1.3.3 障碍物检测

基于激光雷达的障碍物检测方法主要有两种。第一种是模板匹配法，根据障碍物栅格内点云相关特征建立障碍物模板库，通过计算障碍物点云数据与模板数据的相似程度确定障碍物类别。

该方法通常将动态障碍物模板分为以下四类[16]：

1）L形动态障碍物。这类动态障碍物多为在城市道路上行驶的汽车，因激光雷达只扫描到汽车的两面，而呈现类似“L”的形状，如图1-23a所示。

2）I形动态障碍物。这类障碍物多为行驶过程中位于智能汽车正前方或者正后方的车辆，因自遮挡而致使障碍物点云出现类似“I”的形状，如图1-23b所示。

3）口形动态障碍物。这类模板能较好地反映障碍物的真实形状，如图1-23c所示。

4）行人和骑车人员动态障碍物。这类障碍物点云形状接近“I”形。通过将聚类结果与特定的动态障碍物模板进行匹配，可以初步确定出绝大部分动态障碍物。

图1-23 动态障碍物模板

第二种是基于点云特征的机器学习算法，通过提取已知类别障碍物的点云特征建立特征数据库，利用特征数据库训练机器学习分类器，再用分类器模型对障碍物进行分类，通常使用基于支持向量机（Support Vector Machine,SVM）的运动障碍物检测算法。

通过对点云数据进行聚类处理，可以得到众多点云簇的立体框架c={box₁，box₂，box₃，…，box_n}，立体框架的长宽高和框架中点云簇中点云的空间坐标和反射强度信息存储在了box={length, width, height，D}。通常使用机器学习的方法实现对点云数据的目标识别，继而利用已经标记完成的训练集对分类器进行训练。此外，还需进行SVM参数的选择，参数选择如下：

1）特征归一化。由于不同特征之间的数值范围不同、差距较大，导致了不同的特征之间权值不平衡，因此在训练之前需进行特征归一化操作。归一化操作能够在训练分类器时收敛速度更快，提高分类器性能。

2）核函数的选择。由于径向基函数能够处理非线性问题，且径向基函数的值域为（0，1］，不会像线性函数一样出现无限大的数值，因此一般选择径向基核函数（Radial Basis Function, RBF）。

3）最优参数选择。在SVM分类器选择径向基作为核函数的前提下，需要考虑两个主要参数——误差惩罚参数C和高斯参数Y。首先利用网格寻优方法遍历每一对（C，Y)，再使用交叉检验方法将每次训练样本随机分成两份来检验参数的性能，最终选出最优参数。