無人駕駛汽車的傳感器系統(tǒng)設計及技術展望

《無人駕駛汽車的傳感器系統(tǒng)設計及技術展望》由會員分享，可在線閱讀，更多相關《無人駕駛汽車的傳感器系統(tǒng)設計及技術展望（9頁珍藏版）》請在裝配圖網上搜索。

1、一、無人駕駛汽車傳感器的研究背景和意義 無人駕駛汽車是人工智能的一個非常重要的驗證平臺，近些年成為國內外研究熱點．無人駕駛汽車作為一種陸地輪式機器人，既與普通機器人有著很大的相似性，又存在著很大的不同．首先它作為汽車需保證乘員乘坐的舒適性和安全性，這就要求對其行駛方向和速度的控制更加嚴格；另外，它的體積較大，特別是在復雜擁擠的交通環(huán)境下，要想能夠順利行駛，對周圍障礙物的動態(tài)信息獲取就有著很高的要求。無人駕駛的研究目標是完全或部分取代駕駛員，是人工智能的一個非常重要的實現平臺，同時也是如今前沿科技的重要發(fā)展方向。當前，無人駕駛技術具有重大的應用價值，生活和工程中，能夠在一定程度上減輕駕駛行為的

2、壓力；在軍事領域內，無人駕駛技術可以代替軍人執(zhí)行偵查、排雷、以及戰(zhàn)場上危險環(huán)境中的任務；在科學研究的領域，無人駕駛技術可以實現外星球等極端環(huán)境下的勘探活動。無人駕駛車輛技術，又稱智能車輛，即利用將無人駕駛的技術應用于車輛的控制中。 國外的無人駕駛車輛技術大多通過分析激光傳感器數據進行動態(tài)障礙物的檢測。代表有斯坦福大學的智能車“Junior”，利用激光傳感器對跟蹤目標的運動幾何特征建模，然后用貝葉斯濾波器分別更新每個目標的狀態(tài)；卡耐基?梅隆大學的“BOSS”智能車從激光傳感器數據中提取障礙物特征，通過關聯不同時刻的激光傳感器數據對動態(tài)障礙物進行檢測跟蹤。牛津大學研制的無人車輛“WildCat”

3、，不使用GPS，使用激光雷達和相機監(jiān)控路面狀況。我國相關技術開展較晚，國防科學技術大學研制的自主車“開路雄獅”，采用三維激光雷達Velodyne作為主要傳感器，將Velodyne獲取的相鄰兩激光數據作差，并在獲得的差分圖像上進行聚類操作，對聚類結果建立方盒模型。 無人駕駛車輛是一項融合了認知科學、人工智能、機器人技術與車輛工程等多學科的技術，涉及到電子電路，計算機視覺，自動控制，信號處理等多學科技術。無人駕駛汽車的出現從根本上改變了傳統(tǒng)的“人——車——路”閉環(huán)控制方式，將無法用規(guī)則嚴格約束的駕駛員從該閉環(huán)系統(tǒng)中請出去，從而大大提高了交通系統(tǒng)的效率和安全性，是汽車工業(yè)發(fā)展的革命性產物。 二、

4、無人駕駛汽車的傳感器系統(tǒng)整體設計 無人駕駛汽車的實現需要大量的科學技術支持，而其中最重要的就是大量的傳感器定位。核心技術是包括高精度地圖、定位、感知、智能決策與控制等各個模塊。其中有幾個關鍵的技術模塊，包含精確GPS定位及導航、動態(tài)傳感避障系統(tǒng)、機械視覺三個大部分，其他的如只能行為規(guī)劃等不屬于傳感器范疇，屬于算法方面，不做過多設計。傳感器系統(tǒng)如圖所示。 圖1 無人駕駛汽車的傳感器系統(tǒng)主要組成 三、精確GPS定位及導航 無人駕駛汽車對GPS定位精度、抗干擾性提出了新的要求。在無人駕駛時GPS導航系統(tǒng)要不間斷的對無人車進行定位。在這個過程之中，無人駕駛汽車的GPS導航系統(tǒng)要求GPS定位

5、誤差不超過一個車身寬度。 無人駕駛汽車面臨的另一個問題面臨的另一個挑戰(zhàn)，是需要確保他們又完美的導航功能，實現導航的主要技術是現在生活中已經使用非常廣泛的GPS技術。由于GPS無積累誤差、自動化測量的特點，因此十分適合用于無人駕駛汽車的導航定位。 為了大幅提高GPS測量技術的精度，本系統(tǒng)采用位置差分GPS測量技術。相較于傳統(tǒng)的GPS技術，差分GPS技術會在一個觀測站對兩個目標的觀測量、兩個觀測站對一個目標的觀測量或者一個測站對一個目標的兩次測量之間求差，目的在于消去公共誤差源，包括電離層和對流層效應等。 位置差分原理是一種最簡單的差分方法，任何一種GPS接收機均可改裝和組成這種差分系統(tǒng)。

6、 安裝在基準站上的GPS接收機觀測4顆衛(wèi)星后便可進行三維定位，解算出基準站的坐標。由于存在著軌道誤差、時鐘誤差、SA影響、大氣影響、多徑效應以及其他誤差，解算出的坐標與基準站的已知坐標是不一樣的， 存在誤差?；鶞收纠脭祿湆⒋烁恼龜蛋l(fā)送出去，由用戶站接收，并且對其解算的用戶站坐標進行改正。 最后得到的改正后的用戶坐標已消去了基準站和用戶站的共同誤差，例如衛(wèi)星軌道誤差、 SA影響、大氣影響等，提高了定位精度。以上先決條件是基準站和用戶站觀測同一組衛(wèi)星的情況。位置差分法適用于用戶與基準站間距離在100km以內的情況。其原理如圖1所示。 高精度的汽車車身定位是無人駕駛汽車行駛的先決條件，以現有

7、的技術，利用差分GPS技術可以完成無人駕駛汽車的精確定位，基本滿足需求。 圖2 差分GPS技術原理圖 四、動態(tài)傳感避障系統(tǒng) 無人駕駛汽車作為一種陸地輪式機器人，既與普通機器人有著很大的相似性，又存在著很大的不同。首先它作為汽車需保證乘員乘坐的舒適性和安全性，這就要求對其行駛方向和速度的控制更加嚴格；另外，它的體積較大，特別是在復雜擁擠的交通環(huán)境下，要想能夠順利行駛，對周圍障礙物的動態(tài)信息獲取就有著很高的要求。國內外很多無人駕駛汽車研究團隊都是通過分析激光傳感器數據進行動態(tài)障礙物的檢測。斯坦福大學的自主車“Junior”利用激光傳感器對跟蹤目標的運動幾何特征建模，然后用貝葉斯濾波器

8、分別更新每個目標的狀態(tài)；卡耐基 梅隆大學的 “BOSS”從激光傳感器數據中提取障礙物特征，通過關聯不同時刻的激光傳感器數據對動態(tài)障礙物進行檢測跟蹤。 在實際應用中，3 維激光傳感器因為數據處理工作量較大，存在一個比較小的延時，這在一定程度上降低了無人駕駛汽車對動態(tài)障礙物的反應能力，特別是無人駕駛汽車前方區(qū)域的運動障礙物，對其安全行駛構成了很大的威脅；而普通的四線激光傳感器雖然數據處理速度較快，但是探測范圍較小，一般在 100～ 120之間；另外，單個的傳感器在室外復雜環(huán)境中也存在著檢測準確率不高的現象。 針對這些問題，本文提出一種利用多激光傳感器進行動態(tài)障礙物檢測的方法，采用 3 維激光

9、傳感器對無人駕駛汽車周圍的障礙物進行檢測跟蹤，利用卡爾曼濾波器對障礙物的運動狀態(tài)進行跟蹤與預測，對于無人駕駛汽車前方準確性要求較高的扇形區(qū)域，采用置信距離理論融合四線激光傳感器數據來確定障礙物的運動信息，提高了障礙物運動狀態(tài)的檢測準確率，最終在柵格圖上不僅對無人駕駛汽車周圍的動、靜態(tài)障礙物進行區(qū)別標示，而且還根據融合結果對動態(tài)障礙物的位置進行了延時修正，來消除傳感器處理數據延時所帶來的位置偏差。 其流程圖如圖2所示，最終這些信息都顯示在人機交互界面上。 圖3 動態(tài)避障系統(tǒng)的流程結構 首先對Veloadyne數據進行柵格化處理得到一張障礙物占用柵格圖，對不同時刻的柵格圖進行聚類跟蹤可以

10、獲取障礙物的動態(tài)信息，將動態(tài)的障礙物從柵格圖中刪除并存儲在動態(tài)障礙物列表中，這個刪除了動態(tài)障礙物占用信息的柵格圖也就是一張靜態(tài)障礙物柵格圖，然后將動態(tài)障礙物列表中的動態(tài)障礙物信息和Ibeo獲取的無人駕駛汽車前方區(qū)域內的動態(tài)障礙物信息進行同步融合得到一個新的動態(tài)障礙物列表，最后將這個新的列表中的動態(tài)障礙物合并到靜態(tài)障礙物柵格圖中得到一張動靜態(tài)障礙物區(qū)別標示的柵格圖。障礙物檢測模塊是通過分析處理各種激光雷達返回的數據，將這些激光雷達數據進行柵格化處理，投影到512*512的柵格地圖中，從而實現對環(huán)境中障礙物的檢測。最終，多傳感器信息融合與環(huán)境建模模塊則是將不同傳感器獲取的環(huán)境信息進行融合、建立道路

11、模型并最終用柵格地圖進行表示，這些環(huán)境信息包括：標識信息、路面信息、障礙物信息以及定位信息等。 最后，對獲得的環(huán)境信息信號進行處理，得到一張動態(tài)的標志了障礙物的柵格圖，從而達到避障的效果，采用融合 Velodyne 和 Ibeo 信息得到運動目標狀態(tài)的方式相比于只用 Velodyne 處理結果的方式，檢測結果的準確率和穩(wěn)定性都得到了較大的提升。 五、機械視覺機構 機械視覺也可以稱作為環(huán)境感知，是無人駕駛汽車最重要也是最復雜的一部分。無人駕駛車輛的環(huán)境感知層的任務是針對不同的交通環(huán)境，對傳感器進行合理的配置、融合不同傳感器獲取的環(huán)境信息、對復雜的道路環(huán)境建立模型。無人駕駛系統(tǒng)的環(huán)境感知

12、層分為交通標志識別、車道線的檢測與識別、車輛檢測、道路路沿的檢測、障礙物檢測以及多傳感器信息融合與環(huán)境建模等模塊。 傳感器探測環(huán)境信息，只是將探測的物理量進行了有序排列與存儲。此時計算機并不知道這些數據映射到真實環(huán)境中是什么物理含義。因此需要通過適當的算法從探測得到的數據中挖掘出我們關注的數據并賦予物理含義，從而達到感知環(huán)境的目的。 比如我們在駕駛車輛時眼睛看前方，可以從環(huán)境中分辨出我們當前行駛的車道線。若要讓機器獲取車道線信息，需要攝像頭獲取環(huán)境影像，影像本身并不具備映射到真實環(huán)境中的物理含義，此時需要通過算法從該影像中找到能映射到真實車道線的影像部分，賦予其車道線含義。 自動駕駛車輛

13、感知環(huán)境的傳感器繁多，常用的有：攝像頭、激光掃描儀、毫米波雷達以及超聲波雷達等。 針對不同的傳感器，采用的感知算法會有所區(qū)別，跟傳感器感知環(huán)境的機理是有關系的。每一種傳感器感知環(huán)境的能力和受環(huán)境的影響也各不相同。比如攝像頭在物體識別方面有優(yōu)勢，但是距離信息比較欠缺，基于它的識別算法受天氣、光線影響也非常明顯。激光掃描儀及毫米波雷達，能精確測得物體的距離，但是在識別物體方面遠弱于攝像頭。同一種傳感器因其規(guī)格參數不一樣，也會呈現不同的特性。為了發(fā)揮各自傳感器的優(yōu)勢，彌補它們的不足，傳感器信息融合是未來的趨勢。事實上，已經有零部件供應商做過此事，比如德爾福開發(fā)的攝像頭與毫米波雷達組合感知模塊已應用

14、到量產車上。因此本系統(tǒng)設計將多個感知模塊結合去識別各種環(huán)境實物。 5.1 交通識別模塊 交通標識識別模塊又分為交通標志牌識別和交通信號燈識別。其中，交通標志牌識別主要由以下幾部分組成：(1)圖像/視頻輸入；(二)交通標識檢測；(三)交通標識識別；(四)識別結果輸出；(五)實驗數據庫和訓練樣本數據庫。交通信號燈識別主要由以下幾部分組成：(1)圖像/視頻輸入；(2)交通信號燈檢測；(3)交通信號燈狀態(tài)識別；(4)識別結果輸出。交通標識識別模塊系統(tǒng)框圖如圖3和圖4所示。 圖4 交通標志牌識別系統(tǒng)框圖 圖5 交通信號燈識別系統(tǒng)框 5.2 車道線檢測與識別模塊 車道線檢測模塊是通

15、過對傳感器圖像進行車道線檢測和提取來獲取道路上的車道線位置和方向，通過識別車道線，提供車輛在當前車道中的位置，能夠幫助無人車遵守交通規(guī)則，為無人駕駛車輛的自主行駛提供導向，提高無人車的行車穩(wěn)定性。智能車道線檢測和識別模塊的處理流程主要是： 對采集的圖像進行預處理，主要是圖像的平滑； 對圖像進行二值化，為了適應光照分布的不均勾，采用了自適應閾值二值化方法； 對二值化圖像進行分析，得出該路段屬于哪種路況； 對不同路況運用不同算法進行檢測和識別在圖像預處理階段，運用高斯平滑模板對圖像進行平滑，去除圖像噪聲的干擾。在圖像二值化上，利用S*S大小的均值模板對圖像進行卷積，將圖像中車道線的區(qū)域信息

16、提取出來，然后通過逆透視投影變換，通過路況判斷，識別出車道線，通過透視投影原理，將車道線映射到原始圖像上。 5.3 車輛檢測模塊 車輛檢測模塊則是通過對相機圖像進行處理將環(huán)境中的車輛檢測出來，為了保證圖像中任意尺寸的車輛都能檢測到，本設計采用滑動窗口的目標檢測：在輸入圖像的多尺度空間中，對圖像進行放縮，然后在每一個尺度上，通過平行移動滑動搜索窗口，可以獲得不同尺度和不同坐標位置的子圖。其次對所獲得子框圖的類別進行判別，整合各個子框圖的類別信息，輸出檢測得到的結果。其檢測采用的是基于區(qū)域的Haar特征描述算子和Adaboost級聯分類器。 5.4 決策規(guī)劃層 無人駕駛車輛決策規(guī)劃層的任務

17、是根據路網文件(RNDF)、任務文件(MDF)以及定位信息生成一條全局最優(yōu)路徑，并在交通規(guī)則的約束下，依靠環(huán)境感知信息實時推理出正確合理的駕駛行為，最終生成安全可行駛的路徑發(fā)送給控制執(zhí)行系統(tǒng)。決策規(guī)劃層分為全局規(guī)劃、行為決策和運動規(guī)劃三個模塊。 全局規(guī)劃模塊首先讀取網文件和任務文件，遍歷路網文件中的所有路點，生成所有路點之間的連通性，然后根據任務文件來設定起點、任務點和終點，計算出最優(yōu)路徑，最終將這條最優(yōu)路徑的路點序列發(fā)送給行為決策模塊。 行為決策模塊針對車輛所處的不同交通場景、任務要求以及環(huán)境特征，將無人駕駛車輛行為分為多個狀態(tài)，并延展為不同的亞態(tài)和子態(tài)。 運動規(guī)劃模塊的任務則是根據行

18、為決策模塊發(fā)送的局部目標點以及環(huán)境感知信息，實時規(guī)劃出安全可行駛的路徑，并將路徑的軌跡點序列發(fā)送給控制執(zhí)行。 六、無人駕駛汽車實現的技術展望 目前無人駕駛技術的實現主要是基于激光傳感技術或者是超聲雷達技術等，經過十余年的研究探索，許多機構和公司都已經推出了自己的無人駕駛汽車，但基本都存在不足，并不能實現真正意義的“無人駕駛”。 解決無人駕駛汽車的關鍵技術主要在于兩個方面，一方面是算法的設計，另一方面便是傳感器的設計。傳感器的精度和響應速度直接關系到無人駕駛汽車的安全性問題，而安全性正是無人駕駛技術最基本也是最關鍵的部分。將來無人駕駛技術的發(fā)展方向也應該是改善算法和選擇更合適精度更高的傳感

19、器。 本文從原理上設計了一個無人駕駛汽車的傳感器系統(tǒng)，簡要介紹了各個組成部分的功能和算法結構。文中所坦述的內容基本可以應對大多數的道路情況，在低速的條件下實現無人駕駛，但實際的生活中，汽車駕駛的環(huán)境十分復雜，想要通過儀器設備分析到判斷交通手勢或者其他司機行人的手勢等不固定的交通信號，還是存在很大的困難。另外無人駕駛汽車在應對緊急狀況時的表現也存在很大的爭議，當涉及倫理和道德的時候情況會變的更加復雜。 總之，無人駕駛汽車的發(fā)展是一個大趨勢，好處巨大，能夠大幅的節(jié)省人力物力，提高效率，減少交通事故和擁堵。要實現無人駕駛汽車技術的成熟化還需要無數科研工作者付出巨大的努力。  參

20、考文獻 [1] Ferguson D, Darms M, Urmson C, et al. Detection, prediction, and avoidance of dynamic obstacles in urban environments[C]//IEEE Intelligent Vehicles Symposium. Piscataway, USA: IEEE, 2008: 1149-1154. [2] Urmson C, Anhalt J, Bagnell D, et al. Autonomous driving in urban environments: Boss

21、and the urban challenge[J]. Journal of Field Robotics, 2008, 25(8): 425-466. [3] Mertz C, Navarro-Serment L E, MacLachlan R, et al. Moving object detection with laser scanners[J]. Journal of Field Robotics, 2013, 30(1): 17-43. [4] 程健，項志宇，于海濱等. 城市復雜環(huán)境下基于三維激光雷達實時車輛檢測[J]. 浙江大學學報（工學版）2014，48（12）：2102-

22、2106 [5] 吳維一. 激光雷達及多傳感器融合技術應用研究[D]. 長沙: 國防科學技術大學.2006 [6] IBEO Automobile Sensor GmbH, ALASCA User Manual, Version 1.2.4, Mar 2005. [7] 辛煜，梁華為，梅濤等. 基于激光傳感器的無人駕駛汽車動態(tài)障礙物檢測及表示方法[J]. 機器人2014,36（6）654-661 [8] 趙盼. 城市環(huán)境下無人駕駛車輛運動控制方法的研究[D]. 中國科學技術大學，2012. [9] Yang J, Kong B. Sparsely Connected Associat

23、ive Memory with Adaptive Topology through Annealed Dilution[C]//2012 Fifth International Symposium on Computational Intelligence and Design (ISCID). IEEE, 2012,1: 168-172, [10] Huang J, Liang H, Wang Z, et al. Robust lane marking detection under different road conditions[C]//2013 IEEE International Conference on Robotics and Biomimetics (ROBIO) IEEE,2013 1753-1758. [11] 劉梓，唐振民，任明武. 基于激光雷達的實時道路邊界檢測算法[J]. 華中科技大學學報.(自然科學版)2011,2