無人駕駛車自主導航與障礙規避系統設計實現
來源:用戶上傳
作者:讓斌斌，施衛
摘要：該文提出了一種用于無人駕駛的高精度地圖模型及自主導航系統設計與實現方案。包括獲取單元、駕駛單元、中心處理單元和突發單元，在通過定位模塊將無人駕駛汽車顯示在地圖模型中，并將信息傳輸至共享模塊中，將汽車行駛數據進行上傳，并將數據傳輸至識別模塊中，通過識別模塊對道路車輛，是否堵車進行識別，并將數據傳輸至中心處理單元中，通過道路車輛模塊、道路路標模塊和道路通行模塊分別對道路車輛數量進行監控、道路車道標志進行識別和對道路是否可以行駛的信息進行接收，并傳輸至云平臺，再通過分析單元對其信息進行識別，最后將分析信息傳輸至規劃模塊中，規劃模塊對無人駕駛汽車所在位置與終點位置進行最優路線規劃，規劃決策同時兼顧駕駛的安全和舒適性。
P鍵詞：無人駕駛；高精度地圖模型；障礙規避；最優路徑規劃
中圖分類號：TP301 文獻標識碼：A
文章編號：1009-3044（2022）32-0088-03
1 概述
近年來，隨著科學發展和技術進步，無人駕駛技術越來越成為人們關注的焦點，其發展對于未來交通體制的重新建設有著重要價值，因此人們對無人駕駛車充滿期待。目前，“無人駕駛”技術已進入實用階段，現階段目標就是要實現一種無人參與決策控制的自主導航系統，然而，無人駕駛的系統實現過程中遇到很多挑戰，例如：過于復雜駕駛的場景一直是研究的核心點。其中有兩個主要問題，第一，信息源提供的信息不準確、不穩定、不全面，無法輔助決策系統給出完整的信息支持。第二，確立一個能夠適應多種環境的決策模型的過程很困難。因此，無人駕駛技術需要一種用于無人駕駛的高精度地圖模型及自主導航系統。無人駕駛汽車很大程度上依靠車內的以計算機系統為核心的智能系統來實現無人駕駛[1]。在已有技術中，無人駕駛汽車在道路上行駛時，難以對幫助無人駕駛汽車進行最優化路線的分析和行駛決策的規劃，使得無人駕駛汽車不能進行安全舒適的使用，且在駕駛時，難以針對道路發生的特殊情況進行報警，從而難以第一時間進行報備，且難以提高無人駕駛汽車與3D地圖幾何模型定位的精確度。
該文研究的目的在于提供一種用于無人駕駛的高精度地圖模型及自主導航系統，經過分析單元對其信息進行識別，最后將分析信息傳輸至規劃模塊中，規劃模塊對無人駕駛汽車所在位置與終點位置進行最優路線規劃，同時對比人類駕駛員進行控制，兼顧行車的安全性和駕駛的舒適性也是最重要的，通過報警模塊的設置，對道路突然事件，進行第一時間報警，進一步增加行駛的安全性，無人駕駛汽車系統通過中子點集將無人駕駛汽車與3D地圖幾何模型進行聯合，子點集對所標記的無人駕駛汽車進行可移動目標定位，提高定位精度，以解決目前技術存在的問題。
2 自主導航系統總體設計
該文所設計的一種用于無人駕駛的自主導航系統，該系統包括獲取單元、駕駛單元、中心處理單元和突發單元，如圖1所示。
2.1 系統模塊設計方案
2.1.1 獲取單元
獲取單元用于獲取目標地區的信息，進行建模，并進行存儲。獲取單元中包括目標采集模塊、道路分析模塊、差異處理模塊、存儲模塊和建模模塊，目標采集模塊用于對目標區域位置及環境信息進行采集；道路分析模塊用于接收目標采集模塊傳輸的數據并對目標區域的道路進行分析，并做出相應的道路標記進行整理，道路分析模塊與目標采集模塊信號連接；差異處理模塊用于接收道路分析模塊傳輸的數據，并對數據中差異進行處理，進行真實還原，差異處理模塊與道路分析模塊信號連接[2]；存儲模塊用于接收差異處理模塊傳輸的數據，并對接收的數據進行存儲，存儲模塊與差異處理模塊連接；建模模塊用于接收存儲模塊傳輸的數據，并對數據進行三維地圖建模，存儲模塊與建模模塊連接，如圖2所示。
2.1.2 駕駛單元
駕駛單元用于接收駕駛單元傳輸的信息，并與無人駕駛汽車進行連接，且對所在位置進行上傳共享與定位，駕駛單元包括藍牙模塊、定位模塊、共享模塊和識別模塊[3]，其中：藍牙模塊用于將無人駕駛汽車與三維地圖建模進行連接；定位模塊用于接收藍牙模塊傳輸的數據，并對無人駕駛汽車進行位置定位，藍牙模塊與定位模塊連接；共享模塊用于接收定位模塊傳輸的數據，并將其輸送上傳至地圖模型的云平臺中，定位模塊與共享模塊連接；識別模塊用于接收共享模塊傳輸的數據，并對道路車輛，是否堵車進行識別，識別模塊與共享模塊連接，駕駛單元與獲取單元連接，如圖3所示。
2.1.3 中心處理單元
中心處理單元用于接收駕駛單元傳輸的數據，并進行道路分析，規劃合適的駕駛路線，駕駛單元與中心處理單元連接；更進一步的，所述中心處理單元包括分析單元和規劃模塊，其中：分析單元用于對駕駛單元傳輸的數據進行接收，并對數據進行分析，規劃模塊用于接收分析單元傳輸的數據，并對路線進行實時規劃[4]，如圖4所示。
規劃模塊采用規劃一定時間內的無人駕駛車在3D地圖上坐標運動的路線以完成常規操作，比如加速、換道、減速等動作。具體而言，該系統首先對全部概率行為終點坐標進行計算，然后進一步對其他終點信息點進行收集，行駛在結構化道路中，可將無人車駕駛狀態規劃成多個基本行為的集合，一般情況下常規駕駛行為主要有減速、加速、換道運行和跟車行駛等。針對多種行駛狀態，決策系統最終實現的基礎是具體分析和判斷所有駕駛動作的狀態特征和演化規律。通過系統模塊采集的信息源數據經過信息融合得到自定位信息和3D坐標以及周邊環境，組建信息集，根據這些信息，規劃模塊中的一部分生成相應的規劃控制信號構成策略集。在動態環境下，根據當前可利用信息對其他道路的駕駛車輛進行行為預測，排除與車輛運動規律不符或者可能會發生突然事件的軌跡，同時在此基礎上對軌跡進行規則限制，如障礙物限制、安全距離限制和動力學限制等，最后提出一個可以對障礙物風險、舒適度和行車效率進行量化的框架來選擇符合條件的最優軌跡，具體如圖5所示。
nlc202301131349
2.1.4 突發處理單元
突發單元用于接收中心處理單元傳輸的數據，并對突發情況做出相應的處理，突發單元與中心處理單元連接。突發單元包括周圍環境識別模塊、緊急避讓模塊、道路超車模塊和報警模塊，其中：周圍環境識別模塊用于對無人駕駛汽車周邊車輛數據進行采集。更進一步的，分析單元包括道路車輛模塊、道路路標模塊和道路通行模塊；其中，道路車輛模塊用于對道路車輛數量進行監控，并傳輸至云平臺；道路路標模塊用于對道路車道標志進行識別，并傳輸至云平臺；道路通行模塊用于對道路是否可以行駛的信息進行接收，并傳輸至云平臺；緊急避讓模塊與道路超車模塊分別用于接收周圍環境識別模塊傳輸的數據，通過緊急避讓模塊對道路突發事件進行緊急避讓，通過道路超車模塊根據自身需要保證安全的情況下進行超車，所述緊急避讓模塊與道路超車模塊分別和周圍環境識別模塊連接[5]；報警模塊分別用于接收緊急避讓模塊與道路超車模塊傳輸的數據進行接收，并對道路突發事件進行第一時間報警，所述報警模塊分別與緊急避讓模塊和道路超車模塊連接，如圖6所示。
2.2 自主導航系統的實施方式
該文所設計的用于無人駕駛的自主導航系統的高精度地圖模型，包括以下步驟：
步驟1：通過獲取單元采集目標區域道路特征，并確定每個目標區域道路的3D坐標及其周圍環境；
步驟2：通過目標區域道路特征，對道路進行功能劃分，路段行車方向、路段禁止限制和路段車道；
步驟3：通過功能劃分，以道路車道為線，并將線進行細化為點，得到子點集；
步驟4：通過3D坐標及其周邊環境，進行建立3D地圖幾何模型；
步驟5：通過中子點集將無人駕駛汽車與3D地圖幾何模型進行聯合，子點集對所標記的無人駕駛汽車進行可移動目標定位[6]，如圖7所示。
2.3 自主導航系統的工作原理
該文所設計的自主導航系統的工作原理為：當進行使用時，通過目標采集模塊用于對目標區域位置及環境信息進行采集，并將信息傳輸至道路分析模塊中，道路分析模塊對目標區域的道路進行分析，做出相應的道路標記進行整理，并將數據傳輸至差異處理模塊中，然后對數據中差異進行處理，進行真實還原，最后通過存儲模塊將數據進行存儲，最后通過建模模塊，對數據進行轉換，并進行三維幾何建模，當地圖模型建模完成后，將無人駕駛汽車通過藍牙模塊與地圖模型進行連接，再通過定位模塊將無人駕駛汽車顯示在地圖模型中，并將信息傳輸至共享模塊中，將汽車行駛數據進行上傳，并將數據傳輸至識別模塊中，通過識別模塊對道路車輛、是否堵車進行識別[7]，并將數據傳輸至中心處理單元中，通過道路車輛模塊、道路路標模塊和道路通行模塊分別對道路車輛數量進行監控、道路車道標志進行識別和對道路是否可以行駛的信息進行接收并傳輸至云平臺，再通過分析單元對其信息進行識別，最后將分析信息傳輸至規劃模塊中，規劃模塊對無人駕駛汽車所在位置與終點位置進行最優路線規劃，針對結構化的道路適用的自主導航策略，確保安全地執行像超車、換道及緊急制動這種的基本行為決策規劃，最后將數據傳輸至突發單元中，通過周圍環境識別模塊對無人駕駛汽車周邊車輛數據進行采集，當道路突發事件發生時，通過緊急避讓模塊驅動無人駕駛汽車進行緊急避讓，通過道路超車模塊的設置，可根據自身需要保證安全的情況下進行超車，最后可通過報警模塊的設置，警報器可以在突然狀況發生時第一時間報警，從而降低無人駕駛汽車行駛中的危險性，盡可能地確保行車安全。當地圖模型建模完成后，將無人駕駛汽車通過藍牙模塊與地圖模型進行連接，再通過定位模塊將無人駕駛汽車顯示在地圖模型中，并將信息傳輸至共享模塊中，將汽車行駛數據進行上傳，并將數據傳輸至識別模塊中，通過識別模塊對道路車輛，是否堵車進行識別，并將數據傳輸至中心處理單元中，通過道路車輛模塊、道路路標模塊和道路通行模塊分別對道路車輛數量進行監控、道路車道標志進行識別和對道路是否可以行駛的信息進行接收，并傳輸至云平臺[8]，再通過分析單元對其信息進行識別，最后將分析信息傳輸至規劃模塊中，規劃模塊對無人駕駛汽車所在位置與終點位置進行最優路線規劃。
只有在滿足駕駛知識、實際經驗、物理世界以及交通規則等條件下，即基于規則的規劃下進行決策規劃才能更好地解釋最優路線。由于車道規劃簡單明了，無人駕駛車輛（UAV）在結構化道路上能夠方便地識別出車輛道路等各種信息，并且能夠很容易地識別出行駛在其附近車輛運動意圖。無人駕駛車的主要形式場景為結構化道路，其包括高速路場景和城市道路場景，決策規劃的核心內容是確保安全地實行換道、超車及緊急制動。在汽車在行駛過程中的安全問題是決策規劃首先要解決的，其次，在超車、編導和避免障礙物時，需要精確地分析和判斷周圍情形，以免發生交通事故。另外，決策規劃還應考慮駕駛舒適度以及行車效率等問題。
3 結束語
決策控制、信息交互、環境識別等眾多人工智能技術集無人駕駛汽車于一體，無人駕駛車是計算機系統、信息識別與決策控制技術持續發展的結果。與現有技術相比，本設計方案的有益效果是：通過周圍環境識別模塊對無人駕駛汽車周邊車輛數據進行采集，當道路突發事件發生時，通過緊急避讓模塊驅動無人駕駛汽車進行緊急避讓，通過道路超車模塊的設置，可根據自身需要保證安全的情況下進行超車，最后可通過報警模塊的設置，報警器在道路發生突l事件時觸發報警模塊，第一時間報警，從而降低無人駕駛汽車行駛中的危險性。并且通過中子點集將無人駕駛汽車與3D地圖幾何模型進行聯合，子點集對所標記的無人駕駛汽車進行可移動目標定位，提高高精度定位。
參考文獻：
[1] 錢玉寶，余米森，郭旭濤，等.無人駕駛車輛智能控制技術發展[J].科學技術與工程，2022，22（10）：3846-3858.
[2] 黃志強，李軍.無人駕駛汽車環境感知技術研究[J].裝備機械，2021（1）：1-6.
[3] 張小俊，張澤，陳正.面向智慧園區的無人車遠程約車系統[J].汽車電器，2020（5）：9-12.
[4] 洪金龍，高炳釗，董世營，等.智能網聯汽車節能優化關鍵問題與研究進展[J].中國公路學報，2021，34（11）：306-334.
[5] 段續庭，周宇康，田大新，等.深度學習在自動駕駛領域應用綜述[J].無人系統技術，2021，4（6）：1-27.
[6] 余卓淵，閭國年，張夕寧，等.全息高精度導航地圖：概念及理論模型[J].地球信息科學學報，2020，22（4）：760-771.
[7] 《中國公路學報》編輯部.中國汽車工程學術研究綜述?2017[J].中國公路學報，2017，30（6）：1-197.
[8] 曹行健，張志濤，孫彥贊，等.面向智慧交通的圖像處理與邊緣計算[J].中國圖象圖形學報，2022，27（6）：1743-1767.
【通聯編輯：謝媛媛】
nlc202301131349
轉載注明來源:http://www.hailuomaifang.com/8/view-15444084.htm
