贺翠华

摘 要： 主要对汽车自动驾驶算法进行了优化设计。先根据实际情况完成路线的规划，通过使用置于车辆前端的各种传感设备完成图像的获取，然后处理采集到的图像并据此完成对车道线和障碍物的识别与检测，在此基础上实现汽车包括车辆行驶速度与方向在内的自动驾驶操作控制过程。通过对比实验检测该算法的应用效果与安全性，结果表明相比于基于BP神经网络和基于贝叶斯的自动驾驶算法，算法的处理时间得到有效缩短，进一步提升了控制准确度，为优化汽车驾驶安全性能提供参考。

关键词： 汽车自动驾驶; 驾驶安全性; 自动驾驶算法; 图像采集; 路线规划

中图分类号： U 463.4      文献标志码： A

Abstract： This paper mainly optimizes the auto-driving algorithm. The algorithm first completes the route planning according to the actual situation. The image acquisition is completed by using various sensor devices placed in the front of the vehicle， and then the collected images are processed according to the actual conditions. This completes the identification and detection of lane lines and obstacles， and realizes the automatic driving operation control process of the car including the speed and direction of the vehicle. By comparing experiments to test the application effect and safety of the algorithm， the results show that compared with the BP neural network and Bayesian-based autonomous driving algorithms， the processing time of the algorithm in this paper is effectively shortened， and the control accuracy is further improved. The paper may provide reference for car driving safety performance.

Key words： autonomous vehicle driving; driving safety; autonomous driving algorithm; image acquisition; route planning

0 引言

近年来迅速发展和完善的人工智能及网络通信技术为自动驾驶汽车功能的实现提供了强大的技术支撑，促使汽车自动驾驶技术取得快速进步，自动驾驶汽车正不断地融入日常生活之中，有望在不久的将来正式步入商业市场。自动驾驶车辆不同于人工驾驶车辆，主要通过使用传感器及相关算法完成对车辆相应操作（包括转向、加速和刹车等）的控制。现阶段大多采用离线传感器实现汽车自动驾驶技术，部分企业已实现了第三级别的自动驾驶，但受到离线传感器有限的感知距离的限制，更高级别无人驾驶的实现需基于大量的信息计算资源，这就对汽车自动驾驶算法提出了更高的要求。

1 需求分析

随着社会经济与科学技术的迅速发展，汽车已经成为日常生产生活中不可或缺的交通工具，私人汽车保有量随之不断增加，为城市交通管理带来了较大的挑战，交通拥挤、交通事故等频繁发生，为人们的生命财产安全带来了严重的威胁。随着通信网络及人工智能（AI）等现代技术的发展与深入应用，自动驾驶成为未来发展趋势，成为规范城市交通环境、解决相应交通问题的有效手段，汽车自动驾驶技术在提高交通效率、确保驾驶安全、提供便捷出行服务方面的优势明显。随着交通压力（包括道路安全、交通拥堵等）及环境污染压力等的日益提高，智能汽車成为汽车行业的重要发展方向以及汽车技术发展的关键竞争领域，这就对汽车控制系统及相关控制算法带来了新的挑战。现阶段的智能车辆的自动驾驶过程的规划、决策和控制大多在封闭场景和结构化道路中完成，在复杂的交通及道路场景下仍然需要人工干预车辆控制，如在商业化运营时存在面对丁字路口难以及时准确的转弯、并线切入正常行驶车流中等问题，主要原因在于汽车自动驾驶控制技术的设计多基于规则（人为规定相应的行为模式）完成，导致应用于复杂场景中的规则数目（可能发生冲突）呈指数级增加，且出于安全考虑很难开展复杂工况下的汽车自动驾驶测试与验证，限制了通过测试对自动驾驶功能的反馈和完善效果。因此需通过自动驾驶智能控制算法的设计与应用实现自主学习及安全有效的测试和验证过程（根据数据驱动、环境交互产生的数据），不断提高自主应对复杂工况的控制能力，以有效应对复杂驾驶场景[1]。

2 汽车自动驾驶算法

在交通事故原因调查中发现，人主观因素是主要因素（包括驾驶技能不成熟、酒驾等），因此在汽车控制过程中通过人工智能辅助或替代已成为汽车领域的主流发展趋势，其中的汽车自动驾驶技术主要根据环境感知信息做出行为决策并据此执行车辆运动控制功能，先根据实际需要将各种传感设备安装到汽车前端负责完成汽车周围环境信息的采集，接下来分析处理采集到的环境信息并据此做出最为合理的行为决策控制汽车的运动，使交通事故得到最大程度地避免，从而在实现自动驾驶功能的基础上确保车辆高效安全到达目的地。汽车驾驶规划（包括方向、速度、路线）及障碍规避是实现自动驾驶控制的基础和关键，其本质在于仿人驾驶。传统无人驾驶项目受到匹配度较低的通讯网络环境的限制，导致基于环境感知的人工智能难以及时准确的做出行为决策，增加了汽车响应所需时间，难以控制车辆及时准确的规避障碍，进而降低看汽车驾驶的稳定性和安全性。本文面向5G网络环境主要完成了一种汽车自动驾驶算法的设计，该软件运行逻辑程序能够更好的匹配自动驾驶技术，在完成最优路线选取后据此完成汽车的自动驾驶，对行驶过程中周围的图像使用图像采集设备完成采集和处理过程，实现车道线识别及周围障碍物检测功能，从而有效控制车辆行驶速度和方向，该算法显著缩短了处理时间，提高了汽车自动驾驶的安全性[1]。

2.1 路线规划

在汽车上道去往目的地前需以输入的目标地址为依据完成最优路线的规划，确保该路线能够最快到达目的地，具体过程为：（1） 求出起點与终点（分别由M和N表示）间由L表示的直线距离，以L的0.1倍的长度将起点和终点分别向外延伸形成直线距离（由L0表示），接下来分别以L0为弦、以1.5倍的L0为弧长画弧，根据两条弧间的范围完成多个节点的选取（包含M和N），并由这些节点组成一个一维数组（由Z表示）;（2） 对动态邻接节点的关系矩阵和权矩阵（分别由R′和R表示）根据Z中每两个节点间的权重值进行初始化处理;（3） Z中全部节点的集合由Z表示，得到的最优路径的节点集合由S表示，Z中记录节点的前驱由P表示;（4） 然后完成对起点位置的判断，并令PM=0;判断终点位置，在P N=-1的情况下继续下一步，若P N≠-1则跳到步骤（3）;（5） M到N的全部最短时间由D表示，Dmin=R′，PN≠-1;（6） 令K=R，若P k=-1则P k=i、R′=R′=∞;（7） 修改可达到的最优路径长度（从M到集合上任意节点），此时R′=R′+D;（8）重复步骤（4）～（7），直至找到最优路径，否则跳到（1）扩大节点范围重新寻找[2]。

2.2 图像获取与处理

汽车根据已确定的最优路径向目的地行驶，并在行驶过程中通过车辆上的各种传感设备完成图像实时准确的获取，然后根据检测到的信息做出相应的行为决策，汽车对减速、加速、转弯等行为自动做出控制，考虑到在图像采集过程中易受到周围多种因素的影响（包括路面油迹、路边树木及隔离带阴影等障碍物阻挡、光照变化情况、设备抖动等）而导致获取的图像质量不佳，进而难以提供准确的判断信息供决策使用，因此需在自动驾驶算法融入图像处理这一重要环节，为影响提高汽车面对不同情况的响应速度，本文对前端传感设备采集到的彩色图像使用了图像灰度化处理方法直接进行灰度化处理，将包含多种颜色的彩色图像转换成相应的灰度图像（仅包含黑色、白色和不同深浅的灰色），假设，在灰度化图像中由f（x，y）表示坐标（x，y）的某像素点的灰度值，坐标（x，y）的像素点R的分量值由0. 3R（x，y）表示、G的分量值由0. 59G（x，y）表示、B的分量值由0. 11B（x，y）表，具体表达式如下[3]。

从而确定了汽车安全行驶范围，可进一步采用Hough 变换以保证识别准确性[5]。

（2） 障碍物检测，主要针对前方存在的一些动态事物（包括行驶的车辆、行走的行人等）包括识别和跟踪两部分，障碍物识别与车道线识别过程相同，识别后的动态跟踪过程为：基于动态事物识别结果通过扫描完成对障碍物的精准定位，提取障碍物的边缘等信息后完成对称性检测过程，并对障碍物位置进行多次验证;然后读取图像，初始化由（O1，O2）表示的障碍物底部边缘中心点位置，障碍物的速度V1和加速度V2（在图像x和y轴方向上）均为0，据此完成障碍物目标模型的构建，预测下一帧图像中中心点位置（O′ 1，O′ 2）、速度V′ 1和加速度V′ 2（采用卡尔曼滤波器完成）;读取下一帧图像，采用特征匹配算法匹配搜索预测部分，若未搜索到匹配图像则不更新障碍物目标模型并重新进行预测，匹配成功且有新的一帧输入时更新障碍物目标模型并读取下一帧图像，无新的一帧输入则结束跟踪流程[6]。

2.4 汽车控制

汽车做出的判断主要包括速度及方向等，汽车速度控制以前方路况为依据对行驶速度进行调整，控制过程如图2所示。

利用本文算法控制汽车在仿真实验场地进行自动变速，算法总共耗时4.23 s（基于BP神经网络的算法总共耗时为6.33 s，基于贝叶斯的算法总共耗时7.21 s），车速同理想车速基本吻合，误差范围明显小于另外两种算法，处理时间更短且误差范围较小，证明了本文算法的有效性。

（2） 安全分析，取一段平坦路段检测本文算法的安全性，包括正常检测环境、大雾、暴雨、大雪及大风等模拟天气，以保证算法的适应性，设置不同不同障碍物共100个（包括行人、车辆、道路设施等），统计汽车对不同障碍物的规避情况，如图4所示。

在汽车自动驾驶过程本文算法控制下未发生通碰撞事故，有效躲避了100个障碍物，安全性达到了100%;在其余两种算法控制下均在恶劣天气下发生了碰撞事故，说明本文算法能够更好的适应恶劣天气，具备较高的安全性，有利于保证汽车自动驾驶过程的稳定和安全，可根据采集图像信息快速准确的做出决策判断并实现对汽车驾驶动作的有效控制[9]。

4 总结

不断增加的汽车保有量带来了交通拥挤及交通事故频发等一系列问题，为规范交通环境、提升交通安全性及服务质量，汽车自动驾驶技术（基于人工智能）成为解决这些问题的有效手段，现有汽车自动驾驶控制算法大多因受到传统网络通讯模式速度较慢的限制，算法处理时间较长、应用效果不佳，导致汽车规避风险的及时性、准确性不高，影响了汽车整体的安全性能。随着5G网络环境的不断发展和完善，对汽车自动驾驶算法提出了新的要求，除相应硬件设备支持外，软件逻辑运算是实现汽车自动驾驶技术的关键所在，本次以汽车自动驾驶算法作为重点研究内容，主要涉及到路线规划、信息收集与处理、汽车速度及方向调节和控制（基于车道识别和障碍检测）等内容，并通过对比实验验证了该算法的有效性及应用效果。

参考文献

[1] 胡云峰，曲婷，刘俊，等.智能汽车人机协同控制的研究现状与展望[J]. 自动化学报， 2019（7）：1261-1280.

[2] 陈科，刘金松，李天博.智能网联汽车产业发展概况及测试认证动态分析[J].汽车与配件，2019（24）：69-71.

[3] 李光磊. 图像处理在自动驾驶系统中的应用[J].山东工业技术，2017（22）：113-114.

[4] 张胜平. 基于改进PID算法的列车自动驾驶控制方法研究[J].铁道通信信号， 2017（10）：27-30.

[5] 金鑫君，罗方赞，郑丽辉，等.基于ADVISOR纯电动汽车动力系统参数匹配优化研究[J]. 机械工程师， 2017（10）：96-98.

[6] 曹月花，罗文广，蓝红莉，等.复杂环境下道路车道线识别算法的研究[J]. 现代电子技术， 2017（14）：109-113.

[7] 笪陈宇，唐明，雷鑑铭.基于自动驾驶的机器视觉原理及应用[J]. 无线互联科技. 2018（10）：124-125.

[8] 郑颖，郑显锋，张旺，等. 基于模糊控制理论的纯电动汽车制动系统[J]. 国外电子测量技术. 2017（12）：121-125.

[9] 王一霖，万华森，曾鹏.基于仿真平台的自动驾驶汽车转向控制方法优化研究[J].软件导刊，2018（12）：29-33.

（收稿日期： 2020.02.25）