车载激光扫描技术在无人驾驶中道路交叉口检测与识别研究

车载激光扫描技术在无人驾驶中道路交叉口检测与识别研究

黄志明1 ,周威2

1 武汉中海庭数据技术有限公司  湖北省武汉市 430000

2武汉追月信息技术有限公司  湖北省武汉市 430000

摘要：道路交叉口是道路交通网的重要组成部分，其位置和类型是高精地图、自动驾驶等应用服务的基础数据。目前研究多关注车载激光点云的道路边界提取，较少关注道路交叉口类型识别。为此，本文提出一种基于动态图神经网络的道路交叉口分类方法。首先分析地面超体素的几何和空间分布差异进行提取道路边界点；然后计算道路边界点曲率，利用滑动窗口中曲率差异检测道路交叉口；最后构建动态图神经网络识别出“Ｔ”型和“十”型道路交叉口。实验采用两份不同车载激光点云数据验证本文方法的有效性，实验结果表明，该方法能准确检测绝大多数道路交叉口位置及类型。

关键词：车载激光扫描系统；点云；道路交叉口；深度学习；图神经网络

０引言

道路交叉口作为道路交汇的枢纽，承担着连接道路交通网的重要功能，其位置、方向、类型是智能交通、高精地图、导航与定位服务等应用的重要基础数据，准确获取道路交叉口的位置及类型信息对交通路网数据更新具有重要意义。车载激光扫描系统作为近年来快速发展的高精度测绘技术，能够快速、准确地获取道路场景精细的位置信息，为道路交叉口的提取和分类提供了一种新的数据源。

当前道路交叉口提取和分类的研究集中于从各类传感器数据中自动识别交叉口，主要包括：基于图像数据、基于GPS轨迹数据、基于车载激光点云的道路交叉口识别。基于图像数据的道路交叉口识别主要从图像数据中识别道路交叉口空间位置，将交叉口位置的识别简化为点的识别。由于图像易受天气、环境、光照等因素影响，易造成交叉口识别困难。基于GPS轨迹数据的道路交叉口识别方法则利用轨迹数据在交叉口处密度较大等特征，实现交叉口的识别。GPS轨迹交叉口识别方法受限于轨迹点密度，轨迹点稀疏区域难以提取道路交叉口的精确位置。相比于图像数据和GPS轨迹数据，车载激光点云数据包含更精细的道路场景信息和细节要素，能够提供精细的道路交叉口三维数据。近年来，一些学者尝试从点云中提取道路交叉口。目前国内外针对车载激光点云道路交叉口检测与识别的研究取得了一定的进展。目前道路交叉口检测算法主要依据其形状、灰度等特征进行检测，对于形状简单的交叉口具有较好的检测效果，但对复杂场景下的道路交叉口检测难度较大，对于交叉口类型识别需要较多的先验知识和人工干预，自动化程度和检测精度不高。深度学习凭借深度网络的强大学习能力，能够从原始数据中提取数据的高层特征，从而很好地建立从底层信号到高层信号的映射关系，在图像分类、目标检测等方面深度学习该领域重大进展。本文基于车载激光扫描点云数据，分析道路交叉口和非交叉口路段的形状和结构特征，构建了逐轨迹点的滑动窗口道路交叉口识别方法，然后利用动态图神经网络进行道路交叉口分类

１道路交叉口检测与识别

相对于道路两侧建筑物、树木等地物而言，道路边界在海量点云中形状不明显，直接从离散点云中检测道路边界非常耗时且效率较低。因此本文先对数据进行预处理，采用布料模拟滤波算法提取地面点云，然后从地面点中提取道路边界，其主要分为以下三个步骤：

１）基于超体素的道路边界提取。利用超体素算法过分割地面点云，分析超体素的分布与结构信息提取道路边界。

２）基于滑动窗口的道路交叉口提取。利用道路交叉口与非交叉口的形态差异，计算滑动窗口道路边界点曲率值区分道路交叉口与非交叉口。

３）基于动态图神经网络的道路交叉口类型识别。构建适合道路边界分类的图神经网络，提取道路交叉口的高阶特征，区分道路交叉口的十字和Ｔ字路口类型。

1.1道路边界提取

在地面点云中，道路边界与路面点具有一定高程和法向差异，但道路边界的显著性和连续性易受点密度不均、遮挡和噪声影响，导致道路边界与路面点较难区分。为了提取精确的道路边界点云，本文采用Lin等提出的超体素分割算法，基于局部几何特征和空间一致性将地面点先分割成边界保持的超体素，克服点密度不均对道路边界提取影响。

1.2道路交叉口提取

道路主要由道路交叉口及非交叉口（道路分支）组成。道路交叉口作为道路交汇的衔接处，与同一道路直线区域相比较，在几何形态上具有较大差异，即道路交叉口处呈现弯曲形态分布。这种弯曲程度可通过道路边界点的曲率进行描述。在车载激光点云数据中，道路交叉路口存在较多遮挡、噪声或是临近地物干扰等因素，使得道路交叉路口的轮廓特征不完整，同时其细节结构较为多样，识别难度大。

２实验与分析

２.１数据

本文采用两份不同城市的车载激光点云数据作为实验数据验证道路交叉口识别效果。其中数据Ⅰ为由Rigel-VMX45Ｒｉｇｅｌ⁃ＶＭＸ４５车载激光扫描系统采集的福州市城区数据，道路总长约为１６.４８ｋｍ，约１４.５亿个点，点密度约为２７６点／ｍ２，整体呈现环状分布，其特点在于整体呈现较大的地势起伏，且点云密度较大，包含了城市区域主干道及次干道主要道路交叉口。

２.２道路边界提取结果

由于车载激光点云数据大，为减小点云数据处理工作量，本文对两份点云进行抽稀处理，保证两点之间最小阈值为0.02ｍ。根据《城市道路施工规范》（ＣＪＪ３７—２０１２）标准中对道路边界高度的相关规定为０.２ｍ，因此在预处理的布料模拟滤波过程中，将地面点高度阈值设置为０.２ｍ，格网分辨率设置为０.５。在道路边界提取中，地面超体素分割结果受体素分辨率ｒ的影响。为了确定适合实验数据的体素分辨率ｒ，本文选取数据Ⅰ中的部分场景，设置体素分辨率ｒ值从０.５ｍ到２ｍ进行４组实验。

２.３道路交叉口提取结果

由于实验数据Ⅰ为城区数据，道路交叉口范围较小，本文设置道路交叉口搜索窗口为７０ｍ；而实验数据Ⅱ为街区数据，道路宽度较窄，轨迹点搜索窗口从图８中的道路交叉口提取结果可以看出，本文方法可以提取绝大多数道路交叉口，不仅能够有效识别形状明显的道路交叉口区域，同时能较好地识别小型道路交叉口，具有较强的稳健性。同时，本文方法存在少量误提取与漏提取道路边界，主要分布在弯曲程度较小或数据缺失道路交叉口区域。

２.４道路交叉口分类结果

由于没有现成的训练样本集用于训练道路交叉口分类，本文通过人工标记从其他道路场景的车载激光点云中提取不同缺失程度的十字路口、Ｔ字路口作为训练样本，部分样本如图１０所示。由于人工提取样本成本较高，为扩充训练样本总数，通过水平旋转、抖动、添加噪声等操作扩增形成3000个训练样本集。

３结论与展望

本文提出了一种基于动态图神经网络的道路交叉口检测与识别的方法，通过两份不同城市环境的车载扫描数据对本文方法有效性进行了验证。目前本文方法能够识别道路交叉口及交叉口类型，在复杂城市和街区中，十字交叉路口的准确率和召回率可达１００％，Ｔ字交叉路口准确率和召回率可达８９％以上。由于车载激光扫描系统获取数据易被地物遮挡，本文方法提取的道路边界存在少量的缺失与噪声，这造成后续道路交叉口类型的错误识别。由于样本类型和数据的限制，利用ＤＧＣＮＮＮ模型无法准确分类未见的道路交叉口类型。因此在今后的研究中，将致力于提升道路边界提取的完整度，并进一步改进道路交叉口识别优化方法，同时提升道路交叉口识别的类型完整度，服务于车载激光点云道路交叉口类型识别。

参考文献

[1] 秦嘉泰,许攀,李儒风等.城市道路测绘中车载激光雷达扫描技术应用研究[J].四川水泥,2022,No.311(07):30-32.