1 前言

先進(jìn)駕駛輔助系統(tǒng)（ADAS）使用安裝在車(chē)輛上的各種傳感器從車(chē)輛內(nèi)部和外部收集環(huán)境數(shù)據(jù)，并識(shí)別和檢測(cè)靜態(tài)和動(dòng)態(tài)對(duì)象，使駕駛員能夠在最快的時(shí)間內(nèi)意識(shí)到可能發(fā)生的危險(xiǎn)，提高主動(dòng)安全技術(shù)的安全性。其中目標(biāo)檢測(cè)、道路標(biāo)志識(shí)別、自動(dòng)駕駛狀態(tài)估計(jì)、目標(biāo)定位等是智能駕駛輔助系統(tǒng)（ADAS）和自動(dòng)駕駛的關(guān)鍵。

2 目標(biāo)檢測(cè)技術(shù)的研究[1]

開(kāi)發(fā)智能駕駛輔助系統(tǒng)（ADAS）和自動(dòng)駕駛、實(shí)時(shí)穩(wěn)定的行車(chē)目標(biāo)檢測(cè)是汽車(chē)環(huán)境感知的關(guān)鍵模塊之一。利用多傳感器融合（如攝像頭、毫米波雷達(dá)、激光雷達(dá)等）可準(zhǔn)確、完整地獲取目標(biāo)信息。毫米波雷達(dá)在惡劣天氣條件下可以提供相對(duì)較高的距離和速度分辨率，但其視場(chǎng)有限、橫向分辨率低、無(wú)法識(shí)別目標(biāo)類(lèi)型。然而，攝像頭可以提供準(zhǔn)確的目標(biāo)類(lèi)型，但障礙物距離估計(jì)精度較低，若將二者的數(shù)據(jù)進(jìn)行融合，則可提供更準(zhǔn)確、完整的目標(biāo)信息，提高環(huán)境感知性能。

圖1 SSD模型結(jié)構(gòu)[1]

作者Yu提出一種基于卡爾曼濾波和貝葉斯估計(jì)相結(jié)合的目標(biāo)檢測(cè)方法，具體步驟如下：

（1）利用SSD（Single Shot MultiBox Detector）算法對(duì)攝像頭所捕獲圖像中的目標(biāo)進(jìn)行檢測(cè)，得到目標(biāo)的類(lèi)型和邊界(圖1)。SSD方法基于卷積網(wǎng)絡(luò)（CNN），其模型結(jié)構(gòu)主要包括基礎(chǔ)網(wǎng)絡(luò)、用于檢測(cè)的多尺度特征圖、用于檢測(cè)的卷積預(yù)測(cè)器、默認(rèn)邊界和長(zhǎng)寬比。

（2）利用坐標(biāo)變換矩陣統(tǒng)一攝像頭與雷達(dá)的坐標(biāo)系。相關(guān)坐標(biāo)系包括世界坐標(biāo)系、雷達(dá)坐標(biāo)系、攝像頭坐標(biāo)系和圖像像素坐標(biāo)系，其中世界坐標(biāo)系原點(diǎn)位置與雷達(dá)坐標(biāo)系原點(diǎn)位置一致。

（3）利用卡爾曼濾波對(duì)雷達(dá)和攝像頭檢測(cè)到的目標(biāo)進(jìn)行跟蹤，以降低測(cè)量噪聲。

（4）基于貝葉斯估計(jì)計(jì)算融合權(quán)重，根據(jù)融合權(quán)重和跟蹤結(jié)果對(duì)目標(biāo)數(shù)據(jù)進(jìn)行融合。

設(shè)計(jì)仿真實(shí)驗(yàn)來(lái)測(cè)試和優(yōu)化所提方法，仿真實(shí)驗(yàn)中，目標(biāo)類(lèi)型是行人和車(chē)輛，目標(biāo)的動(dòng)力學(xué)模型為CV模型，目標(biāo)的橫、縱向距離是融合數(shù)據(jù)。實(shí)驗(yàn)表明，卡爾曼濾波可以顯著降低測(cè)量噪聲，且融合算法可以提高估計(jì)精度。

3 道路標(biāo)志識(shí)別系統(tǒng)技術(shù)的研究[2]

標(biāo)志識(shí)別在智能交通、智能汽車(chē)自主駕駛等領(lǐng)域有著重要的應(yīng)用，對(duì)道路標(biāo)志進(jìn)行準(zhǔn)確的檢測(cè)和識(shí)別，可以減少事故發(fā)生的可能性，確保行車(chē)安全（圖2）。

圖2 訓(xùn)練圖集

作者Wang設(shè)計(jì)了一種基于OPSA點(diǎn)集距離和小波變換的道路標(biāo)志識(shí)別方法，以提高輔助駕駛系統(tǒng)和無(wú)人駕駛安全。該方法主要包括三個(gè)階段：

（1）圖像去噪、恢復(fù)。采用中值濾波器對(duì)圖像進(jìn)行去噪。中值濾波是一種非線性平滑技術(shù)，它將每個(gè)像素的灰度值設(shè)置為該點(diǎn)附近窗口內(nèi)所有像素灰度值的中值，可以克服線性濾波產(chǎn)生的圖像模糊，有助于消除噪聲和脈沖干擾。中值濾波使用帶有奇數(shù)個(gè)點(diǎn)的滑動(dòng)窗口來(lái)去除噪聲，不同圖像與不同要求時(shí)需要選擇不同的窗口大小和形狀。

（2）特征提取。特征提取是指從一組特征中選取一些最有效的特征，以達(dá)到縮小特征空間尺寸的目的。在特征提取階段，采用基于小波變換的特征提取識(shí)別方法，小波反映信號(hào)的細(xì)節(jié)，大尺度小波反映信號(hào)的輪廓，克服了傳統(tǒng)傅里葉特征提取方法的不足，保證了高頻信息不丟失，低頻信息不丟失。其中，對(duì)于二維圖像數(shù)據(jù)，將每一層小波變換分解為圖像的四個(gè)部分，分別表示近似低頻、垂直高頻、水平高頻和對(duì)角高頻部分的圖像。

（3）圖像識(shí)別。使用多個(gè)地標(biāo)圖像來(lái)創(chuàng)建一個(gè)訓(xùn)練集圖像庫(kù)，對(duì)所有圖像進(jìn)行分解，并將低頻小波系數(shù)生成的圖像保存為特征圖像，創(chuàng)建特征圖像庫(kù)。然后，使用OPSA點(diǎn)集距離來(lái)識(shí)別圖像。

該方法實(shí)現(xiàn)了道路標(biāo)志的精確識(shí)別，且具有較強(qiáng)的魯棒性，對(duì)駕駛輔助系統(tǒng)的研究具有一定的指導(dǎo)意義。

4 目標(biāo)車(chē)輛狀態(tài)估計(jì)技術(shù)的研究[3]

前車(chē)檢測(cè)與跟蹤作為自主車(chē)輛環(huán)境感知系統(tǒng)的關(guān)鍵環(huán)節(jié)，在自主車(chē)輛環(huán)境感知系統(tǒng)中起著重要的作用。然而，目標(biāo)車(chē)輛的一些關(guān)鍵狀態(tài)在所有駕駛情況下都難以直接準(zhǔn)確地測(cè)量。

作者Li研究了一種利用攝像頭、激光雷達(dá)等多臺(tái)主機(jī)車(chē)輛傳感器收集的信息來(lái)估計(jì)目標(biāo)車(chē)輛狀態(tài)的方法。具體步驟如下：

（1）建立一種基于Serret-Frenet方程的車(chē)輛動(dòng)力學(xué)模型，用于解釋目標(biāo)車(chē)輛的橫向運(yùn)動(dòng)。基于Serret-Frenet公式，在參考曲線上建立Serret-Frenet坐標(biāo)系。前車(chē)的橫向狀態(tài)（如橫向速度、偏航角等）不能直接準(zhǔn)確地得到，但是傳感器可以得到與車(chē)輛橫向狀態(tài)密切相關(guān)的可用狀態(tài)和測(cè)量值，從而估計(jì)車(chē)輛的橫向狀態(tài)。其中，車(chē)輛橫向運(yùn)動(dòng)模型及道路約束信息如圖3所示：

圖3 車(chē)輛橫向運(yùn)動(dòng)模型及道路約束信息

（2）在道路測(cè)量約束和車(chē)輛運(yùn)動(dòng)學(xué)模型的基礎(chǔ)上，設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)觀測(cè)器估計(jì)下一時(shí)刻車(chē)輛的橫向狀態(tài)。建立車(chē)輛橫向動(dòng)力學(xué)狀態(tài)時(shí)間序列與道路約束的非線性映射關(guān)系，選擇目標(biāo)車(chē)輛對(duì)道路中心線的側(cè)向偏移量、相對(duì)航向角、道路中心線和道路參考曲率作為神經(jīng)網(wǎng)絡(luò)的輸入。采用貝葉斯正則化反向傳播訓(xùn)練算法對(duì)目標(biāo)車(chē)輛的橫向速度、偏航角和側(cè)偏角進(jìn)行建模，調(diào)整權(quán)值以使真實(shí)值與神經(jīng)網(wǎng)絡(luò)估計(jì)輸出值之間的誤差最小化。在Levenberg-Marquardt中加入貝葉斯正則化可以進(jìn)一步提高RNN神經(jīng)網(wǎng)絡(luò)的泛化性能。

在dSPACE實(shí)時(shí)計(jì)算機(jī)上進(jìn)行CarSim/Simulink聯(lián)合仿真，驗(yàn)證該方法的有效性。將改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)估計(jì)方法與卡爾曼濾波和前饋神經(jīng)網(wǎng)絡(luò)方法進(jìn)行比較，可知神經(jīng)網(wǎng)絡(luò)觀測(cè)器對(duì)目標(biāo)車(chē)輛狀態(tài)的估計(jì)更為準(zhǔn)確。因而，該方法對(duì)更好地識(shí)別自動(dòng)駕駛中目標(biāo)車(chē)輛行為有一定的指導(dǎo)意義。

5 車(chē)載雷達(dá)目標(biāo)定位技術(shù)的研究[4]

毫米波車(chē)載雷達(dá)是智能駕駛輔助系統(tǒng)（ADAS）和自主駕駛系統(tǒng)中最重要的傳感器之一，該裝置通過(guò)處理發(fā)射信號(hào)和回波信號(hào)來(lái)檢測(cè)汽車(chē)周?chē)哪繕?biāo)車(chē)輛。由于基于奈奎斯特采樣原理的雷達(dá)信號(hào)處理方法的采樣率過(guò)高，范圍、速度和方位角的分辨率不能滿足高度自主駕駛的要求，尤其是方位角的要求。在空間域內(nèi)，目標(biāo)在車(chē)載雷達(dá)探測(cè)范圍內(nèi)呈稀疏分布。針對(duì)這些問(wèn)題，本章提出一種基于壓縮感知的車(chē)載雷達(dá)目標(biāo)定位算法。

車(chē)載雷達(dá)如圖4所示，為了提高當(dāng)前車(chē)載雷達(dá)的角度測(cè)量精度，采用了雷達(dá)天線的多輸入多輸出（MI?MO）結(jié)構(gòu)?？紤]車(chē)載雷達(dá)探測(cè)區(qū)域的距離-速度-方位聯(lián)合估計(jì)模型，基于目標(biāo)在整個(gè)空間的稀疏分布圖，在估計(jì)目標(biāo)的距離和速度時(shí)，將整個(gè)空間除以距離-速度網(wǎng)格?？臻g中不同的目標(biāo)對(duì)應(yīng)著距離-速度平面上不同的網(wǎng)格點(diǎn)。同時(shí)，估計(jì)目標(biāo)的距離、速度和方位角時(shí)，還需要考慮方位角方向的維數(shù)，因此整個(gè)空間劃分網(wǎng)格離散化。為了得到稀疏的值列矩陣，采用稀疏的自適應(yīng)匹配追蹤算法以重建信號(hào)與接收壓縮信號(hào)。

圖4 車(chē)載雷達(dá)場(chǎng)景

與傳統(tǒng)的雷達(dá)算法相比，該算法提高了目標(biāo)的距離分辨能力和對(duì)相鄰目標(biāo)的識(shí)別能力。在方位角估計(jì)方面，與MUSIC（多重信號(hào)分類(lèi)）算法相比，壓縮感知能夠獲得更好的角度分辨率。

6 結(jié)束語(yǔ)

智能駕駛輔助系統(tǒng)（ADAS）是當(dāng)前的研究熱點(diǎn)，基于相關(guān)技術(shù)解決了目標(biāo)檢測(cè)、道路標(biāo)志識(shí)別、自動(dòng)駕駛狀態(tài)估計(jì)、目標(biāo)定位等問(wèn)題才更有助于ADAS技術(shù)的進(jìn)一步發(fā)展。