自适应巡航控制系统中主目标车辆的识别与跟踪*

尚秉旭 朱 明 刘 斌 李红建

（中国第一汽车股份有限公司技术中心）

1 前言

车载雷达系统是自适应巡航控制（ACC）系统中特有也是最重要的传感器，直接关系到整体系统性能的优劣[1]。77GHz毫米波雷达由于实时性好、精度高、运行可靠、不易受天气等环境因素影响，被公认为是解决车载雷达探测问题的较好方案，目前在世界范围内已获得广泛应用，德国的博世公司、日本的Denso公司、美国的Eaton公司、Delphi公司均推出了相关产品[2，3]。

根据相关协议，在获取雷达信息之后，需要对其进行进一步处理，而准确识别与跟踪主目标车辆的运动状态是实现ACC的前提。传统ACC系统一般采取以下两个步骤完成对目标车辆的筛选，即首先利用横向距离阀值进行同车道区分，然后根据同车道最近原则选定有效目标[4]。但试验表明，在复杂的城市道路工况，以上算法的实际效果并不理想，远不能满足ACC系统需要。为此，文献[5]提出了 HORA（Hierarchical Object Recognition Algorithm）方法，文献[6]提出了生命周期算法，即通过对目标车辆参数的变化规则和当前状态设置生命周期的若干阶段，来进行相应目标信息的更新、预测和跟踪。这虽然能够实现目标检测，但其算法只能识别进入主车道的车辆并只适用于直道工况。文献[7]和文献[8]分别为智能车辆设计了雷达多目标识别算法，并且对弯道目标识别进行了补偿，但智能车辆需要冗余道路信息传感器并其算法较为复杂，不适用于产品开发。本文分别明确了有效目标车辆识别与跟踪的概念及其有关算法，完善了两阶段的切换过程，开发了基于CAPL语言的雷达数据处理程序，并通过指定的ACC测试工况给予验证。

2 目标车辆的初选

车载雷达可为ACC系统提供相对车速、相对车距和方位角等信息，而信号后处理以雷达功能为基础。本文选用美国Delphi公司的毫米波雷达，该雷达非常适合应用于ACC系统，同时具有中距离和远距离扫描能力。雷达自身带有多目标辨识能力，最多能追踪64个目标，即雷达提供的信息中已经包含了对目标物的聚类处理。

基于雷达信号的特性，通过对多目标的原始信息进行筛选，对目标车辆进行初步选择。在城市交通状况下，经实测一般会得到多达10余个目标，其中包括同车道及旁车道的车辆、道路旁的树木、指示牌、护栏，特别是因目标回波反射不均造成的虚假目标，都会对主目标的确定造成困难。因此首先利用横向距离区分阀值对雷达信号进行初步过滤，即通过目标是否与自车处于同一车道内来排除部分目标干扰，根据一般行车道的宽度，选取横向距离阀值为1.5 m。同时ACC系统主要考虑对运动车辆的车距跟随控制，通过引入自车车速，可有效过滤静止目标的干扰。因此雷达信息每次先经过以上两个步骤初选后，再进入有效目标的识别或跟踪阶段。

3 有效目标的识别

由于目标车辆的横向距离具有不确定性，初选中的横向距离区分阀值不能适用于所有工况，并且雷达波束衍射造成的虚假目标可能存在于同车道之中，因此需要在雷达信号初步过滤的基础上，通过基于历史信息的一致性检验，实现对有效目标的识别。

依据雷达的目标辨识能力，假设在雷达相邻更新周期内，待识别目标的运动状态不会出现较大变化，即 50 ms内获得的目标方位角 θt、相对距离dt、相对速度vt会保持在一定物理范围内，则有：

若t时刻的目标信息通过了一致性检验，则将其作为t+1时刻的衡量依据。同时有可能出现虚假目标在短暂时间内也满足一致性条件的情况，因此对所有符合一致性的目标设置了识别门限Tr，以增加目标识别的准确性。

下一步需要通过道路试验对3个阀值θ0、d0、v0进行最终选取。若阀值选取过大，会造成漏检和目标识别的滞后；若阀值选取过小，则经常发生雷达误警现象，需要在探测率和误报率之间作出权衡。

若同时识别出有两个以上的目标车辆出现，则根据同车道最近相对车距原则来判定其危险程度。经过以上步骤，即可快速准确的识别主目标车辆。

4 目标状态的跟踪

在确定有效目标后，即将其作为每次目标初选结果的一致性检验判断依据。由于跟踪过程相对识别而言其持续时间一般较长，车辆运动状态的起伏波动可能较大，因此一致性检验中选用相对宽松的阀值。

为了提高目标跟踪过程的准确性，利用卡尔曼预测对主车辆信息进行在线更新，假设加速度及角度变化率在周期内保持不变，对下一周期的车辆运动状态估计值为：

利用车辆状态的估计值可对短时间内由于车辆颠簸等原因引起的雷达信号异常或丢失进行补偿，可保证跟踪过程中雷达输出结果的连续性。若长时间目标跟踪丢失，说明前方有效区域内没有车辆或有新的目标车辆出现，需要退出现有跟踪重新识别主目标。因此，设置了跟踪门限Tt，对跟踪阶段主目标信息错误或丢失情况进行累计，当大于阀值Tt时需要进入目标识别与跟踪切换阶段。

5 目标识别与跟踪的切换

目标识别与跟踪阶段交替进行，对其切换时机的把握关系到雷达信息的真实性以及应用到ACC系统的可靠性。一方面，应尽量快速准确的识别前方目标新状况，不易受其他车道的车辆及障碍物干扰，以免因识别错误而发生跟踪目标频繁变换的情况；另一方面跟踪阶段不应有长时间的保持滞后，对前方车辆切出 （cut-out）和切入（cut-in）的情况具有一定敏感性，能及时正确的判断出目标变换。因此设置了切换门限Ts，当首次到达阀值Ts时，若有符合的新目标出现，则再次进行跟踪，否则继续识别主目标；当再次到达Ts后，根据识别结果决定是否进入跟踪阶段，依次循环。由于跟踪门限的设置本身会造成随后的切换延时，因此Ts会随进入切换阶段的时间线性增加。

6 弯道目标补偿

目前弯道半径的估计方法主要包括横摆角速度估计、转向盘转角估计、侧向加速度估计以及左右轮速差估计几种方法，虽然上述方法能近似确定曲率半径，但在不同工作条件以及灵敏度下其有效性不一致，如表1所示，因此综合考虑各种方法的有效性最终选择了基于横摆角速度估计的方法。

表1 弯道半径估计方法有效性比较

利用横摆角速度估计弯道半径的公式如下：

式中，dφ/dt为横摆角速度；Ry为道路的弯道半径；vx为车辆的纵向速度。

在图1中，主车行驶在半径为R的弯道C上，旁侧车道车辆出现在D点，其对应的道路圆心角为：

式中，φ为圆心角的半值；L为主车后轴至雷达安装点的纵向水平距离。

与旁车道目标对应同一圆心角的主车道轴线位置出现在E处，其和主车的横向距离df为：

此时，若有：

则说明目标车辆行驶在主车道轴线的右侧，ED即为横向相对距离dy，其值为：

纵向相对距离dx为：

利用上述方程即可实现弯道半径预测及弯道过程中纵向与横向相对距离的补偿。

7 验证试验

将雷达原始信号通过Cancase变成可编辑状态，然后采用CAPL语言编写的雷达信号识别与跟踪程序对目标进行处理，得出不同工况下的主目标车辆，并且可以实时在电脑上观测目标距离速度信息。测试系统架构如图2所示。

利用DGPS和雷达，分别按照中国第一汽车股份有限公司技术中心标准 《基于毫米波雷达的全速自适应巡航系统实车试验方法》中指定的ACC测试工况进行测试，选取直道两车相对匀速运动、直道前车加速驶离时两车的相对运动信息，对比结果如图3和图4所示。

利用横摆角速度进行弯道半径估计和弯道补偿后的侧向距离如图5所示。

由图3可以看出，基于本文设计算法得到的目标数据与基于DGPS测得的数据在趋势与数值上保持一致，目标数据精度能够达到0.5 m，符合ACC系统应用需求。由图4可以看出，在前车加速时两车相对距离增加，本文设计算法提供的数据与基于DGPS测试数据在时间维度上没有出现延迟，响应时间与DGPS的响应时间数量级一致 （低于10 ms）。同时，在车辆行驶过程中本文算法能够稳定识别并跟踪主目标车辆，在指定ACC测试工况中均未出现误识别及跟踪中断现象。由图5可以看出，在弯道行驶时能够准确估计弯道半径，并且对弯道侧向距离进行补偿，减少了弯道误识别以及漏识别工况的出现。综上所述，本文所设计的算法在数据准确性、响应时间以及工况适应性等方面都较原有算法有很大程度提高，从而为ACC性能提高奠定了基础。

8 结束语

基于CAPL的雷达数据处理单元实现了对雷达探测目标信息的获取，从中提取主目标车辆状态，为自适应巡航系统提供了相对距离和相对速度信息。通过与DGPS的差分定位数据进行实时对比可以看出，本文所开发的雷达数据处理单元定位准确、实时性高，可以满足ACC系统的精度要求。实车试验表明，在指定ACC测试工况下，所设计的算法仍能及时稳定的识别并跟踪前方主目标车辆，满足ACC系统的要求。

1 李克强,张磊,高峰,等.基于驾驶员行为特性的行车安全辅助系统研究.2005年国际公路研讨会论文集.北京:清华大学,2005:545～550.

2 党宏社,赵广社,韩崇昭.汽车巡航控制用传感器进展.传感器技术,2002,21（1）:1～3.

3 Woll J.VORAD collision warning radar.IEEE international radar conf.VA,USA,1995.

4 张景波.基于汽车防滑控制系统的自适应巡航控制系统研究：[学位论文].北京:北京理工大学,2004.

5 刘志峰,王建强,李克强.具有鲁棒特性的车载雷达有效目标确定方法.清华大学学报,2008（05）.

6 Choon Young Lee,Ju Jang Lee.Object Recognition Algorithm for Adaptive Cruise Control of Vehicles Using Laser Scanning Sensor.2000 IEEE Intelligent Transportation Systems Conference Proceedings.Dearborn （MI）,USA Octoberl－3,2000.

7 Dave Ferguson,Michael Darms,Chris Urmson,et al.Detection prediction and avoidance of dynamic obstacles in urban environments.2008 IEEE Intelligent Vehicles Symposium,June 4th－6th,2008,Eindhoven,Netherland,2008:1149～1154.8 Michael S Darms,Paul E Rybski,Christopher Baker,et al.Obstacle detection and tracking for the urban challenge.IEEE Transactions on Intelligent Transportation Systems,2009,10（3）:475～485.