第二章 智能网联汽车环境感知技术
第一节 概述
一、环境感知定义
智能网联汽车环境感知就是利用车载超声波传感器、毫米波雷达、激光雷达、视觉传感器以及V2X通信技术等获取道路、车辆位置和障碍物的信息，并将这些信息传输给车载控制中心，为智能网联汽车提供决策依据，是ADAS实现的第一步。
环境感知技术在智能网联汽车中的典型应用如图2-1所示。
图2-1 环境感知技术在智能网联汽车中的典型应用
二、环境感知方法
智能网联汽车环境感知方法主要有基于单一传感器的环境感知方法、基于自组织网络的环境感知方法和基于传感器信息融合的环境感知方法，如图2-2所示。
图2-2 智能网联汽车环境感知方法
①基于单一传感器的环境感知方法，如超声波传感器、毫米波雷达、激光雷达、视觉传感器等。
②基于自组织网络的环境感知方法，如V2X通信技术。
③基于传感器信息融合的环境感知方法，如采用视觉传感器+毫米波雷达、视觉传感器+超声波传感器融合等。
三、环境感知系统组成
智能网联汽车环境感知系统由信息采集单元、信息处理单元和信息传输单元组成，如图2-3所示。
图2-3 智能网联汽车环境感知系统
（1）信息采集单元 对环境的感知和判断是智能网联汽车工作的前提与基础，感知系统获取周围环境和车辆信息的实时性及稳定性，直接关系到后续检测或识别准确性和执行有效性。
（2）信息处理单元 信息处理单元主要是对信息采集单元输送来的信号，通过一定的算法对道路、车辆、行人、交通标志、交通信号灯等进行识别。
（3）信息传输单元 信息处理单元对环境感知信号进行分析后，将信息送入传输单元，传输单元根据具体情况执行不同的操作，如分析后的信息确定前方有障碍物，并且本车与障碍物之间的距离小于安全车距，则将这些信息送入控制执行模块，控制执行模块结合本车速度、加速度、转向角等自动调整智能网联汽车的车速和方向，实现自动避障，在紧急情况下也可以自动刹车；信息传输单元把信息传输到传感器网络上，实行车辆内部资源共享；也可以把处理信息通过自组织网络传输给车辆周围的其他车辆，实现车辆与车辆之间信息共享。
四、环境感知传感器比较
超声波传感器、毫米波雷达、激光雷达和视觉传感器作为主要的环境感知传感器，它们的选择需要综合考虑其性能特点和性价比，它们之间的比较见表2-1。
表2-1 环境感知传感器的比较
五、环境感知传感器配置
智能网联汽车环境感知传感器主要有超声波传感器、毫米波雷达、激光雷达、单/双/三目摄像头、环视摄像头等，它们在智能网联汽车上的配置与自动驾驶级别有关，自动驾驶级别越高，配置的传感器越多。
典型智能网联汽车传感器基本配置见表2-2。
表2-2 典型智能网联汽车传感器基本配置
随着汽车智能化和网联化的发展，智能网联汽车配备的先进传感器的数量将会逐渐增加，预计无人驾驶汽车将会装配30个左右先进传感器。
六、环境感知传感器融合
传感器融合就是将多个传感器获取的数据、信息集中在一起综合分析以便更加准确可靠地描述外界环境，从而提高系统决策的正确性。
1.多传感器融合的基本原理
多传感器融合的基本原理类似于人类大脑对环境信息的综合处理过程。人类对外界环境的感知是通过将眼睛、耳朵、鼻子和四肢等感官所探测的信息传输至大脑，并与先验知识进行综合分析，实现对其周围的环境和正在发生的事件做出快速准确的评估；而多传感器融合技术是通过各种传感器对环境信息进行感知，并传输至信息融合中心，与数据库信息进行综合分析，实现对周围的环境和正在发生的事件做出快速准确的评估。
多传感器融合的体系结构分为分布式、集中式和混合式，如图2-4所示。
图2-4 多传感器融合的体系结构
（1）分布式 先对各个独立传感器所获得的原始数据进行局部处理，然后再将结果送入信息融合中心进行智能优化组合来获得最终的结果。分布式多传感器对通信带宽的需求低，计算速度快，可靠性和延续性好，但跟踪的精度却远没有集中式多传感器高。
（2）集中式 集中式多传感器将各传感器获得的原始数据直接送至信息融合中心进行融合处理，可以实现实时融合。优点是数据处理的精度高，算法灵活；缺点是对处理器的要求高，可靠性较低，数据量大，故难于实现。
（3）混合式 混合式多传感器信息融合框架中，部分传感器采用集中式融合方式，剩余的传感器采用分布式融合方式。混合式融合框架具有较强的适应能力，兼顾集中式融合和分布式的优点，稳定性强。混合式融合方式的结构比前两种融合方式的结构复杂，这样就加大通信和计算上的代价。
目前多传感器融合的理论方法有贝叶斯准则法、卡尔曼滤波法、D-S证据理论法、模糊集理论法、人工神经网络法等。
2.视觉传感器与毫米波雷达相融合技术
视觉传感器成本低，可以识别不同的物体，在物体高度与宽度测量精度、车道线识别、行人识别准确度等方面有优势，是实现车道偏离预警、交通标志识别等功能不可缺少的传感器，但作用距离和测距精度不如毫米波雷达，并且容易受光照、天气等因素的影响。毫米波雷达受光照和天气因素影响较小，测距精度高，但难以识别车道线、交通标志等元素。另外，毫米波雷达通过多普勒偏移的原理能够实现更高精度的目标速度探测。
将视觉传感器和毫米波雷达进行融合，相互配合，共同构成智能网联汽车的感知系统，取长补短，实现更稳定可靠的ADAS功能，如图2-5所示。视觉传感器与毫米波雷达融合具有以下优势。
图2-5 视觉传感器与毫米波雷达融合
（1）可靠 目标真实可信度提高。
（2）具有互补性 全天候应用与远距离提前预警。
（3）精度高 大视角、全距离条件下的高性能定位。
（4）识别能力强 对各种复杂对象都能够识别。
3.视觉传感器与毫米波雷达数据融合策略
在智能驾驶场景下，视觉传感器与毫米波雷达的数据融合大致有3种策略：图像级、目标级和信号级，如图2-6所示。
图2-6 视觉传感器与毫米波雷达数据融合策略
（1）图像级融合 图像级融合是以视觉传感器为主体，将毫米波雷达输出的整体信息进行图像特征转化，然后与视觉系统的图像输出进行融合。
（2）目标级融合 目标级融合是对视觉传感器和毫米波雷达输出进行综合可信度加权，配合精度标定信息进行自适应的搜索匹配后融合输出。
（3）信号级融合 信号级融合是对视觉传感器和毫米波雷达传出的数据源进行融合。信号级别的融合数据损失最小，可靠性最高，但需要大量的运算。