无人驾驶汽车ADAS系统激光雷达介绍与应用

郭金博,周闻天

江苏大学 邮编：212013

摘要：当前无人驾驶技术主要通过安装各类高性能传感器（如激光雷达和摄像头）来收集驾驶所需的信息，并在环境感知、设备定位、路线规划和应急控制等多个环节进行数据反馈。其核心主要是由激光雷达、探头和中控系统组成，其优势在于雷达可以对当前的环境进行扫描，探头可以清晰地感知路面情况，当出现紧急情况及时反馈中控系统，以避免发生事故。但该方法需安装多个探头进行数据采集和反馈，也对中控系统的数据处理能力提出了更高的要求，在芯片紧缺的背景下会导致设备成本较高和产能不足等情况的发生。无人化港区相比于城市道路，其车辆工作环境相对“宽松”，因此在确保安全的前提下，以降低设备成本为目的，提出了服务于港区车辆的随动式激光雷达控制系统。

关键词：无人驾驶；ADAS系统；激光雷达

引言

近期，我国交通运输部发文明确指出要开发新一代智能交通系统，促进自动驾驶技术的研发。无人驾驶技术融合了传感器、计算机、人工智能、通信、导航定位和模式识别等技术，其中激光雷达（ＬｉＤＡＲ）是无人驾驶技术的关键传感器之一。为了处理无人驾驶激光雷达采集的宽带宽、高分辨率的雷达信号，必须有高速雷达信号处理器与之配合。目前雷达信号处理主要采用单片机来实现。随着对处理速度的要求越来越高，需要采用更高性能的单片机，但这样会导致产品价格大幅提升且不易升级。因此，设计一种可以处理宽带宽和高分辨率雷达信号且价格亲民、易升级的高速雷达信号处理器具有重要意义。

1随动式激光雷达控制系统

随动式激光雷达控制系统是一个多输入多输出的复杂系统。它是由传感器、电子控制系统和执行器组成的自动控制系统，可随着车辆行驶速度、方向和俯仰角的变化自动调整激光雷达探测角度，并通过设定的转弯半径和安全停车距离对行驶环境进行判别，通过对环境数据的采集反馈控制系统得到指令，并进行处理。车辆转角控制系统由两个部分组成，即为水平转角计算和垂直转角计算。通过车辆的行驶速度和转弯半径，计算车随动式雷达的旋转角度，以避免出现雷达盲区。激光雷达的扫测范围为半圆形，通过计算车辆转弯弧线与激光雷达扫测的弦长，即中心线与车辆前方雷达的预期轨迹交点之间的距离与中心线的角度偏移α，即可得出随动式系统的偏移角度。当无人驾驶集卡行驶在坡面路段时，通过自适应驾驶系统采集两个轴距之间的高度差，再除去轴距长度，计算出路面的坡度差值，求值ｓｉｎα。其中α即为车身俯仰角度，随动雷达随之旋转即可，在此不再赘述。主要由激光雷达和随动式结构两部分的硬件设备和软件算法决定，车辆的响应距离即为激光雷达响应距离和随动式结构响应距离的和，而距离等于车辆速度与响应时间的乘积。目前常规Ｌ２级别自动驾驶技术应用于车辆驾驶的常规激光雷达检测响应时间为０．０４ｓ，加之随动式结构的传输时间。总体时长约０．３ｓ，因此Ｓ响应＝０．３ｖ，其中ｖ表示车辆行驶速度。

2自动驾驶分类与发展规划

工信部科技司公示《汽车驾驶自动化分级》推荐性国家标准报批稿，该标准基于自动化汽车能够按照设定目标值来连续执行动态驾驶任务的程度来进行区分。根据在无人驾驶汽车在执行动态驾驶任务中的角色分配以及有无外界设计运行条件限制，将无人驾驶自动化分成6个等级目前全球公认的汽车自动驾驶技术分级标准主要有两个，分别是由美国高速公路安全管理局（NHTSA）和国际自动机工程师学会（SAE）提出。中国于2020年参考SAE的0-5级的分级框架发布了中国版《汽车驾驶自动化分级》，并结合中国当前实际情况进行了部分调整，大体上也将自动驾驶分为0-5级。2020年11月，《智能网联汽车技术路选图2.0》发布，提出智能网联汽车发展呈现市场的持有量逐年递加的趋势。根据相关发展规划，截止2025年2、3级的装机率超50%以上，4级逐步的开始进入市场；截止到2030年2、3级的功能设备的装机率达70%、HA（L4）级占比达20%。乘用车典型应用场景包括城乡互联道路、快速公路以及贯穿城市、互联城市之间的城际公路；计划定于2035年，自动驾驶乘用最高级水平FA（L5）无人驾驶汽车开始应用，至此，无人驾驶汽车开始大众化、普遍化。无人驾驶车能够有效的降低由于人为元素造成的交通事故，能够有效的提高道路的利用效率，是实现碳中和、碳达峰的一个有力支持。2021年8月，《关于加强智能网联汽车生产企业及产品准入管理的意见》发布，提出加强智能网联汽车运输数据可靠性安全、运行网络可靠性安全、控制技术软件升级与加密、功能安全和预期功能安全管理，保证产品质量和生产技术一致性，推动智能网联汽车产业高质量快速的发展。从L2到L3，智能驾驶跃升，需要感知层传感器提供关键支撑车辆自动驾驶级。

3自适应生存周期管理策略

在多目标跟踪中, 现有目标会离开视野, 也可能有新目标进入视野, 因此需要一个模块来管理轨迹的产生和删除. 生存周期管理是常见的做法: 将所有未成功匹配的检测目标视为潜在的新轨迹, 为了避免跟踪误报, 只有在该目标连续检测到Fmin帧后才认为是一个新的目标轨迹; 将所有未成功匹配的跟踪目标结果视为即将离开视野的轨迹, 为了避免误删轨迹, 只有该目标未成功匹配Fmin帧后才视为目标丢失并将其删除. 理想情况下, 该策略可以保留因为单帧漏检未能成功匹配的目标轨迹, 并仅删除已经离开视野的目标轨迹. 但在实际中, 3D目标检测器的误检和漏检普遍存在, 采用固定的生存周期管理策略, 将出现错误的跟踪轨迹. 原因主要是固定的生存周期管理策略未有效利用检测目标的置信度信息, 而对所有目标均进行相同周期的检查操作, 从而导致检测置信度较低的目标 (往往为误检目标) 也需要跟踪多帧后才会被删除, 而检测置信度较高的目标一旦被多帧遮挡 (往往出现漏检)也可能被删除.因此, 本文提出一种自适应生存周期管理策略,根据目标检测结果的置信度, 动态调整最大生存周期:FAmax=Fmax×σ(α·score+β)(1)其中,score为当前目标的检测置信度;α和β为尺度系数和偏移系数;σ(·)表示Sigmoid非线性函数;Fmax为最大生存周期;FAmax为根据目标检测置信度计算后的生存周期. 通过选取合适的α和β, 实现更好的跟踪效果.图1给出了当Fmax=3,α=0.5,β=−5时生存周期与检测置信度之间的关系. 利用Sigmod函数的S型曲线特性, 检测目标的置信度越高, 该目标的生存周期将会越长, 从而实现生存周期动态调整.

图 1   自适应生存周期

结束语

总体来看，激光雷达产业链可以分为上游（光学和电子元器件）——中游（集成激光雷达）——下游（不同应用场景）。其中上游主要包含大量的光学元器件和电子元器件，组成激光发射、激光接收、扫描系统和信息处理四大部分。以上四大部分组装起来，集成为中游的激光雷达产品。下游应用除了已成熟的军事、测绘领域外，无人驾驶汽车、高精度地图、服务机器人、无人机等新兴领域应用近年来也开始快速发展。

参考文献

[1]程晓强.基于激光雷达的无人驾驶3D目标检测与多目标跟踪[D].天津大学,2020.

[2]孙文明.无人驾驶汽车激光雷达脉冲信号抗干扰技术研究[J].时代汽车,2020(18):20-21.

[3]刘锴.面向无人驾驶的多激光雷达与相机的融合技术研究[D].吉林大学,2020.

[4]王亮.无人驾驶汽车的眼睛:激光雷达与机器视觉[J].中小企业管理与科技(下旬刊),2019(01):140-141.

[5]何欣栋.基于多线激光雷达点云的无人驾驶车辆检测方法[D].哈尔滨工业大学,2019.