無(wú)人駕駛汽車(chē)環(huán)境感知技術(shù)研究*

□ 黃志強(qiáng) □ 李 軍

重慶交通大學(xué) 機(jī)電與車(chē)輛工程學(xué)院 重慶 400074

1 研究背景

隨著智能控制技術(shù)的快速發(fā)展,無(wú)人駕駛技術(shù)日趨成熟,無(wú)人駕駛汽車(chē)成為汽車(chē)行業(yè)重要的發(fā)展方向。無(wú)人駕駛汽車(chē)又稱(chēng)輪式移動(dòng)機(jī)器人。環(huán)境感知模塊是無(wú)人駕駛汽車(chē)中的重要組成部分,通常由攝像機(jī)、激光雷達(dá)、毫米波雷達(dá)、超聲波雷達(dá)等組成。不同雷達(dá)設(shè)備具有不同的探測(cè)特點(diǎn),根據(jù)不同的行駛環(huán)境,將一類(lèi)或多類(lèi)雷達(dá)設(shè)備組合使用,可以大大提高無(wú)人駕駛汽車(chē)的安全性。由此,筆者對(duì)無(wú)人駕駛汽車(chē)環(huán)境感知技術(shù)進(jìn)行研究。

2 激光雷達(dá)感知技術(shù)

激光雷達(dá)主要由激光發(fā)射器、激光接收機(jī)、信息處理系統(tǒng)、控制系統(tǒng)、顯示終端組成。激光雷達(dá)種類(lèi)較多,按不同的工作原理可以分為固態(tài)激光雷達(dá)和機(jī)械式激光雷達(dá),按不同的掃描空間可以分為二維激光雷達(dá)和三維激光雷達(dá)[1]。激光雷達(dá)工作原理如圖1所示。激光調(diào)制發(fā)射電路發(fā)射出一束激光脈沖,照射至目標(biāo)后反射,被激光接收電路接收,之后將信號(hào)傳送至信號(hào)處理電路,并反饋至主控電路,從而測(cè)量出物體與雷達(dá)間的距離。目前,市面上的主流激光雷達(dá)產(chǎn)品使用飛行時(shí)間和三角測(cè)距技術(shù)。在無(wú)人駕駛汽車(chē)中,激光雷達(dá)主要用于汽車(chē)前方障礙物的探測(cè),在獲取環(huán)境的點(diǎn)云數(shù)據(jù)后,對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行柵格化。激光雷達(dá)感知技術(shù)受環(huán)境干擾較小,具有測(cè)量精度高、分辨率高等優(yōu)點(diǎn)。

圖1 激光雷達(dá)工作原理

段建民等[2]提出利用多層激光雷達(dá)對(duì)動(dòng)態(tài)障礙物進(jìn)行探測(cè)。分別建立汽車(chē)坐標(biāo)系和傳感器坐標(biāo)系,路沿信息對(duì)應(yīng)的信號(hào)在傳感器坐標(biāo)系中連續(xù)不斷,并且處于同一掃描層內(nèi),其規(guī)律可以用一次線(xiàn)性函數(shù)表示。將不同掃描層的路沿信息融合后,得到最終檢測(cè)數(shù)據(jù)。使用聚類(lèi)算法對(duì)不同路段的路沿信息進(jìn)行分類(lèi),利用最小二乘法進(jìn)行直線(xiàn)擬合,得到數(shù)據(jù)的最佳匹配函數(shù),擬合出所需要的路沿信息。激光雷達(dá)的掃描信息通過(guò)傳感器模型后,建立動(dòng)態(tài)柵格地圖,設(shè)置沖突因數(shù)檢測(cè)動(dòng)態(tài)障礙物的信息,進(jìn)行膨脹侵蝕和聚類(lèi)處理,得到障礙物的基本特征,最終判斷得到障礙物與路沿的位置關(guān)系。

Wang Heng等[3]提出利用三維激光雷達(dá)對(duì)行人進(jìn)行識(shí)別。分別使用64線(xiàn)和16線(xiàn)激光雷達(dá)采集原始點(diǎn)云數(shù)據(jù),將所有點(diǎn)云的直角坐標(biāo)轉(zhuǎn)換為相對(duì)應(yīng)的全局坐標(biāo),使三維點(diǎn)云數(shù)據(jù)投影到二維平面,并進(jìn)行柵格化。在進(jìn)行聚類(lèi)之前,設(shè)置相應(yīng)的閾值去除點(diǎn)云中的噪聲和相關(guān)區(qū)域,使用開(kāi)源哈希庫(kù)存儲(chǔ)搜索的每個(gè)元素。將所有連接的單元聚類(lèi)為一塊連通區(qū)域,判斷單元中的高度、寬度、長(zhǎng)度是否滿(mǎn)足條件,提取出相應(yīng)的行人候選區(qū)域,計(jì)算并評(píng)估特征向量,以識(shí)別是否為行人。

Ghallabi等[4]提出利用激光雷達(dá)實(shí)現(xiàn)車(chē)輛在高清地圖中的定位。由激光雷達(dá)進(jìn)行全物理環(huán)形掃描,分割為單獨(dú)層數(shù)據(jù)。通過(guò)殘差擬合分析當(dāng)前層是否為圓弧,對(duì)圓弧層進(jìn)行幾何分析,從而分割出相應(yīng)的道路點(diǎn)。將水平面劃分為四個(gè)象限,對(duì)每個(gè)象限進(jìn)行高斯濾波,得到相應(yīng)的邊緣切片數(shù)據(jù)。當(dāng)邊緣切片數(shù)據(jù)低于一定閾值時(shí),劃分為非道路切片。通過(guò)建立以汽車(chē)自身為中心的二維網(wǎng)格單元,將網(wǎng)格反射率數(shù)據(jù)轉(zhuǎn)換為二維強(qiáng)度圖像,應(yīng)用霍夫變換進(jìn)行在線(xiàn)檢測(cè)。檢測(cè)到的車(chē)道標(biāo)記用作地圖匹配算法的輸入特征,在粒子濾波框架下實(shí)現(xiàn)地圖匹配。

Xie Desheng等[5]提出利用三維激光雷達(dá)對(duì)障礙物進(jìn)行檢測(cè)和測(cè)距。將由激光雷達(dá)獲取的外界點(diǎn)云數(shù)據(jù)柵格化,以某個(gè)柵格為中心,利用聚類(lèi)算法分析周?chē)陌藗€(gè)柵格點(diǎn)。為了避免過(guò)多丟失障礙物信息,對(duì)兩個(gè)障礙物之間的點(diǎn)云數(shù)據(jù)再次進(jìn)行檢測(cè)。當(dāng)其中某個(gè)點(diǎn)云數(shù)據(jù)的特征與障礙物特征相似時(shí),判定該點(diǎn)云數(shù)據(jù)為障礙物。融合多幀聚類(lèi)結(jié)果檢測(cè)靜態(tài)障礙物,將實(shí)時(shí)運(yùn)動(dòng)的全球定位系統(tǒng)位置信號(hào)轉(zhuǎn)換至大地坐標(biāo)系,采用改進(jìn)后的動(dòng)態(tài)障礙物跟蹤點(diǎn)模型和卡爾曼濾波技術(shù)對(duì)動(dòng)態(tài)障礙物進(jìn)行跟蹤。檢測(cè)障礙物時(shí)可根據(jù)不同的行駛條件,將反向行駛區(qū)域納入檢測(cè)范圍,防止行人突然出現(xiàn),為汽車(chē)的轉(zhuǎn)向提供準(zhǔn)確的引導(dǎo)。

張銀等[6]提出在三維激光雷達(dá)的基礎(chǔ)上利用三維點(diǎn)云技術(shù)對(duì)障礙物進(jìn)行檢測(cè)。通過(guò)三維激光雷達(dá)全方位掃描獲取無(wú)人駕駛汽車(chē)周?chē)矬w的原始點(diǎn)云數(shù)據(jù),對(duì)原始點(diǎn)云數(shù)據(jù)進(jìn)行初次處理,排除干擾信息。根據(jù)所獲取的點(diǎn)云數(shù)據(jù)將汽車(chē)與障礙物分離,利用深度學(xué)習(xí)方法從大數(shù)據(jù)中自動(dòng)學(xué)習(xí)障礙物的特征。最后進(jìn)行聚類(lèi)分析,判斷識(shí)別出障礙物的類(lèi)別。三維點(diǎn)云數(shù)據(jù)在通常條件下具有無(wú)序、稀疏、信息量較少的特點(diǎn),與深度學(xué)習(xí)算法結(jié)合后,能夠有效提高檢測(cè)的實(shí)時(shí)性和準(zhǔn)確度。

Fan Yucheng等[7]提出使用神經(jīng)網(wǎng)絡(luò)檢測(cè)激光雷達(dá)的點(diǎn)云數(shù)據(jù),可以獲得一條行駛道路。使用CITYSCAPES、KITTI兩個(gè)數(shù)據(jù)集分別獲得車(chē)標(biāo)圖像和路標(biāo)圖像,將金字塔場(chǎng)景解析神經(jīng)網(wǎng)絡(luò)與擴(kuò)張卷積網(wǎng)絡(luò)相結(jié)合,分割圖像中的汽車(chē)信息和激光雷達(dá)數(shù)據(jù)中的道路信息。利用KITTI數(shù)據(jù)集的映射參數(shù)將車(chē)標(biāo)圖像映射至激光雷達(dá)點(diǎn)云數(shù)據(jù),將得到的點(diǎn)云數(shù)據(jù)與道路標(biāo)記點(diǎn)云相結(jié)合,從而完成環(huán)境檢測(cè)。使用多種數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò),增加神經(jīng)網(wǎng)絡(luò)的卷積層數(shù),進(jìn)一步提高檢測(cè)的速度和準(zhǔn)確度。

Zhang Zhenyao等[8]提出在復(fù)雜的道路環(huán)境中利用激光雷達(dá)檢測(cè)、跟蹤汽車(chē)。利用高分辨率微交通數(shù)據(jù)技術(shù)在十字路口獲得道路交通的三維點(diǎn)云數(shù)據(jù),通過(guò)濾波技術(shù)去除三維點(diǎn)云數(shù)據(jù)中的地面背景和噪聲。將基于密度的帶噪聲空間聚類(lèi)法應(yīng)用于汽車(chē)和行人的聚類(lèi)、檢測(cè),用盒模型來(lái)表示汽車(chē)?；谕黄?chē)在相鄰幀之間的距離特性,通過(guò)卡爾曼濾波和粒子濾波等算法跟蹤汽車(chē)。

Qu Sanqing等[9]提出利用二維激光雷達(dá)獲取汽車(chē)信息。利用多個(gè)二維激光雷達(dá)獲取周?chē)矬w的掃描數(shù)據(jù),使用基于密度帶的噪聲空間聚類(lèi)法將數(shù)據(jù)點(diǎn)分割為不同的族,這些族通常對(duì)應(yīng)自行車(chē)、行人、建筑物或汽車(chē)。利用L形頂點(diǎn)搜索、L形角定位兩種方法獲取汽車(chē)的位置和方向信息?？梢越Y(jié)合深度學(xué)習(xí)檢測(cè)已有族中是否存在分類(lèi)誤差,從而進(jìn)一步提高識(shí)別率。

3 攝像機(jī)感知技術(shù)

攝像機(jī)在標(biāo)定物體時(shí)常常采用針孔攝像機(jī)成像模型,通過(guò)內(nèi)部幾何模型獲得外界物體的三維坐標(biāo)參數(shù),將光信號(hào)轉(zhuǎn)換為電信號(hào),傳輸至系統(tǒng)專(zhuān)用的半導(dǎo)體攝像器件,主要包括互補(bǔ)金屬氧化物半導(dǎo)體、電荷耦合器件、電荷引動(dòng)器件[10]。攝像機(jī)工作原理如圖2所示,外界光照射光敏單元陣列,產(chǎn)生光電效應(yīng),生成一定的電荷。行選擇單元選通相應(yīng)的行像素單元,行像素單元內(nèi)的圖像信號(hào)通過(guò)各自所在列的信號(hào)總線(xiàn)傳輸至對(duì)應(yīng)的模擬信號(hào)處理單元及數(shù)模轉(zhuǎn)換電路,轉(zhuǎn)換為數(shù)字圖像信號(hào)并輸出。攝像機(jī)中的攝像頭構(gòu)造特殊,常常存在分辨率無(wú)法達(dá)到特定要求、變焦鏡頭穩(wěn)定性差、對(duì)遠(yuǎn)處物體無(wú)法做出準(zhǔn)確回應(yīng)等缺點(diǎn)。當(dāng)然,盡管存在以上缺點(diǎn),但是由于攝像頭價(jià)格低廉,能夠采集彩色信號(hào),對(duì)近距離物體的識(shí)別率高,攝像機(jī)感知技術(shù)被廣泛應(yīng)用于無(wú)人駕駛汽車(chē)。

圖2 攝像機(jī)工作原理

Hasan等[11]提出利用雙目攝像機(jī)實(shí)現(xiàn)交通標(biāo)志的實(shí)時(shí)識(shí)別和通信。分別選用豎直型和水平型攝像機(jī)對(duì)捕獲的圖像信息進(jìn)行顏色分割,獲取感興趣區(qū)域。使用一個(gè)已完成訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)對(duì)這一感興趣區(qū)域進(jìn)行識(shí)別。若識(shí)別出為交通標(biāo)志或汽車(chē)發(fā)光二極管燈陣列,則由一個(gè)攝像機(jī)進(jìn)行標(biāo)定,由另一個(gè)攝像機(jī)繼續(xù)檢測(cè),圖像被捕獲并不斷采樣更新,以檢索實(shí)時(shí)信號(hào)。如果同時(shí)檢測(cè)出交通標(biāo)志和汽車(chē)發(fā)光二極管燈陣列,那么使用攝影測(cè)量?jī)x測(cè)量攝像機(jī)與汽車(chē)發(fā)光二極管燈陣列之間的距離?？梢岳煤撩撞ɡ走_(dá)檢測(cè)感興趣區(qū)域的角度,結(jié)合當(dāng)前的距離參數(shù),降低汽車(chē)發(fā)光二極管燈陣列與交通標(biāo)志之間的相互干擾。

Alkhorshid等[12]提出一種基于攝像機(jī)的車(chē)道線(xiàn)標(biāo)記檢測(cè)方法。引入一個(gè)在不同光照條件下獲取的基準(zhǔn)數(shù)據(jù)集,將機(jī)器學(xué)習(xí)模型與基于霍夫變換、反透視映射法的初始車(chē)道標(biāo)記檢測(cè)相結(jié)合,將邊緣圖像中的梯度幅值與卡爾曼濾波器相結(jié)合,使用無(wú)跡卡爾曼濾波器跟蹤下一幀信息。將汽車(chē)相對(duì)于左右車(chē)道標(biāo)記的偏移建模為關(guān)于時(shí)間的函數(shù),使用無(wú)跡卡爾曼濾波器根據(jù)前一幀的觀(guān)察來(lái)預(yù)測(cè)偏移參數(shù)的未來(lái)值。利用反透視映射法和霍夫變換檢測(cè)基線(xiàn)模型,以彌補(bǔ)無(wú)跡卡爾曼濾波器建模的不足。

Said等[13]提出基于圖像處理技術(shù)檢測(cè)交通燈信號(hào)。通過(guò)高分辨率攝像機(jī)實(shí)時(shí)獲取交通燈信號(hào),利用場(chǎng)景的顏色屬性檢測(cè)交通燈信號(hào)。通過(guò)使用一個(gè)獨(dú)立于照明條件的查找表,來(lái)顯著減小交通燈信號(hào)顏色檢測(cè)的計(jì)算量。使用顏色空間轉(zhuǎn)換、顏色分割、形態(tài)學(xué)操作得到交通燈信號(hào)的候選區(qū)域,利用重要特征的無(wú)監(jiān)督分類(lèi)器進(jìn)一步分析每一個(gè)候選區(qū)域,并增加伽馬校正函數(shù)用于夜間檢測(cè),最終在所有候選區(qū)域中分離出實(shí)際交通燈信號(hào)信息。原始交通燈信號(hào)圖像如圖3所示,經(jīng)過(guò)顏色空間歸一化處理后的交通燈信號(hào)圖像如圖4所示,當(dāng)某類(lèi)顏色與紅色和綠色重疊時(shí),紅色和綠色會(huì)被優(yōu)先顯示,如圖5所示。

方博文等[14]提出在低速行駛環(huán)境下利用雙目立體攝像機(jī)探測(cè)汽車(chē)與障礙物之間的距離。利用改進(jìn)后的張正友標(biāo)定法,通過(guò)小孔成像原理,將世界坐標(biāo)系和攝像機(jī)坐標(biāo)系設(shè)為相對(duì)靜止,通過(guò)坐標(biāo)變換矩陣表達(dá)出兩個(gè)攝像機(jī)之間的相對(duì)位置。對(duì)所獲得的圖像進(jìn)行中值濾波,減小圖像中的噪聲干擾。利用最大類(lèi)間方差法將原彩色圖像轉(zhuǎn)換為黑白二值圖像,使用最小二乘法得出汽車(chē)與障礙物之間的距離。由于攝像機(jī)在高速環(huán)境下不能快速識(shí)別遠(yuǎn)距離障礙物,因此可以利用激光雷達(dá)傳感器先標(biāo)記遠(yuǎn)距離障礙物,再利用雙目攝像機(jī)進(jìn)行測(cè)距。

圖3 原始交通燈信號(hào)圖像

圖4 歸一化處理后交通燈信號(hào)圖像

圖5 分割出紅色和綠色后交通燈信號(hào)圖像

Kuramoto等[15]提出利用單目攝像機(jī)測(cè)量三維目標(biāo)的距離。將攝像機(jī)捕獲的圖像數(shù)據(jù)輸入已經(jīng)完成訓(xùn)練的深度卷積神經(jīng)網(wǎng)絡(luò),以邊界矩形的二維中心表示物體,通過(guò)升降框架和針孔攝像機(jī)模型將矩形框從二維映射至三維。分別建立攝像機(jī)坐標(biāo)系、車(chē)輛坐標(biāo)系和世界坐標(biāo)系,采用數(shù)字帶通濾波器技術(shù)轉(zhuǎn)換不同坐標(biāo)系中的位置數(shù)據(jù),從而得到與目標(biāo)物的距離,并利用基于攝像機(jī)模型的拓展卡爾曼濾波對(duì)目標(biāo)進(jìn)行跟蹤。

Li Xing等[16]提出使用攝像機(jī)對(duì)前方汽車(chē)進(jìn)行檢測(cè)。由于汽車(chē)陰影部分比背景顏色要深,因此采用服從高斯分布的統(tǒng)計(jì)直方圖來(lái)估計(jì)閾值上限。結(jié)合陰影水平和豎直邊緣特征生成初始區(qū)域,通過(guò)方向梯度直方圖的變化將汽車(chē)區(qū)域與非汽車(chē)區(qū)域分離。使用圖像中局部方向的梯度直方圖進(jìn)一步驗(yàn)證候選區(qū)域的準(zhǔn)確性,利用由非線(xiàn)性支持向量機(jī)模型訓(xùn)練的車(chē)輛分類(lèi)器去除非汽車(chē)區(qū)域,從而完成對(duì)前方汽車(chē)的檢測(cè)。

4 毫米波雷達(dá)感知技術(shù)

毫米波雷達(dá)主要分為77 GHz和24 GHz兩大類(lèi)。77 GHz毫米波雷達(dá)的測(cè)量距離較長(zhǎng),常常被設(shè)置在汽車(chē)前側(cè)和兩側(cè)。24 GHz毫米波雷達(dá)的測(cè)量距離相對(duì)較短,常常被設(shè)置在汽車(chē)后側(cè)。毫米波雷達(dá)工作原理如圖6所示。毫米波雷達(dá)通過(guò)發(fā)射器發(fā)射出毫米波,接收器根據(jù)收發(fā)的時(shí)間差,經(jīng)過(guò)信號(hào)調(diào)制后輸出數(shù)字信號(hào),從而測(cè)得目標(biāo)的位置數(shù)據(jù)。毫米波雷達(dá)工作方式主要分為調(diào)頻連續(xù)波和脈沖兩大類(lèi)[17]。由于調(diào)頻連續(xù)波工作方式不需要瞬時(shí)大功率,不存在探測(cè)盲點(diǎn),硬件成本相對(duì)較低,因此大多數(shù)無(wú)人駕駛汽車(chē)都采用調(diào)頻連續(xù)波工作方式。毫米波雷達(dá)能夠準(zhǔn)確測(cè)量出目標(biāo)的相對(duì)速度、相對(duì)距離和運(yùn)動(dòng)方向,具有抗干擾能力強(qiáng)、穿透性強(qiáng)、分辨率高、全天候工作等優(yōu)點(diǎn)。

圖6 毫米波雷達(dá)工作原理

Cai Xiuzhang等[18]提出在77 GHz毫米波雷達(dá)的基礎(chǔ)上利用深度學(xué)習(xí)對(duì)目標(biāo)進(jìn)行分類(lèi)。運(yùn)用數(shù)值模擬方法,生成雷達(dá)散射截面積數(shù)據(jù)。由于大多數(shù)交通目標(biāo)滿(mǎn)足表面曲率半徑大于波長(zhǎng)的情況,因此利用物理光學(xué)法生成二維雷達(dá)散射截面積圖像。多種障礙物的參數(shù)可能會(huì)產(chǎn)生一定重疊,但是不同目標(biāo)之間存在不同的數(shù)據(jù),可以通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)時(shí)雷達(dá)散射截面積數(shù)據(jù)和雷達(dá)散射截面積圖像進(jìn)行分類(lèi)。

Yoneda等[19]提出在雪天環(huán)境中使用全向毫米波雷達(dá)實(shí)現(xiàn)汽車(chē)的自動(dòng)定位。將毫米波雷達(dá)的測(cè)量數(shù)據(jù)映射在毫米波雷達(dá)系統(tǒng)中,采用交互式多模型集成靜態(tài)或動(dòng)態(tài)物體,估計(jì)目標(biāo)的位置、速度和加速度參數(shù)。將全局坐標(biāo)中的觀(guān)測(cè)點(diǎn)坐標(biāo)轉(zhuǎn)換為二維圖像坐標(biāo),通過(guò)協(xié)方差矩陣減小測(cè)量誤差。通過(guò)對(duì)似然分布相應(yīng)區(qū)域積分,得到每個(gè)像素的似然值。根據(jù)所得到的似然值重新計(jì)算物體存在的概率,從而生成汽車(chē)周?chē)矬w的地圖信息。通過(guò)計(jì)算汽車(chē)線(xiàn)速度與橫擺角速度之間的時(shí)間關(guān)系,與毫米波雷達(dá)系統(tǒng)信息進(jìn)行匹配,利用航跡推算更新汽車(chē)的位置信息。試驗(yàn)表明,汽車(chē)的定位誤差為0.25 m,可以保障安全行駛。

Smith等[20]提出使用毫米波雷達(dá)識(shí)別駕駛員手勢(shì)以降低駕駛風(fēng)險(xiǎn)。利用機(jī)器學(xué)習(xí)方法記錄每一組手勢(shì)的范圍、速度、加速度、速度彌散、空間彌散等雷達(dá)特征,利用隨機(jī)森林分類(lèi)器算法訓(xùn)練模型,使用這一模型對(duì)手勢(shì)進(jìn)行識(shí)別。通過(guò)增加分類(lèi)器中模型的數(shù)量,改變分類(lèi)器最小計(jì)數(shù)與緩沖區(qū)大小的比例,來(lái)提高這一模型的魯棒性。當(dāng)檢測(cè)到手勢(shì)時(shí),手勢(shì)的分類(lèi)器號(hào)被添加至向服務(wù)器傳送數(shù)據(jù)請(qǐng)求中,隨后被發(fā)送至服務(wù)器,從而解析出手勢(shì)信息,并做出相應(yīng)動(dòng)作。

Wang Xu等[21]利用毫米波雷達(dá)對(duì)行人和汽車(chē)進(jìn)行穩(wěn)定跟蹤。通過(guò)測(cè)量獲得目標(biāo)的相對(duì)速度、相對(duì)距離等信息,對(duì)信息進(jìn)行時(shí)間對(duì)準(zhǔn)、坐標(biāo)變換、離群點(diǎn)消除。通過(guò)關(guān)聯(lián)規(guī)則確定測(cè)量時(shí)分配給一個(gè)軌跡還是一個(gè)假目標(biāo),為目標(biāo)狀態(tài)估計(jì)做準(zhǔn)備。通過(guò)聯(lián)合集成概率數(shù)據(jù)關(guān)聯(lián)遞歸的計(jì)算航跡質(zhì)量,并通過(guò)濾波優(yōu)化來(lái)減小噪聲的影響,利用交互式多模型濾波提高動(dòng)態(tài)模型的匹配率。

周小鈞等[22]提出在復(fù)雜的交通環(huán)境中使用毫米波雷達(dá)實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤。在傳統(tǒng)聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法的基礎(chǔ)上,通過(guò)測(cè)量汽車(chē)行駛軌跡和點(diǎn)跡之間的距離來(lái)確定關(guān)聯(lián)門(mén)閾值。將對(duì)算法影響較小的因素去除,同時(shí)在對(duì)目標(biāo)的跟蹤過(guò)程中引入生命周期理論,結(jié)合卡爾曼濾波技術(shù),采用常加速模型對(duì)目標(biāo)的狀態(tài)進(jìn)行估計(jì)。

Zhao Peijun等[23]提出使用毫米波雷達(dá)對(duì)多個(gè)行人進(jìn)行跟蹤和識(shí)別。由毫米波雷達(dá)發(fā)射一個(gè)射頻信號(hào),記錄這一信號(hào)在物體上的反射,計(jì)算點(diǎn)云的稀疏度,刪除點(diǎn)云中的靜態(tài)點(diǎn)。將單個(gè)點(diǎn)合并到集群中,檢測(cè)潛在的行人對(duì)象。使用多類(lèi)對(duì)象跟蹤算法來(lái)跟蹤不同行人的軌跡,使用遞歸神經(jīng)網(wǎng)絡(luò)從每個(gè)行人的連續(xù)軌跡數(shù)據(jù)中識(shí)別行人身份。這一方法的最大追蹤距離大于5.5 m,追蹤誤差小于0.16 m。

5 結(jié)束語(yǔ)

筆者對(duì)無(wú)人駕駛汽車(chē)環(huán)境感知技術(shù)進(jìn)行研究,分析了無(wú)人駕駛汽車(chē)幾種常用環(huán)境感知技術(shù)的工作原理與研究現(xiàn)狀。無(wú)人駕駛汽車(chē)面臨的行駛環(huán)境具有非常大的不確定性,每類(lèi)環(huán)境感知技術(shù)有各自的優(yōu)點(diǎn)和不足。為了提高無(wú)人駕駛汽車(chē)的安全性和檢測(cè)的魯棒性,應(yīng)強(qiáng)化多種環(huán)境感知技術(shù)的聯(lián)合使用,提高各類(lèi)環(huán)境感知技術(shù)同時(shí)跟蹤監(jiān)測(cè)多個(gè)目標(biāo)的能力,利用卷積神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)方法,增強(qiáng)無(wú)人駕駛汽車(chē)在十字路口、車(chē)道線(xiàn)磨損、非結(jié)構(gòu)化道路等惡劣行駛環(huán)境中的安全性。