摘要：为了让无人驾驶车在驾驶过程中的稳定性和安全性得到保障，可以利用四线激光雷达对驾驶信息进行提取和对驾驶车前方的车辆目标进行检测。因为传统DBSCAN的算法对于所输入的数据比较敏感，只能适合用于单一数据集。所以在此基础上提出了利用k-的方法改进的DBSCAN算法。这种算法可以对数据自适应的选取，还能把车辆前的道路分为可驾驶和不可驾驶两个区域。而本文所提出的算法稳定性比较强，在选取道路信息和目标的检测方面上有更高的准确性。

关键词：无人驾驶车；道路信息提取；目标检测

0 引言

随着交通系统的不断发展和进步，总能发生各种交通问题，随之带来的是各种各样由人为因素而引发的交通事故。而雷达和摄像头是对道路信息进行检测的主要传感器。摄像头容易受到天气、光线等外界因素的影响，特别是在对前方障碍物进行检测时，容易产生很多问题，关于毫米波雷达，它对天气的适应能力比较强，不容易受到天气因素的影响，但是有一个缺陷就是很难精确探测出体积比较小的目标，尤其是在远距离。而激光雷达精确度就比较高，探测范围广泛、测量速度快，比起超声波雷达来说具备更多有利的优势。关于这种四线激光雷达对道路信息进行检测这方面，它主要含有两个内容：第一是根据传统激光雷达的数据扫描特点，对原始的DBSCAN算法进行创新与改进。

1 道路信息检测系统的结构特点

对于无人驾驶车来说，四线激光雷达具有非常高的性价比，能满足实时性和数据量等多方面的需求。而且IBEO-LUX四线激光雷达有4条扫描线，水平方向最大扫描角度范围是110度，垂直范围是3.2度，测量范围在0.3米到200米之间。

2 关于DBSCAN聚类算法

2.1 DBSCAN算法介绍

我们所了解的此种类型的算法的基础是密度，这种聚类算法的优点是可以自动确定簇的数量和可以发现任何一种形状的簇，对噪声也不那么敏感。而簇是由一个任意核心点所特别，单独的确定的，由该核心点出发的所有密度连接的对象组成。这种算法的步骤主要分为以下这几步。第一步，确定核心点，在确定核心点时，我们只需要计算在p的相邻的区域内部的数据点的数量大小，将得到的结果与pts的最小值相比较，如果达到了最小值，则将其认为是核心点。第二步，我们很容易发现，得到的数据点整体可以形成一个簇的形状，接下来我们要以p为中心，找出更多可以符合密度要求的点，让这个簇更加繁茂，扩大簇覆盖的区域。第三步，找出一些离群点，我们确定离群点的一个方法是根据密度来判别各个点，当在这个点附近没有可以符合要求的密度的点时，我们称其离群。第四步，依次对其他各点进行判别，如果有既不属于各个簇的点，又围绕在很多数据点附近的点，我们将其定义为噪声点。

2.2 存在的问题

通过各种试验得出，就目前采取的经典算法也存在以下两个缺陷。一是对输入的参数数据不敏感。一旦我们在对参数选取的过程中出了差错，就会很大程度上影响到聚类质量。这主要表现在：如果选择的Eps过大会导致某些噪声数据被归结为分类簇，选取的minPts过大会导致核心点数量的减少从而进一步的造成某些分类簇丢失。二是如果数据量过于庞大，那么将会导致在核心点向外扩张时，随着核心数量的增多，就会逐渐消耗比较大的内存，从而导致内存不够，无法储存更多的数据。

3 路沿提取算法

3.1 有关四线的激光雷达的数据的特性

通过以单帧雷达数据为切入点展开对四线激光雷达的返回的数据点的一系列分析，得到以下几个方面的特性。①在不同的环境下，我们扫描出的扫描点的个数和各扫描点之间的密度也是存在很大差异的。②我们在使用激光雷达展开对点的扫描时，会很容易的得到路边上直线型的相同的扫描层上的相邻点，影响实验结果的准确性。③扫描出的点都是在水平方向上间隔很小，坐标值差距很小的点。④当激光雷达与扫描物之间的扫描距离较远时，我们得到的障碍物上的点就会比较密集，得出的形状就不是那么的清晰，反之，如果我们将扫描点与扫描物的距离控制的比较近，我们就可以得到更为清晰的，密集度较小的点。

3.2 对共线点的二次提取法

如果车辆和道路保持平行驾驶，我们得到的返回的数据点数量就会变得更多，为了方便后期准确提取出后续道路的相关信息工作，我们应该将雷达返回的数据点进行分割。我们采用的提取算法分为以下两个步骤进行，第一步就是先通过相邻的两个点来确定一条直线，在路沿点的选取过程中，我们要对连续的m个扫描点到直线的距离进行测量，如果都小于阈值，那么我们就将其作为候选的路沿点。

激光雷达的安装角度会影响它最终扫描到的扫描点个数，大量的实验数据表明，如果雷达的安装角度是3.3度，那么当扫描的点和之后的联系的七个扫描点共线时，则将它们划分为路沿点。在二次提取的过程中，我们的判断标准就是距离和阈值的大小关系。只有当七个点之间的距离差都小于阈值才认为可以将其作为是路沿数据集。

3.3 用最小二乘法来拟合路沿

最小二乘法实际上就是借助最小化的误差的平方来寻找和数据最为匹配的函数，我们遵循的数据点的个数和我们寻找的相互匹配的直线方程的个数之间有着一一对应的关系。

4 实际车辆实验结果和论证的分析

4.1 实验方案

为了证明算法在一定程度上的有效性，我们进行了相应的实验，我们将实验的地点选在了BJUT的校园道路上，这里相对来说宽广，而且较为符合我们试验的要求，我们将安装的角度设定为3.3度，此外我们还在车上安装了摄像头和惯导等设备，一方面是为了能够更加清晰的拍摄出路面状况，另一方面是为了让车辆能够快速感知到周围的情况，从而减少驾驶中的事故的发生。

4.2 路沿的检测结果

为了更加顺利的进行路沿检测，我们会选取双向单车道，因为在双向单车道的道路两边设立着人行道，两者之间还有一道清晰的分界线。为了验证算法是否对所有的路沿检测都适用，我们还分别进行了两次试验。在这两次试验中，我们特别的创造了两个不同的试验环境，一个是有干扰的实验环境，一个是无干扰的实验环境，这种做法可以用于排除不同的路面环境对实验结果的影响。

4.3 检测目标所得结果

路沿是可行驶区域和不可行驶区域的分界线，在这里，我们可以忽略对不可行驶区域道路情况的了解，只着重探究在可行驶区域的路面状况。由于路面相对来说比较平坦，我们得到的数据段也就不是那么弯曲，可以得到很多比较直的，并从这些笔直的数据段中提取相对较直的部分用于目标检测。

5 结语

依据四线激光雷达的特点，可以利用DBSCAN算法自适应地选取参数，聚类不同密度的激光雷达数据，还提出了基于数据共线点的提取算法，对道路信息进行有效地检测。在改进后的聚类算法还提出了相关的问题。

参考文献：

[1]程昕,张跃进.基于激光跟踪定位的运动目标检测[J].激光杂志,2017(6).

[2]苏致远,徐友春,李永乐.基于三维激光雷达的车辆目标检测方法[J].军事交通学院学报,2017(1).

[3]贾子永,任国全,李冬伟等.视觉与激光雷达信息融合的目标领航车识别方法[J].火力与指挥控制,2018(6).

[4]段建民,李龙杰,郑凯华.基于车载线激光雷达的前方道路可行驶区域检测[J].汽车技术,2016(2).