赵一鸣Zhao Yiming
某辅助驾驶感知芯片目标排序规律探究
赵一鸣
Zhao Yiming
（联创汽车电子有限公司，上海 201206）
以目前辅助驾驶中广泛应用的某款芯片为例，探究其目标识别及排序规律；
针对我国某些场景下芯片识别不准确及不适应问题，提出相应的解决方案。
辅助驾驶；
目标识别；
排序规律
随着人工智能的发展，自动驾驶成为当下研究热点，汽车界普遍认为自动驾驶会引领下一轮汽车革命方向。目前各大整车厂商、汽车零部件厂商及互联网公司纷纷布局，在辅助驾驶及特定场景下的高级自动驾驶方面持续发力。
根据美国汽车工程师学会的分类，自动驾驶可分为6个等级，按照自动化程度从低到高依次为L0～L5，其中L2及以下被称为辅助驾驶，L2以上被称为部分、条件、高级或全自动驾驶[1]。
我国已于2022年3月1日正式发布《汽车驾驶自动化分级》标准，驾驶自动化同样分为6个等级，从低到高分别为应急辅助、部分驾驶辅助、组合驾驶辅助、有条件自动驾驶、高度自动驾驶及完全自动驾驶[2]，L2及以下被称为驾驶辅助。
本文不讨论L2以上自动化驾驶等级，重点讨论L2及以下辅助驾驶。
当前L2及之下辅助驾驶系统广泛采用前置摄像头和毫米波雷达结合的识别方案，最简单的方案是只采用一个前置摄像头，即单前置摄像头；
复杂方案中设置前置摄像头2个、3个，甚至4个。在配置摄像头的方案中，以色列某公司生产的感知芯片是采用较多的芯片之一，利用该感知芯片可实现对路况场景中行人、车辆、车道线、交通标志等进行识别，之后，车辆根据输出信息进行后续决策和控制。
本文只讨论单前置摄像头的感知芯片对道路目标（行人、车辆等）的识别。
针对单前置摄像头采用我国典型城市道路场景进行测试、分析，总结出单前置摄像头识别目标和对目标进行排序的规律。国内外道路交通状况存在差异，不同国家的道路场景不尽相同，在测试、分析感知芯片的目标识别机理后，找出识别不准确及不适应的场景，并提出相应的解决方案。
目标识别是辅助驾驶正常运行及后续决策、执行的关键前提。简单说来，目标识别是对所有与自车相关的目标进行捕捉、识别、筛选、跟踪、预测及应对。一般来说，相关目标包括脆弱道路交通参与者和其他道路交通参与者，其中典型的脆弱道路交通参与者包括行人、骑自行车/电动车的人（称为自行车或电动自行车）等；
其他道路交通参与者包括机动车辆及骑摩托车的人（称为摩托车）。
前置摄像头的目标识别重点是对视域范围内的目标进行识别、排序及输出。由于道路交通参与者多且杂，目标识别需要进行筛选和排序，其结果直接影响自车对相应目标的应对及处理。一般来说，排序越靠前的目标与自车的关系越密切，须对其运动行为进行更细致的跟踪及关注。
目标识别的排序规律主要包括以下几个方面。
1.1 CIPV排序
CIPV（Current In Path Vehicle，当前路径首要目标）一般为相关车辆，也可能是自行车等。CIPV在相关功能中非常重要，如ACC（Adaptive Cruise Control，自适应巡航控制）中，自车将CIPV视为重要参考目标，如果具有CIPV，则目标识别芯片实时监控自车与CIPV之间的相对距离、相对速度、相对加速度等，并根据自车设定的巡航速度等调整自车速度、加速度等，保持自车与CIPV间距离既不太大也不太小，既能避免发生追尾，又能合理调节自车驾驶行为，保证ACC功能安全、平稳、舒适。
自车并非每个时刻都有CIPV，当前置摄像头视域内有目标，则感知芯片会对目标进行识别，并输出目标排序。需要明确，CIPV为排序在首位的目标中更特殊的一个，排序首位的目标不一定是CIPV，但CIPV一定是排序首位的目标；
只有在自车路径上的首位目标才可能被判定为CIPV，其他路径上的首要目标不会被判定为CIPV。
1.2 弱势道路交通参与者的排序
本文所研究的感知芯片的目标排序从0开始，目标0为排序第1位的目标，目标1为排序第2位的目标，以此类推。
道路上行人和自行车属于弱势道路交通参与者，因为更容易受到伤害，在同样情境下的交通事故中，受到的伤害程度更深，同时，这些目标具有行动轨迹灵活、易突变，行为意图不易觉察等特点。在识别排序中，弱势道路交通参与者的排序普遍靠前。
如图1、图2所示，实际测试场景中，目标0的纵向距离、横向距离（左负右正）绝对值均大于目标1对应值，但是目标0排序比目标1靠前。进一步观察目标0、1、2的类别发现，目标0为自行车，目标1、2均为小汽车，由此可知，脆弱交通参与者的排序优先于非脆弱交通参与者，即自行车的排序优于小汽车。
图1 脆弱道路交通参与者的识别场景
图2 脆弱道路交通参与者的识别结果
1.3 纵向距离的影响
前置摄像头视域内目标排序是重点和难点，原因在于道路车辆不仅数量多且运行方向多、运动速度快，同时需要准确辨别车辆灯光、加速度等的变化。
当视野中出现多个运动车辆，根据典型驾驶习惯，自车车道上的车辆即CIPV（如果有）最需要关注，除此之外其他车辆的纵向距离中离自车最近的目标也需要重点关注，避免车辆出现追尾事故。
车辆排序并不单纯依靠纵向距离，在中间只有双实线并自车紧靠双实线行驶的情况下，紧靠双实线的对向车辆对自车也是需要额外关注的目标，此时对向车的目标排序重要性上升，稍有不慎，对向车辆可能误入自车车道，对自车构成安全风险。
综上来看，纵向距离是目标排序的重要因素，但不是唯一因素。
1.4 目标跟踪
本文所述芯片的目标识别排序最多输出40个目标。如果捕捉、跟踪到的目标一直保持在前40个目标序列内，则该目标会一直存在，直至从前置摄像头的视域消失。
同时，随着相关目标的位置、速度、加速度等动态变化，各目标排序也在动态变化，有可能单个目标排序向前、向后变动，甚至脱离排序列表，但始终遵循的原则是时刻将当下与本车关系最密切、最能影响自车安全行驶的目标向前排序。
针对所述感知芯片，行人和骑自行车的人属于脆弱道路交通参与者，但骑摩托车的人不属于。另外，该感知芯片不具有电动自行车识别类别。我国电动自行车不仅保有量大而且使用频率高，感知芯片常将道路上的电动自行车错误识别为摩托车，后者属于车辆类型，排序相对靠后，所以对于电动自行车的错误识别客观上恶化了骑行人的安全处境，不符合安全要求，错误的识别场景如图3、图4所示。
图3 电动自行车骑车人错误识别场景
图4 电动自行车骑车人错误识别结果
图3中目标0、1、2均为电动自行车骑车人，但对比图4中目标识别结果发现，目标0、1、2均被错误识别为摩托车，与实际情况不符。
目前我国摩托车使用量及保有量少于电动自行车，同时摩托车在所述芯片的识别体系中不属于脆弱道路交通参与者，排序普遍靠后。上述错误识别，对电动自行车骑车人和车辆辅助驾驶系统来说都不妥。
国内以电动自行车作为交通工具的人数众多，并经常出现超速、超载、闯红灯等行为。因此，电动自行车骑行人是车辆辅助驾驶中目标识别的难点，应将电动自行车纳入重点识别序列，进行特别关注。针对电动自行车被错误识别问题给出3点建议：（1）对电动自行车骑行人的特点进行精细化分析，捕捉独特特征，提高识别准确性；
（2）增加目标识别类别，将电动自行车骑行人单独列为目标类别；
（3）将电动自行车骑行人纳入脆弱道路使用者数据库，更好地契合当下我国交通路况。
目标识别是辅助驾驶中的关键步骤，目标排序规则直接影响辅助驾驶的功能与行驶安全。本文梳理了车辆辅助驾驶的目标排序规律，针对错误识别问题提出了解决方案，有助于提高目标识别的准确性及全面性，使车辆的辅助驾驶功能更安全。
[1]On-Road Automated Driving （ORAD） Committee. Taxono my and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles：J3016_202104[S/OL]. SAE International，2021[2022-02-20].https：//www.sae.org/standards/content/ j3016_ 202104/.
[2]国家市场监督管理总局，中国国家标准化管理委员会.汽车驾驶自动化分级：GB/T 40429-2021[S/OL].北京：中国质检出版社，2021[2022-02-20].http：//openstd.samr.gov.cn/bzgk/gb/newGbInfo?hcno= 4754CB1B7AD798F288C52D916BFECA34.
2022-08-08
1002-4581（2022）06-0032-03
U463.6
A
10.14175/j.issn.1002-4581.2022.06.009
猜你喜欢道路交通排序参与者休闲跑步参与者心理和行为相关性的研究进展体育科技文献通报(2022年3期)2022-05-23门限秘密分享中高效添加新参与者方案南京理工大学学报(2022年1期)2022-03-17《道路交通安全法》修改公开征求意见商用汽车(2021年4期)2021-10-17作者简介名家名作(2021年4期)2021-05-12恐怖排序科普童话·学霸日记(2020年1期)2020-05-08节日排序小天使·一年级语数英综合(2019年2期)2019-01-10道路交通安全宣传口袋书系列汽车与安全(2017年7期)2017-08-03欢迎订阅2017年《道路交通管理》杂志汽车与安全(2017年5期)2017-07-20欢迎订阅2017 年《道路交通管理》杂志汽车与安全(2017年3期)2017-04-26基于代理的多方公平交换签名方案计算机技术与发展(2017年1期)2017-02-22
