（电子科学与技术专业论文）基于雷达的智能车多目标检测与跟踪技术研究.pdf

a b s t r a c t w i t ht h ei n t e l l i g e n tt r a f f i cg r a d u a l l yr i s i n gi nt h ew o r l d ，u n m a n n e d v e h i c l e s b e g a nt o b e c o m ear e s e a r c h h o t s p o t i ng e n e r a l ，u n m a n n e d v e h i c l e sa r ee q u i p p e dw i t hd i g i t a lc a m e r a s ，l a s e rr a d a r ，m i l l i m e t e rw a v e r a d a r ，g p s ，i n e r t i a ln a v i g a t i o ns y s t e m sa n do t h e rs e n s o r s a st h ef o c u so f t h i st h e s i s ，t h em a i nw o r ki st ou s el a s e rr a d a ra n dm i l l i m e t e r - w a v er a d a r s e n s o rt og e tm o r et h et a r g e ti n f o r m a t i o ni nf r o n to fu n m a n n e dv e h i c l e s a n df u s et a r g e td a t ao ft w os e n s o r sa sab a s i sf o rd e c i s i o n m a k i n gb o a r d c o m p u t e r t h em a i nc o n t e n t so ft h i sp a p e rc a nb ed i v i d e di n t ot h ef o l l o w i n gs e c t i o n s ： ( 1 ) i nt h es e c o n dc h a p t e r ，o nt h em i l l i m e t e r - w a v er a d a rp r o g r a mc o m e s w i t hal o to fc h a n g e st oc o n f o r mt ot h er e q u i r e m e n t so fo u rp r o je c t s ，a n d a n a l y z e st h ef u n c t i o n so fe a c hm o d u l eo ft h em i l l i m e t e r - w a v er a d a r a c q u i s i t i o np r o g r a m a n dt h ea s s o c i a t e d a l g o r i t h m ，t h ep r o g r a m c o m m i s s i o n i n g a r es u m m a r i z e d ( 2 ) i nt h et h i r dc h a p t e r ，t h em a i nw o r ki st oc a l c u l a t et h er o a dr a n g eb y l i d a r a st h eh i g h w a yi sav e r yr e g u l a t e de n v i r o n m e n t ，t h e r ea r er a i l i n g s o nb o t hs i d e so ft h er o a d t h e r e f o r e ，i ti sf e a s i b l et oo b t a i nl a n eb o t hs i d e s o ft h ef e n c e ，a n dt h e nu s et h el e a s ts q u a r e sm e t h o dt oc a l c u l a t et h er o a d r a n g e ，l i d a rr e t u m sd a t ab u th ee x c e p t i o no fs o m eo ft h ed a t ao c c u r s ，i t t a k e sb a di m p a c to nt h ep r o je c t e ds c o p eo ft h er o a d ，t h el e a s ts q u a r e sa r e i i m a d ec o r r e s p o n d i n gi m p r o v e m e n t t h em a i ni m p r o v e m e n ti st h a tf i r s t l y t h ev a r i a n c ec a l c u l a t i o no fa l ll i d a rd a t at ot h el a n ee d g el i n ew h i c hh a s b e e nf i t t e d ，t h e nt h et h r e s h o l di ss e tt oh a l fo ft h ea v e r a g eo fa l lt h e v a r i a n c e ，l i d a rd a t ap o i n to ft h el a n ee d g el i n et h a ti sg r e a t e rt h a nt h e t h r e s h o l dw i l lb ed i s c a r d e d ，t h er e s to ft h ee d g el a n eh a sb e e nr e f i t e d ， g e t t i n gan e w , m o r ec o n s i s t e n tw i t hr e a l - l a n ee d g el i n e ( 3 ) i nt h ef o u r t hc h a p t e r ，t h em a i ni n n o v a t i o no ft h i sp a p e ri sa sf o l l o w s ： t h er e s u l to fc h a p t e ri i ih a sb e e nu s e dt of i l t e ro u tt h et a r g e td e t e c t e db y t h em i l l i m e t e r - w a v er a d a ro u t s i d et h er o a dl a n ee d g el i n ea n dt r a c ko n l y w i t h i nt h el a n ee d g el i n e ，s i g n i f i c a n t l ys a v i n gi nt h ee f f i c i e n c yo f m u l t i - t a r g e tt r a c k i n g u n m a n n e dv e h i c l e sr e a l i z e dt h em u l t i - t a r g e tt r a c k i nf r o n to ft h ep r o j e c t i o n s ，a n a l y s i so ft h es i m p l e s tp r i n c i p l e so ft h e n e a r e s tn e i g h b o rm e t h o da n dd i s a d v a n t a g e s ，a n du s i n g j o i n tp r o b a b i l i s t i c d a t aa s s o c i a t i o na l g o r i t h mw h i l eu s i n gl a s e rr a d a rd a t at oc a l c u l a t e m u l t i - t a r g e tt r a c ki no r d e rt o e n s u r er e a l t i m e s y s t e m ，t h ea l g o r i t h m r e l a t e di m p r o v e m e n tm a d e ，t h ee x p e r i m e n t a lr e s u l t ss h o wt h a tt h ejo i n t p r o b a b i l i t yu s i n gt h ea l g o r i t h ma n da s s o c i a t e dd a t af u s i o na n dl a s e rr a d a r i su s e dt os o l v em u l t i - o b j e c t i v er e c k o n i n gw i t hag o o d p r o s p e c t k e yw o r d sm i l l i m e t e rw a v er a d a r ，l i d a r ，t h el e a s t s q u a r em e t h o d ， j o i n tp r o b a b i l i s t i cd a t aa s s o c i a t i o na l g o r i t h m i i i 硕士学位论文 第一章绪论 第一章绪论 1 1 课题研究来源 本论文所研究的课题来源于国家自然科学基金重点项目：“高速公路车辆智 能驾驶中的关键科学问题研究( 项目编号9 0 8 2 0 3 0 2 ) ”和长丰汽车合作项目“汽 车盲区检测系统的研究”。 1 2 本课题研究的目的和意义 无人驾驶汽车是一种智能汽车，主要依靠车内的计算机系统和传感器系统来 实现无人驾驶。 无人驾驶汽车集自动控制、体系结构、人工智能、视觉计算等众多技术于一 体，是计算机科学、模式识别和智能控制技术高度发展的产物，也是衡量一个国 家科研实力和工业水平的一个重要标志，在国防和国民经济领域具有广阔的应用 前景。安全是拉动无人驾驶车需求增长的主要因素。每年，驾驶员们的疏忽大意 都会导致许多事故。既然驾驶员失误百出，汽车制造商们当然要集中精力设计能 确保汽车安全的系统。 无人驾驶汽车利用安装在在无人驾驶汽车上的多传感器系统诸于数码相机， 雷达，g p s ，惯导等获取车辆前方的障碍物信息，然后在车载计算机上根据已建 立的驾驶行为专家系统对这些信息进行处理，尤其是对本车道前方最近车辆建立 安全距离模型，当两车相对距离小于安全距离时，在这种情况下，有碰撞危险发 生，则计算机会直接发出相应指令控制汽车减速甚至是刹车等动作。同时，无人 驾驶汽车也能够识别道路中各种交通标志牌，车道边缘线，车灯等。并利用马尔 科夫决策实现超车，汇入车流等该机动作。因此，无人驾驶汽车从根本上改变了 传统的司机驾驶方式。从而大大提高了交通系统的安全性和效率。在这篇论文中， 主要工作是将安装在车上的激光雷达传感器和毫米波雷达传感器获取到的车辆 前方动态障碍物信息进行融合，对前方的多目标航迹进行推算，为进一步实现汽 车的主动防撞以及汽车的无人驾驶奠定坚实的基础。 1 3 国内外研究现状和发展方向 随着智能交通系统在全世界兴起，很多发达国家都投入了大量的人力，物力 和财力来研究这一课题。尤其是近几年来物联网的快步发展，无人驾驶汽车也成 为人们关注的焦点，并且都进行了大量的道路交通试验，取得了一定的成绩。目 前，美国，德国，日本在汽车防撞方面处于世界先进水平，并已经小批量的应用 硕士学位论文第一章绪论 到旅游景点的特殊场景中。 在无人驾驶汽车方面，美国是最早开展并投入大量资金进行深入的研究，取 得了不错的效果。自2 0 世纪8 0 年代开始，美国就开发了可以在校园等简单环境 下无人驾驶的8 轮车。之后便将研究重点转向了研究高速公路等规范环境下的民 用车辆的无人驾驶上。1 9 9 5 年，卡耐基梅隆大学成功研制了n a v l a b v 无人驾驶 汽车，实现了美国东西部的穿越。其中5 0 0 0 k m 的高速公路9 5 以上的路段都是 车辆自主驾驶，没有人工干预。这也是世界上首辆汽车在高速公路上实现了无人 驾驶，具有里程碑的意义。2 0 0 5 年，由美国国防部主办的智能车挑战赛上，斯 坦福大学的代表队改装了一辆大众汽车参加了全程障碍赛，第一个到达终点，拿 到了冠军。 图1 - 12 0 0 5 年d a 巾a 智能车大赛冠军斯坦福大学的途锐汽车 德国大众公司在最近今年也开发了几款无人驾驶汽车，能够在纵横交错的城 市道路系统中实现无人驾驶。该车利用g p s 得到自身的准确方位信息数据。安 装在车前的激光雷达传感器获取汽车周围约1 8 0 米的道路交通情况信息，并构建 三维道路模型。多项领先技术使得这辆汽车能够在普通的道路环境下行驶。 图1 - 22 0 1 0 年德国大众公司开发的无人驾驶汽车 2 硕士学位论文第一章绪论 我国无人驾驶汽车研究相对国外来说起步较晚，自2 0 世纪8 0 年代开始，由 国防科大立项研究无人驾驶汽车。它安装有自动驾驶仪，工控机，数码相机，路 径规划和运动控制系统等等。1 9 9 2 年，国防科技大学研制成功了我国首辆无人 驾驶汽车，实现了自主驾驶。2 0 0 6 年又紧接着开发了第4 代无人驾驶汽车，时 速最高达7 6 k m ，成为国内无人驾驶汽车的最高纪录。自2 0 0 8 后，全国各高校科 研院所纷纷投入到无人驾驶汽车的研究热潮中来，并由国家自然科学基金委举办 了中国智能车挑战赛，吸引了很多高校参加。 图卜32 0 1 0 年国防科大参加西安全国智能车挑战赛的无人驾驶汽车 这款命名为“开路雄狮 的无人驾驶汽车由国防科大作为主办单位，中南大 学信息学院智能所和吉林大学作为合作单位开发成功的。车前方装有毫米波雷达 系统，其从汽车c a n 总线读取车辆本身速度，转向角，加速度等信息，车的顶 部装有两个单线激光雷达和一个摄像头。该车可以对道路环境，障碍物判断识别， 自动实现汽车的速度调节，不需要人工干预，并且在高速公路上进行了大量的实 车实验，在普通道路上完成了超车，汇入车流等复杂动作。在正常的交通状况下， 最高速度可以达到1 7 0 鼬 图卜42 0 10 年南京理工参加西安全国智能车挑战赛的无人驾驶汽车 3 硕士学位论文笫一章绪论 图卜52 0 1 0 年西安全国智能车挑战赛的冠军队中科院合肥智能所 无人驾驶汽车的研究方向按其行驶环境可以简单分为：城市环境，高速公路 环境和特殊环境下的无人驾驶。三种形式环境的技术从重点不一样，其中城市环 境最为复杂，难度也最高。 ( 1 ) 高速公路环境下的无人驾驶汽车 因为高速公路是一个很规范化的环境，因此主要要求的技术是车道边缘线的 检测和前方车辆的识别与跟踪，一般情况下，只用激光雷达传感器就可以基本实 现高速公路上的无人驾驶。由于高速公路是最为枯燥，最容易产生疲劳的架驾驶 环节，所以，开展这方面的研究具有很大的意义。我们的国家自然科学基金重点 项目：“高速公路车辆智能驾驶中的关键科学问题研究”中就要求从深n n ：i i ：京 的高速公路上行驶 ( 2 ) 特殊环境下的无人驾驶汽车 和无人飞机用于军事用途一样，无人驾驶汽车也受到一些发达国家尤其是美 国的高度重视，在性能上要求其在恶劣，苛刻的环境下行驶。但其主要技术和在 高速公路环境下行驶要求基本一致。而一些民用的无人驾驶汽车在公园，校园等 环境下已经批量生产并投入商业运营，取得了良好的经济效益和社会效益。 ( 3 ) 城市环境下的无人驾驶汽车 与上面两种环境相比，城市环境相对来说比较复杂。无人驾驶汽需要面对的 是各种车辆，行人，建筑物，交通标志牌等，因此，其行驶速度与高速公路环境 下相比要慢，安全要求更高。相关技术要求也更加的复杂。要能对道路两边不同 高度，位置摆放的标志牌和交通灯进行识别，并且根据相应交通指示做出正确的 汽车操作。由于城市环境下一些行人横穿马路，此时需要依赖于毫米波雷达对其 进行识别并向其发出声音警示。普通公路上的各种汽车鱼贯行驶，超车，多车协 调和汇入车流等复杂动作对图像感知和汽车的控制决策算法提出了更高的要求。 4 硕十学位论文 第一章绪论 由于在城市环境下存在的诸多风险，无人驾驶汽车目前只能在小范围内行驶，但 其应用前景最为广阔，成为今后无人驾驶汽车发展的一个重要方向。 1 4 论文主要研究工作 目前，国内外在无人驾驶汽车的多目标识别方面主要利用激光雷达传感器和 数码相机的融合上，或者试图纯粹通过图像来识别前方的障碍物。这种方法存在 一个很致命的缺陷。即数码相机所拍摄的图片存在一定的畸变，尤其是在图片的 边缘部分，因此两种传感器在融合时会出现偏差。而且数码相机和激光雷达属于 异质传感器，数据融合存在很大的难度。另外由于数码相机采集的图片信息量比 较大，c p u 处理时需要占用大量的时间，因此实时性较差。部分高校采用4 线 或者是6 4 线激光雷达成功实现车辆前方的障碍物识别与多维建图等，但其价格 昂贵，采用激光雷达传感器很难获得前方目标的速度。因此，本论文在深入研究 和分析了国内外无人驾驶汽车前方多目标的跟踪与识别成果的基础上，提出了利 用激光雷达传感器和毫米波雷达传感器获得的前方目标信息来进行数据融合并 对多目标进行识别与跟踪。对传统应用概率统计理论解决多目标跟踪做了一些改 进，使其具有更高的鲁棒性。本论文的研究内容和结构主要分为下面几个部分。 ( 1 ) 分析了毫米波雷达传感器测速测距测角的原理，并修改了毫米波雷达 采集程序，经过多次调试成功完成数据采集。详细分析了毫米波雷达采集程序各 个模块的功能并绘制了程序流程图，应用相关算法对毫米波雷达程序采集的数据 进行滤波。 ( 2 ) 分析了激光雷达传感器的测距原理，并对激光雷达回波信号进行了分 析。应用最小二乘法对激光雷达采集到的数据绘制出了车道边缘线，为接下来激 光雷达和毫米波雷达传感器数据融合时，消去道路两旁的树木栏杆之类的对毫米 波雷达产生杂波的影响打下基础。 ( 3 ) 总结了多传感器系统数据融合的基本方法。并建立了毫米波雷达坐标 系和激光雷达坐标以及两者之间的转换。对两种传感器采集的数据在时间序列上 进行配准，应用最近邻算法和概率统计理论对毫米波雷达传感器采集的多目标数 据进行关联，推测多目标的航迹，并分析了其误差。利用激光雷达传感器采集的 数据对由毫米波雷达检测的多目标及其航迹推算进行辅助，剔除掉毫米波雷达的 虚警以及错误的多目标数据关联，实现多目标的检测与跟踪。 ( 4 ) 总结了目前两种传感器多目标数据融合方面的一些不足以及一些改进 的方法，展望未来无人驾驶汽车的发展方向。 本论文的主要组织结构比较简单。第二章阐述了基于毫米波雷达的目标检测 与跟踪技术研究，第三章阐述了基于激光雷达的信号检测与跟踪技术研究，第四 章则讲述了基于激光雷达和毫米波雷达的多目标检测与跟踪，第五章做了相应的 5 硕士学位论文第一章绪论 总结 1 5 小结 尽管目前无人驾驶汽车存在很多问题，但无疑它是未来汽车发展的一个方 向。无人驾驶汽车是一个多学科协同综合发展的载体。它涉及到传感器技术，计 算机技术，决策优化算法，汽车底层控制，故障诊断等各个方面的知识。因此， 它成为了一个国家高科技发展的标志。随着其智能化水平的不断提高，无人驾驶 汽车将具备自学习，自纠错等功能。并加载应急救援，危险物品运输等方面发挥 重要的作用。即使在普通公路上，它也能有效弥补司机驾驶的不足，减少交通事 故的发生，同时也大大地提高了交通系统的效率。随着科技的发展和国家的大力 投入，我国的无人驾驶汽车将会有更美好的明天。 6 硕士学位论文第二章基于毫米波雷达的多目标检测与跟踪技术研究 第二章基于毫米波雷达的多目标检测与跟踪技术研究 2 1 引言 目前，毫米波雷达已广泛应用于汽车防撞系统，从毫米波雷达接收到的信号 中可以获取车辆前方有关目标状态的许多信息，通常有：由时间延迟确定的距 离数据；由多普勒频移确定的径向速度数据；由天线波束状态确定的角度数 据。但是，由于毫米波雷达回波的多路径反射和车辆行驶前方的复杂背景杂波所 产生的高虚警率，成为毫米波雷达应用的最大障碍。如何从毫米波雷达回波信号 中检测出有用信号，成为解决问题的关键。 本章主要内容为：首先对毫米波雷达的工作原理做了一个系统的介绍，毫米 波雷达的测速测距原理，然后分析了毫米波雷达采集程序。紧接着对毫米波雷达 的关键模块进行分析，从毫米波的内部结构上阐述了毫米波雷达虚警率产生的原 因。 2 2 毫米波雷达系统的工作原理 2 2 1 毫米波雷达简介 毫米波( m i l l i m e t e rw a v e ) 的工作频率介于微波和光之间，波长为l o - - - ，l m m ， 因此兼有两者的优点。它具有以下主要特点： ( 1 ) 极宽的带宽 ( 2 ) 波束窄，分辨率高 ( 3 ) 抗干扰能力强 ( 4 ) 尺寸小 因此利用大气窗口的毫米波雷达在通信、雷达、制导、遥感技术、射电天文 学和波谱学方面都有重大的意义，应用非常广泛。其中车载防撞毫雷达主要是通 过向外辐射波长为毫米级的电磁波来完成探测目标的任务。电磁波经过目标反射 后通过接收装置接收，解析回波中的信息来获得被测目标的距离和相对速度。 毫米波最主要的缺点是毫米波在空气中传播时会受到空气中的氧分子和水 蒸气的影响，这些气体的谐振会对毫米波频率产生选择性吸收和散射，大气传播 衰减严重，因此，实际应用中，应找到毫米波在大气中传播时，由气体分子谐振 吸收所致衰减为极小值的频率。 7 硕士学位论文第二章基于毫米波雷达的多目标检测与跟踪技术研究 2 2 2 毫米波雷达测速测距原理 毫米波雷达的测速测距是利用多普勒频移来实现的。多普勒频移是指发射源 相对于接受体存在相对运动时，接受体接收到的发射源频率和发射源本身发射的 频率存在一定的差值。 1 雷达发射连续波信号 这时发射信号可表示为 4 0 = a c o s ( ( ) o h ) ( 2 1 ) 式中，为发射角频率；叩为初相；a 为振幅。雷达接收到由目标反射的 回波信号s ( f ) 为r s r o ) = 鼢o f ，) = k a c o s o ) 。o 一 ，) + 缈】 ( 2 2 ) 式中，t ，= 2 r c 为回波滞后于发射信号的时间，其中r 为目标和毫米波雷 达之间的距离；c 为电磁波传播速度，在自由空间传播时它等于光速；k 为回 波的衰减系数。 如果车辆前方目标静止即速度为零，则距离r 为常数。回波与发射信号之间 有固定相位差c o 。f ，= 2 矾2 r c = ( 2 万a ) 2 尺，它是电磁波往返于雷达与目标之 间所产生的相位滞后。当目标与毫米波雷达之间有相对运动时，则两者之间的距 离r 是与时间成正比的。设目标相对毫米波雷达运动的速度为一定值v ，在时 间t 时刻，目标与毫米波雷达之间的距离r ( d 可以表示为如下： r ( t ) = r o v r r ( 2 - 3 ) 式中，风表示在时刻零点的距离；由公式( 2 2 ) 可知在t 时刻接收到的波形 s ，o ) 上的某点，对应于t f ，时刻发射的波形上某点。在实际的工程试验中，毫米 波雷达和目标间的相对运动速度v ，远小于光速，所以时延f ，可近似表示为： ，：型：三伍。一1 ，f ) ( 2 一- 4 ) ，= 址= 一l r n 一1 ，fj () ff 与发射信号相比，两者之间的相位差为 伊= - ( d o t ，= 一2 万i ( 天。一1 ，t ) ( 2 5 ) 是时间t 随着时间呈线性变化，如果1 ，为常数，则频率差可以表示为： 1d f a2 d = 瓦i = 万v ，( 2 - 6 ) 式中，厶即为多普勒频率，与目标和毫米波雷达之间的相对运动速度成正比 例关系，与毫米波雷达雷达的工作波长九成反比例关系。当目标靠近毫米波雷达 时，厶，大于o ，表明接收信号频率要大于发射信号频率，而当目标背离毫米波 雷达运动时，厶为小于0 ，接收信号频率要小于于发射信号频率。通过数字信号 处理器运用傅里叶变换可求得厶，从而可以求得毫米波雷达与目标之间的相对 r 硕士学位论文第二章基于毫米波雷达的多目标检测与跟踪技术研究 速度和相对距离。 2 雷达发射脉冲信号 毫米波雷达发射脉冲信号如图2 3 所示，发射信号序列的脉冲宽度为r 而周 期为t ，接收的脉冲序列中包含有运动目标附加的多普勒频率信息。接收脉冲序 列的目标回波都在发射脉冲序列的每个周期内出现。 毫米波测距雷达通常有两种体制：( 1 ) 调频连续波( f m c w ) 雷达；( 2 ) 脉 冲雷达( 脉冲多普勒雷达) 。由于脉冲雷达系统在测量近距离目标时，发射和接收 脉冲之间的时间差极小，通常达到纳秒级，这就要求处理器的运行频率达到 1 g h z 以上，所以实际工程中很少采用。与脉冲雷达相比，调频连续波雷达系统 利用多普勒频移原理来测距测速，对处理器要求较低，因此，大部分应用场合均 采用调频连续波雷达。 发射脉冲序列 接收脉冲序列 图2 - 3 脉冲雷达测距示意图 e s r 雷达是调频连续波雷达，该雷达利用在时间上改变发射信号的频率并测 量接收信号频率的方法来测定目标距离。在任何给定瞬间，发射频率与接收频率 的相关，不仅可测量目标距离r ，而且可以测量目标径向速度v 。 线性调频连续波雷达( l f m c w ) 的载频在频率调制周期可以实现线性增减。 一般使用的调频方式是三角波调制，方法是将毫米波雷达的发射频率调制成三角 波函数的形式。调频连续波雷达的目标检测流程如图2 4 所示，t 为线性调频的 周期，瓴为调制频率的带宽。 由多普勒原理知静止目标的回波延时为o = 2 形。假设雷达的工作频率为 t ，则发射频率z 和目标反射频率，可表示为： ，：疋+ 鲣 ( 2 7 ) ，= 丘+ 字h ) ( 2 - 8 ) 如果毫米波雷达的反射回波来源于移动目标，设该移动目标到毫米波雷达的 距离为r ，两者相对速度为v 时，根据多普勒频移原理，则我们可以得到反射回 波频率的表达式为： 9 硕士学位论文第二章基于毫米波雷达的多目标检测与跟踪技术研究 ，：工+ 厶全箬。一屹) ( 2 9 ) 其中多普勒频移厶= 百2 1 p ，正负号分别表示正负线性条频段的频率变化。由 此得出，混频器输出的拍频为： 厶= z 一，= 字铲厶= 等肛2 _ 允y v ( 正线性调频段) ( 2 - 1 0 ) 厶：，一z ：笔z 乙+ 兀：型争r + 孕 ( 负线段调频段) ( 2 1 1 ) c 九 对上述两式进行加减运算可求得距离r 和速度1 ， 胄= 熹k + 厶) ( 2 1 2 ) 。4 。、睢一” v = 鲁眈一厶) ( 2 1 3 ) ，= 一i ，。一，j l z 一 乱、”u 。 丽浊持旦：，t、： ：i三三三三：j；：三!：，-。-i 埘m ， 儡，r ：正线性：负线性：时间 - - ”频：调频： i 卜弋 争皂 图2 - 4 调频连续波雷达检测示意流程图 2 3 毫米波雷达系统的硬件设计 毫米波雷达系统实现了对车辆前方目标速度，距离，角度的获取，并在此基 1 0 硕士学位论文第二章基于毫米波雷达的多目标检测与跟踪技术研究 础上利用车载计算机对其进行分析来实现汽车的防撞预警，多目标的航迹维持与 推算等功能，并将相关信息输出到显示器上。因此该系统需具备信息获取功能、 通信功能、信息处理功能和信息显示功能。毫米波雷达系统的硬件设计框图如下： 接收 2 0 - ，就舍弃掉第f 个点，最终我们可以得到一条更接近真实 车道边缘线的激光雷达返回的点。下面是滤除掉异常数据后的车道边缘线数据。 ：n 茸 ：$ i ：。一 i i蝴 _ 一。? 一一五i 。i 剪? j uf i 寸 一卜- t j 毋卜一t 带一一十一 i , - ；0 1 i 。乞l 一一i j j 一盘，：一昙舀j ： ：霸：翻 ：j 一一翦：一乒：；： nv 。l 铂 一i ：j 一阱：一一矗0 j ：i c - ：谣y 4 - i ! 蚤j ! ：i ： ：濑：q q j i ：韬 ：毡i 图3 - 6 滤除掉偏差后激光雷达返回的车道边缘线数据 对剩下的点进行直线拟合可以得到一个新的口和b 的值，由此值确定的直线 会比之前的拟合直线更接近真实的车道边缘线。 因此，重新对上面拟合的车道边缘线进行处理后，得到更新的a 和b 的值如 下： 口一，= - 1 2 7 7 0 e + 0 0 3 ，b l f4 4 5 7 3 e + 0 0 3 ，a l = 一7 2 7 8 15 5 ，b l = - 1 8 4 4 3 e + 0 0 3 新拟合的车道边缘线如图3 7 硕士学位论文 第三章基于激光雷达传感器的车道边缘线检测方法 j ( 7 ) 一一一一 一- 一i - - i - - - - ， 7 一l 一i 一一一i 一) 一 k i：? ， g 一：一：一一。 一一l 1 。i i ， a + o。 卑一一一：一一一一一乇 一一一一广一一一i 一一一一i 一) _ ， j 障一一一i 一i 一r r _ p 一一 ，土 i 。，j 一- i 一奇 障一一一；一一一一| 一i 一 ii i 荔口 图3 7 滤除掉偏差后的激光雷达车道拟合直线 经过对于大于该标准方差两倍以上的点予以舍弃后，从上图3 - 6 和3 7 可以看 出，减少了大量的误差比较大的点，改进的最小二乘法不仅计算量小，而且对这 些点进行拟合后的直线更精确。在进行试车实验时，实时性和鲁棒性都非常好。 总的来说，在整个最小二乘法计算过程中，没有三角函数等复杂的计算，因 此，大大的节约了数据的处理时间并且该方法鲁棒性较好，即使碰上弯道时，也 很容易修正并拟合出最佳的曲线来。在实际的工程中被广泛运用，取得了很好的 效果。 3 4 本章小结 首先对激光雷达的内部结构做了简要的描述，并对激光雷达的测距原理进行 了深入细致的分析，根据实验的要求，选择了相应型号的激光雷达，采集了大量 的实验数据，并用m a t l a b 进行了仿真分析。 在无人驾驶汽车运动的时候，激光雷达上下帧之间虽然有一定的关联度，但 是仍然很难得到前方目标的速度，角度信息。因此，在实际的应用中，激光雷达 主要是对无人驾驶汽车前方的可行驶区域进行判定。由于高速公路的两边有栏杆 等物形成车道边缘线，因此，可以利用激光雷达车道边缘线的数据来拟合两条直 线，将车道绘制出来，为下章与毫米波雷达传感器的融合打下基础。在本章中， 拟合激光雷达车道边缘线的方法选择最小二乘法，并对该方法做了进一步的改 进，在试验车上运行稳定。 硕士学位论文 第四章基于毫米波雷达和激光雷达多传感器融合技术研究 第四章基于毫米波雷达和激光雷达多传感器融合技术研究 4 1 引言 近几年来，多传感器数据融合技术的飞速发展，极大地改变了人们的日常生 活。并且渗透到军事应用领域，受到了发达国家如美国的广泛重视。将来自多个 传感器的数据利用先进的计算机技术综合处理后，能够得到比单一传感器更加确 切的结论，极大地减少了孤立传感器获取信息的不足，达到优势互补的效果。与 单一传感器相比，多传感器目标数据融合技术至少具有以下三大优势。 ( 1 ) 使用几个同质传感器( 如本论文中使用激光雷达和毫米波雷达跟踪无 人驾驶汽车前方多个运动目标) ，综合这些传感器获取的多目标运动信息可以明 显改善对被测运动目标的位置，角度和速度估计。通过n 个传感器获得的n 个彼 此相对独立的观测值，并利用联合概率数据关联等算法来处理这些数据，就可以 获得统计学意义上的最佳效果( 如运动目标的位置或速度的估计精度会提高 z ) 。融合来自单个传感器的n 次观测值也可以得到相同的效果。 ( 2 ) 充分利用多个传感器的相对位置或运动来改善观测过程，达到取长补 短的效果。例如，红外线传感器可以给出被测目标的方位角，毫米波雷达也可以 给出目标的方位角信息，只要知道红外线传感器和毫米波雷达传感器安装在无人 驾驶汽车上的相对位置( 可以直接用尺子测量得到) ，就可以用三角定位法计算 出被测目标更精确地角度信息，这种技术已经广泛运用到测量及卫星导航系统 中。进一步来说，利用两个传感器，使其中一个按照确定的方式相对于另一个运 动，就能够立刻测量出一个目标相对于观测传感器的位置和速度。 ( 3 ) 提高多目标的检测与跟踪能力。扩宽物理观察手段可大幅度提升目标 观察能力。例如，在本论文中，激光雷达可以获取车辆前方的环境信息，返回前 方障碍物的距离数据( 当然也包含角度信息) ，并且距离数据的精度非常高，误 差可以达到厘米级，但由于得到的数据是前方障碍物的几何轮廓信息，很难从中 分辨出运动目标，更不用说得到运动目标的速度，而毫米波雷达则可以得到前方 目标的速度，角度，距离等信息。但毫米波雷达获得的目标距离信息误差较大， 达到分米级，因此可以考虑将激光雷达获得的距离信息来更新毫米波雷达检测到 的目标距离数据，同时毫米波雷达得到的运动目标速度也可以弥补激光雷达的这 一缺陷。此外，由于激光雷达能够得到前方障碍物的几何轮廓信息，通过和毫米 波雷达的数据融合，可以确定在此距离方位上的目标实车还是人。总的来说，综 合两个传感器的信息来确定无人驾驶汽车前方多目标的位置，角度和速度信息比 3 2 硕士学位论文 第四章基丁毫米波雷达和激光雷达多传感器融合技术研究 只使用其中一个传感器要精确得多。这样一来就减少了错误发生的概率。很多动 物在基于目标属性观测值上来进行身份识别时也可以推断出类似结果。例如，大 量科学报道表明蝙蝠会综合多种因素来识别它们的猎物，如大小，结构( 基于声 音信号) 和运动学行为。 多传感器数据融合主要有以下三种基本的方法： ( 1 ) 直接进行传感器数据融合。如图4 - 1 所示 ( 2 ) 以特征向量表示传感器数据，然后进行特征向量融合。如图4 2 所示 ( 3 ) 对每个传感器数据进行处理，获得高层推论或决策，然后进行决策级 融合。如图4 - 3 所示 图4 - 1 直接传感器数据融合 图4 - 2 对特征向量进行融合 3 3 联合身份判别 联合身份判别 ；参 阅圈 硕士学位论文第四章基于毫米波雷达和激光雷达多传感器融合技术研究 联合身份判别 图4 3高层决策级融合 多传感器数据融合模型是由美军实验室理事联合会( j d l ) 数据融合工作组 于1 9 8 5 年提出的，并进行过多次改进。对数据融合的相关功能进行了划分，目前 已经成为应用最广泛的模型。该模型分为两层结构，其顶层结构如图4 4 所示， 数据融合过程抽象为传感器输入，人机交互，数据管理，预处理和4 个关键的子 过程。 第一级处理( 目标优化) 目的是综合多个传感器数据信息以获得有关目标更 加精确，更加可信的位置，速度，角度等的估计。 第二级处理( 态势评估) 目的是动态的描述相关环境中是实体与事件的关系。 第三级处理( 威胁处理) 目的是基于当前态势，对未来一段时间内可能出现 的危险等做出合理正确的推断。 第四级处理( 过程优化) 是一个后处理过程，对数据融合过程进行监控，并 对其结果进行分析以评估和改善实时系统的性能。 圉 l - _ _ - _ - _ _ _ _ _ _ _ _ 一 图4 - 4 数据融合的j d l 处理模型 由于多传感器目标数据融合的应用很复杂，牵涉到大量学科的交叉研究。因 硕士学位论文第四章基于毫米波雷达和激光雷达多传感器融合技术研究 此，数据融合问题本身包含许多相互关联的问题：如系统外部和内部实体的状态 估计和预测，以及这些系统内部各实体之间的相互关系等。此外，在估计现实世 界的状态时，还需要建立和评估所有这些外部和内部实体的特征和行为模型。 4 2 基于激光雷达和毫米波雷达的多目标数据关联技术研究 在毫米波雷达检测到的目标当中，对其中任一目标的角度参数和距离参数提 取以后，在该角度和距离参数确定的范围附近，一般会有激光雷达扫描到的点。 将这些点与毫米波雷达对应的目标数据进行关联是本小节研究的重点。激光雷达 和毫米波雷达传感器测量的目标数据当中包含有噪声，服从零均值，恒定方差的 正态高斯分布，设激光雷达测量目标的距离和角度标准差分别为盯，和，毫米 波雷达测量目标的距离和角度标准差为盯。和。 激光雷达和毫米波雷达对目标的跟踪坐标系都是极坐标系。将二者均转化为 直角坐标系，并以激光雷达坐标系作为世界坐标系。则毫米波雷达探测到的目标 在世界坐标系中的坐标为( ，虼) ，其中= 如s i n 巳，虼= 吒c o s 吃一o 1 7 。 屯是毫米波雷达坐标系下检测到的目标的距离，以是毫米波雷达坐标系下该目 标与y 轴的夹角。在该目标的附近会有激光雷达扫描到的点，假设一个毫米波雷 达检测到的0 目标与”个激光雷达扫描点相关联。由于激光雷达和毫米波雷达的 噪声在统计意义上是相互独立的高斯白噪声。因此，第朋个毫米波雷达检测到的 目标与对应9 个激光雷达扫描点关联的似然函数为 ，r1。1 乙= _ e x p _ 专 谚( t ) 一氏( ，f ) 2 ( 4 一1 ) f 2 刀蠢1 - l 川岛忙1j 、v ， 其中，岛( t ) 是激光雷达在时刻观测到的第臃个毫米波雷达目标的方位值， 以( t ) 是第所个毫米波雷达探测到的目标在f j 时刻的方位值。若令 ( 4 - 2 ) 从上式可以看出，要使似然函数厶取最大值，必须使吒取极小值。在将激 光雷达和毫米波雷达采集到的数据进行配准的情况下，可以将吒作为毫米波雷 达检测到的目标与激光雷达扫描到的点的关联判别函数。 对于实际的激光雷达和毫米波雷达系统，预先设定漏关联概率，则可得下 式 j ：。z 2 ( x ：以) 出 ( 4 - 3 ) 3 s 硕士学位论文 第四章基于毫米波雷达和激光雷达多传感器融合技术研究 上式( 4 3 ) 中，z 2 ( x ；n ) 是服从自由度为刀的卡方分布的概率密度函数。r l 为关联决策门限。由此可求出关联决策门限表达式 刁= 菇f ( 4 4 ) 上式中，磊口是自由度为刀，漏关联概率为的卡方分布的上侧分位数，查 卡方分布表就可以知道，7 。 在关注漏关联概率的情况下，我们也必须尽可能的降低错误关联概率，很容 易求得错误关联概率只的表达式为 e = 尸 丸 0 ，詈= 勺，f ，= 1 ，2 ，且f ，上式中，白是一个最 j 简化的分数( 或整数) ，表明每个传感器的采样周期为理数倍关系。 按照融合周期构造方法的不同，主要可以分为两种：( 1 ) 最小公倍数，( 2 ) 任选传感器法。通过比较分析本节选用最小公倍数法。 最小公倍数法是以各传感器采样周期的最小公倍数作为系统的融合周期。即 若假定五，瓦，瓦的最小公倍数为丁，则丁就是系统的融合周期。 记必( f = 1 ，2 ，n ) 为第f 个传感器在融合周期r 内采样的数目，则 u i 百t ，f = l ，2 ， ( 4 9 ) 一个融合周期r 内所有传感器相应测量值的总数为 m = m ( 4 1 0 ) 上式( 4 - 1 0 ) 表明在一个融合周期内砖感器测量数目是不变的。以融合周期 作为采样周期，可将连续系统离散化得如下离散状态模型： x ( k t ) = f ( ( 七一o t ) x ( ( k - o r ) + v ( ( k - 1 ) t ) ( 4 一1 1 ) 假定时刻尼一1 和k 之间为系统的第k 个融合周期，根据每个传感器采样时间 的先后就可以对融合周期内的肘个传感器测量进行升序排序，采样时间标记可 写为 毛乞屯+ l b 州+ l = = k ( 4 1 2 ) 上式4 7 中，乞( q = 99 a 9 m ) 表示系统在第七个融合周期中获得的第g 个 传感器测量值。因为各传感器采样周期的最小公倍数是融合周期。因此在融合时 刻k 上每个传感器均有目标数据存在。故上式( 4 1 2 ) 中的等号成立，且式( 4 - 9 ) 和式( 4 - 1 0 ) 表明，系统中的某些传感器间的采样率可能相等或成整数倍的关系， 因此，在融合周期内，这些传感器在某些时刻可能同时进行采样。故上式( 4 - 1 2 ) 中的成立。 试验车上用的传感器系统是由激光雷达和毫米波雷达组成的。其中毫米波雷 达的采样周期为正= 5 0 m s ，激光雷达的采样周期为正= l o o m s ，则系统的融合周 期t = l o o m s ，m = 3 。系统融合周期内采样如图4 7 所示 3 9 硕士学位论文第四章基_ 丁- 毫米波雷达和激光雷达多传感器融合技术研究 传 感 暑导 个 数 y 采样点x 图4 - 7 激光雷达和毫米波雷达系统异步采样示意图 上图4 7 中黑圆点代表激光雷达和毫米波雷达传感器的测量值，在一个系统 的融合周期内，对在采样周期t = l o o m s 时刻激光雷达和毫米波雷达的数据进行 融合，而对该周期内的激光雷达的数据予以舍弃。下面是两种传感器融合的仿真 图片。 图4 - 8 数码相机拍摄的图片 硕士学位论文第四章基于毫米波雷达和激光雷达多传感器融合技术研究 激光雷达和毫米波雷达数据融合目标图 图4 - 9 激光雷达和数码相机数据融合目标图 图4 - 9 是将激光雷达获得的周围环境信息的数据和同一时刻毫米波雷达获 得的目标数据进行融合。在该图中，符号“：i c ”代表的激光雷达返回的数据，小 方框代表毫米波雷达获得的目标，其中蓝色小方框代表静止目标，红色小方框代 表运动目标。图4 - 8 是数码相机在该对应时刻拍摄的图片。将图4 - 8 和图4 9 作对比发现，在图4 - 9 中，靠近坐标原点的