自適應巡航控制系統中主目標車輛的識別與跟蹤*

尚秉旭 朱 明 劉 斌 李紅建

（中國第一汽車股份有限公司技術中心）

1 前言

車載雷達系統是自適應巡航控制（ACC）系統中特有也是最重要的傳感器，直接關系到整體系統性能的優劣[1]。77GHz毫米波雷達由于實時性好、精度高、運行可靠、不易受天氣等環境因素影響，被公認為是解決車載雷達探測問題的較好方案，目前在世界范圍內已獲得廣泛應用，德國的博世公司、日本的Denso公司、美國的Eaton公司、Delphi公司均推出了相關產品[2，3]。

根據相關協議，在獲取雷達信息之后，需要對其進行進一步處理，而準確識別與跟蹤主目標車輛的運動狀態是實現ACC的前提。傳統ACC系統一般采取以下兩個步驟完成對目標車輛的篩選，即首先利用橫向距離閥值進行同車道區分，然后根據同車道最近原則選定有效目標[4]。但試驗表明，在復雜的城市道路工況，以上算法的實際效果并不理想，遠不能滿足ACC系統需要。為此，文獻[5]提出了 HORA（Hierarchical Object Recognition Algorithm）方法，文獻[6]提出了生命周期算法，即通過對目標車輛參數的變化規則和當前狀態設置生命周期的若干階段，來進行相應目標信息的更新、預測和跟蹤。這雖然能夠實現目標檢測，但其算法只能識別進入主車道的車輛并只適用于直道工況。文獻[7]和文獻[8]分別為智能車輛設計了雷達多目標識別算法，并且對彎道目標識別進行了補償，但智能車輛需要冗余道路信息傳感器并其算法較為復雜，不適用于產品開發。本文分別明確了有效目標車輛識別與跟蹤的概念及其有關算法，完善了兩階段的切換過程，開發了基于CAPL語言的雷達數據處理程序，并通過指定的ACC測試工況給予驗證。

2 目標車輛的初選

車載雷達可為ACC系統提供相對車速、相對車距和方位角等信息，而信號后處理以雷達功能為基礎。本文選用美國Delphi公司的毫米波雷達，該雷達非常適合應用于ACC系統，同時具有中距離和遠距離掃描能力。雷達自身帶有多目標辨識能力，最多能追蹤64個目標，即雷達提供的信息中已經包含了對目標物的聚類處理。

基于雷達信號的特性，通過對多目標的原始信息進行篩選，對目標車輛進行初步選擇。在城市交通狀況下，經實測一般會得到多達10余個目標，其中包括同車道及旁車道的車輛、道路旁的樹木、指示牌、護欄，特別是因目標回波反射不均造成的虛假目標，都會對主目標的確定造成困難。因此首先利用橫向距離區分閥值對雷達信號進行初步過濾，即通過目標是否與自車處于同一車道內來排除部分目標干擾，根據一般行車道的寬度，選取橫向距離閥值為1.5 m。同時ACC系統主要考慮對運動車輛的車距跟隨控制，通過引入自車車速，可有效過濾靜止目標的干擾。因此雷達信息每次先經過以上兩個步驟初選后，再進入有效目標的識別或跟蹤階段。

3 有效目標的識別

由于目標車輛的橫向距離具有不確定性，初選中的橫向距離區分閥值不能適用于所有工況，并且雷達波束衍射造成的虛假目標可能存在于同車道之中，因此需要在雷達信號初步過濾的基礎上，通過基于歷史信息的一致性檢驗，實現對有效目標的識別。

依據雷達的目標辨識能力，假設在雷達相鄰更新周期內，待識別目標的運動狀態不會出現較大變化，即 50 ms內獲得的目標方位角 θt、相對距離dt、相對速度vt會保持在一定物理范圍內，則有：

若t時刻的目標信息通過了一致性檢驗，則將其作為t+1時刻的衡量依據。同時有可能出現虛假目標在短暫時間內也滿足一致性條件的情況，因此對所有符合一致性的目標設置了識別門限Tr，以增加目標識別的準確性。

下一步需要通過道路試驗對3個閥值θ0、d0、v0進行最終選取。若閥值選取過大，會造成漏檢和目標識別的滯后；若閥值選取過小，則經常發生雷達誤警現象，需要在探測率和誤報率之間作出權衡。

若同時識別出有兩個以上的目標車輛出現，則根據同車道最近相對車距原則來判定其危險程度。經過以上步驟，即可快速準確的識別主目標車輛。

4 目標狀態的跟蹤

在確定有效目標后，即將其作為每次目標初選結果的一致性檢驗判斷依據。由于跟蹤過程相對識別而言其持續時間一般較長，車輛運動狀態的起伏波動可能較大，因此一致性檢驗中選用相對寬松的閥值。

為了提高目標跟蹤過程的準確性，利用卡爾曼預測對主車輛信息進行在線更新，假設加速度及角度變化率在周期內保持不變，對下一周期的車輛運動狀態估計值為：

利用車輛狀態的估計值可對短時間內由于車輛顛簸等原因引起的雷達信號異?；騺G失進行補償，可保證跟蹤過程中雷達輸出結果的連續性。若長時間目標跟蹤丟失，說明前方有效區域內沒有車輛或有新的目標車輛出現，需要退出現有跟蹤重新識別主目標。因此，設置了跟蹤門限Tt，對跟蹤階段主目標信息錯誤或丟失情況進行累計，當大于閥值Tt時需要進入目標識別與跟蹤切換階段。

5 目標識別與跟蹤的切換

目標識別與跟蹤階段交替進行，對其切換時機的把握關系到雷達信息的真實性以及應用到ACC系統的可靠性。一方面，應盡量快速準確的識別前方目標新狀況，不易受其他車道的車輛及障礙物干擾，以免因識別錯誤而發生跟蹤目標頻繁變換的情況；另一方面跟蹤階段不應有長時間的保持滯后，對前方車輛切出 （cut-out）和切入（cut-in）的情況具有一定敏感性，能及時正確的判斷出目標變換。因此設置了切換門限Ts，當首次到達閥值Ts時，若有符合的新目標出現，則再次進行跟蹤，否則繼續識別主目標；當再次到達Ts后，根據識別結果決定是否進入跟蹤階段，依次循環。由于跟蹤門限的設置本身會造成隨后的切換延時，因此Ts會隨進入切換階段的時間線性增加。

6 彎道目標補償

目前彎道半徑的估計方法主要包括橫擺角速度估計、轉向盤轉角估計、側向加速度估計以及左右輪速差估計幾種方法，雖然上述方法能近似確定曲率半徑，但在不同工作條件以及靈敏度下其有效性不一致，如表1所示，因此綜合考慮各種方法的有效性最終選擇了基于橫擺角速度估計的方法。

表1 彎道半徑估計方法有效性比較

利用橫擺角速度估計彎道半徑的公式如下：

式中，dφ/dt為橫擺角速度；Ry為道路的彎道半徑；vx為車輛的縱向速度。

在圖1中，主車行駛在半徑為R的彎道C上，旁側車道車輛出現在D點，其對應的道路圓心角為：

式中，φ為圓心角的半值；L為主車后軸至雷達安裝點的縱向水平距離。

與旁車道目標對應同一圓心角的主車道軸線位置出現在E處，其和主車的橫向距離df為：

此時，若有：

則說明目標車輛行駛在主車道軸線的右側，ED即為橫向相對距離dy，其值為：

縱向相對距離dx為：

利用上述方程即可實現彎道半徑預測及彎道過程中縱向與橫向相對距離的補償。

7 驗證試驗

將雷達原始信號通過Cancase變成可編輯狀態，然后采用CAPL語言編寫的雷達信號識別與跟蹤程序對目標進行處理，得出不同工況下的主目標車輛，并且可以實時在電腦上觀測目標距離速度信息。測試系統架構如圖2所示。

利用DGPS和雷達，分別按照中國第一汽車股份有限公司技術中心標準 《基于毫米波雷達的全速自適應巡航系統實車試驗方法》中指定的ACC測試工況進行測試，選取直道兩車相對勻速運動、直道前車加速駛離時兩車的相對運動信息，對比結果如圖3和圖4所示。

利用橫擺角速度進行彎道半徑估計和彎道補償后的側向距離如圖5所示。

由圖3可以看出，基于本文設計算法得到的目標數據與基于DGPS測得的數據在趨勢與數值上保持一致，目標數據精度能夠達到0.5 m，符合ACC系統應用需求。由圖4可以看出，在前車加速時兩車相對距離增加，本文設計算法提供的數據與基于DGPS測試數據在時間維度上沒有出現延遲，響應時間與DGPS的響應時間數量級一致 （低于10 ms）。同時，在車輛行駛過程中本文算法能夠穩定識別并跟蹤主目標車輛，在指定ACC測試工況中均未出現誤識別及跟蹤中斷現象。由圖5可以看出，在彎道行駛時能夠準確估計彎道半徑，并且對彎道側向距離進行補償，減少了彎道誤識別以及漏識別工況的出現。綜上所述，本文所設計的算法在數據準確性、響應時間以及工況適應性等方面都較原有算法有很大程度提高，從而為ACC性能提高奠定了基礎。

8 結束語

基于CAPL的雷達數據處理單元實現了對雷達探測目標信息的獲取，從中提取主目標車輛狀態，為自適應巡航系統提供了相對距離和相對速度信息。通過與DGPS的差分定位數據進行實時對比可以看出，本文所開發的雷達數據處理單元定位準確、實時性高，可以滿足ACC系統的精度要求。實車試驗表明，在指定ACC測試工況下，所設計的算法仍能及時穩定的識別并跟蹤前方主目標車輛，滿足ACC系統的要求。

1 李克強,張磊,高峰,等.基于駕駛員行為特性的行車安全輔助系統研究.2005年國際公路研討會論文集.北京:清華大學,2005:545～550.

2 黨宏社,趙廣社,韓崇昭.汽車巡航控制用傳感器進展.傳感器技術,2002,21（1）:1～3.

3 Woll J.VORAD collision warning radar.IEEE international radar conf.VA,USA,1995.

4 張景波.基于汽車防滑控制系統的自適應巡航控制系統研究：[學位論文].北京:北京理工大學,2004.

5 劉志峰,王建強,李克強.具有魯棒特性的車載雷達有效目標確定方法.清華大學學報,2008（05）.

6 Choon Young Lee,Ju Jang Lee.Object Recognition Algorithm for Adaptive Cruise Control of Vehicles Using Laser Scanning Sensor.2000 IEEE Intelligent Transportation Systems Conference Proceedings.Dearborn （MI）,USA Octoberl－3,2000.

7 Dave Ferguson,Michael Darms,Chris Urmson,et al.Detection prediction and avoidance of dynamic obstacles in urban environments.2008 IEEE Intelligent Vehicles Symposium,June 4th－6th,2008,Eindhoven,Netherland,2008:1149～1154.8 Michael S Darms,Paul E Rybski,Christopher Baker,et al.Obstacle detection and tracking for the urban challenge.IEEE Transactions on Intelligent Transportation Systems,2009,10（3）:475～485.