详情

原文传递复杂点云环境内面向车辆通行的路域多维信息提取框架与方法

论文题名：	复杂点云环境内面向车辆通行的路域多维信息提取框架与方法
关键词：	车辆通行;激光雷达;点云处理;多维道路特征;自动化提取框架
摘要：	现役道路基础设施数字化是我国面向未来道路设施全周期要素化、智能化管理并实现车路协同的必经之路。激光雷达（Lightdetectionandranging,LiDAR）点云尤其是车载LiDAR可以实现对现状道路三维环境准确、精细化的描述，是目前对物理道路基础设施进行数字化建模的最重要的数据依托之一。由于LiDAR数据在采集过程中一般不封闭交通，导致其构建的数字化点云空间中存在如车辆、行人等非基础设施噪音，这些噪音信息对道路多维特征的准确提取带来了巨大的挑战。但是现有研究在进行道路信息识别与提取时测试的点云数据质量良好，对可能造成提取规则失效的噪音数据考虑不足。因此本研究基于包含非基础设施噪音的复杂LiDAR点云环境，考虑道路上车辆安全通行的需求，考虑单一方法论难以应对多维道路特征差异性的限制，旨在构建路域关键多维特征自动化提取的框架与方法。　　首先，面向现役道路基础设施上车辆的通行需求，梳理了关键的路域多维信息：平面道路边界、竖向净空、横断面坡度与可视性。针对多维信息提取过程中基础性、共通性的运算步骤，提出了点云空间重构与基于线性编码划分点云子单元的结构性处理算法，其可以将现实世界中具有复杂线形的道路映射到简单直线形式道路的点云重构空间，并可在重构空间中将原始点云数据高效地划分为条形、柱形或体素单元。基于线性编码的划分机制还同时建立了对应于划分子单元的二元矩阵，可实现基于矩阵元素连接性的点云聚类。在400万到1000万点量级的测试场景下（计算设备：内存32G，CPU为Intel?Xeon?E5-1650v4@3.6GHz），通过与现有主流Oc-tree、Kd-tree划分方法的对比，本研究构建的结构性处理算法进行点云划分的时间性能从102量级提升至101量级；通过与欧式距离聚类方法对比，本研究提出的结构性处理算法进行点云聚类的效率101量级提升至10-1量级。　　然后，在结构性处理算法的基础上，针对公路场景构建了基于相似性与连接性的路面点云分割方法，在道路环境具有显著差异的两段公路点云数据集上，本研究提出的方法进行路面识别的精度与召回率皆超过97%。根据路面勾勒道路边界，以道路边界曲线作为控制对路内噪音数据进行剔除。在边界点云获取的基础上通过多坐标系转换的思想对非基础设施噪音造成的点云缺失区域（Missingpointregion,MPR）进行了自动化填补。针对城市道路场景将点云数据体素化之后引入了3DU-net实现对噪音数据的识别与去除。通过基于多个城市路段点云数据的测试，在点云重构空间中训练后的3DU-net识别汽车、人与道路背景的交并比参数皆超过95%。采用自然样条曲线拟合道路边界。对路面及边界点云进行栅格化处理后转为二元图像，采用图像处理算法完成城市道路点云空间中MPR的填补。　　最后，在前续工作的基础上，针对性建立了路域范围内竖向净空、道路横坡和纵向视距静态多维道路关键几何信息的自动化提取模块，完成了点云重构—噪音剔除—信息提取—空间映射的道路信息自动化提取框架的构建，并通过在多个点云数据集上测试验证了多维信息提取模型的有效性。在道路交叉口位置，本研究探索性地结合静态基础设施点云与动态交通参与者运动信息，建立了面向车路协同的动态道路交通信息（以通视性为例）实时监测的数字化基底。在两个不同交叉口的测试结果显示，本研究构建的动态监测框架平均每个时间步下通视性分析的时间小于0.1s，满足实时分析的需求。　　本研究基于包含非基础设施噪音数据的复杂LiDAR点云进行道路信息自动化提取，可以降低在特定低交通量进行数据采集的需求，进而降低长期道路测绘的成本。相关研究成果可以应用于复杂道路点云空间中多维特征的自动化提取，进而服务于现役道路基础设施数字化工作，为数字孪生道路三维基底构建提供方法论参考。
作者：	马羊
专业：	交通运输工程
导师：	程建川
授予学位：	博士
授予学位单位：	东南大学
学位年度：	2022