智能驾驶系统

智能驾驶系统（无人驾驶）系统一、系统目标：（1）机器视觉系统能够自动适应环境光线变化，特别要能够适应汽车经过桥洞时的光线变化；（2）机器视觉系统能够实时识别车道，识别频率不低于25Hz；（3）机器视觉系统能够实时识别前方车辆型障碍，识别频率不低于20Hz，相对距离误差小于2m；（4）在高速公路上，能实现无人驾驶自动巡航功能，车速不低于120km/h；（5）能够实现危险报警和自动紧急制动。

二、需求分析：回顾汽车发展的百年历史，不难发现其控制方式从未发生过根本性改变，即由人观察道路并驾驶车辆，形成“路一人一车”的闭环交通系统。

随着交通需求的增加，这种传统车辆控制方式的局限性日益明显，例如安全性低(交通事故)和效率低(交通堵塞)。

最新调查表明，95％的交通事故是由人为因素造成，交通堵塞也大都与驾驶员不严格遵守交通规则有关。

如果要从根本上解决这一问题，就需要将“人”从交通控制系统中请出来，形成“车一路”闭环交通系统，从而提高安全性和系统效率。

这种新型车辆控制方法的核心，就是实现车辆的无人自动驾驶。

不同于人工驾驶的一般道路车辆的结构，无人驾驶车辆为了适应无人驾驶的需要，尤其独特的机械结构。

智能驾驶技术为车辆驾驶提供了巨大方便，井大走减轻了驾驶压力，特另是安全系数大大提高，有效地减少了交通事故的发生。

专家霞吾，汽车驾驶韵智能化碍是2l世纪汽车发展的一个重要方向。

随着传感器技术、信息处理技术、测量技术与计算机技术的发展，智能驾驶系统也得到了飞速的发展。

消费者越来越注重驾驶的安全性与舒适性，这就要求传感器能识别在同车道上前后方行驶的汽车，并能在有障碍时提醒驾驶员或者自动改变汽车运行状态，以避免事故的发生。

国际上各大汽车公司也都致力于这方面的研究，并开发了一系列安全驾驶系统，如碰撞报警系统(cw )、偏向报警系统(LDW)和智能巡游系统(ICC)等。

国内在这些方面也一定的研究，但与国外相比仍存在较大的差距j。

现代的交通系统和未来将要出现的自动车辆系统(AVS)均要求建立智能交通系统(ITS)，以便于对车辆进行交通监视和跟踪以及多传感息融合。

未来AVS异类传感器包括视频传感器、激光扫描仪和雷达传感器等，融合的目的在于把目标输入到路径规划系统中去。

简单地说，所谓智能汽车就是在网络环境下用信息技术和智能控制技术武装的汽车，利用最新科技成果，使汽车具有自动识别行驶道路、自动驾驶、自动调速等先进功能]。

智能驾驶是基于信息融合技术、微电子技术、计算机技术、智能自动化技术、人工智能技术、网络技术、通信技术等的新技术”三、系统原理：传感器信息融合实际上是人对人脑综合处理复杂问题的一种功能模拟。

是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究，它利用多个传感器获得的多种信息，得出对环境或对象特征的全面、正确认识，克服了单一传感器给系统带来的误报风险大、可靠性和容错性低的缺点。

如图1所示为多传感器数据融合示意图，传感器之间的冗余数据增强了系统的可靠性，传感器之间的互补数据扩展了单一传感器的性能。

在多传感器系统中，各种传感器提供的信息可能具有不同的特征：时变的或者非时变的，实时的或者非实时的，模糊的或者确定的，精确的或者不完整的，相互支持的或者互补的。

多传感器信息融合就像人脑综合处理信息的过程一样，它充分利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释或描述。

信息融合的目标是基于各种传感器分离观测信息，通过对信息的优化组合导出更多的有效信息，这是最佳协同作用的结果，它的最终目的是利用多个传感器共同或联合操作的优势来提高整个系统的有效性。

具体地说，多传感器信息融合技术是指通过一定的算法“合并”来自多个信息源的信息，以产生更可靠、更准确的信息，并根据这些信息做出最可靠的决策，即根据观测信息给出一个关于状态的最优估计量。

其关键技术是对各类原始信息进行校准、相关、估计及误差模式识别和状态决策等处理。

多传感器系统是信息融合技术的硬件基础，多源信息是信息融合的加工对象，具有最优估计的融合算法是信息融合的核心。

系统功能原理图：（多传感器信息融合的原理图）四、设备的功能：机器视觉系统是智能车辆中最重要的系统。

可以实现道路识别与跟踪、前方车道内障碍的识别和跟踪。

在多传感器信息融合过程中，信息处理过程的基本功能包括相关、估计和识别。

现有的信息融合方法可分为以下三大类：第一类，嵌入约束观点。

这一观点认为多源数据信息是客观环境在某种映射下的像，信息融合过程就是通过像求解原像。

第二类，证据组合观点。

此观点认为完成某项智能任务就是依据有关环境的某方面的信息作出几种可能的决策，而多源数据信息在一定程度上反应环境的这方面情况。

因此，分析每一数据作为支持某种决策的证据的支持程度，并将支持不同信息源数据的支持程度进行组合，即证据组合，分析得出现有组合数据支持程度最大的决策作为信息融合的结果。

利用证据组合观点建立信息融合数学模型关键在于两点：第一，选择合适的数学方法描述证据、决策和支持程度等概念；第二，建立快速、可靠并且便于实现的通用证据组合算法结构。

以两方面在建模时是相互联系不可分割的，必须总体地加以考虑。

第三类，人工神经网络观点。

人工神经网络方法通过模仿人的大脑的结构和工作原理，设计和建立相对应的机器和模型，并完成一定的智能任务。

人工神经网络作为一门新兴的交叉学科，在信息处理、人工智能等许多领域都引起了人们的广泛注意，也取得了许多好的成果。

五、“采集”——“处理”——“传输”——“网络”——“控制”（一）图像采集机器视觉系统对图像的要求较高，光线过强或过暗都会严重影响道路识别的效果。

目前的摄像机动态范围较小，使得道路识别系统只有在良好的光照条件下才能得到较好的效果，在正午或傍晚时，往往不能识别道路。

系统采用的是德国Basler公司的CMOS摄像机，这种摄像机的特点是图像采集速度从5～100f/s连续可变，通过软件可对相机快门、亮度、增益及色彩进行调节，这种调节可以实时进行，这就使机器视觉系统在光线急剧变化的环境中能够通过改变成像的相关参数来获得良好的图像。

系统对成像参数的调节原理是：每采集一幅图像，对图像中9个部分的5000个像素进行分析，求出其平均值和一阶差分和。

平均值代表图像的亮度，一阶差分和代表图像的清晰度。

这实际上是一个二元优化的过程。

如果这2个参数不能满足要求，则调节摄像机的快门、亮度和增益值。

具体做法是，首先调节摄像机快门，当一阶差分值满足要求时，再对亮度进行调节，当平均值满足要求时，就完成了图像的实时调节。

如果调节效果不能达到目标，还要对增益进行调节，一般来说，采用这3个参数进行调节就可以达到较好的效果。

在实际应用中，最大的问题会出现在车辆高速驶进和驶出桥洞的过程中，对图像灰度值变化情况的预测分析可以使摄像机参数的配置更好地适应光线变化，从而可以提供一个清晰的道路图像。

目前系统的光照适应的调节速度在0.1～0.3s之间，还需要进一步提高，理想情况应该小于0.05s。

（二）道路识别车道识别算法通常包括以下几个步骤：首先进行图像预处理，然后二值化，最后进行识别。

其中关键技术是车道线阈值的确定和约束条件的综合应用。

车道线阈值计算通常采用固定阈值、整体自适应阈值和局部可变阈值。

固定阈值根据统计方法得到一个车道线灰度值，这种方法只适用于光照均匀且强度不变的天气情况；整体自适应阈值方法可以适应不同光照变化情况，但它要求图像的灰度值整体变化，当图像出现局部灰度值变化时，这种阈值二值化的效果并不理想。

局部自适应阈值算法一般采用图像中每行一个阈值，这样，对于不同图像中垂直亮度变化明显的情况会得到较好的结果，但对于图像中水平方向上阈值变化明显的情况则无能为力。

对于渐变光线，图像的灰度有规则地由高变低或由低变高，可采用sobel算子有效消除这种影响。

但这种方式仍然需要一个差分后的阈值，且在阳光较强的情况下，容易受到电线杆之类的较长的阴影的干扰。

阈值确定后即可得到二值图像。

由于二值化图像中还存在着较多的干扰点，需要采用适当的算法来去掉干扰点。

在ARGO、THMR系统中，算法从二值化图像的底部开始逐行地进行水平扫描，并将非零点连成链。

当发现一个非零点时，如果该点与最近的线段极值点的距离小于一个给定的阈值，就认为该点是属于这条线段，否则就以该点为起点开始一条新的线段。

由于道路标志线通常并不连续，因而需要采用一些特定的道路模型（如直线、曲线等）进行延伸，这样就可以填充间隔使间断线连续。

这种算法适应性有限，需要比较严格的车道标志线，鲁棒性不高。

随着计算机速度的提高，现在对车道识别越来越多采用重映射算法。

其特点在于利用图像和路面映射算法得到道路图像的俯视图，然后在俯视图像中利用上述步骤对车道进行识别。

这种算法可以更好地利用车道的约束条件，因而在计算机速度足够快的情况下，会具有较好的效果。

系统从直接道路模型出发，计算所有可能的直线或曲线上所拥有的车道备选点，然后利用表决法来决定车道。

这种方法需要计算图像可能的区域内的所有可能直线，具有很大的计算量，因而需要利用一些特定的条件进行限制，从而可以加快处理速度。

由于高速公路的道路曲率一般很小，因而采用直线道路模型一般可以满足要求。

车道识别的最后一个步骤是对所识别出的车道线进行确认，以消除一些干扰对识别的影响。

系统采用的方法是：车道线的平行性、车道间的距离一致性。

通过对直线（仅对可能的车道线）进行重映射处理，以检验车道的平行性和间距一致性。

由于只需对可能的车道点进行重映射处理，因而极大地减少了计算量。

（三）障碍识别在满足一定条件下，单目视觉也可以实现障碍检测。

由于系统用于高速公路，可认为下述假设有效：一是前方道路平坦；二是具有车道线，且车道线的曲率半径大于100m。

在上述假定情况下，可以计算出图像中的车道线区域内是否存在其它车辆。

计算过程是：首先从图像的底部开始到图像消失点前10个像素止，以左右车道线内侧为界，对可行驶区域进行垂直投影和水平投影。

在此之前，已经完成对障碍的阈值计算、边沿增强和二值化处理，投影的结果可以较好地反映障碍的信息。

水平投影反映障碍车辆相对于车辆前方的距离信息，垂直投影可以用来确定障碍车辆宽度，利用垂直投影反映出来的对称度，可以较好地确认障碍识别的有效性并定位障碍在路面上的中心点位置。

(4)控制算法系统研究的控制算法包括转向、油门和制动的控制。

系统采用控制算法，即拟人控制算法（human simulation steering control，HS）。

拟人自主驾驶控制模型对车辆控制时，能较为全面地模拟驾驶员的操作策略。

其控制思想的核心采用Sigmoid函数来模拟人的驾驶行为(5)、执行机构执行机构包括转向控制、电子节气门和辅助制动系统等。