高速公路全天候感知技術研究

譚屈山，楊 洋，王 俊，符劉旭，張珂溢，鐘愛平

（四川數字交通科技股份有限公司，四川 成都 610000）

0 引言

隨著經濟快速發展，人們對出行質量的要求越來越高，交通建設隨之不斷進步，道路干線網絡不斷完善。自20 世紀初，我國建成第一條高速公路——滬嘉高速公路以來，中國的高速公路建設取得了舉世矚目的成就[1]，2012 年年底，我國高速公路通車總里程達9.6萬公里，首次超越美國躍居世界第一[2]。到2021年年底，這個數據已刷新為16.91 萬公里[3]，繼續穩居世界第一。高速公路如此重要，因此保障高速公路順暢、高效的通行也越發重要。

交通信息感知作為交通信息基礎設施最為關鍵的功能之一，可為交通態勢預判、信號控制、車路協同、無人駕駛等交通應用場景提供重要的數據與決策支撐，是踐行“交通強國”戰略的基石。[4]基于此，本文將結合智慧高速建設特點，對高速公路全天候感知技術開展研究。

1 毫米波雷達感知技術

在智能交通和自動駕駛領域，攝像頭、激光雷達和毫米波雷達是常用的傳感器，而毫米波交通雷達是其中唯一的全天候傳感器。各傳感器之間的特性對比如表1 所示。

表1 智能交通常用傳感器對比

毫米波雷達除了受天線通道數影響，在角分辨率指標明顯弱于視頻和激光雷達外，幾乎在其他方面均有明顯優勢：在探測距離方面，毫米波雷達可以精準檢測和分析超過1000 米的長距離；同時，幾乎不受夜間及雨霧塵霾等惡劣天氣影響，顯著優于攝像頭和激光雷達，因此得到了交通領域的重視，在我國多個省市區的智慧高速試點中得到了廣泛應用。

交通毫米波雷達全要素感知可以涵蓋以下信息：

?車輛速度：交通雷達可以測量車輛的速度，對車輛行駛速度進行監測和控制，從而提高道路安全和交通效率。

?距離和位置：交通雷達可以測量車輛與雷達之間的距離，以及車輛在道路上的位置，從而提供更加準確的交通數據和信息。

?大小和形狀：現代交通雷達可以實現目標分辨和多目標跟蹤等高級功能，可以檢測車輛的大小和形狀，從而區分不同類型的車輛。

?車輛數量和流量：交通雷達可以通過檢測車輛的位置和速度，計算出通過某個區域的車輛數量和流量，從而幫助交通管理人員更好地掌握交通狀況，及時調整交通策略。

?交通事件：例如一些交通雷達可以檢測車輛是否停放在了不允許的地點，例如緊急停車道等，從而幫助交通管理人員及時處理違規停車情況。

本文針對現有毫米波雷達在交通行業應用中“看不遠”“看不準”“分不清”的三大痛點，研究開發了可以實現對乘用車定向探測距離超過1200 米、探測精度優于0.07°、分辨率優于0.5°的高性能交通雷達，比傳統的交通雷達擁有更遠的探測能力、更高的空間角分辨以及更優秀的測角精度。同時增加俯仰分辨能力，在復雜的部署環境下對門架、路牌等干擾具有較強的識別能力。

圖1 高性能毫米波雷達系統框架

圖2 交通毫米波雷達成都繞城高速部署

2 基于深度學習的三維目標檢測技術

面對復雜的道路交通場景，傳統檢測技術難以滿足精確的目標定位需求，從而存在一定道路安全隱患。此外，目標檢測技術是計算機視覺領域的一個重要研究任務，目的是通過分析圖像的數據內容快速檢測和分割出目標物體。因此，研究類視覺傳感器條件下的3D 目標檢測具有重要的意義。

盡管近年來點云三維物體檢測取得了快速進展，但筆者對三維目標檢測兩階段網絡進行研究發現，現有的兩階段方法不僅結構復雜，而且需要設計大量的超參數，缺乏靈活和高性能的方案。以往關于精細3D檢測的工作仍依賴于人工設計的組件，如關鍵點采樣、集合提取和多尺度特征融合等。

針對這些問題， 本文提出CT3D（Channel-wise Transformer for 3D Object Detection，CT3D）系統框架，包括一個RPN（Region Proposal Network，RPN）網絡、一個特征編碼模塊和一個基于Transformer 的候選區域修正網絡。首先利用RPN 網絡生成粗略的3D 檢測框，然后利用提出的Proposal-to-point 模塊將候選區域建議信息編碼到其周圍的點特征中，最后將候選區域周圍的點輸入到提出的Channelwise Transformer 網絡中，以有效提取整個候選區域的上下文特征，得到候選區域的置信度預測和粗3D 檢測框的回歸修正，有效地合并多層次上下文，有助于進行更準確的對象預測。大量實驗表明，CT3D 方法具有優越的性能和出色的可擴展性。在KITTI 數據集的3D 檢測基準數據集上，CT3D 實現了車輛檢測81.77%的AP，超過其他現有方法。

圖3 CT3D 系統框架圖

3 交通毫米波雷達為主的雷視融合架構技術

對于智慧高速數字孿生建設中的實時感知維度的毫米波雷達與相機的融合感知，因存在低時延同步匹配、全天候，國內外研究還鮮有在智慧高速場景使用以雷達為主軌跡，視覺提供語義匹配，從而實現全天候軌跡行為一致性、視覺非全覆蓋的區間覆蓋效果。筆者針對以上技術挑戰，創新式地提出了雷達為主的雷視融合感知體系，進一步提升了整套感知系統的實時性與感知能力。

以毫米波雷達為主的感知技術路徑，感知方案針對高速場景需求，設計了一套模塊化的感知框架，顯著提升了對夜間及惡劣天氣下的感知能力，有效解決了全天候感知的技術難題。如圖4 所示，毫米波雷達與相機在授時同步基礎上，基于高精地圖進行聯合標定，并分別執行目標檢測跟蹤算法策略鏈路，最終通過投影匹配，并完成多目標跟蹤。當白天光照及天氣良好時采用主毫米波雷達輔視覺的融合方案，當相機宕機、故障或夜晚能見度低時，感知體系以純雷達模式運行。

圖4 毫米波雷達為主的感知技術路徑

以交通毫米波雷達為主的雷視融合架構，解決了夜間和極端天氣下傳統感知方法失效的問題，筆者設計的雷視融合感知算法實際效果如圖5、圖6 所示，相較普通視頻目標檢測算法，本項目所設計實現的雷視融合感知算法可實現夜間（包括強光直射）、霧天等場景下的全天候高性能融合感知，穩定進行目標檢測及軌跡還原，展現了非常優異的低能見度感知能力，低能見度目標感知精度達到99.2%，顯著突破低能見度感知瓶頸。

圖5 四川成宜高速夜間、雨霧天低能見度下感知效果

圖6 四川成宜高速實時分割精細感知效果

4 結語

針對高速公路全天候感知應用需求，筆者設計了一種可滿足高速公路大范圍部署的高性能毫米波雷達，并實現了基于神經網絡模型的三維目標檢測技術，通過以毫米波雷達為主的雷視融合感知技術，解決了夜間和極端天氣下傳統感知方法失效的問題，通過毫米波雷達+視覺信息的有效結合，賦予了感知端全天候能力，實現了全國首個800 米長間距且具有軌跡接力能力的多傳感器全覆蓋方案，布設間距處于行業領先水平，有效降低了外場布設成本。設計的雷視融合感知算法可實現夜間、霧天等場景下的全天候高性能融合感知，穩定進行目標檢測及軌跡還原，低能見度目標感知精度達到99.2%，顯著突破低能見度感知瓶頸。