江苏龙网

  1. 首页 > 生活 > >

自动驾驶汽车上面有哪些传感器( 四 )


动态传感避障系统
无人驾驶汽车作为一种陆地轮式机器人，既与普通机器人有着很大的相似性，又存在着很大的不同。首先它作为汽车需保证乘员乘坐的舒适性和安全性，这就要求对其行驶方向和速度的控制更加严格；另外，它的体积较大，特别是在复杂拥挤的交通环境下，要想能够顺利行驶，对周围障碍物的动态信息获取就有着很高的要求。国内外很多无人驾驶汽车研究团队都是通过分析激光传感器数据进行动态障碍物的检测。斯坦福大学的自主车“Junior”利用激光传感器对跟踪目标的运动几何特征建模，然后用贝叶斯滤波器分别更新每个目标的状态；卡耐基 · 梅隆大学的 “BOSS”从激光传感器数据中提取障碍物特征，通过关联不同时刻的激光传感器数据对动态障碍物进行检测跟踪。
在实际应用中，三维激光传感器因为数据处理工作量较大，存在一个比较小的延时，这在一定程度上降低了无人驾驶汽车对动态障碍物的反应能力，特别是无人驾驶汽车前方区域的运动障碍物，对其安全行驶构成了很大的威胁；而普通的四线激光传感器虽然数据处理速度较快，但是探测范围较小，一般在 100°～ 120°之间；另外，单个的传感器在室外复杂环境中也存在着检测准确率不高的现象。
针对这些问题，本文提出一种利用多激光传感器进行动态障碍物检测的方法，采用 3 维激光传感器对无人驾驶汽车周围的障碍物进行检测跟踪，利用卡尔曼滤波器对障碍物的运动状态进行跟踪与预测，对于无人驾驶汽车前方准确性要求较高的扇形区域，采用置信距离理论融合四线激光传感器数据来确定障碍物的运动信息，提高了障碍物运动状态的检测准确率，最终在栅格图上不仅对无人驾驶汽车周围的动、静态障碍物进行区别标示，而且还根据融合结果对动态障碍物的位置进行了延时修正，来消除传感器处理数据延时所带来的位置偏差。
首先对Veloadyne数据进行栅格化处理得到一张障碍物占用栅格图，对不同时刻的栅格图进行聚类跟踪可以获取障碍物的动态信息，将动态的障碍物从栅格图中删除并存储在动态障碍物列表中，这个删除了动态障碍物占用信息的栅格图也就是一张静态障碍物栅格图，然后将动态障碍物列表中的动态障碍物信息和Ibeo获取的无人驾驶汽车前方区域内的动态障碍物信息进行同步融合得到一个新的动态障碍物列表，最后将这个新的列表中的动态障碍物合并到静态障碍物栅格图中得到一张动静态障碍物区别标示的栅格图。障碍物检测模块是通过分析处理各种激光雷达返回的数据，将这些激光雷达数据进行栅格化处理，投影到512*512的栅格地图中，从而实现对环境中障碍物的检测。最终，多传感器信息融合与环境建模模块则是将不同传感器获取的环境信息进行融合、建立道路模型并最终用栅格地图进行表示，这些环境信息包括：标识信息、路面信息、障碍物信息以及定位信息等。
最后，对获得的环境信息信号进行处理，得到一张动态的标志了障碍物的栅格图，从而达到避障的效果，采用融合 Velodyne 和 Ibeo 信息得到运动目标状态的方式相比于只用 Velodyne 处理结果的方式，检测结果的准确率和稳定性都得到了较大的提升。
机械视觉机构
机械视觉也可以称作为环境感知，是无人驾驶汽车最重要也是最复杂的一部分。无人驾驶车辆的环境感知层的任务是针对不同的交通环境，对传感器进行合理的配置、融合不同传感器获取的环境信息、对复杂的道路环境建立模型。无人驾驶系统的环境感知层分为交通标志识别、车道线的检测与识别、车辆检测、道路路沿的检测、障碍物检测以及多传感器信息融合与环境建模等模块。
传感器探测环境信息，只是将探测的物理量进行了有序排列与存储。此时计算机并不知道这些数据映射到真实环境中是什么物理含义。因此需要通过适当的算法从探测得到的数据中挖掘出我们关注的数据并赋予物理含义，从而达到感知环境的目的。
比如我们在驾驶车辆时眼睛看前方，可以从环境中分辨出我们当前行驶的车道线。若要让机器获取车道线信息，需要摄像头获取环境影像，影像本身并不具备映射到真实环境中的物理含义，此时需要通过算法从该影像中找到能映射到真实车道线的影像部分，赋予其车道线含义。


推荐阅读


上一篇：在物流行业和生物行业哪个做数据分析更有发展前景

下一篇：嵌入式有哪些硬件和方向