基于機(jī)器學(xué)習(xí)的毫米波雷達(dá)車輛目標(biāo)檢測

魏 濤， 韓經(jīng)魯， 周雨輝， 曹志博

(中通客車控股股份有限公司， 山東 聊城 252000)

得益于汽車ADAS技術(shù)的快速發(fā)展，各種汽車輔助安全駕駛技術(shù)也越來越多地應(yīng)用于客車[1-2]，例如緊急制動(AEB)[3-4]、前方碰撞預(yù)警(FCW)[5]、自適應(yīng)巡航(ACC)[6-7]等。這些技術(shù)都能有效地協(xié)助駕駛員發(fā)現(xiàn)車輛行駛中潛在的風(fēng)險，提醒駕駛員進(jìn)行規(guī)避。車輛是交通環(huán)境中最主要的參與物，如何利用毫米波雷達(dá)對前方車輛進(jìn)行快速、準(zhǔn)確地檢測是ADAS技術(shù)的關(guān)鍵環(huán)節(jié)[8]。

1 毫米波雷達(dá)功能屬性

毫米波雷達(dá)是通過接受障礙物的回波信號對物體進(jìn)行探測，通過分析發(fā)射信號和回波信號的時間差和相位差可以獲得障礙物的速度和位置。另外毫米波雷達(dá)工作性能一般不受環(huán)境影響(大雨天除外)，具有全天候、全天時的優(yōu)點(diǎn)。得益于毫米波雷達(dá)優(yōu)良的性能，現(xiàn)如今已經(jīng)毫米波雷達(dá)已經(jīng)成為汽車ADAS系統(tǒng)中十分重要的傳感器。但毫米波雷達(dá)只能對車輛進(jìn)行有效探測，對行人的探測結(jié)果不是很穩(wěn)定，所以毫米波雷達(dá)在ADAS系統(tǒng)中主要用于車輛檢測。如今車載毫米波雷達(dá)大多屬于智能傳感器，內(nèi)置有信號處理模塊和算法，方便用戶獲得處理后的目標(biāo)級信息，這些信息包括障礙物的速度(縱向和橫向)、加速度角度(縱向和橫向)、距離、角度、反射強(qiáng)度等。以德爾福毫米波雷達(dá)為例，該雷達(dá)的工作頻率為77～79 GHz，短程探測范圍為±45°，有效探測距離為60 m，長距離探測范圍為±10°，有效探測距離為175 m。雷達(dá)工作時可以同時對環(huán)境中64個目標(biāo)的多種屬性進(jìn)行檢測，其檢測結(jié)果如圖1所示。

圖1 毫米波雷達(dá)檢測數(shù)據(jù)

在毫米波雷達(dá)冗雜的檢測數(shù)據(jù)中除了車輛目標(biāo)，還包含其他3類目標(biāo)：虛假目標(biāo)、靜態(tài)目標(biāo)、非危險目標(biāo)。由于雷達(dá)工作性能和回波信號不穩(wěn)定所產(chǎn)生的目標(biāo)被稱為虛假目標(biāo)，這類目標(biāo)并非在交通環(huán)境中真實(shí)存在，所以存在時間很短，在下一個或幾個探測周期中會自動消失。交通環(huán)境中除了運(yùn)動的車輛還有許多靜態(tài)目標(biāo)，包括道路兩旁的樹木、護(hù)欄、燈桿等。非危險目標(biāo)指的是主車相鄰車道以外車道的車輛目標(biāo)以及遠(yuǎn)處的目標(biāo)，這類目標(biāo)通常具有較小的碰撞風(fēng)險，不是環(huán)境感知的重點(diǎn)對象。

上述3類目標(biāo)不屬于毫米波雷達(dá)探測的危險目標(biāo)，在實(shí)際數(shù)據(jù)處理過程中需要進(jìn)行剔除。針對第一種虛假目標(biāo)比較有效的處理方法是采用生命周期算法進(jìn)行過濾[9]。環(huán)境中的靜止目標(biāo)其絕對速度為0，通過本車速度和目標(biāo)的相對速度可以獲得各類檢測目標(biāo)的絕對速度，因此設(shè)定速度閾值±0.05 m/s可以較好地過濾靜止目標(biāo)。另外靜止目標(biāo)體積較小，回波信號相對車輛目標(biāo)較弱，也可根據(jù)回波強(qiáng)度(或信噪比)進(jìn)行區(qū)分。至于相鄰車道以外的目標(biāo)可以直接根據(jù)目標(biāo)橫向距離的分布進(jìn)行區(qū)分。我國單車道寬度為b=3.5～3.7 m，如圖2所示，車輛行駛潛在的危險區(qū)域?yàn)椤?.5b，為了安全起見，b取最大值3.7 m，同時考慮雷達(dá)5%的測量誤差，最終確定車輛橫向檢測區(qū)域?yàn)閇-5.8 m,+5.8 m]。

圖2 車輛行駛區(qū)域分類

事實(shí)上對于靜態(tài)目標(biāo)和非危險目標(biāo)的剔除都是依賴工程經(jīng)驗(yàn)通過設(shè)定某項(xiàng)檢測指標(biāo)的固定閾值進(jìn)行過濾[10-11]，這種閾值分割方法忽略了各個檢測指標(biāo)間的關(guān)聯(lián)關(guān)系，依賴于某項(xiàng)或者幾項(xiàng)指標(biāo)的車輛目標(biāo)初選方法在實(shí)際應(yīng)用過程中的準(zhǔn)確性和魯棒性有待進(jìn)一步提高。

2 基于決策樹的車輛目標(biāo)檢測

2.1 決策樹模型識別原理

為了克服閾值分割方法在車輛目標(biāo)檢測中存在的問題，本文采用機(jī)器學(xué)習(xí)經(jīng)典分類算法決策樹模型進(jìn)行毫米波雷達(dá)對車輛目標(biāo)的識別，試驗(yàn)結(jié)果表明，該方法具有很好的效果?；跊Q策樹的車輛有效目標(biāo)識別原理如圖3所示。

圖3 基于決策樹的車輛有效目標(biāo)識別原理

雷達(dá)數(shù)據(jù)中車輛目標(biāo)和非車輛目標(biāo)的分類是一個根據(jù)探測屬性進(jìn)行逐步判斷的過程，各探測屬性在分類中權(quán)重有所不同，同時各個屬性之間存在相互關(guān)聯(lián)關(guān)系，這符合決策樹根節(jié)點(diǎn)、內(nèi)部節(jié)點(diǎn)和葉節(jié)點(diǎn)的構(gòu)建過程，因此選用決策樹對雷達(dá)數(shù)據(jù)和車輛有效目標(biāo)進(jìn)行提取符合問題和方法所對應(yīng)的建模關(guān)系。如圖3所示，雷達(dá)的檢測數(shù)據(jù)通過決策樹模型對各種屬性進(jìn)行逐層判別，越有利于目標(biāo)分類的屬性越被優(yōu)先判別(例如速度)，每層網(wǎng)絡(luò)中的分類權(quán)重是通過機(jī)器學(xué)習(xí)訓(xùn)練獲得的，而不是人為設(shè)定[12]。

2.2 毫米波雷達(dá)數(shù)據(jù)預(yù)處理

由圖1可知，從毫米波雷達(dá)輸出的障礙物檢測屬性有13項(xiàng)(編號除外)，其中有7項(xiàng)屬性是用來描述障礙物的跟蹤狀態(tài)，這些信息與目標(biāo)分類特征沒有直接關(guān)系，需要將這些數(shù)據(jù)進(jìn)行剔除。同時根據(jù)毫米波雷達(dá)對障礙物橫向距離和角度的探測結(jié)果，結(jié)合車輛運(yùn)動學(xué)方程可以對障礙物的橫向速度和角度變化率進(jìn)行估算，最終獲得8項(xiàng)有效分類屬性，見表1，其中有效目標(biāo)標(biāo)簽1代表車輛目標(biāo)，0代表非車輛目標(biāo)。訓(xùn)練數(shù)據(jù)包含1 884個檢測目標(biāo)，其中車輛目標(biāo)987個，非車輛目標(biāo)897個。

表1 毫米波雷達(dá)預(yù)處理數(shù)據(jù)

由表1可知，最小值為0.01，最大值為149，最大值和最小值的數(shù)量級超過104。為了防止數(shù)據(jù)差異而引起模型訓(xùn)練的波動和不均衡，對數(shù)據(jù)進(jìn)行[-1,1]的歸一化處理。

2.3 決策樹模型構(gòu)建與網(wǎng)絡(luò)訓(xùn)練

本文基于Matlab搭建決策樹模型。Matlab的機(jī)器學(xué)習(xí)工具箱集成了大量的機(jī)器學(xué)習(xí)算法，其中包括決策樹算法。決策樹常用的算法有ID3、C4.5與CART，其中ID3算法的核心是在決策樹的各結(jié)點(diǎn)應(yīng)用信息增益準(zhǔn)則，選取信息增益最大的特征進(jìn)行分類，具有更強(qiáng)的分類能力，因此本文選擇ID3算法。為了對訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行評估，訓(xùn)練前隨機(jī)選取70%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，采用交叉驗(yàn)證方法，15%的數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)，15%的數(shù)據(jù)作為測試數(shù)據(jù)。在訓(xùn)練過程中設(shè)置迭代周期48次。

將2.2節(jié)中1 884組毫米波雷達(dá)檢測目標(biāo)以向量的形式輸入到網(wǎng)絡(luò)，其中障礙物的特征向量作為網(wǎng)絡(luò)的輸入，對應(yīng)的分類標(biāo)簽作為網(wǎng)絡(luò)的輸出。其訓(xùn)練結(jié)果如圖4所示。

圖4 模型訓(xùn)練過程

由圖4可知，隨著網(wǎng)絡(luò)訓(xùn)練迭代周期的增加，整個車輛目標(biāo)分類網(wǎng)絡(luò)逐步趨于收斂和穩(wěn)定，損失值不斷下降，在第30次迭代中達(dá)到了最小值，趨近于0。

2.4 車輛目標(biāo)檢測效果評估與分析

通過對決策樹模型進(jìn)行測試，其檢測統(tǒng)計結(jié)果如圖5所示。

由混合矩陣的統(tǒng)計結(jié)果可知，模型訓(xùn)練過程中的準(zhǔn)確率為96.1%，測試和驗(yàn)證結(jié)果的準(zhǔn)確率分別為96.2%和91.7%，總體識別結(jié)果為95.5%。采用決策樹方法與固定閥值方法的結(jié)果對比見表2。

表2 決策樹與固定閾值結(jié)果對比 %

表2中真正率和真負(fù)率分別代表車輛障礙物和非車輛障礙物分類的準(zhǔn)確率，兩者之和為總正確率。假負(fù)率指的是將車輛目標(biāo)識別成非車輛目標(biāo)的概率，在工程中指的是車輛漏檢，相比于假正率(誤檢)對實(shí)際行車安全危害更大，所以較低的漏檢率也是本文方法的優(yōu)點(diǎn)。

仿真模型的硬件環(huán)境為CUP I7-9700K，主頻處理速度為3.6 GHz，內(nèi)存16 G。在算法處理速度方面，本文方法每秒處理雷達(dá)數(shù)據(jù)28幀，單幀數(shù)據(jù)的處理速度約為36 ms。而基于閾值分割的方法，每秒處理雷達(dá)幀數(shù)124幀，單幀數(shù)據(jù)的處理速度約為8 ms。雖然閾值分割算法速度高，但是本文方法的處理速度也滿足大型客車對于障礙物檢測實(shí)時性的要求，并且具有更高的準(zhǔn)確率。

3 結(jié)束語

毫米波雷達(dá)車輛有效檢測目標(biāo)的提取是車輛環(huán)境感知領(lǐng)域重要的研究方向，高效、準(zhǔn)確地實(shí)現(xiàn)有效目標(biāo)的提取對汽車輔助駕駛安全非常重要。本文采用決策樹算法，以數(shù)據(jù)驅(qū)動的方式建立了車輛有效目標(biāo)的分類模型，充分發(fā)揮了各個檢測指標(biāo)的優(yōu)勢，滿足客車環(huán)境感知的需求。