路径识别和路径跟踪技术研究综述*

2018-01-27□代天□李军

装备机械 2018年4期

□代天 □李军

重庆交通大学机电与车辆工程学院重庆 400041

1 研究背景

随着人工智能技术的快速发展，路径识别和路径跟踪技术在移动机器人、弹道导弹、无人机等领域都有了广泛的应用，如移动机器人的自主无碰行动与自动驾驶避障行为、弹道导弹对目标的打击、无人机空中执行任务的飞行避障能力等。虽然路径识别和路径跟踪技术在智能领域取得了一些进展，但是依然存在诸多问题，如在视频目标跟踪时，针对变形非刚体跟踪目标，往往很难建立外观特征模型，多个跟踪目标之间相互遮挡跟踪路径，光照变化、雨雪天气等环境因素也会对跟踪目标有影响。

将移动机器人、智能车、弹道导弹等其它领域的路径识别和路径跟踪技术应用于自动驾驶汽车上，利用移动机器人视觉分析避障的路径识别方法解决自动驾驶中最优避障路径的选取，使自动驾驶车辆能更准确、快速地对目标进行识别和跟踪，从而提高自动驾驶汽车的鲁棒性、稳定性、可靠性。

2 路径识别技术

2.1 移动机器人

移动机器人普遍采用基于视觉的路径识别方法，如李军锋等[1]介绍的视觉导航路径识别方法。这一方法首先对摄像头采集到的图像采用2Cg-Cr-Cb颜色因子进行光照干扰处理，采用混合阈值法对作物行进行分割；然后采用基于最小二乘法的行偏移行中线法，拟合得到两个作物行的直线方程，并求取这两条直线的中线，即得到导航路径。这一方法有效地解决了农业机器人在路径识别中存在的光照影响、识别率低、耗时长等问题。刘欣等[2]介绍了基于视觉分析的最优避障路径识别方法。这一方法基于粒子滤波器即时定位与地图构建方法对避障路径信息进行降噪滤波处理，并采用适应度函数对避障进行排序，引入视觉分析法识别排序后的避障路径，从而实现对最优避障路径的有效识别。这一方法解决了传统机器人在避障路径识别方法中存在的识别准确率低、误差大、效率低等问题。

总体而言，基于视觉的路径识别技术在移动机器人上有较高的识别率。

2.2 智能车

目前路径识别技术应用最多的是智能车，不同学者针对不同的识别问题，提出了不同的识别方法，常见的有基于视觉的路径识别方法、基于传感器的路径识别方法。

陈昊[3]介绍了视觉导航路径识别方法。这一方法首先对摄像头采集到的图像采用改进的快速中值滤波算法进行预处理，其目的是消除孤立的噪声点；然后采用最优阈值分割算法对图像进行二值化处理，将导航路径从图像背景中分割出来，以得到边缘信息；最后利用形态学分割技术中的腐蚀算法对图像中白色路径两边的白斑进行滤除，并利用膨胀算法对白色路径内部进行扩张，将白色路径中存在的黑色孔洞和细长沟壑用白色进行替代，从而实现路径修补的作用。这一视觉导航路径识别方法使噪声明显降低，图像质量明显提高。张毅等[4]介绍了视觉导引智能车的自适应路径识别方法。这一方法首先采用最大类间方差法计算出图像分割的最佳阈值，并利用阈值二值化灰度图像；然后提取二值化图像中的道路中心线，得到自动驾驶车辆在道路中所处的位置信息；最后利用线性回归方程对丢失的道路边缘图像拟合直线，根据图像特征完成路径识别。这一方法有效提高了不同路径的识别率，以及对外界灯光环境的适应性。

程亚龙等[5]介绍了基于互补金属氧化物半导体（CMOS）传感器的智能车路径识别方法。这一方法首先对CMOS传感器采集的图像进行亮度调节和最佳阈值选取；然后采用边缘检测算法提取道路中心线；最后以选取的中心点为控制点，采用加权最小二乘法拟合出一条直线，根据拟合直线的斜率判断当前自动驾驶车辆与道路的夹角，由直线的截距判断自动驾驶车辆与道路的偏离情况，从而完成路径的识别。这一方法能使智能车快速有效地实现对路径的准确识别。王玲玲等[6]针对赛道参数，提出了基于激光传感器的路径识别方法。这一方法以激光管作为路径识别传感器，当激光管发射激光照射跑道时，由于跑道的白色部分与黑色部分具有不同的反射强度，此时可根据激光接收管接收到的光线强弱，设计相应的硬件电路。将读取的信息根据激光头的排列依次存入相应的存储位置，并根据所得的信息提取黑线，从而达到对路径进行识别的目的。这一方法在智能车上具有较好的稳定性和可靠性，但激光传感器有易受外光源干扰、受限于道路信息、易损坏等缺点，比较适合于检测道路中路障等额外道路信息。林辛凡等[7]介绍了基于光电传感器的路径识别方法。这一方法通过普通输入输出端口将接收管电压读入单片机，根据端口输入的高低电平逻辑来判断传感器是否处于路径标记线上方，再筛选出所有处于标记线上方的传感器，便可以大致判断车身相对于道路的位置，从而确定路径信息。这一方法消除了传感器间隙的盲区，实现了连续的路径识别。除了COMS传感器、激光传感器、光电传感器识别路径之外，还有一种方法是将多个传感器的信息进行融合，如武历颖[8]介绍的多传感器信息融合识别方法。这一方法首先对激光雷达三维数据进行分析，提取障碍物块位置信息、深度信息及相对本车速度；然后通过激光雷达坐标与图像像素坐标之间的对应关系，将障碍物块投影到图像中，确定前方车辆感兴趣区域；最后通过密集扫描提取区域子窗口，利用级联分类器完成前方车辆的识别。这一方法有效地解决了单个传感器信息检测不可靠的问题，提高了系统对前方车辆的检测精度、可靠性及实时检测能力。

基于视觉的路径识别方法与基于传感器的路径识别方法原理相似，都是对采集到的图像利用计算机进行灰度化、二值化、去噪等处理，但所用的硬件设备及在处理过程中用的方法则有所不同，如前者的硬件是摄像头，后者利用的是传感器，因此，这两者方法所得到的识别效果也有所不同。对上述实例进行分析比较，可以了解基于视觉的路径识别方法在光照强度不足、目标相互遮挡等复杂环境下对智能车具有较好的识别效果，而基于传感器的路径识别方法则具有快速、稳定的优势。

3 路径跟踪技术

路径跟踪[9]的目的是通过不断产生速度和转向命令来补偿跟踪误差，从而自主驱动移动机器人的路径。路径跟踪的整个过程是由控制器来执行的，而控制器的设计又是通过算法来实现的。笔者对路径跟踪算法在弹道导弹及其它领域的应用进行分析，并对各种路径跟踪算法在自动驾驶汽车上的应用进行探索。

3.1 弹道导弹

薛高茹等[10]介绍了基于期望最大化的跟踪算法。这一算法首先在E步基于平滑器得到状态和未知参数的后验估计，然后在M步计算初始状态的均值、协方差及过程噪声协方差等未知统计量，最后推导出基于平滑建议分布函数的期望最大化算法，并给出未知统计量的最优解析解。这一算法与普通期望最大化算法相比，避免了非凸优化难以求解的问题；与传统算法相比，不需要依赖先验参数的假设，提高了未知弹道参数下主动段目标跟踪的精度。仵浩等[11]介绍了基于线性分配方法的多假设跟踪算法。这一算法首先依据测量值和目标构建多个假设的匹配对，计算所有匹配假设的概率，进而依据概率确认并选择最优的匹配假设，完成测量值与目标之间的关联；然后构建关于线性分配的关联假设，采用多假设筛选技术[12]计算所有关联假设的概率；最后根据线性分配选出的最大概率的关联假设，在多目标跟踪第k+1步得到的侧量值和第k步跟踪好的目标之间进行数据关联，从而实现目标的跟踪。这一算法对邻近发射和轨迹交叉的多弹道导弹目标具有较好的跟踪能力，但由于是在简化模型及一些假设的条件下进行的，因此在跟踪性能方面有所不足。

上述两种路径跟踪算法在路径跟踪过程中均取得了一定的效果，如果将应用于弹道导弹上的路径跟踪算法巧妙地应用于自动驾驶汽车上，将会使自动驾驶技术迈向新的台阶。

3.2 其它领域

王爱平[13]介绍了基于增量式极端随机森林（IERF）分类器的视频目标跟踪算法。这一算法首先在第一帧视频图像中选择目标区域，提取正负样本，训练IERF分类器；然后采用半监督学习理论中的协同训练框架，为IERF分类器提供大量无标记样本，以完成增量学习；最后将两个特征空间IERF分类器各自产生的一幅置信图整合成为一幅置信图，并利用连续自适应均值算法[14]确定目标物体的位置。这一算法有效地解决了小样本数据流的在线学习问题，对视频、在线多目标等能进行有效的跟踪。徐小良等[15]介绍了基于测量新息量化策略和容积粒子滤波的目标跟踪融合算法。研究人员首先利用状态方程恒等变换和矩阵相似变换理论解除过程噪声、测量噪声，以及测量噪声之间的相关性；然后各个传感器节点采用自适应策略量化局部测量新息，并将其发送到融合中心；最后在集中式融合框架下，采用容积粒子滤波器设计基于测量值扩维的量化融合跟踪算法，进而给出相应的顺序滤波量化融合算法。这一算法有效解决了因自适应量化引起的非高斯问题，从而提高了跟踪算法的有效性。

上述路径跟踪算法，其原理虽然不同，但是对目标的跟踪达到了相同的稳定效果。

陈霄等[16]介绍了自适应路径控制算法。这一算法基于坐标变换解除控制输入与欠驱动运动自由度的耦合，利用级联系统控制器设计思想，分别设计自适应位置误差控制律和艏向角误差控制律。其中，自适应位置误差和期望艏向角控制律中前视距离和积分增益都以位置误差为函数的时变量，通过自适应估计并补偿外界扰动造成的侧滑角，从而获得对位置误差的整定。艏向角误差利用动态反馈线性化比例微分控制方法，根据滤波后的连续平滑信号进行整定。这一算法对目标具有较好的路径跟踪效果和动态性能。邵俊恺等[17]介绍了强化学习自适应比例积分微分（PID）路径跟踪控制算法。这一算法推导自动驾驶车的运动学模型，根据模型建立实际行驶路径与参考路径偏差的模型。以PID控制算法为基础，设计基于强化学习的自适应PID路径跟踪控制器。这一控制器以横向位置偏差、航向角偏差、曲率偏差为输入，以转角控制量为输出，通过强化学习算法对PID参数进行在线自适应整定，实现路径跟踪控制的智能化。与传统PID控制器相比，强化学习自适应PID控制器能够有效减小超调和振荡，实现精确跟踪路径，并可以较好地实现系统动态性能和稳态误差性能的优化。郑泽伟等[18]介绍了自适应模糊路径跟踪控制算法。这一算法首先基于飞艇的平面运动模型设计路径跟踪控制律，包括制导律计算、偏航角跟踪和速度控制三部分；然后构造直接自适应模糊控制器逼近路径跟踪控制律中的不确定项，从而实现飞艇跟踪给定的期望路径，降低跟踪误差。这一算法有效地抑制了外部干扰因素，实现了对期望路径的跟踪。

杨迪等[19]介绍了神经网络自适应路径跟踪控制算法。这一算法首先根据运动学误差方程和线性变换，确定辅助的前进速度和艏摇角；然后利用神经网络逼近技术对模型中任意不确定因素进行补偿，设计自适应控制律，使实际的前进速度和艏摇角分别收敛至辅助值。这一算法应用李雅普诺夫函数证明船舶路径跟踪闭环系统的误差信号最终一致有界，从而提高了路径跟踪控制的鲁棒性。

通过对不同领域的路径跟踪算法进行分析，可以确认不同的路径跟踪算法虽然有所区别，但是对于目标的跟踪在鲁棒性、稳定性、可靠性方面都有独特的优势。

4 在自动驾驶中的应用

4.1 路径识别技术

李亮等[20]针对视觉导航路径识别问题进行研究，在MATLAB软件中对彩色图像采用最大类间方差法进行预处理，并采用面积去噪、水平投影等特征点提取方法，实现对临时特定路径的识别功能。周涛涛等[21]为了提高视觉导航自动导引运输车在运行过程中对路径标志符识别的可靠性和实时性，设计了实际应用中常见的几类标志符，并针对这些标志符提出了一种基于形状特征的识别算法。季聪[22]针对智能汽车在复杂未知环境下的路径识别和车辆在结构化道路及非结构化道路下的车道线识别与提取问题，提出基于双目视觉方法对路径进行识别。李进[23]针对智能车辆路径导航直线模型的缺点，提出了只对两个感兴趣区域进行处理、将识别出的路径近似为直线段，以及改变智能车辆路径识别流程的方法，这一方法不仅提高了图像处理速度，而且保证了图像识别的鲁棒性和实时性。

4.2 路径跟踪技术

焦纪超[24]针对传统纯跟踪算法的缺点，提出了一种可变预瞄距离的路径跟踪算法。这一算法在纯跟踪算法的基础上，利用模糊推理方法，将车辆的速度和加速度作为输入，将预瞄距离作为输出，并制订合理的隶属度函数和控制规则，实时根据车辆的状态计算出合理的预瞄距离，从而保证路径跟踪的准确性和车辆的稳定性。王纪伟等[25]针对自动驾驶汽车的路径及速度跟踪控制，提出了一种模糊免疫PID控制方法。这一方法通过比较自动驾驶汽车实际行驶路径与期望路径的侧向偏差，采用模糊免疫比例路径跟踪控制器控制转向机械手，进而操纵方向盘；通过计算期望车速与实际车速的偏差，采用模糊免疫PID速度跟踪控制器控制油门踏板；最后通过车辆的侧向加速度增益，实现车辆转向控制与纵向车速控制的解耦。刘玉杰等[26]针对轨迹碎片问题，提出基于状态预测和运动结构的在线多目标跟踪算法。这一算法利用运动结构实现目标空间位置的对齐，采用多特征融合进行相似度计算，然后和未关联目标测量结果进行相似度匹配，从而完成轨迹的恢复。