基于分層信息數據庫的智能車仿真環境感知方法研究*

管 欣,洪 峰,賈 鑫，張永赫，鮑 闞

(吉林大學，汽車仿真與控制國家重點實驗室,長春 130022)

?

2015008

基于分層信息數據庫的智能車仿真環境感知方法研究*

管 欣,洪 峰,賈 鑫，張永赫，鮑 闞

(吉林大學，汽車仿真與控制國家重點實驗室,長春 130022)

針對目前智能汽車仿真中應用最廣的環境感知方法(建立數據庫，動態更新提取信息)的不足，提出了一種分類、分層的數據結構定義與存儲方法，使數據庫不但能描述復雜的道路情況，而且修改容易；在此基礎上，將碰撞檢測算法引入信息動態提取過程中，實現分層的感知信息提取。在駕駛模擬器上進行的車道標線、交通標志感知試驗的結果表明，本文中提出的方法能實時對環境信息進行全面可靠的檢測，并給出真實傳感器的檢測誤差。

駕駛模擬器；智能汽車仿真；環境感知；數據庫；碰撞檢測

前言

開發型汽車駕駛模擬器因其具有真實的人-車操作界面，能夠任意嵌入實物進行試驗，試驗工況無風險、重復可控等特點[1]，在汽車產品開發、人-車-路閉環系統研究等方面正發揮著越來越重要的作用[2-3]。在各類汽車高級駕駛輔助系統(advanced driving-assistance system, ADAS)和無人駕駛汽車(以下統稱為智能汽車)的開發研究過程中，將各種智能汽車控制算法嵌入到駕駛模擬器中，形成軟件或硬件在環試驗平臺，無疑為各種算法的對比、驗證和分析提供了良好的試驗條件。相比于其他單純的軟件仿真，該方法還能為乘員提供逼真的駕駛乘坐體驗。關于智能汽車功能的前期開發與駕駛模擬器的結合，國外已經進行了一些有意義的嘗試[4-5]，而且研究內容正擴展到用于模擬器的各類智能汽車的傳感器建模、智能汽車參與的交通仿真、智能汽車的介入對人的駕駛行為習慣的影響等方面[6-8]。與之相比，目前國內在這方面的研究與應用還正在起步階段，已經出現了一些系統架構類似于駕駛模擬器的智能汽車仿真驗證平臺[9-10]，但在仿真過程中受到所采用的環境感知方法的限制，這些平臺大都還只能完成針對某一特定功能的仿真驗證。

在應用駕駛模擬器進行智能汽車相關的研究時，一個亟待解決的重要問題就是如何處理智能汽車的環境感知過程。該過程須全面地感知周圍信息，有時還須體現傳感器的感知范圍、檢測誤差等物理特性，這無疑要進行大量精確的計算；然而，由于駕駛模擬器的計算是實時進行的，這就要求環境感知算法的計算效率對整個駕駛模擬器系統的實時性不造成影響。

針對上述情況，本文中提出了一套應用于駕駛模擬器的智能汽車仿真環境感知功能實現方法，該方法既能實現對模擬器虛擬交通場景中各類信息的全面和實時探測，又能在一定程度上反映傳感器的檢測范圍和檢測誤差特性，從而為智能汽車仿真的環境感知實現提供一個新的思路，為應用駕駛模擬器實現智能汽車算法開發、驗證和評價奠定基礎。

本文中首先分析國內外智能汽車仿真過程中用到的環境感知功能實現方法；在此基礎上，針對駕駛模擬器的特點對現有方法進行了改進，并對所需關鍵技術進行了分析；最后結合模擬器試驗結果，給出對該方法實現效果的分析和結論。

1 智能汽車仿真中的環境感知環節功能分析

目前進行智能汽車算法仿真驗證的思路一般有基于駕駛模擬器的仿真驗證、完全基于計算機仿真的軟件驗證和基于硬件在環技術的專用仿真平臺驗證3種，如表1所示。

表1 智能汽車仿真驗證的環境感知功能實現方案對比

基于駕駛模擬器的仿真驗證，其環境感知功能主要有兩種實現方法。一種是建立能為環境感知提供數據支持的虛擬交通場景數據庫，然后在仿真過程中根據智能車輛的位置提取數據庫內容，為智能車輛決策算法或傳感器識別算法提供數據支持[11-12]。目前采用的數據結構定義方法，大都是以道路中心線或一側道路邊界作為數據入口，根據車輛與它們的相對位置，提取所需要的周圍信息。如文獻[13]中，將道路分段離散化，并根據車體相對道路基準線側向距離計算車道標線，但并未對車道寬度和數目發生變化的過渡路段進行詳細的描述。而且文獻[14]中指出，因為將連續道路離散化，定位過程有時也會出現一個位置點對應多段道路中心線的情況，這些都會導致感知信息的不準確。另一種是直接在車上安裝車載攝像頭，通過拍攝投影屏幕直接獲取視覺傳感的原始信息[15]，這對圖形計算和成像系統的性能要求非常高，該方法因為還須考慮坐標變換和圖像失真的問題[9]，所以在駕駛模擬器上的應用較少。而且，對于傳感器識別算法的驗證，因為所提供的原始數據與真實環境的采集數據差別較大，所以并不能準確反映識別算法的優劣。

完全應用計算機仿真的軟件驗證，基本上采用了與第一種駕駛模擬器驗證的環境感知實現方案一致的方法。其中像PreScan[16]和Pro-SiVIC[17]這種商業軟件，雖然能夠實現在非實時條件下考慮各類傳感器物理實現過程的仿真，但由于駕駛模擬器屬于實時運行平臺，所以該方法仍無法滿足駕駛模擬器的使用需求；而且它們大都只能在較小的區域內進行單一工況的仿真。

基于硬件在環技術的專用仿真驗證平臺，大都是針對某一具體的驗證功能進行開發的，除了可以采用模擬器驗證平臺的環境感知實現方案外，還可以根據驗證功能的需要，提前進行大量的真實道路實驗采集數據[18]或者為傳感器專門制作被檢測實物模型。如文獻[19]中為了實現對列車算法的驗證，專門開發了實物模型及其運動控制策略。這種方法雖然能夠真實模擬傳感器原始數據采集過程，但是開發工作量大，且平臺的通用性不強，對于各類智能汽車的前期開發來說，顯然從經濟性和效率方面來講都不是最理想的。

從以上的分析可以看出，通過仿真的方法，還較難實時地實現對各類傳感器原始采集數據過程的準確模擬，而且對于各種智能汽車功能開發前期的算法仿真驗證過程來說，更重要的是提供控制算法所需要的各類環境信息，而不是檢驗各類傳感器識別算法。綜合上述情況，本文中提出了一套主要應用于駕駛模擬器的智能汽車仿真環境感知功能的實現方法，其基本思路如圖1所示。該方法并不考慮傳感器工作原理，直接提供識別后的各類交通環境信息，但是卻能體現出傳感器的感知范圍、檢測誤差等物理特性。

現有的感知過程大都是通過建立數據庫再根據車輛位置從數據庫中提取信息實現的，如圖1中點劃線框所示，本文中的基本思路與之類似，但提出了分類、分層的數據結構定義和存儲方法，使其既能夠表達復雜的道路交通環境，又方便修改；而且所采用的分層次感知信息提取方法，能夠體現出不同傳感器的感知范圍和感知信息的不同，并能在一定程度上體現出對環境信息的檢測誤差。同時，該方法計算效率高，不但能在駕駛模擬器的高性能計算機上完成實時運算，也同樣適用于在普通PC機上進行單純的軟件仿真。

2 駕駛模擬器虛擬場景的感知信息數據結構

本文中提出的分類定義數據結構、分層存儲信息的方法將虛擬場景中的每一個幾何實體(一段車道標線或者一個障礙物等)作為基本的數據單元，根據其不同的分類，為其賦予不同層次的信息，并且只須采用簡單的數組和結構體即可實現對信息的管理和抽取[20]。

2.1 數據結構分類

通過分析目前常用智能汽車控制算法對環境信息的需求，確定了數據結構所需的信息分類。如圖2所示，數據庫所存儲并能夠提供的信息包含可行駛區域、道路結構化、交通誘導和障礙物4類數據結構。其中，可行駛區域信息，包括了車輛可以行駛的道路信息，如城鄉道路和廣場等；道路結構化信息，專指鋪畫在道路上的車道標線；交通誘導信息，是指道路周邊或鋪畫在道路表面的交通標志；障礙物，是指具有一定的幾何尺寸，并占據了物理位置，而導致車輛無法從該位置駛過的物體。另外，對于有些交通誘導信息，因為須附加在幾何實體上，所以也會形成車輛行駛過程中的障礙。圖中央的圓形灰色區域，表示了車輛的探測范圍。

2.2 數據結構分層

各類信息的存儲內容分為3層：幾何層、物理層和邏輯層。其中，幾何層描述了元素的幾何輪廓與位置；物理層描述了元素所具有的物理屬性(比如表面材質等)；邏輯層描述了元素所表達含義(比如交通標志的含義)。這樣，數據庫中每類信息的每一個元素都由1～3層信息來描述。對各類信息所對應各層數據內容的匯總如表2所示，表中標記星號的內容表示該內容不是必須具備的。

表2 各類信息所對應的數據分層

3 環境感知信息的提取過程

本文中提出的環境感知信息提取過程分為兩層。如圖3所示，下層感知過程應用了計算機圖形學中的碰撞檢測算法，負責提取感知范圍內的數據庫元素；上層模型負責根據傳感器特點在數據庫中提取元素的不同層次信息，并將其轉換成所需的數據格式，需要的話，還可為感知結果加入適當的噪聲，以體現檢測誤差。該方法主要解決了3個問題：一是由于所提出的數據結構不再基于道路中心線，所以信息提取方法也必須有所創新；二是碰撞檢測算法計算準確，保證了對周圍信息的準確提取；三是利用簡單的方法體現了復雜的物理檢測誤差。

3.1 下層感知過程

碰撞檢測算法雖然在虛擬現實和游戲制作等方面有著廣泛且成熟的應用，卻未被引入駕駛模擬器的智能汽車環境感知算法中。為此，本文中引入了碰撞檢測算法實現下層感知模型，如圖4所示。首先將已建立的表示所需感知信息數據庫中的元素轉換成碰撞檢測算法能夠處理的碰撞檢測對象；同時，環境感知范圍也用相應的碰撞檢測對象表示。根據車輛位姿變化，應用層次包圍盒算法計算上述碰撞檢測對象之間相交的部分[21]，并確定其所屬的感知信息數據庫元素。因為采用了分類的信息存儲方式，在進行碰撞檢測計算時，只須將需要感知的信息類別建立碰撞檢測對象進行相交測試，不必像傳統的信息提取方法一樣對整個數據庫內容進行搜索。

考慮到進行仿真的駕駛模擬器場景可能會非常大，導致碰撞檢測對象占用內存空間太大，雖然碰撞檢測算法已經較為成熟，但過大的內存占用還是會對計算效率造成影響[22-23]。在完整的二叉樹包圍盒中，每個葉節點都只包含一個幾何基元，包含該幾何基元的包圍盒也是如此。如圖5(a)所示，在檢測兩葉節點是否發生碰撞時，首先要對幾何基元的包圍盒進行碰撞檢測，如果相交才進一步對幾何基元進行碰撞檢測。然而實際上，不進行包圍盒的碰撞檢測也是完全可以的，如圖5(b)所示。所以本文中省略了對幾何基元構建包圍盒的過程，這樣既節省了內存開銷，也降低了計算開銷。此時的計算開銷公式[23]為

T=NV×CV+NP×CP+NPV×CPV

(1)

式中：T為總的碰撞檢測計算開銷；NV為包圍盒進行碰撞檢測的次數；CV為包圍盒之間進行碰撞檢測的開銷；NP為幾何基元進行碰撞檢測的次數；CP為幾何基元之間進行碰撞檢測的開銷；NPV為包圍盒與幾何基元之間的碰撞檢測次數；CPV為包圍盒與幾何基元之間進行碰撞檢測的開銷。

3.2 上層感知過程

上層感知過程的主要任務是根據不同的傳感器特點，從被檢測到的元素中提取不同層次的信息。對于雷達傳感器來說，當下層感知模型檢測到一個交通樁出現在感知范圍內時，雷達傳感器只提取其物理層和幾何層的信息，而不提取其邏輯層信息。同時，為了體現出真實傳感器檢測結果的誤差和隨機性，在檢測結果中加入適當的高斯白噪聲。如在輸出檢測到的車道標線點時，距離車體較近的點不引入誤差；超出一定距離后，為每一個車道標線點引入誤差時，首先產生服從正態分布的[0,1]區間隨機數，并根據該點距離車體的遠近，為隨機數乘以相應的倍數，距離車體越遠，乘以的倍數越大。這樣，就能體現出距離車體越遠，檢測誤差越大的效果。

4 試驗驗證與分析

將本文中提出的數據結構定義與存儲和信息提取兩部分內容封裝成動態鏈接庫，其中數據結構定義與存儲在模擬器仿真前離線完成，信息提取部分根據感知信息內容配置，在仿真過程中對環境信息進行提取。如圖6所示，試驗對車輛前方50m、30°范圍內的車道標線信息和交通標志信息進行檢測。

由駕駛員駕駛仿真車輛進行了40km的模擬器道路試驗，在監控計算機上開辟一個顯示窗口，用來顯示車體前方的圖像，并用綠色線對感知到的車道標線、交通標志牌和斑馬線進行繪制。

4.1 與傳統方法的對比

針對文獻[13]和文獻[15]中的不足，專門在模擬器場景中設置了變車道路段，并應用本文中提出的方法進行數據表達和檢測。本文方法的車道標線檢測結果如圖7所示。該方法能夠對道路數目和寬度發生變化的過渡路段等復雜情況進行數據表達和連續地檢測，并且在40km的模擬器道路試驗中從未出現因為定位算法多解而導致檢測信息提取錯誤的情況。

4.2 引入噪聲效果

正常直路行駛時的車道標線檢測結果如圖8所示，圖9為彎路行駛時，檢測到車道標線和交通標志牌的情況。由圖可見：在加入噪聲后，能較好地模擬由于傳感器物理特點或者識別算法而帶來的誤差，在真人駕駛時，能夠看到距離車體較遠位置的車道標線檢測結果誤差會增加，并且會出現檢測到斑馬線、交通標志牌的位置輪廓、大小不斷變化的情況。

5 結論

針對已有駕駛模擬器智能汽車仿真中環境感知過程(建立數據庫，根據車輛位置提取所需信息)的不足，提出了分類定義數據結構、分層存儲信息的數據庫建立方法，并將碰撞檢測算法引入到信息提取過程中，實現了分層的信息提取過程。通過試驗分析，得出如下結論。

(1) 采用分類、分層的數據結構定義和存儲方法，能夠全面地存儲虛擬交通環境信息。

(2) 引入的碰撞檢測算法能夠高效、準確地進行相交檢測計算，從而實時準確地實現對車輛周圍被感知元素的提取。

(3) 在上層感知過程中適當地引入噪聲，使本文中提出的環境感知實現方法既能滿足駕駛模擬器的實時計算需求，又能體現出由傳感器的物理特性和識別算法所帶來的感知誤差，從而為基于模擬器的智能汽車仿真算法驗證提供更加真實的試驗條件。

[1] 趙又群,管欣,郭孔輝.開發型駕駛模擬器[J].公路交通科技,1995,12(3):64-66.

[2] 宗長富,劉蘊博,孔繁森.汽車操縱穩定性的模擬器閉環評價與試驗方法[J].汽車工程,2001,23(3):205-208.

[3] Hans Antonson, Selina Mardh, Mats Wiklund, et al. Effect of Surrounding Landscape on Driving Behavior: A Driving Simulator Study[J]. Journal of Environment Psychology,2009(29):493-502.

[4] Markus Brockerhoff, Lutz Eckstein. PELOPS White Paper[R/OL].http://www.fka.de/pdf/pelops_whitepaper-e.pdf,2013.

[5] Lee Junyung, Choist Jaewoong, Yi Kyongsu, et al. Lane-Keeping Assistance Control Algorithm Using Differential Barking to Prevent Unintended Lane Departures[J]. Control Engineering Practice,2014(23):1-13.

[6] Franck Gechter, Jean-Michel Contet, Stephane Galland, et al. Virtual Intelligent Vehicle Urban Simulator: Application to Vehicle Platoon Evaluation[J]. Simulation Modelling Practice and Theory,2012(24):103-114.

[7] Thomas Nguen That, Jordi Casas. An Integrated Framework Combing a Traffic Simulator and a Driving Simulator[J]. Procedia Social and Behavioral Sciences,2011(20):648-655.

[8] Mark Vollrath, Susanne Schleicher, Christhard Gelau. The Influence of Cruise Control and Adaptive Cruise Control on Driving Behavior-A Driving Simulator Study[J]. Accident Analysis and Prevention,2011(43):1134-1139.

[9] 唐國明.無人駕駛汽車半物理仿真系統的設計[D].合肥:中國科學技術大學,2012.

[10] Zhang Tao, Liu Xin, Mei Tao, et al. A Novel Platform for Simulation and Evaluation of Intelligent Behavior of Driverless Vehicle[C]. Proceedings of the 2008 IEEE International Conference on Vehicular Electronics and Safety. Columbus, OH, USA. September 22-24 2008:237-240.

[11] Julien Chaplier, Thomas Nguyen That, Marcus Hewatt, et al. Toward a Standard: RoadXML, the Road Network Database Format[C]. Proceedings of the Driving Simulation Conference Europe 2010. Pairs,2010:211-220.

[12] Nicola Hiblot, Dominic Gruyer, Jean-Sebastien Barreiro, et al. Pro-SiVIC and Roads, a Software Suite for Sensors Simulation and Virtual Prototyping of Adas[C]. Proceedings of the Driving Simulation Conference Europe 2010.Pairs,2010:277-288.

[13] Rahul Sukthankar, Dean Pomerleau, Charles Thorpe. SHIVA: Simulated Highways for Intelligent Vehicle Algorithms[C]. IEEE Proceedings of the Intelligent Vehicles’95 Symposium. Detroit,1995:332-337.

[14] Sayers Michael W. Road Characterization for the Simulation of Automotive Vehicle Dynamics[C]. SAE Paper 2011-01-0185.

[15] 鄒博維.基于多傳感器的車輛局部交通環境感知[D].長春:吉林大學,2013.

[16] Kusano Kristofer D, Gabler Hampton C. Model of Collision Avoidance with Lane Departure Warning in Real-world Departure Collisions with Fixed Roadside Objects[C]. 2012 15thInternational IEEE Conference on Intelligent Transportation Systems,2012 Anchorage, Alaska, USA,2012:1720-1725.

[17] Gruyer D, Grapinet M, Souza P De. Modeling and Validation of a New Generic Virtual Optical Sensor for ADAS Prototyping[C]. Intelligent Vehicle Symposium,2012 IEEE. Spain,2009:969-974.

[18] Xu Youchun, Wang Xiao, Zeng Xianbing, et al. A Hardware-in-loop Simulation Test-platform For the Intelligent Vehicle’s Steering Control System[C]. Intelligent Vehicles Symposium,2009 IEEE. Xi’an,2009:766-769.

[19] Gietelink O J, Ploeg J, Schutter B De, et al. Development of a Driver Information and Warning System with Vehicle Hardware-in-the-loop Simulations[J]. Mechatronics,2009(19):1091-1104.

[20] 朱仲濤.數據結構基礎:C語言版[M].北京:清華大學出版社,2009.

[21] Chirster Ericson. Real-Time Collision Detection[M]. San Francisco: Morgan Kaufmann Publishers,2005.

[22] Gottschalk S, Lin M C, Manocha D. OBBTree: A Hierarchical Structure for Rapid Interference Detection[C]. Computer Graphics(SIGGRAPH’96 Proceedings),1996:171-180.

[23] Pierre Terdiman. Memory-optimized Bounding-volume Hierarchies[R/OL].http://www.codercorner.com/Opcode.pdf.

A Research on the Environmental Perception Method in IntelligentVehicle Simulation Based on Layered Information Database

Guan Xin, Hong Feng, Jia Xin, Zhang Yonghe & Bao Han

JilinUniversity,StateKeyLaboratoryofAutomotiveSimulationandControl,Changchun130022

In view of the inadequacy of the most commonly used way of environmental perception in current intelligent vehicle simulation, i.e. database setup and dynamic information update and extraction, a definition and storage method of classified and hierarchical data structure is proposed, which can not only describe complex road condition, but is also easy to modify. On this basis, a collision detection algorithm is introduced into the extraction process of dynamic information to realize the extraction of layered perception information. A perception test of lane markings and traffic signs is conducted on driving simulator with a result showing that the method proposed can fulfill thorough and reliable detection on environment information in real time with the detection error of real sensor given.

driving simulator; intelligent vehicle simulation; environmental perception; database; collision detection

*教育部長江學者和創新團隊發展計劃(IRT0626)資助。

原稿收到日期為2014年4月11日，修改稿收到日期為2014年7月3日。