自動駕駛汽車障礙物檢測技術綜述

楊晨曦 李軍

重慶交通大學 機電與車輛工程學院，重慶 400074

0 前言

自動駕駛車輛是一個集成了多種ADAS（Advanced Driver Assistance System）的平臺，其中，感知系統是開發ADAS 的一個非常重要的部分，如圖1 所示，它必須實時、可靠、準確地執行，沒有任何誤報。針對汽車行駛路線上的障礙物檢測技術，研究者提出了多種計算與實現手段，如基于激光雷達的方法，多傳感器信息融合的方法和神經網絡訓練的方法等。本文介紹了電磁波信號、圖像信息和多信息融合3 種檢測方法，并綜述了無人駕駛汽車障礙物檢測技術的研究現狀。

1 電磁波信息的障礙物檢測

1.1 二維激光雷達

激光雷達測量精確，成本低，并能很好地應用于車輛，但對環境條件很敏感，如反射光、發射器和接收器表面的降雨、路面上的水坑、水滴等因素會顯著降低檢測性能。其中，二維激光雷達可用于平面掃描，結構比較簡單，成本較低，系統也相對穩定。

PENG Y 等人[1]提出了一種基于二維激光雷達信息的、安全高效的障礙物檢測和自動避障算法，算法框圖如圖2 所示。該檢測算法可通過計算機對激光雷達點云數據信息進行濾波運算和聚類分析，以實時獲取障礙物信息，并使用KITTI 數據庫得到的實驗結果驗證了所提出的方法在城市場景中的適用性和有效性。該障礙物檢測和避障算法具有數學模型簡單、實時性好的優點，但同樣只能檢測靜態障礙物，具有一定的局限性。

為解決上述問題，TAKAHASHI M 等人[2]開發了一個基于二維激光雷達和高速嵌入式微控制器的緊急避障模塊。該模塊可以用來檢測靜態和動態障礙物，包括人行道上的路肩、行人和車輛等。其中，激光雷達用來檢測障礙物，微處理器用來預估障礙物的運動以及快速啟動緊急避障系統。此方法彌補了不能檢測動態障礙物的缺陷。

1.2 三維激光雷達

與二維激光雷達相比，三維激光雷達能夠獲取更全面的空間三維信息，更廣的檢測范圍，實現更優的檢測效果。其工作原理圖如圖3 所示。

LARSON J 等人[3]提出了一種利用三維激光雷達檢測負障礙物的方法。首先對地形進行分析和估計，然后利用支持向量機（support vector machine，SVM）分類器來識別地形中的負障礙物。負障礙檢測的最佳解決方案是短距離SVM 和遠程負障礙檢測的結合。在此基礎上，SHANG E 等人[4]提出了一種新的三維激光雷達裝置，以提高掃描線的密度，使其檢測負障礙物更容易。采用支持向量機對背景中的負障礙進行分類，同時，在貝葉斯框架下對特征進行組合，試驗驗證了該方法的有效性。

1.3 毫米波雷達

毫米波雷達傳感器是一個工作頻段在毫米波波段以上的高精度傳感器。與其他激光雷達產品相比，毫米波雷達系統對霧、煙、灰塵、云的檢測、穿透、攔截能力極強，受外界惡劣環境干擾影響小，但過于昂貴，并且在向多個方向探測目標方面表現也不夠好，其工作原理圖如圖4 所示。南京航空航天大學吳榮燎等人[5]應用毫米波雷達來設計自動安全行車駕駛及輔助系統，省去許多人工反應時間。

毫米波雷達傳感器技術在高速路面動態障礙物信息實時檢測及采集處理方面也進行了廣泛和深入的研究以及應用，主要是用來實時檢測體積密度較大和結構復雜的塊狀障礙物，但實際上，它實時輸出后得到的低速路面動態障礙物信息還是相當復雜，對雷達信號和濾波電路等信號處理算法方面仍然有著很高的計算性能要求，并且還是比較難以快速深入地檢測道路障礙物的具體細節。

2 圖像信息的障礙物檢測

雖然雷達和激光傳感器可以高精度地測量到障礙物的距離，但很難獲得它們的橫向位置。然而，橫向位置信息是估計碰撞可能性所必需的，此時就需要用到基于視覺的障礙物檢測系統。

2.1 單目視覺

單目視覺用一個攝像頭就可以完成相應工作的檢測技術[6]?；趯崟r單目視覺的車輛智能障礙物識別系統是當今全球智能車輛機器視覺算法的一大主流。但單視覺方法存在的缺點是在距離估計、被檢測物體的識別以及在匹配不同位置物體真實尺寸的同時，對物體類別進行分類算法的復雜性。

SAHA S 等人[7]提出了一種基于實時單目視覺的障礙物檢測、規避與識別技術，并設計了一個實時數學模型來準確估計出從攝像機到障礙物之間的一個實時的相對安全距離。該技術響應速度快，但因為捕獲的圖像中檢測不到足夠的特征點，所以在圖像模糊和黑暗環境下表現效果不好。

為了解決這一問題，JIA B 等人[8]提出了一種能夠有效地通過陰影和路面標記來區分障礙物的實時障礙物檢測方法。該方法通過連續幀分離出真實的障礙物和具有運動特征的路面標記，然后引入濾波器來增加正確檢測障礙物區域的概率，最后有一個更新過程以減少假陽性。

2.2 立體視覺

雙目立體視覺通常是指用兩臺一樣的攝像機，從兩個視角觀察同一景物，其工作原理圖如圖5 所示[9]。雙目攝像頭因其成本較低，測量距離較為精準，而且可以測量障礙物深度等優點而被廣泛應用于障礙物檢測技術[10]。

但是雙目攝像頭也有它的局限性。當圖像包含復雜的道路場景時，神經網絡分類器在檢測特征方面的性能會受到限制，此外，神經網絡需要大量的圖像樣本和訓練時間，計算負荷較大[11]。

為解決這一問題，HUH K[12]根據檢測到的車道信息，選擇感興趣區域（region of interest，ROI）以減少計算負擔。障礙物檢測系統被設計為可以提供領先車輛和切入車道的側方車輛的位置。采用魯棒方法選擇檢測到的障礙物的數據對，并通過特征匹配和特征聚合來確定合格的對。在初始檢測后，系統對障礙物執行跟蹤算法，并對自身車輛與障礙物之間的距離和航向角等參數進行估算，可以有效地進行障礙物檢測與避障。

3 多信息融合的障礙物檢測

車輛環境感知功能的實現以傳感器對車輛周圍環境信息的采集為基礎，所采集數據的準確性與完整性直接影響到后續感知識別的準確性，而單傳感器進行數據采集時往往存在環境魯棒性低，穩定性差，檢測盲區明顯等缺點。為了能夠全面地獲取駕駛環境信息，使用多傳感器進行環境感知成為了當下的主流。

3.1 融合方式

無人駕駛汽車的多傳感器信息融合技術是最近的研究熱點[13]。目前，主要有三種用于障礙物檢測的傳感器組合，包括相機與激光雷達（camera and laser radar，CL）、相機與毫米波雷達（camera and millimeter-wave radar，CR），以及相機-激光雷達-毫米波雷達（camera，laser radar and millimeter-wave radar，CLR）傳感器組合，其中最常用的是相機與毫米波雷達的傳感器組合[14]。

BI X 等人[15]提出了一種基于毫米波雷達信號和相機圖像信息的動態車輛追蹤檢測技術和靜態行人的跟蹤與檢測的新方法，融合算法框圖如圖6 所示。

上述方法能有效對障礙物進行檢測，但存在以下問題：（1）毫米波雷達和相機數據融合后計算量較大；（2）雷達的ROI 的大小是基于先驗知識來設置的；（3）ROI 的大小和位置都是估計值，可能會導致信息不完整或信息過多，增加了分析的難度。

ZHANG X 等人[16]利用毫米波雷達來獲取障礙物的信息，并通過對數據進行濾波，提取出有效的目標；然后，利用坐標系轉換和攝像機參數校準，將有效目標投影到圖像平面上，生成感興趣區域；最后，基于圖像處理和機器學習技術，對ROI 中的車輛目標進行檢測和跟蹤。該方法不需要對整個圖像進行處理，大大減少了數據處理量，提高了算法的效率，更有利于工程實現。

CL、CLR 傳感器組合可以提供更大范圍的分辨率，并通過激光雷達點云和深度地圖信息精確地了解周圍環境，提高整個自主系統的安全冗余度[17]。WU T E等人[18]研究了基于激光雷達與相機融合的行人檢測技術，利用激光雷達深度傳感器返回的三維點云信息對物體的形狀進行進一步的檢測，以減少在基于相機的行人檢測中經常出現的假陽性率和物體遮擋問題，其提出的激光雷達與相機融合設計彌補了兩個傳感器的缺點，在檢測方面比其他傳感器更穩定。

3.2 融合水平

除了上述分類方法，傳感器信息融合還可以分為高水平融合（high-level fusion，HLF）、低水平融合（low-level fusion，LLF）和中級融合（mid-level fusion，MLF）。高級融合是指每個傳感器分別執行檢測或跟蹤算法，然后將結果組合成一個全局決策。SHAHIAN JAHROMI B 等人[19]利用高水平融合的方法來融合處理后的數據，即獨立地處理雷達信號和激光雷達點云信號，然后使用非線性卡爾曼濾波方法來檢測障礙物和目標跟蹤。

YOO J H 等人[20]提出了一種新的三維目標檢測方法，使用低水平融合的方法來處理激光雷達和相機的數據，使用基于感興趣區域的特征池分別融合激光雷達和相機的特征。該方法可有效融合從相機和激光雷達數據中分別提取的空間特征圖，并在KITTI 和nuScenes 數據集上對所提出的方法進行評估，其目標檢測結果優于KITTI 排行榜中先進的3D 目標檢測器。但是，在實踐中，LLF 方法也帶來了許多挑戰，尤其是在其實現方面，需要對傳感器進行精確地校準。

MLF 也被稱為特征級融合，是LLF 和HLF 之間的一個抽象級別。它融合了從相應的傳感器數據中提取的多目標特征，如從雷達和激光雷達的圖像或位置特征中提取的顏色信息，然后對融合的多傳感器特征進行識別和分類。LI Y 等人[21]提出了一種特征級融合的框架，用于在計算和通信能力有限的情況下，以較低的錯誤率實現對動態環境的目標檢測。利用符號動態濾波（symbol dynamic filtering，SDF）算法從多個紅外傳感器中提取低維特征，然后將提取的特征融合為集群，用合成聚類（agglomerative hierarchical clustering，AHC）算法進行移動目標的檢測。但是，其需要很大的訓練集來找到最重要的特征子集。在提取和融合每個傳感器的特征之前，需要進行精確的傳感器校準。

4 結束語

本文分別介紹了基于電磁波信息、圖像信息和多信息融合3 種方法對周圍環境進行感知，分析了其各自的優缺點（見表1）。綜合上述分析，車輛環境感知功能的實現以傳感器對車輛周圍環境信息的采集為基礎，所采集數據的準確性與完整性直接影響到后續感知識別的準確性，而單傳感器進行數據采集時往往存在環境魯棒性低，穩定性差，檢測盲區明顯等缺點，難以應對全天候、全天氣、全場景的駕駛環境。如果將多種傳感器獲取的信息進行綜合分析，就可以大大提高系統的準確性和魯棒性，提高無人駕駛車輛的安全性。因此，利用多傳感器融合技術對環境進行感知正在得到越來越多的應用，也是科研人員的研究熱點。然而，傳感器融合面臨著很多問題，比如時空同步問題，各模態數據增強后的特征如何對齊，如何有效融合實現1+1＞1，如何實時在車輛上運行等，這將是需要進一步去解決的問題。

表1 各檢測類型的優缺點