尚業(yè)華 張光強(qiáng) 孟志軍 王 昊 蘇春華 宋正河

(1.中國農(nóng)業(yè)大學(xué)工學(xué)院， 北京 100083； 2.北京市農(nóng)林科學(xué)院智能裝備技術(shù)研究中心， 北京 100097；3.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)機(jī)械化技術(shù)開發(fā)推廣總站， 北京 100122)

0 引言

近幾年國內(nèi)對農(nóng)機(jī)自動(dòng)駕駛技術(shù)的需求不斷增長，而已應(yīng)用的農(nóng)機(jī)自動(dòng)駕駛技術(shù)主要是輔助駕駛和特定地塊基于路徑規(guī)劃的自動(dòng)駕駛。要實(shí)現(xiàn)全場景的無人駕駛，田間障礙物檢測是首要的環(huán)境感知技術(shù)[1]。目前主要的障礙物檢測有基于視覺的環(huán)境感知方案、基于超聲波與毫米波雷達(dá)的感知方案和基于激光雷達(dá)等的感知方案[2-3]。其中基于視覺的環(huán)境感知方案由于受環(huán)境光影響較大且在夜晚不能保證感知精度，單獨(dú)用于自動(dòng)駕駛中的田間識別與避障仍有一定的局限性,需融合其他傳感器[4]。基于三維激光雷達(dá)對農(nóng)田環(huán)境的障礙物檢測研究較少，目前農(nóng)機(jī)領(lǐng)域研究較多的為二維激光雷達(dá)，主要應(yīng)用在障礙物的距離判別，但因輸出信息為二維點(diǎn)，不能實(shí)時(shí)檢測障礙物的尺寸、形狀等信息[5-8]。因此探索采用三維激光雷達(dá)對農(nóng)田環(huán)境障礙物進(jìn)行檢測具有重要的科研與應(yīng)用意義。

在對農(nóng)田障礙物檢測方面，國內(nèi)外已有相關(guān)研究報(bào)道[9-20]。目前對農(nóng)田環(huán)境障礙物檢測的方法主要有基于單目、雙目和多視角幾何進(jìn)行圖像特征與深度學(xué)習(xí)的方法。其中基于單目視覺的障礙物檢測主要有基于特征和基于學(xué)習(xí)的方法，基于雙目和多視角幾何的檢測對環(huán)境進(jìn)行三維重建以獲取深度信息；另有二維激光雷達(dá)與視覺結(jié)合或采用Kinect獲取圖像和深度信息進(jìn)行障礙物的檢測方法。但此類以視覺為主導(dǎo)的障礙物檢測方案受光照情況影響較大，在夜間作業(yè)時(shí)檢測效果大幅下降。

三維激光雷達(dá)因?yàn)樘綔y距離較遠(yuǎn)且精度高、受環(huán)境光變化的影響小等而成為道路車輛自動(dòng)駕駛方案的重要傳感器之一，其在道路車輛自動(dòng)駕駛中主要負(fù)責(zé)檢測道路車輛、行人等障礙物[21-25]，但在農(nóng)業(yè)領(lǐng)域的研究主要在作物表型方面[26]，在農(nóng)機(jī)自動(dòng)駕駛領(lǐng)域應(yīng)用較少[27]。近兩年隨著農(nóng)機(jī)自動(dòng)駕駛功能需求的增加和三維激光雷達(dá)成本的下降，基于三維激光雷達(dá)在農(nóng)機(jī)自動(dòng)駕駛方面的研究逐漸增多。文獻(xiàn)[28]以拖拉機(jī)為載體設(shè)計(jì)了基于激光雷達(dá)的農(nóng)田環(huán)境點(diǎn)云采集系統(tǒng)。文獻(xiàn)[29]通過安裝2個(gè)二維激光雷達(dá)在不同的位置獲得不同的掃描信息并進(jìn)行融合來進(jìn)行障礙物的檢測。文獻(xiàn)[30]采用基于柵格的方法識別三維點(diǎn)云中的障礙物信息，但對尺寸不一、形態(tài)各異的田間障礙物并不具有適應(yīng)性。目前三維激光雷達(dá)在農(nóng)田環(huán)境障礙物檢測方面的研究還處于初始階段，但由于其不受光照條件影響，且三維激光雷達(dá)相較于圖像方法或二維激光雷達(dá)有更豐富的深度特征信息，為農(nóng)田環(huán)境障礙物檢測的準(zhǔn)確性和可靠性提供了更多的信息支持。

針對目前農(nóng)田環(huán)境障礙物檢測的問題，本文提出一種基于三維激光點(diǎn)云聚類的田間障礙物檢測方法。本文擬對三維激光雷達(dá)掃描的包含農(nóng)田障礙物的點(diǎn)云進(jìn)行濾波、地面分割和聚類，針對農(nóng)田地面特性對聚類后的障礙物點(diǎn)云進(jìn)行濾波，對聚類得到的障礙物點(diǎn)云添加長方體框來標(biāo)識，通過對多幀田間障礙物點(diǎn)云進(jìn)行檢測來驗(yàn)證方法的有效性。

1 材料與方法

本研究使用的雷達(dá)為速騰聚創(chuàng)公司的RS-LiDAR-32型三維激光雷達(dá)。其激光發(fā)射線束為32線，垂直視場角-25°～15°，垂直角分辨率非線性分布，水平視場角360°，水平角分辨率0.1°，測距范圍0.4～120 m(目標(biāo)反射率20%)，最大測距200 m，測距精度±3 cm，輸出點(diǎn)云約每秒60萬點(diǎn)。

在進(jìn)行點(diǎn)云處理時(shí)使用Ubuntu 16.04系統(tǒng)平臺，配合雷達(dá)本身的ROS驅(qū)動(dòng)，采用點(diǎn)云庫PCL 1.8.0的部分庫函數(shù)，用C++語言進(jìn)行處理。在對激光點(diǎn)云進(jìn)行田間障礙物檢測時(shí)主要有濾波、地面分割和聚類幾個(gè)環(huán)節(jié)。其分別使用體素柵格濾波下采樣、感興趣區(qū)域分割、基于RANSAC算法的地面點(diǎn)云檢測與分割、基于K維樹(K-d tree)最近鄰搜索的歐氏聚類等方法檢測出障礙物點(diǎn)云，并采用PCL點(diǎn)云庫函數(shù)進(jìn)行點(diǎn)云的渲染，用長方體框標(biāo)識出。具體的點(diǎn)云處理流程如圖1所示。

圖1 點(diǎn)云障礙物檢測流程圖Fig.1 Point cloud obstacle detection flowchart

1.1 體素柵格下采樣

由于三維激光雷達(dá)的點(diǎn)云數(shù)據(jù)量較大，在對點(diǎn)云數(shù)據(jù)進(jìn)行處理時(shí)需先進(jìn)行濾波，對點(diǎn)云進(jìn)行體素柵格下采樣，即在不損失點(diǎn)云重要特征信息的情況下對點(diǎn)云進(jìn)行減量，從而加速后續(xù)處理計(jì)算。

體素(Voxel)概念上類似于二維圖像像素，表示在三維空間中一個(gè)微小的立方體。體素柵格為微小的空間三維立方體的集合，其將三維點(diǎn)云進(jìn)行空間柵格劃分，即一個(gè)點(diǎn)一定屬于某一個(gè)體素，一個(gè)體素可能包含零至多個(gè)點(diǎn)，如圖2所示。

圖2 體素柵格示意圖Fig.2 Voxel grid diagram

本文采用的體素柵格下采樣方法首先為輸入的點(diǎn)云數(shù)據(jù)創(chuàng)建一個(gè)三維體素柵格，然后在每個(gè)體素(即三維立方體)內(nèi)，用體素內(nèi)所有點(diǎn)的質(zhì)心來近似顯示體素中其他點(diǎn)。這樣經(jīng)過體素下采樣濾波后，減少了點(diǎn)云數(shù)量，提高了后續(xù)算法處理速度，同時(shí)由于采用體素內(nèi)所有點(diǎn)的質(zhì)心點(diǎn)表示，相比于用體素中心來逼近的方法能更好地保留點(diǎn)云的特征。

1.2 感興趣區(qū)域點(diǎn)云分割

由于三維激光雷達(dá)掃描的范圍較大，而農(nóng)機(jī)行駛過程中一般只對前方行駛區(qū)域的障礙物感興趣。所以對下采樣濾波后的點(diǎn)云框選出一個(gè)感興趣區(qū)域，刪掉區(qū)域外的點(diǎn)云，對區(qū)域內(nèi)的點(diǎn)云進(jìn)行后續(xù)處理，減少處理時(shí)間，增加精度。

選定的感興趣區(qū)域是在三維空間中框選出一個(gè)三維立方體，此立方體為包圍雷達(dá)發(fā)射中心的一個(gè)三維區(qū)域。在選取感興趣區(qū)域時(shí)立方體的長邊為將要探及障礙物的距離范圍，綜合考慮農(nóng)田常用動(dòng)力機(jī)械的車速、剎車距離以及車身四周的預(yù)留空間，長邊的長度為農(nóng)機(jī)前方2倍的剎車距離和農(nóng)機(jī)后方2個(gè)車身的長度之和。感興趣區(qū)域的寬度為以農(nóng)機(jī)為中心，左右兩側(cè)共計(jì)2個(gè)農(nóng)機(jī)作業(yè)幅寬的寬度。感興趣區(qū)域的高度為探及障礙物的高度范圍，以激光雷達(dá)所在高度為零點(diǎn)，包括上下2部分范圍。同時(shí)由于雷達(dá)在水平視場角360°掃描，感興趣區(qū)域內(nèi)包含農(nóng)機(jī)本身的點(diǎn)云，其在后續(xù)聚類過程中會造成誤聚類，故在感興趣區(qū)域內(nèi)將農(nóng)機(jī)本身的點(diǎn)云去除，為方便劃分，該區(qū)域選取為農(nóng)機(jī)外接矩形的尺寸，如圖3所示。

圖3 感興趣區(qū)域劃分示意圖Fig.3 Region of interest segment diagram

1.3 基于RANSAC算法的地面分割

經(jīng)過濾波處理的點(diǎn)云在進(jìn)行障礙物檢測前需先將地面的點(diǎn)云去除，因此要基于點(diǎn)云進(jìn)行地面的檢測。由于農(nóng)田地面并不像機(jī)動(dòng)車道路一樣平坦，其土質(zhì)及顆粒尺寸變異較大，在農(nóng)田地面點(diǎn)云附近會有一些噪點(diǎn)。根據(jù)高度信息采用一般的直通濾波不能很好地將地面去除，最小二乘擬合是從整體誤差最小的角度考慮，容易因離群點(diǎn)使得擬合面與真實(shí)面的誤差較大，因此本研究應(yīng)用隨機(jī)采樣一致性(Random sample consensus, RANSAC)算法進(jìn)行地面檢測。

RANSAC算法是一種通過對觀測數(shù)據(jù)進(jìn)行隨機(jī)采樣來估計(jì)模型參數(shù)的學(xué)習(xí)算法。其假設(shè)給定數(shù)據(jù)集同時(shí)包含模型內(nèi)點(diǎn)和模型外點(diǎn)，在初始時(shí)隨機(jī)選取一個(gè)原始數(shù)據(jù)的子集，并假定其為待擬合模型，然后針對該擬合模型測試所有其他數(shù)據(jù)，當(dāng)數(shù)據(jù)滿足誤差閾值時(shí)即認(rèn)為其為該模型共識集的一部分，隨后將隨機(jī)選取點(diǎn)假定為待擬合模型得到共識集，進(jìn)行一定次數(shù)的迭代后判斷共識集內(nèi)點(diǎn)數(shù)最多的模型即為待擬合模型結(jié)果。

將RANSAC算法應(yīng)用在三維點(diǎn)云的地面檢測中，將檢測出的地面與待聚類的障礙物點(diǎn)云區(qū)分，防止后續(xù)聚類過程中誤將地面點(diǎn)云檢測為障礙物。在算法設(shè)計(jì)時(shí)首先設(shè)定算法的迭代次數(shù)為I，距離誤差閾值為ΔT1，點(diǎn)云的總點(diǎn)數(shù)為N，在初始時(shí)隨機(jī)選取3個(gè)點(diǎn)構(gòu)成待擬合地面，設(shè)3個(gè)點(diǎn)的三維坐標(biāo)為(X1，Y1，Z1)、(X2，Y2，Z2)、(X3，Y3，Z3)，則擬合的平面模型為

Ax+By+Cz+D=0

(1)

其中

A=(Y2-Y1)(Z3-Z1)-(Z2-Z1)(Y3-Y1)
B=(Z2-Z1)(X3-X1)-(X2-X1)(Z3-Z1)
C=(X2-X1)(Y3-Y1)-(Y2-Y1)(X3-X1)
D=-(AX1+BY1+CZ1)

則空間任一點(diǎn)(X0，Y0，Z0)到該平面的距離L為

(2)

當(dāng)某點(diǎn)與此次假設(shè)平面的距離L≤ΔT1時(shí)，則此點(diǎn)為模型內(nèi)點(diǎn)。依次遍歷除初始采樣的3點(diǎn)之外的其他N-3個(gè)點(diǎn)，記錄此模型的內(nèi)點(diǎn)數(shù)目。

再隨機(jī)采樣3個(gè)點(diǎn)構(gòu)造一個(gè)平面模型，按照同樣的方法得到該模型的內(nèi)點(diǎn)數(shù)目。按照此隨機(jī)采樣的方法迭代I次。隨著迭代次數(shù)的增加產(chǎn)生合理結(jié)果的概率亦隨之增加。最終基于每個(gè)模型的內(nèi)點(diǎn)數(shù)目表決，選取內(nèi)點(diǎn)數(shù)目最多的地面模型即為最佳擬合結(jié)果。

在應(yīng)用該算法進(jìn)行地面擬合的設(shè)計(jì)階段，為驗(yàn)證其有效性，在Matlab中進(jìn)行了測試，對隨機(jī)生成的高斯分布的三維點(diǎn)云進(jìn)行平面擬合，如圖4所示。經(jīng)試驗(yàn)該算法可以很好地對有離群值的三維點(diǎn)云進(jìn)行地面擬合。

圖4 三維點(diǎn)云RANSAC算法平面擬合示意圖Fig.4 3D point cloud RANSAC test diagram

1.4 基于K-d tree最近鄰搜索的歐氏聚類

經(jīng)過上述濾波和田間地面點(diǎn)云分割后，其余點(diǎn)云即為田間障礙物點(diǎn)云，將此點(diǎn)云進(jìn)行基于K-d tree最近鄰搜索的歐氏聚類處理檢測出障礙物。

1.4.1K-d tree的三維應(yīng)用

K-d tree是K維空間中劃分點(diǎn)的一種數(shù)據(jù)結(jié)構(gòu)[31]，其常用于多維空間中關(guān)鍵數(shù)據(jù)的搜索。該數(shù)據(jù)結(jié)構(gòu)將空間劃分以便提高搜索效率，其每個(gè)節(jié)點(diǎn)所在超平面將K維空間劃分為2部分。圖5為K-d tree在三維空間中的劃分示意圖。圖中的紅框垂直平面為第1次分割，將空間切割為2個(gè)子單元格，然后將每個(gè)子空間由綠色水平平面分割為2個(gè)子單元格。最后，將4個(gè)單元格分別由4個(gè)藍(lán)色垂直平面分成2個(gè)子單元格。

圖5 K-d tree 三維示例Fig.5 K-d tree three-dimensional diagram

K-d tree形似二叉搜索樹，本研究將其應(yīng)用在三維點(diǎn)云處理中，故K-d tree中的K=3，在確定每個(gè)節(jié)點(diǎn)的關(guān)鍵值時(shí)依照下面的原則：在樹的第n層(n對3取余的數(shù)值序號是該層中節(jié)點(diǎn)關(guān)鍵值的序號)，在每個(gè)節(jié)點(diǎn)以該關(guān)鍵值建立一個(gè)超平面，且超平面垂直于該關(guān)鍵值的軸，該超平面把空間分為2部分，左側(cè)的點(diǎn)由該節(jié)點(diǎn)的左子樹表示，右側(cè)的點(diǎn)由右側(cè)的子樹表示。在對每幀點(diǎn)云數(shù)據(jù)建樹過程中根節(jié)點(diǎn)不同，根節(jié)點(diǎn)為每幀數(shù)據(jù)的第1個(gè)點(diǎn)，當(dāng)給定根節(jié)點(diǎn)后其余點(diǎn)即可按此規(guī)則掛載建立K-d tree。為便于理解該方法，對三維K-d tree舉例說明，如圖6所示。

華北多特高壓交直流強(qiáng)耦合大受端電網(wǎng)系統(tǒng)保護(hù)方案設(shè)計(jì)//羅亞洲,陳得治,李軼群,王青,張劍云,訾鵬,等//(22):11

圖6 K-d tree 示例Fig.6 A K-d tree example

圖6中紅色數(shù)字為該層節(jié)點(diǎn)的關(guān)鍵值，藍(lán)色數(shù)字為與上一層關(guān)鍵值比較的數(shù)值。由圖6可見，在根節(jié)點(diǎn)(3，5，6)取第1維3為該層關(guān)鍵值，(2，1，8)中的2小于3，故在其左子葉，(4，5，6)中的4大于3，故在其右子葉；在第2層取第2維為該層的關(guān)鍵值，下一層的(2，0，5)中0小于(2，1，8)中的1，故在下一層的左子葉，(2，3，7)中的3大于(2，1，8)中的1，故在下一層的右子葉。后續(xù)依此類推，首先確定該層節(jié)點(diǎn)的關(guān)鍵值，若數(shù)據(jù)點(diǎn)同一維度的數(shù)值小于該節(jié)點(diǎn)的關(guān)鍵值則在該節(jié)點(diǎn)的左子樹，反之則在右子樹。其在空間的劃分如圖7所示。

圖7 K-d tree示例在三維空間的劃分Fig.7 Schematic of K-d tree example in threedimensional space

1.4.2K-d tree 最近鄰搜索的歐氏聚類

最近鄰搜索算法旨在找到最接近給定輸入點(diǎn)的點(diǎn)。在應(yīng)用K-d tree進(jìn)行三維空間點(diǎn)的搜索時(shí)，從根節(jié)點(diǎn)開始，算法以遞歸的方式向下沿著樹進(jìn)行搜索，一旦到達(dá)葉子節(jié)點(diǎn)，檢查該節(jié)點(diǎn)到給定點(diǎn)的歐氏距離，如果小于設(shè)定的最近鄰距離閾值則認(rèn)為其為最近鄰點(diǎn)[32-33]。該算法在搜索時(shí)檢查在分割平面的另一側(cè)是否有任何點(diǎn)比當(dāng)前最佳點(diǎn)更靠近搜索點(diǎn)，將分割超平面與以當(dāng)前最近距離為半徑的搜索點(diǎn)構(gòu)成的超球面相比較，如果超球面越過該平面，則該平面的另一側(cè)可能會有更近的點(diǎn)，則從當(dāng)前節(jié)點(diǎn)向下移動(dòng)樹的另一分支以尋找更近的點(diǎn)；如果超球面不與分割平面相交，則算法將繼續(xù)沿樹搜索，并消除該節(jié)點(diǎn)另一側(cè)的整個(gè)分支[34-35]。由于K-d tree在樹的每一層上將域的范圍劃分為一半，因此若對有m個(gè)節(jié)點(diǎn)的K-d tree應(yīng)用最近鄰搜索，時(shí)間復(fù)雜度由原來的2m降到lbm。

通過使用樹的屬性可以快速消除搜索空間的大部分，更快完成此搜索過程。本研究應(yīng)用基于K-d tree的最近鄰搜索，對輸入的三維點(diǎn)云建立K-d tree，在該點(diǎn)云樹上搜索給定目標(biāo)點(diǎn)的最近鄰點(diǎn)。

從根節(jié)點(diǎn)開始按照樹的結(jié)構(gòu)依次遍歷樹的每個(gè)節(jié)點(diǎn)，設(shè)定兩點(diǎn)間距離閾值為ΔT，Δ為樹的該層節(jié)點(diǎn)關(guān)鍵值與待檢測點(diǎn)值的差，考慮到點(diǎn)云坐標(biāo)有負(fù)值的情況，且為了避免漏搜索最近鄰點(diǎn)，當(dāng)Δ>-ΔT時(shí)則進(jìn)行下一層左子樹的搜索，當(dāng)樹的該層節(jié)點(diǎn)關(guān)鍵值Δ<ΔT時(shí)則進(jìn)行下一層右子樹的搜索。假設(shè)待搜索的節(jié)點(diǎn)坐標(biāo)為(Xnode，Ynode，Znode)，目標(biāo)點(diǎn)的坐標(biāo)為(Xtarget，Ytarget，Ztarget)，令

Δx=Xnode-Xtarget

(3)

Δy=Ynode-Ytarget

(4)

Δz=Znode-Ztarget

(5)

若|Δx|≤ΔT、|Δy|≤ΔT、|Δz|≤ΔT3個(gè)條件同時(shí)滿足，則計(jì)算待檢測點(diǎn)與目標(biāo)點(diǎn)的歐氏距離D，計(jì)算公式為

(6)

若D≤ΔT，則認(rèn)為此節(jié)點(diǎn)為目標(biāo)點(diǎn)的最近鄰點(diǎn)。按照此方法對所有點(diǎn)進(jìn)行搜索，直到滿足距離誤差閾值的所有最近鄰點(diǎn)搜索完畢。將搜索到的該目標(biāo)點(diǎn)的最近鄰點(diǎn)均記錄在一個(gè)集合中，當(dāng)所得最近鄰點(diǎn)集合的元素?cái)?shù)量滿足設(shè)定的障礙物類點(diǎn)簇的數(shù)量范圍時(shí)，則識別此點(diǎn)云集合為一個(gè)障礙物點(diǎn)簇。因在聚類進(jìn)行最近鄰搜索時(shí)計(jì)算的距離為歐幾里得距離，故稱此過程為歐氏聚類。

依次對所有預(yù)處理后的點(diǎn)云進(jìn)行聚類，如果待處理點(diǎn)已屬于某一類，則進(jìn)行剩余其他點(diǎn)的處理，防止重復(fù)聚類。當(dāng)聚類完畢時(shí)得到多個(gè)點(diǎn)云集合，即為多個(gè)障礙物點(diǎn)簇。

1.5 聚類后類簇濾波

由于農(nóng)田環(huán)境的復(fù)雜性和目前三維激光雷達(dá)的不穩(wěn)定性，容易有一些小土塊和不平的地面被誤檢測為障礙物，因此對聚類后的點(diǎn)云類簇在最后一步再進(jìn)行濾波。本研究中共進(jìn)行2種濾波，即針對類簇點(diǎn)數(shù)量的濾波和外接長方體尺寸的濾波。

針對類簇點(diǎn)數(shù)量的濾波即判斷聚類后每個(gè)類簇內(nèi)點(diǎn)的數(shù)量，設(shè)定一個(gè)待檢測障礙物的最小數(shù)量和最大數(shù)量，將不在此范圍內(nèi)的聚類認(rèn)為是誤檢測的類，只保留在此范圍內(nèi)的聚類。外接長方體尺寸的濾波，以下簡稱體濾波，即判斷聚類后每個(gè)類簇的最小外接長方體尺寸并按尺寸將一部分非障礙物過濾掉。給聚類后的每個(gè)類添加一個(gè)最小外接長方體，計(jì)算每個(gè)聚類的外接長方體的體積，將體積過小或體積過大的類刪掉，剩下的即認(rèn)為是聚類的障礙物。體濾波閾值的選取可依據(jù)待檢測障礙物的外接長方體體積確定。

為測試體濾波對障礙物檢測的效果，進(jìn)行了對照試驗(yàn)。試驗(yàn)時(shí)拖拉機(jī)與橫穿農(nóng)田的行人距離不變，考慮到農(nóng)機(jī)的剎車距離特性，此處選為10 m。按照上述步驟完成聚類后，對障礙物點(diǎn)云對照進(jìn)行處理，一組經(jīng)過體濾波，另外一組不經(jīng)過體濾波。結(jié)果如圖8所示。

圖8 體濾波對檢測的影響Fig.8 Influence of volume filtering on detection

圖8為體濾波處理后的點(diǎn)云鳥瞰圖，其中圖8a中間處的紅色長方體框?yàn)闄z測到的行人，左上角處的紅色長方體框?yàn)檎`檢測的障礙物地面小突起；圖8b中間處的紅色長方體框?yàn)闄z測到的行人，左上角處的綠色長方體框?yàn)榻?jīng)過體濾波過濾掉的點(diǎn)云聚類。由圖8可以看出體濾波能夠?qū)r(nóng)田地面的誤檢測起到很好的過濾作用。

2 試驗(yàn)與結(jié)果分析

為驗(yàn)證算法的有效性、評估算法的檢測誤差，本研究使用RS-LiDAR-32型三維激光雷達(dá)于2020年7月在北京市小湯山國家精準(zhǔn)農(nóng)業(yè)示范基地開展田間試驗(yàn)。試驗(yàn)時(shí)將激光雷達(dá)安裝在迪爾904型拖拉機(jī)上，安裝位置為拖拉機(jī)前配重塊上方，安裝高度為95 cm，安裝方位角為雷達(dá)自身坐標(biāo)系的x軸正方向?qū)?zhǔn)拖拉機(jī)的正前方。安裝方法見圖9。

圖9 試驗(yàn)安裝圖Fig.9 Test installation

試驗(yàn)時(shí)將拖拉機(jī)前部激光雷達(dá)對著一片玉米地，拖拉機(jī)前部安裝的激光雷達(dá)距離玉米地30 m，玉米株高約0.5 m，試驗(yàn)場景如圖10所示。

圖10 試驗(yàn)場景Fig.10 Test environment

試驗(yàn)采集的三維點(diǎn)云在ROS下記錄為bag包數(shù)據(jù)，在處理時(shí)將bag包分幀轉(zhuǎn)換為pcd格式的點(diǎn)云，將pcd格式的點(diǎn)云按照上述算法進(jìn)行處理，最后將檢出的障礙物點(diǎn)云用以最小點(diǎn)和最大點(diǎn)為對角點(diǎn)的長方體框標(biāo)注出來。

試驗(yàn)時(shí)針對農(nóng)田環(huán)境的特性和雷達(dá)的點(diǎn)云密度特性設(shè)定了算法的參數(shù)。在體素柵格下采樣時(shí)設(shè)定柵格邊長為0.15 m。劃定感興趣區(qū)域時(shí)，為盡可能將車身安全距離范圍內(nèi)障礙物均檢測到，設(shè)定長度為60 m，其中雷達(dá)前方50 m，后方10 m；寬度為20 m，以雷達(dá)為中心左右兩側(cè)各10 m；高度為7.5 m，由于雷達(dá)本身安裝在拖拉機(jī)上且考慮到對地面的檢測，故感興趣區(qū)域中包括雷達(dá)下方1.5 m，雷達(dá)上方6 m。在劃定立方體感興趣區(qū)域時(shí)以雷達(dá)坐標(biāo)為原點(diǎn)，在三維空間中以立方體的對角點(diǎn)確定立方體，其中最小點(diǎn)坐標(biāo)為(-10，-10，-1.5) m、最大點(diǎn)坐標(biāo)為(50，10，6) m；為避免裝載雷達(dá)的拖拉機(jī)自身反射點(diǎn)云干擾聚類，將車身的外接立方體從感興趣區(qū)域中去除，用同樣的方法設(shè)定立方體的對角點(diǎn)最小點(diǎn)坐標(biāo)為(-5，-1.5，-1.5) m、最大點(diǎn)坐標(biāo)為(0.4，1.5，1.5) m，濾波時(shí)將此部分區(qū)域的點(diǎn)云濾除。在進(jìn)行基于RANSAC算法的地面檢測時(shí)設(shè)定迭代次數(shù)為60，距離誤差閾值為0.3 m；在進(jìn)行基于K-d tree的歐氏聚類時(shí)設(shè)定距離誤差閾值為0.6 m。對聚類后類簇的濾波時(shí)選用單個(gè)障礙物類簇的最小點(diǎn)云數(shù)為10，最大點(diǎn)云數(shù)為240，在進(jìn)行體濾波時(shí)為平衡障礙物漏檢率和地面誤檢率，在濾波閾值的選擇上取的相對折中，其中最小閾值為0.06，最大閾值為1.2。

主要設(shè)計(jì)了2個(gè)試驗(yàn)：田間常見障礙物的檢測試驗(yàn)和障礙物距離對檢測正確率的影響試驗(yàn)。

2.1 田間常見障礙物檢測試驗(yàn)

為驗(yàn)證該算法的田間障礙物檢測效果，對田間常見障礙物應(yīng)用該算法進(jìn)行了試驗(yàn)。障礙物包括：自然放置在田間農(nóng)機(jī)具、田間草堆和田埂等低矮障礙物；地頭矮房等多障礙物；田間道路兩側(cè)樹木等有重疊的障礙物。檢測結(jié)果如圖11所示。在處理后的點(diǎn)云圖中將檢測出的障礙物用外接長方體框標(biāo)注出來。由圖11可以看出該算法可以有效檢測田間農(nóng)機(jī)具、草堆和田埂等低矮障礙物；同時(shí)可以檢測地頭矮房等多個(gè)障礙物；對道路兩側(cè)樹木等多個(gè)重疊障礙物滿足算法設(shè)定的參數(shù)條件也可以同時(shí)檢測并用長方體框標(biāo)注出來。試驗(yàn)結(jié)果表明該算法均可以檢測田間低矮障礙物、多個(gè)障礙物和障礙物間有重疊的場景。

圖11 田間常見障礙物的檢測結(jié)果Fig.11 Detection result of common obstacles in field

2.2 距離對障礙物檢測的影響試驗(yàn)

為測試距離對障礙物檢測的影響，對不同距離的障礙物進(jìn)行了試驗(yàn)。考慮到田間運(yùn)動(dòng)的行人是影響農(nóng)機(jī)行駛安全的重要因素之一，試驗(yàn)時(shí)以行人作為待檢測障礙物橫穿拖拉機(jī)前方，待檢測的人身高為1.75 m，分別與雷達(dá)距離5、10、15、20、25、30 m進(jìn)行點(diǎn)云的掃描。采用上述算法和參數(shù)對采集的不同距離的點(diǎn)云進(jìn)行處理。處理前后點(diǎn)云如圖12所示。

圖12 對田間不同距離行人的檢測Fig.12 Detection of pedestrians at different distances in field

圖12中每圖的左側(cè)為采集的原始點(diǎn)云，右側(cè)為處理后的點(diǎn)云，對檢出的行人和玉米地用紅色長方體框標(biāo)出。由圖12可以看出，原始點(diǎn)云的密度較大， 且在雷達(dá)周邊有拖拉機(jī)反射的點(diǎn)云，經(jīng)過濾波和感興趣區(qū)域分割后點(diǎn)云數(shù)量減少，但掃描的障礙物特征并未損失且加速了計(jì)算過程。每幀點(diǎn)云的體素柵格濾波、感興趣區(qū)域切分和基于RANSAC的地面分割總平均用時(shí)500 ms，基于K-d tree的聚類平均用時(shí)1 ms。

試驗(yàn)共采集有效點(diǎn)云1 937幀，平均單幀點(diǎn)云約115 200個(gè)點(diǎn)，對掃描的單幀點(diǎn)云按照前述方法進(jìn)行處理并統(tǒng)計(jì)，結(jié)果如表1所示。

表1列出了不同距離的采集點(diǎn)云幀數(shù)、地面誤檢率和行人檢出率。其中地面誤檢率是指由于農(nóng)田土地突起不平整的干擾在聚類過程中因滿足聚類條件而被檢測出的概率。行人檢出率是指經(jīng)過算法處理能夠檢測出田間行人的概率。經(jīng)試驗(yàn)，該算法參數(shù)的平均地面誤檢率為4.76%，對田間平均行人檢出率為96.11%。

表1 不同距離下田間行人的檢測準(zhǔn)確率Tab.1 Detection accuracy of pedestrians in the field at different distances

經(jīng)分析可發(fā)現(xiàn)在距離5～20 m內(nèi)，行人檢出率較高，均在96%以上，剩余未檢出的原因?yàn)樵谧詈筮M(jìn)行體濾波處理時(shí)由于激光雷達(dá)本身不穩(wěn)定造成的個(gè)別幀的點(diǎn)數(shù)較少，外接矩形較小而被過濾掉從而造成漏檢。在距離25～30 m時(shí)，由于距離相對較遠(yuǎn)，根據(jù)三維激光雷達(dá)向外發(fā)散的特性，遠(yuǎn)處的點(diǎn)較近處的點(diǎn)稀疏，在濾波作用下檢出率稍有下降；且因靠近田埂，故地面誤檢率稍有上升。

在農(nóng)田環(huán)境中，由于農(nóng)機(jī)駕駛速度一般較低，其剎車距離也較小。假設(shè)車速為30 km/h，摩擦因數(shù)取0.3，則剎車距離為11.76 m。故在近距離內(nèi)的障礙物檢出率可以很大程度上為農(nóng)機(jī)行駛提供可靠的數(shù)據(jù)。后續(xù)可以在算法上進(jìn)行更深入研究，融合多種傳感器感知，并在控制策略上進(jìn)行設(shè)計(jì)來最大程度地保證安全。

3 結(jié)論

(1)以三維激光雷達(dá)為傳感器，提出一種基于歐氏聚類的三維激光點(diǎn)云田間障礙物檢測方法。該方法首先劃定點(diǎn)云中的三維感興趣區(qū)域并應(yīng)用體素下采樣方法對點(diǎn)云進(jìn)行濾波以加快點(diǎn)云處理的速度，然后采用RANSAC算法對點(diǎn)云中的農(nóng)田地面和地上物體進(jìn)行區(qū)分，最后對地面上點(diǎn)云采用基于K-d tree的歐氏聚類，對聚類后的障礙物點(diǎn)云添加長方體框來標(biāo)識。

(2)實(shí)現(xiàn)了以Ubuntu 16.04為系統(tǒng)平臺，以C++為編程語言的三維點(diǎn)云歐氏聚類算法。實(shí)現(xiàn)了對點(diǎn)云的濾波、地面分割和障礙物聚類的檢測流程，且對算法中最后一步濾波的影響進(jìn)行了對比試驗(yàn)，試驗(yàn)表明體濾波可以顯著降低地面的誤檢率。

(3)對該算法進(jìn)行了田間試驗(yàn)，實(shí)現(xiàn)了農(nóng)田中農(nóng)機(jī)具、草堆、田埂、矮房和田間道路兩側(cè)樹木的檢測。

(4)對在農(nóng)田中橫穿的行人進(jìn)行了多種距離的采樣和檢測。試驗(yàn)結(jié)果表明應(yīng)用該算法對30 m內(nèi)田間行人平均檢出率為96.11%。