汽車前方靜動目標狀態(tài)轉(zhuǎn)移機理與分類算法*

高振海,王 竣,王德平,李紅建

(1.吉林大學，汽車仿真與控制國家重點實驗室，長春 130025； 2.中國第一汽車集團公司新能源汽車分公司，長春 130122；3.中國第一汽車集團公司技術中心，長春 130011)

2016103

汽車前方靜動目標狀態(tài)轉(zhuǎn)移機理與分類算法*

高振海1,王 竣1,王德平2,李紅建3

(1.吉林大學，汽車仿真與控制國家重點實驗室，長春 130025； 2.中國第一汽車集團公司新能源汽車分公司，長春 130122；3.中國第一汽車集團公司技術中心，長春 130011)

為解決利用雷達回波實現(xiàn)靜止目標和運動目標的準確識別這一駕駛輔助系統(tǒng)的關鍵技術問題，本文中基于地面目標運動狀態(tài)轉(zhuǎn)移機理提出了一種基于時間窗的汽車前方靜動目標狀態(tài)分類方法。在地面靜動目標運動狀態(tài)與轉(zhuǎn)移機理分析的基礎上，將目標分為靜止目標、同向運動目標、反向運動目標、起停目標和未分類目標等5類，建立了在固定時間窗內(nèi)的目標運動狀態(tài)的轉(zhuǎn)移狀態(tài)機模型，并確定了目標狀態(tài)轉(zhuǎn)移的條件閾值和時間窗長度，最終在駕駛輔助試驗車上進行了前方同向或反向行駛車輛、樹木等靜止物體和制動停車車輛等各種典型工況下的識別試驗，為實現(xiàn)基于毫米波雷達的自適應巡航與自動緊急制動的駕駛輔助系統(tǒng)的工程化提供了技術支撐。

駕駛輔助系統(tǒng)；狀態(tài)機模型；車載毫米波雷達；靜動目標分類；時間窗

前言

近年來，以雷達傳感技術為基礎的前方防碰撞預警(forward collision warning system, FCW)、自適應巡航控制系統(tǒng)(adaptive cruise control system, ACC)和自動緊急制動系統(tǒng)(autonomous emergency braking system, AEBS)等先進汽車駕駛輔助系統(tǒng)成為了國際汽車主動安全領域研究熱點[1-4]。鑒于對傳感器環(huán)境適應性、可靠性和成本的考慮[5]，博世[6]、大陸[7]、德爾福[8]、電裝[9]等各大國際汽車電子產(chǎn)品供應商多采用具有較強環(huán)境適應性的毫米波雷達，用于識別本車前方道路環(huán)境中可能對本車行駛帶來潛在碰撞威脅的車輛等障礙目標(將其定義為前方有效目標)，并根據(jù)該目標與本車之間的相對運動狀態(tài)，對本車施加預警或輔助控制。

車載毫米波雷達難以直接區(qū)分地面“運動地物(即地面靜止物體)”和“運動目標”。車載毫米波雷達是通過雷達回波信號和多普勒效應檢測本車與前方目標的相對距離、方位角和相對速度等信息[10-11]，其信息處理算法主要借鑒面向飛機、導彈等飛行物檢測的軍用雷達對機動目標的識別跟蹤方法。軍用地基雷達以固定的大地為雷達平臺，地物相對于雷達是靜止不動的，從地物反射的回波沒有多普勒頻率偏移，只在信號中心頻率附近有微小的展寬；軍用機載雷達由于飛機平臺的高機動性，可以認為地物相對于目標是處于靜止狀態(tài)；而地面車輛在行進過程中，與其固聯(lián)的車載雷達平臺與大地有相對運動，原來不動的地物和固定目標的回波都會產(chǎn)生多普勒頻移，即使不考慮載體運動姿態(tài)變化，地物雜波也非常復雜。上述車載雷達信息與軍用地基雷達信息的不同，導致車載毫米波雷達處理算法難以準確識別靜止目標與運動目標?，F(xiàn)行的國際標準《ISO/DIS 15622道路車輛-自適應巡航控制系統(tǒng)-性能要求及測試方法》明確指出：ACC可能會忽略靜止目標或不對靜止目標做出反應[12]。

針對以上問題，尤其是全速ACC和AEBS研發(fā)要求必須對前方低速運動和靜止的車輛或行人進行準確識別，國際上開展了靜動目標分類算法研究?，F(xiàn)有研究主要是利用目標物體與本車之間的相對速度變化規(guī)律，通過閾值分割的方法進行目標運動狀態(tài)識別。德爾福、博世和沃爾沃等公司均開發(fā)了靜動目標分類識別算法，并將其作為提升毫米波雷達檢測精度的核心競爭保密技術。例如文獻[13]中將雷達目標分為4類(高空目標、靜止目標、運動目標和路側(cè)目標)，但文中沒有詳細論述目標分類判別方法。

相對于國際研究現(xiàn)狀而言，國內(nèi)研究(尤其是性能樣車研發(fā))多是直接基于采購的國外雷達輸出的有效目標結果進行駕駛輔助功能開發(fā)，并未深入開展車載毫米波雷達的數(shù)據(jù)處理算法，也無法為國內(nèi)車載毫米波雷達產(chǎn)品研發(fā)提供技術支撐。同時，本文作者在基于國際采購的車載毫米波雷達進行ACC等實車功能測試實驗中發(fā)現(xiàn)：鑒于本車行駛速度波動和雷達自身存在一定的測量誤差等實際情況，若直接沿用當前時刻下目標與雷達之間的相對運動關系和簡單閾值分割實現(xiàn)靜動目標識別算法，將導致算法在部分工況下無法輸出準確前方有效目標。

為此，本文中針對駕駛輔助系統(tǒng)對靜動目標識別的技術需求，在地面靜動目標的運動狀態(tài)和轉(zhuǎn)移機理分析基礎上，提出了一種基于時間窗內(nèi)運動狀態(tài)轉(zhuǎn)移機制的動靜目標分類方法。文中首先對雷達目標的運動狀態(tài)進行了分類；然后基于目標的多運動狀態(tài)，建立了目標運動狀態(tài)轉(zhuǎn)移狀態(tài)機模型，并設計了目標狀態(tài)轉(zhuǎn)移的條件閾值和時間窗長度；最終在裝備毫米波雷達的駕駛輔助試驗平臺車上，進行了前方同向或反向行駛車輛、樹木等靜止物體及制動停車車輛等典型工況的實車道路實驗驗證。

1 面向駕駛輔助系統(tǒng)的前方目標運動狀態(tài)分類

雷達探測目標存在不同狀態(tài)：根據(jù)運動目標的運動方向，可分為同向運動目標和反向運動目標；針對前方車輛起步-停車等工況，將原先運動后來停止的目標定義為起停目標(一種特殊形式的運動目標)；考慮到雷達回波信號中存在干擾噪聲，當部分目標無法進行有效分類時將其定義為未分類目標。同時為了保證分類算法的魯棒性，將所有雷達目標的初始狀態(tài)也都定義為未分類目標。

綜上所述，本文中將車載雷達探測到的目標分為靜止、同向運動目標、反向運動目標、起停目標和未分類目標5類，如圖1所示。

(1) 靜止目標(Stationary)

靜止目標是指運動速度始終保持為零的物體，主要包括路側(cè)障礙物、樹木、標志牌和在雷達測試全過程內(nèi)始終停止的車輛等物體。該信息的準確獲取是FCW和AEBS實現(xiàn)的關鍵。

(2) 同向運動目標(Moving)

同向運動目標是指與本車運動方向相同的物體。一般而言，同向運動的目標與本車位于同一車道或同向相鄰車道，其運動與本車具有較大的相關性，因此可輔助進行本車行駛軌跡和車道曲率變化等信息估計。

(3) 反向運動目標(Oncoming)

反向運動目標是指與本車運動方向相反的物體。通常情況下，反向運動的物體位于本車相鄰車道的可能性較大，可用來區(qū)分相鄰車道類型。

(4) 起停目標(Stop)

起停目標是指運動中的物體速度減慢已接近靜止或已靜止的物體有運動的趨勢但速度極小。起停目標一般是由前方運動車輛減速停車或起步形成。起停目標信息的準確獲取是AEBS和全速ACC(具備起步停車功能)實現(xiàn)的前提。

(5) 未分類目標(Unclassified)

雷達目標的初始狀態(tài)均為未分類目標。之后根據(jù)其運動狀態(tài)不同將目標分為靜止、同向運動、反向運動和起停4種類型。若目標不能滿足上述4種狀態(tài)轉(zhuǎn)移條件，則仍屬于未分類目標。

2 目標運動狀態(tài)轉(zhuǎn)移機理分析

當前方目標進入到車載雷達檢測范圍后，雷達將連續(xù)輸出該目標的相對位置及相對速度信息，以描述該目標的運動狀態(tài)。

考慮到狀態(tài)轉(zhuǎn)移機制設計的精確性、實時性和單一時刻的量測信息易受噪聲干擾等因素，本文中提出了一種基于時間窗的目標狀態(tài)分類方法，依據(jù)車載雷達在該時間歷程中輸出的目標連續(xù)運動狀態(tài)進行判斷，而不單純依靠單一時刻運動狀態(tài)實現(xiàn)目標分類。

考慮到地面車輛等物體受路面附著等運動學和動力學約束，物體運動狀態(tài)的轉(zhuǎn)移有明顯的規(guī)律性。一個目標在某一固定時刻只能屬于上述運動類型之一，且隨著物體運動狀態(tài)變化有規(guī)律性地轉(zhuǎn)移，變更為另一目標類型。圖2所示為目標狀態(tài)轉(zhuǎn)移示意圖，目標狀態(tài)之間的箭頭表示狀態(tài)轉(zhuǎn)移的路徑和方向。雷達目標狀態(tài)轉(zhuǎn)移規(guī)律分析如下。

(1) 目標初始狀態(tài)均為“未分類目標”。

(2) 靜止目標：靜止目標開始運動后將會轉(zhuǎn)移為同向運動目標或反向運動目標；如果沒有發(fā)生狀態(tài)轉(zhuǎn)移，則繼續(xù)保持為靜止目標狀態(tài)。

(3) 同向運動目標：當同向運動目標的速度接近零時將會轉(zhuǎn)移為起停目標，而不是直接轉(zhuǎn)移為靜止目標；如果沒有發(fā)生狀態(tài)轉(zhuǎn)移，則繼續(xù)保持為同向運動目標。

(4) 反向運動目標：反向運動目標其狀態(tài)轉(zhuǎn)移條件類似于同向運動目標，在速度接近零時將會轉(zhuǎn)移為起停目標，而不是直接轉(zhuǎn)移為靜止目標；如果沒有發(fā)生狀態(tài)轉(zhuǎn)移，則繼續(xù)保持為反向運動目標。

(5) 起停目標：起停目標開始運動后將根據(jù)其運動方向轉(zhuǎn)移至同向運動目標或反向運動目標；否則繼續(xù)保持為起停目標。

需要指出的是，在提出的狀態(tài)轉(zhuǎn)移中，同向運動目標物體轉(zhuǎn)移為反向運動時，中間必歷經(jīng)起停狀態(tài)。由于地面運動物體具有慣性，速度不會產(chǎn)生突變，因此當運動的物體改變運動方向過程中必然存在速度降低為零的階段，即經(jīng)歷起停狀態(tài)。

同理，依據(jù)以上基于狀態(tài)轉(zhuǎn)移的目標運動狀態(tài)分類方法，物體運動速度降至零而停止時，該物體首先歸類為起停目標，而不是歸類為靜止目標，這樣可將始終靜止的物體與先前運動隨后停止的物體區(qū)分開，也使得該分類方法對目標的運動狀態(tài)具有一定的記憶效應。

3 前方目標運動狀態(tài)轉(zhuǎn)移的閾值判斷 條件設計

針對以上運動狀態(tài)轉(zhuǎn)移機理分析，本文中建立了目標運動狀態(tài)轉(zhuǎn)移的閾值判斷條件，并根據(jù)雷達道路試驗數(shù)據(jù)離線分析的結果對時間窗長度與狀態(tài)判別閾值進行了設計。

(1) 從靜止或初始狀態(tài)轉(zhuǎn)移至同向運動狀態(tài)(Unclassified/Stationary→Moving)

物體運動速度vobj在時間窗內(nèi)連續(xù)超過同向運動速度最低限制閾值Vsta-m_min，即

vobj(k-i)>Vsta-m_min，i=0,1,…,n-1

(1)

式中：k-i為采樣時刻，n為時間窗長度，即vobj(k)表示當前時刻目標物體的速度值，vobj(k-i)表示當前時刻前第i個速度值(下同)。

閾值Vsta-m_min的取值主要基于雷達探測的主要地面運動物體的最低運動速度，目前車載雷達主要用于探測前方車輛。車輛怠速時的速度約為5～10km/h(大約為1～3m/s)，因此本文中給出其參考取值范圍為[1m/s,3m/s]。

(2) 從靜止或初始狀態(tài)轉(zhuǎn)移至反向運動狀態(tài)(Unclassified/Stationary→Oncoming)

物體運動速度vobj在時間窗內(nèi)連續(xù)超過反向運動速度最低限制閾值Vsta-o_min，即

vobj(k-i)

(2)

閾值Vsta-o_min的取值主要考慮反向運動物體的最低運動速度，因此該取值范圍與同向運動物體的取值范圍相同，但方向相反，因此本文中給出其參考取值范圍為[-3m/s,-1m/s]。

(3) 從初始狀態(tài)或未分類狀態(tài)轉(zhuǎn)移至靜止狀態(tài)(Unclassified/Stationary→Stationary)

物體運動速度vobj在時間窗內(nèi)連續(xù)接近零或低于一個速度閾值Vu-sta_max，即

|vobj(k-i)|

(3)

閾值Vu-sta_max的取值主要基于靜止物體的速度分布范圍，理論上靜止物體的速度為零，但由于實際應用中測量值不可避免含有誤差。因此該閾值的最小值應該大于測量誤差，本文中對前方物體的速度測量誤差約為0.3m/s，因此其取值范圍的最小值為0.3；此外該閾值過大時將會導致部分低速運動的物體識別為靜止物體，參考式(1)中的分析運動物體的最低運動速度約為1m/s，因此將其最大值設為1，因此本文中給出其參考取值范圍為[0.3m/s,1m/s]。

(4) 從同向運動狀態(tài)或反向運動狀態(tài)轉(zhuǎn)移至起停狀態(tài)(Moving/Oncoming→Stop)

在時間窗內(nèi)，物體運動速度vobj接近零或小于閾值Vm-sto_max，即

|vobj(k-i)|

(4)

閾值Vm-sto_max的取值主要基于停止物體的速度分布范圍，停止物體的速度與式(3)中靜止物體的速度分布范圍類似，因此本文中給出其參考取值范圍為[0.3m/s,1m/s]。

(5) 從起停狀態(tài)轉(zhuǎn)移至同向運動狀態(tài)(Stop→Moving)

在時間窗內(nèi)，物體運動速度vobj超過速度閾值Vsto-m_min，即

vobj(k-i)>Vsto-m_min，i=0,1,…,n-1

(5)

閾值Vsto-m_min的取值與式(1)中Vsta-m_min的取值范圍類似，主要考慮運動物體的最小速度，此外，由于起停狀態(tài)物體之前是運動狀態(tài)，可以通過降低該閾值實現(xiàn)其轉(zhuǎn)移至同向運動狀態(tài)的快速識別，因此本文中給出其參考取值范圍為[0.3m/s,1m/s]。

(6) 從起停狀態(tài)轉(zhuǎn)移至反向運動狀態(tài)(Stop→Oncoming)

在時間窗內(nèi)，物體運動速度vobj接近零或小于閾值Vsto-o_min，即

vobj(k-i)

(6)

閾值Vsto-o_min的取值與式(5)中取值范圍類似，但方向相反，因此本文中給出其參考取值范圍為[0.3m/s,-0.3m/s]。

上述狀態(tài)轉(zhuǎn)移切換條件都是基于時間窗的長度進行判斷。時間窗長度設計需要同時兼顧抗干擾能力和快速識別能力。較短的時間窗使抗干擾能力較差，將造成速度波動時物體運動狀態(tài)的振蕩；時間窗過長有較強的抗干擾能力，可避免狀態(tài)振蕩的現(xiàn)象，但會引起運動狀態(tài)識別時間上的滯后。

本文中根據(jù)道路試驗數(shù)據(jù)離線分析的結果對時間窗的長度進行了設計，研究中分別選取時間窗長度為1，3和5(即n=1,3,5)進行了對比分析。對比試驗結果顯示，時間窗的長度取3時(即考慮當前時刻及前兩時刻的雷達輸出數(shù)據(jù))能很好兼顧抗干擾性能和快速識別性能，故本文中將此值作為時間窗長度，即在式(1)～式(6)中n值取3。

確定合適的閾值是實現(xiàn)雷達目標運動狀態(tài)轉(zhuǎn)移和切換條件設計的關鍵。

理論上交通環(huán)境中靜止物體(如靜止的車輛、路側(cè)標志牌、樹木等)的速度為零，速度不為零的物體定義為運動物體。而在實際應用中，車輛前方物體的速度通過雷達進行測量。雷達測量出前方物體相對本車的運動速度，并通過本車速度補償求得前方物體速度。由于雷達和車輛輪速傳感器測量精度的限制和測量誤差的存在，前方靜止物體也可能返回一個非零值。為此在實車試驗中無法通過速度是否為零來判斷物體的靜止與運動，而需要根據(jù)實際工況設定判斷閾值。

本文中以同向運動狀態(tài)最低速度閾值Vsta-m_min和靜止狀態(tài)最高速度閾值Vu-sta_max為例，上述兩個閾值用于區(qū)分物體為同向運動狀態(tài)或靜止狀態(tài)，主要考慮了實車道路試驗數(shù)據(jù)(靜止物體和運動物體的速度分布范圍)，并根據(jù)雷達測速精度與車輛速度波動范圍給出閾值確定范圍。

如圖3所示，靜止物體速度分布在[-1m/s,1m/s]的范圍內(nèi)且呈單峰形狀，同向運動物體速度分布在大于1m/s的范圍內(nèi)，大致呈均勻分布。上述物體速度分布與實際情況相符合，靜止物體的速度受雷達測試精度和車速誤差的影響，其速度不完全等于零但分布在零附近，并且呈尖峰分布，雷達測速精度和車速的誤差范圍影響該速度分布的寬度。同時，考慮到本文中采用的德爾福ESR雷達的測量精度為0.12m/s，車速波動范圍為0.17m/s(如圖4所示)，同時考慮上述兩方面的誤差時其誤差的范圍在0.3m/s。根據(jù)離線測試數(shù)據(jù)，靜止物體速度分布均值為-0.3m/s，5%百分位的速度值為-0.9m/s，95%百分位的速度值為0.3m/s，最終設計的靜止狀態(tài)的最高速度閾值Vu-sta_max為0.9m/s，運動物體的判斷閾值Vsta-m_min設定為1.2m/s。

4 實車道路試驗與結果分析

面向駕駛輔助系統(tǒng)工作的各種典型工況，本文中設計并實施了在真實道路交通環(huán)境下的實車試驗，進一步驗證了文中提出的汽車前方目標運動狀態(tài)分類算法。

試驗車為吉林大學汽車仿真與控制國家重點實驗室自行集成開發(fā)的駕駛輔助試驗平臺車。選配的毫米波雷達為ESR雷達，毫米波雷達和道路交通環(huán)境監(jiān)測攝像機的安裝位置如圖5所示，主要性能參數(shù)如表1所示。ESR毫米波雷達的掃描模式分為長距離模式和中距離模式，兩種掃描模式具有不同的探測距離和掃描角度，本文中在數(shù)據(jù)處理過程中首先按照不同的掃描模式先對雷達輸出數(shù)據(jù)進行處理，然后再進行統(tǒng)一處理，試驗結果如圖6～圖9所示。

表1 毫米波雷達主要性能參數(shù)

圖6示出本文中雷達目標運動狀態(tài)分類過程和基于該分類方法的分類結果。

圖6(a)中的小方框表示雷達探測到的目標。雷達輸出的回波信號中不可避免地存在雜波和干擾信號，經(jīng)過多目標跟蹤之后將雜波及干擾目標濾除，最終用于分類的雷達目標如圖6(b)所示。最終的分類結果如圖6(c)所示，圖示場景中有一個同向運動(Moving)的目標和一個反向運動(Oncoming)的目標，如圖6(d)所示，其余的為靜止(Stationary)目標，如圖6(e)所示，或未分類目標(Unclassified)，如圖6(f)所示。

圖7為圖6的試驗場景，并用方框的形式標識出了已分類的物體，圖7中的方框與圖6(c)中已分類的目標一一對應，并對已分類目標進行了編號，如圖6(d)、圖6(e)和圖7所示。圖7中1號框表示同向運動的目標(一輛同向行駛的車)，2號框表示反向運動的目標(一輛反向行駛的車)，其余框表示靜止目標，一般包括樹木、電線桿、垃圾桶等，未分類目標沒有在圖中標識出來。

本文中根據(jù)自適應巡航控制的典型工況，設計并實施了典型的靜動目標識別試驗。試驗中前方車輛的行駛過程包括以下階段：停車、起步加速、制動停車、倒車和減速停車。

圖8為上述工況中前車速度變化的時間歷程，及其運動狀態(tài)隨之進行變化轉(zhuǎn)移的過程。如圖8中虛線所示：目標初始的運動狀態(tài)為未分類狀態(tài)(Unclassified)；由于起始時目標的速度比較低，因此其狀態(tài)轉(zhuǎn)移至靜止狀態(tài)(Stationary)；隨該目標速度增加，其運動狀態(tài)轉(zhuǎn)移至同向運動狀態(tài)(Moving)；之后目標開始減速，速度接近零時，目標狀態(tài)變?yōu)槠鹜顟B(tài)(Stop)；隨著反向速度的增加，目標的狀態(tài)轉(zhuǎn)移至反向運動狀態(tài)(Oncoming)；最后車輛減速停車后目標狀態(tài)變?yōu)槠鹜顟B(tài)(Stop)。

圖8給出了目標運動狀態(tài)轉(zhuǎn)移判斷條件中采用時間窗方法和不采用時間窗方法的對比分析，圖中繪制了時間窗長度為1，3和5時的分類結果。由于速度信號中不可避免存在噪聲干擾和波動，因此采用單一時刻判斷狀態(tài)轉(zhuǎn)移與否的無時間窗的方式將會受到噪聲信號及信號波動的影響，進而出現(xiàn)目標運動狀態(tài)分類結果振蕩甚至錯誤的現(xiàn)象。如圖8中無時間窗(時間窗長度n=1)的分類方法(實線)在20s附近出現(xiàn)了目標運動狀態(tài)分類結果振蕩的現(xiàn)象，而采用時間窗的方法可有效抵抗噪聲干擾信號的影響，如圖中n=3(虛線)和n=5(點劃線)的分類結果沒有出現(xiàn)分類振蕩的情況。由于時間窗長度越長，雷達目標運動狀態(tài)識別的延遲越嚴重，即n=3(虛線)與n=5(點劃線)的分類結果相比，n=3的識別過程更及時，延遲較小。通常情況下，駕駛輔助系統(tǒng)中雷達標識為靜止狀態(tài)的目標有可能是真實存在的，也有可能是噪聲。例如針對圖8目標車輛減速停車工況，傳統(tǒng)的閾值分割方法會將該目標識別為靜止物體(如圖8中20.25-25.25s之間雙點劃線所示)。而本文中提出的分類方法則將該目標識別為運動目標中的起停目標(具有一定的記憶效應)，并在后續(xù)的雷達數(shù)據(jù)處理中也將此類起停目標直接標識為已經(jīng)得到確認的真實存在目標，進一步降低了雷達數(shù)據(jù)處理中目標確認難度。

圖9為前車在常規(guī)行駛工況過程中的行駛速度曲線和采用本文分類方法的運動狀態(tài)識別結果。由圖可見，前車起始時被識別為未分類目標(Unclassified)，隨后識別為靜止目標(Stationary)，隨著前車起步加速后，前車被識別為同向運動目標(Moving)，前車減速停車時被識別為起停目標(Stop)，而非靜止目標，待前車加速向前行駛后，前車被識別為同向運動目標(Moving)。試驗結果表明了本文中運動狀態(tài)分類方法的正確性，即前車運動狀態(tài)分類識別結果與前車運動狀態(tài)一致。

5 結論

本文中針對現(xiàn)有駕駛輔助系統(tǒng)車載毫米波雷達無法準確識別本車前方靜止與運動目標的問題，建立了地面靜動目標的運動狀態(tài)與轉(zhuǎn)移機理，并提出基于時間窗內(nèi)運動狀態(tài)轉(zhuǎn)移機制的動靜目標分類方法，主要結論如下。

(1) 面向駕駛輔助系統(tǒng)的研究需求和車載雷達檢測到的目標運動狀態(tài)特點，將目標運動狀態(tài)分為靜止、同向運動目標、反向運動目標、起停目標和未分類目標5類。

(2) 基于對雷達目標運動狀態(tài)轉(zhuǎn)移過程的分析，建立了用于目標分類的狀態(tài)機模型，并依據(jù)實車道路試驗數(shù)據(jù)(靜止物體和運動物體的速度分布范圍)、雷達測速精度和車輛速度波動范圍設計了閾值及其主要參數(shù)取值范圍的確定方法。該方法也體現(xiàn)出對目標物體的運動狀態(tài)具有記憶效應。

(3) 采用時間窗方法，避免了傳統(tǒng)依據(jù)單一時刻信號值進行狀態(tài)分類時信號波動引起的分類錯誤問題。通過對時間窗長度的優(yōu)化，發(fā)現(xiàn)時間窗長度為3時，具有抗干擾性能且滯后較小。

(4) 在裝備毫米波雷達的駕駛輔助試驗平臺車上進行了各種典型工況的實車試驗驗證，結果表明該方法對前方的同向或反向行駛車輛、樹木等靜止物體和制動停車等起停狀態(tài)的車輛均可實現(xiàn)目標的準確分類。

后續(xù)研究中將積累更多的實車道路試驗數(shù)據(jù)，引入統(tǒng)計學習方法且針對具體的駕駛輔助功能優(yōu)化設計其判斷閾值，并利用靜動目標識別結果實現(xiàn)對汽車前方道路曲率的預測及其與車道線視覺檢測結果的數(shù)據(jù)融合。

[1] BISHOP R. Intelligent Vehicle Technology and Trends[M]. Boston: Artech House,2005.

[2] 張德兆,秦立峰,王建強,等.基于電子真空助力器的汽車駕駛輔助系統(tǒng)制動壓力控制[J].汽車工程,2011,33(12):1067-1072.

[3] 吳利軍,王躍建,李克強.面向汽車縱向安全輔助系統(tǒng)的路面附著系數(shù)估計方法[J].汽車工程,2009,31(3):239-243.

[4] 金立生,王榮本,Bart Van Arem,等.先進駕駛員輔助系統(tǒng)中的車輛探測研究綜述[J].汽車工程,2007,29(2):132-136.

[5] SCHNEIDER M. Automotive Radar-status and Trends[C]. German Microwave Conference,2005:144-147.

[6] Robert Bosch GmbH. Chassis Systems Control LRR3: 3rd Generation Long-Range Radar Sensor[EB/OL].[2013-11-10]. http://www.bosch-automotivetechnology.com/media/db_application/downloads/pdf/safety_1/en_4/lrr3_datenblatt_de_2009.pdf.

[7] Continental A G. ARS 300 Long Range Radar Sensor 77 GHz[EB/OL].[2013-11-10]. http://www.conti-online.com/www/industrial_sensors_de_en/themes/ars_300_en.html.

[8] Delphi Automotive LLP. Delphi Electronically Scanning Radar[EB/OL].[2013-11-10]. http://delphi.com/manufacturers/auto/safety/active/electronically-scanning-radar/.

[9] DENSO CORPORATION. Pre-Crash Safety System: Millimeter-Wave Radar[EB/OL].[2013-11-10]. http://globaldensoproducts.com/driving-control-safety/pre-crash-safety-system/millimeter-wave-radar/.

[10] 印忠義,胡南山.毫米波汽車防撞雷達的進展[C].2007 年全國微波毫米波會議論文集(下冊),2007.

[11] 王小謨,張光義.雷達與探測:信息化戰(zhàn)爭的火眼金睛[M].北京:國防工業(yè)出版社,2008.

[12] ISO/DIS 15622. Road Vehicles-Adaptive Cruise Control Systems-Performance Requirements and Test Procedures[S].1999.

[13] POLYCHRONOPOULOS A, AMDITIS A, FLOUDAS N, et al. Integrated Object and Road Border Tracking Using 77 GHz Automotive Radars[J]. IEE Proceedings-Radar, Sonar and Navigation,2004,151(6):375-381.

The State Transfer Mechanism and Classification Algorithm forStationary and Moving Objects in Front of Vehicle

Gao Zhenhai1, Wang Jun1, Wang Deping2& Li Hongjian3

1.JilinUniversity,StateKeyLaboratoryofAutomotiveSimulationandControl,Changchun130025; 2.ChinaFAWGroupCorporationNewEnergyVehicleBranch,Changchun130122; 3.ChinaFAWGroupCorporationR&DCenter,Changchun130011

To tackle the key technical issue of driving assistance system, i.e. the accurate detection of stationary and moving objects by radar echo, a time window-based vehicle frontal object state classification method is proposed in this paper based on the movement state transfer mechanism of ground objects. On the basis of analyses on ground object movement states and their transfer mechanism, Stationary and moving objects are classified into five categories: stationary object, moving object, oncoming object, stopped object and unclassified object. Then a transfer state machine model for the object movement states within a fixed time window is created, and the condition threshold and time window length for object state transfer are determined. Finally, the detection tests of moving, oncoming, braking and stopping vehicles and trees and other stationary objects under various working conditions are conducted on an experimental vehicle, providing technical supports for the engineering application of millimeter-wave radar-based adaptive cruise and automatic emergent braking in driving assistance system.

driving assistance system; state machine model; on-borne millimeter-wave radar; stationary and moving object classification; time window

*高等學校博士學科點專項科研基金(20120061110028)、吉林省科技引導計劃(20130413058GH)和長江學者和創(chuàng)新團隊發(fā)展計劃(IRT1017)資助。

原稿收到日期為2014年4月24日，修改稿收到日期為2015年4月27日。