毫米波雷达是高级驾驶辅助系统中的传感器,主要用途是检测动态障碍物。本文使用毫米波雷达检测道路边沿,识别静态障碍物 [10],如道路两旁护栏等边界物体,并通过最小二乘法拟合道路的左、右边沿。相比于不到 40° 视角的摄像头,毫米波雷达的水平视场角更大,可以识别约 200 m 范围内的静、动态障碍物。
图 4 毫米波检测道路边缘示意图
由于本文采用毫米波雷达检测道路两旁护栏等边界物体,故需将毫米波雷达安装在与护栏高度相同的位置。如图 4 所示,首先,根据障碍物的横坐标将障碍物分为左、右 2 个集合,记为 P_L 和 P_R。为获取道路的主方向,在道路边沿仍采用直线模型进行拟合。对于每个集合,采用随机抽样的方法获取该侧的边沿。以 P_L={P_1,P_2,…,P_n}为例,任意选取 3 个初始点拟合直线,计算所有点到该直线的偏差,将偏差在预设阈值范围内的所有点添加为内点,并重新使用 3 个初始点和所有内点拟合新的直线。重复上述步骤迭代 100 次,所得含内点数量最多的直线模型即为最终结果。
根据时空连续性原理,连续 2 帧道路边沿位置图像的偏差不会太大。因此,为了提高检测结果的连续性,将前一帧车道线检测结果进行叠加。针对车道左、右两侧的检测结果,分别使用 2 个 Kalman 滤波器进行跟踪。以左侧护栏为例,靠近上、下边缘设置 2 条横向扫描线,每帧检测所得车道线和 2 条扫描线的交点坐标分别为 ( x_1, 40 ) 和 ( x_2, 360 )。基于方向不会发生突变的假设,设置状态变量X(k) = [ x1 x′1 x2 x′2 ] ^T,观测变量 Z(k) = [ x1 x2 ] ^T,系统的状态方程和观测方程如下:
其中:W(k) 和 V(k) 分别为系统噪声和观测噪声,假设两者均为满足高斯分布且均值为零的白噪声;A和 H 分别为状态转移矩阵及系统观测矩阵,
系统的状态方程和观测方程的误差 R 及协方差矩阵 Q 分别为:
每次获得最新的测量值 Z(k),通过k-1 时刻的 Kalman 滤波器输出值 x ( k-1 | k-1 ) 来估计 k 时刻的预测值 x(k | k-1) ,通过计算最小均方差误差矩阵获取误差增益矩阵 G(k),从而获得修正后 k 时刻的输出值 x( k | k )。