視覺感知下的人工勢(shì)場(chǎng)設(shè)計(jì)與避撞路徑規(guī)劃

張宇航，冀 杰，馬慶祿，柏 鑒，陳云飛

(1.西南大學(xué) 工程技術(shù)學(xué)院， 重慶 400715； 2.重慶交通大學(xué) 交通運(yùn)輸學(xué)院， 重慶 400074)

0 引言

路徑規(guī)劃是自動(dòng)駕駛領(lǐng)域的熱點(diǎn)研究?jī)?nèi)容，在實(shí)現(xiàn)自動(dòng)駕駛功能、保證行駛安全方面發(fā)揮著重要作用。目前，用于主動(dòng)避撞的常見路徑規(guī)劃算法有A*算法[1]、Dijkstra算法[2]、RRT算法[3]和人工勢(shì)場(chǎng)法等。其中，人工勢(shì)場(chǎng)法具有結(jié)構(gòu)簡(jiǎn)單、成熟高效和便于底層控制的特點(diǎn)，在實(shí)時(shí)避障和平滑軌跡控制方面得到廣泛應(yīng)用，但也存在局部最小值和無法到達(dá)目標(biāo)點(diǎn)的問題。為解決上述問題，學(xué)者們開展了大量研究[4-6]，但將其應(yīng)用于車輛路徑規(guī)劃仍需考慮道路邊界和車輛動(dòng)力學(xué)限制。針對(duì)結(jié)構(gòu)化道路的車道邊界問題，安林芳等[7]考慮道路邊界、障礙物和最小安全間距，按正弦曲線構(gòu)建障礙點(diǎn)；Huang等[8]融合人工勢(shì)場(chǎng)和阻力網(wǎng)絡(luò)理論，按車道邊界和車輛動(dòng)力學(xué)劃分道路網(wǎng)格。為確保能夠自適應(yīng)車輛的速度變化，Liu等[9]根據(jù)車輛相對(duì)速度構(gòu)建速度勢(shì)場(chǎng)，基于模糊推理自適應(yīng)分配速度勢(shì)場(chǎng)和人工勢(shì)場(chǎng)的權(quán)值；Lu等[10]和Song等[11]根據(jù)障礙物的質(zhì)量和加速度重新設(shè)計(jì)了障礙物勢(shì)場(chǎng)。對(duì)于彎道超車路徑規(guī)劃，張家旭等[12]分別利用螺旋下降函數(shù)、斜坡正弦函數(shù)和指數(shù)函數(shù)構(gòu)建彎道下的引力場(chǎng)、斥力場(chǎng)和道路邊界場(chǎng)。

分析上述文獻(xiàn)可知，國(guó)內(nèi)外學(xué)者針對(duì)人工勢(shì)場(chǎng)在結(jié)構(gòu)化直線道路上的應(yīng)用做了許多積極的探索。然而，對(duì)其在彎道方面的研究相對(duì)匱乏。同時(shí)，目前多數(shù)研究只在仿真環(huán)境下對(duì)算法進(jìn)行分析，缺乏試驗(yàn)驗(yàn)證環(huán)節(jié)。為獲取勢(shì)場(chǎng)所需參數(shù)，進(jìn)行實(shí)車試驗(yàn)，于振中等[13]利用激光跟蹤儀和超聲測(cè)距傳感器返回機(jī)器人和障礙物的位置信息，但定位精度和測(cè)距范圍有限；鮑久圣等[14]利用激光SLAM實(shí)現(xiàn)定位與感知；胡習(xí)之等[15]利用UWB和GPS實(shí)現(xiàn)室內(nèi)定位，采用毫米波雷達(dá)和攝像頭檢測(cè)前方物體，雖具有較高的檢測(cè)精度，但主要適用于巷道、室內(nèi)等相對(duì)封閉環(huán)境，且缺乏道路信息，無法應(yīng)用于結(jié)構(gòu)化道路。

綜上，本文中提出了一種基于單目視覺的人工勢(shì)場(chǎng)設(shè)計(jì)和避撞路徑規(guī)劃驗(yàn)證方法。通過單目視覺采集圖像，利用傳統(tǒng)圖像處理和深度學(xué)習(xí)的方法獲取道路和障礙物的參數(shù)信息，由此構(gòu)建人工勢(shì)場(chǎng)。另外，提出一種改進(jìn)的人工勢(shì)場(chǎng)算法，適用于直道和彎道的路徑規(guī)劃。仿真和實(shí)車試驗(yàn)證明了算法的可行性。

1 面向主動(dòng)避撞的路徑規(guī)劃系統(tǒng)框架

為便于研究結(jié)構(gòu)化道路下的人工勢(shì)場(chǎng)構(gòu)建，建立如圖1所示的道路和車輛坐標(biāo)系。假設(shè)道路包含主車道和超車道，車輛坐標(biāo)系原點(diǎn)Ov定義為車輛質(zhì)心，Xv軸指向車輛正前方，Yv軸指向車輛左側(cè)。道路坐標(biāo)系原點(diǎn)O定義為主車質(zhì)心右側(cè)車道線上點(diǎn)，X軸、Y軸與車輛坐標(biāo)系平行。其中，道路坐標(biāo)系位置固定，車輛坐標(biāo)系隨著車輛的移動(dòng)而改變。圖1(b)中，Oo、R、θ分別為彎道的曲率中心、極徑和極角。

圖1 直道和彎道下的道路與車輛坐標(biāo)系

基于單目視覺感知周圍環(huán)境包括車道線、道路寬度以及前方車輛位置，以此構(gòu)建主車道引力場(chǎng)、道路邊界場(chǎng)和障礙物斥力場(chǎng)，融合得到車輛在行駛過程中的人工勢(shì)場(chǎng)，利用梯度下降法獲得避撞路徑。另外，以RTK精確定位信息為參考，利用仿真分析和實(shí)車試驗(yàn)對(duì)算法進(jìn)行檢驗(yàn)，并以車輛最小間距、航向角和橫向距離偏差作為評(píng)價(jià)參數(shù)對(duì)所得路徑進(jìn)行定量評(píng)估，判斷是否符合主動(dòng)避撞的功能要求。路徑規(guī)劃系統(tǒng)的總體框架如圖2所示。

圖2 路徑規(guī)劃系統(tǒng)總體框架

2 面向人工勢(shì)場(chǎng)的車道與車輛信息

2.1 車道線檢測(cè)和寬度測(cè)距

車道線及其寬度是設(shè)計(jì)人工勢(shì)場(chǎng)的關(guān)鍵參數(shù)。由于透視成像原理，車載相機(jī)拍攝的道路圖像會(huì)使原本平行的車道線相交于消失點(diǎn)[16]，導(dǎo)致不能采用單一模型擬合多條車道線。因此，需要根據(jù)逆透視變換模型，把圖像中的成像點(diǎn)轉(zhuǎn)化為世界坐標(biāo)點(diǎn)，從而將圖像轉(zhuǎn)換為鳥瞰圖(IPM)，使車道線互相平行，其表達(dá)式為

(1)

式中：Zc為相機(jī)安裝高度；u、v為像素坐標(biāo)點(diǎn)；Xw、Yw、Zw為世界坐標(biāo)點(diǎn)；R為相機(jī)的旋轉(zhuǎn)矩陣；T為相機(jī)的平移矩陣；fx、fy為相機(jī)焦距；u0、v0為相機(jī)的焦點(diǎn)；O為1×3的零矩陣。

針對(duì)道路車道變白、變長(zhǎng)和路面變暗的特點(diǎn)，采用文獻(xiàn)[17]提出的濾波算法進(jìn)行處理，表達(dá)式為

xi′=2xi-(xi-δ+xi+δ)-|xi-δ-xi+δ|

(2)

在實(shí)際場(chǎng)景中，陰影、路面雜物和車道損傷等因素都會(huì)影響特征的提取，直接對(duì)所有特征點(diǎn)擬合的結(jié)果準(zhǔn)確率較低。因此，利用隨機(jī)采樣一致法(RANSAC)區(qū)分車道線特征與噪點(diǎn)，篩選出最符合車道特征的局內(nèi)點(diǎn)；隨后采用最小二乘法對(duì)局內(nèi)點(diǎn)進(jìn)行擬合，提高檢測(cè)的準(zhǔn)確性，主要步驟如下：

步驟1根據(jù)車道線的形狀特點(diǎn)，選取拋物線模型進(jìn)行求解，表達(dá)式為：

y=ax2+bx+c

(3)

步驟2隨機(jī)抽取3個(gè)特征點(diǎn)，列出三維方程組求解參數(shù)a、b和c：

(4)

步驟3為檢驗(yàn)擬合的效果，設(shè)定評(píng)價(jià)指標(biāo)S。S越小，說明模型更能準(zhǔn)確地表達(dá)車道線。評(píng)價(jià)指標(biāo)S表達(dá)式為

(5)

式中：n是采樣點(diǎn)個(gè)數(shù)。重復(fù)步驟1—3，多次迭代取S最小時(shí)的參數(shù)為最優(yōu)模型參數(shù)。

步驟4篩選所有接近最優(yōu)模型的樣本點(diǎn)作為局內(nèi)點(diǎn)，局內(nèi)點(diǎn)應(yīng)滿足：

(6)

式中：ε為設(shè)定的距離誤差。利用最小二乘法對(duì)局內(nèi)點(diǎn)進(jìn)行求解，見式(7)。使所有點(diǎn)到擬合曲線偏差的平方和最小，最終可實(shí)現(xiàn)對(duì)車道線的精準(zhǔn)檢測(cè)。

(7)

對(duì)于車道寬度，可在檢測(cè)出車道線的基礎(chǔ)上建立測(cè)距模型進(jìn)行求解。根據(jù)車道線位于地面，即Zw=0的先驗(yàn)條件，由式(1)推導(dǎo)出地面位置世界坐標(biāo)和像素坐標(biāo)的變換關(guān)系如式(8)所示。

(8)

相機(jī)安裝在車輛橫向的中心位置，在相機(jī)前方，即圖像中間位置固連一條縱向和橫向引導(dǎo)線，兩者與車輛保持相對(duì)靜止，見圖3。其中，Ll、Lm和Lr為引導(dǎo)線與車道線之間的交點(diǎn)，W和Wr表示車道寬度和車輛相對(duì)道路右邊界的偏移量。分別將Ll、Lr和Lm的像素坐標(biāo)(u,v)代入式(8)即可得到其世界坐標(biāo)(Xl,Yl)、(Xr,Yr)和(Xm,Ym)，據(jù)此可得到W和Wr表達(dá)式為：

圖3 車道測(cè)距模型示意圖

W=|Xl-Xr|

(9)

Wr=|Xm-Xr|

(10)

2.2 基于Yolo-3DBox的車輛目標(biāo)檢測(cè)

使用Yolo-3DBox神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)目標(biāo)的3D檢測(cè)。首先采用YOLOv4算法對(duì)目標(biāo)的位置和類別進(jìn)行檢測(cè)，該算法利用CSPDarknet53主干網(wǎng)絡(luò)提取圖像特征，結(jié)合SPP模塊和FPN-PAN結(jié)構(gòu)對(duì)提取的淺層特征進(jìn)行加工、增強(qiáng)，最后利用滑動(dòng)窗口的思想對(duì)目標(biāo)框的坐標(biāo)和種類同步回歸，從而得到物體的2D檢測(cè)框。在此基礎(chǔ)上，結(jié)合Deep3DBOX[17]的思想，通過數(shù)據(jù)集的中位數(shù)和預(yù)測(cè)偏差直接回歸物體的維度D，利用透視原理和相機(jī)內(nèi)參，采用MultiBin Loss損失函數(shù)回歸物體的方向角R(θ)，最后根據(jù)目標(biāo)的維度、方向角和3D包圍盒到2D檢測(cè)框的幾何投影約束，最小重投影誤差即可得到3D包圍盒的中心坐標(biāo)T，由此得到目標(biāo)的3D包圍盒。YOLO-3DBox網(wǎng)絡(luò)架構(gòu)框圖如圖4所示。

圖4 YOLO-3DBox網(wǎng)絡(luò)架構(gòu)框圖

算法在KITTI數(shù)據(jù)集上的檢測(cè)效果如圖5所示。圖5的上部分為2D檢測(cè)結(jié)果和類別得分，下部分為3D檢測(cè)結(jié)果和目標(biāo)與相機(jī)的相對(duì)位置(x=31.11 m,y=4.06 m)。

圖5 目標(biāo)檢測(cè)結(jié)果

3 基于人工勢(shì)場(chǎng)的路徑規(guī)劃

為了定量描述人工勢(shì)場(chǎng)，設(shè)定如下場(chǎng)景：汽車行駛在直道或彎道上，主車道前方存在1輛靜止車輛。基于上述場(chǎng)景設(shè)計(jì)對(duì)應(yīng)的人工勢(shì)場(chǎng)，主要包含主車道引力場(chǎng)、道路邊界場(chǎng)和障礙物斥力場(chǎng)。

3.1 主車道引力場(chǎng)

參考引力勢(shì)場(chǎng)設(shè)計(jì)方法，將主車道中心線上的點(diǎn)作為引力點(diǎn)，使道路勢(shì)能在橫向上從主車道中心線向兩側(cè)逐漸增大，縱向上沿行駛方向逐漸減小，確保車輛在非避撞情況下沿主車道中心線行駛，由此構(gòu)建直道工況下的主車道引力場(chǎng)函數(shù)為

(11)

式中：α為主車道引力場(chǎng)所占權(quán)重；Xp為縱向路徑搜索長(zhǎng)度；Ym和Yl分別為主車道中心線和道路左邊界的橫坐標(biāo)。對(duì)于彎道工況，道路橫坐標(biāo)對(duì)應(yīng)極徑R，道路縱坐標(biāo)對(duì)應(yīng)極角θ，構(gòu)建彎道主車道引力場(chǎng)函數(shù)為

(12)

式中：θp為極角搜索范圍；Rm和Rl分別為主車道中心線和道路左邊界的極徑。

直道和彎道的主車道引力場(chǎng)三維分布如圖6 所示。

圖6 主車道引力場(chǎng)曲面

3.2 道路邊界場(chǎng)

根據(jù)道路行駛規(guī)范，車輛一般情況下應(yīng)保持在當(dāng)前車道行駛，前方存在障礙物時(shí)，可在保證安全的前提下向左換道超車，但要避免與道路邊沿發(fā)生碰撞。因此，設(shè)計(jì)的道路邊界場(chǎng)應(yīng)滿足如下要求：

1) 非避撞區(qū)域內(nèi)，設(shè)定兩車道中心線處勢(shì)場(chǎng)幅值最小，向兩側(cè)逐漸增大，在道路邊沿達(dá)到最大值。

2) 避撞區(qū)域內(nèi)，為保證順利換道，設(shè)定道路中間區(qū)域勢(shì)場(chǎng)幅值全部為0，其他與非避撞區(qū)域相同。

根據(jù)以上要求，在障礙物前后一定距離設(shè)定避撞區(qū)域，其大小參考動(dòng)量守恒定律，根據(jù)車輛當(dāng)前速度下的剎車距離來確定，表達(dá)式如(13)所示。另外，為防止勢(shì)場(chǎng)突變，應(yīng)在避撞和非避撞區(qū)域間設(shè)一平滑過渡區(qū)域，保證規(guī)劃路徑的連續(xù)性。

(13)

Xs=1.2Xc

(14)

式中：Xc、Xs分別為避撞區(qū)域和平滑過渡區(qū)域半徑；m為被控車輛質(zhì)量；v、vobs分別為被控車輛和障礙物車輛的速度；Fm為車輛單輪最大制動(dòng)力。

由此，設(shè)定道路邊界場(chǎng)在橫向和縱向的幅值變化函數(shù)為

(15)

(16)

式中：Ym和Yp分別為主車道和超車道中心線的橫坐標(biāo)；Pm為設(shè)定的道路中界勢(shì)能；Xobs為障礙物的縱坐標(biāo)。

得到道路邊界場(chǎng)的幅值變化函數(shù)為

A(X,Y)=A(X)×A(Y)

(17)

選擇相對(duì)平緩的三角函數(shù)對(duì)變化函數(shù)歸一化，最終得到道路邊界場(chǎng)表達(dá)式為

(18)

式中，W為單車道寬度。

同理，可得到彎道邊界場(chǎng)表達(dá)式，這里不再詳細(xì)介紹。道路邊界場(chǎng)的三維分布如圖7所示。

圖7 道路邊界場(chǎng)的三維分布

3.3 障礙物斥力場(chǎng)

與道路邊界相比，障礙物的危險(xiǎn)系數(shù)較高，因此，參考傳統(tǒng)人工勢(shì)場(chǎng)中的指數(shù)函數(shù)，構(gòu)建符合車輛外形的橢圓避障區(qū)域，得到障礙物斥力場(chǎng)的表達(dá)式為

Uo(X,Y)=|exp[-px(X-Xobs)2-py(Y-Yobs)2]-Pt|

(19)

式中：Pt為設(shè)定的勢(shì)能閾值；px、py分別為斥力場(chǎng)在縱向和橫向上的指數(shù)參數(shù)，其值影響斥力場(chǎng)的作用范圍。

根據(jù)人工勢(shì)場(chǎng)的設(shè)計(jì)原則，斥力勢(shì)場(chǎng)應(yīng)在避撞區(qū)域的臨界點(diǎn)處恰好為0，越靠近障礙物時(shí)斥力勢(shì)能越大。因此，設(shè)計(jì)縱向指數(shù)參數(shù)px為

(20)

障礙物的橫向參數(shù)主要根據(jù)換道過程中的橫向位移和車輛的轉(zhuǎn)向特性。理想條件下，車輛在主動(dòng)避撞過程中應(yīng)從主車道的中心線移動(dòng)到超車道的中心線，也就是橫向位移為單條車道寬度。同時(shí)，為保障規(guī)劃路徑的平滑，滿足車輛的運(yùn)動(dòng)學(xué)約束，設(shè)定車輛的橫向位移在避撞過程中按正弦曲線變化。因此，結(jié)合px設(shè)定橫向指數(shù)參數(shù)py為

(21)

將px、py代入式(19)即可得到障礙物斥力場(chǎng)的三維分布，如圖8所示。

圖8 障礙物斥力場(chǎng)的三維分布

3.4 面向避撞的人工勢(shì)場(chǎng)

直接將3種勢(shì)場(chǎng)疊加融合，即可得到如圖9所示的面向避撞的人工勢(shì)場(chǎng)的三維分布，表達(dá)式為

圖9 人工勢(shì)場(chǎng)的三維分布

U(X,Y)=Um(X,Y)+Ur(X,Y)+Uo(X,Y)

U(R,θ)=Um(R,θ)+Ur(R,θ)+Uo(R,θ)

(22)

利用梯度下降法得到人工勢(shì)場(chǎng)的等高面圖及其確定的避撞路徑，如圖10所示。其中，紅色曲線即按梯度下降最快方向確定的避撞路徑。

圖10 道路等高面圖及避撞路徑示意圖

4 路徑規(guī)劃結(jié)果分析

為檢驗(yàn)本文算法的有效性，分別對(duì)3種工況的路徑規(guī)劃結(jié)果進(jìn)行分析，并通過Matlab/Carsim對(duì)路徑進(jìn)行跟蹤仿真，仿真參數(shù)設(shè)置如表1所示。

表1 仿真參數(shù)設(shè)置

4.1 靜態(tài)障礙物的直線道路

該場(chǎng)景下，假設(shè)被控車輛以恒定速度(10、20、25 m/s)行駛在主車道中心線上，前方存在靜止車輛。此時(shí)，避撞路徑及相關(guān)分析結(jié)果見圖11。

圖11顯示了不同速度下的避撞路徑、航向角和質(zhì)心間距。由圖11(a)和(b)可看出，被控車輛在10、20、25 m/s速度下的縱向避撞距離分別為40、100、140 m，最大航向角分別為0.257、0.122、0.088 rad。經(jīng)對(duì)比分析發(fā)現(xiàn)，被控車輛速度越快，規(guī)劃路徑的縱向避撞距離越長(zhǎng)，最大航向角越小，變化越平緩。由此可以證明，新路徑規(guī)劃算法能夠自適應(yīng)車輛速度調(diào)整轉(zhuǎn)向快慢，保證車輛在換道過程中的平穩(wěn)性和舒適性。圖11(c)顯示，在3種速度下，車輛與障礙物之間的質(zhì)心間距在兩車輛平行時(shí)達(dá)到最小值，分別為3.60、3.74、3.86 m，近似等于車道寬度W，兩車之間能保持足夠的距離，符合安全性要求。

圖11 靜止障礙物的直道路徑分析結(jié)果

4.2 動(dòng)態(tài)障礙物的直線道路

該場(chǎng)景下，假設(shè)被控車輛以恒定速度20 m/s行駛在主車道中心線上，前方存在勻速運(yùn)動(dòng)(5、10、15 m/s)的車輛。根據(jù)車輛之間的相對(duì)速度規(guī)劃避撞路徑，分析結(jié)果見圖12。

圖12(a)、(b)為障礙車輛不同速度時(shí)被控車輛的避撞路徑和航向角變化曲線。經(jīng)對(duì)比可發(fā)現(xiàn)，車輛之間的相對(duì)速度越小，避撞路徑的縱向距離越小，最大航向角越大，變換越迅速。圖12(c)為避撞過程中兩車之間的質(zhì)心間距，分別為3.73、3.72、3.57 m。圖12(d)中選取障礙物速度為10 m/s的避撞路徑進(jìn)行動(dòng)態(tài)分析，其中實(shí)線和虛線矩形分別代表不同時(shí)間下的主車與障礙車輛所在位置。可以證明，在前方存在動(dòng)態(tài)障礙物的情況下，采用新算法規(guī)劃的路徑在保證足夠安全距離的同時(shí)能盡量縮短換道的縱向距離，減少占用超車道的時(shí)間。

圖12 動(dòng)態(tài)障礙物的直道路徑分析結(jié)果

4.3 靜態(tài)障礙物的彎曲道路

該場(chǎng)景下，被控車輛以恒定速度20 m/s行駛在固定曲率半徑的彎曲道路上，主車道上存在靜止車輛。根據(jù)城市道路設(shè)計(jì)規(guī)范，選取曲率半徑300、400、650 m的彎道進(jìn)行仿真分析，結(jié)果如圖13所示。

圖13 不同曲率道路的路徑規(guī)劃分析結(jié)果

圖13(a)所示為不同曲率半徑下的路徑規(guī)劃結(jié)果，可以看出生成的無避撞路徑足夠平滑。圖13(b)所示為換道過程中的航向角變化，由于道路是彎曲的，導(dǎo)致航向角不斷增加，但總體而言仍存在先增大、后減小的趨勢(shì)，能夠保證車輛實(shí)現(xiàn)主動(dòng)避撞目標(biāo)后回到主車道行駛。由圖13(c)可知，被控車輛與障礙物車輛相互平行時(shí)距離最近，近似等于車道寬度。

4.4 路徑跟蹤仿真

為驗(yàn)證規(guī)劃路徑的跟蹤性能，利用Simulink/CarSim聯(lián)合仿真，對(duì)被控車輛速度為20 m/s、前方存在靜止障礙物這一場(chǎng)景的路徑進(jìn)行跟蹤仿真。

圖14(a)展示了采用Carsim成熟駕駛員模型(DM)控制器跟蹤路徑結(jié)果和規(guī)劃路徑結(jié)果；圖14(b)展示了規(guī)劃路徑的曲率變化，顯示整體曲率較為連續(xù)，不存在階躍式突變現(xiàn)象，最大曲率為0.013 m-1，能滿足車輛的運(yùn)動(dòng)學(xué)約束。

圖14 路徑跟蹤仿真結(jié)果

圖14(c)和(d)顯示了跟蹤過程的誤差，表明在行駛過程中規(guī)劃路徑與跟蹤路徑的最大橫向偏差不超過0.094 m，航向角偏差最大不超過0.021 rad。仿真結(jié)果表明，新算法生成的無碰撞路徑具有較好的跟蹤性能。

5 實(shí)車試驗(yàn)

為進(jìn)一步驗(yàn)證主動(dòng)避撞系統(tǒng)的有效性，結(jié)合現(xiàn)有條件，選取一段空曠的結(jié)構(gòu)化直線道路作為試驗(yàn)場(chǎng)地(包含左右雙車道和車道線)。被控車輛前方停放靜止車輛，試驗(yàn)場(chǎng)景與實(shí)車平臺(tái)如圖15所示。

圖15 試驗(yàn)場(chǎng)景與設(shè)備實(shí)拍圖

試驗(yàn)平臺(tái)為具有阿克曼線控轉(zhuǎn)向的無人駕駛平臺(tái)，搭載的主要設(shè)備包括：① 司南M300接收機(jī)和GNSS天線，與基站配合獲取高精度RTK定位信息，實(shí)現(xiàn)車輛自身的厘米級(jí)定位；② 車載相機(jī)和16線激光雷達(dá)，實(shí)現(xiàn)對(duì)前方道路以及周圍障礙物的感知；③ USBCAN系列CAN接口卡，使PC機(jī)可通過USB連入CAN網(wǎng)絡(luò)，進(jìn)行CAN總線數(shù)據(jù)采集和處理；④ 輪速傳感器，實(shí)時(shí)檢測(cè)車輛的速度和車輪轉(zhuǎn)角。

試驗(yàn)基于ROS架構(gòu)實(shí)現(xiàn)各模塊間的通信。感知模塊根據(jù)相機(jī)采集的圖像實(shí)現(xiàn)前方車道線參數(shù)和障礙物位置的檢測(cè)；路徑規(guī)劃模塊基于感知信息規(guī)劃車輛主動(dòng)避撞的局部路徑；控制模塊根據(jù)規(guī)劃路徑、車輛幾何模型和GPS定位信息發(fā)出控制指令，并通過USBCAN卡將執(zhí)行指令發(fā)送到線控底盤，控制無人車的速度和轉(zhuǎn)向，實(shí)現(xiàn)路徑跟蹤。

圖16所示為環(huán)境感知的檢測(cè)結(jié)果。實(shí)線為車道線的檢測(cè)結(jié)果，x=8.36 m和y=0.86 m為障礙車輛與被控車輛在縱向和橫向上的相對(duì)距離。根據(jù)這些信息，建立當(dāng)前場(chǎng)景的人工勢(shì)場(chǎng)，并基于此進(jìn)行路徑規(guī)劃，試驗(yàn)結(jié)果如圖17所示。

圖17(a)是將人工勢(shì)場(chǎng)的等高線圖等比例投影到無人機(jī)拍攝的俯視圖上，紅色曲線為得到的被控車輛針對(duì)前方障礙物的局部避撞路徑。圖17(b)中，綠色曲線為GPS采集到的路徑點(diǎn)，即車輛實(shí)際行駛軌跡。圖18為車輛當(dāng)前位置與規(guī)劃的最近路徑點(diǎn)的橫向偏差和航向角偏差。可以看出，車輛行駛過程中的橫向偏差最大不超過0.105 m，航向角偏差最大不超過0.092 rad，均在合理范圍內(nèi)。試驗(yàn)結(jié)果表明，新算法可以實(shí)現(xiàn)車輛主動(dòng)避撞，且規(guī)劃的路徑具有較好的跟蹤性能。

圖17 路徑規(guī)劃及跟蹤結(jié)果

圖18 試驗(yàn)跟蹤誤差

6 結(jié)論

1) 提出一種基于單目視覺的人工勢(shì)場(chǎng)構(gòu)建方法，利用逆透視變換消除相機(jī)成像的投影特性，根據(jù)車道線的平行關(guān)系和隨機(jī)采樣一致算法對(duì)車道線進(jìn)行擬合，提高了檢測(cè)準(zhǔn)確率；提出一種地面測(cè)距模型測(cè)量車道線寬度。同時(shí)，利用YOLO-3DBOX算法檢測(cè)前方車輛的位姿用于后續(xù)人工勢(shì)場(chǎng)的構(gòu)建。

2) 利用三角函數(shù)和指數(shù)函數(shù)構(gòu)建適用于車輛主動(dòng)避撞的人工勢(shì)場(chǎng)，對(duì)多工況下的路徑規(guī)劃效果進(jìn)行仿真分析和實(shí)車試驗(yàn)。結(jié)果表明，單目相機(jī)能夠?qū)崿F(xiàn)人工勢(shì)場(chǎng)的構(gòu)建，新路徑規(guī)劃算法能夠?qū)崿F(xiàn)直道和彎道的局部避撞路徑規(guī)劃，具有較好的跟蹤性能。

3) 目前只采用基于單目相機(jī)的感知方案，下一步工作將考慮融合全景相機(jī)和激光雷達(dá)實(shí)現(xiàn)360°感知，同時(shí)繼續(xù)對(duì)路徑規(guī)劃算法進(jìn)行優(yōu)化，使能夠應(yīng)對(duì)更復(fù)雜的多障礙物工況。