徐華全，葉德超，謝振東，董志國，于潔涵

（1.廣東工業(yè)大學，廣州 510000；2.廣州市公共交通集團有限公司，廣州 510000）

近年來，云計算、大數(shù)據、人工智能等新興技術迅速發(fā)展，并與傳統(tǒng)產業(yè)加速融合，極大地促進了無人車技術的研究。路徑規(guī)劃作為無人駕駛領域的研究熱點之一，根據出行的需求，通過路徑規(guī)劃算法在起點和終點之間規(guī)劃一條最優(yōu)的路徑，縮短行車距離、減少出行時間，可以有效地提高人們的出行效率。環(huán)境感知是實現(xiàn)無人車路徑規(guī)劃的另一個關鍵技術，為無人車識別交通信息、檢測障礙物、實時避障提供了必要的技術支撐，準確的環(huán)境感知信息是無人車安全和穩(wěn)定的基礎前提。

路徑規(guī)劃是當車輛在具有交通信號燈、行人、車輛等障礙物的道路上行駛時，規(guī)劃從起點到目標點的無碰撞的最優(yōu)路徑。一般路徑規(guī)劃可以分為局部路徑規(guī)劃和全局路徑規(guī)劃，兩者常合并使用。局部路徑規(guī)劃是指車輛在行駛過程中實時感知行駛環(huán)境從而實現(xiàn)動態(tài)避障。常見的局部路徑規(guī)劃算法包括人工勢場法、神經網絡法、模擬退火法等。全局路徑規(guī)劃又稱為靜態(tài)規(guī)劃算法，是指基于全局地圖、基于約束條件從起點到目標點構建的成本最低、效率最高的行車路徑規(guī)劃。常見的全局路徑規(guī)劃算法包括Dijkstra算法、RRT算法、蟻群算法等。

目標檢測技術可實現(xiàn)視頻圖像信息的識別與定位，及時反饋到控制中心進行路徑決策，實時、準確的目標檢測是無人車實現(xiàn)路徑規(guī)劃的前提。車路協(xié)同模式是常見的一種實現(xiàn)環(huán)境感知的方式，車輛通過搭載傳感器設備和利用路旁的物聯(lián)網設備，獲得交通信號燈、道路擁堵情況、車輛行駛速度等實時的行車數(shù)據。車機協(xié)同模式是通過無人機搭載的視覺傳感器等圖像識別設備，感知車輛在道路上行駛的環(huán)境信息，反饋到車載圖像處理器，并利用模式識別、圖像檢測等技術判斷障礙物的存在。本文所采用的是基于無人機智能系統(tǒng)的車機協(xié)同模式，可以充分地發(fā)揮無人在空中的靈活性優(yōu)勢，避免車路協(xié)同模式下可能出現(xiàn)的因路旁設備出現(xiàn)故障或被認為損壞導致的識別不準問題。

1 無人智能系統(tǒng)模型

無人機與無人車協(xié)同的車機模式是針對單車智能存在的問題而改進的。在車機協(xié)同模式下，為獲得城市交通實時、準確的路況信息，把無人車系統(tǒng)和無人機系統(tǒng)相結合，通過協(xié)同云平臺實現(xiàn)任務派發(fā)，為無人車提供全面、準確的環(huán)境感知信息，實現(xiàn)路徑規(guī)劃。

無人智能系統(tǒng)結構如圖1所示。該無人智能系統(tǒng)主要由無人車子平臺、無人機子平臺、協(xié)同平臺、數(shù)據傳輸系統(tǒng)組成。

圖1 無人智能系統(tǒng)模型

1.1 無人車子平臺

無人車子平臺由圖像處理模塊、無線通信模塊、視覺傳感器等組成。通過無人機對行駛信息進行檢測，通過高清圖傳向協(xié)同聯(lián)動平臺上傳圖片視頻資料。當識別到道路的障礙物信息或道路異常（地面積水、塌陷、施工路障等）時，云平臺向無人車和出行信息平臺上報情況，無人車接收到信息后作出繞行任務。

1.2 無人機子平臺

無人機子平臺搭載了視頻采集設備、無線圖像發(fā)射機、電池等裝置、無線通信設備和數(shù)據傳輸傳輸模塊。主要任務是獲取無人車的行駛環(huán)境信息，并實現(xiàn)數(shù)據傳輸。

1.3 協(xié)同平臺

協(xié)同平臺主要負責進一步的數(shù)據處理與共享，是集圖像數(shù)據接收、圖像信息處理、路徑規(guī)劃發(fā)布等多種功能于一體的綜合控制中心。其核心任務是根據視頻圖像數(shù)據，實現(xiàn)任務派發(fā)。

1.4 數(shù)據傳輸系統(tǒng)

數(shù)據傳輸系統(tǒng)主要通過5G-V2X網絡，實現(xiàn)車與機、車與路側設備之間的通信，將車輛速度、方向、加速度等信息經過處理后上傳至路側基站或向周邊車輛發(fā)布，為車輛的輔助駕駛提供支撐。

2 無人智能系統(tǒng)軟件設計

依據V2X應用開發(fā)采用層次化、模塊化設計的原則，將應用軟件與硬件平臺獨立開來，開發(fā)完成具有較高的可測試性、可擴展性和可移植性的V2X通信協(xié)議。整體軟件可劃分為I/O層、應用服務層和應用層。每層軟件劃分為多個相互獨立的模塊，耦合性低。

I/O層主要負責設備與外部設備的通信功能，實現(xiàn)設備所有數(shù)據的輸入輸出，包括GPS模塊、無線通信模塊和控制器域網（CAN）通信等。

應用服務層主要負責對輸入數(shù)據的整合、處理，并分發(fā)至應用層，同時為應用層提供數(shù)據發(fā)送的接口，對應用層輸出的各安全預警進行統(tǒng)一調度和仲裁，輸出最緊急的預警信息。

應用層主要負責常見的安全應用和第三方應用，實現(xiàn)影響車輛安全的危險判別和輸出。

在以上3層軟件中，各層相互獨立、結合度低。只有I/O層與硬件平臺相關聯(lián)，通過預先設定不同的接口，置換該層的軟件即可，在不同的硬件平臺之間移植變得容易。同時，安全應用程序之間相互獨立，應用程序的擴展容易。

3 無人智能系統(tǒng)關鍵技術研究

3.1 基于YOLOv3的交通目標檢測算法

基于YOLOv2算法，YOLOv3引入了殘差模型Darknet-53，優(yōu)化后的網絡卷積層數(shù)為53個。同時，YOLOv3引入了FPN架構，從不同的尺度提取目標特征，在保持著不錯的計算速度的同時，檢測的精度也得到了提高。作為全新的end-to-end，基于回歸的深度學習目標檢測算法，與其他深度學習算法有以下區(qū)別。

1）R-CNN、Faster-RCNN也是目前廣泛應用的目標檢測方法，YOLO系列算法的突出優(yōu)勢在于其檢測速度上可以滿足實時性的要求。在城市道路中行駛的車輛，需要實時檢測路況的信息，對實時性的要求非常高，因此，YOLO算法在圖像處理上具有明顯優(yōu)勢。

2）YOLO算法可直接將一幅圖像作為卷積模型的輸入，回歸目標類別和檢測位置，實現(xiàn)end-to-end的目標檢測。R-CNN等算法為了實現(xiàn)目標的檢測位置，首先需要判斷框架中是否存在目標，通過線性回歸等方法調整檢測的位置和大小。

3.1.1 基于YOLOv3的障礙物檢測實驗與結果分析

傳統(tǒng)的檢測模型逐漸被替代，而基于深度學習的目標檢測模型廣泛應用到了城市智能交通領域。面對數(shù)據量大、實時性高、環(huán)境復雜的交通環(huán)境，需要運算速度快、識別精度高的檢測模型來完成分類和定位任務，為車輛的路徑規(guī)劃提供基礎條件。

該實驗是在Pycharm環(huán)境下進行，基于Darknet、Python、numpy和opencv等。數(shù)據集擁有超過330 K張的圖像，其中的220K張帶有圖像標注，數(shù)據集包含了150萬個目標，行人、汽車、交通信號燈等80個目標類別，如圖2所示。

圖2 測試集中部分圖片的目標檢測結果

從測試集的檢測結果可見，YOLOv3網絡模型對路況信息的檢測效果基本滿足要求，在實驗中僅對少數(shù)的一些較遠的目標類存在漏檢。據上述分析可知，無人機平臺在處理圖像信息時，YOLO算法可以較好地標定障礙物信息，引導無人車更安全地躲避障礙物。同時YOLO系列的算法也在不斷地優(yōu)化，應用到無人車的環(huán)境感知效果會越來越好。

3.2 基于改進人工勢場法的無人車路徑規(guī)劃

3.2.1 人工勢場模型

無人車在人工勢場法中，受目標點對車輛的引力場作用和障礙物對車輛的斥力場作用，兩者的合力為車輛行駛的路徑方向。假設在一個二維運動空間中，存在一輛小車和一個目標點，并且小車的當前位置和目標點坐標分別為Lc（xc，yc）、Lg（xg，yg），那么目標點相對于車輛當前位置的引力場函數(shù)為

式中：λ是引力場系數(shù)。

對引力場函數(shù)求梯度，即求引力場對距離的導數(shù)。所得的結果即為無人車受到的引力

此時，在無人車的行駛過程中存在障礙物Lo（xo，yo），則定義障礙物對車輛當前所處位置的斥力場函數(shù)為

式中：η為斥力場系數(shù)，D（Lc，Lo）為無人車到障礙物的距離，Do為斥力勢場的作用范圍，只有在斥力作用范圍內的無人車才會受到斥力作用。

對斥力函數(shù)求梯度，即求斥力場對障礙物距離的導數(shù)。所得的結果即為無人車受到的斥力

綜上所述，無人車在運動空間中受到的合力為

3.2.2 改進人工勢場模型

當障礙物存在于接近目標點的區(qū)域時，由于Lc-Lg較小，引力Faat非常小，障礙物斥力越來越大，無人駕駛汽車因此無法到達目標點。因此，通過引入無人車與目標位置的距離到斥力函數(shù)，減少無人車在目標點位置時受到的斥力影響，改進后的斥力函數(shù)

在人工勢場法中，由于Lc-Lg過大，受到的引力Faat大，使得斥力相對較小，導致無人車與障礙物發(fā)生碰撞。可在距離目標點較遠的位置減少無人車收到的引力作用，具體改進后的引力函數(shù)為

式中：l為設定的距離，當無人車到目標點的距離大于該值時，可以有效降低車輛受到的引力。

3.2.3 改進人工勢場實驗仿真

根據3.1.1中YOLOv3的目標檢測方法，能夠識別障礙物位置信息。通過圖像預處理，將障礙物質點化，將障礙物的位置信息變換為對應的二維空間坐標并存儲，供路徑規(guī)劃的模擬。

實驗在MATLAB進行，主要的步驟包括構建空間坐標系、初始化參數(shù)、障礙物信息、引力常數(shù)和斥力常數(shù)等；通過改進后的引力和斥力場函數(shù)進行引力、斥力及合力的計算。為了驗證改進后的效果，將改進前的算法于改進后的算法進行比較。實現(xiàn)結果如圖3所示。

如圖3（a）所示，車輛行駛至距離目標點較近的位置，受到障礙物的影響，此時由于斥力作用較大，導致無人車發(fā)生振蕩，無法到達目標點；在圖3（b）中，由于車輛的位置距離目標點較遠，受到的引力較大，與障礙物發(fā)生了碰撞。圖3（c）和圖3（d）是改進后的仿真效果，可以看出改進后的算法可以有效地解決傳統(tǒng)人工勢場法存在的問題，無人車可以順利避障和目標可達。

圖3 傳統(tǒng)人工勢場法與改進后的效果對比

圖4 傳統(tǒng)人工勢場法下路徑規(guī)劃路線

圖5 改進人工勢場法下路徑規(guī)劃路線

將無人機采集到的某一幀圖像的障礙物位置信息導入，模擬在該環(huán)境下無人車的路徑規(guī)劃。在MATLAB上處理器為i77500U CPU@2.70GHz，改進后的算法在面對障礙物時表現(xiàn)要更優(yōu)，路徑更平滑，體驗更好。改進后的人工勢場法處理障礙物的能力更強，路徑更短，路徑平滑度更高，如圖4、圖5所示。相關數(shù)據對比見表2。

表2 人工勢場算法實驗數(shù)據

4 結論

本文提出的面向無人智能系統(tǒng)的車機模式是對無人車單車智能模式的補充，綜合考慮目標檢測和路徑規(guī)劃2項無人車重要技術，提出了基于YOLOv3算法和改進人工勢場法相結合的無人車局部路徑規(guī)劃方案。實驗結果表明：VOLOv3算法對城市交通中常見標志物的檢測具有很好的實時性和精確性；改進后的人工勢場法顯著提高了無人車路徑平滑度，有效地規(guī)劃出車輛的行駛路徑。隨著YOLO系列算法的不斷發(fā)展，可以更好地應用于障礙物檢測中，但無人車在實際復雜環(huán)境下的避障能力有待后續(xù)進一步研究。