基于单传感器的智能车辆前车识别方法研究

马薇

摘要： 前车识别是智能车辆的重要功能，需要合理进行功能实现，提高前车识别的效率，保障车辆能够安全行驶。基于此，本文将从前车场景、车路模型、识别算法、前车跟踪、智能体系等方面对智能车辆的前车识别方法进行分析，提高前车目标识别的效率，使车辆具有完善的识别算法，提高前车识别的精度。

Abstract： Front vehicle recognition is an important function of intelligent vehicles. It needs to be implemented reasonably to improve the efficiency of front vehicle recognition and ensure that the vehicle can drive safely. Based on this， this article will analyze the front vehicle recognition method of smart vehicles from the front vehicle scene， vehicle road model， recognition algorithm， front vehicle tracking， intelligent system， etc.， to improve the efficiency of the front vehicle target recognition， so that the vehicle has a complete recognition algorithm， Improve the accuracy of vehicle identification.

关键词： 单传感器;智能车辆;前车识别

Key words： single sensor;intelligent vehicle;front vehicle recognition

中图分类号：U472.43                                      文献标识码：A                                  文章编号：1674-957X（2021）24-0230-03

0  引言

随着传感技术的发展，该技术被应用到了前车识别中，促进了智能车辆的实现。在前车识别的作用下，可以提高车辆对环境的感知能力，道路车辆状况进行判断，根据前车识别获得的数据对车辆形式过程进行决策，使车辆形式过程中与前车保持足够的车距，降低交通事故发生的几率。

1  单传感器的智能车辆前车识别方法概述

对于智能化车辆，需要具有较强的前车识别能力，避免与前车发生碰撞，提高车辆行驶的安全性。在识别技术方面，可以采用单传感器进行识别，对目标图像进行拍摄，再对前车图像进行处理，进而获取前车的信息。通过单传感器，可以对前车进行实时检测，保证图像传递的效率，有助于前车识别的精度控制。在前车识别过程中，需要注重控制算法的应用，建立前车的目标模型，提高对前车的感知能力，提高识别方法的有效性。前车识别需要具备完备的感知模块，能够对不同的车辆场景进行分析，降低外界环境对识别过程的影响，保障车辆识别的效果。图像处理是实现车辆识别的关键，需要注重核心算法的应用，做好图像的去噪工作，使图像更加的清晰，同时需要做好遮挡目标的处理，对前车行为进行准确地预测，提高前车识别的可靠性[1]。

2  单传感器的智能车辆前车识别方法分析

2.1 前车场景分析

2.1.1 强制换道

车辆行驶过程中，前方车辆将会从旁道汇入，对后方车辆造成一定的影响，导致后车容易发生碰撞的事故。同时，车辆行驶过程中，还需要进行紧急避障，对车辆的判断具有较高要求，应严格地做好减速控制工作，才能成功地躲避障碍。强制换道对车辆的影响较大，需要对该场景进行分析，对车辆的行为进行判断，使前车场景能够融入其中，保障前车识别的有效性。通过对前车进行识别，有助于强制换道过程的进行，确保强制换道的安全性，使车辆能够更好地对强制管道场景进行应对，使车辆能够顺利地完成换道操作。

2.1.2 自由换道

自由换道出于驾驶者的意愿进行决定，如提速、降速等，使车辆能够完成换道行为，进而完成车辆的驾驶任务。自由换道需要驾驶者具有良好的判断力，对前车间距判断具有较高的要求，这样才能降低换道的风险。通过前车识别，可以辅助驾驶者对换道需求进行判断，使驾车者能够对车距、车速进行控制，降低车辆换道过程发生碰撞的风险，使车辆具有良好的驾驶状态。车辆是否换道可由决策系统进行判断，通过前车识别对换道方案进行调整，使车辆满足安全的换道条件，保障车辆能够正常行驶。

2.1.3 周车随機性

前车运行状态具有随机性，需要驾驶者具有较高的判断能力，在保持一定车距的情况下，时刻对前车未来的行驶轨迹进行判断，提高车辆控制的稳定性。速度变化、换道意图等，均属于车辆的随机性行为，一旦对前车的行驶状态判断错误，将会导致交通事故的风险增加，因而需要对周边车辆的行为进行判断，对车辆进行合理地控制。通过前车识别，可以对车辆行驶状态进行预测，提供驾驶者如何对车辆进行控制，确保驾驶者具有足够的反应时间，对周车随机性采取有效的应对措施，保障智能车辆具有良好的感知能力[2]。

2.2 车路模型构建

2.2.1 车辆模型

为了对前车进行有效识别，需要做好车辆模型的研究工作，对前方车辆进行建模，同时做好模型的简化工作，使车辆识别更加地具有针对性。在模型简化过程中，应忽略空气阻力、轮胎变形、机械磨损等方面的影响，这样便可以对车辆模型进行简化，使其可以看作是一个两轮摩托车模型，便于对车辆运动状况进行分析。将车辆的行进方向作为x轴的正方向，水平向右为y轴的正方向，由原点垂直向上为z轴正方向，这样便建立了车辆的空间模型。其中，车辆转向过程可以看成是车辆围绕z轴旋转，便于对前车换道过程进行分析。坐标是描述前车状态变化的关键，需要合理地进行构建，保障前车能够得到有效识别，保障车辆模型构建的完整性。

2.2.2 感知信息

智能车辆由单传感设备进行感知，对前车的行驶状态进行获取，为车辆行驶提供依据。单传感识别过程中，需要对雷达设备进行应用，便于对前车距离、方位角、速度等信息进行判断，对其形成清晰的感知，进而使车辆能够作出正确的决策。感知信息是前车识别的重要功能，决定着车辆的智能化水平，需要合理地感知体系进行构建，使传感设备能够充分地发挥作用。在传感设备方面，需啊哟注重车道标记传感器的应用，为智能车辆建立完善的虚拟检测线，这样有助于检测标志的识别，使智能车辆与前方车辆能够建立联系，提高对车辆的识别效果。通过车道标记传感器，有助于相对距离的判断，进而加强车辆行驶的决策能力。

2.2.3 坐标变换

在车辆运动描述过程中，需要做好坐标变换工作，便有通過坐标对车辆的换道场景进行描述，处理好本车、周车、道路之间的关系。车辆变换采用Frenet坐标系，可以对道路上整体车辆进行描述，并且便于对弯道情况进行处理，能够提高坐标的转化效率，使坐标的求解过程更加的方便。车辆行驶过程中，具有参考轨迹和行驶轨迹，有助于对车辆行驶过程进行预测，使前车状况得到精准地判断，提高前车的识别效率。Frenet坐标系不仅可以反映出车辆与车道之间的关系，还可以对相对距离、速度、加速度等进行分析，保障与真实的换道场景相符，提高智能车辆对前车的判断能力[3]。

2.3 前车识别算法

前车识别需要采用目标检测算法，提高对目标状态的识别效率，保障算法的精准程度。在识别算法方面，需要注重机器学习与深度学习算法的应用，使车辆具有良好的检测环境基础，使算法能够得到正确地应用。前车识别过程中，需要注重YOLO算法的应用，对前车的原始图像进行处理，将原始图像划分成500×500等大的单元格，对车辆的所在区域进行预测，进而对前车进行识别。同时，需要注重神经网络算法的应用，采取多维向量的形式，对前车目标进行全面预测。在预测过程中，需要对目标的置信度进行检验，提高目标预测的真实性，对图像特征进行精准地识别，保障网络中相邻物体的检测效果。在网格结构方面，需要注重特征图的分析，建立13×13×1024尺寸的特征图，使前车目标能够实现分层预测，进而提高前车识别算法的可靠性。

2.4 前车跟踪处理

2.4.1 循环偏移采集

为了对前车行驶状况进行实时跟踪，需要注重循环偏移采集的应用，对前方车辆图像进行实时采集，对车辆行驶状态的样本进行构建，使前车识别过程具有充分的依据。在前车目标采集时，需要采用循环采集的形式，如目标区域为x=[x1，x2，...，xn]T，需要经历n次循环得到n个偏移向量。通过这种方式，便可以对目标区域进行处理，使目标区域x能够形成样本集，便于对样本进行统一处理，并且对样本信息进行简化。同时，需要做好目标样本的训练工作，使其能够学习车辆的目标，提高算法的执行速度。

2.4.2 分类器训练

分类器是对样品进行训练的关键，需要做好分类器的处理工作，赋予目标样本相应的权重，对样本数据形成精准地判断。分类器需要依据训练样本和回归值进行处理，训练样本表示为{xi|i=1，2，...，n}，回归值表示为{yi|i=1，2，...，n}，这样便完成了回归器的构建。分类器是对前车跟踪处理的关键，为了对目标进行简化，一般采用循环矩阵进行求解，提高分类器构建的合理性。

2.4.3 目标位置检测

前车跟踪过程中，需要做好目标位置的检测工作，通过图像前后帧画面的变化，对前车目标位置变化进行判断，同时可以对变化趋势进行评估，对目标的位置进行全面地判断。目标位置检测的重点在于前后帧的识别，需要根据循环偏移采集得到的样本信息进行判断，对检测样本{zi|i=1，2，...，n}，zi=Piz进行构建，对目标位置进行准确地分析，对目标进行精准地识别。

2.4.4 目标遮挡处理

前车识别过程中，存在着目标遮挡的现象，将会对目标识别过程造成一定的影响，因而需要做好遮挡处理工作，保障车辆能够稳定地对前车进行跟踪。可以对目标形成遮挡作用的障碍物包括树木、行人等，将会影响到前车跟踪的稳定性，需要降低障碍物的干扰作用。对目标遮挡处理时，一方面，需要判断目标是否存在遮挡情况，为此，需要对目标图像前后帧进行对比，以无遮挡的图像作为标准图像，这样便可以对遮挡情况进行判断。另一方面，目标遮挡会影响前车的跟踪效果，需要根据标准图像对遮挡部分进行补充，降低遮挡部分对前车识别的影响，构建完善的前车识别条件，提高目标遮挡处理的有效性[4]。

2.5 智能体系构建

2.5.1 观测量输入

观测量是前车识别的重要数据，是实现车辆状态判断的关键，需要严格地对路面状况进行分析，使前车识别过程更加的智能化。观测量主要包含以下三个方面：第一，本车状态。本车具有较多的状态信息，需要做好车辆信息采集工作，如速度、偏航角等。第二，旁车状态。情况与本车状态类似，需要对旁车信息进行采集，使两车的信息能够形成对比，提高智能车辆的识别控制效果。第三，路面信息。借助Frenet坐标系的作用下，对车辆的形式状态进行描述，使本车与旁车能够位于相同的坐标体系中，有助于车辆运行轨迹的精准预测，保障车辆能够顺利地完成换道，为车辆换道过程做出充分地指导。

2.5.2 动作量输入

动作量输入将会影响到本车的行驶状态，需要对动作量输入进行控制，对驾驶决策过程进行优化，提高车辆驾驶的质量。动作数据需要根据前车的状态进行判断，应以前车的识别结果作为依据，使车辆能够对驾驶状态进行决策，使动作输入量得到有效地控制。动作数据量包括方向盘转角、加速度等，需要根据牵扯到的状态进行调整，使车辆的行驶状态更加的可靠。

2.5.3 奖励函数

奖励函数是对驾驶指令进行判断的关键，需要做好奖励函数的构建工作，对驾驶决策进行全面地评估，对决策的质量进行控制。驾驶决策由车辆行驶的安全性、舒适度、效率等组成，需要将其考虑到奖励函数中，使价值决策能够更好地投入使用。另外，不同驾驶者在驾驶决策上存在着一定的差异性，还应将驾驶者的驾驶习惯考虑在内，使决策算法更加的可靠，确保驾驶者能够做出正确的决策。

2.5.4 神经网络

在智能体系构建中，需要注重神经网络算法的应用，通过神经网路对图像数据进行训练，提高对图像的识别能力。在智能识别过程中，需要注重神经网络之间的配合，使各个神经元之间能够稳定地工作，对前车行为进行准确地识别，进而使车辆能够作出智能化的决策。在智能体系中，需要注重演绎网络与评价网络的实现，对于演绎网络，可以对车辆的运行状态进行分析，提高车辆的智能决策能力，使驾驶者能够顺利地完成驾驶。对于评价网络，可以对决策状态进行评价，提高驾驶决策的合理性，保障驾驶操作的规范性。

2.6 换道场景仿真

2.6.1 無障碍弯道

场景仿真在Frenet坐标系环境下进行，需要根据实际情况展开模拟，保障仿真结果的有效性。车辆行驶过程中，有着大量的弯道，需要做好弯道场景仿真工作，在弯道中对前车识别效果进行检验，对无障碍弯道场景进行验证。为此，需要设计一段弯道，令弯道弧长100m，曲率半径为200m，使车辆由直线逐渐汇入弯道，并且使前后车保持一定的距离，创建无障碍弯道的汇入条件。车辆形式过程中，沿着中心线进行过弯，对车辆的形式轨迹、方向盘转角、形式速度进行观察，对车辆的行驶状态进行判断。在仿真过程中，需要注重监测点的截取，数量上不少与500个，对车辆行驶情况进行全面采集。仿真结果表明，在前车识别系统的作用下，车辆可以顺利地通过弯道，并且与前车保持足够的距离，同时对弯道速度形成有效控制，使车辆能够沿着中心线行驶，对车辆实施稳定的控制[5]。

2.6.2 静止障碍物

车辆行驶过程，会遇到障碍物掉落的情况，一方面，会影响对前车的识别，影响对车距的判断。另一方面，会对车辆的行驶造成影响，需要做好障碍物的躲避工作。静止障碍物在直道上进行模拟，前后车距为60m，障碍物落地稳定后，障碍物距离后车50m，此时，后车应对障碍物采取躲避决策，同时，又要考虑前车的车距。当遇到障碍物时，车辆需要缓慢采取减速措施，并且对方向进行调节，保障车辆能从障碍物旁侧顺利地通过。在前车识别的作用下，可以检测到障碍物的距离，检测时间在0.5-1.0s之间，对障碍物具有较强的识别能力，并且使车辆能够迅速地作出决策，在距离障碍物20m之间完成了躲避过程，表明前车识别系统具有较强的识别能力，保障车辆在存在障碍物情况下安全行驶，并且采取规范的操作手段。

2.6.3 前车紧急减速

前车的速度变化由驾驶者决定，后车需要时刻注意车辆速度的变化，随着前车的速度变化进行调整，保障车辆之间能够保持一定的距离。为此，需要对车辆跟随的减速场景进行模拟，对智能车辆的前车识别能力进行检验。减速场景在直线车道上进行仿真，两车速度为50km/h，保持50m的间距行驶，在匀速形式过程中，两车的相对位置未发生变化，说明车辆可以尾随前者进行形式，可以稳定地对速度进行控制。当前车紧急减速后，前车识别系统可以在0.5-1.0s内对前车车速进行判断，确保后车能够及时采取减速操作，与前车能够保持足够的安全距离，避免发生追尾事故。实际上，前车减速后，两者可以始终保持50m±5m范围内，表面前车识别方法具有较强的实时性，可以对前车速度进行跟踪识别，保障车辆能够采取紧急制动措施，根据前车速度的变化进行调整，使车辆具有良好的制动条件。

2.6.4 前车紧急切入

车辆在行驶过程中，会遇到前方车辆换道的情况，前车会紧急切入前方，影响后方车辆的顺利行驶，增加追尾事故的风险。为此，需要对车辆紧急汇入的场景进行仿真，模拟前车汇入的条件，对前车识别方法的可靠性进行验证。前车紧急切入在直道上进行，车辆形式速度为20m/s，前车在另一车道形式，速度为15m/s，两者相距20m时前车紧急切入。前车识别系统可以在0.5-1.0s内识别到前方的车辆，在反应时间内，两者的距离将缩短2.5-5m，两者仍然可以保持15m以上的距离，此时，后车采取制动措施，对速度进行调节，保障前方车辆能够顺利地完成切入，表明前车识别可以对换道过程进行判断，保障车辆自身的安全性。

3  结论

综上所述，前车识别对于智能车辆较为重要，应做好前车识别技术的研究工作，将其应用到智能车辆中，确保车辆能够对前车进行有效识别，提高前车识别的效率。通过前车识别，可以对道路场景进行分析，在单传感器的作用下，对前车的图像数据进行采集，为车辆的行驶控制提供有效依据。

参考文献：

[1]张博森，陈学文.基于单传感器的智能车辆前车识别方法研究[J].汽车实用技术，2021，46（16）：33-36.

[2]何钢磊.换道场景下智能车辆意图和轨迹预测方法研究

[D].吉林大学，2021.

[3]黄灏然.多目标约束下的高速公路智能车辆换道行为建模[D].武汉理工大学，2020.

[4]梁德宝.基于周车随机性的智能车辆换道行为决策[D].吉林大学，2021.

[5]王硕.复杂环境下前方车辆行为识别方法研究[D].上海工程技术大学，2020.