无人驾驶汽车避障方法探析

朱麒融

摘 要：无人驾驶汽车是依靠车内以计算机系统为主的智能驾驶仪来实现无人驾驶的智能汽车，它是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。无人驾驶汽车对解决现存的交通驾驶问题和提升安全性具有重大的现实意义。国内外对无人驾驶车辆避障的研究成果，主要从对周围动态环境的探测、对路径轨迹的跟踪与预测以及行驶路径规划3个方面对避障过程进行分析研究，从而让未来的无人驾驶技术的发展更有无限可能性。

关键词：无人驾驶车辆 避障方法 动态环境 路径轨迹

中图分类号：U463.6 文献标识码：A 文章编号：1672-3791（2016）07（c）-0053-03

从机械性来看，无人驾驶汽车是一种典型的四轮式移动机器人，依靠车内以计算机系统为主的智能驾驶仪，使汽车自动从设置完毕的出发地根据实时路况规划当前最佳行驶路线，行驶到目的地并自动避障越障。设计无人驾驶汽车涉及许多交叉学科知识，需要许多学科的融合，关键技术涉及到环境感知、模式识别、智能决策和计算机技术等学科的先进研究领域。

无人驾驶车辆的避障主要分成3个过程，如下所示。

（1）运动障碍物检测：对运动过程中环境中的运动障碍物进行检测，主要由车载环境感知系统完成。

（2）运动障碍物碰撞轨迹预测：对运动过程中可能遇到的障碍物进行可能性评级与预测，判断与无人驾驶车辆的碰撞关系。

（3）运动障碍物避障：通过智能决策和路径规划，使无人驾驶车辆安全避障，由车辆路径决策系统执行。

1 运动障碍物检测方法

感知技术的工作原理：激光传感和微波传感技术利用雷达向周围目标物体发射激光和微波再接收物体反射回来的激光或者微波，通过分析计算得出周围物体的距离信息。视觉传感系统利用图像传感器将电压模拟信号通过A/D转换转变成数字信号的能力，摄像机依据小孔成像原理将周围景物投射到图像传感器的电荷耦合靶面上，电荷耦合靶面根据光照强度产生不同强度的电流，电流信号在图像传感器行车电压模拟信号从而完成图像数字化。近来还有车联网技术如Zigbee和RFID技术实现障碍信息共享。

运动障碍物由于具有运动性，用单一激光传感器扫描来获得运动信息是不合理的，需要长时间持续收集运动信息。目前用于周围环境探测的传感器分为被动传感器与主动传感器两类。被动传感器有可视图像传感器、红外图像传感器，由于对环境有很强的依附性，很容易受到环境的大影响。主动传感器有通过发射无线电波收集物体反射无线电波来感测的雷达，发射收集分析超声波的超声波传感器，扫描物体反射激光的激光雷达，利用摄像头测量红外光束反弹时间的飞行时间传感器。

由于精确性和成本，实验所用的大多是激光雷达为车载传感器。此时检测方法主要有3种。

（1）地图差分法。地图差分法是指根据地图上不同障碍物在不同时刻的状态来分析障碍物分布，得到运动信息。肖正2007年提出了动态环境中基于时空关联属性的动静态障碍实时检测方法。将不同时刻环境感知传感器的读数统一转换到世界坐标系中，分析障碍的时间属性和空间属性，就能够识别动态障碍和静态障碍。该方法不需要将传感器读数映射到栅格地图上，节省了存储和计算时间，提高了障碍识别效率。

（2）实体类聚法。实物类聚法通过将激光雷达收集到的数据进行分类，将运动障碍物的实体信息根据分类进行汇总，每一个障碍物实体状态信息由很多个类别中的信息组成，从而对其进行一些状态描述。

（3）目标跟踪法。目标跟踪法指对障碍物进行轨迹跟踪从而获得运动信息。由于在多目标环境下数据的关联性和激光雷达传感器的必然误差，不同时刻的目标关联需要按情况分类讨论。

每种传感器都有其自身的局限性和优点，为了能在各种气候路况条件下提高准确性、精确性及耐用性，需要几种以上的传感器组合使用。Dure等人设计了基于光流法的障碍检测方法及避障算法，获取环境数据培养人工神经网络的障碍识别能力。Seraji等人提出多推理系统决策与多传感器融合算法，同时应用雷达，激光雷达和CCD相机，通过分层融合选择方法形成最终决策，从而检测障碍物。

2 无人驾驶车辆路径跟踪

无人驾驶车辆的工作范围不仅仅是水平直线道路，更多在复杂的路况如坡道等。由于地形的不平坦，常会出现侧风或者路面倾斜引起的行驶不稳定甚至于侧翻事故。因此无人驾驶车辆路径跟踪器的设计势在必行。较早期的有Lazaro J L.等人对智能汽车轨迹传感器做了初步的设计；国内外学者也将各种理论加入到轨迹跟踪器的设计中。其Hasberg C.等人研究了在复杂路况下的路径规划问题；Yang Jing等人设计了基于传感器融合技术的侧向控制策略[8]；梁志伟等人做了基于双层插值的跟踪算法的尝试与设计；梁志伟等人研究了自主水下航行器的路径跟踪控制，将跟踪控制问题分为导引和控制两部分，导引部分采用了视线导引的原理并针对参数的不确定性将航向控制器与路径跟踪控制器相结合形成混合路径跟踪控制器，给无人车的路径跟蹤控制提出来新思路；Guo tianyou等人做了减少控制器模型依赖的尝试；Hamerlain F.等人采用滑膜控制方法设计轨迹跟踪控制器，但由此产生的抖振降低了车辆的NVH性能，使驾驶舒适度大大下降；Mahapatra S.等人采用了模糊控制方法设计轨迹跟踪控制器，但车辆的稳定性很难保持；Singh A.等人利用神经系统网络PID方法设计轨迹跟踪控制器，有自我学习能力，但是鲁棒性较差。

3 无人驾驶车辆的路径规划

无人驾驶车辆的路径规划是指在路段上有未知障碍物的情况下，按照一定的评价标准，寻找一条从起始状态到目标状态的无碰撞路径。作为无人驾驶车辆技术的智能核心，对未知路径的规划能力是衡量一辆无人驾驶车辆的重要标准。无人驾驶车辆高速行驶、未知障碍动态等现状给路径规划系统提出了实时性完整性的高要求。路径规划分为两大类，全局规划与局部规划。为了提高全局重规划计算效率，一般在全局规划之外增加局部规划以提高规划系统的实时性。全局规划指已知全局环境信息，在有障碍物的全局地图中按照某种算法寻找合适的从起始位置到目标位置的无障碍无碰撞路径。

目前应用较广的路径规划算法是近似栅格法。近似栅格法的所有栅格都是规定的形状，通常为矩形，将整个环境分割成若干个较大的矩形，且每个矩形之间连续。如，最为典型的四叉树法，如果大矩形内部包含障碍物或者边界，则将其分割成4个小矩形，对所有稍大的栅格都进行这种划分，然后在划分的最后界限内形成的小栅格间重复执行该程序，直到达到解的界限为止。近似栅格法还可以与其他的路径规划方法联合，如Araujo提出的ART神经网络的地图式构建网络算法，Najjaran等提出的卡尔曼滤波器式构建路径规划，Yang等提出的基于生物启发神经网络与万个构建集成的完全覆盖路径规划技术。近似栅格法的缺陷在于，计算数据量大复杂，计算任务繁重，并且实时性和动态性不足。

Bryan Nagy等人于2001年提出了基于三次曲率多项式的路径生成方法，并将其成功应用于卡内基梅隆大学的无人车BOSS。在此理论基础上，方彦军等人提出了基于多曲率拟合模型的无人车路径规划，抽象出路径规划模型，图像与雷达激光相结合的数据来源，先在函数中设定参数，利用所有曲线的终点航线角一致、存在连接起点与终点的曲线、覆盖范围广、满足车辆运动学方程作为约束求得参数的集合，即利用四重参数循环法解决三次曲率多项式参数计算的问题。

局部路径规划是指在无法取得全局环境信息的情况下，只能利用多种传感器来获取移动机器人自身的状态信息的周围的局部环境信息，实时地规划理想的不碰撞局部路径，一般只在短时间内有效。势场法、模糊逻辑法、神经网络法、占据栅格法、空间搜索法和基于数据融合的直接规划方法。

局部规划系统有三大类算法。第一种将局部规划看成短程的全局规划，从而套用全局规划的算法，如，快速随机树算法和启发式搜索的AD算法。缺陷在于该算法需要预先了解路径上的障碍，不具有实用性。第二种算法是基于模型预测原理（MPC）的局部规划算法，将最佳路径决策问题化成函数模型求最佳解，对车辆运动多微分方程进行滚动优化，利用数学求最佳解方法解决实际问题。缺陷在于设立模型初值的影响较大，而模型在运动中是必然会发生变化的，因此与实际过程偏差较大。第三种在首先路径生成部分不考虑环境约束，生成一组满足运动学和动力学约束的路径。路径生成后，再对环境约束进行分析，选择最佳避障路径。即先写出满足其他条件的路径，再用排除法和最佳解法选出执行路径，具有较好的实用性与便捷度。

（1）Borenstein等人在1991年提出向量场直方图法（VFH），为现今多障碍环境中的局部路径规划的技术理论依据。此方法将机器人的工作环境分解为一串有二值信息的栅栏单元，每个矩形栅栏有一个累计值，表示此处出现障碍物的可能性大小，在实时探障避障的过程中驱动机器人转向目标点。该算法具有比较迅速的计算速度，但是由于未考虑到无人驾驶车辆的车宽和高速的运动学特性，实际可行性较低。在完善VFH算法的过程中，Iwan等人提出了改良版VFH+和VFH*算法，实现快速规划，克服原先的不足。

（2）势场法指将环境信息抽象为引力场和斥力场函数，通过合理场函数来规划出一条从起始点到终点的无碰撞路径。缺陷在于当二力合力为零时，无人车将停止前进。智能机器人领域为了优化势场法提出了许多新算法，如Koren Y等人提出了通用势场法与虚拟立场法。但是由于无人驾驶车辆与智能机器人在道路约束与尺寸约束的差异，优化法不适用。针对无人车，Khatib提出了人工势场法模型。

4 结论

综上所述，无人驾驶车辆的避障控制系统的研究主要分成3方面：对周围动态环境的探测、对路径轨迹的跟踪与预测以及行驶路径规划。对以下方面的研究提出可行性展望。

（1）随着基础设施通讯技术蓬勃发展，可以发展在城市交通方面的基于车车通信的无人驾驶车辆环境障碍识别技术。

（2）无人水下航行器的路径规划与轨迹跟踪研究日趋完善，可以发展双栖甚至三栖无人车辆的路径规划，并应用到军事方面。

（3）提高路径规划的鲁棒性与自学能力。

（4）研究无人驾驶车辆在特殊環境下的避障问题，使无人驾驶车辆的应用环境范围再扩大。

参考文献

[1] 乔伟高，徐学进.无人驾驶汽车的发展现状及方向[J].上海汽车，2007（7）：40-43.

[2] 潘建亮.无人驾驶汽车社会效益与影响分析[J].汽车工业研究，2014（5）：22-24.

[3] 孙秋霞.无人驾驶汽车的前世今生[J].中国科技奖励，2016（3）：11-13.

[4] 彭金帅.浅析无人驾驶汽车的关键技术及其未来商业化应用[J].科技创新，2015（25）：46.

[5] 肖正.动态环境中移动机器人的时空关联地图构建的研究[D].中南大学，2007.

[6] Dure. Optical Flow-Based Obstacle Detection and Avoidance Behaviors for Mobile Robots Used in Unmaned Planetary Exploration[C]//Proceedings of the 4th International Conference on Recent Advances in Space Technologies.2009：638-647.

[7] 修彩靖，陈慧.无人驾驶车路径跟踪控制研究[J].计算机工程，2012，38（10）：128-130.

[8] 王一强，王视鎏，冯瑞.基于多传感器融合的自动导引车系统设计与控制策[J].计算机应用与软件，2011，28（7）：49-52.