姜灝

摘 要：本文提出了一種自動(dòng)代客泊車(chē)系統(tǒng)方案。該系統(tǒng)利用毫米波雷達(dá)實(shí)現(xiàn)障礙物距離、速度及方位探測(cè)；采用攝像頭實(shí)現(xiàn)可行駛區(qū)域行人、車(chē)輛及車(chē)位的探測(cè)；應(yīng)用激光雷達(dá)實(shí)現(xiàn)道路邊沿及其他障礙物類(lèi)型探測(cè)；通過(guò)超聲波雷達(dá)感知車(chē)輛近距離目標(biāo)距離；通過(guò)GPS/IMU獲取車(chē)輛的定位、姿態(tài)信息。通過(guò)實(shí)車(chē)驗(yàn)證，該設(shè)計(jì)方案能滿足實(shí)際自動(dòng)代客泊車(chē)應(yīng)用需求。

關(guān)鍵詞：自動(dòng)駕駛；雷達(dá)；攝像頭；代客泊車(chē)系統(tǒng)

中圖分類(lèi)號(hào)：U491.7 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-5168（2018）16-0090-04

Research on An Automatic Parking System

JIANG Hao

Abstract： This paper presented an automatic valet parking system. The system used millimeter wave radar to detect the distance， speed and azimuth of obstacles， and used a camera to detect pedestrians， vehicles and parking spaces in the driving region，used laser radar to detect road edge and other obstacle types， used ultrasonic radar to perceive the distance of vehicle near target. The GPS/IMU was used to detect the distance of the vehicle. Through real vehicle verification， the design scheme could meet the actual application requirements of automatic valet parking.

Keywords： autopilot；radar；camera； parking system for passengers

自動(dòng)代客泊車(chē)功能是指當(dāng)用戶到達(dá)停車(chē)場(chǎng)后，車(chē)輛通過(guò)自身的環(huán)境感知系統(tǒng)檢測(cè)出泊車(chē)位信息，并能自主以低速駛進(jìn)、駛出停車(chē)場(chǎng)，自主尋找停車(chē)位、自主泊入空余車(chē)位及自主駛出泊車(chē)位。同時(shí)，該功能也具備駕駛員呼叫功能，即當(dāng)車(chē)主需要用車(chē)時(shí)，車(chē)輛會(huì)自主駛出停車(chē)場(chǎng)，以較低速度行駛至車(chē)主指定地點(diǎn)。自動(dòng)代客泊車(chē)系統(tǒng)相比于傳統(tǒng)自動(dòng)泊車(chē)系統(tǒng)，智能化程度更高，極大提高了車(chē)輛的智能化水平和安全性，進(jìn)一步降低了駕駛車(chē)輛的難度，提高了駕駛舒適性，還能有效為駕駛者節(jié)約時(shí)間。同時(shí)，對(duì)于大型停車(chē)場(chǎng)，自動(dòng)代客泊車(chē)能充分利用停車(chē)空間，同等區(qū)域可多容納約20%的車(chē)輛。

本文旨在利用低成本設(shè)備，結(jié)合地圖技術(shù)，實(shí)現(xiàn)特定場(chǎng)景的自動(dòng)駕駛功能，并滿足產(chǎn)業(yè)化需求，進(jìn)而提升自主品牌效益，打破國(guó)外技術(shù)壟斷。

1 自動(dòng)代客泊車(chē)系統(tǒng)的總體設(shè)計(jì)

自動(dòng)代客泊車(chē)系統(tǒng)包括1個(gè)控制單元，5個(gè)77GHz毫米波雷達(dá)，5個(gè)高清攝像頭，1個(gè)16線激光雷達(dá)，1個(gè)GPS/IMU模塊和12個(gè)超聲波雷達(dá)傳感器。系統(tǒng)構(gòu)架見(jiàn)圖1。

毫米波雷達(dá)包括1個(gè)遠(yuǎn)距離前向雷達(dá)和4個(gè)寬角度中距離角雷達(dá)。1個(gè)前向毫米波雷達(dá)安裝于車(chē)輛前部保險(xiǎn)杠或進(jìn)氣格柵中央位置。前向雷達(dá)天線輻射面與車(chē)輛X平面平行，水平位置偏移車(chē)輛中軸線小于50cm，安裝高度為30～75cm；4個(gè)角雷達(dá)分別安裝于車(chē)輛前保險(xiǎn)杠兩側(cè)及后保險(xiǎn)杠兩側(cè)，前角雷達(dá)天線罩朝向?yàn)榕c車(chē)輛前進(jìn)方向成50°的方向，后角雷達(dá)天線罩朝向?yàn)榕c車(chē)輛前進(jìn)方向成45°的方向，角雷達(dá)安裝高度為30～100cm。激光雷達(dá)安裝于車(chē)輛前保中央位置且位于車(chē)輛中軸線上，安裝高度為50～80cm，水平偏移小于50cm。GPS天線位于車(chē)頂，IMU安裝于車(chē)艙內(nèi)并位于車(chē)輛中軸線上。12個(gè)超聲波雷達(dá)傳感器包括4個(gè)側(cè)向超聲波探頭、4個(gè)前向超聲波探頭、4個(gè)后向超聲波探頭，計(jì)算單元安裝于車(chē)輛前艙內(nèi)，安裝布置見(jiàn)圖2。

毫米波雷達(dá)可以兼顧前向遠(yuǎn)距離及車(chē)周中距離障礙物目標(biāo)檢測(cè)，可以獲取車(chē)周目標(biāo)的距離、速度及方位信息。視覺(jué)系統(tǒng)主要檢測(cè)車(chē)輛前向中距高清攝像頭輻射區(qū)域內(nèi)障礙物目標(biāo)類(lèi)型、可行駛區(qū)域及道路紋理、行人信息和車(chē)位信息等；激光雷達(dá)能有效檢測(cè)車(chē)前向中距寬角度范圍內(nèi)道路邊沿，障礙物目標(biāo)距離信息；GPS結(jié)合IMU能穩(wěn)定獲取車(chē)輛位置及姿態(tài)信息；超聲波雷達(dá)模塊能有效獲取車(chē)周360°近距離目標(biāo)信息；控制單元通過(guò)各傳感器獲取整個(gè)車(chē)周環(huán)境信息，完成車(chē)輛運(yùn)動(dòng)路徑規(guī)劃及車(chē)輛底層控制，從而實(shí)現(xiàn)車(chē)輛在低速情況下的自動(dòng)代客泊車(chē)功能。

2 毫米波雷達(dá)

本方案采用1個(gè)前向雷達(dá)與4個(gè)角雷達(dá)系統(tǒng)不斷向汽車(chē)前方車(chē)輛周?chē)l(fā)射高頻電磁波以探測(cè)車(chē)周環(huán)境，判定前方及車(chē)輛前側(cè)、后側(cè)是否有障礙物；當(dāng)探測(cè)到有障礙物時(shí)，雷達(dá)系統(tǒng)會(huì)獲得這些障礙物的信息（距離、相對(duì)速度以及方位信息）。這些信息可以通過(guò)CANFD總線輸送給系統(tǒng)控制單元。

控制單元通過(guò)CANFD總線獲取雷達(dá)的目標(biāo)數(shù)據(jù)，然后對(duì)這些目標(biāo)數(shù)據(jù)進(jìn)行預(yù)處理，篩選出本車(chē)行駛道內(nèi)的前方障礙物距離及相對(duì)速度信息。此信息將用于控制單元后續(xù)融合視覺(jué)信息進(jìn)行車(chē)輛行駛局部行駛路徑規(guī)劃[1]。計(jì)算單元對(duì)這些數(shù)據(jù)進(jìn)行處理，處理流程見(jiàn)圖3。實(shí)際測(cè)試效果見(jiàn)圖4。

3 激光雷達(dá)

本方案采用16線固態(tài)激光雷達(dá)。激光雷達(dá)置于車(chē)前保柵格中央位置，主要用于道路邊沿檢測(cè)及行人車(chē)輛等的檢測(cè)，為無(wú)人駕駛車(chē)輛提供最小風(fēng)險(xiǎn)的可通行區(qū)域[2]。

激光雷達(dá)原始點(diǎn)云數(shù)據(jù)處理過(guò)程為：首先把激光雷達(dá)的點(diǎn)云數(shù)據(jù)進(jìn)行柵格化處理，投影到1 024×1 024的柵格地圖中。每個(gè)柵格的大小為10cm×10cm，有障礙數(shù)據(jù)的柵格標(biāo)記為1，其他柵格標(biāo)記為0。標(biāo)記完?yáng)鸥窈髮?duì)障礙物柵格進(jìn)行聚類(lèi)處理[3]。根據(jù)前期建立的柵格庫(kù)進(jìn)行查表，判定車(chē)輛及行人屬性。激光雷達(dá)實(shí)際處理效果如圖5所示。計(jì)算單元激光雷達(dá)程序流程如圖6所示。

4 視覺(jué)

攝像頭識(shí)別算法處理過(guò)程為：讀取一幀圖像，逐行對(duì)圖像進(jìn)行處理。對(duì)于圖像中的各行，首先，采用對(duì)水平方向敏感的Sobel算法增強(qiáng)邊緣[4]。其次，對(duì)行信息進(jìn)行處理，進(jìn)行二值化，對(duì)二值化后的數(shù)據(jù)采用障礙物外邊緣提取算法提取障礙物外邊緣點(diǎn)[5]，得到障礙物外邊沿極坐標(biāo)參數(shù)（極坐標(biāo)半徑和角度）。最后，通過(guò)支持向量機(jī)（SVM）[6]，得到路面區(qū)域的檢測(cè)分類(lèi)器，加載分類(lèi)器檢測(cè)出可行駛區(qū)域的路面、車(chē)輛、行人及車(chē)位信息。實(shí)際視覺(jué)檢測(cè)效果如圖7、圖8和圖9及表1所示。

5 超聲波雷達(dá)

超聲波雷達(dá)能實(shí)時(shí)檢測(cè)車(chē)周近距離障礙物目標(biāo)信息，前、后8顆探頭支持最遠(yuǎn)2.5m距離探測(cè)，側(cè)向4顆支持最遠(yuǎn)5.5m距離探測(cè)。發(fā)射信號(hào)激勵(lì)及回波接收都通過(guò)控制單元實(shí)現(xiàn)，雷達(dá)精度約為0.03m，滿足泊車(chē)精度要求。

6 GPS/IMU

IMU/GPS模塊集成在T-box系統(tǒng)內(nèi)。T-box安裝于車(chē)內(nèi)手套箱下，位于車(chē)身中軸線上，系統(tǒng)能實(shí)時(shí)提供精度維度、授時(shí)數(shù)據(jù)、車(chē)身姿態(tài)及航向等數(shù)據(jù)。GPS數(shù)據(jù)更新頻率為30Hz，IMU信息更新頻率為10Hz。

7 計(jì)算單元

本方案采用的計(jì)算單元是基于英偉達(dá)Xiaver芯片的嵌入式平臺(tái)，該平臺(tái)具備多路CAN/CANFD接口、以太網(wǎng)接口及GMSL接口，同時(shí)具備足夠的I/O接口供實(shí)際使用，此開(kāi)發(fā)板運(yùn)算能力完全滿足實(shí)際應(yīng)用需求。

控制單元軟件架構(gòu)包括感知系統(tǒng)、本地環(huán)境建模系統(tǒng)和決策規(guī)劃與控制系統(tǒng)。感知系統(tǒng)負(fù)責(zé)處理傳感器得到的視覺(jué)圖像、毫米波雷達(dá)、超聲波雷達(dá)及激光雷達(dá)等信息，并對(duì)多源傳感器數(shù)據(jù)進(jìn)行數(shù)據(jù)融合處理，經(jīng)過(guò)深度學(xué)習(xí)得到車(chē)輛可行駛區(qū)域、行人、車(chē)輛及停車(chē)位信息，建立本地車(chē)周環(huán)境模型[7]。

決策規(guī)劃系統(tǒng)基于人類(lèi)駕駛經(jīng)驗(yàn)，決策出合理的動(dòng)作規(guī)劃。這個(gè)動(dòng)作經(jīng)過(guò)控制系統(tǒng)得到具體的行為序列，即橫向、縱向控制指令。行為序列經(jīng)過(guò)安全校驗(yàn)后，軟件層面確定安全，再把指令控制下發(fā)給車(chē)輛總線執(zhí)行轉(zhuǎn)向、油門(mén)和制動(dòng)執(zhí)行。實(shí)施程序如圖10所示。

8 結(jié)語(yǔ)

本文提出了一種代客泊車(chē)總體設(shè)計(jì)方案，該方案對(duì)選用的傳感器類(lèi)型、廠家型號(hào)，傳感器安裝位置，數(shù)據(jù)傳輸方式及接口進(jìn)行了詳細(xì)闡述。該方案最大的特點(diǎn)在于所采用的硬件、所選通信接口都采用車(chē)規(guī)級(jí)方案，是可實(shí)施的量產(chǎn)方案。最終通過(guò)實(shí)車(chē)驗(yàn)證，泊車(chē)性能基本達(dá)到應(yīng)用要求。

參考文獻(xiàn)：

[1]Bast H，Delling D，Goldberg A，et al. Route Planning in Transportation Networks[M]// Algorithm Engineering. Berlin：Springer International Publishing，2016.

[2]Havlak F，Campbell M. Discrete and Continuous， Probabilistic Anticipation for Autonomous Robots in Urban Environments[J]. IEEE Transactions on Robotics，2014（2）：461-474.

[3]Quan T， Firl J. Modelling of Traffic Situations at Urban Intersections with Probabilistic Non-parametric Regression[C]// Intelligent Vehicles Symposium. IEEE，2013.

[4]Grisleri P. The BRAiVE Autonomous Ground Vehicle Platform[J]. IFAC Proceedings Volumes，2010（16）：497-502.

[5]Wei J，Dolan J M，Litkouhi B. A Prediction- and Cost Function-based Algorithm for Robust Autonomous Freeway Driving[C]// Intelligent Vehicles Symposium. IEEE，2010.

[6] Ferguson D， Darms M，Urmson C，et al. Detection， Prediction， and Avoidance of Dynamic Obstacles in Urban Environments[C]// Intelligent Vehicles Symposium. IEEE，2008.

[7] Xu L，Yan Q，Xia Y，et al. Structure Extraction from Texture Via Relative Total Variation[J]. Acm Transactions on Graphics，2012（6）：1-10.