一種智能駕駛汽車的航跡推演方法

陳海鷗，姜 灝，徐達學，樊 瑞

（奇瑞汽車股份有限公司 汽車工程技術研發總院，安徽 蕪湖 241000）

1 引言

隨著汽車工業和人工智能技術的快速發展，具有智能駕駛功能的汽車在市場中逐步廣泛應用。車輛可以通過自身傳感器（如環視攝像頭、超聲波雷達、毫米波雷達等）監測車身周圍環境和車道線、車輛所處位置以及移動或者靜止障礙物信息，融合感知數據，結合AI人工智能算法，控制車輛的行駛軌跡和加減速運動，保障車輛自主、安全、可靠地行駛，并且在遇到障礙物時可以有效地剎停車輛。

對于智能駕駛技術，在高速公路、城郊快速通道、城市道路等路況應用較為常見。要實現車輛自主安全地駕駛，須明確車輛在全局坐標系中的相對位置，在一定區域內可以通過基礎設施改造和SLAM（同步定位和建圖）技術解決定位問題。在室內可以通過UWB（超寬帶寬）定位到厘米級精度。智駕領域針對高速公路或者城郊快速通道實現高精度定位，是一項重要工作。當定位信號薄弱甚至丟失、車輛自身感知模塊無法識別道路情況時，對于智能駕駛來說風險較大。

2 高精定位基本原理

2.1 GNSS定位

車輛通過GNSS信號獲取當前所處位置信息，在世界坐標系下定位精度是米級，差分GNSS可以提供厘米級定位。但是并非所有交通路段都可以得到良好的信號，例如高樓林立的城市道路或者峽谷、涵洞、隧道等隱蔽區域，又或者在電磁場干擾區域，車輛收發電磁波信息受到干擾，造成定位信號薄弱甚至丟失，智能駕駛系統無法從算法上彌補，風險不可控。

如圖1所示，智能駕駛車輛進入高樓林立的城市道路，由于高層建筑物的遮擋導致車輛無法接收定位信號，從而無法明確自身所在環境和位置，危險性較高。

圖1 高樓林立遮擋定位信號

2.2 傳感器定位

智能駕駛控制器通過車載傳感器—前攝像頭獲得周圍環境信息和地理標志（如車道線、道路邊界、交通標志、地理標志、行駛區域標志、限速標志等），融合高精地圖信息，通過視覺電子圍欄配對，獲取車輛局部區域的相對位置。

如圖2所示，車輛迎著太陽強光行駛，車輛的前視攝像頭受強光影響，對前方車道線和交通標志的識別功能降低，相當于盲人駕車行駛，所以風險性極高。

圖2 強光導致前視攝像頭功能降低

上述兩種技術方案，在智能駕駛汽車領域都會存在一定的風險性。為了解決這個問題，高精度慣性模塊介入智能駕駛應用，以自身感知性能為主導，融合高精地圖，嫁接人工智能，完美規避智駕風險工況。

3 航跡推演

3.1 基本原理

針對定位信號丟失或者前視攝像頭強光致盲的情況，慣性模塊的存在就將危險等級降低了幾個數量級，大大提高了車輛的安全性。原因有3點：第一，慣性元件和車載傳感器的原理本質不同，它完全不需要依靠外部資源或信息，它類似一個黑匣子，不需要和外部通信，不需要感知外部環境信息，自身的數據提供航向信息和當前車輛姿態信息，即可進行航跡推算；第二，慣性模塊可以安裝在汽車底盤、安全氣囊或者其他不外露的區域，可以安裝金屬外殼以抵抗外部電磁波的干擾，也不會因為強光、暴雨、大霧等天氣原因或者局部強磁場區域而受到干擾，數據高效可靠；第三，慣性模塊的性能參數和輪速計的輪速信號及轉向盤的轉角信號互相構成冗余，使得輸出數據的置信度遠遠高于其他傳感器。

圖3為智能駕駛航跡推演應用的前攝像頭集成慣性模塊的硬件架構圖。慣性模塊尺寸小巧，可以放置在前視攝像頭中，攝像頭采集的視頻數據和慣性性能數據同時通過LVDS信號鏈路發送給智能駕駛控制器ECU。當然慣性模塊也可以放置在智駕ECU中，融合信號及算法不受影響，從本質上看只是數據傳輸上下鏈路通道的應用不同，融合算法都在控制器，本文以圖3為例介紹電子硬件架構設計方案。

圖3 智能駕駛航跡推演方案硬件架構

圖像傳感器的原始數據通過MIPI總線傳輸給串行器，慣性模塊的數據（包括X、Y、Z三個軸、6個方向的加速度和角速度信息）通過I2C總線傳輸給視頻數據流串行器。串行器內部將數據打包，通過同軸電纜發送給ECU系統解串器解包，由SOC進行分析，數據傳輸鏈路如圖4所示。通過一路同軸電纜或者雙絞線，同時將電源、視頻數據和航向數據同時傳輸，利用頻率差異將其分開。信號數據處理都是在片上系統SOC內部進行。

圖4 數據傳輸鏈路

3.2 軟件方案

智能駕駛汽車的位置組合定位算法與姿態組合算法過程基本相似，但是由于姿態信息是基于車身坐標系表達的數據，而位置信息是基于局部坐標系來表達，因此需要將加速度信息進行坐標變換。加速度一次積分得到速度信息，二次積分得到位置信息。將積分得到的位置信息和視覺感知得到的位置信息進行融合、匹配、校驗，從而獲得準確可靠的空間位置。下面詳細講解過程。

假設車輛的空間位置為矩陣公式X=［p va］T，p表示車輛位置，v表示車速，a表示加速度。另外，假設m表示周期，n表示第n個周期，d表示行駛工況噪聲，則離散系統方程可表示為：

測量過程通過融合算法獲得初始n=0時刻離散數據為：

D為測量噪聲，行駛工況噪聲d和測量噪聲D為相互獨立的呈高斯分布的白色噪聲，互不影響。假設d和D分布概率為P（d）~N（0，Q），P（D）~N（0，R）。公式（2）可轉換為：

公式（3）是通過視覺融合定位技術得到位置信息值以及通過慣性測量單元計算出的線性加速度值Z。在局部坐標系下線性加速度為：

其中車輛坐標系為y，慣導坐標系為x，則由x系變換為y系的坐標。Cxy是姿態更新實時輸出計算出數據，fx為比力加速度值，Cxy通過公式（4）融合加速度和慣性數據得到車身姿態三軸歐拉角度換算式為：

式 中：a——cos；f——sin；e——roll；d——pitch；b——yaw。對于加速度計的輸出數據，可以建立數學模型：

式中：wi，i=1…n——自回歸參數；n——自回歸階數；vj，j=t~t-m——正態分布白噪聲離散序列；m——平滑階數。

根據數據的性質，可以簡化數學模型，建立離散狀態方程可以進行加速度信號擴展型卡爾曼的濾波，對高斯噪聲進行過濾，提高傳感器的輸出精度。同時，在得到位置信息之后，可以進行空間位置的組合匹配定位過程，基于擴展型卡爾曼濾波算法實現，因此整個空間組合定位算法中，一級濾波得到濾噪聲的加速度測量值，二級濾波實現視覺與慣性元件的組合模式，具體過程見圖5。

圖5 空間位置的組合匹配定位過程

圖5 中，βi（i=1，2，3）為數學模型的平滑參數，α為橫滾角，β為俯仰角，γ為航向角。慣性元件直接輸出的測量值fiab，該值是相對于導航系i的旋轉角速度在載體系b下的高階投影。通過卡爾曼濾波優化加速度，其中^為預估算法。再通過坐標變換和數學模型得到加速度信息，再結合公式（1）和（2）實現位置信息的數據融合。

優化的位置數據與速度數據作為下一次位置積分的初始值，修正漂移誤差。數據平滑梯度可以提高轉換精度。

4 結束語

智能駕駛技術的應用提高了車輛的可靠性和安全性，但是由于區域性因素導致定位信號薄弱或者失效會使得車輛行駛致盲。應用慣性模塊融合視覺信息可以滿足上述工況需求，通過離散系統方程、傅里葉變換和反傅里葉變換和歐拉公式等幫助車輛在人工智能AI駕駛算法的基礎上推演一定時間和一定區域的航跡旅程，一方面支持智能駕駛前進軌跡的持續性和軌跡規劃與控制的魯棒性，另一方面為駕駛員接管車輛贏得時間，避免不必要的事故發生，大大提高了車輛的安全駕駛特性，為智能駕駛和無人駕駛領域的開拓性和適應性上提供了可靠的算法支撐。