动物体作为预过滤器

7、，同步定位与绘图。两个清晰的占用网格地图表示 出当下的环境：一个用于静态和另一个动态。在一个相关的项目中，王等人使用基于运动 的方法的平面激光扫描来检测行人和车辆。用于跟踪扩展卡尔曼滤波的多假设跟踪的对象。Coue 等人提供了一个占用地图的贝叶斯公式，它与每个网格单元的速度相关。线 速度模型用来进行细胞运动预测。Gindele 等制定了贝叶斯用前地图过滤器（BOFUM）将街 道布局预先存入其中。为了计算 BOFUM 费用 ，Brechtel 等引入基于概率抽样的求解。全面收集在 DARPA 城市挑战赛，获得参加决赛队伍的科学成果。机器人“老大”的 团队花格赛车组合的配置，共 18 个激光和雷达

8、传感器，包括一个的调速发电机 HDL-64。 激光用于群集点，而雷达是用于速度估计。中程线和角功能适合相关的对象群。根据近似 的几何对象的跟踪，使用自行车模型或一个恒定的加速度模型。MIT 队为感知环境结合使用的 12 个平面的 LRFS 和一个调速发电机 HDL-64E。此外， 车辆周围的区域覆盖了 15 个雷达传感器，以在很长的距离获得精确的速度估计。它代表区 域的占用存储信息，是由每个储存单元的单元格阵列表示的环境。DARPA 城市挑战赛的斯坦福大学赛车队的另一位参与者。Petrovskaya 和史朗使用基 于模型的方法，从三维激光数据的车辆检测和跟踪单独提取二维平面扫描。他们的模型是

9、用于精确的运动估计而不是车辆的分类，并且他们的方法并不需要的数据关联。图 1：图 1 中描述 Velodyne HDL-64E 读数投影成一个球坐标中的三维网络。读数中 示出为点。他的高度由一条读数投射出的水平线表示。 三：传感器数据的解释三：传感器数据的解释我们的系统是基于的 Petrovskaya 和史朗的方法。作者介绍一个用平面 LRF 范围的数 据测量车辆追踪的模型，可以直接解释。本节介绍的测量模型和方法来由一个的 VELODYNE HDL-64E 的生成一个二维扫描图像数据。 A、传感器数据表示在近平面的环境中，车辆跟踪是在两维空间中的一个问题。然而，调速发电机 HDL- 64E 的

10、 3D 数据可以用来在不平坦的路面通过平面 LRFS 过滤地面读数。Petrovskaya 和史朗 描述了一个简单地面模型的调速发电机 HDL-64E 二维的虚拟扫描数据的提取。因此，所有 在车辆为中心周围的读数（参看图 1）被投影到一个三维网格的极坐标。过滤噪声，代表选择读取每个单元格中位数的距离。地面高程模型的建立，通过比较相邻单元具有相同的 水平承载力。如果斜率小于一个临界值，该点被列为地面读数。从 50 厘米至 200 厘米的距 离，最接近的目标高度的障碍，被用作虚拟扫描的入口。 B、测量模型测量模型接近车辆的几何形状为矩形形状的非零的深度（参见图 2） 。分段常数函数 在域范围的读数

11、（RMIN RMAX）的可能性范围的读数为模型。当然，落到车辆表面读出的可 能性是最高的。由于自我闭合，两边同时可见时会达到最大值。射线通过有形汽车表面的程度和超越车辆内部发生的可能性低。同样的，属于短范围的 读数，但不是在附近的车辆，接受罚款。然而，短读数的可能性仍然很高，在动态环境中 的对象，如路牌，行人或其他车辆，造成阻塞是常见的。通过分配最小似然在附近的车辆 的读数，测定模型强制的自由空间区域。 图 2：测量模型计算所描述的 Petrovskaya 和史朗的几何区域。4 4、前景分离前景分离天然非结构化环境，其特征在于由低信号噪声比。LRFS 提供精确的几何测量室内环 境中，在户外植被

12、造成零星的，大的变化，由于其分散的外观。天然非结构化环境，其特 征在于由低信号噪声比。LRFS 提供精确的几何测量室内环境中，在户外由于其分散的外观， 植物会引起不规则的大的变化。此外，环境因素，如风力引起小而连续变化。数据错误减 少了完整的三维点云对二位虚拟扫描的加强效果。虽然 Petrovskaya 和的史朗限制车辆检测该地区的道路，我们没有路网信息，以减 少假阳性检测的数量，并减少持续的车辆假设检验的计算负荷。因此，我们提出一个的前 台模型，采用几何以及时空线索。在行驶中的车辆有兴趣，我们定义的所有点落在近似分 段平面对象的结构，表现出运动的前景。在行驶中的车辆，我们定义的前景陷入近似分

13、段 平面对象的结构，表现出运动的所有点。 A.时间线索 在环境中感知运动的变化。为了从背景噪音中区分运动，我们创建了一个高斯分布模 型。在 Zi 的范围内读出的第 i 个虚拟扫描射线。然后，zi 是 j 的第 j 个细胞的组中的第 i 个锥的球形网格的中位数读数 Ci，其中 j 是与其最接近的障碍细胞指数。我们计算正常 点分布根据集合 Cij，j 和其八个邻域的球形栅格的读数中索取样品 Xt N（T，t）和 t 的虚拟扫描所有的光线。在时间步长 T - 1 和 T，我们比较样品 XT-1 和 Xt 检测到的变化。如果样品 Xt-1 是分 类为 Xt 的被分类作为前景的背景和样品，我们接受在环境

14、中的变化。如果两个样本被归类 为前景，我们利用马氏距离的平方的方法进行比较。汇集协方差矩阵其中，Nt 是样品 XT 的大小。在环境中如果 d2 为大于临界值 td 的变化被接受。图 3：车辆在农村公路感知模型中的高斯分布。本地点分布的协方差绘制为省略号（蓝色 的背景，绿色环保：前景） 。为了弄清正常点的分布是一个不精确的逼近的情况，我们划分的协方差矩阵的最大特 征值的长度。如果协方差的最大特征值 t 大于临界值 T2，这个样本被归类为背景。因此， 半透明的，分散的对象不考虑车辆检测。 图 3 显示了一个农村公路上的车辆。该车辆具有一个分段高点密度的平表面，并因此 作为前景。植被和杂波的距离，由

15、于其分散的外观被归类为背景。请注意，从球形的三维 网格，而不是二维的虚拟扫描的数据计算高斯环境模型。因此，如果的读数干扰其表面， 在二维平面结构的虚拟扫描不考虑前景， （例如，一个中等高度的围栏） 。B、几何线索 我们用线和角点特征描述了当地的几何结构。他们支持基本的矩形几何形状的测量模 型。为了获得局部形状估计，在区域性的变化中我们运行区域生长分割领。然后，我们适 合使用 RANSAC 方法为基础的线和角的功能。适合以下两种情况的数据： 双面模型：双方在同一时间达到最大时，我们使用一组的两个相互垂直的线来描述角 落配置。 单面模型：如果只有一面可见，我们使用一个单一的线来描述所有的点群内读数

16、。如果数据不符合的两款车型，忽略点群。拟合线 与其法线 n= 到原点 距离需要两个点。作为绝对的欧氏距离误差函数。在点 p = (px, py, 1)T 与线之间使用。角估计需要 3 个非共线点。前两个点定义的线 L1。第三点通过 L1 的点和其垂足定义的正交线 L2 的位置。 p 和线（L1，L2）之间的最小误差的误差被计算为：误差阈值被配置为等于车辆的测量模型的表面宽度。RANSAC 配置终止根据自适应的停 止准则，其中更新的迭代次数的基础上观察到迄今为止最高的内围层比。 请注意，一个双面模型是双面的模型，其中的短边的位置是自由退化的数据组。我们 使用 RANSAC 的框架（准）退化数据（QDEGSAC）准简并配置一些阅读上的短边处理。在一 系列的 RANSAC 运行 QDEGSAC 识别退化的配置和在对比内围层异常值比例的基础上选择最佳 的拟合模型。 五、车辆的检测和跟踪五、车辆的检测和跟踪 以前的研究的成功鼓励使用运动为主要特征的运动目标检测。因此，我们使用基于运 动的方法，在非结构化环境中进行车辆检测和跟踪。 首先，我们将候选车辆在四段中说明的背景划分开。