[论文解读] Real Time Lidar and Radar High-Level Fusion for Obstacle Detection and Tracking with evaluation on a ground truth

Hatem Hajri, Mohamed-Cherif Rahal|arXiv (Cornell University)|Jul 30, 2018

Autonomous Vehicle Technology and Safety被引用 18

一句话总结

本文提出了一种基于卡尔曼滤波的全局最近邻（GNN）滤波器，实现实时、高层级的激光雷达与雷达数据融合算法，用于自动驾驶车辆中的障碍物检测与跟踪。与基于RTK的真值数据对比，该融合方法在相对位置和速度估计的均方误差（MSE）方面优于单一传感器，显著提升了精度与鲁棒性，尤其在传感器信号中断或高速高速公路、弯道等复杂驾驶场景下表现更优。

ABSTRACT

- Both Lidars and Radars are sensors for obstacle detection. While Lidars are very accurate on obstacles positions and less accurate on their velocities, Radars are more precise on obstacles velocities and less precise on their positions. Sensor fusion between Lidar and Radar aims at improving obstacle detection using advantages of the two sensors. The present paper proposes a real-time Lidar/Radar data fusion algorithm for obstacle detection and tracking based on the global nearest neighbour standard filter (GNN). This algorithm is implemented and embedded in an automative vehicle as a component generated by a real-time multisensor software. The benefits of data fusion comparing with the use of a single sensor are illustrated through several tracking scenarios (on a highway and on a bend) and using real-time kinematic sensors mounted on the ego and tracked vehicles as a ground truth.

研究动机与目标

• 解决自动驾驶场景中激光雷达、雷达及其融合方法在真实世界中缺乏定量真值对比的问题。
• 开发一种实时、高层级的融合算法，整合激光雷达与雷达数据，以提升障碍物检测与跟踪性能。
• 利用高精度RTK传感器作为真值，评估融合系统在传感器失效情况下的精度与鲁棒性。
• 证明融合方法能在动态驾驶条件下实现激光雷达（位置精度高）与雷达（速度精度高）优势之间的平衡妥协。

提出的方法

• 采用全局最近邻（GNN）滤波器构建高层级融合框架，将激光雷达与雷达的物体检测结果在轨迹层面进行融合。
• 基于卡尔曼滤波的估计过程，利用双传感器测量数据预测并更新物体状态（位置、速度）。
• 采用集中式融合架构，五台Ibeo LUX激光雷达（25 Hz）与一台Ibeo ARS 308雷达（15 Hz）将数据输入至中央融合盒进行处理。
• 结合CAN总线里程计与RTK传感器数据（位置精度0.02 m，速度精度0.02 m/s）生成性能评估的真值。
• 同步两辆配备RTK传感器的自动驾驶车辆的数据，以在跟车实验中实现精确的相对状态估计。
• 实现低至15微秒的处理延迟，确保适用于嵌入式车载系统。

实验结果

研究问题

• RQ1 在相对位置与速度估计的均方误差（MSE）方面，激光雷达与雷达数据融合相较于单一传感器性能如何？
• RQ2 在传感器失效或信号中断期间，融合算法在跟踪鲁棒性方面改善程度如何？
• RQ3 在真实世界的高速公路与弯道驾驶场景中，融合输出与基于RTK的真值相比表现如何？
• RQ4 该融合方法能否在激光雷达的高位置精度与雷达的优越速度估计之间实现平衡妥协？
• RQ5 与原始激光雷达和雷达测量相比，融合状态估计的时间平滑性与可靠性如何？

主要发现

• 在高速公路上，融合方法在相对x方向位置的MSE为0.39 m，优于激光雷达的0.55 m，接近雷达的0.33 m；同时将y方向位置MSE降低至0.21 m，优于激光雷达的0.16 m与雷达的0.43 m。
• 在高速公路上的速度估计中，融合方法将vx的MSE降低至0.19 m/s（激光雷达为0.28 m/s，雷达为0.15 m/s），vy的MSE降低至0.27 m/s（激光雷达为0.31 m/s，雷达为0.25 m/s），体现出良好的平衡性改进。
• 在弯道行驶中，融合方法将x方向位置MSE降低至0.65 m（雷达为0.8 m，激光雷达为0.61 m），y方向位置MSE降低至0.19 m（雷达为0.5 m，激光雷达为0.15 m），显示出横向精度的持续提升。
• 融合输出在vx与vy方向的时间轨迹显著更平滑，而激光雷达表现出突变跳变与分段恒定，雷达则存在多次检测中断。
• 融合方法展现出更优的鲁棒性：在激光雷达与雷达均失效期间，仍能保持稳定跟踪，而单一传感器则极易完全丢失目标。
• 雷达在高速公路上的x方向位置估计优于激光雷达（MSE分别为0.33 m与0.55 m），该发现与先前研究一致，凸显了在融合设计中考虑传感器特性的关键性。