一種自動代客泊車系統研究

姜灝

摘 要：本文提出了一種自動代客泊車系統方案。該系統利用毫米波雷達實現障礙物距離、速度及方位探測；采用攝像頭實現可行駛區域行人、車輛及車位的探測；應用激光雷達實現道路邊沿及其他障礙物類型探測；通過超聲波雷達感知車輛近距離目標距離；通過GPS/IMU獲取車輛的定位、姿態信息。通過實車驗證，該設計方案能滿足實際自動代客泊車應用需求。

關鍵詞：自動駕駛；雷達；攝像頭；代客泊車系統

中圖分類號：U491.7 文獻標識碼：A 文章編號：1003-5168（2018）16-0090-04

Research on An Automatic Parking System

JIANG Hao

Abstract： This paper presented an automatic valet parking system. The system used millimeter wave radar to detect the distance， speed and azimuth of obstacles， and used a camera to detect pedestrians， vehicles and parking spaces in the driving region，used laser radar to detect road edge and other obstacle types， used ultrasonic radar to perceive the distance of vehicle near target. The GPS/IMU was used to detect the distance of the vehicle. Through real vehicle verification， the design scheme could meet the actual application requirements of automatic valet parking.

Keywords： autopilot；radar；camera； parking system for passengers

自動代客泊車功能是指當用戶到達停車場后，車輛通過自身的環境感知系統檢測出泊車位信息，并能自主以低速駛進、駛出停車場，自主尋找停車位、自主泊入空余車位及自主駛出泊車位。同時，該功能也具備駕駛員呼叫功能，即當車主需要用車時，車輛會自主駛出停車場，以較低速度行駛至車主指定地點。自動代客泊車系統相比于傳統自動泊車系統，智能化程度更高，極大提高了車輛的智能化水平和安全性，進一步降低了駕駛車輛的難度，提高了駕駛舒適性，還能有效為駕駛者節約時間。同時，對于大型停車場，自動代客泊車能充分利用停車空間，同等區域可多容納約20%的車輛。

本文旨在利用低成本設備，結合地圖技術，實現特定場景的自動駕駛功能，并滿足產業化需求，進而提升自主品牌效益，打破國外技術壟斷。

1 自動代客泊車系統的總體設計

自動代客泊車系統包括1個控制單元，5個77GHz毫米波雷達，5個高清攝像頭，1個16線激光雷達，1個GPS/IMU模塊和12個超聲波雷達傳感器。系統構架見圖1。

毫米波雷達包括1個遠距離前向雷達和4個寬角度中距離角雷達。1個前向毫米波雷達安裝于車輛前部保險杠或進氣格柵中央位置。前向雷達天線輻射面與車輛X平面平行，水平位置偏移車輛中軸線小于50cm，安裝高度為30～75cm；4個角雷達分別安裝于車輛前保險杠兩側及后保險杠兩側，前角雷達天線罩朝向為與車輛前進方向成50°的方向，后角雷達天線罩朝向為與車輛前進方向成45°的方向，角雷達安裝高度為30～100cm。激光雷達安裝于車輛前保中央位置且位于車輛中軸線上，安裝高度為50～80cm，水平偏移小于50cm。GPS天線位于車頂，IMU安裝于車艙內并位于車輛中軸線上。12個超聲波雷達傳感器包括4個側向超聲波探頭、4個前向超聲波探頭、4個后向超聲波探頭，計算單元安裝于車輛前艙內，安裝布置見圖2。

毫米波雷達可以兼顧前向遠距離及車周中距離障礙物目標檢測，可以獲取車周目標的距離、速度及方位信息。視覺系統主要檢測車輛前向中距高清攝像頭輻射區域內障礙物目標類型、可行駛區域及道路紋理、行人信息和車位信息等；激光雷達能有效檢測車前向中距寬角度范圍內道路邊沿，障礙物目標距離信息；GPS結合IMU能穩定獲取車輛位置及姿態信息；超聲波雷達模塊能有效獲取車周360°近距離目標信息；控制單元通過各傳感器獲取整個車周環境信息，完成車輛運動路徑規劃及車輛底層控制，從而實現車輛在低速情況下的自動代客泊車功能。

2 毫米波雷達

本方案采用1個前向雷達與4個角雷達系統不斷向汽車前方車輛周圍發射高頻電磁波以探測車周環境，判定前方及車輛前側、后側是否有障礙物；當探測到有障礙物時，雷達系統會獲得這些障礙物的信息（距離、相對速度以及方位信息）。這些信息可以通過CANFD總線輸送給系統控制單元。

控制單元通過CANFD總線獲取雷達的目標數據，然后對這些目標數據進行預處理，篩選出本車行駛道內的前方障礙物距離及相對速度信息。此信息將用于控制單元后續融合視覺信息進行車輛行駛局部行駛路徑規劃[1]。計算單元對這些數據進行處理，處理流程見圖3。實際測試效果見圖4。

3 激光雷達

本方案采用16線固態激光雷達。激光雷達置于車前保柵格中央位置，主要用于道路邊沿檢測及行人車輛等的檢測，為無人駕駛車輛提供最小風險的可通行區域[2]。

激光雷達原始點云數據處理過程為：首先把激光雷達的點云數據進行柵格化處理，投影到1 024×1 024的柵格地圖中。每個柵格的大小為10cm×10cm，有障礙數據的柵格標記為1，其他柵格標記為0。標記完柵格后對障礙物柵格進行聚類處理[3]。根據前期建立的柵格庫進行查表，判定車輛及行人屬性。激光雷達實際處理效果如圖5所示。計算單元激光雷達程序流程如圖6所示。

4 視覺

攝像頭識別算法處理過程為：讀取一幀圖像，逐行對圖像進行處理。對于圖像中的各行，首先，采用對水平方向敏感的Sobel算法增強邊緣[4]。其次，對行信息進行處理，進行二值化，對二值化后的數據采用障礙物外邊緣提取算法提取障礙物外邊緣點[5]，得到障礙物外邊沿極坐標參數（極坐標半徑和角度）。最后，通過支持向量機（SVM）[6]，得到路面區域的檢測分類器，加載分類器檢測出可行駛區域的路面、車輛、行人及車位信息。實際視覺檢測效果如圖7、圖8和圖9及表1所示。

5 超聲波雷達

超聲波雷達能實時檢測車周近距離障礙物目標信息，前、后8顆探頭支持最遠2.5m距離探測，側向4顆支持最遠5.5m距離探測。發射信號激勵及回波接收都通過控制單元實現，雷達精度約為0.03m，滿足泊車精度要求。

6 GPS/IMU

IMU/GPS模塊集成在T-box系統內。T-box安裝于車內手套箱下，位于車身中軸線上，系統能實時提供精度維度、授時數據、車身姿態及航向等數據。GPS數據更新頻率為30Hz，IMU信息更新頻率為10Hz。

7 計算單元

本方案采用的計算單元是基于英偉達Xiaver芯片的嵌入式平臺，該平臺具備多路CAN/CANFD接口、以太網接口及GMSL接口，同時具備足夠的I/O接口供實際使用，此開發板運算能力完全滿足實際應用需求。

控制單元軟件架構包括感知系統、本地環境建模系統和決策規劃與控制系統。感知系統負責處理傳感器得到的視覺圖像、毫米波雷達、超聲波雷達及激光雷達等信息，并對多源傳感器數據進行數據融合處理，經過深度學習得到車輛可行駛區域、行人、車輛及停車位信息，建立本地車周環境模型[7]。

決策規劃系統基于人類駕駛經驗，決策出合理的動作規劃。這個動作經過控制系統得到具體的行為序列，即橫向、縱向控制指令。行為序列經過安全校驗后，軟件層面確定安全，再把指令控制下發給車輛總線執行轉向、油門和制動執行。實施程序如圖10所示。

8 結語

本文提出了一種代客泊車總體設計方案，該方案對選用的傳感器類型、廠家型號，傳感器安裝位置，數據傳輸方式及接口進行了詳細闡述。該方案最大的特點在于所采用的硬件、所選通信接口都采用車規級方案，是可實施的量產方案。最終通過實車驗證，泊車性能基本達到應用要求。

參考文獻：

[1]Bast H，Delling D，Goldberg A，et al. Route Planning in Transportation Networks[M]// Algorithm Engineering. Berlin：Springer International Publishing，2016.

[2]Havlak F，Campbell M. Discrete and Continuous， Probabilistic Anticipation for Autonomous Robots in Urban Environments[J]. IEEE Transactions on Robotics，2014（2）：461-474.

[3]Quan T， Firl J. Modelling of Traffic Situations at Urban Intersections with Probabilistic Non-parametric Regression[C]// Intelligent Vehicles Symposium. IEEE，2013.

[4]Grisleri P. The BRAiVE Autonomous Ground Vehicle Platform[J]. IFAC Proceedings Volumes，2010（16）：497-502.

[5]Wei J，Dolan J M，Litkouhi B. A Prediction- and Cost Function-based Algorithm for Robust Autonomous Freeway Driving[C]// Intelligent Vehicles Symposium. IEEE，2010.

[6] Ferguson D， Darms M，Urmson C，et al. Detection， Prediction， and Avoidance of Dynamic Obstacles in Urban Environments[C]// Intelligent Vehicles Symposium. IEEE，2008.

[7] Xu L，Yan Q，Xia Y，et al. Structure Extraction from Texture Via Relative Total Variation[J]. Acm Transactions on Graphics，2012（6）：1-10.