多傳感器信息技術(shù)管理論文

1、編號：時間：2021年X月X日書山有路勤為徑，學(xué)海無涯苦作舟 頁碼：第1頁共8頁多傳感器信息技術(shù)管理論文摘要：介紹了當(dāng)今國際上流行的幾種智能駕駛系統(tǒng)，并分析了采用單一 傳感器的駕駛系統(tǒng)中存在的問題，給出了信息融合技術(shù)的原理和結(jié)構(gòu)。討論了多 傳感器信息融合技術(shù)在智能駕駛系統(tǒng)（ITS）中的應(yīng)用算法及其有待進(jìn)一步解決 的問題。關(guān)鍵詞：貝葉斯估計信息融合障礙探測智能駕駛隨著傳感器技術(shù)、信息處理技術(shù)、測量技術(shù)與計算機(jī)技術(shù)的發(fā)展，智 能駕駛系統(tǒng)（輔助駕駛系統(tǒng)一無人駕駛系統(tǒng)）也得了飛速的發(fā)展。消費(fèi)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

2、者自動改變汽車狀態(tài)，以避免事故訴發(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。1ICC/CW和LDW系統(tǒng)中存在的問題1.1ICC/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）,前后車輛很容易駛出 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

3、拐彎 處另一輛汽車駛?cè)氡拒嚨?，碰撞報警系統(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(dá)系統(tǒng)易把鄰近道路的 車輛或路邊的防護(hù)欄誤認(rèn)為是障礙而給出報警。當(dāng)?shù)缆凡黄教箷r，雷達(dá)傳感器前 方的道路是斜向上，小丘或小堆也可能被誤認(rèn)為是障礙，這些都降低了系統(tǒng)的穩(wěn) 定性?，F(xiàn)在有一些濾波算法可以處理這些問題并取得了一定效果，但不能徹底解 決。1.2LDW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(jī)(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(jī)探測車輛

4、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(jìn)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?；谝曈X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(dá)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(Combin

5、edLikelihoodAddingRadar )和 InstitudeNeuroinformatik 提出的 ICDA (IntegrativeCouplingofDifferentAlgorithms) 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(diǎn)進(jìn) 行說明（見表l）o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(jī)器人的研究上。其優(yōu)點(diǎn)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)中除了上文提出的場景限制外，還有以下問題。首先因其 只能

6、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，即使可以使之測達(dá)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。表1傳感器性能比較傳感器類型優(yōu)點(diǎn)缺點(diǎn)超聲波視覺激光雷達(dá)MMW雷達(dá)價格合理，夜間不受影響。易于多目標(biāo)測量和分類，分辨率好。價格相合理，夜間不受影響不受燈光、天氣影響。測量范圍小，對天氣變化敏感。不能直接測量距離，算法復(fù)雜，處理速度慢。對水、灰塵、燈光敏感。價格貴視覺傳感器在CW系統(tǒng)中使用得非常廣泛。其優(yōu)點(diǎn)是尺寸小，價格合 理，在一定的寬度和視覺域內(nèi)可以測量定多個目標(biāo)，并且可以利用測量的

7、圖像根 據(jù)外形和大小對目標(biāo)進(jìn)行分類。但是算法復(fù)雜，處理速度慢。雷達(dá)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(diǎn)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，利用這 些方式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所謂信息融合就是將來自多個傳感器或多源的信息進(jìn)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，人類本地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

8、物、聲音、氣味和觸覺）與先驗知識進(jìn)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片：對變的或 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(bǔ)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

9、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(bǔ)與冗余信息依據(jù)某種優(yōu)化準(zhǔn)則結(jié)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)同作用的效果， 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)涉及到方面的理論和技術(shù)，如信息處理、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個子集。表2歸納了一些常用的信息融合方法。表2信息融合方法經(jīng)典方法現(xiàn)代方法估計方法統(tǒng)計方法信

10、息論方法人工智能方法加權(quán)平均法經(jīng)典推理法聚類分析模糊邏輯極大似然估計貝葉斯估計模板法產(chǎn)生式規(guī)則最小二乘法品質(zhì)因素法熠理論神經(jīng)網(wǎng)絡(luò)卡爾曼濾波D-S證據(jù)決策理論遺傳算法模糊積分理論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(diǎn)的信息，再對這些信息進(jìn)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。3CLARK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(dá))和攝像機(jī)的信息。CLARK算法主要由以下兩部分組成： 使用多傳器融合技術(shù)對障礙進(jìn)行魯棒探測；在L

11、OIS( LikelihoodoflmageShape) 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(dá)探測障礙目前經(jīng)常使用一個雷達(dá)傳感器探測前方的車輛或障礙。如前面所分析， 雷達(dá)雖然在直路上的性能良好，但當(dāng)?shù)缆窂澢鷷r，探測的信號將完全可靠，有時 還會有探測的盲點(diǎn)或產(chǎn)生錯誤報警。為了防止錯誤報警，常對雷達(dá)的輸出進(jìn)行標(biāo) 準(zhǔn)卡爾曼(Kalman)濾波，但這并不能有效解決探測盲點(diǎn)問題。為了更可靠地解 決這類問題，可以使用掃描雷達(dá)或多波束雷達(dá)，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(dá)和多波束雷達(dá)所不能 提供的信息。3.2 在目

12、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(dá)傳感器輸出最接近的障礙模板。CLARK算法首先對雷達(dá)信號進(jìn)行卡爾曼濾波，用于剔除傳感器輸出的 強(qiáng)干擾，這出下列狀態(tài)和觀測方程處理：D (t) =R(t)+v(t)式中，R (t)為前方障礙的真實距離(未知)，R (t)是其速度(未知，)D (t)為距離觀測值，At為兩次觀測的問題時間，w (t)和v(t)為高斯噪聲。給 定D (t),由Kalman濾波器估計R (t)和R (t)的值，并把估計值R作為距 離輸

13、入值，使用R(t)和D(t)的差值確定所用矩形模板的偏差。由于使用雷達(dá)探 測的位置與雷達(dá)作為補(bǔ)償。使用上述算法可以有效提高雷達(dá)探測的可靠性，但當(dāng)圖像包含很強(qiáng)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，乂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

14、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的似然和小探測障礙的 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、TK 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為變形模板相平面的中心。yr(t), yc為由雷達(dá)探測 并經(jīng)Kalman濾波的障礙在相平觀的位置。將地平面壓縮變化為相平面，的實時 估計，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），不太于Tmax（路寬）。通過求解七維后驗pdfP （k，bLEFT, WRIGHT, vp, Tb, TI,Tw| yr（t）zyc（t）zObservedlmage）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(jī)及公共汽車時滿足要求：但當(dāng)