【正文】 絡(luò) [33]。這種方法的優(yōu)點(diǎn)是可以利用拓?fù)涮卣鱽砜s小搜索空間，它的復(fù)雜性僅僅依賴于障礙物的數(shù)目；但由于其表示的復(fù)雜性、特殊性使建立拓?fù)渚W(wǎng)的過程相當(dāng)復(fù)雜，智能車前方道路路況變化明顯，用該方法構(gòu)建路面環(huán)境較難實(shí)現(xiàn)。 可視圖法。該方法將智能車、目標(biāo)點(diǎn)和多邊形障礙物的各頂點(diǎn)進(jìn)行組合連接，并保證這些直線均不與障礙物相交，這就形成了一張圖，稱為可 視圖 [34]。這樣搜索行駛 路徑的問題就轉(zhuǎn)化為從起點(diǎn)到目標(biāo)點(diǎn)經(jīng)過這些可視直線的最短距離問題。但由于智能車轉(zhuǎn)向角度受到車體力學(xué)的限制，該方法在智能車上的運(yùn)用有效程度太低。 神經(jīng)網(wǎng)絡(luò)法。該算法 [35]是模擬大腦分析過程的簡(jiǎn)單數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)是一個(gè)高度并行的分布式系統(tǒng)，可以充分利用其非線性處理能力達(dá)到環(huán)境及障礙物辨識(shí)的目的。還可以完成智能車內(nèi)部坐標(biāo)和全局坐標(biāo)的快速轉(zhuǎn)換。它的最大缺點(diǎn)在于環(huán)境改變后必須重新學(xué)習(xí)．而智能車行駛路面是時(shí)時(shí)刻刻都在變化的，這在結(jié)構(gòu)化道路信息不完整或環(huán)境突變的情況下難以應(yīng)用。 柵格法 。 柵格法是由 W． E． Howd 在 1968 年提出的，它是基于柵第三章 道路環(huán)境建模方法研究 28 格地圖實(shí)施的決策方法，一開始是用以地面機(jī)器人的路徑規(guī)劃，后來又被其他研究者擴(kuò)展到機(jī)器人導(dǎo)航、避障控制、位姿估計(jì)等方面。它將機(jī)器人工作環(huán)境分解成一系列具有二值信息的網(wǎng)格單元，工作空間中障礙物的位置和大小一致，并且在運(yùn)動(dòng)過程中，該物 體 所占的位置和大小不發(fā)生變化。用尺寸相同的柵格對(duì)二維工作空間進(jìn)行劃分，柵格的大小以機(jī)器人自身的尺寸為準(zhǔn)。若某個(gè)柵格范圍內(nèi)不含任何障礙物，則稱此柵格為自由柵格，用 0 表示；反之，稱為障礙柵格，用 1 表示。柵格大多采用四叉樹或者八 叉樹表示工作環(huán)境，然后通過某種優(yōu)化算法在柵格圖中搜索一條從起始柵格到目標(biāo)柵格的路徑來完成路徑規(guī)劃，一般來說，路徑是用柵格的序號(hào)表示。 該方法最大的優(yōu)點(diǎn)是可以把道路識(shí)別和路徑?jīng)Q策分離，使得智能車研究人員能夠更好的分工合作，并且簡(jiǎn)單易于實(shí)現(xiàn)。但也存在問題， 柵格法以柵格為單位記錄環(huán)境信息，柵格的大小直接影響著環(huán)境信息存儲(chǔ)量的大小和規(guī)劃時(shí)間的長(zhǎng)短，如果柵格劃分大了，環(huán)境信息存儲(chǔ)量小，規(guī)劃時(shí)間短，但分辨率下降，在密集環(huán)境下發(fā)現(xiàn)路徑的能力減弱。如果柵格劃分小了，對(duì)障礙物的分辨能力比較高，在密集環(huán)境下發(fā)現(xiàn)路徑的能力強(qiáng)，但 環(huán)境信息存儲(chǔ)量大，規(guī)劃時(shí)間長(zhǎng)。對(duì)于大尺度環(huán)境，柵格地圖表示方法的一個(gè)最大難點(diǎn)就是在單元格分辨率與計(jì)算復(fù)雜度之間找到平衡。 本 章 嘗試使用該方法，并對(duì)其分辨率與計(jì)算量之間的矛盾加以適當(dāng)改進(jìn)。 在結(jié)構(gòu)化道路中，一般存在行人，車輛，路障和隔離帶等制約車輛行駛的障礙物體，它們有些是靜止的，但有些是移動(dòng)的。當(dāng)智能車車速不快的 情況下，在一定的短時(shí)間 T 內(nèi)（本文為 ms13 ），可以把移動(dòng)的障礙物近似 看作是靜態(tài)的，因此可以用柵格法構(gòu)建環(huán)境模型，從而實(shí)現(xiàn)動(dòng) 態(tài)環(huán)境下 路徑的實(shí)時(shí)規(guī)劃。然而智能車又不同于機(jī)器人，它體積比較龐大，移動(dòng)方向也有一定限制。因此本文在環(huán)境建模和路徑 搜索 中都對(duì)傳統(tǒng)方法加以改進(jìn)，針對(duì)智能車特點(diǎn)對(duì)其進(jìn)行環(huán)境建模與路徑 搜索 。 傳統(tǒng)柵格法道路環(huán)境建模 基于車身世界坐標(biāo)系下的傳統(tǒng)柵格圖的建立 傳統(tǒng)柵格地圖模型通常建立在笛卡爾直角坐標(biāo)系中：將猛士智能車世界第三章 道路環(huán)境建模方法研究 29 坐標(biāo)系原點(diǎn)作為柵格圖原點(diǎn)，即車頭正前方中心的初始位 置 點(diǎn)定義為坐標(biāo)原點(diǎn) )0,0( ，橫向右側(cè)方向定義為 X 軸的正方 向 建立笛卡爾 坐標(biāo)系。如圖 所示 。 將整個(gè)環(huán)境分割成邊長(zhǎng)相同的二維矩形柵格，柵格的邊長(zhǎng)根據(jù)智能車自身尺寸，速度和對(duì)環(huán)境表示的需要進(jìn)行綜合選取。然后，通過智能車車載激光雷達(dá)對(duì)環(huán)境的不斷識(shí)別，獲得二維環(huán)境中每個(gè)柵格的信息，表明它所對(duì)應(yīng)的物理位置是否有障礙物，是否為可行使區(qū)域，如果有障礙物就把該柵格稱為障礙柵格，為可行駛區(qū)域的稱之為自由柵格。 圖 世界 坐標(biāo)系下柵格圖的創(chuàng)建 圖 柵格圖的標(biāo)識(shí) 對(duì)于二維空間中劃分的柵格地圖 G 可以 用序號(hào)法 來標(biāo)識(shí)，如圖 所示 。以整個(gè)環(huán)境可識(shí)別區(qū)域的原點(diǎn)處柵格為柵格圖起始 )0,0( ，以橫向?yàn)?i 軸，縱向?yàn)?j 軸建 立柵格坐標(biāo)系，整個(gè)柵格坐標(biāo)系的坐標(biāo)單位長(zhǎng)度為柵格的單元長(zhǎng)度。 將整個(gè)柵格地圖對(duì)應(yīng)到柵格坐標(biāo)系中，設(shè) g 為任意柵格， 那么 g 在柵格坐標(biāo)系中有確定的坐標(biāo) ),( ji ， 則柵格地圖 G 可以表示為： },10),(|),({ NjZijigjigG ???????? () 其中 i 表示柵格所在的列數(shù)， j 表示柵格所在的行數(shù)， i 和 j 均是 整 數(shù)。0),( ?jig 表示該柵格為自由柵格， 1),( ?jig 表示該柵格為障礙柵格。 對(duì)于移動(dòng)實(shí)體，柵格法 把它抽象成一定大小的方格，把障礙物所占 有區(qū)域劃分到已經(jīng)形成的柵格中，并規(guī)定障礙物所占據(jù)的柵格數(shù)為整數(shù)。即柵格地圖中的每一個(gè)柵格要么全部被占據(jù)，為障礙柵格，要么沒有被占據(jù)，為自由柵格。 第三章 道路環(huán)境建模方法研究 30 傳統(tǒng)柵格法特點(diǎn)分析 傳統(tǒng)柵格法構(gòu)造柵格地圖的方法比較簡(jiǎn)單，它的優(yōu)點(diǎn)在于： (1)創(chuàng)建和維護(hù)柵格地圖相對(duì)容易，它利用形狀相對(duì)固定的網(wǎng)格單元來近似的覆蓋道路環(huán)境空間，每個(gè)柵格單元都有規(guī)則的邊界，所以分解柵格過程簡(jiǎn)單，容易實(shí)現(xiàn)，并且可以根據(jù)不同的要求來改變最小分 辨率，有很強(qiáng)的適應(yīng)性。 (2)對(duì)某個(gè)柵格的感知信息可直接與環(huán)境中某個(gè)區(qū)域?qū)?yīng)，而且能夠基本體現(xiàn)整個(gè)環(huán)境的各種信息。 (3)智能車對(duì)所 檢測(cè) 的障礙物具體形狀并不關(guān)心，這樣有利于處理激光雷達(dá)所識(shí)別的障礙物數(shù)據(jù)。 (4)借助柵格地圖可以把道路識(shí)別和路徑規(guī)劃相分離研究，并且對(duì)路徑 搜索 提供簡(jiǎn)單易實(shí)現(xiàn)的平臺(tái)。 同時(shí)傳統(tǒng)柵格法也有許多缺點(diǎn)： (1)無法解決算法精度和算法時(shí)間的沖突問題。如果道路環(huán)境比較復(fù)雜或精度要求比較高的情況下，柵格單元的數(shù)量較多，從而導(dǎo)致計(jì)算量和存儲(chǔ)空間迅速增長(zhǎng)，對(duì)中央控制設(shè)備硬件要求比較高。 (2)該 方法只 適 用于障礙物和無人駕駛車本身移動(dòng)速度不是很高的情況下，速度過快時(shí)由于決策時(shí)間過長(zhǎng)容易產(chǎn)生危險(xiǎn)。 下面給出傳統(tǒng)柵格法復(fù)雜度分析。影響智能車結(jié)構(gòu)化道路行駛最重要的參數(shù)就是道路環(huán)境中障礙物和道路邊沿的位置。設(shè) E 為障礙物或道路邊沿線在二維平面上的環(huán)境區(qū)域，其坐標(biāo)為 ),( DL 。 由上一章的論述可知 ，結(jié)構(gòu)化道路中路面寬度一般小于 30 米 ， 智能車城市道路安全距離一般最大規(guī)定為 80米，因此本文 可以認(rèn)為 ， 障礙物 E 所在范圍 受到式 ()，式 ()的約束 ： 此約束范圍為智能車結(jié)構(gòu)化道路識(shí)別感興趣區(qū)域，此區(qū)域又可劃分為直線行駛感興趣區(qū)域和避障行駛感興趣區(qū)域（彎道行駛也可以看成是車輛轉(zhuǎn)彎時(shí)的避障行駛）。本文規(guī)定避障行駛最大速度為 hkm/40 ，安全距離最大為m40 ；直線行駛最大速度為 hkm/80 ，安全距離最大為 m80 ；彎道行駛最大速度為 hkm/20 。 由此 可以規(guī)劃出智能車各種 狀態(tài)下感興趣區(qū)域分布情況，如第三章 道路環(huán)境建模方法研究 31 圖 所示 。 圖 智能車行駛感興趣區(qū)域 由以上分析 可以確定本文所進(jìn)行的實(shí)驗(yàn)中所識(shí)別的區(qū)域范圍最小為mm 8060 ? ，這些區(qū)域可以包含對(duì)智能車當(dāng)前狀態(tài)下決策產(chǎn)生影響的障礙物和道路邊沿信息。智能車避障行駛最大速度限制為 hkm/40 。而激光雷達(dá)掃描周期為 ms13 。那么在一個(gè)掃描周期內(nèi)無人車最大行駛距離 S 約為： 0 .1 4 8 ( m )10134 0 / 3 . 6tvS 3 ?????? () 汽車轉(zhuǎn)向的最大角度為 ?45 ， 那么車輛在一個(gè)掃描周期內(nèi)橫向移動(dòng)的最大距離 約 為： mS ??? () 設(shè)單個(gè)柵格的邊長(zhǎng)為 b ，那么只有 Sb ?? 時(shí)，其柵格圖分辨率才能滿足智能車單位決策時(shí)間內(nèi)對(duì)車輛的控制要求。而從柵格法的角度來說， b 的值越大路徑規(guī)劃精度越低， b 的值越小計(jì)算量越大。 首先優(yōu)先計(jì)算量要求，取 mb ? 。這樣可以求得道路建模時(shí)柵格圖時(shí)間復(fù)雜度為： )()/()()( 52 ????? obLDoNonT () 可以看出計(jì)算量十分巨大，而計(jì)算時(shí)間僅僅為 一個(gè)控制周期（ ms13 ）以內(nèi)，因此對(duì)中控電腦的運(yùn)算速度有較高要求。本文基于駕駛員對(duì)道路情況的感知原理，對(duì)柵格法予以改進(jìn)，提出了變尺度柵格圖，優(yōu)化了柵格法建模時(shí)精度不足和計(jì)算量過大的問題。 第三章 道路環(huán)境建模方法研究 32 變尺度柵格法 變尺度柵格法的原理 在智能車環(huán)境建模的過程中，由于被控對(duì)象是一個(gè)高度非線性、時(shí)變性和不確定性的復(fù)雜系統(tǒng)，因而建立精確的數(shù)學(xué)模型時(shí)，算法復(fù)雜，運(yùn)算量大，實(shí)時(shí)性難以保證。但對(duì)于這些難以用數(shù)學(xué)模型進(jìn)行描述的控制過程，盡管不知道被控制對(duì)象的數(shù)學(xué)模型，人類卻能憑著直覺 和經(jīng)驗(yàn)對(duì)被控制對(duì)象進(jìn)行很好地控制 [36]。這 就啟示 了研究人員 ，在解決一些復(fù)雜的問題時(shí)，如果能夠從人類對(duì)環(huán)境認(rèn)知方法的特點(diǎn)出發(fā)，尋找一種能類似人類一樣的認(rèn)知控制算法，或找到一種能夠用數(shù)學(xué)方法描述人類認(rèn)知行為的數(shù)學(xué)方法，將有助于解決一些復(fù)雜的環(huán)境建模問題。 人類在進(jìn)行視覺感知時(shí)，會(huì)有選擇地將注意的焦點(diǎn)放在視野的某一部分區(qū)域，進(jìn)而重點(diǎn)理解記憶該區(qū)域包含的信息，同時(shí)對(duì)其他區(qū)域的信息 ―視而不覺 ‖。本實(shí)驗(yàn)在柵格法的構(gòu)建中引入人類的視覺認(rèn)知機(jī)理和特點(diǎn)，模仿人類視聽覺認(rèn)知行為的注意力分配機(jī)制模型，對(duì)感知范圍進(jìn)行區(qū)域劃分，對(duì) 不同區(qū)域進(jìn)行粒度可變的信息抽取。 圖 是駕駛員駕駛車輛時(shí)的視野。梯形為駕駛員的可視范圍，視野對(duì)稱線為車輛的縱向中心對(duì)稱線。 Y 軸為車輛前進(jìn)方向。前方出現(xiàn)障礙物 A 和 B，其中障礙物 A 處于駕駛員視野之外，對(duì)車輛行駛幾乎沒有影響，駕駛員對(duì)它不關(guān)注或關(guān)注極小；障礙物 B 處于駕駛員前方，處于視野范圍內(nèi)，駕駛員應(yīng)對(duì)其適當(dāng)關(guān)注。 圖 障礙物位置不同的影響 圖 障礙物距離不同的影響 第三章 道路環(huán)境建模方法研究 33 圖 為駕駛員對(duì)不同距離物體視角變化圖，障礙物 A 距離駕駛員比較近，駕駛員觀察它的夾角為 ? ； 物體 B 距離駕駛員比較遠(yuǎn)，駕駛員觀察它的夾角為 ? ， 很明顯 ??? 。 換句話說，同樣大小的物體距離車身較近時(shí)，駕駛員觀察到的會(huì)比較大，對(duì)駕駛決策影響也比較大；距離較遠(yuǎn)時(shí)駕駛員觀察到的比較小，對(duì)駕駛決策影響也比較小。當(dāng)障礙物距離車身一定遠(yuǎn)時(shí)，駕駛員觀察到的成像就成為了一個(gè)點(diǎn)。 變尺度柵格 圖 的創(chuàng)建 通過以上分析可以知道，障礙物的位置和距離對(duì)車輛行駛的影響因素是完全不同的。在研究過程中可以發(fā)現(xiàn)，障礙物對(duì)駕駛 員影響因素的變化符合正 切函數(shù)的變化規(guī)律 ， 其影響大小可以用以下曲線描述，如圖 。 圖 障礙物遠(yuǎn)近對(duì)駕駛員的影響 從圖中可以看出，函數(shù)在原點(diǎn)附近取值較大，說明該函數(shù)對(duì)于輸入信號(hào)在原點(diǎn)附近變化較迅速且較精確，而輸入信號(hào)離原點(diǎn)越遠(yuǎn)時(shí)，函數(shù)對(duì)信號(hào)的變化較小。在輸入超過一定值時(shí)，輸出參數(shù)的變化幾乎不再受輸入?yún)?shù)變化的影響。當(dāng)輸入進(jìn)一步增大時(shí)，輸出趨于零。 結(jié)合駕駛員對(duì)環(huán)境認(rèn)知的特點(diǎn)，本章首次提出了變尺度柵格法對(duì)道路環(huán)境進(jìn)行建模的方法。在智能車對(duì)環(huán)境認(rèn)知的過程中，柵格大小是其環(huán)境建模精度的重要標(biāo)準(zhǔn) 。柵格尺度 越小，所描述障礙物位置誤差越小，環(huán)境模型精度越高；反之精度越低。 當(dāng)處理距離較遠(yuǎn)，較偏的環(huán)境信息時(shí)，該信息對(duì)智能車行駛影響較小，智能車對(duì)其認(rèn)知程度也應(yīng)該適當(dāng)降低，此時(shí)描述環(huán)境信息的柵格圖單位尺寸較大，障礙物位置誤差大，控制精度底，計(jì)算量??；當(dāng)?shù)谌? 道路環(huán)境建模方法研究 34 處理距離較近的環(huán)境信息時(shí)，該信息對(duì)智能車行駛影響較大，智能車對(duì)其認(rèn)知程度也應(yīng)該適當(dāng)增加，此時(shí)描述環(huán)境信息的柵格圖單位尺寸較小，障礙物位置誤差小，控制精度高，計(jì)算量增加。變尺度柵格圖如圖 所示。 圖 變尺度柵格圖 變尺度柵格函數(shù)的構(gòu)建 下面介紹 變尺度 柵格圖單位柵格 尺寸 的計(jì)算方法。 由于障礙物對(duì)駕駛員影響因素的變化符合 正 切函數(shù)的變化規(guī)律，因此 本章 把 如下 正切函數(shù)作為函數(shù)構(gòu)造的基礎(chǔ)。 正切函數(shù)曲線如圖 所示。 22)t a n( ?? ???? xxy () 圖 正切函數(shù)曲線 圖 變尺度柵格尺寸曲線 第三章 道路環(huán)境建模方法研究 35 圖 為理想變尺度柵格圖 中障礙物 距離 與 柵格尺寸關(guān)系曲線。從圖中可以看出， 正切函數(shù)輸入變量的取值范圍為 )2/,2/( ??? ，而變尺度柵格法的輸入變量 范圍為 ),( ???? ； 同時(shí)變尺度柵格 曲線與正切函數(shù)曲線存在稍許差異 ，因此本章 通過反復(fù)實(shí)驗(yàn)，最終把 標(biāo)準(zhǔn)正切函數(shù)改造成如下 橫、縱柵格函數(shù) 形式， 該 函數(shù) 具有圖 所示的特點(diǎn)： ???????????010,)21t a n ()(iiimimiiZfii????? ??