多傳感器信息融合技術(shù)在智能駕駛系統(tǒng)中的應(yīng)用

　　CLARK算法是用于精確測量障礙位置和道路狀況的方法，它同時使用來自距離傳感器(雷達)和攝像機的信息。CLARK算法主要由以下兩部分組成:①使用多傳感器融合技術(shù)對障礙進行魯棒探測；②在LOIS(Likelihood of Image Shape)道路探測算法中綜合考慮上述信息，以提高遠距離道路和障礙的識別性能。

3.1 用雷達探測障礙

目前經(jīng)常使用一個雷達傳感器探測前方的車輛或障礙。如前面所分析，雷達雖然在直路上的性能良好，但當?shù)缆窂澢鷷r，探測的信號將不完全可靠，有時還會有探測的盲點或產(chǎn)生錯誤報警。為了防止錯誤報警，常對雷達的輸出進行標準卡爾曼(Kalman)濾波，但這并不能有效解決探測盲點問題。為了更可靠地解決這類問題，可以使用掃描雷達或多波束雷達，但其價格昂貴。這里選用低價的視覺傳感器作為附加信息，視覺傳感器經(jīng)常能提供掃描雷達和多波束雷達所不能提供的信息。

3.2 在目標識別中融合視覺信息

　　CLARK算法使用視覺圖像的對比度和顏色信息探測目標，使用矩形模板方法識別目標。這個模板由具有不同左右邊界和底部尺寸的矩形構(gòu)成，再與視覺圖像對比度域匹配，選擇與雷達傳感器輸出最接近的障礙模板。

　　CLARK算法首先對雷達信號進行卡爾曼濾波，用于剔除傳感器輸出的強干擾，這由下列狀態(tài)和觀測方程處理:

　　式中，R(t)為前方障礙的真實距離(未知)，是其速度(未知)，D(t)為距離觀測值，Δt為兩次觀測的間隔時間，w(t)和v(t)為高斯噪聲。給定D(t)，由Kalman濾波器估計R(t)和的值，并把估計值作為距離輸入值，使用和D(t)的差值確定所用矩形模板的偏差。由于使用雷達探測的位置與雷達波的中心位置總有一個偏差，可通過改變道路一側(cè)的位置作為補償。

使用上述算法可以有效提高雷達探測的可靠性，但當圖像包含很強的邊緣信息或障礙只占據(jù)相平面一個很小的區(qū)域時，仍不能得到滿意的結(jié)果。因此，除對比度外，又引入視覺圖像的顏色域。

3.3 相合似然法

　　在探測到障礙后，CLARK算法將這些信息整合到道路探測算法(LOIS)中。LOIS利用變形道路的邊緣應(yīng)為圖像中對比度的最大值部分且其方位應(yīng)垂直于道路邊緣來搜索道路。如果只是簡單地將兩個信息整合，則障礙探測部分的像素被隱藏，其圖像梯度值不會影響LOIS的似然性。這樣可以防止LOIS將汽車前方障礙的邊緣誤認為是道路的邊緣來處理。但是當?shù)缆返恼鎸嵾吘壏浅＝咏系K的邊緣時，隱藏技術(shù)則失效。

　　為了使隱藏技術(shù)有效，可以在障礙和道路探測之間采取折中的處理方法。這種折中的處理方法就是相合似然法。它將探測障礙固定的位置和尺寸參數(shù)變?yōu)榭梢栽谛》秶鷥?nèi)變化的參數(shù)。新的似然函數(shù)由LOIS的似然和探測障礙的似然融合而成。它使用七維參數(shù)探測方法(三維用于障礙，四維用于道路)，能同時給出障礙和道路預測的最好結(jié)果。其公式如下:

　　式中，Tb、Tl、Tw為相平面內(nèi)矩形模板的底部位置、左邊界和寬度的三個變形參數(shù)，[xr(t)，xc(t)]為變形模板相平面的中心。[yr(t)，yc(t)]為由雷達探測并經(jīng)Kalman濾波的障礙在相平面的位置。將地平面壓縮變換為相平面，σr2(t)為的實時估計，σc2為相平面內(nèi)一個路寬的值(3.2m)。tan-1的壓縮比率在相平面內(nèi)不小于Tmin(路寬的一半)，不大于Tmax(路寬)。通過求解七維后驗pdf P(k’，b’LEFT，b’RIGHT，vp，Tb，Tl，Tw|[yr(t)，yc(t)]，Observed Image)的最大值獲得障礙和道路目標。

3.4 CLARK算法的局限性

　　CLARK算法假定障礙為矩形形狀且其最小尺寸為標準路寬的一半，所以當障礙為客車、貨車、拖拉機及公共汽車時滿足要求；但當障礙為摩托車、自行車及行人時就不適用了。這種矩形形狀的假設(shè)也要求雷達為窄波束雷達，對其它寬波束雷達、掃描雷達或多波束雷達則無效，并假定探測障礙的偏向位置總是在雷達波束的中心。

　　多傳感器信息融合技術(shù)在智能駕駛系統(tǒng)(ITS)中的使用極大地提高了系統(tǒng)的穩(wěn)定性和安全性，各種融合算法也都從不同方面更好地改善了系統(tǒng)的性能，但目前仍存在如何降低成本的問題，這對于ITS系統(tǒng)的普遍使用是很重要的。另外降低運算量、增強對多目標識別的可靠性也都有待進一步研究解決。