周勁草，馬玉春，魏　朗

(1.長(zhǎng)安大學(xué)汽車學(xué)院，陜西 西安 710064； 2.新疆大學(xué)機(jī)械工程學(xué)院，新疆 烏魯木齊 830046； 3.長(zhǎng)安大學(xué)公路學(xué)院，陜西 西安 710064)

0　引言

我國(guó)內(nèi)蒙古、西藏和新疆地域遼闊，在這些區(qū)域的道路網(wǎng)普遍呈現(xiàn)稀疏特性.稀疏路網(wǎng)工況作為一種特殊高速道路工況，該類稀疏路網(wǎng)的特點(diǎn)是路網(wǎng)密度低、道路連通度差、道路車流量小、車輛運(yùn)行車速較快，道路技術(shù)等級(jí)整體偏低，且往往處于人口稀少區(qū)域.[1]一旦發(fā)生事故不易被發(fā)現(xiàn)，事故死亡率較高，因此如何降低交通事故的發(fā)生顯得尤為重要.

隨著科學(xué)技術(shù)的發(fā)展，機(jī)器視覺技術(shù)在提高車輛主動(dòng)安全行駛中得到了廣泛的應(yīng)用.[2-4]文獻(xiàn)[5-6]采用了單目視覺進(jìn)行縱向安全距離測(cè)量的算法，給出了一種基于單目視覺的智能車輛前方障礙物識(shí)別與測(cè)距方法，該算法實(shí)現(xiàn)了縱向距離低于50 m障礙物距離測(cè)試，然而在50～100 m內(nèi)卻無(wú)法進(jìn)行測(cè)量.上述算法只能運(yùn)用于低速行駛的城市道路，卻無(wú)法運(yùn)用于稀疏路網(wǎng)工況.為解決這一問題，文獻(xiàn)[7]給出了一種基于擬合的高速道路單目視覺測(cè)距算法，該算法實(shí)現(xiàn)了10～100 m范圍內(nèi)的障礙物縱向安全距離測(cè)算，使得單目視覺測(cè)距技術(shù)能夠運(yùn)用于高速行駛工況下的高速道路，然而該算法在測(cè)量距離大于70 m測(cè)量誤差很大，不能運(yùn)用于稀疏路網(wǎng)工況下的縱向安全距離測(cè)算.

針對(duì)上述問題，本文首先建立了兩種常見發(fā)散態(tài)縱向識(shí)別區(qū)域模型，依據(jù)車輛操縱穩(wěn)定性仿真進(jìn)行了優(yōu)化分析，并獲取瞬態(tài)縱向最優(yōu)化識(shí)別區(qū)域模型，量化了穩(wěn)態(tài)成像焦距值與檢測(cè)范圍關(guān)系；其次基于Carsim完成了復(fù)雜路況下的制動(dòng)距離多樣化分析，并由修正安全制動(dòng)距離計(jì)算出了最優(yōu)化識(shí)別區(qū)域模型對(duì)應(yīng)的穩(wěn)態(tài)成像焦距值.

1　瞬態(tài)縱向最優(yōu)化識(shí)別區(qū)域模型

圖1　車載視覺成像范圍與水平角關(guān)系

如何恰當(dāng)?shù)倪x擇檢測(cè)區(qū)域，對(duì)于后續(xù)車輛檢測(cè)十分重要.合適的興趣檢測(cè)區(qū)不僅能夠降低計(jì)算量，而且能夠有效排除如路牌等物體的干擾進(jìn)而提高識(shí)別的準(zhǔn)確性.目前市場(chǎng)上流行的行車安全預(yù)警設(shè)備所采用的魚眼視角雖然能夠有效覆蓋城市道路工況，若不加改進(jìn)而應(yīng)用于稀疏路網(wǎng)工況，不僅會(huì)造成對(duì)非興趣區(qū)域的過識(shí)別，而且還會(huì)忽略有效縱向安全距離內(nèi)目標(biāo)的識(shí)別.當(dāng)車輛所載視覺感知設(shè)備選用不同焦距時(shí)獲取到的檢測(cè)范圍會(huì)有所不同(如圖1所示).為了獲取適合于稀疏路網(wǎng)工況下的最佳行車檢測(cè)區(qū)域及所對(duì)應(yīng)的焦距值，本文結(jié)合車輛操縱穩(wěn)定性原理及麋鹿實(shí)驗(yàn)對(duì)兩種發(fā)散性縱向識(shí)別模型進(jìn)行了分析，并提出收斂性瞬態(tài)最佳縱向識(shí)別區(qū)域模型，再根據(jù)稀疏路網(wǎng)固有特性及多附著系數(shù)態(tài)工況下的車輛制動(dòng)仿真，最終得出適用于稀疏路網(wǎng)工況下的最佳行車檢測(cè)區(qū)域.

作為一種特殊高速工況的稀疏路網(wǎng)，事故的發(fā)生多由于駕駛員疲憊駕駛或未能及時(shí)注意前方出現(xiàn)的車輛造成.當(dāng)車載視覺傳感器焦距選擇過小，會(huì)出現(xiàn)如圖2所示的縱向過識(shí)別區(qū)及縱向欠識(shí)別區(qū).

當(dāng)車載視覺傳感器焦距選擇過大(如圖3所示)，此時(shí)雖然提高了縱向行駛區(qū)域的檢測(cè)范圍，然而卻會(huì)疏漏橫向鄰域內(nèi)的檢測(cè)，造成橫向漏識(shí)別區(qū).

圖2　縱向發(fā)散態(tài)識(shí)別區(qū)域模型　圖3　橫向發(fā)散態(tài)識(shí)別區(qū)域模型

圖2和3中：d1，d2和d3分別為車輛縱向臨界制動(dòng)距離、縱向最大制動(dòng)距離和視覺傳感器有效檢測(cè)域值距離，S為車道總寬度.該模型下車輛有效監(jiān)測(cè)域Se=(d3-d1)×S，過監(jiān)測(cè)域So=d1×S，弱監(jiān)測(cè)域Sw=(d2-d3)×S.由于采用過小焦距，使得在弱監(jiān)測(cè)區(qū)域內(nèi)所檢測(cè)圖像像素較低，不利于縱向距離的準(zhǔn)確計(jì)算.在高速行駛中，因?yàn)轳{駛員對(duì)于前方較近距離內(nèi)車輛保持警惕，此刻視覺預(yù)警不僅沒有起到實(shí)際提醒作用，而且會(huì)增加駕駛員的緊張情緒.

當(dāng)車輛由于換道行使，監(jiān)測(cè)盲區(qū)突然出現(xiàn)在縱向監(jiān)測(cè)區(qū)域內(nèi)時(shí)，駕駛員會(huì)因有效制動(dòng)距離不足，對(duì)方向盤施加一個(gè)激增力矩，以試圖規(guī)避障礙物.為了研究這種激增力矩對(duì)于行車安全的影響，本文基于Carsim進(jìn)行了模擬實(shí)驗(yàn)，采用D級(jí)車、SUV和卡車3種常見車型，模擬道路工況為路面附著系數(shù)φ1=0.2的雪天和φ2=0.4的雨天工況，模擬輸入力矩為250 N·m，采用麋鹿實(shí)驗(yàn)[8-9]分析各種車輛規(guī)避前方障礙過程.實(shí)驗(yàn)道路采用如圖4(a)所示的曲線行駛道路，部分仿真結(jié)果如圖4(b)所示.

圖4(b)中Target所代表的是設(shè)定行駛路線，其余曲線代表不同車速及路面附著系數(shù)所對(duì)應(yīng)的車輛實(shí)際運(yùn)動(dòng)軌跡.計(jì)算公式為

(1)

圖4　曲線行駛道路(a)及部分結(jié)果(b)

圖5　收斂態(tài)縱向預(yù)警區(qū)域模型

因此上述車輛的發(fā)散態(tài)縱向識(shí)別區(qū)域不能夠滿足稀疏路網(wǎng)工況下車輛縱向預(yù)警需求.為解決該問題，提出了如圖5所示的收斂態(tài)縱向預(yù)警區(qū)域模型.

2　車輛有效制動(dòng)域模型

為得到穩(wěn)態(tài)成像焦距值，必須獲取最小制動(dòng)距離d1；為提高算法安全度，首先建立有效制動(dòng)區(qū)域模型并基于Carsim進(jìn)行模擬仿真獲取臨界制動(dòng)區(qū)域；為提高安全系數(shù)進(jìn)行臨界制動(dòng)域修正.

2.1　有效制動(dòng)區(qū)域仿真

車輛在稀疏路網(wǎng)下行駛時(shí)，從t時(shí)刻駕駛員在Xn(t)處發(fā)現(xiàn)前方車輛到采取相應(yīng)的制動(dòng)措施，經(jīng)歷Δtn時(shí)間后靜止于相距前車d0的Xn(t+Δt)處，這一過程見圖6.

圖6　高速道路避險(xiǎn)制動(dòng)行駛示意圖

當(dāng)t時(shí)刻駕駛員發(fā)現(xiàn)前方出現(xiàn)靜止障礙時(shí)，試圖采用階躍制動(dòng)力矩使車輛由初始車速靜止，為研究不同車輛在道路附著系數(shù)工況下的制動(dòng)距離，本文基于Carsim軟件進(jìn)行了模擬實(shí)驗(yàn)，采用D級(jí)車、SUV、卡車及輕型皮卡4種常見車型，模擬道路工況為路面附著系數(shù)φ1=0.2的雪天和φ4=0.8的干燥道路2種極限工況，采用開環(huán)控制的階躍制動(dòng)力矩進(jìn)行研究.實(shí)驗(yàn)道路采用制動(dòng)距離測(cè)試道路，初始車速分別設(shè)定為120，90，和60 km/h.仿真道路設(shè)置及部分結(jié)果如圖7所示.

圖7　仿真道路設(shè)置(a)及部分結(jié)果(b)

2.2　有效制動(dòng)區(qū)域修正

由于Carsim中仿真僅僅考慮由車輛本身參數(shù)及路面附著系數(shù)所決定的制動(dòng)工況，然而在實(shí)際道路行駛中，必須考慮駕駛員反應(yīng)時(shí)間及安全停車間隙等問題，因此在上述仿真結(jié)果基礎(chǔ)上加入保險(xiǎn)系數(shù)(η)、停車間距(d0)及反應(yīng)時(shí)間(t).采用公式

d*=η(vt+Sb)+d0

(2)

所示的安全跟車距離進(jìn)行修正計(jì)算[10].其中：d*為安全車距；η為保險(xiǎn)系數(shù)，取值范圍是1.05～1.1，本文取1.1；v為兩車相對(duì)車速，假設(shè)前車靜止，此時(shí)v等于初始車速；Sb為仿真所得車輛制動(dòng)距離；d0為停車后兩車間距，本文取值為5 m；t為反應(yīng)時(shí)間，反應(yīng)時(shí)間包括駕駛員發(fā)現(xiàn)緊急情況采取制動(dòng)的反應(yīng)時(shí)間和制動(dòng)器反應(yīng)時(shí)間之和，受駕駛員年齡、駕駛經(jīng)驗(yàn)以及車型的影響，文獻(xiàn)[7]指出我國(guó)駕駛員平均反應(yīng)時(shí)間取值范圍通常是0.73～0.93 s，本文取值為0.93 s.

令圖7中車輛制動(dòng)曲線函數(shù)為f(t)，則最小制動(dòng)距離d1計(jì)算公式為

(3)

表1　最佳車載視覺成像焦距　mm

3　實(shí)驗(yàn)及分析

為獲取最佳車載視覺成像焦距值在單目視覺測(cè)距精確值，采用雙靜態(tài)實(shí)驗(yàn)-單目視覺設(shè)備保持靜止，靶源測(cè)試板靜止.實(shí)驗(yàn)場(chǎng)地為干燥、平坦及清潔的瀝青混凝土路面，坡度路面小于2%，直線實(shí)驗(yàn)長(zhǎng)度為100 m.

實(shí)驗(yàn)硬件采集系統(tǒng)：海康威視DS-2CD4010FWD圖像采集器、聯(lián)想L197WA顯示器、i-Ei TANK-820工控機(jī)、科電KD65-12蓄電池、紐?？怂?962NB逆變器及信息輔助采集裝置、尼康D 90，最高分辨率4 288像素×2 848像素(見圖8(a)).

軟件系統(tǒng)采用自行編寫的基于Visual C++和OpenCV計(jì)算系統(tǒng)(見圖8(b)).

(a)信息實(shí)時(shí)采集系統(tǒng)　　　　　　　　　　　　　(b)縱向安全距離實(shí)時(shí)計(jì)算系統(tǒng)

所用圖像采集設(shè)備均屬于APS-C畫幅，因此初始焦距均設(shè)定為82 mm.部分實(shí)驗(yàn)結(jié)果如圖9所示.

圖9　實(shí)驗(yàn)測(cè)定的部分結(jié)果

為說明文中給出的算法能夠有效單目視覺縱向測(cè)距精度，以文獻(xiàn)[6-7]所述算法進(jìn)行對(duì)比，結(jié)果如表1所示.

表2　測(cè)量結(jié)果對(duì)比　m

測(cè)量誤差對(duì)比如圖10所示，本文算法的相對(duì)測(cè)量誤差(Relative Error，RE)和絕對(duì)誤差(Absolute Error，AE)遠(yuǎn)遠(yuǎn)低于文獻(xiàn)[6-7].文獻(xiàn)[6]雖然在60 m之內(nèi)具有較高準(zhǔn)確性，然而大于60 m距離進(jìn)行測(cè)量的相對(duì)誤差較大.文獻(xiàn)[7]測(cè)量相對(duì)誤差隨測(cè)量距離增大而迅速增大，當(dāng)測(cè)量距離大于70 m時(shí)，絕對(duì)誤差已經(jīng)遠(yuǎn)遠(yuǎn)超過20 m.這是因?yàn)樵谶M(jìn)行單目視覺測(cè)距時(shí)為覆蓋非興趣監(jiān)測(cè)區(qū)域而選擇過小的檢測(cè)焦距，在進(jìn)行高縱向圖像特征點(diǎn)坐標(biāo)逆換算時(shí)造成曲線擬合發(fā)散.

圖10　本文算法與文獻(xiàn)測(cè)量誤差的對(duì)比

4　結(jié)語(yǔ)

由收斂態(tài)縱向預(yù)警區(qū)域模型所得車載視覺成像設(shè)備焦距，能夠有效提高高速道路縱向行車安全距離計(jì)算精度，更加符合稀疏路網(wǎng)工況實(shí)際要求.

[參考文獻(xiàn)]

[1]劉曉鋒，常云濤，王珣.稀疏路網(wǎng)條件下的無(wú)人飛機(jī)交通監(jiān)控部署方法[J].公路交通科技，2012，29(3)：124-129.

[2]WEN X，SHAO L，F(xiàn)ANG W，et al.Efficient feature selection and classification for vehicle detection[J].Ieee Transactions on Circuits & Systems for Video Technology，2015，25(3)：508-517.

[3]REZAEI M，TERAUCHI M，KLETTE R.Robust vehicle detection and distance estimation under challenging lighting conditions[J].IEEE Transactions on Intelligent Transportation Systems，2015，16(5)：2723-2743.

[4]CHEN Y L，WU B F，HUANG H Y，et al.A real-time vision system for nighttime vehicle detection and traffic surveillance[J].IEEE Transactions on Industrial Electronics，2011，58(5)：2030-2044.

[5]袁雨桐.基于單目視覺的智能車前方障礙物識(shí)別與測(cè)距[D].長(zhǎng)春：吉林大學(xué)，2016.

[6]郭磊，徐友春，李克強(qiáng)，等.基于單目視覺的實(shí)時(shí)測(cè)距方法研究[J].中國(guó)圖象圖形學(xué)報(bào)，2006，11(1)：74-81.

[7]劉永濤.基于環(huán)境感知技術(shù)的客運(yùn)車輛危險(xiǎn)行駛狀態(tài)辨識(shí)技術(shù)研究[D].西安：長(zhǎng)安大學(xué)，2015.

[8]劉喜東，劉應(yīng)東.考慮轉(zhuǎn)向速度的汽車操縱穩(wěn)定性分析[J].機(jī)械工程學(xué)報(bào)，2011，47(10)：95-100.

[9]熊璐，陳晨，馮源.基于Carsim/Simulink聯(lián)合仿真的分布式驅(qū)動(dòng)電動(dòng)汽車建模[J].系統(tǒng)仿真學(xué)報(bào)，2014，26(5)：1143-1148.

[10]徐杰，杜文，孫宏.跟隨車安全距離的分析[J].交通運(yùn)輸工程學(xué)報(bào)，2002，2(1)：101-104.