一種自動(dòng)駕駛汽車系統(tǒng)架構(gòu)開發(fā)與測(cè)試驗(yàn)證

龍 翔，高建博，隗寒冰

（重慶交通大學(xué) 車輛與機(jī)電工程學(xué)院，重慶 400074）

為更好地解決汽車行駛過(guò)程中由于人為因素導(dǎo)致的各類交通事故問(wèn)題，將人工智能算法與控制技術(shù)相結(jié)合，研究開發(fā)更加節(jié)能、環(huán)保、安全的自動(dòng)駕駛汽車已引起國(guó)內(nèi)外研究機(jī)構(gòu)的極大重視。自動(dòng)駕駛汽車是由環(huán)境感知、決策規(guī)劃、控制執(zhí)行等多個(gè)子系統(tǒng)協(xié)同工作的復(fù)雜系統(tǒng)。自動(dòng)駕駛汽車依賴各種傳感器感知自身和周圍環(huán)境信息，實(shí)時(shí)規(guī)劃決策與控制執(zhí)行，這些功能是由多種硬件設(shè)備群和軟件算法協(xié)同運(yùn)行來(lái)實(shí)現(xiàn)的。自動(dòng)駕駛汽車的系統(tǒng)架構(gòu)是環(huán)境感知、決策規(guī)劃、控制執(zhí)行等模塊的硬件結(jié)構(gòu)及軟件體系的總體組織形式，其有效性、合理性、科學(xué)性很大程度上決定智能汽車的可靠性、穩(wěn)定性、可移植性、可拓展性及功能實(shí)現(xiàn)。因此，進(jìn)行自動(dòng)駕駛汽車軟硬件系統(tǒng)平臺(tái)的研究具有重大意義。

國(guó)外自動(dòng)駕駛汽車系統(tǒng)架構(gòu)技術(shù)的研究較早。20世紀(jì)50年代，通用汽車研發(fā)的Firebirds系列自動(dòng)駕駛汽車就采用電子引導(dǎo)系統(tǒng)和公路通信系統(tǒng)結(jié)合的方式實(shí)現(xiàn)車輛自動(dòng)控制；美國(guó)國(guó)防高級(jí)研究計(jì)劃局（DARPA）主導(dǎo)開展的自動(dòng)陸地車輛項(xiàng)目通過(guò)激光雷達(dá)等傳感器，結(jié)合計(jì)算機(jī)視覺和智能控制技術(shù)控制車輛運(yùn)行，速度每小時(shí)可達(dá)19英里（30.58 km／h）。2005年DARPA挑戰(zhàn)賽中，斯坦福大學(xué)智能車團(tuán)隊(duì)的Stanley智能車［1］奪得冠軍，團(tuán)隊(duì)設(shè)計(jì)了一種包括傳感器接口層、環(huán)境感知層、規(guī)劃與控制層、用戶界面層、車輛操縱接口層以及全局服務(wù)層的無(wú)人駕駛汽車系統(tǒng)?？▋?nèi)基-梅隆大學(xué)的BOSS智能車［2］將自動(dòng)駕駛控制系統(tǒng)劃分為四大模塊，包括環(huán)境感知模塊、負(fù)責(zé)全局規(guī)劃的任務(wù)規(guī)劃模塊、基于有限狀態(tài)機(jī)的行為決策模塊和局部規(guī)劃控制模塊。Kim J等［3］針對(duì)智能汽車系統(tǒng)網(wǎng)絡(luò)帶寬、容錯(cuò)率和系統(tǒng)性能問(wèn)題，基于車載網(wǎng)絡(luò)標(biāo)準(zhǔn)協(xié)議（FlexRay）開發(fā)了分布式系統(tǒng)體系結(jié)構(gòu)的自動(dòng)駕駛汽車。Zhou C等［4］基于ROS系統(tǒng)將基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)與基于激光雷達(dá)圖像的統(tǒng)計(jì)方法相結(jié)合，提出了一種新型室內(nèi)自主車方案，實(shí)現(xiàn)了巡航模式下的高避障率。2016年NVIDIA研究團(tuán)隊(duì)［5］訓(xùn)練了一個(gè)基于CNN的端對(duì)端自動(dòng)計(jì)時(shí)控制系統(tǒng)，實(shí)時(shí)運(yùn)行在NVIDIA DRIVE PX GPU平臺(tái)中，實(shí)現(xiàn)了單目圖像像素信息到轉(zhuǎn)向角的端對(duì)端映射，系統(tǒng)可自適應(yīng)學(xué)習(xí)晴天、雨天、多云等天氣條件，車道線磨損及非結(jié)構(gòu)化路面條件下的駕駛策略。國(guó)內(nèi)在自動(dòng)駕駛方面的研究相對(duì)較晚，例如，徐友春等［6］設(shè)計(jì)的獵豹智能車采用機(jī)器視覺的方法識(shí)別高速道路車道線，利用擬人控制算法實(shí)現(xiàn)了自動(dòng)駕駛，其最高時(shí)速達(dá)95 km／h。李克強(qiáng)等［7］針對(duì)現(xiàn)有自動(dòng)駕駛汽車可拓展和可升級(jí)性能不強(qiáng)、對(duì)智能汽車與電動(dòng)汽車技術(shù)集成程度不高的問(wèn)題，提出一種具有開放式結(jié)構(gòu)、模塊化部件，容易實(shí)現(xiàn)功能擴(kuò)展和部件升級(jí)的電動(dòng)汽車系統(tǒng)平臺(tái)建立方法。管欣等［8］在量產(chǎn)車的基礎(chǔ)上，針對(duì)智能汽車的功能需求，采用MicroAutoBox作為執(zhí)行控制器，自主設(shè)計(jì)執(zhí)行機(jī)構(gòu)控制擋位及油門制動(dòng)踏板。近年來(lái)，關(guān)于駕駛機(jī)器人相關(guān)工作的研究成果［9］中，這類系統(tǒng)通常具有控制精度高、不需要改動(dòng)原有車輛結(jié)構(gòu)等優(yōu)點(diǎn)。

近年來(lái)，無(wú)人駕駛汽車的系統(tǒng)架構(gòu)已取得較大進(jìn)展，然而現(xiàn)有系統(tǒng)普遍傳感器數(shù)量龐大，硬件線路復(fù)雜，模塊間耦合性較強(qiáng)，不利于功能拓展。另外，無(wú)人駕駛汽車技術(shù)是一個(gè)高速發(fā)展的領(lǐng)域，目前系統(tǒng)存在硬件技術(shù)滯后等不足?；隈{駛機(jī)器人的方案存在設(shè)計(jì)、安裝復(fù)雜、占用空間大，控制機(jī)構(gòu)復(fù)雜等問(wèn)題?；谏疃葘W(xué)習(xí)端對(duì)端技術(shù)的設(shè)計(jì)方案對(duì)車載計(jì)算能力要求較高、模型的可解釋性差，且依賴于海量標(biāo)注數(shù)據(jù)進(jìn)行模型訓(xùn)練。

本文在量產(chǎn)車型基礎(chǔ)上設(shè)計(jì)開發(fā)了一種開放式、可拓展、可升級(jí)的L3級(jí)自動(dòng)駕駛汽車系統(tǒng)架構(gòu)，綜合考慮功能的模塊化與交互集成，建立感知、決策、規(guī)劃、控制、執(zhí)行等子單元模塊，同時(shí)增加諸如人機(jī)交互、信息交互等功能模塊，實(shí)現(xiàn)數(shù)據(jù)讀寫、日志記錄、人機(jī)交互等功能，使硬件的接入和軟件的升級(jí)改造易于實(shí)現(xiàn)，從而有助于開發(fā)驗(yàn)證自動(dòng)駕駛系統(tǒng)的環(huán)境感知、路徑規(guī)劃、整車控制等算法。

1 硬件系統(tǒng)開發(fā)

本文在調(diào)研國(guó)內(nèi)外智能車軟硬件架構(gòu)的基礎(chǔ)上，針對(duì)高速公路和復(fù)雜城區(qū)道路實(shí)際環(huán)境的應(yīng)用場(chǎng)景，經(jīng)過(guò)對(duì)比分析、測(cè)試優(yōu)化，最終確定了一種模塊程度高、拓展性強(qiáng)的系統(tǒng)架構(gòu)，在結(jié)構(gòu)化道路條件下能滿足L3級(jí)自動(dòng)駕駛?cè)蝿?wù)要求。圖1為車輛硬件布置，圖2和圖3分別為車輛硬件、軟件框架。

圖1 車輛外觀及硬件布置

圖2 車輛硬件系統(tǒng)架構(gòu)

圖3 軟件系統(tǒng)架構(gòu)

1.1 總體架構(gòu)

車輛的硬件部分按照功能可劃分為五大子系統(tǒng)，包括傳感器子系統(tǒng)、數(shù)據(jù)通信子系統(tǒng)、計(jì)算子系統(tǒng)、執(zhí)行機(jī)構(gòu)子系統(tǒng)、底層驅(qū)動(dòng)子系統(tǒng)。

傳感器子系統(tǒng)由各種環(huán)境感知傳感器硬件組成；數(shù)據(jù)通信子系統(tǒng)主要包括信號(hào)轉(zhuǎn)換模塊、網(wǎng)關(guān)、路由設(shè)備；計(jì)算子系統(tǒng)的核心為1臺(tái)車載主控計(jì)算機(jī)；執(zhí)行機(jī)構(gòu)子系統(tǒng)包括自動(dòng)換擋機(jī)構(gòu)總成、線控制動(dòng)系統(tǒng)總成結(jié)構(gòu)；底層驅(qū)動(dòng)子系統(tǒng)由整車后管理模塊和信號(hào)燈控制模塊組成。傳感器及計(jì)算設(shè)備總功率約為400 W，通過(guò)車載蓄電池供電，同時(shí)提供1個(gè)輔助電源作為備用。

1.2 傳感器子系統(tǒng)

準(zhǔn)確而全面地感知車輛狀態(tài)及行駛環(huán)境信息是智能車功能實(shí)現(xiàn)的重要基礎(chǔ)。本文車輛的應(yīng)用場(chǎng)景主要為高速、城區(qū)等結(jié)構(gòu)化道路環(huán)境，故采用三維激光雷達(dá)和RGB彩色相機(jī)作為主要的環(huán)境信息感知傳感器，同時(shí)使用1個(gè)單線雷達(dá)和1個(gè)灰度相機(jī)作為輔助傳感器。采用GPS基站、GNSS接收儀、IMU設(shè)備作為定位裝置，最高可達(dá)厘米級(jí)別定位精度，實(shí)現(xiàn)了車輛高精度定位和對(duì)道路環(huán)境的實(shí)時(shí)精確感知。車輛傳感器、計(jì)算設(shè)備的性能描述如表1所示。

1.3 數(shù)據(jù)通信及計(jì)算子系統(tǒng)

車輛采用2臺(tái)計(jì)算設(shè)備構(gòu)成“上-下位機(jī)”體系的計(jì)算平臺(tái)（下文分別稱為主控計(jì)算機(jī)、輔助計(jì)算機(jī)）。主控計(jì)算機(jī)為系統(tǒng)的主要計(jì)算設(shè)備，負(fù)責(zé)環(huán)境感知、決策規(guī)劃、控制算法實(shí)現(xiàn)。輔助計(jì)算機(jī)負(fù)責(zé)車身CAN信號(hào)與主控計(jì)算機(jī)之間信號(hào)的處理與轉(zhuǎn)發(fā)，并通過(guò)兩路COM口與人機(jī)交互模塊通信，方便系統(tǒng)開發(fā)與調(diào)試。各傳感器信號(hào)與主控計(jì)算機(jī)之間以及2臺(tái)計(jì)算機(jī)之間均通過(guò)socket／TCP協(xié)議收發(fā)信息，輔助計(jì)算機(jī)和底層控制系統(tǒng)通過(guò)CAN總線進(jìn)行信息交換。

1.4 底層驅(qū)動(dòng)子系統(tǒng)

底層驅(qū)動(dòng)子系統(tǒng)由2種底層驅(qū)動(dòng)模塊組成，分別為整車后管理模塊和信號(hào)燈控制模塊。整車后管理模塊是車輛的能量管理核心，獨(dú)立控制車輛其他系統(tǒng)的能源，實(shí)現(xiàn)對(duì)上下位工控機(jī)、激光雷達(dá)、毫米波雷達(dá)、相機(jī)、DGPS系統(tǒng)等車載傳感器的供電。該電路具有可靠性高、功耗低的特點(diǎn)，始終處于工作狀態(tài)。信號(hào)燈控制模塊通過(guò)接收主控計(jì)算機(jī)控制信號(hào)實(shí)現(xiàn)對(duì)前大燈、轉(zhuǎn)向燈、喇叭的控制。

表1 車輛傳感器等硬件性能

2 軟件系統(tǒng)開發(fā)

根據(jù)車輛軟件系統(tǒng)層次化、模塊化、可復(fù)用、可移植化的設(shè)計(jì)思路，將整個(gè)系統(tǒng)分解為傳感器層、信息交互層、感知層、決策規(guī)劃層、控制層、執(zhí)行層、人機(jī)交互層共7層結(jié)構(gòu)。系統(tǒng)軟件框架如圖3所示。

傳感器層主要由兩部分組成：環(huán)境感知傳感器和車身狀態(tài)傳感器。前者由激光雷達(dá)、毫米波雷達(dá)、相機(jī)等組成，主要用于車輛行駛過(guò)程中周邊環(huán)境的數(shù)據(jù)采集任務(wù)；后者主要包括差分GPS系統(tǒng)傳感器、IMU、輪速傳感器、車速傳感器等，用于車身姿態(tài)、航向、位置、車速等信息的采集。傳感器層完成各傳感器數(shù)據(jù)采集、解析、時(shí)間同步等操作的封裝，并以數(shù)據(jù)流的形式發(fā)送至感知層。

感知層對(duì)傳感器層原始的數(shù)據(jù)流做分析處理，實(shí)現(xiàn)道路場(chǎng)景下行人、車輛、交通信號(hào)燈等多目標(biāo)檢測(cè)識(shí)別，以及車道標(biāo)志線識(shí)別、車身狀態(tài)估計(jì)等，為車輛決策和規(guī)劃層提供信息。

決策規(guī)劃層結(jié)合車輛定位信息和離線地圖，決策出當(dāng)前的駕駛模式。依據(jù)感知層中障礙物信息和駕駛模式完成局部路徑規(guī)劃，在有各種障礙物的環(huán)境中，尋找從起始狀態(tài)到目標(biāo)狀態(tài)的無(wú)碰路徑，在滿足車輛運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)約束的條件下，同時(shí)滿足舒適性、安全性指標(biāo)要求。

控制層依據(jù)規(guī)劃層輸出的參考路徑和車輛自身狀態(tài)數(shù)據(jù)，控制車輛橫縱向運(yùn)動(dòng)使之按照預(yù)定目標(biāo)軌跡行駛?；贚3級(jí)自動(dòng)駕駛功能需求，車輛同時(shí)可以接收人工接管指令，對(duì)車輛進(jìn)行制動(dòng)、加速和轉(zhuǎn)向操作。該層的控制信號(hào)輸出至各執(zhí)行單元的控制器。

執(zhí)行層接受控制層的控制信號(hào)完成駕駛動(dòng)作，如自動(dòng)切換擋位、電控轉(zhuǎn)向操作、油門制動(dòng)操作等。

信息交互層為各層之間數(shù)據(jù)通信提供統(tǒng)一、規(guī)范的接口，并實(shí)現(xiàn)數(shù)據(jù)記錄、離線地圖數(shù)據(jù)讀寫等功能，方便系統(tǒng)調(diào)試和測(cè)試。

人機(jī)交互層接受駕駛員的行車開始指令和緊急停車指令，同時(shí)將行駛過(guò)程中環(huán)境、車輛狀態(tài)等各種數(shù)據(jù)可視化，供駕駛員參考。

車輛軟件系統(tǒng)經(jīng)過(guò)多次改進(jìn)和完善，在實(shí)際場(chǎng)景中進(jìn)行了大量實(shí)車實(shí)驗(yàn)，系統(tǒng)架構(gòu)具有以下優(yōu)點(diǎn)：

1）系統(tǒng)采用分層思想設(shè)計(jì)，將系統(tǒng)分為傳感器層、信息交互層、感知層、決策規(guī)劃層、控制層、執(zhí)行層、人機(jī)交互層等七大子系統(tǒng)層。層與層之間相互獨(dú)立、互聯(lián)，通過(guò)規(guī)范化接口實(shí)現(xiàn)信息流通。

2）開放式的接口和模塊化的部件。在硬件結(jié)構(gòu)升級(jí)的情況下，容易實(shí)現(xiàn)功能的拓展和軟件功能的升級(jí)，使得各種電氣設(shè)備的接入變得更加容易，有助于系統(tǒng)迭代和快速驗(yàn)證設(shè)計(jì)。

3）完備的人機(jī)交互接口。系統(tǒng)不僅提供行車和緊急停車接口，同時(shí)具有豐富的可視化界面，可動(dòng)態(tài)顯示調(diào)試過(guò)程中的環(huán)境感知狀態(tài)信息、車輛狀態(tài)信息等數(shù)據(jù)，并實(shí)時(shí)記錄感知、控制數(shù)據(jù)以便于分析和診斷。

3 系統(tǒng)關(guān)鍵算法

車輛的算法實(shí)現(xiàn)部分采用視覺和雷達(dá)信息融合的方式實(shí)現(xiàn)道路環(huán)境的感知，在此基礎(chǔ)上采用基于Frenet的局部路徑規(guī)劃及預(yù)瞄控制算法實(shí)現(xiàn)車輛運(yùn)動(dòng)和姿態(tài)控制。設(shè)計(jì)目標(biāo)為：

1）機(jī)器視覺系統(tǒng)能在光照變化、輕微遮擋干擾條件下實(shí)現(xiàn)實(shí)時(shí)準(zhǔn)確的車道識(shí)別，頻率不低于20 Hz；多傳感器信息融合系統(tǒng)能實(shí)時(shí)識(shí)別行駛前方的車輛、行人目標(biāo)，相對(duì)距離誤差小于5%，頻率不低于20Hz。

2）依靠LTE-V的V2X設(shè)備對(duì)交通信號(hào)燈進(jìn)行識(shí)別與響應(yīng)，能執(zhí)行擁堵跟車、加速減速、制動(dòng)、主動(dòng)超車等駕駛模式。

3.1 逆透視變換

圖像信息是世界坐標(biāo)系下的3維物體在二維圖像平面上的投影，該過(guò)程在物理上可用小孔成像模型近似，在數(shù)學(xué)上是一個(gè)透視映射過(guò)程。為了得到圖像坐標(biāo)下車道、行人、車輛等目標(biāo)在車輛坐標(biāo)系下的準(zhǔn)確映射，從而構(gòu)建智能駕駛系統(tǒng)局部地圖，采用文獻(xiàn)［10］所提出的逆透視變換公式，將透視圖像轉(zhuǎn)換為俯視圖，如式（1）所示：

式中：xp、yp為圖像中任意點(diǎn)（u，v）在車輛坐標(biāo)系中的局部坐標(biāo)位置；h為相機(jī)安裝高度；θ為相機(jī)俯仰角；α、β分別為相機(jī)的水平、垂直視場(chǎng)角；m、n分別為圖像的高度和寬度值。

3.2 車道線檢測(cè)算法

目前常用的車道線識(shí)別算法可分為基于車道線幾何和顏色特征、基于模板配準(zhǔn)和基于模式識(shí)別3類［11］。提高算法在復(fù)雜環(huán)境下的魯棒性和在嵌入式平臺(tái)下運(yùn)行的實(shí)時(shí)性是其核心問(wèn)題。

本文在參考前人研究成果［12-14］的基礎(chǔ)上，設(shè)計(jì)了基于車道線特征約束和特征聚類的檢測(cè)算法。圖4為系統(tǒng)軟件框架中車道線檢測(cè)算法流程，分為圖像預(yù)處理、直線檢測(cè)、特征聚類、車道線擬合4部分。

圖4 車道線檢測(cè)算法流程

算法的核心是基于先驗(yàn)知識(shí)的車道標(biāo)志線特征約束定義與選擇。具體而言，在相機(jī)特定外參數(shù)下，車道標(biāo)記線具有一定長(zhǎng)度、方向、寬高比等形狀特征約束，以及起始點(diǎn)位置約束、斜率約束，除此之外，車道線還具有一定相對(duì)位置約束，即同一條車道線上的候選直線方向一致，斜率偏移量小于某一閾值。車道線幾何、位置特征約束具體定義如式（2）（3）所示。

式中：（xs，ys）、（xe，ye）分別表示車道線的起始點(diǎn)坐標(biāo)；lm、lM表示長(zhǎng)度閾值上下限；xm、xM、ym、yM表示起點(diǎn)坐標(biāo)在圖像橫、縱方向上的范圍閾值；km、kM表示斜率閾值上下限；i、j表示任意2條線段編號(hào)；dm、dM表示第j條備選直線的起點(diǎn)到第i條備選直線的距離。

算法設(shè)計(jì)時(shí)需考慮車載工控機(jī)的計(jì)算速度，所以預(yù)處理部分舍棄耗時(shí)較多且對(duì)結(jié)果影響不明顯的濾波處理和邊緣檢測(cè)處理環(huán)節(jié)，最終確定感興趣區(qū)域（region of interest，ROI）選擇、灰度處理、二值化及連通域分析的預(yù)處理過(guò)程。為減弱光照變化影響，提出根據(jù)歷史信息進(jìn)行閾值補(bǔ)償?shù)亩祷ǎ缡剑?）所示。

式中：Tt為t時(shí)刻的二值化閾值；為某段時(shí)間內(nèi)閾值平均值；c為補(bǔ)償參數(shù)。正切函數(shù)作用為平緩正負(fù)偏離值，使預(yù)處理結(jié)果趨于穩(wěn)定。

完成圖像預(yù)處理后，采用概率Hough變換算法檢測(cè)直線元素構(gòu)成直線集作為車道標(biāo)記線的候選集。車道標(biāo)記線的幾何特征約束（長(zhǎng)度、方向、寬高比等形狀約束特征，起始點(diǎn)位置約束特征，斜率約束特征）和車道線位置特征約束（車道線斜率差，車道線距離偏移量）作為約束條件，使用K-D樹算法回溯聚類，最后對(duì)屬于某條車道線的Hough直線集離散化，并根據(jù)最小二乘法擬合得到目標(biāo)車道線，如式（5）所示。

式中：xi、yi表示離散點(diǎn)的圖像坐標(biāo)；N為點(diǎn)的總個(gè)數(shù)為坐標(biāo)均值；a、b為擬合后直線斜率和截距。

3.3 基于視覺的行人和車輛檢測(cè)算法

傳統(tǒng)的行人、車輛檢測(cè)方法基于人工設(shè)計(jì)的特征（如HOG、Haar等）訓(xùn)練分類器實(shí)現(xiàn)目標(biāo)檢測(cè)。但這類算法具有魯棒性弱、泛化能力差的缺點(diǎn)，而深度卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）［15］可在訓(xùn)練數(shù)據(jù)集中通過(guò)最優(yōu)化損失函數(shù)，自適應(yīng)構(gòu)建目標(biāo)的低層至高層特征描述，且對(duì)形變、光照具有一定的不變性，具有較好的泛化能力。

在行人和車輛檢測(cè)算法中，車輛采用一種基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法，通過(guò)GPU加速，可在車載計(jì)算平臺(tái)中實(shí)時(shí)運(yùn)行，提供車輛前方行人、車輛等目標(biāo)的局部坐標(biāo)和尺寸信息。算法由位于前端的輕量化深度卷積網(wǎng)絡(luò)和后端的多尺度目標(biāo)檢測(cè)網(wǎng)絡(luò)兩部分組成。前端為去除全鏈接層的分類網(wǎng)絡(luò)，提取目標(biāo)邊緣、顏色、輪廓、部件等初級(jí)信息；后端根據(jù)實(shí)際檢測(cè)類別，設(shè)置不同尺寸的卷積核，分別作用在不同特征層上進(jìn)行定位和分類，最后使用NMS（non-maximum suppression）算法［16］合并預(yù)測(cè)框得到最終檢測(cè)結(jié)果。算法流程如圖5所示，式（6）為訓(xùn)練損失函數(shù)。

式中：N為標(biāo)簽框同默認(rèn)框成功匹配的數(shù)目之和；Lconf為分類置信損失，采用多類Softmax損失函數(shù)；Lloc為定位損失函數(shù)，采用SmoothL1損失函數(shù)；x為指示函數(shù)，表征默認(rèn)框同標(biāo)簽的匹配結(jié)果；c為預(yù)測(cè)類別的置信度；l和g分別為預(yù)測(cè)回歸框和目標(biāo)真實(shí)框的位置信息；α為權(quán)衡置信損失和定位損失的超參數(shù)，一般取1。

算法采用批梯度下降法尋優(yōu)計(jì)算，前向-反向訓(xùn)練過(guò)程中最小化模型預(yù)測(cè)誤差，提升目標(biāo)類別置信度的同時(shí)提高邊界框的位置預(yù)測(cè)精度。在目標(biāo)檢測(cè)數(shù)據(jù)集中反復(fù)迭代，從而提高模型的目標(biāo)檢測(cè)性能，得到適用于行人、車輛的目標(biāo)檢測(cè)器。

圖5 目標(biāo)檢測(cè)算法流程

3.4 局部路徑規(guī)劃算法

路徑規(guī)劃的目標(biāo)是實(shí)時(shí)決策受動(dòng)態(tài)、靜止障礙物和車輛動(dòng)力學(xué)約束的最優(yōu)運(yùn)動(dòng)軌跡。目前常用的路徑規(guī)劃方法主要有勢(shì)場(chǎng)法、柵格法、采樣法和離散優(yōu)化法［17］。勢(shì)場(chǎng)法易產(chǎn)生震蕩或陷入局部最優(yōu)，柵格法運(yùn)算量過(guò)大。基于采樣的RRT算法需要設(shè)計(jì)高效啟發(fā)式采樣方法。離散優(yōu)化法使用數(shù)值微積分描述車輛運(yùn)動(dòng)狀態(tài)。Frenet最優(yōu)軌跡生成方法［18］是離散優(yōu)化法的一種，主要包括定義Frenet骨架、生成候選軌跡、選取最優(yōu)軌跡3個(gè)部分。Frenet骨架由離線道路路徑點(diǎn)根據(jù)三次樣條函數(shù)擬合得到，如式（7）所示。通過(guò)笛卡爾坐標(biāo)系到曲線坐標(biāo)的轉(zhuǎn)換公式將道路幾何形狀映射到曲線坐標(biāo)系中，如圖6所示。

式中：s、（sb（s），yb（s））分別表示在曲線坐標(biāo)系下的弧長(zhǎng)、全局坐標(biāo)；（a，b，c，d）表示3次樣條曲線多項(xiàng)式系數(shù)。

圖6 曲線坐標(biāo)系轉(zhuǎn)換示意圖

算法橫向采樣參數(shù)根據(jù)感知層的輸出得到，在Frenet骨架基礎(chǔ)上不斷偏移一定采樣距離Δq直到覆蓋整個(gè)車道寬，并使用5次多項(xiàng)式描述橫向位移位置，如式（8）所示?？v向參數(shù)根據(jù)預(yù)測(cè)時(shí)間、期望速度得到對(duì)應(yīng)橫向偏移量下曲線坐標(biāo)系的一系列S軸坐標(biāo)生成候選軌跡。

式中：d表示橫向位移位置；t表示預(yù)測(cè)時(shí)間；｛a0，…，a5｝表示多項(xiàng)式系數(shù)。

算法采用最大速度、最大加速度、最大曲率、行駛無(wú)碰撞條件對(duì)候選路徑約束選擇獲取候選軌跡，并采用加速度的1階導(dǎo)數(shù)作為優(yōu)化指標(biāo)，計(jì)算每條候選軌跡在曲線坐標(biāo)系下縱橫向Ctot值，取其最小值對(duì)應(yīng)的軌跡為最優(yōu)軌跡，如式（9）所示。

式中：Clat、Clon分別表示橫向和縱向最優(yōu)軌跡損失函數(shù)；klat、klon分別表示橫向和縱向損失函數(shù)的權(quán)重。

4 實(shí)驗(yàn)結(jié)果

4.1 車道線檢測(cè)

為驗(yàn)證算法在各種工況下的魯棒性，本文選取不同天氣、光照、工況條件下的數(shù)據(jù)作為測(cè)試集驗(yàn)證算法性能，詳細(xì)環(huán)境描述見表2，圖7為車道線識(shí)別結(jié)果（綠色）。結(jié)果表明：在有少量雨水、道路陰影、車輛遮擋、道路標(biāo)志干擾的結(jié)構(gòu)化道路下，算法均可實(shí)時(shí)準(zhǔn)確地識(shí)別出車道標(biāo)志線。

4.2 行人和車輛檢測(cè)

目標(biāo)檢測(cè)有多種評(píng)價(jià)指標(biāo)，如檢測(cè)精度、效率、定位精度、查全率、查準(zhǔn)率等。本文采用mAP（mean average precision）衡量行人和車輛等目標(biāo)的檢測(cè)精度，采用FPS（frames per second）值衡量算法在線運(yùn)行速度。mAP值介于0～1范圍，越大說(shuō)明檢測(cè)精度越高，其定義如式（10）（11）所示。

式中：C為類別總數(shù)；P、R分別為精確度和召回率，TP、FP、FN分別為真正例（Intersection over Union，IOU＞0.5）、假正例（IOU＜0.5）、假反例（漏檢目標(biāo)）；J、r描述P-R曲線的采樣頻率，本文中J＝10。

表2 車道線檢測(cè)場(chǎng)景說(shuō)明

圖7 車道線檢測(cè)結(jié)果

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法性能受訓(xùn)練數(shù)據(jù)集規(guī)模、場(chǎng)景類別的影響較大。為對(duì)算法進(jìn)行客觀評(píng)價(jià)，利用KITTI公開數(shù)據(jù)集［19］提供的目標(biāo)檢測(cè)數(shù)據(jù)集作為訓(xùn)練和測(cè)試基準(zhǔn)，將本文算法與數(shù)據(jù)庫(kù)提供的算法進(jìn)行對(duì)比。由表3可以看出，基于傳統(tǒng)特征的方法如ACF等精度較低，mAP在0.5～0.6范圍，主要原因?yàn)樘卣鞅磉_(dá)能力不足?；趶?fù)雜深度網(wǎng)絡(luò)的方法如DH-ARI等精度超過(guò)0.9，但是對(duì)硬件要求苛刻。本文中的算法在速度和精度方面達(dá)到較好的均衡，在CPU環(huán)境下速度達(dá)到21FPS，且精度方面接近Faster RCNN算法的水平，遠(yuǎn)高于ACF等傳統(tǒng)方法。

表3 檢測(cè)算法性能對(duì)比

另外，車輛在園區(qū)封閉道路內(nèi)進(jìn)行了實(shí)車行人、車輛目標(biāo)的檢測(cè)實(shí)驗(yàn)，部分結(jié)果如圖8所示。測(cè)試圖片涵蓋了側(cè)視、后視、遠(yuǎn)端、近端等多種視角以及陰影、遮擋、逆光等各種復(fù)雜環(huán)境。算法能實(shí)時(shí)檢測(cè)并輸出目標(biāo)的類別、置信度和位置信息，實(shí)驗(yàn)結(jié)果表明在各個(gè)場(chǎng)景下本文算法均能實(shí)現(xiàn)多目標(biāo)的快速、魯棒檢測(cè)。

4.3 局部路徑規(guī)劃算法

車輛在重慶交通大學(xué)校園以及包含S彎、匯流、超車、長(zhǎng)下坡、急彎等各種駕駛場(chǎng)景的中國(guó)汽車研究院園區(qū)內(nèi)，對(duì)感知、規(guī)劃、控制算法進(jìn)行了實(shí)車測(cè)試驗(yàn)證。圖9為主動(dòng)超車測(cè)試結(jié)果，綠色矩形表示前車，藍(lán)色矩形表示本車，黃色曲線表示局部規(guī)劃候選路徑，紅色曲線表示最優(yōu)軌跡，測(cè)試結(jié)果顯示，智能車在識(shí)別前方車輛后成功完成主動(dòng)超車動(dòng)作。另外，開發(fā)的車輛還參加了重慶智博會(huì)i-VISTIA無(wú)人駕駛挑戰(zhàn)賽（圖10），順利完成了城市交通場(chǎng)景和禮嘉環(huán)線場(chǎng)外挑戰(zhàn)賽，進(jìn)一步說(shuō)明本文所提出的系統(tǒng)架構(gòu)和自動(dòng)駕駛算法的實(shí)用性和有效性。

圖8 行人、車輛目標(biāo)檢測(cè)結(jié)果

圖9 局部路徑規(guī)劃測(cè)試結(jié)果

圖10 重慶智博會(huì)i-VISTIA城市交通場(chǎng)景挑戰(zhàn)賽場(chǎng)景

5 結(jié)束語(yǔ)

科學(xué)合理的系統(tǒng)架構(gòu)和算法設(shè)計(jì)是實(shí)現(xiàn)無(wú)人駕駛汽車功能實(shí)現(xiàn)和安全運(yùn)行的重要基礎(chǔ)。本文設(shè)計(jì)的系統(tǒng)方案具有較為明顯的優(yōu)勢(shì)：一是系統(tǒng)具有較好的可拓展性，可根據(jù)不同任務(wù)要求進(jìn)行合理的配置；二是關(guān)注人機(jī)交互功能，既對(duì)調(diào)試、運(yùn)行過(guò)程中系統(tǒng)關(guān)鍵參數(shù)、數(shù)據(jù)進(jìn)行備份與記錄，又充分考慮人的駕駛體驗(yàn)和駕駛安全，可以隨時(shí)接管車輛避免意外出現(xiàn)；三是系統(tǒng)接口統(tǒng)一，信息流向清晰，在極大降低系統(tǒng)的耦合性的同時(shí)有利于模塊的調(diào)試與升級(jí)。通過(guò)了實(shí)車測(cè)試驗(yàn)證，結(jié)果表明開發(fā)的軟硬件系統(tǒng)架構(gòu)系統(tǒng)穩(wěn)定，目標(biāo)識(shí)別算法能實(shí)時(shí)準(zhǔn)確地定位識(shí)別行人和車輛目標(biāo)，動(dòng)態(tài)軌跡規(guī)劃算法能準(zhǔn)確控制車輛按照目標(biāo)軌跡運(yùn)行。