《智能駕駛之激光雷達算法詳解》9、基于 3D 激光點云的路沿檢測

jinchanchanwaji

本章聚焦于基于3D激光點云技術的路沿檢測，此模塊在后續的道路結構剖析、行駛區域界定、路徑策略規劃及車輛精準定位中均占據核心地位。當前，路沿檢測的技術路徑主要分為兩大陣營：一是依托人工精心設計的規則，二是憑借深度學習網絡的智能識別。
        人工規則驅動的路沿檢測：在激光雷達應用的初期探索階段，路沿檢測主要依賴人工定義的規則。這一過程細致劃分為四個關鍵步驟：特征點的精準捕捉、左右兩側特征點的科學分類、噪聲點的有效剔除以及路沿輪廓的精準擬合。為了提升路沿檢測的穩定性，減少幀間波動，研究者們巧妙運用了多幀點云的累加技術，并引入了濾波與跟蹤機制以優化擬合曲線的參數。這些算法的核心在于利用預設的幾何規律來鎖定路沿特征點，如S.Peng和K.等人通過分析激光點間的高度差與坡度變化，A.Y.Hr等則著眼于線束間激光點的空間關系，而Y.Zhang等則創新性地結合了激光雷達的特定參數。在特征點分類環節，左右路沿的準確區分對于提升擬合精度至關重要。D.Zai等利用超體素與車輛行駛軌跡的結合，實現了特征點的左右分類；S.XuP則提出了least-cost path模型，盡管需手動設定參考點，限制了其實時性。而基于聚類的方法雖能自動分類，但計算復雜度較高。Y.ZhangJ提出的雙層波束模型，通過識別道路走向與交叉口，有效提升了分類效率，并被G.Wang等進一步優化應用。
        噪聲過濾與曲線擬合：為確保路沿曲線的準確性，需對特征點進行噪聲過濾。常用的方法包括基于橫向距離或RANSAC算法的篩選，隨后利用Kalman濾波或粒子濾波技術對擬合曲線進行平滑處理。此外，高斯過程回歸以其強大的抗噪能力和優異的曲線擬合性能，在參考文獻[1]和[7]中得到了成功應用，為路沿曲線的精確表達提供了新思路。
        傳統基于人工規則的路沿檢測方法，受限于固定的特征點提取與參數設定，難以應對復雜多變的真實駕駛環境與多樣的路沿形態，難以滿足現代感知系統對精準度與靈活性的追求。其繁瑣的多步驟流程更是制約了算法的實時性能。然而，隨著深度學習在視覺與激光技術中的蓬勃興起，一場路沿檢測的革命正悄然發生。學者們紛紛探索深度學習的力量，旨在通過3D激光點云實現路沿檢測的端到端解決方案。Uber的J. Lian團隊在2019年CVPR會議上提出的卷積遞歸網絡，便是這一領域的璀璨明珠，它巧妙融合高精度地圖中的點云與圖像信息，實現了路沿檢測的自動化與智能化。
        基于人工規則的 SAT-LRBD 算法：吉林大學的G.Wang團隊，融合多重路沿特征點萃取規則與噪聲點剔除技術，創新性地提出了SAT-LRBD算法，即一種在激光雷達數據基礎上，兼顧速度與精度的道路邊界檢測方案。此算法在遵循人工規則的路沿檢測方法中脫穎而出，展現出卓越的檢測精準度。在ITTI數據集上的測試中，SAT-LRBD每幀激光點云的處理時間僅需70.5毫秒，高效而迅速。SAT-LRBD算法精準執行3D激光點云的初步分割任務，將復雜點云數據巧妙地劃分為地面點集（nd）與非地面點集（off-ground），為后續處理奠定堅實基礎。在此算法框架內，地面點集特別貢獻于路沿候選特征點的甄選，而非地面點集則作為重要輔助，深化對道路結構的洞察，包括十字路口布局、路段識別的精準解析。整個流程精心劃分為三大環節：第一步，依據預設的幾何特征參數，從地面點集中精準提煉出路特征點；第二步，巧妙運用道路分割線技術，結合非地面點集信息，深化對道路架構的理解，并輔助實現精準的邊界劃分；第三步，融合距離濾波、RANSAC算法與迭代高斯過程，對結果進行精細打磨，確保最終輸出既精確又高效。
        U-AFCD算法：Y Jung及其團隊在首爾大學研發的Uncertainty-Aware Fast CutDetection (U-AFCD) 算法，在ICRA 2021會議上大放異彩。該算法深度融合了深度學習網絡，專注于路沿檢測及其不確定性評估。Jung團隊慷慨分享了精心構建的路沿數據集，位于GitHub上的YounghwaJungcurbdetecton DNN，供全球研究者共同探索。此數據集源自城區復雜環境的精心采集，利用Velodyne VLP-32C激光雷達與OXTS RT3002定位系統，共收集到詳盡的5224%點云數據，并附帶了鳥瞰視角下的精準路沿分割標注。U-AFCD算法的設計精妙，核心分為兩大階段：編碼-解碼分割網絡，該階段如同精密的篩子，精準分離出視野內清晰可見的路沿點云，為后續處理奠定堅實基礎；引入前沿的條件神經過程（Conditional Neural Process, CNP），此階段如同智慧的偵探，不僅推測出被遮擋、不可見區域的路沿輪廓，還巧妙地評估了整個檢測過程的不確定性，為用戶提供更加全面、可靠的決策支持。
        深入研究了U-AFCD算法，該算法依托神經網絡技術，在路沿分割與推斷領域展現出獨特優勢。它巧妙運用U-Net網絡，精準分割點云數據，初步勾勒出可見路沿輪廓。進而，該算法融合CNP、ANP等先進模型，不僅彌補了被遮擋、不可見路沿的空白，還巧妙評估了整體檢測結果的置信度。盡管在實時性優化上尚有空間，但其開創性地采用CNP、ANP替代傳統高斯過程回歸或多項式擬合，為路沿檢測問題提供了新穎視角，極具探索價值。
        本章詳盡剖析了路沿檢測技術的現狀，將其歸結為兩大流派：一是依賴人工規則的檢測方法，雖在早期激光感知研究中占據主流，卻面臨調參繁瑣、場景適應性差等瓶頸；二是依托深度學習網絡的檢測方法，特別是針對1D激光點云的應用，近年來備受矚目。然而，點云級路沿標注數據集的匱乏，成為制約該領域發展的關鍵因素。當前研究多采取折衷方案，即將3D激光點云轉換為BEV投影，再利用圖像處理技術進行分割或車道線檢測。基于3D激光點云的路沿檢測仍是一個亟待攻克的研究難題，亟需工業界與學術界的共同努力與智慧碰撞。


另外最近部門招聘：內外飾數字模型工程師     base北京 上海 蘇州
1、負責內飾全倉數字模型設計工作
2、對內飾零部件有充分了解、IP、門板、console等零部件
3、負責內飾IP、門板、座椅、console、頂棚、立柱等零部件的設計工作
4、掌握內飾零部件之間的配合關系，并完整表達設計意圖。      

要求
1、大專及以上學歷，藝術設計、工業設計相關專業
2、熟練使用ALIAS軟件
3、 測試A級至少5-8年實際CAS、A面設計工作經驗 測試B級至少3-5年CAS、A面設計工作經驗
4、善于團隊合作、有責任心、敢于擔當、工作主動積極


有意者戳汽車造型/產品設計師社會招聘-表單-金數據 (jsj.top)