采用傳感器融合的車(chē)輛前方碰撞預(yù)警系統(tǒng)

胡遠(yuǎn)志，董泰宏，羅 毅，蒲 浩

(重慶理工大學(xué) 汽車(chē)零部件先進(jìn)制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，重慶 400054)

0 引言

自動(dòng)駕駛汽車(chē)已經(jīng)成為當(dāng)前社會(huì)汽車(chē)行業(yè)發(fā)展的主流方向，汽車(chē)對(duì)主動(dòng)安全系統(tǒng)的性能要求也因此提升。前碰撞預(yù)警系統(tǒng)FCW旨在提前對(duì)碰撞做出預(yù)警，避免或減輕由于追尾碰撞引起的傷害。設(shè)計(jì)良好的FCW需要對(duì)TTC特征參數(shù)進(jìn)行深入研究。當(dāng)前比較常見(jiàn)的基于雷達(dá)的車(chē)間TTC估計(jì)算法有一定的控制效果，但無(wú)法準(zhǔn)確地識(shí)別出障礙物類(lèi)別，同時(shí)對(duì)于一些邊緣的靜態(tài)障礙物會(huì)引發(fā)虛假警報(bào)，容易產(chǎn)生安全隱患。而基于單目視覺(jué)的車(chē)間TTC估計(jì)雖然能夠準(zhǔn)確地識(shí)別障礙物的類(lèi)型，但是由于其自身的特點(diǎn)無(wú)法準(zhǔn)確計(jì)算出TTC，容易造成車(chē)輛前方碰撞預(yù)警系統(tǒng)準(zhǔn)確性、及時(shí)性差甚至失效的問(wèn)題。

近年來(lái)，攝像頭與激光雷達(dá)融合的技術(shù)在車(chē)輛領(lǐng)域逐漸發(fā)展起來(lái)[1]，薛培林等[2]提出一種激光雷達(dá)與相機(jī)特征級(jí)融合的城市自主車(chē)輛實(shí)時(shí)目標(biāo)識(shí)別方法，融合識(shí)別系統(tǒng)在準(zhǔn)確率、實(shí)時(shí)性方面達(dá)到實(shí)際行駛要求；胡遠(yuǎn)志等[3]提出一種基于4線激光雷達(dá)與攝像頭融合的聯(lián)合測(cè)距的方法，改善了單目視覺(jué)目標(biāo)識(shí)別有著巨大優(yōu)勢(shì)，但在目標(biāo)測(cè)距方面存在精度不足且測(cè)量過(guò)程不穩(wěn)定的問(wèn)題；HU等[4]在越野復(fù)雜環(huán)境中,分析了傳感器融合的優(yōu)勢(shì),闡述了單一傳感器在范圍、信號(hào)特征和檢測(cè)工作條件方面存在的局限性；劉鍇[5]使用多激光雷達(dá)與相機(jī)改善了場(chǎng)景識(shí)別的正確率；麥新晨等[6]針對(duì)城市道路環(huán)境提出了一種基于激光雷達(dá)與視覺(jué)的車(chē)輛檢測(cè)與跟蹤方法。受上述案例啟發(fā)，本文針對(duì)視覺(jué)傳感器檢測(cè)車(chē)間TTC精度低、穩(wěn)定性差的問(wèn)題，設(shè)計(jì)了一種基于激光雷達(dá)與攝像頭融合的車(chē)間TTC估計(jì)算法，結(jié)合2種傳感器的優(yōu)勢(shì)，提升了TTC估計(jì)的穩(wěn)定性、降低了估算誤差。

1 車(chē)道前方車(chē)輛目標(biāo)檢測(cè)

基于激光雷達(dá)與單目視覺(jué)結(jié)合的前方車(chē)輛識(shí)別方法主要有2個(gè)步驟：系統(tǒng)工作前預(yù)先對(duì)激光雷達(dá)和攝像頭進(jìn)行聯(lián)合標(biāo)定，確定雷達(dá)坐標(biāo)系和攝像頭坐標(biāo)系間的變換關(guān)系[7]；經(jīng)過(guò)視覺(jué)識(shí)別車(chē)輛目標(biāo)后，通過(guò)激光雷達(dá)點(diǎn)云聚類(lèi)確定前方車(chē)道的障礙物點(diǎn)云，篩除不在區(qū)域內(nèi)的車(chē)輛目標(biāo)，得到最終位于車(chē)道前方的車(chē)輛信息。

1.1 傳感器數(shù)據(jù)配準(zhǔn)與同步方法

傳感器數(shù)據(jù)需要從空間以及時(shí)間上配準(zhǔn)，空間的配準(zhǔn)通過(guò)傳感器之間的標(biāo)定完成，時(shí)間配準(zhǔn)通過(guò)對(duì)時(shí)間戳的匹配以及幀率同步完成。

空間上激光雷達(dá)和攝像機(jī)的標(biāo)定數(shù)據(jù)包括相機(jī)內(nèi)部參數(shù)和坐標(biāo)系間變換外部參數(shù)。相機(jī)內(nèi)部參數(shù)主要包括相機(jī)焦距、像素中心點(diǎn)、畸變系數(shù)等。外部參數(shù)包括相機(jī)坐標(biāo)系相對(duì)于雷達(dá)坐標(biāo)系的旋轉(zhuǎn)和平移。

設(shè)點(diǎn)在激光雷達(dá)雷達(dá)坐標(biāo)系O1中的坐標(biāo)為(X1,Y1,Z1)，對(duì)應(yīng)在相機(jī)坐標(biāo)系OC中的坐標(biāo)為P(Xc,Yc,Zc)。

激光雷達(dá)點(diǎn)云到相機(jī)坐標(biāo)系的轉(zhuǎn)換為剛體變換，可通過(guò)旋轉(zhuǎn)與平移表征，公式[8]如下：

(1)

式中：[R|T]為旋轉(zhuǎn)平移矩陣，表示激光雷達(dá)坐標(biāo)系通過(guò)空間旋轉(zhuǎn)與平移轉(zhuǎn)換到相機(jī)坐標(biāo)系，構(gòu)成外參矩陣。

從相機(jī)坐標(biāo)系到圖像坐標(biāo)系的轉(zhuǎn)換，是從三維坐標(biāo)系轉(zhuǎn)換為二維坐標(biāo)系的過(guò)程，屬于透視投影關(guān)系滿足三角形的相似定理：

(2)

從圖像到像素的轉(zhuǎn)換主要涉及伸縮變換和平移變換：

(3)

綜合式(1)(2)(3),可得到激光雷達(dá)坐標(biāo)系往像素坐標(biāo)系的轉(zhuǎn)換公式:

(4)

式中:f為相機(jī)焦距，fx、fy分別為相機(jī)橫、縱焦距，(u0,v0)為光學(xué)中心，這4個(gè)參數(shù)屬于相機(jī)內(nèi)參，構(gòu)成內(nèi)參矩陣,表征相機(jī)坐標(biāo)到像素坐標(biāo)的變換，內(nèi)參矩陣可由張正友標(biāo)定法得到[9]，(x,y)為對(duì)應(yīng)點(diǎn)在圖像坐標(biāo)系的坐標(biāo),(u,v)為點(diǎn)在像素坐標(biāo)系的坐標(biāo)。

不同傳感器的采樣頻率不同，每個(gè)傳感器會(huì)按照自己固定的時(shí)間基準(zhǔn)進(jìn)行數(shù)據(jù)采集，從而導(dǎo)致兩者采集的數(shù)據(jù)來(lái)自于不同的時(shí)刻，使數(shù)據(jù)存在時(shí)間戳上的不同步，激光雷達(dá)的采樣頻率為10幀/s，相機(jī)的采樣頻率為30幀/s，無(wú)法提升激光雷達(dá)的采樣頻率達(dá)到與相機(jī)一致，因此，以采樣頻率低的激光雷達(dá)為準(zhǔn)，對(duì)相機(jī)數(shù)據(jù)進(jìn)行采樣，每3幀數(shù)據(jù)保留1幀，實(shí)現(xiàn)相機(jī)的采樣頻率為10幀/s，以達(dá)到時(shí)間戳匹配，實(shí)現(xiàn)時(shí)間上的數(shù)據(jù)匹配。

1.2 點(diǎn)云聚類(lèi)檢測(cè)障礙物

通過(guò)激光雷達(dá)直接獲取的點(diǎn)云數(shù)據(jù)分布不均勻且量大不便于處理。點(diǎn)云數(shù)據(jù)是激光反射形成的點(diǎn)云，能夠直接反映目標(biāo)的外表面信息，但在處理數(shù)據(jù)中，更多的是處理幾何拓?fù)湫畔?。因此，建立離散點(diǎn)間的拓?fù)潢P(guān)系是點(diǎn)云處理的首要步驟。目前廣泛應(yīng)用在點(diǎn)云數(shù)據(jù)處理中的是建立空間索引方法，常見(jiàn)空間索引一般是自頂向下逐級(jí)的劃分空間。代表性的k-d樹(shù)最常應(yīng)用于點(diǎn)云處理。

1.2.1k-d 樹(shù)創(chuàng)建

k-d樹(shù)是計(jì)算機(jī)科學(xué)中使用的一種數(shù)據(jù)結(jié)構(gòu)，用來(lái)組織表示k維空間中的點(diǎn)集合，它是一種帶有約束條件的二分查找樹(shù)[10]。建立k-d樹(shù)最高效的方法是，像快速分類(lèi)一樣使用分割法，把指定維度的值放在根上，在該維度上較小數(shù)值的放在左子樹(shù)，較大數(shù)值的放在右子樹(shù)，然后分別在左右子樹(shù)上重復(fù)這個(gè)過(guò)程[11]。

由于只需要考慮當(dāng)前車(chē)道前方的障礙物，為了節(jié)省計(jì)算資源，可以先過(guò)濾掉激光雷達(dá)左右2 m外以及后方的多余點(diǎn)云，僅保留當(dāng)前車(chē)道前方的點(diǎn)云。

1.2.2歐式聚類(lèi)

歐式聚類(lèi)算法是一種基于歐式距離度量的聚類(lèi)算法。對(duì)于三維點(diǎn)云，兩點(diǎn)之間的歐式距離計(jì)算公式為：

(5)

歐式聚類(lèi)算法的流程：

1)對(duì)輸入的點(diǎn)云創(chuàng)建其k-d樹(shù)數(shù)據(jù)結(jié)構(gòu)；

2)對(duì)任意一個(gè)點(diǎn)Q，遍歷其余點(diǎn)與Q的歐式距離E，將E小于設(shè)定閾值的點(diǎn)均放入聚類(lèi)集合C中；

3)針對(duì)每一個(gè)還沒(méi)有被計(jì)算的點(diǎn)循環(huán)上述操作，直至所有點(diǎn)都被處理。

最終產(chǎn)生的聚類(lèi)集合C則為點(diǎn)云聚類(lèi)所檢測(cè)到的障礙物。通過(guò)幾何關(guān)系篩選出障礙物點(diǎn)云的尾部點(diǎn)云，并通過(guò)障礙物尾部點(diǎn)云計(jì)算兩車(chē)之間的相對(duì)距離。

1.3 車(chē)道前方車(chē)輛識(shí)別

2012年，Krizhevsk[12]提出了基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)。此后大量關(guān)于圖像分類(lèi)、目標(biāo)檢測(cè)的網(wǎng)絡(luò)模型都是基于該基礎(chǔ)模型不斷演化產(chǎn)生。目前主流的有Faster R-CNN[13]、SSD[14]、YOLO等。

本文采用YOLOv3作為車(chē)輛的檢測(cè)算法，使用經(jīng)過(guò)COCO數(shù)據(jù)集訓(xùn)練后的權(quán)重文件。YOLO全名You Only Look Once[15]，是一種快速和準(zhǔn)確的實(shí)時(shí)對(duì)象檢測(cè)算法。YOLOv3算法的主干網(wǎng)絡(luò)為Darknet-53，使用殘差網(wǎng)絡(luò)進(jìn)行特征提取，使其在加深網(wǎng)絡(luò)的情況下又解決了梯度消失的問(wèn)題，并能輸出3個(gè)不同尺度的特征圖，用于檢測(cè)不同大小的物體。相比于它的前兩代版本，YOLOv3彌補(bǔ)了小目標(biāo)檢測(cè)精度差的短板，同時(shí)保留了速度的優(yōu)勢(shì)。

在目標(biāo)檢測(cè)算法檢測(cè)出圖像中的所有車(chē)輛之后，將激光雷達(dá)聚類(lèi)檢測(cè)出的前方障礙物點(diǎn)云投影到圖像中，僅保留含有一定點(diǎn)云閾值的目標(biāo)檢測(cè)框，以此作為最終的車(chē)道前方車(chē)輛識(shí)別結(jié)果。

由YOLOv3算法識(shí)別圖像中所有車(chē)輛效果如圖2所示，它包括了除車(chē)道以外的所有車(chē)輛檢測(cè)結(jié)果。加入了激光雷達(dá)篩選系統(tǒng)后的最終檢測(cè)效果(圖3)，僅保留了當(dāng)前車(chē)道前方的目標(biāo)車(chē)輛識(shí)別框，舍棄了道路邊緣以及旁邊車(chē)道的無(wú)關(guān)車(chē)輛的識(shí)別框。

圖1 傳感器位置示意圖

圖2 傳感器坐標(biāo)變化流程框圖

圖3 車(chē)道前方車(chē)輛識(shí)別系統(tǒng)框圖

圖4 篩選前的車(chē)道前方車(chē)輛識(shí)別場(chǎng)景圖

圖5 篩選后的車(chē)道前方車(chē)輛識(shí)別場(chǎng)景圖

2 車(chē)輛目標(biāo)跟蹤

車(chē)輛目標(biāo)可以用一組恒定不變的特征集合來(lái)表達(dá)。采用基于目標(biāo)特征的跟蹤方法：在連續(xù)幀圖像中提取車(chē)輛的特征信息(車(chē)尾部特征)，將車(chē)輛的特征以旋轉(zhuǎn)不變性的方法進(jìn)行描述，在下一幀中通過(guò)特征匹配進(jìn)行車(chē)輛的跟蹤。

2.1 特征提取

車(chē)輛目標(biāo)的變化比較穩(wěn)定，各個(gè)尺度的特征突變小，因此采用FAST提取特征[16]。FAST特征提取算法提取速度快、實(shí)時(shí)性強(qiáng)，算法步驟如下：

1)以像素p為中心，半徑為3的圓上，有16個(gè)像素點(diǎn)(p1,p2,p3,…,p16)。

2)定義一個(gè)閾值，計(jì)算p1、p5、p9、p13與中心p的像素差，若都超過(guò)閾值則中心點(diǎn)p為候選特征點(diǎn)。

3)計(jì)算候選特征點(diǎn)與(p1,p2,p3,…,p16)的像素差，若至少有連續(xù)9個(gè)超過(guò)閾值，則判斷其為特征點(diǎn)。

4)對(duì)特征點(diǎn)進(jìn)行非極大值抑制，選取以特征點(diǎn)p為中心的55鄰域，若鄰域內(nèi)有多個(gè)特征點(diǎn)，則判斷每個(gè)特征點(diǎn)各自的像素差總和s，保留s最大的特征點(diǎn)[17]。

(6)

使用FAST特征提取算法檢測(cè)的效果如圖6。

圖6 圖像特征提取效果圖

2.2 特征描述與匹配

使用BRISK特征描述對(duì)FAST提取的特征點(diǎn)賦予其描述符[18]，僅需要對(duì)車(chē)道前方車(chē)輛檢測(cè)框內(nèi)的特征點(diǎn)進(jìn)行描述。BRISK特征描述采用自定義的鄰域采樣模式，以特征點(diǎn)pi為中心的40×40像素塊內(nèi)構(gòu)建多個(gè)同心圓，采樣點(diǎn)等間距分布在圓周上，共60個(gè)采樣點(diǎn)[19]。

圖7 BRISK鄰域采樣模式示意圖

采樣完成后依據(jù)歐式距離劃分采樣點(diǎn)對(duì)集Ω為短距采樣點(diǎn)對(duì)集S和長(zhǎng)距采樣點(diǎn)對(duì)集P。

S={(pi,pj)∈Ω∣pj-pi<δmax}?Ω

(7)

P={(pi,pj)∈Ω∣pj-pi>δmin}?Ω

(8)

閾值δmax=9.75t，δmin=13.67t。

使用長(zhǎng)距采樣點(diǎn)對(duì)集P來(lái)計(jì)算特征點(diǎn)的主方向，然后將采樣區(qū)域旋轉(zhuǎn)到主方向，最后在短距采樣點(diǎn)集S中逐一比對(duì)與采樣點(diǎn)的像素強(qiáng)度，形成二值化特征描述。

對(duì)BRISK描述子得到的二值化特征描述，采用蠻力算法進(jìn)行前后兩幀之間的特征搜索匹配，若前后兩幀之間的特征匹配大于一定的程度，就認(rèn)為是同一目標(biāo)，以此實(shí)現(xiàn)車(chē)輛目標(biāo)的跟蹤。

3 傳感器融合計(jì)算TTC

TTC(time to collision)是指前后兩車(chē)某時(shí)刻保持狀態(tài)不變時(shí)兩車(chē)相互碰撞所需的時(shí)間。針對(duì)乘用車(chē)FCW系統(tǒng)，TTC的預(yù)警值一般設(shè)置為2.7 s，當(dāng)提前2.5 s給予一個(gè)車(chē)輛碰撞警告，根據(jù)人的反應(yīng)時(shí)間和剎車(chē)的距離，可以做到車(chē)輛剎停下來(lái)。

3.1 基于單目視覺(jué)的TTC計(jì)算

在前車(chē)突然停止或主車(chē)減速以避免碰撞時(shí)，TTC的計(jì)算避免不了兩車(chē)之間相對(duì)加速度的影響，本文采用一種常值加速度假設(shè)的TTC計(jì)算方法[20]。根據(jù)前車(chē)尺寸在圖像中的變化率可以直接估算TTC。

圖8 單目攝像頭幾何投影原理示意圖

設(shè)dw為圖像中車(chē)寬相對(duì)變化率，w為圖像中車(chē)輛寬度，有：

(9)

根據(jù)相似三角形原理，焦點(diǎn)與車(chē)輛尾部W構(gòu)成的三角形相似于相機(jī)成像的三角形，則焦距f、成像寬度w、車(chē)輛寬度W、車(chē)距d的關(guān)系如下：

(10)

結(jié)合式(9)(10)可得到車(chē)寬相對(duì)變化率dw與車(chē)距之間的關(guān)系：

(11)

則車(chē)寬相對(duì)于時(shí)間的變化率如下：

(12)

考慮到相對(duì)加速度，兩車(chē)之間的相對(duì)距離模型為(v1為第一幀與第二幀之間的兩車(chē)相對(duì)速度)：

(13)

將相對(duì)距離模型式(13)代入式(12):

(14)

由于是常值加速度模型，代入第二幀以及第三幀的數(shù)據(jù)可得到加速度的表達(dá)式：

(15)

在式(14)中，相機(jī)的幀率是10幀/s，則dt=0.1，d2t=0.01，當(dāng)作分子可忽略，于是：

(16)

TTC是d=0時(shí)的時(shí)間：

(17)

(18)

約去(18)等式兩端的d2：

(19)

根據(jù)式(19)，TTC僅與圖像中車(chē)寬相對(duì)變化率dw存在關(guān)系，而dw可直接通過(guò)兩幀圖像之間的變化得到，遂可解方程得到TTC。

3.2 基于激光雷達(dá)的TTC計(jì)算

激光雷達(dá)測(cè)速可采用幀距離差法，連續(xù)兩幀數(shù)據(jù)均可得到與目標(biāo)的距離，每幀數(shù)據(jù)的時(shí)間間隔固定不變，即通過(guò)兩幀之間的距離變化與時(shí)間的對(duì)應(yīng)關(guān)系可得到車(chē)間相對(duì)速度的大小與方向。同樣考慮到相對(duì)加速度，采用常值加速度假設(shè)的TTC計(jì)算方法。

圖9 激光雷達(dá)測(cè)距原理示意圖

設(shè)v1為第一幀到第二幀的相對(duì)速度，v2為第二幀到第三幀的相對(duì)速度，有：

(20)

(21)

根據(jù)三幀之間的數(shù)據(jù)可求得相對(duì)加速度：

(22)

代入常值加速度模型的TTC計(jì)算公式：

(23)

式中：第一幀時(shí)兩車(chē)距離d0、第二幀時(shí)兩車(chē)距離d1、第三幀時(shí)兩車(chē)距離d2可以由點(diǎn)云直接得到，即求出每一幀兩車(chē)之間的距離后，就可解方程求得TTC。

3.3 卡爾曼濾波

基于單個(gè)傳感器設(shè)計(jì)的TTC估計(jì)受限于傳感器本身的特點(diǎn)，結(jié)果的異常值較多，魯棒性差，采用卡爾曼濾波從結(jié)果級(jí)融合傳感器。

卡爾曼濾波器是一種最優(yōu)化遞歸處理數(shù)據(jù)的算法，當(dāng)系統(tǒng)不存在完美的數(shù)學(xué)模型、系統(tǒng)的撓動(dòng)不可控很難建模并且傳感器測(cè)量存在誤差時(shí)，卡爾曼濾波算法能很好地根據(jù)預(yù)測(cè)數(shù)據(jù)以及觀測(cè)數(shù)據(jù)得到系統(tǒng)最優(yōu)的狀態(tài)估計(jì)[21-22]。傳感器融合計(jì)算TTC剛好具備這幾點(diǎn)特性。

(24)

式中:xk為預(yù)測(cè)值，zk為觀測(cè)值，wk-1為過(guò)程噪音，vk為測(cè)量噪音，兩者近似符合高斯分布，A為傳遞矩陣，H為觀測(cè)矩陣。預(yù)測(cè)部分由先驗(yàn)估計(jì)、先驗(yàn)誤差協(xié)方差矩陣組成，校正部分有卡爾曼增益計(jì)算、后驗(yàn)估計(jì)、后驗(yàn)誤差協(xié)方差矩陣更新。

先驗(yàn)估計(jì)值：

(25)

先驗(yàn)誤差協(xié)方差矩陣：

(26)

卡爾曼增益計(jì)算：

(27)

后驗(yàn)估計(jì)值：

(28)

后驗(yàn)誤差協(xié)方差矩陣更新：

(29)

卡爾曼濾波算法的核心是運(yùn)用遞歸算法達(dá)到最優(yōu)狀態(tài)估計(jì)：利用先驗(yàn)估計(jì)值和現(xiàn)時(shí)刻的觀測(cè)值更新當(dāng)前狀態(tài)變量的后驗(yàn)估計(jì)。在TTC計(jì)算中，激光雷達(dá)由于傳感器本身的優(yōu)勢(shì)，與攝像頭相比表現(xiàn)得更加穩(wěn)定，也更加接近真實(shí)值，遂選用激光雷達(dá)完成預(yù)測(cè)步驟，得到先驗(yàn)估計(jì)值，攝像頭則作為觀測(cè)傳感器，提供觀測(cè)值完成狀態(tài)變量后驗(yàn)估計(jì)的更新。

4 驗(yàn)證與分析

為了驗(yàn)證本文提出的基于傳感器融合的車(chē)間TTC估計(jì)算法，通過(guò)KITTI數(shù)據(jù)集中一段勻減速工況進(jìn)行驗(yàn)證。圖10中兩車(chē)距離初始值為11.3 m，目標(biāo)車(chē)輛速度為0 m/s，本車(chē)初始速度為2.7 m/s，制動(dòng)減速度大小為0.34 m/s2。

圖10 TTC計(jì)算實(shí)景

在逐漸勻減速靠近前方車(chē)輛時(shí)，兩車(chē)距離變化如圖11。圖12為傳感器融合計(jì)算的TTC曲線與單個(gè)傳感器計(jì)算的TTC曲線相對(duì)于實(shí)際TTC曲線的關(guān)系。

圖11 本車(chē)與目標(biāo)的距離變化曲線

從圖12可以看到，基于單目視覺(jué)的TTC估計(jì)算法出現(xiàn)異常變化值的概率較高，是由于單目視覺(jué)TTC估計(jì)是基于兩幀圖像間車(chē)輛尺寸的像素變化率求得，而圖像中的車(chē)輛像素區(qū)域是車(chē)輛識(shí)別算法分別對(duì)每幀圖像數(shù)據(jù)處理得到的，在每次的計(jì)算中不可避免的會(huì)產(chǎn)生像素區(qū)域的突變問(wèn)題，造成TTC估計(jì)值突變；同時(shí)除去異常值，其剩余穩(wěn)定值整體偏離實(shí)際值幅度也較大，是因?yàn)閿z像頭本身的測(cè)距原理是利用相似三角形的特性，受限于攝像頭本身的參數(shù)精度問(wèn)題，單目視覺(jué)TTC估計(jì)值的精確度較差。

圖12 TTC計(jì)算值曲線

與單目視覺(jué)相比基于單激光雷達(dá)的TTC估計(jì)曲線比較穩(wěn)定，整體偏離實(shí)際曲線較小，因?yàn)榧す饫走_(dá)的測(cè)距精度高，其采集的點(diǎn)云數(shù)據(jù)穩(wěn)定，而激光雷達(dá)的TTC估計(jì)是基于兩幀之間目標(biāo)距離的變化率求得，因此激光雷達(dá)的TTC值誤差小，異常變化值出現(xiàn)概率低。

本文提出的基于傳感器融合的TTC估計(jì)算法以激光雷達(dá)數(shù)據(jù)作為預(yù)測(cè)值，單目視覺(jué)數(shù)據(jù)為觀測(cè)值，融合得到的TTC估計(jì)值整體準(zhǔn)確度表現(xiàn)更加優(yōu)良，穩(wěn)定的收斂于實(shí)際曲線附近，表明該算法有效提升了TTC估計(jì)的穩(wěn)定性，降低了總體估計(jì)誤差。

5 結(jié)論

基于自動(dòng)駕駛汽車(chē)常見(jiàn)搭載運(yùn)用的激光雷達(dá)、攝像頭2種傳感器，介紹了激光雷達(dá)與攝像頭基于卡爾曼濾波融合測(cè)量車(chē)間TTC的計(jì)算方法，在勻減速工況中進(jìn)行驗(yàn)證，證明其能夠改善TTC估計(jì)的穩(wěn)定性與準(zhǔn)確性，為FCW系統(tǒng)的參數(shù)優(yōu)化提供了依據(jù)。

該方法的不足之處在于：?jiǎn)蝹€(gè)傳感器TTC計(jì)算的模型為常值加速度假設(shè)模型，在勻速行駛以及勻加速度行駛工況下表現(xiàn)良好，但在日常駕駛場(chǎng)景中會(huì)出現(xiàn)兩車(chē)的相對(duì)加速度不斷變化，此時(shí)算法的精度將受到影響。針對(duì)此問(wèn)題，提出一種解決思路：加入預(yù)測(cè)模型估計(jì)未來(lái)狀態(tài)，以提升模型在兩車(chē)的相對(duì)加速度在不斷變化的實(shí)際工況下的適應(yīng)性。