莫 夫

（廣東科技學(xué)院 機(jī)電工程學(xué)院，廣東 東莞 523083）

自主緊急制動（autonomous emergency break，AEB）系統(tǒng)是駕駛輔助系統(tǒng)領(lǐng)域的研究熱點(diǎn)之一，可以準(zhǔn)確地進(jìn)行障礙物檢測，在危險情況下發(fā)出告警信息并施加主動控制［1-2］。目前，各國都非常重視自主緊急制動系統(tǒng)的發(fā)展，歐洲新車安全評鑒協(xié)會（Euro NCAP）已將其納入新車主動安全的評價規(guī)程。2018年，中國新車評價規(guī)程（CNCAP）也將AEB系統(tǒng)作為測試和評價的重要指標(biāo)［3］?？梢?，對AEB系統(tǒng)的研究尤為重要。

當(dāng)前比較常見的基于雷達(dá)的自主緊急制動系統(tǒng)雖有一定的控制效果，但對于行駛路徑上的無害靜止障礙物，如路邊靜止車輛、硬路肩、鐵軌以及矮橋等，常常會引發(fā)虛假警報甚至引發(fā)緊急制動，容易產(chǎn)生安全隱患。加上雷達(dá)傳感器價格昂貴，使其在應(yīng)用上受到一定的局限。

近年來，視覺傳感器以其低成本、易用性的特點(diǎn)，逐漸應(yīng)用于各個領(lǐng)域。文獻(xiàn)［4］將視覺傳感器應(yīng)用于采摘機(jī)器人目標(biāo)果實識別系統(tǒng)中，實現(xiàn)了對目標(biāo)果實的識別和精準(zhǔn)定位，取得了很好的效果。文獻(xiàn)［5］為了流水線機(jī)器人能精確定位抓取產(chǎn)品，采用了一種基于單目視覺和激光融合的定位方法，對機(jī)器人路徑進(jìn)行規(guī)劃，引導(dǎo)機(jī)器人選擇最優(yōu)路徑。文獻(xiàn)［6］利用視覺傳感器和計算機(jī)圖形學(xué)技術(shù)，結(jié)合PLC自動化控制，設(shè)計了一種新型的船舶火災(zāi)監(jiān)控報警系統(tǒng)，大幅提高了船舶火災(zāi)事故早期火焰的監(jiān)控和識別精度。以上研究成果，為本研究的開展提供了新思路。

針對雷達(dá)傳感器成本高以及對于靜止物體存在“虛目標(biāo)”等問題，本文利用視覺傳感器實現(xiàn)雷達(dá)測距功能，使其具有更高的空間分辨率，并利用Kalman濾波器調(diào)整觀測誤差矩陣，用以降低估計誤差，提高控制效果。

1 車道視覺信息識別算法

圖像處理是目標(biāo)識別的重要環(huán)節(jié)，主要通過安裝在汽車上的照相機(jī)感知周圍環(huán)境，捕捉路況信息，然后將采集的數(shù)據(jù)參數(shù)實時輸入系統(tǒng)的預(yù)警算法中，以判斷障礙物是否對車輛行駛構(gòu)成危險。但由于環(huán)境光線影響、道路標(biāo)線模糊以及障礙物復(fù)雜等因素的影響，使圖像處理速度變慢，識別精度降低。本文在設(shè)計圖像處理算法時考慮降低外界因素對算法性能的影響，以提高系統(tǒng)精度。

本文設(shè)計的基于視覺傳感器的目標(biāo)識別算法流程包括圖像預(yù)處理、障礙物與車道線檢測以及數(shù)據(jù)分析，如圖1所示。

圖1 圖像處理流程

1）圖像預(yù)處理。包括灰度化、方差圖、自適應(yīng)梯度二值化分割圖等步驟，最終得到邊緣粗提取圖。

2）障礙物檢測和車道線檢測。采用霍夫變換和雙曲線模型擬合檢測出車道線像素，從而得到車道線參數(shù)。然后通過水平邊緣合并及坐標(biāo)細(xì)化，確定車輛底邊陰影在邊緣提取圖中的位置，并結(jié)合對稱性分析進(jìn)一步確認(rèn)所檢測車輛，給出車輛水平邊緣坐標(biāo)。

3）數(shù)據(jù)分析。將檢測出的車道線參數(shù)及車輛參數(shù)輸入預(yù)警算法模塊，為駕駛員發(fā)出預(yù)警信號或進(jìn)行自動緊急制動。

2 基于視覺傳感器的自動緊急制動算法

2.1 AEB系統(tǒng)工作原理

自動緊急制動系統(tǒng)利用傳感器實時測感知前方道路環(huán)境，并預(yù)判其中的危險程度。當(dāng)檢測到存在碰撞危險時，系統(tǒng)立即發(fā)出預(yù)警提示，提醒駕駛員采取措施規(guī)避危險。當(dāng)系統(tǒng)發(fā)現(xiàn)駕駛員沒有對預(yù)警及時做出正確反應(yīng)且碰撞危險進(jìn)一步加劇時，系統(tǒng)會自動產(chǎn)生緊急制動，以減少碰撞發(fā)生機(jī)率和嚴(yán)重程度［7-9］。AEB系統(tǒng)工作原理如圖2所示。

圖2 AEB系統(tǒng)工作原理

有效的AEB系統(tǒng)需要精準(zhǔn)識別障礙物的信息，并及時報警和制動，且不能虛報和進(jìn)行錯誤制動，從而減小事故發(fā)生機(jī)率。通常情況下，人們希望報警和制動時機(jī)要合理：報警太早會影響駕駛員行駛注意力，太晚又使駕駛員來不及反應(yīng)，起不到警示作用。而主動制動的時間不應(yīng)過早，應(yīng)保留駕駛員通過轉(zhuǎn)向等方式避免碰撞的可能性，這就要求系統(tǒng)具有有效的安全制動算法，計算出合理的介入時刻，決定預(yù)警時機(jī)和制動邏輯。

目前，對于汽車安全制動算法的評價指標(biāo)主要包括碰撞時間和安全距離，前者是通過計算兩車間的碰撞時間與安全時間門檻值進(jìn)行比較，從而判斷是否制動，后者是指在汽車行駛的當(dāng)前條件下，車輛避開與障礙物的碰撞需要保持的車輛到障礙物的最小距離。

2.2 碰撞時間

碰撞時間（TTC）是指某一時刻本車與目標(biāo)車之間發(fā)生碰撞前的剩余時間，是衡量避撞算法有效性的重要參數(shù)，當(dāng)TTC低于預(yù)設(shè)的門檻值時，AEB系統(tǒng)被觸發(fā)并施加緊急制動，其表達(dá)式為［10-16］

其中：Z為本車到障礙物的相對距離；V是本車和障礙物之間的相對速度。

1）不考慮加速度的影響

因為相對距離和相對速度無法直接利用視覺傳感器測量，所以將TTC表示成采樣時間Δt內(nèi)圖像中物體像素尺寸變化的函數(shù)，這個值可以從圖像幀序列中精確計算得到。

根據(jù)相機(jī)的小孔成像模型，如圖3所示，則有

其中：wt是t時刻車輛在圖像中的寬度；Zt是相機(jī)到物體的距離；W是車輛的實際寬度；f是相機(jī)的焦距。

圖3 相機(jī)小孔成像模型示意圖

定義尺寸變化率S作為兩幅相鄰圖像之間物體成像寬度的比值：

當(dāng)兩幅圖像之間的時間間隔足夠小，可以表示為

所以

式（6）給出了根據(jù)車輛成像尺寸變化和時間計算TTC的方法。

2）考慮加速度的影響

上述計算TTC的方法的一個問題是忽略了兩輛車之間的相對加速度。通常相對加速度發(fā)生在前車突然停止或主車減速以避免碰撞，兩種情況對AEB系統(tǒng)都很重要。沒有檢測到主車減速將會給出錯誤的告警信息（如接近交通信號燈時），僅僅利用制動信號并不足夠，因為有時候駕駛員不踩制動而只是將腳從油門踏板挪開利用發(fā)動機(jī)制動?？紤]到相對加速度，則兩車之間的相對距離可寫成

TTC是Z＝0時的時間：

正如本文所述，距離、速度和加速度無法直接從圖像中獲取，利用車輛成像尺寸改變來計算。這里介紹一種常值加速度假設(shè)的TTC計算方法。對式（1）求導(dǎo)得

定義輔助變量：

則Tm和它的導(dǎo)數(shù)可從當(dāng)前圖像中獲取，這時Z和V實際是Z0和V0，可以得到

從式（12）中提取a，得到

根據(jù)圖像計算出的Tm和將式（13）代入式（8）中得

將式（13）代入式（14）得到

用Tm代替得到

其中C是的函數(shù)。

2.3 卡爾曼濾波

利用單目視覺傳感器測距存在一定的誤差，假設(shè)誤差為e（h），那么準(zhǔn)確的距離可以由式（19）表示：

式中：Z（h）表示根據(jù)行坐標(biāo)映射所得的距離；e（h）表示h行像素的測距誤差。那么在障礙物識別算法較為準(zhǔn)確的情況下，該誤差e（h）是有界的，即

利用Kalman濾波算法將該誤差的方差代替Kalman濾波中的測量誤差矩陣，將障礙物陰影行坐標(biāo)根據(jù)小孔成像模型映射為兩車距離，并利用各行像素的測距誤差調(diào)整觀測誤差矩陣［17-18］。

式中：xk為n維向量；F為傳遞矩陣；wk為隨機(jī)變量。

而測量值zk可能是對狀態(tài)變量的直接測量或者間接測量，假設(shè)測量值為m維向量，則測量值為

式中：Hk為m×n矩陣；vk為m×m測量誤差矩陣；xk表示車底陰影所在行坐標(biāo)對應(yīng)的不同的方差值。假設(shè)對k時刻狀態(tài)的預(yù)測為則：

由此可以得出Kalman濾波更新率：

根據(jù)式（19）求得第k時刻真實值相對于已知的測量值和預(yù)測值的權(quán)重，由此可以求得xk和Pk的最優(yōu)更新值：

最后，根據(jù)計算得到的xk更新計算相對距離。

3 仿真與分析

為了驗證本文提出的基于單目視覺的自主緊急制動系統(tǒng)的有效性，通過仿真對基于視覺傳感器的TTC計算方法進(jìn)行驗證。圖4為AEB系統(tǒng)仿真示意圖，圖中設(shè)置裝備AEB控制系統(tǒng)的測試車以及在主車車道的目標(biāo)車，兩車距離為12 m，相機(jī)架設(shè)高度為1.3 m，垂直視場角為40°，圖像分辨率為320×240，分別以兩車相對速度30 km／h勻速接近和勻加速接近兩種工況進(jìn)行仿真。

圖5、6分別代表兩種工況相對距離識別算法觀測值、經(jīng)過卡爾曼濾波后的距離估計值以及真實值之間的比較。通過對比可以看到：與障礙物識別算法的距離估計值相比，本文提出的時變觀測誤差矩陣Kalman濾波算法能有效降低估計誤差。

圖4 AEB系統(tǒng)仿真示意圖

圖5 兩車30 km／h勻速接近相對距離計算

圖6 兩車勻加速接近相對距離計算值

圖7、8分別代表兩種工況下TTC計算值和真實值之間的比較。通過對比可以看到：當(dāng)TTC準(zhǔn)確值低于3 s時，TTC的估計值能有效收斂于準(zhǔn)確值。

圖7 兩車30 km／h勻速接近TTC估計值與計算值比較

圖8 兩車勻加速接近TTC計算

4 結(jié)論

1）本文介紹的系統(tǒng)直接從相機(jī)的原始圖像中的位置計算碰撞時間TTC以及發(fā)生碰撞的可能性?；谝曈X傳感器成像原理，推導(dǎo)了在圖像坐標(biāo)系計算TTC的方法，包括兩車勻速接近及兩車勻加速接近時的TTC計算。

2）為進(jìn)一步提高TTC計算精度，采用卡爾曼濾波方法，通過各行像素的測距誤差調(diào)整觀測誤差矩陣。

3）分別以兩車相對速度30 km／h接近和兩車勻加速接近兩種工況進(jìn)行仿真。結(jié)果表明：本文提出的時變觀測誤差矩陣Kalman濾波算法能有效降低估計誤差，當(dāng)TTC準(zhǔn)確值低于3 s時，TTC的估計值能有效收斂于準(zhǔn)確值。