戴燕玲

摘 要：在無人駕駛汽車技術(shù)中，現(xiàn)有的傳統(tǒng)雷達(dá)容易受掃描角度和距離及復(fù)雜環(huán)境的影響，探測(cè)精度較低，同時(shí)使用傳統(tǒng)的幾何輪廓特征和運(yùn)動(dòng)狀態(tài)特征的方法，無人駕駛汽車對(duì)環(huán)境的感知能力特別是障礙物的識(shí)別率和準(zhǔn)確性也較低。針對(duì)這些不足，文章首先從道路、交通標(biāo)志方面提出一種視覺感知方法，以及一種基于激光雷達(dá)的時(shí)空特征向量的障礙物識(shí)別方法來提高無人駕駛汽車對(duì)環(huán)境特別是障礙物的識(shí)別率和準(zhǔn)確性。

關(guān)鍵詞：視覺感知；激光雷達(dá)；時(shí)空特征向量

無人駕駛汽車技術(shù)是汽車產(chǎn)業(yè)與人工智能、物聯(lián)網(wǎng)、高性能計(jì)算等新一代信息技術(shù)深度融合的產(chǎn)物，是當(dāng)前全球汽車與交通出行領(lǐng)域智能化和網(wǎng)聯(lián)化發(fā)展的主要方向，已成為當(dāng)今車聯(lián)網(wǎng)時(shí)代研究的新潮。無人駕駛的技術(shù)需要解決的首要任務(wù)是安全性保障問題，即汽車對(duì)環(huán)境的感知能力特別是障礙物的識(shí)別能力是無人駕駛技術(shù)的核心與關(guān)鍵。為提高無人駕駛汽車對(duì)環(huán)境的感知能力，本文提出一種基于激光雷達(dá)的無人駕駛汽車對(duì)道路、交通標(biāo)志及障礙物的識(shí)別方法。

1 無人駕駛汽車技術(shù)的研究現(xiàn)狀

無人駕駛汽車是當(dāng)代物聯(lián)網(wǎng)時(shí)代特別是車聯(lián)網(wǎng)時(shí)代的必然產(chǎn)物，指的是裝有各種傳感器、控制器、執(zhí)行器，加入通信與計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)，實(shí)現(xiàn)車與人、車與車、車與物的連接，具有智能化、自動(dòng)化等特點(diǎn)的一種智能交通系統(tǒng)，可實(shí)現(xiàn)自動(dòng)化無人駕駛的新型汽車。

隨著無人駕駛技術(shù)的發(fā)展，無人駕駛的級(jí)別分為DA，PA，HA，F(xiàn)A 4級(jí)。最初級(jí)的DA相當(dāng)于現(xiàn)在的高級(jí)駕駛輔助系統(tǒng)（Advanced Driver Assistant System，ADAS），包含一些自動(dòng)技術(shù)，如自動(dòng)巡航系統(tǒng)、防抱死系統(tǒng)等，有智能提示信息；PA即部分自動(dòng)駕駛，大約只有10秒可以保持自動(dòng)駕駛，有智能提示信息；HA是高度自動(dòng)駕駛，大部分時(shí)間可以保持自動(dòng)駕駛；FA是完全自動(dòng)駕駛，系統(tǒng)完全控制車輛行駛，無需駕駛員。

目前，大多數(shù)研究機(jī)構(gòu)的無人駕駛技術(shù)采用的是車載攝像頭+車頭的毫米波雷達(dá)進(jìn)行對(duì)車輛定位及識(shí)別的方案。傳感器部分包括雙目攝像頭、遠(yuǎn)距離單目攝像頭、長(zhǎng)距離毫米波雷達(dá)、中距離毫米波雷達(dá)和超聲波雷達(dá)。執(zhí)行機(jī)構(gòu)包括所有橫向縱向操控產(chǎn)品、車身電子穩(wěn)定系統(tǒng)（Electronic Stability Program，ESP），iBooster和Servolectric[1]。

傳統(tǒng)雷達(dá)雖然價(jià)格便宜，成本較低，但探測(cè)過程中容易受掃描角度及復(fù)雜環(huán)境的影響，探測(cè)精度低。

2 道路檢測(cè)與識(shí)別

對(duì)于道路的檢測(cè)與識(shí)別，Mobileye真正要做的是Eye 4+道路體驗(yàn)管理（Road Experience Management，REM）系統(tǒng)的解決方案。通過與主機(jī)廠合作，Eye Q4利用攝像頭記錄道路信息，轉(zhuǎn)化為可供車輛使用的數(shù)據(jù)，這使得Mobileye擁有了自己的高精度地圖，精確度號(hào)稱達(dá)到10.16 cm，讓Mobileye的“環(huán)境感知模式”可以快速識(shí)別并分類移動(dòng)物體、護(hù)欄、道路標(biāo)線、交通標(biāo)志、信號(hào)燈等[3]。

無人機(jī)要實(shí)現(xiàn)無人駕駛，從視覺的角度上講要先學(xué)會(huì)觀察道路，也就是檢測(cè)車道線，

包括車道線與車的位置關(guān)系的識(shí)別，實(shí)線還是虛線的識(shí)別等。為保證系統(tǒng)識(shí)別的實(shí)時(shí)性和魯棒性要求，通常需要將視覺系統(tǒng)拍攝的彩色圖像轉(zhuǎn)換為灰度圖像，進(jìn)而進(jìn)行高斯模糊處理，

然后利用邊緣檢測(cè)技術(shù)（如Canny）得到道路圖像的邊緣信息，獲得的邊緣信息不僅包括需要的車道線邊緣，同時(shí)還包括不需要的其他車道及周圍圍欄的邊緣，去掉不需要邊緣的方法是確定一個(gè)多邊形可視域，其工作原理是因?yàn)橄鄼C(jī)與車的位置固定，車相與車道的位置也相對(duì)固定，因此車道在相機(jī)中基本保持在一個(gè)固定區(qū)域內(nèi)。去除雜亂的邊緣信息后，利用Hough變換提取圖像中的分段直線，比較前后幀直線可消除錯(cuò)誤的信息[2]。將檢測(cè)到的直線交叉點(diǎn)反向透視變換后得到一系列坐標(biāo)，將其進(jìn)行連接即是行駛路線。

3 道路交通標(biāo)志檢測(cè)與識(shí)別

在無人駕駛技術(shù)研究過程中，針對(duì)道路交通標(biāo)志的檢測(cè)與識(shí)別問題，通常用3種方法。

第一種方法是對(duì)圖像進(jìn)行預(yù)處理后，分別提取圖像的Zernike和Hu不變矩特征，并建立相應(yīng)的特征數(shù)據(jù)集，然后運(yùn)用支持向量機(jī)對(duì)特征數(shù)據(jù)集進(jìn)行分類處理，因不變矩具有平移，旋轉(zhuǎn)，縮放不變性，特別適用于具有不同程度的幾何失真類交通標(biāo)志的檢測(cè)和識(shí)別。此方法無需大量采樣，因此其識(shí)別率和實(shí)時(shí)性都非常好。

第二種則是基于分類算法，常見的有稀疏表達(dá)分類算法和系統(tǒng)編碼分類算法，兩種方法在有遮擋和光照的情況下均有較好的識(shí)別能力，但是面對(duì)高特征維數(shù)的識(shí)別，系統(tǒng)編碼分類算法的時(shí)間復(fù)雜度要遠(yuǎn)遠(yuǎn)低于稀疏表達(dá)分類算法。

第三種方法是利用尺度不變特征轉(zhuǎn)換（Scale Invariant Feature Transform，SIFT）算子。SIFT算子不但對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，而且對(duì)視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性，該方法對(duì)特征點(diǎn)的個(gè)數(shù)和有效點(diǎn)的比例沒有要求，當(dāng)特征點(diǎn)不是很多時(shí)，經(jīng)優(yōu)化的SIFT匹配算法甚至可以達(dá)到實(shí)時(shí)的要求，而且可以很方便地與其他形式的特征向量進(jìn)行聯(lián)合。

4 障礙物檢測(cè)與識(shí)別

對(duì)于動(dòng)態(tài)障礙物的檢測(cè)與識(shí)別，激光雷達(dá)獲取的數(shù)據(jù)量遠(yuǎn)超毫米波雷達(dá)，但其成本也是毫米波雷達(dá)無法比擬的。雖然毫米波雷達(dá)缺點(diǎn)明顯，但測(cè)量距離遠(yuǎn)，可以達(dá)到200 m，也可以在雨天及下雪天氣使用。激光雷達(dá)和毫米波雷達(dá)融合剛好彌補(bǔ)了各自的短板。采用頂級(jí)的Velodyne 64信道激光雷達(dá)，融合了激光雷達(dá)、超聲波雷達(dá)、毫米波雷達(dá)、差分GPS、慣導(dǎo)設(shè)備、監(jiān)控視頻、紅外攝像頭等前沿技術(shù)。

激光雷達(dá)不僅可以獲取線數(shù)，點(diǎn)密度，水平垂直視角，檢測(cè)距離，掃描頻率，精度等位置和距離，而且還可以根據(jù)回波脈沖寬度得到所掃描物體的密度信息，其與障礙物表面的顏色，粗糙度及材質(zhì)密切相關(guān)。正常情況下，回波脈沖的寬度一般呈現(xiàn)在0～500的區(qū)域范圍內(nèi)，為了將路面多變環(huán)境的干擾降到最低，需選擇有效區(qū)域范圍內(nèi)的回波脈沖寬度數(shù)據(jù)作為有效值，最后取其均值作為匹配特征之一，待數(shù)據(jù)匹配完成后，再將該路段的不同障礙物分類代入相應(yīng)的卡爾曼濾波器對(duì)障礙物的運(yùn)動(dòng)狀態(tài)進(jìn)行估計(jì)[4]。endprint

傳統(tǒng)的基于激光雷達(dá)障礙物識(shí)別方法通常使用障礙物的輪廓特征以及運(yùn)動(dòng)狀態(tài)特征，包括目標(biāo)障礙物的長(zhǎng)度值、寬度值、線性度數(shù)、速度等多樣數(shù)據(jù)，該方法極容易受掃描角度和距離的影響，因此所收集的數(shù)據(jù)誤差率較高。為了實(shí)現(xiàn)提升對(duì)動(dòng)態(tài)障礙物識(shí)別的準(zhǔn)確性的目的，本文在實(shí)地研究過程中設(shè)計(jì)了一個(gè)基于三維時(shí)空特征向量的目標(biāo)障礙物的識(shí)別方法。該方法有效地提高了障礙物識(shí)別數(shù)據(jù)的準(zhǔn)確性和有效性。具體方法如下：

（1）構(gòu)建三維時(shí)空特征向量，其包含目標(biāo)障礙物在時(shí)間和空間維度中的信息，假設(shè)將三維時(shí)空特征向量分量分別記為A，B，C。A中包含多幀含有目標(biāo)障礙物中心點(diǎn)，邊沿線的終點(diǎn)及拐點(diǎn)等關(guān)鍵點(diǎn)數(shù)據(jù)信息，B中包含多幀數(shù)據(jù)中障礙物的Hu不變矩的特征數(shù)據(jù)集合，反映目標(biāo)障礙物的輪廓特征，C中則是傳感器的歷史位置在最新傳感器坐標(biāo)系統(tǒng)中的坐標(biāo)和方向，其反應(yīng)掃描角度和位置。

（2）利用支持向量機(jī)掃描識(shí)別，對(duì)不同的障礙物進(jìn)行區(qū)分。

（3）將目標(biāo)障礙物映射到現(xiàn)實(shí)的交通道路環(huán)境，比如汽車、行人、自行車。實(shí)際過程中可以使用3個(gè)支持向量機(jī)分類器分別進(jìn)行識(shí)別，獲得分類器支持最多的類別就是汽車行駛過程中實(shí)際的障礙物[5]。

為實(shí)現(xiàn)提高目標(biāo)動(dòng)態(tài)障礙物檢測(cè)與障礙物識(shí)別準(zhǔn)確率的目的，基于三維時(shí)空特征向量的障礙物識(shí)別方法行之有效。在目標(biāo)障礙物檢測(cè)及識(shí)別的過程中，首先選取障礙物的標(biāo)志性特征，再利用當(dāng)前各種信息進(jìn)行特征匹配，然后使用卡爾曼濾波器對(duì)目標(biāo)障礙物的運(yùn)動(dòng)狀態(tài)進(jìn)行估算，同時(shí)在對(duì)障礙物的識(shí)別過程中建立目標(biāo)障礙物的時(shí)空特征向量值，最后導(dǎo)入支持向量機(jī)。

5 結(jié)語(yǔ)

本文主要提出了基于激光雷達(dá)的對(duì)道路、交通標(biāo)志與障礙物的識(shí)別方法，有效提高了無人駕駛汽車對(duì)環(huán)境特別是動(dòng)態(tài)障礙物的識(shí)別率和準(zhǔn)確性，為無人駕駛汽車的安全性提供了一定的保障。但由于現(xiàn)在的無人駕駛汽車還存在一些關(guān)鍵性問題尚未解決，包括汽車成本、交通事故法律責(zé)任以及個(gè)人信息安全問題，還有當(dāng)前的交通環(huán)境問題，一定程度上阻礙了無人駕駛汽車技術(shù)的發(fā)展。

[參考文獻(xiàn)]

[1]辛煜，梁華為，梅濤，等.基于激光傳感器的無人駕駛汽車動(dòng)態(tài)障礙物檢測(cè)及表示方法[J].機(jī)器人，2014（6）：654-661.

[2]劉振超.基于圖像的車道線檢測(cè)[D].北京：中國(guó)科學(xué)技術(shù)大學(xué)，2012.

[3]陳芝協(xié).城區(qū)道路交通標(biāo)志的檢測(cè)與識(shí)別[D].北京：中國(guó)科學(xué)技術(shù)大學(xué)，2012.

[4]BERNUY F， DEL SOLAR J R， PARRA I， et al. Adaptive and real-time unpaved road segmentation using color histograms and RANSAC[C].2011 9th Institute of Electrical and Electronics Engineers International Conference on Control and Automation， 2011.

[5]MACLACHLAN R， MERTZ C.Tracking of moving objects from a moving vehicle using a scanning laser rangefinder[C]. USA：Intelligent Transportation Systems， 2006.endprint