趙一鳴Zhao Yiming

某輔助駕駛感知芯片目標排序規(guī)律探究

趙一鳴
Zhao Yiming

（聯(lián)創(chuàng)汽車電子有限公司，上海 201206）

以目前輔助駕駛中廣泛應用的某款芯片為例，探究其目標識別及排序規(guī)律；針對我國某些場景下芯片識別不準確及不適應問題，提出相應的解決方案。

輔助駕駛；目標識別；排序規(guī)律

0 引 言

隨著人工智能的發(fā)展，自動駕駛成為當下研究熱點，汽車界普遍認為自動駕駛會引領下一輪汽車革命方向。目前各大整車廠商、汽車零部件廠商及互聯(lián)網公司紛紛布局，在輔助駕駛及特定場景下的高級自動駕駛方面持續(xù)發(fā)力。

根據美國汽車工程師學會的分類，自動駕駛可分為6個等級，按照自動化程度從低到高依次為L0～L5，其中L2及以下被稱為輔助駕駛，L2以上被稱為部分、條件、高級或全自動駕駛[1]。

我國已于2022年3月1日正式發(fā)布《汽車駕駛自動化分級》標準，駕駛自動化同樣分為6個等級，從低到高分別為應急輔助、部分駕駛輔助、組合駕駛輔助、有條件自動駕駛、高度自動駕駛及完全自動駕駛[2]，L2及以下被稱為駕駛輔助。

本文不討論L2以上自動化駕駛等級，重點討論L2及以下輔助駕駛。

當前L2及之下輔助駕駛系統(tǒng)廣泛采用前置攝像頭和毫米波雷達結合的識別方案，最簡單的方案是只采用一個前置攝像頭，即單前置攝像頭；復雜方案中設置前置攝像頭2個、3個，甚至4個。在配置攝像頭的方案中，以色列某公司生產的感知芯片是采用較多的芯片之一，利用該感知芯片可實現(xiàn)對路況場景中行人、車輛、車道線、交通標志等進行識別，之后，車輛根據輸出信息進行后續(xù)決策和控制。

本文只討論單前置攝像頭的感知芯片對道路目標（行人、車輛等）的識別。

針對單前置攝像頭采用我國典型城市道路場景進行測試、分析，總結出單前置攝像頭識別目標和對目標進行排序的規(guī)律。國內外道路交通狀況存在差異，不同國家的道路場景不盡相同，在測試、分析感知芯片的目標識別機理后，找出識別不準確及不適應的場景，并提出相應的解決方案。

1 目標識別規(guī)律

目標識別是輔助駕駛正常運行及后續(xù)決策、執(zhí)行的關鍵前提。簡單說來，目標識別是對所有與自車相關的目標進行捕捉、識別、篩選、跟蹤、預測及應對。一般來說，相關目標包括脆弱道路交通參與者和其他道路交通參與者，其中典型的脆弱道路交通參與者包括行人、騎自行車/電動車的人（稱為自行車或電動自行車）等；其他道路交通參與者包括機動車輛及騎摩托車的人（稱為摩托車）。

前置攝像頭的目標識別重點是對視域范圍內的目標進行識別、排序及輸出。由于道路交通參與者多且雜，目標識別需要進行篩選和排序，其結果直接影響自車對相應目標的應對及處理。一般來說，排序越靠前的目標與自車的關系越密切，須對其運動行為進行更細致的跟蹤及關注。

目標識別的排序規(guī)律主要包括以下幾個方面。

1.1 CIPV排序

CIPV（Current In Path Vehicle，當前路徑首要目標）一般為相關車輛，也可能是自行車等。CIPV在相關功能中非常重要，如ACC（Adaptive Cruise Control，自適應巡航控制）中，自車將CIPV視為重要參考目標，如果具有CIPV，則目標識別芯片實時監(jiān)控自車與CIPV之間的相對距離、相對速度、相對加速度等，并根據自車設定的巡航速度等調整自車速度、加速度等，保持自車與CIPV間距離既不太大也不太小，既能避免發(fā)生追尾，又能合理調節(jié)自車駕駛行為，保證ACC功能安全、平穩(wěn)、舒適。

自車并非每個時刻都有CIPV，當前置攝像頭視域內有目標，則感知芯片會對目標進行識別，并輸出目標排序。需要明確，CIPV為排序在首位的目標中更特殊的一個，排序首位的目標不一定是CIPV，但CIPV一定是排序首位的目標；只有在自車路徑上的首位目標才可能被判定為CIPV，其他路徑上的首要目標不會被判定為CIPV。

1.2 弱勢道路交通參與者的排序

本文所研究的感知芯片的目標排序從0開始，目標0為排序第1位的目標，目標1為排序第2位的目標，以此類推。

道路上行人和自行車屬于弱勢道路交通參與者，因為更容易受到傷害，在同樣情境下的交通事故中，受到的傷害程度更深，同時，這些目標具有行動軌跡靈活、易突變，行為意圖不易覺察等特點。在識別排序中，弱勢道路交通參與者的排序普遍靠前。

如圖1、圖2所示，實際測試場景中，目標0的縱向距離、橫向距離（左負右正）絕對值均大于目標1對應值，但是目標0排序比目標1靠前。進一步觀察目標0、1、2的類別發(fā)現(xiàn)，目標0為自行車，目標1、2均為小汽車，由此可知，脆弱交通參與者的排序優(yōu)先于非脆弱交通參與者，即自行車的排序優(yōu)于小汽車。

圖1 脆弱道路交通參與者的識別場景

圖2 脆弱道路交通參與者的識別結果

1.3 縱向距離的影響

前置攝像頭視域內目標排序是重點和難點，原因在于道路車輛不僅數量多且運行方向多、運動速度快，同時需要準確辨別車輛燈光、加速度等的變化。

當視野中出現(xiàn)多個運動車輛，根據典型駕駛習慣，自車車道上的車輛即CIPV（如果有）最需要關注，除此之外其他車輛的縱向距離中離自車最近的目標也需要重點關注，避免車輛出現(xiàn)追尾事故。

車輛排序并不單純依靠縱向距離，在中間只有雙實線并自車緊靠雙實線行駛的情況下，緊靠雙實線的對向車輛對自車也是需要額外關注的目標，此時對向車的目標排序重要性上升，稍有不慎，對向車輛可能誤入自車車道，對自車構成安全風險。

綜上來看，縱向距離是目標排序的重要因素，但不是唯一因素。

1.4 目標跟蹤

本文所述芯片的目標識別排序最多輸出40個目標。如果捕捉、跟蹤到的目標一直保持在前40個目標序列內，則該目標會一直存在，直至從前置攝像頭的視域消失。

同時，隨著相關目標的位置、速度、加速度等動態(tài)變化，各目標排序也在動態(tài)變化，有可能單個目標排序向前、向后變動，甚至脫離排序列表，但始終遵循的原則是時刻將當下與本車關系最密切、最能影響自車安全行駛的目標向前排序。

2 識別不準確的場景及路況

針對所述感知芯片，行人和騎自行車的人屬于脆弱道路交通參與者，但騎摩托車的人不屬于。另外，該感知芯片不具有電動自行車識別類別。我國電動自行車不僅保有量大而且使用頻率高，感知芯片常將道路上的電動自行車錯誤識別為摩托車，后者屬于車輛類型，排序相對靠后，所以對于電動自行車的錯誤識別客觀上惡化了騎行人的安全處境，不符合安全要求，錯誤的識別場景如圖3、圖4所示。

圖3 電動自行車騎車人錯誤識別場景

圖4 電動自行車騎車人錯誤識別結果

圖3中目標0、1、2均為電動自行車騎車人，但對比圖4中目標識別結果發(fā)現(xiàn)，目標0、1、2均被錯誤識別為摩托車，與實際情況不符。

目前我國摩托車使用量及保有量少于電動自行車，同時摩托車在所述芯片的識別體系中不屬于脆弱道路交通參與者，排序普遍靠后。上述錯誤識別，對電動自行車騎車人和車輛輔助駕駛系統(tǒng)來說都不妥。

國內以電動自行車作為交通工具的人數眾多，并經常出現(xiàn)超速、超載、闖紅燈等行為。因此，電動自行車騎行人是車輛輔助駕駛中目標識別的難點，應將電動自行車納入重點識別序列，進行特別關注。針對電動自行車被錯誤識別問題給出3點建議：（1）對電動自行車騎行人的特點進行精細化分析，捕捉獨特特征，提高識別準確性；（2）增加目標識別類別，將電動自行車騎行人單獨列為目標類別；（3）將電動自行車騎行人納入脆弱道路使用者數據庫，更好地契合當下我國交通路況。

3 結束語

目標識別是輔助駕駛中的關鍵步驟，目標排序規(guī)則直接影響輔助駕駛的功能與行駛安全。本文梳理了車輛輔助駕駛的目標排序規(guī)律，針對錯誤識別問題提出了解決方案，有助于提高目標識別的準確性及全面性，使車輛的輔助駕駛功能更安全。

[1]On-Road Automated Driving （ORAD） Committee. Taxono my and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles：J3016_202104[S/OL]. SAE International，2021[2022-02-20].https：//www.sae.org/standards/content/ j3016_ 202104/.

[2]國家市場監(jiān)督管理總局，中國國家標準化管理委員會.汽車駕駛自動化分級：GB/T 40429-2021[S/OL].北京：中國質檢出版社，2021[2022-02-20].http：//openstd.samr.gov.cn/bzgk/gb/newGbInfo?hcno= 4754CB1B7AD798F288C52D916BFECA34.

2022-08-08

1002-4581（2022）06-0032-03

U463.6

A

10.14175/j.issn.1002-4581.2022.06.009