本發(fā)明屬于無人駕駛領(lǐng)域，尤其涉及一種基于Tegra X1雷達數(shù)據(jù)的無人車障礙物檢測方法。

背景技術(shù)：

近年來，隨著傳感器技術(shù)、控制系統(tǒng)、人工智能的不斷發(fā)展，地面移動機器人取得了很大的進步。在現(xiàn)實動態(tài)環(huán)境中，自主機器人在環(huán)境感知中能夠穩(wěn)定準確的檢測障礙物和識別障礙物類型，對于路徑規(guī)劃建立運動模型可以起到很大幫助，從而做出智能決策行為。通常自主機器人在環(huán)境中主要有兩大類動態(tài)物體：車輛和行人。對于車輛，在交通中是主要的交互對象，速度比較快，需要保持一定的安全距離，在交通規(guī)則允許的情況下需要選擇是跟車還是超車.對于行人，由于行人的運動具有很大的隨意性，需要保持較大的橫向距離，以確保行人安全。

利用安裝在智能車上的多傳感器系統(tǒng)，比如攝像機、激光、毫米波雷達、GPS、慣導等獲取車輛前方的障礙物信息及本車的位置和姿態(tài)信息，然后在車載計算機上根據(jù)己建立的駕駛行為專家系統(tǒng)對這些信息進行處理，當本車與前方障礙物的相對距離小于安全距離時，有碰撞危險發(fā)生，則計算機會直接發(fā)出相應指令控制汽車減速甚至是剎車等動作。同時，通過傳感器系統(tǒng)，智能車也能夠識別道路中的各種交通標志牌，車道邊緣線等，并利用決策層的指令實現(xiàn)超車，匯入車流等本車動作。因此，智能車大大提高了交通系統(tǒng)的安全性和效率。在可使用的傳感器中，Velodyne激光雷達由于其高精度測距、探測范圍大、抗干擾能力強等優(yōu)點，近年來在移動機器人上的應用越來越廣泛。但由于該雷達數(shù)據(jù)過大，處理算法的運算量極大，所以實時性較差，因此在復雜環(huán)境下，并不能及時將障礙物信息發(fā)送到?jīng)Q策。

技術(shù)實現(xiàn)要素：

針對激光雷達工程應用中實時性需求問題，本發(fā)明提供一種基于Tegra X1雷達數(shù)據(jù)的無人車障礙物檢測加速方法。

本發(fā)明的基本思想為根據(jù)Tegra X1計算平臺的特點，采用CPU+GPU協(xié)調(diào)工作的方法來進行雷達數(shù)據(jù)的加速處理。本發(fā)明結(jié)合激光雷達在智能車實際應用情況，將道路環(huán)境分為簡單道路環(huán)境和復雜道路環(huán)境。并在此基礎(chǔ)上，針對不同情況，對相應的算法進行優(yōu)化，實現(xiàn)雷達數(shù)據(jù)處理加速，提高了智能車雷達數(shù)據(jù)處理的實時性。

為現(xiàn)實上述目的，本發(fā)明采用如下的技術(shù)方案：

一種基于Tegra X1雷達數(shù)據(jù)的無人車障礙物檢測方法，包括以下步驟：

步驟1、采用velodyne激光雷達作為傳感器采集環(huán)境信息，通過NVIDIA Tegra X1移動處理器進行三維雷達數(shù)據(jù)轉(zhuǎn)換；

步驟2、基于柵格的障礙物檢測，采用GPU處理柵格數(shù)據(jù),包括三個步驟：

將三維數(shù)據(jù)點投影到柵格地圖上；

將所有柵格相對高度大于某個閾值的柵格設(shè)定為障礙物點；

濾去所有因柵格內(nèi)存在懸空點而導致屬性為障礙物的柵格。

作為優(yōu)選，采用向量化的方法將雷達點云數(shù)據(jù)投影到柵格地圖上，通過三維雷達數(shù)據(jù)轉(zhuǎn)換過程中，將轉(zhuǎn)換后的點云數(shù)據(jù)以float4的數(shù)據(jù)格式保存，以warp為處理單位并行獲取障礙信息。

本發(fā)明的方法與現(xiàn)有技術(shù)相比，有效的提高無人車障礙物檢測的實時性，有如下特點：

1、根據(jù)Tegra X1 arm和GPU之間訪存帶寬，我們利用pinned memory來降低了CPU與GPU之間的傳輸消耗。

2、在簡單道路環(huán)境的障礙物檢測上，我們采用一個線程處理一個柵格的方法來處理雷達數(shù)據(jù)，對比工控機的雷達處理性能有了6～7倍的提升。

3、在復雜道路環(huán)境的障礙物檢測上，我們采用一個線程束處理一個柵格的方法來處理雷達數(shù)據(jù)，對比工控機的雷達處理性能有了5～6倍的提升。

附圖說明

圖1為本發(fā)明無人車障礙物檢測方法的流程圖；

圖2為柵格投影流程圖；

圖3為pinned memory和pageable memory帶寬對比圖；

圖4為柵格屬性判斷流程圖；

圖5為thread處理柵格流程圖；

圖6為warp處理柵格流程圖。

具體實施方式

本發(fā)明提供一種基于Tegra X1雷達數(shù)據(jù)的無人車障礙物檢測方法，采用velodyne激光雷達作為傳感器采集環(huán)境信息，搭載NVIDIA Tegra X1移動處理器，實現(xiàn)無人車障礙物檢測。為更進一步說明本發(fā)明在技術(shù)內(nèi)容，創(chuàng)新點效果好，以下結(jié)合實施方式并配合附圖詳細說明。

如圖1所示，本發(fā)明方法分為兩個步驟：1、三維雷達數(shù)據(jù)轉(zhuǎn)換2、障礙物檢測

由于三維雷達數(shù)據(jù)轉(zhuǎn)換過程中，擁有著較多的復雜邏輯處理和事務管理，因此該過程不適合放入GPU中進行運算。因此本發(fā)明通過使用NVIDIA Tegra X1 arm處理器來處理該過程。

由于雷達點云數(shù)據(jù)量非常大(約130萬個點/秒)，不太適合直接在原始數(shù)據(jù)上進行處理。因此采用在國內(nèi)外無人自主車系統(tǒng)中廣泛采用的柵格處理方法來處理雷達點云數(shù)據(jù)。

基于柵格的障礙物檢測分為三個步驟：

1、柵格投影

2、柵格屬性判斷

3、柵格濾波

柵格投影是將三維數(shù)據(jù)點投影到柵格地圖上，其具體算法流程如圖2所示。本發(fā)明采用向量化的方法將雷達點云數(shù)據(jù)投影到柵格地圖上。通過三維雷達數(shù)據(jù)轉(zhuǎn)換過程中，將轉(zhuǎn)換后的點云數(shù)據(jù)以float4的數(shù)據(jù)格式保存。從而可以通過單指令多數(shù)據(jù)的方法將雷達點云數(shù)據(jù)投影到柵格地圖上，提高arm處理器的處理性能。通過分析柵格數(shù)據(jù)，可知柵格之間毫無依賴關(guān)系，即有良好的并行性，因此采用GPU處理柵格數(shù)據(jù)。

在寫內(nèi)核函數(shù)之前，需要考慮GPU與CPU之間的傳輸效率的問題。host內(nèi)存分為pageable memory和pinned memory兩種。pageable memory是通過操作系統(tǒng)API(malloc()，new())分配的存儲器空間；pinned memory始終存在于物理內(nèi)存中，不會被分配到低速的虛擬內(nèi)存中，能夠通過DMA加速與設(shè)備端進行通信。相比于pageable memory，在pinned memory上主機端-設(shè)備端的數(shù)據(jù)傳輸帶寬高。如圖3所示，在Tegra X1上，傳輸32MB的數(shù)據(jù)，在pinned memory上GPU與CPU的傳輸是pageable memory上GPU與CPU的傳輸?shù)?～6倍。而且Tegra X1還支持zero-copy功能，通過該方法將主機端內(nèi)存映射到設(shè)備地址空間，從GPU直接訪問，省掉主存與顯存間進行數(shù)據(jù)拷貝的工作。因此，本發(fā)明與傳統(tǒng)的方法所不同的是，我們結(jié)合Tegra X1的特性，將柵格地圖建立在pinned memory上，來降低傳輸消耗。

在完成柵格投影之后，需要進行的是柵格屬性判斷、柵格濾波兩個步驟。柵格屬性判斷是將所有柵格現(xiàn)對高度(柵格最高點減去最低點)大于某個閾值的柵格設(shè)定為障礙物點。其具體算法流程如圖4所示。柵格濾波是濾去所有因柵格內(nèi)存在懸空點而導致屬性為障礙物的柵格。傳統(tǒng)的方法是先完成所有柵格完成屬性判斷后，再進行柵格濾波的任務。本發(fā)明對其進行了改進，去掉了傳統(tǒng)方法中存在的排序過程，將其改為求極值的問題。其次本發(fā)明將采用的是將柵格判斷和柵格濾波合并為一項任務，在結(jié)合GPU運算的特點，使得柵格不需要等待所以柵格都完成柵格判斷后再進行柵格濾波，從而提高處理性能。

GPU采用SIMT(Signal Instruction Multiple Thread，單指令多數(shù)據(jù))編程模型，其調(diào)度和執(zhí)行的基本單位是warp。其最終執(zhí)行時間由執(zhí)行時間最長的線程決定。因此本發(fā)明將道路環(huán)境分為兩種即簡單道路環(huán)境和復雜道路環(huán)境。

在簡單的道路環(huán)境中，由于道路障礙物數(shù)量少，所以三維點投影在柵格地圖的個數(shù)比較均衡。所以當采用一個線程處理一個柵格的方法來處理柵格數(shù)據(jù)，warp內(nèi)線程的負載較為均衡，處理性能較高。其次本發(fā)明在求極值的過程中，通過減少條件分支，來減少動態(tài)指令，從而提高處理性能。使用？:語句代替if...else...語句是減少動態(tài)指令的主要方式。其具體算法流程如圖5所示。在該道路環(huán)境上，本發(fā)明的處理方法對比工控機的雷達處理方法的性能有了6～7倍的提升。

在復雜的道路環(huán)境中，由于障礙物數(shù)量多，所以三維點投影在柵格地圖的個數(shù)極度不均衡，因此當采用一個線程處理一個柵格的方法來處理柵格數(shù)據(jù)，warp內(nèi)線程的負載極度不均衡，處理性能不高。針對這種情況，本發(fā)明采用了粗粒度并行的方法，選擇warp作為基本并行執(zhí)行單元和任務分配單位即一個warp處理一個柵格。warp內(nèi)的所有線程將協(xié)同完成分配給warp的計算任務。在求柵格的極值時，本發(fā)明通過使用Shuffle技術(shù)，取代一個線程處理一個柵格所需的單指令序列，增加有效帶寬和減少延遲。其次將處理完的數(shù)據(jù)放入共享內(nèi)存中，用一個warp來存放結(jié)果，能有效的減少對全局內(nèi)存的訪問。其具體算法流程如圖6所示。在該道路環(huán)境上，本發(fā)明的處理方法對比工控機的雷達處理方法的性能有了6～7倍的提升。

本發(fā)明通過CPU與GPU的協(xié)同工作實現(xiàn)了雷達數(shù)據(jù)在NVIDIA Tegra TX1移動處理器上的加速處理。算法加速的過程需要根據(jù)算法特點，設(shè)計實現(xiàn)到底層硬件架構(gòu)特征的高效映射。Tegra X1整合了四顆Cortex-A57核心和四顆Cortex-A53核心，同時Tegra X1擁有256采用Maxwell架構(gòu)的GPU，這就需要在程序優(yōu)化過程中，不僅要考慮算法特性，而且還要考慮底層硬件架構(gòu)的特征，最終還需要完成這兩種特征的高效映射，才能實現(xiàn)基于Tegra X1雷達數(shù)據(jù)處理的加速。