汽車自動(dòng)駕駛裝置系統(tǒng)研究

賀翠華

摘 要： 主要對(duì)汽車自動(dòng)駕駛算法進(jìn)行了優(yōu)化設(shè)計(jì)。先根據(jù)實(shí)際情況完成路線的規(guī)劃，通過(guò)使用置于車輛前端的各種傳感設(shè)備完成圖像的獲取，然后處理采集到的圖像并據(jù)此完成對(duì)車道線和障礙物的識(shí)別與檢測(cè)，在此基礎(chǔ)上實(shí)現(xiàn)汽車包括車輛行駛速度與方向在內(nèi)的自動(dòng)駕駛操作控制過(guò)程。通過(guò)對(duì)比實(shí)驗(yàn)檢測(cè)該算法的應(yīng)用效果與安全性，結(jié)果表明相比于基于BP神經(jīng)網(wǎng)絡(luò)和基于貝葉斯的自動(dòng)駕駛算法，算法的處理時(shí)間得到有效縮短，進(jìn)一步提升了控制準(zhǔn)確度，為優(yōu)化汽車駕駛安全性能提供參考。

關(guān)鍵詞： 汽車自動(dòng)駕駛; 駕駛安全性; 自動(dòng)駕駛算法; 圖像采集; 路線規(guī)劃

中圖分類號(hào)： U 463.4 ? ? ?文獻(xiàn)標(biāo)志碼： A

Abstract： This paper mainly optimizes the auto-driving algorithm. The algorithm first completes the route planning according to the actual situation. The image acquisition is completed by using various sensor devices placed in the front of the vehicle， and then the collected images are processed according to the actual conditions. This completes the identification and detection of lane lines and obstacles， and realizes the automatic driving operation control process of the car including the speed and direction of the vehicle. By comparing experiments to test the application effect and safety of the algorithm， the results show that compared with the BP neural network and Bayesian-based autonomous driving algorithms， the processing time of the algorithm in this paper is effectively shortened， and the control accuracy is further improved. The paper may provide reference for car driving safety performance.

Key words： autonomous vehicle driving; driving safety; autonomous driving algorithm; image acquisition; route planning

0 引言

近年來(lái)迅速發(fā)展和完善的人工智能及網(wǎng)絡(luò)通信技術(shù)為自動(dòng)駕駛汽車功能的實(shí)現(xiàn)提供了強(qiáng)大的技術(shù)支撐，促使汽車自動(dòng)駕駛技術(shù)取得快速進(jìn)步，自動(dòng)駕駛汽車正不斷地融入日常生活之中，有望在不久的將來(lái)正式步入商業(yè)市場(chǎng)。自動(dòng)駕駛車輛不同于人工駕駛車輛，主要通過(guò)使用傳感器及相關(guān)算法完成對(duì)車輛相應(yīng)操作（包括轉(zhuǎn)向、加速和剎車等）的控制。現(xiàn)階段大多采用離線傳感器實(shí)現(xiàn)汽車自動(dòng)駕駛技術(shù)，部分企業(yè)已實(shí)現(xiàn)了第三級(jí)別的自動(dòng)駕駛，但受到離線傳感器有限的感知距離的限制，更高級(jí)別無(wú)人駕駛的實(shí)現(xiàn)需基于大量的信息計(jì)算資源，這就對(duì)汽車自動(dòng)駕駛算法提出了更高的要求。

1 需求分析

隨著社會(huì)經(jīng)濟(jì)與科學(xué)技術(shù)的迅速發(fā)展，汽車已經(jīng)成為日常生產(chǎn)生活中不可或缺的交通工具，私人汽車保有量隨之不斷增加，為城市交通管理帶來(lái)了較大的挑戰(zhàn)，交通擁擠、交通事故等頻繁發(fā)生，為人們的生命財(cái)產(chǎn)安全帶來(lái)了嚴(yán)重的威脅。隨著通信網(wǎng)絡(luò)及人工智能（AI）等現(xiàn)代技術(shù)的發(fā)展與深入應(yīng)用，自動(dòng)駕駛成為未來(lái)發(fā)展趨勢(shì)，成為規(guī)范城市交通環(huán)境、解決相應(yīng)交通問(wèn)題的有效手段，汽車自動(dòng)駕駛技術(shù)在提高交通效率、確保駕駛安全、提供便捷出行服務(wù)方面的優(yōu)勢(shì)明顯。隨著交通壓力（包括道路安全、交通擁堵等）及環(huán)境污染壓力等的日益提高，智能汽車成為汽車行業(yè)的重要發(fā)展方向以及汽車技術(shù)發(fā)展的關(guān)鍵競(jìng)爭(zhēng)領(lǐng)域，這就對(duì)汽車控制系統(tǒng)及相關(guān)控制算法帶來(lái)了新的挑戰(zhàn)?，F(xiàn)階段的智能車輛的自動(dòng)駕駛過(guò)程的規(guī)劃、決策和控制大多在封閉場(chǎng)景和結(jié)構(gòu)化道路中完成，在復(fù)雜的交通及道路場(chǎng)景下仍然需要人工干預(yù)車輛控制，如在商業(yè)化運(yùn)營(yíng)時(shí)存在面對(duì)丁字路口難以及時(shí)準(zhǔn)確的轉(zhuǎn)彎、并線切入正常行駛車流中等問(wèn)題，主要原因在于汽車自動(dòng)駕駛控制技術(shù)的設(shè)計(jì)多基于規(guī)則（人為規(guī)定相應(yīng)的行為模式）完成，導(dǎo)致應(yīng)用于復(fù)雜場(chǎng)景中的規(guī)則數(shù)目（可能發(fā)生沖突）呈指數(shù)級(jí)增加，且出于安全考慮很難開(kāi)展復(fù)雜工況下的汽車自動(dòng)駕駛測(cè)試與驗(yàn)證，限制了通過(guò)測(cè)試對(duì)自動(dòng)駕駛功能的反饋和完善效果。因此需通過(guò)自動(dòng)駕駛智能控制算法的設(shè)計(jì)與應(yīng)用實(shí)現(xiàn)自主學(xué)習(xí)及安全有效的測(cè)試和驗(yàn)證過(guò)程（根據(jù)數(shù)據(jù)驅(qū)動(dòng)、環(huán)境交互產(chǎn)生的數(shù)據(jù)），不斷提高自主應(yīng)對(duì)復(fù)雜工況的控制能力，以有效應(yīng)對(duì)復(fù)雜駕駛場(chǎng)景[1]。

2 汽車自動(dòng)駕駛算法

在交通事故原因調(diào)查中發(fā)現(xiàn)，人主觀因素是主要因素（包括駕駛技能不成熟、酒駕等），因此在汽車控制過(guò)程中通過(guò)人工智能輔助或替代已成為汽車領(lǐng)域的主流發(fā)展趨勢(shì)，其中的汽車自動(dòng)駕駛技術(shù)主要根據(jù)環(huán)境感知信息做出行為決策并據(jù)此執(zhí)行車輛運(yùn)動(dòng)控制功能，先根據(jù)實(shí)際需要將各種傳感設(shè)備安裝到汽車前端負(fù)責(zé)完成汽車周圍環(huán)境信息的采集，接下來(lái)分析處理采集到的環(huán)境信息并據(jù)此做出最為合理的行為決策控制汽車的運(yùn)動(dòng)，使交通事故得到最大程度地避免，從而在實(shí)現(xiàn)自動(dòng)駕駛功能的基礎(chǔ)上確保車輛高效安全到達(dá)目的地。汽車駕駛規(guī)劃（包括方向、速度、路線）及障礙規(guī)避是實(shí)現(xiàn)自動(dòng)駕駛控制的基礎(chǔ)和關(guān)鍵，其本質(zhì)在于仿人駕駛。傳統(tǒng)無(wú)人駕駛項(xiàng)目受到匹配度較低的通訊網(wǎng)絡(luò)環(huán)境的限制，導(dǎo)致基于環(huán)境感知的人工智能難以及時(shí)準(zhǔn)確的做出行為決策，增加了汽車響應(yīng)所需時(shí)間，難以控制車輛及時(shí)準(zhǔn)確的規(guī)避障礙，進(jìn)而降低看汽車駕駛的穩(wěn)定性和安全性。本文面向5G網(wǎng)絡(luò)環(huán)境主要完成了一種汽車自動(dòng)駕駛算法的設(shè)計(jì)，該軟件運(yùn)行邏輯程序能夠更好的匹配自動(dòng)駕駛技術(shù)，在完成最優(yōu)路線選取后據(jù)此完成汽車的自動(dòng)駕駛，對(duì)行駛過(guò)程中周圍的圖像使用圖像采集設(shè)備完成采集和處理過(guò)程，實(shí)現(xiàn)車道線識(shí)別及周圍障礙物檢測(cè)功能，從而有效控制車輛行駛速度和方向，該算法顯著縮短了處理時(shí)間，提高了汽車自動(dòng)駕駛的安全性[1]。

2.1 路線規(guī)劃

在汽車上道去往目的地前需以輸入的目標(biāo)地址為依據(jù)完成最優(yōu)路線的規(guī)劃，確保該路線能夠最快到達(dá)目的地，具體過(guò)程為：（1） 求出起點(diǎn)與終點(diǎn)（分別由M和N表示）間由L表示的直線距離，以L的0.1倍的長(zhǎng)度將起點(diǎn)和終點(diǎn)分別向外延伸形成直線距離（由L0表示），接下來(lái)分別以L0為弦、以1.5倍的L0為弧長(zhǎng)畫弧，根據(jù)兩條弧間的范圍完成多個(gè)節(jié)點(diǎn)的選?。ò琈和N），并由這些節(jié)點(diǎn)組成一個(gè)一維數(shù)組（由Z表示）;（2） 對(duì)動(dòng)態(tài)鄰接節(jié)點(diǎn)的關(guān)系矩陣和權(quán)矩陣（分別由R′和R表示）根據(jù)Z中每?jī)蓚€(gè)節(jié)點(diǎn)間的權(quán)重值進(jìn)行初始化處理;（3） Z中全部節(jié)點(diǎn)的集合由Z表示，得到的最優(yōu)路徑的節(jié)點(diǎn)集合由S表示，Z中記錄節(jié)點(diǎn)的前驅(qū)由P表示;（4） 然后完成對(duì)起點(diǎn)位置的判斷，并令PM=0;判斷終點(diǎn)位置，在P N=-1的情況下繼續(xù)下一步，若P N≠-1則跳到步驟（3）;（5） M到N的全部最短時(shí)間由D表示，Dmin=R′，PN≠-1;（6） 令K=R，若P k=-1則P k=i、R′=R′=∞;（7） 修改可達(dá)到的最優(yōu)路徑長(zhǎng)度（從M到集合上任意節(jié)點(diǎn)），此時(shí)R′=R′+D;（8）重復(fù)步驟（4）～（7），直至找到最優(yōu)路徑，否則跳到（1）擴(kuò)大節(jié)點(diǎn)范圍重新尋找[2]。

2.2 圖像獲取與處理

汽車根據(jù)已確定的最優(yōu)路徑向目的地行駛，并在行駛過(guò)程中通過(guò)車輛上的各種傳感設(shè)備完成圖像實(shí)時(shí)準(zhǔn)確的獲取，然后根據(jù)檢測(cè)到的信息做出相應(yīng)的行為決策，汽車對(duì)減速、加速、轉(zhuǎn)彎等行為自動(dòng)做出控制，考慮到在圖像采集過(guò)程中易受到周圍多種因素的影響（包括路面油跡、路邊樹(shù)木及隔離帶陰影等障礙物阻擋、光照變化情況、設(shè)備抖動(dòng)等）而導(dǎo)致獲取的圖像質(zhì)量不佳，進(jìn)而難以提供準(zhǔn)確的判斷信息供決策使用，因此需在自動(dòng)駕駛算法融入圖像處理這一重要環(huán)節(jié)，為影響提高汽車面對(duì)不同情況的響應(yīng)速度，本文對(duì)前端傳感設(shè)備采集到的彩色圖像使用了圖像灰度化處理方法直接進(jìn)行灰度化處理，將包含多種顏色的彩色圖像轉(zhuǎn)換成相應(yīng)的灰度圖像（僅包含黑色、白色和不同深淺的灰色），假設(shè)，在灰度化圖像中由f（x，y）表示坐標(biāo)（x，y）的某像素點(diǎn)的灰度值，坐標(biāo)（x，y）的像素點(diǎn)R的分量值由0. 3R（x，y）表示、G的分量值由0. 59G（x，y）表示、B的分量值由0. 11B（x，y）表，具體表達(dá)式如下[3]。

從而確定了汽車安全行駛范圍，可進(jìn)一步采用Hough 變換以保證識(shí)別準(zhǔn)確性[5]。

（2） 障礙物檢測(cè)，主要針對(duì)前方存在的一些動(dòng)態(tài)事物（包括行駛的車輛、行走的行人等）包括識(shí)別和跟蹤兩部分，障礙物識(shí)別與車道線識(shí)別過(guò)程相同，識(shí)別后的動(dòng)態(tài)跟蹤過(guò)程為：基于動(dòng)態(tài)事物識(shí)別結(jié)果通過(guò)掃描完成對(duì)障礙物的精準(zhǔn)定位，提取障礙物的邊緣等信息后完成對(duì)稱性檢測(cè)過(guò)程，并對(duì)障礙物位置進(jìn)行多次驗(yàn)證;然后讀取圖像，初始化由（O1，O2）表示的障礙物底部邊緣中心點(diǎn)位置，障礙物的速度V1和加速度V2（在圖像x和y軸方向上）均為0，據(jù)此完成障礙物目標(biāo)模型的構(gòu)建，預(yù)測(cè)下一幀圖像中中心點(diǎn)位置（O′ 1，O′ 2）、速度V′ 1和加速度V′ 2（采用卡爾曼濾波器完成）;讀取下一幀圖像，采用特征匹配算法匹配搜索預(yù)測(cè)部分，若未搜索到匹配圖像則不更新障礙物目標(biāo)模型并重新進(jìn)行預(yù)測(cè)，匹配成功且有新的一幀輸入時(shí)更新障礙物目標(biāo)模型并讀取下一幀圖像，無(wú)新的一幀輸入則結(jié)束跟蹤流程[6]。

2.4 汽車控制

汽車做出的判斷主要包括速度及方向等，汽車速度控制以前方路況為依據(jù)對(duì)行駛速度進(jìn)行調(diào)整，控制過(guò)程如圖2所示。

利用本文算法控制汽車在仿真實(shí)驗(yàn)場(chǎng)地進(jìn)行自動(dòng)變速，算法總共耗時(shí)4.23 s（基于BP神經(jīng)網(wǎng)絡(luò)的算法總共耗時(shí)為6.33 s，基于貝葉斯的算法總共耗時(shí)7.21 s），車速同理想車速基本吻合，誤差范圍明顯小于另外兩種算法，處理時(shí)間更短且誤差范圍較小，證明了本文算法的有效性。

（2） 安全分析，取一段平坦路段檢測(cè)本文算法的安全性，包括正常檢測(cè)環(huán)境、大霧、暴雨、大雪及大風(fēng)等模擬天氣，以保證算法的適應(yīng)性，設(shè)置不同不同障礙物共100個(gè)（包括行人、車輛、道路設(shè)施等），統(tǒng)計(jì)汽車對(duì)不同障礙物的規(guī)避情況，如圖4所示。

在汽車自動(dòng)駕駛過(guò)程本文算法控制下未發(fā)生通碰撞事故，有效躲避了100個(gè)障礙物，安全性達(dá)到了100%;在其余兩種算法控制下均在惡劣天氣下發(fā)生了碰撞事故，說(shuō)明本文算法能夠更好的適應(yīng)惡劣天氣，具備較高的安全性，有利于保證汽車自動(dòng)駕駛過(guò)程的穩(wěn)定和安全，可根據(jù)采集圖像信息快速準(zhǔn)確的做出決策判斷并實(shí)現(xiàn)對(duì)汽車駕駛動(dòng)作的有效控制[9]。

4 總結(jié)

不斷增加的汽車保有量帶來(lái)了交通擁擠及交通事故頻發(fā)等一系列問(wèn)題，為規(guī)范交通環(huán)境、提升交通安全性及服務(wù)質(zhì)量，汽車自動(dòng)駕駛技術(shù)（基于人工智能）成為解決這些問(wèn)題的有效手段，現(xiàn)有汽車自動(dòng)駕駛控制算法大多因受到傳統(tǒng)網(wǎng)絡(luò)通訊模式速度較慢的限制，算法處理時(shí)間較長(zhǎng)、應(yīng)用效果不佳，導(dǎo)致汽車規(guī)避風(fēng)險(xiǎn)的及時(shí)性、準(zhǔn)確性不高，影響了汽車整體的安全性能。隨著5G網(wǎng)絡(luò)環(huán)境的不斷發(fā)展和完善，對(duì)汽車自動(dòng)駕駛算法提出了新的要求，除相應(yīng)硬件設(shè)備支持外，軟件邏輯運(yùn)算是實(shí)現(xiàn)汽車自動(dòng)駕駛技術(shù)的關(guān)鍵所在，本次以汽車自動(dòng)駕駛算法作為重點(diǎn)研究?jī)?nèi)容，主要涉及到路線規(guī)劃、信息收集與處理、汽車速度及方向調(diào)節(jié)和控制（基于車道識(shí)別和障礙檢測(cè)）等內(nèi)容，并通過(guò)對(duì)比實(shí)驗(yàn)驗(yàn)證了該算法的有效性及應(yīng)用效果。

參考文獻(xiàn)

[1] 胡云峰，曲婷，劉俊，等.智能汽車人機(jī)協(xié)同控制的研究現(xiàn)狀與展望[J]. 自動(dòng)化學(xué)報(bào)， 2019（7）：1261-1280.

[2] 陳科，劉金松，李天博.智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)發(fā)展概況及測(cè)試認(rèn)證動(dòng)態(tài)分析[J].汽車與配件，2019（24）：69-71.

[3] 李光磊. 圖像處理在自動(dòng)駕駛系統(tǒng)中的應(yīng)用[J].山東工業(yè)技術(shù)，2017（22）：113-114.

[4] 張勝平. 基于改進(jìn)PID算法的列車自動(dòng)駕駛控制方法研究[J].鐵道通信信號(hào)， 2017（10）：27-30.

[5] 金鑫君，羅方贊，鄭麗輝，等.基于ADVISOR純電動(dòng)汽車動(dòng)力系統(tǒng)參數(shù)匹配優(yōu)化研究[J]. 機(jī)械工程師， 2017（10）：96-98.

[6] 曹月花，羅文廣，藍(lán)紅莉，等.復(fù)雜環(huán)境下道路車道線識(shí)別算法的研究[J]. 現(xiàn)代電子技術(shù)， 2017（14）：109-113.

[7] 笪陳宇，唐明，雷鑑銘.基于自動(dòng)駕駛的機(jī)器視覺(jué)原理及應(yīng)用[J]. 無(wú)線互聯(lián)科技. 2018（10）：124-125.

[8] 鄭穎，鄭顯鋒，張旺，等. 基于模糊控制理論的純電動(dòng)汽車制動(dòng)系統(tǒng)[J]. 國(guó)外電子測(cè)量技術(shù). 2017（12）：121-125.

[9] 王一霖，萬(wàn)華森，曾鵬.基于仿真平臺(tái)的自動(dòng)駕駛汽車轉(zhuǎn)向控制方法優(yōu)化研究[J].軟件導(dǎo)刊，2018（12）：29-33.

（收稿日期： 2020.02.25）