摘? 要: 介紹了當今國際上流行的幾種智能駕駛系統，并分析了采用單一傳感器的駕駛系統中存在的問題，給出了信息融合" title="信息融合">信息融合技術的原理和結構。討論了多傳感器信息融合" title="多傳感器信息融合">多傳感器信息融合技術在智能駕駛系統(ITS)中的應用算法及其有待進一步解決的問題。
關鍵詞: 貝葉斯估計? 信息融合? 障礙探測? 智能駕駛
?
隨著傳感器技術、信息處理技術、測量技術與計算機技術的發展，智能駕駛系統(輔助駕駛系統—無人駕駛系統)也得到了飛速的發展。消費者越來越注重駕駛的安全性與舒適性，這就要求傳感器能識別在同一車道上前方行駛的汽車，并能在有障礙時提醒駕駛員或者自動改變汽車狀態，以避免事故的發生。國際上各大汽車公司也都致力于這方面的研究，并開發了一系列安全駕駛系統，如碰撞報警系統" title="報警系統">報警系統(CW)、偏向報警系統(LDW)和智能巡游系統(ICC)等。國內在這些方面也有一定的研究，但與國外相比仍存在較大的差距。本文將主要討論多傳感器信息融合技術在智能駕駛系統(ITS)中的應用。
1 ICC/CW和LDW系統中存在的問題
1.1 ICC/CW系統中的誤識別問題
ICC/CW系統中經常使用單一波束傳感器。這類傳感器利用非常狹窄的波束寬度測定前方的車輛，對于彎曲道路(見圖1(a))，前方車輛很容易駛出傳感器的測量范圍，這將引起智能巡游系統誤加速。如果前方車輛減速或在拐彎處另一輛汽車駛入本車道，碰撞報警系統將不能在安全停車范圍內給出響應而容易產生碰撞。類似地，當彎曲度延伸時(見圖1(b))，雷達系統易把鄰近道路的車輛或路邊的防護欄誤認為是障礙而給出報警。當道路不平坦時，雷達傳感器前方的道路是斜向上，小丘或土堆也可能被誤認為是障礙，這些都降低了系統的穩定性。現在有一些濾波算法可以處理這些問題[6]并取得了一定效果，但不能徹底解決。
?
?
1.2?LDW系統中存在的場景識別問題
LDW系統中同樣存在公共駕駛區場景識別問題。LDW系統依賴于一側的攝像機(經常僅能測道路上相鄰車輛的位置)，很難區分彎曲的道路和做到多樣的個人駕駛模式。LDW系統利用一個前向攝像機探測車輛前方道路的地理狀況，這對于遠距離測量存在著精確性的問題，所有這些都影響了TLC(Time-to-Line-Crossing)測量的準確性。現常用死區識別和駕駛信息修訂法進行處理，但并不能給出任何先驗知識去識別故障。
2 多傳感器信息融合技術在ITS系統中的應用
針對以上系統存在的一些問題，研究者們紛紛引入了多傳感器信息融合技術，并提出了不同的融合算法。基于視覺系統的傳感器可以提供大量的場景信息，其它傳感器(如雷達或激光等)可以測定距離、范圍等信息，對兩方面的信息融合處理后能夠給出更可靠的識別信息。融合技術可以采用 Beaurais 等人于1999年提出的CLARK算法(Combined Likelihood Adding Radar)[3]和Institude Neuroinformatik提出的ICDA(Integrative Coupling of Different Algorithms)[4]算法等方法實現。
2.1 傳感器的選擇
識別障礙的首要問題是傳感器的選擇，下面對幾種傳感器的優缺點進行說明(見表1)。探測障礙的最簡單的方法是使用超聲波傳感器，它是利用向目標發射超聲波脈沖，計算其往返時間來判定距離的。該方法被廣泛應用于移動機器人的研究上。其優點是價格便宜，易于使用，且在10m以內能給出精確的測量。不過在ITS系統中除了上文提到的場景限制外，還有以下問題。首先因其只能在10m以內有效使用，所以并不適合ITS系統。另外超聲波傳感器的工作原理基于聲速，即使可以使之測達100m遠，但其更新頻率為2Hz，而且還有可能在傳輸中受到其它信號的干擾，所以在CW/ICC系統中使用是不實際的。
?
?
視覺傳感器在CW系統中使用得非常廣泛。其優點是尺寸小，價格合理，在一定的寬度和視覺域內可以測定多個目標，并且可以利用測量的圖像根據外形和大小對目標進行分類。但是算法復雜，處理速度慢。
雷達傳感器在軍事和航空領域已經使用了幾十年。主要優點是可以魯棒地探測到障礙而不受天氣或燈光條件限制。近十年來隨著尺寸及價格的降低，在汽車行業開始被使用。但是仍存在性價比的問題。
為了克服這些問題，利用信息融合技術提出了一些新的方法，諸如參考資料[5～6]所述的融合超聲波傳感器和圖像傳感器的信息、融合雷達與圖像信息或激光與圖像信息等。利用這些方法可以得到較單一傳感器更為可靠的探測。
2.2 信息融合的基本原理[1]
所謂信息融合就是將來自多個傳感器或多源的信息進行綜合處理，從而得出更為準確、可靠的結論。多傳感器信息融合是人類和其它生物系統中普遍存在的一種基本功能，人類本能地具有將身體上的各種功能器官(眼、耳、鼻、四肢)所探測的信息(景物、聲音、氣味和觸覺)與先驗知識進行綜合的能力，以便對其周圍的環境和正在發生的事件做出估計。由于人類的感官具有不同度量特征，因而可測出不同空間范圍的各種物理現象，這一過程是復雜的，也是自適應的。它將各種信息(圖像、聲音、氣味和物理形狀或描述)轉化成對環境的有價值的解釋。
多傳感器信息融合實際上是人對人腦綜合處理復雜問題的一種功能模擬。在多傳感器系統中，各種傳感器提供的信息可能具有不同的特征:時變的或者非時變的，實時的或者非實時的，模糊的或者確定的，精確的或者不完整的，相互支持的或者互補的。多傳感器信息融合就像人腦綜合處理信息的過程一樣，它充分利用多個傳感器資源，通過對各種傳感器及其觀測信息的合理支配與使用，將各種傳感器在空間和時間上的互補與冗余信息依據某種優化準則組合起來，產生對觀測環境的一致性解釋或描述。信息融合的目標是基于各種傳感器分離觀測信息，通過對信息的優化組合導出更多的有效信息。這是最佳協同作用的結果，它的最終目的是利用多個傳感器共同或聯合操作的優勢來提高整個系統的有效性。
2.3 常用信息融合算法
信息融合技術涉及到多方面的理論和技術 ，如信號處理、估計理論、不確定性理論、模式識別、最優化技術、神經網絡和人工智能等。由不同的應用要求形成的各種方法都是融合方法的一個子集。表2歸納了一些常用的信息融合方法。
?
?
2.4 智能駕駛系統中信息融合算法的基本結構
由于單一傳感器的局限性，現在ITS系統中多使用一組傳感器探測不同視點的信息，再對這些信息進行融合處理，以完成初始目標探測識別。在智能駕駛系統中識別障礙常用的算法結構如圖2所示。
?
?
3 CLARK算法
CLARK算法是用于精確測量障礙位置和道路狀況的方法，它同時使用來自距離傳感器(雷達)和攝像機的信息。CLARK算法主要由以下兩部分組成:①使用多傳感器融合技術對障礙進行魯棒探測；②在LOIS(Likelihood of Image Shape)道路探測算法中綜合考慮上述信息，以提高遠距離道路和障礙的識別性能。
3.1 用雷達探測" title="雷達探測">雷達探測障礙
????目前經常使用一個雷達傳感器探測前方的車輛或障礙。如前面所分析，雷達雖然在直路上的性能良好，但當道路彎曲時，探測的信號將不完全可靠，有時還會有探測的盲點或產生錯誤報警。為了防止錯誤報警，常對雷達的輸出進行標準卡爾曼(Kalman)濾波，但這并不能有效解決探測盲點問題。為了更可靠地解決這類問題，可以使用掃描雷達或多波束" title="多波束">多波束雷達，但其價格昂貴。這里選用低價的視覺傳感器作為附加信息，視覺傳感器經常能提供掃描雷達和多波束雷達所不能提供的信息。
3.2 在目標識別中融合視覺信息
CLARK算法使用視覺圖像的對比度和顏色信息探測目標，使用矩形模板方法識別目標。這個模板由具有不同左右邊界和底部尺寸的矩形構成，再與視覺圖像對比度域匹配，選擇與雷達傳感器輸出最接近的障礙模板。
CLARK算法首先對雷達信號進行卡爾曼濾波，用于剔除傳感器輸出的強干擾，這由下列狀態和觀測方程處理:
式中，R(t)為前方障礙的真實距離(未知)，
是其速度(未知)，D(t)為距離觀測值，Δt為兩次觀測的間隔時間，w(t)和v(t)為高斯噪聲。給定D(t)，由Kalman濾波器估計R(t)和
的值，并把估計值
作為距離輸入值，使用
和D(t)的差值確定所用矩形模板的偏差。由于使用雷達探測的位置與雷達波的中心位置總有一個偏差，可通過改變道路一側的位置作為補償。
使用上述算法可以有效提高雷達探測的可靠性，但當圖像包含很強的邊緣信息或障礙只占據相平面一個很小的區域時，仍不能得到滿意的結果。因此，除對比度外，又引入視覺圖像的顏色域。
3.3 相合似然法
在探測到障礙后，CLARK算法將這些信息整合到道路探測算法(LOIS)中。LOIS利用變形道路的邊緣應為圖像中對比度的最大值部分且其方位應垂直于道路邊緣來搜索道路。如果只是簡單地將兩個信息整合，則障礙探測部分的像素被隱藏，其圖像梯度值不會影響LOIS的似然性。這樣可以防止LOIS將汽車前方障礙的邊緣誤認為是道路的邊緣來處理。但是當道路的真實邊緣非常接近障礙的邊緣時，隱藏技術則失效。
為了使隱藏技術有效，可以在障礙和道路探測之間采取折中的處理方法。這種折中的處理方法就是相合似然法。它將探測障礙固定的位置和尺寸參數變為可以在小范圍內變化的參數。新的似然函數由LOIS的似然和探測障礙的似然融合而成。它使用七維參數探測方法(三維用于障礙，四維用于道路)，能同時給出障礙和道路預測的最好結果。其公式如下:
式中，Tb、Tl、Tw為相平面內矩形模板的底部位置、左邊界和寬度的三個變形參數，[xr(t)，xc(t)]為變形模板相平面的中心。[yr(t)，yc(t)]為由雷達探測并經Kalman濾波的障礙在相平面的位置。將地平面壓縮變換為相平面，σr2(t)為
的實時估計，σc2為相平面內一個路寬的值(3.2m)。tan-1的壓縮比率在相平面內不小于Tmin(路寬的一半)，不大于Tmax(路寬)。通過求解七維后驗pdf P(k’，b’LEFT，b’RIGHT，vp，Tb，Tl，Tw|[yr(t)，yc(t)]，Observed Image)的最大值獲得障礙和道路目標。
3.4 CLARK算法的局限性
CLARK算法假定障礙為矩形形狀且其最小尺寸為標準路寬的一半，所以當障礙為客車、貨車、拖拉機及公共汽車時滿足要求；但當障礙為摩托車、自行車及行人時就不適用了。這種矩形形狀的假設也要求雷達為窄波束雷達，對其它寬波束雷達、掃描雷達或多波束雷達則無效，并假定探測障礙的偏向位置總是在雷達波束的中心。
多傳感器信息融合技術在智能駕駛系統(ITS)中的使用極大地提高了系統的穩定性和安全性，各種融合算法也都從不同方面更好地改善了系統的性能，但目前仍存在如何降低成本的問題，這對于ITS系統的普遍使用是很重要的。另外降低運算量、增強對多目標識別的可靠性也都有待進一步研究解決。
?
參考文獻
1 何 友，王國宏.多傳感器信息融合及應用.北京:電子工業出版社， 2000
2 康耀紅.數據融合理論及應用.西安:西安電子科技大學出版社， 1997
3 M. Beauvais， S. Lakshmanan CLARK.A Heterogeneous Sensor Fusion Method for Finding Lanes and Obstacles.
? Image and Vision Computing，2000(18)： 397～413
4 U.Handmann，T.Kalinke，C.Tzomakas， M.Werner，W.v.Seelen. An Image Processing System for Driver Assistance. Image?and Vision Computing，2000(18)：367～376
5 B. Heisele， H. Neef， W. Ritter， R. Schneider， G. Wanielik.Object Detection in Traffic Scenes by a Color Video and? Radar Data Fusion Approach. Proceedings of the First IEEE Australian Data Fusion? Symposium，1996: 48～52
6 H. Araki， K. Yamada，Y. Hiroshima， T. Ito. Development of Rear-end? Collision Avoidance System. Proceedings of?the IEEE Intelligent Vehi-cles Symposium.1996:224～229