□代 天 □李 軍

重慶交通大學(xué) 機(jī)電與車輛工程學(xué)院 重慶 400041

1 研究背景

隨著人工智能技術(shù)的快速發(fā)展，路徑識(shí)別和路徑跟蹤技術(shù)在移動(dòng)機(jī)器人、彈道導(dǎo)彈、無(wú)人機(jī)等領(lǐng)域都有了廣泛的應(yīng)用，如移動(dòng)機(jī)器人的自主無(wú)碰行動(dòng)與自動(dòng)駕駛避障行為、彈道導(dǎo)彈對(duì)目標(biāo)的打擊、無(wú)人機(jī)空中執(zhí)行任務(wù)的飛行避障能力等。雖然路徑識(shí)別和路徑跟蹤技術(shù)在智能領(lǐng)域取得了一些進(jìn)展，但是依然存在諸多問題，如在視頻目標(biāo)跟蹤時(shí)，針對(duì)變形非剛體跟蹤目標(biāo)，往往很難建立外觀特征模型，多個(gè)跟蹤目標(biāo)之間相互遮擋跟蹤路徑，光照變化、雨雪天氣等環(huán)境因素也會(huì)對(duì)跟蹤目標(biāo)有影響。

將移動(dòng)機(jī)器人、智能車、彈道導(dǎo)彈等其它領(lǐng)域的路徑識(shí)別和路徑跟蹤技術(shù)應(yīng)用于自動(dòng)駕駛汽車上，利用移動(dòng)機(jī)器人視覺分析避障的路徑識(shí)別方法解決自動(dòng)駕駛中最優(yōu)避障路徑的選取，使自動(dòng)駕駛車輛能更準(zhǔn)確、快速地對(duì)目標(biāo)進(jìn)行識(shí)別和跟蹤，從而提高自動(dòng)駕駛汽車的魯棒性、穩(wěn)定性、可靠性。

2 路徑識(shí)別技術(shù)

2.1 移動(dòng)機(jī)器人

移動(dòng)機(jī)器人普遍采用基于視覺的路徑識(shí)別方法，如李軍鋒等[1]介紹的視覺導(dǎo)航路徑識(shí)別方法。這一方法首先對(duì)攝像頭采集到的圖像采用2Cg-Cr-Cb顏色因子進(jìn)行光照干擾處理，采用混合閾值法對(duì)作物行進(jìn)行分割；然后采用基于最小二乘法的行偏移行中線法，擬合得到兩個(gè)作物行的直線方程，并求取這兩條直線的中線，即得到導(dǎo)航路徑。這一方法有效地解決了農(nóng)業(yè)機(jī)器人在路徑識(shí)別中存在的光照影響、識(shí)別率低、耗時(shí)長(zhǎng)等問題。劉欣等[2]介紹了基于視覺分析的最優(yōu)避障路徑識(shí)別方法。這一方法基于粒子濾波器即時(shí)定位與地圖構(gòu)建方法對(duì)避障路徑信息進(jìn)行降噪濾波處理，并采用適應(yīng)度函數(shù)對(duì)避障進(jìn)行排序，引入視覺分析法識(shí)別排序后的避障路徑，從而實(shí)現(xiàn)對(duì)最優(yōu)避障路徑的有效識(shí)別。這一方法解決了傳統(tǒng)機(jī)器人在避障路徑識(shí)別方法中存在的識(shí)別準(zhǔn)確率低、誤差大、效率低等問題。

總體而言，基于視覺的路徑識(shí)別技術(shù)在移動(dòng)機(jī)器人上有較高的識(shí)別率。

2.2 智能車

目前路徑識(shí)別技術(shù)應(yīng)用最多的是智能車，不同學(xué)者針對(duì)不同的識(shí)別問題，提出了不同的識(shí)別方法，常見的有基于視覺的路徑識(shí)別方法、基于傳感器的路徑識(shí)別方法。

陳昊[3]介紹了視覺導(dǎo)航路徑識(shí)別方法。這一方法首先對(duì)攝像頭采集到的圖像采用改進(jìn)的快速中值濾波算法進(jìn)行預(yù)處理，其目的是消除孤立的噪聲點(diǎn)；然后采用最優(yōu)閾值分割算法對(duì)圖像進(jìn)行二值化處理，將導(dǎo)航路徑從圖像背景中分割出來(lái)，以得到邊緣信息；最后利用形態(tài)學(xué)分割技術(shù)中的腐蝕算法對(duì)圖像中白色路徑兩邊的白斑進(jìn)行濾除，并利用膨脹算法對(duì)白色路徑內(nèi)部進(jìn)行擴(kuò)張，將白色路徑中存在的黑色孔洞和細(xì)長(zhǎng)溝壑用白色進(jìn)行替代，從而實(shí)現(xiàn)路徑修補(bǔ)的作用。這一視覺導(dǎo)航路徑識(shí)別方法使噪聲明顯降低，圖像質(zhì)量明顯提高。張毅等[4]介紹了視覺導(dǎo)引智能車的自適應(yīng)路徑識(shí)別方法。這一方法首先采用最大類間方差法計(jì)算出圖像分割的最佳閾值，并利用閾值二值化灰度圖像；然后提取二值化圖像中的道路中心線，得到自動(dòng)駕駛車輛在道路中所處的位置信息；最后利用線性回歸方程對(duì)丟失的道路邊緣圖像擬合直線，根據(jù)圖像特征完成路徑識(shí)別。這一方法有效提高了不同路徑的識(shí)別率，以及對(duì)外界燈光環(huán)境的適應(yīng)性。

程亞龍等[5]介紹了基于互補(bǔ)金屬氧化物半導(dǎo)體（CMOS）傳感器的智能車路徑識(shí)別方法。這一方法首先對(duì)CMOS傳感器采集的圖像進(jìn)行亮度調(diào)節(jié)和最佳閾值選?。蝗缓蟛捎眠吘墮z測(cè)算法提取道路中心線；最后以選取的中心點(diǎn)為控制點(diǎn)，采用加權(quán)最小二乘法擬合出一條直線，根據(jù)擬合直線的斜率判斷當(dāng)前自動(dòng)駕駛車輛與道路的夾角，由直線的截距判斷自動(dòng)駕駛車輛與道路的偏離情況，從而完成路徑的識(shí)別。這一方法能使智能車快速有效地實(shí)現(xiàn)對(duì)路徑的準(zhǔn)確識(shí)別。王玲玲等[6]針對(duì)賽道參數(shù)，提出了基于激光傳感器的路徑識(shí)別方法。這一方法以激光管作為路徑識(shí)別傳感器，當(dāng)激光管發(fā)射激光照射跑道時(shí)，由于跑道的白色部分與黑色部分具有不同的反射強(qiáng)度，此時(shí)可根據(jù)激光接收管接收到的光線強(qiáng)弱，設(shè)計(jì)相應(yīng)的硬件電路。將讀取的信息根據(jù)激光頭的排列依次存入相應(yīng)的存儲(chǔ)位置，并根據(jù)所得的信息提取黑線，從而達(dá)到對(duì)路徑進(jìn)行識(shí)別的目的。這一方法在智能車上具有較好的穩(wěn)定性和可靠性，但激光傳感器有易受外光源干擾、受限于道路信息、易損壞等缺點(diǎn)，比較適合于檢測(cè)道路中路障等額外道路信息。林辛凡等[7]介紹了基于光電傳感器的路徑識(shí)別方法。這一方法通過(guò)普通輸入輸出端口將接收管電壓讀入單片機(jī)，根據(jù)端口輸入的高低電平邏輯來(lái)判斷傳感器是否處于路徑標(biāo)記線上方，再篩選出所有處于標(biāo)記線上方的傳感器，便可以大致判斷車身相對(duì)于道路的位置，從而確定路徑信息。這一方法消除了傳感器間隙的盲區(qū)，實(shí)現(xiàn)了連續(xù)的路徑識(shí)別。除了COMS傳感器、激光傳感器、光電傳感器識(shí)別路徑之外，還有一種方法是將多個(gè)傳感器的信息進(jìn)行融合，如武歷穎[8]介紹的多傳感器信息融合識(shí)別方法。這一方法首先對(duì)激光雷達(dá)三維數(shù)據(jù)進(jìn)行分析，提取障礙物塊位置信息、深度信息及相對(duì)本車速度；然后通過(guò)激光雷達(dá)坐標(biāo)與圖像像素坐標(biāo)之間的對(duì)應(yīng)關(guān)系，將障礙物塊投影到圖像中，確定前方車輛感興趣區(qū)域；最后通過(guò)密集掃描提取區(qū)域子窗口，利用級(jí)聯(lián)分類器完成前方車輛的識(shí)別。這一方法有效地解決了單個(gè)傳感器信息檢測(cè)不可靠的問題，提高了系統(tǒng)對(duì)前方車輛的檢測(cè)精度、可靠性及實(shí)時(shí)檢測(cè)能力。

基于視覺的路徑識(shí)別方法與基于傳感器的路徑識(shí)別方法原理相似，都是對(duì)采集到的圖像利用計(jì)算機(jī)進(jìn)行灰度化、二值化、去噪等處理，但所用的硬件設(shè)備及在處理過(guò)程中用的方法則有所不同，如前者的硬件是攝像頭，后者利用的是傳感器，因此，這兩者方法所得到的識(shí)別效果也有所不同。對(duì)上述實(shí)例進(jìn)行分析比較，可以了解基于視覺的路徑識(shí)別方法在光照強(qiáng)度不足、目標(biāo)相互遮擋等復(fù)雜環(huán)境下對(duì)智能車具有較好的識(shí)別效果，而基于傳感器的路徑識(shí)別方法則具有快速、穩(wěn)定的優(yōu)勢(shì)。

3 路徑跟蹤技術(shù)

路徑跟蹤[9]的目的是通過(guò)不斷產(chǎn)生速度和轉(zhuǎn)向命令來(lái)補(bǔ)償跟蹤誤差，從而自主驅(qū)動(dòng)移動(dòng)機(jī)器人的路徑。路徑跟蹤的整個(gè)過(guò)程是由控制器來(lái)執(zhí)行的，而控制器的設(shè)計(jì)又是通過(guò)算法來(lái)實(shí)現(xiàn)的。筆者對(duì)路徑跟蹤算法在彈道導(dǎo)彈及其它領(lǐng)域的應(yīng)用進(jìn)行分析，并對(duì)各種路徑跟蹤算法在自動(dòng)駕駛汽車上的應(yīng)用進(jìn)行探索。

3.1 彈道導(dǎo)彈

薛高茹等[10]介紹了基于期望最大化的跟蹤算法。這一算法首先在E步基于平滑器得到狀態(tài)和未知參數(shù)的后驗(yàn)估計(jì)，然后在M步計(jì)算初始狀態(tài)的均值、協(xié)方差及過(guò)程噪聲協(xié)方差等未知統(tǒng)計(jì)量，最后推導(dǎo)出基于平滑建議分布函數(shù)的期望最大化算法，并給出未知統(tǒng)計(jì)量的最優(yōu)解析解。這一算法與普通期望最大化算法相比，避免了非凸優(yōu)化難以求解的問題；與傳統(tǒng)算法相比，不需要依賴先驗(yàn)參數(shù)的假設(shè)，提高了未知彈道參數(shù)下主動(dòng)段目標(biāo)跟蹤的精度。仵浩等[11]介紹了基于線性分配方法的多假設(shè)跟蹤算法。這一算法首先依據(jù)測(cè)量值和目標(biāo)構(gòu)建多個(gè)假設(shè)的匹配對(duì)，計(jì)算所有匹配假設(shè)的概率，進(jìn)而依據(jù)概率確認(rèn)并選擇最優(yōu)的匹配假設(shè)，完成測(cè)量值與目標(biāo)之間的關(guān)聯(lián)；然后構(gòu)建關(guān)于線性分配的關(guān)聯(lián)假設(shè)，采用多假設(shè)篩選技術(shù)[12]計(jì)算所有關(guān)聯(lián)假設(shè)的概率；最后根據(jù)線性分配選出的最大概率的關(guān)聯(lián)假設(shè)，在多目標(biāo)跟蹤第k+1步得到的側(cè)量值和第k步跟蹤好的目標(biāo)之間進(jìn)行數(shù)據(jù)關(guān)聯(lián)，從而實(shí)現(xiàn)目標(biāo)的跟蹤。這一算法對(duì)鄰近發(fā)射和軌跡交叉的多彈道導(dǎo)彈目標(biāo)具有較好的跟蹤能力，但由于是在簡(jiǎn)化模型及一些假設(shè)的條件下進(jìn)行的，因此在跟蹤性能方面有所不足。

上述兩種路徑跟蹤算法在路徑跟蹤過(guò)程中均取得了一定的效果，如果將應(yīng)用于彈道導(dǎo)彈上的路徑跟蹤算法巧妙地應(yīng)用于自動(dòng)駕駛汽車上，將會(huì)使自動(dòng)駕駛技術(shù)邁向新的臺(tái)階。

3.2 其它領(lǐng)域

王愛平[13]介紹了基于增量式極端隨機(jī)森林（IERF）分類器的視頻目標(biāo)跟蹤算法。這一算法首先在第一幀視頻圖像中選擇目標(biāo)區(qū)域，提取正負(fù)樣本，訓(xùn)練IERF分類器；然后采用半監(jiān)督學(xué)習(xí)理論中的協(xié)同訓(xùn)練框架，為IERF分類器提供大量無(wú)標(biāo)記樣本，以完成增量學(xué)習(xí)；最后將兩個(gè)特征空間IERF分類器各自產(chǎn)生的一幅置信圖整合成為一幅置信圖，并利用連續(xù)自適應(yīng)均值算法[14]確定目標(biāo)物體的位置。這一算法有效地解決了小樣本數(shù)據(jù)流的在線學(xué)習(xí)問題，對(duì)視頻、在線多目標(biāo)等能進(jìn)行有效的跟蹤。徐小良等[15]介紹了基于測(cè)量新息量化策略和容積粒子濾波的目標(biāo)跟蹤融合算法。研究人員首先利用狀態(tài)方程恒等變換和矩陣相似變換理論解除過(guò)程噪聲、測(cè)量噪聲，以及測(cè)量噪聲之間的相關(guān)性；然后各個(gè)傳感器節(jié)點(diǎn)采用自適應(yīng)策略量化局部測(cè)量新息，并將其發(fā)送到融合中心；最后在集中式融合框架下，采用容積粒子濾波器設(shè)計(jì)基于測(cè)量值擴(kuò)維的量化融合跟蹤算法，進(jìn)而給出相應(yīng)的順序?yàn)V波量化融合算法。這一算法有效解決了因自適應(yīng)量化引起的非高斯問題，從而提高了跟蹤算法的有效性。

上述路徑跟蹤算法，其原理雖然不同，但是對(duì)目標(biāo)的跟蹤達(dá)到了相同的穩(wěn)定效果。

陳霄等[16]介紹了自適應(yīng)路徑控制算法。這一算法基于坐標(biāo)變換解除控制輸入與欠驅(qū)動(dòng)運(yùn)動(dòng)自由度的耦合，利用級(jí)聯(lián)系統(tǒng)控制器設(shè)計(jì)思想，分別設(shè)計(jì)自適應(yīng)位置誤差控制律和艏向角誤差控制律。其中，自適應(yīng)位置誤差和期望艏向角控制律中前視距離和積分增益都以位置誤差為函數(shù)的時(shí)變量，通過(guò)自適應(yīng)估計(jì)并補(bǔ)償外界擾動(dòng)造成的側(cè)滑角，從而獲得對(duì)位置誤差的整定。艏向角誤差利用動(dòng)態(tài)反饋線性化比例微分控制方法，根據(jù)濾波后的連續(xù)平滑信號(hào)進(jìn)行整定。這一算法對(duì)目標(biāo)具有較好的路徑跟蹤效果和動(dòng)態(tài)性能。邵俊愷等[17]介紹了強(qiáng)化學(xué)習(xí)自適應(yīng)比例積分微分（PID）路徑跟蹤控制算法。這一算法推導(dǎo)自動(dòng)駕駛車的運(yùn)動(dòng)學(xué)模型，根據(jù)模型建立實(shí)際行駛路徑與參考路徑偏差的模型。以PID控制算法為基礎(chǔ)，設(shè)計(jì)基于強(qiáng)化學(xué)習(xí)的自適應(yīng)PID路徑跟蹤控制器。這一控制器以橫向位置偏差、航向角偏差、曲率偏差為輸入，以轉(zhuǎn)角控制量為輸出，通過(guò)強(qiáng)化學(xué)習(xí)算法對(duì)PID參數(shù)進(jìn)行在線自適應(yīng)整定，實(shí)現(xiàn)路徑跟蹤控制的智能化。與傳統(tǒng)PID控制器相比，強(qiáng)化學(xué)習(xí)自適應(yīng)PID控制器能夠有效減小超調(diào)和振蕩，實(shí)現(xiàn)精確跟蹤路徑，并可以較好地實(shí)現(xiàn)系統(tǒng)動(dòng)態(tài)性能和穩(wěn)態(tài)誤差性能的優(yōu)化。鄭澤偉等[18]介紹了自適應(yīng)模糊路徑跟蹤控制算法。這一算法首先基于飛艇的平面運(yùn)動(dòng)模型設(shè)計(jì)路徑跟蹤控制律，包括制導(dǎo)律計(jì)算、偏航角跟蹤和速度控制三部分；然后構(gòu)造直接自適應(yīng)模糊控制器逼近路徑跟蹤控制律中的不確定項(xiàng)，從而實(shí)現(xiàn)飛艇跟蹤給定的期望路徑，降低跟蹤誤差。這一算法有效地抑制了外部干擾因素，實(shí)現(xiàn)了對(duì)期望路徑的跟蹤。

楊迪等[19]介紹了神經(jīng)網(wǎng)絡(luò)自適應(yīng)路徑跟蹤控制算法。這一算法首先根據(jù)運(yùn)動(dòng)學(xué)誤差方程和線性變換，確定輔助的前進(jìn)速度和艏搖角；然后利用神經(jīng)網(wǎng)絡(luò)逼近技術(shù)對(duì)模型中任意不確定因素進(jìn)行補(bǔ)償，設(shè)計(jì)自適應(yīng)控制律，使實(shí)際的前進(jìn)速度和艏搖角分別收斂至輔助值。這一算法應(yīng)用李雅普諾夫函數(shù)證明船舶路徑跟蹤閉環(huán)系統(tǒng)的誤差信號(hào)最終一致有界，從而提高了路徑跟蹤控制的魯棒性。

通過(guò)對(duì)不同領(lǐng)域的路徑跟蹤算法進(jìn)行分析，可以確認(rèn)不同的路徑跟蹤算法雖然有所區(qū)別，但是對(duì)于目標(biāo)的跟蹤在魯棒性、穩(wěn)定性、可靠性方面都有獨(dú)特的優(yōu)勢(shì)。

4 在自動(dòng)駕駛中的應(yīng)用

4.1 路徑識(shí)別技術(shù)

李亮等[20]針對(duì)視覺導(dǎo)航路徑識(shí)別問題進(jìn)行研究，在MATLAB軟件中對(duì)彩色圖像采用最大類間方差法進(jìn)行預(yù)處理，并采用面積去噪、水平投影等特征點(diǎn)提取方法，實(shí)現(xiàn)對(duì)臨時(shí)特定路徑的識(shí)別功能。周濤濤等[21]為了提高視覺導(dǎo)航自動(dòng)導(dǎo)引運(yùn)輸車在運(yùn)行過(guò)程中對(duì)路徑標(biāo)志符識(shí)別的可靠性和實(shí)時(shí)性，設(shè)計(jì)了實(shí)際應(yīng)用中常見的幾類標(biāo)志符，并針對(duì)這些標(biāo)志符提出了一種基于形狀特征的識(shí)別算法。季聰[22]針對(duì)智能汽車在復(fù)雜未知環(huán)境下的路徑識(shí)別和車輛在結(jié)構(gòu)化道路及非結(jié)構(gòu)化道路下的車道線識(shí)別與提取問題，提出基于雙目視覺方法對(duì)路徑進(jìn)行識(shí)別。李進(jìn)[23]針對(duì)智能車輛路徑導(dǎo)航直線模型的缺點(diǎn)，提出了只對(duì)兩個(gè)感興趣區(qū)域進(jìn)行處理、將識(shí)別出的路徑近似為直線段，以及改變智能車輛路徑識(shí)別流程的方法，這一方法不僅提高了圖像處理速度，而且保證了圖像識(shí)別的魯棒性和實(shí)時(shí)性。

4.2 路徑跟蹤技術(shù)

焦紀(jì)超[24]針對(duì)傳統(tǒng)純跟蹤算法的缺點(diǎn)，提出了一種可變預(yù)瞄距離的路徑跟蹤算法。這一算法在純跟蹤算法的基礎(chǔ)上，利用模糊推理方法，將車輛的速度和加速度作為輸入，將預(yù)瞄距離作為輸出，并制訂合理的隸屬度函數(shù)和控制規(guī)則，實(shí)時(shí)根據(jù)車輛的狀態(tài)計(jì)算出合理的預(yù)瞄距離，從而保證路徑跟蹤的準(zhǔn)確性和車輛的穩(wěn)定性。王紀(jì)偉等[25]針對(duì)自動(dòng)駕駛汽車的路徑及速度跟蹤控制，提出了一種模糊免疫PID控制方法。這一方法通過(guò)比較自動(dòng)駕駛汽車實(shí)際行駛路徑與期望路徑的側(cè)向偏差，采用模糊免疫比例路徑跟蹤控制器控制轉(zhuǎn)向機(jī)械手，進(jìn)而操縱方向盤；通過(guò)計(jì)算期望車速與實(shí)際車速的偏差，采用模糊免疫PID速度跟蹤控制器控制油門踏板；最后通過(guò)車輛的側(cè)向加速度增益，實(shí)現(xiàn)車輛轉(zhuǎn)向控制與縱向車速控制的解耦。劉玉杰等[26]針對(duì)軌跡碎片問題，提出基于狀態(tài)預(yù)測(cè)和運(yùn)動(dòng)結(jié)構(gòu)的在線多目標(biāo)跟蹤算法。這一算法利用運(yùn)動(dòng)結(jié)構(gòu)實(shí)現(xiàn)目標(biāo)空間位置的對(duì)齊，采用多特征融合進(jìn)行相似度計(jì)算，然后和未關(guān)聯(lián)目標(biāo)測(cè)量結(jié)果進(jìn)行相似度匹配，從而完成軌跡的恢復(fù)。

5 結(jié)束語(yǔ)

筆者通過(guò)對(duì)各個(gè)領(lǐng)域的路徑識(shí)別和路徑跟蹤技術(shù)進(jìn)行分析，確認(rèn)不同領(lǐng)域的路徑識(shí)別和路徑跟蹤技術(shù)在自動(dòng)駕駛中均有所應(yīng)用。未來(lái)，自動(dòng)駕駛的發(fā)展將會(huì)是多學(xué)科、多領(lǐng)域的綜合性應(yīng)用，在學(xué)者的共同努力下，具有更好魯棒性、高效性的路徑識(shí)別和路徑跟蹤技術(shù)將不斷出現(xiàn)。