摘 要：为了能够快速，准确地提取出路面信息，提出了一种基于小波变换的路沿检测方法。首先通过预处理，减少无效信息点的个数，然后根据城市道路特征利用离散小波变换提取出路沿的位置，最后通过卡尔曼滤波进行预测与跟踪。该方法可使无人驾驶车辆准确有效地检测出未知环境中的动态障碍物，实时性好，可靠性高。
关键词：激光雷达；检测；跟踪
中图分类号：TP242.6
近年来，无人车辆驾驶技术研究呈现明显增长趋势。其中障碍物分类则是无人车环境感知问题中最为重要的课题。多数早起环境感知研究都是通过对摄像头采集到的图像进行处理，但是由于图像容易受到环境，天气等多重因素的限制，处理效果并不稳定。然而激光测距雷达具备抗干扰性强，精度高等优点，越来越多被应用到环境感知中。
1 理论部分
1.1 激光雷达工作原理
为使无人车能够快速准确地获得位置环境中障碍物的距离，激光雷达能够很好地满足这些需求。激光雷达采用飞行时间测距原理，由激光器发射出的激光脉冲投射到物体表面引起散射，其中一部分经过反射并被激光雷达的接收器所接收。激光测距的公式如下：
d=△t*C/2 （1）
其中d为激光发射器到反射点之间的几何距离，C为光速，△t为测量发射光束与从物体表面返回来的反射光束之间的时间差△t。
与Fourier变换相比，小波变换是空间（时间）和频率的局部变换，因而能有效地从信号中提取信息。一般所讨论的小波是指由一个称之为母小波或基小波函数，进过伸缩与平移所产生的ψ（t）或其他空间的基底。定义函数ψ（t）满足
∫_（-∞）^（+∞）?= ψ（t） □（24&dt）=0， ψ（t）∈L^2 （R） （2）
其中ψ（t）为母小波函数，或简称为小波函数。
1.3 卡尔曼滤波
卡尔曼滤波常用于去除混杂于有用信号之中的随机噪声。其基本思想是以最小平均误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值。以下即为卡尔曼滤波算法，共包括三个方程，都是矩阵算法。
K_k=AP_k C^T 〖（CP_k C^T+S_z）〗^（-1） （3）
x ?_（k+1）=（Ax ?_k+Bu_k ）+K_k （y_（k+1）-Cx ?_k） （4）
P_（k+1）=AP_k A^T+S_w- AP_k C^T S_Z^（-1） CP_k A^T （5）
2 算法描述
2.1 数据预处理
在预处理过程中，首先把激光雷达所收集到的数据把数据进行聚类，当某几个相邻的点的距离小于一定阈值时可以归类到一起。如果其中某一类中的点数过少，则可以把它们移除。再通过插值或者删除的方法把点的个数变为2^n。
2.2 特征提取
为了处理数据，具体的算法步骤如下：
步骤1：计算初始层i各个相邻点高度值的低频成分和高频成分；
步骤2：所得低频成分和高频成分标以i-1；
步骤3：计算标记完的点的高度平均值；
步骤4：重新标记各个成分。计算个点到平均值的差值，如果差值大于方差则该成分为有效，否则不予考虑；
步骤5：计算第i+1层；
这个算法从最上层一直计算到最下层。最后所有点会被分成两部分：路面点和非路面点。
2.3 状态跟踪
特征提取后，得到道路两边路沿的坐标值，设其状态向量为X=〖[x x ? x ?]〗^T， x，x ?，x ?分别为目标在运动方向上的位置、速度和加速度。设采样周期为T，则离散时间状态方程如下：
X（k）=?（k-1）X（k-1）+G（k-1）W（k-1） （6）
Z（k）=H（k）X（k）+V（k） （7）
式中，X（k）是k时刻目标状态向量，W（k）为状态噪声，E（W（k））=0，Z（k）是k时刻测量向量，V（k）测量噪声；? （k）和H（k）分别为k时刻状态转移矩阵和测量矩阵。对于相对运动目标跟踪，因为所建立模型不同，其表达式不同，这里采用常加速模型。
H（k）=[1 0 0] （9）
只要预先给定状态估计值和滤波估计状态向量的协方差矩阵。卡尔曼滤波过程就能持续递推下去。最后得效果图如下：
图1 卡尔曼跟踪后的路沿点检测效果
3 结束语
本文提出了一种基于小波变换的实时路沿点检测方法，在城市道路中有着良好的鲁棒性。该方法的优点是计算简便、时间复杂程度低，比较适合于实时应用系统。
参考文献：
[2]Ashraf M. Aziz.A new multiple decisions fusion rule for targets detection in multiple sensors distributed detection systems with data fusion[J].Information Fusion，2014（18）：175-186.
