劉兆倫，周 明，周 延，李 琳，梁志輝

(合肥工業(yè)大學(xué) 機(jī)械工程學(xué)院，安徽 合肥 230009)

0 引言

傳感器是現(xiàn)代機(jī)器系統(tǒng)和無人駕駛系統(tǒng)中必不可少的部件，各種傳感器對信息的獲取存在方式和原理上的差異，使得信息的精確度也無法保證。本文針對在無人駕駛小車上安裝的超聲波雷達(dá)、毫米波雷達(dá)和激光雷達(dá)的數(shù)據(jù)融合問題，提出了一種數(shù)據(jù)融合思路。

1 數(shù)據(jù)融合預(yù)處理

融合多種雷達(dá)數(shù)據(jù)的方法是先將各種雷達(dá)接收到的數(shù)據(jù)進(jìn)行預(yù)處理，將各自數(shù)據(jù)中的雜波和不需要的信息剔除，以減少融合處理器中的數(shù)據(jù)存儲量[1]，然后再將這些數(shù)據(jù)進(jìn)行中央級數(shù)據(jù)融合[2]。在進(jìn)行數(shù)據(jù)融合前需進(jìn)行超聲波雷達(dá)、毫米波雷達(dá)和激光雷達(dá)的數(shù)據(jù)預(yù)處理：超聲波雷達(dá)返回的數(shù)據(jù)只有距離信息，通過對比距離信息，只留下距離相對較近的數(shù)據(jù)傳入融合處理器；毫米波雷達(dá)返回數(shù)據(jù)的信息包括目標(biāo)的徑向距離、速度、方位角等，首先通過相鄰采樣點之間的車輛數(shù)據(jù)特征變化去除無效目標(biāo)[3]，通過對距離信息的對比過濾掉距離太小和太大的目標(biāo)信息，通過對速度的對比過濾掉靜止的目標(biāo)信息，然后將過濾后的數(shù)據(jù)傳入融合處理器；考慮激光雷達(dá)的安裝位置精度及車輛行駛的需要，給出一個限定范圍，首先去除有效范圍外的無關(guān)數(shù)據(jù)點，再通過濾波的方式濾除一些孤立的噪聲點[4]，將過濾后的數(shù)據(jù)傳入融合處理器。其中，超聲波雷達(dá)選取車輛前側(cè)多個超聲波雷達(dá)測量數(shù)據(jù)求取平均值得到預(yù)處理后的數(shù)據(jù)，毫米波雷達(dá)和激光雷達(dá)則采用多次測量求得平均值的方法得到預(yù)處理后的數(shù)據(jù)。

預(yù)處理后可以發(fā)現(xiàn)，數(shù)據(jù)在測量范圍誤差之內(nèi)，之后則進(jìn)行數(shù)據(jù)融合，其思路是將激光雷達(dá)傳入數(shù)據(jù)的距離、速度等信息提取出來，分別與同一時刻內(nèi)超聲波雷達(dá)傳入數(shù)據(jù)的距離信息和毫米波雷達(dá)傳入的距離與速度信息作對比，如果相對應(yīng)數(shù)據(jù)的誤差在合理的范圍內(nèi)，則將兩者的數(shù)據(jù)求和取平均值作為對應(yīng)目標(biāo)的數(shù)據(jù)信息；超聲波雷達(dá)和激光雷達(dá)處理后的數(shù)據(jù)包含目標(biāo)的徑向距離和方位角等信息，且與車輛的相對距離較?。唤?jīng)過激光雷達(dá)和毫米波雷達(dá)處理的數(shù)據(jù)包含目標(biāo)的距離、方位角和速度等信息，與車輛的相對距離較為安全，可以通過建立一個線性卡爾曼濾波跟蹤器來進(jìn)行跟蹤。

一般系統(tǒng)的狀態(tài)方程和觀測方程可以表示為如下形式：

xk=Axk-1+Buk+wk.

zk=Hxk+vk.

其中：xk為k時刻的系統(tǒng)狀態(tài)；A為系統(tǒng)的狀態(tài)轉(zhuǎn)移矩陣；B為系統(tǒng)的控制矩陣；uk為系統(tǒng)控制量；wk為系統(tǒng)過程高斯白噪聲；zk為k時刻的測量值；H為系統(tǒng)的測量矩陣；vk為系統(tǒng)測量高斯白噪聲。

通過卡爾曼跟蹤算法[5]可以將當(dāng)前目標(biāo)信息中的位置信息作為測量值，利用測量值和跟蹤器上一時刻的狀態(tài)所得到的預(yù)測值來更新跟蹤器的狀態(tài)向量和估計誤差的協(xié)方差等結(jié)果，然后預(yù)測下一時刻的狀態(tài)。按照預(yù)測—實測—修正來對目標(biāo)進(jìn)行位置確定，從而提供更準(zhǔn)確的信息。

2 節(jié)點分類數(shù)據(jù)融合

多傳感器信息的融合是把分布在不同位置、不同種類的傳感器所提供的局部環(huán)境的部分信息通過一些方法進(jìn)行融合，從而得到所需的較為準(zhǔn)確的環(huán)境信息。

本實驗將超聲波雷達(dá)分別安裝在車輛的前側(cè)、左側(cè)以及右側(cè)，毫米波雷達(dá)安裝在車輛的前側(cè)，激光雷達(dá)安裝在車輛的前側(cè)。其中，超聲波雷達(dá)收集的數(shù)據(jù)經(jīng)過處理后成為障礙物與雷達(dá)之間的距離，毫米波雷達(dá)收集的數(shù)據(jù)為徑向距離、速度、加速度以及方位角，激光雷達(dá)收集的數(shù)據(jù)為方向角、實際轉(zhuǎn)速以及實際距離。先進(jìn)行同質(zhì)與異質(zhì)信息的劃分，同質(zhì)即傳感器觀測的是同一物理現(xiàn)象，異質(zhì)則觀測的不是同一個物理量[6]?？梢缘贸?，同質(zhì)信息有距離信息、方向角的角度信息和速度以及加速度的狀態(tài)信息；異質(zhì)信息分為三類：第一類為超聲波雷達(dá)、毫米波雷達(dá)和激光雷達(dá)的距離信息，簡稱S；第二類為毫米波雷達(dá)和激光雷達(dá)測出的方向角的角度信息，簡稱L；第三類為毫米波雷達(dá)測出的速度以及加速度的狀態(tài)信息，簡稱Z。對特征信息提取分類后將多個超聲波傳感器探測的距離信息經(jīng)過“同類型多傳感器融合算法”進(jìn)行數(shù)據(jù)預(yù)處理[7]，這樣可以提高超聲波雷達(dá)測量的精度。

多傳感器融合的結(jié)構(gòu)模型有集中式、分布式和混合式三種，通過上述分析可知，在處理超聲波雷達(dá)、毫米波雷達(dá)和激光雷達(dá)的數(shù)據(jù)融合中，采用混合式處理[8]較為合適，即集中式和分布式的混合，經(jīng)過局部傳感器先對收集的信息進(jìn)行預(yù)處理，其中還伴隨有未經(jīng)處理的原始觀測數(shù)據(jù)，再將這些數(shù)據(jù)依次傳入主處理器分析后得到指令。

多傳感器融合的數(shù)學(xué)模型啟發(fā)于神經(jīng)網(wǎng)絡(luò)和模糊理論的方法思路[9]，即將同質(zhì)傳感器局部集中融合進(jìn)行數(shù)據(jù)預(yù)處理后再采用分布式并行信息處理方式，選取多個節(jié)點模擬人類的神經(jīng)元來處理信息，同時每一個節(jié)點是在載傳感器物體行進(jìn)過程中通過遇到的不同種情形進(jìn)行概括總結(jié)，從而以模糊規(guī)則來實現(xiàn)數(shù)據(jù)信息的提取。因此我們觀察行進(jìn)物體的不同情形來確定其分類規(guī)則，再根據(jù)不同傳感器的精度范圍選擇較為合適的數(shù)據(jù)提取方式。其中，超聲波雷達(dá)在0.004 m～3 m之間距離測量較為準(zhǔn)確，毫米波雷達(dá)在遠(yuǎn)距離測距中較為精確，測距可達(dá)150 m，激光雷達(dá)在0.15 m～8 m之間測量數(shù)據(jù)較為準(zhǔn)確。由此確定分類規(guī)則：①在無障礙物時，行進(jìn)物體按照原來設(shè)定的參數(shù)繼續(xù)前進(jìn)，而不做任何的處理；②在前方出現(xiàn)障礙物時，若在3 m以內(nèi)在S中提取超聲波雷達(dá)數(shù)據(jù)，超過3 m則在S中提取毫米波雷達(dá)數(shù)據(jù)；③在左前方、右前方出現(xiàn)障礙物時，若在3 m以內(nèi)在S中提取超聲波雷達(dá)數(shù)據(jù)、L中提取激光雷達(dá)數(shù)據(jù)，超過3 m則在S中提取毫米波雷達(dá)數(shù)據(jù)、L中提取激光雷達(dá)數(shù)據(jù)；④在左側(cè)、右側(cè)出現(xiàn)障礙物時，則提取左、右側(cè)的超聲波雷達(dá)信息(提取信息均為預(yù)處理后的數(shù)據(jù)信息)。因此分不同節(jié)點分類作出數(shù)據(jù)提取分析，最后由處理器作出決策判斷。節(jié)點分類數(shù)據(jù)融合流程如圖1所示。

圖1 節(jié)點分類數(shù)據(jù)融合流程

3 結(jié)論

本文提供的數(shù)據(jù)融合思路是在數(shù)據(jù)預(yù)處理的基礎(chǔ)上進(jìn)行數(shù)據(jù)融合，這樣可以極大地降低傳感器所帶來的誤差，提高測量的準(zhǔn)確性。從集中式、分布式和混合式數(shù)據(jù)融合的結(jié)構(gòu)模型中選取適合的方法進(jìn)行數(shù)據(jù)預(yù)處理和節(jié)點分類數(shù)據(jù)融合，劃分同質(zhì)、異質(zhì)數(shù)據(jù)，可以更加高效地進(jìn)行數(shù)據(jù)融合，并從預(yù)測、實測和修正三個角度對數(shù)據(jù)信息進(jìn)行分類，從而提供了一種較為可行的數(shù)據(jù)融合方法。