自动驾驶汽车环境感知传感器研究

刘 炜，陆存豪

自动驾驶汽车环境感知传感器研究

刘 炜，陆存豪*

（扬州大学 机械工程学院，江苏 扬州 225000）

近年来，自动驾驶技术作为智能网联汽车的重要组成部分，成为热点话题。环境感知系统是自动驾驶汽车的感官神经，扮演着“眼睛”的角色。文章通过查阅相关文献，结合当前研究热点，对自动驾驶汽车系统组成做简要介绍，同时对其环境感知系统所使用传感器的种类、工作原理、应用场景等方面做了系统介绍，对不同传感器进行对比分析并提出建议。通过介绍，能够帮助读者对自动驾驶汽车环境感知系统有初步了解，同时对相关技术人员给予一定指导。

自动驾驶汽车；环境感知；传感器；激光雷达；毫米波雷达

作为一种新兴技术，自动驾驶汽车（Auto- mated Vehicle, AV）在环境感知、高精度地图、人机交互、人工智能、机器视觉、机器学习等相关技术的加持下，有望代替人工驾驶，在缓解城市交通拥堵、降低交通事故、提高出行效率等方面发挥重要作用[1]。随着“交通强国”战略的提出，自动驾驶迎来了新一轮的研究热潮，不少地方进行智能网联汽车的示范，然而截至目前并没有一台完全意义上的自动驾驶汽车[2]。

自动驾驶汽车带来便利的同时，也面临着一系列挑战。如遇突发情况时，应该驾驶员驾驶还是自动驾驶问题；自动驾驶车辆和其他车辆碰撞时责任问题；两辆自动驾驶车辆碰撞时责任问题等等，均难以妄下定论。为此不少学者认为通过法律的途径来判断事故的责任，以达到自动驾驶汽车进一步推广应用的目的[3-5]。然而造成这种现象的根本原因是目前的自动驾驶技术还不成熟，完全代替人工驾驶在短时间内不能实现。

为此，对于自动驾驶汽车的安全性评价显得尤为重要，朱冰等基于自然驾驶数据建立了一种融合多种参数的场景风险指数，并通过仿真验证了所提出的自动驾驶汽车安全性评价方法的准确性[6]。为了进一步提高自动驾驶汽车的智能化，彭浩楠等针对双车道公路交通场景进行了自动驾驶汽车双车道换道方法的研究，通过评估和决策模型计算出车辆是否需要保持或变道，同时求出最优的路径规划[7]。一切技术的前提都需要数据的支持，对于自动驾驶汽车而言，其所处的环境数据至关重要，需要相关传感器才能够获取。

1 自动驾驶系统

自动驾驶系统主要由环境感知系统、中央决策系统和底层控制执行系统三部分组成，如图1所示[8]。感知层通过相关传感器获取车辆所在位置的环境信息，包括道路、行人、车辆、信号灯、障碍物等方面，并根据高精度地图、北斗导航、全球定位系统（Global Positioning System, GPS）等获取到车辆的位置信息进行融合后传递给中央决策系统，在该部分进行分析计算之后，迅速规划出车辆的行驶路线、速度等，同时将这些信号传递给底层执行机构，来完成车辆的加速、制动、转向等具体运动状态。同时中央决策机构能够实时检测车辆的故障信息并及时反馈给驾驶员[9]。

环境感知系统作为自动驾驶系统的“眼睛”，具有十分重要的作用和地位，需要具备较高的准确性、灵敏性、实时性、鲁棒性。传感器的选择对于环境数据的完整性与准确度至关重要，这对于自动驾驶汽车后续的路径规划、行驶状态、车辆状态等具有决定性的作用[10]。

图1 自动驾驶系统组成

2 环境感知系统传感器

摄像头和雷达是自动驾驶汽车环境感知系统最重要的传感器[11]。摄像头能够直接拍摄图像和视频，并通过简单的连接便可将数据传输到中央决策机构，其时效性、灵敏性、准确性较高，然而普通的摄像头只能采集二维图像和视频信息，在一定方面满足不了自动驾驶系统的信息需求。雷达则弥补了这一缺陷，通过雷达可以准确获取探测目标的位置信息、运动信息等具体而准确的数据，对于系统进一步的分析提供了精确的数据支撑。

2.1 摄像头

摄像头是环境感知系统中应用最多的传感器，在整个系统中扮演着“眼睛”的角色，可以直接获得车辆周围的环境并传输到自动驾驶系统的决策层。摄像头的评价指标主要包含以下几个方面：分辨率、帧率、焦距、降噪能力、还原度、镜头等，因此，需要选择合适的摄像头才能达到良好的效果。根据摄像头数量可分为单目摄像头、双目摄像头和多目摄像头，按照焦距可分为长焦摄像头、广角摄像头等，除此之外还有特殊的红外摄像头、全景摄像头、深度摄像头、事件摄像头等。

1.单目摄像头

单目摄像头（Monocular Camera, MC）由单个摄像头组成，结构简单，成本低，便于标定和识别。但在单张图片里，无法确定一个物体的真实大小，具有尺度不确定性[12]。沈念伟等利用单目摄像头获取车辆前方视频信息，通过最大熵分割法分离障碍物，最终提取出车辆前方障碍物信息[13]。孙博文等利用单目摄像头对动态手势的识别进行研究，通过改进相关算法并结合神经网络训练算法的可靠性，最终得到了高精度的手势识别系统[14]。

2.双目摄像头

双目摄像头（Binocular Camera, BC）由两个摄像头组成，由于两个摄像头之间的位置已知，可以估算出空间的距离，但是与标定较为复杂，深度量程和精度受到双目基线与分辨率的限制，运算量大[15]。李学森利用双目摄像头在改进的Census变换立体测距算法的加持下在简单环境中能够快速检测与追踪目标[16]。胡嘉祺等采用双目摄像头获取环境信息，设计了一种低功耗的路径规划小车，并通过算法的优化，不但降低了小车的总体能耗，而且对于小车整体性能也有一定提升[17]。

3.红外摄像头

红外摄像头（Infrared Camera, IC）通过热成像原理对行人进行检测，不需要可见光且反应速度快。但是对于径向运动的辨别能力很差，没有角度测量能力，不能完成静止测距，因此应用较少[18]。图2为525CP-4型红外摄像头。金展翌考虑到普通彩色摄像头只有在光照条件下才生效的弊端，对红外摄像头夜间识别手势进行了一系列的研究，最终实现了夜间多种手势的识别，识别率达91.8%[19]。曾进等以红外摄像头为载体，搭建了夜间睡眠姿势检测平台，对于人们睡眠检测具有重要意义[20]。

图2 525CP-4型红外摄像头

4.全景摄像头

全景摄像头（Panoramic Camera, PC）可以提供更多的视野，然而需要对拍摄的图像进行处进一步拼接和变形处理，得到一张位于车顶的环境俯视图，对汽车导航、定位和地图制图都很有帮助。但其边缘畸变非常严重，需要算法处理之后才能正常显示[21]。图3为TL-IPC55A型全景摄像头。黄思晓基于树莓派平台，采用4个全景摄像头收集小车的环境信息并进行拼接，通过透视变换后将小车所在的位置映射到2D地图上，以此来确定小车所在的位置[22]。

图3 TL-IPC55A型全景摄像头

5.深度摄像头

深度摄像头（Depth Camera, DC）除了能够获取平面图像，还可以获得拍摄对象的深度信息，即三维的位置和尺寸信息[23]。与传统摄像头相比，深度摄像头能够根据物理直接的距离信息获取其位置关系。此外，深度信息对于传统的应用同样有效，如对目标图像的分割、跟踪、识别等。在对图像进一步深化处理后，可以建立3D模型，对于传统的图像识别与追踪的效率大大提高，图4为Intel RealSense深度摄像头。

图4 Intel RealSense深度摄像头

6.事件摄像头

事件摄像头（Event Camera, EC）作为一种新型产品，具备高动态范围，低时延的特点。正由于低时延的特征，在拍摄高速运动的物体时，不会发生模糊的效果，因此，拍摄十分清晰，并且不受曝光的影响，成像速度非常快，能够很好地解决普通相机拍照模糊的缺陷[24]。图5为Inilabs事件摄像头。

图5 Inilabs事件摄像头

2.2 雷达

雷达，是通过无线电的方式探测目标的位置。不同的雷达具有不同的功能，但其组成大致相同，主要包括发射系统、接收系统以及处理系统，同时还有电源系统、显示系统、抗干扰系统等辅助系统[25]。环境感知系统中使用的雷达主要有三种，包括激光雷达、毫米波雷达和超声波雷达[26-28]。

1.激光雷达

激光雷达（Lidar）主要由发射器、接收机、信息处理系统、跟踪架等部件组成。激光雷达根据其发射波形可分为脉冲激光雷达、连续波激光雷达和混合型激光雷达等，按照其光波段可分为紫外激光雷达、可见光激光雷达和红外激光雷达等。其工作原理为激光发射器发射一束激光脉冲，当激光脉冲照射到待检测目标后产生反射，反射信号被激光接收机接收后送至信号处理系统，同时反馈给控制系统，由此来计算待测目标与雷达所在位置的距离[29]。在自动驾驶汽车中，激光雷达应用广泛，通过激光雷达探测车辆前方障碍物的位置，系统通过激光雷达获取到的环境信息对其进行有目标地提取并处理，并作进一步的判断。激光雷达受环境干扰较小，测量精度高，但其成本较高，且容易受到雾天的影响。如图6所示为LiDAR T1型激光雷达。

图6 LiDAR T1型激光雷达

高鹏等通过激光雷达提出一种激光里程计的方法，通过提取点云的关键信息来确定移动机器人的位置并构建地图，这种方法在果园机器人上得以实现与验证[30]。温淑慧等利用激光雷达设计了基于机器人操作系统的小车自主构建地图与路径规划的系统，并通过算法提高了机器人自主导航的性能与效率[31]。张谦利用激光雷达对环境感知范围广的特点，获取环境点云并建立数据库对获取的信息进行融合处理，最终获得最佳路径规划[32]。

2.毫米波雷达

毫米波雷达（Millimeter Wave Radar, MWR）根据频率不同分为24 GHz、77 GHz和79 GHz三类。24 GHz为短波雷达，测量距离低于30公尺，主要用于倒车辅助、停车辅助等；77 GHz的感测距离可达100 m，因此用作盲点的探测；79 GHz的感测距离约为250 m，在主动巡航系统和前向碰撞报警系统中应用广泛。其工作原理为发射器发出毫米波，根据多普勒效应，被探测的目标具有相对运动时，接收到的信号频率与发射时不同，由此来测得待测目标的位置信息[33]。连续波雷达体积小、质量轻、损耗低，广泛应用于自动驾驶汽车的辅助系统。图7为ARS408-21型毫米波雷达。

图7 ARS408-21型毫米波雷达

张磊等针对驾驶员疲劳驾驶多发的现象，利用毫米波雷达设计了一种疲劳驾驶检测系统，通过实时检测驾驶员的呼吸频率与心率，来判断驾驶员的疲劳程度，以此来减少疲劳驾驶所带来的安全隐患[34]。费文玉等利用毫米波雷达设计了一种汽车开门防撞系统，很好地解决了汽车停靠在路边时开门存在视野盲区而发生撞门的事件[35]。薛其威等通过将毫米波雷达与摄像头组合，建立了基于多模态的车辆三维检测算法，准确率与计算效率都满足检测的要求[36]。

3.超声波雷达

顾名思义，超声波雷达（Ultrasonic Radar, UR）通过超声波来测量障碍物的距离，但其测量距离较短，一般不超过3 m。超声波雷达对于光照、磁场等敏感度低，因此，可以在黑暗等恶劣环境下工作，常常安装在自动驾驶汽车的保险杠上，用来辅助倒车、泊车等工况。其工作原理为由于超声波在空气中的传播速度固定，便可通过发射与接收超声波的时间差来计算超声波雷达与障碍物之间的距离。超声波雷达能够实现实时控制、反应迅速、适应力强、计算简单等优点，是自动驾驶汽车环境感知系统必不可少的传感器之一。图8为DYP-A05-V1.1型超声波雷达。

图8 DYP-A05-V1.1型超声波雷达

纪者通过超声波雷达设计了一种自动泊车系统，提供了一种低成本且强适应性的自动泊车解决方案，该方案在MATLAB平台上验证了可行性[38]。仇旭等运用超声波雷达，基于拟合特征线段的方法改进了一种车位检测算法，准确率高达92.5%[39]。付鹏等通过超声波雷达对汽车自动泊车位的类型进行细致研究，对自动泊车的流程与原理进行分析，为自动泊车系统做出理论指导[40]。

3 环境感知系统传感器对比分析

上文分别介绍了自动驾驶汽车环境感知系统所使用的各种传感器，由于种类较多，下面通过表格进行相关总结与分析，如表1所示。

由表1可以看出，各种传感器的优缺点与应用场景并不相同，各有所长，在实际应用中，需要将它们根据实际车辆工作的需要进行选择，同时将传感器进行组合应用，取长补短，保证工作协同的同时，还要防止信息的冗余。不但如此，将传感器与对应算法的匹配也至关重要，通过软硬件的结合，共同实现环境感知的效果，为自动驾驶汽车提供准确、实时、高效的路况信息、行人信息、位置信息，这样才能发挥环境感知系统传感器的最大功能。

表1 环境感知系统传感器的优缺点对比

传感器优势缺点应用场景 摄像头像素高、刷新快；实时性强；颜色识别；可识别物质受光线影响大；依赖算法；不稳定车辆、行人、车道线检测；交通标志识别；场景分割 激光雷达精度和分辨率高；受光线影响小；视野宽，无盲区受雾霾天气的影响较大；同频干扰探测障俯物、3D识别；高精度地图高精度定位 毫米波雷达体积小、安装方便；距离远、穿透力强测量角度受限；采样点稀疏，分辨率低；不能识别小物体自适应巡航等 超声波雷达近距离测量较准确距离近、受温度影响倒车雷达、自动泊车等

自动驾驶汽车环境感知系统是自动驾驶系统最基础也是至关重要的一个环节，环境感知的程度，对于决策层做出车辆行驶状态起到关键作用。然而目前环境感知仍存在许多问题，比如依靠单一的传感器无法检测到完整的环境信息，而多个传感器的使用又会造成信息的多余，在处理过程中增加了许多繁琐的过程；比如在复杂的场景下环境感知的实时性、复杂性、灵敏性等问题亟需解决，同时在面对突发情况时，及时作出检测和判断至关重要；又比如软硬件的适配与技术的革新，环境感知系统的效率与准确度不仅仅依靠硬件的功能，更重要的是进行软件与硬件的适配，通过软件将硬件的功能完美地发挥出来，往往可以达到事半功倍的效果。

目前自动驾驶汽车等级最高可达4级，如华为与北汽集团合力推出的极狐阿尔法S·HI、特斯拉model3等。其中极狐阿尔法S·HI搭载3个激光雷达、6个毫米波雷达、13个摄像头和超声波雷达，共34个传感器，而特斯拉model3搭载了8个摄像头、1个毫米波雷达和12个超声波雷达，共21个传感器。然而要实现完全意义上的4级自动驾驶等级，仍需要进一步研究。

4 总结与展望

本文以车辆自动驾驶为入口，介绍了车辆自动驾驶系统的系统组成与相关作用，着重介绍了环境感知系统的重要作用与相关传感器，并通过表格的形式对各种传感器进行对比与分析，通过分析得出，为了提升自动驾驶汽车的可靠性、准确性和鲁棒性，多传感器融合技术是必不可少的, 结合不同传感器的特点, 每种传感器技术都可以在高度集成的系统中发挥其优势, 获取更准确的环境信息。

目前，自动驾驶技术正由L3向L4级别迈进，这对环境感知系统提出了更高的要求，产品技术的升级离不开软件与硬件的升级，同时软件与硬件的协同配合是一种有效的方式，通过技术不断地升级与迭代，高精度、高效率、高反应的环境感知系统一定会早日实现，完全自动驾驶技术也必然成为现实。

[1] 吕伟,郭伏,任增根,等.行人与高级自动驾驶汽车的交互研究综述:基于行人视角[J].工业工程与管理, 2022,27(6):75-85.

[2] 任永利,董航瑞.车路协同+自动驾驶助力郑州智慧岛交通强国示范[J].科技导报,2020,38(9):82-88.

[3] 孙笑笑,吕西萍.自动驾驶汽车事故责任主体的识别[J].法制博览,2022(10):1-4.

[4] 吴存伟.自动驾驶汽车侵权责任研究[D].北京:中国社会科学院大学,2021.

[5] 黄陈辰.自动驾驶汽车交通事故中刑事责任的划分与承担[J].大连海事大学学报(社会科学版),2021, 20(3):40-47.

[6] 朱冰,张培兴,刘斌,等.基于自然驾驶数据的自动驾驶汽车安全性评价方法[J].中国公路学报,2022,35 (7):283-291.

[7] 彭浩楠,唐明环,查奇文,等.自动驾驶汽车双车道换道最优轨迹规划方法[J].吉林大学学报(工学版), 2022,52(12):2852-2863.

[8] CVETICANIN L,NINKOV I.Sensors in Self-Driving Car[C]//Machine and Industrial Design in Mechanical Engineering Mechanisms and Machine Science.Cham: Springer,2021.

[9] CHEN R,YANG Z.A Cooperative Merging Strategy for Connected and Automated Vehicles Based on Game Theory with Transferable Utility[J].IEEE Tran- sactions on Intelligent Transportation Systems,2022, 23(10):19213-19223.

[10] 詹德凯.自动驾驶汽车环境感知系统传感器技术现状及发展趋势[J].辽宁省交通高等专科学校学报, 2021,23(3):21-26.

[11] 宋琪.基于多源传感器融合的无人车环境感知算法研究[D].长春:吉林大学,2021.

[12] ANDRADE D C, BUENO F. A Novel Strategy for Road Lane Detection and Tracking Based on a Vehicle’s Forward Monocular Camera[J].IEEE Tran- sactions on Intelligent Transportation Systems,2019, 20(4):1497-1507.

[13] 沈念伟,于大泳.基于单目摄像头的车辆前方障碍物的检测研究[J].农业装备与车辆工程,2022,60(1):84- 87.

[14] 孙博文,于峰.基于深度学习的单目摄像头动态手势识别与交互[J].哈尔滨理工大学学报,2021,26(1):30- 38.

[15] ZHANG Z Q, LI S C, LI C Y, et al. Navigation Path Detection Method for a Banana Orchard Inspection Robot Based on Binocular Vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2021,37(21):9-15.

[16] 李学森.基于双目摄像头的特定环境目标快速检测与追踪研究[D].桂林:广西师范大学,2021.

[17] 胡嘉祺,赵汉涛,叶俊泽,等.基于能耗地图的低功耗小车设计及实现[J].电子测量技术,2019,42(21):10-14.

[18] 成春阳,黄渊博,卢鑫,等.基于主动红外滤光环视成像的车道线检测算法[J].激光与光电子学进展,2018,55 (12):288-296.

[19] 金展翌.基于红外摄像头的手势识别[D].南京:东南大学,2020.

[20] 曾进,老志辉,许绵渠.基于红外摄像头的睡眠姿势嵌入式监测系统设计[J].电子技术与软件工程,2019 (15):168-170.

[21] 孙宛路.基于鱼眼环视的车道线检测技术研究[D].长春:吉林大学,2020.

[22] 黄思晓.基于360°全景摄像头图像识别的行车辅助系统[J].电子技术与软件工程,2021(11):77-79.

[23] 董理,胡茂海,杨志荣.基于深度相机的物体姿态感知方法[J].激光与光电子学进展,2022,59(14):300-307.

[24] 粟傈,杨帆,王向禹,等.基于事件相机的机器人感知与控制综述[J].自动化学报,2022,48(8):1869-1889.

[25] 李响,杨德贵.认知雷达及其关键技术的研究进展分析[J].现代雷达,2022,44(3):1-9.

[26] LIU L, HE J. A LiDAR–Camera Fusion 3D Object Detection Algorithm[J].Information,2022,13(4):169.

[27] WANG Z Y, YU G Z.A Train Positioning Method Based-On Vision and Millimeter-Wave Radar Data Fusion[J].IEEE Transactions on Intelligent Transpor- tation Systems,2022,23(5):4603-4613.

[28] 仇旭.基于相机和超声波雷达的车辆环境感知技术研究[D].长沙:湖南大学,2020.

[29] LETARD M, COLLIN A.Classification of Land-Water Continuum Habitats Using Exclusively Airborne Topobathymetric Lidar Green Waveforms and Infrared Intensity Point Clouds[J].Remote Sensing,2022,341: 14.

[30] 高鹏,姜军生,白阳,等.基于改进A*算法的果园移动机器人建图定位与路径规划方法与试验[J].中国农机化学报,2022,43(1):142-149.

[31] 温淑慧,问泽藤,刘鑫,等.基于ROS的移动机器人自主建图与路径规划[J].沈阳工业大学学报,2022,44 (1):90-94.

[32] 张谦.基于激光雷达的机器人路径规划[J].激光杂志,2018,39(5):88-91.

[33] 马小龙,余强,刘建蓓.基于路侧毫米波雷达的车辆碰撞概率计算方法[J].交通运输系统工程与信息,2022, 22(1):57-66.

[34] 张磊,方遒,孙彦超.基于毫米波雷达的疲劳驾驶监测系统[J].机电技术,2022(2):92-95.

[35] 费文玉,左付山,赵风财,等.基于毫米波雷达的汽车开门防撞系统设计[J].汽车实用技术,2022,47(6):75-81.

[36] 薛其威,伍锡如.基于多模态特征融合的无人驾驶系统车辆检测[J].广西师范大学学报(自然科学版), 2022,40(2):37-48.

[37] PAULET M V, SALCEANU A.Ultrasonic Radar[C]// International Conference and Exposition on Electrical and Power Engineering,Romania.IEEE Xplore, 2016: 551-554.

[38] 纪者.基于超声波雷达的自动泊车系统研究[D].北京:北京交通大学,2021.

[39] 仇旭,朱浩,邓元望.基于超声波雷达的改进车位检测算法研究[J].中国机械工程,2020,31(14):1747-1753.

[40] 付鹏,李嫩,陈庚,等.基于超声波雷达的泊车位类型检测[J].汽车实用技术,2020,45(7):25-27.

Research on Environmentally Aware Sensors for Autonomous Vehicles

LIU Wei, LU Cunhao*

( School of Mechanical Engineering, Yangzhou University, Yangzhou 225000, China )

In recent years, autonomous driving technology, as an important part of intelligent networked vehicles, has become a hot topic, and the environmental perception system is the sensory nerve of autonomous vehicles and plays the role of "eye". This paper makes a brief intro- duction to the composition of the autonomous vehicle system by consulting the relevant literature and combining the current research hotspots, and at the same time introduces the types, working principles, and application scenarios of the sensors used in the environment perception system, and compares and analyzes different sensors and makes suggestions. Through the introduction of this article, it can help readers have a preliminary understanding of the environmental perception system of autonomous vehicles, and at the same time give some guidance to relevant technical personnel.

Autonomous vehicle; Environmental awareness; Sensors; Lidar; Millimeter wave radar

U462

A

1671-7988(2023)10-197-07

10.16638/j.cnki.1671-7988.2023.010.040

刘炜（1999—），男，硕士研究生，研究方向为车道线识别技术、图像处理技术，E-mail:lw199988@163.com。

陆存豪（1988—），男, 博士，讲师，研究方向为车道线识别技术、图像处理技术，E-mail:lch_ok@yzu.edu.cn。