As one component of the environment perception part for autonomous driving, lane marking detection is of paramount importance for its direct influence on autonomous vehicle’s safety. In the literature, the lane marking detection methods are camera-based and relatively mature. However, performance is affected by environmental lighting conditions. The LiDAR sensor collects high precision and three-dimensional environmental information without being affected by the ambient light, making the detection method based on LiDAR become the focus of research in recent years. Nevertheless, state-of-the-art detection methods mainly rely on 64-beam or 32-beam LiDAR, resulting in an extensive amount of data that makes it impossible to guarantee real-time performance.
By considering time consumption and cost control, we proposed an adaptive threshold lane marking detection method based on a 16-beam LiDAR. The contributions of this dissertation are:
Firstly, we proposed a curb points filtering algorithm based on segmented points density. A random sample consensus algorithm with constraints is used to extract the original road data, and most of the invalid background data are eliminated. Then according to the distance, road surface points are clustered to different scanlines. By analyzing the statistical characteristics of the spatial distribution of curb data within each scanline in a specific direction, a segmented point density method is proposed, and curb data is filtered out from the original road surface to optimize results of road data extraction further.
Then, an adaptive threshold lane marking detection algorithm is proposed. We note that lane marking echo intensities are higher than the intensities of road data, and the echo intensity of lane marking data decreases with the increase of the distance. Therefore, we improve the Otsu algorithm by defining the threshold interval. The value of the threshold is determined based on the echo intensities of points in each scanline. Rather than affected by the echo intensity of adjacent scanline, which reflects the adaptive characteristics of thresholds, our method improves the efficiency and accuracy of threshold selection.
Finally, we tested the proposed lane marking detection method by using five different datasets collected by the 16-beam LiDAR. Through the statistics and analysis of detection results, the adaptive threshold selection lane marking detection method based on a LiDAR sensor proposed in this paper can efficiently and accurately complete the function of lane marking detection, which is feasible and practical.
자율주행을 위한 환경인식 기술 중에서 차선감지는 자율주행 차량의 안전에 직접적인 영향을 미치는 매우 중요한 기술이다. 가장 일반적으로 사용되는 차선감지 방식은 카메라를 이용한 방식이다. 이 기술은 그동안의 많은 연구로 인해 성숙된 기술이긴 하지만 조도의 영향을 극복하기 어려운 점이 있다. LiDAR 센서는 주변 조도의 영향을 받지 않고 고해상도 3차원 환경 정보를 수집하는 기술로써, 최근 LiDAR 기반 감지 방법 연구의 기반이 되었다. 그러나 최신 탐지 방법은 주로 64빔 또는 32빔 LiDAR에 의존하여 대량의 데이터를 생성하므로 실시간 성능을 보장할 수 없다는 한계가 있다. 본 논문에서는 시간 소모와 비용 제어를 고려하여 16빔 LiDAR 기반의 적응적 역치 차선탐지 방법(adaptive threshold lane marking detection method)을 제안했다.
본 논문에서 제안한 주요 알고리즘은 아래의 2가지 방식이다.
첫째, 분할된 포인트의 밀도를 기반으로 하는 포인트 필터링 알고리즘이다. 조건이 있는 랜덤 샘플 알고리즘을 사용하여 도로 데이터를 추출할 때 유효하지 않은 배경 데이터를 제거한다. 거리에 따라 도로 표면의 포인트는 다른 스캔 라인에 클러스터 된다. 특정 방향의 각 스캔 라인 내 연속 데이터의 공간 분포에 대한 통계적 특성을 분석하는 밀도기반 point segmentation 방법을 제안하고, 이를 사용하여 도로 데이터 추출 결과를 더욱 최적화하기 위해 노면에서의 연속 데이터를 필터링한다.
둘째, 적응적 역치 차선감지 알고리즘을 제안하였다. 차선 표시 부분의 반사 강도가 도로 표면에서부터의 반사 강도보다 높고, 차선의 반사 강도도 거리가 멀어짐에 따라 감소하는 특성에 따라 역치 간격을 정의하여 Otsu 알고리즘을 개선하였다. 역치 값은 각 스캔 라인에 있는 포인트의 반사 강도에 따라 결정된다. 제안한 방법은 인접 스캔 라인의 에코 강도의 영향을 받지 않으니 역치 기반의 적응으로 효율성과 정확성을 향상시켰다.
본 논문에서 제안한 '16빔 LiDAR 기반의 적응적 역치 차선 탐지 방법'은 실용적인 차선 탐지 기능으로써 높은 효율성 및 정확도를 확인할 수 있었다.
