无人驾驶汽车的传感器系统设计及技术展望样本.docx

无人驾驶汽车的传感器系统设计及技术展望样本.docx

《无人驾驶汽车的传感器系统设计及技术展望样本.docx》由会员分享，可在线阅读，更多相关《无人驾驶汽车的传感器系统设计及技术展望样本.docx（10页珍藏版）》请在冰豆网上搜索。

无人驾驶汽车的传感器系统设计及技术展望样本

一、无人驾驶汽车传感器研究背景和意义

无人驾驶汽车是人工智能一种非常重要验证平台，近些年成为国内外研究热点．无人驾驶汽车作为一种陆地轮式机器人，既与普通机器人有着很大相似性，又存在着很大不同．一方面它作为汽车需保证乘员乘坐舒服性和安全性，这就规定对其行驶方向和速度控制更加严格；此外，它体积较大，特别是在复杂拥挤交通环境下，要想可以顺利行驶，对周边障碍物动态信息获取就有着很高规定。

无人驾驶研究目的是完全或某些取代驾驶员，是人工智能一种非常重要实现平台，同步也是如今前沿科技重要发展方向。

当前，无人驾驶技术具备重大应用价值，生活和工程中，可以在一定限度上减轻驾驶行为压力；在军事领域内，无人驾驶技术可以代替军人执行侦查、排雷、以及战场上危险环境中任务；在科学研究领域，无人驾驶技术可以实现外星球等极端环境下勘探活动。

无人驾驶车辆技术，又称智能车辆，即运用将无人驾驶技术应用于车辆控制中。

国外无人驾驶车辆技术大多通过度析激光传感器数据进行动态障碍物检测。

代表有斯坦福大学智能车“Junior”，运用激光传感器对跟踪目的运动几何特性建模，然后用贝叶斯滤波器分别更新每个目的状态；卡耐基•梅隆大学“BOSS”智能车从激光传感器数据中提取障碍物特性，通过关联不同步刻激光传感器数据对动态障碍物进行检测跟踪。

牛津大学研制无人车辆“WildCat”，不使用GPS，使用激光雷达和相机监控路面状况。

国内有关技术开展较晚，国防科学技术大学研制自主车“开路雄狮”，采用三维激光雷达Velodyne作为重要传感器，将Velodyne获取相邻两激光数据作差，并在获得差分图像上进行聚类操作，对聚类成果建立方盒模型。

无人驾驶车辆是一项融合了认知科学、人工智能、机器人技术与车辆工程等多学科技术，涉及到电子电路，计算机视觉，自动控制，信号解决等多学科技术。

无人驾驶汽车浮现从主线上变化了老式“人——车——路”闭环控制方式，将无法用规则严格约束驾驶员从该闭环系统中请出去，从而大大提高了交通系统效率和安全性，是汽车工业发展革命性产物。

二、无人驾驶汽车传感器系统整体设计

无人驾驶汽车实现需要大量科学技术支持，而其中最重要就是大量传感器定位。

核心技术是涉及高精度地图、定位、感知、智能决策与控制等各个模块。

其中有几种核心技术模块，包括精准GPS定位及导航、动态传感避障系统、机械视觉三个大某些，其她如只能行为规划等不属于传感器范畴，属于算法方面，不做过多设计。

传感器系统如图所示。

图1无人驾驶汽车传感器系统重要构成

三、精准GPS定位及导航

无人驾驶汽车对GPS定位精度、抗干扰性提出了新规定。

在无人驾驶时GPS导航系统要不间断对无人车进行定位。

在这个过程之中，无人驾驶汽车GPS导航系统规定GPS定位误差不超过一种车身宽度。

无人驾驶汽车面临另一种问题面临另一种挑战，是需要保证她们又完美导航功能，实现导航重要技术是当前生活中已经使用非常广泛GPS技术。

由于GPS无积累误差、自动化测量特点，因而十分合用于无人驾驶汽车导航定位。

为了大幅提高GPS测量技术精度，本系统采用位置差分GPS测量技术。

相较于老式GPS技术，差分GPS技术会在一种观测站对两个目的观测量、两个观测站对一种目的观测量或者一种测站对一种目的两次测量之间求差，目在于消去公共误差源，涉及电离层和对流层效应等。

位置差分原理是一种最简朴差分办法，任何一种GPS接受机均可改装和构成这种差分系统。

安装在基准站上GPS接受机观测4颗卫星后便可进行三维定位，解算出基准站坐标。

由于存在着轨道误差、时钟误差、SA影响、大气影响、多径效应以及其她误差，解算出坐标与基准站已知坐标是不同样，存在误差。

基准站运用数据链将此改正数发送出去，由顾客站接受，并且对其解算顾客站坐标进行改正。

最后得到改正后顾客坐标已消去了基准站和顾客站共同误差，例如卫星轨道误差、SA影响、大气影响等，提高了定位精度。

以上先决条件是基准站和顾客站观测同一组卫星状况。

位置差分法合用于顾客与基准站间距离在100km以内状况。

其原理如图1所示。

高精度汽车车身定位是无人驾驶汽车行驶先决条件，以既有技术，运用差分GPS技术可以完毕无人驾驶汽车精准定位，基本满足需求。

图2差分GPS技术原理图

四、动态传感避障系统

无人驾驶汽车作为一种陆地轮式机器人，既与普通机器人有着很大相似性，又存在着很大不同。

一方面它作为汽车需保证乘员乘坐舒服性和安全性，这就规定对其行驶方向和速度控制更加严格；此外，它体积较大，特别是在复杂拥挤交通环境下，要想可以顺利行驶，对周边障碍物动态信息获取就有着很高规定。

国内外诸多无人驾驶汽车研究团队都是通过度析激光传感器数据进行动态障碍物检测。

斯坦福大学自主车“Junior”运用激光传感器对跟踪目的运动几何特性建模，然后用贝叶斯滤波器分别更新每个目的状态；卡耐基·梅隆大学“BOSS”从激光传感器数据中提取障碍物特性，通过关联不同步刻激光传感器数据对动态障碍物进行检测跟踪。

在实际应用中，3维激光传感器由于数据解决工作量较大，存在一种比较小延时，这在一定限度上减少了无人驾驶汽车对动态障碍物反映能力，特别是无人驾驶汽车前方区域运动障碍物，对其安全行驶构成了很大威胁；而普通四线激光传感器虽然数据解决速度较快，但是探测范畴较小，普通在100°～120°之间；此外，单个传感器在室外复杂环境中也存在着检测精确率不高现象。

针对这些问题，本文提出一种运用多激光传感器进行动态障碍物检测办法，采用3维激光传感器对无人驾驶汽车周边障碍物进行检测跟踪，运用卡尔曼滤波器对障碍物运动状态进行跟踪与预测，对于无人驾驶汽车前方精确性规定较高扇形区域，采用置信距离理论融合四线激光传感器数据来拟定障碍物运动信息，提高了障碍物运动状态检测精确率，最后在栅格图上不但对无人驾驶汽车周边动、静态障碍物进行区别标示，并且还依照融合成果对动态障碍物位置进行了延时修正，来消除传感器解决数据延时所带来位置偏差。

其流程图如图2所示，最后这些信息都显示在人机交互界面上。

图3动态避障系统流程构造

一方面对Veloadyne数据进行栅格化解决得到一张障碍物占用栅格图，对不同步刻栅格图进行聚类跟踪可以获取障碍物动态信息，将动态障碍物从栅格图中删除并存储在动态障碍物列表中，这个删除了动态障碍物占用信息栅格图也就是一张静态障碍物栅格图，然后将动态障碍物列表中动态障碍物信息和Ibeo获取无人驾驶汽车前方区域内动态障碍物信息进行同步融合得到一种新动态障碍物列表，最后将这个新列表中动态障碍物合并到静态障碍物栅格图中得到一张动静态障碍物区别标示栅格图。

障碍物检测模块是通过度析解决各种激光雷达返回数据，将这些激光雷达数据进行栅格化解决，投影到512*512栅格地图中，从而实现对环境中障碍物检测。

最后，多传感器信息融合与环境建模模块则是将不同传感器获取环境信息进行融合、建立道路模型并最后用栅格地图进行表达，这些环境信息涉及：

标记信息、路面信息、障碍物信息以及定位信息等。

最后，对获得环境信息信号进行解决，得到一张动态标志了障碍物栅格图，从而达到避障效果，采用融合Velodyne和Ibeo信息得到运动目的状态方式相比于只用Velodyne解决成果方式，检测成果精确率和稳定性都得到了较大提高。

五、机械视觉机构

机械视觉也可以称作为环境感知，是无人驾驶汽车最重要也是最复杂一某些。

无人驾驶车辆环境感知层任务是针对不同交通环境，对传感器进行合理配备、融合不同传感器获取环境信息、对复杂道路环境建立模型。

无人驾驶系统环境感知层分为交通标志辨认、车道线检测与辨认、车辆检测、道路路沿检测、障碍物检测以及多传感器信息融合与环境建模等模块。

传感器探测环境信息，只是将探测物理量进行了有序排列与存储。

此时计算机并不懂得这些数据映射到真实环境中是什么物理含义。

因而需要通过恰当算法从探测得到数据中挖掘出咱们关注数据并赋予物理含义，从而达到感知环境目。

例如咱们在驾驶车辆时眼睛看前方，可以从环境中辨别出咱们当前行驶车道线。

若要让机器获取车道线信息，需要摄像头获取环境影像，影像自身并不具备映射到真实环境中物理含义，此时需要通过算法从该影像中找到能映射到真实车道线影像某些，赋予其车道线含义。

自动驾驶车辆感知环境传感器繁多，惯用有：

摄像头、激光扫描仪、毫米波雷达以及超声波雷达等。

针对不同传感器，采用感知算法会有所区别，跟传感器感知环境机理是关于系。

每一种传感器感知环境能力和受环境影响也各不相似。

例如摄像头在物体辨认方面有优势，但是距离信息比较欠缺，基于它辨认算法受天气、光线影响也非常明显。

激光扫描仪及毫米波雷达，能精准测得物体距离，但是在辨认物体方面远弱于摄像头。

同一种传感器因其规格参数不同样，也会呈现不同特性。

为了发挥各自传感器优势，弥补它们局限性，传感器信息融合是将来趋势。

事实上，已有零部件供应商做过此事，例如德尔福开发摄像头与毫米波雷达组合感知模块已应用到量产车上。

因而本系统设计将各种感知模块结合去辨认各种环境实物。

5.1交通辨认模块

交通标记辨认模块又分为交通标志牌辨认和交通信号灯辨认。

其中，交通标志牌辨认重要由如下几某些构成：

（1）图像/视频输入；

（二）交通标记检测；（三）交通标记辨认；（四）辨认成果输出；（五）实验数据库和训练样本数据库。

交通信号灯辨认重要由如下几某些构成：

（1）图像/视频输入；

（2）交通信号灯检测；（3）交通信号灯状态辨认；（4）辨认成果输出。

交通标记辨认模块系统框图如图3和图4所示。

图4交通标志牌辨认系统框图

图5交通信号灯辨认系统框

5.2车道线检测与辨认模块

车道线检测模块是通过对传感器图像进行车道线检测和提取来获取道路上车道线位置和方向，通过辨认车道线，提供车辆在当前车道中位置，可以协助无人车遵守交通规则，为无人驾驶车辆自主行驶提供导向，提高无人车行车稳定性。

智能车道线检测和辨认模块解决流程重要是：

对采集图像进行预解决，重要是图像平滑；

对图像进行二值化，为了适应光照分布不均勾，采用了自适应阈值二值化办法；

对二值化图像进行分析，得出该路段属于哪种路况；

对不同路况运用不同算法进行检测和辨认在图像预解决阶段，运用高斯平滑模板对图像进行平滑，去除图像噪声干扰。

在图像二值化上，运用S*S大小均值模板对图像进行卷积，将图像中车道线区域信息提取出来，然后通过逆透视投影变换，通过路况判断，辨认出车道线，通过透视投影原理，将车道线映射到原始图像上。

5.3车辆检测模块

车辆检测模块则是通过对相机图像进行解决将环境中车辆检测出来，为了保证图像中任意尺寸车辆都能检测到，本设计采用滑动窗口目的检测：

在输入图像多尺度空间中，对图像进行放缩，然后在每一种尺度上，通过平行移动滑动搜索窗口，可以获得不同尺度和不同坐标位置子图。

另一方面对所获得子框图类别进行鉴别，整合各个子框图类别信息，输出检测得到成果。

其检测采用是基于区域Haar特性描述算子和Adaboost级联分类器。

5.4决策规划层

无人驾驶车辆决策规划层任务是依照路网文献（RNDF）、任务文献（MDF）以及定位信息生成一条全局最优途径，并在交通规则约束下，依托环境感知信息实时推理出对的合理驾驶行为，最后身成安全可行驶途径发送给控制执行系统。

决策规划层分为全局规划、行为决策和运动规划三个模块。

全局规划模块一方面读取网文献和任务文献，遍历路网文献中所有路点，生成所有路点之间连通性，然后依照任务文献来设定起点、任务点和终点，计算出最优途径，最后将这条最优途径路点序列发送给行为决策模块。

行为决策模块针对车辆所处不同交通场景、任务规定以及环境特性，将无人驾驶车辆行为分为各种状态，并延展为不同亚态和子态。

运动规划模块任务则是依照行为决策模块发送局部目的点以及环境感知信息，实时规划出安全可行驶途径，并将途径轨迹点序列发送给控制执行。

六、无人驾驶汽车实现技术展望

当前无人驾驶技术实现重要是基于激光传感技术或者是超声雷达技术等，通过十余年研究摸索，许多机构和公司都已经推出了自己无人驾驶汽车，但基本都存在局限性，并不能实现真正意义“无人驾驶”。

解决无人驾驶汽车核心技术重要在于两个方面，一方面是算法设计，另一方面便是传感器设计。

传感器精度和响应速度直接关系到无人驾驶汽车安全性问题，而安全性正是无人驾驶技术最基本也是最核心某些。

将来无人驾驶技术发展方向也应当是改进算法和选取更适当精度更高传感器。

本文从原理上设计了一种无人驾驶汽车传感器系统，简要简介了各个构成某些功能和算法构造。

文中所坦述内容基本可以应对大多数道路状况，在低速条件下实现无人驾驶，但实际生活中，汽车驾驶环境十分复杂，想要通过仪器设备分析到判断交通手势或者其她司机行人手势等不固定交通信号，还是存在很大困难。

此外无人驾驶汽车在应对紧急状况时体现也存在很大争议，当涉及伦理和道德时候状况会变更加复杂。

总之，无人驾驶汽车发展是一种大趋势，好处巨大，可以大幅节约人力物力，提高效率，减少交通事故和拥堵。

要实现无人驾驶汽车技术成熟化还需要无数科研工作者付出巨大努力。

参照文献

[1]FergusonD，DarmsM，UrmsonC，etal.Detection，prediction，andavoidanceofdynamicobstaclesinurbanenvironments[C]//IEEEIntelligentVehiclesSymposium.Piscataway，USA：

IEEE，：

1149-1154.

[2]UrmsonC，AnhaltJ，BagnellD，etal.Autonomousdrivinginurbanenvironments：

Bossandtheurbanchallenge[J].JournalofFieldRobotics，，25（8）：

425-466.

[3]MertzC，Navarro-SermentLE，MacLachlanR，etal.Movingobjectdetectionwithlaserscanners[J].JournalofFieldRobotics，，30

（1）：

17-43.

[4]程健，项志宇，于海滨等.都市复杂环境下基于三维激光雷达实时车辆检测[J].浙江大学学报（工学版），48（12）：

2102-2106

[5]吴维一.激光雷达及多传感器融合技术应用研究[D].长沙：

国防科学技术大学.

[6]IBEOAutomobileSensorGmbH，ALASCAUserManual，Version1.2.4，Mar.

[7]辛煜，梁华为，梅涛等.基于激光传感器无人驾驶汽车动态障碍物检测及表达办法[J].机器人,36（6）654-661

[8]赵盼.都市环境下无人驾驶车辆运动控制办法研究[D].中华人民共和国科学技术大学，.

[9]YangJ，KongB.SparselyConnectedAssociativeMemorywithAdaptiveTopologythroughAnnealedDilution[C]//FifthInternationalSymposiumonComputationalIntelligenceandDesign（ISCID）.IEEE，,1：

168-172,

[10]HuangJ，LiangH，WangZ，etal.Robustlanemarkingdetectionunderdifferentroadconditions[C]//IEEEInternationalConferenceonRoboticsandBiomimetics（ROBIO）IEEE，1753-1758.

[11]刘梓，唐振民，任明武.基于激光雷达实时道路边界检测算法[J].华中科技大学学报.（自然科学版）,2