李聞達(dá) 王 崢 李慧云 方文其 梁嘉寧

1(中國科學(xué)院深圳先進(jìn)技術(shù)研究院 深圳 518055)

2(山東理工大學(xué) 淄博 255000)

1 引 言

無人車也被稱為智能車輛，是當(dāng)今車輛工程與機(jī)器人技術(shù)、人工智能結(jié)合最熱門的領(lǐng)域之一[1]。Ernst Dickmanns 在 20 世紀(jì) 80 年代開啟智能汽車發(fā)展之路[2]。1994 年，在美國由卡內(nèi)基梅隆大學(xué)研發(fā)的 Navlab 從賓州的匹茲堡行駛到加州的圣迭哥，其中自主駕駛部分達(dá) 98.2%[3]。意大利的帕爾瑪大學(xué)研制的智能車將傳感器進(jìn)行了內(nèi)嵌，該智能車可以同時(shí)應(yīng)用于高速公路和城市道路，通過采用視覺導(dǎo)航的方式對交通信號燈及交通標(biāo)記進(jìn)行有效的識(shí)別，實(shí)現(xiàn)行人檢測的能力，經(jīng)過多年研究 Vislab 智能車已經(jīng)具備了多項(xiàng)自主駕駛的功能[4,5]。我國近年來在無人駕駛領(lǐng)域也取得了飛速發(fā)展。例如，百度無人駕駛汽車在北京進(jìn)行全程自動(dòng)駕駛測跑，實(shí)現(xiàn)了多次跟車減速、變道、超車、上下匝道、調(diào)頭等復(fù)雜駕駛動(dòng)作，完成進(jìn)出高速道路等不同場景的切換，最高時(shí)速可達(dá) 100 km/h[6]。21 世紀(jì)以來，許多汽車制造廠商推出了具有輔助駕駛、自動(dòng)泊車、自動(dòng)入庫等功能的車輛，如傳統(tǒng)的汽車巨頭 BBA 及沃爾沃等汽車品牌都已在自己旗下的不同車型上應(yīng)用了最先進(jìn)的自動(dòng)駕駛系統(tǒng)，通過雷達(dá)、探頭、全球定位系統(tǒng)(Global Position System，GPS)、視覺傳感器等裝置，車輛可以按照預(yù)定的線路自動(dòng)駕駛，可以說目前半自動(dòng)駕駛技術(shù)已經(jīng)相對比較成熟。

安全、高效的導(dǎo)航方法是無人車實(shí)現(xiàn)的關(guān)鍵[7]。導(dǎo)航定位系統(tǒng)利用高精度 GPS 采集位置信息及車速，從而通過核心控制單元進(jìn)行處理，根據(jù)位置和角度信息控制執(zhí)行機(jī)構(gòu)?，F(xiàn)階段無人駕駛導(dǎo)航策略大多應(yīng)用于車道線或引導(dǎo)線標(biāo)記清晰的結(jié)構(gòu)化道路[8]，但在國內(nèi)依然有許多鄉(xiāng)村道路不具備實(shí)現(xiàn)該導(dǎo)航機(jī)制的條件[9]。其次，標(biāo)記詳細(xì)的高精度地圖雖然能滿足自動(dòng)駕駛導(dǎo)航的需要，但其數(shù)據(jù)量龐大，數(shù)據(jù)的處理和融合相對耗時(shí)、困難，亦給自動(dòng)駕駛技術(shù)的落地帶來了巨大挑戰(zhàn)[10,11]。

為了解決以上問題，本文提出了一種基于輕量級矢量地圖的智能車導(dǎo)航方法。該方法包含地圖構(gòu)建與導(dǎo)航部分。其中，地圖構(gòu)建部分創(chuàng)新采用道路點(diǎn)(waypoint)與標(biāo)簽(way tag)相結(jié)合的機(jī)制。道路點(diǎn)用來描述各條道路并標(biāo)記精準(zhǔn)的道路經(jīng)緯度及無人駕駛決策信息；道路標(biāo)簽從高層次抽象組織道路點(diǎn)，從而極大地降低數(shù)據(jù)的重復(fù)存儲(chǔ)。導(dǎo)航部分緊密結(jié)合道路點(diǎn)與標(biāo)簽的地圖結(jié)構(gòu)，通過運(yùn)用預(yù)瞄點(diǎn)與歷史點(diǎn)快速?zèng)Q定車輛的轉(zhuǎn)向角，有效實(shí)現(xiàn)路徑追蹤。本文所提出的地圖構(gòu)建與導(dǎo)航方法可作為無人駕駛的基礎(chǔ)模塊，可與激光雷達(dá)數(shù)據(jù)處理、車輛避障算法、車輛動(dòng)力學(xué)模型相結(jié)合，實(shí)現(xiàn)算法與存儲(chǔ)的輕量級化，降低無人駕駛對硬件設(shè)備計(jì)算能力的需求。

2 相關(guān)研究進(jìn)展

目前智能車導(dǎo)航主要通過以下 3 種方式：

(1)基于視覺道路標(biāo)志線跟蹤導(dǎo)航，其代表為特斯拉公司所用導(dǎo)航技術(shù)。智能車首先利用攝像頭拍攝道路周圍環(huán)境的局部圖像，并通過圖像處理技術(shù)中的特征識(shí)別、距離估計(jì)等，進(jìn)行智能車定位及其下一步的動(dòng)作規(guī)劃；然后，利用傅里葉變換處理全方位圖像，并將關(guān)鍵位置圖像經(jīng)過變換得到的數(shù)據(jù)存儲(chǔ)起來，將其作為下一步的參考點(diǎn)；最后，將攝像頭拍攝的圖像與之對比，從而得到車輛的當(dāng)前位置，進(jìn)一步實(shí)現(xiàn)對智能車的局部路徑規(guī)劃。在新的環(huán)境中通過圖像處理數(shù)據(jù)分析出環(huán)境中的道路，不需要事先建立數(shù)據(jù)庫以及鋪設(shè)大量的輔助設(shè)施[3]。

(2)基于激光雷達(dá)的高精地圖導(dǎo)航，其代表是 Google 公司無人車。其借助激光三維點(diǎn)云構(gòu)建周圍環(huán)境的幾何關(guān)系，通過實(shí)時(shí)采集周邊點(diǎn)云與地圖中點(diǎn)云相匹配，從而對無人車進(jìn)行準(zhǔn)確定位。

(3)基于差分 GPS(DGPS)的導(dǎo)航，其代表為百度無人車。然而，百度無人車導(dǎo)航需依賴激光雷達(dá)和視覺生成的高精度地圖，比普通地圖對信息的需求更大，行駛路段都需要配備激光雷達(dá)的數(shù)據(jù)采集車進(jìn)行實(shí)測。例如，四維圖新?lián)碛?600輛數(shù)據(jù)采集車，可以采集全景影像數(shù)據(jù)、路面影像數(shù)據(jù)、亞米級高精度 GPS 數(shù)據(jù)、路測近距離激光雷達(dá)等高精度數(shù)據(jù)，其對車載電腦的存儲(chǔ)與計(jì)算能力要求極高，相對資金花費(fèi)會(huì)更高[17]。同時(shí)激光點(diǎn)云的實(shí)時(shí)匹配的準(zhǔn)確性受周圍動(dòng)態(tài)環(huán)境的影響較大，而且激光雷達(dá)無法對周圍環(huán)境中的路標(biāo)、指示牌和紅綠燈等信息進(jìn)行提取，導(dǎo)致其對復(fù)雜路況理解能力的局限性等問題尚未解決。

當(dāng)今車載定位和手機(jī)定位運(yùn)用的是單一的GPS，提供的定位精度是優(yōu)于 25 m，而為得到更高的定位精度，無人車通常采用差分 GPS 技術(shù)，將差分 GPS 接收機(jī)安置在基準(zhǔn)站上進(jìn)行觀測。根據(jù)基準(zhǔn)站已知精密坐標(biāo)，計(jì)算出基準(zhǔn)站到衛(wèi)星的距離改正數(shù)，并由基準(zhǔn)站實(shí)時(shí)將這一數(shù)據(jù)發(fā)送出去。用戶接收機(jī)在進(jìn)行 GPS 觀測的同時(shí)，也接收到基準(zhǔn)站發(fā)出的改正數(shù)，并對其定位結(jié)果進(jìn)行改正，從而得到厘米級的定位精度。

3 無人駕駛導(dǎo)航系統(tǒng)

本文采用差分 GPS 錄制無人車導(dǎo)航矢量地圖并對地圖進(jìn)行濾波分類處理，從而規(guī)劃全局行駛路徑，利用激光雷達(dá)進(jìn)行前方障礙物檢測，根據(jù)激光雷達(dá)的信息反饋動(dòng)態(tài)調(diào)整局部路徑進(jìn)行避障，最后輸出方向盤轉(zhuǎn)角、油門和制動(dòng)踏板深度信息到底層控制器。無人駕駛系統(tǒng)的示意圖見圖 1。

佛像的當(dāng)代性，是指以當(dāng)下的審美理念塑造的佛像，符合當(dāng)下人們的審美習(xí)慣，并在理念、形式、樣式上有別于其他時(shí)期，但這種時(shí)代特征必須是在如法的范圍內(nèi)，目前國內(nèi)有許多藝術(shù)家在探討嘗試中，能否成為這個(gè)時(shí)代的典型之作需要塑造者不斷的探索與時(shí)間的沉淀。

圖1 無人駕駛導(dǎo)航系統(tǒng)結(jié)構(gòu)示意圖Fig. 1 Navigation system structure diagram of autonomous vehicle

3.1 矢量地圖建立與全局路徑規(guī)劃

主流智能駕駛技術(shù)依賴于高精度地圖對環(huán)境信息的準(zhǔn)確描述，而高精度地圖對存儲(chǔ)要求較高。例如，Levinson 與 Thrun[18]通過數(shù)據(jù)壓縮技術(shù)將 20 000 英里的道路信息存儲(chǔ)于 200 GB 的空間，相當(dāng)于每公里 6.25 MB 的存儲(chǔ)密度。如此龐大的數(shù)據(jù)量對車載電腦的存儲(chǔ)容量是極高的挑戰(zhàn)，亦給數(shù)據(jù)處理和融合所需計(jì)算的實(shí)時(shí)性帶來巨大困難。

相比之下，本文采用輕量級矢量地圖與軌跡跟蹤算法相結(jié)合的方法達(dá)到自主導(dǎo)航效果。具體來說，該地圖建立方法利用差分 GPS 抽取經(jīng)緯度信息，去除大規(guī)模激光點(diǎn)云數(shù)據(jù)，通過在地圖中標(biāo)記車道、十字路口、速度限制等關(guān)鍵信息達(dá)到準(zhǔn)確導(dǎo)航的目的。本文采用的矢量地圖如圖 2所示，共 13 條道路 26 條車道，總行駛里程約 5公里僅占用約 500 kB 的數(shù)據(jù)存儲(chǔ)，相當(dāng)于每公里 100 kB 存儲(chǔ)密度，極大地簡化了數(shù)據(jù)結(jié)構(gòu)，同時(shí)確保了高精度。

全局路徑規(guī)劃模塊是根據(jù)矢量地圖和起點(diǎn)、終點(diǎn)信息，規(guī)劃全局路徑。具體步驟如下：

(1)如圖 2 所示某地區(qū)高精度矢量地圖，首先將每條車道進(jìn)行編號(如 1, 2, 3,…)，并分別將每條車道經(jīng)緯度信息、對應(yīng)道路的紅綠燈和標(biāo)志牌等存儲(chǔ)到 MATLAB 的 cell 矩陣中，建立waypoint 數(shù)組。然后，建立 way tag 數(shù)組作為各路口的標(biāo)簽和車道線的連接，定義路口直行、左拐、右拐、變道和掉頭。圖 3 所示為 MATLAB中 way tag 和 waypoint 數(shù)組。way tag 行序號為每條車道編號(如 1～26 號)，列序號為路口決策編號(如直行、左拐、右拐、左變道、右變道、掉頭)。way tag 表格則為下一步要行駛的車道編號(－1 表示無車道)。例如，當(dāng)車輛從 3 號車道左轉(zhuǎn)行駛到 11 號車道，該 11 號車道對應(yīng)的waypoint 如圖 3 所示，包含該車道的經(jīng)緯度、紅綠燈、人行橫道和限速標(biāo)志等。1 表示該位置有以上標(biāo)志；相反，－1 表示沒有。車輛可根據(jù)以上信息確定參考車速或停車等待，保證車輛行駛符合道路交通法規(guī)。

圖2 某地區(qū)高精度矢量地圖Fig. 2 High precision vector map of a certain area

圖3 Waypoint 和 way tag 數(shù)組Fig. 3 Waypoint and way tag array

(2)利用差分 GPS 實(shí)時(shí)定位搜尋車輛在地圖上的投影點(diǎn)，從而確定起始點(diǎn)，并通過指定行駛方向，或給定終點(diǎn)坐標(biāo)的方式確定終點(diǎn)，從而得到規(guī)劃行駛路徑。

3.2 差分 GPS 數(shù)據(jù)處理與路徑跟蹤

差分 GPS 數(shù)據(jù)處理模塊主要是定義經(jīng)緯度范圍、過濾錯(cuò)誤數(shù)據(jù)和消除噪聲，并實(shí)時(shí)打印定位點(diǎn)和地圖投影點(diǎn)。

路徑跟蹤模塊將根據(jù)差分 GPS 和預(yù)先錄制的 waypoint 信息產(chǎn)生一個(gè)適當(dāng)?shù)霓D(zhuǎn)向位置命令，并根據(jù)方向盤轉(zhuǎn)角匹配適當(dāng)?shù)男旭偹俣?。利用差?GPS 可以獲取車輛的實(shí)時(shí)位置，從錄制地圖中能夠看到車輛運(yùn)動(dòng)的參考路徑。

如圖 4 所示，綠色線條為預(yù)先錄制的車輛 waypoint；藍(lán)點(diǎn)為車輛定位點(diǎn)；紅點(diǎn)為車輛waypoint 投影點(diǎn)。為使藍(lán)點(diǎn)不斷趨近于地圖中紅點(diǎn)，設(shè)計(jì)了一種角度的算法來實(shí)現(xiàn)。如圖 5 所示，藍(lán)色區(qū)域?yàn)檐囕v的幾何模型，C點(diǎn)是當(dāng)前車輛的定位點(diǎn)，即圖 4 中藍(lán)點(diǎn)；A點(diǎn)為車輛先前的定位點(diǎn)；B點(diǎn)和D點(diǎn)(紅點(diǎn))分別是地圖中距離A點(diǎn)和C點(diǎn)的最近點(diǎn)；E是預(yù)瞄點(diǎn)，即車輛的目標(biāo)位置。向量BC和向量BD的夾角為，其正負(fù)和大小可以用來判斷車輛的位置誤差；為向量AC和向量DE夾角，為車輛動(dòng)態(tài)行駛路徑與參考路徑的角誤差，通過不斷修正使和減小直到趨于 0，使車輛沿規(guī)劃路徑行駛。公式(1～8)為根據(jù)各點(diǎn)的經(jīng)緯度計(jì)算相應(yīng)向量。其中，下標(biāo)x、y表示該向量在x軸、y軸方向的大小。

圖4 車輛的實(shí)時(shí)位置和路徑規(guī)劃Fig. 4 Real-time location and path planning of the vehicle

最后，航向角為：

其中，coeff1與coeff2為權(quán)重系數(shù)，用來調(diào)整、對航向角的影響。該角度需要在測試中進(jìn)行調(diào)整，建議在轉(zhuǎn)彎時(shí)通過降低車速來優(yōu)化跟蹤waypoint 的效果。

圖5 車輛和路徑的幾何關(guān)系Fig. 5 The geometric relationship between vehicles and paths

3.3 動(dòng)態(tài)路徑調(diào)整模塊

動(dòng)態(tài)路徑調(diào)整模塊功能主要是在同一行駛方向具備多車道時(shí)，實(shí)現(xiàn)基于差分 GPS 的避障，即遇到障礙物后進(jìn)行車道切換。障礙物檢測可基于視覺或激光雷達(dá)的信息反饋，一旦決定避障，則可將參考 waypoint 從當(dāng)前車道切換到另一并行車道，通過計(jì)算與并行車道 waypoint 的航向角從而實(shí)現(xiàn)車道切換。若新車道仍檢測到障礙物，則需停車等待障礙物清空后再繼續(xù)行駛。在實(shí)現(xiàn)過程中將多車道 waypoint 分別建立，但存儲(chǔ)于同一數(shù)組中不同行(列)，當(dāng)避障時(shí)切換投影 waypoint，從而節(jié)省計(jì)算時(shí)間。亦可在車道waypoint 數(shù)組中指定優(yōu)先級，在確認(rèn)避障結(jié)束后切換到第一優(yōu)先級車道，避免逆行。如圖 6 所示為四條并行車道 waypoint。

3.4 轉(zhuǎn)向、油門、制動(dòng)模塊

轉(zhuǎn)向、油門、制動(dòng)模塊主要功能是將方向盤角度和速度命令發(fā)送給車輛底層控制器。本文采用 CANanalyzer 搭建 MATLAB 與CAN(Controller Area Network)總線的信息交互平臺(tái)，將上層模塊計(jì)算的角度和速度信息發(fā)送到底層控制器并控制無人車的轉(zhuǎn)向和啟停。

4 實(shí)驗(yàn)

4.1 實(shí)驗(yàn)建立

本文采用實(shí)時(shí)動(dòng)態(tài)差分全球定位系統(tǒng)(Novatel DGPS)進(jìn)行實(shí)驗(yàn)測試，由接收機(jī)、天線、無線調(diào)制解調(diào)器和電池組成，具體如圖 7(a)、(b)所示。其中，最大采樣率為 10 Hz，定位精度為 5 cm。設(shè)備分為基站與移動(dòng)站，基站覆蓋半徑為 20 km的區(qū)域，可以建立單一基站對多移動(dòng)站的使用方式。實(shí)驗(yàn)將基站搭建在樓頂，移動(dòng)站搭建在車內(nèi)，通過 4G 信號(中國移動(dòng))實(shí)現(xiàn)基站與移動(dòng)站之間的數(shù)據(jù)傳輸，從而實(shí)現(xiàn)較好的數(shù)據(jù)接收效果。

圖6 四條并行車道 waypointFig. 6 Four parallel waypoints

圖7 差分 GPS 搭建與測試Fig. 7 DGPS setup and testing

實(shí)驗(yàn)過程中，首先搭建差分 GPS 導(dǎo)航定位平臺(tái)，進(jìn)行錄制園區(qū)內(nèi)無人車行駛路徑，然后建立差分 GPS 和 MATLAB 接口，將地圖導(dǎo)入MATLAB 中，進(jìn)行算法編寫。圖 7(c)為園區(qū)路徑在谷歌地球上呈現(xiàn)的效果圖，圖 7(d)為未處理的矢量地圖。由圖 7 可以看出，與普通 GPS 相比，Novatel DGPS 具備較高的抗干擾性與準(zhǔn)確性，適合基于其進(jìn)行路徑追蹤與避障。

本文采用禾賽科技 Pandar40 四十線激光雷達(dá)和 Hokuyo 單線激光雷達(dá)對障礙物進(jìn)行檢測與避障。其中，二者位于車前保險(xiǎn)杠中央，Pandar40 安裝在下方，Hokuyo 在上方，安裝位置如圖 8 所示。實(shí)驗(yàn)車輛為開沃新能源汽車，前置前輪驅(qū)動(dòng)，裝有電子助力轉(zhuǎn)向(EPS)和整車控制單元(VCU)，通過 CAN 總線可以控制車輛的運(yùn)行狀態(tài)。采用創(chuàng)芯科技的 CANalyst-II 分析儀對上位機(jī)和底層 CAN 總線進(jìn)行連接。從而搭建MATLAB 與 CAN 總線的信息交互平臺(tái)，將上位機(jī)計(jì)算的角度和速度信息通過分析儀發(fā)送到底層控制器。

圖8 差分 GPS 和激光雷達(dá)安裝位置Fig. 8 Vehicle with mounted DGPS and Lidar

4.2 實(shí)驗(yàn)結(jié)果

4.2.1 路徑追蹤測試

圖9 為錄制某地區(qū)的矢量地圖，其中紅色和綠色線條表示路徑。該地圖以 20 km/h 勻速行駛進(jìn)行錄制，waypoint 采樣頻率為 10 Hz。在矢量地圖中確定起點(diǎn)和終點(diǎn)，如圖中的Start點(diǎn)和End點(diǎn)。路徑規(guī)劃算法依據(jù)起點(diǎn)和終點(diǎn)規(guī)劃出一條最優(yōu)路徑，從起點(diǎn)到終點(diǎn)，車輛經(jīng)過的路徑依次為1-2-3-4-5-6，用紅色實(shí)線標(biāo)識(shí)，其他路徑用綠色虛線標(biāo)識(shí)，通過路口用A、B、C、D、E表示。

圖9 最優(yōu)全局路徑的矢量地圖Fig. 9 The vector map of optimal global path

為了檢驗(yàn)路徑跟蹤算法的準(zhǔn)確性，本實(shí)驗(yàn)采用人為駕駛和自動(dòng)駕駛來驗(yàn)證。因?yàn)樗俣鹊牟煌瑫?huì)對路徑追蹤的效果有較大影響，所以實(shí)驗(yàn)選擇在平均車速為 15 km/h、20 km/h 兩種車速下測試。

圖10(a)是當(dāng)車輛以平均車速 15 km/ h 行駛時(shí)，車輪轉(zhuǎn)角隨路徑變換的關(guān)系。其中，紅色為車輛沿規(guī)劃路徑自動(dòng)駕駛時(shí)車輪轉(zhuǎn)角的變化曲線；藍(lán)色為人為駕駛的轉(zhuǎn)向角變化曲線；綠色直方圖是以上兩個(gè)角度之差，用來衡量自動(dòng)駕駛的準(zhǔn)確性。由圖10(a)可以看到，當(dāng)車輛直線行駛時(shí)，角度誤差較小，保持在 2°以內(nèi)；當(dāng)轉(zhuǎn)彎時(shí)，角度誤差有增大趨勢，但基本達(dá)到轉(zhuǎn)向所需轉(zhuǎn)角。

圖10(b)為平均車速 20 km/h 時(shí)車輪轉(zhuǎn)向角與行駛路徑的關(guān)系。由圖可以看到，車速增大后，直線行駛時(shí)角度誤差較之前變化不大，轉(zhuǎn)彎時(shí)誤差較之前稍有增大，自動(dòng)駕駛轉(zhuǎn)向角比人為駕駛轉(zhuǎn)向角出現(xiàn)輕微的角度滯后。

圖10 不同車速下車輪轉(zhuǎn)向角與行駛路徑之間的關(guān)系Fig. 10 Relationship between wheel steering angle and driving path at different speeds

以上實(shí)驗(yàn)結(jié)果表明，隨著車速的增大角度誤差會(huì)增大并出現(xiàn)角度滯后。分析其原因有以下幾點(diǎn)：首先，差分 GPS 在進(jìn)行精準(zhǔn)定位時(shí)會(huì)有約0.2 s 的定位延時(shí)，造成轉(zhuǎn)向角滯后；其次，雖然差分 GPS 達(dá)到了很高的定位精度，但依然會(huì)有因噪聲產(chǎn)生定位誤差，這對轉(zhuǎn)向角的計(jì)算非常敏感；最后，速度調(diào)節(jié)器不能完全維持車速的恒定，尤其在有坡度的道路測試中。為了減小以上因素的影響，要求車速限制在 20 km/h 以內(nèi)。

在圖 5 車輛和路徑的幾何關(guān)系中，地圖中預(yù)瞄點(diǎn)E和車輛在地圖上投影點(diǎn)D的距離大小對路徑跟蹤也有較大影響。實(shí)驗(yàn)中選取距投影點(diǎn)20～60 個(gè) waypoint 的地圖坐標(biāo)作為預(yù)瞄點(diǎn)E。因?yàn)轭A(yù)瞄點(diǎn)E對路徑追蹤的影響只發(fā)生在轉(zhuǎn)彎情形中，故在圖 9 中沿路徑 1-A-2-B-3 測試角度誤差和 waypoint 個(gè)數(shù)的關(guān)系，滿足了左轉(zhuǎn)彎、右轉(zhuǎn)彎兩種情形。

圖11 為預(yù)瞄點(diǎn)與車輛轉(zhuǎn)向角誤差變化關(guān)系。因?yàn)榻嵌日`差存在正負(fù)，故采取角度誤差的絕對值之和來衡量誤差的大小。由圖 11 可以看出，當(dāng)距離從 20 到 50 時(shí)，角度誤差之和呈減小趨勢；當(dāng)距離達(dá)到 60 時(shí)，誤差開始增大。這是因?yàn)楫?dāng)預(yù)瞄點(diǎn)距離過近時(shí)，算法中計(jì)算向量的夾角變化過于頻繁，造成轉(zhuǎn)向角不斷增大，車輛轉(zhuǎn)向過度。而預(yù)瞄點(diǎn)距離太遠(yuǎn)時(shí)，向量夾角變化過于遲鈍，造成車輛轉(zhuǎn)向不足。綜上所述，投影點(diǎn)與預(yù)瞄點(diǎn)之間點(diǎn)的個(gè)數(shù)應(yīng)在 50 左右，以保證轉(zhuǎn)角誤差最小。

圖11 預(yù)瞄點(diǎn)與車輛轉(zhuǎn)向角誤差變化關(guān)系Fig. 11 Relationship between target point and vehicle steering angle error

4.2.2 動(dòng)態(tài)路徑調(diào)整測試

實(shí)驗(yàn)一：在行駛過程中放入障礙物來檢測動(dòng)態(tài)路徑調(diào)整模塊，如圖 12(a)所示。實(shí)驗(yàn)采用假人作為障礙物進(jìn)行實(shí)車測試。當(dāng)激光雷達(dá)檢測到前方有障礙物時(shí)，動(dòng)態(tài)路徑調(diào)整模塊作出反應(yīng)，將參考 waypoint 從當(dāng)前車道切換到另一并行車道，計(jì)算與并行車道 waypoint 的航向角實(shí)現(xiàn)車道切換，當(dāng)繞過障礙物后車輛切換到原有車道繼續(xù)行駛。

圖12 動(dòng)態(tài)路徑調(diào)整Fig. 12 Dynamic path adjustment

實(shí)驗(yàn)二：在兩條并行車道上分別放有假人和箱子作為障礙物，如圖 12(b)所示。當(dāng)車輛行駛過程中檢測到前方有障礙物 1(假人)，從當(dāng)前車道切換到另一并行車道，緊接著又檢測到該并行車道有障礙物 2(箱子)，動(dòng)態(tài)路徑調(diào)整模塊作出反應(yīng)，制動(dòng)停車并等待障礙物清空后繼續(xù)行駛。

為了檢驗(yàn)動(dòng)態(tài)路徑調(diào)整算法的準(zhǔn)確性和有效性，本實(shí)驗(yàn)依然采用人為駕駛和自動(dòng)駕駛來對比驗(yàn)證。圖 13(a)、(b)分別為雙車道中單個(gè)和兩個(gè)障礙物情況下車輛轉(zhuǎn)向角與行駛路徑的關(guān)系。由圖可以看出，自動(dòng)駕駛的轉(zhuǎn)向角和人為駕駛的轉(zhuǎn)向角基本吻合，最大角度為 15°左右，滿足正常切換車道所需角度。但為保證行駛安全，激光雷達(dá)探測到障礙物距離 5 m 時(shí)觸發(fā)動(dòng)態(tài)路徑調(diào)整模塊，相比正常人為駕駛距離略遠(yuǎn)，如圖 13 中M點(diǎn)。自動(dòng)駕駛轉(zhuǎn)向角變化要提前于人為駕駛，同樣角度峰值點(diǎn)也提前到達(dá)。

5 結(jié) 論

圖13 動(dòng)態(tài)路徑調(diào)整下車輪轉(zhuǎn)向角與行駛路徑之間的關(guān)系Fig. 13 Relationship between wheel steering angle and driving path in dynamic path adjustment

本文提出了一種基于矢量地圖的無人車導(dǎo)航方法。首先，建立無人車導(dǎo)航矢量地圖，然后利用矢量地圖和激光雷達(dá)完成路徑跟蹤及動(dòng)態(tài)路徑調(diào)整的避障，并實(shí)車測試其實(shí)時(shí)性和準(zhǔn)確性。該策略不依賴于激光雷達(dá)的高精度地圖創(chuàng)建，因?yàn)榧す恻c(diǎn)云的實(shí)時(shí)匹配受到動(dòng)態(tài)環(huán)境的影響較大，在復(fù)雜環(huán)境中降低了車輛定位的準(zhǔn)確性。在實(shí)時(shí)避障方面，激光雷達(dá)無法對周圍環(huán)境中的語義信息進(jìn)行提取(如路標(biāo)、紅綠燈等)，導(dǎo)致其對復(fù)雜路況的理解能力存在局限性。本文基于差分 GPS創(chuàng)建的地圖通過對關(guān)鍵信息的標(biāo)記(如車道、標(biāo)志、速度、紅綠燈等)，增加了無人車對環(huán)境語義的理解能力，通過分段標(biāo)記的方法實(shí)現(xiàn)動(dòng)態(tài)形式路線的變化。與此同時(shí)，結(jié)合激光雷達(dá)的實(shí)時(shí)障礙物檢測能力，通過改變矢量地圖中參考路徑，實(shí)現(xiàn)了避障、車道線切換等功能，在實(shí)現(xiàn)動(dòng)態(tài)駕駛決策的同時(shí)提高了駕駛安全性。另外，在準(zhǔn)確導(dǎo)航的同時(shí)極大地降低了對存儲(chǔ)空間的要求，每公里道路僅產(chǎn)生 100 kB 的數(shù)據(jù)存儲(chǔ)，且定位精度可達(dá)到厘米級。實(shí)車測試結(jié)果表明，本文提出的車輛轉(zhuǎn)向角算法和避障策略效果良好，基本完成規(guī)劃路線的行駛。但在隧道或有遮蔽的道路，差分 GPS 定位精度受到較大影響，未來可考慮加入慣性測量單元進(jìn)行輔助定位。在實(shí)時(shí)避障方面，其對車速和障礙物動(dòng)靜態(tài)也有一定的要求，未來將對這一問題作進(jìn)一步研究。