羅文婷，李 林

(福建農(nóng)林大學(xué)交通與土木工程學(xué)院，福建 福州 350000)

大數(shù)據(jù)基礎(chǔ)下構(gòu)建三維高精地圖是自動駕駛不可或缺的一部分[1]。傳統(tǒng)地圖并不能滿足自動駕駛的需求，主要由于：①局部更新較難，無法及時反映高頻率的道路改、修、擴建[2-3]；②地圖精度較低，無法滿足自動駕駛操作的要求[4-5]；③二維地圖無法立體反映多層車道交互重疊關(guān)系[6]。目前國內(nèi)外眾多學(xué)者及研究機構(gòu)對自動駕駛高精地圖展開了深入研究。這些研究主要利用慣導(dǎo)系統(tǒng)、激光雷達、全景相機等車載設(shè)備采集道路信息數(shù)據(jù)，通過相應(yīng)算法提取道路線形信息，從而構(gòu)建高精地圖[7-10]。慣導(dǎo)系統(tǒng)是目前最廣泛采用的測量設(shè)備，主要通過采集車行駛軌跡來提取道路線形信息[11-13]。這種方法采集效率高，數(shù)據(jù)更新便捷，能采集道路橫縱坡度等三維線形信息[14-16]。通過方位角變化規(guī)律定位平面線形中的圓直/直圓點，利用傾斜角、俯仰角標定道路橫縱坡度[17-18]。Imran提出了一種通過多輛車行駛軌跡獲取道路線形信息的方法[19]，但如果普遍行駛軌跡發(fā)生偏移，其所獲取的道路線形信息仍存在一定誤差。

綜上所述，目前高精地圖繪制技術(shù)在區(qū)域覆蓋、更新頻率、地圖精度上都較傳統(tǒng)GIS地圖有較大提升，然而受采集車自身顛簸、行駛偏移的影響，獲取的道路線形信息準確度仍有待提高。本文采用慣導(dǎo)系統(tǒng)及LiDAR系統(tǒng)獲取道路信息，利用采集車行駛中的傾角及車輪運轉(zhuǎn)距離描繪車輛行駛軌跡，并結(jié)合激光點云數(shù)據(jù)進行道路線形信息的提取校正。

1 數(shù)據(jù)采集

1.1 數(shù)據(jù)采集設(shè)備

本研究采用數(shù)據(jù)采集設(shè)備如圖1所示。慣性測量單元安裝于采集車兩軸的中心位置，可測量車輛在運行過程中x、y、z軸方向的傾角及加速度變化。輪距測量儀安裝于采集車左后輪，用于測量車輪的運轉(zhuǎn)距離，同時與慣性測量單元及LiDAR系統(tǒng)相連，并向其發(fā)送脈沖值。三維LiDAR系統(tǒng)由兩組激光發(fā)射器及8組三維激光相機構(gòu)成，分兩組懸掛于采集車尾部兩側(cè)，兩組設(shè)備間相距2 m，距離地面1.65 m。三維LiDAR系統(tǒng)能夠在高速(100 km/h)狀態(tài)下采集2D/3D激光數(shù)據(jù)，數(shù)據(jù)覆蓋寬度為4 m。

圖1 數(shù)據(jù)采集車外觀及車載設(shè)備架構(gòu)

1.2 數(shù)據(jù)采集規(guī)劃

本文采集了福州市浦上大橋互通式立交各車道及匝道的三維線形數(shù)據(jù)，包括圓曲線匝道7條、直線車道9條。每次數(shù)據(jù)采集均以同一起點為坐標原點。經(jīng)過原點標定后，可消除復(fù)雜的車道及匝道拼接工作，對不同批次采集的數(shù)據(jù)進行坐標統(tǒng)一。

2 道路線形信息的提取算法

2.1 車輛橫向偏移位移的測量計算

采集車在行駛過程中的橫向偏移，會導(dǎo)致行駛軌跡偏移車道中心線。研究利用路面二維圖像數(shù)據(jù)進行車道邊緣線識別定位，通過其在圖像上的坐標位置，標定采集車相對于車道中心線的偏移位移。具體方法敘述如下。

2.1.1 路面二維激光圖像二值化

在二值化處理中，如果閾值過小，不能找出邊緣線；如果閾值太大，則造成二值化圖像中的噪音(非目標對象)增加，進而加大邊緣線識別難度[20-21]。本研究利用改進大津法進行圖像二值化處理，閾值的具體計算見式(1)。車道邊緣線原圖如圖2(a)所示，二值化處理實施效果如圖2(b)所示。

(1)

式中，Pi為灰度值為i的像素數(shù)在像素總數(shù)所占比例；t為分割閾值，取值范圍為0～L-1。

2.1.2 車道邊緣線缺損填充

由于車道邊緣線的陳舊及脫漆，二值化處理生成的車道邊緣線會存在脫空或不連續(xù)現(xiàn)象，如圖2(b)所示。為填補邊緣線的脫空及不連續(xù)區(qū)域，采用膨脹后腐蝕算法，該方法通過選擇合適的結(jié)構(gòu)元素，對二值化圖像進行卷積運算，進而填充邊緣線內(nèi)部空洞，連接不連續(xù)的區(qū)域，使其更加平滑完整。其實施效果如圖2(c)所示。

2.1.3 車道邊緣線識別定位

利用Canny算法對圖2(c)中的車道邊緣線進行邊緣檢測。對其邊緣進行基于非零像素值的閉環(huán)遍歷，確定邊緣線的幾何輪廓，并根據(jù)幾何輪廓的形狀及尺寸，剔除非邊緣線的噪音影響。最后，根據(jù)幾何輪廓及尺寸，確定邊緣線的坐標位置。其實施效果如圖2(d)所示。

圖2 車道邊緣線自動識別

2.1.4 采集車橫向偏移位移計算

激光路面圖像中心線可定義為采集車行駛軌跡中心，結(jié)合車道邊緣線坐標位置，可獲取車道中心線軌跡。由于車輛偏移及邊緣線虛線段的存在，圖像所捕獲的車道邊緣線會出現(xiàn)3種情況：雙側(cè)邊緣線均被捕捉、僅單側(cè)邊緣線被捕捉、雙側(cè)邊緣線均未被捕捉。針對不同情況，行駛偏移量的測量如圖3所示。首先在雙側(cè)邊緣線被捕捉的圖像上計算車道寬度，根據(jù)車道寬度計算單一邊緣線圖像中的車輛偏移;雙側(cè)邊緣線均未被捕捉時，鑒于行駛軌跡的連續(xù)性，取前后圖像偏移位移的均值作為該張圖像的車輛偏移位移。

圖3 偏移量的計算

2.2 道路平面行駛軌跡的提取校正

利用慣導(dǎo)系統(tǒng)采集的方位角數(shù)據(jù)及輪距測量儀記錄的輪軸運轉(zhuǎn)距離，描繪采集車平面行駛軌跡。參照采集車行駛軌跡及其相對于車道中心線的偏移位移，獲取車道中心線平面線形軌跡為

(2)

(3)

2.3 圓曲線段線形要素的測量計算

2.3.1 平面線形變化分界點識別定位

本文利用線性擬合算法消除采集車方位角過渡變化的影響，從而確定圓直/直圓點的精確位置。該方法包含以下具體步驟：①在過渡段間任選一節(jié)點為候選節(jié)點進行標記，如圖4(a)所示；②以候選節(jié)點為參照，移除其前后若干個方位角樣本數(shù)據(jù)，如圖4(b)所示；③對被切斷的若干近似直線的數(shù)據(jù)片段進行線性擬合，并延長擬合直線使其相交。依據(jù)交點的橫坐標，標記道路平面線形變化的分界點，如圖4(c)所示。

2.3.2 圓曲線半徑測量計算

本文在已獲取的車道中心線軌跡及圓直/直圓點的精確位置基礎(chǔ)上，結(jié)合弦線支距法計算車道的圓曲線半徑為

(4)

2.4 道路橫縱坡度的測量校正

2.4.1 道路橫坡度的測量校正

本文利用三維LiDAR系統(tǒng)對橫坡度原始測量值進行校正。三維LiDAR系統(tǒng)對稱平行懸掛于采集車尾部的兩端，其所采集的路面橫剖線坡度反映了采集車與路面間的夾角γ。結(jié)合測量所得的θ和γ角，可計算道路真實橫坡度值為

(5)

式中，γ為路面與采集車間的夾角；θ為采集車相對水平面的橫向傾角；e為路面橫坡度；yL為激光點云數(shù)據(jù)左邊緣路面高度信息；yR為激光點云數(shù)據(jù)右邊緣路面高度信息；W為路面寬度。

在實際的呼吸功能訓(xùn)練環(huán)節(jié)主要采用以下手段對患者進行輔助。分別為:縮唇呼吸、腹式呼吸以及前身放松訓(xùn)練等。根據(jù)患者的實際情況來對具體的康復(fù)訓(xùn)練手段進行選取。首先患者需要模仿護理人員示范的呼吸方式,引導(dǎo)患者進行加深呼吸的訓(xùn)練。其頻率不應(yīng)太快,應(yīng)保持在每分鐘十六至十八次,整個過程也應(yīng)保持在二十至三十分鐘之間。除此之外,鼓勵患者進行一定的肢體運動。例如雙臂的前后上下活動便是其中十分有效的一種,這個過程對于護理人員的要求便是在患者無力的情況時,輔助患者進行相關(guān)運動的開展。該環(huán)節(jié)的持續(xù)時間應(yīng)保持在三分鐘左右,每天進行的次數(shù)約為六到十次。

2.4.2 道路縱坡度的測量校正

道路不平整會引起車輛顛簸，導(dǎo)致數(shù)據(jù)噪聲波動。雙邊濾波法具有保邊去噪的效果，即僅除去局部數(shù)據(jù)噪聲而保留數(shù)據(jù)自身特性。因此本文采用該算法消除縱坡度原始數(shù)據(jù)噪聲，校正車輛顛簸帶來的誤差。

3 三維高精地圖的構(gòu)建

結(jié)合提出的一系列道路線形要素自動提取校正算法，將研究采集的浦上大橋互通式立交道路信息數(shù)據(jù)進行整理，繪制精度為10 cm的三維高精地圖，其繪制過程主要包括：車道中心線平面軌跡的提取、平面底圖的繪制、三維線形信息的導(dǎo)入。

3.1 車道中心線軌跡的提取

共進行了4次數(shù)據(jù)采集。首先提取并校正采集車各批次的平面行駛軌跡；然后以各批次數(shù)據(jù)的同一坐標原點為參照，將不同批次的平面行駛軌跡數(shù)據(jù)在同一坐標系上疊加；最后對疊加生成的行駛軌跡圖層進行修剪，去除由于繞道重復(fù)采集的車道及匝道信息。

3.2 平面底圖的繪制

提取車道中心線軌跡信息，定位圓直/直圓點，計算圓曲線半徑。以車道中心線為基準，依據(jù)所測車道寬度，定位車道邊緣。根據(jù)路面二維激光圖像上所獲取的道路標線信息及其坐標位置，在高精地圖平面底圖上進行添加。圖5為浦上大橋互通式立交高精地圖平面底圖，其中圓直/直圓點經(jīng)緯度坐標、圓曲線半徑信息及車道標線均在底圖上進行了標注。

圖5 高精地圖平面底圖

3.3 三維線形信息的導(dǎo)入

三維高精地圖是在平面底圖基礎(chǔ)上，結(jié)合車道橫縱坡度信息，添加車道上各點的Z軸坐標來搭建實現(xiàn)。主要包括3個步驟:①面底圖微元單元格坐標構(gòu)建：將車道平面劃分為微元單元格，確定每個微元單元格平面坐標。本文采用10 cm×10 cm微元單元格，將平面底圖轉(zhuǎn)化為點云數(shù)據(jù)。②車道縱坡度信息的添加：以平面底圖的坐標原點為起點，將車道中心線各點縱坡值換算成Z軸方向高度信息。標記車道中心線所在的單元格，導(dǎo)入車道中心線各單元格Z軸坐標。③車道橫坡度信息的添加：結(jié)合車道中心線Z軸坐標值與車道橫坡度，計算并導(dǎo)入車道橫剖線上各單元格Z軸坐標(高度信息)。

4 精準度驗證試驗

4.1 平面線形要素測量結(jié)果驗證

在圓直/直圓點附近，將3 m直尺與道路切線段標線重合。平移3 m尺，直至直尺與標線分離，將分離點確定為圓直/直圓點。圓曲線段內(nèi)隨機選取兩點，通過全站儀測量兩點間的弦線及支距長度，利用弦線支距法計算圓曲線半徑。

4.1.2 平面線形要素精準度驗證結(jié)果

將人工測量的圓直/直圓點位置信息作為參照值，計算高精地圖中圓直/直圓點相對于參照值的偏差。定義偏差與參照值的比值為定位誤差。與此類似，計算圓曲線半徑自動測量的誤差。其中，圓直點的平均定位誤差為2.97%，直圓點的平均定位誤差為2.54%，圓曲線半徑測量的平均誤差為1.16%。

4.2 橫縱坡度測量結(jié)果驗證

4.2.1 橫縱坡度人工測量方法

本文抽取1條車道及2條匝道為驗證路段，每隔5 m取1抽檢點，共計90個抽檢點。采用數(shù)顯坡度測量儀器測量路面坡度：道路橫坡度的測量點布設(shè)于車道左右標線的位置，取其平均值為橫坡度驗證參照值；道路縱坡度的測量點布設(shè)于車道左右標線處及車道中心線處，取平均值為縱坡度驗證參照值。

4.2.2 橫縱坡度精準度驗證結(jié)果

本文采用Dunnett統(tǒng)計學(xué)方法計算道路橫縱坡度自動測量結(jié)果與參照值之間的偏差。相似性閾值取0.05，圖6為抽檢點的橫縱坡度自動測量結(jié)果與驗證參照值。通過Dunnett統(tǒng)計方法得出橫縱坡度的驗證結(jié)果P值分別為0.631和0.945，該結(jié)果說明抽檢點自動測量結(jié)果與參照值并未存在明顯差異。

圖6 道路坡度測量驗證結(jié)果

5 結(jié) 論

本文通過車載LiDAR系統(tǒng)及慣導(dǎo)系統(tǒng)高效采集車輛行駛軌跡數(shù)據(jù)及路面激光點云數(shù)據(jù)，通過一系列算法提取并校正道路三維線形信息，并以福州市浦上大橋互通式立交為例，構(gòu)建用于自動及輔助駕駛的三維高精地圖。本文的主要結(jié)論如下：

(1) 同步匹配車載LiDAR系統(tǒng)及慣性導(dǎo)航系統(tǒng)，實現(xiàn)高效數(shù)據(jù)采集、多源數(shù)據(jù)融合；結(jié)合多源數(shù)據(jù)提出一系列消除由采集車橫向偏移、顛簸、傾斜所造成的在道路線形信息提取上的必然缺陷的方法。

(2) 利用線性擬合算法、弦線支距法等自動提取道路三維線形信息，構(gòu)建精度為10 cm的三維高精地圖；并通過實地人工測量驗證三維高精地圖的精準性，其中圓直點定位、直圓點定位、圓曲線半徑測量的誤差分別為2.97%、2.54%、1.16%；基于Dunnett統(tǒng)計方法的道路橫縱坡度的精準性驗證，P值分別為0.631和0.945，誤差計算結(jié)果及Dunnett試驗結(jié)果表明三維高精地圖各線形要素具有較高的準確性。

(3) 提出了一系列基于車載設(shè)備的道路信息數(shù)據(jù)采集、線形信息提取，以及三維高精地圖構(gòu)建方法，可應(yīng)用于自動駕駛及輔助駕駛導(dǎo)航系統(tǒng)，為智慧公路的應(yīng)用奠定了技術(shù)基礎(chǔ)。同時，本研究也可應(yīng)用于道路竣工驗收及線形資料的補充完善。