宋教华

（烟台工程职业技术学院，山东 烟台 264006）

智能车辆能够通过车身搭载的传感器感知交通环境，自主分析车辆当前潜在行车风险，不仅能有效辅助驾驶员操纵决策，而且必要时还可自主接管车辆，在缓解驾驶疲劳、改善行车安全等方面具有巨大的潜力[1]。自主换道系统作为智能车辆高速公路典型应用，能够根据道路条件及车车交互信息完成自主调速、换道控制。

传感器感知信息是自主换道系统实现轨迹规划、跟踪控制的前提[2]。传统自主换道系统研究[3-6]多以理想的道路曲率及车辆间简化的相对运动为前提假设，通过匹配采样周期将数据传入控制器，不涉及传感器感知、数据融合过程。然而，真实道路环境中传感器感知数据存在误差、误关联等情况，传统仿真方式势必难以验证系统在车辆真实环境下的可靠性。因此，本文通过Matlab/Simulink软件构建智能车辆协同仿真场景，通过设计多传感器融合策略，模拟智能车辆传感器感知、融合过程，为智能车辆自主换道系统的开发提供技术参考。

1 自主换道传感器方案布置

1.1 高速交通场景特征分析

不同于城市、乡村道路，高速公路存在参与元素单一、道路结构化程度高、道路线形简单、车辆行驶工况较为固定等特点，便于开展智能汽车自主换道测试。图1是典型的高速路段行车场景，根据车辆间相对速度及间距变化，主车C1运动可大致分解为

（1）当主车C1期望车速小于C2时，主车保持方向盘转向和油门踏板开度，维持车道居中模式；

（2）当主车C1期望车速大于C2时，主车会根据相邻目标车道运动状态，量化换道风险，在满足安全的条件下并入目标车道；否则继续保持当前车道模式下的跟车运动。

图1 典型高速公路行车场景

1.2 传感器性能特征分析

雷达、摄像头是智能汽车感知外界信息的主流传感器。图2给出了地平线J2智能摄像头和德尔福电子扫描雷达（Electronically Scanned Radar,ESR）性能特征，从图中可以看出，智能摄像头在轮廓精度、车道识别及成本上优势较强，但性能受环境影响较大；毫米波雷达纵向测量精度较高，抗恶劣天气，但在物体分类、车道识别上仍存在较大的局限性。从侧面也说明单一传感器难以满足智能车辆高速公路自主换道控制的需求。

图2 主流传感器工作性能

1.3 传感器方案布置

传感器布置方案可根据智能车辆行驶场景复杂程度合理设计。为降低传感器布置成本，根据自主换道系统所需控制参数，适当简化传感器布置方案，将信息感知分为前向、后向及侧向三大视场。前向、后向视场优先级大于侧向视场，为保证感知信息冗余性，采用德尔福ESR毫米波雷达和罗技C1000e摄像头的布置方案；侧向视场采用德尔福侧后方检测系统（Rear and Side Detection System, RSDS）双雷达布置方案，传感器工作范围及布置方案如图3所示。

图3 毫米波雷达和摄像头传感器布置方案

2 多传感器融合策略构建

2.1 多传感器融合特征级选

传感器数据层级主要由数据级、特征级和决策级构成。数据级层级位于信息融合最底层，能够最大程度地保留传感器原始感知数据，融合精度高，但伴随计算量大、抗干扰能力弱等局限，算法整体实现难度较大。特征级层级基于车辆典型的运动特征参数实现融合，无论在精度、抗干扰能力还是实现难度上都具备不俗的表现。决策级层级位于信息融合的最顶层，是在底层传感器数据决策结果上进行二次关联、判断，容错能力强、计算量小。

考虑到智能汽车高速公路自主换道过程中伴随高速特征，为保证关联过程中感知数据的质量及实时性，前方视场、后方视场采用特征级融合方案，侧向视场采用决策级融合方案，决策换道行车风险辨识结果。随后，两个视场结果进行广义融合，输出满足智能车辆自主换道控制需求的目标信息。

2.2 多传感器融合策略构建

将不确定的传感器观测数据与目标轨迹相关联，具体流程如图4所示。车辆行驶过程中传感器将每个时刻感知信息传入接收器，系统在遍历所有的观测集合和跟踪目标后，将跟踪目标分配给最近的观测集合，求解每一个观测量的距离值和关联矩阵，并将最小值关联对作为最终解。

最小化目标函数为式中，i为测量值；j为目标值；xij为二值变量；Cij为关联矩阵。

当求解矩阵行T和列m之间的关联时，xij关系可表示为

为更好表示观测数据与跟踪目标关联准确度，采用马氏距离求解。该距离为概率度量，是标准差归一化后的距离。设定在第k+1次求解前已然确定了N条轨迹，第k+1次新的观测量为zj(k),j=1,2,···,N。第i条轨迹的关联门内，定义观测j和轨迹i之间的差矢量作为测量和预测的差值，也称为滤波器残差εij，即

式中，F为状态转移矩阵；H为观测矩阵；Sij为εij的协方差矩阵；dij2为统计距离的平方；cost(i,j)为成本函数。

理想工作条件下，当传感器观测数据与跟踪目标不匹配时，系统会增加目标轨迹数量；如果传感器无法感知跟踪目标，则应删除目标轨迹数量。然而，传感器远程观测是基于概率的，对于实际存在的目标物，传感器也会存在短暂失效或误检的情况。为改善传感器目标跟踪的稳定性及可靠性，构建传感器目标跟踪保持策略。在观测数据N次更新中，如果跟踪目标得到M1次检测，系统正式确认目标轨迹；如果跟踪目标在M2次未分配到观测数据，则删除目标轨迹。

基于Kalman滤波跟踪器及目标车辆前一时刻的状态量，预测当前时刻目标位置。离散化的物体运动方程在卡尔曼滤波中为

式中，Fk为状态转移矩阵；Gk为控制矩阵；vk为噪声随机扰动。

假定侧向模型在任意时刻的测量值都与当前时刻状态相关，则

式中，wk为当前时间补偿下测量过程产生的噪声。

线性卡尔曼滤波器的基础思路如图5所示。

图5 卡尔曼滤波工作流程

根据预测的结果，将雷达、相机检测到的观测值通过应用代价矩阵分配给跟踪目标，计算预测轨迹到观测数据的差值、门控和数据分配的相关可能性。计算过程中，无论暂定目标还是确认目标，只要是已分配到观测数据，其预测状态都会随其观测值更新。随后，重复上述流程，获取更多观测值，将其分配给跟踪目标，完成目标轨迹确认、删除，以此实现跟踪目标位置、状态更新。

3 传感融合仿真验证

本文通过在Simulink中搭建传感融合仿真平台，基于可视化场景、跟踪轨迹度量指标，验证传感器布置方案及融合策略的有效性及可靠性。传感融合仿真模块如图6所示。

图6 传感融合仿真模块

图7为场景示意图，图中存在4个车辆，按预定运动轨迹行驶。其中，主车与前后车辆一直保持在中间车道行驶，快车道车辆为超车车辆，在快车道上行驶，直至超越主车前方目标车辆后切换回慢车道。

图7 场景示意图

主车传感器在高速路段上工作的可视化场景如图8所示，图中圆圈为视觉及雷达传感器检测结果。由对比图8(a)—图8(c)可以看出车辆在行经过程中，无论是在超车前、超车中还是超车后阶段，主车所布置的传感器方案均能保持对三个目标车辆识别、跟踪。摄像头和毫米波雷达数据记录周期设定为0.1 s，频率一致，无需进一步解算。

图8 车辆高速路段仿真下的可视化场景

图9 传感器轨迹跟踪仿真结果

传感器轨迹跟踪仿真结果如图9所示。图中包含目标轨迹、冗余轨迹及错误轨迹。目标轨迹关联目标车辆，冗余轨迹关联地面真值对象，错误轨迹不关联任何地面真值对象，即误跟踪。从图中可以看出，智能车辆行驶过程中，算法所对应的冗余轨迹为零，即不存在数据聚类不完全的问题。其次，错误轨迹值收敛为零，说明策略能够更好实现观测数据与跟踪目标的对应匹配，提供良好的跟踪性能。

4 结论

在智能车辆整车研发过程中，仿真场景的还原度是保障系统在后期实车测试性能的关键。本文所设计的多传感器融合策略能够在高速场景下实现对目标车辆的持续跟踪，模拟智能车辆环境感知、数据融合过程，在仿真开发阶段更加贴近智能车辆高速公路实际行驶环境，进而为智能车辆自主换道系统的开发提供技术参考。