無(wú)人駕駛道路探測(cè)綜述

史晨陽(yáng)，林燕丹

(1.復(fù)旦大學(xué)信息科學(xué)與工程學(xué)院，上海 200433；2.復(fù)旦大學(xué)電光源研究所，上海 200433)

引言

無(wú)人駕駛車輛導(dǎo)航因?yàn)樵谡鎸?shí)環(huán)境中需要考慮各種類型的道路場(chǎng)景，特別是在沒(méi)有位置信息且使用感知傳感器時(shí)，所以具有很強(qiáng)的挑戰(zhàn)性。最重要的是，感應(yīng)系統(tǒng)需要實(shí)時(shí)檢測(cè)道路上的不同情況，比如路面(如車道和障礙物)和道路使用者(例如行人、汽車、摩托車和自行車)。一方面，道路表面探測(cè)的導(dǎo)航系統(tǒng)應(yīng)處理不同的地形和道路狀況(例如結(jié)構(gòu)和非結(jié)構(gòu)的道路)；另一方面，道路使用者識(shí)別的目的是避免發(fā)生碰撞嚴(yán)重事故。

路面檢測(cè)的復(fù)雜性主要是由以下因素造成的:①結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路交替出現(xiàn)(如圖1所示)；②路面均勻性與照給定條件的有區(qū)別；③由于天氣原因，道路的外形可能會(huì)經(jīng)常發(fā)生變化；④道路的曲率并不總是像高速公路那樣低[1]。避碰系統(tǒng)(collision avoidance system，CAS)至少包括以下三個(gè)主要部分(如圖2所示):對(duì)象檢測(cè);決策;驅(qū)動(dòng)(制動(dòng)或轉(zhuǎn)向)[2]。

圖1 道路場(chǎng)景描述Fig.1 Scene description of road

圖2 控制體系結(jié)構(gòu)的階段Fig.2 Stages of the control architecture

一種實(shí)時(shí)檢測(cè)系統(tǒng)涉及一種或多種傳感器融合后獲得的環(huán)境信息的感知任務(wù)。不同的功能需要不同的傳感器，例如激光雷達(dá)(光檢測(cè)和測(cè)距)、聲波雷達(dá)用于測(cè)距、相機(jī)、紅外相機(jī)和激光都是進(jìn)行機(jī)動(dòng)識(shí)別和處理。要實(shí)現(xiàn)對(duì)特性、模型和通用體系結(jié)構(gòu)的估計(jì)，需要提出許多新技術(shù)。

在接下來(lái)的部分中，將介紹道路檢測(cè)傳感器和相關(guān)算法的設(shè)計(jì)，并對(duì)文獻(xiàn)中的設(shè)計(jì)結(jié)果進(jìn)行綜述，并指出了今后的研究方向。本文的結(jié)構(gòu)根據(jù)不同的檢測(cè)對(duì)象分為兩個(gè)主要部分。第一部分是路面檢測(cè)系統(tǒng)，第二部分是道路用戶檢測(cè)系統(tǒng)。最后，根據(jù)目前的研究現(xiàn)狀，提出了無(wú)人駕駛車輛道路檢測(cè)的展望和未來(lái)發(fā)展方向。

1 路面檢測(cè)

1.1 車道檢測(cè)

在過(guò)去十年研究中，研究人員提出了AWSTM、Auto Vue、RALPH[3-5]、AURORA[6]、SCAR[7]、GOLD[8,9]、LOIS[10]等幾種有效的車道檢測(cè)系統(tǒng)。

最近，一些研究人員將注意力集中在高速公路和其他結(jié)構(gòu)化道路的車道檢測(cè)上[11-13]。Wang等[14]構(gòu)建了一個(gè)基于Catmull-Rom樣條的車道模型來(lái)描述視角對(duì)平行線的影響。Jung和Kelber[15]提出了一種用于車道檢測(cè)的線性拋物模型，在該模型中，近視場(chǎng)采用線性模型，遠(yuǎn)視場(chǎng)采用二次模型。該方法對(duì)有邊緣的道路進(jìn)行了很好的描述，其使用的主要限制是由于攝像頭前的車輛對(duì)車道標(biāo)記造成明顯的遮擋。為了解決這一問(wèn)題，Cheng等[13]采用了一種基于顏色信息的方法，在有遮擋的情況下，從尺寸、形狀和運(yùn)動(dòng)面來(lái)識(shí)別真實(shí)的車道標(biāo)記。此外，Zhou等[16]引入了一種可變形的車道邊界投影模板模型，將車道檢測(cè)問(wèn)題表述為后驗(yàn)估計(jì)的最大化問(wèn)題。該模型的參數(shù)包括車輛在巷道內(nèi)的位置、車頭方向和巷道局部結(jié)構(gòu)。在文獻(xiàn)[17]中，可調(diào)濾波器采用魯棒性和精確的車道檢測(cè)。帶有過(guò)濾器的該方法提供了一種有效的方法，用于檢測(cè)在不同的照明和道路條件下的圓形反射器標(biāo)記、固線標(biāo)記和分段線標(biāo)記。對(duì)于更具挑戰(zhàn)性的結(jié)構(gòu)化道路，Kim[18]提出了一種基于隨機(jī)樣本一致性(RANSAC)的魯棒實(shí)時(shí)車道檢測(cè)算法，并將其與一種基于粒子濾波的跟蹤算法結(jié)合使用概率分組框架。Gopalan等[19]還提出了一種基于學(xué)習(xí)的方法來(lái)解決一些具有挑戰(zhàn)性的問(wèn)題，比如由于遮擋、陰影和場(chǎng)景照明條件的改變而導(dǎo)致的車道標(biāo)記的外觀變化。最近，一些研究人員也將注意力集中在保持線路的系統(tǒng)上[20]。激光傳感器利用反射強(qiáng)度信息進(jìn)行車道檢測(cè)[21]。但是單純基于反射的車道檢測(cè)是不夠的，需要提供視覺(jué)信息[22]。已經(jīng)有了基于激光掃描的系統(tǒng)，用于車道檢測(cè)的精度和可靠性都很高[23-25]。激光掃描儀更適合使用距離信息檢測(cè)路面[26]。

1.2 道路檢測(cè)

雖然上述算法對(duì)結(jié)構(gòu)化道路足夠有效，但在車道標(biāo)記并不總是存在的，且在復(fù)雜的現(xiàn)實(shí)城市道路環(huán)境中，識(shí)別效果不能讓人滿意。最近，研究的重點(diǎn)已經(jīng)轉(zhuǎn)移到非結(jié)構(gòu)化道路的檢測(cè)，即次要道路及越野情況。在沒(méi)有車道標(biāo)記的情況下，主要使用顏色和紋理特征輔助識(shí)別。He等[27]提出兩個(gè)步驟。首先估計(jì)邊界，然后根據(jù)全彩色圖像檢測(cè)道路區(qū)域。Tarel和Bigorgne[28]也提出一種區(qū)域生長(zhǎng)的分割方法，并對(duì)圖像進(jìn)行專門的預(yù)表達(dá)，并通過(guò)輻射校正對(duì)該方法進(jìn)行優(yōu)化。然而，這是一個(gè)離線算法，不能用于無(wú)人駕駛。Alvarez和Lopez[29]結(jié)合陰影不變性特征空間和基于模型的分類器，建立該在線構(gòu)建模型，以提高算法對(duì)當(dāng)前光照條件和現(xiàn)場(chǎng)其他車輛的適應(yīng)性。立體視覺(jué)在研究中被頻繁應(yīng)用[30,31]。Caraffi等[30]提出了一種復(fù)雜的三目視覺(jué)系統(tǒng)用于障礙物和路徑檢測(cè)，其中立體系統(tǒng)用于瀝青估計(jì)和障礙物檢測(cè)，單目視覺(jué)系統(tǒng)用于檢測(cè)可移動(dòng)路徑。Wedel等[31]利用參數(shù)B樣條曲線為路面建模，并利用立體測(cè)量來(lái)估計(jì)路面參數(shù)。Fang等[32]也使用了多視角相機(jī)，但目標(biāo)是建立一個(gè)精確的地圖，而不是實(shí)時(shí)的道路檢測(cè)。Danescu和Nedevschi[33]利用來(lái)自立體視覺(jué)和灰度圖像的信息，通過(guò)粒子濾波框架檢測(cè)和跟蹤道路上的車道，獲取場(chǎng)景的深度信息，提高檢測(cè)道路上障礙物的感應(yīng)數(shù)據(jù)。絕大多數(shù)基于視覺(jué)的道路檢測(cè)方法都是復(fù)雜且耗時(shí)的，因?yàn)檫@些方法必須克服亮度問(wèn)題，這是機(jī)器視覺(jué)中的難題。雖然立體視覺(jué)提供了一些幫助，但較短的有效距離限制了它的適用性。

除了視覺(jué)傳感器，主動(dòng)傳感器也被越來(lái)越多地使用，如毫米波雷達(dá)傳感器[34]和激光掃描儀[35]。Fardi等[36]通過(guò)激光的融合反射率信息檢測(cè)道路邊界。Wijesoma等[37]提出了另一種單掃描系統(tǒng)，在該系統(tǒng)中引入了一種新的基于連續(xù)三次激光數(shù)據(jù)等角分離的激光特征。Zhao等[38]提出了一種基于激光掃描的方法來(lái)感知一個(gè)巨大的動(dòng)態(tài)城市環(huán)境，它強(qiáng)調(diào)解決同時(shí)定位和映射問(wèn)題而不是道路檢測(cè)。由于傳感器檢測(cè)方法的特點(diǎn)，大多數(shù)基于傳感器的檢測(cè)方法主要集中在國(guó)道或越野條件下的道路提取和邊界檢測(cè);對(duì)于車道標(biāo)記，即使借助反射特征評(píng)價(jià)，主動(dòng)傳感器也很難做到比視覺(jué)更好。此外，單行激光掃描儀的一幀數(shù)據(jù)通常不足以代表車輛前方的大部分區(qū)域。因此，一些研究人員將GPS與GIS結(jié)合起來(lái)提供補(bǔ)充信息。然而，GPS的分辨率有限。此外，GISs經(jīng)常無(wú)法使用，特別是在發(fā)展中國(guó)家，或者更新不夠頻繁。由于所有的單級(jí)傳感器方法都有局限性，因此也提出了基于多傳感器融合的道路檢測(cè)方法[39,40]。文獻(xiàn)[39]中使用了光檢測(cè)和測(cè)距(激光雷達(dá))系統(tǒng)、攝像機(jī)和GPS。Thrun等[40]添加了GIS信息，但是由于GPS在很多地方都是不可用的，因此問(wèn)題仍然存在。

根據(jù)給定的信息，道路和車道檢測(cè)系統(tǒng)處理的都是結(jié)構(gòu)化的道路，即有行車線標(biāo)記的道路；對(duì)于無(wú)結(jié)構(gòu)的道路，例如沒(méi)有車道標(biāo)志的道路。上述道路狀況經(jīng)常出現(xiàn)在我們周圍，是自動(dòng)駕駛的必需滿足的要求。

2 道路使用者檢測(cè)

對(duì)象檢測(cè)是指分析一個(gè)或多個(gè)傳感器獲得的環(huán)境信息的感知任務(wù)。雖然目標(biāo)檢測(cè)是通過(guò)測(cè)距傳感器進(jìn)行的，例如激光雷達(dá)或雷達(dá)，但是計(jì)算機(jī)視覺(jué)研究者在過(guò)去幾年中對(duì)解決這一階段產(chǎn)生了廣泛的興趣。這個(gè)階段的復(fù)雜性取決于具體的交通情況。最后，一個(gè)執(zhí)行系統(tǒng)根據(jù)前一階段生成的目標(biāo)命令進(jìn)行調(diào)整，并將這些命令轉(zhuǎn)換為相應(yīng)執(zhí)行器所需的低級(jí)控制信號(hào):油門；制動(dòng)器；轉(zhuǎn)向；產(chǎn)生的信號(hào)必須采取相應(yīng)的動(dòng)作避免碰撞，即加速、斷裂或轉(zhuǎn)向。

圖3 通過(guò)制動(dòng)避免行人碰撞Fig.3 Pedestrian collision avoidance by tracking

圖4 行人避碰階段[2]Fig.4 Pedestrian collisiun cwoidance stages

一些研究人員將雷達(dá)信息和相應(yīng)的融合結(jié)構(gòu)結(jié)合起來(lái)進(jìn)行檢測(cè)。Sole等[41]使用視覺(jué)驗(yàn)證方法來(lái)驗(yàn)證雷達(dá)候選是否為真實(shí)目標(biāo)。Bombini等[42]， Haselhoff等[43]， Bertozzi等[44]使用雷達(dá)信息，在決定基于視覺(jué)的探測(cè)區(qū)域之前使用雷達(dá)信息。對(duì)于行人檢測(cè)，Milch等[45]在不處理雷達(dá)信息不確定性的情況下進(jìn)行目標(biāo)水平融合。Dalal和Triggs[46]對(duì)行人檢測(cè)的圖像特征進(jìn)行了近幾十年的研究，重點(diǎn)研究了形狀、輪廓、顏色、紋理等的表示。Ahonen等[47]和Wu等[48]利用紋理信息對(duì)目標(biāo)進(jìn)行建模。

車輛上的傳感器系統(tǒng)需要預(yù)測(cè)車到行人的距離和TTC(碰撞時(shí)間,time-to-escape)。相機(jī)是最常用的傳感器。在過(guò)去的十年中，大量基于視覺(jué)的行人檢測(cè)系統(tǒng)被提出。一些引人注目的調(diào)查已經(jīng)被提出，其中一些成果已經(jīng)發(fā)表[49,50]。文獻(xiàn)[51-53]總結(jié)了大部分關(guān)于人體運(yùn)動(dòng)的工作，主要集中在智能車輛領(lǐng)域的行人保護(hù)應(yīng)用，包括被動(dòng)和主動(dòng)安全技術(shù)。

無(wú)人飛行器[54]首次提出自動(dòng)避碰，自20世紀(jì)90年代早期起就已經(jīng)在機(jī)載國(guó)內(nèi)運(yùn)輸飛機(jī)上使用[55]。雖然自主導(dǎo)航與智能車輛領(lǐng)域的自主導(dǎo)航有很大的不同，但有幾個(gè)方面可以得到有效的擴(kuò)展。例如，文獻(xiàn)[56]中提出了一種使用沖突概率的超車控制方法，該方法已廣泛應(yīng)用于航空領(lǐng)域[57]。其他的概念(如TTC)和對(duì)無(wú)人機(jī)深入研究的風(fēng)險(xiǎn)評(píng)估，也適用于智能車輛。

行人檢測(cè)使用文獻(xiàn)[58，59]中描述的系統(tǒng)進(jìn)行(見(jiàn)圖5)。非密集三維地圖使用穩(wěn)健相關(guān)過(guò)程進(jìn)行計(jì)算，減少匹配誤差[60]。使用所謂的虛擬視差圖動(dòng)態(tài)估計(jì)相機(jī)的俯仰角，它比其他的表現(xiàn)形式(如v視差圖或yOz平面)，提供更好的性能。通過(guò)節(jié)距補(bǔ)償可以實(shí)現(xiàn)兩個(gè)主要的優(yōu)點(diǎn)。首先，它提高了車輛對(duì)行人事故的TTC估計(jì)的準(zhǔn)確性。其次，它改善了道路點(diǎn)和障礙點(diǎn)之間的分離，降低了假陽(yáng)性和假陰性檢出率。

圖5 基于立體視覺(jué)的行人檢測(cè)體系結(jié)構(gòu)概述Fig.5 Overview of the stereo-vision-based pedestrian detection architecture

3 展望

目前，我們正在觀察以前孤立的駕駛員輔助功能合并在一起的趨勢(shì)，以實(shí)現(xiàn)對(duì)縱向和橫向的更復(fù)雜的輔助，驅(qū)動(dòng)支持。在未來(lái)幾輪高端汽車的創(chuàng)新周期中，部分自主駕駛有望成為現(xiàn)實(shí)，即便是高度自動(dòng)化的駕駛也不再是遙不可及的。為了實(shí)現(xiàn)自動(dòng)駕駛，最重要的是傳感系統(tǒng)需要實(shí)時(shí)檢測(cè)道路上的不同情況，如路面和道路使用者。本文對(duì)道路狀況的檢測(cè)進(jìn)行了大量的研究。未來(lái)，結(jié)合各種傳感器的特點(diǎn)，基于道路照明提高道路識(shí)別效率將是汽車駕駛的發(fā)展趨勢(shì)。完善道路各參與部分之間的溝通，實(shí)現(xiàn)道路信息的互動(dòng)。最后，完全自主駕駛將成為我們生活的一部分，世界的交通將變得更加智能化、信息化和安全。