多传感器协同驾驶系统的设计

Design of Multi-Sensor Cooperative Driving System

摘要: 基于多传感器联合配准融合的驾驶系统和融合方法，包括相互通信的前车和后车，所述前车和后车上均设置有信息传感单元、通信单元、控制单元和信息融合单元。前车或后车与当前车辆的超声波测距信息并融合通讯误差，进而判断当前车辆相对于前车或后车的运动状态，并通过向控制单元发送指令调整车辆行驶状态，实现了将车辆本身的多传感器信息与经通讯获得导航信息进行融合，系统的设计可以提高车辆导航精度。

Abstract: The driving system and fusion method based on multi-sensor joint registration and fusion include a front vehicle and a rear vehicle communicating with each other. The front vehicle and the rear vehicle are provided with an information sensing unit, a communication unit, a control unit and an information fusion unit. The ultrasonic ranging information of the front or rear vehicle and the current vehicle and the communication error are fused, and then the motion state of the current vehicle relative to the front or rear vehicle is judged. By sending instructions to the control unit to adjust the vehicle driving state, the multi-sensor information of the vehicle itself is fused with the navigation information obtained through communication. The design of the system can improve the vehicle navigation accuracy.

1. 引言

单个车辆的多传感器融合得到了国内外一些学者的研究，但车辆之间的信息融合研究较少。研究表明在组合导航系统中采用多传感器信息融合技术可以扩展整个系统的时间和空间覆盖率，增加系统的信息利用率，提高融合数据的置信度和精度，增强系统的容错性和可靠性 [1] [2]。在多传感器组合中，常用的传感器有：全球定位系统(GPS)、雷达、超声波测距仪、CCD相机等。这些传感器及其子系统在精度、可靠性、使用范围等方面都各有优缺点，如何将这些传感器及其子系统有机地组合起来，对多传感器及其子系统进行有效的管理、控制、决策、故障诊断，提高整个导航系统的综合性能，正是研究多传感器信息融合技术的目的和意义所在 [3]。

尽管单个车辆的多传感器集成得到了一些研究，但考虑车辆之间通讯的信息融合研究较少 [4] [5]。现在有人在假设车辆之间通讯没有任何误差的情况下，对车辆之间的信息融合作了探索，但实际应用中，车辆之间的通讯会受到各种干扰因素的影响，会存在通讯误差以及通讯中断等 [6] [7]。在对车辆之间的信息进行融合时，必须考虑到通讯系统带来的影响 [8] [9]。为了综合利用车辆本身多传感器数据信息以及经车辆间通讯获得的相邻车辆传感器数据信息，有必要研究一种基于车辆多传感器和车辆间通讯信息融合的车辆协同驾驶系统。

2. 系统结构

基于多传感器联合配准融合的驾驶系统和融合方法，考虑车辆之间通讯的信息融合，能够将车辆本身的多传感器信息与经通讯获得的导航信息进行融合，提高车辆导航精度。基于多传感器联合配准融合的驾驶系统，包括相互通信的前车和后车，所述前车和后车上均设置有信息传感单元、通信单元、控制单元和信息融合单元。系统结构如图1所示。

通过在相互通信的前车和后车上设置信息传感单元、通信单元、控制单元和信息融合单元，其中，信息融合单元采用车载控制芯片，用于综合本车的GPS信息、当前车辆与前车或后车的雷达测距信息、当前车辆与前车或后车的超声波测距信息以及通过通信单元获取的前车或后车传感器获得的GPS信息、前车或后车与当前车的雷达测距信息、前车或后车与当前车辆的超声波测距信息并融合通讯误差，进而判断当前车辆相对于前车或后车的运动状态，并通过向控制单元发送指令调整车辆行驶状态，实现了将车辆本身的多传感器信息与经通讯获得导航信息进行融合，充分融合了车辆之间通讯的误差信息。

Figure 1. System structure

图1. 系统结构

3. 系统功能模块

信息传感单元包括GPS传感器、激光雷达测距传感器和超声波测距传感器，GPS传感器用于接收卫星信号，对当前车辆进行实时定位；激光雷达测距传感器用于实时获取当前车辆与前车或后车的雷达测距信息；超声波测距传感器用于实时获取当前车辆与前车或后车的超声波测距信息。

通信单元包括信号接收传感器和信号发射传感器，所述信号接收传感器用于接收信息传感单元的信息数据信号，信号发射传感器用于将接收到的信息传感单元的信息数据信号发送至信息融合单元。

控制单元包括自动转向控制机构、自动油门控制机构、车辆自动制动机构和自动灯光系统；通信单元采用基于专用短程的通讯协议或Zigbee通讯协议进行通信。

信息融合单元采用车载控制芯片，用于综合本车的GPS信息、当前车辆与前车或后车的雷达测距信息、当前车辆与前车或后车的超声波测距信息以及通过通信单元获取的前车或后车传感器获得的GPS信息、前车或后车与当前车的雷达测距信息、前车或后车与当前车辆的超声波测距信息并融合通讯误差，进而判断当前车辆相对于前车或后车的运动状态，并通过向控制单元发送指令调整车辆行驶状态。

4. 多传感器融合步骤

1) 通过GPS获取车辆信息，用公式表示为：

$p_n^G\left(k\right)=p_n\left(k\right)+{\tau }^G{v}_n\left(k\right)+{\epsilon }_n^p\left(k\right)$ (1)

$v_n^G\left(k\right)=v_n\left(k\right)+{\epsilon }_n^v\left(k\right)$ (2)

式中： $p_n^G\left(k\right)$ 为通过GPS获得的包含测量误差的车辆位置信息， $v_n^G\left(k\right)$ 为通过GPS获得的包含测量误差的车辆速度信息； $p_n\left(k\right)$ 为车辆实时位置信息， $v_n\left(k\right)$ 为车辆实时速度信息； ${\tau }^G$ 为系统时间偏差， ${\epsilon }_n^p\left(k\right)$ 和 ${\epsilon }_n^v\left(k\right)$ 为高斯白噪声以表示GPS的随机测量误差。

2) 对步骤1)中的GPS信息进行简化，简化后的公式为：

$z_n^G\left(k\right)=h_{}^G\left(x_n\left(k\right),{\tau }^G\right)+v_n^G\left(k\right)$ (3)

其中， $z_n^G\left(k\right)=\left[\begin{array}{c}{p}_n^G\left(k\right)\\ v_n^G\left(k\right)\end{array}\right]$， $v_n^G\left(k\right)=\left[\begin{array}{c}{\epsilon }_n^p\left(k\right)\\ {\epsilon }_n^v\left(k\right)\end{array}\right]$。

3) 通过激光雷达测距传感器获取当前车辆与前车或后车的雷达测距信息，用公式表示如下。 $z^R\left(k\right)$ 为后车的激光雷达测距传感器获得的前车相对于后车的距离和方位信息， $h^R(\cdot )$ 为激光雷达测距传感器的测量函数， ${\eta }^R$ 为激光雷达测距传感器的系统偏差， $v^R\left(k\right)$ 为高斯白噪声以表示激光雷达测距传感器的随机测量误差；

$z_{}^R\left(k\right)=h_{}^R\left(x_1\left(k\right),x_2\left(k\right)\right)+{\eta }^R+v^R\left(k\right)$ (4)

4) 通过信息融合单元收集单个车辆的运动状态，用公式表示为：

$x_n\left(k\right)=F_n{x}_n\left(k-1\right)+w_n\left(k-1\right)$ (5)

其中，n的取值为1或2，当n取1时表示后车，n取2时表示前车， $F_n$ 为状态转移矩阵， $w_n\left(k\right)$ 为高斯白噪声以表示系统的建模误差， $x_n\left(k\right)=\left(p_n\left(k\right),v_n\left(k\right)\right)$ 为车辆的运动状态，k为各离散时刻。扩维状态的当前车辆的运动状态用公式表示为：

$x\left(k\right)=Fx\left(k-1\right)+w\left(k-1\right)$ (6)

其中， $x\left(k\right)=\left[\begin{array}{c}{x}_1\left(k\right)\\ x_2\left(k\right)\end{array}\right]$， $w\left(k\right)=\left[\begin{array}{c}{w}_1\left(k\right)\\ w_2\left(k\right)\end{array}\right]$， $F=\left[\begin{array}{cc}{F}_1& \\ & F_2\end{array}\right]$。

融合信息单元中收到的前车的包含通讯误差的GPS信息用公式表示如下，其中： $z_{\tilde{2}}^G\left(k\right)$ 为后车可通过车辆间的通讯获得前车的GPS测量数据， $\xi \left(k\right)$ 和 $\gamma \left(k\right)$ 是服从两点分布的白噪声变量。

$z_{\tilde{2}}^G\left(k\right)=\xi \left(k\right)z_2^G\left(k\right)+\left(1-\xi \left(k\right)\right)\gamma \left(k\right)z_2^G\left(k-1\right)+\left(1-\xi \left(k\right)\right)\left(1-\gamma \left(k\right)\right)z_{\tilde{2}}^G\left(k-1\right)$ (7)

5) 得到经融合信息单元融合后的车辆运动状态，用公式表示为：

$z\left(k\right)=h\left(x\left(k\right),\xi \left(k\right),\gamma \left(k\right),\eta \right)+v\left(k\right)$ (8)

其中， $z\left(k\right)=\left[\begin{array}{c}{z}_1^G\left(k\right)\\ z_{\tilde{2}}^G\left(k\right)\\ z_{}^R\left(k\right)\end{array}\right]$， $\eta =\left[\begin{array}{c}{\tau }^G\\ {\eta }_{}^R\end{array}\right]$。

采用最大值期望(Expectation Maximization)算法和卡尔曼滤波平滑算法推导联合配准和融合估计模型，以对车辆的运动状态和传感器配准参数进行迭代估计，如图2所示，E-Step：根据已估计的配准参数 ${\hat{\eta }}_{}^{\left(t\right)}$ (初始值猜测记为 ${\hat{\eta }}_{}^{\left(0\right)}$)，通过联合配准和融合估计模型对车辆运动状态进行估计，然后求得联合配准和融合估计问题对配准参数 ${\eta }_{}^{\left(t\right)}$ 的条件期望；M-Step：通过使E-Step求得的条件期望最大化，求取配准参数的更新 ${\hat{\eta }}_{}^{\left(t+1\right)}$，通过多次迭代即可求得车辆的运动状态 $x\left(k\right)$ 和配准参数 $\eta$ 的估计值。

Figure 2. Iterative estimation flow chart

图2. 迭代估计流程图

5. 总结

基于多传感器联合配准融合的协同驾驶系统，包括相互通信的前车、后车，所述前车、后车上均设置有信息传感单元、信息融合单元、通信单元、控制单元，所述信息传感单元用于实时获取当前车辆的GPS信息、当前车辆与前车或后车的雷达测距信息、当前车辆与前车或后车的超声波测距信息；所述信息融合单元用于综合本车的GPS信息、当前车辆与前车或后车的雷达测距信息、当前车辆与前车或后车的超声波测距信息以及通过通信单元获取的前车或后车传感器获得的GPS信息、前车或后车与当前车的雷达测距信息、前车或后车与当前车辆的超声波测距信息并考虑通讯误差，进而判断当前车辆相对于前车或后车的运动状态，进而更好地通过控制单元调整车辆行驶状态。

基金项目

徐州科技计划项目(KC21303)，江苏省产学研合作项目(BY2021159)，江苏省大学生创新创业计划项目(xcx2021315)，江苏省第六期“333工程”资助。

参考文献

NOTES

^*通讯作者。