汽车ACC毫米波雷达和视觉传感器目标级融合方法研究

自适应巡航控制系统是实现未来智能化汽车辅助驾驶的重要功能之一,以往该系统主要采用毫米波雷达感知周围环境,但是容易出现较多的误识别和漏识别情况。针对现存的问题,文章研究了自适应巡航感知系统,不同于以往单一雷达的方案,本设计采用毫米波雷达和视觉传感器融合的办法改善感知系统的性能。通过搭建电动车传感器数据采集系统,编写CAN通信报文解析程序,分析毫米波雷达和视觉传感器特性等,完成了对雷达和视觉信号的采集及处理,实现了感知系统目标级融合。并在巡航和跟车工况下进行离线仿真,验证了目标级融合方案能够有效地提高感知系统的准确性和合理性。     

融合毫米波雷达与深度视觉的多目标检测与跟踪

针对现有融合毫米波雷达与传统机器视觉的车辆检测算法准确率较低与实时性较差的问题,本文中对多目标检测与跟踪进行研究。首先,利用阈值筛选和前后帧数据关联方法对毫米波雷达数据进行预处理,进而提出一种用于毫米波雷达数据跟踪的自适应扩展卡尔曼滤波算法。然后,为提高目标检测精度与速度,基于采集到的实车数据集训练卷积神经网络,完成深度视觉的多车辆检测。最后,采用决策级融合策略融合毫米波雷达与深度视觉信息,设计了一种用于复杂交通环境下前方车辆多目标检测与跟踪的框架。为验证所设计的框架,进行了不同交通环境下的实车实验。结果表明:该方法可实时检测跟踪前方车辆,具有比融合毫米波雷达与传统机器视觉的车辆检测方法更好的可靠性与鲁棒性。     

基于多传感器的军用车辆前方目标提取和融合算法研究

在目标车辆识别算法中,通常采用单一传感器作为感知器件。不论是摄像头还是雷达,都因为自身缺陷导致识别出的目标不准确,给ADAS系统的决策控制带来困难。文章提出了一种基于视觉传感器和毫米波雷达相融合的目标识别算法。该算法利用多传感器信息融合技术,按照本车道前方最危险目标(CIPV)的原则,并结合滤波原理,对目标车辆进行识别、提取和跟踪,以剔除无效目标,保留唯一、有效、可靠、稳定的目标,为ADAS系统的决策控制提供依据。     

ADAS 软目标物吸波材料及其雷达反射特性分析

随着智能网联汽车技术的快速发展,对智能网联汽车的测试需求也在迅速增长。主动安全软目标物能够模拟真实交通参与者,是车辆高级驾驶辅助系统测试中的重要组成部分,其雷达反射特性与真实交通参与者的一致性不仅直接影响测试结果,还是汽车障碍物识别的关键参数。因此,对影响主动安全软目标物雷达反射特性的填充吸波反射材料的性能需求进行研究。根据主动安全软目标物的毫米波吸波反射特性要求,制备新型吸波材料,并对其性能进行了实验室测试。结果表明：使用该吸波材料制备主动安全软目标物,其雷达目标散射截面积（RCS）能够满足 ISO 标准中的参数要求。     

自适应巡航控制系统中主目标车辆的识别与跟踪

实时准确的识别与跟踪目标车辆的能力决定了自适应巡航系统性能。根据目标识别和目标跟踪的不同特点,在对毫米波雷达信号初步过滤的基础上,开发了具备目标识别、跟踪及功能切换的算法,提高了目标数据的连续性和稳定性。同时,为减少弯道误报问题,开发了基于CAPL的雷达数据处理程序。通过实车与DGPS差分定位对比试验数据表明,该算法能够在直道和弯道工况下实现目标的准确识别,为自适应巡航系统开发提供了保障。     

基于毫米波雷达和机器视觉融合的车辆检测

针对车辆检测中使用传统单一传感器的识别效果差、易受干扰等缺点,本文提出一种基于毫米波雷达和机器视觉融合的车辆检测方法。首先利用分层聚类算法对雷达数据进行处理,过滤无效目标;利用改进的YOLO v2算法降低漏检率,提高检测速度;然后运用目标检测交并比和全局最近邻数据关联算法实现多传感器数据融合;最后基于扩展卡尔曼滤波算法进行目标跟踪,而得出最终结果。实车试验结果表明,该方法的车辆识别效果优于单一传感器,且在多种路况下识别效果良好。     

毫米波雷达目标模拟器模拟雷达目标的测试研究

介绍雷达目标模拟器的原理,对毫米波雷达在雷达目标模拟器上的静态、动态目标识别能力进行测试,分析雷达目标模拟器存在的不足,为雷达目标模拟器的应用提供参考。     

ADAS毫米波雷达原理与电磁抗扰能力初探

智能车辆多采用毫米波雷达作为环境感知的传感器,以实现驾驶辅助功能。毫米波雷达系统的电磁抗扰能力将影响车辆辅助驾驶功能的实现和行车安全。文章在对毫米波雷达系统的原理和目标识别理论进行研究的基础上,通过模拟目标激活毫米波雷达系统,并在不同等级场强下进行毫米波雷达系统的抗扰测试。试验结果显示毫米波雷达系统在一定场强下受到了外界电磁信号干扰,出现了较严重的情况。通过这次系统的研究,不仅为企业研发试验提供了技术支持,也为相关测试规范的制订进行了技术储备。     

基于角毫米波雷达的目标筛选

随着ADAS系统在汽车领域的普及,基于角毫米波雷达的ADAS系统由于其成本低、环境适应能力强被广泛应用。其中,使用角毫米波雷达的盲区监测系统能够有效辅助驾驶员对车辆周围环境的感知。根据24GHz角毫米波雷达的特性,使用2个角毫米波雷达对驾驶员盲区进行辅助监控,建立基于角毫米波雷达的盲区监测系统。而毫米波雷达输出目标存在一定的误检,文章使用角毫米波雷达连续5帧数据,建立反馈目标值运动模型,对目标位置数据进行更新,使用K-means算法对检测目标数据进行聚类,使用聚类结果判断检测目标是否真实存在,以消除毫米波雷达的误检,从而实现角毫米波雷达的目标筛选。     

基于前车偏置场景的AEB系统性能测试与分析

针对2台采用不同感知方案的乘用车自动紧急制动(AEB)系统,在前车低速场景下进行100%正碰和50%偏置的性能测试,在C-NCAP的性能评价指标外,引入预警时刻T_TC、与前车最小间距和最大减速度对其性能和舒适性进行分析。结果表明,在100%正碰场景下,毫米波雷达和摄像头融合感知方案在性能表现上与单毫米波雷达感知方案差异较小,但在目标识别较难的50%偏置场景下,融合感知方案的性能表现优于单毫米波雷达感知方案。     

Automated driving recognition technologies for adverse weather conditions

During automated driving in urban areas, decisions must be made while recognizing the surrounding environment using sensors such as camera, Light Detection and Ranging (LiDAR), millimeter-wave radar (MWR), and the global navigation satellite system (GNSS). The ability to drive under various environmental conditions is an important issue for automated driving on any road. In order to introduce the automated vehicles into the markets, the ability to evaluate various traffic conditions and navigate safely presents serious challenges. Another important challenge is the development of a robust recognition system can account for adverse weather conditions. Sun glare, rain, fog, and snow are adverse weather conditions that can occur in the driving environment. This paper summarizes research focused on automated driving technologies and discuss challenges to identifying adverse weather and other situations that make driving difficult, thus complicating the introduction of automated vehicles to the market.     

基于多传感器融合的复杂越野环境人员识别方法

军用无人车辆的一大应用场景是班组伴随功能,复杂越野环境下的人员识别技术,是军用无人车辆的关键技术,实时、准确地检测出车辆周边的人员,是班组伴随实现的前提条件。针对激光雷达和摄像头融合感知下的人员识别问题,提出基于多传感器融合的解决方案,针对激光雷达采用基于KDTree加速的欧式聚类方法,针对摄像头信息设计改进的YOLO v3深度学习网络架构,设计空间尺度融合算法。通过履带式车辆验证平台在复杂环境下进行多工况试验验证,结果表明,所设计的基于多传感器融合的识别算法能够准确识别复杂环境下的目标,激光雷达和摄像头融合算法的交并比超过95%。     

基于双目立体视觉安全车辆间距测量技术研究

基于双目立体视觉原理,提出了一种安全车辆间距测量方案.该系统根据目标车辆在左右摄像头所获得的立体图像对应的不同坐标,计算出目标车辆到摄像头的距离.试验结果表明,该测距方案测量精度高、测量范围广,能满足智能交通中车辆安全距离测量的实际需要,是一种有效的前方车距测量方案.本文的研究方法,同样适用于对车辆前方其他目标物的距离测量.     

智能车辆安全辅助驾驶技术研究近况

论述了安全辅助驾驶技术的研究现状、研究的必要性以及研究进展。安全辅助驾驶技术包括车道偏离预警与保持、前方车辆探测及安全车距保持、行人检测、驾驶员行为监测、车辆运动控制与通讯等。分析了各种传感器的优缺点及其在实际应用过程中存在的问题,基于单一传感器不能很好地解决安全辅助驾驶技术可靠性和环境适应能力的要求,应结合激光雷达技术解决图像模糊问题,利用红外传感器增强机器视觉识别的可靠性,未来的安全辅助驾驶技术应该采取多种传感器融合的技术,结合毫米波雷达和激光雷达系统具有深度测量精确的特点,将极大的推动汽车安全辅助驾驶系统的应用和推广。     

77G毫米波雷达ADAS应用及方案分析

深入挖掘国际期刊和知名研究机构的文献,向广大读者介绍最新的汽车毫米波雷达技术和原理,收集了较为全面的77G毫米波雷达在高级辅助驾驶和自动驾驶中的应用功能。梳理出雷达性能和应用功能之间的对用关系,同时对比了毫米波雷达和其他最新车载空间传感器之差异和优势。并将上述信息结合最新的三家主力半导体公司的汽车毫米波雷达硬件方案加以分析,提出在选择方案时如何在性能、技术特点和功能应用方面考虑。主要结论:毫米波雷达将是未来自动驾驶汽车空间传感器的基础和重要发展方向。     

大型营运客车在高速公路的换道安全性辨识

为了给大型营运客车换道预警系统设计提供参考,采用毫米波雷达、激光雷达、车道线识别传感器、GPS、视频监控系统以及控制器局域网（CAN）总线数据采集仪等设备,基于小型乘用车搭建浮动车采集平台。通过在试验线路上进行1.5×10⁴ km的驾驶试验,获取1 200余次营运客车的真实换道数据。以Jula提出的换道安全性模型为基础,结合营运客车的换道行为特征,通过分析换道进程结束后客车需要与周围车辆保持的安全距离,建立适合于营运客车的3类换道安全性识别模型（客车与自车道前方车辆、目标车道前方车辆、目标车道后方车辆）,并利用真实数据对3类模型进行验证。研究结果表明：客车换道持续时间均值为10.4 s,换道起始时刻与目标车道后方车辆的距离为10.0~40.0 m;所有换道样本中,73.3%的换道过程中客车速度要高于目标车道后方车辆,且超过90%的换道过程是由前方慢车引起;不同的速度区间下,车速和航向角联合变化情况下,驾驶人控制营运客车的横向偏移速度保持稳定,可认为客车驾驶人的心理预期换道进程存在固定经验模式,这与小型车换道的研究结论存在较大差异,传统的TTC预警算法识别率较低,在不同速度区间情况下,所提出的模型对客车与自车道前方车辆、目标车道前方车辆、目标车道后方车辆的换道安全识别评价准确率均超过了90%。     

一种用于大货车换道安全性提示系统

针对大货车视野盲区大以及在货车车道变换时存在潜在追尾等问题,提出一种用于大货车换道安全性提示系统。该系统采用毫米波雷达探测货车后方车辆和本车之间的位置关系,用不同TTC值确定货车换道安全性等级。该系统可明显降低货车在换道时追尾事故的发生。     

降雨条件对车载激光雷达性能影响的试验研究

激光雷达是自动驾驶车辆最为关键的传感器之一，被广泛用于车辆定位、目标检测与跟踪等任务。然而，激光雷达的点云数据会受到恶劣天气（如雨、雾、雪等）的严重影响，致使自动驾驶全天候行驶仍然面临着巨大挑战。为了量化评估恶劣天气对激光雷达性能的影响，分析了降雨环境下激光雷达的性能，基于构建的场地降雨模拟系统控制降雨量，通过多视角的静、动态试验定性与定量分析激光雷达测距精度、典型目标点密度、有效检测距离等性能参数与降雨量之间的关系。试验结果表明：车辆作为目标物时，目标物上的激光点云受降雨的影响最大，相较于无雨环境，中雨时打在汽车上的激光点数降低幅度超过了60%，检测距离下降了69%，并且随着降雨量的增大激光雷达对目标的有效检测距离持续下降；试验方法和结果对于测试评价自动驾驶性能及提升降雨环境下的激光感知能力具有重要意义。     

面向低速清扫车的信息融合车辆跟踪方法

交通参与者运动的准确跟踪与预测对智能车行为决策的有效性至关重要。传统运动目标的跟踪系统多采用单一传感器，难以保证数据的精度与可信度。为提高系统的鲁棒性与可靠性，设计一种融合毫米波雷达和相机的目标跟踪方案，该方案针对多目标的特征级信息进行融合。首先，考虑低速行驶的自动驾驶清扫车所处环境杂波较多，方案选择基于IMM/JPDA的多目标跟踪方法估计局部航迹。为降低JPDA数据关联的计算复杂度，结合基于马氏距离构造的椭圆关联门和基于车辆非完整性约束构造的扇形关联门，实现关联门的自适应调整，减少关联杂波的干扰。其次，结合传感器的配置与特性，对目标的航迹状态进行空间对准和时间对准，按照航迹点间的欧氏距离和互协方差选择融合模式，进行局部航迹融合。最后，为验证多目标跟踪和航迹融合方法的有效性与实用性，分别设计基于MATLAB/PreScan环境的仿真试验和基于智能清扫车平台的实车试验。研究结果表明：在横、纵方向上，融合后的系统状态都比单一传感器的估计状态更为准确，融合结果对单一传感器的估计误差有35%以上的提升；实车试验证明，该方案能有效融合ESR毫米波雷达和Mobileye单目前视相机的状态估计信息，能基本正确地跟踪目标和估计航迹；融合状态的横、纵向误差都在可接受范围以内，且融合状态比单一传感器的估计波动更小。     

Vehicle distance estimation using a mono-camera for FCW/AEB systems

For robust vision-based forward collision warning (FCW) and autonomous emergency braking (AEB) systems, not only reliable detection performance including high detection rate and low false positives but also accurate measurement output of a target vehicle is required. Especially, in order to reduce false alarm or activation of FCW/AEB systems, the systems require the precise measurement output of a target object, such as position, velocity, acceleration, and time-to-collision (TTC). In this study, we developed a measurement estimation algorithm of a target vehicle using a monocular camera. This method estimates two cases of vehicle widths for a target vehicle by using the detected lane information and a pin-hole camera model. After that, the position, velocity, acceleration, and TTC of a target vehicle are estimated by using a Kalman filter for the each estimated vehicle width. To improve robustness, the both estimation results using the detected lane information and the pinhole camera model are fused. This estimation algorithm was evaluated and compared with the state-of-the-art technology. As a result, the proposed measurement output estimation method can improve the performance of the FCW/AEB systems.