基于任務的高級輔助駕駛系統的環境表示和體系結構

摘要:高級輔助駕駛系統研究多專注于單一的、獨立的、高度特化的任務。盡管現有系統展現出良好的性能，但缺少對環境空間關系的表示能力。空間關系在更高抽象層次上進行場景分析，以進行復雜場景和情況的處理。本文提出一種基于任務的空間表示的生成方法，可以在特定任務下從環境中獲取相關信息。

關鍵詞:輔助駕駛;場景分析;環境表示

中圖分類號:TP18 文獻標識碼:A 文章編號:1674-7712 (2012) 12-0113-01

一、引言

高級輔助駕駛系統的設計主旨是基于明確定義的交通情況下對駕駛者提供支持，例如車距控制。其研究大多專注于獨立且高度特化的單一任務。雖然系統各個性能的評估結果都是良好的，但是任務或環境的變化將導致整個系統的重新設計。此外，所獲取的空間信息僅限于低層傳感器的數據，難以簡單地與各種算法進行整合。本文提出一種整合不同處理模塊結果的方法，該方法在較高抽象層次上利用空間信息以獲取適于特定任務的環境表示。

二、系統描述

完整的系統體系結構包括以下四個部分:

(一)“What”方法

該方法用于分析視景中某區域的細節信息。

1.探測

首先利用注意原理得當前視景的顯著圖，通過最小化復雜度的方式進行視景分解。注意原理是大腦的一種基本信息預處理過程，可以對感知的環境進行預先過濾以最小化其復雜度。注意原理包括以下兩個獨立的驅動方式。自上而下注意原則是基于任務的特定物體的搜索。自下而上則用于搜索非特定物體，以探測視景中潛在的危險[1]。

2.分類

利用基于區域生長的圖像分割算法計算顯著圖的最大值以獲取關注焦點。通過計算關注焦點，圖像中一部分限定區域中的物體經過神經網絡分類器被歸類。不同的是，交通標識單獨使用一組弱分類器進行分類，通過對關注焦點的計算，獲得其屬于某一交通標識類型的概率[2]。

3.信息融合

信息融合過程可以提高各模塊的執行能力。例如通過與數字地圖進行信息融合，可以提高識別交通標識的確定性。數字地圖也稱作電子視界，提供了基于當前位置和方向的經裁剪的地圖，包括當前環境中的靜態物體和道路信息。通過將弱分類器的結果與電子視界進行比對可以提高其分類信任度。此外，數字地圖還可用于在視景中搜索特定物體。

4.長時存儲

長時存儲用于存儲各種對象類型的屬性。基于這些數據，可以進行自上而下視覺注意的計算，因此使得動態搜索所有可能的物體類型成為可能。可以使用車輛、指示牌和交通標識等作為長時存儲的內容。

(二)靜態特定領域任務

該模塊用以提供道路的相關信息。

1.標記路徑探測

標記路徑探測是基于哈夫變換的，其輸入源于注意系統。此時的自上而下注意突顯了黑暗背景下黃色和白色結構。黃色結構又強于白色有助于施工現場路徑標識的處理。經過過濾的視景在進行哈夫變換前首先需要轉換為俯視圖，而且視景中道路的寬度及位置需要預先設定。

2.無標記路徑探測

無標記路徑探測通過評估車輛前方訓練區域的街道和非街道區來探測行駛道路。區域生長算法以測試區域為起點，能夠確保清晰分辨公路和人行道。通過對比訓練區域的街道和非街道的特征，算法產生一個閾值用以進行動態自適應調整。

3.數字地圖

大部分相關研究所使用的數字地圖都是經過處理的地圖數據，僅著重某一特定功能。而這里使用的數字地圖是由電子視界提供的分辨率為0.1米的空間地圖數據，可以展示前方的行駛環境，包括精確的GPS定位、路徑的形狀和方向、交通十字路口、交通標識和交通信號燈等。數字地圖數據還可以作為實際傳感器數據直接使用。數字地圖不僅限于單一功能，是基于任務的表示生成中多種任務的基礎。

4.視景分類

需要明確當前視景的情境，例如城市、鄉村道路、高速公路等，來選擇不同的操縱模式。否則將無法設定處理模塊的參數，也無法設定當前環境下的駕駛規則等。視景分類僅需要使用一張圖片，首先將其分割為16部分，并各自轉換為頻域，然后通過一組高斯濾鏡取樣得到平均功率譜，并運用層次主成分分類器進行分類。

(三)環境交互

系統需要能夠進行環境交互的接口以輔助駕駛者。例如，通過測算障礙物的距離和相應速度并需要緊急制動的情況下，調用危險處理機制。

(四)“Where”方法

該方法用于定位和追蹤較小數目的物體。

1.短時存儲

短時存儲包括多個不同的層次用以存儲不同的對象類型。這樣，由于更新和融合過程只需要處理同一類型的元素而被大大簡化。此外，每一層元素都以米為單位標識，因此不需要描述各元素的高度，不同的類型就粗略反映了其高度。每次圖像刷新后，根據車輛的不規則行進，每層的各個元素基于卡爾曼濾波預測進行移動和旋轉。

2.對象融合

下面需要將新探測到的對象與已知對象進行融合。根據新探測對象的類型選擇不同的層次，例如交通標識層或者物體層。基于新探測物體的位置和大小，搜索短時存儲中相應層某一半徑范圍，如果該范圍內無其它對象，那么該層只需更新新探測到的對象。否則，需要將搜索到的對象與新探測對象進行比較，如果相似度超過閾值，則對象的新位置將被存儲于短時存儲的相應層。

3.對象追蹤

所有對象的探測都是基于直角坐標系的。結合車輛不規則運動以及已探知對象，經過卡爾曼濾波預測，二維探測器從三維信息中獲得其錨點[3]。通過比較當前三維位置與探測對象的位置可以獲得探測對象的類型。如果探測器在當前幀重復探測到某對象，則更新三維信息。如果探測器丟失某對象，系統將中斷當前處理，搜索短時存儲中后續的幀。

4.基于任務的表示的生成

無標記路徑層、標記路徑層和電子視界層整合為第一層，由于是基于冗余數據的，可以有多種整合模式。例如，如果電子視界數據簡化為二維矩陣，無標記路徑層和電子視界層的整合就是簡單的乘法運算以確定行駛路線。而第二、三層的整合是基于當前任務的。假設當前任務為尋找合適的停車位。那么第一層需要與交通標識層進行整合，并只需要保留相關的交通標識，其結果是行駛路徑中的基于停車標識的位置。最后與物體層進行整合，物體層僅需保留行駛路徑中的物體，首先需比較物體與停車線的距離，如果物體較近，那么停車線轉換為該物體的位置。整合結果為當前形式路徑中最近的停車位置的空間信息。

參考文獻:

[1]尹立蘋，于德敏，王永強，許增樸.二值圖像中多目標區域的標號和幾何特征提取[J].計量與測試技術，2006，3

[2]陳限.基于視頻的交通參數采集系統的研究與實現[D].西安:西北大學，2005

[3]張娟.靜態場景中運動目標的快速檢測與跟蹤技術[D].鄭州大學，2010