基于超聲波雷達的車位檢測算法

匡 兵， 史云鵬， 羅作煌， 陳鳳冉， 田春月

(1.桂林電子科技大學 機電工程學院，廣西 桂林 541004；2.惠州市德賽西威汽車電子股份有限公司，廣東 惠州 516000)

車位檢測是自動泊車的關鍵技術之一，車位檢測的精度將直接影響車輛泊入車位后的姿態和泊車成功率。車位檢測主要解決車輛對周圍環境的感知問題，即通過車載傳感器搜集外界環境信息并通過算法處理，較準確地判斷出周圍的障礙物和車位信息?，F有的車位檢測方法主要分為三類：基于超聲波雷達的車位檢測；基于視覺傳感器的車位檢測；基于超聲波雷達和視覺傳感器信息融合的車位檢測。

基于視覺傳感器的車位檢測單一地使用視覺傳感器進行障礙物識別和車位檢測郭劍鷹等[1]基于多視覺傳感器進行車位識別。李磊[2]應用全景視覺進行車位檢測和識別。馬偉[3]使用機器視覺檢測車位線的方法進行車位檢測。由于視覺傳感器對光線變化較敏感，且測距誤差大，基于視覺傳感器的車位檢測在場景適應性和障礙物檢測方面效果不理想。

基于超聲波雷達和視覺傳感器信息融合的車位檢測將超聲波雷達和視覺傳感器獲取的環境信息進行數據融合，以提高車位檢測精度和場景適應性。姜金山[4]采用基于超聲波傳感器和攝像頭數據融合的方法來檢測車位。沈崢楠[5]利用超聲波雷達探測車位深度，攝像頭探測障礙車輪轂的方法來檢測車位。該方法雖然能在一定程度上提高車位檢測的精度，但由于涉及到異構傳感器的數據融合，使得算法的復雜度和硬件成本大大增加，不利于市場推廣。

基于超聲波雷達的車位檢測，利用超聲波測距原理來感知周圍障礙物和車位，超聲波雷達硬件成本低，場景適應性好，有廣闊的市場前景。方玉杰[6]使用超聲波傳感器進行垂直車位的檢測。魏振亞[7]基于超聲波雷達進行垂直和水平車位的檢測。但是這些檢測方法對應的場景太過理想化，未考慮到實際泊車環境中出現的主車與障礙車輛不平行，兩輛障礙車輛不在同一條水平線上等情況。

鑒于此，基于超聲波雷達設計車位檢測算法，并對多個現實場景進行分析、驗證。

1 算法設計

當啟動自動泊車功能時，車輛將自動進入車位檢測模式?；诔暡ɡ走_進行車位檢測時，車輛速度一般不超過30 km/h(超聲波在空氣中的傳播速度有限，超聲波雷達收發信號需要時間，車速太快會出現障礙物漏檢和車位檢測精度下降等情況)。

1)創建一個存儲長距超聲波雷達測距信息的數據緩存器。緩存器的大小由當前車速決定，車速越快,則緩存器越小，前提是緩存器的大小要大于設定的單步泊車最大車位長度除以當前車速。最大車位長度和最小車位長度是由泊車步數來確定的，當限定最大泊車步數為5步時，那么5步泊車所對應的車位長度為最小車位長度，單步泊車所對應的車位長度為最大車位長度。

2)對緩存器中的測距數據進行分析，判別出車位的起始點和終止點。由于超聲波雷達易受周圍環境噪聲的影響而出現誤檢的情況，當僅有1個數據發生突變時，算法將不認為已檢測到障礙物，而將其當作誤檢處理，但也不排除存在細小障礙物的情況，將這部分的算法處理歸到泊車過程中短距雷達的碰撞檢測。當緩存器中的數據出現2個或2個以上的連續突變時，則認為已檢測到障礙物。為了更精確地判斷障礙物的起始點和終止點，需對障礙物的形狀進行分類。常見的障礙物外形一般分為方形和圓形2種，由于方形和圓形障礙物測距的突變程度不同，可以通過預設閾值的方法來判別障礙物類型，結合障礙物類型和緩存器中的數據變化即可較準確地推算出障礙物的起始點和終止點。障礙物可以是柱子、障礙車輛或者其他。以障礙車輛作為障礙物進行分析，車位檢測過程如圖1所示。

圖1 車位檢測過程圖

D1為主車距第1個障礙車輛的橫向距離，D2為主車距第2個障礙車輛的橫向距離，主車距車位的橫向距離D取D1和D2中的小值。由于超聲波雷達探測距離有限，D的值太大會影響車位檢測的精度和降低對車位縱深障礙物的檢出率，應根據超聲波雷達的性能將D限制在[DL,DH]范圍內。其中：DL為主車距車位橫向距離的最小值，應大于超聲波雷達的測距盲區；DH為主車距車位橫向距離的最大值，通常都小于1.8 m。當經過第1個障礙車輛，超聲波雷達的測距突變值大于D+W時(W為車寬)，則認為已檢測到車位起始點，記為點B；當經過第2個障礙車輛，超聲波雷達的測距突變值小于D+W時，則認為已檢測到車位終止點，記為點C，并記錄下在B、C兩點處車輛后軸中點在局部航位推算坐標系中的坐標值，用于計算B、C點間的距離L，作為該車位是否為有效車位的判別條件。

3)將緩存器中的數據用最小二乘法進行擬合，進一步判斷車輛和車位之間的夾角，修正車位長度L，使車位信息更精確。當L大于設定的最小車位長度時，就認為已檢測到有效車位，可以停車進行路徑規劃和路徑跟蹤等后續操作。當L大于設定的最大車位長度時，清除緩存器中的數據，此時可以選擇停車，進行泊車操作，也可以繼續向前搜索新車位，搜索新車位時舊車位會被系統“記住”，直到車輛繼續向前行駛超過一定的距離，舊車位才會被放棄，該距離一般不會超過15 m。

基于超聲波雷達的車位檢測算法流程如圖2所示。

圖2 車位檢測算法流程圖

圖3 平行車位中存在障礙物的場景

2 場景分析

2.1 平行車位檢測

平行車位中存在障礙物的場景如圖3所示，在障礙車輛S與E之間存在障礙物，此時車位的終止點不再是E車的車尾了，而是障礙物的左邊界，當L小于最小車位長度時，判定未搜索到車位，當L大于最小車位長度時，判定搜索到了有效車位，車輛的停靠基準為S車的上邊沿。若障礙物的距離大于D1+W，則忽略障礙物的存在，繼續向前搜索車位終止點。

現實中單邊無障礙物的場景較為常見，圖4所為平行車位右側無障礙物的情況，當檢測到車位起始點B后，車輛向前行駛的距離L超過最小車位長度，無論車位前方是否有障礙物，都可判定此車位為有效車位。圖5為平行車位左側無障礙物的情況，自開啟車位檢測起，到檢測出車位終止點C的距離L大于最小車位長度時，判定此車位為有效車位。

圖4 平行車位右側無障礙物的場景

圖5 平行車位左側無障礙物的場景

在無路沿的情況下，障礙車輛錯位停放，即D1≠D2，系統以小值作為停放基準。如圖6所示，主車與車位的側向距離D=D1，當車位的長度和寬度均滿足要求時，車輛將以S車的上邊界作為停放標準；在有路沿的情況下，如圖7所示，為滿足規范停車的要求，以路沿作為停放基準，前提是路沿在超聲波雷達的探測范圍內。

圖6 障礙車輛錯位停放的場景

圖7 有路沿障礙車輛錯位停放的場景

2.2 垂直車位檢測

超聲波在空氣中傳播時能量會被損耗，故探測距離有限，市場上成熟的超聲波探頭探測距離均不超過5 m。這樣的探測距離在檢測垂直車位時將探測不到車位縱深的障礙物，這時將不能再以D加車輛長度作為車位起始點和終止點的判別條件，為保證測距的精度和穩定性，通常將判別條件設為D+Δ小于雷達的測距極限，Δ的取值與雷達的性能有關，若雷達的測距極限為5 m，則Δ通常取值為2 m。單側有障礙物的垂直車位場景如圖8、圖9所示。圖8為垂直車位右側無障礙物的情況，當檢測到車位起始點B后，車輛向前行駛的距離L超過垂直車位所需的最小車位長度，無論車位前方是否有障礙物，都可判定此車位為有效車位。圖9為垂直車位左側無障礙物的情況，自開啟車位檢測起，到檢測出車位終止點C的距離L大于垂直車位所需的最小車位長度時，判定此車位為有效車位。

圖8 垂直車位右側無障礙物的場景

圖9 垂直車位左側無障礙物的場景

由于超聲波雷達測距范圍有限，當車位中存在障礙物時，垂直車位與平行車位的檢測略有不同。當障礙物在D+Δ內時，車位起始點和終止點的判別方法與平行車位相同，當障礙物不在D+Δ內時，雷達探測不到車位縱深處的障礙物，如圖10所示，此時車位的起始點和終止點被判定為S車的右邊界和E車的左邊界，在L滿足最小車位條件時，圖10中方框位置被判定為一個有效車位，車位中的障礙物只能依靠泊車過程中短距雷達的碰撞檢測檢出。

圖10 垂直車位中存在障礙物的場景

2.3 車位自定義模式

為提高基于超聲波車位檢測的場景適應性，車位檢測算法中加入了車位自定義模式。如車輛處于一個無障礙物的空曠場景中，超聲波雷達在一段距離內未檢測到障礙物(小轎車通常設定為15 m)，用戶就可以停車通過人機交互界面選擇車位自定義模式。

空曠環境下的車位自定義場景如圖11所示，實線框區域為自定義可泊區域，用戶可以通過人機交互界面拖動車模到可泊區域內，并將其作為目標車位，目標車位的尺寸為設定的最大車位尺寸，如圖中虛線框所示。默認的車位類型為平行車位，如圖11中1號車位，但也可以手動改為垂直車位，如圖11中2號車位，若將車模拖至可泊區域外，則該目標車位將視為無效車位，如圖11中3號車位。

圖11 空曠環境下的車位自定義場景

3 實驗驗證

以昂科威車為載體，采用奧迪威的超聲波雷達對所設計的車位檢測算法在多種場景和速度工況下進行驗證。奧迪威的長距雷達能在0.3～3.5 m檢測到障礙物，在3.5～5 m檢測到路沿，故將D定在0.5～1.5 m，Δ的取值為2 m。雷達實物如圖12所示。以昂科威的車輛尺寸為依據，將平行車位的最小長度閾值設為6 m，最大長度閾值設為8 m，垂直車位的最小長度閾值設為2.5 m。

圖12 奧迪威超聲波雷達探頭

3.1 實驗設計

確定一個原點，作為局部航位推算坐標系的原點，測量得到每個場景下車位起始點和終止點距原點的距離值，并將其作為真實距離值。車輛每次都從原點以不同的速度開始檢測車位，通過車位檢測算法推算出B、C點(即車位起始點和終止點)在局部航位推算坐標系中的值。由于本實驗場景是在主車與車位平行的條件下進行，只需比較B、C點的Y坐標值(車輛的前進方向為Y方向)，即可判別出車位長度。將B、C點距原點的真實距離與車位檢測算法推算出的距離值進行對比，得出車位檢測算法的精度。為了給后續路徑規劃和路徑跟蹤提供較準確的車位信息，車位長度L的誤差不能超過30 cm，B、C點的單點誤差要在[-15 cm,15 cm]。

3.2 實驗結果

圖13為兩側都是障礙車輛的平行車位場景。在圖13場景下，對車位檢測算法進行精度驗證，驗證數據如表1所示。車位B、C點距原點的真實距離為14.93、22.37 m，車位的實際長度為7.44 m。

圖13 兩側都是障礙車輛的平行車位場景

車速/(km·h-1)B點Y坐標/mC點Y坐標/m車位長度誤差/m5～1015.0122.320.1310～1514.8722.290.2215～2014.9022.340.2020～2515.0722.400.1125～3015.0322.260.21

從表1可看出，車位檢測算法在圖13工況下，以不同車速檢測車位時，B、C點的最大誤差為14 cm，車位長度L的最大誤差為22 cm，滿足車位檢測算法對精度的要求。

圖14為兩側都是方形障礙物的垂直車位場景。在圖14場景下，對車位檢測算法進行精度驗證，驗證數據如表2所示。車位B、C點距原點的真實距離為13.45、16.92 m，車位的實際長度為3.47 m。

圖14 兩側都是方形障礙物的垂直車位場景

車速/(km·h-1)B點Y坐標/mC點Y坐標/m車位長度誤差/m5～1013.5216.870.1210～1513.4716.830.1115～2013.5116.940.0420～2513.5416.980.0325～3013.5116.950.03

從表2可看出，車位檢測算法在圖14工況下，以不同車速檢測車位時，B、C點的最大誤差為9 cm，車位長度L的最大誤差為12 cm，滿足車位檢測算法對精度的要求。

圖15為一側為車輛另一側為方形障礙物的垂直車位場景。在圖15場景下，對車位檢測算法進行精度驗證，驗證數據如表3所示。車位B、C點距原點的真實距離為13.63、16.77 m，車位的實際長度為3.14 m。

圖15 一側為車輛另一側為方形障礙物的垂直車位場景

車速/(km·h-1)B點Y坐標/mC點Y坐標/m車位長度誤差/m5～1013.6216.720.0410～1513.6616.690.1115～2013.6516.810.0220～2513.6116.840.0925～3013.6516.820.03

從表3可看出，車位檢測算法在圖15工況下，以不同車速檢測車位時，B、C點的最大誤差為8 cm，車位長度L的最大誤差為11 cm，滿足車位檢測算法對精度的要求。

以上場景中，車位檢測算法均能在誤差范圍內檢出車位的B、C點，證明了該算法的有效性。限于篇幅，不再列出其他場景的實驗結果。

4 結束語

提出了一種基于超聲波雷達的車位檢測算法，并在多種典型場景下對算法邏輯進行分析。以昂科威車為載體，奧迪威超聲波雷達為研究對象，對所設計的車位檢測算法在多種場景和速度工況下進行實車驗證。測試結果表明，該算法能滿足自動泊車系統對車位檢測精度的要求，超聲波雷達低廉的成本也更有利于市場推廣。