點云PCL免費知識星球，點云論文速讀。

文章：Real-Time LIDAR-Based Urban Road and Sidewalk Detection for Autonomous Vehicles

作者：Ern?o Horváth ?, Claudiu Pozna ,and Miklós Unger

編譯：點云PCL

代碼：

https://github.com/jkk-research/urban_road_filter

歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉發朋友圈。文章僅做學術分享，如有侵權聯系刪文。未經博主同意請勿擅自轉載。

論文閱讀模塊將分享點云處理，SLAM，三維視覺，高精地圖相關的文章。公眾號致力于理解三維視覺領域相關內容的干貨分享，歡迎各位加入我，我們一起每天一篇文章閱讀，開啟分享之旅,有興趣的可聯系微信dianyunpcl@163.com。

摘要

在自動駕駛領域，城市場景中的道路和人行道檢測是一項具有挑戰性的任務，傳統的可行駛空間和地面濾波算法對較小的高度差不夠敏感，基于攝像頭或傳感器融合的解決方案被廣泛用于將可行駛道路與人行道或路面區檢測區分出來，激光雷達傳感器包含可以進行特征提取的所有必要信息，因此，本文主要研究基于激光雷達的特征提取，對于道路和人行道檢測，本文提出了一種實時（20Hz+）解決方案，此解決方案也可用于局部路徑規劃，人行道邊緣檢測是三種并行算法的結合，為了驗證結果，我們使用了事實上的標準基準數據集KITTI和我們的自采數據集，并將代碼在GitHub中開源：

https://github.com/jkk-research/urban_road_filter。

主要內容

本文的解決方案使用三種不同的方法查找人行道，值得一提的是，輸出不僅包括道路和分隔區的點云，還包括易于處理的簡化向量，此輸出對于其他算法比如路徑規劃是非常有用的，因為它是道路的更簡潔表達。作為城市道路和人行道環境的模型，可以想象一個扭曲的平坦地圖和一個略微不平的人行道（見圖1），從鳥瞰的角度來看，道路和人行道可以有多種形式，上述特性和簡化的數據如圖1所示，假設激光雷達傳感器位于路面上方，城市道路和人行道環境的模型如圖1所示，道路是綠色的，人行道是紅色的。

圖1，該圖顯示了問題所在，道路是綠色的，人行道是紅色的，兩個通道測量值顯示為虛線，此外，還顯示了一些人工制品，如下水道和其他不平整性

提出的的解決方案是已經公布了源代碼，稱為urban_road_filter，（期待做自動駕駛領域的小伙伴與我交流）該解決方案的輸入是一個普通的激光雷達數據流，沒有攝像頭或任何額外的傳感器數據，輸出是道路和人行道的三維體素點云以及道路的二維多邊形描述，該解決方案包括三種人行道檢測方法（星形搜索方法、X-zero和Y-zero方法）、道路檢測方法和基于二維多邊形的道路提取。

人行道檢測

人行道邊緣的檢測方法是星形搜索、X-zero和Z-zero方法的組合，所有方法都有相同的目的，但它們的工作原理不同，最終的結果是這些方法輸出的邏輯結果，值得注意的是，上述方法以并行方式運行，假陽性路沿點可能出現在實際路緣后面，路沿點是路緣和道路之間的邊界體素，假陽性路沿點在路沿后面創建，例如，由于來自各種瑕疵的體素的類似3D特征，例如，工件可以是一個公共長凳，它從人行道上突出，就像路沿從道路上突出一樣，這會導致錯誤識別，最終多邊形是在道路和第一個路沿點之間創建的，這意味著以后的路沿點不會影響最終結果，這種現象不會對方法產生負面影響，因為假陽性體素永遠不會出現在路面上。

星形搜索法

該方法將點云劃分為矩形段，這些形狀的組合像一顆星；這就是名字的來源，從每個路段提取可能的人行道起點，其中創建的算法對基于Z坐標的高度變化不敏感，這意味著在實踐中，即使當激光雷達相對于路面平面傾斜時，該算法也會表現良好，在柱坐標系中處理點云（參見圖2）

圖2，星形搜索方法，圓形布局的長矩形（框）表示從原始激光雷達點云中切出的部分，在放大圖像的右側，紅色圓點是人行道的起點。

圖3 表示掃描點云的剪切框（長方體），長方體的頂點由8個點P1,2,3表示；2,4 它的方向和位置隨著增量旋轉和平移而迭代變化，更準確地說，對于每個bk和k=1，nk旋轉時，長方體沿D方向平移ni個連續增量。為了更容易理解所提出的算法，圖3展示了圖4中使用的對稱平面π，圖4顯示了切割盒的側視圖。

圖3，從掃描點云上切下的單個矩形示意圖

圖4，圖中關于點云分離過程和框框選擇點參數的側視圖

star-shaped?搜索方法算法示意圖（具體步驟可查看原文https://t.zsxq.com/QjUbq3B）

X-Zero方法

X-zero和Z-zero方法可以找到避開測量的X和Z分量的人行道，X-zero和Z-zero方法都考慮了體素的通道數，因此激光雷達必須與路面平面不平行，這是上述兩種算法以及整個城市道路濾波方法的已知局限性。X-zero方法去除了X方向的值，使用柱坐標代替，見圖6，該方法通過環（通道）使用迭代，并在體素上定義三角形。

圖6，X-zero法，圓柱坐標系，單通道（環）

圖7，X-zero方法，體素三角形可視化

Z-Zero方法

Z-Zero方法的主要區別在于基于滑動窗口的方法（默認情況下為5+5體素）將角度計算為矢量方向。具體步驟不再這里展開了。

基于二維多邊形的道路表示

隨著人行道的檢測，我們的算法還提供了一個多邊形，即檢測到的道路的矢量輸出，這將在道路體素和路沿體素之間創建，該輸出可直接用于路徑規劃，該算法區分了兩類道路邊界：人行道，包括障礙物包圍的邊界（圖8上用紅色條紋標記）

圖8展示二維多邊形道路的示例場景，算法中沒有涉及左側圖像，它只是幫助更好地理解場景的前半部分

參數設置

有幾個參數可用于微調解決方案，盡管即使是默認值也會產生足夠的結果，下面介紹表1中列出的參數。一個重要參數是激光雷達主題及其幀名稱，重要的是要知道，該算法同時適用于多種方法，可以使用多個參數設置檢查區域的大小，感興趣區域（ROI）可以通過x_方向參數以及最小和最大x、y和z參數進行設置。x_方向參數可能有三個不同的值：負值、正值和兩者，指示感興趣區域是在x軸上激光雷達的后面、前面還是雙向相關。

實驗

為了評估所提出的方法，進行了廣泛的實時數據的分析和實驗。在圖9中，顯示了三幅圖像，以更直觀地解釋我們的結果，第一幅圖像顯示具有綠色體素的道路和具有紅色體素的人行道，盡管假陽性人行道點云是可見的，但它們不會影響整體性能，在20 Hz和30 km/h速度下收集結果，此外，精確的RTK GPS位置與激光雷達數據相關聯，以獲得更易于理解的結果，圖9中的第二幅圖像顯示了無人機圖像和我們的結果的疊加，而第三幅圖像僅顯示了從上方看的試驗場。

圖9，左側圖為實驗結果：道路（綠色）和人行道（紅色）。中間圖顯示測量和無人機圖像的混合，右側，只有無人機圖像可視化結果

圖10，該方法的車內試驗，在（左側）顯示攝像頭信息，在（右側），在突出顯示道路（綠色）和人行道（紅色）的位置可以看到激光雷達3D數據。體素比例基于激光雷達強度

總結

本文介紹了一種新的道路和人行道檢測方法，人行道路沿檢測是3D體素中引入的星形搜索、X-zero和Z-zero方法的組合方法，此外，該方法還提供了多邊形輸出，可直接用于局部軌跡規劃，通過廣泛的實時現場測試和先前測量和公共數據集的離線分析對該方法進行了評估，我們將我們的解決方案的結果與以前的結果進行了比較，這個解決方案有局限性，X-zero和Z-zero算法都要求激光雷達相對于路面處于平行位置，雖然這是一種常見的傳感器設置，并且我們的車輛是以這種方式配備的，但在一些值得注特殊的情況下，建議以不同的方式進行設置。并且我們的解決方案不適用于此固態傳感器配置，這種被稱為固態技術的新型激光雷達正在科學界引起更高的興趣，盡管這些傳感器尚未完全商業化，但它們具有更高的使用壽命和低功耗，它們生成結構化的三維信息，但組織方式不同，作為進一步的限制了算法的發揮，故所提出的方法不支持來自固態技術的3D數據。

資源

三維點云論文及相關應用分享

【點云論文速讀】基于激光雷達的里程計及3D點云地圖中的定位方法

3D目標檢測：MV3D-Net

三維點云分割綜述（上）

3D-MiniNet: 從點云中學習2D表示以實現快速有效的3D LIDAR語義分割（2020）

win下使用QT添加VTK插件實現點云可視化GUI

JSNet：3D點云的聯合實例和語義分割

大場景三維點云的語義分割綜述

PCL中outofcore模塊---基于核外八叉樹的大規模點云的顯示

基于局部凹凸性進行目標分割

基于三維卷積神經網絡的點云標記

點云的超體素(SuperVoxel)

基于超點圖的大規模點云分割

更多文章可查看：點云學習歷史文章大匯總

SLAM及AR相關分享

【開源方案共享】ORB-SLAM3開源啦！

【論文速讀】AVP-SLAM：自動泊車系統中的語義SLAM

【點云論文速讀】StructSLAM:結構化線特征SLAM

SLAM和AR綜述

常用的3D深度相機

AR設備單目視覺慣導SLAM算法綜述與評價

SLAM綜述(4)激光與視覺融合SLAM

Kimera實時重建的語義SLAM系統

SLAM綜述(3)-視覺與慣導，視覺與深度學習SLAM

易擴展的SLAM框架-OpenVSLAM

高翔：非結構化道路激光SLAM中的挑戰

SLAM綜述之Lidar SLAM

基于魚眼相機的SLAM方法介紹

掃描下方微信視頻號二維碼可查看最新研究成果及相關開源方案的演示：

如果你對本文感興趣，請點擊“原文閱讀”獲取知識星球二維碼，務必按照“姓名+學校/公司+研究方向”備注加入免費知識星球，免費下載pdf文檔，和更多熱愛分享的小伙伴一起交流吧！

以上內容如有錯誤請留言評論，歡迎指正交流。如有侵權，請聯系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關注我們

讓我們一起分享一起學習吧！期待有想法，樂于分享的小伙伴加入免費星球注入愛分享的新鮮活力。分享的主題包含但不限于三維視覺，點云，高精地圖，自動駕駛，以及機器人等相關的領域。

分享及合作：群主微信“920177957”（需要按要求備注） 聯系郵箱：dianyunpcl@163.com，歡迎企業來聯系公眾號展開合作。

點一下“在看”你會更好看耶

總結

以上是生活随笔為你收集整理的自动驾驶中基于激光雷达的车辆道路和人行道实时检测（代码开源）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。