3. 道路边界感知与提取
道路边界，说白了就是车能跑的安全范围。没有它，路径规划就像蒙着眼开车。我做了这么多年规划控制，见过太多因为边界感知出问题导致的“惊魂时刻”。今天咱们就聊聊，怎么把这条路给“摸”清楚。
3.1 高精地图的边界提取：先验信息的正确打开方式
高精地图就像一张“标准答案”。但它不是实时更新的，所以我们要学会怎么用它。
核心思路：从地图数据中解析出道路的左右边界线。这些边界线通常以矢量点的形式存储。
关键点：高精地图的边界提取，本质是“坐标转换 + 曲线拟合”。
我习惯的做法是这样的：
- 获取当前车辆位置：从GPS/IMU拿到经纬度或UTM坐标。
- 地图匹配：找到车辆所在的道路段（Lane Segment）。
- 提取边界点集：从该道路段中取出左右边界的点序列。
- 曲线拟合：用三次样条或多项式拟合出平滑的边界曲线。
举个例子，从OpenDRIVE格式的地图中提取边界：
// 伪代码：从高精地图提取左边界
Lane currentLane = map.getLaneAtPosition(vehiclePos);
vector<Point> leftBoundaryPoints = currentLane.getLeftBoundaryPoints();
Spline leftBoundarySpline = fitSpline(leftBoundaryPoints);嗯，这里要注意。地图数据里的边界点可能很稀疏，或者有噪声。我建议在拟合前先做一次滤波，去掉那些明显偏离的“野点”。
个人经验：我曾经遇到过一个场景，地图里的边界点因为采集误差，在弯道处出现了“锯齿”。直接用这些点拟合，规划出来的路径也跟着抖。后来我加了一个“角度约束滤波”，只保留曲率变化合理的点，问题就解决了。
3.2 视觉/激光雷达的实时边界检测：应对动态世界的武器
高精地图再准，也赶不上路况的变化。施工、临时路障、积雪覆盖……这些时候，就得靠传感器实时感知。
3.2.1 基于视觉的边界检测
摄像头便宜，信息丰富。但缺点也很明显——怕暗、怕逆光、怕雨雾。
常用方法：
- 语义分割：用深度学习模型（如UNet、DeepLab）把图像中的道路、路沿、护栏等像素分类出来。
- 边缘检测：用Canny算子提取图像中的边缘，再通过霍夫变换或聚类找到直线/曲线边界。
- 车道线检测：专门针对车道线设计的算法，如LaneNet。
我个人更倾向于语义分割。为什么？因为它能区分“路沿”和“车道线”，这对规划来说很重要。路沿是物理边界，车不能压；车道线是规则边界，紧急时可以压一下。
# Python示例：用OpenCV做简单的边缘检测
import cv2
import numpy as np
def detect_boundary(image):
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray, 50, 150)
# 霍夫变换检测直线
lines = cv2.HoughLinesP(edges, 1, np.pi/180, 100)
return lines避坑指南：我曾经在一条林荫道上吃过亏。阳光透过树叶洒下来，地面全是斑驳的光影。Canny边缘检测直接“炸了”，把树影当成了边界。后来我加了“阴影抑制”预处理，才稳住。记住，视觉算法对光照变化极其敏感。
3.2.2 基于激光雷达的边界检测
激光雷达（LiDAR）是“硬核”选手。它直接给你3D点云，不受光照影响。但贵，而且稀疏。
常用方法：
- 地面分割：用RANSAC或Patchwork算法分离地面点和非地面点。
- 障碍物聚类：对非地面点做欧式聚类，找到路沿、护栏等结构。
- 边界拟合：从聚类结果中提取边界点，拟合出曲线。
你想想看，激光雷达的点云是三维的。但道路边界其实是个二维问题。所以，我通常会把点云投影到鸟瞰图（BEV）上处理，这样更直观，计算量也小。
// C++示例：基于PCL的地面分割
pcl::SACSegmentation<pcl::PointXYZ> seg;
seg.setOptimizeCoefficients(true);
seg.setModelType(pcl::SACMODEL_PLANE);
seg.setMethodType(pcl::SAC_RANSAC);
seg.setDistanceThreshold(0.2);
seg.setInputCloud(cloud);
seg.segment(*inliers, *coefficients);个人经验：激光雷达的边界检测，最怕的是“低矮路沿”。有些路沿只有5-10厘米高，点云扫过去就那么几个点。我试过好几种方法，最后发现“多帧融合”最靠谱——把连续几帧的点云叠加起来，路沿就明显了。
3.3 融合策略：让1+1大于2
高精地图和实时传感器，各有各的脾气。我的做法是“地图为主，传感器为辅”。
| 场景 | 主信源 | 辅信源 | 说明 |
|---|---|---|---|
| 正常道路 | 高精地图 | 视觉/激光雷达 | 地图提供先验，传感器做校验 |
| 施工区域 | 激光雷达 | 视觉 | 地图失效，靠传感器重建边界 |
| 隧道/地库 | 激光雷达 | 视觉 | GPS信号弱，地图定位不准 |
| 雨雾天气 | 高精地图 | 激光雷达 | 视觉基本废了，靠地图和雷达 |
说白了，就是“信地图，但不迷信地图”。当传感器检测到的边界和地图偏差超过一定阈值（比如30厘米），我会触发“边界更新”逻辑，临时用传感器数据替代地图数据。
3.4 本章知识体系
下面这张图，是我自己总结的边界感知流程。你看一眼，心里就有谱了。
这张图把整个流程串起来了。从数据源到最终输出，每一步都有它的意义。我个人觉得，最容易被忽视的是“置信度评估”这一步。很多团队只做融合，不做评估，结果地图和传感器打架时，系统就懵了。
核心总结：道路边界感知不是“选一个方法”，而是“组合一套方案”。高精地图给骨架，传感器给血肉，融合算法给灵魂。
好了，这一章的内容就到这里。边界感知是路径规划的“眼睛”，眼睛亮了，后面的路才好走。