自动泊车系统的控制算法研究.doc

《自动泊车系统的控制算法研究.doc》由会员分享，可在线阅读，更多相关《自动泊车系统的控制算法研究.doc（31页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、Four short words sum up what has lifted most successful individuals above the crowd: a little bit more.-author-date自动泊车系统的控制算法研究自动泊车系统的控制算法研究自动泊车系统的控制算法研究 摘 要：自动泊车系统是汽车智能化发展的一个重要方向，也是无人驾驶技术的一部分。采用单目视觉的方法识别车位，为了使汽车能连续泊车入位，规划了基于回旋曲线的曲率连续泊车路径。同时，在装有单摄像机的模型车上对算法进行试验验证。结果表明，模型车准确识别车位，并连续泊入车位且以较好的姿态停于车位中间

2、。对机器视觉在汽车上的广泛应用具有一定促进作用。 关键词：自动泊车；单目视觉；车位检测；路径规划；回旋曲线 中图分类号：U471.15文献标文献标识码：A文献标DOI：10.3969/j.issn.2095-1469.2014.03.03 随着汽车技术的快速发展，汽车的普及率越来越高，随之带来的问题是停车位需求量越来越大，停车位的空间越来越小，从而在现代都市中“停车难”的问题变得日益严重。在窄小的空间进行倒车入位操作，对很多驾驶不熟练的驾驶员造成了很大的困扰。由此引起的交通事故也在逐年增加，而且占交通事故中很大一部分。因此，进行自动泊车系统的研究不仅能推动社会现代化，更能提高交通安全指数。 自

3、动泊车系统包括6个部分：环境识别、路径规划、姿态估计、路径跟踪控制、激活转向/制动系统和人机交互。目前，在应用于汽车上的自动泊车系统中普遍采用测距传感器，如超声波传感器1、激光雷达2 作为环境识别传感器。但是由于测距传感器只能用于平行泊车，而且图像传感器得到的信息量非常大，因此，图像传感器成为未来自动泊车系统的环境识别传感器是必然的趋势。采用机器视觉的方法识别环境，根据识别物体的不同可归纳为以下3种方法：（1）识别相邻车辆作为可用车位的边界。文献3 采用摄像头与激光雷达相结合的方法得到旁车的点云来获取车位信息。（2）识别车位标志线。在文献4中驾驶员通过点击触摸屏上的车位角点标志线及处理局部图像

4、来获取车位信息。（3）识别车位标志线和相邻车辆相结合的方法5 。在方法（1）、（3）中，需要处理的数据量非常庞大，导致处理图像的时间很长，难以满足系统的实时性要求；在方法（2）中，通过人机交互操作可大大减小算法复杂度，但同时也加大了驾驶员的操作负担。在路径规划中，文献6采用相切的圆弧来连接汽车的预备倒车位置和终止位置作为汽车的倒车轨迹，此倒车轨迹的缺点是曲率不连续，在泊车过程中，汽车必须在倒车轨迹曲率突变处停止泊车，将前轮转到特定角度才可继续泊车，使泊车过程不连续；Zhao Liang等提出采用Bezier曲线优化路径的方法7 ；Maekawa T.等采用-spline曲线作为汽车的泊车路径8

5、；文献9 规划了一条多项式曲线作为平行泊车路径。这3种曲线都是曲率连续变化的光滑曲线，但是在泊车过程中，很多时候前轮未转到极限状态，导致泊车所需空间较大，难以满足现代城市中在车位窄小的情况下进行泊车的要求，并且曲线拟合速度慢。 考虑到自动泊车系统主要在城区使用，通过检测车位线来识别目标车位是最经济、有效的方法。因此，本文采用一种使用单目视觉的方法来检测车位标志线，得到车位大小和车位与自车的相对位姿关系信息；采用回旋曲线将直线段和圆弧段连接，得到一条所需泊车空间小的曲率连续泊车路径。 1 车位检测 在自动泊车系统中，本文从经济性、实用性的角度考虑，采用单目视觉的方法检测车位。在汽车的左右后视镜上

6、各安装一个摄像头，用于检测汽车左右的车位。采用该方法检测车位包括以下步骤：（1）将使用广角摄像机获得的图像进行预处理，包括图像的灰度化、滤波、二值化和矫正。（2）在处理后的图像中提取车位标志线的骨架。（3）采用Hough变换检测车位标志线的骨架并采用K-均值法对Hough空间中的峰值点进行聚类，从而得到车位标志线所对应的直线方程，由此可得车位角点的图像坐标。（4）利用单应性矩阵将求得的图像坐标变换到以地平面为笛卡尔坐标系中xoy坐标平面的世界坐标。 1.1 图像预处理 摄像机采集的图像如图1（a）所示，该图片为YUV格式，由于彩色图像包含的数据量大，会使图像处理的时间增加，因此，将图像灰度化，

7、只需提取图像的Y分量即可，结果如图1（b）所示。由于获得的图像中含有对车位识别造成干扰的噪声，需要先对图像进行滤波处理，本文选择中值滤波的方法对图像进行滤波。通常情况下，车位标志线使用颜色明亮的白色涂料画在颜色灰暗的地面上，图像被分成两个部分：（1）明亮的车位标志线。 （2）灰暗的地面。本文采用基于全局灰度阈值的二值化方法提取车位标志线，二值化结果如图1（c）所示。在自动泊车系统中，必须采用广角摄像机来获得完整的车位信息，由此带来的负面影响是图像畸变。因此，首先需要将图像进行矫正，矫正图像采用非线性模型，在一般情况下，采用非线性模型中的径向畸变已能足够描述非线性畸变。通过摄像机标定，可得到非线

8、性畸变模型中非线性畸变参数，矫正后的图像如图1（d）所示。 1.2 骨架提取 用传统的距离变换方法提取骨架10 ，在骨架点的准确性上有明显的优势，但连通性较难保证。针对此算法的局限性，本文采用改进的骨架提取算法，利用距离变换值找出骨架种子点，并以种子点为起点，以单像素宽度生长出其余所有的骨架点，该算法保证了骨架的连通性和单像素性。该算法包括以下步骤：（1）计算距离变换值。（2）寻找骨架种子点。（3）生长骨架。 1.2.1 计算距离变换值 在矫正的二值化图像中，背景像素的距离变换值为0，车位标志线像素的距离变换值为该点到标志线边缘的最短距离。为了减小计算复杂度，采用基于模板的近似方法进行图像的距

9、离变换，模板大小为55，模板中的每个点被定义为这个位置与模板中心的欧式距离，模板中心位置的值为0。 1.2.2 寻找骨架种子点 骨架种子点是骨架生长的起始点，选择的种子点不同则生成的骨架也可能不同，理想的效果是由图形骨架的中间向外发散生长。在车位图中，选择车位的角点处作为种子点较合适，可由此点向多个方向进行生长，此处的特征是距离变换值相对较大，因此本文选取图形内距离变换值最大的点作为种子点，可以很容易证明该点是骨架点。 1.2.3 生长骨架 当找到骨架种子点，下一步是由种子点生长出整个图形的骨架。骨架的生长是一个迭代过程，本文定义生长前沿点为上一轮迭代所产生的骨架点，迭代过程分为以下3个步骤。

10、 （1）覆盖。在一轮迭代过程结束时会产生一个或多个生长前沿点，将以各生长前沿点为圆心，距离变换值为半径的圆形区域覆盖。在每一次覆盖之后，图像都将减小，直至图形区域为0，即图形的所有骨架点都已找到，迭代过程结束。图2表示了上述过程，图2（a）为原始图像，图2（b）表示第一次迭代过程结束，找到第1个骨架点，图2（c）、（d）、（e）表示后续的迭代过程，图2（f）表示剩余图形为0，图像骨架提取完成，迭代结束。 （2）判断新分支数。在每一轮覆盖结束之后，每一个生长前沿点都对应n个连通区（n为大于或等于1的整数），如图2（b）所示，因此，在下一轮迭代时，由生长前沿点开始生长的分支数应为n，并且n个分支生

11、长的方向分别指向n个连通区。 （3）生长新骨架点。理想的新骨架点与连通区的距离应该比前沿点与连通区的距离更近，因此选择前沿点8邻域中距离连通区最近的点为新骨架点的候选点，然后再考虑前沿点的8邻域中与新骨架点候选点相邻的两个点，分别计算前沿点与初选新骨架点和初选新骨架点相邻的两个点之间的梯度，将梯度最小的一个点作为新骨架点的最终结果。 对二值化后的矫正车位图像进行骨架提取，提取的骨架如图3所示。 1.3 检测车位线 在二值图像中应用Hough变换检测直线是最常用的方法。Hough变换是将二值图像中的每一个像素点的位置坐标转换为参数（，r）的集合，每一个参数（，r）对应一条经过此像素点的直线。将图

12、像中所有的像素点都转换为参数集合，在Hough空间中累加每个点的贡献，因此，二值图像中的直线对应Hough空间中的一个峰值，检测直线就转换为检测Hough空间中的峰值。首先设定一个阈值T，在Hough空间中将大于T的值设为255，小于T的值设为0，对骨架图像进行Hough变换，得到的Hough空间如图4（此图只取图像的一部分）所示。 Hough空间中的点所对应的直线如图5（a）所示，即车位标志线骨架所在直线。由于实际车位标志线的边缘凹凸不平，因此所提取的每一条车位线的骨架点并非严格处于同一直线上，就出现对于同一条车位骨架线将检测出多条直线的情况。 针对在同一条车位骨架线上检测到多条直线的情况，

13、本文采用K-均值法对所检测到的直线进行聚类，将Hough空间中同一类直线的位置坐标取平均值，得到最终车位标志线所在直线方程。K-均值聚类完成后，得到Hough空间中每一个点所属类别值，将同类点的Hough空间位置坐标取平均值，得到所对应的直线，如图5（b）所示，即为车位标志线的骨架线对应直线，由直线方程即可得到4个车位角点的图像坐标。 1.4 获取车位信息 在机器视觉中，平面的单应性被定义为从一个平面到另一个平面的投影映射11 。车位标志线都位于二维地平面上，因此，从二维地平面XwOwYw上的点到摄像机成像仪XsOsYs上的点的映射就属于平面单应性问题，如图6所示。 通过对摄像机的标定可以得到

14、摄像机的内参数和外参数12 ，由此可得到单应性矩阵，如式（1）。使用单应性矩阵可以将图像上的点与地面上的点一一对应起来，对应关系为式（2），由此可得到车位角点的世界坐标，从而可得到车位的尺寸和车位与自车的相对位置关系。 。 式中，s为比例因子；fx、fy分别为摄像机横向和纵向的焦距；cx、cy分别为摄像机主点的横坐标与纵坐标；r1、r2和t为摄像机坐标系OsXsYsZs与世界坐标系OwXwYwZw之间的旋转矩阵的前两个列向量与平移向量，均为31向量。 。 式中，X、Y为XwOwYw平面上的坐标；u、v为XsOsYs平面上的坐标。 2 路径规划 不同的车位环境适用不同的泊车方法。常规的路边车位较

15、宽，约有1.52倍车长，采用平行泊车，车位较窄且深则采用垂直泊车。本文以平行泊车为例，根据汽车的运动学模型，并考虑汽车在泊车过程中所需泊车空间尽可能小且能连续倒车入库的要求，在由圆弧段和直线段连接而成的所需泊车空间最小的泊车路径基础上，采用回旋曲线对其进行优化，使之成为曲率连续的泊车路径，使汽车能连续泊车。 2.1 汽车的运动学模型 由于泊车时车速较低，在此种情况下可将车体看作是一个刚体。又因为后轮与车身运动方向一致，后轮运动轨迹在车体运动过程中能够完全体现车体的运动轨迹，所以可以将后轮轴线中心坐标作为汽车的参考坐标。车轮在缓慢行驶过程中可以认为没有侧向力作用，此时车轮只做滚动和侧转，不会发生

16、滑动，汽车的运动学模型如图7所示。 在图7中，ABCD代表可用车位；（xr，yr）为汽车后轴中心在以车位的左下角为原点的xoy坐标系中的坐标；l为汽车轴距；w为车宽；v为汽车纵轴的线速度，定义汽车前进时速度为正，倒车时为负；为阿克曼转向角（前轮打正时为0），逆时针为正，顺时针为负；为汽车车身的方向角（汽车纵轴与x轴正向之间的夹角），逆时针为正，顺时针为负；为汽车后轴中心运动轨迹的曲率，1/为曲率半径。 因此，可得到基于阿克曼转向几何的运动学方程为 。 式中，q表示汽车的状态；v表示汽车纵轴的线速度，向前为正；表示车后轴中心轨迹曲率的变化率。 那么可以得到轨迹的曲率和曲率的变化率分别为 ，。 受

17、汽车前轮的最大转向角和最大转动角速度的约束，必须满足 ，。 2.2 泊车路径规划 路径规划是指在开始泊车之前确定一条使汽车安全倒入车库的参考路径。在通常情况下，规划的路径是由圆弧段和直线段连接而成，这种曲线的优点是规划简单，但是此曲线在圆弧段与直线段、圆弧段与圆弧段的相交处曲率是不连续的，在泊车时表现为在此交点处汽车必须暂时停止运动，将方向转到特定的角度再开始运动，这会增加驾驶员的不舒适性。因此，本文规划了一条基于回旋曲线的曲率连续泊车路径，此路径必须满足路径的曲率和曲率变化率不超过其最大值的约束条件，因为汽车不能以任意曲率半径转弯，并且不能以任意速度转向。 所规划的路径由直线段、圆弧段和曲率

18、连续变化的回旋曲线3种线段组成，如图8所示。 由于直线段和圆弧段的几何构造简单，容易描述，因此本文只讨论回旋曲线的设计，回旋曲线因为有曲率连续变化的优点而被广泛应用于桥梁、铁路和公路的设计中，该曲线的曲率变化与曲线的弧长成正比。设在泊车过程中路径规划的参考坐标系如图7所示，汽车的起始状态为q=x0 y0 0 0T，速度为常量vd =1，曲率变化率的最大值为，那么曲率从0变为最大值的回旋曲线方程可由运动学方程式（3）得到，所得方程如下： 回旋曲线在t时刻的曲率为 。 回旋曲线的切线在t时刻与x轴的夹角为 。 回旋曲线在t时刻的位置坐标为 ， 。 式中，CF为菲涅尔余弦积分；SF表示菲涅尔正弦积分

19、13 ；t为汽车运动的时间，在回旋曲线起始点处 t=0，由式（5）和式（6）可得。 本文规划的泊车路径共7段，由回旋曲线段、圆弧段和直线段组成，当车位较小时，最后一段可不要。泊车过程如下：车辆在起始位置开始沿回旋曲线泊车，直至方向盘转至极限位置，然后保持方向盘静止沿圆弧段泊车，当车行驶至圆弧端点时，方向盘开始回转，车辆沿回旋曲线继续泊车，当前轮回正时，车身朝向大约呈45，然后小车沿直线行驶，接下来沿下一段回旋曲线行驶直至方向盘转至极限位置，最后保持最大转角沿圆弧段倒车至车位，当此时车没有到达车位后极限位置时，将继续沿回旋曲线泊车至车身摆正。 3 试验结果 试验平台由飞思卡尔智能车竞赛专用的C型

20、模型车改装而成。通过摄像头传感器获得车位信息，由TMS320DM642开发板作为协处理器处理视频数据；利用光电编码器和陀螺仪进行小车的自定位；由MC9S12XS128开发板作为主处理器接收车位信息并控制小车的泊车过程。 由于模型车前轮转向速度可以达到很高，而实际车辆的前轮转向速度受助力电机所能提供的最大助力和转向结构的限制，只能达到某一限值。因此，采用模型车进行算法的有效性验证时，为了使试验条件与实际车辆相近，将模型车的前轮转向速度加以限制。考虑所测得的小车的轴距、轮距、最大转向角和最大转向角速度，设定泊车时模型车最大速度vd=0.2 m/s，采用实际车辆前轮最大转向速度值，可确定回旋曲线的参

21、数。模型车试验条件做此限制之后，与实际车辆试验很接近。当模型车的泊车速度低于vd时，泊车时前轮转向速度将更低，此时模型车试验条件与实际情况同样很接近。设定小车泊车速度为0.1 m/s，采用PID控制速度，在路径跟踪过程中，由于实际速度是变化的，因此本文采用时间缩放的方法13，即根据实时速度值得到一个对应的时间t，t的时间尺度是与速度大小有关的，根据运动学方程计算理想位置坐标和航向角。试验中采用模糊控制的方法15，模糊控制器的输入为小车的位置偏差和航向角偏差，输出为舵机的PWM增量。在模型车上安装了一个蓝牙模块，并使用LabVIEW设计了人机交互界面，通过人机交互界面控制车的启停，蓝牙模块实时发

22、送车的后轴中心位置坐标和车的航向角至计算机上存储。试验结束后，通过对比模型车在试验过程中的轨迹与理论泊车路径，两曲线在坐标轴上很接近，在x方向最大偏差为1 cm，在y方向最大偏差为1.2 cm。分析偏差的原因，由于模型车制造精度相比实际车辆偏低，转向结构间隙偏大，导致在控制转向时精确度降低，使模型车在跟踪理论泊车路径时出现偏差。试验结果如图9所示，小车连续、平稳地泊入车位，并且较好地停于车位中间。 4 结论 采用单目视觉的方法识别车位标志线，对基于距离变换的骨架提取算法进行改进，得到单像素宽度并且保证连通性的骨架。对采用Hough变换检测的直线进行K-均值聚类，获得代表车位标志线的直线，再经过计算得到泊车所需车位信息。采用回旋曲线连接直线段和圆弧段，得到一条光滑的泊车路径，解决了汽车在泊车过程中不能连续倒车入库的问题。本文所研究的车位识别算法只适用于城区中有明显车位标志线泊车位的情况进行自动泊车，因此，采用单目视觉的方法在其它情况下（如非城区中的空车位前后都有车但无标志线的情况）能有效检测出空车位将是未来研究工作的重点。-