高振海,王 竣,王德平,李紅建

(1.吉林大學(xué)，汽車仿真與控制國家重點(diǎn)實(shí)驗(yàn)室，長春 130025； 2.中國第一汽車集團(tuán)公司新能源汽車分公司，長春 130122；3.中國第一汽車集團(tuán)公司技術(shù)中心，長春 130011)

2016103

汽車前方靜動目標(biāo)狀態(tài)轉(zhuǎn)移機(jī)理與分類算法*

高振海1,王 竣1,王德平2,李紅建3

(1.吉林大學(xué)，汽車仿真與控制國家重點(diǎn)實(shí)驗(yàn)室，長春 130025； 2.中國第一汽車集團(tuán)公司新能源汽車分公司，長春 130122；3.中國第一汽車集團(tuán)公司技術(shù)中心，長春 130011)

為解決利用雷達(dá)回波實(shí)現(xiàn)靜止目標(biāo)和運(yùn)動目標(biāo)的準(zhǔn)確識別這一駕駛輔助系統(tǒng)的關(guān)鍵技術(shù)問題，本文中基于地面目標(biāo)運(yùn)動狀態(tài)轉(zhuǎn)移機(jī)理提出了一種基于時間窗的汽車前方靜動目標(biāo)狀態(tài)分類方法。在地面靜動目標(biāo)運(yùn)動狀態(tài)與轉(zhuǎn)移機(jī)理分析的基礎(chǔ)上，將目標(biāo)分為靜止目標(biāo)、同向運(yùn)動目標(biāo)、反向運(yùn)動目標(biāo)、起停目標(biāo)和未分類目標(biāo)等5類，建立了在固定時間窗內(nèi)的目標(biāo)運(yùn)動狀態(tài)的轉(zhuǎn)移狀態(tài)機(jī)模型，并確定了目標(biāo)狀態(tài)轉(zhuǎn)移的條件閾值和時間窗長度，最終在駕駛輔助試驗(yàn)車上進(jìn)行了前方同向或反向行駛車輛、樹木等靜止物體和制動停車車輛等各種典型工況下的識別試驗(yàn)，為實(shí)現(xiàn)基于毫米波雷達(dá)的自適應(yīng)巡航與自動緊急制動的駕駛輔助系統(tǒng)的工程化提供了技術(shù)支撐。

駕駛輔助系統(tǒng)；狀態(tài)機(jī)模型；車載毫米波雷達(dá)；靜動目標(biāo)分類；時間窗

前言

近年來，以雷達(dá)傳感技術(shù)為基礎(chǔ)的前方防碰撞預(yù)警(forward collision warning system, FCW)、自適應(yīng)巡航控制系統(tǒng)(adaptive cruise control system, ACC)和自動緊急制動系統(tǒng)(autonomous emergency braking system, AEBS)等先進(jìn)汽車駕駛輔助系統(tǒng)成為了國際汽車主動安全領(lǐng)域研究熱點(diǎn)[1-4]。鑒于對傳感器環(huán)境適應(yīng)性、可靠性和成本的考慮[5]，博世[6]、大陸[7]、德爾福[8]、電裝[9]等各大國際汽車電子產(chǎn)品供應(yīng)商多采用具有較強(qiáng)環(huán)境適應(yīng)性的毫米波雷達(dá)，用于識別本車前方道路環(huán)境中可能對本車行駛帶來潛在碰撞威脅的車輛等障礙目標(biāo)(將其定義為前方有效目標(biāo))，并根據(jù)該目標(biāo)與本車之間的相對運(yùn)動狀態(tài)，對本車施加預(yù)警或輔助控制。

車載毫米波雷達(dá)難以直接區(qū)分地面“運(yùn)動地物(即地面靜止物體)”和“運(yùn)動目標(biāo)”。車載毫米波雷達(dá)是通過雷達(dá)回波信號和多普勒效應(yīng)檢測本車與前方目標(biāo)的相對距離、方位角和相對速度等信息[10-11]，其信息處理算法主要借鑒面向飛機(jī)、導(dǎo)彈等飛行物檢測的軍用雷達(dá)對機(jī)動目標(biāo)的識別跟蹤方法。軍用地基雷達(dá)以固定的大地為雷達(dá)平臺，地物相對于雷達(dá)是靜止不動的，從地物反射的回波沒有多普勒頻率偏移，只在信號中心頻率附近有微小的展寬；軍用機(jī)載雷達(dá)由于飛機(jī)平臺的高機(jī)動性，可以認(rèn)為地物相對于目標(biāo)是處于靜止?fàn)顟B(tài)；而地面車輛在行進(jìn)過程中，與其固聯(lián)的車載雷達(dá)平臺與大地有相對運(yùn)動，原來不動的地物和固定目標(biāo)的回波都會產(chǎn)生多普勒頻移，即使不考慮載體運(yùn)動姿態(tài)變化，地物雜波也非常復(fù)雜。上述車載雷達(dá)信息與軍用地基雷達(dá)信息的不同，導(dǎo)致車載毫米波雷達(dá)處理算法難以準(zhǔn)確識別靜止目標(biāo)與運(yùn)動目標(biāo)。現(xiàn)行的國際標(biāo)準(zhǔn)《ISO/DIS 15622道路車輛-自適應(yīng)巡航控制系統(tǒng)-性能要求及測試方法》明確指出：ACC可能會忽略靜止目標(biāo)或不對靜止目標(biāo)做出反應(yīng)[12]。

針對以上問題，尤其是全速ACC和AEBS研發(fā)要求必須對前方低速運(yùn)動和靜止的車輛或行人進(jìn)行準(zhǔn)確識別，國際上開展了靜動目標(biāo)分類算法研究。現(xiàn)有研究主要是利用目標(biāo)物體與本車之間的相對速度變化規(guī)律，通過閾值分割的方法進(jìn)行目標(biāo)運(yùn)動狀態(tài)識別。德爾福、博世和沃爾沃等公司均開發(fā)了靜動目標(biāo)分類識別算法，并將其作為提升毫米波雷達(dá)檢測精度的核心競爭保密技術(shù)。例如文獻(xiàn)[13]中將雷達(dá)目標(biāo)分為4類(高空目標(biāo)、靜止目標(biāo)、運(yùn)動目標(biāo)和路側(cè)目標(biāo))，但文中沒有詳細(xì)論述目標(biāo)分類判別方法。

相對于國際研究現(xiàn)狀而言，國內(nèi)研究(尤其是性能樣車研發(fā))多是直接基于采購的國外雷達(dá)輸出的有效目標(biāo)結(jié)果進(jìn)行駕駛輔助功能開發(fā)，并未深入開展車載毫米波雷達(dá)的數(shù)據(jù)處理算法，也無法為國內(nèi)車載毫米波雷達(dá)產(chǎn)品研發(fā)提供技術(shù)支撐。同時，本文作者在基于國際采購的車載毫米波雷達(dá)進(jìn)行ACC等實(shí)車功能測試實(shí)驗(yàn)中發(fā)現(xiàn)：鑒于本車行駛速度波動和雷達(dá)自身存在一定的測量誤差等實(shí)際情況，若直接沿用當(dāng)前時刻下目標(biāo)與雷達(dá)之間的相對運(yùn)動關(guān)系和簡單閾值分割實(shí)現(xiàn)靜動目標(biāo)識別算法，將導(dǎo)致算法在部分工況下無法輸出準(zhǔn)確前方有效目標(biāo)。

為此，本文中針對駕駛輔助系統(tǒng)對靜動目標(biāo)識別的技術(shù)需求，在地面靜動目標(biāo)的運(yùn)動狀態(tài)和轉(zhuǎn)移機(jī)理分析基礎(chǔ)上，提出了一種基于時間窗內(nèi)運(yùn)動狀態(tài)轉(zhuǎn)移機(jī)制的動靜目標(biāo)分類方法。文中首先對雷達(dá)目標(biāo)的運(yùn)動狀態(tài)進(jìn)行了分類；然后基于目標(biāo)的多運(yùn)動狀態(tài)，建立了目標(biāo)運(yùn)動狀態(tài)轉(zhuǎn)移狀態(tài)機(jī)模型，并設(shè)計了目標(biāo)狀態(tài)轉(zhuǎn)移的條件閾值和時間窗長度；最終在裝備毫米波雷達(dá)的駕駛輔助試驗(yàn)平臺車上，進(jìn)行了前方同向或反向行駛車輛、樹木等靜止物體及制動停車車輛等典型工況的實(shí)車道路實(shí)驗(yàn)驗(yàn)證。

1 面向駕駛輔助系統(tǒng)的前方目標(biāo)運(yùn)動狀態(tài)分類

雷達(dá)探測目標(biāo)存在不同狀態(tài)：根據(jù)運(yùn)動目標(biāo)的運(yùn)動方向，可分為同向運(yùn)動目標(biāo)和反向運(yùn)動目標(biāo)；針對前方車輛起步-停車等工況，將原先運(yùn)動后來停止的目標(biāo)定義為起停目標(biāo)(一種特殊形式的運(yùn)動目標(biāo))；考慮到雷達(dá)回波信號中存在干擾噪聲，當(dāng)部分目標(biāo)無法進(jìn)行有效分類時將其定義為未分類目標(biāo)。同時為了保證分類算法的魯棒性，將所有雷達(dá)目標(biāo)的初始狀態(tài)也都定義為未分類目標(biāo)。

綜上所述，本文中將車載雷達(dá)探測到的目標(biāo)分為靜止、同向運(yùn)動目標(biāo)、反向運(yùn)動目標(biāo)、起停目標(biāo)和未分類目標(biāo)5類，如圖1所示。

(1) 靜止目標(biāo)(Stationary)

靜止目標(biāo)是指運(yùn)動速度始終保持為零的物體，主要包括路側(cè)障礙物、樹木、標(biāo)志牌和在雷達(dá)測試全過程內(nèi)始終停止的車輛等物體。該信息的準(zhǔn)確獲取是FCW和AEBS實(shí)現(xiàn)的關(guān)鍵。

(2) 同向運(yùn)動目標(biāo)(Moving)

同向運(yùn)動目標(biāo)是指與本車運(yùn)動方向相同的物體。一般而言，同向運(yùn)動的目標(biāo)與本車位于同一車道或同向相鄰車道，其運(yùn)動與本車具有較大的相關(guān)性，因此可輔助進(jìn)行本車行駛軌跡和車道曲率變化等信息估計。

(3) 反向運(yùn)動目標(biāo)(Oncoming)

反向運(yùn)動目標(biāo)是指與本車運(yùn)動方向相反的物體。通常情況下，反向運(yùn)動的物體位于本車相鄰車道的可能性較大，可用來區(qū)分相鄰車道類型。

(4) 起停目標(biāo)(Stop)

起停目標(biāo)是指運(yùn)動中的物體速度減慢已接近靜止或已靜止的物體有運(yùn)動的趨勢但速度極小。起停目標(biāo)一般是由前方運(yùn)動車輛減速停車或起步形成。起停目標(biāo)信息的準(zhǔn)確獲取是AEBS和全速ACC(具備起步停車功能)實(shí)現(xiàn)的前提。

(5) 未分類目標(biāo)(Unclassified)

雷達(dá)目標(biāo)的初始狀態(tài)均為未分類目標(biāo)。之后根據(jù)其運(yùn)動狀態(tài)不同將目標(biāo)分為靜止、同向運(yùn)動、反向運(yùn)動和起停4種類型。若目標(biāo)不能滿足上述4種狀態(tài)轉(zhuǎn)移條件，則仍屬于未分類目標(biāo)。

2 目標(biāo)運(yùn)動狀態(tài)轉(zhuǎn)移機(jī)理分析

當(dāng)前方目標(biāo)進(jìn)入到車載雷達(dá)檢測范圍后，雷達(dá)將連續(xù)輸出該目標(biāo)的相對位置及相對速度信息，以描述該目標(biāo)的運(yùn)動狀態(tài)。

考慮到狀態(tài)轉(zhuǎn)移機(jī)制設(shè)計的精確性、實(shí)時性和單一時刻的量測信息易受噪聲干擾等因素，本文中提出了一種基于時間窗的目標(biāo)狀態(tài)分類方法，依據(jù)車載雷達(dá)在該時間歷程中輸出的目標(biāo)連續(xù)運(yùn)動狀態(tài)進(jìn)行判斷，而不單純依靠單一時刻運(yùn)動狀態(tài)實(shí)現(xiàn)目標(biāo)分類。

考慮到地面車輛等物體受路面附著等運(yùn)動學(xué)和動力學(xué)約束，物體運(yùn)動狀態(tài)的轉(zhuǎn)移有明顯的規(guī)律性。一個目標(biāo)在某一固定時刻只能屬于上述運(yùn)動類型之一，且隨著物體運(yùn)動狀態(tài)變化有規(guī)律性地轉(zhuǎn)移，變更為另一目標(biāo)類型。圖2所示為目標(biāo)狀態(tài)轉(zhuǎn)移示意圖，目標(biāo)狀態(tài)之間的箭頭表示狀態(tài)轉(zhuǎn)移的路徑和方向。雷達(dá)目標(biāo)狀態(tài)轉(zhuǎn)移規(guī)律分析如下。

(1) 目標(biāo)初始狀態(tài)均為“未分類目標(biāo)”。

(2) 靜止目標(biāo)：靜止目標(biāo)開始運(yùn)動后將會轉(zhuǎn)移為同向運(yùn)動目標(biāo)或反向運(yùn)動目標(biāo)；如果沒有發(fā)生狀態(tài)轉(zhuǎn)移，則繼續(xù)保持為靜止目標(biāo)狀態(tài)。

(3) 同向運(yùn)動目標(biāo)：當(dāng)同向運(yùn)動目標(biāo)的速度接近零時將會轉(zhuǎn)移為起停目標(biāo)，而不是直接轉(zhuǎn)移為靜止目標(biāo)；如果沒有發(fā)生狀態(tài)轉(zhuǎn)移，則繼續(xù)保持為同向運(yùn)動目標(biāo)。

(4) 反向運(yùn)動目標(biāo)：反向運(yùn)動目標(biāo)其狀態(tài)轉(zhuǎn)移條件類似于同向運(yùn)動目標(biāo)，在速度接近零時將會轉(zhuǎn)移為起停目標(biāo)，而不是直接轉(zhuǎn)移為靜止目標(biāo)；如果沒有發(fā)生狀態(tài)轉(zhuǎn)移，則繼續(xù)保持為反向運(yùn)動目標(biāo)。

(5) 起停目標(biāo)：起停目標(biāo)開始運(yùn)動后將根據(jù)其運(yùn)動方向轉(zhuǎn)移至同向運(yùn)動目標(biāo)或反向運(yùn)動目標(biāo)；否則繼續(xù)保持為起停目標(biāo)。

需要指出的是，在提出的狀態(tài)轉(zhuǎn)移中，同向運(yùn)動目標(biāo)物體轉(zhuǎn)移為反向運(yùn)動時，中間必歷經(jīng)起停狀態(tài)。由于地面運(yùn)動物體具有慣性，速度不會產(chǎn)生突變，因此當(dāng)運(yùn)動的物體改變運(yùn)動方向過程中必然存在速度降低為零的階段，即經(jīng)歷起停狀態(tài)。

同理，依據(jù)以上基于狀態(tài)轉(zhuǎn)移的目標(biāo)運(yùn)動狀態(tài)分類方法，物體運(yùn)動速度降至零而停止時，該物體首先歸類為起停目標(biāo)，而不是歸類為靜止目標(biāo)，這樣可將始終靜止的物體與先前運(yùn)動隨后停止的物體區(qū)分開，也使得該分類方法對目標(biāo)的運(yùn)動狀態(tài)具有一定的記憶效應(yīng)。

3 前方目標(biāo)運(yùn)動狀態(tài)轉(zhuǎn)移的閾值判斷 條件設(shè)計

針對以上運(yùn)動狀態(tài)轉(zhuǎn)移機(jī)理分析，本文中建立了目標(biāo)運(yùn)動狀態(tài)轉(zhuǎn)移的閾值判斷條件，并根據(jù)雷達(dá)道路試驗(yàn)數(shù)據(jù)離線分析的結(jié)果對時間窗長度與狀態(tài)判別閾值進(jìn)行了設(shè)計。

(1) 從靜止或初始狀態(tài)轉(zhuǎn)移至同向運(yùn)動狀態(tài)(Unclassified/Stationary→Moving)

物體運(yùn)動速度vobj在時間窗內(nèi)連續(xù)超過同向運(yùn)動速度最低限制閾值Vsta-m_min，即

vobj(k-i)>Vsta-m_min，i=0,1,…,n-1

(1)

式中：k-i為采樣時刻，n為時間窗長度，即vobj(k)表示當(dāng)前時刻目標(biāo)物體的速度值，vobj(k-i)表示當(dāng)前時刻前第i個速度值(下同)。

閾值Vsta-m_min的取值主要基于雷達(dá)探測的主要地面運(yùn)動物體的最低運(yùn)動速度，目前車載雷達(dá)主要用于探測前方車輛。車輛怠速時的速度約為5～10km/h(大約為1～3m/s)，因此本文中給出其參考取值范圍為[1m/s,3m/s]。

(2) 從靜止或初始狀態(tài)轉(zhuǎn)移至反向運(yùn)動狀態(tài)(Unclassified/Stationary→Oncoming)

物體運(yùn)動速度vobj在時間窗內(nèi)連續(xù)超過反向運(yùn)動速度最低限制閾值Vsta-o_min，即

vobj(k-i)

(2)

閾值Vsta-o_min的取值主要考慮反向運(yùn)動物體的最低運(yùn)動速度，因此該取值范圍與同向運(yùn)動物體的取值范圍相同，但方向相反，因此本文中給出其參考取值范圍為[-3m/s,-1m/s]。

(3) 從初始狀態(tài)或未分類狀態(tài)轉(zhuǎn)移至靜止?fàn)顟B(tài)(Unclassified/Stationary→Stationary)

物體運(yùn)動速度vobj在時間窗內(nèi)連續(xù)接近零或低于一個速度閾值Vu-sta_max，即

|vobj(k-i)|

(3)

閾值Vu-sta_max的取值主要基于靜止物體的速度分布范圍，理論上靜止物體的速度為零，但由于實(shí)際應(yīng)用中測量值不可避免含有誤差。因此該閾值的最小值應(yīng)該大于測量誤差，本文中對前方物體的速度測量誤差約為0.3m/s，因此其取值范圍的最小值為0.3；此外該閾值過大時將會導(dǎo)致部分低速運(yùn)動的物體識別為靜止物體，參考式(1)中的分析運(yùn)動物體的最低運(yùn)動速度約為1m/s，因此將其最大值設(shè)為1，因此本文中給出其參考取值范圍為[0.3m/s,1m/s]。

(4) 從同向運(yùn)動狀態(tài)或反向運(yùn)動狀態(tài)轉(zhuǎn)移至起停狀態(tài)(Moving/Oncoming→Stop)

在時間窗內(nèi)，物體運(yùn)動速度vobj接近零或小于閾值Vm-sto_max，即

|vobj(k-i)|

(4)

閾值Vm-sto_max的取值主要基于停止物體的速度分布范圍，停止物體的速度與式(3)中靜止物體的速度分布范圍類似，因此本文中給出其參考取值范圍為[0.3m/s,1m/s]。

(5) 從起停狀態(tài)轉(zhuǎn)移至同向運(yùn)動狀態(tài)(Stop→Moving)

在時間窗內(nèi)，物體運(yùn)動速度vobj超過速度閾值Vsto-m_min，即

vobj(k-i)>Vsto-m_min，i=0,1,…,n-1

(5)

閾值Vsto-m_min的取值與式(1)中Vsta-m_min的取值范圍類似，主要考慮運(yùn)動物體的最小速度，此外，由于起停狀態(tài)物體之前是運(yùn)動狀態(tài)，可以通過降低該閾值實(shí)現(xiàn)其轉(zhuǎn)移至同向運(yùn)動狀態(tài)的快速識別，因此本文中給出其參考取值范圍為[0.3m/s,1m/s]。

(6) 從起停狀態(tài)轉(zhuǎn)移至反向運(yùn)動狀態(tài)(Stop→Oncoming)

在時間窗內(nèi)，物體運(yùn)動速度vobj接近零或小于閾值Vsto-o_min，即

vobj(k-i)

(6)

閾值Vsto-o_min的取值與式(5)中取值范圍類似，但方向相反，因此本文中給出其參考取值范圍為[0.3m/s,-0.3m/s]。

上述狀態(tài)轉(zhuǎn)移切換條件都是基于時間窗的長度進(jìn)行判斷。時間窗長度設(shè)計需要同時兼顧抗干擾能力和快速識別能力。較短的時間窗使抗干擾能力較差，將造成速度波動時物體運(yùn)動狀態(tài)的振蕩；時間窗過長有較強(qiáng)的抗干擾能力，可避免狀態(tài)振蕩的現(xiàn)象，但會引起運(yùn)動狀態(tài)識別時間上的滯后。

本文中根據(jù)道路試驗(yàn)數(shù)據(jù)離線分析的結(jié)果對時間窗的長度進(jìn)行了設(shè)計，研究中分別選取時間窗長度為1，3和5(即n=1,3,5)進(jìn)行了對比分析。對比試驗(yàn)結(jié)果顯示，時間窗的長度取3時(即考慮當(dāng)前時刻及前兩時刻的雷達(dá)輸出數(shù)據(jù))能很好兼顧抗干擾性能和快速識別性能，故本文中將此值作為時間窗長度，即在式(1)～式(6)中n值取3。

確定合適的閾值是實(shí)現(xiàn)雷達(dá)目標(biāo)運(yùn)動狀態(tài)轉(zhuǎn)移和切換條件設(shè)計的關(guān)鍵。

理論上交通環(huán)境中靜止物體(如靜止的車輛、路側(cè)標(biāo)志牌、樹木等)的速度為零，速度不為零的物體定義為運(yùn)動物體。而在實(shí)際應(yīng)用中，車輛前方物體的速度通過雷達(dá)進(jìn)行測量。雷達(dá)測量出前方物體相對本車的運(yùn)動速度，并通過本車速度補(bǔ)償求得前方物體速度。由于雷達(dá)和車輛輪速傳感器測量精度的限制和測量誤差的存在，前方靜止物體也可能返回一個非零值。為此在實(shí)車試驗(yàn)中無法通過速度是否為零來判斷物體的靜止與運(yùn)動，而需要根據(jù)實(shí)際工況設(shè)定判斷閾值。

本文中以同向運(yùn)動狀態(tài)最低速度閾值Vsta-m_min和靜止?fàn)顟B(tài)最高速度閾值Vu-sta_max為例，上述兩個閾值用于區(qū)分物體為同向運(yùn)動狀態(tài)或靜止?fàn)顟B(tài)，主要考慮了實(shí)車道路試驗(yàn)數(shù)據(jù)(靜止物體和運(yùn)動物體的速度分布范圍)，并根據(jù)雷達(dá)測速精度與車輛速度波動范圍給出閾值確定范圍。

如圖3所示，靜止物體速度分布在[-1m/s,1m/s]的范圍內(nèi)且呈單峰形狀，同向運(yùn)動物體速度分布在大于1m/s的范圍內(nèi)，大致呈均勻分布。上述物體速度分布與實(shí)際情況相符合，靜止物體的速度受雷達(dá)測試精度和車速誤差的影響，其速度不完全等于零但分布在零附近，并且呈尖峰分布，雷達(dá)測速精度和車速的誤差范圍影響該速度分布的寬度。同時，考慮到本文中采用的德爾福ESR雷達(dá)的測量精度為0.12m/s，車速波動范圍為0.17m/s(如圖4所示)，同時考慮上述兩方面的誤差時其誤差的范圍在0.3m/s。根據(jù)離線測試數(shù)據(jù)，靜止物體速度分布均值為-0.3m/s，5%百分位的速度值為-0.9m/s，95%百分位的速度值為0.3m/s，最終設(shè)計的靜止?fàn)顟B(tài)的最高速度閾值Vu-sta_max為0.9m/s，運(yùn)動物體的判斷閾值Vsta-m_min設(shè)定為1.2m/s。

4 實(shí)車道路試驗(yàn)與結(jié)果分析

面向駕駛輔助系統(tǒng)工作的各種典型工況，本文中設(shè)計并實(shí)施了在真實(shí)道路交通環(huán)境下的實(shí)車試驗(yàn)，進(jìn)一步驗(yàn)證了文中提出的汽車前方目標(biāo)運(yùn)動狀態(tài)分類算法。

試驗(yàn)車為吉林大學(xué)汽車仿真與控制國家重點(diǎn)實(shí)驗(yàn)室自行集成開發(fā)的駕駛輔助試驗(yàn)平臺車。選配的毫米波雷達(dá)為ESR雷達(dá)，毫米波雷達(dá)和道路交通環(huán)境監(jiān)測攝像機(jī)的安裝位置如圖5所示，主要性能參數(shù)如表1所示。ESR毫米波雷達(dá)的掃描模式分為長距離模式和中距離模式，兩種掃描模式具有不同的探測距離和掃描角度，本文中在數(shù)據(jù)處理過程中首先按照不同的掃描模式先對雷達(dá)輸出數(shù)據(jù)進(jìn)行處理，然后再進(jìn)行統(tǒng)一處理，試驗(yàn)結(jié)果如圖6～圖9所示。

表1 毫米波雷達(dá)主要性能參數(shù)

圖6示出本文中雷達(dá)目標(biāo)運(yùn)動狀態(tài)分類過程和基于該分類方法的分類結(jié)果。

圖6(a)中的小方框表示雷達(dá)探測到的目標(biāo)。雷達(dá)輸出的回波信號中不可避免地存在雜波和干擾信號，經(jīng)過多目標(biāo)跟蹤之后將雜波及干擾目標(biāo)濾除，最終用于分類的雷達(dá)目標(biāo)如圖6(b)所示。最終的分類結(jié)果如圖6(c)所示，圖示場景中有一個同向運(yùn)動(Moving)的目標(biāo)和一個反向運(yùn)動(Oncoming)的目標(biāo)，如圖6(d)所示，其余的為靜止(Stationary)目標(biāo)，如圖6(e)所示，或未分類目標(biāo)(Unclassified)，如圖6(f)所示。

圖7為圖6的試驗(yàn)場景，并用方框的形式標(biāo)識出了已分類的物體，圖7中的方框與圖6(c)中已分類的目標(biāo)一一對應(yīng)，并對已分類目標(biāo)進(jìn)行了編號，如圖6(d)、圖6(e)和圖7所示。圖7中1號框表示同向運(yùn)動的目標(biāo)(一輛同向行駛的車)，2號框表示反向運(yùn)動的目標(biāo)(一輛反向行駛的車)，其余框表示靜止目標(biāo)，一般包括樹木、電線桿、垃圾桶等，未分類目標(biāo)沒有在圖中標(biāo)識出來。

本文中根據(jù)自適應(yīng)巡航控制的典型工況，設(shè)計并實(shí)施了典型的靜動目標(biāo)識別試驗(yàn)。試驗(yàn)中前方車輛的行駛過程包括以下階段：停車、起步加速、制動停車、倒車和減速停車。

圖8為上述工況中前車速度變化的時間歷程，及其運(yùn)動狀態(tài)隨之進(jìn)行變化轉(zhuǎn)移的過程。如圖8中虛線所示：目標(biāo)初始的運(yùn)動狀態(tài)為未分類狀態(tài)(Unclassified)；由于起始時目標(biāo)的速度比較低，因此其狀態(tài)轉(zhuǎn)移至靜止?fàn)顟B(tài)(Stationary)；隨該目標(biāo)速度增加，其運(yùn)動狀態(tài)轉(zhuǎn)移至同向運(yùn)動狀態(tài)(Moving)；之后目標(biāo)開始減速，速度接近零時，目標(biāo)狀態(tài)變?yōu)槠鹜顟B(tài)(Stop)；隨著反向速度的增加，目標(biāo)的狀態(tài)轉(zhuǎn)移至反向運(yùn)動狀態(tài)(Oncoming)；最后車輛減速停車后目標(biāo)狀態(tài)變?yōu)槠鹜顟B(tài)(Stop)。

圖8給出了目標(biāo)運(yùn)動狀態(tài)轉(zhuǎn)移判斷條件中采用時間窗方法和不采用時間窗方法的對比分析，圖中繪制了時間窗長度為1，3和5時的分類結(jié)果。由于速度信號中不可避免存在噪聲干擾和波動，因此采用單一時刻判斷狀態(tài)轉(zhuǎn)移與否的無時間窗的方式將會受到噪聲信號及信號波動的影響，進(jìn)而出現(xiàn)目標(biāo)運(yùn)動狀態(tài)分類結(jié)果振蕩甚至錯誤的現(xiàn)象。如圖8中無時間窗(時間窗長度n=1)的分類方法(實(shí)線)在20s附近出現(xiàn)了目標(biāo)運(yùn)動狀態(tài)分類結(jié)果振蕩的現(xiàn)象，而采用時間窗的方法可有效抵抗噪聲干擾信號的影響，如圖中n=3(虛線)和n=5(點(diǎn)劃線)的分類結(jié)果沒有出現(xiàn)分類振蕩的情況。由于時間窗長度越長，雷達(dá)目標(biāo)運(yùn)動狀態(tài)識別的延遲越嚴(yán)重，即n=3(虛線)與n=5(點(diǎn)劃線)的分類結(jié)果相比，n=3的識別過程更及時，延遲較小。通常情況下，駕駛輔助系統(tǒng)中雷達(dá)標(biāo)識為靜止?fàn)顟B(tài)的目標(biāo)有可能是真實(shí)存在的，也有可能是噪聲。例如針對圖8目標(biāo)車輛減速停車工況，傳統(tǒng)的閾值分割方法會將該目標(biāo)識別為靜止物體(如圖8中20.25-25.25s之間雙點(diǎn)劃線所示)。而本文中提出的分類方法則將該目標(biāo)識別為運(yùn)動目標(biāo)中的起停目標(biāo)(具有一定的記憶效應(yīng))，并在后續(xù)的雷達(dá)數(shù)據(jù)處理中也將此類起停目標(biāo)直接標(biāo)識為已經(jīng)得到確認(rèn)的真實(shí)存在目標(biāo)，進(jìn)一步降低了雷達(dá)數(shù)據(jù)處理中目標(biāo)確認(rèn)難度。

圖9為前車在常規(guī)行駛工況過程中的行駛速度曲線和采用本文分類方法的運(yùn)動狀態(tài)識別結(jié)果。由圖可見，前車起始時被識別為未分類目標(biāo)(Unclassified)，隨后識別為靜止目標(biāo)(Stationary)，隨著前車起步加速后，前車被識別為同向運(yùn)動目標(biāo)(Moving)，前車減速停車時被識別為起停目標(biāo)(Stop)，而非靜止目標(biāo)，待前車加速向前行駛后，前車被識別為同向運(yùn)動目標(biāo)(Moving)。試驗(yàn)結(jié)果表明了本文中運(yùn)動狀態(tài)分類方法的正確性，即前車運(yùn)動狀態(tài)分類識別結(jié)果與前車運(yùn)動狀態(tài)一致。

5 結(jié)論

本文中針對現(xiàn)有駕駛輔助系統(tǒng)車載毫米波雷達(dá)無法準(zhǔn)確識別本車前方靜止與運(yùn)動目標(biāo)的問題，建立了地面靜動目標(biāo)的運(yùn)動狀態(tài)與轉(zhuǎn)移機(jī)理，并提出基于時間窗內(nèi)運(yùn)動狀態(tài)轉(zhuǎn)移機(jī)制的動靜目標(biāo)分類方法，主要結(jié)論如下。

(1) 面向駕駛輔助系統(tǒng)的研究需求和車載雷達(dá)檢測到的目標(biāo)運(yùn)動狀態(tài)特點(diǎn)，將目標(biāo)運(yùn)動狀態(tài)分為靜止、同向運(yùn)動目標(biāo)、反向運(yùn)動目標(biāo)、起停目標(biāo)和未分類目標(biāo)5類。

(2) 基于對雷達(dá)目標(biāo)運(yùn)動狀態(tài)轉(zhuǎn)移過程的分析，建立了用于目標(biāo)分類的狀態(tài)機(jī)模型，并依據(jù)實(shí)車道路試驗(yàn)數(shù)據(jù)(靜止物體和運(yùn)動物體的速度分布范圍)、雷達(dá)測速精度和車輛速度波動范圍設(shè)計了閾值及其主要參數(shù)取值范圍的確定方法。該方法也體現(xiàn)出對目標(biāo)物體的運(yùn)動狀態(tài)具有記憶效應(yīng)。

(3) 采用時間窗方法，避免了傳統(tǒng)依據(jù)單一時刻信號值進(jìn)行狀態(tài)分類時信號波動引起的分類錯誤問題。通過對時間窗長度的優(yōu)化，發(fā)現(xiàn)時間窗長度為3時，具有抗干擾性能且滯后較小。

(4) 在裝備毫米波雷達(dá)的駕駛輔助試驗(yàn)平臺車上進(jìn)行了各種典型工況的實(shí)車試驗(yàn)驗(yàn)證，結(jié)果表明該方法對前方的同向或反向行駛車輛、樹木等靜止物體和制動停車等起停狀態(tài)的車輛均可實(shí)現(xiàn)目標(biāo)的準(zhǔn)確分類。

后續(xù)研究中將積累更多的實(shí)車道路試驗(yàn)數(shù)據(jù)，引入統(tǒng)計學(xué)習(xí)方法且針對具體的駕駛輔助功能優(yōu)化設(shè)計其判斷閾值，并利用靜動目標(biāo)識別結(jié)果實(shí)現(xiàn)對汽車前方道路曲率的預(yù)測及其與車道線視覺檢測結(jié)果的數(shù)據(jù)融合。

[1] BISHOP R. Intelligent Vehicle Technology and Trends[M]. Boston: Artech House,2005.

[2] 張德兆,秦立峰,王建強(qiáng),等.基于電子真空助力器的汽車駕駛輔助系統(tǒng)制動壓力控制[J].汽車工程,2011,33(12):1067-1072.

[3] 吳利軍,王躍建,李克強(qiáng).面向汽車縱向安全輔助系統(tǒng)的路面附著系數(shù)估計方法[J].汽車工程,2009,31(3):239-243.

[4] 金立生,王榮本,Bart Van Arem,等.先進(jìn)駕駛員輔助系統(tǒng)中的車輛探測研究綜述[J].汽車工程,2007,29(2):132-136.

[5] SCHNEIDER M. Automotive Radar-status and Trends[C]. German Microwave Conference,2005:144-147.

[6] Robert Bosch GmbH. Chassis Systems Control LRR3: 3rd Generation Long-Range Radar Sensor[EB/OL].[2013-11-10]. http://www.bosch-automotivetechnology.com/media/db_application/downloads/pdf/safety_1/en_4/lrr3_datenblatt_de_2009.pdf.

[7] Continental A G. ARS 300 Long Range Radar Sensor 77 GHz[EB/OL].[2013-11-10]. http://www.conti-online.com/www/industrial_sensors_de_en/themes/ars_300_en.html.

[8] Delphi Automotive LLP. Delphi Electronically Scanning Radar[EB/OL].[2013-11-10]. http://delphi.com/manufacturers/auto/safety/active/electronically-scanning-radar/.

[9] DENSO CORPORATION. Pre-Crash Safety System: Millimeter-Wave Radar[EB/OL].[2013-11-10]. http://globaldensoproducts.com/driving-control-safety/pre-crash-safety-system/millimeter-wave-radar/.

[10] 印忠義,胡南山.毫米波汽車防撞雷達(dá)的進(jìn)展[C].2007 年全國微波毫米波會議論文集(下冊),2007.

[11] 王小謨,張光義.雷達(dá)與探測:信息化戰(zhàn)爭的火眼金睛[M].北京:國防工業(yè)出版社,2008.

[12] ISO/DIS 15622. Road Vehicles-Adaptive Cruise Control Systems-Performance Requirements and Test Procedures[S].1999.

[13] POLYCHRONOPOULOS A, AMDITIS A, FLOUDAS N, et al. Integrated Object and Road Border Tracking Using 77 GHz Automotive Radars[J]. IEE Proceedings-Radar, Sonar and Navigation,2004,151(6):375-381.

The State Transfer Mechanism and Classification Algorithm forStationary and Moving Objects in Front of Vehicle

Gao Zhenhai1, Wang Jun1, Wang Deping2& Li Hongjian3

1.JilinUniversity,StateKeyLaboratoryofAutomotiveSimulationandControl,Changchun130025; 2.ChinaFAWGroupCorporationNewEnergyVehicleBranch,Changchun130122; 3.ChinaFAWGroupCorporationR&DCenter,Changchun130011

To tackle the key technical issue of driving assistance system, i.e. the accurate detection of stationary and moving objects by radar echo, a time window-based vehicle frontal object state classification method is proposed in this paper based on the movement state transfer mechanism of ground objects. On the basis of analyses on ground object movement states and their transfer mechanism, Stationary and moving objects are classified into five categories: stationary object, moving object, oncoming object, stopped object and unclassified object. Then a transfer state machine model for the object movement states within a fixed time window is created, and the condition threshold and time window length for object state transfer are determined. Finally, the detection tests of moving, oncoming, braking and stopping vehicles and trees and other stationary objects under various working conditions are conducted on an experimental vehicle, providing technical supports for the engineering application of millimeter-wave radar-based adaptive cruise and automatic emergent braking in driving assistance system.

driving assistance system; state machine model; on-borne millimeter-wave radar; stationary and moving object classification; time window

*高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金(20120061110028)、吉林省科技引導(dǎo)計劃(20130413058GH)和長江學(xué)者和創(chuàng)新團(tuán)隊(duì)發(fā)展計劃(IRT1017)資助。

原稿收到日期為2014年4月24日，修改稿收到日期為2015年4月27日。