多傳感器信息融合技術在智能駕駛系統中的應用

　　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，但當道路彎曲時，探測的信號將不完全可靠，有時還會有探測的盲點或產生錯誤報警。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相平面一個很小的區域時，仍不能得到滿意的結果。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為圖像中對比度的最大值部分且其方位應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。但是當道路的真實邊緣非常接近障礙的邊緣時，隱藏技術則失效。

　　為了使隱藏技術有效，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變為可以在小范圍內變化的參數。新的似然函數由LOIS的似然和探測障礙的似然融合而成。它使用七維參數探測方法(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果。其公式如下:

　　式中，Tb、Tl、Tw為相平面內矩形模板的底部位置、左邊界和寬度的三個變形參數，[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為相平面內一個路寬的值(3.2m)。tan-1的壓縮比率在相平面內不小于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在智能駕駛系統(ITS)中的使用極大地提高了系統的穩定性和安全性，各種融合算法也都從不同方面更好地改善了系統的性能，但目前仍存在如何降低成本的問題，這對于ITS系統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。