電動(dòng)小車自動(dòng)變道環(huán)境感知系統(tǒng)

王陽陽， 劉之光， 鄧航云， 胥哲先， 潘 定

(1.同濟(jì)大學(xué) 新能源汽車工程中心， 上海 201804； 2.同濟(jì)大學(xué) 汽車學(xué)院， 上海 201804)

變道是行車過程中十分常見的情況，例如,需要換入左側(cè)的快車道或右側(cè)的慢車道；需要從左側(cè)超車；需要在路口前換入特定方向車道.自動(dòng)變道作為未來無人駕駛汽車的基本功能，包含環(huán)境感知、變道決策、軌跡規(guī)劃和軌跡跟蹤等多個(gè)重要環(huán)節(jié)[1].

環(huán)境感知可基于單一傳感器，也可基于多傳感器的融合.單一傳感器探測(cè)方面，由于毫米波雷達(dá)、視覺傳感器的出現(xiàn)和圖像識(shí)別技術(shù)的發(fā)展提高了智能車輛對(duì)環(huán)境的自適應(yīng)能力，促進(jìn)了自適應(yīng)巡航、車道保持、主動(dòng)避撞、全景倒車輔助等系列智能化駕駛輔助技術(shù)的誕生，并實(shí)現(xiàn)了產(chǎn)業(yè)化，已經(jīng)成為很多豪華車的標(biāo)準(zhǔn)配置.360°環(huán)視檢測(cè)設(shè)備Li DAR的出現(xiàn)則直接推動(dòng)了Google、福特等公司自動(dòng)駕駛智能車的出現(xiàn)[2].

國內(nèi)，針對(duì)環(huán)境感知的研究大多集中于清華大學(xué)、吉林大學(xué)等高校中.如侯德藻等[3]利用毫米波雷達(dá)、激光雷達(dá)開發(fā)了碰撞預(yù)警系統(tǒng)及自適應(yīng)巡航(ACC)系統(tǒng)，利用CCD(charge coupled device)攝像機(jī)實(shí)現(xiàn)了車道保持，利用全景相機(jī)開發(fā)了環(huán)視倒車輔助系統(tǒng)等，并提供了具有實(shí)用性的控制技術(shù)，相關(guān)的技術(shù)在長(zhǎng)安汽車、東風(fēng)日產(chǎn)以及宇通、金龍等企業(yè)實(shí)現(xiàn)了推廣應(yīng)用.高振海等[4]基于車載毫米波雷達(dá)，采用自適應(yīng)卡爾曼濾波算法實(shí)現(xiàn)了對(duì)前方目標(biāo)的位置、速度的實(shí)時(shí)估計(jì)，并通過真實(shí)道路環(huán)境下的實(shí)車對(duì)比試驗(yàn)對(duì)算法的可行性和估計(jì)精度進(jìn)行了試驗(yàn)驗(yàn)證.吳永存[5]設(shè)計(jì)了FMCW(frequency modulated continuous wave)毫米波雷達(dá)的單元平均恒虛警檢測(cè)算法和選大恒虛警檢測(cè)算法，降低了虛警概率并提高目標(biāo)正確檢測(cè)概率.其中，部分感知算法的性能達(dá)到了國際先進(jìn)水平，但目前尚無與國外類似的系統(tǒng)集成技術(shù).如毫米波雷達(dá)探測(cè)方面，國內(nèi)尚無類似博世、德爾福等公司的高性能產(chǎn)品，但車用高性價(jià)比雷達(dá)研究已逐步展開.機(jī)器視覺感知方面，國內(nèi)尚無類似Mobileye的成熟產(chǎn)品，但清華大學(xué)、武漢大學(xué)和?？低?、地平線機(jī)器人等提出的視覺算法性能已達(dá)國際先進(jìn)水平，在2015年KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute)評(píng)測(cè)中取得多項(xiàng)單項(xiàng)第一[6].未來，若能結(jié)合已有視覺和雷達(dá)算法基礎(chǔ)，加強(qiáng)信息融合，有望在復(fù)雜環(huán)境感知和集成應(yīng)用方面取得重大進(jìn)展.

近年來, 不少學(xué)者就多傳感器信息融合算法、多傳感信息進(jìn)行駕駛員狀態(tài)監(jiān)測(cè)、車輛狀態(tài)估計(jì)和交通環(huán)境感知展開了研究.Stiller等[7],Wojek等[8]和Premabida等[9]國外學(xué)者的大量研究工作表明,多傳感器數(shù)據(jù)融合在智能交通系統(tǒng)(ITS)和智能汽車(IV)領(lǐng)域可發(fā)揮重大作用.針對(duì)融合算法，Perrollaz等[10]提出一種概率方法以表征融合兩個(gè)攝像頭 (立體視覺) 的不確定性；奔馳研究人員Otto等[11]則在之前的單傳感器多目標(biāo)跟蹤JPDA算法基礎(chǔ)上，開發(fā)了JIPDAF算法，用來跟蹤處于汽車前方及側(cè)方盲區(qū)內(nèi)的行人，并通過與3D激光掃描測(cè)量結(jié)果比較，驗(yàn)證了算法的有效性和準(zhǔn)確性.國內(nèi)學(xué)者孫寧等[12]在JPDA算法基礎(chǔ)上，引入馬氏距離進(jìn)行觀測(cè)值匹配，從而建立了系統(tǒng)觀測(cè)模型和狀態(tài)模型，并實(shí)現(xiàn)了目標(biāo)級(jí)融合.智能汽車多傳感器信息融合技術(shù)的應(yīng)用也取得了諸多的相關(guān)成果, 如國內(nèi)的G-BOS系統(tǒng)、歐洲的CVIS系統(tǒng)、美國的IVHS系統(tǒng)、日本的Smart Way系統(tǒng)等.

綜上，環(huán)境感知系統(tǒng)的應(yīng)用已經(jīng)從倒車、車道偏離預(yù)警等基礎(chǔ)功能發(fā)展到主動(dòng)避障、自動(dòng)變道等高級(jí)功能.開發(fā)性價(jià)比高的自動(dòng)變道環(huán)境感知系統(tǒng)是其中關(guān)鍵.本文提出了一套面向中低速電動(dòng)小車自動(dòng)變道環(huán)境感知系統(tǒng)方案，在避障變道工況的驗(yàn)證下，取得了很好的效果.

1 自動(dòng)變道環(huán)境感知系統(tǒng)

環(huán)境感知的目的是對(duì)自動(dòng)變道車輛周圍的潛在障礙車的相對(duì)位置及速度進(jìn)行識(shí)別，因此，分析潛在障礙車的位置和設(shè)計(jì)相應(yīng)的探測(cè)方案是重點(diǎn).

1.1 電動(dòng)小車平臺(tái)

為實(shí)現(xiàn)自動(dòng)變道功能，本文將電動(dòng)小車傳統(tǒng)轉(zhuǎn)向系統(tǒng)改造為線控轉(zhuǎn)向系統(tǒng)，方案如圖1所示.

在實(shí)車轉(zhuǎn)向系統(tǒng)改造中，使用一個(gè)錐齒輪箱實(shí)現(xiàn)了方向盤與轉(zhuǎn)向電機(jī)的共同輸入，并通過聯(lián)軸器與轉(zhuǎn)向器小齒輪固連，如圖2所示.

圖1 轉(zhuǎn)向系統(tǒng)結(jié)構(gòu)改造方案

圖2 改造后的實(shí)車轉(zhuǎn)向系統(tǒng)

1.2 自動(dòng)變道環(huán)境感知系統(tǒng)方案設(shè)計(jì)

一次變道會(huì)涉及到兩個(gè)車道，因此變道潛在障礙車輛會(huì)有多個(gè).包括同車道前方車輛、目標(biāo)車道前方車輛、目標(biāo)車道后方車輛、目標(biāo)車道并列位置車輛以及同車道后方車輛.

本文使用兩個(gè)毫米波雷達(dá)、一個(gè)前視攝像頭、兩個(gè)超聲波雷達(dá)實(shí)現(xiàn)前方和一側(cè)車輛的感知功能，如圖3所示.若要在另一側(cè)也實(shí)現(xiàn)同樣的功能，可對(duì)稱布置一套.由于試驗(yàn)小車車長(zhǎng)比一般乘用車短，在一側(cè)布置單個(gè)超聲波雷達(dá)也基本滿足需要.

圖3 傳感器覆蓋區(qū)域示意圖

前視攝像頭負(fù)責(zé)同車道正前方目標(biāo)的實(shí)時(shí)探測(cè)，毫米波雷達(dá)負(fù)責(zé)側(cè)前和側(cè)后區(qū)域的檢測(cè)，兼顧前后方.超聲波雷達(dá)探測(cè)距離較短，僅布置在側(cè)面，用于探測(cè)是否存在相鄰車道并排行駛的車輛.

在變道工況下，同車道后方車輛對(duì)于決策判斷影響較小，而側(cè)后方車輛會(huì)直接影響變道安全性，因此需要對(duì)其位置進(jìn)行測(cè)量.但由于側(cè)后方車輛駕駛員通常會(huì)對(duì)自車的變道行為進(jìn)行主動(dòng)調(diào)整，因此考慮到成本和精度需求，只使用后向毫米波雷達(dá)進(jìn)行大角度觀測(cè).一般的變道情況下，側(cè)前方車輛車速高于自車車速，因此對(duì)側(cè)前方車輛的感知精度要求不高，只用一個(gè)前向毫米波雷達(dá)觀測(cè).正前方的車輛不會(huì)隨自車的運(yùn)動(dòng)調(diào)整車速，并且一般變道都是由于前車車速不滿足自車目標(biāo)車速，因此正前方車輛是變道過程中最危險(xiǎn)車輛之一.文中采用加權(quán)融合算法，對(duì)前視攝像頭的檢測(cè)數(shù)據(jù)與前向毫米波雷達(dá)的檢測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)融合以利于觀測(cè)，最終形成滿足變道感知精度需求的低成本的環(huán)境感知系統(tǒng).

2 前向毫米波雷達(dá)與前視攝像頭融合算法

本系統(tǒng)中使用一個(gè)前視攝像頭模塊和一個(gè)毫米波雷達(dá)進(jìn)行數(shù)據(jù)融合試驗(yàn).融合的對(duì)象為同車道前方車輛和自車的車距.這個(gè)數(shù)據(jù)對(duì)于正常跟車行駛和觀察變道時(shí)都有著比較重要的意義，也處于前角的毫米波雷達(dá)與攝像頭的共同檢測(cè)覆蓋范圍內(nèi)，因此可以選為數(shù)據(jù)融合的特征量.

兩個(gè)傳感器都可通過直接解析輸出數(shù)據(jù)得到各自的距離測(cè)量結(jié)果.由于安裝位置不同，它們對(duì)同一個(gè)空間參數(shù)的理論觀測(cè)值就是不相等的，所以需要將其統(tǒng)一在同一個(gè)坐標(biāo)系中.對(duì)于兩種測(cè)量結(jié)果，試驗(yàn)中將使用加權(quán)融合算法，根據(jù)傳感器測(cè)量精度的特性分配不同的權(quán)重，以期獲得在各個(gè)測(cè)量距離上精度都較好的結(jié)果.

由于傳感器在探測(cè)過程中可能誤探測(cè)到非目標(biāo)障礙物，融合過程中可以通過算法來消除這些干擾點(diǎn)的影響.當(dāng)某個(gè)傳感器通過自身標(biāo)志位或目標(biāo)位置判斷目標(biāo)非正常時(shí)，將會(huì)把權(quán)重降為0，即在非正常點(diǎn)上不參與融合，以避免偶然誤差大幅度降低此點(diǎn)的融合后精度.通過這種方法，系統(tǒng)的穩(wěn)定性將會(huì)比單個(gè)傳感器要好，具體的數(shù)據(jù)融合思路見圖4.

2.1 坐標(biāo)系轉(zhuǎn)換和采樣頻率同步

在進(jìn)行融合之前需要對(duì)傳感器的數(shù)據(jù)做一些必要的處理，以保證不同傳感器之間關(guān)聯(lián)的正確性.可以從空間和時(shí)間兩個(gè)方面來進(jìn)行調(diào)整.

空間上的調(diào)整是指坐標(biāo)系上的轉(zhuǎn)換.由于安裝位置上的差異，傳感器的測(cè)量基準(zhǔn)有所不同，一般都是以自身的位置作為基準(zhǔn)的.毫米波雷達(dá)的基準(zhǔn)是電磁波收發(fā)口，攝像頭的基準(zhǔn)在鏡頭處.因此將所有時(shí)間上，需要兩種傳感器采用相同的頻率采樣，一般可以通過線程同步來協(xié)調(diào).本試驗(yàn)中將需數(shù)據(jù)融合的傳感器以同一個(gè)Simulink模型驅(qū)動(dòng)，合理設(shè)置好采樣參數(shù)后，即可確保從不同傳感器獲得同步的數(shù)據(jù).采樣周期方面，毫米波雷達(dá)為50 ms，攝像頭為20 ms，模型的采樣頻率不能超過兩傳感器的實(shí)際采樣頻率限制，否則會(huì)存在大量數(shù)據(jù)冗余.

圖4 數(shù)據(jù)融合邏輯流程圖

融合傳感器的基準(zhǔn)統(tǒng)一于某個(gè)點(diǎn)的位置.本系統(tǒng)試驗(yàn)中會(huì)用到一個(gè)激光測(cè)距儀作為比對(duì)，將以它的尾端作為基準(zhǔn).坐標(biāo)關(guān)系俯視示意圖見圖5.

圖5 系統(tǒng)坐標(biāo)關(guān)系示意圖(俯視)

2.2 加權(quán)融合算法

加權(quán)融合算法的基本思路是多個(gè)傳感器檢測(cè)同一個(gè)待測(cè)量時(shí)，根據(jù)每個(gè)傳感器的特性和可靠度，為它們各自的測(cè)量值添加相應(yīng)的權(quán)重，加權(quán)求和后的數(shù)據(jù)可以結(jié)合不同傳感器的優(yōu)勢(shì)，彌補(bǔ)在某些不利工況下穩(wěn)定性偏低的問題.

假設(shè)系統(tǒng)中有N個(gè)傳感器觀察一個(gè)未知量Y，不同傳感器的測(cè)量值用{Yj} (j= 0， 1， 2，…，N) 表示.假設(shè)不同測(cè)量序列之間是無偏且相互獨(dú)立的，則Y可由 LMS(最小均方差估計(jì))得到[13],即

(1)

(2)

方差估計(jì)可以表示為

(3)

式中：σj(j=0,1,…,N)為第j個(gè)傳感器測(cè)量序列的方差.

在式(2)的約束條件下，對(duì)式(3)中的噪聲方差求最小值，便可以求得最優(yōu)的權(quán)值，表示為

(4)

只要確定了σj(j=0,1,…,N)的值，便可以求得數(shù)據(jù)融合過程中的最優(yōu)權(quán)重系數(shù).也就是說，傳感器在融合中的權(quán)重取決于方差的關(guān)系，方差較小的測(cè)量更準(zhǔn)確一些，所以占有更大的比重.在進(jìn)行最后的加權(quán)計(jì)算前，需要得到參與融合的毫米波雷達(dá)和前視攝像頭的方差估計(jì)值.如果使用固定值的方差σ1，σ2，則權(quán)重W1,W2也始終是確定的，但是由于毫米波雷達(dá)和攝像頭在測(cè)量原理上的差異性，這與實(shí)際情況并不能完全相符.對(duì)于遠(yuǎn)處的目標(biāo)，毫米波測(cè)距原理的優(yōu)勢(shì)較為明顯，實(shí)際測(cè)量精度顯著高于攝像頭.而在近距離，由于毫米波在物體表面反射的位置并不是固定的，可能會(huì)因此影響其精度，所以攝像頭近距離的性能略勝一籌.因此，應(yīng)該以距離進(jìn)行分段，求取各傳感器在各個(gè)距離上的方差σ1，σ2,然后代入式(4)計(jì)算得到各個(gè)距離上的最優(yōu)權(quán)重W1，W2,進(jìn)而可獲得權(quán)重隨著距離的分布，融合后的數(shù)值將是方差最小的距離觀測(cè)值.

3 實(shí)車試驗(yàn)驗(yàn)證

3.1 試驗(yàn)地點(diǎn)

本次試驗(yàn)中，試驗(yàn)路段和車速的選擇較為重要.同濟(jì)大學(xué)嘉定校區(qū)內(nèi)大多路段行人較多，而且每隔一定距離安裝有減速帶，試驗(yàn)用電動(dòng)小車的減震系統(tǒng)較為簡(jiǎn)單，減速帶的沖擊會(huì)對(duì)試驗(yàn)效果帶來較大影響，因此綜合以上因素，考慮試驗(yàn)效果的準(zhǔn)確性和過程的安全性，選擇同濟(jì)大學(xué)嘉定校區(qū)東門附近路段為試驗(yàn)路段，見圖6.

3.2 環(huán)境感知功能驗(yàn)證

3.2.1融合預(yù)備試驗(yàn)

將搭載了傳感器的試驗(yàn)車和目標(biāo)車停在同一條車道上，每隔一段距離進(jìn)行一次數(shù)據(jù)采集.每次采集內(nèi)容包括3項(xiàng)：實(shí)際距離(由激光測(cè)距儀測(cè)得)、前方毫米波雷達(dá)測(cè)量數(shù)據(jù)、前視攝像頭測(cè)量數(shù)據(jù).實(shí)際測(cè)定范圍為3～30 m，對(duì)于大約30 m以上的靜態(tài)目標(biāo)，傳感器的檢測(cè)概率有明顯的降低.因此選擇此范圍中的數(shù)據(jù)作為融合權(quán)重參考的數(shù)據(jù).在20 m以內(nèi)每隔1.5 m左右進(jìn)行一次測(cè)算，20 m以上適當(dāng)減少測(cè)量的密度.由于攝像頭、毫米波雷達(dá)及激光測(cè)距儀安裝時(shí)有縱向位置差，以及攝像頭標(biāo)定時(shí)有0.5 m預(yù)留車頭長(zhǎng)度，所以需要對(duì)直接測(cè)量值進(jìn)行調(diào)整.調(diào)整后的測(cè)量值見表1.

圖6 試驗(yàn)道路

表1 兩種傳感器權(quán)重分布的數(shù)據(jù)記錄

對(duì)得到的一系列“距離-權(quán)重”數(shù)據(jù)點(diǎn)進(jìn)行曲線擬合，擬合函數(shù)為一維高斯函數(shù).

f(x)=ae-(x-b)2/2c2

(5)

式(5)中的參數(shù)擬合結(jié)果為：a=0.817 9，b=27.71,c=17.02.曲線如圖7所示，可以看到，曲線的總體趨勢(shì)是上升的，這表明在遠(yuǎn)距離上，毫米波雷達(dá)的測(cè)距效果要優(yōu)于攝像頭，而在近距離，則是攝像頭占有的比例更高一些，這與2.2中的分析結(jié)論基本相符.

圖7 毫米波雷達(dá)權(quán)重分布擬合曲線

3.2.2同車道前方接近車輛檢測(cè)和數(shù)據(jù)融合試驗(yàn)

完成了預(yù)備試驗(yàn)后，則開始數(shù)據(jù)融合試驗(yàn).采集對(duì)象為同車道前方有接近趨勢(shì)的車輛，涉及到的傳感器有前方毫米波雷達(dá)與前置攝像頭.

試驗(yàn)車從距離目標(biāo)車約50 m的位置向前行駛，目標(biāo)車在前方以低于試驗(yàn)車的較慢車速行駛，到指定位置啟動(dòng)數(shù)據(jù)采集模型，并開啟激光測(cè)距儀的連續(xù)測(cè)量功能，直至試驗(yàn)車接近目標(biāo)車的尾部，數(shù)據(jù)采集停止，試驗(yàn)過程結(jié)束.

毫米波雷達(dá)和攝像頭采集到的目標(biāo)距離分別是圖8中的實(shí)線和虛線.縱坐標(biāo)為距離，橫坐標(biāo)是時(shí)間(系統(tǒng)仿真時(shí)間，非實(shí)際時(shí)間).在后半段近距離測(cè)量中，兩條線的相符程度比較高，而在20 m以外的遠(yuǎn)距離測(cè)量中，兩種傳感器采集的數(shù)據(jù)出現(xiàn)了較大幅度的差異，且毫米波數(shù)次出現(xiàn)了曲線走勢(shì)突變的情況，這很明顯是短時(shí)間的目標(biāo)丟失.

圖8 融合試驗(yàn)中傳感器采集到的目標(biāo)距離

下面再將經(jīng)過融合后的目標(biāo)距離曲線畫在同一張坐標(biāo)圖上，即圖9中實(shí)心圓點(diǎn).另外，將激光測(cè)距儀測(cè)得的數(shù)據(jù)以正方形點(diǎn)標(biāo)在圖9上.

圖9 融合處理后的曲線與真實(shí)值的比較

從圖9可以看出，融合曲線與真實(shí)值點(diǎn)的符合程度要顯著高于單獨(dú)的毫米波雷達(dá)或者攝像頭的測(cè)量曲線.首先是在開始一段時(shí)間中毫米波雷達(dá)出現(xiàn)了目標(biāo)丟失現(xiàn)象，通過融合算法已經(jīng)基本消除了其影響.毫米波雷達(dá)的跟蹤對(duì)象從目標(biāo)車轉(zhuǎn)移到附近的其他物體上，分析對(duì)象的方位角和距離位置可以推測(cè)，有可能是路邊的樹木等靜止物體.由于方位角偏離了設(shè)定的自車道范圍(約25°到50°)，這段會(huì)大幅度影響融合結(jié)果的數(shù)據(jù)被過濾掉了，使融合結(jié)果的穩(wěn)定性有了一定的提升.

在大概22 m到34 m這段行程內(nèi)，攝像頭的測(cè)量值出現(xiàn)了較大的偏差，但是因?yàn)橹羞h(yuǎn)距離的融合中精度較好的毫米波雷達(dá)權(quán)重更高，所以融合曲線依然在真值點(diǎn)附近.

不過即使是融合后也有部分偏差較大的時(shí)間段，例如25 m處的一小段中，由于毫米波受到干擾而產(chǎn)生了短時(shí)間的目標(biāo)改變，同時(shí)攝像頭的測(cè)量值準(zhǔn)確度又偏低，這段就和真值產(chǎn)生了比較大的誤差.本文設(shè)計(jì)的算法雖然可以一定程度上增加系統(tǒng)的穩(wěn)定性和測(cè)量精度，但是不能從傳感器層面提高其測(cè)量能力或穩(wěn)定性，一旦出現(xiàn)了系統(tǒng)中傳感器不夠準(zhǔn)確的時(shí)候，其結(jié)果可能會(huì)受影響，這也屬于算法中仍然不夠完善的地方.

3.2.3相鄰車道行駛車輛檢測(cè)試驗(yàn)

對(duì)于相鄰車道的變道障礙車輛，可分為3種情況.第1種是前車車速低于自車，第2種是后車車速高于自車，第3種是鄰車道車輛與自車并行.

對(duì)于第1及第2種情況，分別用前向和后向毫米波雷達(dá)進(jìn)行探測(cè)，圖10和圖11分別為兩種情況下探測(cè)到的鄰車道車輛軌跡，由毫米波雷達(dá)輸出的目標(biāo)距離及角度換算得到.可見，該布置形式的毫米波雷達(dá)可以較好地實(shí)現(xiàn)車輛的探測(cè)，有少許位置點(diǎn)因探測(cè)到路邊障礙而偏離相鄰車道，不過大部分情況下都可以很好地捕捉到相鄰車輛.

圖10 毫米波雷達(dá)探測(cè)相鄰車道前車試驗(yàn)

圖11 毫米波雷達(dá)探測(cè)相鄰車道后車試驗(yàn)

前述所有情景已經(jīng)基本覆蓋了車輛附近的道路環(huán)境，不過因?yàn)閭鞲衅鞯陌惭b位置，側(cè)面會(huì)有一塊無法探知的盲區(qū)，雖然實(shí)際行車中此區(qū)域有其他車輛存在的時(shí)間很少，但是作為決策參考依然不能夠忽略.超聲波雷達(dá)的測(cè)量距離雖然偏短，但是可以作為系統(tǒng)的補(bǔ)充，布置在側(cè)面以監(jiān)測(cè)這塊區(qū)域是否存在目標(biāo)并返回距離值.在測(cè)量范圍內(nèi)不存在有效目標(biāo)時(shí)，其返回示數(shù)保持為5 196.

4 結(jié)語

本文針對(duì)智能汽車常見的自動(dòng)變道工況，在一臺(tái)中低速電動(dòng)小車上構(gòu)建了實(shí)現(xiàn)自動(dòng)變道功能的平臺(tái).根據(jù)變道的感知需求，設(shè)計(jì)了低成本，滿足精度需求的傳感器布置方案.運(yùn)用毫米波雷達(dá)、前視攝像頭等傳感器，獲取變道潛在障礙車輛的位置和相對(duì)車速.對(duì)于危險(xiǎn)程度較高的同車道前車的探測(cè)，運(yùn)用加權(quán)融合算法以提高精度.最后，通過實(shí)車試驗(yàn)，驗(yàn)證了本文所設(shè)計(jì)的融合算法對(duì)感知精度的提升和傳感器布置方案在實(shí)際變道場(chǎng)景中的適用性.