???? 隨著傳感器技術(shù)、信息處理技術(shù)、測量技術(shù)與計算機技術(shù)的發(fā)展，智能駕駛系統(tǒng)(輔助駕駛系統(tǒng)—無人駕駛系統(tǒng))也得到了飛速的發(fā)展。消費者越來越注重駕駛的安全性與舒適性，這就要求傳感器能識別在同一車道上前方行駛的汽車，并能在有障礙時提醒駕駛員或者自動改變汽車狀態(tài)，以避免事故的發(fā)生。國際上各大汽車公司也都致力于這方面的研究，并開發(fā)了一系列安全駕駛系統(tǒng)，如碰撞報警系統(tǒng)(CW)、偏向報警系統(tǒng)(LDW)和智能巡游系統(tǒng)(ICC)等。國內(nèi)在這些方面也有一定的研究，但與國外相比仍存在較大的差距。本文將主要討論多傳感器信息融合技術(shù)在智能駕駛系統(tǒng)(ITS)中的應(yīng)用。

1 ICC/CW和LDW系統(tǒng)中存在的問題

1.1 ICC/CW系統(tǒng)中的誤識別問題

　　ICC/CW系統(tǒng)中經(jīng)常使用單一波束傳感器。這類傳感器利用非常狹窄的波束寬度測定前方的車輛，對于彎曲道路(見圖1(a))，前方車輛很容易駛出傳感器的測量范圍，這將引起智能巡游系統(tǒng)誤加速。如果前方車輛減速或在拐彎處另一輛汽車駛?cè)氡拒嚨溃鲎矆缶到y(tǒng)將不能在安全停車范圍內(nèi)給出響應(yīng)而容易產(chǎn)生碰撞。類似地，當(dāng)彎曲度延伸時(見圖1(b))，雷達系統(tǒng)易把鄰近道路的車輛或路邊的防護欄誤認(rèn)為是障礙而給出報警。當(dāng)?shù)缆凡黄教箷r，雷達傳感器前方的道路是斜向上，小丘或土堆也可能被誤認(rèn)為是障礙，這些都降低了系統(tǒng)的穩(wěn)定性。現(xiàn)在有一些濾波算法可以處理這些問題[6]并取得了一定效果，但不能徹底解決。

???????????????????????

1.2 LDW系統(tǒng)中存在的場景識別問題

　　LDW系統(tǒng)中同樣存在公共駕駛區(qū)場景識別問題。LDW系統(tǒng)依賴于一側(cè)的攝像機(經(jīng)常僅能測道路上相鄰車輛的位置)，很難區(qū)分彎曲的道路和做到多樣的個人駕駛模式。LDW系統(tǒng)利用一個前向攝像機探測車輛前方道路的地理狀況，這對于遠(yuǎn)距離測量存在著精確性的問題，所有這些都影響了TLC(Time-to-Line-Crossing)測量的準(zhǔn)確性?，F(xiàn)常用死區(qū)識別和駕駛信息修訂法進行處理，但并不能給出任何先驗知識去識別故障。

2 多傳感器信息融合技術(shù)在ITS系統(tǒng)中的應(yīng)用

　　針對以上系統(tǒng)存在的一些問題，研究者們紛紛引入了多傳感器信息融合技術(shù)，并提出了不同的融合算法。基于視覺系統(tǒng)的傳感器可以提供大量的場景信息，其它傳感器(如雷達或激光等)可以測定距離、范圍等信息，對兩方面的信息融合處理后能夠給出更可靠的識別信息。融合技術(shù)可以采用 Beaurais 等人于1999年提出的CLARK算法(Combined Likelihood Adding Radar)[3]和Institude Neuroinformatik提出的ICDA(Integrative Coupling of Different Algorithms)[4]算法等方法實現(xiàn)。

2.1 傳感器的選擇

　　識別障礙的首要問題是傳感器的選擇，下面對幾種傳感器的優(yōu)缺點進行說明(見表1)。探測障礙的最簡單的方法是使用超聲波傳感器，它是利用向目標(biāo)發(fā)射超聲波脈沖，計算其往返時間來判定距離的。該方法被廣泛應(yīng)用于移動機器人的研究上。其優(yōu)點是價格便宜，易于使用，且在10m以內(nèi)能給出精確的測量。不過在ITS系統(tǒng)中除了上文提到的場景限制外，還有以下問題。首先因其只能在10m以內(nèi)有效使用，所以并不適合ITS系統(tǒng)。另外超聲波傳感器的工作原理基于聲速，即使可以使之測達100m遠(yuǎn)，但其更新頻率為2Hz，而且還有可能在傳輸中受到其它信號的干擾，所以在CW/ICC系統(tǒng)中使用是不實際的。

??????????????????????

　　視覺傳感器在CW系統(tǒng)中使用得非常廣泛。其優(yōu)點是尺寸小，價格合理，在一定的寬度和視覺域內(nèi)可以測定多個目標(biāo)，并且可以利用測量的圖像根據(jù)外形和大小對目標(biāo)進行分類。但是算法復(fù)雜，處理速度慢。

　　雷達傳感器在軍事和航空領(lǐng)域已經(jīng)使用了幾十年。主要優(yōu)點是可以魯棒地探測到障礙而不受天氣或燈光條件限制。近十年來隨著尺寸及價格的降低，在汽車行業(yè)開始被使用。但是仍存在性價比的問題。

　　為了克服這些問題，利用信息融合技術(shù)提出了一些新的方法，諸如參考資料[5～6]所述的融合超聲波傳感器和圖像傳感器的信息、融合雷達與圖像信息或激光與圖像信息等。利用這些方法可以得到較單一傳感器更為可靠的探測。

2.2 信息融合的基本原理[1]

　　所謂信息融合就是將來自多個傳感器或多源的信息進行綜合處理，從而得出更為準(zhǔn)確、可靠的結(jié)論。多傳感器信息融合是人類和其它生物系統(tǒng)中普遍存在的一種基本功能，人類本能地具有將身體上的各種功能器官(眼、耳、鼻、四肢)所探測的信息(景物、聲音、氣味和觸覺)與先驗知識進行綜合的能力，以便對其周圍的環(huán)境和正在發(fā)生的事件做出估計。由于人類的感官具有不同度量特征，因而可測出不同空間范圍的各種物理現(xiàn)象，這一過程是復(fù)雜的，也是自適應(yīng)的。它將各種信息(圖像、聲音、氣味和物理形狀或描述)轉(zhuǎn)化成對環(huán)境的有價值的解釋。

　　多傳感器信息融合實際上是人對人腦綜合處理復(fù)雜問題的一種功能模擬。在多傳感器系統(tǒng)中，各種傳感器提供的信息可能具有不同的特征:時變的或者非時變的，實時的或者非實時的，模糊的或者確定的，精確的或者不完整的，相互支持的或者互補的。多傳感器信息融合就像人腦綜合處理信息的過程一樣，它充分利用多個傳感器資源，通過對各種傳感器及其觀測信息的合理支配與使用，將各種傳感器在空間和時間上的互補與冗余信息依據(jù)某種優(yōu)化準(zhǔn)則組合起來，產(chǎn)生對觀測環(huán)境的一致性解釋或描述。信息融合的目標(biāo)是基于各種傳感器分離觀測信息，通過對信息的優(yōu)化組合導(dǎo)出更多的有效信息。這是最佳協(xié)同作用的結(jié)果，它的最終目的是利用多個傳感器共同或聯(lián)合操作的優(yōu)勢來提高整個系統(tǒng)的有效性。

2.3 常用信息融合算法

　　信息融合技術(shù)涉及到多方面的理論和技術(shù) ，如信號處理、估計理論、不確定性理論、模式識別、最優(yōu)化技術(shù)、神經(jīng)網(wǎng)絡(luò)和人工智能等。由不同的應(yīng)用要求形成的各種方法都是融合方法的一個子集。表2歸納了一些常用的信息融合方法。

??????????????????????

2.4 智能駕駛系統(tǒng)中信息融合算法的基本結(jié)構(gòu)

　　由于單一傳感器的局限性，現(xiàn)在ITS系統(tǒng)中多使用一組傳感器探測不同視點的信息，再對這些信息進行融合處理，以完成初始目標(biāo)探測識別。在智能駕駛系統(tǒng)中識別障礙常用的算法結(jié)構(gòu)如圖2所示。

????????????????????

3 CLARK算法

　　CLARK算法是用于精確測量障礙位置和道路狀況的方法，它同時使用來自距離傳感器(雷達)和攝像機的信息。CLARK算法主要由以下兩部分組成:①使用多傳感器融合技術(shù)對障礙進行魯棒探測；②在LOIS(Likelihood of Image Shape)道路探測算法中綜合考慮上述信息，以提高遠(yuǎn)距離道路和障礙的識別性能。

3.1 用雷達探測障礙

??? 目前經(jīng)常使用一個雷達傳感器探測前方的車輛或障礙。如前面所分析，雷達雖然在直路上的性能良好，但當(dāng)?shù)缆窂澢鷷r，探測的信號將不完全可靠，有時還會有探測的盲點或產(chǎn)生錯誤報警。為了防止錯誤報警，常對雷達的輸出進行標(biāo)準(zhǔn)卡爾曼(Kalman)濾波，但這并不能有效解決探測盲點問題。為了更可靠地解決這類問題，可以使用掃描雷達或多波束雷達，但其價格昂貴。這里選用低價的視覺傳感器作為附加信息，視覺傳感器經(jīng)常能提供掃描雷達和多波束雷達所不能提供的信息。

3.2 在目標(biāo)識別中融合視覺信息

　　CLARK算法使用視覺圖像的對比度和顏色信息探測目標(biāo)，使用矩形模板方法識別目標(biāo)。這個模板由具有不同左右邊界和底部尺寸的矩形構(gòu)成，再與視覺圖像對比度域匹配，選擇與雷達傳感器輸出最接近的障礙模板。

　　CLARK算法首先對雷達信號進行卡爾曼濾波，用于剔除傳感器輸出的強干擾，這由下列狀態(tài)和觀測方程處理:

　　

　　式中，R(t)為前方障礙的真實距離(未知)，是其速度(未知)，D(t)為距離觀測值，Δt為兩次觀測的間隔時間，w(t)和v(t)為高斯噪聲。給定D(t)，由Kalman濾波器估計R(t)和的值，并把估計值作為距離輸入值，使用和D(t)的差值確定所用矩形模板的偏差。由于使用雷達探測的位置與雷達波的中心位置總有一個偏差，可通過改變道路一側(cè)的位置作為補償。

使用上述算法可以有效提高雷達探測的可靠性，但當(dāng)圖像包含很強的邊緣信息或障礙只占據(jù)相平面一個很小的區(qū)域時，仍不能得到滿意的結(jié)果。因此，除對比度外，又引入視覺圖像的顏色域。

3.3 相合似然法

　　在探測到障礙后，CLARK算法將這些信息整合到道路探測算法(LOIS)中。LOIS利用變形道路的邊緣應(yīng)為圖像中對比度的最大值部分且其方位應(yīng)垂直于道路邊緣來搜索道路。如果只是簡單地將兩個信息整合，則障礙探測部分的像素被隱藏，其圖像梯度值不會影響LOIS的似然性。這樣可以防止LOIS將汽車前方障礙的邊緣誤認(rèn)為是道路的邊緣來處理。但是當(dāng)?shù)缆返恼鎸嵾吘壏浅＝咏系K的邊緣時，隱藏技術(shù)則失效。

　　為了使隱藏技術(shù)有效，可以在障礙和道路探測之間采取折中的處理方法。這種折中的處理方法就是相合似然法。它將探測障礙固定的位置和尺寸參數(shù)變?yōu)榭梢栽谛》秶鷥?nèi)變化的參數(shù)。新的似然函數(shù)由LOIS的似然和探測障礙的似然融合而成。它使用七維參數(shù)探測方法(三維用于障礙，四維用于道路)，能同時給出障礙和道路預(yù)測的最好結(jié)果。其公式如下:

　　

　　式中，Tb、Tl、Tw為相平面內(nèi)矩形模板的底部位置、左邊界和寬度的三個變形參數(shù)，[xr(t)，xc(t)]為變形模板相平面的中心。[yr(t)，yc(t)]為由雷達探測并經(jīng)Kalman濾波的障礙在相平面的位置。將地平面壓縮變換為相平面，σr2(t)為的實時估計，σc2為相平面內(nèi)一個路寬的值(3.2m)。tan-1的壓縮比率在相平面內(nèi)不小于Tmin(路寬的一半)，不大于Tmax(路寬)。通過求解七維后驗pdf P(k’，b’LEFT，b’RIGHT，vp，Tb，Tl，Tw|[yr(t)，yc(t)]，Observed Image)的最大值獲得障礙和道路目標(biāo)。

3.4 CLARK算法的局限性

　　CLARK算法假定障礙為矩形形狀且其最小尺寸為標(biāo)準(zhǔn)路寬的一半，所以當(dāng)障礙為客車、貨車、拖拉機及公共汽車時滿足要求；但當(dāng)障礙為摩托車、自行車及行人時就不適用了。這種矩形形狀的假設(shè)也要求雷達為窄波束雷達，對其它寬波束雷達、掃描雷達或多波束雷達則無效，并假定探測障礙的偏向位置總是在雷達波束的中心。

　　多傳感器信息融合技術(shù)在智能駕駛系統(tǒng)(ITS)中的使用極大地提高了系統(tǒng)的穩(wěn)定性和安全性，各種融合算法也都從不同方面更好地改善了系統(tǒng)的性能，但目前仍存在如何降低成本的問題，這對于ITS系統(tǒng)的普遍使用是很重要的。另外降低運算量、增強對多目標(biāo)識別的可靠性也都有待進一步研究解決。