CN103256939A - 智能车辆利用变粒度路权雷达图进行信息融合的方法 - Google Patents

Abstract

本发明涉及一种智能车辆利用变粒度路权雷达图进行信息融合的方法，其特征是：采用变粒度路权雷达图的形式，融合各类传感器的环境感知信息，并显示车辆拥有的路权空间及其变化趋势，实现辅助驾驶和无人驾驶。有益效果：路权雷达图能够实时有效完成车辆上多种类别、不同安装位置传感器的感知信息的融合，判断车辆可拥有的路权空间及其变化趋势，为智能决策、路径规划、人机交互、无人驾驶等提供统一的基础框架；根据人类自然认知规律而构造的近处细粒度、远处粗粒度的变粒度栅格，满足智能车环境感知需求的同时，利用较少的存储空间与计算资源，完成对人类驾驶行为认知的模拟和计算，为智能驾驶的实现提供重要技术支撑。

Description

智能车辆利用变粒度路权雷达图进行信息融合的方法

技术领域

本发明属于智能驾驶，尤其涉及一种智能车辆利用变粒度路权雷达图进行信息融合的方法。

背景技术

智能驾驶技术涉及认知工程、车辆工程、电子电气工程、控制科学与工程、人工智能等诸多学科，智能车辆是衡量一个国家科研实力和工业水平的重要标志。无人驾驶车的出现，从根本上改变了传统的“人-车-路”闭环系统中的车辆驾驶方式，将驾驶员从疲劳驾驶中解放出来，利用先进的传感器以及信息技术控制车辆行驶，让驾驶活动中常规、持久、低级、重复的操作自动完成，能够极大地提高交通系统的效率和安全，提高人类移动生活的品质，具有广泛的社会应用价值。同时，智能驾驶技术的研究将极大地增强我国在汽车主动安全等方面的核心竞争力，对提升我国汽车电子产品和汽车产业自主创新能力具有重大的战略意义。

智能车辆在车辆动力学的基础上，还包括环境感知、信息融合、智能决策、车辆控制等部分。其中，智能车辆的环境感知信息包含：道路、交通标志、行人行为、周边车辆等信息。这些信息的获取基于车载的多种异构传感器设备，主要有各种摄像头、雷达（如激光雷达、毫米波雷达、超声雷达、红外雷达等）、GPS接收机、惯导等。在这些传感器的配准和标定基础上，进行信息融合，是智能驾驶的基础。

与本发明专利相比，专利号02111153.7“用雷达图自动产生导航图的方法及导航仪”虽然也提供了一种利用雷达图自动产生导航图的方法，但有如下差别：一、目的不同，该方法仅适用于低速航海时导航图的绘制，而本方法适用于高速智能车辆，用来完成实时信息融合，并在此基础上进行智能决策、路径规划等；二、原理不同，该方法产生导航图的信息来源只有雷达一种，产生导航图的方法是连续滚动拼接雷达图；而本方法是利用变粒度雷达图的形式，融合多种传感器信息，实时分析并融合周围环境信息，建立智能车辆的基础信息框架；三、表现粒度不同，该方法所采用的雷达图是固定粒度的，没有遵循近处精细感知、远处粗略感知的认知规律，应用在无人车上，会造成感知精度不够或者栅格数目庞大的问题。

发明内容

本发明提供一种智能车辆利用变粒度路权雷达图进行信息融合的方法，利用不同大小的栅格构成变粒度雷达图形式，融合摄像头、雷达等各类传感器的环境感知信息，显示车辆可拥有的路权空间及其变化趋势。本方法能够实时有效完成车辆上多种类别、不同安装位置传感器的感知信息的融合，判断车辆可拥有的路权空间及其变化趋势，为智能决策、路径规划、人机交互、无人驾驶等提供统一的基础框架。

本发明为实现上述目的，采用以下技术方案：一种智能车辆利用变粒度路权雷达图进行信息融合的方法，采用变粒度路权雷达图的形式，融合各类传感器的环境感知信息，并显示车辆拥有的路权空间及其变化趋势，实现辅助驾驶和无人驾驶。

a.首先，路权雷达图始终以车辆的几何中心为中心，覆盖半径为100m-200m的周边范围；

b.离智能车辆越近，路权雷达图栅格的尺寸越小、精度越高，离智能车辆越远，路权雷达图栅格的尺寸越大、精度越低，如栅格径向最小5cm，最大400cm；路权雷达图中的角度分辨率可根据驾驶关注区域改变，也可固定，如Δ＝1°，由此构成的变粒度栅格，可用数组结构与之对应；

c.摄像头、雷达等不同类型传感器通过声、光、电等物理信号感知周围环境，其工作机理不同，安装在车辆上的位置也不同。即使是同一类传感器，其精度、有效范围、参数设置（如摄像头的焦距、白平衡等参数；激光雷达的识别距离、角度分辨率等参数）也不相同。通过参数配准及位置标定，将不同传感器感知并处理得到的信息，映射到路权雷达图的统一坐标系中，并对相应栅格进行赋值。赋值的内容可以包括障碍物的高度、置信度等；

d.路权雷达图始终寄生在运行中的车辆上，与车速相关，并随时间动态变化，其更新周期由传感器采样频率、本车行驶状态等因素决定；

e.在融合多类传感器检测结果后，会得到本车拥有的周围路权状况及变化趋势，形成对智能驾驶中将发生的车道内的跟驰模式、相邻车道的换道模式、或路口的通行模式（包括左转弯、右转弯、直行、U字掉头）等基本驾驶行为控制策略的基础平台，进行局部路径的动态规划、协同导航等；

f.以路权雷达图为基础，结合人类驾驶经验，利于建立智能车辆决策规则库，完成定性知识到定量控制的转换。

有益效果：路权雷达图能够实时有效完成车辆上多种类别、不同安装位置传感器的感知信息的融合，判断车辆可拥有的路权空间及其变化趋势；根据人类自然认知规律而构造的近处细粒度、远处粗粒度的变粒度栅格，满足智能车环境感知需求的同时，利用较少的存储空间与计算资源，完成对人类驾驶行为认知的模拟和计算，为智能驾驶的实现提供重要技术支撑。

附图说明

图1较佳实施例中各传感器覆盖范围示意图；

图2利用路权雷达图确定智能车辆周边路权拥有状况示意图。

图中：(a)前向单线激光雷达，(b)后向单线激光雷达，(c)前向四线激光雷达，(d)前向八线激光雷达，(e)后向毫米波雷达，(f)摄像头，(g)全部传感器。

具体实施方式

下面结合较佳实施例与附图，详细说明本发明的具体实施方式。

较佳实施例

详见图1、图2，一种智能车利用变粒度路权雷达图进行信息融合的方法，利用变粒度雷达图的形式，融合各类传感器的环境感知结果，并显示智能车路权拥有状况及变化趋势。

本实施例中的智能车，已完成京津城际高速公路上的无人驾驶。车上装配了包括前后各1个单线激光雷达、1个前向4线激光雷达、1个前向8线激光雷达、1个后向毫米波雷达、1个前向PIKE100C摄像头在内的传感器，用于周边环境的感知。目前已顺利完成18次京津城际高速公路的往返试验，并于2012年11月24日向媒体及社会发布。

在2012年11月24日第18次京津城际高速公路智能驾驶试验中，试验地点是台湖收费站至东丽收费站段，试验中使用摄像头、雷达以及GPS，完成了自主超车等6个科目，总里程114公里，平均时速79.06km，最高时速105km，自主超车12次，邻道超车21次，换道操作36次，油门操作1816次，刹车操作30次，转向操作11812次，油耗9.69升，全过程无人工干预，试验顺利完成，达到了预期目的。

路权雷达图覆盖范围论证：

路权雷达图应当覆盖智能车辆行驶中的安全距离。在智能车安全距离的计算中，需要综合考虑车速、可能出现的湿滑路面及驾驶员的反应时间。我国道路交通安全法实施条例第70条规定：高速公路应当标明车道的行驶速度，最高车速不得超过120km/h。

设湿滑路面附着系数μ＝0.32，一般驾驶员反应时间T_f在0.35s与0.65s之间，为安全起见，取T_f＝0.65s，车辆限速V_m＝120km/h

在反应时间内，车辆做匀速运动，前进距离S₁＝V_mT_f＝22m

之后刹车，车辆做匀减速运动，前进距离

安全距离为S＝S₁+S₂＝195m。

因此，在本较佳实施例中，路权雷达图的半径不得小于195米。

路权雷达图栅格精度论证：

无论从驾驶员的驾驶经验，还是从车辆控制的实际要求出发，对不同距离处感知精度的要求都是不相同的。离智能车辆越近，路权雷达图栅格的尺寸越小、精度越高，离智能车辆越远，路权雷达图栅格的尺寸越大、精度越低。

对于距离D，对应一个保证车辆安全行驶的最大速度V_D。距离D处的扇形栅格径向长度为采集-感知-控制周期T内，车辆走过的距离，即V_DT。根据实际情况，T=100ms。路权雷达图由多圈栅格构成，位于同一圈的栅格，其径向长度相同。设从雷达图中心向外侧数，第n圈栅格外侧与雷达图中心的距离为D_n，其对应的最大安全速度是V_n

由 $V_n{T}_f+\frac{V_n^2}{2\mathrm{\μg}}=D_n$ 得：

$V_n=\sqrt{{\left(\mathrm{\μg}{T}_f\right)}^2+2\mathrm{\μg}{D}_n}-\mathrm{\μg}{T}_f$

栅格精度S_n＝D_n-D_n-1，n≥1

受限于传感器精度，栅格精度最细为5cm

D_n序列由下面递推公式确定：

$\left\{\begin{array}{c}{D}_n=D_{n-1}+\max ((\sqrt{{\left(\mathrm{\μg}{T}_f\right)}^2+2\mathrm{\μg}{D}_{n-1}}-\mathrm{\μg}{T}_f)T,0.05),\\ D_n=0m,n=0\end{array}\right.$ n≥1

据此计算得出，本例中路权雷达图半径为197.7m，共有140圈栅格；栅格纵向长度最小为5cm，最大约为336cm；中间栅格的径向长度可根据递推公式计算得出。

下面对角度分辨率进行分析：设高速公路车道宽L=3.5m，路权雷达图依据角度划分为N份。如果要求在路权雷达图覆盖范围最远处能够分辨不同车道，则应满足：

计算得到

因此，不妨设定雷达的角度分辨率为

依照本较佳实施例对于路权雷达图范围及精度的论证，路权雷达图共包括140×360=50400个栅格。在计算机中建立140×360大小的数组，供信息融合使用。

路权雷达图信息融合方法示例

本次实施例中，共安装有各类摄像头、雷达等传感器用于环境感知。各类传感器覆盖范围互有重叠，但经过位置标定后，覆盖范围均为圆形或扇形，可利用路权雷达图进行信息融合。

进行信息融合最简单的方法是，只要任何一个传感器，检测到某个扇形栅格被占据，那么就将这个栅格置为障碍物高度值（单位：厘米）；没有被任何传感器检测到被占据的扇形栅格，则将其置为0。这样可以保证信息融合的结果无遗漏的反映了车辆周围障碍物对路权的占用情况。在图2中，显示了路权雷达图采用这种方法，对城际高速公路上智能车周边障碍物融合感知的一个实例。图中包含障碍物的栅格幅值为该障碍物的高度，例如，包含最右侧护栏的栅格赋值为护栏高度90厘米。除此以外，也可以对每个栅格引入置信概率，将其置为0和1之间的一个实数，为之后的智能决策、路径规划等，提供更精确的支持。

路权雷达图更新周期的确定

路权雷达图的更新周期由传感器采样频率等因素决定。在本较佳实施例中，PIKE100C摄像头传感器的采样周期是25-40ms(随光照等环境条件会有改变)，单线、四线、八线激光雷达、毫米波雷达的采样周期均是80ms。为准确、实时地反映各传感器的感知信息，路权雷达图的更新周期应小于等于各传感器的最小周期。因此，在本较佳实施例中设置路权雷达图更新周期为20ms。

在融合多类传感器检测结果后，存储路权雷达图的数组真实反映了本车拥有的周围路权状况及变化趋势。在此基础上，结合人类驾驶经验，可以建立车道内跟驰模式、相邻车道换道模式、路口通行模式等基本控制策略，并据此进行局部路径的动态规划、协同导航等。

以上所述，仅是本发明的较佳实施例而已，并非对本发明的结构作任何形式上的限制。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明的技术方案的范围内。

Claims (4)

1.一种智能车辆利用变粒度路权雷达图进行信息融合的方法，其特征是：采用变粒度路权雷达图的形式，融合各类传感器的环境感知信息，并显示车辆拥有的路权空间及其变化趋势，实现辅助驾驶和无人驾驶。

2.根据权利要求1所述的智能车辆利用变粒度路权雷达图进行信息融合的方法，其特征是：所述路权雷达图始终以车辆的几何中心为中心，覆盖半径为100m-200m的周边范围，雷达图中的栅格可填写相应障碍物的高度、置信度等信息。

3.根据权利要求2所述的智能车辆利用变粒度路权雷达图进行信息融合的方法，其特征是：所述路权雷达图栅格的尺寸与精度为：离智能车辆越近，路权雷达图栅格的尺寸越小、精度越高；离智能车辆越远，路权雷达图栅格的尺寸越大、精度越低。

4.根据权利要求3所述的智能车辆利用变粒度路权雷达图进行信息融合的方法，其特征是：所述路权雷达图始终寄生在运行中的车辆上，与车速相关，并随时间动态变化，反映车辆所拥有路权的变化趋势，是智能决策和路径规划的基础。

Images