环境感知技术

对环境的感知和判断是智能车辆自主行驶的前提和基础，感知系统获取周围环境和车辆状态信息的实时性和稳定性，直接关系到后续规划决策的成败。目前，环境感知的方法主要有以下几种。

1）雷达探测技术

雷达是一种主动式传感装置，其具有良好的空间数据获取能力，受光照的影响程度较低，能够昼夜工作。其缺点是视野范围小、价格昂贵，在某些天气如雨雪等环境中无法工作。智能车辆常用的雷达包括激光雷达、毫米波雷达、超声波雷达等。激光雷达具有大范围的扫描角度和较高的分辨率，可以直接获取距离信息，基本不受光照影响，能够昼夜工作，但探测的距离较短，目前激光雷达在智能车辆上的应用非常普遍，主要包括单线、二维及三维激光雷达。基于激光雷达关键技术主要有云聚类、帧匹配、特征提取和可通行区域分析等。毫米波雷达具有探测距离远（最远可达250m），穿透雾、烟、灰尘的能力强，可全天候（大雨天除外）全天时工作的特点，而且可以准确获取障碍物相对于毫米波雷达的距离和速度，与其他传感器相比，它具有探测能力强、目标鉴别能力强、性能稳定等优点，但其扫描角度较小，非常适合前方车辆的检测。

2）机器视觉技术

视觉是人类观察世界、认识世界的重要功能手段，驾驶人驾驶车辆过程中所需要信息的90%来自视觉。因此，基于机器视觉的环境感知技术也被公认为智能车辆最具发展潜力的技术之一。近年来机器视觉技术是智能车辆较为常用的环境感知技术之一，和雷达系统相比，机器视觉技术具有信息量大、成本低廉等优点，通过在智能车辆上安装多个摄像机，可以从不同的角度获得车辆周围的环境信息。机器视觉在智能车辆上主要应用于道路跟踪和障碍物检测等任务，经过多年的研究开发，基于机器视觉的结构化道路跟踪技术已基本成熟，机器视觉的研究重点开始转向低速复杂的城市交通环境以及偏僻地区的越野环境，城市交通环境中交通信号和路标检测已成为机器视觉研究的热点。尽管机器视觉在智能车辆上的应用研究已取得了较大的成果，但当前计算机对视觉信息的处理和感知能力还远逊于人类，而在智能车辆应用环境下，这一差距显得尤为明显。由于视觉感知计算本身具有数据量大、图像干扰较多的特点，而且智能车辆需要面对各种复杂多变的外部环境，再加上强实时和高可靠的应用需求，对光线及气候环境的适用性以及算法的可靠性与鲁棒性仍是机器视觉面临的重大挑战。机器视觉的进一步发展一方面在于软件算法方面的深人研究，包括对路面区域的算法（颜色、纹理识别）、基于知识的图像理解的道路识别算法方法的深人研究，另一方面也有赖于硬件条件的发展，包括高动态能力的环境感知传感器、更强的微处理器系统等的发展。

3）定位导航技术

定位导航用来确定智能车辆的行驶位置和航向，其包括相对定位和绝对定位两种方式。相对定位由光码盘、惯性陀螺、里程计、加速度计等传感器实现，不用依赖外界信号，工作频率高，但存在漂移误差，长时间工作时必须采用绝对定位数据进行修正。绝对定位包括磁罗盘定位、卫星定位等。磁罗盘能够根据地磁场测量车辆的绝对航向，但容易受到电力线、钢结构等外界磁干扰。卫星定位主要包括GPS、GLONASS、北斗等定位导航系统，其中GPS是目前应用广泛、成熟完善的定位技术，普通GPS的定位精度为10m，采用差分技术可以将精度提高到0.5m，但GPS定位技术依赖卫星信号的接收，容易受到建筑物、山地产生的干扰，无线电波也会对GPS信号产生干扰，即使在良好的环境中，GPS也会周期性的失效。针对2种定位技术的优缺点，智能车辆的定位一般同时采用两种方式，以精确地测量车辆的位置、航向。军用车辆目前多采用惯性导航系统（由陀螺和加速度计组成）和GPS的组合定位方式，其中GPS用于对惯性导航系统进行修正。

4）多传感器信息融合技术

智能车辆进行环境感知需要用到各种类型的传感器，而获取这些数据的实时性与稳定性直接影响整个系统的性能。智能车辆常用的传感器可分为主动式的雷达系统和被动式的视觉系统两类，主要包括光学摄像机、红外摄像机、激光雷达、GPS等。由于行驶环境的复杂性和单一传感器的局限性，智能车辆需要结合使用多种类型的传感器，以充分利用不同传感器数据间的融合和互补特性，获得充分、准确的环境信息。因此，如何将多个传感器的信息进行融合，以形成对关键特征的综合描述是智能车辆研究中的关键技术之一。多传感器数据融合的实质是对多元不确定信息的处理，由于信息表示形式的多样化，需要融合的数据既可以是原始的传感数据，也可以是经过计算后的某种高级形式（如车道线坐标、障碍物形状等），因此多传感器数据融合技术也是智能车辆研究所面临的一个非常具有挑战性的课题。