超聲波雷達、毫米波雷達與激光雷達數據融合的研究*

劉兆倫，周 明，周 延，李 琳，梁志輝

(合肥工業大學 機械工程學院，安徽 合肥 230009)

0 引言

傳感器是現代機器系統和無人駕駛系統中必不可少的部件，各種傳感器對信息的獲取存在方式和原理上的差異，使得信息的精確度也無法保證。本文針對在無人駕駛小車上安裝的超聲波雷達、毫米波雷達和激光雷達的數據融合問題，提出了一種數據融合思路。

1 數據融合預處理

融合多種雷達數據的方法是先將各種雷達接收到的數據進行預處理，將各自數據中的雜波和不需要的信息剔除，以減少融合處理器中的數據存儲量[1]，然后再將這些數據進行中央級數據融合[2]。在進行數據融合前需進行超聲波雷達、毫米波雷達和激光雷達的數據預處理：超聲波雷達返回的數據只有距離信息，通過對比距離信息，只留下距離相對較近的數據傳入融合處理器；毫米波雷達返回數據的信息包括目標的徑向距離、速度、方位角等，首先通過相鄰采樣點之間的車輛數據特征變化去除無效目標[3]，通過對距離信息的對比過濾掉距離太小和太大的目標信息，通過對速度的對比過濾掉靜止的目標信息，然后將過濾后的數據傳入融合處理器；考慮激光雷達的安裝位置精度及車輛行駛的需要，給出一個限定范圍，首先去除有效范圍外的無關數據點，再通過濾波的方式濾除一些孤立的噪聲點[4]，將過濾后的數據傳入融合處理器。其中，超聲波雷達選取車輛前側多個超聲波雷達測量數據求取平均值得到預處理后的數據，毫米波雷達和激光雷達則采用多次測量求得平均值的方法得到預處理后的數據。

預處理后可以發現，數據在測量范圍誤差之內，之后則進行數據融合，其思路是將激光雷達傳入數據的距離、速度等信息提取出來，分別與同一時刻內超聲波雷達傳入數據的距離信息和毫米波雷達傳入的距離與速度信息作對比，如果相對應數據的誤差在合理的范圍內，則將兩者的數據求和取平均值作為對應目標的數據信息；超聲波雷達和激光雷達處理后的數據包含目標的徑向距離和方位角等信息，且與車輛的相對距離較小；經過激光雷達和毫米波雷達處理的數據包含目標的距離、方位角和速度等信息，與車輛的相對距離較為安全，可以通過建立一個線性卡爾曼濾波跟蹤器來進行跟蹤。

一般系統的狀態方程和觀測方程可以表示為如下形式：

xk=Axk-1+Buk+wk.

zk=Hxk+vk.

其中：xk為k時刻的系統狀態；A為系統的狀態轉移矩陣；B為系統的控制矩陣；uk為系統控制量；wk為系統過程高斯白噪聲；zk為k時刻的測量值；H為系統的測量矩陣；vk為系統測量高斯白噪聲。

通過卡爾曼跟蹤算法[5]可以將當前目標信息中的位置信息作為測量值，利用測量值和跟蹤器上一時刻的狀態所得到的預測值來更新跟蹤器的狀態向量和估計誤差的協方差等結果，然后預測下一時刻的狀態。按照預測—實測—修正來對目標進行位置確定，從而提供更準確的信息。

2 節點分類數據融合

多傳感器信息的融合是把分布在不同位置、不同種類的傳感器所提供的局部環境的部分信息通過一些方法進行融合，從而得到所需的較為準確的環境信息。

本實驗將超聲波雷達分別安裝在車輛的前側、左側以及右側，毫米波雷達安裝在車輛的前側，激光雷達安裝在車輛的前側。其中，超聲波雷達收集的數據經過處理后成為障礙物與雷達之間的距離，毫米波雷達收集的數據為徑向距離、速度、加速度以及方位角，激光雷達收集的數據為方向角、實際轉速以及實際距離。先進行同質與異質信息的劃分，同質即傳感器觀測的是同一物理現象，異質則觀測的不是同一個物理量[6]。可以得出，同質信息有距離信息、方向角的角度信息和速度以及加速度的狀態信息；異質信息分為三類：第一類為超聲波雷達、毫米波雷達和激光雷達的距離信息，簡稱S；第二類為毫米波雷達和激光雷達測出的方向角的角度信息，簡稱L；第三類為毫米波雷達測出的速度以及加速度的狀態信息，簡稱Z。對特征信息提取分類后將多個超聲波傳感器探測的距離信息經過“同類型多傳感器融合算法”進行數據預處理[7]，這樣可以提高超聲波雷達測量的精度。

多傳感器融合的結構模型有集中式、分布式和混合式三種，通過上述分析可知，在處理超聲波雷達、毫米波雷達和激光雷達的數據融合中，采用混合式處理[8]較為合適，即集中式和分布式的混合，經過局部傳感器先對收集的信息進行預處理，其中還伴隨有未經處理的原始觀測數據，再將這些數據依次傳入主處理器分析后得到指令。

多傳感器融合的數學模型啟發于神經網絡和模糊理論的方法思路[9]，即將同質傳感器局部集中融合進行數據預處理后再采用分布式并行信息處理方式，選取多個節點模擬人類的神經元來處理信息，同時每一個節點是在載傳感器物體行進過程中通過遇到的不同種情形進行概括總結，從而以模糊規則來實現數據信息的提取。因此我們觀察行進物體的不同情形來確定其分類規則，再根據不同傳感器的精度范圍選擇較為合適的數據提取方式。其中，超聲波雷達在0.004 m～3 m之間距離測量較為準確，毫米波雷達在遠距離測距中較為精確，測距可達150 m，激光雷達在0.15 m～8 m之間測量數據較為準確。由此確定分類規則：①在無障礙物時，行進物體按照原來設定的參數繼續前進，而不做任何的處理；②在前方出現障礙物時，若在3 m以內在S中提取超聲波雷達數據，超過3 m則在S中提取毫米波雷達數據；③在左前方、右前方出現障礙物時，若在3 m以內在S中提取超聲波雷達數據、L中提取激光雷達數據，超過3 m則在S中提取毫米波雷達數據、L中提取激光雷達數據；④在左側、右側出現障礙物時，則提取左、右側的超聲波雷達信息(提取信息均為預處理后的數據信息)。因此分不同節點分類作出數據提取分析，最后由處理器作出決策判斷。節點分類數據融合流程如圖1所示。

圖1 節點分類數據融合流程

3 結論

本文提供的數據融合思路是在數據預處理的基礎上進行數據融合，這樣可以極大地降低傳感器所帶來的誤差，提高測量的準確性。從集中式、分布式和混合式數據融合的結構模型中選取適合的方法進行數據預處理和節點分類數據融合，劃分同質、異質數據，可以更加高效地進行數據融合，并從預測、實測和修正三個角度對數據信息進行分類，從而提供了一種較為可行的數據融合方法。