英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
车辆自动换道操作的状态评估
Robin Schubert, Student Member, IEEE, Karsten Schulze, and Gerd Wanielik, Senior Member, IEEE
摘要-当前对高级驾驶辅助系统（ADAS）的研究是为了解决高度自动化驾驶的概念，以进一步提高交通安全性和舒适性。在这样的系统中，可以自动执行仍在驾驶员控制下的不同的操作。为了实现这一目标，评估交通状况并自动采取机动决策的任务就变得非常重要。因此，本文提出了一种可以感知车辆环境，评估交通状况并向驾驶员提供车道变换操纵建议的系统。具体而言，文中描述了该系统的算法背景，包括用于车道和车辆检测的图像处理，用于估计和跟踪的无迹卡尔曼滤波以及基于贝叶斯网络用于在不确定性条件下进行机动决策的方法。此外，介绍并讨论了使用概念车Carai的第一个原型实现的结果。
关键词：先进的驾驶辅助系统，贝叶斯网络，决策制定，车道识别，状态评估，车辆跟踪。
I引言
智能交通系统（ITS）研究的主要目标是使移动更安全，更舒适，更可持续。尽管目前的研究表明，部署先进的驾驶辅助系统（ADAS），例如自适应巡航控制系统（ACC）或车道保持系统（LK），特别有助于实现安全目标，但道路交通死亡人数仍然居高不下。
除了前面提到的辅助驾驶的发展之外（例如Proreta项目[2]），为实现自动驾驶也进行了大量的研究活动。然而，尽管技术可行性已经在不同的举措中得到证明，如国防高级研究项目机构（DARPA）城市挑战赛[3]或CyberCars和CityMobil[4]的研究项目，但是在可靠性，责任和用户接受方面仍然存在重大且未解决的问题，预计这些问题的解决只能在中期或长期后才能看到[5]。
出于这个原因，目前的研究活动主要集中于高级自动驾驶，例如研究项目HAVEit[6]和SPARC[7]。这个概念的主要思想是允许在驾驶员的监督和控制下自动执行某些操作，并在遇到不能自动处理的情况下将控制权交给驾驶员。除了感知组件外，这些系统还需要具有评估当前交通状况并自动采取机动决策的能力。此外，适当的自我评估的重要性-即确定系统本身的系统输出是否可靠-会不断增加。
在本文中，以自动车道变换为例提出了一种高级自动驾驶的方法。更准确地说，展示了一种可以感知其环境，评估交通状况并识别利于换道操作的适当场合的典型实现方法。这种情境评估和决策算法是基于贝叶斯网络（BN），该网络能够综合处理从感知到决策阶段的不确定性。
本文组织如下。第二节给出了整个系统和传感器配置的概述。第三节介绍了算法背景，包括以下部分：
bull;用于检测车辆的图像处理算法;
bull;检测和分类车道标记的方法;
bull;参数估计和跟踪的随机模型;
bull;概率情况评估方法;
bull;不确定性下的决策算法。
最后，在第四节中将介绍和讨论使用了名为为Carai[8]的概念车的原型实现和第一个测试结果。
II、系统架构
本文描述的系统的总体结构如图1所示。该图的元素来源于系统的感知要求。一方面，关于在本体车辆周围移动物体的了解是必要的，以避免碰撞。为此，在车辆前保险杠上安装了77-GHz远程雷达（LRR）和而在后端安装了两个24-GHz短程雷达（SRR）1
意在这个原型中使用短程雷达限制了从后面接近的车辆的最大相对速度，这在测试场景中是可以允许的。此外，由于存在盲点区域，需要特别注意车辆跟踪（见第III-C节）。
图1.所描述的是系统的总体结构。矩形框表示数据处理任务，而传感器和HMI由菱形元素表示
图2.系统的传感器配置，包括一个LRR，两个重叠的SRR和两个摄像头
此外，车道参数的良好估计对于本体车行驶的车道和至少两个相邻车道是必要的。这个要求源于两个原因。一方面，将执行自动车道保持和换道机动的车辆显然必须知道车道在哪里（或者更确切地说，本车相对于车道的位置）。另一方面，完成其他车辆与某些车道的可靠关联以正确评估当前的交通状况也是非常重要的。为了检测路面上的车道标记，使用了两个带视频图形阵列（VGA）分辨率的灰度相机，分别覆盖自行车前方和后方的区域（见图2）。
另一个重要的数据来源是车辆的内部控制器局域网（CAN）总线，它提供（除其他外）关于本车运动的信息。测量本车的速度和横摆率对于稳定车辆和车道的跟踪非常重要（有关这种所谓的本车运动补偿的细节，请参见第III-C部分）。
为了利用传感器配置的不同元素之间的协同作用，摄像机也被用于改善和稳定车辆跟踪。这种方法提高了跟踪算法的可靠性，并使我们能够更准确地估计感知车辆的宽度和横向位置。雷达和摄像机信息的融合是在对象层次完成的（参见第III-C节）。
环境感知任务的结果作为状态评估模块的输入。系统的这部分将评估有关车辆周围的所有可用信息，并对当前的交通状况进行评估。其中，系统必须确定在当前车道上行驶是否安全以及换道操作是否安全。最后，通过人机界面（HMI），做出适当的操作决定并作为建议传递给驾驶员。
III、算法背景
A车辆检测
在相机图像中检测车辆是一个被广泛研究的话题[9]。已经提出了许多解决方案，例如，基于垂直对称[10]，尾灯识别[11]，边缘检测[12]或这些特征的组合[13]。在此处的图像处理方法论文是基于[14]。其核心内容总结如下。这种链由轮廓的下部水平边缘和垂直边缘组成，几乎适用于所有类型的车辆，包括卡车和公共汽车。
为了检测轮廓点，需要计算梯度图像。该方法提供了最大灰度差异的大小和方向。梯度算子不一定产生清晰的边缘;因此，需要变薄，之后所有行变为一个像素宽。确定的轮廓点通过4邻域连接;如果仅存在水平和垂直邻域，则该轮廓的宽度是一个像素。对于对角线邻域，宽度将是两个像素。因此，对细化的轮廓点执行4-到8-邻域变换。形状识别需要连贯的轮廓链;因此，轮廓链应用于8邻域轮廓点。
图3.车辆检测图像处理方法的数据流[14]。
然后创建轮廓点方向的直方图并通过轮廓链点的总数进行归一化。必须指定若干阈值才能找到特定的形状;对于U形链，垂直点和水平点的数量必须处于某个特定的形状比率范围。如果确定了U形，则会创建一个矩形图像观察并将其结合到车辆跟踪滤波器中，如第III-C部分所示。
B车道识别
几十年来一直在研究道路表面检测车道标线的问题，从[15]开始。该领域的算法开发达到了允许在安全应用中部署基于视觉的车道检测系统的水平，例如车道保持支持[16]。关于这个问题的图像处理部分的细节可以例如在[17]-[19]中找到。
这里描述的系统的一个特点是不仅需要确定车道的走向，而且需要确定车道标记的类型。这种方法是必要的，因为这种评估算法必须决定是否可以换道。尽管这种方法明显包括了换道是否安全的问题，但这也意味着要确定交通规则是否允许这样的操纵。在大多数国家，这些规定由交通标志和虚线/实线车道标志表示。但交通标志识别不适用于实际应用;因此，将车道标记划分为虚线或实心类型对于确定正确的车道变换操纵建议至关重要。
在下面的讨论中将给出对算法的简要描述（更详细的处理可以在[20]中找到）。从图像平面中检测到的车道标记导出空间离散信号，将其用作快速傅立叶变换（FFT）的输入。基于所得到的系数矢量，计算功率谱pj。比较两种信号类别表明，虚线信号的周期性对p2和p4都产生显著的功率。固体信号仅对稳定组件产生显著的功率。
虚线总是产生确定的和显着的功率值的事实被用于通过一组规则对频谱进行分类。因此，周期性车道标记信号的功率系数特征如下：
在此公式中，imax取决于视野中车道标记的最大数量。此外，所有交替部分的总功率被确定为：
通过使用Pdashed和Poverall的比率，可以进一步区分虚线和噪声信号。
C.参数估计和跟踪
尽管传感器性能稳步提高，但车辆周围的真实状态永远不会被完全知道。但是，通过利用有关这种情况的先验知识并明确考虑模型和传感器不确定性，至少可以获得对此类情况的初步估计。此外，在整个数据处理链中处理不可避免的不确定性是非常重要的。通过这种方法，不仅可以获得机动决策，而且还可以获得允许我们定义使用系统输出的阈值的不确定性度量（关于生成的决策的不确定性的详细信息在第III-E节中给出）。最后，由于原型车辆的盲区（见图2），在它们通过该区域时，需要插入车辆的位置。
估算过程需要三个步骤：
1）估计系统状态的概率框架;
2）系统动态行为模型;
3）传感器属性的模型。
最常见的估计和跟踪框架是众所周知的卡尔曼滤波器[22]。在这个系统中，应用了这种算法的一个特殊的导数，它被称为无迹卡尔曼滤波器（UKF）。该滤波器在通过非线性变换传播高斯概率分布方面具有优势，并且比最常用的扩展卡尔曼滤波器（EKF）更容易实现。有关UKF的详细信息可以在[23]和[24]中找到。
在下面的讨论中，描述了三种不同的系统模型。第一和第二系统模型分别用于估计自我车辆和其他车辆的运动。第三个模型表示车道的数学描述。
1）己车模型：为了改善己车运动参数的估计，可以使用关于车辆的先验知识。例如，众所周知车辆不能任意移动（例如横向移动），而是受到所谓的非完整约束[25]。除了这些物理约束之外，模型还可以包含关于通常运动模式的假设（例如，公路上的恒定速度）。在[26]中给出了不同运动模型及其对高速公路适用性的实验评估，其中恒定转弯速率和加速度（CTRA）模型作为实际和简化之间的适当折中方案。这个模型也用于建模本文中的己车运动，并将在下面的讨论中进行解释。
这个模型的状态空间由六个数量组成：
其中x，y和theta;分别表示车辆的位置和航向。速度，横摆率和纵向加速度分别由v，omega;和a表示。该模型的状态转移方程为：
以及：
公式表明-顾名思义-纵向加速度和横摆率被假定为常量。为了解决这个假设的偏差（即加速和车道变换车辆），统计扰动项（称为过程噪声向量v）是该模型的一部分。过程噪音的调整决定了过滤器仍可以处理哪些车辆动力。
2）障碍车辆模型：为了模拟其他车辆的运动，需要使用相同的运动模型。但是，有两个特殊点需要注意。首先，为了利用相机的功能来确定车辆的横向宽度，必须明确地估计该数量。其次，车辆的位置需要通过自主车辆在最后和当前过滤器时间步骤之间的运动来校正。为了考虑这些问题，状态向量增加了宽度d和自我运动参数xe，ye和theta;e。即：
状态转换方程为
其中fe（）表示自我运动补偿，即，
通过增加状态矢量，隐含地考虑了自我运动的不确定性。
3）车道模型：通常，车道几何形状由近似回旋曲线模型化，即由三阶多项式（例如[17]）建模。然而，在本文中，车道被模拟为一组平行圆弧，相对于自我车辆是扭曲的[27]。这一选择背后的理由是，VGA分辨率的汽车摄像头的检测范围限制（取决于焦距）在60米左右[28]。为了执行超出该距离的车辆的车道关联，车道估计需要外推。由于回旋曲线模型意味着更多的自由度，所以外推可能导致显著偏离现实。相反，圆形模型为外推提供了更稳定的基础;然而，这种优势的代价是在近距离处表现不太准确（参见[29]分析不同车道模型的近似误差）。
状态向量由以下量组成：
在（10）中，c=1/r表示圆的曲率，o表示横向偏移量，phi;表示车道的变形（根据视角，也可以视为车道内车辆的偏航角），w表示其宽度。模型假定圆的中心点位于x=1/c处的笛卡尔框架的y轴上。假设该框架相对于车辆坐标系被phi;扭曲（见图4，左侧）。
对于系统的动态行为，假定除了过程噪声干扰外，系统状态随时间保持恒定。也就是说，车道模型的状态转换方程基本上执行自我运动补偿。
图4车道估计状态空间的几何解释（左）及其自身运动补偿圆心（右）的重构。上标s和v分别表示车道段和车辆坐标系。
为此，时间t处的圆心点Pc（xc，yc）被计算为
然后根据自我运动将该点Pc从时间t变换为t T，如下：
从这个新的圆心点，更新的偏移量o使用圆交点方程确定（见图4，右）。预测的状态x（t T）然后由下式给出
D.状态评估
在前一节中，主要描述了对象级别的跟踪（即JDL6级别1上的数据融合）;然而，还有必要评估被跟踪物体之间的关系以得出一个适当的决定（JDL级别2的数据融合）。
高级数据融合有不同的通用方法，例如专家系统，模糊逻辑或BN[31]。以前在汽车领域的工作，例如使用基于经验的方法预测潜在的冲突情况[32]或评估情况，基于迭代方案和模糊相关的不确定性表示[33]。对于紧急制动应用，已经提出了不同的基于规则的算法
[34]，[35]，而基于BN的这种应用方法在[36]中介绍。
在本文中，BN用于情境评估和决策制定[7]。感知算法基于贝叶斯定理（实际上，所采用的UKF是高斯假设下一般贝叶斯滤波器的实现[23]）;因此，BN的使用允许统一处理从检测到决策阶段的不确定性。下面简要介绍BN的概念。
BNs：BN是一个有向无环图，代表一组随机变量[37]。它由表示随机变量的节点和表示概率关系的边组成。
与其他表示（例如联合概率表）相比，BN的主要优势在于模拟条件独立性的可能性，这大大降低了必要的条件概率表（CPT）的大小。此外，图形化建模使得人类设计师将模型适应他/她对系统特征的感知。同时，BN的概念已经足够形式化以允许有效的计算评估。
在定义网络和CPT的结构之后，可以针对网络的随机变量的任何特定分配来计算全联合分布。也
全文共16798字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[15798]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
