论文部分内容阅读
随着消费者对汽车安全性和舒适性的需求日益增长,智能驾驶技术受到了广泛的关注和研究,感知模块作为智能驾驶系统的重要一环,其获取的环境信息是智能驾驶技术成功应用的基础。现阶段量产的智能驾驶系统的主流传感器为毫米波雷达和相机,毫米波雷达对目标距离和速度的检测精度较高,并且可以全天候工作,但是其不能准确识别目标类型,容易受噪声干扰;相机能够获取丰富的环境信息,并且其价格和技术难度相对较低,但是对光照和天气的变化较为敏感,因此基于单一传感器的环境感知方案往往可能会存在一些局限性。通过对不同传感器进行信息融合,可以充分发挥各传感器的目标检测优势,以实现信息冗余和互补。因此,为了提升系统的目标检测能力,对多传感器信息融合的研究尤为重要。本文以智能驾驶系统的环境感知模块为研究对象,设计了基于毫米波雷达和相机的信息融合方案,分别利用毫米波雷达和相机进行目标检测,随后对目标数据进行特征提取、身份识别以及决策层融合,最后对融合目标进行风险评估和危险目标筛选。主要研究内容如下:(1)制定基于毫米波雷达和相机融合的目标检测流程首先分析不同传感器在目标检测方面的优劣势,以及不同层级融合方法的优缺点,然后对比分析国内外学者提出的目标检测与信息融合方案,探索其中尚待完善的研究点,最终制定了基于毫米波雷达和相机融合的传感器方案,并且对不同传感器的目标数据进行决策层融合。(2)对传感器数据进行预处理首先依据数据之间的相似性对毫米波雷达的目标信息进行聚类分析,将同一物体的多个雷达反射点划分为同一个集群,从而获取更准确的目标信息。然后,针对传感器原始数据存在随机噪声的问题,在进行信息融合前,结合目标的运动特点对原始数据进行滤波,从而改善信号质量,减小干扰信号对后续算法的影响。(3)设计基于毫米波雷达和相机的融合算法架构针对各传感器在检测目标时所使用的参考坐标系不一致的问题,对不同传感器的目标数据进行融合处理前,首先对各传感器进行时间配准和空间配准,以确保融合中心获取的不同传感器数据描述的是同一时间、同一地点的环境信息。随后依据一定的规则对不同传感器的目标列表进行匹配,并将各传感器对同一目标的测量数据进行融合,从而获得完整的目标信息。最后对融合目标进行跟踪检测,提高目标检测的准确性和可靠性。(4)制定危险目标筛选策略目标的风险评估往往与目标运动模型的建立,以及目标运动预测等因素有关,因此,首先分析各种目标运动模型和目标运动预测方法的优缺点,并决定采用基于行为的运动模型,然后利用车辆的历史轨迹判断其行驶状态;随后通过本车与前车之间的相对距离以及相对速度计算车辆碰撞时间,以此对融合目标进行危险性评估,从中筛选出碰撞风险较大的目标,进而为后续控制系统的决策提供参考信息。(5)在不同工况下对本文算法进行相关试验与结果分析搭建多传感器融合的实验平台,并在典型的城区道路和城市快速路进行相关测试。然后选取其中几种比较有代表性的工况进行试验结果分析,对不同工况下的毫米波雷达目标检测结果、相机目标检测结果、毫米波雷达与相机融合的目标检测结果进行对比分析,同时对危险目标选择策略的合理性进行验证。实验表明,本文提出的算法可以有效提高目标识别的稳定性和可靠性,降低目标的漏检概率。