关于不同车辆相对定位的测距传感器和协作式技术综述

1 摘要

未来驾驶辅助系统将依赖于准确、可靠和连续的其他道路交通参与者的位置信息，这些交通参与者包括：行人、自行车和其他车辆。通常解决这一问题的方案是采用车载的测距传感器。雷达、激光雷达和基于视觉的系统能够检测到视线内的物体。与这些非协作式传感器相反的是，协作式传感器遵循的策略是所有的道路参与者主动地提供估计的相对位置信息。可以使用基于车车通讯的协作式方法弥补车载测距传感器检测范围、视角和设施堵塞的缺陷。协作式策略和非协作式策略的融合从定位的准确性和鲁棒性角度来考虑似乎都能够得到最大的益处。本文给读者提供一个关于不同车辆相对定位技术的综合性概述。

2 引言

用于车辆相对定位的测距传感器和技术可以概括为下图，首先分为两大类：非协作式定位和协作式定位。非协作式定位包括：雷达、激光扫描仪、视觉和TOF摄像机；协作式定位包括：基于转发器的测距（根据射频信号直接估算相对距离）和基于GNSS的相对定位（通过通讯的方式传递GNSS测得的位置相关信息，包括GNSS解算得到的位置和原始的GNSS信息，如伪距）。具体对各个定位技术的介绍请参见原文，限于篇幅，本译文只进行部分翻译，着重于定位需求的分析以及对各个定位技术的评价。

3 需求分析

3.1 精度（Accuracy）

一般来讲，测量系统的精度可以定义为测量值和真实值的接近程度。在定位系统中采用测量值和真值的差值来定量描述该接近程度。通常定位系统中的精度指的是三维的定位精度，然而在车辆应用当中由于车辆是在道路上行驶的，一般不太关注垂直的车辆位置，因此一般采用二维的位置精度。定位的精度一般定量的描述为均方根误差（RMSE，Root Mean Squared Error）或者其它惯例比如95%置信区间。当评价车辆相对定位系统的精度时，通常将沿轨迹方向和垂直轨迹方向的精度区分对待。尤其是对于车载测距传感器，需要区别对待测距精度和测量角度的精度。

同测得的相对位置和相对速度信息一样，当前测量结果的不确定性信息对于驾驶辅助应用也是有用的。根据目标车辆检测距离、视角、目标物体的材质以及环境条件的不同，传感器的精度也会有所不同。理想的相对定位系统应该能够提供沿轨迹和垂直轨迹方向的高精度、无偏差的相对位置和速度信息，还包括当前估计的不确定性。Shladover and Tan 指出1m的定位精度在碰撞预警可接受的边缘，而50cm的精度会显著的提升系统的性能。

3.2 可靠性（Reliability）

特别是对于安全关键应用（safety-critical applications），系统的可靠性是非常重要的因素。一个系统可能精度很高，但是如果不够可靠也不行。在系统工程中，可靠性也称为完整性。完整性给出了“可以对整个系统提供信息的正确性进行的信任度量”。完整性还包括在超过特定参数的误差极限时提供警报的能力。完整性分析产生特定参数的置信区间，即所谓的保护级别，以及完整性风险，即测量不包含在保护级别内的概率。虽然在民用航空中对所有相关的操作部件施加了严格的完整性要求，但在公路运输领域才刚刚开始特别考虑完整性。道路车辆功能安全标准（ISO 26262）定义了所谓的汽车安全完整性等级，以量化车辆内部的每个功能，软件和硬件组件相关的风险以及与安全关键应用相关的风险。

3.3 可用性（Availability）

定位系统尽可能地可用是非常重要的，多种原因会导致可用性降低。基于GNSS的定位系统可能在卫星视线完全阻塞的情况下不可用，例如在隧道中。不仅是GNSS，任何类型的基于无线电的定位系统都可以通过干扰信号而变得不可用。基于视觉的测距系统可能不适用于雾、大雨或夜间等条件。

只有当各车辆配备有所需的定位和通信设备时协作式方法才可用。在早期开发阶段，较低的渗透率将产生事实上的低可用性。因此为了给安全系统提供连续的操作，对可用性的要求应达到接近100％。

3.4 检测范围和视场（Detecting Range and Field of View）

激光扫描仪和视觉等测距系统具有视线特性，这意味着它们只能测量可以直接看到的相邻障碍物的位置，并且很容易被其他车辆，建筑物或周围的地形所阻挡。这些系统还受到它们有限的发射功率或传感器灵敏度的限制。此外其视野也有限，由它们扫描环境的方位角和仰角的张角所定义，为了克服这种限制，需要在车辆周围放置多个传感器以获得360度的环境视图。而利用V2V通信和全向天线，可以实现对环境的全方位感知。

3.5 维度（Dimension）

空间中的位置是三维分量，因此它是一种相对的位置坐标。许多相对定位系统单独使用仅能够测量一维或二维的相对位置。基于GNSS的协作式解决方案能够在车辆之间提供完整的3D相对位置。

3.6 目标分辨和识别（Target Resolution and Identification）

目标的分辨指的是分辨不同对象的能力。量化目标的数量并随着时间的推移对目标进行跟踪对于驾驶辅助系统来说非常重要。临近的目标可能会被车载测距传感器错误地合并为一个单独的对象。系统检测和跟踪目标的最大数量会受到测距传感器内部处理能力以及车载处理能力的限制。根据道路环境的不同，为获得与安全相关的应用所需的对物体的辨识，将需要跟踪多达100个目标。另外，随着时间的推移对目标的明确识别是对于相对定位解决方案的进一步要求，即在检测和跟踪中断时为同一目标提供相同的ID。

3.7 系统延迟（System Delay）

安全相关的驾驶辅助应用，通常具有需要快速响应和高动态的特性。警报系统及时发出警报并且控制系统能够平稳地响应相对位置的变化是十分重要的。为此，来自相对位置设备的信息必须在短时间内处理并以足够高的速率输出。在队列行驶中，追求快速可靠地控制车辆的速度和转向。虽然今天的ACC应用需要10 Hz到20 Hz的更新速率，但未来的碰撞检测和预碰撞应用需要高达50 Hz的更新速率。

测量的输出频率是一个重要因素。测量的延迟（即从物理事件发生直到输出到应用程序所经过的时间）也是很重要的，因为它导致前向碰撞预警（FCA）障碍物检测的延迟或者在队列应用中控制的不稳定。例如，雷达传感器和激光扫描仪对速度变化不敏感，它们只能通过对连续测量量的观测来估计加速度，并因此受到延迟增加的影响。直接传输车辆传感器信息的协作式解决方案将克服该限制。然而，V2V通信将引入传播和通信系统的延迟。

3.8 非技术方面的要求（Non-Technical Requirements）

在评估某个相对定位系统的适用性时，还应考虑其他非技术要求或限制。比如在商用客货运车辆中，价格起着重要作用。某种相对定位解决方案的成本不仅是在汽车中装载该设备的直接价格，还需要考虑二次成本，包括安装和维护成本，处理能力，重量和功耗，以及所产生的噪音和热量。在使用基于基础设施通信（例如蜂窝通信）的协作式解决方案中，可以预期运行成本会以月费或年费的形式以维持基础设施和使用许可频带。

4 结论

本文对不同协作式和非协作式的测量相对位置的传感器和用于当前驾驶辅助系统以及未来自动驾驶系统的技术做了总结，并列于下表中。上文所述的需求分析也在增加在了表中来定量的衡量以上的各种技术，通过采用5个符号（++，+，o，-，--）来表明传感器在某一方面的性能的优劣（++最好，--最弱，o表示性能中等）。

在线的测距传感器比如雷达传感器和激光扫描仪能够提供较高的距离精度，但雷达传感器侧向的分辨率较低，激光扫描仪能够提供较高精度的侧向距离。两者均能够为安全相关应用提供可接受的更新频率（>10Hz），但是只有雷达能够直接提供相对速度信息。基于视觉的系统只能估计近距离车辆的距离，并且必须使用有关物体和背景的附加信息来估计距离更远车辆的距离信息。只能通过比较连续图像的信息来获得相对速度。激光扫描仪和摄像头系统由于依赖可见光导致可用性较低，并因此对不理想的照明和气候条件敏感。最终由激光扫描仪或摄像机支持的雷达传感器是用于安全关键的高级驾驶辅助系统相对定位非常适合的方法。

基于雷达和视觉的解决方案在纵向和横向性能方面能够相互补充。雷达传感器的带宽增加将使得回波信号中能包含更多的细节信息。雷达传感器的研究方向为更强大、更精确的检测和跟踪算法。此外，用于基于视觉的车辆跟踪系统的图像处理算法将继续发展以降低错误检测率和道路物体的错误分类。

关于成本，雷达传感器在过去十年中价格下跌，预计基于视觉的系统也会发生同样的情况，因为相机技术已经在消费市场中占据了一席之地，并且该技术已经成熟，可以引入汽车领域。而激光扫描仪由于其机械部件的存在，可能需要更多的时间才能够具有足够的吸引力以便找到市场。

所有非协作式方法都具有视线特征，并且容易被障碍物阻挡，例如其他车辆或者在弯曲的乡村道路以及城市环境中具有有限的范围。此外，使用RSS（Received Signal Strength，信号接收强度），RTD（Round-Trip Delay，往返延迟）和TOA（Time-Of-Arrival，到达时间）测量的基于协作转发器的方法在非视距条件下表现出太大的误差。这被认为是其应用于车辆安全应用的重要缺点，因为其需要及时地对车辆前方的动态事件作出反应。而基于V2V通信的协作式方法可以应对达到几百米的视线遮挡，通过车辆之间的定位信息交换来实现相对定位。在这里，不同的解决方案相互竞争，以满足高级驾驶辅助应用的要求。独立GNSS解决方案不满足相对位置和相对速度的准确性和可用性要求。GNSS与车载运动传感器和惯性传感器的融合用于绝对位置确定，提高了可用性和准确性。使用GNSS载波相位解决方案可以实现厘米精确的相对位置，但是具有对卫星视线阻塞的高灵敏度的缺点，导致有限的可用性并且仅保留用于开放天空场景。

尽管如此，基于GNSS的解决方案在城市峡谷或隧道等具有挑战性的环境中的有限可用性和低精度仍然是未来基于V2V通信的合作方法需要解决的主要问题。高精度地图将成为未来自动驾驶汽车获得准确绝对位置坐标定位的关键。通过使用车载感知传感器，自动驾驶车辆将能够识别周围的特征，并且可以得到自己的位置信息或与其他车辆共享这些信息，以便获得自己与其他车辆的相对位置关系。

协作式和非协作式的融合是最有希望的相对位置估计方法。建议将具有高精度和对于照明与气候条件具有良好鲁棒性的雷达传感器与具有扩展全方位范围和识别能力的V2V通信相结合。基于视觉的系统和雷达传感器将来可以将最低级别的协作式技术提供的周围道路使用者的信息纳入其中用以改善车辆检测和不同目标的分辨率。对于协作式方法，若将GNSS的伪距和载波相位测量值进行交换，并与运动传感器和惯性传感器信息结合将能够提供最高的准确性、可用性和鲁棒性。