智能車輛多傳感器融合策略

宋教華

（煙臺(tái)工程職業(yè)技術(shù)學(xué)院，山東 煙臺(tái) 264006）

智能車輛能夠通過車身搭載的傳感器感知交通環(huán)境，自主分析車輛當(dāng)前潛在行車風(fēng)險(xiǎn)，不僅能有效輔助駕駛員操縱決策，而且必要時(shí)還可自主接管車輛，在緩解駕駛疲勞、改善行車安全等方面具有巨大的潛力[1]。自主換道系統(tǒng)作為智能車輛高速公路典型應(yīng)用，能夠根據(jù)道路條件及車車交互信息完成自主調(diào)速、換道控制。

傳感器感知信息是自主換道系統(tǒng)實(shí)現(xiàn)軌跡規(guī)劃、跟蹤控制的前提[2]。傳統(tǒng)自主換道系統(tǒng)研究[3-6]多以理想的道路曲率及車輛間簡(jiǎn)化的相對(duì)運(yùn)動(dòng)為前提假設(shè)，通過匹配采樣周期將數(shù)據(jù)傳入控制器，不涉及傳感器感知、數(shù)據(jù)融合過程。然而，真實(shí)道路環(huán)境中傳感器感知數(shù)據(jù)存在誤差、誤關(guān)聯(lián)等情況，傳統(tǒng)仿真方式勢(shì)必難以驗(yàn)證系統(tǒng)在車輛真實(shí)環(huán)境下的可靠性。因此，本文通過Matlab/Simulink軟件構(gòu)建智能車輛協(xié)同仿真場(chǎng)景，通過設(shè)計(jì)多傳感器融合策略，模擬智能車輛傳感器感知、融合過程，為智能車輛自主換道系統(tǒng)的開發(fā)提供技術(shù)參考。

1 自主換道傳感器方案布置

1.1 高速交通場(chǎng)景特征分析

不同于城市、鄉(xiāng)村道路，高速公路存在參與元素單一、道路結(jié)構(gòu)化程度高、道路線形簡(jiǎn)單、車輛行駛工況較為固定等特點(diǎn)，便于開展智能汽車自主換道測(cè)試。圖1是典型的高速路段行車場(chǎng)景，根據(jù)車輛間相對(duì)速度及間距變化，主車C1運(yùn)動(dòng)可大致分解為

（1）當(dāng)主車C1期望車速小于C2時(shí)，主車保持方向盤轉(zhuǎn)向和油門踏板開度，維持車道居中模式；

（2）當(dāng)主車C1期望車速大于C2時(shí)，主車會(huì)根據(jù)相鄰目標(biāo)車道運(yùn)動(dòng)狀態(tài)，量化換道風(fēng)險(xiǎn)，在滿足安全的條件下并入目標(biāo)車道；否則繼續(xù)保持當(dāng)前車道模式下的跟車運(yùn)動(dòng)。

圖1 典型高速公路行車場(chǎng)景

1.2 傳感器性能特征分析

雷達(dá)、攝像頭是智能汽車感知外界信息的主流傳感器。圖2給出了地平線J2智能攝像頭和德爾福電子掃描雷達(dá)（Electronically Scanned Radar,ESR）性能特征，從圖中可以看出，智能攝像頭在輪廓精度、車道識(shí)別及成本上優(yōu)勢(shì)較強(qiáng)，但性能受環(huán)境影響較大；毫米波雷達(dá)縱向測(cè)量精度較高，抗惡劣天氣，但在物體分類、車道識(shí)別上仍存在較大的局限性。從側(cè)面也說明單一傳感器難以滿足智能車輛高速公路自主換道控制的需求。

圖2 主流傳感器工作性能

1.3 傳感器方案布置

傳感器布置方案可根據(jù)智能車輛行駛場(chǎng)景復(fù)雜程度合理設(shè)計(jì)。為降低傳感器布置成本，根據(jù)自主換道系統(tǒng)所需控制參數(shù)，適當(dāng)簡(jiǎn)化傳感器布置方案，將信息感知分為前向、后向及側(cè)向三大視場(chǎng)。前向、后向視場(chǎng)優(yōu)先級(jí)大于側(cè)向視場(chǎng)，為保證感知信息冗余性，采用德爾福ESR毫米波雷達(dá)和羅技C1000e攝像頭的布置方案；側(cè)向視場(chǎng)采用德爾福側(cè)后方檢測(cè)系統(tǒng)（Rear and Side Detection System, RSDS）雙雷達(dá)布置方案，傳感器工作范圍及布置方案如圖3所示。

圖3 毫米波雷達(dá)和攝像頭傳感器布置方案

2 多傳感器融合策略構(gòu)建

2.1 多傳感器融合特征級(jí)選

傳感器數(shù)據(jù)層級(jí)主要由數(shù)據(jù)級(jí)、特征級(jí)和決策級(jí)構(gòu)成。數(shù)據(jù)級(jí)層級(jí)位于信息融合最底層，能夠最大程度地保留傳感器原始感知數(shù)據(jù)，融合精度高，但伴隨計(jì)算量大、抗干擾能力弱等局限，算法整體實(shí)現(xiàn)難度較大。特征級(jí)層級(jí)基于車輛典型的運(yùn)動(dòng)特征參數(shù)實(shí)現(xiàn)融合，無論在精度、抗干擾能力還是實(shí)現(xiàn)難度上都具備不俗的表現(xiàn)。決策級(jí)層級(jí)位于信息融合的最頂層，是在底層傳感器數(shù)據(jù)決策結(jié)果上進(jìn)行二次關(guān)聯(lián)、判斷，容錯(cuò)能力強(qiáng)、計(jì)算量小。

考慮到智能汽車高速公路自主換道過程中伴隨高速特征，為保證關(guān)聯(lián)過程中感知數(shù)據(jù)的質(zhì)量及實(shí)時(shí)性，前方視場(chǎng)、后方視場(chǎng)采用特征級(jí)融合方案，側(cè)向視場(chǎng)采用決策級(jí)融合方案，決策換道行車風(fēng)險(xiǎn)辨識(shí)結(jié)果。隨后，兩個(gè)視場(chǎng)結(jié)果進(jìn)行廣義融合，輸出滿足智能車輛自主換道控制需求的目標(biāo)信息。

2.2 多傳感器融合策略構(gòu)建

將不確定的傳感器觀測(cè)數(shù)據(jù)與目標(biāo)軌跡相關(guān)聯(lián)，具體流程如圖4所示。車輛行駛過程中傳感器將每個(gè)時(shí)刻感知信息傳入接收器，系統(tǒng)在遍歷所有的觀測(cè)集合和跟蹤目標(biāo)后，將跟蹤目標(biāo)分配給最近的觀測(cè)集合，求解每一個(gè)觀測(cè)量的距離值和關(guān)聯(lián)矩陣，并將最小值關(guān)聯(lián)對(duì)作為最終解。

最小化目標(biāo)函數(shù)為式中，i為測(cè)量值；j為目標(biāo)值；xij為二值變量；Cij為關(guān)聯(lián)矩陣。

當(dāng)求解矩陣行T和列m之間的關(guān)聯(lián)時(shí)，xij關(guān)系可表示為

為更好表示觀測(cè)數(shù)據(jù)與跟蹤目標(biāo)關(guān)聯(lián)準(zhǔn)確度，采用馬氏距離求解。該距離為概率度量，是標(biāo)準(zhǔn)差歸一化后的距離。設(shè)定在第k+1次求解前已然確定了N條軌跡，第k+1次新的觀測(cè)量為zj(k),j=1,2,···,N。第i條軌跡的關(guān)聯(lián)門內(nèi)，定義觀測(cè)j和軌跡i之間的差矢量作為測(cè)量和預(yù)測(cè)的差值，也稱為濾波器殘差εij，即

式中，F(xiàn)為狀態(tài)轉(zhuǎn)移矩陣；H為觀測(cè)矩陣；Sij為εij的協(xié)方差矩陣；dij2為統(tǒng)計(jì)距離的平方；cost(i,j)為成本函數(shù)。

理想工作條件下，當(dāng)傳感器觀測(cè)數(shù)據(jù)與跟蹤目標(biāo)不匹配時(shí)，系統(tǒng)會(huì)增加目標(biāo)軌跡數(shù)量；如果傳感器無法感知跟蹤目標(biāo)，則應(yīng)刪除目標(biāo)軌跡數(shù)量。然而，傳感器遠(yuǎn)程觀測(cè)是基于概率的，對(duì)于實(shí)際存在的目標(biāo)物，傳感器也會(huì)存在短暫失效或誤檢的情況。為改善傳感器目標(biāo)跟蹤的穩(wěn)定性及可靠性，構(gòu)建傳感器目標(biāo)跟蹤保持策略。在觀測(cè)數(shù)據(jù)N次更新中，如果跟蹤目標(biāo)得到M1次檢測(cè)，系統(tǒng)正式確認(rèn)目標(biāo)軌跡；如果跟蹤目標(biāo)在M2次未分配到觀測(cè)數(shù)據(jù)，則刪除目標(biāo)軌跡。

基于Kalman濾波跟蹤器及目標(biāo)車輛前一時(shí)刻的狀態(tài)量，預(yù)測(cè)當(dāng)前時(shí)刻目標(biāo)位置。離散化的物體運(yùn)動(dòng)方程在卡爾曼濾波中為

式中，F(xiàn)k為狀態(tài)轉(zhuǎn)移矩陣；Gk為控制矩陣；vk為噪聲隨機(jī)擾動(dòng)。

假定側(cè)向模型在任意時(shí)刻的測(cè)量值都與當(dāng)前時(shí)刻狀態(tài)相關(guān)，則

式中，wk為當(dāng)前時(shí)間補(bǔ)償下測(cè)量過程產(chǎn)生的噪聲。

線性卡爾曼濾波器的基礎(chǔ)思路如圖5所示。

圖5 卡爾曼濾波工作流程

根據(jù)預(yù)測(cè)的結(jié)果，將雷達(dá)、相機(jī)檢測(cè)到的觀測(cè)值通過應(yīng)用代價(jià)矩陣分配給跟蹤目標(biāo)，計(jì)算預(yù)測(cè)軌跡到觀測(cè)數(shù)據(jù)的差值、門控和數(shù)據(jù)分配的相關(guān)可能性。計(jì)算過程中，無論暫定目標(biāo)還是確認(rèn)目標(biāo)，只要是已分配到觀測(cè)數(shù)據(jù)，其預(yù)測(cè)狀態(tài)都會(huì)隨其觀測(cè)值更新。隨后，重復(fù)上述流程，獲取更多觀測(cè)值，將其分配給跟蹤目標(biāo)，完成目標(biāo)軌跡確認(rèn)、刪除，以此實(shí)現(xiàn)跟蹤目標(biāo)位置、狀態(tài)更新。

3 傳感融合仿真驗(yàn)證

本文通過在Simulink中搭建傳感融合仿真平臺(tái)，基于可視化場(chǎng)景、跟蹤軌跡度量指標(biāo)，驗(yàn)證傳感器布置方案及融合策略的有效性及可靠性。傳感融合仿真模塊如圖6所示。

圖6 傳感融合仿真模塊

圖7為場(chǎng)景示意圖，圖中存在4個(gè)車輛，按預(yù)定運(yùn)動(dòng)軌跡行駛。其中，主車與前后車輛一直保持在中間車道行駛，快車道車輛為超車車輛，在快車道上行駛，直至超越主車前方目標(biāo)車輛后切換回慢車道。

圖7 場(chǎng)景示意圖

主車傳感器在高速路段上工作的可視化場(chǎng)景如圖8所示，圖中圓圈為視覺及雷達(dá)傳感器檢測(cè)結(jié)果。由對(duì)比圖8(a)—圖8(c)可以看出車輛在行經(jīng)過程中，無論是在超車前、超車中還是超車后階段，主車所布置的傳感器方案均能保持對(duì)三個(gè)目標(biāo)車輛識(shí)別、跟蹤。攝像頭和毫米波雷達(dá)數(shù)據(jù)記錄周期設(shè)定為0.1 s，頻率一致，無需進(jìn)一步解算。

圖8 車輛高速路段仿真下的可視化場(chǎng)景

圖9 傳感器軌跡跟蹤仿真結(jié)果

傳感器軌跡跟蹤仿真結(jié)果如圖9所示。圖中包含目標(biāo)軌跡、冗余軌跡及錯(cuò)誤軌跡。目標(biāo)軌跡關(guān)聯(lián)目標(biāo)車輛，冗余軌跡關(guān)聯(lián)地面真值對(duì)象，錯(cuò)誤軌跡不關(guān)聯(lián)任何地面真值對(duì)象，即誤跟蹤。從圖中可以看出，智能車輛行駛過程中，算法所對(duì)應(yīng)的冗余軌跡為零，即不存在數(shù)據(jù)聚類不完全的問題。其次，錯(cuò)誤軌跡值收斂為零，說明策略能夠更好實(shí)現(xiàn)觀測(cè)數(shù)據(jù)與跟蹤目標(biāo)的對(duì)應(yīng)匹配，提供良好的跟蹤性能。

4 結(jié)論

在智能車輛整車研發(fā)過程中，仿真場(chǎng)景的還原度是保障系統(tǒng)在后期實(shí)車測(cè)試性能的關(guān)鍵。本文所設(shè)計(jì)的多傳感器融合策略能夠在高速場(chǎng)景下實(shí)現(xiàn)對(duì)目標(biāo)車輛的持續(xù)跟蹤，模擬智能車輛環(huán)境感知、數(shù)據(jù)融合過程，在仿真開發(fā)階段更加貼近智能車輛高速公路實(shí)際行駛環(huán)境，進(jìn)而為智能車輛自主換道系統(tǒng)的開發(fā)提供技術(shù)參考。