隗寒冰 曹 旭 賴 鋒

1.重慶交通大學(xué)機(jī)電與車輛工程學(xué)院，重慶，400074

2.東風(fēng)汽車集團(tuán)有限公司技術(shù)中心，武漢，430020

0 引言

基于機(jī)器視覺的環(huán)境感知算法是智能汽車的關(guān)鍵和共性技術(shù)之一，也是智能汽車領(lǐng)域研究范圍最廣、水平最深的方向之一。早期車道線和車輛目標(biāo)檢測算法均建立在目標(biāo)輪廓特征基礎(chǔ)上，對檢測算法性能測試評價(jià)還缺乏足夠研究。文獻(xiàn)［1］用Sobel算子檢測目標(biāo)縱橫向邊緣后，再根據(jù)尺寸等先驗(yàn)知識進(jìn)行過濾得到候選邊緣，然后經(jīng)分級過濾、直線型過濾得到最終邊緣；文獻(xiàn)［2］利用顏色、形狀、直方圖特征對候選區(qū)域標(biāo)志牌進(jìn)行檢測。此類方法雖檢測效率高，但容易受到光照、陰影、遮擋等因素影響。文獻(xiàn)［3］采用基于特征模板配準(zhǔn)方法對目標(biāo)進(jìn)行檢測，該方法同樣受遮擋限制。文獻(xiàn)［4］綜述了采用基于目標(biāo)特征和分類器的目標(biāo)檢測算法以解決光照等環(huán)境因素影響的相關(guān)研究。為提高環(huán)境感知算法的實(shí)時(shí)性，近年來也有學(xué)者提出了基于隨機(jī)集概率密度模型、特征數(shù)據(jù)關(guān)聯(lián)和運(yùn)動信息配準(zhǔn)的多目標(biāo)跟蹤算法。文獻(xiàn)［5-6］采用數(shù)據(jù)關(guān)聯(lián)方法，將復(fù)雜環(huán)境下的多目標(biāo)檢測問題轉(zhuǎn)化為全局最優(yōu)問題和隨機(jī)圖最短路問題；文獻(xiàn)［7］利用目標(biāo)特征及其組成分對關(guān)聯(lián)數(shù)據(jù)結(jié)果進(jìn)行優(yōu)化；文獻(xiàn)［8-9］將多傳感器檢測數(shù)據(jù)關(guān)聯(lián)表述為多維匹配問題，采用多假設(shè)跟蹤（multi-hypothesis tracking，MHT）算法，把待測評算法檢測結(jié)果與標(biāo)準(zhǔn)算法檢測結(jié)果進(jìn)行數(shù)據(jù)關(guān)聯(lián)，該算法較好地解決了場景中存在目標(biāo)進(jìn)出和目標(biāo)被遮擋的情況，被認(rèn)為是目前處理目標(biāo)誤警和漏警最有效的算法。

目前，硬件在環(huán)仿真技術(shù)多運(yùn)用于構(gòu)建駕駛模擬器和測試車輛控制器性能等，將真實(shí)環(huán)境導(dǎo)入測試評價(jià)系統(tǒng)并對環(huán)境感知算法進(jìn)行測評的研究還較為少見。文獻(xiàn)［10-11］構(gòu)建了基于硬件在環(huán)的車輛仿真系統(tǒng)，但輸入場景信息是虛擬道路場景，無法反映真實(shí)環(huán)境下車輛的運(yùn)動姿態(tài)；文獻(xiàn)［12］搭建的人在環(huán)仿真（human-in-loop，HIL）系統(tǒng)加入駕駛模擬器，但本質(zhì)上仍屬于基于虛擬環(huán)境的駕駛仿真測試；文獻(xiàn)［13-14］在真實(shí)場景中加入車輛模型作為仿真系統(tǒng)的輸入場景信息，但無法反映駕駛員在道路環(huán)境中的真實(shí)動態(tài)信息。

本文基于dSPACE硬件在環(huán)仿真平臺和六自由度駕駛模擬器，搭建了環(huán)境感知算法測試評價(jià)系統(tǒng)，實(shí)現(xiàn)了真實(shí)道路場景信息的輸入與車輛運(yùn)動姿態(tài)的模擬；建立了基于機(jī)器學(xué)習(xí)的標(biāo)準(zhǔn)檢測算法和基于數(shù)據(jù)關(guān)聯(lián)的檢測評價(jià)算法，針對智能汽車環(huán)境感知算法多借助于人工識取結(jié)果進(jìn)行對比的不足，提出一套針對準(zhǔn)確率、穩(wěn)定性、通用性及實(shí)時(shí)性的測試評價(jià)體系。

1 測試評價(jià)系統(tǒng)硬件架構(gòu)

測試評價(jià)系統(tǒng)以dSPACE硬件在環(huán)仿真平臺為基礎(chǔ)構(gòu)建，能夠保證系統(tǒng)仿真的實(shí)時(shí)性。系統(tǒng)的硬件結(jié)構(gòu)及邏輯關(guān)系見圖1。駕駛模擬器安裝于六自由度運(yùn)動平臺上，能夠?yàn)轳{駛員提供真實(shí)的駕駛體驗(yàn)，同時(shí)將駕駛員對車輛的控制信息發(fā)送至硬件在環(huán)仿真平臺并接收反饋信息，實(shí)現(xiàn)對車輛動力學(xué)模型的實(shí)時(shí)控制。dSPACE硬件在環(huán)仿真平臺采集來自駕駛模擬器的駕駛員對車輛的控制信號，再由車輛動力學(xué)模型計(jì)算車身姿態(tài)信息并發(fā)送給六自由度運(yùn)動平臺，以實(shí)現(xiàn)車輛動態(tài)模擬。

圖1 系統(tǒng)硬件結(jié)構(gòu)及邏輯關(guān)系Fig.1 System hardware structure and logic relationship

2 測試評價(jià)系統(tǒng)軟件架構(gòu)

2.1 車輛動力學(xué)模型

建立七自由度車輛模型見圖2，假定車身為剛性體，車輪簡化為質(zhì)點(diǎn)，懸架類型可簡化為4個獨(dú)立懸架，7個自由度分別是車身的垂向位移、側(cè)傾角、俯仰角和4個車輪的垂向位移。

圖2 七自由度車輛動力學(xué)模型Fig.2 Vehicle dynamics model of 7 DOF

建立側(cè)向力平衡方程：

建立繞Z軸力矩平衡方程：

建立4個車輪的運(yùn)動微分方程：

式中，m為整車質(zhì)量；r為車輪半徑；δ為前輪轉(zhuǎn)角；β為質(zhì)心側(cè)偏角；γ為橫擺角速度；vX、vY分別為縱向和橫向車速；FX、FY、FZ分別為輪胎縱向力、側(cè)向力和垂向力；w?為車輪的轉(zhuǎn)動線速度；i=fl、fr、rl、rr分別表示左前輪、右前輪、左后輪、右后輪；a、b分別為前后軸到質(zhì)心的距離；lw1為前軸輪距；lw2為后軸輪距；IZ為繞Z軸的轉(zhuǎn)動慣量；Itw為車輪的轉(zhuǎn)動慣量；Tbi為車輪上的合力矩；Tdi為車輪上的扭矩。

2.2 運(yùn)動學(xué)反解算法

運(yùn)動學(xué)反解算法用于計(jì)算各液壓缸位移，從而對各個缸進(jìn)行控制，使平臺達(dá)到需要的位姿，從而實(shí)現(xiàn)由六自由度運(yùn)動平臺輸入真實(shí)道路場景信息。

由圖3所示的六自由度運(yùn)動平臺的姿態(tài)求6個缸的伸縮量Δli，可利用上下鉸支點(diǎn)間的距離li減去相應(yīng)液壓缸的初始長度l0來求解，即

式中，Pki為上鉸支點(diǎn)在靜坐標(biāo)系中的坐標(biāo)；Bki為下平臺6個鉸點(diǎn)在靜坐標(biāo)系中的坐標(biāo)；k（k=1，2，3）表示鉸點(diǎn)坐標(biāo)的X、Y、Z軸。

圖3 六自由度運(yùn)動平臺Fig.3 Movement platform of 6 DOF

選取車體坐標(biāo)系OAXAYAZA的坐標(biāo)原點(diǎn)為上鉸外接圓圓心坐標(biāo)系，固定在上平臺上。將靜坐標(biāo)系OBXBYBZB固定在下平臺上，并使初始位置時(shí)的動坐標(biāo)系和靜坐標(biāo)系完全重合。運(yùn)動平臺的初始高度（上鉸點(diǎn)與下鉸點(diǎn)間的垂直距離）為h。上平臺6個鉸點(diǎn)坐標(biāo)矩陣A與由靜坐標(biāo)系到動坐標(biāo)系的變換矩陣R分別表示為

式中，c代表 cos；s代表 sin；rA為上平臺圓周半徑；ωA為OAA1與起始線的夾角；?為橫擺角；θ為俯仰角；ψ為偏航角；x、y、z分別為沿OAXA、OAYA和OAZA方向的位移。

上鉸支點(diǎn)在靜坐標(biāo)系中的坐標(biāo)可用矩陣P表示為

運(yùn)動平臺的6個下鉸點(diǎn)位于半徑為rB的圓周，下鉸點(diǎn)固定在基座，因此它在靜坐標(biāo)系中的坐標(biāo)不變，即矩陣B固定不變。下平臺6個鉸點(diǎn)坐標(biāo)矩陣B表示為

式中，rB為下平臺圓周半徑；ωB為OBB1與起始線的夾角。

2.3 Washout濾波算法

六自由度駕駛模擬器的作用是讓駕駛員能感受到與實(shí)車相當(dāng)一致的加速度和角速度，從而實(shí)現(xiàn)由六自由度運(yùn)動平臺輸入真實(shí)道路場景信息。理論上只要平臺重現(xiàn)車輛各種動作，即可達(dá)到模擬效果。然而運(yùn)動平臺受硬件工作空間限制，不能完全復(fù)現(xiàn)車輛運(yùn)行時(shí)的各種運(yùn)動狀態(tài)，尤其是很難模擬低頻加速度，故可用Washout濾波算法將車輛的實(shí)際運(yùn)動變換成使駕駛員有相似感受且模擬器能夠?qū)崿F(xiàn)的信號。設(shè)計(jì)控制系統(tǒng)時(shí)，不僅要考慮絕對加速度還要考慮重力加速度，因此引入比力的概念：

式中，fAA為車體坐標(biāo)系A(chǔ)下洗出位置A點(diǎn)的比力；gA為車體坐標(biāo)系A(chǔ)下的重力加速度；aAA為車輛質(zhì)心加速度。

Washout濾波算法的目的是使模擬器在受限的運(yùn)動空間內(nèi)，復(fù)現(xiàn)真實(shí)環(huán)境中駕駛員所能感受到的比力和角速度，所以Washout算法應(yīng)以真實(shí)車輛的加速度和角速度為輸入，變換成使駕駛員有相似感受且運(yùn)動模擬器能夠?qū)崿F(xiàn)的信號作為運(yùn)動系統(tǒng)的輸入信號。動力學(xué)模型輸出的加速度和角速度均在車輛的體坐標(biāo)系中，加速度要通過坐標(biāo)變換矩陣LIS轉(zhuǎn)換到慣性坐標(biāo)系下，角速度要通過變換矩陣TS轉(zhuǎn)換成歐拉角的變化率。

從車體坐標(biāo)系到模擬器慣性坐標(biāo)系的轉(zhuǎn)換矩陣LIS為

角速度轉(zhuǎn)換成歐拉角變化率的轉(zhuǎn)換矩陣TS可表示為

Washout濾波算法包括高通加速度通道、高通角速度通道和傾斜協(xié)調(diào)通道3個部分。輸入信號為動力學(xué)模型輸出的車輛質(zhì)心加速度aAA和角速度ωAA，輸出信號為動平臺質(zhì)心的位置向量SIS和平臺的空間角向量βS。加速度通道輸出為加速度，而平臺輸入的控制信息為位姿，需要對加速度信息進(jìn)行二次濾波以得到位置信息。平臺受最大行程限制，濾波信號幅值不能超過選定的最大幅值。算法比例限制環(huán)節(jié)方程如下：

式中，Kf、Kω分別為比力fAA和角速度ωAA的限制比例系數(shù)；、分別為限制后的比力和角速度。

由于傾斜協(xié)調(diào)通道的存在，故高通加速度通道平移和側(cè)移方向的濾波器可以降低一階，采用二階高通傳遞函數(shù)。平臺平移和側(cè)移方向的行程范圍較小，故平移和側(cè)移方向均采用二階高通濾波器；由于升沉方向的行程較大，為使平臺盡快回到初始位置，因此該方向采用三階高通濾波器，傳遞函數(shù)分別表示為

式中，ωHP,X、ωHP,Y、ωHP,Z分別為X、Y和Z方向高通濾波器的自然響應(yīng)頻率；ξHP,X、ξHP,Y、ξHP,Z分別為X、Y、Z方向高通濾波器的阻尼比；ωHP1,Z、ωHP2,Z分別為Z方向一階環(huán)節(jié)和二階環(huán)節(jié)的自然響應(yīng)頻率；aIA,X、aIA,Y、aIA,Z分別為X、Y、Z方向輸入給高通濾波器濾波的加速度，等于對應(yīng)方向上比力與重力加速度之和；aIS,X、aIS,Y、aIS,Z分別為X、Y、Z方向高通濾波器濾波后輸出的加速度；s為拉普拉斯算子。

高通角速度通道采用二階高通濾波器，3個旋轉(zhuǎn)方向的傳遞函數(shù)分別表示為

式中：ωHP,?、ωHP,θ、ωHP,ψ分別為?、θ、ψ 3個旋轉(zhuǎn)方向的角速度通道高通濾波器的自然響應(yīng)頻率；ξHP,?、ξHP,θ、ξHP,ψ分別為?、θ、ψ3個旋轉(zhuǎn)方向的角速度通道高通濾波器的阻尼比；βA,?、βA,θ、βA,ψ分別為?、θ、ψ 3個旋轉(zhuǎn)方向的歐拉角變化率；βSH,?、βSH,θ、βSH,ψ分別為?、θ、ψ 3個旋轉(zhuǎn)方向經(jīng)過二階高通濾波器處理后的歐拉角變化率。

傾斜協(xié)調(diào)通道的傳遞函數(shù)分別為

式中，ωLP,X、ωLP,Y分別為平移和側(cè)移方向的傾斜協(xié)調(diào)通道低通濾波器的自然響應(yīng)頻率；ξLP,X、ξLP,Y分別為平移和側(cè)移方向的傾斜協(xié)調(diào)通道低通濾波器的阻尼比；fSL,X、fSL,Y分別為傾斜協(xié)調(diào)通道縱向和側(cè)向比力輸入的低頻分量；、分別為經(jīng)比例限制環(huán)節(jié)限制后的比力在傾斜協(xié)調(diào)通道縱向和側(cè)向的分量。

協(xié)調(diào)傾斜通道中的協(xié)調(diào)變換環(huán)節(jié)是為了將比力信號的低頻分量轉(zhuǎn)化為傾斜角度，可用下式表達(dá)：

式中：?、θ分別為傾斜協(xié)調(diào)通道的橫擺角和俯仰角。

高通加速度通道的輸入信號為車輛質(zhì)心加速度aAA，經(jīng)該通道高通濾波器濾波后，輸出為加速度aIS。但Washout濾波器高通加速度通道最后輸出給平臺的控制信號為位移SIS，因此需在該通道各個方向上對加速度信號進(jìn)行二次濾波，從而得到位移信號。二次濾波的傳遞函數(shù)可表示為

式中，ω2為二次濾波器的自然響應(yīng)頻率；ξ2為二次濾波器的阻尼比；k2為前向調(diào)節(jié)系數(shù)。

3 測試評價(jià)系統(tǒng)

測試評價(jià)系統(tǒng)包含基于機(jī)器學(xué)習(xí)的標(biāo)準(zhǔn)檢測算法和基于數(shù)據(jù)關(guān)聯(lián)的檢測結(jié)果關(guān)聯(lián)算法。標(biāo)準(zhǔn)檢測算法通過對標(biāo)準(zhǔn)空間的樣本在離線狀態(tài)下進(jìn)行機(jī)器學(xué)習(xí)，得到目標(biāo)檢評價(jià)標(biāo)準(zhǔn)。評價(jià)系統(tǒng)利用檢測標(biāo)準(zhǔn)對被測圖像幀進(jìn)行目標(biāo)檢測，以得到標(biāo)準(zhǔn)檢測結(jié)果。檢測結(jié)果關(guān)聯(lián)算法采用多假設(shè)跟蹤算法，將待測評算法檢測結(jié)果與標(biāo)準(zhǔn)檢測結(jié)果進(jìn)行數(shù)據(jù)關(guān)聯(lián)對比，以確定兩者之間的對應(yīng)關(guān)系，從而計(jì)算待測評算法準(zhǔn)確率和漏警率等。

3.1 測試評價(jià)功能定義

測試評價(jià)體系包括準(zhǔn)確率評價(jià)、穩(wěn)定性評價(jià)、實(shí)時(shí)性評價(jià)及通用型評價(jià)四部分。準(zhǔn)確率評價(jià)主要對環(huán)境信息提取和處理能力進(jìn)行測評，指標(biāo)有漏警率和誤警率等；穩(wěn)定性評價(jià)主要對算法抗干擾能力進(jìn)行測評，從陰影、遮擋、路口、光照突變及相機(jī)抖動等方面進(jìn)行評價(jià)，指標(biāo)有正確數(shù)累計(jì)值及占此種影響總幀數(shù)的百分比；實(shí)時(shí)性評價(jià)主要對算法實(shí)時(shí)性進(jìn)行測評，指標(biāo)有單幀處理時(shí)間、平均處理時(shí)間及最短處理時(shí)間；通用性評價(jià)主要對不同環(huán)境下的算法適用性進(jìn)行測評，具體指標(biāo)有車道線特性通用性和車輛類型、車速特性的通用性等。開發(fā)的測試評價(jià)界面見圖4。

圖4 測試評價(jià)界面Fig.4 Test and evaluation interface

3.2 標(biāo)準(zhǔn)檢測算法

目前用于環(huán)境感知算法評價(jià)的標(biāo)準(zhǔn)方法多采取人工識取結(jié)果，即對每幀圖像內(nèi)的目標(biāo)進(jìn)行離線手工標(biāo)注，存在效率低、通用性差等不足。本文提出基于機(jī)器學(xué)習(xí)得到測評標(biāo)準(zhǔn)的標(biāo)準(zhǔn)檢測算法，實(shí)現(xiàn)動態(tài)因素下的測試評價(jià)，既有效提高了測評準(zhǔn)確性，又可實(shí)現(xiàn)海量數(shù)據(jù)的動態(tài)測評。算法通過圖像樣本來構(gòu)建檢測指標(biāo)的標(biāo)準(zhǔn)空間，包含標(biāo)準(zhǔn)模糊空間、標(biāo)準(zhǔn)光照空間及標(biāo)準(zhǔn)遮擋空間等，并對標(biāo)準(zhǔn)空間的樣本在離線狀態(tài)下進(jìn)行機(jī)器學(xué)習(xí)，最終得到標(biāo)準(zhǔn)檢測結(jié)果。標(biāo)準(zhǔn)檢測算法的處理順序見圖5。

圖5 標(biāo)準(zhǔn)檢測算法Fig.5 Standard test algorithm

具體而言，算法采用的標(biāo)準(zhǔn)模糊空間可分為對樣本高斯平滑處理得到的高斯模糊子空間、對樣本直方圖調(diào)整處理得到的光照模糊子空間、對樣本運(yùn)動濾波處理得到的運(yùn)動模糊子空間。標(biāo)準(zhǔn)光照空間包括全局曝光圖像、全局陰影圖像、局部曝光圖像以及局部陰影圖像等。標(biāo)準(zhǔn)遮擋空間包括車道線被積水遮擋圖像、車道線被車輛遮擋圖像、車道線被行人遮擋圖像以及車道線被障礙物遮擋圖像等。算法采用的AdaBoost分類器是一種把若干個弱分類器整合為強(qiáng)分類器的分類器，分類器訓(xùn)練迭代過程僅改變樣本的分布，并減小分類正確樣本的權(quán)值，增大分類錯誤樣本的權(quán)值，最終將多個弱分類器加權(quán)組成強(qiáng)分類器，即形成測評標(biāo)準(zhǔn)。算法詳細(xì)步驟如下：

（1）給定訓(xùn)練集。訓(xùn)練集上樣本的初始分布可表示為

（2）尋找具有最小錯誤率的弱分類器。某弱分類器在分布上的錯誤率為

（3）計(jì)算該弱分類器的權(quán)重系數(shù)：

（4）更新訓(xùn)練樣本的分布：

（5）計(jì)算最后的強(qiáng)分類器：

式中，Dk(i)為訓(xùn)練樣本集的權(quán)值分布；N為樣本集數(shù)目；hk為預(yù)測函數(shù)；Hf為最終的強(qiáng)分類器；αk為弱分類器權(quán)重；Zk為歸一化常數(shù)；εk為誤差率；k（k=1，2，…，T）為當(dāng)前迭代次數(shù)；T為總迭代次數(shù)；xi為輸入的訓(xùn)練樣本向量；yi為分類的類別標(biāo)志。

3.3 檢測結(jié)果關(guān)聯(lián)算法

為驗(yàn)證目標(biāo)檢測算法結(jié)果的準(zhǔn)確性，將待測評算法輸出結(jié)果與前面建立的機(jī)器學(xué)習(xí)檢測標(biāo)準(zhǔn)算法輸出結(jié)果進(jìn)行關(guān)聯(lián)比對。關(guān)聯(lián)算法級聯(lián)了距離分類器、速度分類器和特征分類器，依次采用3個分類器以確保檢測結(jié)果和標(biāo)準(zhǔn)結(jié)果之間的唯一對應(yīng)。算法采用了距離最近假設(shè)、速度一致假設(shè)和灰度一致性假設(shè)，可消除車輛間的相互遮擋對被測結(jié)果與標(biāo)準(zhǔn)結(jié)果間的匹配造成的影響。

（1）距離分類器。將標(biāo)準(zhǔn)結(jié)果中的車輛坐標(biāo)輸入到距離分類器，若經(jīng)過距離分類器時(shí)，由檢測結(jié)果得到的候選對象數(shù)目等于1，則該候選對象即為該車在待測評算法中的檢測結(jié)果；若無候選對象，則進(jìn)入漏檢計(jì)算；若候選對象數(shù)目大于1，則進(jìn)入速度和特征分類器進(jìn)行判斷。坐標(biāo)距離用下式表示：

式中，（xI，yI）、（xK，yK）分別為圖像坐標(biāo)系中候選目標(biāo)車輛和標(biāo)準(zhǔn)目標(biāo)車輛坐標(biāo)值；d為檢測結(jié)果和標(biāo)準(zhǔn)結(jié)果的坐標(biāo)距離。

（2）速度分類器。車輛的運(yùn)動軌跡連續(xù)光滑，將最能保持軌跡光滑且未被其他標(biāo)準(zhǔn)結(jié)果匹配選中的候選對象，選為該車輛在當(dāng)前時(shí)刻的檢測結(jié)果，用下式表示：

式中，Pm-1、Pm、Pm+1分別為車輛目標(biāo)上一幀、當(dāng)前幀和下一幀的幀數(shù)信息；Vd為車輛的運(yùn)動軌跡光滑度。

（3）特征分類器。在未匹配選中的候選對象中，某個候選對象的特征與同一時(shí)刻標(biāo)準(zhǔn)結(jié)果中車輛的特征向量最相似，則認(rèn)為該候選對象是該車在此時(shí)刻的檢測結(jié)果，用下式表示：

式中，V、S分別為候選對象特征和標(biāo)準(zhǔn)目標(biāo)特征；μV、σV分別為V的均值和標(biāo)準(zhǔn)差；μS、σS分別為S的均值和標(biāo)準(zhǔn)差。

令 li,t(ui,t,vi,t)、si,t(wi,t,hi,t)、Ai,t和 Fi,t分別表示t時(shí)刻第i個目標(biāo)的位置坐標(biāo)、尺寸大小、重疊面積和特征矩陣，對于t時(shí)刻，任意目標(biāo)i與t+Δt時(shí)刻任意目標(biāo)j的相似度wij定義為

Pl表示位置相似度，用中心點(diǎn)坐標(biāo)距離定義。待測目標(biāo)的中心位置與標(biāo)準(zhǔn)算法目標(biāo)中心位置的距離誤差值越小，則說明檢測結(jié)果越準(zhǔn)確，用下式定義：

Ps表示尺寸相似度，用目標(biāo)尺寸定義。待測目標(biāo)的尺寸與標(biāo)準(zhǔn)算法目標(biāo)尺寸越接近，則說明相似度誤差值越小，用下式定義：

Po表示目標(biāo)重疊度，用下式定義：

Pf為特征矩陣相似度，用特征矩陣巴氏距離的指數(shù)形式進(jìn)行定義：

式中，u、v、w、h分別為目標(biāo)的坐標(biāo)信息及寬度、高度信息。

4 試驗(yàn)結(jié)果與分析

為了驗(yàn)證開發(fā)的環(huán)境感知算法測試評價(jià)系統(tǒng)的有效性，采集一段高速工況圖像數(shù)據(jù)進(jìn)行測試。預(yù)先在圖像幀中通過人工識取方法得到目標(biāo)識別的標(biāo)準(zhǔn)結(jié)果，然后將測評系統(tǒng)測試得到的結(jié)果與人工識取得到的標(biāo)準(zhǔn)結(jié)果進(jìn)行對比。

圖6a～圖6c分別為某段時(shí)間內(nèi)的駕駛員輸入前輪轉(zhuǎn)角、車輛運(yùn)行軌跡及車速信息，圖6d為識別得到的兩側(cè)車道線與本車之間的距離信息，虛實(shí)線分別為車輛距離左右側(cè)車道線的距離，圖6e為識別得到的前方目標(biāo)車輛與本車之間的距離信息，圖6f為目標(biāo)車輛與本車車速的差值信息。

圖6 車輛運(yùn)動狀態(tài)Fig.6 Dynamic state of vehicle

圖7 所示為車輛運(yùn)行軌跡相對應(yīng)的六自由度平臺運(yùn)動狀態(tài)。

環(huán)境感知算法測試場景見圖8，場景分別包含車道線漏檢與誤檢、車輛漏檢與誤檢、目標(biāo)遮擋、相機(jī)抖動與光照突變等情況。圖8中深色矩形框2為人工識取結(jié)果，淺色矩形框1為本文開發(fā)的環(huán)境感知算法檢測結(jié)果。

圖9所示為檢測算法數(shù)據(jù)關(guān)聯(lián)結(jié)果，其中圖9a所示為位置相似度，用當(dāng)前幀中的檢測目標(biāo)中心位置與目標(biāo)真實(shí)位置之間的距離誤差值定義，見式（30）；圖9b所示為當(dāng)前幀中的檢測目標(biāo)尺寸與目標(biāo)真實(shí)尺寸的相似度，見式（31）；圖9c所示為當(dāng)前幀中的檢測目標(biāo)與目標(biāo)真實(shí)值之間的重疊度，見式（32）；圖9d所示為當(dāng)前幀中的檢測目標(biāo)特征矩陣與目標(biāo)真實(shí)特征矩陣的相似度，見式（33）。

圖7 六自由度平臺運(yùn)動狀態(tài)Fig.7 Dynamic state of 6 DOF platform

圖8 環(huán)境感知檢測算法測試場景Fig.8 Scenario of environmental perception algorithm experiment

表1給出了檢測算法結(jié)果與人工識取結(jié)果在不同場景下的對比。由對比結(jié)果可知，本文建立的標(biāo)準(zhǔn)檢測算法和數(shù)據(jù)關(guān)聯(lián)檢測評價(jià)算法的識別結(jié)果與人工識取結(jié)果的吻合度較高，可較好地作為標(biāo)準(zhǔn)檢測算法。

圖9 數(shù)據(jù)關(guān)聯(lián)測試結(jié)果Fig.9 Experiment results of data association

圖10 所示為對某典型連續(xù)圖像幀的測試結(jié)果。圖10a所示為當(dāng)前幀檢測所耗的時(shí)長；圖10b所示為當(dāng)前幀圖像的清晰度，用圖像邊緣寬度表示；圖10c所示為當(dāng)前幀圖像的曝光度，用圖像灰度直方圖表示。由測試結(jié)果可知，測評系統(tǒng)開發(fā)的基于機(jī)器學(xué)習(xí)的感知算法針對目標(biāo)遮擋、曝光度、大曲率車道線等情況時(shí)，均能對目標(biāo)進(jìn)行有效識別。

表1 算法結(jié)果與人工識取結(jié)果對比Fig.1 Results comparison of algorithm and manually recognition

圖10 環(huán)境感知檢測算法測試結(jié)果Fig.10 Experiment results of environmental perception algorithm

5 結(jié)論

（1）針對智能汽車環(huán)境感知算法開發(fā)多借助于實(shí)車測試，受道路環(huán)境條件限制等問題，開發(fā)了基于硬件在環(huán)仿真平臺和六自由度駕駛模擬器的智能汽車環(huán)境感知算法測試評價(jià)系統(tǒng)。系統(tǒng)采用真實(shí)交通場景作為系統(tǒng)的輸入場景信息，借助六自由度運(yùn)動平臺輸入真實(shí)道路場景信息。

（2）基于機(jī)器學(xué)習(xí)和數(shù)據(jù)關(guān)聯(lián)開發(fā)了環(huán)境感知測試評價(jià)算法，將系統(tǒng)測評結(jié)果與人工識取結(jié)果進(jìn)行對比。測試結(jié)果表明，開發(fā)的環(huán)境感知測試評價(jià)算法針對光照、遮擋、大曲率彎曲道路等情況時(shí)，均能準(zhǔn)確檢測到車道線和目標(biāo)車輛，可有效代替人工識取結(jié)果。

（3）該系統(tǒng)方案可行、實(shí)時(shí)性較好，能為智能汽車環(huán)境感知算法開發(fā)和測試提供真實(shí)、有效、可靠的評價(jià)手段，能顯著提高算法開發(fā)和測試效率。