客摇车摇技摇术摇与摇研摇究
摇摇摇摇摇摇第5期摇摇摇摇摇摇摇摇摇BUS&COACHTECHNOLOGYANDRESEARCH摇摇摇摇摇摇摇No.5摇2019
59
基于机器学习的毫米波雷达车辆目标检测
魏摇涛,韩经鲁,周雨辉,曹志博
(中通客车控股股份有限公司,山东聊城摇252000)
摘摇要:为了提高毫米波雷达对前方车辆检测的准确性,本文提出一种基于机器学习的前方车辆检测方法。结果表明,该方法满足智能客车环境感知系统对于实时性和准确性的要求。关键词:智能客车;车辆目标检测;毫米波雷达;机器学习中图分类号:U469郾1;U472郾9摇摇
摇文献标志码:A摇摇
文章编号:1006-3331(2019)05-0059-04
VehicleTargetDetectionwithMillimeter-waveRadarBasedonMachineLearning
(ZhongtongBusHoldingCo.,Ltd.,Liaocheng252000,China)
WEITao,HANJinglu,ZHOUYuhui,CAOZhibo
Abstract:Inordertoimprovetheaccuracyoffrontvehiclesdetectionwithmillimeter-waveradar,thispaperproposesafrontvehiclesdetectionmethodbasedonmachinelearning.Theresultshowsthatthismethodsatisfiestherequirementsofrealtimeandaccuracyofintelligentbusenvironmentsensorysystem.Keywords:intelligentbus;vehicletargetdetection;millimeterwaveradar;machinelearning摇摇得益于汽车ADAS技术的快速发展,各种汽车辅助安全驾驶技术也越来越多地应用于客车[1-2],例如紧急制动(AEB)[3-4]、前方碰撞预警(FCW)[5]、自适应巡航(ACC)[6-7]等。这些技术都能有效地协助驾驶员发现车辆行驶中潜在的风险,提醒驾驶员进行规避。车辆是交通环境中最主要的参与物,如何利用毫米波雷达对前方车辆进行快速、准确地检测是ADAS技术的关键环节[8]。
息,这些信息包括障碍物的速度(纵向和横向)、加速度角度(纵向和横向)、距离、角度、反射强度等。以德尔福毫米波雷达为例,该雷达的工作频率为77~79GHz,短程探测范围为依45毅,有效探测距离为60m,长距离探测范围为依10毅,有效探测距离为175m。雷达工作时可以同时对环境中个目标的多种属性进行检测,其检测结果如图1所示。
1摇毫米波雷达功能属性
毫米波雷达是通过接受障碍物的回波信号对物体进行探测,通过分析发射信号和回波信号的时间差和相位差可以获得障碍物的速度和位置。另外毫米波雷达工作性能一般不受环境影响(大雨天除外),具有全天候、全天时的优点。得益于毫米波雷达优良的性能,现如今已经毫米波雷达已经成为汽车ADAS系统中十分重要的传感器。但毫米波雷达只能对车辆进行有效探测,对行人的探测结果不是很稳定,所以毫米波雷达在ADAS系统中主要用于车辆检测。如今车载毫米波雷达大多属于智能传感器,内置有信号处理模块和算法,方便用户获得处理后的目标级信
图1摇毫米波雷达检测数据
在毫米波雷达冗杂的检测数据中除了车辆目标,还包含其他3类目标:虚假目标、静态目标、非危险目标。由于雷达工作性能和回波信号不稳定所产生的目标被称为虚假目标,这类目标并非在交通环境中真实存在,所以存在时间很短,在下一个或几个探测周期中会自动消失。交通环境中除了运动的车辆还有许多静态目标,包括道路两旁的树木、护栏、灯杆等。非危险目标指的是主车相邻车道以外车道的车辆目
作者简介:魏摇涛(1985—),男,硕士;工程师;主要从事客车电控系统开发设计工作。
60客摇车摇技摇术摇与摇研摇究摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇2019年10月
标以及远处的目标,这类目标通常具有较小的碰撞风险,不是环境感知的重点对象。
上述3类目标不属于毫米波雷达探测的危险目标,在实际数据处理过程中需要进行剔除。针对第一种虚假目标比较有效的处理方法是采用生命周期算法进行过滤[9]。环境中的静止目标其绝对速度为0,通过本车速度和目标的相对速度可以获得各类检测目标的绝对速度,因此设定速度阈值依0郾05m/s可以较好地过滤静止目标。另外静止目标体积较小,回波信号相对车辆目标较弱,也可根据回波强度(或信噪比)进行区分。至于相邻车道以外的目标可以直接根据目标横向距离的分布进行区分。我国单车道宽度为b=3郾5~3郾7m,如图2所示,车辆行驶潜在的危险区域为依1郾5b,为了安全起见,b取最大值3郾7m,同时考虑雷达5%的测量误差,最终确定车辆横向检测区域为[-5郾8m,+5郾8m]。
的问题,本文采用机器学习经典分类算法决策树模型进行毫米波雷达对车辆目标的识别,试验结果表明,该方法具有很好的效果。基于决策树的车辆有效目标识别原理如图3所示。
图3摇基于决策树的车辆有效目标识别原理
雷达数据中车辆目标和非车辆目标的分类是一个根据探测属性进行逐步判断的过程,各探测属性在分类中权重有所不同,同时各个属性之间存在相互关联关系,这符合决策树根节点、内部节点和叶节点的构建过程,因此选用决策树对雷达数据和车辆有效目标进行提取符合问题和方法所对应的建模关系。如图3所示,雷达的检测数据通过决策树模型对各种属性进行逐层判别,越有利于目标分类的属性越被优先判别(例如速度),每层网络中的分类权重是通过机2郾2摇毫米波雷达数据预处理
器学习训练获得的,而不是人为设定[12]。
由图1可知,从毫米波雷达输出的障碍物检测属性有13项(编号除外),其中有7项属性是用来描述障碍物的跟踪状态,这些信息与目标分类特征没有直接关系,需要将这些数据进行剔除。同时根据毫米波雷达对障碍物横向距离和角度的探测结果,结合车辆运动学方程可以对障碍物的横向速度和角度变化率进行估算,最终获得有效分类属性,见表1,其中有效目标标签1代表车辆目标,0代表非车辆目标。训练数据包含1884个检测目标,其中车辆目标987个,非车辆目标7个。
图2摇车辆行驶区域分类
事实上对于静态目标和非危险目标的剔除都是依赖工程经验通过设定某项检测指标的固定阈值进行过滤[10-11],这种阈值分割方法忽略了各个检测指标间的关联关系,依赖于某项或者几项指标的车辆目标初选方法在实际应用过程中的准确性和鲁棒性有待进一步提高。
2摇基于决策树的车辆目标检测
为了克服阈值分割方法在车辆目标检测中存在
2郾1摇决策树模型识别原理
表1摇毫米波雷达预处理数据
编号距离/m角度/(毅)速度/(m·s-1)横向距离/m反射率/db横向加速度/(m·s-2)角速度/(毅·s-1)相对加速度/(m·s-2)有效目标标签59411
149郾7043郾8023郾809郾00
-35郾30-4郾860郾261郾30
-4郾76-42郾56-50郾29郾43
-5郾20-5郾700郾203郾40
-4郾00-9郾003郾006郾00
0郾010郾010郾00
0郾010郾000郾000郾01
-0郾30-0郾050郾010郾30
1100
-0郾02
摇第5期摇摇摇摇摇摇摇摇摇魏摇涛,韩经鲁,周雨辉,等:基于机器学习的毫米波雷达车辆目标检测61
摇值和最小值的数量级超过摇由表1可知,最小值为100郾401,。为了防止数据差异而
最大值为149,最大引起模型训练的波动和不均衡,对数据进行[-1,1]的归一化处理。
2郾3摇决策树模型构建与网络训练
本文基于Matlab搭建决策树模型。Matlab的机器学习工具箱集成了大量的机器学习算法,其中包括决策树算法。决策树常用的算法有ID3、C4郾5与CART,用信息增益准则其中ID3算法的核心是在决策树的各结点应,选取信息增益最大的特征进行分
类,具有更强的分类能力,因此本文选择ID3算法。为了对训练后的网络进行评估,训练前随机选取70%的数据作为验证数据的数据作为训练数据,15%,的数据作为测试数据采用交叉验证方法,15%。在
训练过程中设置迭代周期48次。
将2郾2节中1884组毫米波雷达检测目标以向量的形式输入到网络,其中障碍物的特征向量作为网络的输入,对应的分类标签作为网络的输出。其训练结果如图4所示。
图4摇模型训练过程
由图4可知,随着网络训练迭代周期的增加,整个车辆目标分类网络逐步趋于收敛和稳定,损失值不断下降,在第30次迭代中达到了最小值,趋近于0。2郾4摇车辆目标检测效果评估与分析
通过对决策树模型进行测试,其检测统计结果如图5所示。
摇图5摇训练与测试混合矩阵
摇由混合矩阵的统计结果可知,模型训练过程中的准确率为96郾1%,测试和验证结果的准确率分别为96郾策树方法与固定阀值方法的结果对比见表2%和91郾7%,总体识别结果为95郾5%2。
。采用决表2摇决策树与固定阈值结果对比
%摇
指标决策树固定阈值真正率/真负率47郾5/48郾045郾6/46郾7假正率/假负率2郾7/1郾83郾1/4郾6总体正确率
95郾5
92郾3
表2中真正率和真负率分别代表车辆障碍物和非车辆障碍物分类的准确率,两者之和为总正确率。假负率指的是将车辆目标识别成非车辆目标的概率,在工程中指的是车辆漏检,相比于假正率(误检)对实际行车安全危害更大,所以较低的漏检率也是本文方法的优点。
仿真模型的硬件环境为CUPI7-9700K,主频处理速度为3郾6GHz,内存16G。在算法处理速度方面,本文方法每秒处理雷达数据28帧,单帧数据的处理速度约为36ms。而基于阈值分割的方法,每秒处理雷达帧数124帧,单帧数据的处理速度约为8ms。虽然阈值分割算法速度高,但是本文方法的处理速度也满足大型客车对于障碍物检测实时性的要求,并且具有更高的准确率。
3摇结束语
毫米波雷达车辆有效检测目标的提取是车辆环境感知领域重要的研究方向,高效、准确地实现有效
目标的提取对汽车辅助驾驶安全非常重要。本文采用决策树算法,以数据驱动的方式建立了车辆有效目
62客摇车摇技摇术摇与摇研摇究摇摇摇摇摇摇摇摇摇摇摇摇摇摇摇2019年10月
标的分类模型,充分发挥了各个检测指标的优势,满足客车环境感知的需求。参考文献:
[1]谢勇波,李熙,朱田,等.基于预瞄理论的智能驾驶客车轨
1-5.
迹跟踪控制方法研究[J].客车技术与研究,2018,40(6):
[7]李径亮,刘昭度,张彪,等.基于MCU的车辆ACC电控系
统设计[J].微计算机信息,2009,25(29):1-3.(41):34-37.
[8]朱敏慧.从ADAS到自动驾驶[J].汽车与配件,2014[9]刘志峰,王建强,李克强.具有鲁棒特性的车载雷达有效目
875-878.
标确定方法[J].清华大学学报(自然科学版),2008(5):
[2]张翔郾2014年汽车ADAS技术的最新进展[J].汽车电器,[3]姜岳辰,李训猛,李秀明.基于某改款车辆的AEB雷达布
置方法研究[J].汽车实用技术,2019(8):147-150.[4]何海燕,王斌,叶晨桦,等.基于层次分析法的AEB评价指
标优化[J].上海汽车,2018(9):28-33.
[5]曾杰,王戡,张仪栋,等.FCW系统目标检测距离精度测试
与研究[J].客车技术与研究,2018,40(5):52-55.[6]张立淼.自适应巡航控制系统发展现状与前景分析[J].
汽车工业研究,2017(7):18-21.2014(8):4-7.
[10]谭力凡.机器视觉与毫米波雷达融合的前方车辆检测方
法研究[D].长沙:湖南大学,2018.
[11]王亚丽.基于毫米波雷达与机器视觉融合的前方车辆检
测研究[D].长春:吉林大学,2013.
[12]SAFAVIANSR,LANDGREBED.Asurveyofdecision
treeclassifiermethodology[J].IEEEtransactionsonsys鄄tems,man,andcybernetics,1991,21(3):660-674.
收稿日期:2019-05-22
詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬詬
(上接第51页)
[4]陈新伟,王俊,沈睿谦.基于GPRS的远程检测无线电子鼻
系统[J].农业机械学报,2015,46(4):238-245.
[5]朱孔源,建立更加智能化的汽车安全系统[J].轻型汽车
技术,2006(2):35-36.
[6]董英娟.汽车用自适应前照明系统(AFS)试验研究[J].
自动化与仪器仪表,2015(5):192-195.
[7]高小静.自适应前照明系统的研究[D].北京:北京理工
大学,2016.
[8]邹祖军,冯进良,郭奕辰,等.汽车大灯远近光自动切换系
统[J].仪器仪表用户,2011,18(3):20-22.
[9]罗德智,牛萍娟,郭云雷,等.汽车前照大灯智能化的现状
与发展[J].照明工程学报,2017,28(5):72-78.[10]余建华,许礼强,谌江波,等.一种照明装置、汽车激光大
灯及汽车:201420562532.X[P]郾2014-09-26.
[11]刘珂,付宗国.汽车照明系统现状及未来发展[J].中国
水运(下半月),2017,17(1):142-144.
[12]霍一格.电动汽车智能车联网终端及云服务平台系统研
究[J].科技风,2015(3):7.
收稿日期:2019-06-27
