无人驾驶汽车的传感器系统设计及技术展望.docx

无人驾驶汽车的传感器系统设计及技术展望.docx

《无人驾驶汽车的传感器系统设计及技术展望.docx》由会员分享，可在线阅读，更多相关《无人驾驶汽车的传感器系统设计及技术展望.docx（8页珍藏版）》请在冰豆网上搜索。

无人驾驶汽车的传感器系统设计及技术展望

、无人驾驶汽车传感器得研究背景与意义

无人驾驶汽车就是人工智能得一个非常重要得验证平台，近些年成为国内外研究热点.无人驾驶汽车作为一种陆地轮式机器人，既与普通机器人有着很大得相似性,又存在着很大得不同。

首先它作为汽车需保证乘员乘坐得舒适性与安全性,这就要求对其行驶方向与速度得控制更加严格；另外,它得体积较大,特别就是在复杂拥挤得交通环境下，要想能够顺利行驶，对周围障碍物得动态信息获取就有着很高得要求•无人驾驶得研究目标就是完全或部分取代驾驶员，就是人工

智能得一个非常重要得实现平台，同时也就是如今前沿科技得重要发展方向。

当前，无人驾驶技术具有重大得应用价值，生活与工程中，能够在一定程度上减轻驾驶行为得压力；在军事领域内，无人驾驶技术可以代替军人执行侦查、排雷、以及战场上危险环境中得任务；在科学研究得领域，无人驾驶技术可以实现外星球等极端环境下得勘探活动。

无人驾驶车辆技术，又称智能车辆，即利用将无人驾驶得技术应用于车辆得控制中。

国外得无人驾驶车辆技术大多通过分析激光传感器数据进行动态障碍物得检测。

代表有斯坦福大学得智能车“Junico”，利用激光传感器对跟踪目标得运

动几何特征建模，然后用贝叶斯滤波器分别更新每个目标得状态；卡耐基？

梅隆大

学得卞OSS智能车从激光传感器数据中提取障碍物特征，通过关联不同时刻得激光传感器数据对动态障碍物进行检测跟踪。

牛津大学研制得无人车辆“Wi忖C

at”，不使用GPS,使用激光雷达与相机监控路面状况。

我国相关技术开展较晚，国防科学技术大学研制得自主车开路雄狮”，采用三维激光雷达Velodyne作为主要传感器，将Velodyne获取得相邻两激光数据作差，并在获得得差分图像上进行聚类操作，对聚类结果建立方盒模型。

无人驾驶车辆就是一项融合了认知科学、人工智能、机器人技术与车辆工程等多学科得技术，涉及到电子电路，计算机视觉，自动控制，信号处理等多学

科技术。

无人驾驶汽车得出现从根本上改变了传统得人-—车一一路”闭环控制

方式,将无法用规则严格约束得驾驶员从该闭环系统中请出去，从而大大提高了交通系统得效率与安全性，就是汽车工业发展得革命性产物•

二、无人驾驶汽车得传感器系统整体设计

无人驾驶汽车得实现需要大量得科学技术支持，而其中最重要得就就是大量得传感器定位•核心技术就是包括高精度地图、定位、感知、智能决策与控制等各个模块。

其中有几个关键得技术模块，包含精确GPS定位及导航、动态传感避障系统、机械视觉三个大部分，其她得如只能行为规划等不属于传感器范畴，属

于算法方面，不做过多设计。

传感器系统如图所示

囚誌锻无恃畀ibeo

图1无人驾驶汽车得传感器系统主要组成

三、精确GPS定位及导航

无人驾驶汽车对GPS定位精度、抗干扰性提出了新得要求。

在无人驾驶时GPS导航系统要不间断得对无人车进行定位。

在这个过程之中，无人驾驶汽车得GPS导航系统要求GPS定位误差不超过一个车身宽度。

无人驾驶汽车面临得另一个问题面临得另一个挑战，就是需要确保她们又完美得导航功能，实现导航得主要技术就是现在生活中已经使用非常广泛得GP

S技术.由于GPS无积累误差、自动化测量得特点，因此十分适合用于无人驾驶汽车得导航定位•

为了大幅提高GPS测量技术得精度,本系统采用位置差分GPS测量技术。

相较于传统得GPS技术，差分GPS技术会在一个观测站对两个目标得观测量、两个观测站对一个目标得观测量或者一个测站对一个目标得两次测量之间求差，

目得在于消去公共误差源，包括电离层与对流层效应等。

位置差分原理就是一种最简单得差分方法，任何一种GPS接收机均可改装与组成这种差分系统。

安装在基准站上得GPS接收机观测4颗卫星后便可进行三维定位，解算出基准站得坐标.由于存在着轨道误差、时钟误差、SA影响、大气影响、多径效应以及其她误差，解算出得坐标与基准站得已知坐标就是不一样得，存在误差。

基准站利用数据链将此改正数发送出去，由用户站接收，并且对其解算得用户站坐标进行改正。

最后得到得改正后得用户坐标已消去了基准站与用户站得共同误差，例如卫星轨道误差、SA影响、大气影响等，提高了定位精度.以上先决条件就是基准站与用户站观测同一组卫星得情况•位置差分法适用于用户与基准站间距离在100km以内得情况。

其原理如图1所示。

高精度得汽车车身定位就是无人驾驶汽车行驶得先决条件，以现有得技术，利用差分GPS技术可以完成无人驾驶汽车得精确定位，基本满足需求。

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种陆地轮式机器人，既与普通机器人有着很大得相似性，又存在着很大得不同。

首先它作为汽车需保证乘员乘坐得舒适性与安全性这就要求对其行驶方向与速度得控制更加严格；另外,它得体积较大，特别就是在复杂拥挤得交通环境下，要想能够顺利行驶，对周围障碍物得动态信息获取就有着很高得要求。

国内外很多无人驾驶汽车研究团队都就是通过分析激光传感器数据进行动态障碍物得检测。

斯坦福大学得自主车“Jun心"利用激光传感器对

跟踪目标得运动几何特征建模，然后用贝叶斯滤波器分别更新每个目标得状态；卡耐基•梅隆大学得“BSS'从激光传感器数据中提取障碍物特征，通过关

联不同时刻得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

得延时，这在一定程度上降低了无人驾驶汽车对动态障碍物得反应能力，特别就

是无人驾驶汽车前方区域得运动障碍物，对其安全行驶构成了很大得威胁；而普通得四线激光传感器虽然数据处理速度较快，但就是探测范围较小，一般在100。

〜120。

之间;另外，单个得传感器在室外复杂环境中也存在着检测准确率不高得现象。

针对这些问题，本文提出一种利用多激光传感器进行动态障碍物检测得方法，采用3维激光传感器对无人驾驶汽车周围得障碍物进行检测跟踪，利用卡

尔曼滤波器对障碍物得运动状态进行跟踪与预测，对于无人驾驶汽车前方准确性要求较高得扇形区域，采用置信距离理论融合四线激光传感器数据来确定障碍物得运动信息，提高了障碍物运动状态得检测准确率，最终在栅格图上不仅对无人驾驶汽车周围得动、静态障碍物进行区别标示，而且还根据融合结果对动态障碍物得位置进行了延时修正，来消除传感器处理数据延时所带来得位置偏差.

其流程图如图2所示，最终这些信息都显示在人机交互界面上

时刻得栅格图进行聚类跟踪可以获取障碍物得动态信息，将动态得障碍物从栅格图中删除并存储在动态障碍物列表中，这个删除了动态障碍物占用信息得栅格图也就就是一张静态障碍物栅格图，然后将动态障碍物列表中得动态障碍物信息与Ibeo获取得无人驾驶汽车前方区域内得动态障碍物信息进行同步融合得到一个新得动态障碍物列表，最后将这个新得列表中得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别标示得栅格图。

障碍物检测模块就是通过分析处理各种激光雷达返回得数据，将这些激光雷达数据进行栅格化处理，投

影到512*512得栅格地图中，从而实现对环境中障碍物得检测.最终,多传感器信息融合与环境建模模块则就是将不同传感器获取得环境信息进行融合、建

立道路模型并最终用栅格地图进行表示，这些环境信息包括：

标识信息、路面信

息、障碍物信息以及定位信息等。

最后，对获得得环境信息信号进行处理，得到一张动态得标志了障碍物得栅格图,从而达到避障得效果，采用融合Velodyne与Ibeo信息得到运动目标状态得方式相比于只用Velodyne处理结果得方式，检测结果得准确率与稳定性都得到了较大得提升。

五、机械视觉机构

机械视觉也可以称作为环境感知，就是无人驾驶汽车最重要也就是最复杂得一部分。

无人驾驶车辆得环境感知层得任务就是针对不同得交通环境，对传感

器进行合理得配置、融合不同传感器获取得环境信息、对复杂得道路环境建立模型。

无人驾驶系统得环境感知层分为交通标志识别、车道线得检测与识别、车辆检测、道路路沿得检测、障碍物检测以及多传感器信息融合与环境建模等模块。

传感器探测环境信息，只就是将探测得物理量进行了有序排列与存储•此时计算机并不知道这些数据映射到真实环境中就是什么物理含义•因此需要通过适当得算法从探测得到得数据中挖掘出我们关注得数据并赋予物理含义，从而达到感知环境得目得。

比如我们在驾驶车辆时眼睛瞧前方，可以从环境中分辨出我们当前行驶得车道线•若要让机器获取车道线信息，需要摄像头获取环境影像，影像本身并不具备映射到真实环境中得物理含义，此时需要通过算法从该影像中找到能映射到真实车道线得影像部分，赋予其车道线含义.

自动驾驶车辆感知环境得传感器繁多，常用得有：

摄像头、激光扫描仪、毫米波雷达以及超声波雷达等。

针对不同得传感器，采用得感知算法会有所区别，跟传感器感知环境得机理就是有关系得。

每一种传感器感知环境得能力与受环境得影响也各不相同。

比如摄像头在物体识别方面有优势，但就是距离信息比较欠缺，基于它得识别算法受天气、光线影响也非常明显。

激光扫描仪及毫米波雷达，能精确测得物体得距

离，但就是在识别物体方面远弱于摄像头。

同一种传感器因其规格参数不一样，也

会呈现不同得特性.为了发挥各自传感器得优势，弥补它们得不足，传感器信息融合就是未来得趋势。

事实上，已经有零部件供应商做过此事，比如德尔福开发得摄像头与毫米波雷达组合感知模块已应用到量产车上。

因此本系统设计将多个感知模块结合去识别各种环境实物。

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与交通信号灯识别。

其中，交通标志牌识别主要由以下几部分组成：

（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）实验数据库与训练样本数据库•交通信号灯识别主要由以下几部分组成：

（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如图3与

图5交通信号灯识别系统框

5、2车道线检测与识别模块

车道线检测模块就是通过对传感器图像进行车道线检测与提取来获取道路上得车道线位置与方向，通过识别车道线，提供车辆在当前车道中得位置，能够帮助无人车遵守交通规则，为无人驾驶车辆得自主行驶提供导向，提高无人车得行车稳定性。

智能车道线检测与识别模块得处理流程主要就是：

对采集得图像进行预处理，主要就是图像得平滑；

对图像进行二值化，为了适应光照分布得不均勾，采用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；

对不同路况运用不同算法进行检测与识别在图像预处理阶段，运用高斯平滑

模板对图像进行平滑，去除图像噪声得干扰。

在图像二值化上，利用S*S大小得均值模板对图像进行卷积，将图像中车道线得区域信息提取出来，然后通过逆透视投影变换,通过路况判断，识别出车道线，通过透视投影原理，将车道线映

射到原始图像上。

5、3车辆检测模块

车辆检测模块则就是通过对相机图像进行处理将环境中得车辆检测出来，为了保证图像中任意尺寸得车辆都能检测到，本设计采用滑动窗口得目标检测：

在输入图像得多尺度空间中，对图像进行放缩，然后在每一个尺度上，通过平行移动滑动搜索窗口，可以获得不同尺度与不同坐标位置得子图。

其次对所获得子框图得类别进行判别，整合各个子框图得类别信息，输出检测得到得结果。

其检测采用得就是基于区域得Haar特征描述算子与Adaboos级联分类器。

5、4决策规划层

无人驾驶车辆决策规划层得任务就是根据路网文件（RNDF）、任务文件（MDF）以及定位信息生成一条全局最优路径，并在交通规则得约束下，依靠环境感知信息实时推理出正确合理得驾驶行为，最终生成安全可行驶得路径发送给控制执行系统•决策规划层分为全局规划、行为决策与运动规划三个模块。

全局规划模块首先读取网文件与任务文件，遍历路网文件中得所有路点，生成所有路点之间得连通性，然后根据任务文件来设定起点、任务点与终点，计算出最优路径，最终将这条最优路径得路点序列发送给行为决策模块.

行为决策模块针对车辆所处得不同交通场景、任务要求以及环境特征，将无

人驾驶车辆行为分为多个状态，并延展为不同得亚态与子态。

运动规划模块得任务则就是根据行为决策模块发送得局部目标点以及环境感知信息，实时规划出安全可行驶得路径，并将路径得轨迹点序列发送给控制执行。

六、无人驾驶汽车实现得技术展望

目前无人驾驶技术得实现主要就是基于激光传感技术或者就是超声雷达技术等，经过十余年得研究探索，许多机构与公司都已经推出了自己得无人驾驶汽车，但基本都存在不足，并不能实现真正意义得无人驾驶”

解决无人驾驶汽车得关键技术主要在于两个方面，一方面就是算法得设计，另一方面便就是传感器得设计。

传感器得精度与响应速度直接关系到无人驾驶汽车得安全性问题，而安全性正就是无人驾驶技术最基本也就是最关键得部分.将来无人驾驶技术得发展方向也应该就是改善算法与选择更合适精度更高得传感器.

本文从原理上设计了一个无人驾驶汽车得传感器系统，简要介绍了各个组成

部分得功能与算法结构•文中所坦述得内容基本可以应对大多数得道路情况，在

低速得条件下实现无人驾驶，但实际得生活中，汽车驾驶得环境十分复杂，想要通过仪器设备分析到判断交通手势或者其她司机行人得手势等不固定得交通信号，还就是存在很大得困难。

另外无人驾驶汽车在应对紧急状况时得表现也存在很大得争议，当涉及伦理与道德得时候情况会变得更加复杂。

总之，无人驾驶汽车得发展就是一个大趋势，好处巨大，能够大幅得节省人力物力，提高效率，减少交通事故与拥堵•要实现无人驾驶汽车技术得成熟化还需要无数科研工作者付出巨大得努力•

参考文献

[1]FergusonD,DarmsM,UrmsonC,eta、Detection,prediction,andavoidanceofdynamicobstaclesinurbanenvironments

[C]//IEEEIntelligentVehiclesSymposium、Piscataway，USA:

IEEE,2008:

1149—1154、

[2]UrmsonC,AnhaltJ,BagnellD,etal、Autonomousdrivinginurbanenvironments：

Bossandtheurbanchallenge[J]、J

ournalofFieldRobotics,2008,25（8）:

425-466、

[3]MertzC，Navarro—SermentLE，MacLachIanR，etal、Movin

gobjectdetectionwithlaserscanners[J]、JournalofFie

1dRobotics，2013,30

（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）2014,48（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、2006

[6]IBEOAutomobileSensorGmbH，ALASCAUserManual,Version1、2、4,Mar2005、

[7]辛煜，梁华为，梅涛等、基于激光传感器得无人驾驶汽车动态障碍物检测

及表示方法[J]、机器人2014,36（6）654—661

[8]赵盼、城市环境下无人驾驶车辆运动控制方法得研究[D]、中国科学技术

大学,2012、

[9]YangJ,KongB、SparselyConnectedAssociativeMemoryw

ithAdaptiveTopologythroughAnnea1edDilution[C]//2012FifthInternationalSymposiumonputationalIntelligeneeandDesign（ISCID）、IEEE,2012，1:

168—172，

[10]HuangJ,LiangH，Wang乙etal、Robustlanemarkingdetect

ionunderdifferentroadconditions[C]//2013IEEEInternationalConferenceonRoboticsandBiomimetics（ROB10）IEEE，20131753-1758

[11]刘梓,唐振民，任明武、基于激光雷达得实时道路边界检测算法[J]、华中科技大学学报、（自然科学版）2011,2