《車輛智能避障系統(tǒng)設計》17000字（論文）

緒論研究背景及意義一百多年以前歐美諸多國家率先發(fā)展了汽車工業(yè)。以日本和韓國為首的亞洲汽車企業(yè)雖然起步較晚，但已逐漸成為世界汽車工業(yè)的領先者。隨著汽車數(shù)量的增加給人們的生活帶來如交通堵塞、交通事故、尾氣排量超標等許多的不利因素。因為在汽車的駕駛過程中，需要駕駛員全程手動控制，注意力必須高度集中，一旦駕駛員犯了錯誤，就很容易造成交通事故。根據(jù)世界衛(wèi)生組織提供的數(shù)據(jù)顯示，全世界每年因道路交通事故死亡人數(shù)約有125萬。數(shù)據(jù)顯示，每年還有數(shù)千萬人因交通事故受傷或殘疾。其中，年輕人的首要死亡原因竟然交通事故是，死亡的概率遠遠高于其他原因。世界衛(wèi)生組織表示，造成道路交通死傷的一個主要風險是車速過快。此外，世界上的殘疾人和老年人也占總?cè)丝诘暮艽蟊壤瑢τ谶@一群體來說，想安全駕駛汽車也是很不方便的。為了提高車輛整體安全性能及對駕駛員和行人的保護，減少各類交通事故造成的經(jīng)濟損失和人員傷亡，各國政府也公布了一系列法令。同時，為了創(chuàng)造安全的交通環(huán)境，提高人們的安全旅游質(zhì)量，他們加大了對汽車的安全技術的研究?？傊?，為了避免因交通事故造成的經(jīng)濟損失和人員傷亡，讓因為不能自主判斷道路情況及不具備駕駛汽車能力的人享受個人旅行駕駛的樂趣。因此，人們逐漸提出并接受智能車輛這一概念。智能車輛的初期更多的研究在軍事領域的應用。隨著相關技術的成熟，民用領域也開始了對智能車輛相關技術的研究。智能車輛的開發(fā)不僅意味著汽車產(chǎn)業(yè)的發(fā)展，也意味著許多新興產(chǎn)業(yè)的發(fā)展，因此對于世界上所有國家來說，默認地被認為與各國發(fā)展有著不可或缺的聯(lián)系。智能車輛今后的發(fā)展也將會大大提高人們的出行質(zhì)量和出行效率。只要智能車輛的發(fā)展達到一定的水平，其他產(chǎn)業(yè)的發(fā)展也會達到相應的水平。屆時，智能交通管理可以在實踐中得到實施，解決擁堵、停車難和排放等問題，因此，研發(fā)智能車輛不僅對減少交通事故，而且對其他社會產(chǎn)業(yè)的發(fā)展具有重要意義。智能車輛國內(nèi)外研究現(xiàn)狀智能車輛國外研究現(xiàn)狀隨著智能車輛相關技術的成熟，各國都十分注重其在各個領域的應用和前景，尤其是在交通方面和軍事領域的應用，以及智能車輛的開發(fā)，進而推動智能車輛技術的發(fā)展。世界上第一臺自動引導車輛系統(tǒng)由美國BarretElectronics公司于1954年研發(fā)，該系統(tǒng)為其自主研發(fā)的第一套系統(tǒng)，它具備了智能車輛一項最基本的功能特征——無人駕駛[1]。20世紀70年代，在歐美國家已經(jīng)普遍的重視智能車輛的相關研究，20世紀80年代，美國國防部開啟了自主地面車輛（AVL）新計劃，為了能夠讓汽車擁有充分的自主權(quán)，該項目采用攝像頭和計算機系統(tǒng)來檢測地形并對車進行導航[2]。在20世紀90年代，梅賽德斯和慕尼黑國防軍大學聯(lián)手改進和開發(fā)了一種裝備有各種傳感器的汽車，使汽車能夠監(jiān)控車輛周圍的道路狀況，并據(jù)此進行處理。從2004年起，為了給智能車輛的眾多研究者提供一個學術交流的平臺進而加速智能車輛技術的發(fā)展，美國國防部高級研究項目局(DARPA)，開始舉辦機器車挑戰(zhàn)大賽。谷歌公司于2015年，研發(fā)出第一款可以在道路上正式測試的樣車，一款完全沒有方向盤的智能車輛，讓駕駛員擺脫了方向盤的束縛。圖1.1谷歌智能車輛2017年9月，美國眾議院首次提出對智能車輛的生產(chǎn)、測試和發(fā)布進行管理控制并通過了關于自動汽車駕駛的相關法案。并于該月12日，美國交通運輸部公布了新版自動駕駛指南2.0，旨在統(tǒng)一全美智能車輛技術的研發(fā)，放寬了智能車輛公司研究智能車輛的相關政策。目前很多外國國家也已經(jīng)發(fā)行了一系列政策和措施來鼓勵智能車輛的研究，也十分關注智能車輛的發(fā)展前景。智能車輛國內(nèi)研究現(xiàn)狀國內(nèi)在自主駕駛方面研究較晚，從20世紀80年代底才開始，90年代初，國防科技大學便獲得了成功，研制出了我國意義上的第一輛智能車輛，這輛汽車裝有由計算機及其配套的傳感器和液壓控制系統(tǒng)組成的汽車計算機自動駕駛系統(tǒng)，該車能夠在計算機控制下完成無人駕駛[3]。1988年清華大學在國防科工委的和國家863計劃的資助下，從1988年開始研制開發(fā)智能車。2007年一汽集團與國防科大合作，2007年紅旗HQ3參加了第14屆國際智能車交通大會，會上對紅旗HQ3進行了實地的測試，在國際引起了巨大的轟動。2011年7月，國防科技大學和一汽集團聯(lián)合研制的紅旗HQ3首次完成了從長沙到武漢的286千米的高速全程無人駕駛試驗，該次試驗的成功標志著我國無人駕駛技術在復雜環(huán)境識別、智能行為決策和控制等方面實現(xiàn)了新的技術突破[4]。2013年百度公司開始了無人駕駛汽車的項目，其技術核心是百度汽車大腦包括高精度地圖定位，感知，智能決策與控制四大模塊。2012年11月24日，我國軍事交通學院所研發(fā)的無人駕駛汽車在北京至天津的高速公路上完成路試，其路試的主要項目有循線行駛、跟車行駛、自主換道、鄰道超車、自主超車、人工指令行駛等六個科目，為確保安全，智能車裝有應急控制裝置，緊急情況下可立即實施人工強制干預[5]。2015年百度公司的無人駕駛汽車首次在國內(nèi)實現(xiàn)了城市環(huán)路和高速公路混合路段下的全自動駕駛，其在路段上測試最高時速達到100公里每小時。同年長安汽車發(fā)布了智能化戰(zhàn)略654，建立6個基礎技術體系，平臺開發(fā)5大核心應用技術分4個階段逐步實現(xiàn)從單一智能到全自動駕駛。2017年7月，百度公司CEO李彥宏參加了百度公司舉辦的首屆智能開發(fā)者大會并乘坐百度公司自主研發(fā)的智能車輛到達會場。圖1.2百度智能車輛上世紀八十年代以后，中國開始研究智能車輛，并且到目前為止，世界上的研究結(jié)果表明，智能車輛研究方面中國和外國之間的差距正在縮小。在今后的智能時代，中國將在智能車輛領域擁有著舉重若輕的地位。1.3智能車輛的分級根據(jù)汽車自動化程度的不同，智能車輛可分成不同的等級。其主要的分級標準有兩種，即美國國家公路交通安全管理局（NHTSA）發(fā)布的0～4級標準和美國汽車工程師學會（SAE）發(fā)布的0～5級標準[6]，兩者的對比如圖1.3所示。圖1.3NHSTA和SAE分級對比從圖中得出，兩者的標準基本一致。美國汽車工程師學會細化了美國國家公路交通安全管理局的完全自動駕駛等級將其分為高度自動化駕駛和完全自動化駕駛兩個等級。目前在智能車輛領域中，人們更傾向于使用SAE的智能車輛等級劃分標準。在兩者的智能車輛分類中，0～2級主要由人來觀察環(huán)境屬于先進駕駛輔助系統(tǒng)（ADSA）。根據(jù)系統(tǒng)對于車輛的方向盤和加減速是否具有控制功能，將其分為0、1和2三個等級。根據(jù)駕駛員需要提供的應答程度、車輛適用的條件和范圍，將其分為3、4和5三個等級屬于自動駕駛系統(tǒng)，主要由機器來感知環(huán)境。0級：系統(tǒng)對于車輛運動無控制權(quán)，車輛的駕駛?cè)珯?quán)由人負責，無自動化。系統(tǒng)只能通過車載傳感器探測、感知周圍環(huán)境，進行決策報警。比如車道偏離報警、倒車防撞雷達和前車防撞預警等，都只是借助報警來提醒、幫助駕駛員更好地駕駛。1級：系統(tǒng)對于車輛的方向盤或者加減速有單一的控制權(quán)，功能比較單一，無法做到對兩者同時控制，駕駛員的手和腳不能同時放松。1級包括自適應巡航控制、緊急剎車輔助等。2級：系統(tǒng)可以同時對方向盤和加減速進行多項操作，使得在一定條件下，駕駛員可以從駕駛中解放出來，此時車輛具有部分自動化駕駛功能。2級包括全自動跟隨、車道保持與跟蹤等。3級：系統(tǒng)將會完成所有車輛操作，在某些特定條件下可以實現(xiàn)自動駕駛，在緊急情況下，由人進行認知判別和干預。當系統(tǒng)發(fā)出接管請求時，駕駛員需要給予系統(tǒng)支援。3級包括擁擠輔助駕駛功能、自動泊車系統(tǒng)等。4級：車輛具有高度自動化，可以完成特定條件下的全部任務，但在極端的環(huán)境下車輛無法完成駕駛。3級與4級自動化系統(tǒng)的差異在于后者能夠不依賴駕駛員進入最小風險模式，而前者不能可靠地執(zhí)行[7]。4級包括景區(qū)或工業(yè)園區(qū)內(nèi)的自動駕駛、高速公路上的高度自動駕駛等。5級：車輛具有完全的自動化，不再局限于某一區(qū)域，可以完成所有條件下的全部任務，這是智能車輛的最終目標，人類可以安全地從駕駛中解脫出來而不必關注車輛的狀態(tài)。只需要告訴車輛目的地，智能車輛便可以自動安全地到達目的地。1.4論文主要研究內(nèi)容本文在智能車輛自動駕駛技術的研究中，主要描述智能車輛躲避障礙物技術。為了研究智能車輛躲避障礙物技術，采用多傳感器信息融合技術結(jié)合了視覺傳感器和超聲波傳感器兩者功能，利用視覺傳感器收集車輛的周圍環(huán)境信息，利用超聲波傳感器測量車輛與障礙物的距離信息。在躲避障礙物算法的設計中，使用改良的人工勢場方法與模糊控制算法相結(jié)合來設計新的智能車輛躲避障礙物算法。1緒論，介紹了國內(nèi)外智能車的研究背景、意義和開發(fā)情況，并闡述了各國智能車領域投資和實際研究成果，詳細說說明了智能車輛的分級。介紹論文結(jié)構(gòu)和本文主要研究內(nèi)容。2對智能車輛數(shù)據(jù)采集及處理。介紹了智能車輛的環(huán)境感知系統(tǒng)和應用于智能車輛上收集車輛周圍障礙物和環(huán)境信息的傳感器工作原理。本文主要介紹了視覺傳感器對智能車輛周圍環(huán)境信息的采集和超聲波傳感器測量智能車輛與障礙物之間距離的應用。收集到的信息數(shù)據(jù)經(jīng)過處理后會為智能車輛提供如何躲避障礙物的判斷標準，并有效避開障礙物。3智能車輛避障策略。首先，詳細介紹了多傳感器融合技術，詳細說明多傳感器融合技術的優(yōu)點和實現(xiàn)方法。然后，設計了智能車輛障礙物躲避行為將其分為直奔目標行為、直接避障行為和緊急避障行為。最后，介紹了模糊控制系統(tǒng)的并與傳統(tǒng)控制系統(tǒng)進行對比，介紹了智能車輛躲避障礙物中人工勢場方法的優(yōu)點和缺點，并將人工勢場法和模糊控制算法結(jié)合設計智能車輛控制算法改善了缺點，并用MATLAB軟件進行模擬。1.5本章小結(jié)本章主要對智能車輛自動駕駛技術的研究意義做出了說明，通過介紹了國內(nèi)外智能車輛研發(fā)的歷史和現(xiàn)狀，預測了當前的開發(fā)過程和智能車輛的未來發(fā)展。同時也介紹了國內(nèi)外對發(fā)展智能車輛大量的政策支持及鼓勵對智能車輛的研發(fā)，最后詳細介紹本文的研究內(nèi)容和結(jié)構(gòu)。

2智能車輛數(shù)據(jù)采集及處理智能車輛環(huán)境感知系統(tǒng)就像人類的“眼睛”“耳朵”和“鼻子”等感官系統(tǒng)一樣，是智能車輛后續(xù)決策與控制的信息來源。目前，在智能車輛環(huán)境感知系統(tǒng)中最為常見的仍是機器視覺與激光雷達技術，為了避障技術的有效實現(xiàn)，必須進行數(shù)據(jù)收集和處理。在這一章中，主要介紹了用于數(shù)據(jù)收集和處理的傳感器和數(shù)據(jù)處理方法。2.1智能車輛環(huán)境感知系統(tǒng)2.1.1環(huán)境感知對象智能車輛環(huán)境感知對象主要包括以下幾個方面。對行駛路徑的識別，道路交通標線、行車道邊緣線、路口導向線、導向車道線、人行橫道線等結(jié)構(gòu)化道路的行駛路徑識別；識別沒有結(jié)構(gòu)化的道路是否為可行駛路徑。對周邊物體感知，主要指對車輛周圍的環(huán)境信息如車輛、行人、地面上可能影響車輛行駛的障礙物識別以及各種交通標志和信號燈的識別。對駕駛狀態(tài)檢測，主要檢測駕駛員自身狀態(tài)和車輛行駛中車輛本身狀態(tài)。對駕駛環(huán)境檢測，主要是對路況、道路擁堵情況、天氣狀況的檢測。由此可見，智能車輛環(huán)境感知對象和種類數(shù)量非常多，而且道路情況復雜，這里主要介紹對道路、車輛、行人、交通標志和交通信號燈的檢測或識別，環(huán)境感知在智能車輛中的典型應用如圖2.1所示。圖2.1環(huán)境感知在智能網(wǎng)聯(lián)汽車中的典型應用2.1.2環(huán)境感知方法環(huán)境感知方法主要有慣性元件、超聲波傳感器、激光雷達、毫米波雷達、視覺傳感器、自組織網(wǎng)絡、融合傳感等。慣性元件，慣性元件主要是指汽車上的車輪轉(zhuǎn)速傳感器、加速度傳感器、微機械陀螺儀、轉(zhuǎn)向盤轉(zhuǎn)角傳感器等，通過它們感知汽車自身的行駛狀態(tài)。超聲波傳感器，主要用于短距離探測物體，不受光照影響，但測量精度受測量物體表面形狀、材質(zhì)影響大。激光雷達，是無人駕駛汽車的必備傳感器，根據(jù)自動駕駛級別，可以配備不同的激光雷達。激光雷達分單線束和多線束激光雷達，多線束激光雷達則可用來建立周邊環(huán)境的3D模型，并可以精確檢測出包括車輛、行人、樹木等細節(jié)。激光雷達能夠直接獲取被測物體的三維距離信息，存在測量精度高、對光線變化不敏感、抗干擾能力強等優(yōu)點是智能車輛發(fā)展的最理想傳感器；但是成本較高。毫米波雷達，與激光雷達基本一樣?？垢蓴_能力強，受天氣情況和夜間的影響小，體積小，傳播損失比激光雷達少；但難以探測行人的反射波。視覺傳感器，通過圖像分析識別技術對行駛環(huán)境進行感知獲取車輛周邊環(huán)境二維或三維圖像信息。獲取的圖像信息量大，實時性好，體積小，能耗低，價格低；但易受光照影響，三維信息測量精度較低。自組織網(wǎng)絡，可以獲取車輛行駛周邊環(huán)境信息和范圍內(nèi)其他車輛信息，也可以把車輛自身的信息傳遞給范圍內(nèi)其他車輛。可實現(xiàn)車輛之間信息共享，對環(huán)境干擾不敏感。圖2.2所示為智能網(wǎng)聯(lián)汽車周邊環(huán)境感知示意圖1—長距離雷達，2—短距離雷達，3—視覺傳感器，4—超聲波傳感，5—視覺傳感器6—自組織網(wǎng)絡圖2.2智能車輛周邊環(huán)境感知示意圖2.1.3基于機器視覺的環(huán)境感知流程機器視覺是環(huán)境感知最常用的方法之一，它具有以下特點。視覺圖像尤其是對彩色圖像信息量極為豐富，包含有視野內(nèi)物體的距離、顏色、紋理、形狀等信息。在視野范圍內(nèi)可同時實現(xiàn)對道路、車輛、行人、交通標志及信號燈的檢測，可大范圍內(nèi)獲取信息，當多輛智能車輛同時工作時不會相互干擾。視覺信息獲取的是實時的場景圖像，有較強的適應環(huán)境的能力。但在目前的駕駛技術中都是人們從眼睛獲取絕大多數(shù)信息的。因此，基于視覺的高效、低成本的環(huán)境感知將成為智能網(wǎng)聯(lián)汽車未來產(chǎn)業(yè)化的主要發(fā)展方向。基于視覺的環(huán)境感知流程如圖2.3所示，一般包括圖像采集、圖像預處理、圖像特征提取、圖像模式識別、結(jié)果傳輸?shù)?，根?jù)具體識別對象和采用的識別方法不同，感知流程也會略有差異。圖2.3基于視覺的環(huán)境感知流程2.2傳感器上世紀七十年代，美國、歐洲等發(fā)達國家率先開始對智能車輛進行全面研究，傳感器也被應用于智能車輛。此時，僅視覺傳感器被廣泛使用。隨著科學技術的發(fā)展，開發(fā)了適合各種情況的傳感器，并應用于智能車輛的開發(fā)。目前在智能車輛研究中運用較為廣泛的傳感器有超聲波傳感器、紅外傳感器、激光雷達傳感器、視覺傳感器等。由于市面上的傳感器種類繁多，功能不一，所以在智能車輛研究中，如何選擇運用合適的傳感器就顯得尤為重要[8-11]。2.2.1紅外傳感器紅外傳感器是一種能夠?qū)⒓t外信號變成電信號的探測性元件。在自然界中，所有的高于絕對溫度的物體均能發(fā)出紅外光，所有帶有溫度的物體所發(fā)出的紅外光的波長會隨著物體溫度的不同而變化，所以，紅外傳感器可根據(jù)物體所發(fā)出紅外光的波長來進行對物體的測量[12]。紅外傳感器的測距功能最常被使用在智能車輛躲避障礙物的研究中，而根據(jù)是否需要人的控制測距法分為主動測距和被動測距，紅外測距由于不需要人為控制屬于被動測距。圖2.4紅外測距原理圖紅外測距的原理是紅外發(fā)射器以預設角度發(fā)射紅外線，當紅外線遭遇障礙物時發(fā)生反射，經(jīng)障礙物反射的紅外線由CCD檢測器接收。從而得到紅外線發(fā)射器與CCD檢測器間的偏移值，然后利用三角定理得到關系式（2.1）：（2.1）式（2.1）中，D代表紅外傳感器與被測物體的距離，f表示濾鏡的焦距，L表示紅外線反射后的偏移值，X表示紅外線發(fā)射器與CCD檢測器的中心距，表示紅外線的發(fā)射角，。紅外傳感器測距時，由于偏移值的存在造成一定的誤差，這就導致獲得的紅外線傳感器到被物體的距離不夠精確。因此，將多個傳感器收集的信息融合在一起，利用其他傳感器的優(yōu)勢來彌補紅外線測距的缺陷，智能車輛接收多傳感器融合處理的信息后，使得其擁有精準的躲避障礙物的功能，這就是多傳感器融合技術的優(yōu)勢。2.2.2視覺傳感器視覺傳感器對于智能車輛來說非常重要，可以感知智能車輛周圍的環(huán)境信息，而且視覺傳感器具有測量信號范圍大和信息完整度高這兩個優(yōu)點。視覺傳感器在智能車輛上的應用是以攝像頭的方式出現(xiàn)，主要用于自適應巡航控制系統(tǒng)、車道偏離預警系統(tǒng)、車道保持輔助系統(tǒng)、汽車并線輔助系統(tǒng)、自動剎車輔助系統(tǒng)中的障礙物檢測和道路檢測等。它一直在智能車輛研究中起著重要的作用。視覺技術是一項綜合技術，包括視覺傳感技術、光源照明技術、光學成像技術、數(shù)字圖像處理技術、數(shù)字與模擬視頻技術、計算機軟硬件技術和自動控制技術[13]。圖2.5視覺傳感器視覺傳感器是視覺檢測的核心部件，其作用是將鏡頭所拍攝到的圖像轉(zhuǎn)變?yōu)閿?shù)字或模擬信號輸出。其工作流程如圖2.6所示。圖2.6視覺傳感器工作流程圖2.2.3超聲波傳感器頻率高于人類聽覺上限頻率（約20000Hz）的聲波，稱為超聲波。超聲波傳感器是利用超聲波的特性研制而成的傳感器，是一種能量轉(zhuǎn)換裝置，作用是將交流電信號轉(zhuǎn)換為聲波信號，或?qū)⑼獠柯晥龅穆暡ㄐ盘栟D(zhuǎn)換為超聲頻率范圍內(nèi)的電信號。超聲波測距的原理是測量超聲波從發(fā)出至遇到障礙物后，反射回來的時間差來計算障礙物距離[14]。把超聲波從反射器發(fā)射出去到到反射回來并被接收的時間設為為，超聲波在當前環(huán)境中的傳播速度為，所以可得障礙物距離超聲波發(fā)射器的距離的公式如式（2.2）所示：（2.2）當環(huán)境溫度變化時，也會改變超聲波的傳播速度。當前環(huán)境中空氣的溫度為T時，超聲波的傳播速度如式（2.3）所示：（2.3）其中。圖2.7超聲波傳感器測距原理作為測量距離的必要工具，超聲波傳感器經(jīng)常用于智能車輛的障礙物探測研究。與其他測距傳感器相比，超聲波傳感器具有以下特點：超聲波具有較慢的傳播速度，較強的方向性和較慢的能量損耗等特點，可以直接測量小于10m的距離的目標。它不受顏色或光的影響，也不受外部光或電磁場的影響。超聲波傳感器具有結(jié)構(gòu)簡單，體積小，成本低，信息處理簡單，可靠性高，易于小型化和集成化以及實時控制的特點。因此，它可以用于識別透明，半透明和漫反射差的物體，并且可以在黑暗，灰塵和煙霧以及強烈的電磁干擾等惡劣環(huán)境中使用。相對惡劣的環(huán)境中超聲波傳感器可以實時采集目標車輛與障礙物之間的距離信息，而且超聲波傳感器的價格相較其他測距傳感器價格更便宜，所以超聲波傳感器被廣泛應用于當前的智能車輛自動駕駛技術的研發(fā)中。圖2.8為超聲波傳感器。圖2.8超聲波傳感器當超聲波傳感器收集距離信息時，由于超聲波發(fā)射的范圍存在盲區(qū)，當無法檢測到的盲區(qū)內(nèi)是否存在障礙物時，智能車輛會與障礙物發(fā)生碰撞，從而造成不必要的損失。因此，對于該缺點，在超聲波傳感器的設置角度被正確檢測到的情況下，能夠減小檢測盲區(qū)域，并降低碰撞的可能性。2.3數(shù)據(jù)采集方法數(shù)據(jù)收集是智能車輛操作過程的重要部分。在傳感器收集到數(shù)據(jù)信息之后，將其收集到數(shù)據(jù)信息處理、計算并反饋到智能車輛的相應模塊，以使得智能車輛在操作過程中能夠順利到達目的地[15]。在本次研究中，將安裝多個超聲波傳感器在智能車輛前后用于測量智能車輛周圍障礙物的距離信息。這樣安裝超聲波傳感器的優(yōu)點是可以更好地收集汽車周圍的信息，并為安全的躲避障礙物提供了有效的技術支持。目前常用的圖像采集常用方法有圖像采集卡采集、照相機獲取、數(shù)碼照相機拍攝等[16]。由于其檢測范圍廣，視覺傳感器通常用于收集有關智能車輛周圍道路環(huán)境的信息，并獲取有關智能車輛周圍障礙物的信息，以躲避障礙物。本文使用的視覺傳感器主要用于在智能車輛障礙物避免過程中收集環(huán)境并提取障礙物信息。2.4本章小結(jié)本章首先簡要介紹了智能車輛環(huán)境感知系統(tǒng)的感知方法和感知對象以及環(huán)境感知系統(tǒng)的工作流程。然后介紹了紅外傳感器、超聲波傳感器和視覺傳感器三種傳感器的性能優(yōu)缺點，描述了這些傳感器獲得數(shù)據(jù)的基本原理，并簡要介紹了數(shù)據(jù)獲取方法。為后續(xù)的實驗提供了技術支持。3智能車輛避障在智能車輛的研究中，躲避障礙物總是一個重要課題，值得對智能車輛技術進行徹底的研究。為了獲得更好的障礙物規(guī)避效果，特別是障礙物規(guī)避算法的設計也是非常重要的。在本文中，智能車輛的躲避障礙物策略一方面是通過收集智能車周圍的環(huán)境信息，另一方面是智能車采用的躲避障礙物的方法來實現(xiàn)的。本文基于超聲波傳感器在測距和視覺傳感器在環(huán)境信息采集方面的多個優(yōu)勢，所以采用超聲波傳感器和視覺傳感器的多傳感器信息融合技術來完成智能車輛的障礙物規(guī)避信息收集和處理。3.1多傳感器信息融合多傳感器信息融合技術指的是將數(shù)據(jù)信息從相同或不同類型的多個傳感器分類并處理，然后根據(jù)特定規(guī)則將這些傳感器的冗余或補充信息處理在時間或空間上。從而得出測量對象一致性的結(jié)論[17]。單個傳感器存在局限性，因為它只能提供有關智能車輛自身狀況的單個信息，導致智能車輛本身的控制判定精度不夠高。所以通過使用多個傳感器來收集信息和進行信息融合，可以獲得更準確有效的信息，對于智能車輛的下一個決策是必要的，以此提高整體智能車輛系統(tǒng)的可靠性。隨著技術的不斷進步，傳感器需要檢測的物體變得越來越復雜。人們不僅需要測量有關特定測量目標的單個信息，還需要測量有關測量目標的其他內(nèi)部或特征信息。單個傳感器不能滿足此要求。所以必須采用多個傳感器對同一對象進行多角度檢測來采集被測對象的完整并且全面的信息。數(shù)據(jù)融合技術被提出來解決多傳感器信息處理的問題，并首先應用于軍事領域，近年來機器人技術、智能檢測系統(tǒng)、工業(yè)監(jiān)控、航空航天、環(huán)境保護和氣象學等領域也廣泛應用。3.1.1多傳感器信息融合技術由于多傳感器信息融合的結(jié)構(gòu)不同，其處理信息的方式也不相同，現(xiàn)根據(jù)處理方式的不同，將多傳感器信息融合結(jié)構(gòu)劃分成以下這四種結(jié)構(gòu)：集中型、分散型、混合型、反饋型[12]?？蓮膯蝹€傳感器獲得的信息非常有限，并且還容易受其自身質(zhì)量和性能的影響使獲得的信息不準確。為了滿足檢測和數(shù)據(jù)收集的需求，智能設備通常配備有許多不同類型的傳感器。因此，提出了多傳感器融合技術，多傳感器融合也稱為多傳感器信息融合，也有人稱為多傳感器數(shù)據(jù)融合。多傳感器融合技術的提出改善各種傳感器之間的信息交換問題，提高整個系統(tǒng)的可靠性和穩(wěn)定性，增加數(shù)據(jù)的準確性，增加了系統(tǒng)的時間和空間覆蓋范圍，提高了系統(tǒng)的利用率。圖3.1所示為數(shù)據(jù)融合的全過程。首先，將要測量的對象轉(zhuǎn)換為電信號，然后將其轉(zhuǎn)換為可以通過計算機進行A/D轉(zhuǎn)換的數(shù)字量；在數(shù)字化之后，對電信號進行預處理以消除干擾和噪聲。對預處理后的信號進行特征提取；然后到融合中心進行數(shù)據(jù)融合也可以在特征提取后直接對信號進行數(shù)據(jù)融合；最后輸出融合結(jié)果。圖3.1數(shù)據(jù)融合過程3.1.2多傳感器信息融合方法及實現(xiàn)信息融合的研究內(nèi)容是非常豐富的，涉及到了各個學科的知識，目前信息融合的方法大致可以分為概率統(tǒng)計方法和人工智能方法兩類。其中概率統(tǒng)計法包含有卡爾曼濾波、貝葉斯估計等；人工智能方法包括有D-S證據(jù)推理、模糊理論等。其中貝葉斯估計、D-S證據(jù)推理、模糊理論占到整個信息融合算法的80%左右[18]。1.多傳感器信息融合方法（1）卡爾曼濾波卡爾曼濾波法主要針對多傳感器實時動態(tài)的冗余數(shù)據(jù)的低層次級別的融合。該方法利用測量模型的統(tǒng)計特性逐步進行操作，以確定當前情況下的最佳融合方法和數(shù)據(jù)估計。如果系統(tǒng)具有線性動力學模型，并且系統(tǒng)與傳感器之間的誤差屬于高斯白噪聲模型，則卡爾曼濾波器會提供融合數(shù)據(jù)的唯一統(tǒng)計上最優(yōu)的估計。由于卡爾曼濾波器的遞歸性質(zhì)，系統(tǒng)處理不需要大量的數(shù)據(jù)存儲和數(shù)據(jù)計算。但是，多傳感器復合系統(tǒng)的數(shù)據(jù)統(tǒng)計僅使用一個卡爾曼濾波器，實時性較差，而且傳感器系統(tǒng)的故障會影響整個系統(tǒng)并降低可靠性。（2）貝葉斯估計貝葉斯估計為數(shù)據(jù)融合提供了一種手段，是融合靜環(huán)境中多傳感器高層信息的常用方法[19]。依據(jù)概率原則對傳感器信息進行組合，測量當中出現(xiàn)的不確定性用條件概率來表示。當傳感器組中不同的傳感器觀測的坐標相同時，可以直接對傳感器的數(shù)據(jù)進行融合。但是通常情況下，多個不同的傳感器是從不同的角度和坐標系對同一個環(huán)境或物體進行觀測，這時傳感器的測量數(shù)據(jù)不能直接通過采用貝葉斯估計進行數(shù)據(jù)融合。（3）D-S證據(jù)推理法D-S證據(jù)推理是貝葉斯推理的擴充。D-S證據(jù)推理法的推理結(jié)構(gòu)是自上而下的三級結(jié)構(gòu)。第1級為目標合成，將來自多個獨立的傳感器的觀測結(jié)果結(jié)合成一個結(jié)果并輸出；第2級為推斷，獲取目標合成后的觀測結(jié)果總和并對其進行推斷然后去結(jié)果進行推斷；第3級為更新，傳感器組中的幾個不同的傳感器通常具有隨機錯誤。因此，在推理和多傳感器綜合之前，必須先更新傳感器組中不同傳感器的觀測數(shù)據(jù)。這是因為來自同一傳感器的獨立時間段的連續(xù)報告組比其他單個報告更可靠。（4）模糊邏輯模糊邏輯是一種多值邏輯，它通過指定一個從0到1的實數(shù)來表示真實性，并且可以通過推理過程直接表示多個傳感器信息融合過程的不確定性。與概率統(tǒng)計方法相比，邏輯推理存在許多優(yōu)點，它解決了概率論在一定程度上所面臨的問題，邏輯推理在對信息的表示和處理方面更加接近人類的思維方式，它一般比較適合于在決策層上的應用，但是，邏輯推理對信息的描述比較主觀，不能客觀的表示和處理信息，所以統(tǒng)計推理本身還不夠成熟和系統(tǒng)化。2.多傳感器信息融合方法實現(xiàn)多傳感器信息融合在結(jié)構(gòu)上按其在融合系統(tǒng)中信息處理的抽象程度，主要劃分為三個層次:數(shù)據(jù)層融合、特征層融合和決策層融合。（1）數(shù)據(jù)層融合數(shù)據(jù)層融合又稱像素級融合，首先將傳感器得到的觀測數(shù)據(jù)進行關聯(lián)融合，然后從關聯(lián)融合后的的數(shù)據(jù)中提取出特征向量，并對提取出的特征向量進行判斷識別，最后輸出關聯(lián)識別的結(jié)果。數(shù)據(jù)層融合需要傳感器是觀測的是同一物理現(xiàn)象，如果多個傳感器觀察到的物理現(xiàn)象不同，則不能在數(shù)據(jù)層（僅在特征層或決策層）融合傳感器的觀察數(shù)據(jù)。數(shù)據(jù)層融合不會丟失數(shù)據(jù)，并且獲得的結(jié)果是這三個級別中最準確的，但是由于最高的復雜性，系統(tǒng)對通信帶寬的要求也相對較高。其數(shù)據(jù)層融合方式如圖3.2所示。圖3.2數(shù)據(jù)層融合（2）特征層融合特征層融合屬于中間的融合層次，首先，從傳感器組中每個傳感器收集的觀察數(shù)據(jù)中進行特征提取，以提取代表性特征，然后將這些特征關聯(lián)起來并融合到單個特征向量中，最后使用模式識別方法處理特征向量并輸出聯(lián)合識別結(jié)果。特征層融合方法具有較低的計算負荷和相應的較低的通信帶寬要求，但由于它會丟棄某些數(shù)據(jù)，因此準確性較低。特征層融合方式如圖3.3所示。圖3.3特征層融合（3）決策層融合決策級融合是最高層次的融合處理。不同類型的傳感器觀察相同的目標。每個傳感器在本地對觀察到的信息進行預處理，提取處理過的信息的特征，識別或確定所提取的代表性特征，并建立觀察到的目標的初步結(jié)論，然后進行關聯(lián)與決策層的融合，最終得到了共同識別的結(jié)果。由于傳感器的數(shù)據(jù)被壓縮，所以這種方法產(chǎn)生的結(jié)果最不準確，但所需的計算量和通信帶寬卻最少。決策層融合方式如圖3.4所示。圖3.4決策層融合3.1.3多傳感器信息融合技術的優(yōu)點與單個傳感器相比，多個傳感器可以執(zhí)行數(shù)據(jù)信息融合過程，以獲取傳感器周圍更準確，更全面的環(huán)境信息。一組類似功能的傳感器收集的信息顯然是互補的，并且對互補的信息進行融合和處理，這可以補償單個傳感器的不確定性和有限的測量范圍，并減少信息不確定性。即使某些傳感器發(fā)生故障，系統(tǒng)也可以正常運行，從而大大提高了系統(tǒng)的可靠性。3.2超聲波與視覺的融合技術在本文中，超聲傳感器和視覺傳感器被選定為躲避障礙物過程中的“感官系統(tǒng)”。不同傳感器有著不同的特點和優(yōu)勢，為了收集智能車輛行駛過程中必經(jīng)道路的信息和行駛過程中智能車輛周圍障礙物信息，本文通過信息融合技術將超聲波傳感器信息與視覺信息進行融合，通過相互校驗和冗余，使得感知系與一個傳感器相比，多個傳感器進行數(shù)據(jù)信息融合處理可以獲得傳感器周圍更準確、全面的環(huán)境信息。一組功能作用相似的傳感器采集的信息存在明顯的互補性，再將互補的信息進行融合和處理，可以補償單一傳感器的不確定性和有限的測量范圍，降低了信息的不確定性。某些傳感器發(fā)生故障時，仍可以使系統(tǒng)正常運行，大大提高了系統(tǒng)的可靠性。統(tǒng)具有更高魯棒性和安全性實現(xiàn)智能車輛的行駛安全。3.2.1超聲波與視覺的融合技術優(yōu)勢準確獲取智能車輛周圍得環(huán)境信息和行駛過程周圍障礙物的位置信息是智能車輛躲避障礙物的關鍵。當視覺傳感器僅用于躲避障礙物時，由于視覺傳感器容易受到光照的影響，減弱躲避障礙物的效果。而超聲波測距技術可以使智能車輛正常行駛，不受視覺傳感器和互補光的影響，在相對嚴峻的環(huán)境下工作。如果只使用單個超聲波傳感器來避免障礙物，則還存在信息的不完整，無法感知到周圍的環(huán)境信息。因此，要利用超聲傳感器和視覺傳感器，將超聲測距原理與視覺傳感器可視化技術結(jié)合起來，通過視覺傳感器收集和處理智能車輛周圍環(huán)境信息，超聲波傳感器獲得智能車輛和障礙物的準確距離。因此，在完全獲取了智能車輛與障礙物的距離信息以及周圍環(huán)境信息后，智能車輛可以進行最佳的躲避障礙物行為。3.2.2超聲波與視覺的具體融合方式本次研究所采用單目視覺攝像頭，單目攝像頭是利用攝像頭采集車輛前方路況信息，并依靠數(shù)據(jù)庫中保存的物體標志性特征輪廓識別前方物體，從而依靠獨立的算法計算出物體與車輛的距離和接近速率。單目攝像頭的優(yōu)點是價格便宜，能夠精準識別障礙物的種類及具體信息；缺點是由于其識別原理導致其無法識別透明或半透明等沒有明顯輪廓的障礙物，外部光線條件有關對其工作準確率影響極大，并且由于數(shù)據(jù)庫的限制不能自主學習。而超聲波傳感器作為測距傳感器，可得到智能車輛與障礙物之間精準的距離信息。使用超聲波傳感器的目的是是智能車輛安全穩(wěn)定地避開障礙物，以便可以安全地行駛到目的地。基于此功能，運用模糊控制算法融合視覺傳感器和超聲傳感器收集的信息。由超聲波傳感器檢測到的與障礙物的距離信息被用作模糊邏輯的輸入，智能車輛躲避障礙物的行為作為輸出，完成躲避障礙物的整個過程。3.3智能車輛避障行為設計由于障礙物的排列的密集程度不同，智能車輛躲避障礙物的方式也有所不同，所以智能車輛躲避障礙物的行為也會大不相同?；趯φ系K物排列的密集程度的劃分，本文將智能車輛躲避障礙物的行為大致分為以下三類：直奔目標行為、直接躲避障礙物行為以及緊急躲避障礙物行為三種。智能車輛避障工作流程如圖3.5所示。圖3.5智能車輛避障工作流程圖3.3.1直奔目標行為從起點出發(fā)，安全到達目的地是智能車輛的基本任務。但是，道路上有很多未知的情況，所以為了應對這些情況，必須采取不同的措施。當智能車輛行駛時，智能車輛前方的道路比較平坦，沒有周圍環(huán)境的影響和障礙物的阻擋，所以智能車輛可以一直走到目標點。在道路上沒有障礙物和周圍環(huán)境的影響的情況下，智能車輛的行駛可以看作是二維平面上的運動。然后，可以根據(jù)智能車輛的行駛方向和向智能車輛方向的目標點成的角度來決定智能車輛的下一個驅(qū)動方向。具體行駛方向示意圖如圖3.6所示。圖3.6直奔目標行為坐標示意圖圖中顯示的點表示智能車輛的起點，點表示的為智能車輛最終行駛的目的地的坐標，→代表智能車輛行駛的方向，角代表智能車輛的行駛方向與坐標軸的夾角，角代表智能車輛行駛方向與距離目標點方向之間的夾角，由此可得數(shù)據(jù)關系式如公式（3.1）所示。（3.1）結(jié)合圖3.6與公式（3.1）可得如下結(jié)論：智能車輛直奔目標的行為在下一步移動方向上完全取決于角的大小。當<0時，智能車輛向右轉(zhuǎn)，當>0時，智能車輛向左轉(zhuǎn)，=0時，智能車輛直行。3.3.2直接避障行為直接躲避障礙物行動是指在移動過程中智能車輛，檢測道路前方有障礙物堵塞通道。為了避開障礙物和安全地行駛，智能車輛將采用繞過該障礙物并繼續(xù)向前移動以安全到達目的地的方法。在躲避障礙物的過程中，無論兩側(cè)是否有障礙物，如果正面有障礙物，智能車需要判斷并改變方向。如上所述，在躲避障礙物的過程中，智能車輛通過視覺傳感器以及超聲波傳感器取得障礙物的環(huán)境信息及距離信息。通過數(shù)據(jù)的融合處理，獲得障礙物與智能車輛之間的精確距離，然后在對整個模糊控制器進行計算之后，所檢測的距離信息用作模糊控制器的輸入。將準確輸出發(fā)送到智能車輛的導向控制器以控制智能車輛以避免發(fā)生安全事故。3.3.3緊急避障行為當突然遇到的動態(tài)障礙物時會發(fā)生緊急躲避障礙物行為。使用三幀差分法檢測動態(tài)障礙物，傳感器檢測到突然出現(xiàn)在智能車輛前的動態(tài)障礙物距離智能車輛非常近時，智能車輛會進行緊急的障礙物躲避行為，并立即進行剎車，停止前進[20]。此外，智能汽車只有在遠離動態(tài)障礙物的安全范圍之后，才能繼續(xù)前進。雖然這種情況的可能性很小，但是一旦發(fā)生這種情況，如果處理不當，智能車輛將造成巨大的財務損失和人員傷亡。因此，智能車輛避障研究要求設計緊急情況下的避障行為。3.4模糊控制系統(tǒng)隨著科學技術的日新月異，出現(xiàn)了越來越多的復雜系統(tǒng)，傳統(tǒng)控制理論方法的局限性越來越明顯，不能解決復雜系統(tǒng)存在的不確定性信息。首先，很難準確地描述復雜系統(tǒng)的特征，并且不可能準確地獲取要控制對象的數(shù)學模型或為其建立數(shù)學模型，因此不能有效的控制這些復雜系統(tǒng)。其次，當使用傳統(tǒng)的控制理論來解決復雜的系統(tǒng)問題時，有必要做出和遵循更嚴格的假設，即使這些假設通常與實際的情況相矛盾。另外，增加檢測設備來提高對復雜系統(tǒng)的控制，其結(jié)果會使控制系統(tǒng)變得更復雜。針對這種情況，模糊控制技術應運而生。模糊控制技術是模糊數(shù)學與控制理論相結(jié)合的產(chǎn)物。其主要特點是：根據(jù)現(xiàn)場操作人員或?qū)＜业慕?jīng)驗知識及操作數(shù)據(jù)制定規(guī)則來制作精準的數(shù)學模型，能夠有效對難以建立精確數(shù)學模型的復雜系統(tǒng)進行控制；控制行為不用傳統(tǒng)的數(shù)學變量表示，而用語言變量表示因為語言變量具有一定的模糊性便于將操作人員的想法融入到控制系統(tǒng)中；采用“不精確推理”，推理過程模擬人的思維過程，易于加入操作人員的經(jīng)驗，進而處理復雜系統(tǒng)的控制問題；對過程參數(shù)的變化反應遲鈍，適于解決非線性、實時變化及操作反應遲緩滯后等傳統(tǒng)控制方法難以奏效的問題。模糊控制的實質(zhì)是將相關領域熟練技術人員的專業(yè)知識和經(jīng)驗轉(zhuǎn)化為模糊語言規(guī)則通過模糊推理與模糊決策，實現(xiàn)對難以精確的描述復雜系統(tǒng)的特性，無法精準的獲得被控對象數(shù)學模型甚至根本無法建立數(shù)學模型的復雜系統(tǒng)的控制。傳統(tǒng)控制系統(tǒng)由控制器、被控對象和測量變送器三個核心部分組成，其原理框圖如圖3.7所示。模糊控制系統(tǒng)的原理框圖如圖3.8所示，與圖3.7比較可知，它與傳統(tǒng)控制系統(tǒng)的主要差異是用模糊控制器代替了傳統(tǒng)控制器。圖3.7傳統(tǒng)控制系統(tǒng)原理框圖圖3.8模糊控制系統(tǒng)原理框圖3.5人工勢場法簡介及改進人工勢場法是智能車輛躲避障礙物眾多算法中較為普遍的一種，其結(jié)構(gòu)相對于其他避障算法來說，較為簡單，方便實時控制，理解簡單，實用且具有良好的實時性，在實時躲避障礙物和平滑的行駛軌跡方面得到了廣泛的應用[20]。3.5.1人工勢場法簡介傳統(tǒng)的人工勢場法中[21]，需要在環(huán)境空間中構(gòu)建虛擬的人工勢場，，該虛擬的勢場由吸引力和排斥力組成，智能車輛與目標點之間的障礙物對智能車輛產(chǎn)生排斥力，目標點對智能車輛產(chǎn)生引力。智能車輛在未知虛擬勢場可以表示為靜電場，如圖3.9所示。該算法將吸引力和排斥力抽象成引力函數(shù)與斥力函數(shù)。引力函數(shù)來源于目的地對智能車輛的吸引力，方向為智能車輛指向目的地；斥力函數(shù)來源于障礙物對智能車輛力的排斥力，方向為障礙物指向智能車輛，而智能車輛的最終行駛方向是從對目標智能車輛的吸引力與對障礙物智能車輛的排斥力的總和所指示的方向得出的。如圖3.10所示。圖3.9靜電場模型圖圖3.10傳統(tǒng)人工勢場法合力圖（1）引力函數(shù)引力場中，目標點對智能車輛產(chǎn)生引力。而的大小取決于智能車輛與目標點的距離D。當距離D越大時，引力越大，反之距離D越小，引力就會越小，直至距離D為零時，引力的大小也變?yōu)榱悖悄苘囕v行駛至目的地。引力的函數(shù)公式可用式（3.2）表示。（3.2）其中K為引力函數(shù)的比例系數(shù)，X為智能車輛的矢量坐標位置，為目標點的矢量坐標。（2）斥力函數(shù)斥力場中，障礙物會對智能車輛產(chǎn)生排斥作用，斥力的大小取決于智能車輛與障礙物的距離，當越大時，斥力就越小，反之，斥力就會越大。斥力函數(shù)表達式可用式（3.3）表示。（3.3）公式中K為斥力函數(shù)比例系數(shù)，表示智能車輛在環(huán)境信息的位置，表示障礙物在環(huán)境信息中的位置。是一個矢量，表示智能車輛與障礙物之間的最短歐幾里德距離，表示障礙物對智能車輛的影響距離，是一個常量。如果在駕駛智能汽車時遇到形狀復雜或距離很近的障礙物時，可能出現(xiàn)勢場局部極小點，導致智能車輛停止在該處或在原地振動。這就是零勢能狀態(tài)，接下來針對于零勢能狀態(tài)對傳統(tǒng)人工勢場法做出改進。3.5.2人工勢場法改進及仿真分析由于零勢場的狀態(tài)是由形狀復雜或者距離很近的障礙物引起的，為了使智能車輛從零勢能區(qū)域中逃離，在人工勢場法的基礎上加入繞行這一應激行為。當智能車輛遇到零勢能狀態(tài)區(qū)域時，消除目標點對智能車輛的引力作用，并沿著排斥力的等勢面方向移動，直到智能車輛離開零勢能區(qū)域。因此，新產(chǎn)生的力允許智能車輛沿著新產(chǎn)生的力的方向移動并從零勢能區(qū)域逃逸；當障礙物的數(shù)量很大并且相對接近時，即，當智能車輛從一個零勢能區(qū)域逃出并落入另一個零勢能區(qū)域時，使用了人工勢場方法和模糊控制算法的組合起來使車輛行駛。如果有規(guī)律地排列障礙物，傳統(tǒng)的人工勢場法可以使智能車輛避開障礙物，安全行駛到達目標點。圖3.11傳統(tǒng)人工勢場法仿真結(jié)果當障礙物較少采用傳統(tǒng)人工勢場法來進行避障，智能車輛出現(xiàn)了無法正常行駛的情況，則說明障礙物的排列中出現(xiàn)了零勢能的情況，仿真結(jié)果如圖3.12所示。此時采用改進的人工勢場法來進行避障，即排除距離智能車輛最遠的障礙物，目標點對智能車輛的引力與障礙物對智能車輛的斥力組合出現(xiàn)一個新的合力，新的合力作用在智能車輛上使其沿著新的合力的方向運動，此時智能車輛可以順利躲避障礙物，安全地朝著目標點行駛，仿真結(jié)果如圖3.13所示。圖3.12傳統(tǒng)人工勢場法仿真結(jié)果圖3.13改進人工勢場法仿真結(jié)果改進后的人工勢場依然不是完美的，也存在著一定的問題，當如果障礙物太擁擠，仍然使用改良后的人工勢場法進行仿真，會導致智能車輛無法成功躲避障礙物直接行駛穿過障礙物。具體仿真結(jié)果如圖3.14所示。圖3.14障礙物密集時的仿真結(jié)果基于以上結(jié)果，則仍需對人工勢場法進行改進，使用人工勢場法與模糊控制算法相結(jié)合的方式進行仿真，即，當智能車輛檢測到擁擠的障礙物群時，智能車輛在人工勢場方法和模糊控制算法之間切換以避開障礙物。仿真結(jié)果表明，智能汽車運行良好。成功避開障礙物，安全駕駛到達目標點。具體仿真結(jié)果如圖3.15所示。圖3.15人工勢場法與模糊控制算法相結(jié)合仿真結(jié)果3.6本章小結(jié)與傳統(tǒng)的控制方法相比，介紹了模糊控制方法的優(yōu)點，并使用模糊控制方法將超聲波傳感器和視覺傳感器相結(jié)合起來。介紹了多傳感器信息融合技術和模糊控制的相關內(nèi)容，并結(jié)合了通過模擬分析收集的信息。在智能車輛躲避障礙物的基礎上，設計了三種智能車輛躲避障礙物的行為：直接躲避障礙物行為，緊急躲避障礙及直奔目標行駛行為。接下來，利用人工勢場方法進行模擬分析并對其進行改良，分析躲避障礙物行為中出現(xiàn)的問題，并使用人工勢場法和模糊控制算法相結(jié)合方法解決障礙物密度高時躲避障礙物不成功的問題。另外，通過模擬驗證并設計了智能車輛的避障系統(tǒng)。結(jié)論在本文中，首先介紹國內(nèi)外關于智能車輛的發(fā)展狀況，分析了我國目前智能車輛的發(fā)展狀況，相關的政策支持和各個研究機構(gòu)的研究成果。為了彌補智能汽車研究中單傳感器和單算法的不足，提出了一種多傳感器融合和多算法相結(jié)合的方法，旨在為智能汽車提供輔助駕駛技術，來進行障礙物躲避行為。具體工作內(nèi)容如下：首先，介紹各種傳感器的功能，優(yōu)缺點，比較傳感器信息融合技術和單傳感器技術的優(yōu)缺點。重點研究了智能車輛中超聲波傳感器和視覺傳感器的作用和應用場景。在障礙物識別中，選擇超聲波傳感器測量障礙物距離信息，視覺傳感器獲取障礙物和環(huán)境信息。在研究過程中，使用一種傳感器收集信息只能獲得單一的數(shù)據(jù)，無法滿足智能車輛避障的需求。因此，通過使用傳感器信息融合技術獲取障礙物的分布信息，還可以獲取障礙物與智能車輛之間的距離信息，從而可以有效地避開障礙物。在避障算法選擇過程中，選擇經(jīng)典的人工勢場法作為基礎的避障算法。在整個研究過程中，還根據(jù)障礙物的數(shù)量和放置密度的程度選擇不同的算法，如果障礙物數(shù)量少、擺列松散，則使用單一的人工勢場法，智能車輛就可以有效躲避障礙物，并順利到達目的地；當障礙物數(shù)量較多、擺列密集時，單一的人工勢場法無法滿足避障需要，因此基于人工勢場方法進行了改進，改進后，添加了模糊控制算法，并使用了人工勢場法和模糊控制算法相結(jié)合以躲避障礙物。通過模擬分析，結(jié)合模糊控制算法的改進的人工勢場方法可以障礙物數(shù)量多及排列密集的情況下，智能車輛平滑地躲避障礙物，并安全地行駛到達目標點。在本文中，僅使用超聲波傳感器和視覺傳感器兩種傳感器來檢測智能車輛行駛過程中的道路信息。雖然通過使用這兩種傳感器可以滿足本次研究的需要，但是在現(xiàn)實社會中遠遠不能滿足智能車輛的實際應用，但是在今后的研究中，所有類型的傳感器都被不斷集成，以起到各種傳感器的實際作用。所以，智能車輛要不斷升級，以確保智能車輛的安全駕駛，并能收集足夠的信息，以幫助智能車輛更好的在駕駛過程中對人的安全有所保障。智能車輛發(fā)展的過程就是現(xiàn)代汽車逐步去人力化、智能