蘇致遠(yuǎn)，徐友春，彭永勝，王任棟

(1.軍事交通學(xué)院研究生管理大隊(duì)，天津 300161； 2.軍事交通學(xué)院軍用車輛系，天津 300161)

?

基于點(diǎn)云密度的結(jié)構(gòu)化道路邊界增強(qiáng)檢測(cè)方法*

蘇致遠(yuǎn)1，徐友春2，彭永勝2，王任棟1

(1.軍事交通學(xué)院研究生管理大隊(duì)，天津 300161； 2.軍事交通學(xué)院軍用車輛系，天津 300161)

為快速魯棒地檢測(cè)結(jié)構(gòu)化道路邊界，提出一種基于HDL-64E激光雷達(dá)點(diǎn)云密度的道路邊界增強(qiáng)檢測(cè)方法。通過建立虛擬雷達(dá)模型，利用點(diǎn)云密度特征，實(shí)現(xiàn)前景與背景分離，并利用隨機(jī)采樣一致性算法得到20m內(nèi)的道路邊界。為解決20～100m內(nèi)道路邊界點(diǎn)云稀疏、檢測(cè)準(zhǔn)確性下降的問題，提出利用光線切割模型對(duì)道路邊界進(jìn)行增強(qiáng)檢測(cè)。在校園道路和城市快速路進(jìn)行實(shí)驗(yàn)，道路邊界檢測(cè)率達(dá)到95%以上，有效檢測(cè)距離可達(dá)70m以上，檢測(cè)周期小于32ms。

道路邊界檢測(cè)；虛擬掃描模型；點(diǎn)云密度；光線切割模型

前言

在智能車的環(huán)境感知中，道路邊界檢測(cè)用于確定行駛區(qū)域，縮小注意力分布范圍，為智能車的路徑規(guī)劃、定位和導(dǎo)航提供約束條件和信息。在復(fù)雜的城市道路和高速公路環(huán)境中，確定道路邊界顯得尤為重要。

當(dāng)前，結(jié)構(gòu)化道路邊界檢測(cè)主要有兩種方法：一種是基于道路幾何特征的方法，另一種是基于圖像分割的方法[1]?；趫D像分割的方法可獲取豐富的環(huán)境信息，并利用顏色、紋理等特征進(jìn)行區(qū)域的生長(zhǎng)和分割，但該方法對(duì)環(huán)境敏感，受光照等因素影響大?；诘缆穾缀翁卣鞯姆椒軌蚩朔饨绛h(huán)境的大部分干擾，檢測(cè)精度高，是高級(jí)別智能駕駛應(yīng)用中的主要檢測(cè)方法。因此，本文中利用三維激光雷達(dá)的點(diǎn)云數(shù)據(jù)，依據(jù)道路幾何特征檢測(cè)道路邊界。

文獻(xiàn)[1]中根據(jù)多幀連續(xù)二維雷達(dá)數(shù)據(jù)建立數(shù)字高程圖(digital elevation map)，根據(jù)車輛運(yùn)行方向提取道路邊界候選點(diǎn)，然后利用霍夫變換(Hough transform)和多模型隨機(jī)采樣一致性(RANSAC)算法求解道路邊界。文獻(xiàn)[2]中在三維點(diǎn)云中分別提取每條掃描線的特征點(diǎn)，通過霍夫變換和距離約束選擇道路邊界候選點(diǎn)，最后通過迭代的高斯過程回歸將候選點(diǎn)作為種子點(diǎn)表示道路邊界，檢測(cè)距離達(dá)50m。文獻(xiàn)[3]中通過將雷達(dá)掃描線分段，構(gòu)建馬爾科夫隨機(jī)場(chǎng)，通過圖割算法求最優(yōu)解來分割路面。文獻(xiàn)[4]中使用局部凹凸性分割不同物體。文獻(xiàn)[5]中采用Mesh方式構(gòu)造圖，通過計(jì)算梯度分離地面。以上方法中，基于圖的方法計(jì)算量大，實(shí)時(shí)性差，而基于柵格的方法，檢測(cè)效果受柵格尺度影響大，對(duì)閾值選取的要求較高。此外，很多方法要用到雷達(dá)或車輛坐標(biāo)系下的高度或高度差信息，并以此作為區(qū)分道路和道路邊界的條件，但在車輛行進(jìn)過程中，尤其是車輛發(fā)生較大俯仰、側(cè)傾時(shí)，魯棒性降低。

為解決以上問題，本文中基于HDL-64E三維激光雷達(dá)數(shù)據(jù)，提出一種新的道路邊界增強(qiáng)檢測(cè)方法。首先建立了虛擬雷達(dá)模型，根據(jù)虛擬掃描線上點(diǎn)云的分布特征實(shí)現(xiàn)前景與背景分離，該過程去除了路面，同時(shí)保留了障礙物和部分道路邊界，然后建立光線切割模型，結(jié)合前景近景分離結(jié)果對(duì)道路邊界進(jìn)行遠(yuǎn)距離擴(kuò)展。本文中方法具有以下特點(diǎn)：一是基本不受路面傾斜和起伏影響；二是對(duì)較低的道路邊界或較高的護(hù)欄同時(shí)有效；三是在部分遮擋的動(dòng)態(tài)環(huán)境下，依然可以得到穩(wěn)定的檢測(cè)結(jié)果。

1 數(shù)據(jù)預(yù)處理

本文中研究采用HDL-64E三維激光雷達(dá)，其垂向掃描范圍(VFOV)為-24.8°～2°，其間按照一定的規(guī)律分布著64個(gè)激光發(fā)射器，雷達(dá)通過旋轉(zhuǎn)掃描得到360°范圍內(nèi)的環(huán)境信息。在600r/min的轉(zhuǎn)速下，每幀采集約13萬個(gè)點(diǎn)。針對(duì)大量點(diǎn)云的分割通常采用非模型投影方法，按投影方向可分為基于地面投影和基于虛擬像平面投影兩大類[6]。

1.1 點(diǎn)云投影

本文中提出了一種基于地面的全景投影方法(見圖1)，與全景深度圖(panoramic range image)[4]相比，該方法基于地面投影，投影結(jié)果為三維點(diǎn)云而不是深度圖像。由于所用雷達(dá)在不同距離有相同的掃描點(diǎn)數(shù)，所以可將其按照雷達(dá)旋轉(zhuǎn)方向依次展開成一個(gè)三維場(chǎng)景，x軸為旋轉(zhuǎn)角度(-π/2～3π/2)，y軸為掃描點(diǎn)到雷達(dá)旋轉(zhuǎn)軸的距離(0～120m)，z軸為掃描點(diǎn)的高度。在路面區(qū)域，同一條掃描線的點(diǎn)近似在一條水平直線上，在同一個(gè)掃描角度上障礙物導(dǎo)致點(diǎn)云密度差異。

圖1 全景投影圖

1.2 點(diǎn)云校正

HDL-64E三維激光雷達(dá)通過旋轉(zhuǎn)獲取環(huán)境數(shù)據(jù)，數(shù)據(jù)本身具有一定的組織結(jié)構(gòu)。但由于激光雷達(dá)的安裝、標(biāo)定等原因，同一掃描角度上的點(diǎn)在地面的投影并不嚴(yán)格地落在一條通過旋轉(zhuǎn)中心的直線上。本文中基于極坐標(biāo)柵格下的虛擬掃描(virtual scan)模型[7]，或叫虛擬雷達(dá)模型，建立基于原始點(diǎn)云的虛擬雷達(dá)模型，雷達(dá)每個(gè)角度的虛擬掃描線在x-y平面的投影都是一條延伸線通過雷達(dá)旋轉(zhuǎn)中心，由掃描距離最近的點(diǎn)指向掃描距離最遠(yuǎn)點(diǎn)的線段，每個(gè)線段都包含64個(gè)子節(jié)點(diǎn)(子節(jié)點(diǎn)可能為空)。如圖1所示，每條虛擬掃描線在x-y平面的投影都是與y軸平行的線段。

由以上模型，每幀的掃描數(shù)據(jù)可表示成三維矩陣Iv，滿足：

(1)

其中P(b，j)=[xyzi]

(2)

式中：Iv的每一列表示某個(gè)旋轉(zhuǎn)角度的64組數(shù)據(jù)，對(duì)應(yīng)64個(gè)激光發(fā)射角度，每一行表示旋轉(zhuǎn)360°單個(gè)激光采集到的所有數(shù)據(jù)；n為每幀的采樣次數(shù)；b為光線編號(hào)，根據(jù)俯視角度由負(fù)到正從0至63取值；j為從起始位置開始的采集次數(shù)；P(b，j)為點(diǎn)的屬性，包含點(diǎn)的坐標(biāo)及強(qiáng)度信息；i為點(diǎn)的強(qiáng)度。

1.3 點(diǎn)云分割

根據(jù)HDL-64E的檢測(cè)特性，即在平坦區(qū)域點(diǎn)云密度低，有障礙物處點(diǎn)云密度高，可將障礙物從環(huán)境中分離出來。通常的做法是劃分柵格，并統(tǒng)計(jì)各個(gè)柵格的點(diǎn)云密度，由于密度的閾值難以確定，本文中將虛擬雷達(dá)模型中同一虛擬掃描線上相鄰掃描點(diǎn)的距離差作為判斷點(diǎn)云密度的依據(jù)。在理想水平面上，雷達(dá)每個(gè)掃描點(diǎn)至雷達(dá)旋轉(zhuǎn)軸的距離是確定的，若遇到凸障礙，激光無法穿過障礙物，導(dǎo)致掃描點(diǎn)到雷達(dá)旋轉(zhuǎn)軸的距離小于其理論距離；若遇到凹障礙，實(shí)際掃描距離將大于理論距離。

根據(jù)激光的發(fā)射角度，第j線激光的掃描距離yj小于第j+1線的掃描距離yj+1(此處僅考慮射向地面的光束，所以取0≤j<54)，如遇障礙物且有兩條掃描線同時(shí)掃描到該障礙物，則有

yj+1-yj

(3)

設(shè)掃描線在平面上的理論掃描距離為Yj(0≤j<54)，掃描距離超過一定范圍及掃描角度為正(即水平面以上)的線束不包含在內(nèi)，則相鄰兩線的理論掃描間隔為

Dj=Yj+1-Yj

(4)

將dj取值為Dj的某一比例，即令

dj=ηjDj=ηj(Yj+1-Yj)

(5)

由以上推導(dǎo)編寫算法，對(duì)原始點(diǎn)云進(jìn)行分割，結(jié)果如圖2所示。圖中表示路面和平坦地面的點(diǎn)都被分離出來，僅保留了地面上的障礙物和部分道路邊界。

圖2 原始點(diǎn)云和分割后點(diǎn)云對(duì)比

為比較點(diǎn)云分割效果，將最大最小高度圖[8](maximum and minimum height map)與本文方法作比較，結(jié)果如圖3所示，圖3(a)為最大最小高度圖保留下來的原始點(diǎn)(柵格大小為20cm×20cm，高度差為10cm)，圖3(b)為本文方法保留的原始點(diǎn)(ηi=1/3)。對(duì)比發(fā)現(xiàn)：(1)最大最小高度圖中保留下來的特征無關(guān)點(diǎn)數(shù)量比本文方法多，這與柵格本身特點(diǎn)有關(guān)，柵格過大導(dǎo)致與特征無關(guān)的點(diǎn)增多，柵格過小某些特征點(diǎn)可能會(huì)消失；(2)道路邊界(矩形框內(nèi))的連續(xù)性不如本文方法，最大最小高度圖的分割結(jié)果取決于柵格大小，相鄰柵格的屬性不能同時(shí)滿足閾值要求，造成特征丟失，而本文方法能很好解決這種問題。

圖3 兩種分割方法對(duì)比

2 道路邊界檢測(cè)與增強(qiáng)

根據(jù)道路形態(tài)，通常建立中間為平面或曲線、兩側(cè)有一定高度突變的道路模型[9-10]，這種模型能表現(xiàn)道路邊界的突變特征，但不能很好地表現(xiàn)道路形態(tài)。本文方法無須研究路面的具體形狀，只須假設(shè)道路邊界存在。

2.1 光線切割模型

HDL-64E激光雷達(dá)隨掃描距離增加點(diǎn)云密度降低，導(dǎo)致路面濾除時(shí)遠(yuǎn)距離的道路邊界特征不明顯。為增加道路邊界檢測(cè)距離，本文中提出一種光線切割模型。

假設(shè)三維激光雷達(dá)安裝在豎直平面內(nèi)，各條掃描線的掃描覆蓋范圍就構(gòu)成頂角不同的圓錐體，如果有垂直平面切割圓錐，理論上就會(huì)形成雙曲線的一支。由于道路邊界高度相對(duì)于雷達(dá)安裝高度很小，所以通常還需要一次水平切割，見圖4。圖4(a)中雷達(dá)旋轉(zhuǎn)軸與垂直切割平面的距離為BO，雷達(dá)此時(shí)的旋轉(zhuǎn)角度為θ，角度分辨率為Δθ。

圖4 光線切割模型

首先研究角度對(duì)道路邊界檢測(cè)的影響，如圖4(b)(圖4(b)為圖4(a)的俯視圖)所示，設(shè)旋轉(zhuǎn)中心B與道路邊界CO距離為L(zhǎng)，前后掃描獲得的點(diǎn)分別為C點(diǎn)和A點(diǎn)，掃描距離為L(zhǎng)BC和LBA。由幾何關(guān)系可知：

LBC=LBO/cosθ

(6)

LBA=LBO/cos(θ+Δθ)

(7)

LBA-LBC=LBO/cos(θ+Δθ)-LBO/cosθ

(8)

當(dāng)雷達(dá)轉(zhuǎn)速為600r/min時(shí)，Δθ≈0.17°，若已知雷達(dá)旋轉(zhuǎn)中心到道路邊界的距離LBO=L，則道路邊界上前后兩次掃描點(diǎn)的距離差僅與掃描角度相關(guān)。圖5為當(dāng)L=300cm和L=1000cm時(shí)，相鄰兩個(gè)掃描點(diǎn)的距離差與掃描角度的關(guān)系。

圖5 相鄰掃描點(diǎn)距離差與掃描角度的關(guān)系

由圖5可見：掃描角度一定時(shí)，若雷達(dá)旋轉(zhuǎn)軸到道路邊界的距離增加，相鄰兩個(gè)掃描點(diǎn)的距離差增加；旋轉(zhuǎn)軸到道路邊界的距離一定時(shí)，隨掃描角度的增加，相鄰掃描點(diǎn)的距離差近似呈指數(shù)增加。依照此規(guī)律即可根據(jù)掃描角度計(jì)算該角度上相鄰兩點(diǎn)間的理論距離差，再以理論值為依據(jù)從原始數(shù)據(jù)篩選出符合條件的點(diǎn)，即為道路邊界候選點(diǎn)。

2.2 道路邊界檢測(cè)與增強(qiáng)

地面濾除后，車輛兩側(cè)的道路邊界信息被很好地保留下來。為得到雷達(dá)旋轉(zhuǎn)中心距道路邊界的距離，本文中使用一種條件采樣的方法，將車輛兩側(cè)滿足道路邊界約束的點(diǎn)確定為道路邊界候選點(diǎn)，對(duì)其濾波后擬合直線，根據(jù)擬合結(jié)果計(jì)算雷達(dá)旋轉(zhuǎn)軸到道路邊界的距離，以此為依據(jù)搜索地面濾除過程丟失的道路邊界，同時(shí)根據(jù)搜索結(jié)果驗(yàn)證采樣的正確性，并對(duì)下一幀的檢測(cè)提供參考。

在篩選道路邊界候選點(diǎn)時(shí)不可避免會(huì)摻雜一些錯(cuò)誤點(diǎn)，本文中采用RANSAC算法擬合道路邊界，可有效減小錯(cuò)誤點(diǎn)的干擾，擬合出正確的道路邊界。

算法的流程圖如圖6所示。

圖6 算法流程圖

3 實(shí)驗(yàn)結(jié)果

為檢驗(yàn)本文算法，分別在校園道路和城市快速路進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)平臺(tái)配置為intel酷睿i5雙核2.5GHz處理器，4G內(nèi)存。圖7為兩種典型的測(cè)試場(chǎng)景，圖7(a)為校園道路，車輛正處于丁字路口，圖7(b)為城市快速路，空白處是因?yàn)檐囕v遮擋沒有數(shù)據(jù)。校園道路寬度窄，道路邊界清晰，但道路節(jié)點(diǎn)多，拓?fù)浣Y(jié)構(gòu)復(fù)雜，同時(shí)車流較少，交通環(huán)境簡(jiǎn)單；城市快速路寬闊，道路節(jié)點(diǎn)少，拓?fù)浣Y(jié)構(gòu)簡(jiǎn)單，但車流量大，交通環(huán)境復(fù)雜，道路邊界遮擋嚴(yán)重。

圖7 校園和城市快速路實(shí)驗(yàn)場(chǎng)景

本文中使用檢測(cè)成功率、單側(cè)道路邊界提取點(diǎn)數(shù)、道路邊界候選點(diǎn)正確率和運(yùn)行時(shí)間等指標(biāo)來評(píng)價(jià)算法。檢測(cè)成功率指本算法求解出道路邊界的幀數(shù)與測(cè)試幀數(shù)的比值。單側(cè)道路邊界提取點(diǎn)數(shù)是從原始數(shù)據(jù)篩選出的單側(cè)道路邊界候選點(diǎn)數(shù)量。候選點(diǎn)正確率為候選點(diǎn)中真實(shí)道路邊界點(diǎn)數(shù)量與候選點(diǎn)總數(shù)的比值，由于采用RANSAC算法擬合道路邊界，故對(duì)迭代1次與10次的結(jié)果進(jìn)行比較說明候選點(diǎn)的正確率，結(jié)果見表1。

表1 實(shí)驗(yàn)結(jié)果

由表1可見：在城市快速路的檢測(cè)成功率稍高，原因是快速路雖然車輛較多，但道路節(jié)點(diǎn)少，拓?fù)浣Y(jié)構(gòu)簡(jiǎn)單；校園道路節(jié)點(diǎn)多，道路零散，拓?fù)浣Y(jié)構(gòu)復(fù)雜，導(dǎo)致單側(cè)平均點(diǎn)數(shù)較少。RANSAC算法通過隨機(jī)選擇原始數(shù)據(jù)擬合目標(biāo)方程，可反映原始數(shù)據(jù)的質(zhì)量，在誤差范圍內(nèi)迭代1次得到的擬合方程包含了95%的候選點(diǎn)，且將迭代次數(shù)增至10次后結(jié)果僅有2%以內(nèi)的提升，表明原始數(shù)據(jù)的質(zhì)量，即道路邊界候選點(diǎn)的正確率很高，平均正確率在95%以上。

圖8為兩種場(chǎng)景下的實(shí)驗(yàn)結(jié)果，分別顯示在校園和城市快速路環(huán)境下的邊界采樣點(diǎn)數(shù)和檢測(cè)成功率，以及在城市快速路上的最遠(yuǎn)檢測(cè)距離。

圖8 實(shí)驗(yàn)結(jié)果

由圖8可見：校園道路邊界的候選點(diǎn)數(shù)量變化較大，主要受校園道路零散的因素影響；檢測(cè)成功率在實(shí)驗(yàn)次數(shù)較少時(shí)由于比例計(jì)算會(huì)呈現(xiàn)急速下滑的趨勢(shì)，隨實(shí)驗(yàn)次數(shù)增加趨于穩(wěn)定，表明算法效果穩(wěn)定。

在城市快速路環(huán)境下，本文方法提取道路邊界候選點(diǎn)的最遠(yuǎn)距離達(dá)到了100m以上。根據(jù)HDL-64E雷達(dá)的技術(shù)指標(biāo)，距離越遠(yuǎn)掃描點(diǎn)越稀疏，超過60m后兩條掃描線間的理論間隔達(dá)到10m以上，但算法提取的點(diǎn)仍可有效地判斷道路趨勢(shì)。在采樣點(diǎn)數(shù)為0或者最遠(yuǎn)距離為0的場(chǎng)景下，算法沒有找到道路邊界，可能的原因是多車遮擋等原因?qū)е碌缆愤吔缦А?/p>

在實(shí)時(shí)性上，基于高度圖的霍夫變換算法平均運(yùn)行時(shí)間[2]約為27.8ms，本文算法的平均運(yùn)行時(shí)間約為24ms，可以滿足智能車實(shí)時(shí)性要求。

4 結(jié)論

本文中提出一種道路邊界增強(qiáng)檢測(cè)算法，首先建立虛擬雷達(dá)模型對(duì)雷達(dá)數(shù)據(jù)進(jìn)行預(yù)處理，基于點(diǎn)云密度分離前景和背景，然后通過兩次篩選得到道路邊界候選點(diǎn)，最后通過隨機(jī)采樣一致性算法對(duì)道路邊界進(jìn)行擬合。實(shí)驗(yàn)結(jié)果表明：該算法道路邊界檢測(cè)率達(dá)到95%以上，運(yùn)行時(shí)間滿足智能車實(shí)時(shí)性要求，檢測(cè)距離優(yōu)于其他算法。此外，本文方法不依賴于路面形態(tài)，對(duì)低矮的道路邊界和較高的護(hù)欄都有效，在部分遮擋的情況下依然可以得到穩(wěn)定的結(jié)果。

[1] LIU Z, WANG J L, LIU D X. A new curb detection method for unmanned ground vehicles using 2D sequential laser data[J]. Sensors,2013,13(1):1102-1120.

[2] CHEN T T, DAI B, LIU D X, et, al. Velodyne-based curb detection up to 50 meters[C]. Intelligent Vehicles Symposium(IV). Seoul, Korea: IEEE,2015:241-248.

[3] 朱株,劉濟(jì)林.基于馬爾科夫隨機(jī)場(chǎng)的三維激光雷達(dá)路面實(shí)時(shí)分割[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2015,49(3):464-469.

[4] MOOSMANN F, PINK O, STILLER C. Segmentation of 3D lidar data in non-flat urban environment using a local convexity criterion[C]. Intelligent Vehicles Symposium(IV). Xi’an: IEEE,2009:215-220.

[5] DOUILLARD B, UNDERWOOD J, KUNTZ N, et, al. On the segmentation of 3D LIDAR point clouds[C]. International Conference on Robotics and Automation(ICRA). Shanghai: IEEE,2011:2798-2805.

[6] 王肖,王建強(qiáng),李克強(qiáng),等.智能車輛3-D點(diǎn)云快速分割方法[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2014,54(11):1440-1446.

[7] PETROVSKAYA A, THRUN S. Model based vehicle detection and tracking for autonomous urban driving[J]. Autonomous Robots,2009,26:123-139.

[8] 辛煜,梁華為,梅濤,等.基于激光傳感器的無人駕駛汽車動(dòng)態(tài)障礙物檢測(cè)及表示方法[J].機(jī)器人,2014,36(6):654-661.

[9] 俞先國(guó),劉大學(xué),戴斌.基于非閉合Snakes和單線激光雷達(dá)的路邊檢測(cè)與濾波[J].機(jī)器人,2013,35(4):425-431.

[10] HAN J, KIM D, LEE M, et, al. Road boundary detection and tracking for structured and unstructured roads using a 2D lidar sensor[J]. International Journal of Automotive Technology,2014,15(4):611-623.

Enhanced Detection Method for Structured RoadEdge Based on Point Clouds Density

Su Zhiyuan1, Xu Youchun2, Peng Yongsheng2& Wang Rendong1

1.PostgraduateTrainingBrigade,MilitaryTransportationUniversity,Tianjin300161；2.DepartmentofMilitaryVehicle,MilitaryTransportationUniversity,Tianjin300161

For the fast and robust detection of structured road edge, an enhanced road edge detection method is proposed based on the density of point clouds from HDL-64E lidar. By setting up virtual scan model and utiliazing the density features of point clouds, foreground is separated from background, and 20 meters of road edge is obtained by using random sample consensus algorithm. To solve the problem of poor detection accuracy of road edge within a distance of 20 and 100 meters due to sparse point clouds, a sheme is proposed to use ray cut model to conduct an enhanced detection on road edge. The results of experiments on both campus road and city express show that the effective detection rate of road edge reaches over 95% with a detectable distance longer than 70m within a duration less than 32ms.

road edge detection; virtual scan model; point clouds density; ray cut model

10.19562/j.chinasae.qcgc.2017.07.017

*國(guó)家自然科學(xué)基金(91220301)和國(guó)家重點(diǎn)基礎(chǔ)研發(fā)計(jì)劃項(xiàng)目(2016YFB0100903)資助。

蘇致遠(yuǎn)，博士研究生，E-mail:13672089813@163.com。

原稿收到日期為2016年6月3日，修改稿收到日期為2016年9月2日。