基于視覺傳感器的汽車自主緊急制動控制算法研究

莫 夫

（廣東科技學院 機電工程學院，廣東 東莞 523083）

自主緊急制動（autonomous emergency break，AEB）系統是駕駛輔助系統領域的研究熱點之一，可以準確地進行障礙物檢測，在危險情況下發出告警信息并施加主動控制［1-2］。目前，各國都非常重視自主緊急制動系統的發展，歐洲新車安全評鑒協會（Euro NCAP）已將其納入新車主動安全的評價規程。2018年，中國新車評價規程（CNCAP）也將AEB系統作為測試和評價的重要指標［3］。可見，對AEB系統的研究尤為重要。

當前比較常見的基于雷達的自主緊急制動系統雖有一定的控制效果，但對于行駛路徑上的無害靜止障礙物，如路邊靜止車輛、硬路肩、鐵軌以及矮橋等，常常會引發虛假警報甚至引發緊急制動，容易產生安全隱患。加上雷達傳感器價格昂貴，使其在應用上受到一定的局限。

近年來，視覺傳感器以其低成本、易用性的特點，逐漸應用于各個領域。文獻［4］將視覺傳感器應用于采摘機器人目標果實識別系統中，實現了對目標果實的識別和精準定位，取得了很好的效果。文獻［5］為了流水線機器人能精確定位抓取產品，采用了一種基于單目視覺和激光融合的定位方法，對機器人路徑進行規劃，引導機器人選擇最優路徑。文獻［6］利用視覺傳感器和計算機圖形學技術，結合PLC自動化控制，設計了一種新型的船舶火災監控報警系統，大幅提高了船舶火災事故早期火焰的監控和識別精度。以上研究成果，為本研究的開展提供了新思路。

針對雷達傳感器成本高以及對于靜止物體存在“虛目標”等問題，本文利用視覺傳感器實現雷達測距功能，使其具有更高的空間分辨率，并利用Kalman濾波器調整觀測誤差矩陣，用以降低估計誤差，提高控制效果。

1 車道視覺信息識別算法

圖像處理是目標識別的重要環節，主要通過安裝在汽車上的照相機感知周圍環境，捕捉路況信息，然后將采集的數據參數實時輸入系統的預警算法中，以判斷障礙物是否對車輛行駛構成危險。但由于環境光線影響、道路標線模糊以及障礙物復雜等因素的影響，使圖像處理速度變慢，識別精度降低。本文在設計圖像處理算法時考慮降低外界因素對算法性能的影響，以提高系統精度。

本文設計的基于視覺傳感器的目標識別算法流程包括圖像預處理、障礙物與車道線檢測以及數據分析，如圖1所示。

圖1 圖像處理流程

1）圖像預處理。包括灰度化、方差圖、自適應梯度二值化分割圖等步驟，最終得到邊緣粗提取圖。

2）障礙物檢測和車道線檢測。采用霍夫變換和雙曲線模型擬合檢測出車道線像素，從而得到車道線參數。然后通過水平邊緣合并及坐標細化，確定車輛底邊陰影在邊緣提取圖中的位置，并結合對稱性分析進一步確認所檢測車輛，給出車輛水平邊緣坐標。

3）數據分析。將檢測出的車道線參數及車輛參數輸入預警算法模塊，為駕駛員發出預警信號或進行自動緊急制動。

2 基于視覺傳感器的自動緊急制動算法

2.1 AEB系統工作原理

自動緊急制動系統利用傳感器實時測感知前方道路環境，并預判其中的危險程度。當檢測到存在碰撞危險時，系統立即發出預警提示，提醒駕駛員采取措施規避危險。當系統發現駕駛員沒有對預警及時做出正確反應且碰撞危險進一步加劇時，系統會自動產生緊急制動，以減少碰撞發生機率和嚴重程度［7-9］。AEB系統工作原理如圖2所示。

圖2 AEB系統工作原理

有效的AEB系統需要精準識別障礙物的信息，并及時報警和制動，且不能虛報和進行錯誤制動，從而減小事故發生機率。通常情況下，人們希望報警和制動時機要合理：報警太早會影響駕駛員行駛注意力，太晚又使駕駛員來不及反應，起不到警示作用。而主動制動的時間不應過早，應保留駕駛員通過轉向等方式避免碰撞的可能性，這就要求系統具有有效的安全制動算法，計算出合理的介入時刻，決定預警時機和制動邏輯。

目前，對于汽車安全制動算法的評價指標主要包括碰撞時間和安全距離，前者是通過計算兩車間的碰撞時間與安全時間門檻值進行比較，從而判斷是否制動，后者是指在汽車行駛的當前條件下，車輛避開與障礙物的碰撞需要保持的車輛到障礙物的最小距離。

2.2 碰撞時間

碰撞時間（TTC）是指某一時刻本車與目標車之間發生碰撞前的剩余時間，是衡量避撞算法有效性的重要參數，當TTC低于預設的門檻值時，AEB系統被觸發并施加緊急制動，其表達式為［10-16］

其中：Z為本車到障礙物的相對距離；V是本車和障礙物之間的相對速度。

1）不考慮加速度的影響

因為相對距離和相對速度無法直接利用視覺傳感器測量，所以將TTC表示成采樣時間Δt內圖像中物體像素尺寸變化的函數，這個值可以從圖像幀序列中精確計算得到。

根據相機的小孔成像模型，如圖3所示，則有

其中：wt是t時刻車輛在圖像中的寬度；Zt是相機到物體的距離；W是車輛的實際寬度；f是相機的焦距。

圖3 相機小孔成像模型示意圖

定義尺寸變化率S作為兩幅相鄰圖像之間物體成像寬度的比值：

當兩幅圖像之間的時間間隔足夠小，可以表示為

所以

式（6）給出了根據車輛成像尺寸變化和時間計算TTC的方法。

2）考慮加速度的影響

上述計算TTC的方法的一個問題是忽略了兩輛車之間的相對加速度。通常相對加速度發生在前車突然停止或主車減速以避免碰撞，兩種情況對AEB系統都很重要。沒有檢測到主車減速將會給出錯誤的告警信息（如接近交通信號燈時），僅僅利用制動信號并不足夠，因為有時候駕駛員不踩制動而只是將腳從油門踏板挪開利用發動機制動。考慮到相對加速度，則兩車之間的相對距離可寫成

TTC是Z＝0時的時間：

正如本文所述，距離、速度和加速度無法直接從圖像中獲取，利用車輛成像尺寸改變來計算。這里介紹一種常值加速度假設的TTC計算方法。對式（1）求導得

定義輔助變量：

則Tm和它的導數可從當前圖像中獲取，這時Z和V實際是Z0和V0，可以得到

從式（12）中提取a，得到

根據圖像計算出的Tm和將式（13）代入式（8）中得

將式（13）代入式（14）得到

用Tm代替得到

其中C是的函數。

2.3 卡爾曼濾波

利用單目視覺傳感器測距存在一定的誤差，假設誤差為e（h），那么準確的距離可以由式（19）表示：

式中：Z（h）表示根據行坐標映射所得的距離；e（h）表示h行像素的測距誤差。那么在障礙物識別算法較為準確的情況下，該誤差e（h）是有界的，即

利用Kalman濾波算法將該誤差的方差代替Kalman濾波中的測量誤差矩陣，將障礙物陰影行坐標根據小孔成像模型映射為兩車距離，并利用各行像素的測距誤差調整觀測誤差矩陣［17-18］。

式中：xk為n維向量；F為傳遞矩陣；wk為隨機變量。

而測量值zk可能是對狀態變量的直接測量或者間接測量，假設測量值為m維向量，則測量值為

式中：Hk為m×n矩陣；vk為m×m測量誤差矩陣；xk表示車底陰影所在行坐標對應的不同的方差值。假設對k時刻狀態的預測為則：

由此可以得出Kalman濾波更新率：

根據式（19）求得第k時刻真實值相對于已知的測量值和預測值的權重，由此可以求得xk和Pk的最優更新值：

最后，根據計算得到的xk更新計算相對距離。

3 仿真與分析

為了驗證本文提出的基于單目視覺的自主緊急制動系統的有效性，通過仿真對基于視覺傳感器的TTC計算方法進行驗證。圖4為AEB系統仿真示意圖，圖中設置裝備AEB控制系統的測試車以及在主車車道的目標車，兩車距離為12 m，相機架設高度為1.3 m，垂直視場角為40°，圖像分辨率為320×240，分別以兩車相對速度30 km／h勻速接近和勻加速接近兩種工況進行仿真。

圖5、6分別代表兩種工況相對距離識別算法觀測值、經過卡爾曼濾波后的距離估計值以及真實值之間的比較。通過對比可以看到：與障礙物識別算法的距離估計值相比，本文提出的時變觀測誤差矩陣Kalman濾波算法能有效降低估計誤差。

圖4 AEB系統仿真示意圖

圖5 兩車30 km／h勻速接近相對距離計算

圖6 兩車勻加速接近相對距離計算值

圖7、8分別代表兩種工況下TTC計算值和真實值之間的比較。通過對比可以看到：當TTC準確值低于3 s時，TTC的估計值能有效收斂于準確值。

圖7 兩車30 km／h勻速接近TTC估計值與計算值比較

圖8 兩車勻加速接近TTC計算

4 結論

1）本文介紹的系統直接從相機的原始圖像中的位置計算碰撞時間TTC以及發生碰撞的可能性。基于視覺傳感器成像原理，推導了在圖像坐標系計算TTC的方法，包括兩車勻速接近及兩車勻加速接近時的TTC計算。

2）為進一步提高TTC計算精度，采用卡爾曼濾波方法，通過各行像素的測距誤差調整觀測誤差矩陣。

3）分別以兩車相對速度30 km／h接近和兩車勻加速接近兩種工況進行仿真。結果表明：本文提出的時變觀測誤差矩陣Kalman濾波算法能有效降低估計誤差，當TTC準確值低于3 s時，TTC的估計值能有效收斂于準確值。