□代 天 □李 軍

重慶交通大學 機電與車輛工程學院 重慶 400041

1 研究背景

隨著人工智能技術(shù)的快速發(fā)展，路徑識別和路徑跟蹤技術(shù)在移動機器人、彈道導彈、無人機等領(lǐng)域都有了廣泛的應用，如移動機器人的自主無碰行動與自動駕駛避障行為、彈道導彈對目標的打擊、無人機空中執(zhí)行任務的飛行避障能力等。雖然路徑識別和路徑跟蹤技術(shù)在智能領(lǐng)域取得了一些進展，但是依然存在諸多問題，如在視頻目標跟蹤時，針對變形非剛體跟蹤目標，往往很難建立外觀特征模型，多個跟蹤目標之間相互遮擋跟蹤路徑，光照變化、雨雪天氣等環(huán)境因素也會對跟蹤目標有影響。

將移動機器人、智能車、彈道導彈等其它領(lǐng)域的路徑識別和路徑跟蹤技術(shù)應用于自動駕駛汽車上，利用移動機器人視覺分析避障的路徑識別方法解決自動駕駛中最優(yōu)避障路徑的選取，使自動駕駛車輛能更準確、快速地對目標進行識別和跟蹤，從而提高自動駕駛汽車的魯棒性、穩(wěn)定性、可靠性。

2 路徑識別技術(shù)

2.1 移動機器人

移動機器人普遍采用基于視覺的路徑識別方法，如李軍鋒等[1]介紹的視覺導航路徑識別方法。這一方法首先對攝像頭采集到的圖像采用2Cg-Cr-Cb顏色因子進行光照干擾處理，采用混合閾值法對作物行進行分割；然后采用基于最小二乘法的行偏移行中線法，擬合得到兩個作物行的直線方程，并求取這兩條直線的中線，即得到導航路徑。這一方法有效地解決了農(nóng)業(yè)機器人在路徑識別中存在的光照影響、識別率低、耗時長等問題。劉欣等[2]介紹了基于視覺分析的最優(yōu)避障路徑識別方法。這一方法基于粒子濾波器即時定位與地圖構(gòu)建方法對避障路徑信息進行降噪濾波處理，并采用適應度函數(shù)對避障進行排序，引入視覺分析法識別排序后的避障路徑，從而實現(xiàn)對最優(yōu)避障路徑的有效識別。這一方法解決了傳統(tǒng)機器人在避障路徑識別方法中存在的識別準確率低、誤差大、效率低等問題。

總體而言，基于視覺的路徑識別技術(shù)在移動機器人上有較高的識別率。

2.2 智能車

目前路徑識別技術(shù)應用最多的是智能車，不同學者針對不同的識別問題，提出了不同的識別方法，常見的有基于視覺的路徑識別方法、基于傳感器的路徑識別方法。

陳昊[3]介紹了視覺導航路徑識別方法。這一方法首先對攝像頭采集到的圖像采用改進的快速中值濾波算法進行預處理，其目的是消除孤立的噪聲點；然后采用最優(yōu)閾值分割算法對圖像進行二值化處理，將導航路徑從圖像背景中分割出來，以得到邊緣信息；最后利用形態(tài)學分割技術(shù)中的腐蝕算法對圖像中白色路徑兩邊的白斑進行濾除，并利用膨脹算法對白色路徑內(nèi)部進行擴張，將白色路徑中存在的黑色孔洞和細長溝壑用白色進行替代，從而實現(xiàn)路徑修補的作用。這一視覺導航路徑識別方法使噪聲明顯降低，圖像質(zhì)量明顯提高。張毅等[4]介紹了視覺導引智能車的自適應路徑識別方法。這一方法首先采用最大類間方差法計算出圖像分割的最佳閾值，并利用閾值二值化灰度圖像；然后提取二值化圖像中的道路中心線，得到自動駕駛車輛在道路中所處的位置信息；最后利用線性回歸方程對丟失的道路邊緣圖像擬合直線，根據(jù)圖像特征完成路徑識別。這一方法有效提高了不同路徑的識別率，以及對外界燈光環(huán)境的適應性。

程亞龍等[5]介紹了基于互補金屬氧化物半導體（CMOS）傳感器的智能車路徑識別方法。這一方法首先對CMOS傳感器采集的圖像進行亮度調(diào)節(jié)和最佳閾值選?。蝗缓蟛捎眠吘墮z測算法提取道路中心線；最后以選取的中心點為控制點，采用加權(quán)最小二乘法擬合出一條直線，根據(jù)擬合直線的斜率判斷當前自動駕駛車輛與道路的夾角，由直線的截距判斷自動駕駛車輛與道路的偏離情況，從而完成路徑的識別。這一方法能使智能車快速有效地實現(xiàn)對路徑的準確識別。王玲玲等[6]針對賽道參數(shù)，提出了基于激光傳感器的路徑識別方法。這一方法以激光管作為路徑識別傳感器，當激光管發(fā)射激光照射跑道時，由于跑道的白色部分與黑色部分具有不同的反射強度，此時可根據(jù)激光接收管接收到的光線強弱，設(shè)計相應的硬件電路。將讀取的信息根據(jù)激光頭的排列依次存入相應的存儲位置，并根據(jù)所得的信息提取黑線，從而達到對路徑進行識別的目的。這一方法在智能車上具有較好的穩(wěn)定性和可靠性，但激光傳感器有易受外光源干擾、受限于道路信息、易損壞等缺點，比較適合于檢測道路中路障等額外道路信息。林辛凡等[7]介紹了基于光電傳感器的路徑識別方法。這一方法通過普通輸入輸出端口將接收管電壓讀入單片機，根據(jù)端口輸入的高低電平邏輯來判斷傳感器是否處于路徑標記線上方，再篩選出所有處于標記線上方的傳感器，便可以大致判斷車身相對于道路的位置，從而確定路徑信息。這一方法消除了傳感器間隙的盲區(qū)，實現(xiàn)了連續(xù)的路徑識別。除了COMS傳感器、激光傳感器、光電傳感器識別路徑之外，還有一種方法是將多個傳感器的信息進行融合，如武歷穎[8]介紹的多傳感器信息融合識別方法。這一方法首先對激光雷達三維數(shù)據(jù)進行分析，提取障礙物塊位置信息、深度信息及相對本車速度；然后通過激光雷達坐標與圖像像素坐標之間的對應關(guān)系，將障礙物塊投影到圖像中，確定前方車輛感興趣區(qū)域；最后通過密集掃描提取區(qū)域子窗口，利用級聯(lián)分類器完成前方車輛的識別。這一方法有效地解決了單個傳感器信息檢測不可靠的問題，提高了系統(tǒng)對前方車輛的檢測精度、可靠性及實時檢測能力。

基于視覺的路徑識別方法與基于傳感器的路徑識別方法原理相似，都是對采集到的圖像利用計算機進行灰度化、二值化、去噪等處理，但所用的硬件設(shè)備及在處理過程中用的方法則有所不同，如前者的硬件是攝像頭，后者利用的是傳感器，因此，這兩者方法所得到的識別效果也有所不同。對上述實例進行分析比較，可以了解基于視覺的路徑識別方法在光照強度不足、目標相互遮擋等復雜環(huán)境下對智能車具有較好的識別效果，而基于傳感器的路徑識別方法則具有快速、穩(wěn)定的優(yōu)勢。

3 路徑跟蹤技術(shù)

路徑跟蹤[9]的目的是通過不斷產(chǎn)生速度和轉(zhuǎn)向命令來補償跟蹤誤差，從而自主驅(qū)動移動機器人的路徑。路徑跟蹤的整個過程是由控制器來執(zhí)行的，而控制器的設(shè)計又是通過算法來實現(xiàn)的。筆者對路徑跟蹤算法在彈道導彈及其它領(lǐng)域的應用進行分析，并對各種路徑跟蹤算法在自動駕駛汽車上的應用進行探索。

3.1 彈道導彈

薛高茹等[10]介紹了基于期望最大化的跟蹤算法。這一算法首先在E步基于平滑器得到狀態(tài)和未知參數(shù)的后驗估計，然后在M步計算初始狀態(tài)的均值、協(xié)方差及過程噪聲協(xié)方差等未知統(tǒng)計量，最后推導出基于平滑建議分布函數(shù)的期望最大化算法，并給出未知統(tǒng)計量的最優(yōu)解析解。這一算法與普通期望最大化算法相比，避免了非凸優(yōu)化難以求解的問題；與傳統(tǒng)算法相比，不需要依賴先驗參數(shù)的假設(shè)，提高了未知彈道參數(shù)下主動段目標跟蹤的精度。仵浩等[11]介紹了基于線性分配方法的多假設(shè)跟蹤算法。這一算法首先依據(jù)測量值和目標構(gòu)建多個假設(shè)的匹配對，計算所有匹配假設(shè)的概率，進而依據(jù)概率確認并選擇最優(yōu)的匹配假設(shè)，完成測量值與目標之間的關(guān)聯(lián)；然后構(gòu)建關(guān)于線性分配的關(guān)聯(lián)假設(shè)，采用多假設(shè)篩選技術(shù)[12]計算所有關(guān)聯(lián)假設(shè)的概率；最后根據(jù)線性分配選出的最大概率的關(guān)聯(lián)假設(shè)，在多目標跟蹤第k+1步得到的側(cè)量值和第k步跟蹤好的目標之間進行數(shù)據(jù)關(guān)聯(lián)，從而實現(xiàn)目標的跟蹤。這一算法對鄰近發(fā)射和軌跡交叉的多彈道導彈目標具有較好的跟蹤能力，但由于是在簡化模型及一些假設(shè)的條件下進行的，因此在跟蹤性能方面有所不足。

上述兩種路徑跟蹤算法在路徑跟蹤過程中均取得了一定的效果，如果將應用于彈道導彈上的路徑跟蹤算法巧妙地應用于自動駕駛汽車上，將會使自動駕駛技術(shù)邁向新的臺階。

3.2 其它領(lǐng)域

王愛平[13]介紹了基于增量式極端隨機森林（IERF）分類器的視頻目標跟蹤算法。這一算法首先在第一幀視頻圖像中選擇目標區(qū)域，提取正負樣本，訓練IERF分類器；然后采用半監(jiān)督學習理論中的協(xié)同訓練框架，為IERF分類器提供大量無標記樣本，以完成增量學習；最后將兩個特征空間IERF分類器各自產(chǎn)生的一幅置信圖整合成為一幅置信圖，并利用連續(xù)自適應均值算法[14]確定目標物體的位置。這一算法有效地解決了小樣本數(shù)據(jù)流的在線學習問題，對視頻、在線多目標等能進行有效的跟蹤。徐小良等[15]介紹了基于測量新息量化策略和容積粒子濾波的目標跟蹤融合算法。研究人員首先利用狀態(tài)方程恒等變換和矩陣相似變換理論解除過程噪聲、測量噪聲，以及測量噪聲之間的相關(guān)性；然后各個傳感器節(jié)點采用自適應策略量化局部測量新息，并將其發(fā)送到融合中心；最后在集中式融合框架下，采用容積粒子濾波器設(shè)計基于測量值擴維的量化融合跟蹤算法，進而給出相應的順序濾波量化融合算法。這一算法有效解決了因自適應量化引起的非高斯問題，從而提高了跟蹤算法的有效性。

上述路徑跟蹤算法，其原理雖然不同，但是對目標的跟蹤達到了相同的穩(wěn)定效果。

陳霄等[16]介紹了自適應路徑控制算法。這一算法基于坐標變換解除控制輸入與欠驅(qū)動運動自由度的耦合，利用級聯(lián)系統(tǒng)控制器設(shè)計思想，分別設(shè)計自適應位置誤差控制律和艏向角誤差控制律。其中，自適應位置誤差和期望艏向角控制律中前視距離和積分增益都以位置誤差為函數(shù)的時變量，通過自適應估計并補償外界擾動造成的側(cè)滑角，從而獲得對位置誤差的整定。艏向角誤差利用動態(tài)反饋線性化比例微分控制方法，根據(jù)濾波后的連續(xù)平滑信號進行整定。這一算法對目標具有較好的路徑跟蹤效果和動態(tài)性能。邵俊愷等[17]介紹了強化學習自適應比例積分微分（PID）路徑跟蹤控制算法。這一算法推導自動駕駛車的運動學模型，根據(jù)模型建立實際行駛路徑與參考路徑偏差的模型。以PID控制算法為基礎(chǔ)，設(shè)計基于強化學習的自適應PID路徑跟蹤控制器。這一控制器以橫向位置偏差、航向角偏差、曲率偏差為輸入，以轉(zhuǎn)角控制量為輸出，通過強化學習算法對PID參數(shù)進行在線自適應整定，實現(xiàn)路徑跟蹤控制的智能化。與傳統(tǒng)PID控制器相比，強化學習自適應PID控制器能夠有效減小超調(diào)和振蕩，實現(xiàn)精確跟蹤路徑，并可以較好地實現(xiàn)系統(tǒng)動態(tài)性能和穩(wěn)態(tài)誤差性能的優(yōu)化。鄭澤偉等[18]介紹了自適應模糊路徑跟蹤控制算法。這一算法首先基于飛艇的平面運動模型設(shè)計路徑跟蹤控制律，包括制導律計算、偏航角跟蹤和速度控制三部分；然后構(gòu)造直接自適應模糊控制器逼近路徑跟蹤控制律中的不確定項，從而實現(xiàn)飛艇跟蹤給定的期望路徑，降低跟蹤誤差。這一算法有效地抑制了外部干擾因素，實現(xiàn)了對期望路徑的跟蹤。

楊迪等[19]介紹了神經(jīng)網(wǎng)絡自適應路徑跟蹤控制算法。這一算法首先根據(jù)運動學誤差方程和線性變換，確定輔助的前進速度和艏搖角；然后利用神經(jīng)網(wǎng)絡逼近技術(shù)對模型中任意不確定因素進行補償，設(shè)計自適應控制律，使實際的前進速度和艏搖角分別收斂至輔助值。這一算法應用李雅普諾夫函數(shù)證明船舶路徑跟蹤閉環(huán)系統(tǒng)的誤差信號最終一致有界，從而提高了路徑跟蹤控制的魯棒性。

通過對不同領(lǐng)域的路徑跟蹤算法進行分析，可以確認不同的路徑跟蹤算法雖然有所區(qū)別，但是對于目標的跟蹤在魯棒性、穩(wěn)定性、可靠性方面都有獨特的優(yōu)勢。

4 在自動駕駛中的應用

4.1 路徑識別技術(shù)

李亮等[20]針對視覺導航路徑識別問題進行研究，在MATLAB軟件中對彩色圖像采用最大類間方差法進行預處理，并采用面積去噪、水平投影等特征點提取方法，實現(xiàn)對臨時特定路徑的識別功能。周濤濤等[21]為了提高視覺導航自動導引運輸車在運行過程中對路徑標志符識別的可靠性和實時性，設(shè)計了實際應用中常見的幾類標志符，并針對這些標志符提出了一種基于形狀特征的識別算法。季聰[22]針對智能汽車在復雜未知環(huán)境下的路徑識別和車輛在結(jié)構(gòu)化道路及非結(jié)構(gòu)化道路下的車道線識別與提取問題，提出基于雙目視覺方法對路徑進行識別。李進[23]針對智能車輛路徑導航直線模型的缺點，提出了只對兩個感興趣區(qū)域進行處理、將識別出的路徑近似為直線段，以及改變智能車輛路徑識別流程的方法，這一方法不僅提高了圖像處理速度，而且保證了圖像識別的魯棒性和實時性。

4.2 路徑跟蹤技術(shù)

焦紀超[24]針對傳統(tǒng)純跟蹤算法的缺點，提出了一種可變預瞄距離的路徑跟蹤算法。這一算法在純跟蹤算法的基礎(chǔ)上，利用模糊推理方法，將車輛的速度和加速度作為輸入，將預瞄距離作為輸出，并制訂合理的隸屬度函數(shù)和控制規(guī)則，實時根據(jù)車輛的狀態(tài)計算出合理的預瞄距離，從而保證路徑跟蹤的準確性和車輛的穩(wěn)定性。王紀偉等[25]針對自動駕駛汽車的路徑及速度跟蹤控制，提出了一種模糊免疫PID控制方法。這一方法通過比較自動駕駛汽車實際行駛路徑與期望路徑的側(cè)向偏差，采用模糊免疫比例路徑跟蹤控制器控制轉(zhuǎn)向機械手，進而操縱方向盤；通過計算期望車速與實際車速的偏差，采用模糊免疫PID速度跟蹤控制器控制油門踏板；最后通過車輛的側(cè)向加速度增益，實現(xiàn)車輛轉(zhuǎn)向控制與縱向車速控制的解耦。劉玉杰等[26]針對軌跡碎片問題，提出基于狀態(tài)預測和運動結(jié)構(gòu)的在線多目標跟蹤算法。這一算法利用運動結(jié)構(gòu)實現(xiàn)目標空間位置的對齊，采用多特征融合進行相似度計算，然后和未關(guān)聯(lián)目標測量結(jié)果進行相似度匹配，從而完成軌跡的恢復。

5 結(jié)束語

筆者通過對各個領(lǐng)域的路徑識別和路徑跟蹤技術(shù)進行分析，確認不同領(lǐng)域的路徑識別和路徑跟蹤技術(shù)在自動駕駛中均有所應用。未來，自動駕駛的發(fā)展將會是多學科、多領(lǐng)域的綜合性應用，在學者的共同努力下，具有更好魯棒性、高效性的路徑識別和路徑跟蹤技術(shù)將不斷出現(xiàn)。