无人驾驶汽车环境感知与定位技术

来源：核心期刊咨询网时间：12

摘要：摘要：环境感知与定位技术是无人驾驶汽车技术的关键组成部分。在概括介绍无人驾驶汽车系统总体架构基础上，首先介绍各类环境感知传感器的原理和特点，比较各技术优缺点。然后阐述了传感器的标定方法，并综合论述了车道线检测、障碍物检测、红绿灯检测等环境感知中的关

　　摘要：环境感知与定位技术是无人驾驶汽车技术的关键组成部分。在概括介绍无人驾驶汽车系统总体架构基础上，首先介绍各类环境感知传感器的原理和特点，比较各技术优缺点。然后阐述了传感器的标定方法，并综合论述了车道线检测、障碍物检测、红绿灯检测等环境感知中的关键技术;同时，从高精度地图环境定位、汽车自身定位、多传感器融合定位以及无线通信辅助定位等方面，对汽车定位技术进行了分析。最后，剖析了无人驾驶汽车环境感知与定位技术的难点，并展望了未来研究的发展趋势。

　　关键词：无人驾驶;环境感知;定位;难点;发展趋势

　　1 無人驾驶汽车系统架构

　　无人驾驶是一个软硬件结合的复杂系统，主要分为感知定位、决策规划、控制执行三大技术模块。感知模块主要通过摄像头、雷达等传感器探测周围环境，定位模块主要包括卫星定位、惯性导航定位和多传感器融合定位。同时，新兴的高精度地图技术和V2X协同技术都为无人驾驶汽车的环境感知和定位提供了较大的帮助。规划模块利用传感器探测的环境信息和定位系统获得的位置信息进行路由寻径，规划一条最适合的道路，以实现从起始地到目的地。决策模块会接收路由寻径产生的寻径结果并决定无人汽车该如何驾驶，包括如何正常跟车、当遇到交通标志时怎么处理，遇到行人时如何避让等。决策规划是对外在的道路进行判断，而车内的具体操作将由控制执行模块来实现。下图1是一个典型无人驾驶汽车系统的架构图，对三大技术模块进行了详细描述。

　　2 无人驾驶汽车环境感知

　　2.1 环境感知传感器技术

　　无人驾驶汽车环境感知采用的传感器主要有

　　徐文轩

　　重庆大学电气工程学院，本科学历，主要研究方向为无人驾驶汽车、自动控制技术。车载摄像头、激光雷达、毫米波雷达和超声波雷达几种类型[1]，分别如下图2所示。表1从各个传感器的实现原理、优缺点等方面进行了技术比较。

　　2.2 环境感知关键技术

　　2.2.1 传感器标定

　　传感器标定是无人驾驶汽车环境感知的必要环节，也是多传感器数据源融合的关键前提。其目的是进行各种传感器坐标之间的转换，将两个或多个传感器变换到统一的时间和空间坐标系，从而实现多传感器的融合。

　　1)摄像头的标定

　　车载摄像头以一定的角度和位置安装在车辆上，为了找到车载摄像头所生成的图像像素坐标系的点坐标与摄像机环境坐标系中的物点坐标之间的转换关系，需要进行摄像头标定，从而实现把摄像机采集到的环境数据与车辆行驶环境中的真实物体相对应[3]。

　　车载摄像头标定分为单目摄像头和双目摄像头的标定两大类。单目摄像头的标定称为内参数标定，其本质是建立图像坐标系中的坐标与物体在环境坐标系中的坐标之间的关系。在无人驾驶汽车中，采用双目摄像头可以减少感知盲区，对其标定称为外参数标定，即两个摄像头之间需要确定它们之间的相对位置关系。

　　2)激光雷达的标定

　　与摄像头标定类似，激光雷达在使用前也要对其内外参数进行标定。内参标定是指其内部发射器坐标系与雷达坐标系两者间的转换关系，在出厂前已经完成，可直接使用。无人驾驶汽车需要进行的是外参数标定，即建立起激光雷达自身坐标系与车体坐标系之间的关系点[4]。

　　3)摄像头与激光雷达的联合标定

　　摄像头与激光雷达的联合标定，是指通过提取标定物在单线激光雷达和图像上的对应点，完成单线激光雷达坐标、摄像机坐标、图像像素坐标等多个传感器坐标的统一，从而实现激光雷达与摄像机的空间校准[5]。摄像头与激光雷达的联合标定问题是当前学术界研究的热点。

　　2.2.2 环境感知与识别

　　环境感知的对象包括行驶路径、周边物体、驾驶环境和驾驶状态。行驶路径包含车道线、道路边缘等，周边物体包含了汽车周围的行人、车辆以及其它可能阻碍车辆的障碍物。以下主要从车道线检测、障碍物检测、红绿灯的检测等角度，简述无人驾驶汽车的环境感知方式[6]。

　　1)车道线检测

　　车道线检测能快速、准确地检测出车道线，帮助车辆进行路径规划和偏移预警。目前较为常见的检测方案是基于传统计算机视觉的检测，近年来也兴起了基于深度学习的车道线检测和基于激光雷达等高精度设备的检测方式。

　　传统计算机视觉的车道线检测：传统的检测方法是利用车道线颜色的不同来进行判断。在路面与车道线的交汇处颜色变化较剧烈，可以利用边缘增强算子突出图像的局部边缘。但这种方法仅适用于道路平整、车道线清晰的情况，当光照较强、车道线较为模糊时，检测效果会大打折扣。

　　基于深度学习的车道线检测：传统的车道线检测需要人工对道路场景进行特征提取和模型建立。而基于深度学习的检测方法可以把车道线检测看作分割或分类问题，利用神经网络去代替传统视觉中的手动调节滤波算子。

　　激光雷达融合的车道线检测：激光雷达照射到不同介质上时，其反射波强度也不同。因此可以通过扫描得到点云，通过对比反射强度值来区分出道路和车道线，但这种方法成本较高，较难得到推广。

　　2)障碍物检测

　　基于图像的障碍物检测：该方法是将得到的图像进行预处理，然后提取特征，如颜色、纹理、边缘形状等，并与已有的障碍物特征进行对比，从而识别出障碍物。

　　激光雷达的障碍物检测：激光雷达测距是通过激光发射器发射激光，遇到障碍物后，激光经过漫反射返回部分能量，再分别进入激光接收机，最后进入信号处理系统进行数据处理。目前基于几何特征的聚类算法较为常见，通过将数据与障碍物的几何特征进行对比，可实现对障碍物的检测和分类。

　　视觉和激光雷达融合的障碍物检测：激光雷达和摄像头各有优劣，可将这两种方法融合使用，以获得更好的检测效果[7]。融合方法主要分为空间融合和时间融合两类。空间融合以前向视觉系统为主，将激光雷达坐标系下的测量值转换到摄像机对应的像素坐标系下，即可实现多传感器的空间同步;同理，时间融合需要将两者的采样时刻调整一致，即完成共同采样一帧雷达与视觉融合的数据，保证了雷达数据与摄像机数据时间上的同步。

　　3)红绿灯检测

　　红绿灯检测就是获取红绿灯在图像中的坐标及其类别。不同的检测结果意味着不同的决策，红绿灯的检测状态，决定着无人驾驶汽车的安全。

　　传统计算机视觉的红绿灯检测：传统的检测步骤是将图像从RGB转换为CIE Lab颜色域，增强红绿差距，通过候选区域检测和候选区域验证后做出判断。该方法检测速度快，在一些简单场景中取得了较好效果。

　　基于深度学习的红绿灯检测：深度神经网络在目标检测方面都是采用了金字塔结构，如FastRCNN、Faster RCNN，都是在最后一层卷积层进行检测。该方法由于采用深度学习技术，对于较小目标的检测效果比传统方法更好。

　　与高精度地图相结合：以上两种算法只能获取红绿灯在图像中的位置，而要获得它的世界坐标则需要结合高精度地图。有了高精度地图，无人驾驶汽车就可以预知红绿灯出现的位置，而不是等待图像的识别。当无人驾驶汽车由于遮挡或算法错误而无法检测红绿灯时，高精度地图就能告知红绿灯的相关信息，从而保证行车安全。

　　4)基于V2X的道路环境感知技术

　　V2X( Vehicle-to-Everything)是将车辆与其它事物相连接的新一代通信技术。V代表车辆，X代表其它与车进行信息交互的对象，可以是车、人、道路设施等等。V2X构建了一个智慧的交通体系，促進了汽车和交通服务的新模式发展，对提高交通效率起到了重要的作用。车路协同系统基于无线通信、传感器等技术获取车辆和道路信息，通过V2X实现信息交互和共享，从而实现了优化道路资源、提高交通安全、缓解拥堵等目标。这也是欧、美等交通发达国家和地区的研究热点。

　　3 无人驾驶汽车定位技术

　　对无人驾驶汽车而言，准确可靠地掌握汽车位置和姿态等定位信息是实现无人驾驶汽车导航功能的前提和基础。无人驾驶汽车对定位技术的可靠性和安全性要求较高，对定位精度的要求达到厘米级。然而采用普通的导航地图、卫星定位很难满足其需求。因此新的定位技术，如高精度地图、多感知技术融合定位和无线通信辅助定位就成为无人驾驶汽车定位技术的发展趋势。

　　从无人驾驶汽车定位时间应用角度，可将定位分为基于高精度地图的环境定位、汽车定位技术和基于无线通信的辅助汽车定位三大方面[8]。

转载请注明来自：http://www.qikan2017.com/lunwen/lig/22449.html