基于車載傳感器數(shù)據(jù)的智能駕駛輔助系統(tǒng)優(yōu)化

摘要：隨著汽車技術(shù)的快速發(fā)展，智能駕駛輔助系統(tǒng)（ADAS）在提高道路交通安全性方面的作用越來越重要，然而現(xiàn)有系統(tǒng)在復雜道路環(huán)境下的安全性能仍有待提高。通過分析車載傳感器數(shù)據(jù)對ADAS性能進行優(yōu)化，采用機器學習算法對多源傳感器數(shù)據(jù)進行融合與分析，并由此提出一種障礙物檢測與軌跡預測改進方法。實車測試結(jié)果表明，該方法在檢測準確率和計算效率方面均優(yōu)于現(xiàn)有算法，研究成果可為ADAS的進一步優(yōu)化提供新的思路和方法。

關鍵詞：智能駕駛輔助系統(tǒng)；車載傳感器；數(shù)據(jù)融合；機器學習；障礙物檢測；軌跡預測

0 前言

近年來，作為智能汽車的重要組成部分，智能駕駛輔助系統(tǒng)（ADAS）發(fā)展迅速。目前，ADAS已實現(xiàn)自適應巡航控制、車道偏離預警、自動緊急制動等功能，然而現(xiàn)有ADAS在復雜環(huán)境下的表現(xiàn)仍有待提高，主要問題包括多傳感器數(shù)據(jù)融合效率不高、環(huán)境感知精度不足、系統(tǒng)響應延遲等。隨著5G通信、邊緣計算等新技術(shù)的發(fā)展，ADAS正朝著更智能、更可靠的方向發(fā)展[1]。未來，ADAS將進一步融合人工智能（AI）技術(shù)，實現(xiàn)更精準的環(huán)境感知和決策控制，為實現(xiàn)高級別自動駕駛奠定基礎。本研究聚焦利用車載傳感器數(shù)據(jù)優(yōu)化ADAS性能，通過分析多源傳感器數(shù)據(jù)，探索高效的融合與處理方法。研究目標包括提出改進的多源數(shù)據(jù)融合算法，設計高效的障礙物檢測與軌跡預測方法，并通過實車測試驗證其有效性，以提升系統(tǒng)在復雜場景下的感知能力和決策水平。

1 研究目的

1. 1 研究對象

車載傳感器是ADAS的“眼睛”和“耳朵”，對系統(tǒng)的性能起著決定性作用。常用的車載傳感器包括攝像頭、毫米波雷達、激光雷達、超聲波傳感器等，其中：攝像頭可識別車道線、交通標志等視覺信息，毫米波雷達可在惡劣天氣下準確測量目標距離和速度，激光雷達能提供高精度三維點云數(shù)據(jù)，超聲波傳感器可用于近距離障礙物的檢測。這些傳感器各有優(yōu)缺點，需要通過數(shù)據(jù)融合來互補。近年來，新型傳感器（如事件相機、熱成像相機等）也開始應用于ADAS，進一步豐富了系統(tǒng)的感知能力。

1. 2 研究目標與創(chuàng)新點

本研究旨在通過優(yōu)化車載傳感器數(shù)據(jù)的處理和利用，提升ADAS性能。主要研究目標包括：① 提出一種改進的多源傳感器數(shù)據(jù)融合算法，提高系統(tǒng)對環(huán)境的感知精度；② 設計基于深度學習的障礙物檢測與軌跡預測方法，增強系統(tǒng)對復雜場景的適應能力；③ 優(yōu)化系統(tǒng)響應機制，縮短決策時間。研究的創(chuàng)新點在于：① 采用注意力機制增強多源數(shù)據(jù)融合效果；② 引入時空圖卷積網(wǎng)絡提高軌跡預測準確性；③ 設計輕量化神經(jīng)網(wǎng)絡模型，實現(xiàn)邊緣設備上的實時處理。這些創(chuàng)新將有助于ADAS在實際道路環(huán)境中發(fā)揮更好的性能。

2 多源傳感器數(shù)據(jù)融合方法

2. 1 數(shù)據(jù)預處理技術(shù)

本研究采用多階段數(shù)據(jù)預處理技術(shù)提高融合效率。首先，對原始傳感器數(shù)據(jù)進行時間同步，采用線性插值法將不同采樣率的數(shù)據(jù)對齊到統(tǒng)一時間戳。其次，進行空間配準，利用已標定的外參矩陣將不同傳感器數(shù)據(jù)轉(zhuǎn)換到車體坐標系。再次，應用自適應中值濾波法去除異常值，濾波窗口大小根據(jù)數(shù)據(jù)方差動態(tài)調(diào)整。最后，通過主成分分析（PCA）進行降維，保留95%信息量的特征。試驗表明，該預處理方法可將數(shù)據(jù)融合時間縮短30%，同時保持數(shù)據(jù)的完整性。

2. 2 基于深度學習的特征提取

為提取多模態(tài)數(shù)據(jù)的高級特征，設計了一種多分支深度神經(jīng)網(wǎng)絡。該網(wǎng)絡包含3個并行分支，分別處理圖像、點云和雷達數(shù)據(jù)。圖像分支采用ResNet50網(wǎng)絡結(jié)構(gòu)，點云分支使用PointNet++網(wǎng)絡結(jié)構(gòu)，雷達分支則應用一維卷積神經(jīng)網(wǎng)絡（1DCNN）結(jié)構(gòu)。每個分支輸出128維特征向量[2]。該網(wǎng)絡的創(chuàng)新點在于引入注意力機制融合多模態(tài)特征，自適應調(diào)整不同模態(tài)的權(quán)重。試驗結(jié)果顯示，與傳統(tǒng)方法相比，該網(wǎng)絡在KITTI數(shù)據(jù)集上的目標檢測準確率提升12.5%，處理速度提高20%。

2. 3 改進的卡爾曼濾波融合算法

本研究提出了一種自適應交互式多模型卡爾曼濾波（AMMIKF）算法。該算法同時維護多個動態(tài)模型，包括恒速模型、恒加速模型和Singer模型，通過計算每個模型的似然概率動態(tài)調(diào)整權(quán)重。同時引入馬爾可夫跳變過程描述模型切換，提高了對目標運動狀態(tài)突變的適應性。另外，設計了基于馬氏距離的信息一致性檢驗，實現(xiàn)了對傳感器故障的實時檢測。在100 h實車測試中，AMMIKF算法相比標準卡爾曼濾波，目標狀態(tài)估計均方根誤差降低18.7%，在急轉(zhuǎn)彎等復雜場景下表現(xiàn)尤為突出。

3 障礙物檢測與軌跡預測算法設計

3. 1 目標檢測網(wǎng)絡架構(gòu)

本研究設計了一種新型雙階段目標檢測網(wǎng)絡（DDAN）。DDAN首先使用改進的特征金字塔網(wǎng)絡（FPN）提取多尺度特征，然后通過區(qū)域生成網(wǎng)絡（RPN）生成候選框。DDAN的創(chuàng)新點在于引入了并行的分類和回歸分支，分類分支采用Focal Loss函數(shù)緩解類別不平衡問題，回歸分支使用GIoU Loss函數(shù)提高定位精度。此外，設計了特征重校準模塊，通過通道注意力機制和空間注意力機制增強關鍵特征。在KITTI數(shù)據(jù)集上的試驗表明，DDAN在車輛、行人和自行車3類目標的平均精度均值（mAP）達到89.7%，比YOLOv4提高3.5百分點，同時推理速度達到25幀/s[3]。表1展示了DDAN與其他目標檢測算法在KITTI數(shù)據(jù)集上的性能對比。

3. 2 時空注意力機制的引入

為提高目標檢測的時序一致性，本研究在DDAN的基礎上引入了時空注意力機制（TSAM）。TSAM包含2個關鍵組件：空間注意力模塊（SAM）和時間注意力模塊（TAM）。SAM利用自注意力機制捕捉單幀內(nèi)目標間的空間關系，而TAM則通過跨幀注意力計算連續(xù)幀間的時間依賴。在具體實現(xiàn)中，SAM基于非局部網(wǎng)絡結(jié)構(gòu)，TAM則基于變換器的編碼器-解碼器架構(gòu)。試驗結(jié)果表明，引入TSAM后，目標檢測的幀間一致性提高了15.3%，尤其在有部分遮擋場景下的效果顯著，誤檢率降低了22.7%。此外，引入TSAM后，系統(tǒng)的計算負荷僅增加11%，相較于顯著提升的檢測性能，這種額外開銷是可以接受的。TSAM在提高目標檢測準確度的同時，仍然保證了ADAS系統(tǒng)的實時處理能力，使系統(tǒng)能夠在車載環(huán)境下進行快速響應。

3. 3 基于長短期記憶網(wǎng)絡的軌跡預測模型

本研究提出了一種改進的長短期記憶網(wǎng)絡（LSTM）模型用于障礙物軌跡的預測。該模型采用編碼器-解碼器結(jié)構(gòu)，編碼器LSTM提取歷史軌跡特征，解碼器LSTM生成未來軌跡。該模型的創(chuàng)新點包括引入社會池化層捕捉目標間交互、設計動態(tài)注意力機制自適應調(diào)整不同歷史時刻的權(quán)重、集成環(huán)境語義信息（如道路結(jié)構(gòu)和交通規(guī)則）。模型在努斯景數(shù)據(jù)集上進行了評估，預測時間范圍為3 s，采樣頻率為10 Hz[4]。結(jié)果表明，在平均位移誤差（ADE）和最終位移誤差（FDE）2項指標上，改進LSTM模型分別比基準LSTM模型降低了18.5%和22.3%；在復雜路口場景，改進LSTM模型的預測準確率提升顯著，為ADAS決策提供了可靠依據(jù)。表2總結(jié)了改進LSTM模型與其他軌跡預測模型在努斯景數(shù)據(jù)集上的性能比較。

4 試驗設計與結(jié)果分析

4. 1 試驗平臺與數(shù)據(jù)集

研究以改裝的長安CS75車型為試驗平臺，配備64線激光雷達、毫米波雷達和高清攝像頭。數(shù)據(jù)采集系統(tǒng)基于機器人操作系統(tǒng)（ROS）架構(gòu)，采樣頻率10 Hz。試驗數(shù)據(jù)包括自采集的150 h道路數(shù)據(jù)和公開數(shù)據(jù)集（KITTI、努斯景），數(shù)據(jù)類型涵蓋多種天氣和光照條件。預處理采用NVIDIA DGX Station，訓練和測試在RTX 3090 GPU工作站上進行。試驗環(huán)境為Ubuntu 20.04，使用PyTorch 1.8.0深度學習框架。

4. 2 性能評估指標

研究采用多項指標評估算法性能。目標檢測指標包括mAP、召回率和推理速度，軌跡預測指標包括ADE、FDE和預測時間，系統(tǒng)整體性能通過端到端延遲、資源占用率評估。設置不同交并比（IoU）閾值（0.5、0.7、0.9）分析檢測性能，評估1～3 s軌跡預測效果。通過100 km實車測試和特定場景（如急轉(zhuǎn)彎、突然制動）評估系統(tǒng)整體性能和極端情況表現(xiàn)。

4. 3 對比試驗結(jié)果

DDAN-TSAM算法與其他方法在不同數(shù)據(jù)集上的性能對比見表3。由表3可知，DDAN-TSAM算法在多個方面優(yōu)于現(xiàn)有方法。在KITTI數(shù)據(jù)集上，該算法的mAP達到91.2%，超過YOLOv4和Faster R-CNN。自采集數(shù)據(jù)集的測試中，DDANTSAM在復雜城市環(huán)境的檢測召回率提升了8.7%，誤報率降低了15.3%。軌跡預測模型在努斯景數(shù)據(jù)集上的3 s預測ADE和FDE分別降低了22.1%和25.7%，優(yōu)于Social-LSTM和ConvLSTM。在自采集高速數(shù)據(jù)上，長時間預測（>5 s）的ADE降低了31.5%。系統(tǒng)整體性能測試顯示，端到端平均延遲為45 ms，峰值不超過80 ms，滿足實時性要求[5]。在急轉(zhuǎn)彎等極端場景測試中，系統(tǒng)的目標檢測準確率保持在85%以上，比基準系統(tǒng)高12百分點。

4. 4 算法性能分析

DDAN-TSAM算法在小目標檢測、遮擋處理和計算效率等方面表現(xiàn)優(yōu)異。結(jié)果表明，特征重校準模塊使50 m外小目標檢測率提升了23.8%； TSAM有效改善了部分遮擋目標的檢測穩(wěn)定性，使漏檢率降低17.5%；盡管引入了復雜的注意力機制，通過模型壓縮和量化，算法推理速度僅降低5%，達到22幀/s；軌跡預測模型在多目標交互場景中表現(xiàn)突出，如十字路口預測準確率比傳統(tǒng)方法提高35%。然而，在極度擁堵的交通流中，DDANTSAM算法的預測性能略有下降，這可能是由于社會池化層信息過載導致。系統(tǒng)在雨天和夜間的檢測性能分別下降7%和12%，優(yōu)于基準系統(tǒng)的15%和22%。但在大霧天氣中，系統(tǒng)性能出現(xiàn)了明顯下降。在能見度低于100 m的大霧條件下，DDANTSAM算法的目標檢測準確率從晴天時的91.2%降至73.5%，降幅達到19.4%。同時，系統(tǒng)的平均檢測距離從150 m縮短至85 m，軌跡預測的ADE增加了28.7%。這些數(shù)據(jù)表明，大霧天氣對系統(tǒng)性能的影響顯著，亟需進一步優(yōu)化。因此，提高系統(tǒng)在惡劣天氣條件下的感知能力將是未來研究的重點方向之一。

5 結(jié)語

本研究通過深入分析車載傳感器數(shù)據(jù)提出了一種改進的ADAS優(yōu)化方法，研究成果不僅在理論上拓展了多源數(shù)據(jù)融合和目標檢測的新思路，而且在實際應用中展現(xiàn)了良好的性能。后續(xù)研究將進一步探索算法在更多復雜場景下的適應性，并考慮將其與車輛控制系統(tǒng)深度集成，為實現(xiàn)更安全、更智能的自動駕駛技術(shù)奠定基礎。

參考文獻

[1] 趙建輝.智能駕駛多模態(tài)感知方法研究[D].北京：清華大學，2019.

[2] 解來卿.基于結(jié)構(gòu)共用的智能電動車輛傳感器優(yōu)選配置與節(jié)能控制[D].北京：清華大學， 2019.

[3] 牛立鵬，張沙，張朝陽，等.礦用卡車智能駕駛系統(tǒng)多車協(xié)同仿真研究[J].控制與信息技術(shù)， 2022（5）：94-100.

[4] 張琳.車載傳感器在汽車自動駕駛中的應用[J].汽車畫刊，2024（5）：43-45.

[5] 胡浩卿.面向調(diào)度優(yōu)化的車載多源傳感器數(shù)據(jù)融合算法分析[J].電子技術(shù)，2023，52（12）： 369-371.