面向稀疏路網車輛行駛安全的瞬態縱向最優化識別區域模型研究

周勁草，馬玉春，魏　朗

(1.長安大學汽車學院，陜西 西安 710064； 2.新疆大學機械工程學院，新疆 烏魯木齊 830046； 3.長安大學公路學院，陜西 西安 710064)

0　引言

我國內蒙古、西藏和新疆地域遼闊，在這些區域的道路網普遍呈現稀疏特性.稀疏路網工況作為一種特殊高速道路工況，該類稀疏路網的特點是路網密度低、道路連通度差、道路車流量小、車輛運行車速較快，道路技術等級整體偏低，且往往處于人口稀少區域.[1]一旦發生事故不易被發現，事故死亡率較高，因此如何降低交通事故的發生顯得尤為重要.

隨著科學技術的發展，機器視覺技術在提高車輛主動安全行駛中得到了廣泛的應用.[2-4]文獻[5-6]采用了單目視覺進行縱向安全距離測量的算法，給出了一種基于單目視覺的智能車輛前方障礙物識別與測距方法，該算法實現了縱向距離低于50 m障礙物距離測試，然而在50～100 m內卻無法進行測量.上述算法只能運用于低速行駛的城市道路，卻無法運用于稀疏路網工況.為解決這一問題，文獻[7]給出了一種基于擬合的高速道路單目視覺測距算法，該算法實現了10～100 m范圍內的障礙物縱向安全距離測算，使得單目視覺測距技術能夠運用于高速行駛工況下的高速道路，然而該算法在測量距離大于70 m測量誤差很大，不能運用于稀疏路網工況下的縱向安全距離測算.

針對上述問題，本文首先建立了兩種常見發散態縱向識別區域模型，依據車輛操縱穩定性仿真進行了優化分析，并獲取瞬態縱向最優化識別區域模型，量化了穩態成像焦距值與檢測范圍關系；其次基于Carsim完成了復雜路況下的制動距離多樣化分析，并由修正安全制動距離計算出了最優化識別區域模型對應的穩態成像焦距值.

1　瞬態縱向最優化識別區域模型

圖1　車載視覺成像范圍與水平角關系

如何恰當的選擇檢測區域，對于后續車輛檢測十分重要.合適的興趣檢測區不僅能夠降低計算量，而且能夠有效排除如路牌等物體的干擾進而提高識別的準確性.目前市場上流行的行車安全預警設備所采用的魚眼視角雖然能夠有效覆蓋城市道路工況，若不加改進而應用于稀疏路網工況，不僅會造成對非興趣區域的過識別，而且還會忽略有效縱向安全距離內目標的識別.當車輛所載視覺感知設備選用不同焦距時獲取到的檢測范圍會有所不同(如圖1所示).為了獲取適合于稀疏路網工況下的最佳行車檢測區域及所對應的焦距值，本文結合車輛操縱穩定性原理及麋鹿實驗對兩種發散性縱向識別模型進行了分析，并提出收斂性瞬態最佳縱向識別區域模型，再根據稀疏路網固有特性及多附著系數態工況下的車輛制動仿真，最終得出適用于稀疏路網工況下的最佳行車檢測區域.

作為一種特殊高速工況的稀疏路網，事故的發生多由于駕駛員疲憊駕駛或未能及時注意前方出現的車輛造成.當車載視覺傳感器焦距選擇過小，會出現如圖2所示的縱向過識別區及縱向欠識別區.

當車載視覺傳感器焦距選擇過大(如圖3所示)，此時雖然提高了縱向行駛區域的檢測范圍，然而卻會疏漏橫向鄰域內的檢測，造成橫向漏識別區.

圖2　縱向發散態識別區域模型　圖3　橫向發散態識別區域模型

圖2和3中：d1，d2和d3分別為車輛縱向臨界制動距離、縱向最大制動距離和視覺傳感器有效檢測域值距離，S為車道總寬度.該模型下車輛有效監測域Se=(d3-d1)×S，過監測域So=d1×S，弱監測域Sw=(d2-d3)×S.由于采用過小焦距，使得在弱監測區域內所檢測圖像像素較低，不利于縱向距離的準確計算.在高速行駛中，因為駕駛員對于前方較近距離內車輛保持警惕，此刻視覺預警不僅沒有起到實際提醒作用，而且會增加駕駛員的緊張情緒.

當車輛由于換道行使，監測盲區突然出現在縱向監測區域內時，駕駛員會因有效制動距離不足，對方向盤施加一個激增力矩，以試圖規避障礙物.為了研究這種激增力矩對于行車安全的影響，本文基于Carsim進行了模擬實驗，采用D級車、SUV和卡車3種常見車型，模擬道路工況為路面附著系數φ1=0.2的雪天和φ2=0.4的雨天工況，模擬輸入力矩為250 N·m，采用麋鹿實驗[8-9]分析各種車輛規避前方障礙過程.實驗道路采用如圖4(a)所示的曲線行駛道路，部分仿真結果如圖4(b)所示.

圖4(b)中Target所代表的是設定行駛路線，其余曲線代表不同車速及路面附著系數所對應的車輛實際運動軌跡.計算公式為

(1)

圖4　曲線行駛道路(a)及部分結果(b)

圖5　收斂態縱向預警區域模型

因此上述車輛的發散態縱向識別區域不能夠滿足稀疏路網工況下車輛縱向預警需求.為解決該問題，提出了如圖5所示的收斂態縱向預警區域模型.

2　車輛有效制動域模型

為得到穩態成像焦距值，必須獲取最小制動距離d1；為提高算法安全度，首先建立有效制動區域模型并基于Carsim進行模擬仿真獲取臨界制動區域；為提高安全系數進行臨界制動域修正.

2.1　有效制動區域仿真

車輛在稀疏路網下行駛時，從t時刻駕駛員在Xn(t)處發現前方車輛到采取相應的制動措施，經歷Δtn時間后靜止于相距前車d0的Xn(t+Δt)處，這一過程見圖6.

圖6　高速道路避險制動行駛示意圖

當t時刻駕駛員發現前方出現靜止障礙時，試圖采用階躍制動力矩使車輛由初始車速靜止，為研究不同車輛在道路附著系數工況下的制動距離，本文基于Carsim軟件進行了模擬實驗，采用D級車、SUV、卡車及輕型皮卡4種常見車型，模擬道路工況為路面附著系數φ1=0.2的雪天和φ4=0.8的干燥道路2種極限工況，采用開環控制的階躍制動力矩進行研究.實驗道路采用制動距離測試道路，初始車速分別設定為120，90，和60 km/h.仿真道路設置及部分結果如圖7所示.

圖7　仿真道路設置(a)及部分結果(b)

2.2　有效制動區域修正

由于Carsim中仿真僅僅考慮由車輛本身參數及路面附著系數所決定的制動工況，然而在實際道路行駛中，必須考慮駕駛員反應時間及安全停車間隙等問題，因此在上述仿真結果基礎上加入保險系數(η)、停車間距(d0)及反應時間(t).采用公式

d*=η(vt+Sb)+d0

(2)

所示的安全跟車距離進行修正計算[10].其中：d*為安全車距；η為保險系數，取值范圍是1.05～1.1，本文取1.1；v為兩車相對車速，假設前車靜止，此時v等于初始車速；Sb為仿真所得車輛制動距離；d0為停車后兩車間距，本文取值為5 m；t為反應時間，反應時間包括駕駛員發現緊急情況采取制動的反應時間和制動器反應時間之和，受駕駛員年齡、駕駛經驗以及車型的影響，文獻[7]指出我國駕駛員平均反應時間取值范圍通常是0.73～0.93 s，本文取值為0.93 s.

令圖7中車輛制動曲線函數為f(t)，則最小制動距離d1計算公式為

(3)

表1　最佳車載視覺成像焦距　mm

3　實驗及分析

為獲取最佳車載視覺成像焦距值在單目視覺測距精確值，采用雙靜態實驗-單目視覺設備保持靜止，靶源測試板靜止.實驗場地為干燥、平坦及清潔的瀝青混凝土路面，坡度路面小于2%，直線實驗長度為100 m.

實驗硬件采集系統：海康威視DS-2CD4010FWD圖像采集器、聯想L197WA顯示器、i-Ei TANK-820工控機、科電KD65-12蓄電池、紐福克斯7962NB逆變器及信息輔助采集裝置、尼康D 90，最高分辨率4 288像素×2 848像素(見圖8(a)).

軟件系統采用自行編寫的基于Visual C++和OpenCV計算系統(見圖8(b)).

(a)信息實時采集系統　　　　　　　　　　　　　(b)縱向安全距離實時計算系統

所用圖像采集設備均屬于APS-C畫幅，因此初始焦距均設定為82 mm.部分實驗結果如圖9所示.

圖9　實驗測定的部分結果

為說明文中給出的算法能夠有效單目視覺縱向測距精度，以文獻[6-7]所述算法進行對比，結果如表1所示.

表2　測量結果對比　m

測量誤差對比如圖10所示，本文算法的相對測量誤差(Relative Error，RE)和絕對誤差(Absolute Error，AE)遠遠低于文獻[6-7].文獻[6]雖然在60 m之內具有較高準確性，然而大于60 m距離進行測量的相對誤差較大.文獻[7]測量相對誤差隨測量距離增大而迅速增大，當測量距離大于70 m時，絕對誤差已經遠遠超過20 m.這是因為在進行單目視覺測距時為覆蓋非興趣監測區域而選擇過小的檢測焦距，在進行高縱向圖像特征點坐標逆換算時造成曲線擬合發散.

圖10　本文算法與文獻測量誤差的對比

4　結語

由收斂態縱向預警區域模型所得車載視覺成像設備焦距，能夠有效提高高速道路縱向行車安全距離計算精度，更加符合稀疏路網工況實際要求.

[參考文獻]

[1]劉曉鋒，常云濤，王珣.稀疏路網條件下的無人飛機交通監控部署方法[J].公路交通科技，2012，29(3)：124-129.

[2]WEN X，SHAO L，FANG W，et al.Efficient feature selection and classification for vehicle detection[J].Ieee Transactions on Circuits & Systems for Video Technology，2015，25(3)：508-517.

[3]REZAEI M，TERAUCHI M，KLETTE R.Robust vehicle detection and distance estimation under challenging lighting conditions[J].IEEE Transactions on Intelligent Transportation Systems，2015，16(5)：2723-2743.

[4]CHEN Y L，WU B F，HUANG H Y，et al.A real-time vision system for nighttime vehicle detection and traffic surveillance[J].IEEE Transactions on Industrial Electronics，2011，58(5)：2030-2044.

[5]袁雨桐.基于單目視覺的智能車前方障礙物識別與測距[D].長春：吉林大學，2016.

[6]郭磊，徐友春，李克強，等.基于單目視覺的實時測距方法研究[J].中國圖象圖形學報，2006，11(1)：74-81.

[7]劉永濤.基于環境感知技術的客運車輛危險行駛狀態辨識技術研究[D].西安：長安大學，2015.

[8]劉喜東，劉應東.考慮轉向速度的汽車操縱穩定性分析[J].機械工程學報，2011，47(10)：95-100.

[9]熊璐，陳晨，馮源.基于Carsim/Simulink聯合仿真的分布式驅動電動汽車建模[J].系統仿真學報，2014，26(5)：1143-1148.

[10]徐杰，杜文，孫宏.跟隨車安全距離的分析[J].交通運輸工程學報，2002，2(1)：101-104.