高級駕駛輔助系統(tǒng)（ADAS）開發(fā)中最關(guān)鍵的問題之一是汽車周圍環(huán)境的描述方式。環(huán)境可以分為動態(tài)和靜態(tài)部分。第一個用于描述所有可移動物體，如汽車或汽車等。行人。第二個代表靜態(tài)障礙物，如護欄、路緣石、建筑物或障礙物等。為了在擁擠的環(huán)境中自由移動，需要提供有關(guān)所有周圍障礙物的高精度信息。有一個可用于此目的的廣泛表示，即 2D和 3D 網(wǎng)格、區(qū)間圖、原始結(jié)構(gòu)和輪廓。

根據(jù)應(yīng)用，不同表示形式具有不同程度的復(fù)雜性。此外，大多數(shù)表示都依賴于傳感器。之所以如此，是因為用于創(chuàng)建特定表示的算法依賴于傳感器的物理規(guī)格和限制，目前市場上可以找到使用雷達、攝像頭或激光雷達等傳感器的解決方案。然而，傳感器依賴性是一個不允許進一步改進的問題，可以通過直接使用來自不同類型傳感器的輸入來獲得。將來自各種傳感器的信息組合成一個表示的一種可能方法是占用網(wǎng)格，這種方法可以解釋為作為傳感器融合。不幸的是，由于內(nèi)存和處理能力有限，占用網(wǎng)格并不是嵌入式系統(tǒng)的最佳解決方案。

此外，將網(wǎng)格作為一組單元格的原始表示形式，填充了簡單的占用概率，并不是真正有用的用于后續(xù)的上層 ADAS 感知算法。由于數(shù)據(jù)量很大且接口帶寬有限，因此無法通過 CAN 等常見汽車接口輕松發(fā)送。這可以通過在占用之間添加一層參數(shù)化自由空間Parametric Free Space，PFS（PFS 通過參數(shù)化方法描述已知沒有障礙物的區(qū)域的邊界曲線，這種對主車靜止環(huán)境的緊湊描述可以有多種形式，這種描述的一種靈活而緊湊的形式稱為參數(shù)自由空間）來消除這些復(fù)雜網(wǎng)格的對應(yīng)數(shù)據(jù)位（如下圖），這樣可以提供周圍環(huán)境的緊湊描述。

?

簡而言之，PFS 確定包括兩個主要步驟。PFS 的輸入是占用網(wǎng)格，該算法從使用圖像處理技術(shù)進行網(wǎng)格預(yù)置開始，結(jié)果是生成一組代表自由空間邊界的網(wǎng)格單元。然后對這些單元進行近似最終結(jié)果的一組預(yù)定義數(shù)量的控制點，代表給定次數(shù)的樣條曲線，這樣可以很容易地被后續(xù)ADAS算法使用。

問題描述

在汽車行業(yè)中，所有感知算法都是循環(huán)執(zhí)行的，并且必須在預(yù)定義長度的時隙（例如 50 ms）內(nèi)處理當前輸入，當前，有多種方法可以滿足嚴格的實時要求。第一個想到的想法，就是使用更好的CPU單元。這樣的解決方案并不令人滿意，因為它會產(chǎn)生相當大的成本，從而降低產(chǎn)品的競爭力?；谀柖缮峡?，即使成本不會成為問題，有些算法根本無法達到時間限制，這意味著最合理的解決辦法是算法優(yōu)化。

本文不關(guān)注代碼實現(xiàn)形式的優(yōu)化問題，而是關(guān)注一般方法。討論的參數(shù)化可行使空間檢測 PFS 確定算法是從圖像處理操作開始，將其輸入占用網(wǎng)格轉(zhuǎn)換為一個二進制文件，這些文件中僅限制目標周圍自由區(qū)域的單元具有非零值，所有其他單元均為零。由于在自由區(qū)域中，代表該邊界的像素數(shù)量不是固定的，它可以在周期和場景之間變化（如下圖a）。這里假設(shè)設(shè)置可行駛區(qū)域的單元方式構(gòu)成是由有序像素的組成方式來進行連接閉合邊界。

邊界單元的動態(tài)數(shù)量

在處理的第二階段，邊界像素集是用參數(shù)樣條曲線進行近似的。這種近似可能產(chǎn)生以下負擔：不必要的高計算復(fù)雜度，因為通常大多數(shù)像素不提供附加信息的。而且，在每個計算周期，邊界點的數(shù)量可能不同。如上圖b表示不太擁擠的道路環(huán)境將有更多的自由空間，因此邊界由更多的單元組成。

由于測量尺寸（邊界像素的數(shù)量）沒有嚴格定義的上限，因此需要在內(nèi)存中保留足夠多的空間來滿足所有可能的情況。此外，邊界像素的數(shù)量在每個周期之間可能會有所不同。這些方面在嵌入式系統(tǒng)中并不受歡迎（大多數(shù)嵌入式系統(tǒng)甚至不允許動態(tài)內(nèi)存分配）。

一旦完成圖像處理并確定邊界像素，單元定義的邊界將通過參數(shù)曲線（b 樣條曲線）來近似。它由狀態(tài)空間模型表示為：

?

其中，





表示觀測矩陣，其中的q表示為：

是作為一組2維B樣條控制點的狀態(tài)向量，Nq是控制點的數(shù)量，Nm是測量點的數(shù)量，qx,n表示第n個控制點的縱向位置，qy,n表示第n 個控制點的橫向位置。

使用信息濾波器在每個周期遞歸地完成近似，這對于大量測量點而言比經(jīng)典卡爾曼濾波器計算效率更高。即使進行了這種優(yōu)化，大量測量仍然是一個問題（模型被視為單個 2D 測量，并用于更新兩個樣條函數(shù)x(s)和 y(s)。此外，為了能夠使用信息過濾器，必須預(yù)先在每個循環(huán)進行計算觀測矩陣H(s)，其大?。ㄐ袛?shù)）嚴格取決于測量次數(shù)。

針對一般點云的數(shù)據(jù)縮減，人們提出了許多方法。比如，通過基于所需點數(shù)縮減的比率搜索點子集來實現(xiàn)。

本文介紹的方法最小化了原始集和縮減子集之間的幾何偏差。還有另一種方法由兩個步驟組成。第一步，通過八叉樹結(jié)構(gòu)對點云進行正則化和壓縮。第二步，點云根據(jù)曲率規(guī)則進行簡化。這種方法與八叉樹結(jié)構(gòu)有一些相似之處。還有一些基于kmeans聚類算法的自適應(yīng)簡化方法。唯一的數(shù)據(jù)縮減（向下選擇）在曲線擬合上下文中找到的算法是“正切函數(shù)”專用于非均勻有理B樣條 (NURBS) 近似的方法”。

在該方法中，向下選擇步驟包括三個連續(xù)原始測量點的局部二次插值，以查找沿定義的二次插值的斜率符號的變化空間軸。如果檢測到斜率變化，則向下選擇最近的測量點，然后將其做為 NURBS 的控制點。否則，不向下選擇任何測量點。

解決方案

為了解決上一節(jié)中描述的大量測量的問題，這里提出了三種測量下選算法。

1、測量點分布均勻

PFS算法的一個假設(shè)是所有測量點均勻分布。這意味著樣條曲線和測量點的起點和終點相對應(yīng)。基于此，最簡單（樸素）的下選算法是取每個第k測量點（mx,k，my,k），并根據(jù)以下公式：

該解決方案的缺點是它強制樣條線的每個控制點只有一個測量點，這可能不足以準確反映周圍環(huán)境。

2、“Line”向下選擇

本段和下一段中描述的算法集中于以下思想：僅保留行測量的特征點，并過濾掉所有冗余的點，即那些不提供有關(guān)邊界形狀的有價值信息的點。

“線”向下選擇是通過使用線性方程y=ax+b來過濾特征點（即單元格表示形式），其想法是拒絕盡可能多的共線點。整個邊界被分為相同長度的部分，部分端點是用虛擬線連接。

然后，對于該部分（其端點之間）內(nèi)的每個點（像素），計算到該線的距離（例如下圖中綠色特征點連接的紅線部分）。如果該點的距離較大于閾值，該點被視為特征點。

所有比該閾值更接近直線的像素都被認為是冗余的。一段的每個終點也是下一段的起點，也被視為特征點，保留這些點的好處是每個樣條控制點（假設(shè)截面長度足夠?。┲辽儆幸粋€支撐測量點。該算法通過尋找部分端點之間的特定點來擴展簡單統(tǒng)一方法。

3、邊界方向的下采樣

為了限制額外操作的數(shù)量，尋找特征點，基于“方向”的方法僅限于對像素進行簡單操作。其想法是檢查從前一個像素到感興趣像素的移動方向是否正確。并且從感興趣的像素到下一個像素，按照該順序，是相同的。如果不同，則中間點被視為特征點。例如，如果所考慮的點之前和之后的移動方向是往右上角（見下圖所示）的，則該點不被標記為特征點。但如果連續(xù)移動方向不同，則該點被標記為特征點。

算法優(yōu)勢的不同維度對比

為了避免操作系統(tǒng)對計算時間估算的影響，需要重復(fù)測試多次并取平均值。最終的計算時間在下一節(jié)中給出，是所有場景中最長的時間。比較最長時間而不是平均值更有價值，因為無論汽車周圍環(huán)境多么復(fù)雜，每種算法都應(yīng)該在有限的時間內(nèi)完成其工作。

1、降采樣大小

如下圖表示包含每種方法每個周期的平均測量點數(shù)量。正如預(yù)期的那樣，與不使用降選方法相比，Original表示所提出的下采樣方法中每個周期的平均測量點數(shù)量。本文提出的方法顯著減少了測量點的數(shù)量，“Uniform”算法平均值減少了 16.74 倍，基于“Line”的算法平均值減少了 11.61，基于“Direction”方法則只有 2.15。

因此，大多數(shù)點都是使用“Uniform”方法過濾的。過濾的點數(shù)正好是使用的樣條控制點的數(shù)量（即100）?！癓ine”方法作為前一種方法的擴展，添加了重要的點。這兩種方法比前一種方法要好得多。“Direction”方法僅將測量點的數(shù)量減少大約 2 倍。其主要原因是該方法實際上表現(xiàn)得更像插值器，因此它不能很好地處理噪聲數(shù)據(jù)，在這種情況下，噪聲數(shù)據(jù)可能是一個復(fù)雜的邊界形狀。

2、計算時間

正如第一段所述，主要目標是減少計算時間，以滿足算法執(zhí)行的實時性要求，耗時比較如下表2所示。

表2的每一行都顯示了測試方法的結(jié)果，表中只列出了下選影響的PFS算法階段，乍一看，所提出的解決方案比原始算法至少快1.38倍。在觀測矩陣計算中尤其明顯，更少的測量次數(shù)有助于將該階段的運行時間提高 14 倍。

3、準確性/質(zhì)量比較

由于PFS是主動安全系統(tǒng)的一部分，所以可以用分類器來評價，我們可以采用完整的（不是下選的）一組邊界像素為參考，則每個逼近樣條的點都可以落入以下事件之一：

TP 真陽性 — 偏差（樣條點與相應(yīng)邊界點之間的距離）低于定義的最大允許偏差。

FN 假陰性 — 樣條點超出參考邊界像素之外的最大允許偏差。

FP 誤報 — 樣條點超出最大允許偏差但在參考邊界像素內(nèi)。

根據(jù)上述事件，計算以下指標：

TPR 真陽性率 — 衡量正確識別的實際陽性結(jié)果的百分比。

PPV：陽性預(yù)測值 — 定義測量的性能。

F1：F1 分數(shù) — 是分類準確性（包括精確率和召回率）的綜合衡量標準。

? ?

樣條采樣示例——縱向部分

使用上述指標的目的是從安全角度評估道路基礎(chǔ)設(shè)施分類結(jié)果，顯然，障礙物被錯誤分類為自由空間，比自由空間分類為障礙物更危險。

4、自由空間估計精度

使用一組 20 個不同的場景日志進行精度分析，并使用每種下采樣算法重新模擬。由算法的圖像處理部分生成的測量點集用作參考。這是一個足夠多的選擇，因為每個所提出的方法不會影響原始測量點集，而只會執(zhí)行下選擇。為進行比較而進行的整個統(tǒng)計分析依賴于這樣的假設(shè)：生成的樣條是在與邊界像素向量具有相同分布的點處進行采樣的。因此，如果邊界由 321 個點組成，用于樣條更新，則樣條會在沿整個長度均勻分布的 321 個點中采樣（如上圖）。對于每個點，計算與參考的偏差進行最終匯總。如下圖顯示了所有算法的誤差累積分布。

正如預(yù)期的那樣，根據(jù)所使用的測量點的數(shù)量，基于“Direction”的算法獲得了最好的結(jié)果，基于“Uniform”算法獲得了最差的幾何近似值。為了決定應(yīng)該采取哪種解決方案，讓我們考慮兩個質(zhì)量因子Qtime，它更關(guān)注計算時間Qmemory，它專注于內(nèi)存計算。在這兩種情況下，值越高表示結(jié)果越好。

Xref,k - 參考點的縱向位置（像素中心） yref,k - 參考點的橫向位置（像素中心） Xspline,k - 樣條線采樣點的縱向位置 對應(yīng)于Xref,k，yspline,k- 樣條線樣本點的橫向位置對應(yīng)于yref,k。 K - 點索引 Mi- 第 i個周期的參考點（像素）數(shù)量（周期之間有所不同） N - 周期數(shù)（來自所有使用的日志） T - 每個周期的平均計算時間 Nall - 所有測量點的數(shù)量

Nreduce - 減少的測量點數(shù)量

總結(jié)

參數(shù)曲線可以是智能汽車感知系統(tǒng)中自由空間邊界的緊湊表示。在這樣的應(yīng)用中，它通常通過占用網(wǎng)格上自由空間和占用空間之間的邊界的近似來獲得。近似這種邊界處理的現(xiàn)有算法具有大量必須處理的測量點（也即網(wǎng)格單元）。實際上，其中許多點是冗余的并且不添加任何信息。為了降低對處理能力的需求，一般可以拒絕對這些冗余點進行進一步處理，也不會降低近似的質(zhì)量。本文介紹了幾種可以達到這一目標的下采樣算法，所有算法都使用通用的統(tǒng)計指標進行比較。算法性能的比較是在代表不同道路場景的數(shù)十條日志的基礎(chǔ)上進行的。

實驗表明并證明，對于使用所提出的方法的所有測試用例，PFS 計算中的運行時間和內(nèi)存需求都可以顯著降低，同時可以保持性能（準確性）。這對于資源有限的汽車嵌入式系統(tǒng)非常重要。所提出的下選算法在數(shù)據(jù)減少、執(zhí)行時間、準確性和安全性方面進行了比較?？傮w而言，“線”算法是最有前途的一種。它提供了算法效率（即時間/內(nèi)存消耗）和性能（準確性）之間的最佳平衡。對于未來的工作中，人們可以研究整個處理流程的其他步驟，特別是圖像預(yù)處理步驟等方向，因為它仍然是最耗時的部分。

審核編輯：劉清