程 港，李必軍

（武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北武漢 430079）

一、引 言

信息化時代下，汽車工業(yè)已飛速發(fā)展，智能駕駛將是未來汽車的重要發(fā)展方向和趨勢。

智能駕駛的研究工作可以大幅提高公路的通行能力，減少公路交通堵塞，降低汽車油耗，提高公路交通的安全性，有效提高交通運(yùn)輸效率?？v觀國內(nèi)外智能駕駛的發(fā)展歷史，其研究過程可分為3個階段。第1階段是基于視覺的智能車輛導(dǎo)航探索性研究階段，典型代表有美國馬里蘭大學(xué)等開發(fā)的ALV（autonomous land vehicle）［1］、德國聯(lián)邦國防軍大學(xué)的 VaMoRs［2］等；第2階段是汽車輔助駕駛系統(tǒng)應(yīng)用研究階段，典型應(yīng)用包括車道偏離報(bào)警、車速自適應(yīng)控制、Stop＆Go等；第3階段是無人駕駛車輛整車技術(shù)的突破階段，美國國防部高級研究計(jì)劃局DARPA組織了多次無人駕駛車輛超級挑戰(zhàn)賽［3］，如斯坦福大學(xué)的 Junior［4］和CMU的BOSS［5］。自主駕駛智能車系統(tǒng)一般是利用傳感器來獲取道路場景、車輛姿態(tài)；然后通過局部路徑規(guī)劃和駕駛行為決策機(jī)制，確定車體控制（速度、方向、剎車）指令；行使過程中則依賴傳感器獲取的實(shí)時信息，結(jié)合反饋機(jī)制，實(shí)現(xiàn)自適應(yīng)行駛控制與駕駛安全。國家自然科學(xué)基金委員會在2009年以后也每年主辦中國“智能車未來挑戰(zhàn)”比賽，吸引了國內(nèi)多所知名高校和研究機(jī)構(gòu)的積極參與。

由于真車的智能駕駛研究中場地和人員調(diào)度難，試驗(yàn)安全性低，資源消耗大，效率低，費(fèi)用昂貴等原因，本研究采用基于縮微尺度的三維交通仿真環(huán)境下縮微車的智能駕駛設(shè)計(jì)與研究，意在模擬真車在真實(shí)道路環(huán)境下的駕駛行為，為真實(shí)道路環(huán)境下的智能車駕駛及車路協(xié)同系統(tǒng)提供可重復(fù)、可驗(yàn)證、可仿真的試驗(yàn)平臺。

二、縮微車集成設(shè)計(jì)

智能汽車是利用車載傳感器感知周圍環(huán)境，并根據(jù)感知所獲得的道路、車輛姿態(tài)和障礙物信息，控制車輛的轉(zhuǎn)向和速度，從而達(dá)到安全、可靠的行駛系統(tǒng)。研究中所采用的縮微車模型縮微比例為1∶10，集成了攝像頭、超聲波、光電編碼器、麥克風(fēng)、慣導(dǎo)器件等傳感器。在研究中，視覺導(dǎo)航為主體，由感知、決策、控制三大部分組成的集成平臺，具有器件獨(dú)立性、算法獨(dú)立性、可擴(kuò)展性、易于調(diào)試、數(shù)據(jù)可存儲、軟件可靠性等特點(diǎn)。

縮微車系統(tǒng)架構(gòu)可分為硬件系統(tǒng)和軟件系統(tǒng)兩部分?？s微車硬件系統(tǒng)有上位機(jī)和下位機(jī)兩個層次組成，上位機(jī)選用的是Intel x86凌動D525，下位機(jī)選用的是 Arduino控制主板，其主要設(shè)計(jì)構(gòu)圖如圖1所示。

圖1 縮微車硬件系統(tǒng)架構(gòu)

圖1中，從硬件層次上來講是上位機(jī)與下位機(jī)通過RS232協(xié)議通信，把控制與感知、決策分離開來，下位機(jī)只負(fù)責(zé)采集車輛狀態(tài)信息（如超聲波距離、速度、角度、編碼器等）和接受上位機(jī)下達(dá)的控制命令（速度和角度）；上位機(jī)主要負(fù)責(zé)以下三部分工作:①感知，利用傳感器獲得智能車自身車載和其周圍環(huán)境的數(shù)據(jù)；② 認(rèn)知，從得到的傳感器數(shù)據(jù)中提取出有利于指導(dǎo)車輛智能駕駛的信息（如車道線、障礙物、車輛姿態(tài)等），并對多源感知數(shù)據(jù)進(jìn)行融合，構(gòu)建局部三維場景；③ 控制，依據(jù)可靠、有用的實(shí)時信息，結(jié)合反饋機(jī)制，按照一定的規(guī)劃算法給出車輛合理有效的駕駛決策，下達(dá)控制指令。從硬件功能上來講是下位機(jī)搭載超聲波傳感器通過RS232協(xié)議獲取前方障礙物信息，轉(zhuǎn)向舵機(jī)控制車輛前輪轉(zhuǎn)角，電機(jī)結(jié)合差速器控制車輪轉(zhuǎn)速，光電編碼器實(shí)時獲取里程，慣導(dǎo)器件得到車身姿態(tài)和車燈LED提示轉(zhuǎn)向、剎車等輔助信號；而上位機(jī)搭載兩個高清攝像頭獲取其視角內(nèi)的仿真三維道路環(huán)境，一個用來進(jìn)行車道線檢測和障礙物檢測，另一個用來交通標(biāo)志、交通燈識別，麥克風(fēng)進(jìn)行聲音檢測，無線網(wǎng)卡用來進(jìn)行遠(yuǎn)程監(jiān)控和通信。

縮微車軟件系統(tǒng)本著易開發(fā)、可復(fù)制、模塊獨(dú)立、方便調(diào)試和擴(kuò)展的原則，采用分層結(jié)構(gòu)設(shè)計(jì)。每一個功能是一個模塊，模塊與模塊之間是獨(dú)立的，各個模塊有標(biāo)準(zhǔn)的接口和相應(yīng)的錯誤檢測機(jī)制，模塊間可利用進(jìn)程間通信來聯(lián)系，整個系統(tǒng)緊湊結(jié)合。同時，清晰的數(shù)據(jù)流走向也實(shí)現(xiàn)了各模塊獨(dú)立開發(fā)調(diào)試和整體測試。

縮微車軟件系統(tǒng)軟件系統(tǒng)分為5層，依次為數(shù)據(jù)層、認(rèn)知層、規(guī)劃層、控制層、人機(jī)交互層，圖2為縮微車軟件系統(tǒng)架構(gòu)。

圖2 縮微車軟件系統(tǒng)架構(gòu)

數(shù)據(jù)層的任務(wù)主要是通過縮微車上各類傳感器收集車體自身和周圍環(huán)境的數(shù)據(jù)，本系統(tǒng)包括視頻數(shù)據(jù)、超聲波數(shù)據(jù)、里程數(shù)據(jù)及其他車載數(shù)據(jù)。

認(rèn)知層的任務(wù)主要是對從數(shù)據(jù)層傳來的數(shù)據(jù)進(jìn)行信息提取，為規(guī)劃層的決策提供基礎(chǔ)。該層是整個系統(tǒng)最重要也是最復(fù)雜的一層，目前包括車道線識別、交通標(biāo)志及交通燈識別、障礙物檢測、室內(nèi)定位4個功能。其中，車道線和交通標(biāo)志、交通燈的識別分別由安置在車輛頂端的不同視角的攝像頭來實(shí)現(xiàn)；障礙物檢測是結(jié)合超聲波和視頻數(shù)據(jù)來檢測和判斷動、靜態(tài)障礙物、里程和其他車載數(shù)據(jù)實(shí)現(xiàn)室內(nèi)定位功能。

規(guī)劃層的任務(wù)是融合認(rèn)知層的多源識別結(jié)果，按照一定的規(guī)劃算法尋找通行路線，實(shí)現(xiàn)車輛直行、轉(zhuǎn)彎、換道、超車、避障、跟馳、路口停車等一系列智能駕駛行為。

控制層的任務(wù)是接受上層下達(dá)的車輛實(shí)時速度和轉(zhuǎn)角信息，并通過舵機(jī)和電機(jī)、燈來執(zhí)行命令。

人機(jī)交互層的任務(wù)包括車輛啟動、車輛狀態(tài)實(shí)時監(jiān)控及調(diào)試測試數(shù)據(jù)的顯示和保存。它能實(shí)時監(jiān)測到縮微車各模塊的運(yùn)行狀態(tài)和車輛自身狀況，同時記錄歷史數(shù)據(jù)方便離線調(diào)試和仿真。

三、核心技術(shù)研究

行駛環(huán)境融合感知、行車環(huán)境動態(tài)構(gòu)建、路徑規(guī)劃等是無人駕駛的核心技術(shù)問題，本文從這幾個方面介紹研究進(jìn)展。

行駛環(huán)境融合感知技術(shù)是規(guī)劃決策的基礎(chǔ)，感知技術(shù)的好壞直接影響到車輛自動控制的效果，如何實(shí)現(xiàn)車輛行駛狀態(tài)參數(shù)（位置、速度、航向、姿態(tài)等）和車輛行駛環(huán)境數(shù)據(jù)的多視角、全方位、動態(tài)獲取一直是智能駕駛的研究難點(diǎn)。在縮微交通系統(tǒng)中，既有多車道、復(fù)雜交通路口，又存在運(yùn)動目標(biāo)，如車輛、行人等。因此，需要建立一個簡潔完整的道路行駛環(huán)境模型。該模型下將車道、路口、車輛、行人、障礙物進(jìn)行抽象表達(dá)，并結(jié)合定位信息來構(gòu)建三維局部場景。其中，主要研究包括車道線檢測［6］、交通標(biāo)志、交通燈識別和障礙物檢測等。

車道線檢測首先利用攝像頭獲取道路信息，然后對采集到的原始圖像進(jìn)行數(shù)據(jù)處理，以獲取賽道中車道線在圖像坐標(biāo)系的位置，進(jìn)而得到縮微場景三維坐標(biāo)系下車道線的坐標(biāo)，并利用上面的關(guān)系間接計(jì)算出縮微車與車道線之間的偏角來實(shí)時分析和預(yù)測縮微車轉(zhuǎn)向結(jié)果。

車道線檢測研究中采用對原始實(shí)時圖像數(shù)據(jù)進(jìn)行色彩空間通道預(yù)處理、逆透視變換、二值化、中值濾波、hough變換、曲線擬合和縮微車攝像頭標(biāo)定等步驟得到如圖3所示的車道線提取的特征點(diǎn)A和B，并擬合出車道線AB，且結(jié)合當(dāng)時的位置得到車輛瞬間前進(jìn)方向與車道線AB的夾角k和車體中心到該車道線的距離d。同時，根據(jù)此時刻的k值來獲得縮微車需要的轉(zhuǎn)向角，d值則輔助判斷是否偏離車道，最終計(jì)算出控制舵機(jī)前輪偏轉(zhuǎn)角度來實(shí)現(xiàn)車輛沿車道線的跟蹤行駛。

圖3 車道線識別

交通標(biāo)志、交通燈對汽車駕駛過程中的轉(zhuǎn)向引導(dǎo)、障礙物識別、道路靜態(tài)信息指示起著不可或缺的作用，特別在復(fù)雜路口，它們可以有效提高道路的駕駛安全性和通行效率，所以高準(zhǔn)確率、實(shí)時地識別道路交通標(biāo)志和交通燈是智能駕駛的關(guān)鍵?，F(xiàn)有的交通標(biāo)識檢測算法主要有:模板匹配、SVM（support vector machines）、LDA、ANN、Haar-Like and AdaBoost［7-9］。本系統(tǒng)是利用交通標(biāo)志的形狀和顏色特征，通過集成分類器進(jìn)行目標(biāo)檢測區(qū)域，再利用支撐向量機(jī)進(jìn)行分類識別，進(jìn)而得到相應(yīng)的交通標(biāo)志信息，并用于指導(dǎo)車輛運(yùn)動符合交通規(guī)則［10］。交通燈檢測則是通過原始數(shù)據(jù)預(yù)處理、連通域分析提取、邊緣檢測和模板匹配等來獲取交通燈的轉(zhuǎn)向信息。交通標(biāo)志和交通燈識別研究在于選擇合適的分類器和訓(xùn)練過程，使算法能夠克服光線變換導(dǎo)致的圖像不同色差。這是因?yàn)榫嚯x和視場產(chǎn)生的不同角度和不同比例，以及高大障礙物的相對遮擋等情況會造成識別結(jié)果的低效和錯誤。

障礙物檢測分為動目標(biāo)跟蹤預(yù)測和靜目標(biāo)檢測。目前對于靜態(tài)障礙物的檢測方法有基于單幅圖像的方法、基于光流的方法［11］和基于立體視覺的方法；動態(tài)障礙物跟蹤預(yù)測有利用輪廓的方法、利用底層特征（如角點(diǎn)或者直線）的方法、利用區(qū)域統(tǒng)計(jì)特性的方法、利用三維模型的方法和利用模板匹配的方法等。本系統(tǒng)中采用的是超聲波和視頻數(shù)據(jù)融合算法來檢測障礙物。由于縮微交通系統(tǒng)下交通環(huán)境相對真實(shí)交通較簡單，其中靜態(tài)障礙物主要有錐桶、靜止縮微車、靜止行人、綠化帶等，動態(tài)障礙物主要是移動車輛和行人。這里是通過圖像數(shù)據(jù)的灰度特征和錐桶、車輛、綠化帶等常見障礙物的形狀特征來初步識別出可能的障礙物信息，然后結(jié)合超聲波實(shí)時的距離輔助判斷和篩選，最終準(zhǔn)確識別出障礙物。

局部地圖構(gòu)建和實(shí)時路徑規(guī)劃技術(shù)也是智能駕駛的關(guān)鍵。它的任務(wù)是按照一定的評價標(biāo)準(zhǔn)，在具有障礙物的環(huán)境內(nèi)尋找一條從起始狀態(tài)（包括位置和姿態(tài)）到達(dá)目標(biāo)狀態(tài)的無碰路徑［12］。在規(guī)劃層中，以車道線、交通標(biāo)志、交通燈、障礙物信息、車體自身狀態(tài)和室內(nèi)定位信息為載體，在融合各類信息和解決沖突后以抽象和簡化的原則來構(gòu)建縮微車實(shí)時的動態(tài)局部地圖。同時，在局部地圖的基礎(chǔ)上隨時給出一條可靠的可通行路線來實(shí)現(xiàn)智能車的主動超車、變道和避障等駕駛行為。由于傳感器無法獲取全局交通環(huán)境和其自身數(shù)據(jù)相對不穩(wěn)定的缺陷，因此在實(shí)時路徑規(guī)劃過程中需要制定詳細(xì)決策規(guī)則。各類數(shù)據(jù)則可根據(jù)可靠性來分級，并結(jié)合歷史數(shù)據(jù)綜合分析數(shù)據(jù)缺失、數(shù)據(jù)沖突、數(shù)據(jù)錯誤等多種不可靠情況下的最優(yōu)路徑。

四、試驗(yàn)結(jié)果和分析

本文設(shè)計(jì)的智能縮微車系統(tǒng)初期，在人為設(shè)計(jì)的簡易賽道中，對車輛自主直行、轉(zhuǎn)彎、避障進(jìn)行測試，成功地檢驗(yàn)了基于視覺導(dǎo)航的智能駕駛系統(tǒng)。

在試驗(yàn)過程中，主要使用到視頻數(shù)據(jù)和超聲波雷達(dá)數(shù)據(jù)。在車輛控制和監(jiān)控程序的啟動后（如圖4（a）所示），試驗(yàn)者可以隨時看到車輛速度、轉(zhuǎn)角、里程、超聲波信息，視頻信息則在單獨(dú)的視圖窗口中顯示（如圖4（b）所示），并能實(shí)時計(jì)算智能車行駛方向與車道線的轉(zhuǎn)角、智能車幾何中心點(diǎn)與車道線的位置偏差來獲取下一時刻合理的車輛轉(zhuǎn)角和速度。

圖4 縮微車部分軟件界面

在避障模塊的測試中發(fā)現(xiàn)由于超聲波精度低、數(shù)據(jù)粗差大、跳變劇烈的特點(diǎn)，會使得完全依靠單一的距離信息會出現(xiàn)大量誤判的情況。本文采用的方法是基于視覺的障礙物檢測，超聲波通過自己設(shè)計(jì)的濾波器得到相對合理的信息后觸發(fā)視覺系統(tǒng)，并根據(jù)色彩和形狀特征來確定障礙物實(shí)際信息。圖5（a）是未經(jīng)過濾波的原始獲取的距離信息，即使是距離370 mm的靜態(tài)障礙物也會出現(xiàn)數(shù)據(jù)突變；圖5（b）是經(jīng)過濾波之后的同樣為距離370 mm的靜態(tài)障礙物，效果很好，基本剔除了粗差帶來的干擾，然后可結(jié)合視覺信息進(jìn)行檢測，結(jié)果如圖5（c）所示，最終識別并成功躲避障礙物。

圖5 縮微車避障模塊分析圖

試驗(yàn)證明，在結(jié)構(gòu)簡單、環(huán)境干擾相對較小的室內(nèi)環(huán)境下，本文所設(shè)計(jì)的縮微車智能駕駛系統(tǒng)工作穩(wěn)定有效，車道線識別實(shí)時準(zhǔn)確，障礙物檢測相對可靠，在賽道上能出色完成各種動作（如圖6所示），達(dá)到真正智能駕駛的良好效果。

圖6 縮微車測試效果圖

五、結(jié)束語

本文設(shè)計(jì)開發(fā)了縮微車平臺進(jìn)行智能駕駛的研究，不僅成功地避免真車在真實(shí)道路環(huán)境下的開發(fā)困難、成本高、測試條件苛刻的缺點(diǎn)，同時也為真車的算法驗(yàn)證搭建了一個仿真平臺。該系統(tǒng)基于視覺導(dǎo)航的縮微車平臺，從硬件設(shè)計(jì)、軟件架構(gòu)、研究思路等多方面全面考慮，并實(shí)戰(zhàn)演練，基本實(shí)現(xiàn)了智能車的自主駕駛。

為了完成能適應(yīng)更復(fù)雜交通環(huán)境的縮微車平臺，以下問題需要得到進(jìn)一步解決:測試各模塊的實(shí)時性和魯棒性，特別是車道線檢測算法的準(zhǔn)確度；注重模塊與模塊之間的通信效率，縮短控制周期；搭建更易配置、易擴(kuò)展、易監(jiān)控的系統(tǒng)。今后還需在縮微復(fù)雜三維場景構(gòu)建、高精度定位技術(shù)、多車交互、車路交互方面作更深入的研究，以實(shí)現(xiàn)更加智能的無人駕駛科技。

［1］ 知遠(yuǎn)戰(zhàn)略與防務(wù)研究所.未來戰(zhàn)斗系統(tǒng)中的無人平臺［EB/OL］.［2003-12-01］.http:∥www.defence.org.cn/aspnet/vip-usa/uploadfiles/200499123112935.pdf.

［2］ ANDRESEN F，DAVIS L，EASTMAN R，et al.Visual Algorithms for Autonomous Navigation［C］∥Proc.of IEEE Int’l Conf.on Robotics and Automation.Maryland:［s.n.］，1985:856-861.

［3］ MONTERMERLO M，BECKER J，BHAT S，et al.Junior:The Stanford Entry in the Urban Challenge［J］.Journal of Field Robotics，2008，25（9）:569-597.

［4］ NXP.About NXP Semiconductors［EB/OL］.［2011-09-06］.http:∥www.cn.nxp.com/infocus/topics/darpa/.

［5］ SARAH G.Boss Wins DARPA’S Urban Challenge［EB/OL］.［2007-11-21］.http:∥ thefutureofthings.com/news/1038/boss-wins-darpas-urban-challenge.html.

［6］ 陳龍，李清泉，毛慶洲.基于成像模型的車道線檢測與跟蹤方法［J］.中國公路學(xué)報(bào)，2011，24（6）:97-102.

［7］ VAPNIK V N.The Nature of Statistical Learning Theory［M］.New York:Springer，2000:123-170.

［8］ BLEI D M，NG A Y，JORDAN M L.Latent Dirichlet Allocation［J］.Journal of Machine Learning Research，2003（3）:993-1022.

［9］ CHANG W C，CHO C W.Online Boosting for Vehicle Detection［J］.IEEE Transactions on Systems，2010，40（3）:892-902.

［10］ WANG Chunxiang，JIN Tao，YANG Ming，et al.Robust and Real-time Traffic Lights Recognition in Complex Urban Environments［J］.International Journal of Computational Intelligence Systems，2011，4（6）:1383-1390.

［11］ 叢楊，唐延?xùn)|.基于光流方程和目標(biāo)匹配的視頻圖像目標(biāo)跟蹤方法［J］.紅外與激光工程，2006，35（4）:312-315.

［12］ 胡彬，王冰，王春香，等.一種基于時間窗的自動導(dǎo)引車動態(tài)路徑規(guī)劃方法［J］.上海交通大學(xué)學(xué)報(bào)，2012，46（6）:59-63.