劉志強，張光林，鄭曰文，賀曉宇

（江蘇大學(xué)汽車與交通工程學(xué)院，鎮(zhèn)江 212013）

前言

交通環(huán)境日益復(fù)雜，在高級駕駛員輔助系統(tǒng)和自主駕駛中，由于單一傳感器對目標(biāo)車輛識別準(zhǔn)確率低，越來越不能滿足人們的安全要求［1－2］，因此，基于多傳感數(shù)據(jù)融合的車輛識別與跟蹤研究受到越來越多的關(guān)注。

車輛的運動軌跡是非線性的，因此對于非線性系統(tǒng)的狀態(tài)估計是車輛識別中信息融合的基礎(chǔ)。而信息融合中，初始融合算法在近似過程中繼承擴展卡爾曼濾波算法［3］的1階和2階截斷誤差，對目標(biāo)的局部估計產(chǎn)生較大影響，這個問題可以通過Sigma點濾波器［4］或離散差分濾波器［5］來解決。針對此問題，文獻(xiàn)［6］和文獻(xiàn)［7］中提出了基于無跡卡爾曼濾波的無跡信息融合（UIF）算法，該算法避免了非線性函數(shù)雅可比矩陣的復(fù)雜運算，使高斯分布的噪聲得到抑制，然而該算法受外部環(huán)境影響較大。車輛跟蹤的另一個挑戰(zhàn)是：由于傳感器節(jié)點感知、通信連接失效和節(jié)點移動性等原因，產(chǎn)生信號稀疏和隨機動態(tài)通信拓?fù)洳环€(wěn)定的問題［8］，進(jìn)而導(dǎo)致傳感器間通信效率低，造成信號的延遲處理和丟包等現(xiàn)象。針對以上問題，文獻(xiàn)［9］中提出了一種基于回路系統(tǒng)的高效迭代方法，該方法在處理時滯信號時精度較高，但算法復(fù)雜，工程實踐中難以實現(xiàn)。文獻(xiàn)［10］中針對稀疏無線傳感器網(wǎng)絡(luò)中的傳感器信號丟包現(xiàn)象，采用加權(quán)平均一致性算法對UIF進(jìn)行改進(jìn)，能夠在稀疏無線傳感器網(wǎng)絡(luò)中完成跟蹤車輛目標(biāo)的任務(wù)，但可能由于通信拓?fù)錈o向圖的連通性間斷而失效。

基于此，本文中采用無人駕駛數(shù)據(jù)感知環(huán)境的典型配置［11－12］——毫米波雷達(dá)與攝像頭組合對目標(biāo)進(jìn)行數(shù)據(jù)采集。為提高車輛自主導(dǎo)航的準(zhǔn)確性，本文中基于擴展信息融合（EIF）和無跡信息融合（UIF）原理，提出了一種無固定子濾波器形式的分布式融合框架。針對傳感器數(shù)量有限、信號延遲、丟包等問題，提出了一種改進(jìn)的無跡卡爾曼濾波算法——檢測無跡信息融合算法（checking unscented information filters，CUIF），該算法通過多傳感器檢測系統(tǒng)建立相關(guān)的通信網(wǎng)絡(luò)，通過收集的延遲信號的實時系統(tǒng)狀態(tài)來補償時間，獲得每個傳感器的最佳決策值，縮短傳感器數(shù)據(jù)傳輸時間。

1 多傳感器融合算法架構(gòu)

攝像頭和毫米波雷達(dá)傳感器提供有效的車輛狀態(tài)數(shù)據(jù)：毫米波雷達(dá)提供車輛位置和縱向速度數(shù)據(jù)（x，y，vy），攝像頭提供車輛位置、大小和類型數(shù)據(jù)（x，y，width，type）。將數(shù)據(jù)信息進(jìn)行預(yù)處理后在基于CUIF算法的融合中心進(jìn)行融合，可獲得目標(biāo)車輛完整的位置、速度、大小和類型信息（x，y，vy，width，type）?；贑UIF算法的融合流程如圖1所示。

基于CUIF算法的融合架構(gòu)采用分布式結(jié)構(gòu)，將來自不同傳感器的軌跡相互關(guān)聯(lián)并融合，以獲得目標(biāo)軌跡。本文中采用貝葉斯公式計算目標(biāo)的狀態(tài)估計，從而獲得雷達(dá)和攝像頭的次優(yōu)解，即局部估計值，隨后在分布式融合結(jié)構(gòu)中組合傳感器的局部估計值，以獲得全局估計。

圖1 基于CUIF算法的融合流程圖

為消除融合中心更新方程中的測量信息，提出一種集中式融合方法，即通過將全局最優(yōu)集中融合方法進(jìn)行矩陣變換來融合測量數(shù)據(jù)；因此，集中式融合算法的一些優(yōu)點也被繼承。算法中的融合中心不僅須輸入每個傳感器的濾波器估計值，還有預(yù)期的估計值，該信息可通過一般濾波算法獲得；因此，該融合算法不依賴于單個傳感器的特定濾波器算法，各種非線性濾波算法都可以在融合中心中實現(xiàn)。

2 基于CUIF算法的多傳感器信息融合

對車輛系統(tǒng)進(jìn)行建模如下：

式中：xk為k時刻n維狀態(tài)向量；為k時刻第i個傳感器的觀測向量；f（xk－1）為系統(tǒng)的過程函數(shù)；hi（xk－di）為第 i個傳感器的觀察時間延遲；di為時間延遲參數(shù)，當(dāng)無法估計時間延遲時，di被假定為常數(shù)且0≤di≤1為第i個傳感器的觀測損失函數(shù)，滿足伯努利分布；wk－1為協(xié)方差 Q（k）為零均值高斯白噪聲的過程噪聲；為第i個傳感器觀察到的協(xié)方差R（k）為零均值高斯白噪聲的測量噪聲。

2.1 分布式融合過程

雷達(dá)和攝像頭測量數(shù)據(jù)的狀態(tài)估計值可以通過貝葉斯公式計算：

完成第k－1步的狀態(tài)更新后，須計算下一個時間步驟的系統(tǒng)預(yù)測函數(shù)：

式中 Γi（xk，di，wk）為具有時間間隔 di的系統(tǒng)過程函數(shù)。

考慮到時間延遲的觀測補償為

式中A（di）為維度觀測延遲補償矩陣。

基于式（1）和式（2）系統(tǒng)模型，具有無損觀測值和延遲補償?shù)膫鞲衅鞯淖顑?yōu)估計值可以用信息濾波來表示：

為消除融合中心更新方程中的測量信息，提出一種集中式融合方法，該融合方法通過矩陣變換得到全局最優(yōu)估計值，則融合結(jié)果為

2.2 無跡信息融合算法

車輛目標(biāo)信息狀態(tài)向量與協(xié)方差為

式中：z＾k為目標(biāo)狀態(tài)向量；為協(xié)方差。

使用擴展信息濾波算法（EIF），對上述兩公式更新：

式中：lk為新息增益值；Plk為新息協(xié)方差矩陣；Hk為觀測方程的偏導(dǎo)數(shù)；εk為濾波新息，滿足 εk＝y(tǒng)k－。

則預(yù)測的目標(biāo)狀態(tài)向量及其協(xié)方差定義為

利用無跡卡爾曼濾波算法定義目標(biāo)擴展?fàn)顟B(tài)向量和協(xié)方差矩陣：

即可獲得2na＋1個樣本點：

式中：λ＝α2（na＋κ）－na為比例參數(shù)，可用于調(diào)整 Sigma點和之間的距離，κ被設(shè)置為 0或 3－n；α決定了的分布，而 Sigma點通常設(shè)置為較小的正數(shù)；對于高斯分布，β被設(shè)置為2。

然后通過無跡變換獲得新的預(yù)測方程：

2.3 分布式檢測系統(tǒng)

為補償系統(tǒng)的丟包、誤報警等保真度損失，增添了分布式檢測系統(tǒng)［13］，在這個系統(tǒng)中，每個傳感器都包含2個單元：一個檢測單元（Di）和一個數(shù)據(jù)融合單元（Fi）。傳感器間的通信結(jié)構(gòu)如圖2所示。

圖2 兩傳感器分布式檢測系統(tǒng)

圖中，原假設(shè)H0表示不存在目標(biāo)的信號，備擇假設(shè)H1表示存在目標(biāo)的信號；yi為第i個傳感器Si的測量數(shù)據(jù)，i＝1，2；Uit為 Di產(chǎn)生的決策向量，Ujr為數(shù)據(jù)融合單元Fj產(chǎn)生的決策向量，Uit和Ujr通過同一個通信網(wǎng)絡(luò)傳輸，該網(wǎng)絡(luò)負(fù)責(zé)傳輸對應(yīng)傳感器S的決策向量；ufi為每個傳感器Si的最終決策量。

每個傳感器的最小預(yù)期值計算步驟如下［14］：

（1）第i個傳感器Si接收觀測數(shù)據(jù)為yi，假設(shè)觀測數(shù)據(jù)是假設(shè)條件H下的獨立隨機事件：

（2）通過yi和Di計算第n－1次局部決策值uij（i≠j）：

式中uij為從Di獲得的中間決策，由Sj用于獲得最終決策ufj。

（3）根據(jù)yi和Uir可以得到每個Fi的最終決策ufi：

（4）J（ufj，H）為 Sj做出最終決策 ufj的代價，其中H為真的假設(shè)?？傻?/p>

不等式表示發(fā)生判斷錯誤要比不發(fā)生錯誤付出更高的代價。

（5）進(jìn)一步假設(shè)

通過步驟（1）～步驟（5）可以得到最優(yōu)策略γfi和 γji，然后

最后，由分布式融合算法和多傳感器檢測方案可以得到多傳感器融合結(jié)果為

3 仿真與試驗驗證

3.1 仿真驗證

為驗證多傳感器融合模型的準(zhǔn)確性和有效性，本文中采用CarSim與Simulink聯(lián)合仿真開展算法驗證和比較分析，在CarSim中將路面附著系數(shù)設(shè)置為0.5，試驗車速設(shè)置為 40 km／h，采樣時間為0.01 s。根據(jù)雷達(dá)和攝像頭傳感器的測量特點，在仿真數(shù)據(jù)中加入噪聲，并單獨加入通信延時，然后將不同維的2組目標(biāo)序列送入融合中心進(jìn)行信息融合和狀態(tài)估計。仿真流程如圖3所示。

本文中假定雷達(dá)和攝像頭的測量過程是相互獨立的，利用EIF、UIF和改進(jìn)的CUIF算法對信息融合中心進(jìn)行仿真，3種算法對同一輛汽車進(jìn)行持續(xù)跟蹤，從而檢測算法的準(zhǔn)確率。

為了突出延遲補償?shù)男Ч?，仿真中不考慮啟動距離和信號損失，車輛目標(biāo)都在仿真的初始階段進(jìn)入毫米波雷達(dá)和攝像頭的檢測范圍。圖4和圖5分別為采用不同算法時自車與目標(biāo)之間的橫向距離和徑向距離的誤差。

圖3 仿真流程圖

圖4 車輛目標(biāo)徑向距離誤差分析

圖5 車輛目標(biāo)橫向距離誤差分析

從圖4和圖5可以看出，在目標(biāo)車輛橫、徑方向的誤差分析中，EIF和UIF仍具有較大誤差波動。CUIF利用自動檢測系統(tǒng)的時間延遲和數(shù)據(jù)包丟失功能，通過收集的延遲信號的實時系統(tǒng)狀態(tài)來補償時間，從而在更高程度上消除了分組丟失信號對檢測精度的不利影響。從圖中可以看出，與其他融合算法相比，隨著時間的推移，本文提出的CUIF算法在橫、縱向距離的相對誤差更小，魯棒性更強，保證系統(tǒng)在實際應(yīng)用中更加準(zhǔn)確地追蹤目標(biāo)車輛的軌跡。

3.2 試驗驗證

本文中采用別克凱越轎車搭載德爾福76－77 GHz的ESR毫米波雷達(dá)和IFV－300智能攝像頭對前方目標(biāo)車輛進(jìn)行數(shù)據(jù)采集，如圖6所示。

同時利用Matlab中的可視化模塊和Simulink工具箱聯(lián)合搭建目標(biāo)車輛追蹤驗證平臺［15］，如圖7所示。

圖7 前方車輛識別驗證平臺

為了更好地驗證該融合算法，本文選定上午10：00～12：00時間段進(jìn)行試驗，避免車輛高峰期對試驗造成不必要的影響，選取鎮(zhèn)江市金港大道路段作為試驗場地。采樣一定次數(shù)后，目標(biāo)車輛橫、縱向距離的狀態(tài)估計結(jié)果如圖8所示。

通過圖8的融合軌跡可以看出，該融合算法可以得到較好的狀態(tài)估計值，能夠?qū)崟r檢測前方目標(biāo)車輛，測量精度相對于單一傳感器有了很大改善，有助于提高車輛的主動避撞性能。

對CUIF、EIF和UIF算法在時間延遲和丟失率上進(jìn)行了定量比較，如表1所示。EIF和UIF算法相比于單傳感器在目標(biāo)丟失率方面有了很大改善，但在時間延遲方面改進(jìn)不大。相比于EIF和UIF，CUIF算法在目標(biāo)丟失率方面減少了10%以上，并將時間延遲縮短至5 ms，滿足系統(tǒng)對實時性的要求。

4 結(jié)論

（1）針對單一傳感器前方目標(biāo)車輛識別準(zhǔn)確率低的問題，考慮成本和車載傳感器特點，本文中提出了一種基于毫米波雷達(dá)和攝像頭信息融合的目標(biāo)識別方法。

圖8 橫、縱向距離狀態(tài)估計結(jié)果

表1 各種檢測方法性能對比

（2）針對復(fù)雜環(huán)境下傳感器信息延遲和丟包的問題，提出了基于EIF和UIF的CUIF算法來估計車輛系統(tǒng)狀態(tài)，并建立了相應(yīng)的通信網(wǎng)絡(luò)，使傳感器數(shù)據(jù)傳輸?shù)臅r間延遲縮短至5 ms，丟失率相對于其他算法也提升了10%以上。

（3）仿真和試驗結(jié)果表明，相比于EIF和UIF融合算法，CUIF算法充分考慮了信號質(zhì)量，有效提升了檢測準(zhǔn)確率。從試驗結(jié)果可以看出，該融合算法在對目標(biāo)車輛的橫、縱向距離的狀態(tài)估計方面較單一傳感器有了明顯改善，可以滿足對動態(tài)目標(biāo)的識別和跟蹤要求。