汽車自動駕駛裝置系統研究

賀翠華

摘 要： 主要對汽車自動駕駛算法進行了優化設計。先根據實際情況完成路線的規劃，通過使用置于車輛前端的各種傳感設備完成圖像的獲取，然后處理采集到的圖像并據此完成對車道線和障礙物的識別與檢測，在此基礎上實現汽車包括車輛行駛速度與方向在內的自動駕駛操作控制過程。通過對比實驗檢測該算法的應用效果與安全性，結果表明相比于基于BP神經網絡和基于貝葉斯的自動駕駛算法，算法的處理時間得到有效縮短，進一步提升了控制準確度，為優化汽車駕駛安全性能提供參考。

關鍵詞： 汽車自動駕駛; 駕駛安全性; 自動駕駛算法; 圖像采集; 路線規劃

中圖分類號： U 463.4 ? ? ?文獻標志碼： A

Abstract： This paper mainly optimizes the auto-driving algorithm. The algorithm first completes the route planning according to the actual situation. The image acquisition is completed by using various sensor devices placed in the front of the vehicle， and then the collected images are processed according to the actual conditions. This completes the identification and detection of lane lines and obstacles， and realizes the automatic driving operation control process of the car including the speed and direction of the vehicle. By comparing experiments to test the application effect and safety of the algorithm， the results show that compared with the BP neural network and Bayesian-based autonomous driving algorithms， the processing time of the algorithm in this paper is effectively shortened， and the control accuracy is further improved. The paper may provide reference for car driving safety performance.

Key words： autonomous vehicle driving; driving safety; autonomous driving algorithm; image acquisition; route planning

0 引言

近年來迅速發展和完善的人工智能及網絡通信技術為自動駕駛汽車功能的實現提供了強大的技術支撐，促使汽車自動駕駛技術取得快速進步，自動駕駛汽車正不斷地融入日常生活之中，有望在不久的將來正式步入商業市場。自動駕駛車輛不同于人工駕駛車輛，主要通過使用傳感器及相關算法完成對車輛相應操作（包括轉向、加速和剎車等）的控制。現階段大多采用離線傳感器實現汽車自動駕駛技術，部分企業已實現了第三級別的自動駕駛，但受到離線傳感器有限的感知距離的限制，更高級別無人駕駛的實現需基于大量的信息計算資源，這就對汽車自動駕駛算法提出了更高的要求。

1 需求分析

隨著社會經濟與科學技術的迅速發展，汽車已經成為日常生產生活中不可或缺的交通工具，私人汽車保有量隨之不斷增加，為城市交通管理帶來了較大的挑戰，交通擁擠、交通事故等頻繁發生，為人們的生命財產安全帶來了嚴重的威脅。隨著通信網絡及人工智能（AI）等現代技術的發展與深入應用，自動駕駛成為未來發展趨勢，成為規范城市交通環境、解決相應交通問題的有效手段，汽車自動駕駛技術在提高交通效率、確保駕駛安全、提供便捷出行服務方面的優勢明顯。隨著交通壓力（包括道路安全、交通擁堵等）及環境污染壓力等的日益提高，智能汽車成為汽車行業的重要發展方向以及汽車技術發展的關鍵競爭領域，這就對汽車控制系統及相關控制算法帶來了新的挑戰。現階段的智能車輛的自動駕駛過程的規劃、決策和控制大多在封閉場景和結構化道路中完成，在復雜的交通及道路場景下仍然需要人工干預車輛控制，如在商業化運營時存在面對丁字路口難以及時準確的轉彎、并線切入正常行駛車流中等問題，主要原因在于汽車自動駕駛控制技術的設計多基于規則（人為規定相應的行為模式）完成，導致應用于復雜場景中的規則數目（可能發生沖突）呈指數級增加，且出于安全考慮很難開展復雜工況下的汽車自動駕駛測試與驗證，限制了通過測試對自動駕駛功能的反饋和完善效果。因此需通過自動駕駛智能控制算法的設計與應用實現自主學習及安全有效的測試和驗證過程（根據數據驅動、環境交互產生的數據），不斷提高自主應對復雜工況的控制能力，以有效應對復雜駕駛場景[1]。

2 汽車自動駕駛算法

在交通事故原因調查中發現，人主觀因素是主要因素（包括駕駛技能不成熟、酒駕等），因此在汽車控制過程中通過人工智能輔助或替代已成為汽車領域的主流發展趨勢，其中的汽車自動駕駛技術主要根據環境感知信息做出行為決策并據此執行車輛運動控制功能，先根據實際需要將各種傳感設備安裝到汽車前端負責完成汽車周圍環境信息的采集，接下來分析處理采集到的環境信息并據此做出最為合理的行為決策控制汽車的運動，使交通事故得到最大程度地避免，從而在實現自動駕駛功能的基礎上確保車輛高效安全到達目的地。汽車駕駛規劃（包括方向、速度、路線）及障礙規避是實現自動駕駛控制的基礎和關鍵，其本質在于仿人駕駛。傳統無人駕駛項目受到匹配度較低的通訊網絡環境的限制，導致基于環境感知的人工智能難以及時準確的做出行為決策，增加了汽車響應所需時間，難以控制車輛及時準確的規避障礙，進而降低看汽車駕駛的穩定性和安全性。本文面向5G網絡環境主要完成了一種汽車自動駕駛算法的設計，該軟件運行邏輯程序能夠更好的匹配自動駕駛技術，在完成最優路線選取后據此完成汽車的自動駕駛，對行駛過程中周圍的圖像使用圖像采集設備完成采集和處理過程，實現車道線識別及周圍障礙物檢測功能，從而有效控制車輛行駛速度和方向，該算法顯著縮短了處理時間，提高了汽車自動駕駛的安全性[1]。

2.1 路線規劃

在汽車上道去往目的地前需以輸入的目標地址為依據完成最優路線的規劃，確保該路線能夠最快到達目的地，具體過程為：（1） 求出起點與終點（分別由M和N表示）間由L表示的直線距離，以L的0.1倍的長度將起點和終點分別向外延伸形成直線距離（由L0表示），接下來分別以L0為弦、以1.5倍的L0為弧長畫弧，根據兩條弧間的范圍完成多個節點的選取（包含M和N），并由這些節點組成一個一維數組（由Z表示）;（2） 對動態鄰接節點的關系矩陣和權矩陣（分別由R′和R表示）根據Z中每兩個節點間的權重值進行初始化處理;（3） Z中全部節點的集合由Z表示，得到的最優路徑的節點集合由S表示，Z中記錄節點的前驅由P表示;（4） 然后完成對起點位置的判斷，并令PM=0;判斷終點位置，在P N=-1的情況下繼續下一步，若P N≠-1則跳到步驟（3）;（5） M到N的全部最短時間由D表示，Dmin=R′，PN≠-1;（6） 令K=R，若P k=-1則P k=i、R′=R′=∞;（7） 修改可達到的最優路徑長度（從M到集合上任意節點），此時R′=R′+D;（8）重復步驟（4）～（7），直至找到最優路徑，否則跳到（1）擴大節點范圍重新尋找[2]。

2.2 圖像獲取與處理

汽車根據已確定的最優路徑向目的地行駛，并在行駛過程中通過車輛上的各種傳感設備完成圖像實時準確的獲取，然后根據檢測到的信息做出相應的行為決策，汽車對減速、加速、轉彎等行為自動做出控制，考慮到在圖像采集過程中易受到周圍多種因素的影響（包括路面油跡、路邊樹木及隔離帶陰影等障礙物阻擋、光照變化情況、設備抖動等）而導致獲取的圖像質量不佳，進而難以提供準確的判斷信息供決策使用，因此需在自動駕駛算法融入圖像處理這一重要環節，為影響提高汽車面對不同情況的響應速度，本文對前端傳感設備采集到的彩色圖像使用了圖像灰度化處理方法直接進行灰度化處理，將包含多種顏色的彩色圖像轉換成相應的灰度圖像（僅包含黑色、白色和不同深淺的灰色），假設，在灰度化圖像中由f（x，y）表示坐標（x，y）的某像素點的灰度值，坐標（x，y）的像素點R的分量值由0. 3R（x，y）表示、G的分量值由0. 59G（x，y）表示、B的分量值由0. 11B（x，y）表，具體表達式如下[3]。

從而確定了汽車安全行駛范圍，可進一步采用Hough 變換以保證識別準確性[5]。

（2） 障礙物檢測，主要針對前方存在的一些動態事物（包括行駛的車輛、行走的行人等）包括識別和跟蹤兩部分，障礙物識別與車道線識別過程相同，識別后的動態跟蹤過程為：基于動態事物識別結果通過掃描完成對障礙物的精準定位，提取障礙物的邊緣等信息后完成對稱性檢測過程，并對障礙物位置進行多次驗證;然后讀取圖像，初始化由（O1，O2）表示的障礙物底部邊緣中心點位置，障礙物的速度V1和加速度V2（在圖像x和y軸方向上）均為0，據此完成障礙物目標模型的構建，預測下一幀圖像中中心點位置（O′ 1，O′ 2）、速度V′ 1和加速度V′ 2（采用卡爾曼濾波器完成）;讀取下一幀圖像，采用特征匹配算法匹配搜索預測部分，若未搜索到匹配圖像則不更新障礙物目標模型并重新進行預測，匹配成功且有新的一幀輸入時更新障礙物目標模型并讀取下一幀圖像，無新的一幀輸入則結束跟蹤流程[6]。

2.4 汽車控制

汽車做出的判斷主要包括速度及方向等，汽車速度控制以前方路況為依據對行駛速度進行調整，控制過程如圖2所示。

利用本文算法控制汽車在仿真實驗場地進行自動變速，算法總共耗時4.23 s（基于BP神經網絡的算法總共耗時為6.33 s，基于貝葉斯的算法總共耗時7.21 s），車速同理想車速基本吻合，誤差范圍明顯小于另外兩種算法，處理時間更短且誤差范圍較小，證明了本文算法的有效性。

（2） 安全分析，取一段平坦路段檢測本文算法的安全性，包括正常檢測環境、大霧、暴雨、大雪及大風等模擬天氣，以保證算法的適應性，設置不同不同障礙物共100個（包括行人、車輛、道路設施等），統計汽車對不同障礙物的規避情況，如圖4所示。

在汽車自動駕駛過程本文算法控制下未發生通碰撞事故，有效躲避了100個障礙物，安全性達到了100%;在其余兩種算法控制下均在惡劣天氣下發生了碰撞事故，說明本文算法能夠更好的適應惡劣天氣，具備較高的安全性，有利于保證汽車自動駕駛過程的穩定和安全，可根據采集圖像信息快速準確的做出決策判斷并實現對汽車駕駛動作的有效控制[9]。

4 總結

不斷增加的汽車保有量帶來了交通擁擠及交通事故頻發等一系列問題，為規范交通環境、提升交通安全性及服務質量，汽車自動駕駛技術（基于人工智能）成為解決這些問題的有效手段，現有汽車自動駕駛控制算法大多因受到傳統網絡通訊模式速度較慢的限制，算法處理時間較長、應用效果不佳，導致汽車規避風險的及時性、準確性不高，影響了汽車整體的安全性能。隨著5G網絡環境的不斷發展和完善，對汽車自動駕駛算法提出了新的要求，除相應硬件設備支持外，軟件邏輯運算是實現汽車自動駕駛技術的關鍵所在，本次以汽車自動駕駛算法作為重點研究內容，主要涉及到路線規劃、信息收集與處理、汽車速度及方向調節和控制（基于車道識別和障礙檢測）等內容，并通過對比實驗驗證了該算法的有效性及應用效果。

參考文獻

[1] 胡云峰，曲婷，劉俊，等.智能汽車人機協同控制的研究現狀與展望[J]. 自動化學報， 2019（7）：1261-1280.

[2] 陳科，劉金松，李天博.智能網聯汽車產業發展概況及測試認證動態分析[J].汽車與配件，2019（24）：69-71.

[3] 李光磊. 圖像處理在自動駕駛系統中的應用[J].山東工業技術，2017（22）：113-114.

[4] 張勝平. 基于改進PID算法的列車自動駕駛控制方法研究[J].鐵道通信信號， 2017（10）：27-30.

[5] 金鑫君，羅方贊，鄭麗輝，等.基于ADVISOR純電動汽車動力系統參數匹配優化研究[J]. 機械工程師， 2017（10）：96-98.

[6] 曹月花，羅文廣，藍紅莉，等.復雜環境下道路車道線識別算法的研究[J]. 現代電子技術， 2017（14）：109-113.

[7] 笪陳宇，唐明，雷鑑銘.基于自動駕駛的機器視覺原理及應用[J]. 無線互聯科技. 2018（10）：124-125.

[8] 鄭穎，鄭顯鋒，張旺，等. 基于模糊控制理論的純電動汽車制動系統[J]. 國外電子測量技術. 2017（12）：121-125.

[9] 王一霖，萬華森，曾鵬.基于仿真平臺的自動駕駛汽車轉向控制方法優化研究[J].軟件導刊，2018（12）：29-33.

（收稿日期： 2020.02.25）