基于自動剎車與回避轉彎的行人主動避撞系統

褚韜睿，馬 鈞

（同濟大學，上海201804）

行人可以說是最脆弱的交通參與者，行人往往在與車輛碰撞后，又與堅硬的水泥路面或其他障礙物發生二次碰撞，因此受到的傷害極大。根據2012年世界衛生組織發布的《道路安全全球現狀報告》，全球每年有127萬人死于道路交通事故，其中46%是行人、自行車或者摩托車駕駛者，發展中國家死亡率普遍高于發達國家，中國為目前每年交通事故死亡人數最多的國家。

過去的幾年里，人們已經逐漸的提高對行人這一脆弱的交通參與者的關注度。雖然越來越多的被動安全技術(如安全氣囊、安全帶、吸能車體等減少了碰撞能量沖擊，從而降低了致傷水平,但引發事故產生的根本原因仍未能得到解決，而且這種安全系統并不能減少行人與路面的二次沖擊。因此，需要加強對主動安全系統的發展。這套系統應該能提前檢測到危險環境，使得對司機警示與車輛自動控制變成可能，在司機分心或者能見度很差的時候更能凸顯價值。

1 主動避撞系統發展現狀

1.1 主動避撞系統類型

目前國內外研究開發的汽車主動避撞系統主要有以下3種類型:

（1）車輛主動避撞報警CWS(collision warning)系統,該系統是為了減輕車輛碰撞危害研發的，主要工作原理為使用車載雷達對前方道路進行掃描，對探測到的行車危險工況給予警報，但不介入車輛控制。此裝備在一些商用車上已經得到了應用。

（2）車輛自適應巡航控制ACC(adaptive cruise control)系統,其主要目的是實現車與車的主動避撞,安裝此系統的車輛可以在路況不是很復雜的情況下實現主動避撞及巡航控制,已在高檔車型上普遍配置。近年來又衍生出一種基于車車通信的協同式自適應巡航技術（CACC），該技術通過車車協同控制的方法，實現協同式隊列控制。

（3）復合型車輛智能控制系統,該系統針對復雜交通情況,特別是市區交通環境,采用ACC系統輔以車輛停走(stop-go)系統,提高車輛智能控制的實用性。相對于ACC系統,停走系統由于交通環境的復雜和系統對硬件的要求苛刻,系統實現的難度更大。

1.2 行人主動避撞系統發展現狀

目前的主動避撞系統普遍關注車車之間，僅有少量汽車公司實現了車輛與行人之間的主動避撞，最大的區別在于是否能實現行人的檢測。

2009年寶馬公司在7系轎車上首先配備了可實現行人并高亮的夜視輔助系統，它主要利用紅外線技術感應人體熱量。2012年沃爾沃公司為S60轎車配備了帶完全主動剎車的行人主動避撞系統，該系統使用雷達以及車載攝影機進行環境識別，能辨識身高超過80cm的人體輪廓。如果物體出現在碰撞路線上，前擋風玻璃上的一個紅燈就會亮起，在必要時會通過聲音警告駕駛者、同時預先加壓剎車。若駕駛人沒有反應，且碰撞即將發生，系統就會自動全力剎車，時速在30km/h以下時，系統可讓車輛完全停下。

然而，以上系統在汽車以較高速度（>30km/h）行駛時表現較差,且僅能以自動剎車介入車輛控制，無法實現回避轉向操作，圖像識別速度、準確度及可靠性均有待提高。

1.3 行人主動避撞系統總體方案設計

文章中的行人主動避撞系統利用現代信息技術、傳感技術來擴展駕駛員的感知能力，將感知技術獲取的行駛環境信息（如行人或其他障礙物距離等）傳遞給駕駛員，同時綜合分析路況與車況，辨識是否存在安全隱患，并在緊急情況下，自動采取措施控制汽車，包括自動剎車及回避轉向，使汽車能夠主動規避碰撞危險，保證車輛安全行駛，從根源上提高行人安全。

行人主動避撞系統工作過程如下：

（1）當車輛正常行駛時，系統采取碰撞時間或者安全距離模型，實時對車輛行駛安全程度進行計算。如判斷為安全狀態，系統無任何動作，同時駕駛員可以隨時選取當前環境的模式進行車輛自動控制。

（2）當系統判斷為危險狀態時，行人主動安全避撞系統會首先自動關閉油門，此時若駕駛員尚未采取相應操作，則系統將介入車輛控制，自動執行剎車和回避轉向，并調用其他相關控制系統（如ABS、ESP等）使車輛遠離危險同時保證自車安全，一旦車輛回到安全狀態或駕駛員采取相應操作，則解除對車輛的自動控制，回歸正常行駛狀態。

（3）當系統判斷為危險無法避讓時，除采取遠離和減少危險的控制外，還將根據危險程度的大小和障礙物類型（行人、車輛或其他障礙）調用合適的被動安全控制策略（如安全氣囊等）。

因此，文章中的汽車主動避撞系統由行人檢測、環境分析、策略制定及車輛控制系統構成。

2 基于立體視覺技術的行人檢測系統

行人主動避撞系統的行人檢測技術是基于運動的攝像機，因此很難對動態背景進行建模，無法利用幀間的變化信息，因此主要的研究方法是將行人檢測看作是模式識別問題，首先從靜態單幅圖像中提取行人特征，然后進行模式分類。分類方法可以按照圖像來源（動態/靜態），顏色信息（彩色/灰度），圖像背景（復雜背景/簡單背景），感光光譜范圍（可見光/紅外線）等方法。由于真實場景中行人受到光照、遮擋、穿著、人體姿態和復雜背影的諸多因素影響，通常要將多種檢測技術綜合起來。

2.1 單幀行人識別系統Single-Frame Pedestrian Recogni ti on(PedRec)

利用文獻描述的滑動窗口技術可以產生原始感興趣區域（ROIs）。被立體視覺所捕獲的深度圖像，是由關聯最多行人的窗口掃描到的，同時后者要考慮適當的位置公差（比如車輛間距等）。當特征數超過一定比例的窗口面積時其位置會被添加到后續的ROI列表中以便進行目標分類。目標分類目前廣泛采用梯度方向的直方圖特征與SVM分類器結合的方法。雷達與移動攝像機在接近相同位置時均會相應，對探測到的包圍盒進行基于置信度的非極大值抑制，數值范圍是由包圍盒的正交覆蓋范圍決定的。兩套系統的檢測信號ai與aj受制于非極值抑制，它們的覆蓋范圍為

圖像中的行人檢測距離是通過立體像稠密度圖像來計算的。由于無法得到準確的行人輪廓，在使用概率密度函數深度估算過程中，所有的可能的行人輪廓均要考慮到,圖片1說明了深度估算過程。在給定的包圍盒深度圖像中，行人距離是通過概率密度函數進行加權平均的。行人的3D位置是由穿過包圍盒中心與估算的包圍盒距離的逆投影垂直線得到的。探測到的行人3D位置會被傳到融合模塊。

2.2 運動目標檢測（6D視覺）

圖1 立體像稠密度概率密度函數得到的加權行人距離平均值即為估算的行人距離

當使用立體攝像機時，探測到的場景3D結構可以立即由立體算法得到。通常為了識別單個物體，這些信息會由一種網狀結構積累，緊接著進行連接組件分析。為了捕獲被識別物體的動作，目標物體隨后會被追蹤，速度由濾波器決定。這種標準方法的缺點是探測性能將很大程度上由分類器的準確性決定，尤其是移動物體接近靜止物體時。例如，在靜止車輛后面的移動行人經常突然出現，他們很難被快速探測到。

為了解決這個問題提，文獻[4]中提出探測不僅要以立體圖像信息為中心，同時還要兼顧3D移動領域。3D移動領域的重建是由所謂的6D立體視覺算法進行的。其中最基本的思想便是從已知的深度立體視覺圖像中尋找兩個或者更多的連續幀，使用卡爾曼濾波器（Kalman Filter）融合時間與空間信息。其結果便是同時得到一個精度改進的3D運動模型以及對該模型像點的估算。這種融合體現了對觀察者動作的認識，被叫做自身運動。它是基于卡爾曼濾波器的方法，由探測的靜止相點估算所得。然而，其他方法，比如文獻提到的方法也可以很容易被集成。

圖2，6D模型算法的計算結果箭頭在0.5s內指向了計算的3D模型位置，投影出圖像。顏色編碼的絕對速度：靜態的點會被編碼成綠色，以4:0m/s以上的速度移動的點則會被編碼成紅色。

在目前的設置中，圖像點是由KLT追蹤器追蹤的，它提供了次級像素精度并且可以有效的追蹤長序列圖像點。這是一種對速度的優化，可以允許基于完整的目標探測模塊來實時分析總數多達5000個的像素點（25fps）。立體視覺的計算是由基于半球匹配算法的硬件來執行的。事實上，任何類似的光流立體算法在這里都可以被使用。

圖片3展示了6D立體視覺的預估距離。在這里，不到0.5s時間內，箭頭便可以從當前的3D模型指向預估的3D模型。從右側圖片中的鳥瞰圖像可以看出，移動行人很容易與靜止的車輛里區別開。

目標對象可以被識別為一組連續的運動矢量。既然6D模型算法不僅能提供它們的狀態估計，還能提供他們的不確定性。Mahalanobis距離模型[8]可以在聚類分析中進行相似性度量。

2.3 運動目標檢測（6D視覺）與單幀行人識別系統（PedRec）融合

對行人運動進行準確預測，位置和速度信息是至關重要的。使用卡曼濾波器可以將6D視覺模型與PedRec模塊的輸入進行融合，濾波器的狀態S可以表示為以下公式：S=[xyvxvy]T

其中x/y是行人位置與車輛的橫/縱向相對距離，與為車輛的橫/縱向絕對速度。矢量的測量則同時關聯到6D視覺模型與PedRec模塊，公式如下：

其中x/y與/為上文定義的不同測量值的狀態變量（從狀態到變量的映射是無關緊要的）。因此通過以上連續的改進可以將來自兩個不同模塊中的當前測量值集成到濾波器內。

我們假設一個恒定的行人移動速度（行人加速度可以通過狀態噪聲協方差建模得到）。過渡矩陣F如下：

其中T是攝像機的的循環時間（40ms）。

車輛的自身運動在卡曼濾波器的預測階段會進行補償?！白孕熊嚒蹦Ｐ褪且环N假設在兩個測量點之間帶有連續轉向角與速度的運動模型,它可以實現對目標物體與車輛之間的轉換。所需的對自身運動所補償的速度及橫擺角速度數據可以通過一個攝像機循環周期內的車載傳感器數據得到。

可以采用全局域最近鄰(GNN)數據算法與之前的目標物體矩陣測量航跡關聯。預測狀態與測量值之間的Mahalanobis距離可以作為航跡關聯值。對于行人檢測來說，這意味著行人位置是用來測量航跡關聯的，而對6D視覺模型來說，速度則是額外使用的。

航跡的開始和結束可以利用航跡的關聯分析次數來控制。當使用不能被分配到現有航跡的測量值時，便會產生新的航跡。為了抑制雜散信號檢測，航跡會在隱藏階段開始。假設在進入確認狀態時分配到的航跡測量數為n，這里我們取n=2，這意味著兩個模塊的探測會同時直接引起一個確認的行人航跡。只有被分配的行人探測航跡可以被標記為有效。對于所有航跡來說，它們的狀態會隨著時間改變，并且會被保留，包括航跡關聯的測量值。

兩種模塊會在不同的循環周期獨立工作。6D視覺模塊會在固定的攝像機循環時間內運轉（25 fps）。PedRec模塊的處理時間會根據現場復雜度來決定，極值更低，約為15fps。測量值擁有共同的時間戳，是由已經生成圖像的幀標記定義的。當測量值不在序列范圍內并且不能再普通的濾波器狀態下集成時，航跡歷史記錄便可以用來檢查過去航跡關聯的測量值?？赡艿姆峙湟鹆岁P聯信息的升級。盡管當測量值超出序列范圍時，濾波器狀態不會進行更新，但是更新的關聯信息會反映航跡的管理狀態，這便允許航跡進入確認階段。另外，對PedRec系統進行關聯分析會得到驗證過的行人航跡。

卡爾曼濾波器的初始狀態來自首次測量。如果航跡是由行人檢測引起的，系統速度便會被設為0。如果初始化的行人檢測跟蹤狀態速度設置為0，而6D視覺模型則使用測量的速度作為初始值。

最后，位置速度以及追蹤行人的程度等數據會傳輸到環境分析模塊。

3 環境分析、策略決策及車輛控制系統

情景分析與車輛控制系統是駕駛員輔助系統的組成部分，可以產生對行駛環境的計算機層次的理解（基于前文描述的傳感器信息）并采取適當的行動。如圖所示描述了軌跡生成、環境分析、決策&干預與車輛控制模塊之間的關系。

圖3 環境分析與車輛控制模塊結構

環境分析模塊預測了當前的駕駛環境將如何變化并自動計算其臨界措施，比如碰撞時間、轉向時間以及制動時間。臨界評估是策略決策的基礎模塊，可以為避免碰撞與減少碰撞傷害采取合適的規避方法。這種方法是根據專門的車輛控制器來實現。由于車輛控制模塊與環境分析模塊均依賴于規避方法的現實模型的準確性，它們自然是緊密關聯的。這提供了一個軌跡生成模塊，以下部分將更加詳細地討論以上模塊。

3.1 軌跡生成模塊

軌跡生成具有雙重目的。

首先，生成的軌跡可以提供準確的回避轉向模型，它可以滿足以下要求：由于規避而產生的軌跡應該盡可能的舒適，可行（即由自身車輛決定），并且還會在采取自動規避措施時引起很小的側滑，起到安全緩沖的作用。當然，搶奪方向盤控制權極其危險，必須避免。

第二，生成的軌跡為橫向控制提供了輸入變量，如橫向偏航角，偏航率。在研究了不同的軌跡類型后，文獻提出的基于多項式方法的sigmoidal函數被用作自動回避操作的模型。

人們提出了7次多項式規避路徑模型：

其中ytrj為橫向偏移量期望，x為距規避初始點的縱向偏移量，這樣便滿足了舒適性與可行性的要求。為了滿足這些指標，bi的多項式系數確定是基于幾個約束方程限制的最大橫向加速度aymax確定的，從而分別衍生出橫向偏移和曲率。

Dev表示完成規避操作所需的距離，ytarget表示目標與規避起始點的縱向偏移距離。

為了推導公式（2）中的多項式系數bi，我們采取以下的邊界條件：

為了確保規避路徑ytj滿足我們關于舒適性與可行性的要求，我們需要確定車輛的橫向加速度在可以預先確定的范圍內：

進行模型簡化，假設在執行規避操作時，車輛在x軸的運動是連續的，則：

因此公式（7）可以簡化為:

其中是位置的極值，所以：

公式式（3-6）與（8-9）構成了一個擁有十個方程的方程組，可以解出8個多項式的系數b0…b7,規避長度Dev以及極值位置。

規避時間可以基于連續的車速v求得：

其中K≈2.741，是一個常數系數的多項式，從上面的定義中計算可以得到。

基于多項式函數和車輛速度v的測量，重要的輸入變量（橫向偏移量、曲率、航向角）可以在每一個采樣時間步內確定，如圖4所示。

圖4 規避路徑中的橫向控制輸入

3.2 環境分析模塊

對碰撞風險的評估涉及到臨界參數比如Time—To—Brake（TTB）,Time—To—Steer（TTS）等。

在文章中，TTB與TTC分別用于通過制動和轉向觸發自動避撞系統。因此，有兩套重要的Time—to—x計算標準。

首先，回避轉向方法一般在車輛以最大橫向加速度在彎道上行駛時使用，這里我們采用在3.1中定義的更加現實的轉彎方法。

其次，如果TTS用來評估系統避免轉彎時相撞能力，我們必須考慮多個相關對象。這意味著該算法不僅需要找出在行人駕駛路徑內最新的避撞轉向方法，同時還要保證應急方法不會導致車輛與場景中的任何偵測對象發生碰撞。（比如汽車、行人，這種自由空間的傳感器將作為未來此研究方向的重點）。為了滿足這些需求，我們采用了數值模擬方法，可以對Time—to—X參數高效、實時地進行計算，甚至可以應用于更復雜的自動控制動作。此外，這種數值方法可以驗證回避轉彎的避撞方式是否可以在沒有碰撞的情況下執行。

正如圖片3中描述的那樣，數值模擬方法由3個部分組成：預測、碰撞檢測和Time—to—X搜索。在預測階段中，可以計算出一系列未來潛在的自身車輛和其他目標的狀態：

其中tk是預測階段k-th的時間戳，K是預測區間。Zego,k是車輛自身位置和在時間時所處位置的矢量，并且,Z1obj,k…,ZMobj,k這些數據是由文章2.3介紹的傳感器提供的，主要是目標M的位置和運動信息。為了獲得這些預測，我們將針對目標與車輛自身采用合適的運動模塊，因此可以假設它們未來的行為。

鑒于預測的狀態，我們可以分別交叉分析由Zego,k與Z1obj,k…,ZMobj,k引起的位置變化,進而識別出系統車輛與場景中的所有目標之間潛在的碰撞危險。一旦檢測到了碰撞，我們將采用最新的避撞方法。

因此，我們定義了兩種緊急操縱，分別代表了文章3.1部分的最大制動減速度與轉向減速度，數值為-10m/s2。 公式（11）中每組數據（tk,Zegok）均構成了一個潛在的緊急自動操作的起始點。使用二進制搜索方法，我們可以找到最新的時間步長，在此步長內制動或轉向動作不會觸發任何與場景中的對象碰撞現象。這些時間步長是離散的TTB與TTS測量值。

3.3 決策&干預模塊

“決策與干預”模塊是駕駛輔助系統的核心，因為它關聯了駕駛員行為與上文中提到的函數模型。由于行人在事故中受傷的風險很高，避免碰撞是此函數模型的首要目的。為了確定最好的方式來支持司機，有必要去了解駕駛員當前的駕駛意圖。駕駛員監控算法利用了車輛系統信號，比如油門與剎車踏板的位置，速度、縱向與橫向加速度、轉向角和轉向率來判斷當前的司機駕駛行為。如果駕駛員對危險情況反映不恰當，系統會提供可選的聲學警告，提醒他自己回避碰撞。在一個函數中，干預機制是必要的，為了避免碰撞，全力制動需要優先于回避碰撞操作。當TTB=0時，全力制動機制會被觸發，駕駛員既不能進行加速也不能進行規避轉彎。如果全力制動不能避免碰撞（TTB<0），回避轉彎機制將會在TTS=0的時候被激活，提供行駛環境分析計算，進而執行回避轉彎以避免碰撞。車輛的回避操作系統利用車輛控制系統來計算必須的轉彎轉矩。當完成回避轉彎時，轉彎力矩便會按照斜坡函數變化。車輛的自動回避操作結束后，會固定橫向偏移80～100cm。為了防止碰撞，將不會允許自由地進行回避轉彎，也就是說當檢測到迎面而來的目標時，將會執行制動操作（碰撞緩沖）。

該功能的原型設計試圖允許駕駛員在任何時間否決回避轉彎介入。如果駕駛員手握方向盤，他將削弱或者抑制轉向系統。明顯的油門與剎車踏板操作將會立即取消車輛回避轉彎介入。類似的退出條件在全自動剎車時也存在。

為了減少安全系統自動介入控制車輛時引起動態誤差，該功能將會控制電動可逆式安全帶拉緊，還會使側門的空氣坐墊與靠背氣墊膨脹。當系統完成干預操作時，安全帶將會放松，側門的空氣坐墊與靠背氣墊將會回到原來的位置。

3.4 車輛控制系統

車輛控制系統由兩部分構成：縱向控制自動制動以及橫向控制回避轉彎。當TTB=0s的時候，縱向的車輛控制器會設置最大減速度-10m/s2。而為了規避轉彎的橫向系統更為復雜，將在以下部分進行討論。

橫向轉彎的自動規避機制需要自身車輛高度動態的橫向運動（這里，橫向運動指垂直于行駛車道的運動），這種方法的橫向動力學加速度是非線性的。一般來說，在本文3.1部分中定義的橫向偏移量可能會依據障礙的大小，變化范圍從只有幾厘米完整車道。它的速度、可用的自由空間將均用于規避操作。在這里，對行人的回避轉彎簡化為一個固定的偏移量。

通過轉彎來避免碰撞需要系統對自身車輛橫向運動的精確控制。正如公式（2）中研究的實際車輛那樣，控制器將會永久與規避操作的參考位置進行對比，，因此需要對自身車輛位置有準確、可靠的感知。

對于如今的汽車來說，車輛的位置是根據里程表和慣性傳感器重新設置并且保持穩定性的。當使用測量的橫向加速度時以及速度v（或者選擇當前的偏航率），車輛的航向角可以用如下公式表示。

這里，表示了采樣的時間步長以及表示k階迭代步驟的時間戳。根據上文得到的與測量速度v,積分計算可以得到相對于當前車道的縱向位置x與橫向位置y。

為了解釋這種規避機制的非線性橫向動力學，人們使用了結合前反饋與后反饋的控制策略。橫向輸送的控制策略。橫向控制的命令信號u分別包括前反饋系統部分的uff與后反饋系統的部分ufb。uff由多項式（2）中的曲率Ctrj計算得出，ufb則由狀態控制器的四階狀態向量解出。其中，yerr=ytrj-y表示橫向參考值與重新搭建的重塑后位置的橫向誤差。λerr=λtrj-λj表明了在橫向位置和重建位置的偏航角誤差。

由于車輛控制系統的非線性行為，人們采用了增益調度方法，可以同時使用前反饋增益系數Kff和后反饋增益系數Kjb，適用于當前速度和最大橫向加速度ay,max。詳細信息可以在文獻中找到。

4 結語

文章闡述了一種全新的行人主動避撞系統，它包括行人檢測、環境分析、策略制定與車輛控制系統。行人檢測系統融合了兩種互補的檢測模式：單幀行人識別與運動目標檢測；環境分析系統則建立在數據模擬的基礎上，這種模擬利用了多項式模型，可以計算更復雜以及開放的車輛路徑。策略制定涉及到監測連續的碰撞時間、剎車時間與轉向時間的測量值，并且關于轉向規避機制，進行了專門的優化。

[1]D.M.Gavrila and S.Munder,“Multi-cue pedestrian detection and tracking from a moving vehicle,”IJCV,vol.73,no.1,pp.4159,2007.

[2]N.Dalal and B.Triggs,“Histograms of oriented gradients for humandetection,”in Proc.of the IEEE CVPR,vol.1,2005,pp.886893.

[3]U.Franke and A.Joos,“Real-time stereo vision for urban traffic sceneunderstanding,”in Proc.of the IEEE IV,October 2000,pp.273～278

[4]U.Franke,C.Rabe,H.Badino,and S.Gehrig,“6d-vision:Fusion of stereo and motion for robust environment perception,”in Proc.of the DAGM,2005,pp.216;223.

[5]H.Badino,“A robust approach for ego-motion estimation using a mobile stereo platform,”in 1st Int.Workshop on Complex Motion(IWCM04),Guenzburg,Germany,October 2004.

[6]C.Tomasi and T.Kanade,“Detection and tracking of point features,”Tech.Rep.CMU-CS-91-132,1991.

[7]H.Hirschmueller,“Accurate and efficient stereo processing by semiglobal matching and mutual information,”in Proc.of the IEEE CVPR,vol.2,June 2005,pp.807;814.

[8]Mahalanobis,Prasanta Chandra(1936)."On the generalised distance in statistics".Proceedings of the National Institute of Sciences of India 2(1):49–55.Retrieved 2012-05-03.

[9]U.Kiencke and L.Nielsen,Automotive Control Systems:For Engine,Driveline and Vehicle.Springer-Verlag,2000.

[10]H.Fritz,“Vorrichtung zur Durchf¨uhrung eines Fahrspurwechsels.”German Patent DE 100 12 737 B4,2001.

[11]“Verfahren und Vorrichtung zur Kollisionsvermeidung f¨ur ein Fahrzeug durch Ausweichen vor einem Hindernis.German Patent Disclosure DE 10 2009 020 648 A1,”German Patent,2009.