劉 煒，陸存豪

自動駕駛汽車環(huán)境感知傳感器研究

劉 煒，陸存豪*

（揚州大學 機械工程學院，江蘇 揚州 225000）

近年來，自動駕駛技術(shù)作為智能網(wǎng)聯(lián)汽車的重要組成部分，成為熱點話題。環(huán)境感知系統(tǒng)是自動駕駛汽車的感官神經(jīng)，扮演著“眼睛”的角色。文章通過查閱相關(guān)文獻，結(jié)合當前研究熱點，對自動駕駛汽車系統(tǒng)組成做簡要介紹，同時對其環(huán)境感知系統(tǒng)所使用傳感器的種類、工作原理、應(yīng)用場景等方面做了系統(tǒng)介紹，對不同傳感器進行對比分析并提出建議。通過介紹，能夠幫助讀者對自動駕駛汽車環(huán)境感知系統(tǒng)有初步了解，同時對相關(guān)技術(shù)人員給予一定指導。

自動駕駛汽車；環(huán)境感知；傳感器；激光雷達；毫米波雷達

作為一種新興技術(shù)，自動駕駛汽車（Auto- mated Vehicle, AV）在環(huán)境感知、高精度地圖、人機交互、人工智能、機器視覺、機器學習等相關(guān)技術(shù)的加持下，有望代替人工駕駛，在緩解城市交通擁堵、降低交通事故、提高出行效率等方面發(fā)揮重要作用[1]。隨著“交通強國”戰(zhàn)略的提出，自動駕駛迎來了新一輪的研究熱潮，不少地方進行智能網(wǎng)聯(lián)汽車的示范，然而截至目前并沒有一臺完全意義上的自動駕駛汽車[2]。

自動駕駛汽車帶來便利的同時，也面臨著一系列挑戰(zhàn)。如遇突發(fā)情況時，應(yīng)該駕駛員駕駛還是自動駕駛問題；自動駕駛車輛和其他車輛碰撞時責任問題；兩輛自動駕駛車輛碰撞時責任問題等等，均難以妄下定論。為此不少學者認為通過法律的途徑來判斷事故的責任，以達到自動駕駛汽車進一步推廣應(yīng)用的目的[3-5]。然而造成這種現(xiàn)象的根本原因是目前的自動駕駛技術(shù)還不成熟，完全代替人工駕駛在短時間內(nèi)不能實現(xiàn)。

為此，對于自動駕駛汽車的安全性評價顯得尤為重要，朱冰等基于自然駕駛數(shù)據(jù)建立了一種融合多種參數(shù)的場景風險指數(shù)，并通過仿真驗證了所提出的自動駕駛汽車安全性評價方法的準確性[6]。為了進一步提高自動駕駛汽車的智能化，彭浩楠等針對雙車道公路交通場景進行了自動駕駛汽車雙車道換道方法的研究，通過評估和決策模型計算出車輛是否需要保持或變道，同時求出最優(yōu)的路徑規(guī)劃[7]。一切技術(shù)的前提都需要數(shù)據(jù)的支持，對于自動駕駛汽車而言，其所處的環(huán)境數(shù)據(jù)至關(guān)重要，需要相關(guān)傳感器才能夠獲取。

1 自動駕駛系統(tǒng)

自動駕駛系統(tǒng)主要由環(huán)境感知系統(tǒng)、中央決策系統(tǒng)和底層控制執(zhí)行系統(tǒng)三部分組成，如圖1所示[8]。感知層通過相關(guān)傳感器獲取車輛所在位置的環(huán)境信息，包括道路、行人、車輛、信號燈、障礙物等方面，并根據(jù)高精度地圖、北斗導航、全球定位系統(tǒng)（Global Positioning System, GPS）等獲取到車輛的位置信息進行融合后傳遞給中央決策系統(tǒng)，在該部分進行分析計算之后，迅速規(guī)劃出車輛的行駛路線、速度等，同時將這些信號傳遞給底層執(zhí)行機構(gòu)，來完成車輛的加速、制動、轉(zhuǎn)向等具體運動狀態(tài)。同時中央決策機構(gòu)能夠?qū)崟r檢測車輛的故障信息并及時反饋給駕駛員[9]。

環(huán)境感知系統(tǒng)作為自動駕駛系統(tǒng)的“眼睛”，具有十分重要的作用和地位，需要具備較高的準確性、靈敏性、實時性、魯棒性。傳感器的選擇對于環(huán)境數(shù)據(jù)的完整性與準確度至關(guān)重要，這對于自動駕駛汽車后續(xù)的路徑規(guī)劃、行駛狀態(tài)、車輛狀態(tài)等具有決定性的作用[10]。

圖1 自動駕駛系統(tǒng)組成

2 環(huán)境感知系統(tǒng)傳感器

攝像頭和雷達是自動駕駛汽車環(huán)境感知系統(tǒng)最重要的傳感器[11]。攝像頭能夠直接拍攝圖像和視頻，并通過簡單的連接便可將數(shù)據(jù)傳輸?shù)街醒霙Q策機構(gòu)，其時效性、靈敏性、準確性較高，然而普通的攝像頭只能采集二維圖像和視頻信息，在一定方面滿足不了自動駕駛系統(tǒng)的信息需求。雷達則彌補了這一缺陷，通過雷達可以準確獲取探測目標的位置信息、運動信息等具體而準確的數(shù)據(jù)，對于系統(tǒng)進一步的分析提供了精確的數(shù)據(jù)支撐。

2.1 攝像頭

攝像頭是環(huán)境感知系統(tǒng)中應(yīng)用最多的傳感器，在整個系統(tǒng)中扮演著“眼睛”的角色，可以直接獲得車輛周圍的環(huán)境并傳輸?shù)阶詣玉{駛系統(tǒng)的決策層。攝像頭的評價指標主要包含以下幾個方面：分辨率、幀率、焦距、降噪能力、還原度、鏡頭等，因此，需要選擇合適的攝像頭才能達到良好的效果。根據(jù)攝像頭數(shù)量可分為單目攝像頭、雙目攝像頭和多目攝像頭，按照焦距可分為長焦攝像頭、廣角攝像頭等，除此之外還有特殊的紅外攝像頭、全景攝像頭、深度攝像頭、事件攝像頭等。

1.單目攝像頭

單目攝像頭（Monocular Camera, MC）由單個攝像頭組成，結(jié)構(gòu)簡單，成本低，便于標定和識別。但在單張圖片里，無法確定一個物體的真實大小，具有尺度不確定性[12]。沈念偉等利用單目攝像頭獲取車輛前方視頻信息，通過最大熵分割法分離障礙物，最終提取出車輛前方障礙物信息[13]。孫博文等利用單目攝像頭對動態(tài)手勢的識別進行研究，通過改進相關(guān)算法并結(jié)合神經(jīng)網(wǎng)絡(luò)訓練算法的可靠性，最終得到了高精度的手勢識別系統(tǒng)[14]。

2.雙目攝像頭

雙目攝像頭（Binocular Camera, BC）由兩個攝像頭組成，由于兩個攝像頭之間的位置已知，可以估算出空間的距離，但是與標定較為復雜，深度量程和精度受到雙目基線與分辨率的限制，運算量大[15]。李學森利用雙目攝像頭在改進的Census變換立體測距算法的加持下在簡單環(huán)境中能夠快速檢測與追蹤目標[16]。胡嘉祺等采用雙目攝像頭獲取環(huán)境信息，設(shè)計了一種低功耗的路徑規(guī)劃小車，并通過算法的優(yōu)化，不但降低了小車的總體能耗，而且對于小車整體性能也有一定提升[17]。

3.紅外攝像頭

紅外攝像頭（Infrared Camera, IC）通過熱成像原理對行人進行檢測，不需要可見光且反應(yīng)速度快。但是對于徑向運動的辨別能力很差，沒有角度測量能力，不能完成靜止測距，因此應(yīng)用較少[18]。圖2為525CP-4型紅外攝像頭。金展翌考慮到普通彩色攝像頭只有在光照條件下才生效的弊端，對紅外攝像頭夜間識別手勢進行了一系列的研究，最終實現(xiàn)了夜間多種手勢的識別，識別率達91.8%[19]。曾進等以紅外攝像頭為載體，搭建了夜間睡眠姿勢檢測平臺，對于人們睡眠檢測具有重要意義[20]。

圖2 525CP-4型紅外攝像頭

4.全景攝像頭

全景攝像頭（Panoramic Camera, PC）可以提供更多的視野，然而需要對拍攝的圖像進行處進一步拼接和變形處理，得到一張位于車頂?shù)沫h(huán)境俯視圖，對汽車導航、定位和地圖制圖都很有幫助。但其邊緣畸變非常嚴重，需要算法處理之后才能正常顯示[21]。圖3為TL-IPC55A型全景攝像頭。黃思曉基于樹莓派平臺，采用4個全景攝像頭收集小車的環(huán)境信息并進行拼接，通過透視變換后將小車所在的位置映射到2D地圖上，以此來確定小車所在的位置[22]。

圖3 TL-IPC55A型全景攝像頭

5.深度攝像頭

深度攝像頭（Depth Camera, DC）除了能夠獲取平面圖像，還可以獲得拍攝對象的深度信息，即三維的位置和尺寸信息[23]。與傳統(tǒng)攝像頭相比，深度攝像頭能夠根據(jù)物理直接的距離信息獲取其位置關(guān)系。此外，深度信息對于傳統(tǒng)的應(yīng)用同樣有效，如對目標圖像的分割、跟蹤、識別等。在對圖像進一步深化處理后，可以建立3D模型，對于傳統(tǒng)的圖像識別與追蹤的效率大大提高，圖4為Intel RealSense深度攝像頭。

圖4 Intel RealSense深度攝像頭

6.事件攝像頭

事件攝像頭（Event Camera, EC）作為一種新型產(chǎn)品，具備高動態(tài)范圍，低時延的特點。正由于低時延的特征，在拍攝高速運動的物體時，不會發(fā)生模糊的效果，因此，拍攝十分清晰，并且不受曝光的影響，成像速度非?？?，能夠很好地解決普通相機拍照模糊的缺陷[24]。圖5為Inilabs事件攝像頭。

圖5 Inilabs事件攝像頭

2.2 雷達

雷達，是通過無線電的方式探測目標的位置。不同的雷達具有不同的功能，但其組成大致相同，主要包括發(fā)射系統(tǒng)、接收系統(tǒng)以及處理系統(tǒng)，同時還有電源系統(tǒng)、顯示系統(tǒng)、抗干擾系統(tǒng)等輔助系統(tǒng)[25]。環(huán)境感知系統(tǒng)中使用的雷達主要有三種，包括激光雷達、毫米波雷達和超聲波雷達[26-28]。

1.激光雷達

激光雷達（Lidar）主要由發(fā)射器、接收機、信息處理系統(tǒng)、跟蹤架等部件組成。激光雷達根據(jù)其發(fā)射波形可分為脈沖激光雷達、連續(xù)波激光雷達和混合型激光雷達等，按照其光波段可分為紫外激光雷達、可見光激光雷達和紅外激光雷達等。其工作原理為激光發(fā)射器發(fā)射一束激光脈沖，當激光脈沖照射到待檢測目標后產(chǎn)生反射，反射信號被激光接收機接收后送至信號處理系統(tǒng)，同時反饋給控制系統(tǒng)，由此來計算待測目標與雷達所在位置的距離[29]。在自動駕駛汽車中，激光雷達應(yīng)用廣泛，通過激光雷達探測車輛前方障礙物的位置，系統(tǒng)通過激光雷達獲取到的環(huán)境信息對其進行有目標地提取并處理，并作進一步的判斷。激光雷達受環(huán)境干擾較小，測量精度高，但其成本較高，且容易受到霧天的影響。如圖6所示為LiDAR T1型激光雷達。

圖6 LiDAR T1型激光雷達

高鵬等通過激光雷達提出一種激光里程計的方法，通過提取點云的關(guān)鍵信息來確定移動機器人的位置并構(gòu)建地圖，這種方法在果園機器人上得以實現(xiàn)與驗證[30]。溫淑慧等利用激光雷達設(shè)計了基于機器人操作系統(tǒng)的小車自主構(gòu)建地圖與路徑規(guī)劃的系統(tǒng)，并通過算法提高了機器人自主導航的性能與效率[31]。張謙利用激光雷達對環(huán)境感知范圍廣的特點，獲取環(huán)境點云并建立數(shù)據(jù)庫對獲取的信息進行融合處理，最終獲得最佳路徑規(guī)劃[32]。

2.毫米波雷達

毫米波雷達（Millimeter Wave Radar, MWR）根據(jù)頻率不同分為24 GHz、77 GHz和79 GHz三類。24 GHz為短波雷達，測量距離低于30公尺，主要用于倒車輔助、停車輔助等；77 GHz的感測距離可達100 m，因此用作盲點的探測；79 GHz的感測距離約為250 m，在主動巡航系統(tǒng)和前向碰撞報警系統(tǒng)中應(yīng)用廣泛。其工作原理為發(fā)射器發(fā)出毫米波，根據(jù)多普勒效應(yīng)，被探測的目標具有相對運動時，接收到的信號頻率與發(fā)射時不同，由此來測得待測目標的位置信息[33]。連續(xù)波雷達體積小、質(zhì)量輕、損耗低，廣泛應(yīng)用于自動駕駛汽車的輔助系統(tǒng)。圖7為ARS408-21型毫米波雷達。

圖7 ARS408-21型毫米波雷達

張磊等針對駕駛員疲勞駕駛多發(fā)的現(xiàn)象，利用毫米波雷達設(shè)計了一種疲勞駕駛檢測系統(tǒng)，通過實時檢測駕駛員的呼吸頻率與心率，來判斷駕駛員的疲勞程度，以此來減少疲勞駕駛所帶來的安全隱患[34]。費文玉等利用毫米波雷達設(shè)計了一種汽車開門防撞系統(tǒng)，很好地解決了汽車?？吭诼愤厱r開門存在視野盲區(qū)而發(fā)生撞門的事件[35]。薛其威等通過將毫米波雷達與攝像頭組合，建立了基于多模態(tài)的車輛三維檢測算法，準確率與計算效率都滿足檢測的要求[36]。

3.超聲波雷達

顧名思義，超聲波雷達（Ultrasonic Radar, UR）通過超聲波來測量障礙物的距離，但其測量距離較短，一般不超過3 m。超聲波雷達對于光照、磁場等敏感度低，因此，可以在黑暗等惡劣環(huán)境下工作，常常安裝在自動駕駛汽車的保險杠上，用來輔助倒車、泊車等工況。其工作原理為由于超聲波在空氣中的傳播速度固定，便可通過發(fā)射與接收超聲波的時間差來計算超聲波雷達與障礙物之間的距離。超聲波雷達能夠?qū)崿F(xiàn)實時控制、反應(yīng)迅速、適應(yīng)力強、計算簡單等優(yōu)點，是自動駕駛汽車環(huán)境感知系統(tǒng)必不可少的傳感器之一。圖8為DYP-A05-V1.1型超聲波雷達。

圖8 DYP-A05-V1.1型超聲波雷達

紀者通過超聲波雷達設(shè)計了一種自動泊車系統(tǒng)，提供了一種低成本且強適應(yīng)性的自動泊車解決方案，該方案在MATLAB平臺上驗證了可行性[38]。仇旭等運用超聲波雷達，基于擬合特征線段的方法改進了一種車位檢測算法，準確率高達92.5%[39]。付鵬等通過超聲波雷達對汽車自動泊車位的類型進行細致研究，對自動泊車的流程與原理進行分析，為自動泊車系統(tǒng)做出理論指導[40]。

3 環(huán)境感知系統(tǒng)傳感器對比分析

上文分別介紹了自動駕駛汽車環(huán)境感知系統(tǒng)所使用的各種傳感器，由于種類較多，下面通過表格進行相關(guān)總結(jié)與分析，如表1所示。

由表1可以看出，各種傳感器的優(yōu)缺點與應(yīng)用場景并不相同，各有所長，在實際應(yīng)用中，需要將它們根據(jù)實際車輛工作的需要進行選擇，同時將傳感器進行組合應(yīng)用，取長補短，保證工作協(xié)同的同時，還要防止信息的冗余。不但如此，將傳感器與對應(yīng)算法的匹配也至關(guān)重要，通過軟硬件的結(jié)合，共同實現(xiàn)環(huán)境感知的效果，為自動駕駛汽車提供準確、實時、高效的路況信息、行人信息、位置信息，這樣才能發(fā)揮環(huán)境感知系統(tǒng)傳感器的最大功能。

表1 環(huán)境感知系統(tǒng)傳感器的優(yōu)缺點對比

傳感器優(yōu)勢缺點應(yīng)用場景 攝像頭像素高、刷新快；實時性強；顏色識別；可識別物質(zhì)受光線影響大；依賴算法；不穩(wěn)定車輛、行人、車道線檢測；交通標志識別；場景分割 激光雷達精度和分辨率高；受光線影響小；視野寬，無盲區(qū)受霧霾天氣的影響較大；同頻干擾探測障俯物、3D識別；高精度地圖高精度定位 毫米波雷達體積小、安裝方便；距離遠、穿透力強測量角度受限；采樣點稀疏，分辨率低；不能識別小物體自適應(yīng)巡航等 超聲波雷達近距離測量較準確距離近、受溫度影響倒車雷達、自動泊車等

自動駕駛汽車環(huán)境感知系統(tǒng)是自動駕駛系統(tǒng)最基礎(chǔ)也是至關(guān)重要的一個環(huán)節(jié)，環(huán)境感知的程度，對于決策層做出車輛行駛狀態(tài)起到關(guān)鍵作用。然而目前環(huán)境感知仍存在許多問題，比如依靠單一的傳感器無法檢測到完整的環(huán)境信息，而多個傳感器的使用又會造成信息的多余，在處理過程中增加了許多繁瑣的過程；比如在復雜的場景下環(huán)境感知的實時性、復雜性、靈敏性等問題亟需解決，同時在面對突發(fā)情況時，及時作出檢測和判斷至關(guān)重要；又比如軟硬件的適配與技術(shù)的革新，環(huán)境感知系統(tǒng)的效率與準確度不僅僅依靠硬件的功能，更重要的是進行軟件與硬件的適配，通過軟件將硬件的功能完美地發(fā)揮出來，往往可以達到事半功倍的效果。

目前自動駕駛汽車等級最高可達4級，如華為與北汽集團合力推出的極狐阿爾法S·HI、特斯拉model3等。其中極狐阿爾法S·HI搭載3個激光雷達、6個毫米波雷達、13個攝像頭和超聲波雷達，共34個傳感器，而特斯拉model3搭載了8個攝像頭、1個毫米波雷達和12個超聲波雷達，共21個傳感器。然而要實現(xiàn)完全意義上的4級自動駕駛等級，仍需要進一步研究。

4 總結(jié)與展望

本文以車輛自動駕駛為入口，介紹了車輛自動駕駛系統(tǒng)的系統(tǒng)組成與相關(guān)作用，著重介紹了環(huán)境感知系統(tǒng)的重要作用與相關(guān)傳感器，并通過表格的形式對各種傳感器進行對比與分析，通過分析得出，為了提升自動駕駛汽車的可靠性、準確性和魯棒性，多傳感器融合技術(shù)是必不可少的, 結(jié)合不同傳感器的特點, 每種傳感器技術(shù)都可以在高度集成的系統(tǒng)中發(fā)揮其優(yōu)勢, 獲取更準確的環(huán)境信息。

目前，自動駕駛技術(shù)正由L3向L4級別邁進，這對環(huán)境感知系統(tǒng)提出了更高的要求，產(chǎn)品技術(shù)的升級離不開軟件與硬件的升級，同時軟件與硬件的協(xié)同配合是一種有效的方式，通過技術(shù)不斷地升級與迭代，高精度、高效率、高反應(yīng)的環(huán)境感知系統(tǒng)一定會早日實現(xiàn)，完全自動駕駛技術(shù)也必然成為現(xiàn)實。

[1] 呂偉,郭伏,任增根,等.行人與高級自動駕駛汽車的交互研究綜述:基于行人視角[J].工業(yè)工程與管理, 2022,27(6):75-85.

[2] 任永利,董航瑞.車路協(xié)同+自動駕駛助力鄭州智慧島交通強國示范[J].科技導報,2020,38(9):82-88.

[3] 孫笑笑,呂西萍.自動駕駛汽車事故責任主體的識別[J].法制博覽,2022(10):1-4.

[4] 吳存?zhèn)?自動駕駛汽車侵權(quán)責任研究[D].北京:中國社會科學院大學,2021.

[5] 黃陳辰.自動駕駛汽車交通事故中刑事責任的劃分與承擔[J].大連海事大學學報(社會科學版),2021, 20(3):40-47.

[6] 朱冰,張培興,劉斌,等.基于自然駕駛數(shù)據(jù)的自動駕駛汽車安全性評價方法[J].中國公路學報,2022,35 (7):283-291.

[7] 彭浩楠,唐明環(huán),查奇文,等.自動駕駛汽車雙車道換道最優(yōu)軌跡規(guī)劃方法[J].吉林大學學報(工學版), 2022,52(12):2852-2863.

[8] CVETICANIN L,NINKOV I.Sensors in Self-Driving Car[C]//Machine and Industrial Design in Mechanical Engineering Mechanisms and Machine Science.Cham: Springer,2021.

[9] CHEN R,YANG Z.A Cooperative Merging Strategy for Connected and Automated Vehicles Based on Game Theory with Transferable Utility[J].IEEE Tran- sactions on Intelligent Transportation Systems,2022, 23(10):19213-19223.

[10] 詹德凱.自動駕駛汽車環(huán)境感知系統(tǒng)傳感器技術(shù)現(xiàn)狀及發(fā)展趨勢[J].遼寧省交通高等?？茖W校學報, 2021,23(3):21-26.

[11] 宋琪.基于多源傳感器融合的無人車環(huán)境感知算法研究[D].長春:吉林大學,2021.

[12] ANDRADE D C, BUENO F. A Novel Strategy for Road Lane Detection and Tracking Based on a Vehicle’s Forward Monocular Camera[J].IEEE Tran- sactions on Intelligent Transportation Systems,2019, 20(4):1497-1507.

[13] 沈念偉,于大泳.基于單目攝像頭的車輛前方障礙物的檢測研究[J].農(nóng)業(yè)裝備與車輛工程,2022,60(1):84- 87.

[14] 孫博文,于峰.基于深度學習的單目攝像頭動態(tài)手勢識別與交互[J].哈爾濱理工大學學報,2021,26(1):30- 38.

[15] ZHANG Z Q, LI S C, LI C Y, et al. Navigation Path Detection Method for a Banana Orchard Inspection Robot Based on Binocular Vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2021,37(21):9-15.

[16] 李學森.基于雙目攝像頭的特定環(huán)境目標快速檢測與追蹤研究[D].桂林:廣西師范大學,2021.

[17] 胡嘉祺,趙漢濤,葉俊澤,等.基于能耗地圖的低功耗小車設(shè)計及實現(xiàn)[J].電子測量技術(shù),2019,42(21):10-14.

[18] 成春陽,黃淵博,盧鑫,等.基于主動紅外濾光環(huán)視成像的車道線檢測算法[J].激光與光電子學進展,2018,55 (12):288-296.

[19] 金展翌.基于紅外攝像頭的手勢識別[D].南京:東南大學,2020.

[20] 曾進,老志輝,許綿渠.基于紅外攝像頭的睡眠姿勢嵌入式監(jiān)測系統(tǒng)設(shè)計[J].電子技術(shù)與軟件工程,2019 (15):168-170.

[21] 孫宛路.基于魚眼環(huán)視的車道線檢測技術(shù)研究[D].長春:吉林大學,2020.

[22] 黃思曉.基于360°全景攝像頭圖像識別的行車輔助系統(tǒng)[J].電子技術(shù)與軟件工程,2021(11):77-79.

[23] 董理,胡茂海,楊志榮.基于深度相機的物體姿態(tài)感知方法[J].激光與光電子學進展,2022,59(14):300-307.

[24] 粟傈,楊帆,王向禹,等.基于事件相機的機器人感知與控制綜述[J].自動化學報,2022,48(8):1869-1889.

[25] 李響,楊德貴.認知雷達及其關(guān)鍵技術(shù)的研究進展分析[J].現(xiàn)代雷達,2022,44(3):1-9.

[26] LIU L, HE J. A LiDAR–Camera Fusion 3D Object Detection Algorithm[J].Information,2022,13(4):169.

[27] WANG Z Y, YU G Z.A Train Positioning Method Based-On Vision and Millimeter-Wave Radar Data Fusion[J].IEEE Transactions on Intelligent Transpor- tation Systems,2022,23(5):4603-4613.

[28] 仇旭.基于相機和超聲波雷達的車輛環(huán)境感知技術(shù)研究[D].長沙:湖南大學,2020.

[29] LETARD M, COLLIN A.Classification of Land-Water Continuum Habitats Using Exclusively Airborne Topobathymetric Lidar Green Waveforms and Infrared Intensity Point Clouds[J].Remote Sensing,2022,341: 14.

[30] 高鵬,姜軍生,白陽,等.基于改進A*算法的果園移動機器人建圖定位與路徑規(guī)劃方法與試驗[J].中國農(nóng)機化學報,2022,43(1):142-149.

[31] 溫淑慧,問澤藤,劉鑫,等.基于ROS的移動機器人自主建圖與路徑規(guī)劃[J].沈陽工業(yè)大學學報,2022,44 (1):90-94.

[32] 張謙.基于激光雷達的機器人路徑規(guī)劃[J].激光雜志,2018,39(5):88-91.

[33] 馬小龍,余強,劉建蓓.基于路側(cè)毫米波雷達的車輛碰撞概率計算方法[J].交通運輸系統(tǒng)工程與信息,2022, 22(1):57-66.

[34] 張磊,方遒,孫彥超.基于毫米波雷達的疲勞駕駛監(jiān)測系統(tǒng)[J].機電技術(shù),2022(2):92-95.

[35] 費文玉,左付山,趙風財,等.基于毫米波雷達的汽車開門防撞系統(tǒng)設(shè)計[J].汽車實用技術(shù),2022,47(6):75-81.

[36] 薛其威,伍錫如.基于多模態(tài)特征融合的無人駕駛系統(tǒng)車輛檢測[J].廣西師范大學學報(自然科學版), 2022,40(2):37-48.

[37] PAULET M V, SALCEANU A.Ultrasonic Radar[C]// International Conference and Exposition on Electrical and Power Engineering,Romania.IEEE Xplore, 2016: 551-554.

[38] 紀者.基于超聲波雷達的自動泊車系統(tǒng)研究[D].北京:北京交通大學,2021.

[39] 仇旭,朱浩,鄧元望.基于超聲波雷達的改進車位檢測算法研究[J].中國機械工程,2020,31(14):1747-1753.

[40] 付鵬,李嫩,陳庚,等.基于超聲波雷達的泊車位類型檢測[J].汽車實用技術(shù),2020,45(7):25-27.

Research on Environmentally Aware Sensors for Autonomous Vehicles

LIU Wei, LU Cunhao*

( School of Mechanical Engineering, Yangzhou University, Yangzhou 225000, China )

In recent years, autonomous driving technology, as an important part of intelligent networked vehicles, has become a hot topic, and the environmental perception system is the sensory nerve of autonomous vehicles and plays the role of "eye". This paper makes a brief intro- duction to the composition of the autonomous vehicle system by consulting the relevant literature and combining the current research hotspots, and at the same time introduces the types, working principles, and application scenarios of the sensors used in the environment perception system, and compares and analyzes different sensors and makes suggestions. Through the introduction of this article, it can help readers have a preliminary understanding of the environmental perception system of autonomous vehicles, and at the same time give some guidance to relevant technical personnel.

Autonomous vehicle; Environmental awareness; Sensors; Lidar; Millimeter wave radar

U462

A

1671-7988(2023)10-197-07

10.16638/j.cnki.1671-7988.2023.010.040

劉煒（1999—），男，碩士研究生，研究方向為車道線識別技術(shù)、圖像處理技術(shù)，E-mail:lw199988@163.com。

陸存豪（1988—），男, 博士，講師，研究方向為車道線識別技術(shù)、圖像處理技術(shù)，E-mail:lch_ok@yzu.edu.cn。