陳海鷗，姜 灝，徐達學(xué)，樊 瑞

（奇瑞汽車股份有限公司 汽車工程技術(shù)研發(fā)總院，安徽 蕪湖 241000）

1 引言

隨著汽車工業(yè)和人工智能技術(shù)的快速發(fā)展，具有智能駕駛功能的汽車在市場中逐步廣泛應(yīng)用。車輛可以通過自身傳感器（如環(huán)視攝像頭、超聲波雷達、毫米波雷達等）監(jiān)測車身周圍環(huán)境和車道線、車輛所處位置以及移動或者靜止障礙物信息，融合感知數(shù)據(jù)，結(jié)合AI人工智能算法，控制車輛的行駛軌跡和加減速運動，保障車輛自主、安全、可靠地行駛，并且在遇到障礙物時可以有效地剎停車輛。

對于智能駕駛技術(shù)，在高速公路、城郊快速通道、城市道路等路況應(yīng)用較為常見。要實現(xiàn)車輛自主安全地駕駛，須明確車輛在全局坐標系中的相對位置，在一定區(qū)域內(nèi)可以通過基礎(chǔ)設(shè)施改造和SLAM（同步定位和建圖）技術(shù)解決定位問題。在室內(nèi)可以通過UWB（超寬帶寬）定位到厘米級精度。智駕領(lǐng)域針對高速公路或者城郊快速通道實現(xiàn)高精度定位，是一項重要工作。當定位信號薄弱甚至丟失、車輛自身感知模塊無法識別道路情況時，對于智能駕駛來說風(fēng)險較大。

2 高精定位基本原理

2.1 GNSS定位

車輛通過GNSS信號獲取當前所處位置信息，在世界坐標系下定位精度是米級，差分GNSS可以提供厘米級定位。但是并非所有交通路段都可以得到良好的信號，例如高樓林立的城市道路或者峽谷、涵洞、隧道等隱蔽區(qū)域，又或者在電磁場干擾區(qū)域，車輛收發(fā)電磁波信息受到干擾，造成定位信號薄弱甚至丟失，智能駕駛系統(tǒng)無法從算法上彌補，風(fēng)險不可控。

如圖1所示，智能駕駛車輛進入高樓林立的城市道路，由于高層建筑物的遮擋導(dǎo)致車輛無法接收定位信號，從而無法明確自身所在環(huán)境和位置，危險性較高。

圖1 高樓林立遮擋定位信號

2.2 傳感器定位

智能駕駛控制器通過車載傳感器—前攝像頭獲得周圍環(huán)境信息和地理標志（如車道線、道路邊界、交通標志、地理標志、行駛區(qū)域標志、限速標志等），融合高精地圖信息，通過視覺電子圍欄配對，獲取車輛局部區(qū)域的相對位置。

如圖2所示，車輛迎著太陽強光行駛，車輛的前視攝像頭受強光影響，對前方車道線和交通標志的識別功能降低，相當于盲人駕車行駛，所以風(fēng)險性極高。

圖2 強光導(dǎo)致前視攝像頭功能降低

上述兩種技術(shù)方案，在智能駕駛汽車領(lǐng)域都會存在一定的風(fēng)險性。為了解決這個問題，高精度慣性模塊介入智能駕駛應(yīng)用，以自身感知性能為主導(dǎo)，融合高精地圖，嫁接人工智能，完美規(guī)避智駕風(fēng)險工況。

3 航跡推演

3.1 基本原理

針對定位信號丟失或者前視攝像頭強光致盲的情況，慣性模塊的存在就將危險等級降低了幾個數(shù)量級，大大提高了車輛的安全性。原因有3點：第一，慣性元件和車載傳感器的原理本質(zhì)不同，它完全不需要依靠外部資源或信息，它類似一個黑匣子，不需要和外部通信，不需要感知外部環(huán)境信息，自身的數(shù)據(jù)提供航向信息和當前車輛姿態(tài)信息，即可進行航跡推算；第二，慣性模塊可以安裝在汽車底盤、安全氣囊或者其他不外露的區(qū)域，可以安裝金屬外殼以抵抗外部電磁波的干擾，也不會因為強光、暴雨、大霧等天氣原因或者局部強磁場區(qū)域而受到干擾，數(shù)據(jù)高效可靠；第三，慣性模塊的性能參數(shù)和輪速計的輪速信號及轉(zhuǎn)向盤的轉(zhuǎn)角信號互相構(gòu)成冗余，使得輸出數(shù)據(jù)的置信度遠遠高于其他傳感器。

圖3為智能駕駛航跡推演應(yīng)用的前攝像頭集成慣性模塊的硬件架構(gòu)圖。慣性模塊尺寸小巧，可以放置在前視攝像頭中，攝像頭采集的視頻數(shù)據(jù)和慣性性能數(shù)據(jù)同時通過LVDS信號鏈路發(fā)送給智能駕駛控制器ECU。當然慣性模塊也可以放置在智駕ECU中，融合信號及算法不受影響，從本質(zhì)上看只是數(shù)據(jù)傳輸上下鏈路通道的應(yīng)用不同，融合算法都在控制器，本文以圖3為例介紹電子硬件架構(gòu)設(shè)計方案。

圖3 智能駕駛航跡推演方案硬件架構(gòu)

圖像傳感器的原始數(shù)據(jù)通過MIPI總線傳輸給串行器，慣性模塊的數(shù)據(jù)（包括X、Y、Z三個軸、6個方向的加速度和角速度信息）通過I2C總線傳輸給視頻數(shù)據(jù)流串行器。串行器內(nèi)部將數(shù)據(jù)打包，通過同軸電纜發(fā)送給ECU系統(tǒng)解串器解包，由SOC進行分析，數(shù)據(jù)傳輸鏈路如圖4所示。通過一路同軸電纜或者雙絞線，同時將電源、視頻數(shù)據(jù)和航向數(shù)據(jù)同時傳輸，利用頻率差異將其分開。信號數(shù)據(jù)處理都是在片上系統(tǒng)SOC內(nèi)部進行。

圖4 數(shù)據(jù)傳輸鏈路

3.2 軟件方案

智能駕駛汽車的位置組合定位算法與姿態(tài)組合算法過程基本相似，但是由于姿態(tài)信息是基于車身坐標系表達的數(shù)據(jù)，而位置信息是基于局部坐標系來表達，因此需要將加速度信息進行坐標變換。加速度一次積分得到速度信息，二次積分得到位置信息。將積分得到的位置信息和視覺感知得到的位置信息進行融合、匹配、校驗，從而獲得準確可靠的空間位置。下面詳細講解過程。

假設(shè)車輛的空間位置為矩陣公式X=［p va］T，p表示車輛位置，v表示車速，a表示加速度。另外，假設(shè)m表示周期，n表示第n個周期，d表示行駛工況噪聲，則離散系統(tǒng)方程可表示為：

測量過程通過融合算法獲得初始n=0時刻離散數(shù)據(jù)為：

D為測量噪聲，行駛工況噪聲d和測量噪聲D為相互獨立的呈高斯分布的白色噪聲，互不影響。假設(shè)d和D分布概率為P（d）~N（0，Q），P（D）~N（0，R）。公式（2）可轉(zhuǎn)換為：

公式（3）是通過視覺融合定位技術(shù)得到位置信息值以及通過慣性測量單元計算出的線性加速度值Z。在局部坐標系下線性加速度為：

其中車輛坐標系為y，慣導(dǎo)坐標系為x，則由x系變換為y系的坐標。Cxy是姿態(tài)更新實時輸出計算出數(shù)據(jù)，fx為比力加速度值，Cxy通過公式（4）融合加速度和慣性數(shù)據(jù)得到車身姿態(tài)三軸歐拉角度換算式為：

式 中：a——cos；f——sin；e——roll；d——pitch；b——yaw。對于加速度計的輸出數(shù)據(jù)，可以建立數(shù)學(xué)模型：

式中：wi，i=1…n——自回歸參數(shù)；n——自回歸階數(shù)；vj，j=t~t-m——正態(tài)分布白噪聲離散序列；m——平滑階數(shù)。

根據(jù)數(shù)據(jù)的性質(zhì)，可以簡化數(shù)學(xué)模型，建立離散狀態(tài)方程可以進行加速度信號擴展型卡爾曼的濾波，對高斯噪聲進行過濾，提高傳感器的輸出精度。同時，在得到位置信息之后，可以進行空間位置的組合匹配定位過程，基于擴展型卡爾曼濾波算法實現(xiàn)，因此整個空間組合定位算法中，一級濾波得到濾噪聲的加速度測量值，二級濾波實現(xiàn)視覺與慣性元件的組合模式，具體過程見圖5。

圖5 空間位置的組合匹配定位過程

圖5 中，βi（i=1，2，3）為數(shù)學(xué)模型的平滑參數(shù)，α為橫滾角，β為俯仰角，γ為航向角。慣性元件直接輸出的測量值fiab，該值是相對于導(dǎo)航系i的旋轉(zhuǎn)角速度在載體系b下的高階投影。通過卡爾曼濾波優(yōu)化加速度，其中^為預(yù)估算法。再通過坐標變換和數(shù)學(xué)模型得到加速度信息，再結(jié)合公式（1）和（2）實現(xiàn)位置信息的數(shù)據(jù)融合。

優(yōu)化的位置數(shù)據(jù)與速度數(shù)據(jù)作為下一次位置積分的初始值，修正漂移誤差。數(shù)據(jù)平滑梯度可以提高轉(zhuǎn)換精度。

4 結(jié)束語

智能駕駛技術(shù)的應(yīng)用提高了車輛的可靠性和安全性，但是由于區(qū)域性因素導(dǎo)致定位信號薄弱或者失效會使得車輛行駛致盲。應(yīng)用慣性模塊融合視覺信息可以滿足上述工況需求，通過離散系統(tǒng)方程、傅里葉變換和反傅里葉變換和歐拉公式等幫助車輛在人工智能AI駕駛算法的基礎(chǔ)上推演一定時間和一定區(qū)域的航跡旅程，一方面支持智能駕駛前進軌跡的持續(xù)性和軌跡規(guī)劃與控制的魯棒性，另一方面為駕駛員接管車輛贏得時間，避免不必要的事故發(fā)生，大大提高了車輛的安全駕駛特性，為智能駕駛和無人駕駛領(lǐng)域的開拓性和適應(yīng)性上提供了可靠的算法支撐。