復雜環(huán)境下多傳感器信息融合的無人駕駛汽車智能懸架自動控制方法

丁鵬 鄒曄 郭祥龍 陳珣 魯福碩

關鍵詞：無人駕駛汽車；半主動懸架；多傳感器信息；信息融合

型障礙物路面（如碎石、凹坑、減速帶）時，會影響懸架的減振效果，甚至在沒有駕駛員（或系統(tǒng)）干預車速的情況下，嚴重影響汽車行駛的平順性和安全性[1-2]，因此需對無人駕駛汽車懸架阻尼和車速根據(jù)路面狀況提前控制。目前對無人駕駛汽車的研究多集中在駕駛行為的決策與路徑規(guī)劃，重點發(fā)掘人類駕駛員認為具有挑戰(zhàn)性或缺乏操縱能力的復雜動態(tài)場景下的潛力[3-7]，普遍忽略了懸架控制對智能汽車安全性能的影響。

懸架控制方法有多種，文獻[8]采用卷積分神經網絡方法識別路面等級，并應用于半主動懸架控制策略中。文獻[9]提出反饋線性化Kalman觀測器控制磁流變懸架，設計了非線性磁流變懸架系統(tǒng)系統(tǒng)。文獻[10]提出阻尼連續(xù)可調的抗俯仰液壓互聯(lián)懸架系統(tǒng)。陳龍等設計了阻尼可切換的半主動懸架，通過仿真方法獲取各阻尼模式的減振系數(shù)，改善了汽車的平順性[11]。孫晉偉等研究了多目標布谷鳥優(yōu)化和路面識別算法，提出非線性懸架系統(tǒng)自適應控制方法[12]。AbTalib等提出螢火蟲算法（fireflyalgorithm，F(xiàn)A）的智能優(yōu)化器，結合比例積分微分控制器對半主動懸架進行控制[13]。文獻[14]提出模糊保證成本H∞控制器（fuzzyguaranteedcostH∞control，F(xiàn)GCHC），以確保所控的閉環(huán)車輛主動懸架系統(tǒng)漸近穩(wěn)定。文獻[15]設計了加速度驅動剛度模糊控制策略（acceleration-driven-stiffnessfuzzycontrolstrategy，ADSFC）和基于Skyhook的控制策略，控制空氣彈簧內壓和磁流變阻尼器電流，實現(xiàn)剛度和阻尼的調節(jié)。上述懸架控制方法在一定程度上改善了汽車的平順性，但是鮮有涉及無人駕駛車輛在隨機性小型障礙物或破損路面時，對懸架平順性和安全性的控制。

無人駕駛汽車懸架控制基礎是路面識別，現(xiàn)有研究對路面識別集中在兩類，一類是基于激光、雷達等檢測手段的路面紋理和裂縫的識別，主要應用于破損道路的質量監(jiān)控[16-19]；另一類是基于視覺圖像處理技術的路面不平度檢測與識別，主要應用于道路等級的識別[20-24]。上述路面檢測方法不能有效計算路面小型障礙物或破損路面的長寬高等詳細信息。另外，由于汽車行駛受惡劣天氣影響，現(xiàn)有檢測方法不能滿足汽車實時對路面狀況的提取，最終影響阻尼輸出質量。無人駕駛汽車憑借多傳感信息融合技術能夠提高路面不平度的檢測精度，在此基礎上對懸架和車速提前預控制，以滿足行駛的平順性與安全性。

本文提出一種多傳感器信息融合的無人駕駛汽車智能懸架控制方法。利用攝像頭和雷達波掃描并識別不平路面狀況，并創(chuàng)建基于攝像頭和雷達波采集信息的路面不平度數(shù)學模型，通過檢測邊緣交并比和GNN算法對不平路面進行信息融合和匹配，得到復雜環(huán)境下可信度較高的路面不平數(shù)學模型;結合懸架振動模型，構建路面不平數(shù)學模型與汽車預振動量之間的關系;提出利用車速和路面不平信息的方法計算半主動懸架最佳阻尼比，并將懸架調節(jié)至該阻尼比，以使懸架提前適應不同路面狀況，提高汽車平順性。

1懸架模型

為了從理論上對提出的方法進行可行性判斷，同時為懸架模塊（electroniccontrolunit，ECU）調節(jié)阻尼提供控制參數(shù)，需要建立基于多傳感器信息融合車輛1/4懸架模型，以揭示路面不平度與汽車預振動量之間的關系，模型圖1所示。

圖1中m1為懸架非支撐質量（簧下質量）；m2為懸架支撐質量（簧上質量）；K為減震器彈簧剛度；C為減震器阻尼可變系數(shù)；K1為輪胎的剛度；q為輸入的路面不平度函數(shù)；z1為輪胎的垂直方向位移；z2為車身的垂直方向位移；根據(jù)牛頓第二定律，結合圖1懸架模型的受力關系，建立懸架二自由度微分振動方程：

由式（8）―（11）可知，已知路面不平度輸入，可求出對應的車身與車輪的振動量。假設預先檢測到路面不平度輸入數(shù)值，則可預測車身振動量，多傳感器信息融合技術能夠提前夠精準的檢測車輛前方的路面狀況，輸入懸架ECU并計算車身預振動量，根據(jù)此預振動量提前控制半主動懸架的阻尼，使車輛懸架阻尼提前適應路面振動輸入。路面狀況的感知和輸入是該系統(tǒng)的基礎和關鍵環(huán)節(jié)之一。

2多傳感器融合的路面不平度識別

汽車行駛路面狀況和環(huán)境條件復雜多變，單一傳感器檢測的路面信息具有一定程度的不確定性和不可靠性，這種可信度不高的病態(tài)數(shù)據(jù)結構會對懸架阻尼造成錯誤的控制，導致汽車平順性、操縱性和安全性變差。多傳感器信息融合技術是將不同類型的傳感器在相同的時間內對同一路面信息進行數(shù)據(jù)采集，懸架控制器對不同傳感器取得路面圖像和序列信息進行融合和綜合決策，形成新的路面信息闡述。

2.1基于圖形視覺的路面不平度檢測

路面不平度也稱路面平整度（roadsurfaceroughness），指道面表面相對于理想平面的豎向偏差[25]。運用可見光電荷耦合元件（charge-coupleddevice，CCD）圖像傳感器掃描具有一定不平度的路面狀況，該類型傳感器具有較高的幾何紋理信息、時空分辨率以及豐富的外觀和顏色信息?；诖?，運用典型的基于圖像灰度閾值的分割方法識別并規(guī)劃不平路面區(qū)域邊緣[26]，將圖像灰度值大于閾值的像素歸為圖像目標（不平路面），反之將像灰度值小于閾值的像素歸為圖像背景（正常路面）。建立路面物理坐標系和圖像坐標系的對應關系，以路面小型障礙物（落石、磚塊、減速帶等）為例構建路面不平度計算方法，將三維物理場景投影到攝像機二維平面，圖2中物理場景用三維場景坐標系Xc，Yc，Zc軸表示，投射到攝像機的二維平面用x、y軸表示，O點為圖像坐標系的原點。

圖2中p點為車載攝像頭的安裝位置，p點到O點之間的直線為攝像機光軸，兩者之間的距離即為攝像機焦距，用Lop表示。假設攝像頭在地面的垂直投影為e點，則p點到e點之間的距離，為攝像頭到地面之間的距離，用Lpe表示。M為遺落路面上的小型障礙物，運用基于圖像灰度閾值的分割方法識別并規(guī)劃障礙物區(qū)域邊緣，依據(jù)最大類間方差法選取像素最佳閾值，將路面圖像中掃描的圖像像素灰度值與該閾值相比較，小于該閾值的像素判定為正常路面，反之則為障礙物區(qū)域，由此即可得到不平區(qū)域邊緣圖像點的集合。障礙物邊緣任一點為l，l點在圖像坐標系的投影點記為Q，l點e點之間的距離則為攝像頭到障礙物之間的距離，記為Lqe。設鏡頭安裝俯仰角為α，l點的投影直線與路面（YCOCZC平面）之間的夾角為θ，該投影直線與光軸之間的夾角記為β。f點為障礙物上方任一點在地面上的投影，該投影直線與地面之間的夾角用ε表示。

根據(jù)坐標系（像素坐標系、圖像坐標系、相機坐標系和世界坐標系）之間的關系，已知路面障礙物邊緣投影點的像素坐標，可推出其在圖像坐標系中的圖像坐標，即Q點坐標。根據(jù)像素值，即可得出O點到Q點之間的距離LOQ。又因攝像機的焦距Lop可通過標定求出，根據(jù)圖2中的幾何關系（tgβ=LOQ/Lop），可求出β角。

根據(jù)式（12）可求障礙物邊緣點集合到攝像機之間的距離Lpe，進一步判斷障礙物邊緣及長寬信息。同理可求出ε角數(shù)值、F點像素與圖像坐標，由此推導障礙物高度集合信息。至此通過攝像頭可以完整獲得障礙物的邊緣及高度信息等情況以及障礙物到攝像頭之間的距離。

2.2雷達波檢測路面不平度

毫米波雷達具有抗干擾能力較強、穿透能力優(yōu)異，探測分辨較高的特點，適用于全天候路面狀況的檢測，是機器視覺傳感與檢測路面的有效補充。以破損路面凹坑為例，說明雷達波檢測路面的方法如圖3。

雷達在發(fā)射多束波檢測路面過程中，圖3中部分波（虛線表示）在凹坑底部發(fā)生偏轉，偏離了原來的回波路線成為廢波，其為有效波（實線表示），照射在路面反射之后返回雷達。假設雷達射出的n束波，根據(jù)缺失的廢波和接收的有效波可以提取破損路面的輪廓和形狀信息。定義照射在破損路面邊緣區(qū)域的任意兩條射線之間的距離為d，其中一條射線與地面的夾角為ψ，它可通過雷達接收到的回波信號間的相位差確定，深度為h，則通過缺失的廢波可以測量和計算d的數(shù)值，則根據(jù)圖3中的照射關系可得：

其中：Δτ為雷達的掃描角度誤差，η為測量誤差，破損路面凹坑的寬度為w。由于廢波的存在，深度h僅能得到最小值，根據(jù)測量的最小值集合，可計算其數(shù)值。根據(jù)以上分析與計算即可構建雷達波檢測到的路面信息。

2.3傳感器信息融合策略

采用檢測邊緣框交并比的融合策略，假設視覺傳感器與雷達波傳感器對某一不平路面區(qū)域檢測的邊框分別為Kcam與krad，2個邊框重合（交集）區(qū)域的面積為Sj，而2邊框總面積（并集）區(qū)域為Sh，定義IOU交并比，即：

根據(jù)相關文獻[27]可知，當式（14）中IOU的數(shù)值在0.6～1之間，可判斷攝像機和雷達波均檢測出目標路面，其測量結果相互認證和匹配，可信度較高。

對匹配不成功的數(shù)值，則用全局最近鄰（graphneuralnetworks，GNN）算法進行數(shù)據(jù)關聯(lián)[28]，設雷達和攝像頭匹配不成功的目標點分別為m、n，它們到指定點（原點）的距離分別dr、dc，將所目標點到原點的距離按照數(shù)值大小進行排序，可得到視覺和雷達的目標點矩陣R，K，將雷達監(jiān)測點作為已知點，攝像頭檢測點作為測量點。設vij（k）為k時刻雷達檢測點和攝像頭檢測點的殘差，它可使用式（15）表達為

其中：Sij-1（k）表示vij（k）的協(xié)方差矩陣，設Gi表示雷達檢測點i的門限值，當歸一化距離小于等于門限值時，表示攝像頭檢測點位于雷達檢測點范圍內，可以相互匹配。每個雷達檢測點最多匹配一個攝像頭檢測點，反之亦然。計算GNN算法中的代價函數(shù)式為

通過計算代價函數(shù)，可完成剩余不平路面區(qū)域目標點的對接與匹配，實現(xiàn)雷達和攝像頭傳感信息的有效融合。

3多信息融合下懸架控制方法

在設計無人駕駛懸架自動控制策略中，既要滿足懸架振動的舒適性指標，又要考慮突發(fā)性障礙物對懸架和車輛安全性能的影響。通過建立最佳阻尼比數(shù)學模型，分析無人駕駛汽車半主動懸架舒適性和安全性控制方法。根據(jù)懸架振動理論和相關文獻研究[29-30]可知懸架的舒適性與安全性最佳阻尼比為其中：ζcom為舒適性最佳阻尼比，γ為剛度比，φ為質量比。

由式（18）和式（19）可知，懸架舒適性最佳阻尼比與安全性最佳阻尼比之間相互影響和制約，為了兼顧車輛安全與舒適性要求，需要對兩者進行權衡與匹配，匹配之后的阻尼比稱為綜合性最佳阻尼比為ζopt，其取值方法為：當ζopt≤ζcom，取ζopt=ζcom；當ζopt≥ζcsec，取ζopt=ζcse；當ζcom<ζopt<ζsec，最佳阻尼比控制曲線如圖4所示。

圖4為路面不平輸入、車速以及最佳阻尼比之間的控制曲面圖。圖中路面不平輸入為多傳感器采集并融合后輸出的路面障礙物高度信息及凹坑深度信息，正值表示障礙物高度，負值表示凹坑深度。在路面輸入良好的路面，即圖4路面輸入為0時，最佳阻尼比0.12為舒適性的最佳阻尼比，即在良好的路面上為保證乘員舒適性，懸架阻尼調整為最舒適性阻尼。分析圖4還知，在同一路面，最佳阻尼比隨車速的升高而增大，直到升至最大安全性最佳阻尼比0.42。正負路面（障礙物或凹坑距離地面距離）的數(shù)值越大，最佳阻尼比調整的數(shù)值愈大，這是出于汽車安全性考慮，防止汽車發(fā)生跳動。

半主動懸架采用電液連續(xù)阻尼控制減振器（continuousdampingcontrol，CDC），CDC通過電機控制桿旋轉一定的角度，改變內外腔室節(jié)流孔流通面積，實現(xiàn)阻尼值的無級變化?？刂破魇紫扔陕访鏍顩r和車速信號確定懸架最佳阻尼比，并以電壓信號的形式輸出作為基本控制電壓；基本電壓與反饋控制器輸入的電壓相比較（相減）取得偏差電壓信號，偏差信號通過放大后控制電機轉角，隨后驅動減速齒輪副轉動，帶動控制桿旋轉，從而調節(jié)減振器節(jié)流孔流通面積。轉軸旋轉的同時驅動一個滑動變阻器，傳感該軸轉角，作為系統(tǒng)的實時反饋信號，系統(tǒng)控制原理圖如圖5所示。

圖5中最佳阻尼比控制信號為v0（s），G1（s）為放大器傳遞函數(shù)，G2（s）為電機傳遞函數(shù)，G3（s）為機械傳動傳遞函數(shù)，G4（s）為反饋系統(tǒng)的傳遞函數(shù)。根據(jù)圖5，可求出系統(tǒng)的閉環(huán)傳遞函數(shù)為其中，τ=JLa+KmKb為電機等效時間常數(shù)。

了定性分析系統(tǒng)機械傳動過程，簡化控制過程，設傳動系統(tǒng)剛性為無窮大的理想狀態(tài)，且齒輪副無傳動間隙，機械傳動傳遞函數(shù)為其中：N1、N2分別為輸入和輸出齒輪的齒數(shù)。

4懸架試驗

對裝有半主動懸架的無人駕駛汽車開展垂向典型工況下整車路面試驗。樣車為自制無人駕駛電動車，樣車參數(shù)：懸架非支撐質量，即簧下質量m1為42kg；懸架支撐質量，即簧上質量為254kg；懸架的彈簧剛度m2為18kN/m；輪胎的剛度K1為2261kN/m。

圖6為裝有多傳感器控制的懸架試驗樣車，毫米波雷達和標注攝像頭用于車輛半主動懸架的控制，而激光雷達和其他攝像頭則用于識別行人、車輛以及道路標志線，在這里不再贅述。

為了驗證多傳感器數(shù)據(jù)融合的有效性，分別在車輛前方5、10、20m的距離放置小型障礙物，其尺寸為長178mm、高35mm、寬45mm，分別記錄雷達、攝像頭及融合后的測量數(shù)據(jù)，結果如表1。

從表1的試驗數(shù)據(jù)可得在5m范圍內攝像頭和毫米波雷達的測量數(shù)據(jù)準確率均在99%以上，此時攝像頭測量準確率要高于毫米波雷達。在數(shù)據(jù)融合時，需考慮目標障礙物與車輛之間的距離，當近距離時，需增加攝像頭測量數(shù)據(jù)的權重，多傳感器融合后的數(shù)據(jù)的準確率可達99.5%以上，其最大誤差較雷達和攝像頭準確率分別提高4.6%、2.3%。隨著距離的增加，在10m距離時攝像頭和毫米波雷達的準確率均降低，多傳感器融合數(shù)據(jù)準確率也隨之降低，但與單個傳感器相比準確度有所提升，融合后準確率仍可提升至99%以上，最大誤差較雷達和攝像頭準確率分別提高了4.4%、4.6%。在20m距離時，毫米波雷達的準確率要高于攝像頭，數(shù)據(jù)融合時，需增加毫米波雷達測量數(shù)據(jù)的權重，分析表1可知，此時數(shù)據(jù)測量的準確率可達97.9%，最大誤差較雷達和攝像頭準確率分別提高了5.4%、5.6%，說明多傳感器數(shù)據(jù)融合策略能夠提高路面狀況識別的準確性。

為了最大程度地展示多傳感器信息融合控制的半主動懸架控制效果，在試驗過程中選取單凸塊試驗，試驗符合國標GB/T4970-2009要求。將單凸塊置放于試驗道路中間，按照車輛輪距調整兩個單凸塊之間的距離。試驗道路平直，且路面干燥，不平度均勻無突變。汽車以均勻的速度駛過單凸塊試驗路段，測量并記錄車輛加速度時間歷程。分別記錄裝有被動懸架、常規(guī)的基于加速度控制式半主動懸架（傳統(tǒng)半主動懸架）以及多傳感器信息融合的智能懸架的樣車通過試驗路段產生的車身振動加速度信號，試驗結果如圖7—圖10。

需要說明的是：被動懸架幾何機構與參數(shù)確定之后，其剛度和阻尼都是不可調的，它只能保證在特定的情況下達到最優(yōu)減振效果，難以適應不同的道路和使用狀況；一般被動懸架的阻尼比設定范圍為0.2～0.4。

傳統(tǒng)半主動懸架指通過傳感器感知路面狀況和車身姿態(tài)，對阻尼參數(shù)進行調節(jié)，從而改善汽車行駛平順性和穩(wěn)定性的一種可控式懸架系統(tǒng)。傳統(tǒng)半主動懸架主要采用加速度傳感器采集車輛行駛過程中的振動狀態(tài)，控制器根據(jù)加速度傳感器反饋的振動量調節(jié)懸架阻尼，即“先振后調”。由于調控時滯的存在，可能會導致反饋控制系統(tǒng)的失穩(wěn)，出現(xiàn)對安全極為不利的輪跳，嚴重影響了半主動懸架對車輛平順性的改善，特別對短距離惡劣路況和不規(guī)則越野路面完全不起作用，其阻尼比調整范圍為0.175～0.414。

與傳統(tǒng)半懸架“先振后調”的控制模式不同，無人駕駛車輛懸架控制方式為“先調后振”。首先利用攝像頭和雷達波掃描并識別不平路面狀況，得到復雜環(huán)境下可信度較高的路面不平數(shù)學模型。提出利用車速和路面不平信息計算半主動懸架最佳阻尼比，并將懸架調節(jié)至該阻尼比（0.12～0.42），以使懸架提前適應不同路面狀況，提高汽車舒適性。

試驗車輛以30km/h速度駛過放置有單凸塊的B級路面，分別記錄被動懸架、基于加速度控制的傳統(tǒng)半主動懸架以及多信息融合下控制的半主動懸架的車身加速度時域響應信號，如圖7所示。圖7被動懸架通過單凸塊，車身垂直加速（verticalacceleration）最大峰值為7.8m/s2，且有多個余波峰值出現(xiàn)，隨后波形逐漸趨于平穩(wěn)，說明被動懸架減振效果弱。傳統(tǒng)半主動懸架車身加速度最大值為7.6m/s2，隨后出現(xiàn)的振動余波峰值迅速衰減，說明傳統(tǒng)半主動懸架能夠迅速衰減振動，但由于傳統(tǒng)半主動懸架是基于振動加速度調控，即先振后調，所以會有一個較大的初始峰值出現(xiàn)。智能懸架架最大振動峰值為3.4m/s2，隨后經歷幾個較小峰值的余波而趨于穩(wěn)定，說明懸架系統(tǒng)檢測到單凸塊的存在，電腦模塊根據(jù)單凸塊的信息對懸架阻比進行了提前干預，懸架系統(tǒng)提前適應該路面狀況，其最大振動加速度峰值與傳統(tǒng)懸架振動加速度最大值減少43%。圖8中0～30Hz頻率區(qū)間功率譜響應情況，在20Hz頻率附近形成共振，但對人體振動敏感區(qū)域4～8Hz范圍內，功率譜增益值較小，說明改善效果顯著。

圖9中智能懸架動行程（suspensionworkingspace，SWS）的均方根值與被動懸架和傳統(tǒng)半主動懸架分別下降了11.8%和8.6%，且最大值并未超出限位值，在駛過偶發(fā)性的落石等路面能夠有效避免撞擊。分析圖10中輪胎的動變形（tiredynamictravel，TDT），發(fā)現(xiàn)智能懸架輪胎動變形，其均方根值相對于被動懸架和傳統(tǒng)半主動懸架分別下降12.7%和5.9%，說明智能懸架能夠增加車輛的附著能力，提高汽車的操縱性和安全性。

了進一步評估智能懸架懸架的控制效果，開展隨機路面條件下時域和頻率振動試驗。車輛以60km/h速度勻速通過B級路面，記錄車身振動加速度數(shù)值，并對比智能懸架、被動懸架和傳統(tǒng)半主動懸架的試驗結果，如圖11和圖12。

分析圖11，在給定的試驗條件下，裝有被動懸架車輛車身振動速度峰達到3.72m/s2，傳統(tǒng)半主動懸架車身振動加速度峰值為3.46m/s2，多傳感器智能懸架車震振動加速度最大值為3.21m/s2，振動加速度有一定減少，與單凸塊路面試驗相比，振動改善減少，說明該類系統(tǒng)在破損路面、偶發(fā)性路障等條件下更能有效改善懸架平順性。

圖12為加速度頻域響應曲線，由經典振動理論可知頻率在4.0～12.5Hz區(qū)間內振動對人體的影響最大，對比圖12中該段頻率內，智能懸架幅值比與被動懸架和傳統(tǒng)半主動懸架相比，功率譜增益值明顯較小，說明改善效果顯著。通過分析上述數(shù)據(jù)可知智能懸架在結構化路面能夠有效減少車身振動量，提高汽車行駛的平順性和舒適性。

5結論

在建立汽車懸架振動模型的基礎上，研究了復雜環(huán)境下多傳感器信息融合的無人駕駛汽車半主動懸架自動控制方法，開展了垂向典型工況下整車路面試驗，取得了以下結論：

1）基于多傳感器信息融合控制的無人駕駛汽車，能夠在復雜的環(huán)境下，利用攝像頭和毫米波雷達識別正常路面的不平區(qū)域，特別對路面隨機出現(xiàn)的凸塊、凹坑以及減速帶有較高的辨識度。車輛根據(jù)提前檢測的路面信息和車速對懸架阻尼進行預調節(jié)，可有效提高汽車行駛的平順性和安全性。

2）建立了基于單目視覺和毫米波雷達檢測路面模型，利用GNN算法對兩類型路面模型進行融合，使車輛在復雜環(huán)境下測量的結果相互認證和匹配，得到了可信度較高的適用于懸架控制的路面不平數(shù)學模型。

3）分析了不同懸架在典型工況下的振動試驗，特定條件下，多傳感器信息融合控制的半主動懸架振動峰值減少了43%以上，驗證了數(shù)學模型的正確性，為分析無人駕駛汽車懸架控制提供了理論基礎和創(chuàng)新方法，對無人駕駛汽車的研制和設計具有一定的工程價值。