孫鴻杰 馬海龍 俞嘉瑩 馬新娟

摘要：目前，車輛安全事故多發(fā)，多車型智能駕駛輔助系統(tǒng)較為不完善，大部分車輛駕駛者不能有效預(yù)防即將到來的危險(xiǎn)，與之相關(guān)的車輛安全駕駛輔助技術(shù)研究日益受到重視。本文主要介紹了一種基于人工智能的多功能車輛安全輔助系統(tǒng)的研究，該系統(tǒng)面對(duì)多種路況、多種駕駛環(huán)境，采用人工智能嵌入式學(xué)習(xí)系統(tǒng)，結(jié)合深度學(xué)習(xí)的機(jī)器視覺圖像檢測(cè)技術(shù)，實(shí)現(xiàn)對(duì)小車前方道路狀況進(jìn)行實(shí)時(shí)監(jiān)測(cè)，尤其是突然出現(xiàn)的行車障礙如行人、汽車、動(dòng)物等，輔助小車駕駛系統(tǒng)進(jìn)行智能的緊急剎車或避障，從而有效提高汽車駕駛的安全性及智能性，大幅降低意外事故發(fā)生率。

關(guān)鍵詞：智能駕駛輔助系統(tǒng);人工智能;安全輔助系統(tǒng)

中圖分類號(hào)：U463 文獻(xiàn)標(biāo)識(shí)碼：A

前言

汽車行業(yè)發(fā)展至今，駕駛速度與使用舒適度日臻趨于完美，但常規(guī)車輛的使用安全性，受到車輛本身的可靠性以及駕駛員技術(shù)和狀態(tài)的影響，暫無確切標(biāo)準(zhǔn)衡量，每年都有大量在操作不當(dāng)和不及時(shí)預(yù)防導(dǎo)致事故的報(bào)道，因此危險(xiǎn)預(yù)測(cè)關(guān)系到人員生命和財(cái)產(chǎn)安全的大事，也是許多汽車廠商和用戶所車廠商和用戶所關(guān)心的眾多問題之一。

我國(guó)歷年交通事故雖有下降，其主要原因在于汽車性能不斷提升和人們道路安全意識(shí)的不斷提高，團(tuán)隊(duì)將當(dāng)前的路況分析和駕駛環(huán)境模塊向著深度學(xué)習(xí)和人工智能方向改進(jìn)，并將各個(gè)模塊融合成一個(gè)系統(tǒng)，應(yīng)對(duì)多種駕駛環(huán)境。本系統(tǒng)順應(yīng)人工智能發(fā)展趨勢(shì)，合理考慮人性化非侵入式設(shè)計(jì)，刨除廠商車身結(jié)構(gòu)限制，提供多適應(yīng)獨(dú)立系統(tǒng)安裝。

1.裝置原理

碰撞危險(xiǎn)預(yù)防部分

碰撞危險(xiǎn)預(yù)防部分采用opencv模型圖像數(shù)據(jù)庫跑入，用python全網(wǎng)爬取路況分析資料給模型庫，將實(shí)時(shí)路況全景采集，并將盲區(qū)圖像進(jìn)行深度學(xué)習(xí)識(shí)別和車載處理器層進(jìn)行通信。車載處理器對(duì)危險(xiǎn)進(jìn)行分析之后將危險(xiǎn)信息傳給車內(nèi)單片機(jī)并連接車內(nèi)主機(jī)顯示報(bào)警信息并且發(fā)出警報(bào)?？紤]到攝像頭旋轉(zhuǎn)空白問題和因能見度低引起的識(shí)別空白，本系統(tǒng)加入雷達(dá)測(cè)距系統(tǒng)。在攝像頭識(shí)別空白的區(qū)域進(jìn)行3d測(cè)距測(cè)速，同樣通過單片機(jī)進(jìn)行數(shù)據(jù)傳輸，使用單片機(jī)連接、傳導(dǎo)，在接收端屏幕顯示3d距離并與危險(xiǎn)距離對(duì)比。為了避免一些相對(duì)小型目標(biāo)出現(xiàn)在視野空白，本系統(tǒng)還添加紅外線傳感器，檢測(cè)小型移動(dòng)熱源，實(shí)現(xiàn)車流量密集下熱源數(shù)量的檢測(cè)。通過單片機(jī)共同傳到總檢測(cè)系統(tǒng)終端，終端計(jì)算并判斷危險(xiǎn)性，從而增加保障。本系統(tǒng)采用多傳感系統(tǒng)，降低了平均檢出時(shí)間并提升了檢測(cè)精度。

（2）路況分析部分

路況分析部分采用基于yolo3和opencv的視頻分析和deepsort算法框架融合，將YOLOv3算法和DeepSort算法結(jié)合，展開車流量檢測(cè)研究。本系統(tǒng)采用YOLOv3算法在Darknet-53圖像特征提取網(wǎng)絡(luò)結(jié)構(gòu)下訓(xùn)練車輛目標(biāo)檢測(cè)模型，獲得性能優(yōu)良的YOLOv3檢測(cè)器。再將其檢測(cè)結(jié)果作為后續(xù)跟蹤的輸入，結(jié)合DeepSort算法框架，利用運(yùn)動(dòng)模型和表觀信息進(jìn)行數(shù)據(jù)關(guān)聯(lián)，實(shí)現(xiàn)端到端多目標(biāo)視覺跟蹤，進(jìn)行視頻車流量檢測(cè)，使車輛目標(biāo)在光照、快速移動(dòng)、遮擋等復(fù)雜情況下獲得良好的跟蹤效果，提升了傳統(tǒng)車流量檢測(cè)算法的性能和魯棒性。

（3）面部識(shí)別部分

面部識(shí)別部分基于opencv和yolo3深度學(xué)習(xí)的視頻分析技術(shù)提出了一種基于面部特征融合的駕駛員疲勞識(shí)別算法。該算法構(gòu)建了一個(gè)三級(jí)識(shí)別模型：前期處理、特征級(jí)與決策級(jí)。前期處理主要使用現(xiàn)有技術(shù)進(jìn)行人臉、眼唇檢測(cè)與追蹤。特征級(jí)中，針對(duì)眼部、唇部以及面部表情的特征提取方式做出了兩種疲勞識(shí)別算法：基于圖像金字塔局部二進(jìn)制模式的疲勞識(shí)別算法和基于局部二進(jìn)制模式與重構(gòu)方向梯度直方圖融合的疲勞識(shí)別算法。隨后，將這兩種算法與基于局部二進(jìn)制模式、基于方向梯度直方圖及其擴(kuò)展模式的疲勞識(shí)別算法等進(jìn)行了對(duì)比仿真實(shí)驗(yàn)，驗(yàn)證算法的性能，以選出最合適的各個(gè)證據(jù)源的疲勞判別方式，完善特征級(jí)模型。在決策級(jí)，針對(duì)面部疲勞表情、眼部疲勞狀態(tài)、唇部疲勞狀態(tài)以及上一時(shí)刻判別的疲勞狀態(tài)這四種證據(jù)源，使用改進(jìn)的基于Dempster-Shafer 證據(jù)理論的多信息決策層融合算法融合以實(shí)現(xiàn)綜合判決。最后，進(jìn)行仿真對(duì)比實(shí)驗(yàn)，以完善決策級(jí)融合框架。

（4）胎溫胎壓檢測(cè)部分

為提高轎車胎溫胎壓自動(dòng)監(jiān)測(cè)能力，本發(fā)明提出基于機(jī)器視覺的轎車胎溫胎壓儀表讀數(shù)自動(dòng)校驗(yàn)方法。構(gòu)建轎車胎溫胎壓儀表讀數(shù)的視覺信息檢測(cè)模型，采用傳感器監(jiān)測(cè)方法進(jìn)行轎車胎溫胎壓儀表讀數(shù)信息采集，對(duì)采集的轎車胎溫胎壓儀表讀數(shù)數(shù)據(jù)進(jìn)行信息融合處理，提取轎車胎溫胎壓儀表讀數(shù)的相關(guān)性特征量，采用匹配檢測(cè)方法進(jìn)行轎車胎溫胎壓儀表讀數(shù)的誤差調(diào)節(jié)，構(gòu)建轎車胎溫胎壓儀表讀數(shù)的自動(dòng)檢驗(yàn)機(jī)器視覺分析模型，實(shí)現(xiàn)機(jī)器視覺下的轎車胎溫胎壓儀表讀數(shù)自動(dòng)校驗(yàn)。仿真結(jié)果表明，采用該方法進(jìn)行轎車胎溫胎壓儀表讀數(shù)自動(dòng)校驗(yàn)的準(zhǔn)確性較高，誤差較小，提高了胎溫胎壓監(jiān)測(cè)的精度。

與此同時(shí)，針對(duì)汽車輪胎內(nèi)TPMS模塊不易拆卸的特點(diǎn)，設(shè)計(jì)一種通過無線方式自動(dòng)獲取輪胎內(nèi)傳感器模塊ID號(hào)并重置汽車儀表終端內(nèi)可監(jiān)測(cè)傳感器模塊ID號(hào)的智能輔助終端。

產(chǎn)品主要包括主控制系統(tǒng)設(shè)計(jì)、無線通信系統(tǒng)設(shè)計(jì)、顯示觸摸系統(tǒng)設(shè)計(jì)、充電系統(tǒng)及電源系統(tǒng)設(shè)計(jì)等。其設(shè)計(jì)選用32位Cortex-M3內(nèi)核的ARM微控制器作為控制核心，其高效快速的數(shù)據(jù)處理能力可以承擔(dān)系統(tǒng)數(shù)據(jù)通信及外圍模塊控制任務(wù);無線通信系統(tǒng)包括方案選取、射頻參數(shù)設(shè)計(jì)、天線網(wǎng)絡(luò)設(shè)計(jì)及軟件設(shè)計(jì)，并對(duì)可能引起系統(tǒng)誤碼率和穩(wěn)定性的因素進(jìn)行了多方面分析;采用TFT彩色液晶顯示器作為人機(jī)交互操作終端，采用觸控方式以獲得良好操控體驗(yàn)，顯示觸摸系統(tǒng)設(shè)計(jì)包括硬件接口設(shè)計(jì)、觸摸屏校準(zhǔn)、人機(jī)交互界面UI設(shè)計(jì)及系統(tǒng)軟件設(shè)計(jì)等。

2工作流程

（1）碰撞危險(xiǎn)預(yù)防部分基于原理設(shè)計(jì)的流程圖如下圖所示，圖1是車身碰撞盲區(qū)示意圖，圖2是碰撞危險(xiǎn)預(yù)防系統(tǒng)結(jié)構(gòu)設(shè)計(jì)圖，圖3是碰撞危險(xiǎn)系統(tǒng)軟件設(shè)計(jì)圖。

（2）多路況分析部分基于原理設(shè)計(jì)的流程圖如下圖所示，

圖4、圖5、圖6為多路況分析流程圖。

3系統(tǒng)測(cè)試分析及綜合框架

將多傳感器智能安全駕駛輔助系統(tǒng)與單一傳感器系統(tǒng)測(cè)試精度進(jìn)行對(duì)比，其具體結(jié)果如圖7、圖8所示。

在本階段實(shí)驗(yàn)室環(huán)境下，團(tuán)隊(duì)將模擬車輛進(jìn)行產(chǎn)品結(jié)構(gòu)預(yù)安裝如圖9所示，車模系統(tǒng)安裝模擬如圖10所示，三大系統(tǒng)層次框架圖如圖11所示，功能框架圖如圖12、圖13所示，創(chuàng)新點(diǎn)框架圖如圖14所示。

4產(chǎn)品創(chuàng)新方向

（1）本產(chǎn)品將當(dāng)前的路況分析和駕駛環(huán)境模塊向著深度學(xué)習(xí)和人工智能方向改進(jìn)，推進(jìn)人工智能神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)安全駕駛分散化不成體系模塊的總和使用。采用舵機(jī)旋轉(zhuǎn)視頻拍攝和雷達(dá)測(cè)距多傳感器融合碰撞危險(xiǎn)預(yù)防技術(shù)，將原本四個(gè)攝像頭遮擋重疊區(qū)域過多和融合色差問題得到改善，一定程度上降低了運(yùn)行復(fù)雜度并提高了準(zhǔn)確性。

（2）本產(chǎn)品增加了人性化的非侵入式設(shè)計(jì)，采用攝像頭提取面部進(jìn)行人工智能分析識(shí)別駕駛員疲勞狀態(tài)，保證安全駕駛的狀態(tài)。

（3）本產(chǎn)品包括輪胎溫度和輪胎壓強(qiáng)范圍檢驗(yàn)，在現(xiàn)實(shí)應(yīng)用中還未普及化。且即使配備TPMS模塊，若汽車輪胎損壞或TPMS模塊損壞需要更換，如何高效穩(wěn)定地實(shí)現(xiàn)對(duì)汽車儀表終端內(nèi)ID編碼進(jìn)行更新也是亟待解決的痛點(diǎn)。而本系統(tǒng)采用高效處理和信號(hào)傳輸?shù)奶幚砥飨到y(tǒng)并采用機(jī)器視覺高精度識(shí)別儀表盤數(shù)據(jù)?？梢杂行p少因車身安全度不足導(dǎo)致的事故。

參考文獻(xiàn)：

[1] 夏明.汽車倒車輔助系統(tǒng)的設(shè)計(jì)[J].裝備制造技術(shù)，2017，（4）：209- 211.

[2] 胡鵬，秦會(huì)斌.基于紅外測(cè)距汽車倒車?yán)走_(dá)預(yù)警系統(tǒng)設(shè)計(jì)[J].傳感器與微系統(tǒng)，2018，第37卷（7）：114-116，126.

[3] 張弘揚(yáng).基于單片機(jī)的汽車倒車?yán)走_(dá)設(shè)計(jì)[J].數(shù)碼世界，2017，（10）： 36.

[4] 喬亞楠，劉新寬，劉平等.高強(qiáng)度鍍鋅鋼絲表面硬度與扭轉(zhuǎn)性能關(guān)系研究[J].功能材料， 2017，第48卷.（8）：8053-8057.

[5] 廖曉文，賴香功.金屬熱處理工藝對(duì)齒輪材料性能的影響[J].世界有色金屬， 2019， （21）：159-160.

[6] 單新平，蔣云峰，劉宗健.基于超聲波倒車?yán)走_(dá)的研究[J].汽車電器， 2019，（7）：20-22.