基于縮微車的智能駕駛設(shè)計與研究

2013-04-07 07:46:06李必軍

測繪通報 2013年1期

程港，李必軍

（武漢大學(xué)測繪遙感信息工程國家重點實驗室，湖北武漢 430079）

一、引言

信息化時代下，汽車工業(yè)已飛速發(fā)展，智能駕駛將是未來汽車的重要發(fā)展方向和趨勢。

智能駕駛的研究工作可以大幅提高公路的通行能力，減少公路交通堵塞，降低汽車油耗，提高公路交通的安全性，有效提高交通運輸效率。縱觀國內(nèi)外智能駕駛的發(fā)展歷史，其研究過程可分為3個階段。第1階段是基于視覺的智能車輛導(dǎo)航探索性研究階段，典型代表有美國馬里蘭大學(xué)等開發(fā)的ALV（autonomous land vehicle）［1］、德國聯(lián)邦國防軍大學(xué)的 VaMoRs［2］等；第2階段是汽車輔助駕駛系統(tǒng)應(yīng)用研究階段，典型應(yīng)用包括車道偏離報警、車速自適應(yīng)控制、Stop＆Go等；第3階段是無人駕駛車輛整車技術(shù)的突破階段，美國國防部高級研究計劃局DARPA組織了多次無人駕駛車輛超級挑戰(zhàn)賽［3］，如斯坦福大學(xué)的 Junior［4］和CMU的BOSS［5］。自主駕駛智能車系統(tǒng)一般是利用傳感器來獲取道路場景、車輛姿態(tài)；然后通過局部路徑規(guī)劃和駕駛行為決策機制，確定車體控制（速度、方向、剎車）指令；行使過程中則依賴傳感器獲取的實時信息，結(jié)合反饋機制，實現(xiàn)自適應(yīng)行駛控制與駕駛安全。國家自然科學(xué)基金委員會在2009年以后也每年主辦中國“智能車未來挑戰(zhàn)”比賽，吸引了國內(nèi)多所知名高校和研究機構(gòu)的積極參與。

由于真車的智能駕駛研究中場地和人員調(diào)度難，試驗安全性低，資源消耗大，效率低，費用昂貴等原因，本研究采用基于縮微尺度的三維交通仿真環(huán)境下縮微車的智能駕駛設(shè)計與研究，意在模擬真車在真實道路環(huán)境下的駕駛行為，為真實道路環(huán)境下的智能車駕駛及車路協(xié)同系統(tǒng)提供可重復(fù)、可驗證、可仿真的試驗平臺。

二、縮微車集成設(shè)計

智能汽車是利用車載傳感器感知周圍環(huán)境，并根據(jù)感知所獲得的道路、車輛姿態(tài)和障礙物信息，控制車輛的轉(zhuǎn)向和速度，從而達到安全、可靠的行駛系統(tǒng)。研究中所采用的縮微車模型縮微比例為1∶10，集成了攝像頭、超聲波、光電編碼器、麥克風(fēng)、慣導(dǎo)器件等傳感器。在研究中，視覺導(dǎo)航為主體，由感知、決策、控制三大部分組成的集成平臺，具有器件獨立性、算法獨立性、可擴展性、易于調(diào)試、數(shù)據(jù)可存儲、軟件可靠性等特點。

縮微車系統(tǒng)架構(gòu)可分為硬件系統(tǒng)和軟件系統(tǒng)兩部分。縮微車硬件系統(tǒng)有上位機和下位機兩個層次組成，上位機選用的是Intel x86凌動D525，下位機選用的是 Arduino控制主板，其主要設(shè)計構(gòu)圖如圖1所示。

圖1 縮微車硬件系統(tǒng)架構(gòu)

圖1中，從硬件層次上來講是上位機與下位機通過RS232協(xié)議通信，把控制與感知、決策分離開來，下位機只負責(zé)采集車輛狀態(tài)信息（如超聲波距離、速度、角度、編碼器等）和接受上位機下達的控制命令（速度和角度）；上位機主要負責(zé)以下三部分工作:①感知，利用傳感器獲得智能車自身車載和其周圍環(huán)境的數(shù)據(jù)；② 認知，從得到的傳感器數(shù)據(jù)中提取出有利于指導(dǎo)車輛智能駕駛的信息（如車道線、障礙物、車輛姿態(tài)等），并對多源感知數(shù)據(jù)進行融合，構(gòu)建局部三維場景；③ 控制，依據(jù)可靠、有用的實時信息，結(jié)合反饋機制，按照一定的規(guī)劃算法給出車輛合理有效的駕駛決策，下達控制指令。從硬件功能上來講是下位機搭載超聲波傳感器通過RS232協(xié)議獲取前方障礙物信息，轉(zhuǎn)向舵機控制車輛前輪轉(zhuǎn)角，電機結(jié)合差速器控制車輪轉(zhuǎn)速，光電編碼器實時獲取里程，慣導(dǎo)器件得到車身姿態(tài)和車燈LED提示轉(zhuǎn)向、剎車等輔助信號；而上位機搭載兩個高清攝像頭獲取其視角內(nèi)的仿真三維道路環(huán)境，一個用來進行車道線檢測和障礙物檢測，另一個用來交通標(biāo)志、交通燈識別，麥克風(fēng)進行聲音檢測，無線網(wǎng)卡用來進行遠程監(jiān)控和通信。

縮微車軟件系統(tǒng)本著易開發(fā)、可復(fù)制、模塊獨立、方便調(diào)試和擴展的原則，采用分層結(jié)構(gòu)設(shè)計。每一個功能是一個模塊，模塊與模塊之間是獨立的，各個模塊有標(biāo)準(zhǔn)的接口和相應(yīng)的錯誤檢測機制，模塊間可利用進程間通信來聯(lián)系，整個系統(tǒng)緊湊結(jié)合。同時，清晰的數(shù)據(jù)流走向也實現(xiàn)了各模塊獨立開發(fā)調(diào)試和整體測試。

縮微車軟件系統(tǒng)軟件系統(tǒng)分為5層，依次為數(shù)據(jù)層、認知層、規(guī)劃層、控制層、人機交互層，圖2為縮微車軟件系統(tǒng)架構(gòu)。

圖2 縮微車軟件系統(tǒng)架構(gòu)

數(shù)據(jù)層的任務(wù)主要是通過縮微車上各類傳感器收集車體自身和周圍環(huán)境的數(shù)據(jù)，本系統(tǒng)包括視頻數(shù)據(jù)、超聲波數(shù)據(jù)、里程數(shù)據(jù)及其他車載數(shù)據(jù)。

認知層的任務(wù)主要是對從數(shù)據(jù)層傳來的數(shù)據(jù)進行信息提取，為規(guī)劃層的決策提供基礎(chǔ)。該層是整個系統(tǒng)最重要也是最復(fù)雜的一層，目前包括車道線識別、交通標(biāo)志及交通燈識別、障礙物檢測、室內(nèi)定位4個功能。其中，車道線和交通標(biāo)志、交通燈的識別分別由安置在車輛頂端的不同視角的攝像頭來實現(xiàn)；障礙物檢測是結(jié)合超聲波和視頻數(shù)據(jù)來檢測和判斷動、靜態(tài)障礙物、里程和其他車載數(shù)據(jù)實現(xiàn)室內(nèi)定位功能。

規(guī)劃層的任務(wù)是融合認知層的多源識別結(jié)果，按照一定的規(guī)劃算法尋找通行路線，實現(xiàn)車輛直行、轉(zhuǎn)彎、換道、超車、避障、跟馳、路口停車等一系列智能駕駛行為。

控制層的任務(wù)是接受上層下達的車輛實時速度和轉(zhuǎn)角信息，并通過舵機和電機、燈來執(zhí)行命令。

人機交互層的任務(wù)包括車輛啟動、車輛狀態(tài)實時監(jiān)控及調(diào)試測試數(shù)據(jù)的顯示和保存。它能實時監(jiān)測到縮微車各模塊的運行狀態(tài)和車輛自身狀況，同時記錄歷史數(shù)據(jù)方便離線調(diào)試和仿真。

三、核心技術(shù)研究

行駛環(huán)境融合感知、行車環(huán)境動態(tài)構(gòu)建、路徑規(guī)劃等是無人駕駛的核心技術(shù)問題，本文從這幾個方面介紹研究進展。

行駛環(huán)境融合感知技術(shù)是規(guī)劃決策的基礎(chǔ)，感知技術(shù)的好壞直接影響到車輛自動控制的效果，如何實現(xiàn)車輛行駛狀態(tài)參數(shù)（位置、速度、航向、姿態(tài)等）和車輛行駛環(huán)境數(shù)據(jù)的多視角、全方位、動態(tài)獲取一直是智能駕駛的研究難點。在縮微交通系統(tǒng)中，既有多車道、復(fù)雜交通路口，又存在運動目標(biāo)，如車輛、行人等。因此，需要建立一個簡潔完整的道路行駛環(huán)境模型。該模型下將車道、路口、車輛、行人、障礙物進行抽象表達，并結(jié)合定位信息來構(gòu)建三維局部場景。其中，主要研究包括車道線檢測［6］、交通標(biāo)志、交通燈識別和障礙物檢測等。

車道線檢測首先利用攝像頭獲取道路信息，然后對采集到的原始圖像進行數(shù)據(jù)處理，以獲取賽道中車道線在圖像坐標(biāo)系的位置，進而得到縮微場景三維坐標(biāo)系下車道線的坐標(biāo)，并利用上面的關(guān)系間接計算出縮微車與車道線之間的偏角來實時分析和預(yù)測縮微車轉(zhuǎn)向結(jié)果。

車道線檢測研究中采用對原始實時圖像數(shù)據(jù)進行色彩空間通道預(yù)處理、逆透視變換、二值化、中值濾波、hough變換、曲線擬合和縮微車攝像頭標(biāo)定等步驟得到如圖3所示的車道線提取的特征點A和B，并擬合出車道線AB，且結(jié)合當(dāng)時的位置得到車輛瞬間前進方向與車道線AB的夾角k和車體中心到該車道線的距離d。同時，根據(jù)此時刻的k值來獲得縮微車需要的轉(zhuǎn)向角，d值則輔助判斷是否偏離車道，最終計算出控制舵機前輪偏轉(zhuǎn)角度來實現(xiàn)車輛沿車道線的跟蹤行駛。

圖3 車道線識別

交通標(biāo)志、交通燈對汽車駕駛過程中的轉(zhuǎn)向引導(dǎo)、障礙物識別、道路靜態(tài)信息指示起著不可或缺的作用，特別在復(fù)雜路口，它們可以有效提高道路的駕駛安全性和通行效率，所以高準(zhǔn)確率、實時地識別道路交通標(biāo)志和交通燈是智能駕駛的關(guān)鍵。現(xiàn)有的交通標(biāo)識檢測算法主要有:模板匹配、SVM（support vector machines）、LDA、ANN、Haar-Like and AdaBoost［7-9］。本系統(tǒng)是利用交通標(biāo)志的形狀和顏色特征，通過集成分類器進行目標(biāo)檢測區(qū)域，再利用支撐向量機進行分類識別，進而得到相應(yīng)的交通標(biāo)志信息，并用于指導(dǎo)車輛運動符合交通規(guī)則［10］。交通燈檢測則是通過原始數(shù)據(jù)預(yù)處理、連通域分析提取、邊緣檢測和模板匹配等來獲取交通燈的轉(zhuǎn)向信息。交通標(biāo)志和交通燈識別研究在于選擇合適的分類器和訓(xùn)練過程，使算法能夠克服光線變換導(dǎo)致的圖像不同色差。這是因為距離和視場產(chǎn)生的不同角度和不同比例，以及高大障礙物的相對遮擋等情況會造成識別結(jié)果的低效和錯誤。

障礙物檢測分為動目標(biāo)跟蹤預(yù)測和靜目標(biāo)檢測。目前對于靜態(tài)障礙物的檢測方法有基于單幅圖像的方法、基于光流的方法［11］和基于立體視覺的方法；動態(tài)障礙物跟蹤預(yù)測有利用輪廓的方法、利用底層特征（如角點或者直線）的方法、利用區(qū)域統(tǒng)計特性的方法、利用三維模型的方法和利用模板匹配的方法等。本系統(tǒng)中采用的是超聲波和視頻數(shù)據(jù)融合算法來檢測障礙物。由于縮微交通系統(tǒng)下交通環(huán)境相對真實交通較簡單，其中靜態(tài)障礙物主要有錐桶、靜止縮微車、靜止行人、綠化帶等，動態(tài)障礙物主要是移動車輛和行人。這里是通過圖像數(shù)據(jù)的灰度特征和錐桶、車輛、綠化帶等常見障礙物的形狀特征來初步識別出可能的障礙物信息，然后結(jié)合超聲波實時的距離輔助判斷和篩選，最終準(zhǔn)確識別出障礙物。

局部地圖構(gòu)建和實時路徑規(guī)劃技術(shù)也是智能駕駛的關(guān)鍵。它的任務(wù)是按照一定的評價標(biāo)準(zhǔn)，在具有障礙物的環(huán)境內(nèi)尋找一條從起始狀態(tài)（包括位置和姿態(tài)）到達目標(biāo)狀態(tài)的無碰路徑［12］。在規(guī)劃層中，以車道線、交通標(biāo)志、交通燈、障礙物信息、車體自身狀態(tài)和室內(nèi)定位信息為載體，在融合各類信息和解決沖突后以抽象和簡化的原則來構(gòu)建縮微車實時的動態(tài)局部地圖。同時，在局部地圖的基礎(chǔ)上隨時給出一條可靠的可通行路線來實現(xiàn)智能車的主動超車、變道和避障等駕駛行為。由于傳感器無法獲取全局交通環(huán)境和其自身數(shù)據(jù)相對不穩(wěn)定的缺陷，因此在實時路徑規(guī)劃過程中需要制定詳細決策規(guī)則。各類數(shù)據(jù)則可根據(jù)可靠性來分級，并結(jié)合歷史數(shù)據(jù)綜合分析數(shù)據(jù)缺失、數(shù)據(jù)沖突、數(shù)據(jù)錯誤等多種不可靠情況下的最優(yōu)路徑。

四、試驗結(jié)果和分析

本文設(shè)計的智能縮微車系統(tǒng)初期，在人為設(shè)計的簡易賽道中，對車輛自主直行、轉(zhuǎn)彎、避障進行測試，成功地檢驗了基于視覺導(dǎo)航的智能駕駛系統(tǒng)。

在試驗過程中，主要使用到視頻數(shù)據(jù)和超聲波雷達數(shù)據(jù)。在車輛控制和監(jiān)控程序的啟動后（如圖4（a）所示），試驗者可以隨時看到車輛速度、轉(zhuǎn)角、里程、超聲波信息，視頻信息則在單獨的視圖窗口中顯示（如圖4（b）所示），并能實時計算智能車行駛方向與車道線的轉(zhuǎn)角、智能車幾何中心點與車道線的位置偏差來獲取下一時刻合理的車輛轉(zhuǎn)角和速度。

圖4 縮微車部分軟件界面

在避障模塊的測試中發(fā)現(xiàn)由于超聲波精度低、數(shù)據(jù)粗差大、跳變劇烈的特點，會使得完全依靠單一的距離信息會出現(xiàn)大量誤判的情況。本文采用的方法是基于視覺的障礙物檢測，超聲波通過自己設(shè)計的濾波器得到相對合理的信息后觸發(fā)視覺系統(tǒng)，并根據(jù)色彩和形狀特征來確定障礙物實際信息。圖5（a）是未經(jīng)過濾波的原始獲取的距離信息，即使是距離370 mm的靜態(tài)障礙物也會出現(xiàn)數(shù)據(jù)突變；圖5（b）是經(jīng)過濾波之后的同樣為距離370 mm的靜態(tài)障礙物，效果很好，基本剔除了粗差帶來的干擾，然后可結(jié)合視覺信息進行檢測，結(jié)果如圖5（c）所示，最終識別并成功躲避障礙物。

圖5 縮微車避障模塊分析圖

試驗證明，在結(jié)構(gòu)簡單、環(huán)境干擾相對較小的室內(nèi)環(huán)境下，本文所設(shè)計的縮微車智能駕駛系統(tǒng)工作穩(wěn)定有效，車道線識別實時準(zhǔn)確，障礙物檢測相對可靠，在賽道上能出色完成各種動作（如圖6所示），達到真正智能駕駛的良好效果。

圖6 縮微車測試效果圖

五、結(jié)束語

本文設(shè)計開發(fā)了縮微車平臺進行智能駕駛的研究，不僅成功地避免真車在真實道路環(huán)境下的開發(fā)困難、成本高、測試條件苛刻的缺點，同時也為真車的算法驗證搭建了一個仿真平臺。該系統(tǒng)基于視覺導(dǎo)航的縮微車平臺，從硬件設(shè)計、軟件架構(gòu)、研究思路等多方面全面考慮，并實戰(zhàn)演練，基本實現(xiàn)了智能車的自主駕駛。

為了完成能適應(yīng)更復(fù)雜交通環(huán)境的縮微車平臺，以下問題需要得到進一步解決:測試各模塊的實時性和魯棒性，特別是車道線檢測算法的準(zhǔn)確度；注重模塊與模塊之間的通信效率，縮短控制周期；搭建更易配置、易擴展、易監(jiān)控的系統(tǒng)。今后還需在縮微復(fù)雜三維場景構(gòu)建、高精度定位技術(shù)、多車交互、車路交互方面作更深入的研究，以實現(xiàn)更加智能的無人駕駛科技。

［1］知遠戰(zhàn)略與防務(wù)研究所.未來戰(zhàn)斗系統(tǒng)中的無人平臺［EB/OL］.［2003-12-01］.http:∥www.defence.org.cn/aspnet/vip-usa/uploadfiles/200499123112935.pdf.

［2］ ANDRESEN F，DAVIS L，EASTMAN R，et al.Visual Algorithms for Autonomous Navigation［C］∥Proc.of IEEE Int’l Conf.on Robotics and Automation.Maryland:［s.n.］，1985:856-861.

［3］ MONTERMERLO M，BECKER J，BHAT S，et al.Junior:The Stanford Entry in the Urban Challenge［J］.Journal of Field Robotics，2008，25（9）:569-597.

［4］ NXP.About NXP Semiconductors［EB/OL］.［2011-09-06］.http:∥www.cn.nxp.com/infocus/topics/darpa/.

［5］ SARAH G.Boss Wins DARPA’S Urban Challenge［EB/OL］.［2007-11-21］.http:∥ thefutureofthings.com/news/1038/boss-wins-darpas-urban-challenge.html.

［6］陳龍，李清泉，毛慶洲.基于成像模型的車道線檢測與跟蹤方法［J］.中國公路學(xué)報，2011，24（6）:97-102.

［7］ VAPNIK V N.The Nature of Statistical Learning Theory［M］.New York:Springer，2000:123-170.

［8］ BLEI D M，NG A Y，JORDAN M L.Latent Dirichlet Allocation［J］.Journal of Machine Learning Research，2003（3）:993-1022.

［9］ CHANG W C，CHO C W.Online Boosting for Vehicle Detection［J］.IEEE Transactions on Systems，2010，40（3）:892-902.

［10］ WANG Chunxiang，JIN Tao，YANG Ming，et al.Robust and Real-time Traffic Lights Recognition in Complex Urban Environments［J］.International Journal of Computational Intelligence Systems，2011，4（6）:1383-1390.

［11］叢楊，唐延?xùn)|.基于光流方程和目標(biāo)匹配的視頻圖像目標(biāo)跟蹤方法［J］.紅外與激光工程，2006，35（4）:312-315.