智能汽車傳感器實時功能模型及驗證*

詹 軍，董學才，洪 峰，管 欣，王戰古

（吉林大學，汽車仿真與控制國家重點實驗室，長春 130022）

前言

歐洲PEGASUS指出，對于三級及以上的自動駕駛系統需要進行虛擬仿真測試［1］。虛擬傳感是虛擬測試中的一個重要環節，虛擬傳感器模型的質量決定了在仿真中獲得的真實感程度［2-3］。利用虛擬環境下環境感知傳感器進行仿真建模測試［4］，不僅可以在短期內實現對多種路況進行再現測試以及對危險的駕駛情況進行測試，而且可以突破時間限制不間斷地測試，能夠大大縮短產品測試周期，成本也比較低。

在建立智能汽車的傳感器仿真模型時，一般可以分為物理模型建模和功能模型建模［5］。

物理模型對傳感器的具體物理結構和物理原理進行模擬，體現了傳感器的物理特性。例如K?rnfelt等人［6］采用線型調頻技術，開發了一個全系統雷達模擬器，在硬件實現之前，可以研究雷達不同的結構、調制格式和檢測算法。Pro-SiVIC采用射線追蹤并考慮反射情況的方法建立了毫米波物理模型，模擬了其天線工作過程和信號傳播過程，實現了在移動目標較少的工況下的運行［7-9］。鄧偉文基于調頻連續波的頻移鍵控和線性調頻雷達模型，采用擴展卡爾曼濾波方法對多目標進行跟蹤［10-11］，驗證了其在具有自適應巡航控制系統的幾種典型場景下的有效性。

功能模型忽略了傳感器的測量過程直接輸出各個對象被感知的結果［12］。例如陳金令等［13］考慮了激光雷達距離方程、噪聲模型、接收信噪比模型，建立了激光雷達系統的數值仿真模型，有助于雷達系統實驗的方案設計和性能改進。張素民［5］提出的傳感器功能框架模型，采用圓錐體與平面、線段的相交測試算法和最短距離點的求解算法對模型進行構建，并在其交互式駕駛場景中驗證了其模型關鍵方法的可行性和有效性。韓飛等［14］采用分析真實相機中常見的參數計算相對應的虛擬相機參數，計算虛擬相機的相關參數，渲染出該虛擬相機的色彩圖像和深度圖像的方法，建立了虛擬相機模型。

此外，智能汽車控制器測試驗證需要復雜的交通環境，其中的交通車輛模擬也需要帶傳感器的智能汽車模型，計算量大大增加，對計算效率要求更加嚴苛，每個傳感器的計算都需要在微秒級完成，上述兩種傳感器模型大都還不適用于復雜交通場景模型。針對上述研究現狀，本文中建立了虛擬環境下可以適用于多智能汽車并發實時仿真的高效率傳感器功能模型，可以模擬一定的物理現象，并對模型功能和性能進行了有效驗證，且在并發仿真條件下對計算效率進行了驗證。

1 傳感器功能模型的建立

1.1 模型框架

為建立虛擬環境下的傳感器功能模型，本文中搭建了如圖1所示的傳感器框架。模型的輸入包括本車狀態、仿真場景、傳感器參數和環境參數4部分。模型的功能模塊由對象提取、遮擋模擬、輸出模擬和誤差模擬組成。對象提取，是按照傳感器的位置、感知范圍、感知對象類型從仿真場景中快速提取出被感知對象。遮擋模擬，根據對象的幾何輪廓和它們相對傳感器的位置關系，按照圖形幾何學確定出最終的可見對象。輸出模擬，根據傳感器自身特性、被感知對象的輸出格式，為需要對外輸出的可見對象計算理想的輸出數據，得到理想待輸出對象。誤差模擬，表征傳感器特性，在理想待輸出對象的輸出數據上加入高斯白噪聲，形成最終的感知輸出。

圖1 傳感器功能模型的框架

1.2 對象提取

為滿足大規模仿真場景中多車傳感器需求，快速對象提取是基礎［15］。快速提取的工作原理如圖2所示，將仿真空間在慣性系下按照二維平面劃分為連續的正方形網格，所有物體每一時刻在幾何上必將屬于正方形網格中的一個或幾個。為每個需要對外提供信息的物體創建一個被截取對象，根據類型的不同，將被截取對象句柄存儲在所屬正方形網格中不同對象層的對象鏈表中。為每一個需要獲取其他物體信息的模塊創建一個截取模型，每個截取模型將根據傳感器作用范圍先用一個簡單幾何輪廓進行截取，比如圖2中所示的圓形范圍，根據截取范圍所覆蓋的正方形網格，截取模型對象可以訪問正方形網格中不同對象層中的被截取對象，從而實現對被截取對象的快速截取。最后，根據傳感器的幾何探測范圍從被截取對象中按照幾何裁剪原理，進一步提取傳感器目標對象。

圖2 快速提取方法工作原理

1.3 遮擋模擬

陰影體算法，是計算機圖形學領域計算點光源產生陰影效果的一種經典算法［16］。基于陰影體算法，本文中提出了一種在二維平面內判斷對象之間遮擋關系的快速算法，其原理如圖3所示。定義主車車體坐標系V，傳感器坐標系S，兩者X軸方向重合，Y軸方向均指向左側，車體坐標系原點位于車體質心，傳感器坐標原點位于傳感器安裝點。

定義待處理對象的幾何輪廓模型為平面有向包圍盒，如圖 3（a）中表示待處理對象 1的矩形A1B1C1D1，忽略對象不同表面材質對感知結果的影響。

定義待處理對象的可見三角形，是在傳感器坐標系下以傳感器坐標原點S為一個頂點，從待處理對象4個頂點中選出角S最大時的兩個頂點形成的三角形，如圖3（a）所示，待處理對象2的可見三角形為ΔA2SB2，可見三角形離X軸最近的邊與X軸的夾角為最小可見角，可見三角形離X軸最遠的邊與X軸的夾角稱為最大可見角，如圖3（a）中的φ2max，φ2min，此時有如下關系成立：

同理，可得圖3（a）中待處理對象3的可見三角形為ΔD3SB3，最大可見角、最小可見角分別為φ3max，φ3min。

圖3 快速遮擋算法的假設與原理

對待處理對象是否被遮擋進行判斷。如圖3（a）所示，待處理對象3的可見三角形與待處理對象1的輪廓相交，則待處理對象3被遮擋，而待處理對象2則不會被遮擋；對于被遮擋的對象，可進一步根據兩個對象的最大、最小可見角，判斷被遮擋的對象是否仍有部分輪廓對傳感器可見，依次遍歷待處理對象列表中的每一個對象，判斷當前正在遍歷的對象幾何輪廓是否與輸入對象的可見三角形相交。如果相交，則當前正在遍歷的對象已經對輸入對象形成了遮擋，如果傳感器能夠對只有部分輪廓可見的對象進行感知，則需進一步比較可見角。如圖3（b）所示，待處理對象1的輪廓與待處理對象2的可見三角形相交，但是因為 φ2max＞φ1max＞φ2min＞φ1min，所以待處理對象仍有部分輪廓（圖3（b）中加粗線條部分）對傳感器是可見的，激光雷達和毫米波雷達可將這部分輪廓識別為對象。

激光雷達感知對象實際輪廓的確定。在激光雷達建模計算過程中，可以根據激光雷達的掃描角度范圍、水平角度分辨率，在激光雷達坐標系下預先計算出代表每條激光束的線段，并按掃描角度由小到大順序存儲，如圖4所示。當已知對象的最大、最小可見角為φmax，φmin時，可按照如下關系得到與對象可見輪廓相交的角度最大、最小的激光束線段標號。得到兩條激光束與對象可見輪廓的交點，快速獲得對象實際被激光雷達掃描到的輪廓范圍。

式中：αstart為掃描角度范圍的起始；β為水平角度分辨率；indexmax和indexmin分別為與對象可見輪廓相交的角度最大、最小的激光束線段標號。

圖4 激光束計算原理

1.4 輸出模擬

輸出模擬是將快速提取到的大地坐標系下的對象信息轉換到傳感器坐標系、車體坐標系下，并根據傳感器的實際輸出生成輸出量。

對于激光雷達模型，根據得到感知對象的輪廓，計算出形心位置，并根據對象的角度、速度等信息，主車的位置、運動狀態，以及雷達相對主車的安裝位置，利用運動學關系及坐標變換，計算出對象在車體坐標系下的形心位置、速度、橫擺角。

對于毫米波雷達模型，根據可見輪廓計算出對象相對雷達的最近點作為反射點，利用運動學關系及坐標變換將距離、角度、徑向相對速度從大地坐標系轉換到雷達坐標系。

對于照相機模型，將機動車、行人等典型交通參與物的位置、寬度等信息，進行坐標變換，轉化到車體坐標系下進行輸出。對于車道標線和道路邊沿，直接選取感知范圍內等間隔的若干離散點，按照預先設定多項式擬合公式計算擬合參數并輸出。

1.5 噪聲模擬

目前大多數傳感器功能模型對誤差的模擬方法都是在理想輸出結果上添加噪聲來實現［17-18］。雖然很多傳感器感知結果中的噪聲是具有一定頻率范圍的有色噪聲，而且對同一對象不同狀態變量的感知結果可能存在相關性，但是目前大多數文獻都將其簡化為彼此獨立的高斯白噪聲，在多數情況下可以滿足仿真需要［3］，因此，本文中采用高斯白噪聲來模擬傳感器的噪聲，噪聲水平可根據實際傳感器進行設置。

2 傳感器功能模型的仿真驗證

本文中分別參照德爾福ESR毫米波雷達參數、Ibeo四線激光雷達參數、德爾福IFV300單目照相機參數分別建立了3個傳感器模型，對模型進行仿真驗證如下。

2.1 毫米波雷達模型

2.1.1 功能驗證

ESR毫米波雷達模型能夠感知各種移動和靜止的障礙物，將感知結果表示為質點。毫米波功能模型模擬了毫米波雷達對目標徑向相對距離、徑向相對速度、角度的感知。

圖5所示為毫米波雷達模型在復雜交通環境中的感知結果，模型同時檢測了車輛和靜止障礙物，并將正前方車輛識別為ACC跟蹤目標。另外，該驗證是在加了高斯白噪聲之后的圖片示例，其余未標注的是該時刻下的噪點。圖5（a）為虛擬場景的截圖，其中包括車輛和路邊的燈桿，圖5（b）為近程和遠程毫米波雷達感知結果。從圖中可以看出，毫米波雷達可以探知前方的車輛和燈桿，并標注本車道前方車輛4車作為ACC跟蹤目標，同時表征了車輛間的遮擋關系，此時主車速度為30 km／h，目標車車速為50 km／h。

圖6所示為毫米波雷達模型彎道探測過程示意圖。圖6（a）和圖6（b）所示為對面來車未進入主車毫米波雷達探測范圍時的探測結果，圖6（c）和圖6（d）為對面來車進入主車毫米波雷達探測范圍中的探測結果，本圖中關閉了對路燈桿的探測顯示，此時主車車速為0，目標車車速為50 km／h。

圖5 毫米波雷達模型感知結果

圖7 所示為毫米波雷達在前車換道工況的探測結果。圖7（a）和圖7（b）所示為前車在進行換道時的探測結果，此時2車正在進行換道，并對3車和4車形成了遮擋。圖7（c）和圖7（d）為前車換道完成后的探測結果，此時2車已經換道完畢，與3車和4車位于同一車道，其中未標注的點為路燈桿，此時主車車速為0，目標車車速為50 km／h。

圖7 毫米波雷達換道工況感知結果

2.1.2 性能驗證

為驗證毫米波雷達感知的精度，將一輛長4.2 m、寬1.8 m的靜止車輛分別置于前方14.9，34.9，54.9，84.9，124.9和 164.9 m處，角度均為-0.275 7°處，毫米波雷達模型探測結果如圖8所示。

圖8 有噪聲毫米波雷達探測結果

其中設置的理想距離方差和理想角度方差均為σ＝0.5／3＝0.1667，實際探測距離方差平均值為0.166 3，實際探測角度方差平均值為0.158 2。由此可以看出，本文中所建立的毫米波雷達可較為精準地模擬探測障礙物，且探測精度較高。

2.2 激光雷達模型

本文中所建立的激光雷達模型可以感知各種移動、靜止的障礙物，計算出其幾何輪廓，估計分類，并模擬激光雷達對目標相對位置、速度、幾何輪廓的感知過程。

2.2.1 功能驗證

圖9所示為激光雷達模型在復雜交通環境中對周圍的車輛進行有效的感知結果，模型模擬了遮擋效果因此只能感知近處車輛，而且被感知的車輛幾何輪廓并不相同，距離較近且位于主車兩側的車輛可返回較為接近真實值的長度，距離較遠且位于主車正前方的車輛只能返回寬度，長度值很小。

圖9 激光雷達模型感知結果

圖10 所示為激光雷達在前車形成遮擋工況的探測結果。圖10（a）和圖10（b）所示為前車1車對2車存在遮擋，使得2車被激光雷達探測到的部位長度小于所設定的閾值，因此2車不可見。圖10（c）和圖10（d）為前車1車以高于2車的車速繼續行駛，此時2車被1車遮擋的部位不斷減少，激光雷達所能探測到的部位大于所設置的閾值，但其側面未探測到，因此2車只有車身寬度卻沒有車身長度顯示。

2.2.2 性能驗證

為驗證激光雷達的感知精度，將主車置于原點，目標車坐標：X＝80 m，Y＝0，Z＝0，規格：4.2 m×1.8 m，雷達安裝位置：X＝0，Y＝0，Z＝0，激光雷達模型探測數據如表1所示。

圖10 激光雷達模型對象遮擋工況感知結果

表1 激光雷達無噪聲探測結果

由表1可見，本文中所建立的激光雷達仿真模擬探測障礙物時，距離探測值和寬度探測值均與理想值高度一致。

2.3 照相機模型

本文中所建立的照相機模型模擬了照相機對車輛相對位置、縱向速度、寬度、類型和車道標線的感知過程。

2.3.1 功能驗證

本文中所建立的照相機模型能夠對路面的車道標線（本文中設置為4條，主車左右各兩條）進行感知，并且適用于彎道、匝道等道路情況。整體感知結果如圖11所示。

2.3.2 性能驗證

有噪聲情況下，目標車：4.2 m×1.8 m，照相機安裝位置：X＝＋3 m，Y＝0，Z＝0，縱向距離探測精度：2 m，σxexp＝2／3＝0.666 7，橫向距離探測精度：0.5 m，σyexp＝0.5／3＝0.1667。目標寬度探測精度：0.5 m。照相機模型探測數據結果如表2所示。

圖11 照相機模型的總體感知結果

表2 有噪聲照相機探測結果

由表2可見，本文中所建立的照相機模型模擬探測障礙物時，實際的探測距離值和寬度值與理想值基本一致，實際的距離方差和寬度方差也均與理想值偏差較小。

3 模型計算效率驗證

本文中所建立的傳感器模型，在滿足實時計算的同時，提高了計算效率，并能用于仿真場景中的多臺智能汽車。為測試本文中所建立的3種傳感器模型，在普通PC機上分別為每種傳感器同時運行10個參數完全相同的傳感器模型實例，統計每個傳感器模型實例運行10 000次的平均用時，結果如表3所示。計算機處理器型號為Intel（R）Core（TM）i7-4790，主頻3.6 GHz。仿真結果表明，本文中所建立的傳感器功能模型在反映傳感器必要物理特性的同時，計算效率也非常高，用時均在0.2 ms以下，而且支持并發運行，為在虛擬測試平臺上進行多智能汽車并發仿真創造了條件。

表3 3種傳感器模型的平均計算用時

4 結論

基于上述建模框架及關鍵方法，參照車載傳感器產品參數，本文中所建立的毫米波雷達、激光雷達、照相機模型能夠模擬物體之間的遮擋、傳感器感知誤差等物理特性。并在一臺計算機上并發運行幾十個傳感器模型，各模型計算周期均在亞毫秒級，能夠支持多智能汽車同時參與的復雜測試場景實時仿真。