汽车行业正向自动驾驶迈进，汽车设计和开发人员也越来越注重汽车系统的主动安全。要实现主动安全的自动驾驶，先进驾驶辅助系统（ADAS）是基础，也是关键，如自适应巡航控制系统、防碰撞系统等等。

据估计，要确保ADAS和自动驾驶汽车的安全性和可靠性，需要数10亿英里的道路测试。这项看似不可能的任务，在开发、设计和验证阶段只有借助仿真技术才能实现。本文将介绍在虚拟仿真环境中开发ADAS功能的实践经验和高级别成果。我们开发了两种基于传感器融合的ADAS功能，即：（i）静态障碍物检测；（ii）动态目标检测和跟踪。

关键词：高级驾驶辅助系统（ADAS）、自动驾驶（AD）、环中软件（SIL）、虚拟样机、传感器融合、跟踪对象、卡尔曼滤波器

简介

防碰撞系统是ADAS的功能之一，如同第三只眼一样帮助驾驶员，持续不断的检测车辆前方道路状况。该系统使用了各种传感器来感知汽车周围的环境，基于传感器输入的数据，系统可以识别判断各种潜在的危险情况，并输出控制信号（如声音和视觉提醒），以帮助驾驶员避免或减缓碰撞事故的发生。

然而，ADAS的开发是一个迭代过程，需要经过数次的迭代才能达到最终版本。因此，在ADAS的设计、开发和评估的早期阶段，建立一个非常逼真的仿真环境十分重要，如此一来可以减少时间和降低风险。

在ADAS实际应用之前，软件在环仿真（Software-in-the-loop simulation，SIL）不失为是对复杂软件系统进行评估的有效方法。在SIL仿真概念中，将实际生产软件（或算法）集成到包含物理系统模型的虚拟环境（数学仿真）中，以便为软件测试提供有效的平台。也正因如此，我们就必须要模拟汽车及其与物理世界的相互作用。

在本篇文章你将会读到：

第一部分：ADAS开发的虚拟仿真平台；

第二部分：描述传感器融合的过程，其中两个ADAS功能用于检测静态障碍物和跟踪车辆；

第三部分：传感器融合的模拟结果；

第四部分：总结全文并指出未来研究工作的方向。

1.用于ADAS开发的虚拟仿真平台

在真实的交通环境中验证和测试ADAS应用程序是一项艰巨的任务，这需要付出很多的努力和高昂成本。这是因为真实的交通环境是不可预测的，很难执行标准化驾驶测试或重现结果。在ADAS开发的不同阶段，驾驶模拟器可以用来在不同开发阶段对ADAS软件进行模拟原型设计、测试和验证。PreScan是一个用于汽车行业的虚拟仿真平台，能够完成ADAS应用的设计和评估，模拟最常见的传感器类型，以及建立虚拟交通场景。

PreScan包含大量模型，如路段、基础设施组件（建筑、交通标志和树木）、参与者（汽车、卡车、自行车和行人），如图1。不同的天气条件（如雨、雪和雾）和光源（如太阳、前照灯和灯柱），进一步提高了建立虚拟交通场景的质量。

图1 在虚拟环境中建立的交通场景

对于ADAS和AD的算法和环境感知来说，传感器至关重要。我们将传感器分为以下几组：

PreScan可用于高级驾驶辅助系统上的传感器包括雷达、 激光、摄像头、GPS等。图2显示了具有ADAS功能的汽车中的传感器定位示例。

图2 ADAS车辆上安装的传感器位置示例

通过PreScan，可以将每个传感器精确配置在模型车辆上，还可以根据特定的真实传感器模型来修改传感器属性，如图3所示。Prescan能够可视化连接到自主车辆的每个传感器的视野（FOV），见图1。

图3 Prescan的传感器配置

通过Matlab/SIMULINK 进行ADAS功能开发。基于COM的接口（组建对象模型），Prescan和Matlab/Simulink（组件对象模型）进行耦合仿真来实现数据可视化，驾驶环境可视化等等操作。图4显示了在闭环中配置的Prescan和Matlab/Simulink之间的数据流。

图4 Prescan和Matlab/Simulink之间的数据流

Simulink的主要功能是能够随着时间的推移来模拟系统组件的行为。在Prescan模拟中放置在自主车辆上的传感器，并在Simulink中以块的形式可见。只需将传感器块与下一个处理块用一条线连接，即可仿真每个传感器所输出的信息。图5显示了在Simulink中开发的用于提取传感器数据的模型。

图5 用于提取传感器数据的Simulink模型

下一节，将描述ADAS功能的开发。

2.传感器融合

传感器融合即整合从多种传感器中提取传感数据的过程，所产生的数据，比任何来自单个传感器的数据更加准确和有效。传感器融合的目的是减少不确定性，意味着能够输出更准确、完整和可靠的结果。在汽车应用中，尤其是在高级驾驶辅助系统中，传感器融合起着核心作用。

数据融合是一项比较复杂的工作，需要对传感器的特性具有深刻的理解，能够熟练的运用卡尔曼滤波等融合的算法，从而对目标进行准确的提取、筛选以及跟踪，本文我们举一个的例子。

检测周围环境中的静动态障碍物，是用于ADAS系统传感器融合的一个例子，我们将在下面一小节说明。

A.检测静态障碍物

将用于静态障碍物检测处理和数据融合的系统组件，放入一张简单的静态障碍物地图中，并将自车车辆连接进来。该系统组件结合了来自多个传感器（如激光雷达、摄像机、雷达、超声波传感器）的数据，可以获得更加准确和长久的自主车辆环境视图。如果传感器组（部分）存在冗余，该组件也可以帮助减轻某些传感器的故障。本模块的目标是确定实际的可驾驶区域，即环境在默认情况下不能被视为可驾驶。

我们展示了一种基于自车数据和激光雷达检测的网格地图。自车的数据包含来自内部传感器（速度、加速度、横摆率、位置）的测量值。激光雷达，尤其是某些垂直层的传感器，可以在可行驶区域（自由空间）上做出充分的描述。激光雷达探测将以原始数据形式（范围和角度）输出。

静态障碍物检测模块的输出为一个占用网格，该占用网格是一个结构，包含了被检测到的自车静态环境的所有信息（静态障碍物的位置、障碍物的大小和形状、障碍物存在的概率）。虽然占用网格的大小有限，但足以集成所有传感器的测量信息。在实施中，占用网格覆盖了每个方向约100米的空间，并能够同自车移动。我们使用了VeloView对采集到的激光雷达数据进行三维表示，如图6所示。

图6 激光雷达可视化的3D表示

B.在道路上的车辆跟踪

跟踪是指在一段时间内定位一个或多个移动目标的过程。跟踪多个目标需要检测、预测和数据关联三个步骤。目标检测是在单个帧中定位感兴趣的目标的过程。目标目测包括预测在下一帧中的目标位置。数据关联是使用预测的位置来关联跨帧的检测以形成跟踪轨迹，其跟踪轨迹表示由多个检测组成的对象的临时历史记录。

检测。在PreScan和Matlab之间设置接口，以便准备用于跟踪的检测。PreScan传感器可以返回多种目标类型的检测（汽车，电机，卡车，人，建筑物，交通标志，路段等）。由于我们只需要跟踪某些特定类型的目标，因此我们按照类型对目标进行过滤筛选。此外，PreScan传感器可以对同一对象目标进行多次检测，所以来自一个传感器的多次检测，跟踪器会将其理解为多个不同的对象，并将为同一对象创建多个轨迹。为避免这种情况，我们通过合并某个预定义范围内的检测的函数，可以将多个检测集群到单个检测。或者，如果目标ID的信息可用（如基本的PreScan传感器），则可以通过合并具有相同ID的检测来完成集群。

卡尔曼滤波器。随着时间的推移跟踪一个目标，意味着我们需要预测目标在下一帧中的位置，这可以通过卡尔曼滤波器（KF）可以实现，KF在多个跟踪任务和数据预测任务中是十分常用的。KF是一种递归的数据处理算法，其通过预测和校正机制来进行操作。该算法使用了一系列随时间变化而观察到的测量值，并结合之前的估计和测量更新来预测新的状态。

在“预测”这一步中，由算法生成当前变量及其不确定性的估计值。估计值是基于估计随时间变化的假设模型。KF用于消除噪声，并用于估计未知状态或变量的最优解。状态模型由位置、速度和加速度组成。假设，目标物体的加速度是恒定的，则使用恒定的加速度运动模型。由于目标车辆设定的速度是固定的，或是沿着模拟路径的两点以恒定速度增加，因此我们使用恒定加速度模型。

在“测量更新”这一步中，根据预测状态的加权平均值和当前测量测量的状态更新估计值，将其中较低的权重赋予不确定性较高的状态。

通过处理来自多个传感器的信号（例如结合来自雷达、激光雷达、相机和其他传感器的信号），KF可以减少统计噪声和其他误差。对于非线性系统，可以使用扩展卡尔曼滤波器(EKF)，其工作原理是对预测和测量的平均值进行线性化。

跟踪管理。在Matlab中，负责跟踪管理的multiObjectTracker （可在自动驾驶系统工具箱中找到）可以跟踪目标从一帧移动到另一帧。跟踪管理包括：

参考帧转换。在目标融合的过程中，可能需要完成数个参考帧转换。在传感器的参考帧中检测到目标，同时在车辆或世界参考帧中跟踪目标。最终结果转化为车辆参考帧，例如，用于可视化。因此，需要定义传感器到车辆、车辆到传感器、世界到车辆和车辆到世界的转换函数。参考帧转换的非线性操作，需要在“预测”步骤中使用卡尔曼滤波的非线性版本(即EKF)来进行。

3.仿真

我们利用上述的Prescan-Matlab/Simulink环境，以及扩展的卡尔曼滤波跟踪器，对道路上的跟踪车辆进行了仿真。

在图7中，从驾驶员的角度显示了模拟视图。图8显示了放置在同一位置的地图和物体融合的结果。白色标记表示可行驶区域，灰色标记表示不可行驶区域，黑色标记表示障碍物。如检测到汽车和卡车移动物体，用红色方块标记。

图7 来自驾驶员角度的视图

图8 来自驾驶员角度的视图

结论

本文所讲述的虚拟仿真平台，为ADAS模块的开发、评估和验证提供了一种灵活的解决方案。主要优点如下：

静态障碍物检测和目标跟踪为开发更可靠的ADAS系统打下了坚实的基础。此外，原型应用程序可以作为开发ADAS应用程序的基础，这些应用程序还适用于真实传感器，并能够在嵌入式平台上运行。