汪明磊， 陳無畏， 王家恩

（合肥工業(yè)大學(xué) 機(jī)械與汽車工程學(xué)院，安徽 合肥 230009）

智能車輛是智能交通系統(tǒng)的重要組成部分，它利用車載傳感器實時獲取車輛及其環(huán)境信息，通過一定的控制算法輔助駕駛員控制或者完全自主控制車輛，以減少交通事故，提高交通系統(tǒng)效率［1］。近年來，世界各國都在利用各種先進(jìn)技術(shù)對這一問題進(jìn)行研究，但從經(jīng)濟(jì)性和可靠性的角度來看，實現(xiàn)完全意義上的無人駕駛目前還有一定差距。因此，車輛輔助安全技術(shù)成為國內(nèi)外學(xué)者研究的熱點，車道保持系統(tǒng)［2－6］作為其核心技術(shù)之一，吸引了廣大研究人員的視線。文獻(xiàn)［2－3］通過視覺傳感系統(tǒng)獲取道路信息，實時提取車道線，進(jìn)而得出車輛與道路之間的偏差，為汽車實現(xiàn)車道保持提供了必要的前提條件。文獻(xiàn)［4－5］通過設(shè)計控制器，對智能車輛車道保持系統(tǒng)進(jìn)行了橫向控制研究。

綜觀智能車輛車道保持系統(tǒng)方面現(xiàn)有研究成果，可以發(fā)現(xiàn)，一般都是研究如何通過傳感器檢測車路相對位置信息，再根據(jù)一定的控制算法計算轉(zhuǎn)向盤轉(zhuǎn)角的大小和方向，控制車輛跟隨目標(biāo)道路中心線行駛，而對車輛在運行中遇到障礙物時，即所要跟隨的目標(biāo)路徑發(fā)生變化的情況研究較少。道路環(huán)境感知作為智能車輛進(jìn)行局部避障路徑規(guī)劃的基礎(chǔ)，主要是識別檢測道路邊界及路面中的障礙物。由于雙目視覺［7］環(huán)境感知存在對應(yīng)點匹配困難和計算成本較高等缺點，本文采用單目視覺傳感器檢測道路邊界，單目視覺傳感器與激光測距雷達(dá)相結(jié)合的方式檢測障礙物。向量場直方圖（VFH）法［8］是常用的局部路徑規(guī)劃方法，但它主要是針對室內(nèi)環(huán)境，對于室外環(huán)境并不完全適用。為此，本文針對室外交通環(huán)境，將虛擬障礙物和車載傳感器探測到的真實障礙物相結(jié)合，利用自適應(yīng)閾值的向量場直方圖算法對智能車輛車道保持系統(tǒng)中避障路徑進(jìn)行局部路徑規(guī)劃。最后，通過仿真實驗對本文方法的有效性和可靠性進(jìn)行驗證。

1 道路邊界檢測

利用安裝在車輛前部的CCD攝像機(jī)獲得當(dāng)前道路的信息，經(jīng)圖像處理算法提取道路邊界線，進(jìn)而獲得車輛行駛目標(biāo)路徑。再由車輛坐標(biāo)系和圖像坐標(biāo)系間坐標(biāo)變換計算出車輛相對目標(biāo)路徑的位置及方位角偏差。道路邊界的檢測算法包括道路圖像預(yù)處理和Hough變換檢測直線2部分。

（1）道路圖像預(yù)處理。對實時采集的車輛前方道路場景，采用水平灰度均值投影法確定路面與背景的水平分界線，并把分界線以下的圖像部分作為道路邊界檢測的感興趣區(qū)域。此區(qū)域中圖像的主要特征是兩側(cè)邊界，為顯著區(qū)分道路邊界和道路內(nèi)部區(qū)域，采用直方圖均衡化方法提高圖像對比度，使圖像中邊界區(qū)域特征得到增強(qiáng)。對邊界特征增強(qiáng)后的圖像，采用閾值分割保留圖像中的道路邊界，得到二值化圖像?？紤]到一般在光線較為均勻或在光線不發(fā)生強(qiáng)烈變化的條件下進(jìn)行試驗，故采用最大熵法求得圖像分割閾值。要獲取圖像中的道路邊界形狀，使用Sobel算子對經(jīng)閾值分割后的圖像進(jìn)行邊緣檢測，結(jié)果如圖1所示。

（2）道路邊界提取。經(jīng)過上述處理，得到較為理想的含有道路邊界的二值圖像，可使用Hough變換對圖像中直線邊界進(jìn)行檢測?？紤]到Hough變換的復(fù)雜性，本文采用目標(biāo)搜索區(qū)域法，以提高Hough變換速度。使用Hough變換尋找參數(shù)空間曲線累加的最大點，可以對應(yīng)圖像空間中的一條邊界直線，但這僅有的一條直線無法用來確定道路區(qū)域。由于通常左邊界位于圖像的左半空間，右邊界位于圖像的右半空間，因此，可將圖像分成左右2個部分，分別對其進(jìn)行Hough變換。依據(jù)像素在圖像空間的位置計算參數(shù)空間累加值，2個參數(shù)空間的最大點分別對應(yīng)圖像中道路左右邊界。根據(jù)上述改進(jìn)的Hough變換檢測出道路邊界，結(jié)果如圖2所示。

圖1 邊緣檢測效果

圖2 道路邊界檢測結(jié)果

2 道路中障礙物的檢測

道路中最常見的障礙物是車輛、行人等，其輪廓可簡化為矩形。因此，本文障礙物檢測算法主要用于檢測形狀規(guī)則的矩形障礙物，包括激光測距雷達(dá)的初步定位和視覺傳感器準(zhǔn)確檢測。

2.1 激光測距雷達(dá)初步定位

安裝在車輛前端的激光測距雷達(dá)，其測量范圍包含車輛前方180°、半徑約80m的扇形區(qū)域，能夠滿足車輛在道路上避障要求。當(dāng)激光雷達(dá)檢測到車輛前方道路中存在障礙物時，返回車輛與障礙物之間的相對距離及角度值，并啟動視覺系統(tǒng)圖像處理中的障礙物檢測程序；若激光雷達(dá)沒有檢測到障礙物信息，則不啟動視覺系統(tǒng)障礙物檢測程序，從而減少計算量。

激光測距雷達(dá)采集的一維距離圖像的特點如下：

（1）障礙物在距離圖像中表現(xiàn)為一線段，線段區(qū)域連續(xù)且均勻。

（2）障礙物區(qū)域內(nèi)像素點的縱坐標(biāo)（距離）呈局部極小。

（3）障礙物與背景的邊界非常明顯。

根據(jù)以上特點，首先對采集到的激光雷達(dá)距離數(shù)據(jù)進(jìn)行中值濾波，以消除在實際中由于車體震動及環(huán)境影響所產(chǎn)生的噪聲。然后，采用最小距離法進(jìn)行距離圖像分割，通過檢測距離圖像的邊緣拐點，得到障礙物左右2個拐點的坐標(biāo)值，從而將障礙物從背景中檢測出來，確定出障礙物左右邊界。

2.2 視覺傳感器準(zhǔn)確檢測

當(dāng)CCD攝像機(jī)與激光測距雷達(dá)的俯仰角、中心位置在縱向距離上均相同時，激光雷達(dá)距離圖像的像素點坐標(biāo)n與CCD視覺圖像水平方向像素坐標(biāo)N的關(guān)系，可由如下標(biāo)定過程得到：在車輛前方視野中將障礙物從一側(cè)向另一側(cè)慢慢移動，直到障礙物首次出現(xiàn)在視覺圖像中且激光雷達(dá)正好探測到障礙物，采集此時的激光雷達(dá)數(shù)據(jù)，并找出障礙物對應(yīng)激光雷達(dá)數(shù)據(jù)的第n1個點；再繼續(xù)移動障礙物，直到障礙物首次在視覺圖像中消失，采集此時的激光雷達(dá)數(shù)據(jù)，找出障礙物對應(yīng)的激光雷達(dá)數(shù)據(jù)的第n2個點。

可以認(rèn)為，CCD視覺圖像的N0列對應(yīng)激光雷達(dá)數(shù)據(jù)的｜n2－n1｜個點，從而得到每個激光點對應(yīng)圖像N0／｜n2－n1｜個像素點，則距離圖像像素點坐標(biāo)n與CCD視覺圖像水平方向像素點坐標(biāo)N的關(guān)系為：

因此，由（1）式可得到障礙物左右邊界在視覺圖像中行像素坐標(biāo)。

考慮到實際中，僅道路中間的障礙物對智能車輛行駛路徑有影響，因此結(jié)合道路邊界檢測感興趣區(qū)，取該區(qū)域中障礙物左右邊界之間的部分為障礙物檢測的感興趣區(qū)域。為保證算法的魯棒性，將上述障礙物檢測的感興趣區(qū)域略微擴(kuò)大，在擴(kuò)大后的區(qū)域內(nèi)進(jìn)行Hough變換直線檢測。由于本文所檢測的障礙物為形狀規(guī)則的矩形障礙物，因此在感興趣區(qū)域內(nèi)只取極角在88°～92°、0°～2°和178°～180°內(nèi)的直線。設(shè)極角在88°～92°內(nèi)檢測到的最長的2條直線段的極徑分別為ρv1、ρv2；極角在0～2°、178°～180°內(nèi)檢測到的最長的2條直線段的極徑分別為ρh1和ρh2，則障礙物在視覺圖像中的高度h和寬度w可由（2）式求出：

3 局部避障路徑規(guī)劃

由前述道路邊界檢測算法檢測到的車輛所在道路的邊界，結(jié)合道路寬、車道寬、可行駛車道數(shù)等信息可得到車輛行駛的理想路徑。車輛所在道路為雙向兩車道時，理想路徑則為右側(cè)車道的中心線。當(dāng)車輛前方?jīng)]有障礙物時應(yīng)使車輛盡可能沿理想路徑行駛；當(dāng)車輛前方存在障礙物時，則應(yīng)改變理想路徑方向，使其繞過障礙物，避免碰撞。具體路徑由局部路徑規(guī)劃器采用VFH方法［8］進(jìn)行實時規(guī)劃。

由于傳統(tǒng)VFH方法具有閾值敏感問題，本文通過構(gòu)造虛擬障礙物并采用自適應(yīng)的方法獲得路徑規(guī)劃的閾值。局部路徑規(guī)劃器根據(jù)所生成的虛擬障礙物，結(jié)合車載傳感器探測到的實際障礙物進(jìn)行局部路徑規(guī)劃。

3.1 虛擬障礙物的構(gòu)造

虛擬障礙物是依據(jù)理想路徑以及車輛所在道路自身的信息生成的，包括目標(biāo)車道兩側(cè)的虛擬障礙物olefti和orighti，以及可行駛道路兩側(cè)的虛擬障礙物oblefti和obrighti。

在進(jìn)行局部路徑規(guī)劃時，并不需要所有的虛擬障礙物都有效，而是要根據(jù)車輛所處的環(huán)境來決定。有效虛擬障礙物在局部路徑規(guī)劃時被視為真實的障礙物。當(dāng)車輛前方?jīng)]有檢測到障礙物時，取目標(biāo)車道兩側(cè)的虛擬障礙物olefti和orighti自車頭起距離車頭為L的虛擬障礙物有效，稱L為虛擬障礙物的有效距離。

為保證當(dāng)前車道可通行時不會因為虛擬障礙物有效距離太大而錯誤地把其當(dāng)成不可通行車道或使可行通道變窄，L不能取得太大；當(dāng)然L也不能太小，否則當(dāng)?shù)缆分熊囕v前方出現(xiàn)真實障礙物時會錯誤地規(guī)劃出多條可行路徑。

3.2 自適應(yīng)閾值避障路徑規(guī)劃

由車輛的最小制動距離D確定一個閾值區(qū)間［Tmin，Tmax］，在這個區(qū)間內(nèi)由大到小搜索閾值，直到取得的值使局部路徑規(guī)劃成功為止。其中，車輛最小制動距離D是指為避免車輛在沒有可行路徑的情況下不發(fā)生碰撞，由最高車速以最大的制動減速度制動到停止時駛過的距離。Tmin為最小閾值，定義為：

其中，λ為放大系數(shù)；a為最大制動減速度。

Tmax為最大閾值，令Tmax＝（N－1）ΔT。區(qū)間中其他閾值Ti＝（Tmin＋iΔT），i＝0，1，…，N－1，其中，N為正常數(shù)；ΔT為固定增量。

在路徑規(guī)劃中T由最大值Tmax逐漸減小，如果車輛前方?jīng)]有真實障礙物存在或者存在的障礙物足夠小，總能夠找到一個可通行的行駛方向，使規(guī)劃成功。在所有可通行方向中，選擇最大的閾值T所對應(yīng)的可通行方向作為智能車輛行駛的參考方向，它與智能車輛當(dāng)前行駛方向之間偏差記為θ，取角速度輸出為：

同時智能車輛在行駛過程中，在無障礙物存在時，應(yīng)保持較高的行駛速度以盡快到達(dá)目的地。但當(dāng)智能車輛距離障礙物較近，即所選閾值T較小時，應(yīng)減小行駛速度以免發(fā)生碰撞。另外，當(dāng)｜θ｜較大時，智能車輛也應(yīng)減速。采用以下規(guī)則確定速度輸出：

其中，vmax和vmin分別為預(yù)先設(shè)置的智能車輛最大運行速度和在避障過程中的最小運行速度；k2m為k2在｜θ｜＝π／2且T＝Tmin時的值；w1和w2為權(quán)重系數(shù)，w1＋w2＝1且w1＞w2。

如果當(dāng)T＝Tmin時依然不能規(guī)劃成功，則說明車道前方遇到的障礙物使車輛在本車道內(nèi)無法通行，這時需要采用改變有效虛擬障礙布局的方法進(jìn)行繞障。

3.3 “借道”繞障路徑規(guī)劃

在路徑規(guī)劃時若當(dāng)前車道中存在障礙物致使車輛在本車道內(nèi)無法通行時需要改變有效虛擬障礙物的布局，從而在可通行車道內(nèi)進(jìn)行“借道”繞障。這里用有效虛擬障礙物的布局來描述其繞障過程，如圖3所示，圖中的黑色圓點代表有效虛擬障礙物。

初始時，車輛前方?jīng)]有檢測到障礙物，有效障礙物的布局為理想路徑兩側(cè)的虛擬障礙物有效，如圖3a所示；當(dāng)傳感器檢測到車輛前方存在障礙物而且沒有規(guī)劃到可行方向，則有效障礙物的布局為可行駛道路兩側(cè)的虛擬障礙物有效，如圖3b所示。若上一次的布局為圖3b，且目標(biāo)車道空，則有效虛擬障礙物的布局為需要采取一些過渡的障礙物由兩側(cè)過渡到目標(biāo)車道，如圖3c所示。若上一次布局為圖3c，且車輛已駛?cè)肽繕?biāo)車道，那么布局變?yōu)閳D3a，否則保持不變。繞障過程中，對改變有效虛擬障礙物布局后的環(huán)境同樣利用3.2節(jié)中自適應(yīng)閾值方法進(jìn)行路徑規(guī)劃。

圖3 繞障過程有效虛擬障礙物的布局變化

4 仿真實驗與結(jié)果分析

為了驗證本文局部路徑規(guī)劃方法的有效性和可行性，利用Matlab軟件建立如圖4所示的仿真環(huán)境，模擬智能車輛在雙向兩車道道路中的車道保持與避障運動。

仿真實驗在8m×300m的區(qū)域內(nèi)進(jìn)行，車道寬為3.5m，車寬為2m，車輛的起點設(shè)在目標(biāo)車道中心，初始方向與道路邊界線平行，通過改變車輛的行駛方向和速度使其沿著實時規(guī)劃出來的可行方向前進(jìn)。仿真中，取虛擬障礙物有效距離L＝40m，智能車輛最大行駛速率vmax＝15m／s，避障過程中最小行駛速率vmin＝1m／s，制動減速度a＝8m／s2，放大系數(shù)λ＝1.1，則最小閾值為Tmin＝15m。取N＝21，ΔT＝0.5m，有最大閾值Tmax＝25m。k1＝0.8，w1＝0.7，w2＝0.3。

圖4中黑色方塊表示車道中的障礙物1和障礙物2，其尺寸分別為0.5m×0.5m×0.5m和2m×2m×2m；黑色實線為道路邊界；由圓圈組成的曲線表示規(guī)劃出的路徑。圖5所示為路徑規(guī)劃仿真過程中傳感器檢測到障礙物時有效虛擬障礙物的分布。

圖4 局部路徑規(guī)劃結(jié)果

圖5 躲避障礙物時有效虛擬障礙物分布

從圖4中可以看出，在初始階段車輛在目標(biāo)車道內(nèi)沿著車道中心線運行，在車輛檢測到較小障礙物1時，有效虛擬障礙物的分布如圖5a所示，局部路徑規(guī)劃器通過調(diào)節(jié)閾值規(guī)劃出避障路徑，由于障礙物較小，車輛仍能夠保持在當(dāng)前車道內(nèi)運行。在車輛前方檢測到較大障礙物2時，局部路徑規(guī)劃器重新布局有效虛擬障礙物，從而實現(xiàn)在可通行車道內(nèi)“借道”繞障。當(dāng)目標(biāo)車道為空時車輛駛?cè)肽繕?biāo)車道繼續(xù)保持沿車道中心線運行。繞障過程中有效虛擬障礙物的分布如圖5b所示。路徑規(guī)劃仿真過程中的智能車輛行駛方向與可通行方向角度偏差變化與所選閾值T的變化分別如圖6、圖7所示，其中S為仿真車道長度。

圖6 路徑規(guī)劃過程智能車輛行駛方向角度偏差

圖7 路徑規(guī)劃過程所選閾值的變化

智能車輛在起始位置時，車輛前方?jīng)]有障礙物，這時閾值T較大，能夠規(guī)劃出沿車道中心線的可通行方向，行駛方向與可通行方向偏差接近于0。隨著智能車輛距離障礙物1越來越近，T逐漸減小，依然能夠規(guī)劃出偏離車道中心線的可通行方向，行駛方向與參考方向偏差有所增加，然后由3.2節(jié)確定的規(guī)則改變車輛行駛方向后，偏差逐漸減小。當(dāng)智能車輛通過障礙物1后，由于距離障礙物2還有較遠(yuǎn)距離，T突然增大，此時可通行區(qū)域變大，行駛方向偏差逐漸增大，之后又隨著車輛的調(diào)整逐漸減小。隨著向障礙物2的靠近，T又逐漸變小。由于障礙物2比較大，T減小到Tmin時仍然規(guī)劃不出可通行方向，此時路徑規(guī)劃器改變虛擬障礙的布局，T突然增大，規(guī)劃出“借道”繞障的可通行方向，行駛方向偏差亦先增大后減小。當(dāng)智能車輛繞過障礙物2后，智能車輛回到無障礙物的原車道中，T繼續(xù)保持較大值，規(guī)劃出沿車道中心線的可通行方向，行駛方向偏差亦趨于0。

5 結(jié)束語

考慮到在道路中存在停駛的車輛等障礙物的可能性，本文提出了一種利用CCD攝像機(jī)和激光測距雷達(dá)對智能車輛輔助系統(tǒng)進(jìn)行避障路徑規(guī)劃的方法。利用單目視覺傳感器檢測可通行道路的邊界，在道路邊界內(nèi)激光雷達(dá)對障礙物進(jìn)行預(yù)檢測，再對包含障礙物的圖像區(qū)域進(jìn)行準(zhǔn)確定位，最后采用改進(jìn)的向量直方圖法對局部路徑進(jìn)行規(guī)劃。通過對速度和轉(zhuǎn)角的決策輸出使之比傳統(tǒng)只對轉(zhuǎn)角控制進(jìn)行路徑規(guī)劃方法節(jié)省時間，該方法算法簡單，計算量小，增強(qiáng)了系統(tǒng)的實時性。從仿真中車輛的運動軌跡可以看出，規(guī)劃出的路徑具有很好的連續(xù)性和穩(wěn)定性，表明本文避障路徑規(guī)劃算法可行、有效，符合實際需求，可以很好地引導(dǎo)智能車輛在含有障礙物的道路中安全行駛。

［1］ 李舜銘，沈 峘，毛建國，等.智能車輛發(fā)展及其關(guān)鍵技術(shù)研究現(xiàn)狀［J］.傳感器與微系統(tǒng)，2009，28（1）：1－3.

［2］ 游 峰，王榮本，張榮輝，等.基于單目視覺的區(qū)域交通智能車輛道路邊界檢測方法研究［J］.公路交通科技，2008，25（6）：135－140.

［3］ 陳 瑩，吳定會.基于全局變形模板的快速車道檢測算法［J］.系統(tǒng)仿真學(xué)報，2007，19（21）：5063－5066.

［4］ 金立生，方文平，候海晶，等.基于BP神經(jīng)網(wǎng)絡(luò)的車道保持控制系統(tǒng)［J］.吉林大學(xué)學(xué)報：自然科學(xué)版，2010，40（3）：650－654.

［5］ Oya M，Wang Q.Adaptive lane keeping controller for fourwheel－steering vehicles［C］／／Proceedings of IEEE International Conference on Control and Automation，Piscataway，NJ，USA：Institute of Electrical and Electronics Engineers Computer Society，2007：1942－1947.

［6］ Netto S，Chaib S，Mammar S.Lateral adaptive control for vehicle lane keeping ［C］／／Proceedings of the American Control Conference，Boston，Massachusetts：IEEE，2004：2693－2698.

［7］ Tsalatsanis A，Valavanis K，Yalcin A.Vision based target tracking and collision avoidance for mobile robots［J］.Journal of Intelligent and Robotic Systems，2007，48（2）：285－304.

［8］ 徐玉華，張崇巍，徐海琴.基于激光測距儀的移動機(jī)器人避障新方法［J］.機(jī)器人，2010，32（2）：179－183.