主题报告分享

赛文交通网 智能交通 车路协同

编者按：12月28日，在由赛文研究院主办、吉林大学交通学院&吉林省智能交通工程研究中心支持的“交通治理创新应用研讨会”上，吉林省智能交通工程研究中心主任林赐云作了《基于路侧激光雷达的人车轨迹跟踪与意图预测》主题报告。

该报告首先介绍了研究背景，指出当前对于非机动车，特别是对于行人的技术投入和创新略显不足，通过路侧传感器实时获取交通目标的轨迹信息，可极大程度规避交通事故的发生。

随后指出通过在路侧安装激光雷达传感器，通过对激光点云数据的处理，进行交通目标的识别与跟踪，可进一步提高交通出行的安全性能，最后详细介绍了背景点云过滤、目标识别与分类、轨迹跟踪与预测三项激光雷达数据处理关键技术。

一研究背景

近年来，不管是车辆还是道路，都呈现较大程度的发展。车辆从原来的人工驾驶逐步发展到高级辅助自动驾驶阶段，道路也从信息化缺乏的道路发展到具有车路协同功能的智慧型道路设施。然而，回顾近10年的交通技术发展和创新，对于非机动车，特别是对于保障行人安全的技术投入和创新略显不足。

中国统计年鉴统计数据显示，非机动车每年的交通事故发生数、死亡人数、受伤人数以及直接经济损失不容忽视，且从2021-2022年的数据来看，呈明显增长的趋势。

对于行人、骑自行车人，也就是我们所说的交通出行的弱势群体，其交通事故发生的关键原因在于对周围的交通环境或潜在冲突风险没有足够的感知和预警能力。如果可以为交通出行者提供周围交通目标潜在冲突信息，交通出行者便可针对危险事故提前采取应对措施。

在当前V2X还没有大规模普及应用环境下，我们认为通过路侧传感器实时获取交通目标的轨迹信息，进行冲突检测和预警，并将其反馈给交通参与者（I2X），可极大程度规避交通事故的发生，对提升道路安全有着重要意义。

3D激光雷达作为一种主动视觉传感器，具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。 

因此，我们希望通过在路侧安装激光雷达传感器，通过对激光点云数据的处理，进行交通目标的识别与跟踪，从而根据高分辨轨迹数据进行冲突检测，并将信息及时发布给行人、骑自行车人以及其他行动不便的人，同时也为车辆提供辅助信息，进一步提高交通出行的安全性能。

激光点云数据处理的核心关键在背景点云过滤、目标识别与分类以及轨迹跟踪与预测。其中背景点云主要在于最大限度提高数据处理速度，降低计算资源使用。因为在点云数据帧中，背景点云占激光点云总量的80%以上，如果把它们带入后续的数据处理过程，必然增加资源消耗和运行时间。

目标识别与分类主要在于最大程度将不同交通目标识别出来，特别是在我国密集交通流场景中，交通个体之间的空间距离往往并不显著，如何有效区分各个个体是非常关键的问题。

最后是将识别的目标在连续时间帧中进行关联，形成一个完整、连续的轨迹，然而，遮挡是轨迹跟踪中一个不可忽视且亟需解决的问题。下面将分别对各个技术进行讨论。

二背景过滤

1、点云时空分布

背景过滤方面，我们提出了基于点云密度变化的背景过滤方法。下图是一幅激光点云数据帧，可以看到点云中有机动车激光点、有地面点、建筑物点以及树木、花草的激光点。

通过对连续数据帧中各个区域的激光点云的密度变化进行分析，可以发现有些地方的点云密度为零占比较大，有些地方点云密度保持为固定值，有些地方有较大的波动。

2、通行区域识别

因此，根据点云密度变化的特性，我们将路侧激光雷达的扫描空间进行空间体素化或网格化划分，并计算每个网格内在时间序列中的密度变化情况以及零密度比情况，以体素中心点为代表各个空间体素坐标，并将计算的零密度比来表征整个扫描空间范围的点云密度特征，形成密度特征矩阵。

基于空间零密度分布，我们发现子空间零密度比值较小的一般为背景空间，零密度比值较大的一般为交通出行者通过区域，基于Kmean算法，我们对通行区域零密度比进行提取，并对其进行空间映射，或者通行区域的空间范围，然而，在初步获得的空间范围内，由于有噪声点的存在，通行区域并不精准，需要进一步进行优化。

3、背景构建

相对于通行区域的激光点，噪声点的分布往往比较随机，没有规则，而且离群，因此，采用DBSCAN方法很容易可以获得哪些点是网格内的背景点，哪些点是不规则的离群点，剔除离群点就可以获得比较精确的背景点云，从而构建比较精准的通行区域的背景点云。

基于通行区域的背景点云，我们就可以很容易像漏斗那样，当输入新的点云数据帧时，通过漏斗过滤掉点云数据帧中的背景点，可筛选获得通行区域交通目标点。

4、实验验证与分析

为了验证算法的准确性和可靠性，我们分别在流量比较大、环境比较复杂、车道比较多遮挡频繁的三个场景中进行实验验证，

◼ 算法精度分析

在验证过程中，我们采用背景点过滤比例、目标点保留比例、点云有效率三个指标对算法精度进行评价。通过对比验证，我们所剔除的算法在三个指标均获得较为满意的效果。

◼ 算法稳定性分析

为进一步验证算法的稳定性，我们选取不同的距离对背景过滤效果进行评价，背景点过滤比例、目标点保留比例、点云有效率三个指标随距离变换的情况可以看出，我们提出的方法在不同距离下背景过滤精度稳定，在不同距离下均具有较高的精度，且相比于其他方法可以更精确保留远端交通目标。

◼ 算法时间复杂度分析

在算法的时间复杂性方面，我们所提出的算法背景构建的时间仅为对比算法的1/20，能够满足点云数据实时处理的要求。

三目标识别与分类

在目标识别与分类方面，我们提出了基于机器学习的人车目标分类方法。

1、交通目标聚类

背景过滤后留下的交通目标点仍然是无序，不规则的，且无法有效区分哪种交通目标的激光点。因此，需要对激光点云进一步进行聚类。点云聚类的方法很多，我们主要采用DBSCAN进行交通目标的聚类，来获得不同交通目标个体的激光点云簇。

2、点云特征提取

在机器学习领域，关键特征的提取对于目标分类起决定性作用。

而对交通目标进行分类的一个关键，是对各个交通目标的点云簇的特性进行提取和分析。在进行交通目标分类特征提取中，有基于空间体积特征的、有基于几何形状的、有基于目标点云数量的，也有基于目标距离的。

我们发现，机动车和行人在激光点云回波强度以及回波轻度频数分布有较为明显的特征差异。因此，我们将目标点云回波强度、点云回波强度频数分布也作为特征作为后续交通目标分类的输入。

3、交通目标分类

由于随机森林对数据集具有较强的适应能力，且引入随机性因子，且不易于过拟合，因此采用基于随机森林方法对交通目标进行分类。

在进行样本构建时，我们构建了5901个行人样本数据，7099个机动车样本数据，采用随机森林进行特征数据集学习和训练。在样本中，我们同样提取六类特征参数进行学习训练。

实验结构显示，基于随机森林进行特征训练和学习，所获得的分类精度显著高于其他算法，精度可高达98%以上。

4、实验验证与分析

同样，我们也进行了不同距离范围内交通目标分类精度测试，实验结果显示，基于随机森林的特征算法在不同距离范围内均具有较强的、稳定的分类能力。目标分类方法在直径100m的任意检测范围内均能精确分类人车目标，模型分类能力稳定。

四轨迹跟踪与预测

1、人车轨迹获取

在轨迹跟踪预测方面，我们主要考虑密集交通场景下，人车目标轨迹跟踪和预测。在获取上述交通目标并进行识别分类后，在连续的时间序列当中，我们还需要对不同交通目标的队友关系进行匹配，在这里我们采用改进匈牙利算法进行不同数据帧之间的交通目标进行匹配。

为提高匹配的精度，我们首选进行各数据帧的交通目标坐标转换，将转换后的位置信息作为目标匹配的输入参数，基于目标的速度和距离特征进行目标的关联，以获得连续时间序列中的交通目标信息。同时，也获得未能匹配的目标信息。

对于匹配成果的交通目标信息，我们还需要将其轨迹串联起来，这里面需要有一个参考点作为目标串联的链接。我们将车辆前端靠近检测器的断点作为固定跟踪点，然后以跟踪点计算交通目标的中心坐标。以实现对交通目标的精准定位。

2、中断轨迹修复

对于未能匹配成果的，有可能就是由于遮挡造成的间断，也有可能是由于目标点缺失所造成的，因此，需要对中断的轨迹进行修复。

我们主要采用卡尔马滤波方法对遮挡的目标进行轨迹坐标修正，并基于二阶指数平滑法对跟踪失败或者缺失的目标点进行跟踪修复。

3、人车意图预测

在获得连续、完整的交通目标轨迹基础上，对于机动车，由于双向长短期记忆网络（BiLSTM）可以同时考虑过去和未来的信息，可以获取更稳健的序列特征，因此我们采用双向长短期记忆网络对交通目标的轨迹序列进行训练学习，其中输入为交通目标的坐标序列和速度序列，输出为交通目标未来时空的高分辨率轨迹序列。

对于行人的意图预测，由于行人行走方向更加灵活，行为更复杂，对其意图精准预测存在难点，我们在双向长短期记忆网络（BiLSTM）加入了注意力机制（Attention Mechanism），并考虑行人与周围环境的交互行为，基于注意力机制的双向长短期记忆网络（BiLSTM）对行为的轨迹进行训练学习，输入除了行为的位置和速度序列，同时也包括行为视角范围内的行人和机动车，输出为行人未来高分辨率轨迹序列。

4、实验验证与分析

为验证模型的效果，我们分别在机动车遮挡比例较高、行人移动随机性高、以及存在大量人车潜在冲突的交通场景对所提出的方法进行测试验证。

◼ 轨迹跟踪及修复结果分析----机动车

在挤公车轨迹跟踪与修复方面，在遮挡比例达到20%的条件下，我们所提出的方法能够实现96%以上的轨迹跟踪精度，对中断轨迹的修复和连接可以达到94%以上的精度，也就是能够对终端轨迹进行较好、完整的修复。

◼ 轨迹跟踪及修复结果分析----行人

在行人轨迹跟踪及修复方面，在轨迹中断比例高达60%的环境下，我们所提出方法可实现对行人90%以上的跟踪精度，在远端稀疏点云情况下，对中断轨迹的修复精度达到80%以上。

◼ 交通目标意图预测结果分析

在交通目标意图预测方面，机动车意图预测的轨迹位置误差在0.36m，误差标准差为0.13m，行人意图预测的轨迹位置在0.17m，误差标准差为0.04m，这也表明我们所提出的方法能够获得较高的预测精度。

为进行进一步验证，我们调整了预测序列的长度，发现所提出的方法在进行机动车和行人意图预测，误差不随序列的递增而增大，所提出的方法精度较为稳定。

在中断轨迹和常规轨迹预测方面，我们所提出的轨迹预测方法对于常规轨迹和中断轨迹均具有较好的预测结果。机动车误差在0.36左右，行人在0.18左右。在考虑遮挡因素的轨迹修改方法获取的轨迹与真实轨迹较为接近，证明所提出的方法在轨迹跟踪、修复以及意图预测方面均具有较好的性能。