自动驾驶汽车感知系统概述

谢卉瑜 杜志彬 孙亚轩

摘要：自动驾驶汽车可以提供更高的安全性、生产率和交通效率，将在未来城市交通系统中担任重要角色。得益于可用算力的增长和感知系统技术成本的降低，自动驾驶领域的研究在近几年内急速推进。本文介绍了自动驾驶汽车感知系统的主要架构，剖析了其面临的挑战，并预测了未来的发展方向。

关键词：自动驾驶;感知系统;传感器;定位系统

1 引言

自动驾驶汽车（Autonomous Vehicle）技术逐步以开展车辆高级辅助驾驶系统（ADAS）研发和商用的形式在我们的社会中脱颖而出。这些技术旨在减少事故发生的频率和严重程度，减少尾气排放以及更有效地利用基础资源。自动驾驶的关键技术主要为感知（ Perception）、决策（Planrning）和控制（ Control）三个方面，这些技术与车辆及环境的交互如图1所示。自动驾驶汽车可以利用传感器感测其环境，收集周围环境的信息，包括道路信息、行人信息和交通指示牌信息等，并与决策系统和控制系统进行交互，同时利用道路网络、道路规则、汽车动力学等先验信息进行决策和控制车辆[1]。

2 感知系统概况

感知系统以多种传感器捕获的数据以及高清地图的信息作为输入，经过一系列的计算和处理，来预估车辆的状态和实现对车辆周围环境的精确感知，可以为下游决策系统模块提供丰富的信息。

2.1 感知传感器分类

自动驾驶汽车需要持续观察周围的环境，精确计算在各种范围内的位置。为了能达到这种目的，需要在汽车周围和内部安装不同类型的传感器。和轮式机器人所需要的传感器相似，自动驾驶汽车所配备的传感器可分为三大类：环境感知传感器（Surroundingsensing），定位传感器（Localization），自感应传感器（Self-sensing）。

环境感知传感器利用外部感应传感器（exteroceptive sensors）感知交通标示、道路状态、天气状况、驾驶员状态、包括其他车辆在内的障碍物状态（位置、速度、加速度等）以及他们未来的状态。环境感知传感器决定了智能汽车与外界环境交互的能力，是自动驾驶汽车的硬件架构基础[2]。环境感知传感器分为自主式和协同式两大类。自主式传感器通常是以电磁波的形式发射能量并测量返回时间以确定距离等参数，现有的自主式环境感知传感器有超声波雷达、毫米波雷达和激光雷达等。而接受来自车联网或者车路协同网络输出感知消息的则属于协同式环境感应[3]，例如基于光和红外的相机。

定位是一台自动驾驶车辆的基础功能，需要告诉车辆相对于全球和本地的精确位置。目前广泛使用的定位方法是利用GPS等外部感应传感器，精度可以从几十米到几毫米不等，具体取决于信号强度和所用设备的质量，精度越高，价格也就相对越昂贵。在市区等复杂路况场景下，所需的定位精度不超过10cm，如果定位误差过大，那么自动驾驶汽车在城市道路行驶时会由于位置信息不准发生剐蹭等车辆安全问题，重则引发交通事故。为了获得高精度结果，通常使用定位传感器组合，例如GPSs、IMUs、里程表和相机（通过基元和构建好的地图进行点云匹配，即SLAM）。来自多个不同传感器的数据融合可以最大限度地减少单一传感器的缺陷，从而提升整个定位系统的可靠性和鲁棒性。

自感应传感器使用本体感应传感器（Proprioceptive Sensor）来测量车辆当前的状态，包括速度、加速度、角速度和转向角。本体感应信息通常使用预先安装的测量单元来确定，例如里程表、惯性测量单、陀螺仪和来自控制器局域网（CAN）总线的信息[4]。

2.2感知传感器融合

感知融合或数据融合旨在改进来自传感器的两个或多个数据源的测量结果，发挥各个分立传感器的优势，提供冗余、完备、准确、时效的环境目标信息，从而提高系统决策的正确性和安全性。例如，激光雷达可以对周围物体进行建模从而形成高清的3D图像，且不会被环境中的信号源干扰，但是只能收集少量的物体外观形状信息;相反，相机可以提供丰富的物体外观数据以及更多的细节，但是容易受到环境中的光照影响。激光雷达和相机都是光学类的传感器，可以实现在传感器内部的数据融合，并降低后续模块的计算处理过程。为了能充分发挥两者的作用并消除传感器信息之间的亢余从而获得更加精确的信息，激光雷达和相机之间的传感器融合是必要的。

传感器融合对于硬件和软件都有一定要求，硬件方面需要配备多种不同的传感器;软件方面需要有足够优化的算法，数据处理的速度要足够快且容错率高，才能保证最终决策的准确度和速度。自动驾驶中传感器融合通常使用的融合算法有贝叶斯理论、卡尔曼滤波和DS证据理论法等。

3 感知系统面临的挑战

3.1在极端天气（雨、雪和大雾）条件下的感知

目前自动驾驶系统在一些特殊或者极端恶劣的天气状况下，处理是非常困难的。即使是人类驾驶员，这种情况也十分棘手。在下雪的条件下，无论是基于视觉的感知系统还是基于Lidar的感知系统都存在识别感知的困难，相机会因为有雪的附着不能正确识别道路标记，从而无法正确导航道路;雪的密度也会影响激光雷达光束的反射效果，干扰自动驾驶车辆对周围环境的正确判断。福特的自动驾驶汽车则通过同时装备激光雷达和精确的三维地图来应对雨雪天气。两种技术的结合使用可以识别检测到雨雪是否是障碍物：當激光光束穿过雨滴或者雪花时，激光雷达可能会将之识别成道路障碍物，通过持续跟踪探测这些障碍物，因为激光光束不可能在同一位置上探测到同一滴雨或一片雪花两次，运用算法，车辆就能够将雨雪排除在道路障碍物之外。

目前在冬季环境下实现无人驾驶还有很多未知的盲区，例如应对冬季道路结冰积雪等问题，仅能通过安装雪地胎解决。另外如果自动驾驶汽车出现轮胎打滑等危险情况该如何应对，是否应该在自动驾驶汽车上配备和乘用车相同的汽车安全技术（如ABS，ESP等），这些问题还有待解决。

3.2驾驶员对于自动驾驶系统功能的正确认知

ADAS系统会让人类驾驶员在超出系统解决问题能力范围的场景中依然依赖于自动化技术。在自动驾驶的中间阶段（即L2和L3阶段的自动驾驶系统），驾驶员可能不会完全理解该阶段自动驾驶自主特征的范围和限制，过度信任或依赖传感器从而造成事故的发生。例如，ACC控制在一辆汽车直接跟随另一辆时有出色的表现，但通常无法检测到静止的物体。而且半自动驾驶汽车的驾驶员可能会尝试进行其他的活动，因此在要求接管汽车的控制权时会缺少所需的情景意识。在人类驾驶员重新接管汽车控制权时，他们必须立即对周围环境进行判断、确定车辆的位置、根据车辆所处的危险情景决定并施行安全合理的行动方案。而司机脱离驾驶状态的时间越长，重新介入驾驶所需的时间就越长。所以驾驶员對于自动驾驶系统功能的正确认知，是保证自动驾驶系统正确运行的一大重要条件。

4 感知系统未来发展方向

自动驾驶感知系统需要进一步提高准确度和精度，改善感知系统在不利照明和极端恶劣天气条件下的感知能力，未来自动驾驶感知传感器会向更加灵敏的方向发展[5]，增强针对复杂城市路况的处理能力来应对各种不利条件和突发状况。通过交叉验证障碍物的位置信息，减少感知系统传感器数据的不确定性;增强车辆与车辆（V2V）、车辆与基础设备（V21）之间的通信;使用新型低成本高效的传感器，进一步加强传感器融合算法的开发;通过多传感器融合来减少各个分立传感器缺点的影响，并通过使用传感器的互补性和亢余度来发挥每个传感器的优势，以提高自动驾驶感知系统的准确性、可靠性和确定性。

5 结语

随着技术的进步，自动驾驶汽车飞速发展，已经成为汽车行业的发展趋势。本文介绍了感知系统传感器的分类、面临的挑战和未来的发展方向。现阶段自动驾驶汽车还面临着硬件和软件双方面的挑战，还需要从业者不断地完善自动驾驶技术体系和相关法律法规体系。目前，虽然一些L2甚至L3级别的自动驾驶车辆已经实现了商业化落地，但在距离实现完全自动驾驶，我们还有很长的路要走。

参考文献：

[1]王金强，黄航，郅朋，申泽邦，周庆国.自动驾驶发展与关键技术综述[J]电子技术应用，2019，45（ 06）：28-36

[2]陈思宇基于多传感器智能汽车环境感知系统研究[D]南昌航空大学，2017.

[3]梁敏健智能车行车环境视觉感知关键技术研究[D]长安大学，2017

[4]Uessica Van Brummelen， Marie O' Brien，Dominique Gruyer， Homayoun NajjaranAutonomous vehicle perception： Thetechnology of today and tomorrow[J].Transportation Research Part C， 2018. 89

[5]蒋婷.无人驾驶传感器系统的发展现状及未来展望[J].中国设备工程，2018（ 21）：180-181.