信息技术论文：一种智能驾驶信息融合与控制的方法及实现

　　信息技术论文：一种智能驾驶信息融合与控制的方法及实现

　　摘要：针对智能驾驶中，各类传感器位置不同、性能各异、融合难度大的问题，本文根据人类自然认知规律，提出了一种利用不同大小栅格构成变粒度雷达图，完成各类传感器信息融合的框架。在此基础上，采用分段在线优化方式实现模型预测控制（MPC）方法，克服了传统MPC方法约束多、计算量大、难以实用化的缺点。实车系统实验表明本方法可行、有效，采用本文方法的智能车辆参加2014中国智能车未来挑战赛，在全国22个参赛车队中获得第四名。

　0  引言

　　智能驾驶车辆通过安装在车身不同位置的传感器采集车辆周围环境信息，结合地理信息系统、组合导航系统提供的导航定位信息，利用车载计算机系统进行数据分析处理，控制车辆方向和速度，使车辆在无人驾驶的情况下，安全、平稳的完成指定任务，在国防和国民经济领域都具有广泛的应用前景，已成为国内外各大汽车厂商、科研机构的研究热点[1-4]。

　　根据信息流向，智能驾驶车辆信息处理流程可分为环境感知、信息融合、智能决策、车辆控制四个环节[5]，如图1所示。其中，环境感知信息包括道路、交通标志、行人行为、周边车辆等信息，位于回路前端。这些信息的获取基于车载的多种异构传感器设备，主要有摄像头、雷达、GPS接收机、惯导等。在这些传感器配准和标定的基础上，进行信息融合，决策环节再据此进行路径规划，计算安全、可行、平滑的目标路径。控制环节位于回路后端，通过自动控制手段确定方向盘转角、油门或刹车开

　　度，使车辆接近目标状态。由于传感器种类不同，优缺点各异，对各类异构传感器进行相互映证、冲突消解、去伪存真，显得尤为重要。[1]

　

图1 无人驾驶车辆信息处理流程

　　本文提出了一种基于变粒度栅格图对智能驾驶车辆上多类、异构的传感器进行信息融合的方法，并在此基础上利用一种改进的PID控制算法进行车辆控制，实验表明该方法具有较好的效果。

　　1  多传感器信息融合

　　1.1 传感器配置方案

　　传感器配置是无人驾驶车辆感知周边环境的硬件基础。部分研究团队倾向于主要依赖摄像头等视觉传感器进行环境感知，如意大利Parma大学的无人车团队[6]。也有部分研究团队，倾向于主要依赖雷达传感器进行环境感知，典型代表是谷歌公司的无人驾驶车辆[7]。智能驾驶车辆传感器配置没有最优解，也没有唯一解。大部分研究团队都在车身各位置装备多个摄像头、激光雷达、毫米波雷达等多种传感器，并同时配有GPS/惯导组合定位系统，完成环境感知与车辆定位。我团队研发的猛狮4号车传感器配置方案如图2所示。

　(a) 前向传感器配置

　　(b) 后向传感器配置

　　图2 猛狮4号车传感器配置方案

　　其中，前向八线和一线激光雷达用于探测车辆前方障碍物；顶部八线激光雷达用于搜索路面区域，检测道路边缘；后向一线和毫米波雷达用于探测车辆后方障碍物；三个水平摄像头分别用于检测道路标线、交通标志牌与红绿灯；两个安装在后视镜处的俯视摄像头用于辅助检测车道标线。传感器的品牌型号、探测距离和探测角度如表1所列。此外，车辆还装备有支持RTK技术[8]的GPS/惯导组合导航系统，理想情况下可为无人驾驶车提供厘米级别的定位精度。

　　表1 传感器参数表

传感器	品牌	型号	探测距离/米	探测角度/度
前向八线激光雷达	IBEO	LUX 8	200	110
前向一线激光雷达	SICK	LMS291	80	180
顶部八线激光雷达	IBEO	LUX 8	200	110
后向一线激光雷达	SICK	LMS291	80	180
后向毫米波雷达	Delphi	ESR	60	90
水平摄像头1	PIKE	F100C
水平摄像头2	PIKE	F100C
水平摄像头3	PIKE	F100C
左俯视摄像头	DH	SV401FC
右俯视摄像头	DH	SV401FC

　　1.2 路权雷达图模型

　　不同类型的传感器通过声、光、电等物理信号感知周围环境，其工作机理不同，安装在车身上的位置也不同。即使是同一类传感器，其精度、有效范围、参数设置等也不相同。因此，需要通过参数配准及位置标定，将不同传感器感知并处理得到的信息，映射到统一的坐标系中。

　　路权，是车辆行进中任一时刻对前方所需空间的占有权,一辆在行车的路权是一个流动的扇形区。基于车辆行驶中路权变化的基本形式，本文提出了一种智能车辆利用变粒度的路权雷达图进行信息融合的方法，利用不同大小的栅格构成变粒度雷达图形式，融合摄像头、雷达等各类传感器的环境感知信息，显示车辆可拥有的路权空间及其变化趋势。利用路权雷达图进行信息融合，可实时有效完成车辆上多种类别、不同安装位置传感器的感知信息的融合，判断车辆可拥有的路权空间及其变化趋势，为智能决策、路径规划、人机交互、无人驾驶等提供统一的基础框架。

图3  路权雷达图示意图

　　如图3所示，车辆行驶中，其几何中心即为路权雷达图中心O，覆盖半径R=200m。设距中心O第i圈栅格大小为Di，Di­随路i增大而递增，即离智能车辆越近，路权雷达图栅格的尺寸越小、精度越高；离智能车辆越远，路权雷达图栅格的尺寸越大、精度越低，如栅格径向最小5cm，最大400cm;路权雷达图中的角度分辨率可根据驾驶关注区域改变，也可固定。由此构成的变粒度栅格，可用数组结构与之对应。

　　路权雷达图始终寄生在运行中的车辆上，与车速相关，并随时间动态变化，其更新周期由传感器采样频率、本车行驶状态等因素决定。

　　在融合多类传感器检测结果后，会得到本车拥有的周围路权状况及变化趋势，形成对智能驾驶中将发生的车道内的跟驰模式、相邻车道的换道模式、或路口的通行模式（包括左转弯、右转弯、直行、U字掉头）等基本驾驶行为控制策略的基础平台，进行局部路径的动态规划、协同导航等。

　　1.3  路权雷达图覆盖范围论证

　　同类型的传感器通过声、光、电等物理信号感知周围环境，其工作机理不同，安装在车身上的位置也不同。即使是同一类传感器，其精度、有效范围、参数设置等也不相同。因此，需要通过参数配准及位置标定，路权雷达图应当覆盖智能车辆行驶中的安全距离。在智能车安全距离的计算中，需要综合考虑车速、可能出现的湿滑路面及驾驶员的反应时间。我国道路交通安全法实施条例第70条规定：高速公路应当标明车道的行驶速度，最高车速不得超过120km/h。

　　设湿滑路面附着系数

　　，一般驾驶员反应时间

　　在0.35s与0.65s之间，为安全起见，取

　　，车辆限速

　　。

　　在反应时间内，车辆做匀速运动，前进距离为：

　　之后刹车，车辆做匀减速运动，前进距离为：

　　安全距离为

　　。

　　因此，在本较佳实施例中，路权雷达图的半径不得小于195米。

　　1.4 路权雷达图栅格精度论证

　　对于智能车辆，为保证安全行驶，若给定任意距离D，则对应一个保证车辆安全行驶的最大速度

　　。距离D处的扇形栅格径向长度为采集-感知-控制周期T内，车辆走过的距离，即

　　。根据实际情况，T=100ms。路权雷达图由多圈栅格构成，位于同一圈的栅格，其径向长度相同。设从雷达图中心向外侧数，第n圈栅格外侧与雷达图中心的距离为

　　，其对应的最大安全速度是

　　由

　　得：

　　栅格精度

　　，

　　受限于传感器精度，栅格精度最细为5cm

　　序列由下面递推公式确定：

　　据此计算得出，本例中路权雷达图半径为197.7m，共有140圈栅格；栅格纵向长度最小为5cm，最大约为336cm；中间栅格的径向长度可根据递推公式计算得出。

　　下面对角度分辨率进行分析：设高速公路车道宽L=3.5m，路权雷达图依据角度划分为N份。如果要求在路权雷达图覆盖范围最远处能够分辨不同车道，则应满足：

　　，计算得到：

　　因此，不妨设定雷达的角度分辨率为 。

　　则路权雷达图共包括140×360=50400个栅格。在计算机中建立140×360大小的数组，供信息融合使用。

　　2  基于路权雷达图的控制方法

　　2.1 变粒度路权雷达图控制框架

　　基于智能驾驶任务的完成，智能驾驶的控制可分为以下三个层次[9]：

　　导航层（Navigation），负责路径规划与选择，本文对此部分不予讨论。

　　引导层（Guidance），本层分为两级：

　　第1级：驾驶的基本模式决策（跟驰、超车、换道、自由驾驶）。

　　第2级：处于某模式时，车辆的位置轨迹和速度轨迹规划。

　　操作层（Manipulation）：驾驶的基本动作，如操作油门、制动、方向盘等，按照预定轨迹行车。

　　为保证智能车良好运作，解决以路权雷达图为信息融合手段时引导层与操作层的执行问题，本文提出如下控制框架，如图4所示：

　　图4 变粒度路权雷达图控制框架

　　本框架本质上为利用预测控制方法对智能车进行闭环控制的方法。首先，由路权雷达图给出信息融合后的参考路径，结合车辆动力学模型，在相应时域范围内做指标优化计算，结合智能车期望的车距特性、期望跟踪误差特性，将优化结果输入至控制（执行）系统，执行系统反馈结果与优化模块优化，结果重新输入车辆动力学模块，更新车辆动力学模型，完成回路。

　　2.2 车辆动力学特性建模

　　假设忽略悬架作用，仅考虑车辆纵向、横向运动，模型的输入为纵向制动力/驱动力以及方向盘转角，输出为纵向速度、加速度、横向车速、质心偏角与横摆角速度等，假设车辆两侧动力学对称，则整车模型如图5所示：

　　图5 车辆动力学模型

　　如图所示，、­为前后轮侧向力，、为前后轮纵向力，、为前后轮侧向偏角，、分别为车辆纵向、横向速度，为车辆横摆角速度，、分别为汽车前后轴距离质心距离。设车辆前轮转角为，由于车辆在高速行驶过程中，前轮转角一般较小，因此可近似认为，。据图5，可写出如下平衡方程[10-15]：

　　（2-1）

　　其中，是车辆在X方向所受力。

　　由图5可得微分方程：

　　（2-2）

　　其中，为车辆质量，为滚动阻力系数，为坡度，为重力加速度，为空气阻力系数，为迎风面积，、分别为前后轮转动惯量，为轮胎的滚动半径。

　　假设转向系统传动比是固定值，则可得：

　　（2-3）

　　其中，为方向盘转角，为转向系统传动比。

　　联立式（2-1）、式（2-2）式（2-3），可得：

　　（2-4） 其中，

　　（2-5）

　　由式（2-4）可得，车辆纵向加速度受前轮侧偏力、横向速度及横摆角速度等横向运动参数的影响。同理可得，

　　（2-6）

　　（2-7）

　　其中，为车辆绕Z轴的转动惯量。

　　2.3 模型预测控制中改进的分段滚动时域优化

　　传统的模型预测控制方法，由于约束和目标过多，计算成本过大，因此往往在仿真和实验阶段，能够有效地完成控制任务，而在实际工程实现中，不能达到控制目标。为适用于快变对象的实时控制，真正满足工程需要，本文尝试降低约束和目标数量，采用分段在线优化的方式解决问题。

　　首先，对模型进行精确离散化，记采样周期为T，则有：

　　（2-8）

　　其中，，表示第个离散的时刻，我们可以得到：

　　（2-9）

　　式中：

　　（2-10）

　　此离散模型的目的是，通过车身各项传感器测量得到当前时刻状态，即可预测在输入时预测将来k个采样周期的车辆的运动状态，其中N表示模型预测控制方法的预测空间长度。

　　设 表示预测状态， 表示目标状态，则问题转化为：寻找一合适的输入，满足如下条件：，最终实现智能车辆的模型预测控制。

　　表述为优化问题即为：

　　模型约束条件：

　　式中：

　　3  实车实验及结果分析

　　3.1 实验背景

　　2014年11月15日-16日，由国家自然科学基金委员会主办、常熟市人民政府承办的2014 年“中国智能车未来挑战赛”在江苏常熟举行。

　　比赛分高速公路、城郊道路的综合道路行驶任务测试和城区道路特定行驶任务（九宫格）测试两部分，具体情况如下：

 

图6 综合道路行驶任务区域

　　图6为综合道路行驶任务区域，全长14.5公里，共有红绿灯4处，拒马路障6处，U字掉头两处，考点涉及高架桥路段行驶、校园进出等7个项目，对智能车的全局导航能力、速度控制与方向控制水平提出了较高要求。

　　城区道路测验（九宫格地区）则着重考察智能车环境感知能力与控制的精细程度。如图7所示，城区道路试验包含行人过街让行、施工路段绕行、侧方停车、停止线停车、U字掉头等6个科目。

　实验结果及分析

　　综合道路测试，总里程共计14.5km，总用时0:38:22，全程无人工干预，裁判干预1次耗时0:02:48，正常驾驶时间0:34:15，路权雷达图完成冲突消解21次，相互印证3552次。最高速度Vm=40 km/h，平均速度Va=25.4km/h，控制周期100ms，决策输出指令11631次，控制执行指令6579次，刹停9次。 综合道路部分速度曲线如图8所示：

图8  综合道路地区速度曲线

综合地区总制动次数44次（未制动油压52当量），轻微制动次数（制动油压在60以下）31次，较大制动次数（制动油压在60—80间）6次，强制动次数（制动油压80以上）5次。总油门控制调节次数5122次，调节周期100ms，最高设定速度：39km/h，平均行驶速度：28.29km/h，最高实际速度39.76km/h(出现在高架下坡2/3处)，停车误差为0.354m。

　　综合测试区域车辆的横向控制情况如图9所示：

　　图9 综合道路地区转向情况

　　由图中可以看出，转角范围大多集中在-50度~50度区间，经统计该区间共进行转向635次，占总转向比例为58.1%；其中0度转向共进行175次。控制转向指令（4296次）远大于决策指令次数，因为控制会将决策发送的转角度数进行分解，从而增加了指令的数量。

　　九宫格地区道路比赛总里程共计2.4km，总用时0:13:17，全程无人工干预，路权雷达图完成冲突消解9次，相互印证311次。最高速度Vm=40 km/h，平均速度Va=16.22km/h，控制周期100ms，决策输出指令380次，控制执行指令279次，刹停3次。 九宫格道路地区控制曲线跟随目标曲线情况如图8所示：

图10  九宫格地区路径跟随情况
　　九宫格地区路程短，但是路况相对复杂，在任务D点（见图7）需要完成定点侧位停车与U字掉头，对控制要求非常高。我们车队是22个参赛车队中仅有的5个满分通过侧位停车考试项目的车队之一。

　　其中，总制动次数56次，轻微制动（制动油压在60以下）次数33次，较大制动次数（制动油压在60-80间）次数14次，强制动次数（制动油压80以上）9次。总油门调节次数1619次，调节周期100ms，最高设定速度40km/h,最高实际速度39.22km/h，停车误差0.233m。

　　4  结语

　　（1）针对智能车多传感器融合，提出一种基于变粒度栅格的路权雷达图的融合框架，体现了人类认知的特点。

　　（2）应用分段优化的MPC控制方法，并应用于实车原型系统进行验证，成功解决了传统MPC控制方法计算量大，无法应用于实时实车系统的问题。

　　（3）原型系统在常熟2014比赛中表现优异，获得22个车队中第四名的成绩，整个赛程人工干预仅一次，证明了信息融合与控制方法的有效性。

　　[参 考 文 献]

　　[1]Yuan Li, Chunyu Yu, Fengzhi Dai, etc. Implementation of a versatile intelligent vehicle with tracking and remote control for hospital or nursing homes[C]. Software Engineering and Service Science (ICSESS), 2012 IEEE 3rd International Conference on, 2012. 505 - 508.

　　[2]L.D. Baskar, B. De Schutter, J. Hellendoorn, etc. Traffic control and intelligent vehicle highway systems: a survey[J]. IET Intelligent Transport Systems, 2011,5(1):38 – 52.

　　[3]Peacock, Brian. Human Factors in Intelligent Transportation Systems[M]. IIE Transactions, 1999. 25-56.

　　[4]Miad Faezipour, Mehrdad Nourani, Adnan Saeed, etc. Progress and challenges in intelligent vehicle area networks[J]. Communications of the ACM, 2012, 55(2):90-100.

　　[5]Long Chen, Qingquan Li, Ming Li, etc. Traffic sign detection and recognition for intelligent vehicle[C]. IEEE Intelligent Vehicles Symposium, 2011.908-913.

　　[6]曹亮.基于视觉信息的车载智能驾驶系统的研究与实现[D],北京,北京交通大学,2012.

　　[7]Franck Gechter, Jean-Michel Contet, Stéphane Galland, etc. Virtual intelligent vehicle urban simulator: Application to vehicle platoon evaluation[J]. Simulation Modeling Practice and Theory, 2012, 24:103–114.

　　[8]Mhiri, R., Vasseur, P., Mousset, S., etc. Visual odometry with unsynchronized multi-cameras setup for intelligent vehicle application[C]. IEEE Intelligent Vehicles Symposium Proceedings,2014.1339 - 1344.

　　[9]张德兆.基于弯道行驶的车辆自适应巡航控制[D].北京,清华大学,2011.

　　[10]Jianmin Duan, Junqin Yao, Dan Liu, etc. A path tracking control algorithm with speed adjustment for intelligent vehicle[C]. Robotics and Biomimetics (ROBIO), IEEE International Conference, 2013.

　　[10]DianBo Ren,JiYe Zhang, JingMing Zhang,etc. Trajectory planning and yaw rate tracking control for lane changing of intelligent vehicle on curved road[J]. Science China Technological Sciences, 2011, 54(3):630-642.

　　[11]Guo Lie, Huang Xiaohui, Ge Pingshu, etc. Lane changing trajectory tracking control for intelligent vehicle on curved road based on backstepping[J]. Journal of Jilin University (Engineering and Technology Edition), 2013.

　　[12]王家恩,陈无畏,王檀彬等. 基于期望横摆角速度的视觉导航智能车辆横向控制, 机械工程学报, 2012,48(4).

　　[13]李琳辉,李明,郭景华等. 基于视觉的智能车辆模糊滑模横向控制, 大连理工大学学报, 2013,53(5).

　　[14]赵熙浚,陈慧岩. 智能车辆路径跟踪横向控制方法的研究, 汽车工程,2011,33(5).

　　[15]Linhui Li, Hongxu Wang, Jing Lian, etc. A Lateral Control Method of Intelligent Vehicle Based on Fuzzy Neural Network[J]. Advances in Mechanical Engineering, 2014.