五个需要解决的关键技术问题

编者按：在赛文交通网主办的“2022年智慧交管技术与应用跨年分享会”中，吉林省智能交通工程研究中心主任林赐云作了关于《基于路侧激光雷达的高分辨率交通流信息提取与应用》报告。

该报告首先说明了在我国交通强国战略背景下，交通信息在智慧交通领域的重要性，并从当前交通数据需求和采集现状分析激光雷达的功能与应用。然后关于交通发展过程中存在的两个难点问题，针对路侧激光雷达可提供更精准全面的交通信息这一优势，表明路侧交通感知的必要性；接着基于当前路侧激光雷达的研究基础，分析了其五个需要解决的关键技术问题。最后列举了通过路侧激光雷达所做的五个交通创新应用。

一、研究背景

（1) 数据需求现状

在交通强国战略背景下，智慧交通领域正不断推动前沿信息技术与传统交通行业的深度融合。随着融合的不断升级和深入，由于传统交通信息采集在覆盖范围、分辨率、信息量等方面的不足，智慧交通创新应用呈现出 “巧妇难为无米之炊”的态势。

但信息是一个最关键的要素，比如车路协同和自动驾驶车辆需要提供车辆轨迹及高分辨的信息，在智慧路口中进行人车冲突研究时，同样需要高分辨率轨迹及车道等数据。不同智慧交通场景数据需求如下：

♢车路协同：需要超视距交通环境感知

♢智慧路口：人车、车车预警与冲突

♢自动驾驶：单纯依靠车载无法保障安全问题

♢AI+交通：交通拥堵、交通安全等微观问题解析

（2) 数据采集现状

传统的交通信息检测，在信息的维度、密度、覆盖范围、分配密度方面存在一些不足，比如路基型检测器仅能反映所在截面的交通状况，无法识别和跟踪交通局个体的轨迹；车基型检测精度受样本量、采样周期等多方面限制，交通数据信息量小，且具有一定的滞后性；空基型检测的交通数据分辨率比较低，数据内容也比较有限。并且上述的各类交通检测器基本以统计特征来呈现数据信息，具有一定的宏观特性，其分辨率较低、粒度较大、信息量较小，已经没有办法满足智慧交通创新应用。

（3) LiDAR交通应用

对道路交通进行深度解析，研究精准管控策略。3D激光雷达检测作为一种新型的主动视觉传感器，有外部光照变化不敏感、复杂环境适应性强、抗干扰能力强、高灵敏度、高分辨率、高精度、覆盖范围广、信息量大等优点， 理论上能够获得扫描范围内所有交通目标对象(人、车、自行车等)的位置、方向、速度、运动轨迹，从而提供实时、微观、高精度、高分辨率的交通流信息，满足了微观尺度下的高分辨率、高精度、细腻度、区域性的交通流数据的需求。

（4) LiDAR数据差异

由下图可以看出，车载激光雷达和路侧激光雷达在点云数据之间存在差异性。在检测模式上，车载激光雷达随着车辆在不断的运动，检测的交通场景不断发生变化，检测的交通目标对象是相对固定的，而路侧激光雷达则相反，它安装在道路路侧的固定位置，其检测的交通场景是相对固定的，而检测的交通目标对象在不断发生变化。

在检测对象上，车载激光雷达的检测范围和对象趋向于自动驾驶车辆周围对自动驾驶车辆运行安全有潜在影响的动静态物体，而路侧激光雷达的检测范围和对象趋向于激光雷达扫描范围内所有的交通目标对象，包括人、机动车、非机动车等，都在它的检测范围内。

在点云密度上，车载激光雷达获取和处理的激光点云是高密度激光点云，相对来说成本较高，而路侧激光雷达主要采用低密度激光点云数据来进行交通目标的感知。

在运行模式上，车载激光雷达依托高精度地图、高精度GPS，配合高清视频传感器进行周围环境感知，而路侧激光雷达作为独立的传感器进行交通感知。

在交通感知中车载激光雷达和路侧激光雷达的具体区别如下表。

二、研究愿景

针对路侧激光雷达，目前存在两个问题。

一是网联与非网联、自动与非自动驾驶车辆将在未来很长一段时间内共存，因此我们需要为弱势群体，包括行人、自行车或行为不便的人，提供更安全更前瞻的信息和安全防护，同时为网联车辆或自动驾驶车辆提供更全面、更精准、超视距交通信息。

二是当前迫切需要解决的交通问题，无论是交通拥堵问题，还是交通安全问题，它的形成和发生，都是一定的道路空间范围内短时间发生的，这就需要区域性覆盖、高分辨率、高精度的微观尺度交通流数据信息，它是揭示交通问题内在形成机理和演化过程的前提，也是精细化、精准化交通管控的基础。

所以说为什么需要路侧交通感知，因为它是提供大范围、高分辨率车道级信息的一个前提所在，也是未来极有可能大规模部署的一种交通信息采集方式。

基于路侧激光雷达，我们希望构建一个系统，通过安装固定式或便携式设备如激光雷达，进行无线通信传输，为非网联车辆、行人、骑自行车人和行动不便的人等弱势群体，提供更全面、更前瞻，更分辨率的交通流信息，以此来提供更精准的安全信息防护，这是研究的出发点，也是研究目的所在。

三、关键技术

在目前研究基础上，需要解决一些关键技术问题，其关键技术问题包括布设安装优化、背景过滤、目标聚类、目标分类和轨迹跟踪5个方面。这5个关键技术算法之间既相互支撑、又各自独立。

在激光点云进行数据处理之前，首先需要进行路侧激光雷达传感器的安装布设，其中包括两个层次的内容，一是点位的优化布设，属于偏宏观层次，需要对激光雷达安装的位置或安装的数量进行优化；二是安装设置，主要是偏微观层次，对路侧激光雷达本身的布设安装，包括安装的高度、角度，以及扫描的角度来进行优化，主要解决问题是如何最大化的利用激光点云数据，或者说最大化的利用设备本身的性能。

在数据处理中，主要包括背景的过滤、扫描区域内目标的聚类、分类和轨迹的跟踪，背景过滤主要最大限度提高后续点云数据处理的速度，是提高目标聚类、分类、跟踪运算速度的前提条件。

一个路侧激光雷达能不能够进行工程应用的一个前提是速度；第二个是最大程度的将不同交通目标识别出来，解决使用的问题：是否能通过路侧激光雷达，把所有的目标对象都识别出来；第三个是能否最大程度的识别出不同的交通目标对象，就是把人车或骑自行车的人区分开来，而这就是路侧激光雷达在我国交通应用场景里进行应用的一个前提条件，因为我国交通流的密度相对较大、不同交通对象经常出现在同一场景里；最后是轨迹跟踪，路侧激光雷达最大的一个问题是遮挡问题，在算法运行过程当中，需要解决完整性、一致性的跟踪问题，即将遮挡的位置或遮挡的轨迹进行修复或者预测出来。

（1) LiDAR选择与安装

在激光雷达的选择安装中，对于路侧激光雷达布设过程中，需要根据其应用目标、激光雷达内置特征或预算来进行选择。不同的激光雷达检测精度和检测范围不一样，内置参数特征如分辨率的探测范围也不一样，同样不同的激光雷达的激光线束不一样，价格也不同，需要根据不同的业务目标、内置参数和项目预算来进行不同的选择。

选择好激光雷达后，需要根据应用目标来确定安装的高度或角度。激光雷达是以一定的角度向外发射的，故随着的距离增加，目标对象额度激光点的会呈现不同的状态。对于安装角度也是一样，如果是平行安装，可能浪费掉一半以上的激光线束。在具体应用的时候，需要尽可能利用所有的激光线束，并且检测范围要尽可能远，因此需要进行优化安装位置、高度和角度。

如下图，在平行安装时，随着距离的增长，点云越来越稀疏；若是倾斜安装，点云密度在不同的区域分布不同，所以就需要进行激光雷达的优化布设。

（2) 背景过滤

对于16线激光雷达来说，就一个点云数据帧大约包括大概有28,000个数据点左右，里面包括静态物体，如建筑、建筑物、地面，也包括动态物体，如花草树木，我们将其当动态是因为在有风刮过时，树木花草会随着风飘动，此外还有交通目标对象，包括这种车辆、行人自行车等。

据统计，在这28,000数据点云数据帧里，车辆、行人和自行车的这类激光点云约有400多个，故需要在后续的数据处理中，尽可能把背景数据如建筑地面、花草树木进行目标聚类或目标分类后，去除关联性不大数据，通过降低激光点云数据来提高处理速度。

在背景过滤中，主要根据应用目标不同采用不同的方法或算法，比如：根据激光点云跟地面的连接情况（基于切片的原理）、根据历史的激光点云数据构建基准背景（基于漏斗的原理）等来进行背景过滤。

（3) 目标聚类

不同的位置的人、车、自行车和摩托车，其点云会呈现不同的形状或密度。随着距离的增加，点云密度会越来越稀疏，且不同的物体会呈现出不同形状和空间位置，因此需要对目标进行聚类。

目标聚类中涉及到不同的算法，如果算法或参数选择不好的话，容易把这个把关键的物体或关键目标对象忽略掉，影响后续对人车冲突或车身冲突的安全预警，因此算法的选择和优化非常重要。

（4) 目标分类

如图所示，对于车辆、行人、骑自行车人以及坐轮椅的人，其点云呈现的特征有显著的差异。

特征选择十分关键，需要对不同的目标对象进行不同的特征选择，主要目标属性特征包括点云数量、3D距离、点云分布、高度、高度变化、2D长度和区域面积等。在进行点云特征的选择或提取时，需要进行先选择算法，可以是机器学习算法或深度学习算法。

目标分类核心的问题在于特征的选择和构建，经测试，不同的特征输入，在不同的算法里的目标分类精度不同。如将8个属性特征参数输入到随地森林进行学习，而将12个特征输入深度学习算法中，随机森林算法比深度学习算法的结果更优。

（5) 目标跟踪

目标在路侧激光雷达360度旋转扫描过程中，由于扫描范围内交通目标对象的运动位置以及激光雷达扫描角度的不同，在扫描周期内必然存在着目标遮挡或产生交通目标运动轨迹识别不连续或丢失的现象，因此需要相关辅助和措施来支撑，如考虑驾驶行为或驾驶规则因素、对遮挡的运动目标进行轨迹的预测和修复等。这也是目前正在研究和主要攻克的主要难点问题。

目标跟踪的实现，需要在扫描范围内，即运动目标从输入到输出的过程进行运动轨迹的高分辨率、连续性和完整性的跟踪，这是一个非常关键问题，直接影响了后续交通信息提取的精度，如速度和流量。

因为如果轨迹跟踪不连续，可能把一个目标拆分成多个目标，就造成信息提取误差大大增加。因此目标跟踪是需要解决的关键技术。

四、创新应用

通过对一系列的算法体系进行研究，初步做了一些尝试和探索，主要包括以下五个部分。

（1) 行人过街意图预测

通过高分辨的轨迹数据，预测行人过街意图。可以通过轨迹数据，对行人过街的通过性预测，即对它形成的固定概率性进行预测。

这个是我们美国的合作团队做的一些示范应用，通过路侧激光雷达，预测行人的运动轨迹，分析其运动意图，再通过意图分析，提前赋予通行权，行人不需要等待就可以无缝通过交叉口，这是一个行为意图预测应用。

（2) 冲突预警

通过路侧激光雷达，对车辆运行状态信息进行实时跟踪，获得车辆的运动轨迹，通过车辆轨迹，进行交叉口的前期感知，分析人车和车车冲突，从而进行冲突预测和预警。

（3) 交叉口车道级地图生成

第三个是通过路侧激光雷达，构建交叉口车道级地图。提取车辆轨迹数据，主要是激光点云的隶属激光点数据，来分析轨迹的重合度；提取相位信息，在相位信息基础上，分析相位的切换情况；提取信号灯的时长，包括黄灯时间等；在进行相位提取的基础上，提取交叉口各个相位的进口和出口的几何情况特征；提取完相关特征后，根据激光点云分布情况和之间的差异或间隙，提取车道边际或车道线，从而获得各个进口道和出口道的车道信息。同时通过绿灯和红灯的轨迹的情况，识别轨迹或停车线的位置，从而绘制时车道级交叉口地图。

（4) 交叉口全息感知与精准控制

通过路侧激光雷达，实时感知交叉口的车辆通过信息，精准采集交通流数据，为交通信号控制实现精准控制提供支撑。

（5) 助力数字孪生

通过路侧激光雷达提取车辆高分辨率运动轨迹，再从轨迹中提取出车辆的运动速度，以及路段中某个截面的车流量，从而助力数字孪生，为其提供最基础的数据支撑。