文/陈钢

（国家能源集团陕西神延煤炭有限责任公司西湾露天煤矿，陕西 榆林 719302）

矿用自卸车无人驾驶是当下露天煤矿开采发展的重点方向，尤其是在开采难度不断增加、煤炭需求不断增长的背景下。无人驾驶障碍物的检测与辨识，是当下需要克服的难关之一，而利用激光雷达，可以对障碍物的形状、与障碍物的距离进行有效测量，确保测量精准度。本文对基于激光雷达的无人驾驶障碍物检测与辨识展开分析，希望在无人驾驶障碍物检测与辨识方面为业界提供参考。

1.激光雷达的定义和关键技术

激光雷达是一项先进的光学遥感技术，能对物体距离、表面形状等进行精准测量，满足测量需求。给探测目标发射激光束是激光雷达的基本原理，它通过对目标位置、速度等不同特征量的探测，获取相关信息。在激光束发出去之后，探测目标接收到反射回来的目标回波后，对发射信号与目标回波进行对比，处理之后可获取目标信息数据，这样就能对无人驾驶障碍物进行有效检测与辨识。本研究中使用的激光雷达选用图达通的300线激光雷达和Livox的64线激光雷达，采用稳定性更好的混合固态激光雷达，实现图像级点云覆盖，对周围的环境进行有效感知，可为无人驾驶的矿用自卸车提供位置、导航信息、避障等各项支持。激光雷达在无人驾驶领域的应用，能够极大地改善当下发展现状，促进该行业的健康发展。

2.基于激光雷达的无人驾驶障碍物检测与辨识

2.1 凸出障碍物的检测

常见的凸出障碍物有石头、陡坡等。在无人驾驶运行过程中，当遇到凸出障碍物时，矿用自卸车的正常运行将受到影响。这时，通过雷达检测到位置、距离等信息，矿用自卸车无人驾驶系统将会进行动态绕障，提升运输效率。激光雷达在工作过程中，会通过扫描激光图像，采用检测算法对障碍物进行有效检测：假设激光图像每列最下1行的点g在地平面上，任取其中一列数据，然后进行计算。在障碍物检测中，激光雷达采取非接触式检测方式，将多次回波检测技术加入其中，可保证检测的精准性与可靠性。而且，激光雷达的扫描角度能达到270°，可在-45°至225°的范围内进行检测。在彩色显示屏帮助下，激光雷达还能在交互式软件应用后对现场情况进行显示。进一步的阐述如下所示：

第一，设所选的第i个像素为Pi，该列的最下方的一像素点为P0，这样就可以得到Pi的Cartesian坐标值为Xi、Yi、Zi。Xi、Yi、Xi分别为激光雷达原点的高度、激光雷达原点的距离、横向距离。在地平面的点g与下一点Pk之间的倾斜度进行计算时，当满足下式时就可将Pk记为障碍物点：

式中：∝为障碍物的最大倾斜度。

倾斜度检测算法是关于距离的函数，激光传感器进度无法在距离测量中进行增加或者减少，但有一小部分障碍物点可满足式（1），所以会发生误判的情况。在距离这类障碍物较远时，为避免误判，相邻障碍物点的高度差或深度差应小于某一阈值H，即|Xk-Xg|＜H。

2.2 环境感知

环境感知、精度定位等是无人驾驶的核心技术，其中，环境感知还是无人驾驶的先决和必要条件。研究发现，无人驾驶如单纯使用视觉的环境感知，已经无法满足其实际需求。因而，装置具有良好防护性能的、可在各类恶劣环境下正常使用的，尤其是在露天煤矿开采等野外作业中使用的系统已成当务之急。无人驾驶系统属于多种传感器的整合系统，而传感器有属于自己的坐标体系。周围物体与车体之间的相对位置、速度关系可通过车载坐标系来获取。激光雷达坐标系与车载坐标系之间的距离为三维激光雷达标定，也就是激光雷达与无人驾驶矿用自卸车的空间位置关联。为获取环境信息，无人驾驶可由三维激光雷达发射，激光雷达坐标系下的原始数据也可以输出。图像坐标系与车载坐标系之间的标定为视觉相机标定，相机参数求解过程是建立图像像素与无人驾驶矿用自卸车之间空间位置关联。车载坐标下的三维物体可在一个二维图像平面上投影，其成像原理如图1所示。

在图1中，属于三维空间的点W投影到像平面M点位置。其中C、f分别为光心、相机焦距。按照三角形相似原理可得到以下公式：

光心位置在制造过程中会发生偏移，存在偏移u0与v0，图像并非正方形，所以x与y方向上存在两个焦距，分别为fx、fy，其中。

目标数据预处理。每一束激光在激光雷达工作期间，都有对应的目标物体三维立体坐标，但目标物体在实际运行期间形状会发生变化。为确保模板数据的稳定与可靠，就要将物体畸变值予以去除。目标数据由激光雷达原始，工作人员可有效获取激光点距的绝对距离值和角度值，并可在去畸变后将数据转换为新数据，然后重新发布。

3.栅格滤波

无人驾驶矿用自卸车在行驶期间，可能会遇前方大卡车上掉块、车辙等障碍物，但这些障碍物在环境感知中并没有被排除，会使得无人驾驶车出现判断失误导致停车的情况。这类障碍物有一些特征，具体表现为：无人驾驶车前方点云十分密集，单个障碍栅格为小障碍物；障碍物属于悬空状态，点云高度差在栅格内较小。栅格状态可利用贝叶斯推理推测，了解其具体状态。为了避免在对静态障碍物进行判断期间出现错误，我们可采取斯坦福大学安娜·彼得罗夫斯卡亚（Anna Petrovskaya）等在研究中的方法，对车辆的动态特征进行提取，建立模型；利用贝叶斯滤波器对目标进行跟踪与更新；而当大卡车被遮挡无法检测时，就使用二维虚拟扫描模型进行处理。

在对障碍点进行筛选期间，障碍点的坐标变化较大；在提取外围矩形轮廓时，障碍点过多就会影响其提取与筛选效果。DBSCAN算法能对密度进行聚类，并对空间聚类进行快速处理。激光雷达滤波处理中点云滤波处理需关注以下几种情况：存在不规则的点云数据密度；在遮挡下出现离群点；大量数据需要进行采样；需去除噪声数据，在处理时，过滤去除点需按照一定规则进行；通过常用滤波算法修改点的部分属性；按照双边滤波算法采样。

4.结语

基于激光雷达的无人驾驶障碍物检测与辨识，是当下研究的重点，也是无人驾驶技术创新与发展的基础。障碍物检测与辨识长期困扰着无人驾驶矿用自卸车的发展，但激光雷达技术的应用，能有效检测与识别出各种障碍物，确保无人驾驶矿用自卸车的安全行驶。未来，随着激光雷达技术的不断发展与完善，无人驾驶障碍物检测与辨识的精准度和效率会得到极大提升，为无人驾驶矿用自卸车的发展奠定基础。