楊晨曦 李軍

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

0 前言

自動(dòng)駕駛車輛是一個(gè)集成了多種ADAS（Advanced Driver Assistance System）的平臺(tái)，其中，感知系統(tǒng)是開發(fā)ADAS 的一個(gè)非常重要的部分，如圖1 所示，它必須實(shí)時(shí)、可靠、準(zhǔn)確地執(zhí)行，沒有任何誤報(bào)。針對汽車行駛路線上的障礙物檢測技術(shù)，研究者提出了多種計(jì)算與實(shí)現(xiàn)手段，如基于激光雷達(dá)的方法，多傳感器信息融合的方法和神經(jīng)網(wǎng)絡(luò)訓(xùn)練的方法等。本文介紹了電磁波信號(hào)、圖像信息和多信息融合3 種檢測方法，并綜述了無人駕駛汽車障礙物檢測技術(shù)的研究現(xiàn)狀。

1 電磁波信息的障礙物檢測

1.1 二維激光雷達(dá)

激光雷達(dá)測量精確，成本低，并能很好地應(yīng)用于車輛，但對環(huán)境條件很敏感，如反射光、發(fā)射器和接收器表面的降雨、路面上的水坑、水滴等因素會(huì)顯著降低檢測性能。其中，二維激光雷達(dá)可用于平面掃描，結(jié)構(gòu)比較簡單，成本較低，系統(tǒng)也相對穩(wěn)定。

PENG Y 等人[1]提出了一種基于二維激光雷達(dá)信息的、安全高效的障礙物檢測和自動(dòng)避障算法，算法框圖如圖2 所示。該檢測算法可通過計(jì)算機(jī)對激光雷達(dá)點(diǎn)云數(shù)據(jù)信息進(jìn)行濾波運(yùn)算和聚類分析，以實(shí)時(shí)獲取障礙物信息，并使用KITTI 數(shù)據(jù)庫得到的實(shí)驗(yàn)結(jié)果驗(yàn)證了所提出的方法在城市場景中的適用性和有效性。該障礙物檢測和避障算法具有數(shù)學(xué)模型簡單、實(shí)時(shí)性好的優(yōu)點(diǎn)，但同樣只能檢測靜態(tài)障礙物，具有一定的局限性。

為解決上述問題，TAKAHASHI M 等人[2]開發(fā)了一個(gè)基于二維激光雷達(dá)和高速嵌入式微控制器的緊急避障模塊。該模塊可以用來檢測靜態(tài)和動(dòng)態(tài)障礙物，包括人行道上的路肩、行人和車輛等。其中，激光雷達(dá)用來檢測障礙物，微處理器用來預(yù)估障礙物的運(yùn)動(dòng)以及快速啟動(dòng)緊急避障系統(tǒng)。此方法彌補(bǔ)了不能檢測動(dòng)態(tài)障礙物的缺陷。

1.2 三維激光雷達(dá)

與二維激光雷達(dá)相比，三維激光雷達(dá)能夠獲取更全面的空間三維信息，更廣的檢測范圍，實(shí)現(xiàn)更優(yōu)的檢測效果。其工作原理圖如圖3 所示。

LARSON J 等人[3]提出了一種利用三維激光雷達(dá)檢測負(fù)障礙物的方法。首先對地形進(jìn)行分析和估計(jì)，然后利用支持向量機(jī)（support vector machine，SVM）分類器來識(shí)別地形中的負(fù)障礙物。負(fù)障礙檢測的最佳解決方案是短距離SVM 和遠(yuǎn)程負(fù)障礙檢測的結(jié)合。在此基礎(chǔ)上，SHANG E 等人[4]提出了一種新的三維激光雷達(dá)裝置，以提高掃描線的密度，使其檢測負(fù)障礙物更容易。采用支持向量機(jī)對背景中的負(fù)障礙進(jìn)行分類，同時(shí)，在貝葉斯框架下對特征進(jìn)行組合，試驗(yàn)驗(yàn)證了該方法的有效性。

1.3 毫米波雷達(dá)

毫米波雷達(dá)傳感器是一個(gè)工作頻段在毫米波波段以上的高精度傳感器。與其他激光雷達(dá)產(chǎn)品相比，毫米波雷達(dá)系統(tǒng)對霧、煙、灰塵、云的檢測、穿透、攔截能力極強(qiáng)，受外界惡劣環(huán)境干擾影響小，但過于昂貴，并且在向多個(gè)方向探測目標(biāo)方面表現(xiàn)也不夠好，其工作原理圖如圖4 所示。南京航空航天大學(xué)吳榮燎等人[5]應(yīng)用毫米波雷達(dá)來設(shè)計(jì)自動(dòng)安全行車駕駛及輔助系統(tǒng)，省去許多人工反應(yīng)時(shí)間。

毫米波雷達(dá)傳感器技術(shù)在高速路面動(dòng)態(tài)障礙物信息實(shí)時(shí)檢測及采集處理方面也進(jìn)行了廣泛和深入的研究以及應(yīng)用，主要是用來實(shí)時(shí)檢測體積密度較大和結(jié)構(gòu)復(fù)雜的塊狀障礙物，但實(shí)際上，它實(shí)時(shí)輸出后得到的低速路面動(dòng)態(tài)障礙物信息還是相當(dāng)復(fù)雜，對雷達(dá)信號(hào)和濾波電路等信號(hào)處理算法方面仍然有著很高的計(jì)算性能要求，并且還是比較難以快速深入地檢測道路障礙物的具體細(xì)節(jié)。

2 圖像信息的障礙物檢測

雖然雷達(dá)和激光傳感器可以高精度地測量到障礙物的距離，但很難獲得它們的橫向位置。然而，橫向位置信息是估計(jì)碰撞可能性所必需的，此時(shí)就需要用到基于視覺的障礙物檢測系統(tǒng)。

2.1 單目視覺

單目視覺用一個(gè)攝像頭就可以完成相應(yīng)工作的檢測技術(shù)[6]?；趯?shí)時(shí)單目視覺的車輛智能障礙物識(shí)別系統(tǒng)是當(dāng)今全球智能車輛機(jī)器視覺算法的一大主流。但單視覺方法存在的缺點(diǎn)是在距離估計(jì)、被檢測物體的識(shí)別以及在匹配不同位置物體真實(shí)尺寸的同時(shí)，對物體類別進(jìn)行分類算法的復(fù)雜性。

SAHA S 等人[7]提出了一種基于實(shí)時(shí)單目視覺的障礙物檢測、規(guī)避與識(shí)別技術(shù)，并設(shè)計(jì)了一個(gè)實(shí)時(shí)數(shù)學(xué)模型來準(zhǔn)確估計(jì)出從攝像機(jī)到障礙物之間的一個(gè)實(shí)時(shí)的相對安全距離。該技術(shù)響應(yīng)速度快，但因?yàn)椴东@的圖像中檢測不到足夠的特征點(diǎn)，所以在圖像模糊和黑暗環(huán)境下表現(xiàn)效果不好。

為了解決這一問題，JIA B 等人[8]提出了一種能夠有效地通過陰影和路面標(biāo)記來區(qū)分障礙物的實(shí)時(shí)障礙物檢測方法。該方法通過連續(xù)幀分離出真實(shí)的障礙物和具有運(yùn)動(dòng)特征的路面標(biāo)記，然后引入濾波器來增加正確檢測障礙物區(qū)域的概率，最后有一個(gè)更新過程以減少假陽性。

2.2 立體視覺

雙目立體視覺通常是指用兩臺(tái)一樣的攝像機(jī)，從兩個(gè)視角觀察同一景物，其工作原理圖如圖5 所示[9]。雙目攝像頭因其成本較低，測量距離較為精準(zhǔn)，而且可以測量障礙物深度等優(yōu)點(diǎn)而被廣泛應(yīng)用于障礙物檢測技術(shù)[10]。

但是雙目攝像頭也有它的局限性。當(dāng)圖像包含復(fù)雜的道路場景時(shí)，神經(jīng)網(wǎng)絡(luò)分類器在檢測特征方面的性能會(huì)受到限制，此外，神經(jīng)網(wǎng)絡(luò)需要大量的圖像樣本和訓(xùn)練時(shí)間，計(jì)算負(fù)荷較大[11]。

為解決這一問題，HUH K[12]根據(jù)檢測到的車道信息，選擇感興趣區(qū)域（region of interest，ROI）以減少計(jì)算負(fù)擔(dān)。障礙物檢測系統(tǒng)被設(shè)計(jì)為可以提供領(lǐng)先車輛和切入車道的側(cè)方車輛的位置。采用魯棒方法選擇檢測到的障礙物的數(shù)據(jù)對，并通過特征匹配和特征聚合來確定合格的對。在初始檢測后，系統(tǒng)對障礙物執(zhí)行跟蹤算法，并對自身車輛與障礙物之間的距離和航向角等參數(shù)進(jìn)行估算，可以有效地進(jìn)行障礙物檢測與避障。

3 多信息融合的障礙物檢測

車輛環(huán)境感知功能的實(shí)現(xiàn)以傳感器對車輛周圍環(huán)境信息的采集為基礎(chǔ)，所采集數(shù)據(jù)的準(zhǔn)確性與完整性直接影響到后續(xù)感知識(shí)別的準(zhǔn)確性，而單傳感器進(jìn)行數(shù)據(jù)采集時(shí)往往存在環(huán)境魯棒性低，穩(wěn)定性差，檢測盲區(qū)明顯等缺點(diǎn)。為了能夠全面地獲取駕駛環(huán)境信息，使用多傳感器進(jìn)行環(huán)境感知成為了當(dāng)下的主流。

3.1 融合方式

無人駕駛汽車的多傳感器信息融合技術(shù)是最近的研究熱點(diǎn)[13]。目前，主要有三種用于障礙物檢測的傳感器組合，包括相機(jī)與激光雷達(dá)（camera and laser radar，CL）、相機(jī)與毫米波雷達(dá)（camera and millimeter-wave radar，CR），以及相機(jī)-激光雷達(dá)-毫米波雷達(dá)（camera，laser radar and millimeter-wave radar，CLR）傳感器組合，其中最常用的是相機(jī)與毫米波雷達(dá)的傳感器組合[14]。

BI X 等人[15]提出了一種基于毫米波雷達(dá)信號(hào)和相機(jī)圖像信息的動(dòng)態(tài)車輛追蹤檢測技術(shù)和靜態(tài)行人的跟蹤與檢測的新方法，融合算法框圖如圖6 所示。

上述方法能有效對障礙物進(jìn)行檢測，但存在以下問題：（1）毫米波雷達(dá)和相機(jī)數(shù)據(jù)融合后計(jì)算量較大；（2）雷達(dá)的ROI 的大小是基于先驗(yàn)知識(shí)來設(shè)置的；（3）ROI 的大小和位置都是估計(jì)值，可能會(huì)導(dǎo)致信息不完整或信息過多，增加了分析的難度。

ZHANG X 等人[16]利用毫米波雷達(dá)來獲取障礙物的信息，并通過對數(shù)據(jù)進(jìn)行濾波，提取出有效的目標(biāo)；然后，利用坐標(biāo)系轉(zhuǎn)換和攝像機(jī)參數(shù)校準(zhǔn)，將有效目標(biāo)投影到圖像平面上，生成感興趣區(qū)域；最后，基于圖像處理和機(jī)器學(xué)習(xí)技術(shù)，對ROI 中的車輛目標(biāo)進(jìn)行檢測和跟蹤。該方法不需要對整個(gè)圖像進(jìn)行處理，大大減少了數(shù)據(jù)處理量，提高了算法的效率，更有利于工程實(shí)現(xiàn)。

CL、CLR 傳感器組合可以提供更大范圍的分辨率，并通過激光雷達(dá)點(diǎn)云和深度地圖信息精確地了解周圍環(huán)境，提高整個(gè)自主系統(tǒng)的安全冗余度[17]。WU T E等人[18]研究了基于激光雷達(dá)與相機(jī)融合的行人檢測技術(shù)，利用激光雷達(dá)深度傳感器返回的三維點(diǎn)云信息對物體的形狀進(jìn)行進(jìn)一步的檢測，以減少在基于相機(jī)的行人檢測中經(jīng)常出現(xiàn)的假陽性率和物體遮擋問題，其提出的激光雷達(dá)與相機(jī)融合設(shè)計(jì)彌補(bǔ)了兩個(gè)傳感器的缺點(diǎn)，在檢測方面比其他傳感器更穩(wěn)定。

3.2 融合水平

除了上述分類方法，傳感器信息融合還可以分為高水平融合（high-level fusion，HLF）、低水平融合（low-level fusion，LLF）和中級(jí)融合（mid-level fusion，MLF）。高級(jí)融合是指每個(gè)傳感器分別執(zhí)行檢測或跟蹤算法，然后將結(jié)果組合成一個(gè)全局決策。SHAHIAN JAHROMI B 等人[19]利用高水平融合的方法來融合處理后的數(shù)據(jù)，即獨(dú)立地處理雷達(dá)信號(hào)和激光雷達(dá)點(diǎn)云信號(hào)，然后使用非線性卡爾曼濾波方法來檢測障礙物和目標(biāo)跟蹤。

YOO J H 等人[20]提出了一種新的三維目標(biāo)檢測方法，使用低水平融合的方法來處理激光雷達(dá)和相機(jī)的數(shù)據(jù)，使用基于感興趣區(qū)域的特征池分別融合激光雷達(dá)和相機(jī)的特征。該方法可有效融合從相機(jī)和激光雷達(dá)數(shù)據(jù)中分別提取的空間特征圖，并在KITTI 和nuScenes 數(shù)據(jù)集上對所提出的方法進(jìn)行評估，其目標(biāo)檢測結(jié)果優(yōu)于KITTI 排行榜中先進(jìn)的3D 目標(biāo)檢測器。但是，在實(shí)踐中，LLF 方法也帶來了許多挑戰(zhàn)，尤其是在其實(shí)現(xiàn)方面，需要對傳感器進(jìn)行精確地校準(zhǔn)。

MLF 也被稱為特征級(jí)融合，是LLF 和HLF 之間的一個(gè)抽象級(jí)別。它融合了從相應(yīng)的傳感器數(shù)據(jù)中提取的多目標(biāo)特征，如從雷達(dá)和激光雷達(dá)的圖像或位置特征中提取的顏色信息，然后對融合的多傳感器特征進(jìn)行識(shí)別和分類。LI Y 等人[21]提出了一種特征級(jí)融合的框架，用于在計(jì)算和通信能力有限的情況下，以較低的錯(cuò)誤率實(shí)現(xiàn)對動(dòng)態(tài)環(huán)境的目標(biāo)檢測。利用符號(hào)動(dòng)態(tài)濾波（symbol dynamic filtering，SDF）算法從多個(gè)紅外傳感器中提取低維特征，然后將提取的特征融合為集群，用合成聚類（agglomerative hierarchical clustering，AHC）算法進(jìn)行移動(dòng)目標(biāo)的檢測。但是，其需要很大的訓(xùn)練集來找到最重要的特征子集。在提取和融合每個(gè)傳感器的特征之前，需要進(jìn)行精確的傳感器校準(zhǔn)。

4 結(jié)束語

本文分別介紹了基于電磁波信息、圖像信息和多信息融合3 種方法對周圍環(huán)境進(jìn)行感知，分析了其各自的優(yōu)缺點(diǎn)（見表1）。綜合上述分析，車輛環(huán)境感知功能的實(shí)現(xiàn)以傳感器對車輛周圍環(huán)境信息的采集為基礎(chǔ)，所采集數(shù)據(jù)的準(zhǔn)確性與完整性直接影響到后續(xù)感知識(shí)別的準(zhǔn)確性，而單傳感器進(jìn)行數(shù)據(jù)采集時(shí)往往存在環(huán)境魯棒性低，穩(wěn)定性差，檢測盲區(qū)明顯等缺點(diǎn)，難以應(yīng)對全天候、全天氣、全場景的駕駛環(huán)境。如果將多種傳感器獲取的信息進(jìn)行綜合分析，就可以大大提高系統(tǒng)的準(zhǔn)確性和魯棒性，提高無人駕駛車輛的安全性。因此，利用多傳感器融合技術(shù)對環(huán)境進(jìn)行感知正在得到越來越多的應(yīng)用，也是科研人員的研究熱點(diǎn)。然而，傳感器融合面臨著很多問題，比如時(shí)空同步問題，各模態(tài)數(shù)據(jù)增強(qiáng)后的特征如何對齊，如何有效融合實(shí)現(xiàn)1+1＞1，如何實(shí)時(shí)在車輛上運(yùn)行等，這將是需要進(jìn)一步去解決的問題。

表1 各檢測類型的優(yōu)缺點(diǎn)