基于單傳感器的智能車輛前車識別方法研究

馬薇

摘要： 前車識別是智能車輛的重要功能，需要合理進行功能實現(xiàn)，提高前車識別的效率，保障車輛能夠安全行駛?；诖?，本文將從前車場景、車路模型、識別算法、前車跟蹤、智能體系等方面對智能車輛的前車識別方法進行分析，提高前車目標識別的效率，使車輛具有完善的識別算法，提高前車識別的精度。

Abstract： Front vehicle recognition is an important function of intelligent vehicles. It needs to be implemented reasonably to improve the efficiency of front vehicle recognition and ensure that the vehicle can drive safely. Based on this， this article will analyze the front vehicle recognition method of smart vehicles from the front vehicle scene， vehicle road model， recognition algorithm， front vehicle tracking， intelligent system， etc.， to improve the efficiency of the front vehicle target recognition， so that the vehicle has a complete recognition algorithm， Improve the accuracy of vehicle identification.

關鍵詞： 單傳感器;智能車輛;前車識別

Key words： single sensor;intelligent vehicle;front vehicle recognition

中圖分類號：U472.43? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）24-0230-03

0? 引言

隨著傳感技術的發(fā)展，該技術被應用到了前車識別中，促進了智能車輛的實現(xiàn)。在前車識別的作用下，可以提高車輛對環(huán)境的感知能力，道路車輛狀況進行判斷，根據前車識別獲得的數據對車輛形式過程進行決策，使車輛形式過程中與前車保持足夠的車距，降低交通事故發(fā)生的幾率。

1? 單傳感器的智能車輛前車識別方法概述

對于智能化車輛，需要具有較強的前車識別能力，避免與前車發(fā)生碰撞，提高車輛行駛的安全性。在識別技術方面，可以采用單傳感器進行識別，對目標圖像進行拍攝，再對前車圖像進行處理，進而獲取前車的信息。通過單傳感器，可以對前車進行實時檢測，保證圖像傳遞的效率，有助于前車識別的精度控制。在前車識別過程中，需要注重控制算法的應用，建立前車的目標模型，提高對前車的感知能力，提高識別方法的有效性。前車識別需要具備完備的感知模塊，能夠對不同的車輛場景進行分析，降低外界環(huán)境對識別過程的影響，保障車輛識別的效果。圖像處理是實現(xiàn)車輛識別的關鍵，需要注重核心算法的應用，做好圖像的去噪工作，使圖像更加的清晰，同時需要做好遮擋目標的處理，對前車行為進行準確地預測，提高前車識別的可靠性[1]。

2? 單傳感器的智能車輛前車識別方法分析

2.1 前車場景分析

2.1.1 強制換道

車輛行駛過程中，前方車輛將會從旁道匯入，對后方車輛造成一定的影響，導致后車容易發(fā)生碰撞的事故。同時，車輛行駛過程中，還需要進行緊急避障，對車輛的判斷具有較高要求，應嚴格地做好減速控制工作，才能成功地躲避障礙。強制換道對車輛的影響較大，需要對該場景進行分析，對車輛的行為進行判斷，使前車場景能夠融入其中，保障前車識別的有效性。通過對前車進行識別，有助于強制換道過程的進行，確保強制換道的安全性，使車輛能夠更好地對強制管道場景進行應對，使車輛能夠順利地完成換道操作。

2.1.2 自由換道

自由換道出于駕駛者的意愿進行決定，如提速、降速等，使車輛能夠完成換道行為，進而完成車輛的駕駛任務。自由換道需要駕駛者具有良好的判斷力，對前車間距判斷具有較高的要求，這樣才能降低換道的風險。通過前車識別，可以輔助駕駛者對換道需求進行判斷，使駕車者能夠對車距、車速進行控制，降低車輛換道過程發(fā)生碰撞的風險，使車輛具有良好的駕駛狀態(tài)。車輛是否換道可由決策系統(tǒng)進行判斷，通過前車識別對換道方案進行調整，使車輛滿足安全的換道條件，保障車輛能夠正常行駛。

2.1.3 周車隨機性

前車運行狀態(tài)具有隨機性，需要駕駛者具有較高的判斷能力，在保持一定車距的情況下，時刻對前車未來的行駛軌跡進行判斷，提高車輛控制的穩(wěn)定性。速度變化、換道意圖等，均屬于車輛的隨機性行為，一旦對前車的行駛狀態(tài)判斷錯誤，將會導致交通事故的風險增加，因而需要對周邊車輛的行為進行判斷，對車輛進行合理地控制。通過前車識別，可以對車輛行駛狀態(tài)進行預測，提供駕駛者如何對車輛進行控制，確保駕駛者具有足夠的反應時間，對周車隨機性采取有效的應對措施，保障智能車輛具有良好的感知能力[2]。

2.2 車路模型構建

2.2.1 車輛模型

為了對前車進行有效識別，需要做好車輛模型的研究工作，對前方車輛進行建模，同時做好模型的簡化工作，使車輛識別更加地具有針對性。在模型簡化過程中，應忽略空氣阻力、輪胎變形、機械磨損等方面的影響，這樣便可以對車輛模型進行簡化，使其可以看作是一個兩輪摩托車模型，便于對車輛運動狀況進行分析。將車輛的行進方向作為x軸的正方向，水平向右為y軸的正方向，由原點垂直向上為z軸正方向，這樣便建立了車輛的空間模型。其中，車輛轉向過程可以看成是車輛圍繞z軸旋轉，便于對前車換道過程進行分析。坐標是描述前車狀態(tài)變化的關鍵，需要合理地進行構建，保障前車能夠得到有效識別，保障車輛模型構建的完整性。

2.2.2 感知信息

智能車輛由單傳感設備進行感知，對前車的行駛狀態(tài)進行獲取，為車輛行駛提供依據。單傳感識別過程中，需要對雷達設備進行應用，便于對前車距離、方位角、速度等信息進行判斷，對其形成清晰的感知，進而使車輛能夠作出正確的決策。感知信息是前車識別的重要功能，決定著車輛的智能化水平，需要合理地感知體系進行構建，使傳感設備能夠充分地發(fā)揮作用。在傳感設備方面，需啊喲注重車道標記傳感器的應用，為智能車輛建立完善的虛擬檢測線，這樣有助于檢測標志的識別，使智能車輛與前方車輛能夠建立聯(lián)系，提高對車輛的識別效果。通過車道標記傳感器，有助于相對距離的判斷，進而加強車輛行駛的決策能力。

2.2.3 坐標變換

在車輛運動描述過程中，需要做好坐標變換工作，便有通過坐標對車輛的換道場景進行描述，處理好本車、周車、道路之間的關系。車輛變換采用Frenet坐標系，可以對道路上整體車輛進行描述，并且便于對彎道情況進行處理，能夠提高坐標的轉化效率，使坐標的求解過程更加的方便。車輛行駛過程中，具有參考軌跡和行駛軌跡，有助于對車輛行駛過程進行預測，使前車狀況得到精準地判斷，提高前車的識別效率。Frenet坐標系不僅可以反映出車輛與車道之間的關系，還可以對相對距離、速度、加速度等進行分析，保障與真實的換道場景相符，提高智能車輛對前車的判斷能力[3]。

2.3 前車識別算法

前車識別需要采用目標檢測算法，提高對目標狀態(tài)的識別效率，保障算法的精準程度。在識別算法方面，需要注重機器學習與深度學習算法的應用，使車輛具有良好的檢測環(huán)境基礎，使算法能夠得到正確地應用。前車識別過程中，需要注重YOLO算法的應用，對前車的原始圖像進行處理，將原始圖像劃分成500×500等大的單元格，對車輛的所在區(qū)域進行預測，進而對前車進行識別。同時，需要注重神經網絡算法的應用，采取多維向量的形式，對前車目標進行全面預測。在預測過程中，需要對目標的置信度進行檢驗，提高目標預測的真實性，對圖像特征進行精準地識別，保障網絡中相鄰物體的檢測效果。在網格結構方面，需要注重特征圖的分析，建立13×13×1024尺寸的特征圖，使前車目標能夠實現(xiàn)分層預測，進而提高前車識別算法的可靠性。

2.4 前車跟蹤處理

2.4.1 循環(huán)偏移采集

為了對前車行駛狀況進行實時跟蹤，需要注重循環(huán)偏移采集的應用，對前方車輛圖像進行實時采集，對車輛行駛狀態(tài)的樣本進行構建，使前車識別過程具有充分的依據。在前車目標采集時，需要采用循環(huán)采集的形式，如目標區(qū)域為x=[x1，x2，...，xn]T，需要經歷n次循環(huán)得到n個偏移向量。通過這種方式，便可以對目標區(qū)域進行處理，使目標區(qū)域x能夠形成樣本集，便于對樣本進行統(tǒng)一處理，并且對樣本信息進行簡化。同時，需要做好目標樣本的訓練工作，使其能夠學習車輛的目標，提高算法的執(zhí)行速度。

2.4.2 分類器訓練

分類器是對樣品進行訓練的關鍵，需要做好分類器的處理工作，賦予目標樣本相應的權重，對樣本數據形成精準地判斷。分類器需要依據訓練樣本和回歸值進行處理，訓練樣本表示為{xi|i=1，2，...，n}，回歸值表示為{yi|i=1，2，...，n}，這樣便完成了回歸器的構建。分類器是對前車跟蹤處理的關鍵，為了對目標進行簡化，一般采用循環(huán)矩陣進行求解，提高分類器構建的合理性。

2.4.3 目標位置檢測

前車跟蹤過程中，需要做好目標位置的檢測工作，通過圖像前后幀畫面的變化，對前車目標位置變化進行判斷，同時可以對變化趨勢進行評估，對目標的位置進行全面地判斷。目標位置檢測的重點在于前后幀的識別，需要根據循環(huán)偏移采集得到的樣本信息進行判斷，對檢測樣本{zi|i=1，2，...，n}，zi=Piz進行構建，對目標位置進行準確地分析，對目標進行精準地識別。

2.4.4 目標遮擋處理

前車識別過程中，存在著目標遮擋的現(xiàn)象，將會對目標識別過程造成一定的影響，因而需要做好遮擋處理工作，保障車輛能夠穩(wěn)定地對前車進行跟蹤?？梢詫δ繕诵纬烧趽踝饔玫恼系K物包括樹木、行人等，將會影響到前車跟蹤的穩(wěn)定性，需要降低障礙物的干擾作用。對目標遮擋處理時，一方面，需要判斷目標是否存在遮擋情況，為此，需要對目標圖像前后幀進行對比，以無遮擋的圖像作為標準圖像，這樣便可以對遮擋情況進行判斷。另一方面，目標遮擋會影響前車的跟蹤效果，需要根據標準圖像對遮擋部分進行補充，降低遮擋部分對前車識別的影響，構建完善的前車識別條件，提高目標遮擋處理的有效性[4]。

2.5 智能體系構建

2.5.1 觀測量輸入

觀測量是前車識別的重要數據，是實現(xiàn)車輛狀態(tài)判斷的關鍵，需要嚴格地對路面狀況進行分析，使前車識別過程更加的智能化。觀測量主要包含以下三個方面：第一，本車狀態(tài)。本車具有較多的狀態(tài)信息，需要做好車輛信息采集工作，如速度、偏航角等。第二，旁車狀態(tài)。情況與本車狀態(tài)類似，需要對旁車信息進行采集，使兩車的信息能夠形成對比，提高智能車輛的識別控制效果。第三，路面信息。借助Frenet坐標系的作用下，對車輛的形式狀態(tài)進行描述，使本車與旁車能夠位于相同的坐標體系中，有助于車輛運行軌跡的精準預測，保障車輛能夠順利地完成換道，為車輛換道過程做出充分地指導。

2.5.2 動作量輸入

動作量輸入將會影響到本車的行駛狀態(tài)，需要對動作量輸入進行控制，對駕駛決策過程進行優(yōu)化，提高車輛駕駛的質量。動作數據需要根據前車的狀態(tài)進行判斷，應以前車的識別結果作為依據，使車輛能夠對駕駛狀態(tài)進行決策，使動作輸入量得到有效地控制。動作數據量包括方向盤轉角、加速度等，需要根據牽扯到的狀態(tài)進行調整，使車輛的行駛狀態(tài)更加的可靠。

2.5.3 獎勵函數

獎勵函數是對駕駛指令進行判斷的關鍵，需要做好獎勵函數的構建工作，對駕駛決策進行全面地評估，對決策的質量進行控制。駕駛決策由車輛行駛的安全性、舒適度、效率等組成，需要將其考慮到獎勵函數中，使價值決策能夠更好地投入使用。另外，不同駕駛者在駕駛決策上存在著一定的差異性，還應將駕駛者的駕駛習慣考慮在內，使決策算法更加的可靠，確保駕駛者能夠做出正確的決策。

2.5.4 神經網絡

在智能體系構建中，需要注重神經網絡算法的應用，通過神經網路對圖像數據進行訓練，提高對圖像的識別能力。在智能識別過程中，需要注重神經網絡之間的配合，使各個神經元之間能夠穩(wěn)定地工作，對前車行為進行準確地識別，進而使車輛能夠作出智能化的決策。在智能體系中，需要注重演繹網絡與評價網絡的實現(xiàn)，對于演繹網絡，可以對車輛的運行狀態(tài)進行分析，提高車輛的智能決策能力，使駕駛者能夠順利地完成駕駛。對于評價網絡，可以對決策狀態(tài)進行評價，提高駕駛決策的合理性，保障駕駛操作的規(guī)范性。

2.6 換道場景仿真

2.6.1 無障礙彎道

場景仿真在Frenet坐標系環(huán)境下進行，需要根據實際情況展開模擬，保障仿真結果的有效性。車輛行駛過程中，有著大量的彎道，需要做好彎道場景仿真工作，在彎道中對前車識別效果進行檢驗，對無障礙彎道場景進行驗證。為此，需要設計一段彎道，令彎道弧長100m，曲率半徑為200m，使車輛由直線逐漸匯入彎道，并且使前后車保持一定的距離，創(chuàng)建無障礙彎道的匯入條件。車輛形式過程中，沿著中心線進行過彎，對車輛的形式軌跡、方向盤轉角、形式速度進行觀察，對車輛的行駛狀態(tài)進行判斷。在仿真過程中，需要注重監(jiān)測點的截取，數量上不少與500個，對車輛行駛情況進行全面采集。仿真結果表明，在前車識別系統(tǒng)的作用下，車輛可以順利地通過彎道，并且與前車保持足夠的距離，同時對彎道速度形成有效控制，使車輛能夠沿著中心線行駛，對車輛實施穩(wěn)定的控制[5]。

2.6.2 靜止障礙物

車輛行駛過程，會遇到障礙物掉落的情況，一方面，會影響對前車的識別，影響對車距的判斷。另一方面，會對車輛的行駛造成影響，需要做好障礙物的躲避工作。靜止障礙物在直道上進行模擬，前后車距為60m，障礙物落地穩(wěn)定后，障礙物距離后車50m，此時，后車應對障礙物采取躲避決策，同時，又要考慮前車的車距。當遇到障礙物時，車輛需要緩慢采取減速措施，并且對方向進行調節(jié)，保障車輛能從障礙物旁側順利地通過。在前車識別的作用下，可以檢測到障礙物的距離，檢測時間在0.5-1.0s之間，對障礙物具有較強的識別能力，并且使車輛能夠迅速地作出決策，在距離障礙物20m之間完成了躲避過程，表明前車識別系統(tǒng)具有較強的識別能力，保障車輛在存在障礙物情況下安全行駛，并且采取規(guī)范的操作手段。

2.6.3 前車緊急減速

前車的速度變化由駕駛者決定，后車需要時刻注意車輛速度的變化，隨著前車的速度變化進行調整，保障車輛之間能夠保持一定的距離。為此，需要對車輛跟隨的減速場景進行模擬，對智能車輛的前車識別能力進行檢驗。減速場景在直線車道上進行仿真，兩車速度為50km/h，保持50m的間距行駛，在勻速形式過程中，兩車的相對位置未發(fā)生變化，說明車輛可以尾隨前者進行形式，可以穩(wěn)定地對速度進行控制。當前車緊急減速后，前車識別系統(tǒng)可以在0.5-1.0s內對前車車速進行判斷，確保后車能夠及時采取減速操作，與前車能夠保持足夠的安全距離，避免發(fā)生追尾事故。實際上，前車減速后，兩者可以始終保持50m±5m范圍內，表面前車識別方法具有較強的實時性，可以對前車速度進行跟蹤識別，保障車輛能夠采取緊急制動措施，根據前車速度的變化進行調整，使車輛具有良好的制動條件。

2.6.4 前車緊急切入

車輛在行駛過程中，會遇到前方車輛換道的情況，前車會緊急切入前方，影響后方車輛的順利行駛，增加追尾事故的風險。為此，需要對車輛緊急匯入的場景進行仿真，模擬前車匯入的條件，對前車識別方法的可靠性進行驗證。前車緊急切入在直道上進行，車輛形式速度為20m/s，前車在另一車道形式，速度為15m/s，兩者相距20m時前車緊急切入。前車識別系統(tǒng)可以在0.5-1.0s內識別到前方的車輛，在反應時間內，兩者的距離將縮短2.5-5m，兩者仍然可以保持15m以上的距離，此時，后車采取制動措施，對速度進行調節(jié)，保障前方車輛能夠順利地完成切入，表明前車識別可以對換道過程進行判斷，保障車輛自身的安全性。

3? 結論

綜上所述，前車識別對于智能車輛較為重要，應做好前車識別技術的研究工作，將其應用到智能車輛中，確保車輛能夠對前車進行有效識別，提高前車識別的效率。通過前車識別，可以對道路場景進行分析，在單傳感器的作用下，對前車的圖像數據進行采集，為車輛的行駛控制提供有效依據。

參考文獻：

[1]張博森，陳學文.基于單傳感器的智能車輛前車識別方法研究[J].汽車實用技術，2021，46（16）：33-36.

[2]何鋼磊.換道場景下智能車輛意圖和軌跡預測方法研究

[D].吉林大學，2021.

[3]黃灝然.多目標約束下的高速公路智能車輛換道行為建模[D].武漢理工大學，2020.

[4]梁德寶.基于周車隨機性的智能車輛換道行為決策[D].吉林大學，2021.

[5]王碩.復雜環(huán)境下前方車輛行為識別方法研究[D].上海工程技術大學，2020.