无人驾驶汽车的传感器系统标准设计及核心技术展望.docx

一、无人驾驶汽车传感器研究背景和意义
无人驾驶汽车是人工智能一个很关键验证平台，近些年成为中国外研究热点．无人驾驶汽车作为一个陆地轮式机器人，既和一般机器人有着很大相同性，又存在着很大不一样．首先它作为汽车需确保乘员乘坐舒适性和安全性，这就要求对其行驶方向和速度控制愈加严格；另外，它体积较大，尤其是在复杂拥挤交通环境下，要想能够顺利行驶，对周围障碍物动态信息获取就有着很高要求。无人驾驶研究目标是完全或部分替换驾驶员，是人工智能一个很关键实现平台，同时也是现在前沿科技关键发展方向。目前，无人驾驶技术含有重大应用价值，生活和工程中，能够在一定程度上减轻驾驶行为压力；在军事领域内，无人驾驶技术能够替换军人实施侦查、排雷、和战场上危险环境中任务；在科学研究领域，无人驾驶技术能够实现外星球等极端环境下勘探活动。无人驾驶车辆技术，又称智能车辆，即利用将无人驾驶技术应用于车辆控制中。
国外无人驾驶车辆技术大多经过分析激光传感器数据进行动态障碍物检测。代表有斯坦福大学智能车“Junior”，利用激光传感器对跟踪目标运动几何特征建模，然后用贝叶斯滤波器分别更新每个目标状态；卡耐基•梅隆大学“BOSS”智能车从激光传感器数据中提取障碍物特征，经过关联不一样时刻激光传感器数据对动态障碍物进行检测跟踪。牛津大学研制无人车辆“WildCat”，不使用GPS，使用激光雷达和相机监控路面情况。中国相关技术开展较晚，国防科学技术大学研制自主车“开路雄狮”，采取三维激光雷达Velodyne作为关键传感器，将Velodyne获取相邻两激光数据作差，并在取得差分图像上进行聚类操作，对聚类结果建立方盒模型。
无人驾驶车辆是一项融合了认知科学、人工智能、机器人技术和车辆工程等多学科技术，包含到电子电路，计算机视觉，自动控制，信号处理等多学科技术。无人驾驶汽车出现从根本上改变了传统“人——车——路”闭环控制方法，将无法用规则严格约束驾驶员从该闭环系统中请出去，从而大大提升了交通系统效率和安全性，是汽车工业发展革命性产物。
二、无人驾驶汽车传感器系统整体设计
无人驾驶汽车实现需要大量科学技术支持，而其中最关键就是大量传感器定位。关键技术是包含高精度地图、定位、感知、智能决议和控制等各个模块。其中有多个关键技术模块，包含正确GPS定位及导航、动态传感避障系统、机械视觉三个大部分，其它如只能行为计划等不属于传感器范围，属于算法方面，不做过多设计。传感器系统图所表示。

图1 无人驾驶汽车传感器系统关键组成
三、正确GPS定位及导航
无人驾驶汽车对GPS定位精度、抗干扰性提出了新要求。在无人驾驶时GPS导航系统要不间断对无人车进行定位。在这个过程之中，无人驾驶汽车GPS导航系统要求GPS定位误差不超出一个车身宽度。
无人驾驶汽车面临另一个问题面临另一个挑战，是需要确保她们又完美导航功效，实现导航关键技术是现在生活中已经使用很广泛GPS技术。因为GPS无积累误差、自动化测量特点，所以十分适适用于无人驾驶汽车导航定位。
为了大幅提升GPS测量技术精度，本系统采取位置差分GPS测量技术。相较于传统GPS技术，差分GPS技术会在一个观察站对两个目标观察量、两个观察站对一个目标观察量或一个测站对一个目标两次测量之间求差，目标在于消去公共误差源，包含电离层和对流层效应等。
位置差分原理是一个最简单差分方法，任何一个GPS接收机均可改装和组成这种差分系统。
安装在基准站上GPS接收机观察4颗卫星后便可进行三维定位，解算出基准站坐标。因为存在着轨道误差、时钟误差、SA影响、大气影响、多径效应和其它误差，解算出坐标和基准站已知坐标是不一样， 存在误差。基准站利用数据链将此更正数发送出去，由用户站接收，而且对其解算用户站坐标进行更正。
最终得到更正后用户坐标已消去了基准站和用户站共同误差，比如卫星轨道误差、 SA影响、大气影响等，提升了定位精度。以上先决条件是基准站和用户站观察同一组卫星情况。位置差分法适适用于用户和基准站间距离在100km以内情况。其原理图1所表示。
高精度汽车车身定位是无人驾驶汽车行驶先决条件，以现有技术，利用差分GPS技术能够完成无人驾驶汽车正确定位，基础满足需求。

图2 差分GPS技术原理图

四、动态传感避障系统
无人驾驶汽车作为一个陆地轮式机器人，既和一般机器人有着很大相同性，又存在着很大不一样。首先它作为汽车需确保乘员乘坐舒适性和安全性，这就要求对其行驶方向和速度控制愈加严格；另外，它体积较大，尤其是在复杂拥挤交通环境下，要想能够顺利行驶，对周围障碍物动态信息获取就有着很高要求。中国外很多无人驾驶汽车研究团体全部是经过分析激光传感器数据进行动态障碍物检测。斯坦福大学自主车“Junior”利用激光传感器对跟踪目标运动几何特征建模，然后用贝叶斯滤波器分别更新每个目标状态；卡耐基 · 梅隆大学 “BOSS”从激光传感器数据中提取障碍物特征，经过关联不一样时刻激光传感器数据对动态障碍物进行检测跟踪。
在实际应用中，3 维激光传感器因为数据处理工作量较大，存在一个比较小延时，这在一定程度上降低了无人驾驶汽车对动态障碍物反应能力，尤其是无人驾驶汽车前方区域运动障碍物，对其安全行驶组成了很大威胁；而一般四线激光传感器即使数据处理速度较快，不过探测范围较小，通常在 100°～ 120°之间；另外，单个传感器在室外复杂环境中也存在着检测正确率不高现象。
针对这些问题，本文提出一个利用多激光传感器进行动态障碍物检测方法，采取 3 维激光传感器对无人驾驶汽车周围障碍物进行检测跟踪，利用卡尔曼滤波器对障碍物运动状态进行跟踪和估计，对于无人驾驶汽车前方正确性要求较高扇形区域，采取置信距离理论融合四线激光传感器数据来确定障碍物运动信息，提升了障碍物运动状态检测正确率，最终在栅格图上不仅对无人驾驶汽车周围动、静态障碍物进行区分标示，而且还依据融合结果对动态障碍物位置进行了延时修正，来消除传感器处理数据延时所带来位置偏差。
其步骤图图2所表示，最终这些信息全部显示在人机交互界面上。

图3 动态避障系统步骤结构
首先对Veloadyne数据进行栅格化处理得到一张障碍物占用栅格图，对不一样时刻栅格图进行聚类跟踪能够获取障碍物动态信息，将动态障碍物从栅格图中删除并存放在动态障碍物列表中，这个删除了动态障碍物占用信息栅格图也就是一张静态障碍物栅格图，然后将动态障碍物列表中动态障碍物信息和Ibeo获取无人驾驶汽车前方区域内动态障碍物信息进行同时融合得到一个新动态障碍物列表，最终将这个新列表中动态障碍物合并到静态障碍物栅格图中得到一张动静态障碍物区分标示栅格图。障碍物检测模块是经过分析处理多种激光雷达返回数据，将这些激光雷达数据进行栅格化处理，投影到512*512栅格地图中，从而实现对环境中障碍物检测。最终，多传感器信息融合和环境建模模块则是将不一样传感器获取环境信息进行融合、建立道路模型并最终用栅格地图进行表示，这些环境信息包含：标识信息、路面信息、障碍物信息和定位信息等。
最终，对取得环境信息信号进行处理，得到一张动态标志了障碍物栅格图，从而达成避障效果，采取融合 Velodyne 和 Ibeo 信息得到运动目标状态方法相比于只用 Velodyne 处理结果方法，检测结果正确率和稳定性全部得到了较大提升。

五、机械视觉机构
机械视觉也能够称作为环境感知，是无人驾驶汽车最关键也是最复杂一部分。无人驾驶车辆环境感知层任务是针对不一样交通环境，对传感器进行合理配置、融合不一样传感器获取环境信息、对复杂道路环境建立模型。无人驾驶系统环境感知层分为交通标志识别、车道线检测和识别、车辆检测、道路路沿检测、障碍物检测和多传感器信息融合和环境建模等模块。
传感器探测环境信息，只是将探测物理量进行了有序排列和存放。此时计算机并不知道这些数据映射到真实环境中是什么物理含义。所以需要经过合适算法从探测得到数据中挖掘出我们关注数据并给予物理含义，从而达成感知环境目标。
比如我们在驾驶车辆时眼睛看前方，能够从环境中分辨出我们目前行驶车道线。若要让机器获取车道线信息，需要摄像头获取环境影像，影像本身并不含有映射到真实环境中物理含义，此时需要经过算法从该影像中找到能映射到真实车道线影像部分，给予其车道线含义。
自动驾驶车辆感知环境传感器繁多，常见有：摄像头、激光扫描仪、毫米波雷达和超声波雷达等。
针对不一样传感器，采取感知算法会有所区分，跟传感器感知环境机理是相关系。每一个传感器感知环境能力和受环境影响也各不相同。比如摄像头在物体识别方面有优势，不过距离信息比较欠缺，基于它识别算法受天气、光线影响也很显著。激光扫描仪及毫米波雷达，能正确测得物体距离，不过在识别物体方面远弱于摄像头。同一个传感器因其规格参数不一样，也会展现不一样特征。为了发挥各自传感器优势，填补它们不足，传感器信息融合是未来趋势。实际上，已经有零部件供给商做过此事，比如德尔福开发摄像头和毫米波雷达组合感知模块已应用到量产车上。所以本系统设计将多个感知模块结合去识别多种环境实物。
5.1 交通识别模块
交通标识识别模块又分为交通标志牌识别和交通信号灯识别。其中，交通标志牌识别关键由以下几部分组成：(1)图像/视频输入；(二)交通标识检测；(三)交通标识识别；(四)识别结果输出；(五)试验数据库和训练样本数据库。交通信号灯识别关键由以下几部分组成：(1)图像/视频输入；(2)交通信号灯检测；(3)交通信号灯状态识别；(4)识别结果输出。交通标识识别模块系统框图图3和图4所表示。

图4 交通标志牌识别系统框图

图5 交通信号灯识别系统框

5.2 车道线检测和识别模块
车道线检测模块是经过对传感器图像进行车道线检测和提取来获取道路上车道线位置和方向，经过识别车道线，提供车辆在目前车道中位置，能够帮助无人车遵守交通规则，为无人驾驶车辆自主行驶提供导向，提升无人车行车稳定性。智能车道线检测和识别模块处理步骤关键是：
对采集图像进行预处理，关键是图像平滑；
对图像进行二值化，为了适应光照分布不均勾，采取了自适应阈值二值化方法；
对二值化图像进行分析，得出该路段属于哪种路况；
对不一样路况利用不一样算法进行检测和识别在图像预处理阶段，利用高斯平滑模板对图像进行平滑，去除图像噪声干扰。在图像二值化上，利用S*S大小均值模板对图像进行卷积，将图像中车道线区域信息提取出来，然后经过逆透视投影变换，经过路况判定，识别出车道线，经过透视投影原理，将车道线映射到原始图像上。
5.3 车辆检测模块
车辆检测模块则是经过对相机图像进行处理将环境中车辆检测出来，为了确保图像中任意尺寸车辆全部能检测到，本设计采取滑动窗口目标检测：在输入图像多尺度空间中，对图像进行放缩，然后在每一个尺度上，经过平行移动滑动搜索窗口，能够取得不一样尺度和不一样坐标位置子图。其次对所取得子框图类别进行判别，整合各个子框图类别信息，输出检测得到结果。其检测采取是基于区域Haar特征描述算子和Adaboost级联分类器。
5.4 决议计划层
无人驾驶车辆决议计划层任务是依据路网文件(RNDF)、任务文件(MDF)和定位信息生成一条全局最优路径，并在交通规则约束下，依靠环境感知信息实时推理出正确合理驾驶行为，最终生成安全可行驶路径发送给控制实施系统。决议计划层分为全局计划、行为决议和运动计划三个模块。
全局计划模块首先读取网文件和任务文件，遍历路网文件中全部路点，生成全部路点之间连通性，然后依据任务文件来设定起点、任务点和终点，计算出最优路径，最终将这条最优路径路点序列发送给行为决议模块。
行为决议模块针对车辆所处不一样交通场景、任务要求和环境特征，将无人驾驶车辆行为分为多个状态，并延展为不一样亚态和子态。
运动计划模块任务则是依据行为决议模块发送局部目标点和环境感知信息，实时计划出安全可行驶路径，并将路径轨迹点序列发送给控制实施。
六、无人驾驶汽车实现技术展望
现在无人驾驶技术实现关键是基于激光传感技术或是超声雷达技术等，经过十余年研究探索，很多机构和企业全部已经推出了自己无人驾驶汽车，但基础全部存在不足，并不能实现真正意义“无人驾驶”。
处理无人驾驶汽车关键技术关键在于两个方面，首先是算法设计，其次便是传感器设计。传感器精度和响应速度直接关系到无人驾驶汽车安全性问题，而安全性正是无人驾驶技术最基础也是最关键部分。未来无人驾驶技术发展方向也应该是改善算法和选择更适宜精度更高传感器。
本文从原理上设计了一个无人驾驶汽车传感器系统，简明介绍了各个组成部分功效和算法结构。文中所坦述内容基础能够应对大多数道路情况，在低速条件下实现无人驾驶，但实际生活中，汽车驾驶环境十分复杂，想要经过仪器设备分析到判定交通手势或其它司机行人手势等不固定交通信号，还是存在很大困难。另外无人驾驶汽车在应对紧急情况时表现也存在很大争议，当包含伦理和道德时候情况会变愈加复杂。
总而言之，无人驾驶汽车发展是一个大趋势，好处巨大，能够大幅节省人力物力，提升效率，降低交通事故和拥堵。要实现无人驾驶汽车技术成熟化还需要无数科研工作者付出巨大努力。

参考文件

[1] Ferguson D, Darms M, Urmson C, et al. Detection, prediction, and avoidance of dynamic obstacles in urban environments[C]//IEEE Intelligent Vehicles Symposium. Piscataway, USA: IEEE, : 1149-1154.
[2] Urmson C, Anhalt J, Bagnell D, et al. Autonomous driving in urban environments: Boss and the urban challenge[J]. Journal of Field Robotics, , 25(8): 425-466.
[3] Mertz C, Navarro-Serment L E, MacLachlan R, et al. Moving object detection with laser scanners[J]. Journal of Field Robotics, , 30(1): 17-43.
[4] 程健，项志宇，于海滨等. 城市复杂环境下基于三维激光雷达实时车辆检测[J]. 浙江大学学报（工学版），48（12）：2102-2106
[5] 吴维一. 激光雷达及多传感器融合技术应用研究[D]. 长沙: 国防科学技术大学.
[6] IBEO Automobile Sensor GmbH, ALASCA User Manual, Version 1.2.4, Mar .
[7] 辛煜，梁华为，梅涛等. 基于激光传感器无人驾驶汽车动态障碍物检测及表示方法[J]. 机器人,36（6）654-661
[8] 赵盼. 城市环境下无人驾驶车辆运动控制方法研究[D]. 中国科学技术大学，.
[9] Yang J, Kong B. Sparsely Connected Associative Memory with Adaptive Topology through Annealed Dilution[C]// Fifth International Symposium on Computational Intelligence and Design (ISCID). IEEE, ,1: 168-172,
[10] Huang J, Liang H, Wang Z, et al. Robust lane marking detection under different road conditions[C]// IEEE International Conference on Robotics and Biomimetics (ROBIO) IEEE, 1753-1758.
[11] 刘梓，唐振民，任明武. 基于激光雷达实时道路边界检测算法[J]. 华中科技大学学报.(自然科学版),2