基于神經(jīng)網(wǎng)絡(luò)PID的盲區(qū)危險目標自動避碰系統(tǒng)研究

黃昆

（天津經(jīng)緯恒潤科技股份有限公司，天津 300385）

主題詞：智能駕駛 盲區(qū)危險等級評估 神經(jīng)網(wǎng)絡(luò)PID控制 自動避碰

縮略語

PID Proportional,Integral,Derivative

ADAS Advanced Driving Assistance System

BSM Blind Spot Monitoring System

DTW Dynamic Time Warping

1 引言

根據(jù)世界衛(wèi)生組織統(tǒng)計數(shù)據(jù)，全球每年約有125萬人死于交通事故，另有5 000 萬人受到不同程度的傷害[1]。為了減少交通事故，智能駕駛技術(shù)中的避撞系統(tǒng)（Collision Avoidance System）受到了越來越多的關(guān)注和重視[2]。汽車盲區(qū)是指由于視線遮擋而導(dǎo)致駕駛員不能直接觀察到的區(qū)域（圖1）。目前，在智能駕駛汽車盲區(qū)的先進駕駛輔助系統(tǒng)（Advanced Driving Assistance System,ADAS）中，較為成熟的功能僅有盲區(qū)監(jiān)測系統(tǒng)（Blind Spot Monitoring System,BSM），它可以通過傳感器探測車輛左右后側(cè)盲區(qū)中即將超車的車輛，并對駕駛員進行警示，以避免駕駛員在變道的過程中與左、右、后方車輛發(fā)生碰撞。

圖1 車輛盲區(qū)示意

為了使盲區(qū)避碰系統(tǒng)能及時觸發(fā)，相關(guān)的緊急駕駛場景通常依據(jù)目標激活盲區(qū)預(yù)警功能的初始狀態(tài)進行軌跡預(yù)測，并通過危險等級評估指標對場景模式進行識別[3]。Kluger[4]等從離散傅里葉變換縱向加速度時間序列中提取特征變量，并使用聚類（K-Means）從自然駕駛數(shù)據(jù)中識別關(guān)鍵事件。Lee[5]等利用路段加減速累積頻率圖來測量減速度曲線的風(fēng)險等級，并利用行駛軌跡數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型來預(yù)測潛在的緊急減速，用于碰撞預(yù)警。張立軍[6]等基于軌跡預(yù)測模型，提出了一種以距離為安全指標的商用車盲區(qū)防撞預(yù)警方法。白龍[7]基于視覺感知系統(tǒng)，以單目攝像頭的測距結(jié)果為依據(jù)，提出了一種盲區(qū)安全預(yù)警方法。趙宇峰[8]利用單目視覺原理中的攝像機針孔成像模型對盲區(qū)目標進行測距，提出了一種盲區(qū)監(jiān)測預(yù)警的視覺判定方法。然而，BSM盲區(qū)預(yù)警功能目前僅能對依據(jù)車輛盲區(qū)是否存在目標進行預(yù)警提醒，而無法對車輛進行避碰控制，因此盲區(qū)避碰系統(tǒng)的開發(fā)對盲區(qū)智能駕駛輔助技術(shù)具有十分重要的意義。

綜上所述，盲區(qū)智能駕駛輔助功能的研發(fā)仍停留在盲區(qū)目標預(yù)警的階段，將從盲區(qū)避碰進行深入的研究。設(shè)計一種基于神經(jīng)網(wǎng)絡(luò)PID 構(gòu)造的盲區(qū)危險目標自動避碰系統(tǒng)，將目標的橫向相對聚類為危險等級評估的指標，依據(jù)指標的譜聚類分析結(jié)果，對目標所處區(qū)域的危險等級進行劃分，并以期望的安全指標對高危險等級的盲區(qū)危險目標進行神經(jīng)網(wǎng)絡(luò)PID 控制，輔助駕駛員實現(xiàn)盲區(qū)危險目標的自動避碰功能。

2 場景數(shù)據(jù)獲取

基于某主機廠的道路測試組采集的道路測試場景數(shù)據(jù)庫，提取盲區(qū)目標超越本車場景的交通場景數(shù)據(jù)，用以對盲區(qū)目標的風(fēng)險等級分類。數(shù)據(jù)采樣間隔為10 Hz，記錄車輛并排前10 s 至車輛離開盲區(qū)的自車參數(shù)信息、車輛相對位置信息和相對運動信息。

2.1 原始數(shù)據(jù)篩選

基于某主機廠的道路測試場景數(shù)據(jù)庫，提取了265例盲區(qū)目標超車場景（圖2），作為危險等級評估的安全指標樣本。通過人工篩選，保留了251 例木牛毫米波雷達數(shù)據(jù)采集完整的場景，剔除66 例涉及三輪車、摩托車、自行車非機動車輛的干擾場景。最終，篩選出有效且完整的盲區(qū)目標超車場景片段，共計185例。

圖2 盲區(qū)目標超車場景

2.2 目標橫向相對距離的提取

“盲區(qū)危險事件—緊急避碰”是盲區(qū)危險目標在超越本車的過程中，目標的橫向相對距離小于駕駛員期望的安全距離，使得自車駕駛員轉(zhuǎn)動轉(zhuǎn)向盤向危險目標反方向緊急避碰。

第1階段：自車處于自由駕駛狀態(tài)，其運動狀態(tài)隨機。

第2 階段：目標車以很大的縱向相對速度（5～15 m/s）從左/右相鄰車道進入危險區(qū)域，自車駕駛員控制轉(zhuǎn)向盤向反方向進行轉(zhuǎn)向，以避免碰撞。

在本次研究中，目標車進入盲區(qū)定義為“盲區(qū)一般事件”，當目標的橫向相對距離小于最小安全距離時定義為“盲區(qū)危險事件—緊急避碰”，以此表示駕駛員對當前狀態(tài)危險程度的判斷。

數(shù)據(jù)提取通過上位機獲取，圖3 為場景提取的上位機界面，左側(cè)示圖為場景的視頻及GPS 位置信息，右側(cè)示圖為場景的數(shù)據(jù)信息。自車速度Vego、方向盤轉(zhuǎn)角SAS、偏航角a、相對距離R、相對速度等Vr，縱向時距信息為目標的縱向時距。

圖3 上位機界面

3 盲區(qū)安全指標的聚類分析

3.1 聚類分析方法

譜聚類是一種基于圖論的算法，將所有數(shù)據(jù)視為空間中的點，并假設(shè)所有這些數(shù)據(jù)點都由賦予權(quán)值的邊連接[9]。2 個點相似度越大，邊緣權(quán)值越大，反之亦然。所有數(shù)據(jù)點之間的權(quán)值構(gòu)成鄰接矩陣W，第i行和第j列的元素記錄點i和點j之間的權(quán)值。譜聚類的目的是找到該圖的分區(qū)，使得不同組之間邊的權(quán)值之和很小，而組內(nèi)邊的權(quán)值之和很大[10]。

選取目標的橫向相對距離作為盲區(qū)避碰安全指標，對盲區(qū)車輛危險等級進行分類。針對盲區(qū)避碰安全指標的聚類分析結(jié)果，自車與目標車的橫向相對距離越小、距離變化率越大，通常表明駕駛員認知的危險程度越高。因此，在樣本相對橫向距離進行聚類分析過程中，以樣本間的動態(tài)時間規(guī)整（Dynamic Time Warping,DTW）和樣本的變化率（ΔCur）作為度量標準。

（1）“距離”度量標準

由于樣本中目標車駕駛員從發(fā)出超車意圖到超車結(jié)束的時間跨度不同，因此采用DTW 算法計算樣本中目標橫向相對距離時間序列的DTW距離。不同時間序列的DTW距離是基于樣本點與樣本點之間的路徑距離之和最小原則，計算距離路徑最優(yōu)解。選擇2個k維信號X和Y，如式（1）、式（2）所示。

由于車輛CAN 總線和雷達探測到的信號都為1維信號，也就是說信號X和Y都只有第1行有數(shù)據(jù)，其中X有m個樣本點，Y有n個樣本點。樣本點之間的距離用歐氏距離進行計算。信號X中第M∈{1,2,…,m}個樣本點與信號Y中第N∈{1,2,…,m}個樣本點的歐式距離計算如式（3）。

式中，dmn(X,Y)為計算各個樣本點之間的距離；xk,m為X中m個樣本點中的第k個樣本點，yk,n為Y中n個樣本點中的第k個樣本點。

尋找使采樣點之間的距離之和最小的2個路徑序列ix*和iy*，如式（4），計算規(guī)則如圖4。

圖4 距離計算規(guī)則

2個時間序列信號X和Y之間的DTW距離計算如式（5）。

式中，dmn(X,Y)為計算各個樣本點之間的距離。

計算獲得的DTW距離可以完整的保留時間序列中的危險等級信息，以及目標的橫向相對速度的最大值、最小值和均值。

（2）平均變化率

在提取的目標橫向相對距離曲線中的平均變化率ΔCur（相對橫向距離變化幅度和持續(xù)時間的比值）時，首先需要將DTW距離和變化率ΔCur進行歸一化，消除維度對測量的影響?；贒TW距離和平均變化率ΔCur，通過高斯徑向基函數(shù)內(nèi)核（一種相似性的度量表示）表示樣本點之間的兩兩相似之處，獲得樣本的鄰接矩陣W，將相近的樣本劃歸為同一類型。最終得到的樣本鄰接矩陣W如式（6）所示。

在鄰接矩陣W中，樣本點與樣本點之間的權(quán)值wij可以用來表示樣本點之間的相似性。權(quán)值wij的計算公式如式（7）。

式中，n表示采用的指標數(shù)量，本文取值為2(包括DTW距離和ΔCur)。

3.2 聚類結(jié)果及分析

基于MATLAB軟件對第2章提取的185條目標橫向相對距離曲線進行譜聚類分析，同時使用K均值聚類算法[11]對目標的平均橫向相對距離、最小橫向相對距離和橫向相對距離的平均變化率ΔCur的均值進行聚類分析，并對兩種聚類分析方法的結(jié)果進行比較，其對比結(jié)果如表1所示。

由表1可知，相較于K均值聚類算法，譜聚類算法得到的平均變化率更低，因此依據(jù)譜聚類分析的結(jié)果對場景危險程度進行分類。由于Cluster-2 具有更大的橫向相對距離和平均變化率，因此將其劃分為無風(fēng)險類型，其平均橫向相對距離Rmean可以作為駕駛員的期望橫向相對距離。而Cluster-1 具有較小的橫向相對距離和平均變化率，將其劃分為低風(fēng)險類型，由于提取的盲區(qū)目標超車場景都為無碰撞的自然駕駛場景，因此該類場景的橫向相對距離最小值Rmin可以作為駕駛員認知的危險場景與安全場景的邊界。

表1 譜聚類與K均值聚類算法聚類結(jié)果對比

4 基于安全指標的車輛控制模型

神經(jīng)網(wǎng)絡(luò)PID 控制[12]（Neural network PID control，NN PID）是一種典型的控制算法，它在傳統(tǒng)PID 控制的基礎(chǔ)上，通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)并調(diào)節(jié)PID 參數(shù)，可以在較短時間內(nèi)使模型達到預(yù)期要求。本文設(shè)計的神經(jīng)網(wǎng)絡(luò)PID 控制模型是基于m 語言編寫的，其結(jié)構(gòu)示意圖如圖5所示。模型的輸入量包括駕駛員期望的目標橫向相對距離x和目標實際的橫向相對距離Rx，模型的輸出量為PID 控制的方向盤轉(zhuǎn)角SAS。其中PID參數(shù)僅需要給出一個初始的默認值，通過神經(jīng)網(wǎng)絡(luò)即可實現(xiàn)PID參數(shù)的自動調(diào)節(jié)。

圖5 神經(jīng)網(wǎng)絡(luò)PID模型示意

4.1 PID控制算法

（1）PID的傳遞過程模型

在PID 模型的閉環(huán)控制中，系統(tǒng)通過計算被控制量的駕駛員期望值和實際測量值之間的誤差e(t)，對被控制量進行不斷地調(diào)節(jié)，使其實際觀測值無限接近期望值。PID控制的一般形式如式（8）。

式中，y(t)為系統(tǒng)的輸出，kp為PID的比例調(diào)節(jié)參數(shù)，ki為PID的積分調(diào)節(jié)參數(shù)，kd為PID的微分調(diào)節(jié)參數(shù)。

（2）系統(tǒng)誤差更新

由于每一個循環(huán)過后，被控制量的實際觀測值都會發(fā)生改變，因此系統(tǒng)誤差也會隨之更新，直到系統(tǒng)誤差足夠小后，可以認為模型的控制調(diào)節(jié)效果達到預(yù)期。系統(tǒng)誤差的更新公式如式（9）。

式中，xk+1為第k+1次循環(huán)的輸入量，e(t)為系統(tǒng)誤差。

4.2 基于神經(jīng)網(wǎng)絡(luò)的PID參數(shù)調(diào)節(jié)

神經(jīng)網(wǎng)絡(luò)PID 控制模型旨在通過神經(jīng)網(wǎng)絡(luò)，對PID模型的PID參數(shù)進行不斷地學(xué)習(xí)和調(diào)節(jié)，如圖6所示。神經(jīng)網(wǎng)絡(luò)的輸入變量為系統(tǒng)誤差e(t)、輸出量y和上一循環(huán)周期的PID 參數(shù)kp(t)、ki(t)、kd(t)，輸出變量為下一周期的PID參數(shù)kp(t+T)、ki(t+T)、kd(t+T)。

圖6 神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)PID參數(shù)調(diào)節(jié)模型構(gòu)建過程如下：

（1）隱藏層節(jié)點數(shù)計算

神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點數(shù)選擇，可以通過公式（10）計算獲得。

式中，m為隱藏層節(jié)點數(shù)，n為輸入層節(jié)點數(shù)，l為輸出層節(jié)點數(shù)，α為1～10之間的常數(shù)。

（2）神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法

神經(jīng)網(wǎng)絡(luò)是通過訓(xùn)練的誤差反饋來逐步調(diào)整各層輸入的權(quán)重配比，其常用的訓(xùn)練方法包括梯度下降法和最小二乘法。經(jīng)過綜合考慮，本文設(shè)計的跟車場景識別模型以梯度下降法作為神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法，其迭代公式如式（11）。

式中，wi+1為第i+1 個更新結(jié)果,di為第i個結(jié)果的距離誤差，ηi為學(xué)習(xí)效率。

（3）神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率一般在0.01～0.80 之間選取，如果選擇的值過大會導(dǎo)致收斂過快，系統(tǒng)震蕩不穩(wěn)定等問題，如果學(xué)習(xí)效率過小，則會導(dǎo)致神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度過慢，經(jīng)過反復(fù)試驗，發(fā)現(xiàn)選取學(xué)習(xí)效率的值為0.5時，即可滿足構(gòu)造需求。

（4）PID參數(shù)調(diào)節(jié)

PID 參數(shù)由3 類參數(shù)組成：比例kp、積分ki、微分kd。在此使用θ表征PID參數(shù)。設(shè)定參數(shù)θ的累計平方梯度r的初始值為0，其更新公式如公式（12）所示。PID參數(shù)θ的更新公式如公式（13）所示。

式中，g為參數(shù)的梯度。

式中，g為參數(shù)的梯度；η為學(xué)習(xí)效率；δ為小常數(shù)，取值為1～7（避免分母為0）（補充其他變量的解釋）。

5 盲區(qū)危險目標自動避碰系統(tǒng)

5.1 系統(tǒng)構(gòu)架

盲區(qū)危險目標自動避碰系統(tǒng)架構(gòu)如圖7 所示，由感知層、決策層和執(zhí)行層3部分組成[13]。

圖7 盲區(qū)危險目標自動避碰系統(tǒng)架構(gòu)

（1）感知層通過感知傳感器對交通環(huán)境中的盲區(qū)目標進行感知探測；

（2）決策層依據(jù)感知層獲取的目標信息，對目標是否需要自動避碰、避碰方位進行控制決策；

（3）執(zhí)行層通過神經(jīng)網(wǎng)絡(luò)PID 模型控制自車對盲區(qū)危險目標進行避碰，控制達到期望的橫向位置。

5.2 感知層

系統(tǒng)的感知層如圖8 所示，主要使用木牛雷達對交通目標進行感知探測。定義縱向時距TTO為本車與目標的縱向相對距離與相對速度之比，表征目標與自車并排所需時間。系統(tǒng)的輸入量為目標偏航角a，相對距離R，相對速度Vr，輸出量為目標縱向相對距離Rx，橫向相對距離Ry，和縱向時距TTO。

圖8 目標感知探測模塊

木牛雷達可獲取的目標信號包括：偏航角a、相對距離R和相對速度Vr。首先需要將目標位置信息轉(zhuǎn)換為自車坐標位置，其計算如式（14）、（15）。

5.3 決策層

系統(tǒng)決策層如圖9 所示，它通過感知層獲取的交通環(huán)境信息對自車是否需要緊急避碰進行決策規(guī)劃[14-16]。系統(tǒng)的輸入量為目標與自車的縱向相對距離Rx，橫向相對距離Ry，相對速度Vr，左右車道線位置，自車速度Vego和縱向時距TTO，輸出量為盲區(qū)目標預(yù)警的激活時間、目標方位（左后方或右后方）、危險等級信號和自動避碰介入信號。

圖9 盲區(qū)目標預(yù)警模塊

（1）盲區(qū)目標預(yù)警的激活時間

盲區(qū)目標預(yù)警的激活時間是目標車進入自車相對危險區(qū)域后，預(yù)警功能激活的時間。功能激活需要滿足的約束條件如下。

①速度約束

盲區(qū)目標預(yù)警功能激活需要滿足目標車輛速度大于自車速度的條件，速度約束條件如式（16）。

式中，Vego為Vobj為目標車輛速度。

②位置約束

盲區(qū)目標預(yù)警功能激活需要約束目標的橫向相對位置在特定的區(qū)域范圍內(nèi)，其約束條件式（17）所示。

式中，Rx為橫向距離；Lane為車道位置（由Mobileye EQ3 攝像頭獲?。籖d為當前道路的車道寬度，其值由左右車道線距離差值計算獲得。

盲區(qū)目標預(yù)警功能激活需要約束目標的縱向相對位置在自車后方的特定區(qū)域范圍內(nèi)，其約束條件如公式（18）所示。

式中，Ry為縱向距離；RBSM為功能激活的縱向距離閾值，取30 m[17]。

③時距約束

盲區(qū)目標預(yù)警功能激活需要確定目標車輛具有在較短時間內(nèi)超越自車的能力，約束條件如式（19）。

式中，TTO為縱向時距；TTOBSM為功能激活的縱向時距閾值，通過大量場景數(shù)據(jù)分析，取值為3.5 s。

（2）目標方位

車輛盲區(qū)包括左側(cè)盲區(qū)和右側(cè)盲區(qū)兩部分，為了判斷是否需要使用左側(cè)或者右側(cè)的盲區(qū)目標預(yù)警功能，需要對目標所處的方位進行判定。由于目標可能部分位于本車道內(nèi)，無法直接以車道線為方位的界限，本文通過比較目標與左右兩車道線的距離對進行方位進行判定，若滿足式（20），則判定目標位于右側(cè)；若不滿足，則判定目標位于右側(cè)。

式中，Rx為橫向距離；LaneL為左側(cè)車道線位置，LaneR為右側(cè)車道線位置。

（3）危險等級信號和自車避碰介入信號

盲區(qū)目標的危險等級劃分如表2 所示，以Cluster-1 的最大橫向相對距離Rmin和Cluster-2 的平均橫向相對距離Rmean作為等級劃分的界限，將場景分為0 級危險場景、1 級危險場景、2 級危險場景。自車避碰介入信號以場景的危險等級作為介入依據(jù)，對于0 級的場景不介入自動避碰功能，信號為N，對于1 級和2 級的危險場景介入自動避碰功能，信號為Y。

表2 盲區(qū)目標的危險等級劃分

5.4 執(zhí)行層

系統(tǒng)通過執(zhí)行層控制車輛進行避碰，當系統(tǒng)接受到自動避碰指令后，通過第4章構(gòu)建的神經(jīng)網(wǎng)絡(luò)PID模型控制本車進行偏轉(zhuǎn)，實現(xiàn)對危險目標進行自動避碰。系統(tǒng)執(zhí)行層如圖10所示，輸入量包括本車速度、方向盤轉(zhuǎn)角、縱向時距、橫向距離、方位、危險等級、自動介入信號，輸出量為神經(jīng)網(wǎng)絡(luò)PID控制輸出的方向盤轉(zhuǎn)角。

圖10 系統(tǒng)執(zhí)行層

6 系統(tǒng)驗證

為了對盲區(qū)自動避碰系統(tǒng)的可行性進行驗證，使用ADAS 功能試驗車進行實車道路測試，以實現(xiàn)對系統(tǒng)的自動避碰性能進行評估[18-20]。道路測試的地點選擇為一條車輛較少的高速公路，測試時間為2019 年11 月16 日，天氣晴，道路交通條件為暢通，數(shù)據(jù)采集設(shè)備包括木牛毫米波雷達、Mobileye EQ3 攝像頭、Brick PC、CANape 數(shù)據(jù)存儲及處理軟件，系統(tǒng)測試的場景設(shè)定如表3所示。

表3 系統(tǒng)測試的場景設(shè)定

為闡述智能駕駛汽車盲區(qū)自動避碰系統(tǒng)的可行性，限于篇幅，選取一段場景示例對功能的盲區(qū)自動避碰功能進行展示，如圖11所示。t1-t9時刻目標自本車的右側(cè)進入盲區(qū)，當車輛的縱向時距滿足功能的激活條件時，對目標的危險等級進行判定，并依據(jù)目標的危險等級控制車輛進行避碰。

圖11 場景示例

圖11 示例中，數(shù)數(shù)據(jù)采集設(shè)備獲取的場景數(shù)據(jù)如圖12 所示，圖12（a）為自車的速度Vego曲線、圖12（b）為自車方向盤轉(zhuǎn)角SAS、圖12（c）為目標的縱向相對位置Rx、圖12（d）為目標的橫向相對位置Ry、圖12（e）為目標的相對速度Vr、圖12（f）為實際縱向時距TTO的曲線和TTO為3.5 s 的激活時刻曲線對比圖。

圖12 示例場景的數(shù)據(jù)信息曲線

在本文中，以車輛可碰撞時刻（目標車頭超過自車車尾）自車與盲區(qū)危險目標的橫向相對距離期望值Rx_pre與實際值Rx的誤差來評估系統(tǒng)的性能，即最終的橫向誤差ek.。一個較小的ek.意味著系統(tǒng)的自動避碰性能優(yōu)良，一個較大的ek.意味著系統(tǒng)的自動避碰觸發(fā)較晚或自動避碰性能較差，需要提早預(yù)警時間或優(yōu)化算法。從示例展示結(jié)果可以看出，盲區(qū)目標觸發(fā)自動避碰功能后，即縱向時距TTO小于3.5 s，系統(tǒng)控制車輛想反方向進行自動避碰控制，大約2.6 s 自車與目標的橫向相對距離接近期望值，完全滿足駕駛員對盲區(qū)危險目標自動避碰功能的要求。

7 結(jié)論

本文基于神經(jīng)網(wǎng)絡(luò)PID 算法，提出了一種盲區(qū)危險目標自動避碰方法。通過K均值聚類算法，對盲區(qū)超車場景的目標橫向距離進行聚類分析。神經(jīng)網(wǎng)絡(luò)PID自動避碰控制算法以聚類結(jié)果目標橫向距離作為安全指標，通過構(gòu)造系統(tǒng)感知層、決策層和執(zhí)行層，對危險和較為危險的目標進行自動避碰控制，以提高智能加速汽車的安全性。系統(tǒng)經(jīng)過實車道路試驗驗證，智能加速汽車在右后側(cè)目標駛?cè)胛ｋU區(qū)域時，觸發(fā)自動避碰控制系統(tǒng)，并能在較短時間內(nèi)控制車輛避開超車目標。

簡而言之，本文所構(gòu)建的盲區(qū)危險目標自動避碰系統(tǒng)在道路測試中有著良好的表現(xiàn)。將在以后的研究中對涉及多目標的復(fù)合駕駛場景進行深入的研究，以實現(xiàn)多目標干擾的盲區(qū)危險目標自動避碰。