江浩斌,葉 浩,馬世典,陳 龍

( 江蘇大學 a.汽車與交通工程學院； b.汽車工程研究院, 江蘇 鎮(zhèn)江 212013)

隨著人們對汽車安全與舒適要求的不斷提高，智能化、網(wǎng)聯(lián)化、電動化已成為未來汽車發(fā)展的趨勢。智能化與網(wǎng)聯(lián)化的終極目標是實現(xiàn)無人駕駛，而作為無人駕駛不可或缺的重要組成部分，全自動泊車系統(tǒng)也受到研究人員的高度重視。自動泊車系統(tǒng)是汽車在低速和城市復雜環(huán)境下的一個重要應用，其作用是輔助駕駛員安全快速地實現(xiàn)泊車。自動泊車系統(tǒng)由環(huán)境感知、路徑規(guī)劃和路徑跟蹤3個部分組成[1]。泊車控制器通過環(huán)境感知系統(tǒng)獲得待泊車位和障礙物信息，并根據(jù)自車與待泊車位的幾何關系規(guī)劃泊車路徑，進行路徑跟蹤控制，最終實現(xiàn)自動泊車。自動泊車系統(tǒng)架構(gòu)如圖1所示。

圖1 自動泊車系統(tǒng)架構(gòu)

泊車位的精確探測與識別是自動泊車系統(tǒng)的關鍵問題。目前國內(nèi)外開發(fā)的自動泊車系統(tǒng)普遍存在泊車位尺寸探測精度低、識別率低、可識別的泊車位類型較少等問題，尚無有效的解決方案。

目前常用的泊車位探測方法主要包括兩種。一種通過超聲波雷達探測泊車位[2-3]，由于超聲波雷達存在雷達張角且沒有角度探測能力，因此這種方法無法對泊車位進行高精度探測；此外，超聲波雷達探測車位時，泊車位必須至少一側(cè)停有車輛。另一種泊車位探測方法通過圖像傳感器直接識別車輛[4]，或在有停車線的情況下，通過視覺傳感器拍攝圖像，設計特定算法識別停車線，以此來識別泊車位[5-6]。這種方法可靠性較差，容易受到天氣、光線等干擾，且目前國內(nèi)停車位的標線畫法雜亂，給停車線的識別帶來很大難度。此外，基于圖像的泊車輔助系統(tǒng)僅能為駕駛員提供一些輔助信息，需要人工介入才能確定泊車位，或者需要駕駛員根據(jù)輔助信息自行完成泊車操作[7-8]。

隨著微電子技術(shù)、信號檢測與處理技術(shù)、計算機技術(shù)、網(wǎng)絡通信技術(shù)以及控制技術(shù)的飛速發(fā)展，各種面向復雜應用背景的多傳感器系統(tǒng)大量涌現(xiàn)[9]。信息融合技術(shù)能提高多傳感器系統(tǒng)的可探測性和可信度，增強探測精度，增加目標特征維數(shù)[10]，已成為自動泊車乃至無人駕駛的研究熱點。在自動泊車領域，通常采用超聲波雷達和視覺傳感器進行數(shù)據(jù)融合，以提高識別停車位的能力。許多科研人員在這方面進行了相關探索。王文飛[11]設計了一種基于超聲波雷達和機器視覺的自動泊車系統(tǒng)，提出參考車泊車位模型和泊車線車位模型，分別通過超聲波測距與視頻分析的方法實現(xiàn)泊車位識別。但該系統(tǒng)只是簡單地使用超聲波雷達和視頻分析方法搜索泊車位，將最后結(jié)果進行融合，與單獨使用一種傳感器的泊車系統(tǒng)相比，僅增加了泊車位識別類型的數(shù)量。高航等[12]利用激光雷達、圖像傳感器、慣性導航系統(tǒng)等建立了停車位感知系統(tǒng)，為不同車位設計了多種泊車路徑并實現(xiàn)路徑跟蹤控制。該系統(tǒng)各個傳感器探測到的信息能在一定程度上進行互補，但并未進行系統(tǒng)性的有機融合，且數(shù)據(jù)量巨大，難以滿足實時性要求。江浩斌等[13]利用超聲波雷達、視覺傳感器、里程計信息融合來辨識停車位兩側(cè)車輛姿態(tài)和車位參數(shù)模型，再根據(jù)模糊邏輯推理出泊車位識別結(jié)果，能實現(xiàn)多種停車位的智能識別，但這種方法僅能識別側(cè)邊有車的泊車位，且其重點在于識別不規(guī)則庫位，并未提高泊車位探測精度，對于泊車位內(nèi)有移動障礙物的情況也無法識別。總體來說，目前有關數(shù)據(jù)融合的泊車位識別技術(shù)研究還較少，研究也不夠深入，泊車位探測精度及可識別的車位類型均不夠理想。

為了提高泊車位的探測精度、識別率、安全性以及識別更多類型車位，本文建立了14種標準停車位模型，通過超聲波雷達與視覺傳感器數(shù)據(jù)的多層次融合實現(xiàn)對泊車位的識別。通過仿真和實車試驗，驗證了所設計的算法的有效性。

1 泊車位類型建模

國內(nèi)城市環(huán)境中停車位類型較多，總體可分為有停車線停車位和無停車線停車位，或者分為水平停車位和垂直停車位。本文首先對各種停車位建立標準模型，如圖2、3所示。對于圖中所示障礙物1和障礙物2(不區(qū)分水平和垂直泊車位)，一般定義為其他停止的車輛、墻體等較大的不會自行移動的障礙物。

圖2 平行泊車位類型

圖3 垂直泊車位類型

1.1 平行泊車位

平行泊車位作為城市中最常見的停車位形式之一，根據(jù)泊車位前后是否有障礙物、障礙物與泊車位方位關系以及是否有停車線，本文將其分為7種類型，見圖2。

1.2 垂直泊車位

垂直泊車位也是城市環(huán)境中最常見的停車位類型之一。根據(jù)泊車位左右是否有障礙物、障礙物與泊車位方位關系以及是否有停車線，本文將垂直泊車位分為7種類型，見圖3。

部分停車位即使內(nèi)部沒有停車也無法使用。以前后均有障礙物的平行泊車位為例，在停車位中間可能存在其他小型障礙物，如自行車、電動車、行人、小動物或是石塊等。在這種情況下必須有效判斷該車位是否可用，如果是停放的自行車、電動車及其他不動的物體，則該泊車位不能使用；如果是經(jīng)過的行人、小動物等，實際泊車時行人和小動物已經(jīng)離開，則可以進行泊車，將這種情況下停車位內(nèi)部的小型障礙物定義為疑似障礙物(圖4)。

圖4 泊車位中有疑似障礙物的情況

2 泊車位邊界高精度識別

2.1 泊車系統(tǒng)硬件介紹

僅使用超聲波雷達探測泊車位時，由于存在雷達張角，探測精度較低。因此，在超聲波雷達的基礎上增加視覺傳感器，通過數(shù)據(jù)融合實現(xiàn)泊車位探測精度的提高。如圖5所示，本文采用的技術(shù)方案為在車身前后一定高度按一定距離各安裝4個短距超聲波雷達，用于在泊車過程中實時檢測車輛前后是否有障礙物，在車身左右同樣高度各安裝2個長距離超聲波雷達，用于探測泊車位。同時，在車身前后車牌上方、左右后視鏡下方各安裝1個魚眼攝像頭，用于識別車輛邊界和泊車線。所有超聲波雷達及魚眼鏡頭的相對位置在安裝時已確定。

圖5 基于環(huán)視和超聲波雷達的泊車系統(tǒng)

尋庫時車輛沿著停車位向前行駛，如圖6所示。在行駛過程中，側(cè)面超聲波雷達實時探測泊車位，同時攝像頭拍攝沿途視頻，輪速傳感器記錄車輛實時速度，方向盤轉(zhuǎn)角傳感器實時記錄前輪轉(zhuǎn)角。尋庫過程中所有傳感器檢測到的每一個數(shù)據(jù)均包含時間戳，所有數(shù)據(jù)均需利用時間戳進行數(shù)據(jù)對準，以實現(xiàn)時間和空間的統(tǒng)一。為便于描述，對于探測到的車位幾何尺寸，與車輛行駛方向相同的空間距離定義為車位寬度Lw，與車輛行駛方向垂直的空間距離定義為車位深度Ld。

2.2 基于超聲波雷達與視覺數(shù)據(jù)融合的車輛邊界識別

當超聲波雷達探測不到物體時定義為無限遠，由于乘用車庫位寬度一般為2.5 m，長度一般為5～5.5 m，而在尋庫過程中自車側(cè)面與障礙物的距離一般在0.5～1.5 m，所以可將超聲波雷達無限遠處數(shù)據(jù)統(tǒng)一為7 m。以前后均有障礙物的水平泊車位為例，在尋庫完成后，超聲波雷達探測到的庫位特征如圖7所示。從圖中可以看出，前后兩車之間有1個車位，然而車位邊緣卻無法準確判斷。

圖6 基于超聲波雷達的自動泊車系統(tǒng)

圖7 超聲波雷達探測車位

由于攝像頭和超聲波雷達安裝位置都是固定的，并且進行了數(shù)據(jù)對準，因此很容易將魚眼鏡頭中心線通過庫位邊緣區(qū)域時對應圖片提取出來。為了更精確地識別車輛邊界，需要將圖像中的車輛邊界區(qū)域作為興趣區(qū)域ROI(region of interest)提取出來。圖像中車輛高度方向邊界很容易根據(jù)超聲波雷達測得的側(cè)方距離推算出來，結(jié)合側(cè)方距離突變可得到水平方向邊界區(qū)域。將高度和水平邊界框住的部分作為圖像處理的興趣區(qū)域ROI。圖8為魚眼鏡頭正對車輛邊界時的經(jīng)過畸變校正后的圖片，其中ROI用紅色方框標出。圖8(a)為車輛尾部邊緣區(qū)域，圖8(b)為車輛頭部邊緣區(qū)域。

圖8 車輛邊緣圖像

從提取出的ROI圖像可以看出：由于車輛顏色與環(huán)境(地面)顏色不同，因此存在一條很明顯的邊界線，可以采用邊緣檢測算法提取邊界。比較常用的邊緣檢測模板有Laplacian算子、Roberts算子、Sobel算子、LoG算子[14]、Kirsch算子[15]和Prewitt算子等。

本文采用Canny邊緣檢測算法。首先將車輛興趣區(qū)域剪裁出來，去掉其他無用部分，如圖9(a)所示；然后進行灰度處理，有效減少計算量；之后采用Canny邊緣檢測算法找出圖中邊緣線，進一步濾波去噪；最后采用hough變換檢測圖中直線，確定車輛邊緣線。進行Canny邊緣檢測后，圖中會出現(xiàn)大量其他直線，對車輛邊緣提取造成干擾，如圖9(c)所示。為此，在進行hough變換時需要將檢測直線的角度限制在一定范圍內(nèi)。由于車輛邊緣是垂直于地面的，所以將這個角度限制為(90°±α)范圍，其中α為允許的角度誤差，α值一般為5°。最終識別結(jié)果如圖9(d)所示，從圖中可以看出算法能夠有效檢測出車輛邊緣。與僅用超聲波雷達檢測出的車輛邊緣區(qū)域相比，融合圖像信息后，檢測出來的是一條線，檢測精度明顯提高。通過超聲波雷達與圖像融合識別車輛邊界后，可以得到停車位的有效寬度Lw和有效深度Ld。

2.3 疑似障礙物及車輛朝向識別

對于車位內(nèi)有疑似障礙物的情況，當車輛行駛時，可以由輪速傳感器檢測輪速，并根據(jù)時間積分出行駛里程，結(jié)合方向盤轉(zhuǎn)角，獲得車輛行駛路徑。在統(tǒng)一的世界坐標系下，車輛上超聲波雷達1在時刻t1檢測到小型障礙物，記錄其位置坐標(x1,y1)，在時刻t2時，超聲波雷達2檢測到障礙物，記錄其位置坐標(x2,y2)，則小型障礙物移動速度可由如下公式獲得：

(1)

若庫位內(nèi)沒有疑似障礙物，則可將v0設置為無窮大，對于結(jié)果不會產(chǎn)生影響，便于計算機統(tǒng)一處理。

圖9 Canny邊緣檢測

在車位判斷過程中，僅依靠車位寬度和深度有時并不足以判斷車位類型，因此需要根據(jù)對車輛輪胎[16]、車牌[17]、車尾燈[18]等的輔助識別判斷車位類型。若在視頻圖像中檢測到車輛輪胎，則判定為車輛側(cè)面，進一步可判斷此車位類型為水平泊車位；若檢測到車牌、車尾燈等，則判斷為車輛頭部或尾部，進一步可判斷此車位類型為垂直泊車位。在實際應用中，車輛輪胎可以抽象為黑色的圓，其尺寸也在一個固定范圍內(nèi)，因此可以通過經(jīng)典的Hough圓變換檢測。車牌檢測已經(jīng)是十分成熟的技術(shù)，此處僅需車牌檢測的簡化方法，即只需做到識別車牌即可，不必識別車牌內(nèi)容。車尾燈顏色為紅色，形狀為直線和角點的組合，可以采用特征匹配的方法進行檢測。采用盡量簡單的算法能夠最大限度地節(jié)省處理器計算資源，滿足實時性要求。

3 基于多層次信息融合的泊車位識別

本文數(shù)據(jù)融合框架如圖10所示。在尋庫過程中，超聲波雷達1和超聲波雷達2同時工作，檢測障礙物。當超聲波雷達1檢測到的距離產(chǎn)生突變時，將發(fā)生突變的區(qū)域作為ROI提供給視覺傳感器進行特征提取，獲得車輛邊沿線，這樣即可獲得庫位寬度Lw和深度Ld。同時超聲波雷達1和超聲波雷達2檢測庫位內(nèi)部疑似障礙物速度v0，再經(jīng)過模糊控制器獲得識別的庫位。由于僅依靠模糊控制器有的庫位無法識別或無法完全確定庫位類型，因此還需通過視覺傳感器提取車輛朝向、停車線等信息，與模糊控制器結(jié)果進行信息融合，最終確定泊車位類型。

圖10 數(shù)據(jù)融合框架

模糊邏輯控制(fuzzy logic control)是以模糊集合論、模糊語言變量和模糊邏輯推理為基礎的一種計算機數(shù)字控制技術(shù)[19]，是一種非線性全局智能控制的方法。本文設計的模糊控制器包含3個輸入、模糊規(guī)則、2個輸出。3個輸入分別是車位寬度Lw、車位深度Ld、庫內(nèi)障礙物速度v0。輸出為水平、垂直兩種類型，其中水平表示識別出的庫位類型為水平停車位，垂直表示識別出的車位為垂直停車位。

3.1 隸屬度函數(shù)

根據(jù)先驗知識可知：對于車位寬度，當其小于一定值時，車輛無法停入；當其處于某定值范圍時，垂直泊車時可以停入；當其大于一定值時，垂直和水平皆可停入。因此，得到3個模糊子集：WS、WM、WL，其中:WS表示小寬度，此時車輛無法泊車;WM表示中寬度，此時車輛可以進行垂直泊車;WL表示大寬度，此時垂直和水平皆可停入。車位寬度隸屬度函數(shù)如圖11所示。

圖11 庫位寬度隸屬度函數(shù)

同理，對于車位深度，當其小于一定值時，車輛無法停入；當其處于某定值范圍時，車輛可以水平停入；當其大于一定值時，垂直和水平皆可停入。因此，得到3個模糊子集：DS、DM、DL，其中:DS表示小深度，此時車輛無法停入;DM表示中深度，此時車輛可以水平停入;DL表示大寬度，此時車輛垂直和水平皆可停入。車位深度隸屬度函數(shù)如圖12所示。

圖12 庫位深度隸屬度函數(shù)

L1表示車輛垂直泊車時能進入的最小庫位寬度，L2表示標準垂直庫位寬度，L3表示車輛水平泊車時能進入的最小庫位寬度，L4表示標準水平庫位寬度。

對于庫內(nèi)疑似障礙物速度，當速度小于一定值時，可以認為是傳感器誤差導致，此時認為疑似障礙物是固定障礙物，車位無法使用，當速度大于一定值時，可以認為疑似障礙物是人或者動物，當真正開始泊車時人或動物已經(jīng)離開，或者其會主動避讓泊車，此時判定車位可用。因此，得到兩個模糊子集：VS、VL，其中:VS表示小速度;VL表示大速度。當庫內(nèi)沒有疑似障礙物時，定義其中疑似障礙物速度無窮大，即歸入大速度子集，此時不影響結(jié)果的正確性。疑似障礙物速度隸屬度函數(shù)如圖13所示。

圖13 疑似障礙物速度隸屬度函數(shù)

v1表示可以被判斷為運動物體的最小速度，v2表示可以被判斷為靜止物體的最大速度。

3.2 模糊規(guī)則

模糊規(guī)則是模糊控制的核心，根據(jù)經(jīng)驗和知識推理，用輸入輸出變量的模糊狀態(tài)加以描述，即可得到模糊規(guī)則。當庫內(nèi)疑似障礙物速度為VL時，判定為非庫位；當庫內(nèi)疑似障礙物速度為VS時，模糊規(guī)則如表1所示。

表1 模糊規(guī)則

表1中有2個結(jié)果，分別對應水平庫位和垂直庫位的判斷輸出。若2個結(jié)果都是非庫，則說明檢測到的庫位不是停車位；若1個是非庫，另1個結(jié)果是水平或垂直，則檢測到的庫位結(jié)果對應水平或垂直庫位；若同時出現(xiàn)水平和垂直結(jié)果，則說明此庫位既可能是水平庫位，也可能是垂直庫位，需要結(jié)合圖像數(shù)據(jù)融合再次進行確認。為便于計算機處理，對輸出結(jié)果進行編號，規(guī)則為：水平：01；垂直：10；非：00；無法判斷水平或垂直：11。對于編號為11的情況，需結(jié)合視覺傳感器探測到的車輛朝向或者車位線確定庫位類型。通過以上信息融合，可以識別出水平和垂直共14種車位類型。

4 實車試驗

本文在實車上安裝1個圖像處理控制器和泊車控制器，如圖14所示。圖像處理控制器與安裝在車輛四周的4個魚眼鏡頭相連接，將識別出的圖像特征通過CAN總線發(fā)送給泊車控制器。泊車控制器與12個超聲波雷達相連接，驅(qū)動雷達探測泊車位并記錄數(shù)據(jù)，結(jié)合圖像處理控制器識別出的特征進行信息融合，實現(xiàn)泊車位高精度探測與識別。

圖14 圖像處理器(左)和泊車控制器(右)

通過車載泊車控制器和視覺處理控制器，進行泊車位識別試驗。根據(jù)專家經(jīng)驗，設置模糊控制器參數(shù)為：L1=2.4 m，L2=2.6 m，L3=5.2 m，L4=5.6 m，v1=0.5 m/s，v2=1.5 m/s。試驗分為3種情況，泊車位寬度和深度在模糊集范圍內(nèi)隨機生成，以人作為庫內(nèi)疑似障礙物。試驗車輛類型為SUV，部分泊車場景如圖15所示，其中15(a)為對水平泊車位的尋庫過程，自車從右向左緩慢行駛進行尋庫操作；圖15(b)為對垂直泊車位的尋庫過程，自車從左向右緩慢行駛進行尋庫操作。

圖15 泊車試驗場景

為全面測試本文提出的泊車位辨識方法，根據(jù)庫內(nèi)疑似障礙物有無及運動情況，將14種泊車位全部分為3種情況：試驗Ⅰ：庫內(nèi)沒有疑似障礙物；試驗Ⅱ：庫內(nèi)有人但靜止不動；試驗Ⅲ：庫內(nèi)有人走動。車位類型及識別結(jié)果如表2所示，表中車位類型編號依次對應前文所述水平和垂直泊車位，共14種?；诒疚牟窜囓囄槐孀R方法的試驗結(jié)果如表2所示。

為驗證本文泊車位辨識方法的性能，同時進行了目前已有的兩種泊車位探測方法對比試驗。第1種方法僅在車輛側(cè)前方安裝一個超聲波雷達，通過車輛向前行駛探測泊車位，試驗結(jié)果如表3所示。第2種方法僅使用攝像頭識別車道線，試驗結(jié)果如表4所示。

表2 實車試驗結(jié)果

表3 僅安裝超聲波雷達時試驗結(jié)果

表4 僅安裝攝像頭時試驗結(jié)果

從實車試驗結(jié)果可以看出，僅在車輛側(cè)前方安裝1個超聲波雷達探測泊車位時，無法進行只有停車線的泊車位探測。泊車位內(nèi)部有疑似障礙物時，無論疑似障礙物是否移動，都會判斷為障礙物，因此對于疑似障礙物移動時的情況，無法正確辨識泊車位。僅使用攝像頭識別泊車位時，對于沒有泊車線的情況不具備識別能力。本文所采用的泊車位識別方法能夠識別更多泊車位類型，識別率較高，與僅采用1個超聲波雷達和僅使用攝像頭檢測泊車位的方法相比優(yōu)勢明顯，能夠有效提高自動泊車系統(tǒng)的智能化水平。同時，從結(jié)果中也可以看出，實驗條件越復雜，泊車位識別成功率就越低。這是由于越是復雜的試驗條件，各個傳感器出錯的概率就越高，進而影響泊車位識別成功率。

5 結(jié)束語

本文采用多個超聲波雷達和視覺傳感器，通過數(shù)據(jù)融合實現(xiàn)了泊車位邊界的高精度探測，能夠有效降低因超聲波雷達張角而產(chǎn)生的庫長探測誤差。

利用2個超聲波雷達先后探測庫位內(nèi)部疑似障礙物，建立疑似障礙物速度計算方法，解決了庫內(nèi)疑似障礙物判別問題，為判斷泊車位是否可用提供了有力支撐。

建立了泊車位識別的模糊控制邏輯，能夠有效識別大部分類型車位。采用視覺傳感器檢測出的車輛朝向和停車線等信息進行信息融合，能夠判斷更多種類型的水平和垂直泊車位。

進行了多種實驗條件下的實車試驗。試驗結(jié)果表明：本文所采用的泊車位辨識方法能夠有效識別多種類型的泊車位，識別率高，與僅采用1個超聲波雷達和僅使用攝像頭檢測泊車位的方法相比優(yōu)勢明顯，能夠有效提高自動泊車系統(tǒng)的智能化水平。