文摘

道路障碍的检测和跟踪算法,包括隧道和护栏提出加强驾驶员辅助系统的性能和可靠性。虽然道路障碍的一个重要的特征,来确定一个安全的可行驶的区域,它可能被错误地归因于商业传感器性能下降等雷达和单眼相机。两间频繁的情况下,许多具有挑战性的问题被认为是商业传感器。第一种情况是,一些跟踪雷达检测到道路障碍由于材料类型的道路障碍。第二个是由雷达相对横向位置误差,从而导致大的方差距离车辆和道路障碍。要克服这些问题,跟踪相应的检测和估计算法提出了道路障碍。然后,基于概率数据关联滤波跟踪算法(针对PDAF)是用来减少变异车辆和道路之间的横向距离的障碍。最后,提出的算法通过现场试验验证数据和他们的性能是衡量激光雷达与道路障碍。

1。介绍

驾驶员辅助系统(DAS),如自适应巡航控制系统(ACC),向前碰撞预警和车道偏离警告系统已经商业化的市场上(1]。他们已经进化到更聪明DAS如自动紧急制动(AEB)车道改变援助(LCA),和车道保持辅助(党的)系统2]。作为一个高度自动化的原型车对媒体介绍了最近,性能的可靠性变得越来越重要。,一次错误的决定是由电脑或车辆,它使驱动系统的可靠性较低,可能导致系统没有使用。决策的可靠性主要依赖准确的检测和识别多个障碍和车辆。例如,本田汽车公司被迫召回某些模型2014年- 2015年与AEB讴歌汽车在美国。原因是碰撞缓解制动系统(CMBS)可能不当解释某些路边基础设施如铁篱笆或金属护栏障碍和意外踩下刹车3]。此外,美国国家公路交通安全管理局调查投诉指控意想不到的制动事件吉普大切诺基自动制动系统的车辆在路上没有可见的对象(3]。

道路检测和跟踪算法的障碍,这可能被称为文学道路边界或边界,取决于传感器配置和道路障碍模型。大多数的传感器配置单个或组合的雷达(1,2,4,5),相机(6),激光雷达(或激光扫描仪)(7,8)识别可行驶的区域通过反射从护栏和抑制。接下来,扩展对象(如道路和公路屏障被描述为回旋曲线,圆,椭圆模型和基于卡尔曼滤波跟踪算法,概率数据关联滤波(针对PDAF)和交互多模型(IMM)针对PDAF [1,2,4,9]。在这项研究中,假设一个前雷达和单眼相机只是用于探测和跟踪道路障碍。尽管额外的传感器可以实现更好的性能或激光雷达可以用作在文献中,传感器配置有限商业化的角度在不久的将来。例如,传感器,成本鲁棒性天气,安装在保险杠和在汽车市场被认为是选择传感器配置。

本文的贡献是提高可靠性的道路边界检测时只有几首歌曲,由雷达对道路边界和横向位置精度提高道路边界。因为商业雷达的性能依赖于材料和几何形状的隧道和护栏,不同数量的跟踪是根据驾驶环境。因此,探测距离的估计为静止轨道道路障碍提出了更好的性能检测。此外,道路障碍的跟踪算法基于概率数据关联滤波(针对PDAF)提出了减少侧向偏移量的变化,这是一个自我的车辆和道路之间的横向距离障碍。

2。问题陈述

当商业雷达驾驶员辅助系统,如使用ACC和AEB,本文将两个具有挑战性的问题。一个正常的检测场景如图1(一)和相应的轨迹如图1 (b)。两个跟踪前面车辆被标记为一个正方形和其他标记为×对应左边护栏图1(一)。然而,如图1 (c)和1 (d),很少有跟踪雷达产生的道路障碍。其检测性能可能依赖于材料类型和/或形状的道路障碍。这个问题可能导致难以确定是否有在左或右边路的障碍。

接下来,雷达跟踪道路障碍与云点用红色颜色前面激光雷达传感器的测量数据2 (b)和2 (d)。如数据所示2(一个)和2 (c),横向位置通过雷达测量误差对激光雷达测量可以在相同的驾驶大的场景。这预计将有大量的方差侧卧位道路障碍当只使用雷达识别。

3所示。道路障碍检测

提出道路障碍检测基于雷达和单眼相机的传感器融合主要包括四个步骤:选择感兴趣的区域(ROI),估计,聚类,表示。首先,ROI的选择大致描述图3。即基于假设道路障碍是放在左边或右边,区②对身体固定坐标定义。如果在图的必经之路3被建模为(4] 在哪里和分别为纵向和横向位置,在身体固定坐标图4,曲率,是飞机的纵轴之间的夹角和道路车道单眼相机如图4。然后,区②写成 在哪里是一个横向偏移量,确定区域②的宽度;也就是说,和。

接下来,基于雷达的探测范围,区域③图3为评估定义的固定轨道。之前的估计,一个运动属性来确定轨道区域②中静止或动态决定的 在哪里车辆速度,偏航率,率范围,下标吗代表了雷达跟踪。这是说,有雷达的探测范围的不确定性。所以,必须分区域来跟踪或估计。一次静止轨道区域②进入区域③,据估计基于离散卡尔曼滤波器如下(10]: 在哪里和和分别表示相对纵向和横向位置和是相对纵向和横向速度。

测量更新方程正解 在哪里。

因为一个恒定的速度(CV)被认为是,系统矩阵和测量矩阵被编写为(10,11] 在哪里是采样时间。

在第三步聚类,以集团在静止轨道跟踪相应的道路障碍包括跟踪、估计投影点计算如下(见圈图4): 其中下标代表了跟踪雷达。之后,向左或向右的投影点进行分类,如果投影点定位在区②。如果之间的距离th和投影点不到,th增加和th被定义为一个断点。如果之间的距离th和投影点大于,生成断点th如下:

最后,如果有两个投影点在两个断点或,所有th跟踪满足以下不平等视为道路障碍(2]: 考虑到坐标与错误坐标,回旋曲线模型,该模型可以用一个二阶多项式近似计算 在哪里。指出,回旋曲线的计算模型对应于创建道路障碍。

程序来检测道路障碍如图5。首先,6中跟踪7的来自雷达被归类为静止的对象。然后,他们预计沿着路设在模型和相应的投影点圈,如图所示5(一个)。接下来,基于两个投影点之间的距离(7),两个断点决心如图5 (b)和六个追踪因此被归类为基于道路障碍(9)。然后回旋曲线模型(10)和实线在图5 (c)。几秒钟后,最接近静止轨道区②进入区域③(也见图3),它成为探测距离和基于离散卡尔曼滤波器的估计(参见钻石标记图5 (d))。

4所示。跟踪道路障碍

跟踪道路障碍是由创建、维护和删除。创建步骤使用道路障碍检测的结果(10)。针对PDAF跟踪维护步骤的基础上横向偏移的道路障碍。所以,它是写成 在哪里通过针对PDAF跟踪值并将派生。

而巷单眼相机传感器检测到的信息是有用的模式道路,其性能取决于光和路况。例如,如果巷马克磨损或覆盖的土壤或雪,这可能导致错误的检测车道标志。因此,考虑到车道标志的条件,是否使用单眼相机的测量或估计价值决定如下(12]: 在哪里左或右车道的信心,偏航率,车辆速度。

针对PDAF基于离散卡尔曼滤波器和一个状态变量被定义为 在哪里和分别相对横向位置和速度。时间更新的状态变量和误差协方差矩阵, 系统和测量指标如下: 如果投影点的数量在两个断点测量的定义是 在哪里意味着投影点的数量。

门地区必须是决定测量(即。,clustered projection points) are associated with which existing projection points. The corresponding residual and residual covariance matrix计算为 检查所有测量规范化残留是否满足以下的阈值条件。 之后,有效的控制地区的测量,结合单残留。似然值的权重是根据相应的测量。最后,测量更新状态变量的估计计算跟踪使用结合残留[13]: 在哪里,,

5。实验验证

列在表1雷达和单眼相机,它可以安装在测试车辆和激光雷达除了用于性能比较。尽管大量的驾驶数据用于验证、原始性能进行评价与驾驶数据13分钟,包括驾驶场景数据1和2。大多数数据测试过在高速公路开车。也指出,驾驶数据对应的关卡,出口区域,区域没有任何隧道或护栏不考虑绩效评估。

基于雷达的检测特点,五个环境场景的高速公路。第一和第二场景如图1和被称为混凝土+钢筋和混凝土护栏,分别。有趣的是评论不同的检测特征的混凝土护栏数据所示1 (c)和2。此外,钢护栏,抑制,包括隧道验证,如图6。人们认为大多数道路障碍在高速公路在韩国可以由5个环境场景进行描述。

第一种情况如图1 (c)和1 (d)是重新审视。也就是说,一些道路障碍是由雷达跟踪。如图7只有两个对留下的轨迹,生成护栏= 123.7 (sec)。0.8秒后,最近的静止轨道保持的雷达的探测距离,如图7 (d)。实线表示轨迹的跟踪= 123.7到124.5 (sec)。自跟踪对应道路障碍位于区域③图3,它变成了一条道路障碍候选人(参见钻石马克图中)。然后还有两个断点道路的障碍,发现道路障碍如图表示7 (d)。

两个驾驶场景中横向位置的跟踪雷达可能不准确的被认为是当一个自我车辆驱动沿隧道或护栏如图8(一个)和8 (c)。提出的跟踪算法的道路障碍与激光雷达相比,基于卡尔曼滤波的方法(4]。这是如图8 (b)和8 (d)提出的性能检测和跟踪的道路障碍是接近激光雷达。此外,它显示在图9比较四种不同的方法对横向偏移量。然后,计算它们的相对定量性能对激光雷达的均方根误差(RMSE)的横向偏移量和识别精度。他们总结了关于环境场景表2。

两个性能措施用于验证取决于环境场景。第一个是感知道路障碍(RB)和定义为检测段RB比手动通过该算法来检测图像。来描述跟踪性能,RMSE传感器融合雷达和视觉之间的横向偏移和激光雷达和视觉用于第二个性能测量。最后,总结了性能比较表2。验证,该算法提高了感知道路障碍多当几首歌曲,往往是由雷达在混凝土护栏的情况下,隧道、公路和抑制。此外,结果表明,该算法的跟踪性能是比其他人更健壮的场景在不同的环境。

检测和跟踪算法提出了解决两个问题:一是当几首歌曲,道路障碍是由雷达横向位置误差时,另一个是在短时间内变得更糟的是,它经常发生。估计和聚类方法相结合来处理第一个问题和横向偏移的跟踪算法基于针对PDAF道路障碍提出解决第二个问题。它的性能评估与比较的激光雷达和其他方法在文献中。尽管它是通过现场测试数据表明,该算法很好的识别道路障碍没有激光雷达,是非常必要和大规模现场试验数据验证它在不久的将来,为了考虑各种驾驶场景。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持的现代汽车公司在批准号13 rphmcel017和部分技术的形成基础设施项目(N019400027)资助的贸易、工业和能源大韩民国(MOTIE、韩国)。