基于視覺(jué)導(dǎo)航系統(tǒng)辨識(shí)的車(chē)路協(xié)同自動(dòng)駕駛高精規(guī)控方法

摘要：當(dāng)今汽車(chē)自動(dòng)駕駛領(lǐng)域的毫米波雷達(dá)、激光雷達(dá)和攝像頭等傳感技術(shù)日趨成熟，由此構(gòu)建L2級(jí)別的單車(chē)輔助自動(dòng)駕駛系統(tǒng)已完全具備能力。但是，對(duì)于L4級(jí)別的單車(chē)完全自動(dòng)駕駛?cè)源嬖谳^大的技術(shù)挑戰(zhàn)，主要是由于單車(chē)傳感器本身較難準(zhǔn)確獲取道路全局的實(shí)時(shí)狀態(tài)；導(dǎo)航和規(guī)控的精度較難滿足復(fù)雜道路場(chǎng)景的需求。文章針對(duì)上述技術(shù)難點(diǎn)，提出了車(chē)路協(xié)同框架下的視覺(jué)導(dǎo)航低成本技術(shù)途徑；并在車(chē)路協(xié)同技術(shù)底座上，通過(guò)系統(tǒng)辨識(shí)的方法辨識(shí)視覺(jué)傳感和車(chē)路協(xié)同信道的誤差特征。針對(duì)單車(chē)規(guī)劃與控制精度的難點(diǎn)，提出了基于車(chē)輛動(dòng)力學(xué)特性和駕駛數(shù)據(jù)的動(dòng)力學(xué)參數(shù)辨識(shí)方法，為提高單車(chē)運(yùn)動(dòng)軌跡預(yù)估精度提供有效手段。通過(guò)感知側(cè)和規(guī)控側(cè)的系統(tǒng)參數(shù)辨識(shí)，綜合提升自動(dòng)駕駛精度，夯實(shí)L4級(jí)別自動(dòng)駕駛基礎(chǔ)。

關(guān)鍵詞：視覺(jué)導(dǎo)航；系統(tǒng)辨識(shí)；車(chē)路協(xié)同；自動(dòng)駕駛；規(guī)劃控制

中圖分類號(hào)：TP273 文獻(xiàn)標(biāo)志碼：A

0 引言

自動(dòng)駕駛技術(shù)從L1級(jí)別逐漸向L4級(jí)別發(fā)展。當(dāng)前可商業(yè)化落地的自動(dòng)駕駛技術(shù)主要集中于L2級(jí)別，即輔助自動(dòng)駕駛階段。L2級(jí)別的自動(dòng)駕駛技術(shù)主要依靠前端的傳感器和高精度地圖。車(chē)載攝像頭的視場(chǎng)角度比較寬廣，且成本較低，可構(gòu)建車(chē)載360°環(huán)視場(chǎng)景，特別是車(chē)輛的側(cè)向。因此，特斯拉智能汽車(chē)主要選擇視覺(jué)作為 L4級(jí)別自動(dòng)駕駛的主攻方向。新能源智能汽車(chē)在復(fù)雜道路上行駛，實(shí)時(shí)面臨著各種各樣的突發(fā)情況。例如，在典型的直行、轉(zhuǎn)彎、變道等駕駛行為中的車(chē)況、路況以及行駛道路上其他行駛車(chē)輛等的狀況，都是單車(chē)智能難以解決的問(wèn)題。因此，本文構(gòu)建了低成本視覺(jué)感知與車(chē)路協(xié)同的自動(dòng)駕駛感知系統(tǒng)，并在此基礎(chǔ)上構(gòu)建了車(chē)路協(xié)同的單車(chē)規(guī)劃與控制系統(tǒng)［1］。

由于單車(chē)自動(dòng)駕駛存在局限性，在道路側(cè)引入V2X技術(shù)實(shí)現(xiàn)車(chē)路協(xié)同。充分利用道路側(cè)公共交通設(shè)施，如交通燈架、路燈架、高速路護(hù)欄支架等，布局視覺(jué)傳感及其邊緣計(jì)算平臺(tái)。與此同時(shí)，合上路單車(chē)也配備視覺(jué)傳感及其邊緣計(jì)算平臺(tái)。上述經(jīng)計(jì)算處理后的信息，通過(guò)V2X通道上傳至后臺(tái)云端進(jìn)行運(yùn)算，實(shí)現(xiàn)道路所有單車(chē)的路徑規(guī)劃，以有效提升自動(dòng)駕駛的效率和安全性。單車(chē)在通過(guò)V2X通道接收云端計(jì)算信息后，根據(jù)本車(chē)的駕駛目的地和對(duì)應(yīng)任務(wù)，自行規(guī)劃路徑以控制本車(chē)運(yùn)行，實(shí)現(xiàn)L4級(jí)別的無(wú)人駕駛和主動(dòng)安全功能。

在導(dǎo)航定位基礎(chǔ)上，傳統(tǒng)的單車(chē)路徑規(guī)劃與車(chē)輛控制主要是依靠道路的數(shù)字地圖來(lái)實(shí)現(xiàn)的。但是，依靠數(shù)字地圖的路徑規(guī)劃是基于靜態(tài)目標(biāo)的，對(duì)于在復(fù)雜道路行駛中的動(dòng)態(tài)目標(biāo)并不具備良好的適應(yīng)性，特別是基于數(shù)字地圖規(guī)劃的路徑，有可能不能滿足車(chē)輛行駛動(dòng)力學(xué)的性能。本文提出了一種基于車(chē)輛動(dòng)力學(xué)性能的參數(shù)辨識(shí)方法，通過(guò)海量的行駛數(shù)據(jù)，辨識(shí)車(chē)輛在各種工況下的動(dòng)力學(xué)參數(shù)，用于提高車(chē)輛行駛軌跡預(yù)估的精度。

1 車(chē)路協(xié)同的自動(dòng)駕駛架構(gòu)

車(chē)路協(xié)同是指道路上的所有單車(chē)側(cè)、相應(yīng)道路側(cè)的智能感知端以及交通后臺(tái)云端共同構(gòu)建車(chē)路協(xié)同系統(tǒng)（見(jiàn)圖1），實(shí)時(shí)規(guī)劃出能夠滿足復(fù)雜道路上所有單車(chē)行駛安全的自動(dòng)駕駛路徑，達(dá)到單車(chē)和道路的安全和效率最優(yōu)平衡。車(chē)路協(xié)同是由單車(chē)側(cè)智能邊緣、道路側(cè)智能邊緣以及交通后臺(tái)云端組成的［2］。行駛在復(fù)雜道路上的所有單車(chē)側(cè)使用傳統(tǒng)低成本的360°全景視覺(jué)感知。在此基礎(chǔ)上，配置車(chē)路協(xié)同的單車(chē)側(cè)邊緣計(jì)算單元。車(chē)路協(xié)同的單車(chē)側(cè)邊緣計(jì)算單元主要實(shí)現(xiàn)兩項(xiàng)功能。第一，按需實(shí)時(shí)提取全景圖像中的特征，包括行駛中的各類車(chē)輛、行走中的各種行人以及關(guān)注事項(xiàng)。第二，實(shí)時(shí)與車(chē)路協(xié)同的道路側(cè)智能終端、交通后臺(tái)云端進(jìn)行數(shù)據(jù)交互；發(fā)送交通后臺(tái)云端所需的單車(chē)側(cè)觀察到的目標(biāo)特征，并接收交通后臺(tái)云端發(fā)來(lái)的全道路場(chǎng)景路徑規(guī)劃信息。復(fù)雜道路側(cè)智能邊緣使用傳統(tǒng)的交通監(jiān)控?cái)z像頭采集道路場(chǎng)景，通過(guò)智能邊緣提取場(chǎng)景中各類事物信息，并通過(guò)總線將提取信息發(fā)送至交通后臺(tái)云端，用于交通大數(shù)據(jù)計(jì)算。交通后臺(tái)云端綜合復(fù)雜道路中所有單車(chē)側(cè)智能邊緣、道路側(cè)智能邊緣實(shí)時(shí)提供的道路場(chǎng)景信息，實(shí)時(shí)規(guī)劃整個(gè)道路中所有單車(chē)的行駛路徑，發(fā)送至單車(chē)側(cè)智能邊緣。單車(chē)側(cè)智能邊緣再結(jié)合本車(chē)實(shí)時(shí)行駛狀態(tài)和本車(chē)預(yù)測(cè)的行駛路徑，綜合判斷并控制車(chē)輛達(dá)到規(guī)劃的路徑。

2 視覺(jué)感知

本文所涉及的視覺(jué)感知包括單車(chē)側(cè)的視覺(jué)感知和道路側(cè)的視覺(jué)感知。單車(chē)側(cè)的視覺(jué)感知主要是以車(chē)為載體構(gòu)建360°環(huán)視場(chǎng)景；道路側(cè)的視覺(jué)感知是以道路上的公共交通設(shè)施布局視覺(jué)傳感器，以構(gòu)建道路全場(chǎng)景路況。單車(chē)智能視覺(jué)感知借鑒了特斯拉的技術(shù)路徑，配裝8個(gè)攝像頭，視野范圍達(dá)360°，對(duì)周?chē)h(huán)境的監(jiān)測(cè)距離最遠(yuǎn)可達(dá)到250 m。其中，第1，2，3個(gè)攝像頭分別為前視視野攝像頭、寬視野攝像頭、窄視野攝像頭。這3個(gè)攝像頭用來(lái)識(shí)別道路上的物體并支持視覺(jué)SLAM和導(dǎo)航。當(dāng)視覺(jué)感知到異物入侵，立即告知單車(chē)智能控制車(chē)輛主動(dòng)避障或制動(dòng)。第4，5，6，7個(gè)攝像頭分別為左側(cè)方后視攝像頭、左側(cè)方前視攝像頭、右側(cè)方后視攝像頭、右側(cè)方前視攝像頭，用于360°環(huán)視，防止盲區(qū)。第8個(gè)攝像頭為后視攝像頭，用于后方障礙物視覺(jué)感知，以利于倒車(chē)、停車(chē)使用［3］。

3 車(chē)路協(xié)同

車(chē)路協(xié)同是單車(chē)側(cè)、道路側(cè)以及云端根據(jù)當(dāng)前車(chē)輛行駛道路的實(shí)時(shí)路況，合理規(guī)劃出滿足單車(chē)個(gè)性化自動(dòng)駕駛的路徑，并加以控制車(chē)輛運(yùn)行實(shí)現(xiàn)。單車(chē)側(cè)是使用其智能V2X智能邊緣計(jì)算終端全景拼接單車(chē)攝像頭的圖像，形成單車(chē)的360°全景圖像，并提取圖像中的特征物，如移動(dòng)車(chē)輛、運(yùn)動(dòng)中的行人以及其他關(guān)注事物，再實(shí)時(shí)上傳云端。單車(chē)側(cè)實(shí)時(shí)接收云端發(fā)來(lái)的當(dāng)前道路全景特征信息，以及云端根據(jù)本車(chē)個(gè)性化行駛需求規(guī)劃的初步路徑。單車(chē)側(cè)根據(jù)云端發(fā)來(lái)的初步規(guī)劃路徑，本車(chē)根據(jù)自身感知周邊環(huán)境信息進(jìn)行校驗(yàn)；如果校驗(yàn)通過(guò)，本車(chē)立即執(zhí)行控制指令，實(shí)現(xiàn)自動(dòng)駕駛和主動(dòng)安全［4］。道路側(cè)是使用智能V2X智能邊緣計(jì)算終端獲取所處道路點(diǎn)位和角度的圖像信息，并提取出特征信息。道路側(cè)通過(guò)V2X通道將壓縮圖像和提取特征發(fā)送至云端。云端根據(jù)單車(chē)側(cè)、道路側(cè)所實(shí)時(shí)提供的信息，全景合成行駛道路的實(shí)時(shí)全景圖像，并提取出圖像中的關(guān)注特征。云端根據(jù)道路全景圖像和特征，再根據(jù)各個(gè)單車(chē)側(cè)發(fā)來(lái)的個(gè)性化行駛需求，針對(duì)單車(chē)側(cè)規(guī)劃相對(duì)應(yīng)的行駛路徑［5］。

4 基于視覺(jué)感知與車(chē)路協(xié)同的導(dǎo)航定位誤差參數(shù)辨識(shí)

單車(chē)側(cè)的視覺(jué)感知場(chǎng)景坐標(biāo)系以攝像頭探測(cè)器靶面中心為原點(diǎn)，向左為X軸正向，向上為Y軸正向。第一，建立視覺(jué)感知的狀態(tài)方程。系統(tǒng)辨識(shí)的狀態(tài)量選擇為視覺(jué)感知縱深、橫側(cè)向的移動(dòng)速度誤差量。第二，建立視覺(jué)感知的觀測(cè)方程。系統(tǒng)辨識(shí)的觀測(cè)量選擇視覺(jué)感知的位置和移動(dòng)速率。第三，確定系統(tǒng)辨識(shí)的待估參數(shù)。系統(tǒng)辨識(shí)的待估計(jì)參數(shù)為視覺(jué)感知的位置和移動(dòng)速率的靜態(tài)誤差分量及其一階系數(shù)。第四，構(gòu)建系統(tǒng)辨識(shí)的靈敏度方程。將視覺(jué)感知的狀態(tài)方程和觀測(cè)方程分別對(duì)待估參數(shù)求導(dǎo)數(shù)，得到系統(tǒng)辨識(shí)的靈敏度方程。第五，采用牛頓拉夫遜迭代算法，迭代計(jì)算出待估計(jì)參數(shù)的數(shù)值［6］。

5 規(guī)劃控制

規(guī)劃控制是由單車(chē)側(cè)和云端共同配合完成的。云端根據(jù)當(dāng)前行駛道路全景和特征，要在眾多固定和移動(dòng)特征目標(biāo)中合理規(guī)劃出一條路徑，同時(shí)要滿足總體行駛安全的要求；接著，云端將規(guī)劃的路徑控制點(diǎn)發(fā)送給單車(chē)。單車(chē)側(cè)在接收到云端規(guī)劃的控制點(diǎn)序列后，再根據(jù)單車(chē)自身的動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)特性，進(jìn)一步細(xì)化出控制點(diǎn)之間的路徑；并據(jù)此控制車(chē)輛的運(yùn)動(dòng)執(zhí)行規(guī)劃的路徑控制。

典型的規(guī)劃控制模式包括直行、左/右轉(zhuǎn)彎等，每種控制模式又分為前行、變道、超車(chē)等子模式。在直行前行模式，云端發(fā)送來(lái)的控制點(diǎn)為直行前行方向的若干個(gè)控制點(diǎn)；單車(chē)側(cè)根據(jù)云端發(fā)來(lái)的若干個(gè)控制點(diǎn)位置和單車(chē)當(dāng)前的位置、速度和加速度信息，通過(guò)單車(chē)的動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)方程，預(yù)測(cè)規(guī)劃出控制點(diǎn)之間的細(xì)化路徑點(diǎn)；單車(chē)再根據(jù)細(xì)化路徑點(diǎn)控制車(chē)輛的姿態(tài)以確保單車(chē)行駛在規(guī)定路徑點(diǎn)上。在轉(zhuǎn)彎前行模式中，單車(chē)的動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)方程根據(jù)設(shè)定的變道轉(zhuǎn)彎控制力矩，其他類似。

6 基于單車(chē)動(dòng)力學(xué)特性的系統(tǒng)參數(shù)辨識(shí)

基于單車(chē)動(dòng)力學(xué)特性的系統(tǒng)參數(shù)辨識(shí)方法如下：第一，建立單車(chē)動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)的狀態(tài)方程。系統(tǒng)辨識(shí)的狀態(tài)量選擇為單車(chē)的位移、速度、加速度、姿態(tài)角、姿態(tài)角速度、姿態(tài)角加速度以及單車(chē)所受合力與合力矩。第二，建立系統(tǒng)辨識(shí)的觀測(cè)方程。系統(tǒng)辨識(shí)的觀測(cè)量選擇單車(chē)的位移、速度、加速度、姿態(tài)角、姿態(tài)角速度、姿態(tài)角加速度。第三，確定系統(tǒng)辨識(shí)的待估參數(shù)。系統(tǒng)辨識(shí)的待估計(jì)參數(shù)為單車(chē)動(dòng)力學(xué)參數(shù)。第四，構(gòu)建系統(tǒng)辨識(shí)的靈敏度方程。將單車(chē)動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)的狀態(tài)方程和觀測(cè)方程分別對(duì)待估參數(shù)求導(dǎo)數(shù)，得到系統(tǒng)辨識(shí)的靈敏度方程。第五，采用牛頓拉夫遜迭代算法，迭代計(jì)算出待估計(jì)參數(shù)的數(shù)值。

7 研究驗(yàn)證

采用簡(jiǎn)化的車(chē)輛兩自由度模型，只考慮車(chē)輛的橫向運(yùn)動(dòng)和橫擺運(yùn)動(dòng)。車(chē)輛所受的橫向加速度是由所受外在合力產(chǎn)生的，合力包括推力、地面摩擦力、阻力等，所受橫擺運(yùn)動(dòng)的角加速度包括所受轉(zhuǎn)動(dòng)力矩和摩擦力矩等。在車(chē)輛機(jī)體坐標(biāo)系內(nèi)所產(chǎn)生的加速度經(jīng)過(guò)坐標(biāo)轉(zhuǎn)換到地理坐標(biāo)系內(nèi)的速度和位移。使用某型車(chē)輛的性能數(shù)據(jù)，得到車(chē)輛的數(shù)學(xué)模型，并根據(jù)交通規(guī)則構(gòu)建動(dòng)態(tài)的道路狀況。在此基礎(chǔ)上，分別模擬汽車(chē)直行、轉(zhuǎn)彎等行駛方式，實(shí)時(shí)給出汽車(chē)的位置、姿態(tài)、速度和加速度信息，作為路徑規(guī)劃的輸入。再模擬云端的規(guī)劃和單車(chē)側(cè)的控制，使得單車(chē)按照規(guī)劃路徑行駛，輸出單車(chē)行駛的位置、姿態(tài)、速度和加速度信息。

在車(chē)路協(xié)同的框架下，采用了某型新能源智能汽車(chē)的動(dòng)力學(xué)性能數(shù)據(jù)，建立了車(chē)輛基本的軌跡預(yù)測(cè)模型。選擇了典型的變道駕駛行為，在系統(tǒng)辨識(shí)導(dǎo)航和動(dòng)力學(xué)參數(shù)的基礎(chǔ)上，開(kāi)展路徑規(guī)劃與控制仿真驗(yàn)證，仿真曲線如圖2所示。

通過(guò)仿真分析，采用了系統(tǒng)辨識(shí)的車(chē)路協(xié)同自動(dòng)駕駛高精規(guī)控方法，可有效提升道路中所有智能汽車(chē)的行駛效率和總體安全性。

8 結(jié)語(yǔ)

本文針對(duì)單車(chē)傳感器本身較難準(zhǔn)確獲取道路全局實(shí)時(shí)狀態(tài)的技術(shù)難點(diǎn)，提出了車(chē)路協(xié)同框架下的視覺(jué)感知低成本技術(shù)途徑；并在V2X車(chē)路協(xié)同技術(shù)底座上，由單車(chē)與道路共建的全局實(shí)時(shí)狀態(tài)感知與路徑規(guī)劃控制策略，為L(zhǎng)4級(jí)別自動(dòng)駕駛提供一種可行的技術(shù)路徑。針對(duì)道路中單車(chē)導(dǎo)航精度的難點(diǎn)，提出了基于車(chē)路協(xié)同與視覺(jué)感知相結(jié)合的導(dǎo)航方法，并通過(guò)系統(tǒng)辨識(shí)的方法提升導(dǎo)航精度。針對(duì)單車(chē)規(guī)劃與控制精度的難點(diǎn)，提出了基于車(chē)輛動(dòng)力學(xué)特性和駕駛數(shù)據(jù)的動(dòng)力學(xué)參數(shù)辨識(shí)方法，有效提升了智能汽車(chē)的行駛效率和總體安全性。

參考文獻(xiàn)

［1］高祥，張濤，劉毅，等.視覺(jué)SLAM十四講［M］.北京：電子工業(yè)出版社，2017.

［2］LUIGI B，CLAUDIO M.自動(dòng)化設(shè)備和機(jī)器人的軌跡規(guī)劃［M］.段晉軍，梁兆東，趙鑫，等，譯.北京：電子工業(yè)出版社，2022.

［3］趙茂程，劉英.機(jī)器視覺(jué)系統(tǒng)及農(nóng)林工程應(yīng)用［M］.北京：中國(guó)林業(yè)出版社，2018.

［4］余伶俐，周開(kāi)軍，陳白帆.智能駕駛技術(shù)——路徑規(guī)劃與導(dǎo)航控制［M］.北京：機(jī)械工業(yè)出版社，2020.

［5］喻凡.車(chē)輛動(dòng)力學(xué)及其控制［M］.北京：機(jī)械工業(yè)出版社，2020.

［6］熊璐，曾德全，冷搏，等.自動(dòng)駕駛汽車(chē)運(yùn)動(dòng)規(guī)劃與控制［M］.武漢：華中科技大學(xué)出版社，2022.

（編輯 何 琳）