智能車輛多傳感器融合策略

宋教華

（煙臺工程職業技術學院，山東 煙臺 264006）

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

傳感器感知信息是自主換道系統實現軌跡規劃、跟蹤控制的前提[2]。傳統自主換道系統研究[3-6]多以理想的道路曲率及車輛間簡化的相對運動為前提假設，通過匹配采樣周期將數據傳入控制器，不涉及傳感器感知、數據融合過程。然而，真實道路環境中傳感器感知數據存在誤差、誤關聯等情況，傳統仿真方式勢必難以驗證系統在車輛真實環境下的可靠性。因此，本文通過Matlab/Simulink軟件構建智能車輛協同仿真場景，通過設計多傳感器融合策略，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的開發提供技術參考。

1 自主換道傳感器方案布置

1.1 高速交通場景特征分析

不同于城市、鄉村道路，高速公路存在參與元素單一、道路結構化程度高、道路線形簡單、車輛行駛工況較為固定等特點，便于開展智能汽車自主換道測試。圖1是典型的高速路段行車場景，根據車輛間相對速度及間距變化，主車C1運動可大致分解為

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

（2）當主車C1期望車速大于C2時，主車會根據相鄰目標車道運動狀態，量化換道風險，在滿足安全的條件下并入目標車道；否則繼續保持當前車道模式下的跟車運動。

圖1 典型高速公路行車場景

1.2 傳感器性能特征分析

雷達、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（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、車道識別及成本上優勢較強，但性能受環境影響較大；毫米波雷達縱向測量精度較高，抗惡劣天氣，但在物體分類、車道識別上仍存在較大的局限性。從側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智能車輛行駛場景復雜程度合理設計。為降低傳感器布置成本，根據自主換道系統所需控制參數，適當簡化傳感器布置方案，將信息感知分為前向、后向及側向三大視場。前向、后向視場優先級大于側向視場，為保證感知信息冗余性，采用德爾福ESR毫米波雷達和羅技C1000e攝像頭的布置方案；側向視場采用德爾福側后方檢測系統（Rear and Side Detection System, RSDS）雙雷達布置方案，傳感器工作范圍及布置方案如圖3所示。

圖3 毫米波雷達和攝像頭傳感器布置方案

2 多傳感器融合策略構建

2.1 多傳感器融合特征級選

傳感器數據層級主要由數據級、特征級和決策級構成。數據級層級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據，融合精度高，但伴隨計算量大、抗干擾能力弱等局限，算法整體實現難度較大。特征級層級基于車輛典型的運動特征參數實現融合，無論在精度、抗干擾能力還是實現難度上都具備不俗的表現。決策級層級位于信息融合的最頂層，是在底層傳感器數據決策結果上進行二次關聯、判斷，容錯能力強、計算量小。

考慮到智能汽車高速公路自主換道過程中伴隨高速特征，為保證關聯過程中感知數據的質量及實時性，前方視場、后方視場采用特征級融合方案，側向視場采用決策級融合方案，決策換道行車風險辨識結果。隨后，兩個視場結果進行廣義融合，輸出滿足智能車輛自主換道控制需求的目標信息。

2.2 多傳感器融合策略構建

將不確定的傳感器觀測數據與目標軌跡相關聯，具體流程如圖4所示。車輛行駛過程中傳感器將每個時刻感知信息傳入接收器，系統在遍歷所有的觀測集合和跟蹤目標后，將跟蹤目標分配給最近的觀測集合，求解每一個觀測量的距離值和關聯矩陣，并將最小值關聯對作為最終解。

最小化目標函數為式中，i為測量值；j為目標值；xij為二值變量；Cij為關聯矩陣。

當求解矩陣行T和列m之間的關聯時，xij關系可表示為

為更好表示觀測數據與跟蹤目標關聯準確度，采用馬氏距離求解。該距離為概率度量，是標準差歸一化后的距離。設定在第k+1次求解前已然確定了N條軌跡，第k+1次新的觀測量為zj(k),j=1,2,···,N。第i條軌跡的關聯門內，定義觀測j和軌跡i之間的差矢量作為測量和預測的差值，也稱為濾波器殘差εij，即

式中，F為狀態轉移矩陣；H為觀測矩陣；Sij為εij的協方差矩陣；dij2為統計距離的平方；cost(i,j)為成本函數。

理想工作條件下，當傳感器觀測數據與跟蹤目標不匹配時，系統會增加目標軌跡數量；如果傳感器無法感知跟蹤目標，則應刪除目標軌跡數量。然而，傳感器遠程觀測是基于概率的，對于實際存在的目標物，傳感器也會存在短暫失效或誤檢的情況。為改善傳感器目標跟蹤的穩定性及可靠性，構建傳感器目標跟蹤保持策略。在觀測數據N次更新中，如果跟蹤目標得到M1次檢測，系統正式確認目標軌跡；如果跟蹤目標在M2次未分配到觀測數據，則刪除目標軌跡。

基于Kalman濾波跟蹤器及目標車輛前一時刻的狀態量，預測當前時刻目標位置。離散化的物體運動方程在卡爾曼濾波中為

式中，Fk為狀態轉移矩陣；Gk為控制矩陣；vk為噪聲隨機擾動。

假定側向模型在任意時刻的測量值都與當前時刻狀態相關，則

式中，wk為當前時間補償下測量過程產生的噪聲。

線性卡爾曼濾波器的基礎思路如圖5所示。

圖5 卡爾曼濾波工作流程

根據預測的結果，將雷達、相機檢測到的觀測值通過應用代價矩陣分配給跟蹤目標，計算預測軌跡到觀測數據的差值、門控和數據分配的相關可能性。計算過程中，無論暫定目標還是確認目標，只要是已分配到觀測數據，其預測狀態都會隨其觀測值更新。隨后，重復上述流程，獲取更多觀測值，將其分配給跟蹤目標，完成目標軌跡確認、刪除，以此實現跟蹤目標位置、狀態更新。

3 傳感融合仿真驗證

本文通過在Simulink中搭建傳感融合仿真平臺，基于可視化場景、跟蹤軌跡度量指標，驗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為場景示意圖，圖中存在4個車輛，按預定運動軌跡行駛。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車輛后切換回慢車道。

圖7 場景示意圖

主車傳感器在高速路段上工作的可視化場景如圖8所示，圖中圓圈為視覺及雷達傳感器檢測結果。由對比圖8(a)—圖8(c)可以看出車輛在行經過程中，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三個目標車輛識別、跟蹤。攝像頭和毫米波雷達數據記錄周期設定為0.1 s，頻率一致，無需進一步解算。

圖8 車輛高速路段仿真下的可視化場景

圖9 傳感器軌跡跟蹤仿真結果

傳感器軌跡跟蹤仿真結果如圖9所示。圖中包含目標軌跡、冗余軌跡及錯誤軌跡。目標軌跡關聯目標車輛，冗余軌跡關聯地面真值對象，錯誤軌跡不關聯任何地面真值對象，即誤跟蹤。從圖中可以看出，智能車輛行駛過程中，算法所對應的冗余軌跡為零，即不存在數據聚類不完全的問題。其次，錯誤軌跡值收斂為零，說明策略能夠更好實現觀測數據與跟蹤目標的對應匹配，提供良好的跟蹤性能。

4 結論

在智能車輛整車研發過程中，仿真場景的還原度是保障系統在后期實車測試性能的關鍵。本文所設計的多傳感器融合策略能夠在高速場景下實現對目標車輛的持續跟蹤，模擬智能車輛環境感知、數據融合過程，在仿真開發階段更加貼近智能車輛高速公路實際行駛環境，進而為智能車輛自主換道系統的開發提供技術參考。