前言：尋找寫作靈感？中文期刊網用心挑選的毫米波雷達車輛目標檢測研究，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。
摘要:為了提高毫米波雷達對前方車輛檢測的準確性，本文提出一種基于機器學習的前方車輛檢測方法。結果表明，該方法滿足智能客車環境感知系統對于實時性和準確性的要求。
得益于汽車ADAS技術的快速發展，各種汽車輔助安全駕駛技術也越來越多地應用于客車［1－2］，例如緊急制動(AEB)［3－4］、前方碰撞預警(FCW)［5］、自適應巡航(ACC)［6－7］等。這些技術都能有效地協助駕駛員發現車輛行駛中潛在的風險，提醒駕駛員進行規避。車輛是交通環境中最主要的參與物，如何利用毫米波雷達對前方車輛進行快速、準確地檢測是ADAS技術的關鍵環節［8］。
1毫米波雷達功能屬性
毫米波雷達是通過接受障礙物的回波信號對物體進行探測，通過分析發射信號和回波信號的時間差和相位差可以獲得障礙物的速度和位置。另外毫米波雷達工作性能一般不受環境影響(大雨天除外)，具有全天候、全天時的優點。得益于毫米波雷達優良的性能，現如今已經毫米波雷達已經成為汽車ADAS系統中十分重要的傳感器。但毫米波雷達只能對車輛進行有效探測，對行人的探測結果不是很穩定，所以毫米波雷達在ADAS系統中主要用于車輛檢測。如今車載毫米波雷達大多屬于智能傳感器，內置有信號處理模塊和算法，方便用戶獲得處理后的目標級信息，這些信息包括障礙物的速度(縱向和橫向)、加速度角度(縱向和橫向)、距離、角度、反射強度等。以德爾福毫米波雷達為例，該雷達的工作頻率為77～79GHz，短程探測范圍為±45°，有效探測距離為60m，長距離探測范圍為±10°，有效探測距離為175m。雷達工作時可以同時對環境中64個目標的多種屬性進行檢測。在毫米波雷達冗雜的檢測數據中除了車輛目標，還包含其他3類目標:虛假目標、靜態目標、非危險目標。由于雷達工作性能和回波信號不穩定所產生的目標被稱為虛假目標，這類目標并非在交通環境中真實存在，所以存在時間很短，在下一個或幾個探測周期中會自動消失。交通環境中除了運動的車輛還有許多靜態目標，包括道路兩旁的樹木、護欄、燈桿等。非危險目標指的是主車相鄰車道以外車道的車輛目標以及遠處的目標，這類目標通常具有較小的碰撞風險，不是環境感知的重點對象。上述3類目標不屬于毫米波雷達探測的危險目標，在實際數據處理過程中需要進行剔除。針對第一種虛假目標比較有效的處理方法是采用生命周期算法進行過濾［9］。環境中的靜止目標其絕對速度為0，通過本車速度和目標的相對速度可以獲得各類檢測目標的絕對速度，因此設定速度閾值±0.05m/s可以較好地過濾靜止目標。另外靜止目標體積較小，回波信號相對車輛目標較弱，也可根據回波強度(或信噪比)進行區分。至于相鄰車道以外的目標可以直接根據目標橫向距離的分布進行區分。我國單車道寬度為b=3.5～3.7m，如圖2所示，車輛行駛潛在的危險區域為±1.5b，為了安全起見，b取最大值3.7m，同時考慮雷達5%的測量誤差，最終確定車輛橫向檢測區域為［－5.8m，+5.8m］。事實上對于靜態目標和非危險目標的剔除都是依賴工程經驗通過設定某項檢測指標的固定閾值進行過濾［10－11］，這種閾值分割方法忽略了各個檢測指標間的關聯關系，依賴于某項或者幾項指標的車輛目標初選方法在實際應用過程中的準確性和魯棒性有待進一步提高。
2基于決策樹的車輛目標檢測
2.1決策樹模型識別原理
為了克服閾值分割方法在車輛目標檢測中存在的問題，本文采用機器學習經典分類算法決策樹模型進行毫米波雷達對車輛目標的識別，試驗結果表明，該方法具有很好的效果。雷達數據中車輛目標和非車輛目標的分類是一個根據探測屬性進行逐步判斷的過程，各探測屬性在分類中權重有所不同，同時各個屬性之間存在相互關聯關系，這符合決策樹根節點、內部節點和葉節點的構建過程，因此選用決策樹對雷達數據和車輛有效目標進行提取符合問題和方法所對應的建模關系。如圖3所示，雷達的檢測數據通過決策樹模型對各種屬性進行逐層判別，越有利于目標分類的屬性越被優先判別(例如速度)，每層網絡中的分類權重是通過機器學習訓練獲得的，而不是人為設定［12］。
2.2毫米波雷達數據預處理
由圖1可知，從毫米波雷達輸出的障礙物檢測屬性有13項(編號除外)，其中有7項屬性是用來描述障礙物的跟蹤狀態，這些信息與目標分類特征沒有直接關系，需要將這些數據進行剔除。同時根據毫米波雷達對障礙物橫向距離和角度的探測結果，結合車輛運動學方程可以對障礙物的橫向速度和角度變化率進行估算，最終獲得8項有效分類屬性，見表1，其中有效目標標簽1代表車輛目標，0代表非車輛目標。訓練數據包含1884個檢測目標，其中車輛目標987個，非車輛目標897個。由表1可知，最小值為0.01，最大值為149，最大值和最小值的數量級超過104。為了防止數據差異而引起模型訓練的波動和不均衡，對數據進行［－1，1］的歸一化處理。
2.3決策樹模型構建與網絡訓練
本文基于Matlab搭建決策樹模型。Matlab的機器學習工具箱集成了大量的機器學習算法，其中包括決策樹算法。決策樹常用的算法有ID3、C4.5與CART，其中ID3算法的核心是在決策樹的各結點應用信息增益準則，選取信息增益最大的特征進行分類，具有更強的分類能力，因此本文選擇ID3算法。為了對訓練后的網絡進行評估，訓練前隨機選取70%的數據作為訓練數據，采用交叉驗證方法，15%的數據作為驗證數據，15%的數據作為測試數據。在訓練過程中設置迭代周期48次。將2.2節中1884組毫米波雷達檢測目標以向量的形式輸入到網絡，其中障礙物的特征向量作為網絡的輸入，對應的分類標簽作為網絡的輸出。由圖4可知，隨著網絡訓練迭代周期的增加，整個車輛目標分類網絡逐步趨于收斂和穩定，損失值不斷下降，在第30次迭代中達到了最小值，趨近于0。
2.4車輛目標檢測效果評估與分析
由混合矩陣的統計結果可知，模型訓練過程中的準確率為96.1%，測試和驗證結果的準確率分別為96.2%和91.7%，總體識別結果為95.5%。表2中真正率和真負率分別代表車輛障礙物和非車輛障礙物分類的準確率，兩者之和為總正確率。假負率指的是將車輛目標識別成非車輛目標的概率，在工程中指的是車輛漏檢，相比于假正率(誤檢)對實際行車安全危害更大，所以較低的漏檢率也是本文方法的優點。仿真模型的硬件環境為CUPI7－9700K，主頻處理速度為3.6GHz，內存16G。在算法處理速度方面，本文方法每秒處理雷達數據28幀，單幀數據的處理速度約為36ms。而基于閾值分割的方法，每秒處理雷達幀數124幀，單幀數據的處理速度約為8ms。雖然閾值分割算法速度高，但是本文方法的處理速度也滿足大型客車對于障礙物檢測實時性的要求，并且具有更高的準確率。
3結束語
毫米波雷達車輛有效檢測目標的提取是車輛環境感知領域重要的研究方向，高效、準確地實現有效目標的提取對汽車輔助駕駛安全非常重要。本文采用決策樹算法，以數據驅動的方式建立了車輛有效目標的分類模型，充分發揮了各個檢測指標的優勢，滿足客車環境感知的需求。
作者:魏濤 韓經魯 周雨輝 曹志博 單位:中通客車控股股份有限公司
