Section Jianmin, personne Wang Chang, que ce soit Lu, Liu Dan
(Faculté de l'information de l'Université de Beijing, Beijing 100124, Chine)
Afin d'extraire une zone pouvant être parcourue avant de véhicule sans pilote d'information, sur la base du radar laser multicouche proposé zone parcourue algorithme d'extraction de l'information. En premier lieu, en fonction du jeu caractéristique de distribution de densité des données de retour du radar de liaison de données obtenu section le long du chemin de points, et l'utilisation de la route le long de KNN regroupement distance euclidienne pondérée sur la base de l'amélioration de l'algorithme OPTICS. Ensuite, en utilisant une méthode des moindres carrés correspondent le long des côtés de la route. Enfin, le point de trouble obstacle sur la surface de la route effectuée par l'algorithme de classification OPTICS améliorée, et obtenue en calculant la position de l'obstacle, la distance, la taille et d'autres informations. Extraire des points le long de la route à partir de la surface de la route et le point d'impact de la méthode de distribution de densité d'obstacle en utilisant l'intervalle de données, l'algorithme amélioré est pas limitée OPTICS Eps est plus longue, et peut exactement distinguer le bruit, le bruit dû à résoudre les informations d'obstacle ne sont pas extraites le problème exact. véhicule réel a prouvé l'efficacité et de l'algorithme en temps réel.
Véhicule téléguidé; radar à laser à plusieurs couches, la zone pouvant être parcourue, les données de distribution de densité; algorithme OPTICS
CLC: TN958.98
Code de document: A
DOI: 10,16157 / j.issn.0258-7998.170392
format de citation chinois: Section Jianmin, personne Wang Chang, que ce soit Lu, etc. zone Voyage de boîte basé sur un algorithme d'extraction d'information radar laser multi-couches Technologie électronique, 2017,43 (10): 78-82.
Anglais format de citation: Duan Jianmin, Wang Changren, Ren Lu, et al. Algorithme d'extraction de l'information de zone d'entraînement sur la base de lidar multi-couche .Application Technique électronique, 2017,43 (10): 78-82.
0 introduction
Avec le développement continu de la société, de plus en plus les chercheurs du monde entier ont commencé à étudier sans pilote , où la technologie radar est une attention plus répandue. Document en utilisant le même chemin le long de la pente des points de données le long de l'extraction de point caractéristique de voie, mais l'algorithme est facilement affecté par l'obstacle et le point de route à point et trancher, de sorte que l'exactitude et les exigences réelles ne peuvent être atteints. Document lidar saut de retour points de données de hauteur le long du canal d'extraction, qui, en raison d'obstacles très instables. Pour les clusters, étant donné que les données de radar à laser apparaît surtout regroupés, en fonction de la densité de la méthode de classification approprié pour les données de radar à laser, dans lequel l'algorithme est une méthode de classification basée densité OPTIQUES typique. Document en utilisant les résultats de la séquence de l'algorithme de OPTIQUES de stratégie organisationnelle lourde est améliorée, mais dans des applications pratiques, le bruit dans les points de données radar laser ne peut être distinguée soudaine, entraînant un effet d'extraction d'obstacles inexacts.
Tout d'abord, en utilisant la distribution de densité de la section d'extraction de données le long du trajet le long du chemin de distinguer entre le point de montage et la zone pouvant être parcourue par la méthode des moindres carrés, et retourne ensuite la zone pouvant être parcourue pour les données en cluster en temps réel en utilisant l'amélioration OPTICS de l'algorithme. Enfin, l'efficacité de l'algorithme et en temps réel par des expériences de véhicule réel.
Lidar données de prétraitement 1
1.1 Analyse des données lidar
Dans cet article, produit par le Ibeo allemand IBEO LUX 2010 radar laser à quatre fils, le radar du type ayant une quantité relativement importante de données en ligne radar laser, de haute précision, et d'autres avantages distance de détection . Les principaux paramètres indiqués dans le tableau 1.
Quatre des informations de retour de radar contient un numéro de séquence de la principale couches de balayage, la distance et la position des informations de coordonnées. Ses propriétés comme suit:
(1) radar laser est balayée de gauche à droite, retourner la quantité de données de chaque trame est sensiblement similaire;
(2) les données de retour du radar laser est un changement dans la scène change avant, en faisant varier le nombre et la forme du spot de balayage de chaque obstacle;
(3) lorsque les échos radar laser de balayage de données dispose le long de la route lorsque la coordonnée x est clairsemée, disposés étroitement les coordonnées de l'axe y.
1.2 Données Prétraitement
Pour la zone pouvant être parcourue et les informations de l'avance de l'obstacle du véhicule est détectée, la lumière laser à l'avant de la position du véhicule Leida Un Fondateur intermédiaire, sur la base de l'expérience passée, la hauteur de montage du radar est réglée sur 0,846 m. La position de montage est représenté sur la figure 1.
le traitement des données radar laser méthode 2
Une section de distribution de densité des données de dimension 2,1
Supposons que (x1, y1), (x2, y2), (x3, y3), ..., (xn, yn), le point nR le long du trajet de retour des données radar, en fonction des caractéristiques de ceux-ci, dans lequel les données à une dimension D = { y1, y2, y3, ..., yn}, nR sont sensiblement similaires, à savoir les données de distribution de densité de probabilité de densité intervalle de données de retour du radar tombe un intervalle formule dans laquelle:
Lorsque, [omega] et est un intervalle de deux points d'extrémité, num (yi) est le nombre de données tombent dans un intervalle, et le dénominateur est le nombre de données; P se trouve dans un certain intervalle et le nombre total de données probabilité. Si l'ensemble des données est divisé en intervalles j, il est une somme de la probabilité.
2.2 OPTIQUES algorithme
OPTIQUES (point de commande pour identifier la structure de cluster) algorithme est un algorithme de classification basé sur la densité. Cet algorithme est une extension de dbscan, objets de données sorte l'ensemble de données, la sortie d'un objet liste ordonnée (cluster commande) contient toutes les informations pour extraire les clusters dans la liste, à savoir l'objet de données classement. Les définitions suivantes sont deux algorithme de OPTIQUES introduit:
Le noyau définit une distance (core distance)
Supposons que le rayon minimum point P comprenant m de voisin min-distance (P), la distance entre le point central P peut être définie comme suit:
2 jusqu'à une distance définie (portée distance, RD)
P o est supposé que l'un des points adjacents au point, alors P o liée à la distance définie à la formule:
OPTICS procédé classique de classification mis en oeuvre dans l'étape 2, l'algorithme de OPTICS des avantages ne sont pas sensibles aux paramètres d'entrée, l'entrée EPS grand écart entre les Eps réelles effet clustering est encore affecté, mais pas l'algorithme de bruit distinction.
2,3 KNN pondérés figure distance euclidienne en fonction de la
Après calcul des données de distribution de densité de données radar en véritable point d'extraction de données de radar définir des zones de pic respectives pour calculer la croix, la valeur de variance des ordonnées, on peut calculer la distance euclidienne pondérée entre les points de données.
KNN points de données de balayage de radar bientôt réelle est obtenue à partir de la matrice pondérée de la distance euclidienne qui Distk * k, puis Distk * k est formée dans chaque sorte de dimension (Distk * k) dans l'ordre croissant, le tri final (Distk * k chaque donnée dimensionnelle) est tracée KNN Fig.
2.4 moindres carrés ajustées
Sur la base de l'expérience caractéristique de la route, étant donné que les deux côtés de la route dans un essai routier principalement point de distribution linéaire, par conséquent, la méthode des moindres carrés sur les deux côtés des points d'extraction de la route le long de la trajectoire de l'ajustement linéaire. Moindres carrés est une méthode d'optimisation mathématique qui recherche les données et en faisant correspondre la fonction de minimisation de l'erreur quadratique meilleure. Qui est utilisé pour l'ajustement linéaire pour l'expression y = kx + h, les paramètres suivants k et h est de résoudre l'équation:
Dans laquelle, n représente le nombre de points à monter, (xi, yi) sont les coordonnées du point d'être installés, k est la pente, h est l'ordonnée à l'origine.
3 Procédé d'extraction d'informations de zone pouvant être parcourue
3.1 Amélioration de l'algorithme distance euclidienne pondérée OPTIQUES
Alors que l'algorithme de OPTIQUES traditionnel peut surmonter certains des problèmes d'autres algorithmes de classification traditionnels , mais il a encore quelques-uns de ses propres défauts, tels que OPTIQUES dans le point de base réel du processus de sélection est déterminé en sélectionnant les Eps points de base appropriés position et l'introduction du bruit en raison des Eps de mauvaise sélection, ce qui réduit considérablement la sensibilité à l'algorithme de réduction du bruit, tel que le groupe ne sont pas précis. De plus, si les Eps aveugles éventail d'options, affectent également l'effet de regroupement.
Afin d'améliorer les lacunes OPTIQUES, a proposé une meilleure fonction de la distance euclidienne pondérée OPTIQUES l'algorithme KNN qui ne nécessite pas la saisie des paramètres Eps, mais un point de données voisin K- les plus proches entre motif formé par la distance euclidienne pondérée par ordre croissant ( KNN) et le résultat regroupement est déterminé à distinguer le bruit. Des mesures spécifiques indiquées à la figure 3.
Selon la figure 3, l'algorithme amélioré ne sélectionne pas Eps OPTIQUES peut regrouper directement. Des mesures spécifiques dans l'organigramme en fonction de la séparation pondérée de distance euclidienne du bruit KNN suit:
(1) prendre une distance euclidienne pondérée entre chaque type de points de données pour chaque matrice de distance du point formé Distk * k;
(2) les dimensions respectives de la matrice de distance de l'ordre ascendant, de tri de formage (Distk * k);
(3) Etant donné que le bruit des autres points au-dessus d'un seuil, il est déterminé que la distance minimale nécessaire entre le point et l'autre distance des points est plus grand que le seuil, si oui, alors le point de bruit.
3.2 Extraction basée sur le passage le long d'une dimension section de distribution de densité de données
En analysant le nuage de points des retours lidar vu, il est inclus dans les points de nuages de points de route, points le long des côtés de la route, et un obstacle autour du point des fleurs de point de scène. Réglage de k intervalles équidistants , dans cet intervalle par l'équation (2) on obtient la densité de points de données radar pour chaque intervalle. L'axe horizontal du point zéro à la limite, lorsque la valeur maximale de la densité des deux côtés de la partie extraite et la deuxième plus grande valeur. Est connu de l'expérience, le chemin le long de la différence de hauteur de point de point de chaussée est d'environ 20 cm, la différence de hauteur peut être basée sur ce point pour éliminer la route. Après avoir obtenu le point le long du trajet, les points le long du trajet en utilisant un algorithme de regroupement de OPTICS modifié, méthode des moindres carrés en utilisant le finalement le long de la route, et la route le long de l'information calculée.
3.3 peut être un obstacle dans la zone de Voyage extraction d'information
Les informations obtenues par l'intermédiaire le long de la largeur de canal peut être déterminé que la surface de la route. En supposant que le point le long du trajet autour des plages de et , Les zones pouvant être parcourue est obtenue en fonction de la délimitation latérale de la fourchette de la formule (8):
Dans laquelle Croad est la zone parcourue, Cnoise à l'environnement.
Les informations de largeur du véhicule sans pilote et les informations extraites peuvent être combinés avec la largeur de la zone, qui est exprimée en tant que:
Après extraction de la région entraînable, le reste des points comme un obstacle et le bruit. points de Obstacle sont: les piétons, les véhicules et les vélos. Les principales informations d'attribut d'obstacle est représenté par la distance, l'angle, le point central. L'obstacle algorithme amélioré OPTIQUES au sein du cluster de la zone pouvant être parcourue, et des extraits de chaque type de l'obstacle, l'obstacle et l'angle du point central x, y, z des valeurs de coordonnées. Les informations sur les obstacles longueur obtenue, la largeur, la distance, l'angle et la classe de vitesse par le calcul.
4 résultats des tests de véhicules réel
4.1 Conditions et plates-formes expérimentales
Ici plateforme expérimentale pour BJUT-IV (Beijing University of Technology Véhicule intelligent) développé indépendamment un véhicule sans pilote, l'installation à quatre fils position radar laser IBEO-LUX au milieu de l'extrémité avant du véhicule pour collecter des données expérimentales. hauteur d'installation de radar de 0,846 m. Expérimentez scène du campus comme les routes, comme le montre la figure.
4.2 zone pouvant être parcourue selon les résultats de l'extraction de trajet
zone pouvant être parcourue selon les résultats de l'expérience d'extraction de route sont présentées sur la Fig.
La figure 4 est une scène côté gauche expérience 1, les conditions routières sont pas de véhicules. . La figure 5 (b) pour les points de données d'origine, les points de données contenus dans le point d'origine le long de la route, les points de route et autour des arbres, déduction faite de fer. points de données de radar FIG sont divisés en quatre couches, représentée par la flèche en pointillés sur la figure. La figure 5 (a) pour retourner les données de coordonnée y des valeurs de l'histogramme de distribution de la densité de données de radar, dans lequel le point de démarcation zéro quatre deux sections près de la plage de point zéro le long d'une section de route, tandis que les deux autres sections de la limite de tangage . L'analyse de l'histogramme de densité de la gamme peut clairement le point de gauche se trouve le long du trajet , le long de la route sur le point de droite dans la plage de . En sélectionnant la densité du segment, il a été montré sur la figure 5 (c) dans le cas représenté, deux points, par rapport aux résultats de la figure sur la base de l'intervalle de densité des données à une dimension extraits. . La figure 5 (d) est extrait par le regroupement des points le long du trajet KNN algorithme OPTICS pondérée modifiée distance euclidienne basée sur les figures pour la clarté cadre ovale montrant deux des résultats de classification. Enfin, par la méthode des moindres carrés sur les deux côtés des points de trajectoire extraites le long du résultat de l'ajustement linéaire représentées sur la figure 5 (e) représentés sur la figure. Extrait selon les résultats de trajets montrent que la route est la largeur 10,48 m, et le côté gauche du véhicule le long de la distance de trajet de 6,64 m, et le côté droit du véhicule le long de la distance de la route est de 3,83 m. Obtenue en mesurant en réalité une voie de scénario d'expérience réelle largeur est d'environ 10,5 m, les résultats de l'extraction et de la largeur réelle d'un peu moins de 0,02 m, le taux de détection d'informations de largeur de route de 99,8%, en ligne avec les besoins réels.
4.3 région entraînables résultats d'extraction d'obstacles
zone pouvant être parcourue résultat d'extraction d'obstacle représenté sur la. figure 6,. La figure 4 est une scène d'expérimentation droite 2, les piétons et des véhicules de la scène. La figure 6 (a) pour la première 47 KNN figure pondérée distance euclidienne, le facteur de bruit de la partie creuse mentionnée dans le texte, l'autre partie des résultats de classification. Les premières données 47 sur la Fig. 6 (b) pour le déplacement du véhicule en utilisant un obstacle classique algorithme de détection OPTICS surface de la route. Comme on peut le voir sur la figure, puisque le radar de troisième couche de données se produit le bruit lors du balayage, de sorte que l'impact de l'effet de regroupement, ce qui réduit la précision du regroupement. Et la figure. 6 (c) pour les 47 premières données en utilisant l'effet d'améliorer l'algorithme KNN OPTIQUES pondéré distance euclidienne, l'algorithme peut éviter l'influence du bruit de la route, et peut obstacle le regroupement avec précision, et l'obstacle peut être obtenu en calculant attribut primaire, la longueur de la longueur piéton détectée = 0,1 m, largeur largeur = 0,3 m, une longueur de la longueur véhicule détectée = 3,3 m, largeur largeur = 1,7 m, le radar de plage de distance comprenant résultat de détection d'obstacle à l'avant fondamentalement en accord avec les mesures réelles, répondre aux exigences d'essai.
La figure 6 (d) pour les 45 premiers OPTICS algorithme résultat de détection classique, le bruit de la route dans la FIG. A titre d'obstacle, la précision d'impact de la grappe. La figure 6 (e) en utilisant les données pour les 45 premiers OPTICS algorithme amélioré, de bons résultats. Peut être prouvé par les résultats ci-dessus, l'algorithme proposé peut extraire l'efficacité du Voyage régional et de la performance en temps réel ont été améliorés.
5 Conclusion
algorithme d'extraction de région d'information de zone pouvant être parcourue proposé comprend un passage en même temps que l'extraction et l'extraction obstacle, l'extraction le long de la route, en utilisant une distribution de données à une dimension densité plage des données radar définissent, le long du point de trajet et on l'extrait en définissant les plages, procédé d'extraction selon des points de données de densité le long de la chaussée afin d'éliminer l'influence des points d'extraction d'obstacles le long de la voie, et pour traiter simultanément les données multicouches, réduisant ainsi la complexité. Le point de trouble obstacle sur la surface de la route réalisée en améliorant le regroupement de l'algorithme OPTICS KNN distance euclidienne pondérée, et obtenue en calculant la position de l'obstacle, la distance, la taille et d'autres informations. Eps contraintes OPTIQUES algorithme amélioré ne plus et peuvent distinguer avec précision le bruit, augmenter la précision de l'extraction d'obstacles. L'algorithme proposé peut efficacement l'information Percevoir devant un véhicule sans pilote peut voyager la région, fournir des informations utiles pour la prise de décision sans pilote, mais aussi d'améliorer la sécurité des véhicules sans pilote.
références
DAHLKAMP H, Kaehler A, Bradski G.Self-supervisée de détection de route monoculaire en terrain désertique .Proceedings de la robotique: Science et Systems.Philadelphia: MIT Press, 2006: 115-121.
Wang Xin, Li Gao, Zhu Wanli, etc. modélisation et optimisation de la gestion de l'énergie de voiture à moteur hybride parallèle du Control Engineering, 2014 (3): 357-360.
Yangxiang juin Basé sur la route détection et le suivi radar laser à quatre fils Hangzhou: Zhejiang University, 2013.
Liu Zi, TANG Zhen-min, Renming Wu. Algorithme de détection limite de la route en temps réel basé sur le radar laser 3D Université Huazhong des Sciences et de la technologie (édition des sciences naturelles), 2011 (S2): 351-354.
a par Ling, Xu Hongbo, maître blanc. OPTIQUES Amélioration de l'algorithme et son application dans le regroupement texte . L'information chinoise de la technologie, 2008 (1): 51-55,60.
Zhuang Xiuhua. La détection d'obstacles et de recherche de suivi sur le radar laser à ligne unique Changsha: Université du Hunan, 2014.
Moon Party, Lu Yueming. OPTIQUES accessible figure la reconnaissance automatique en cluster à base Applications informatiques, 2012 (S2): 19-21,47.
Wang magenta, jaune Yan. Amélioration de l'algorithme de reconnaissance de modulation OPTIQUES Génie informatique et applications, 2011 (16): 141-143.
multiples cibles mobiles Sun Tianyu, Sun Wei, Xue Min regroupement .OPTICS et suivi d'une zone cible modèle de probabilité . L'image de la Chine et de graphiques, 2015 (11): 1492-1499.
Chen Yanli, Hong Long, Jinda Wen, et al. Une simple et une analyse efficace de l'algorithme de classification basé sur la densité Nanjing Institut des Postes et Télécommunications, 2005 (4): 24-29.
Construcion, Li Longjie, Zhengkai Hua. 4 sur la route en avant du véhicule monté sur la région de détection lidar entraînable Technologie automobile, 2016 (2): 55-62.
Zoule Jiang. Son application simple de du principe des moindres carrés . Science et de la technologie de l'information, 2010 (23): 282-283.
Dingke Liang, nuage lourd, carrés Ou Kun moins globalement linéaire raccord Liaoning Université technique (sciences naturelles), 2010 (1): 44-47.
DE THÉORIQUE. Progrès Déplacement des moindres carrés et commentaires . Ingénierie assistée par ordinateur, 2009 (2): 5-11,20.
l'article Jianmin, Zhengkai Hua, Li Longjie, etc. L'algorithme d'extraction de l'information basée sur la route de radar à laser à plusieurs couches Control Engineering, 2016 (4): 468-473.
