《智能汽車避障系統(tǒng)的設(shè)計》17000字（論文）

緒論研究背景及意義到目前為止，汽車的發(fā)展已經(jīng)有一百多年的歷史了。歐美國家率先發(fā)展了汽車工業(yè)。以日本和韓國為首的亞洲汽車企業(yè)雖然起步較晚，但已逐漸成為世界汽車工業(yè)的領(lǐng)先者。截至2017年底，全國可檢驗的機動車超過3億輛，其中汽車占70%，其中汽車的駕駛?cè)藬?shù)占到了約85%左右。隨著汽車數(shù)量的增加，不可避免地會給人們的生活帶來一些不良影響，如交通堵塞、交通事故等。在手動駕駛過程中，整個駕駛過程由駕駛員控制。一旦司機犯了錯誤，就很容易造成交通事故。時至今日，全世界平均每天死于交通事故的人數(shù)約為3000人，每年還有數(shù)千萬人受傷或致殘。據(jù)統(tǒng)計，交通事故是青少年死亡的一個重要原因，死亡的概率遠遠高于其他原因。此外，世界上的殘疾人和老年人也占總?cè)丝诘暮艽蟊壤瑢τ谶@一群體來說，想安全駕駛汽車也是很不方便的。為了減少交通事故造成的損失，提高車輛的安全性能，各國政府也公布了一系列法令。同時，為了創(chuàng)造安全的交通環(huán)境，提高人們的安全旅游質(zhì)量，他們投資了大量資金來研究汽車的安全技術(shù)?？傊?，為了避免這一連串交通事故造成的巨大損失，讓不能自己開車的人享受個人旅行駕駛的樂趣，需要自己開車判斷路況。因此，智能汽車的概念逐漸被人們所接受。智能車輛的初期研究開發(fā)多用于軍事領(lǐng)域。隨著科學(xué)技術(shù)的成熟，在民用領(lǐng)域也進行了智能車輛的研究。智能車的開發(fā)不僅意味著汽車產(chǎn)業(yè)的發(fā)展，也意味著許多新興產(chǎn)業(yè)的發(fā)展，因此對于世界上所有國家來說，默認地被認為與各國發(fā)展有著不可或缺的聯(lián)系。智能車今后的發(fā)展將大大提高人們的旅游質(zhì)量。只要智能汽車的發(fā)展達到一定的水平，其他產(chǎn)業(yè)的發(fā)展也會達到相應(yīng)的水平。屆時，智能交通管理可以在實踐中得到實施，解決擁堵、停車難和排放等問題，因此，研發(fā)智能車輛不僅對減少交通事故，而且對其他社會產(chǎn)業(yè)的發(fā)展具有重要意義。智能汽車國內(nèi)外研究現(xiàn)狀智能汽車國外研究現(xiàn)狀隨著相關(guān)技術(shù)的成熟，各國都十分注重交通安全和軍事領(lǐng)域的應(yīng)用，以及智能車輛的開發(fā)，進而推動智能車輛技術(shù)的研發(fā)。世界上第一臺自動引導(dǎo)車輛系統(tǒng)于1954年被研發(fā)成功由美國BarretElectronics公司自主研發(fā)的，它具備了智能汽車一項最基本的功能特征——無人駕駛[1]。到了70年代，智能汽車的研究在歐美國家已經(jīng)得到了普遍的重視，20世紀80年代，美國國防部開啟了自主地面車輛（AVL）新計劃，該項目采用攝像頭和計算機系統(tǒng)來檢測地形并對車進行導(dǎo)航[2]，其目的就是為了能夠讓汽車擁有充分的自主權(quán)。在20世紀90年代，梅賽德斯和慕尼黑國防軍大學(xué)聯(lián)手改進和開發(fā)了一種裝備有各種傳感器的汽車，使汽車能夠監(jiān)控車輛周圍的道路狀況，并據(jù)此進行處理。21世紀，為了促進智能汽車技術(shù)的發(fā)展，同時也為智能汽車研究者提供了一個學(xué)術(shù)交流的平臺，美國國防部高級研究項目局(DARPA)從2004年起，開始舉辦機器車挑戰(zhàn)大賽(GrandChallenge)。谷歌于2009年開始研究開發(fā)智能車項目，研究開發(fā)團隊的工程師大多是曾經(jīng)在DARPA工作的工程師。直到2014年，谷歌才展示了一款完全自動駕駛的汽車，而在2015年，第一款可以在道路上正式測試的樣車揭開了面紗，一款完全沒有方向盤的智能汽車，讓乘客的雙手得到了釋放。圖1.1谷歌智能汽車2017年9月，美國眾議院通過了關(guān)于自動駕駛的法案，首次對智能汽車的生產(chǎn)、測試和發(fā)布進行管理。2017年9月12日，美國交通運輸部部長趙小蘭公布了新版自動駕駛指南2.0，旨在統(tǒng)一全美智能汽車技術(shù)的研發(fā)，聲明智能汽車公司的測試和部署無需審批，并于2018年發(fā)布了3.0版本。目前智能車的發(fā)展方向也吸引了很多外國國家的關(guān)注，國外已經(jīng)發(fā)行了一系列政策和措施來研究智能汽車，當(dāng)然，我國也同樣重視智能汽車的發(fā)展。智能汽車國內(nèi)研究現(xiàn)狀中國的主要研究機構(gòu)和大學(xué)例如中國國家自然科學(xué)基金委員會、清華大學(xué)、國防科技大學(xué)、吉林大學(xué)、同濟大學(xué)等對智能汽車的駕駛技術(shù)的研究具有重大影響。國外的智能汽車的駕駛技術(shù)的研究很早就開始了，并進行了很多投資，但是這個領(lǐng)域國內(nèi)外的差距正在慢慢縮小。我國智能汽車的研究發(fā)展從上世紀八十年代才剛開始，但是在我國智能汽車剛起步十年便取得了巨大的成就。90年代初，國防科技大學(xué)便獲得了成功，研制出了我國意義上的第一輛智能汽車，這輛汽車裝有由計算機及其配套的傳感器和液壓控制系統(tǒng)組成的汽車計算機自動駕駛系統(tǒng)，該車能夠在計算機控制下完成無人駕駛[3]。到了21世紀，國防科技大學(xué)對智能汽車的研究有所突破，成功地開發(fā)了第四代智能汽車。結(jié)果發(fā)現(xiàn)，智能汽車在中國以最高速度76km/h行駛。2003年7月國防科技大學(xué)取得了輝煌成就與中國一汽集團開發(fā)的紅旗自動駕駛汽車在高速公路上通過了測試。最大駕駛速度速度達到130km/h。智能汽車的整體技術(shù)性能和指標(biāo)達到世界領(lǐng)先水平。2012年11月24日，我國軍事交通學(xué)院所研發(fā)的無人駕駛汽車在北京至天津的高速公路上完成路試，其路試的主要項目有循線行駛、跟車行駛、自主換道、鄰道超車、自主超車、人工指令行駛等六個科目，為確保安全，智能車裝有應(yīng)急控制裝置，緊急情況下可立即實施人工強制干預(yù)[4]。2015年12月，百度宣布其自主開發(fā)的智能汽車公路測試成功，并宣布成立百度無人駕駛事業(yè)部。2017年7月，百度公司CEO李彥宏乘坐百度公司所研發(fā)的智能汽車參加了百度公司舉辦的首屆智能開發(fā)者大會。圖1.2百度智能汽車中國各級政府部門還出臺了一系列政策，為智能車輛的駕駛技術(shù)開發(fā)提供了支持。2011年，工信部、科技部、交通部分別對物聯(lián)網(wǎng)專項、車路協(xié)同、車聯(lián)網(wǎng)等“863計劃”、全國聯(lián)網(wǎng)大型交通管理平臺等項目均給予了很大的支持。1980年代以后，中國開始研究智能汽車，并且到目前為止，世界上的研究結(jié)果表明，智能汽車研究方面中國和外國之間的差距正在縮小。在今后的智能時代，中國將在智能汽車領(lǐng)域扮演不可或缺的角色。1.3智能汽車避障技術(shù)發(fā)展現(xiàn)狀在20世紀70年代，國外學(xué)者J.Holland提出了遺傳算法。該算法利用了選擇、交叉以及變異等方式進行了避障的過程控制。到了八十年代，Khatib提出了人工勢場法，該算法目前被廣泛的應(yīng)用于移動機器人的路徑規(guī)劃上[5]。其基本的想法是假設(shè)移動機器人處于虛擬勢場中，并受虛擬力的影響。虛擬力分為兩種，一種是由障礙物產(chǎn)生的虛擬排斥力，另一種是由目標(biāo)點產(chǎn)生的虛擬引力，機器人由于虛擬力的影響避開障礙物，向目標(biāo)點移動。2015年，王雷等人提出了改良的遺傳算法。首先，采用網(wǎng)格法對智能車輛路徑規(guī)劃進行建模，提出了初始個體產(chǎn)生法和精英戰(zhàn)略，設(shè)計了自適應(yīng)突變概率，提高了算法的質(zhì)量。2017年，朱珂昕，孫海洋，陳珍提出了一種基于遺傳算法的靜態(tài)環(huán)境的路徑規(guī)劃，其采用了二進制編碼的方式，建立了簡介有效的并且具有針對性的適應(yīng)函數(shù)，該算法將多障礙物作為介質(zhì)來找點的規(guī)劃，在二維空間中簡化編碼方式，從而克服了多目標(biāo)情況下的避障問題[6]。1.4論文主要研究內(nèi)容本文在智能車輛自動駕駛技術(shù)的研究中，主要描述了一種技術(shù)，智能車輛避障技術(shù)。為了研究智能車輛避障技術(shù)，采用傳感器信息融合的方法收集障礙物信息。在躲避障礙物算法的設(shè)計中，使用經(jīng)典的避障算法人工勢場方法和模糊控制算法的組合來設(shè)計新的智能車輛避障算法。1緒論，介紹了國內(nèi)外智能車的研究背景、意義和開發(fā)情況，并闡述了各國智能車領(lǐng)域投資和實際研究成果，介紹論文結(jié)構(gòu)和主要研究內(nèi)容。2智能汽車數(shù)據(jù)采集及處理。描述了用于智能汽車數(shù)據(jù)收集和處理智能車輛數(shù)據(jù)采集的各種傳感器和環(huán)境信息的傳感器原理。主要介紹了視覺傳感器和超聲波傳感器在環(huán)境信息和距離信息的收集中的應(yīng)用。收集的圖片經(jīng)過處理后會有效避開障礙物，并根據(jù)車輛提供智能車輛的判斷標(biāo)準。3智能汽車避障策略。首先，詳細說明傳感器融合技術(shù)的信息融合方法和實現(xiàn)。然后，描述了模糊控制系統(tǒng)的配置和模糊控制的影響和功能。最后，設(shè)計了智能車輛障礙物躲避行為，介紹了智能車輛障礙物避免中人工勢場方法的優(yōu)點和缺點，并改善了缺點。之后，通過結(jié)合模糊控制算法，設(shè)計智能車輛控制算法，并用MATLAB進行模擬。1.5本章小結(jié)本章主要對可自動駕駛的智能汽車研究背景以及研究意義做出了說明，通過對國內(nèi)外智能汽車開發(fā)情況的概要，預(yù)測了當(dāng)前的開發(fā)過程和智能汽車的結(jié)果。同時也介紹了，國內(nèi)外各級政府對發(fā)展智能汽車均持有支持的態(tài)度，最后詳細介紹了本文的研究內(nèi)容和結(jié)構(gòu)。

2智能汽車數(shù)據(jù)采集及處理智能車輛避障意味著在有障礙物的路徑找到一條適當(dāng)路徑并到達目的地，使智能車輛在駕駛過程中可以安全避免一切障礙。智能車輛的問題是，在智能車輛的駕駛過程中，智能車輛總是保持與前面車的安全距離，以達到安全的追隨。為了避障技術(shù)的有效實現(xiàn)，必須進行數(shù)據(jù)收集和處理。在這一章中，主要介紹了用于數(shù)據(jù)收集和處理的傳感器和數(shù)據(jù)處理方法。2.1傳感器上世紀七十年代，美國、歐洲等發(fā)達國家率先開始對智能汽車進行全面研究，傳感器也被應(yīng)用于智能汽車。此時，僅視覺傳感器被廣泛使用。隨著科學(xué)技術(shù)的發(fā)展，開發(fā)了適合各種情況的傳感器，并應(yīng)用于智能汽車的開發(fā)。目前在智能汽車研究中運用較為廣泛的傳感器有超聲波傳感器、紅外傳感器、激光雷達傳感器、視覺傳感器等。由于市面上的傳感器種類繁多，功能不一，所以在智能汽車研究中，如何選擇運用合適的傳感器就顯得尤為重要[7-10]。2.1.1紅外傳感器紅外傳感器是一種能夠?qū)⒓t外信號變成電量信號的探測性元件。在自然界中，所有的高于零下273度的物體均能發(fā)出紅外光，但是所有帶有溫度的物體所發(fā)出的紅外光的波長會隨著物體溫度的不同而變化，所以，紅外傳感器可根據(jù)物體所發(fā)出紅外光的波長來進行對物體的測量[11]。根據(jù)檢測原理，可以分成熱檢測器和光子檢測器。根據(jù)功能的不同可以分為以下5個類別：（1）輻射計，用于對輻射和光譜測量；（2）搜索跟蹤系統(tǒng)，搜可以用來搜索和跟蹤測量的對象，并且可以實時確認物體的位置信息；（3）熱成像系統(tǒng)，可以生成物體的紅外圖像的熱圖像的系統(tǒng)，多用于自然資源勘探；（4）紅外測距和通信系統(tǒng)；（5）混合系統(tǒng)，是指以上各類系統(tǒng)中的兩個或者多個的組合。一般來說，在智能車輛躲避障礙物的研究中，多使用紅外傳感器的測距功能。測距法根據(jù)是否需要人的控制，分為主動測距和被動測距。紅外線測距屬于被動測距。從信號源發(fā)送信號，接收反射信息以獲得距離信息。圖2.1紅外測距原理圖根據(jù)紅外線測距的原理，紅外線發(fā)射器以預(yù)先設(shè)定的角度發(fā)送紅外線，當(dāng)遭遇障礙物時紅外線反射，反射的紅外線由CCD檢測器接收。從而得到偏移值，然后利用三角定理得到關(guān)系式（2.1）：（2.1）式（2.1）中，D代表紅外傳感器與障礙物的距離，f表示濾鏡的焦距，L表示偏移值，X表示中心距，表示發(fā)射角，。由圖2.1和式（2.1）可知，當(dāng)障礙物和紅外傳感器的距離D非常小時，則偏移值L的值就會特別大，甚至超出檢測器的檢測范圍，反之，則偏移值L的值則會特別小，因此，焦距是檢測器是否能夠識別偏移L的關(guān)鍵，由此可見，紅外傳感器測距時，依然存在一定的盲區(qū)，這就導(dǎo)致獲得障礙物到目標(biāo)車本身的距離不夠精確。當(dāng)紅外傳感器測距時，已知存在一個盲區(qū)，從而產(chǎn)生從障礙物到目標(biāo)車輛本身的距離不準確。因此，我們選擇了多傳感器融合技術(shù)，將不同類型的傳感器收集的信息融合在一起，智能汽車獲取融合后的信息以后，使得智能汽車擁有強實時性、高精度的躲避障礙的功能。2.1.2視覺傳感器從感知周圍環(huán)境的角度來看，視覺技術(shù)對于智能車輛來說非常重要。視覺傳感器具有測量信號范圍大和完整的信息這兩個優(yōu)點。它一直是智能車輛研究不可或缺的重要傳感器之一。視覺技術(shù)是一項綜合技術(shù)，包括視覺傳感技術(shù)、光源照明技術(shù)、光學(xué)成像技術(shù)、數(shù)字圖像處理技術(shù)、數(shù)字與模擬視頻技術(shù)、計算機軟硬件技術(shù)和自動控制技術(shù)[12]。圖2.2視覺傳感器視覺傳感器可以從所有圖像中讀取光的像素。圖像的定義和定界符通常以分辨率測量，并以像素數(shù)量表示。視覺系統(tǒng)工作流程如圖2.3所示。圖2.3視覺系統(tǒng)工作流程圖2.1.3超聲波傳感器超聲波測距的原理是測量超聲波從發(fā)出至遇到障礙物后，反射回來的時間差來計算障礙物距離[13]。假設(shè)超聲波從發(fā)射出去到接收到反射回來所用的時間為，超聲波在當(dāng)前環(huán)境中的傳播速度為，所以可得障礙物距離目標(biāo)車的距離的公式如式（2.2）所示：（2.2）當(dāng)環(huán)境中的溫度為T時，超聲波在空氣中的傳播速度如式（2.3）所示：（2.3）其中。超聲波傳感器經(jīng)常用于智能車輛的障礙物檢測研究，作為測量距離的必要工具。與其他測距傳感器相比，超聲波傳感器具有其他傳感器所沒有的特性。從性能上來看，在相對嚴峻的環(huán)境中，超聲波傳感器可以實時監(jiān)測障礙物與目標(biāo)車輛之間的距離信息，從經(jīng)濟角度來看，超聲波傳感器的價格相對便宜，在當(dāng)前的研究中，超聲波傳感器被廣泛使用。對比紅外傳感器，本文采用HC-SR04超聲波測距傳感器模塊，該模塊電路圖如圖2.4所示。圖2.4超聲波測距模塊電路圖該模塊具有性能穩(wěn)定，測距精度高，模塊高精度，盲區(qū)小等優(yōu)點。該模塊的測距原理如下：（1）采用IO口TRIG觸發(fā)測距，給至少10的高電平信號；（2）模塊自動發(fā)送8個40khz的方波，自動檢測是否有信號返回；（3）通過輸出口輸出一個高電平，這個高電平持續(xù)的時間為超聲波發(fā)出到接收到返回信號的時間。測試距離=（高電平時間*聲速）/2；（4）HC-SR04超聲波測距傳感器使用方法簡單，一個控制口發(fā)一個高電平，就可以在接收口等待接收高電平。輸出端口輸出高電平時，將計時器設(shè)為ON，開始計時。當(dāng)控制端口變低時，可以讀取計時器的值。此時，這就是這次測量距離距離的時間，可以用來計算距離。當(dāng)超聲波傳感器收集距離信息時，由于有一個盲區(qū)，當(dāng)無法檢測到的盲區(qū)存在故障時，智能車會與障礙物發(fā)生碰撞，從而造成不必要的損失。因此，對于該缺點，在超聲波傳感器的設(shè)置角度被正確檢測到的情況下，能夠減小檢測盲區(qū)域，并降低碰撞的可能性。2.2數(shù)據(jù)采集方法數(shù)據(jù)收集是智能車輛操作過程的重要部分。在傳感器收集到數(shù)據(jù)信息之后，將其收集到數(shù)據(jù)信息處理、計算并反饋到智能車輛的相應(yīng)模塊，以使得智能車輛在操作過程中能夠順利到達目的地[14]。本次研究使用三對超聲波傳感器，分別安裝在智能汽車前端的左側(cè)、中央、右側(cè)及后端的左側(cè)、中央、右側(cè)；這是用來測量智能車輛前后的距離的。這種方法的優(yōu)點是可以更好地收集汽車周圍的信息，并為安全的躲避障礙物提供了保障。當(dāng)前一般使用的圖像獲取方法包括圖像獲取卡獲取、照相機獲取、數(shù)碼照相機拍攝等。由于檢測范圍廣，所以經(jīng)常使用視覺信息收集。這里，使用視覺傳感器收集道路上智能車輛的環(huán)境信息，并獲得智能車輛的有用故障信息以避免障礙物。為了獲得障礙物的狀態(tài)和位置信息，所以需要處理收集的圖像。2.3圖像處理由于收集的圖片會顯示模糊、噪聲大等缺點，以確保智能車輛的安全運行，因此收集的圖片需要處理以獲得道路上的準確信息?；诘缆沸畔?，智能車輛的視覺系統(tǒng)需要從信息中提取障礙物信息，并提供障礙物的數(shù)學(xué)模型，智能車輛可以選擇適合當(dāng)前環(huán)境的障礙物回避算法。2.3.1圖像信息提取由于幀間差分法具有簡單計算的優(yōu)點，效果良好，可適應(yīng)各種環(huán)境，因此提取使用幀間差分法收集的圖像信息，并獲得操作過程中智能車所需的信息。（1）二幀差分法二幀差分法具體原理圖如圖2.5所示。圖2.5二幀差分法流程圖若視頻的圖像序列為,其中為任意兩幀連續(xù)的圖像，（x,y）為像素空間的坐標(biāo)，那么差分后的圖像可以用式（2.4）來進行描述。（2.4）因此，可以得到對差分后的圖像進行閥值化處理以后即可得到前景目標(biāo)。經(jīng)過處理后的結(jié)果圖像可以使用式（2.5）進行表示。（2.5）這里，TH在處理中設(shè)定的閾值、即差分圖像的像素大于閾值TH時，則作為前景像素，如果差分圖像的像素小于TH，則作為背景像素。在選擇差分法的過程中，圖像提取具有兩幀差分法的原理。在提取過程中，當(dāng)兩幀差分方法被用于圖像提取時，差分后的圖像具有許多噪聲。比較后發(fā)現(xiàn)，三幀差分方法可以在圖像提取過程中解決噪聲問題，并且可以精確地獲得移動物體的輪廓。圖像的前景色像素滿足方程式（2.6）。（2.6）其中，是預(yù)定義的兩個不同的閥值。（2）三幀差分法三幀差分法是在連續(xù)3幀的運動圖像中分割1幀或2幀、2幀或3幀之后，根據(jù)變化區(qū)域和移動區(qū)域之間的不同統(tǒng)計規(guī)則設(shè)定變化檢測閾值的方法。然后，進行圖像運動的變化檢測和連接區(qū)域識別[10]。三幀差分法的流程圖如圖2.6所示。圖2.6三幀差分法流程圖選取連續(xù)三幀視頻圖像為。經(jīng)過處理后，可以得到運動物體前兩幀和后兩幀在運動時段中的運動變化圖像和。然后，將兩個圖像組合起來以找到移動的對象。此外，需要結(jié)合移動體本身的特征信息來完全提取移動物體。相與運算公式如式（2.7）所示：（2.7）其中描述的就是連續(xù)三幀的幀差?？傊?，與其他圖像檢測方法相比，幀間差分法的原理相對簡單，計算量少，可以快速檢測場景中的移動物體。從圖像處理的結(jié)果來看，由于三幀差分法在圖像提取中比兩幀差分法有更好的效果，所以使用三幀差分法提取圖像中的障礙物信息。2.3.2圖像平滑處理圖像平滑是一種降低圖像噪聲和干擾的圖像處理技術(shù)。原理是逐漸改變圖像的亮度，減少突變梯度，提高圖像質(zhì)量。使用中值過濾器對圖像進行平滑。中值濾波是將每個像素的灰度值設(shè)置到像素附近窗口的所有像素的中值的非線性平滑技術(shù)。在某些條件下，中值濾波法既可以去除噪聲，又可以保護圖像的細節(jié)和邊緣，因此，能夠獲得較好的圖像復(fù)原效果[15]。在二維中值濾波中，其窗口的尺寸形狀對濾波器的效果影響比較大，對于不同的圖像內(nèi)容或者不同的應(yīng)用要求，往往采取的窗口尺寸和形狀也不相同。二維中值濾波可以由式（2.8）表示。（2.8）其中表示濾波窗口，表示二維的數(shù)據(jù)序列。2.3.3圖像分割在分析處理后的圖像信息之前，圖像分割是圖像處理整體過程中不可或缺的步驟。其主要目標(biāo)是將圖像分割成與現(xiàn)實世界的對象和地區(qū)有很強關(guān)聯(lián)的成分。選擇閾值分割技術(shù)作為圖像分割的技術(shù)手段。閾值分割技術(shù)是基于區(qū)域的圖像分割技術(shù)，原理是將圖像像素分割成幾個類別。在本文中，不僅可以利用這種技術(shù)壓縮數(shù)據(jù)并減少存儲容量，而且可以在一定程度上簡化后續(xù)的分析和處理?，F(xiàn)有待處理的圖像，在圖像中選擇一個合適的灰度值作為閥值TH，那么分割后的圖像可由如式（2.9）或者式（2.10）進行表示。（2.9）或（2.10）如果將閥值設(shè)置成為一個灰度值范圍，則在灰度值范圍內(nèi)的像素為1，在灰度值范圍外的像素為0，其表達式可由式（2.11）表示。（2.11）綜上所述，閥值的分割基本原理可由式（2.12）表示。（2.12）其中屬于圖像灰度級范圍內(nèi)的一個灰度值集合，為自選的閥值，和分別表示的是隨機選定的目標(biāo)和背景的灰度級。2.3.4障礙物檢測系統(tǒng)流程本文使用的視覺傳感器主要用于在智能車輛障礙物避免過程中收集環(huán)境并提取障礙物信息。本節(jié)通過圖像灰度化，圖像濾波以及形態(tài)學(xué)運算等方法將作為障礙物的紙箱的信息從圖片中提取出來。具體操作流程圖如圖2.7所示。圖2.7障礙物檢測系統(tǒng)流程圖2.4本章小結(jié)本文簡要介紹了紅外傳感器、超聲波傳感器和視覺傳感器，描述了這些傳感器獲得數(shù)據(jù)的基本原理，并簡要介紹了數(shù)據(jù)獲取方法。接下來，描述了圖像處理的整個過程，介紹了圖像處理的方法和原理，最后顯示了圖像處理的整個過程，為后續(xù)的實驗提供了技術(shù)支持。

3智能汽車避障在智能車輛的研究中，躲避障礙物總是一個重要課題，值得對智能車輛技術(shù)進行徹底的研究。為了獲得更好的障礙物規(guī)避效果，特別是障礙物規(guī)避算法的設(shè)計也是非常重要的。在本文中，智能車輛的躲避障礙物策略一方面是通過收集智能車周圍的環(huán)境信息，另一方面是智能車采用的躲避障礙物的方法來實現(xiàn)的。本文基于超聲波傳感器在測距方面的優(yōu)點，例如穩(wěn)定性能，強指向性，視覺傳感器高靈敏度，動態(tài)范圍廣，采用了將超聲波和視覺傳感器收集的信息融合的多傳感器信息融合技術(shù)。實現(xiàn)知性車輛的障礙物回避信息收集。3.1多傳感器信息融合多傳感器信息融合技術(shù)指的是將數(shù)據(jù)信息從相同或不同類型的多個傳感器分類并處理，然后根據(jù)特定規(guī)則將這些傳感器的冗余或補充信息處理在時間或空間上。從而得出測量對象一致性的結(jié)論[16]。由于傳感器只能提供智能車輛本身的一些狀態(tài)的單個信息，因此此時獲得的信息是片面的，可靠性低，從而降低智能車輛本身的控制判定精度。通過使用多個傳感器來收集信息和信息融合技術(shù)，可以獲得更準確有效的信息，對于智能車的下一個決策是有用的，并且可以提高整體智能車系統(tǒng)的可靠性。3.1.1多傳感器信息融合結(jié)構(gòu)由于多傳感器信息融合的結(jié)構(gòu)不同，其處理信息的方式也不相同，現(xiàn)根據(jù)處理方式的不同，將多傳感器信息融合結(jié)構(gòu)劃分成以下這四種結(jié)構(gòu)[11]：集中型、分散型、混合型、反饋型。（1）集中型集中型多傳感器信息融合結(jié)構(gòu)是直接接收信息融合中心用所有傳感器收集的原始信息。在該結(jié)構(gòu)中，當(dāng)傳感器收集的信息結(jié)束時，直接將傳感器收集的數(shù)據(jù)發(fā)送到信息融合中心而不預(yù)處理。具體融合結(jié)構(gòu)圖如圖3.1所示。圖3.1集中型多傳感器信息融合結(jié)構(gòu)圖（2）分散型分散信息融合結(jié)構(gòu)的特征是，首先局部預(yù)處理各傳感器收集的信息，壓縮本地預(yù)處理后的信息，取得壓縮數(shù)據(jù)，將壓縮數(shù)據(jù)發(fā)送到信息融合中心。然后，融合中心對接收到的信息進行組合推論，最終獲得數(shù)據(jù)融合的結(jié)果。與集中結(jié)構(gòu)相比，集中結(jié)構(gòu)具有低信道容量要求和合理計算和分配的優(yōu)點。但是由于該結(jié)構(gòu)在對原始信息進行局部預(yù)處理時，可能會失去部分重要信息，導(dǎo)致后期融合得到的信息并不完整[17]，因此，該結(jié)構(gòu)所獲取的信息精度沒有集中型結(jié)構(gòu)的高，這種結(jié)構(gòu)一般適用于遠距離配置的多傳感器系統(tǒng)。具體融合結(jié)構(gòu)圖如圖3.2所示。圖3.2分散型多傳感器信息融合結(jié)構(gòu)圖（3）混合型混合信息融合結(jié)構(gòu)完全吸收了集中信息融合結(jié)構(gòu)和分散信息融合結(jié)構(gòu)的特性。在該結(jié)構(gòu)中，存在集中的分布式處理的兩個步驟。在信息融合處理之后，這種結(jié)構(gòu)可以獲得理想的信息融合結(jié)果。混合結(jié)構(gòu)比集中分散結(jié)構(gòu)具有明顯的優(yōu)點，但其信息處理過程更復(fù)雜，通常用于大規(guī)模融合系統(tǒng)?；旌闲腿诤辖Y(jié)構(gòu)圖如圖3.3所示。圖3.3混合型多傳感器信息融合結(jié)構(gòu)圖（4）反饋型這是一種利用信息的相對穩(wěn)定性和原始積累反饋將信息融合并對其進行后處理的有效方法。即，信息融合中心接收到的信息不僅包括傳感器收集到的原信息，還包括融合后的信息。這些完整的信息可以表示環(huán)境的大部分環(huán)境特點。而且，這對于當(dāng)時傳感器收集的原始信息的融合有很好的指導(dǎo)，由此可得，反饋型結(jié)構(gòu)對于信息的融合處理具有良好的促進作用。具體融合結(jié)構(gòu)圖如圖3.4所示。圖3.4混合型多傳感器信息融合結(jié)構(gòu)圖3.1.2多傳感器信息融合方法及實現(xiàn)信息融合的研究內(nèi)容是非常豐富的，涉及到了各個學(xué)科的知識，目前信息融合的方法大致可以分為以下兩類：概率統(tǒng)計方法、人工智能方法。其中概率統(tǒng)計法包含有卡爾曼濾波、貝葉斯等；人工智能方法包括有D-S證據(jù)推理、模糊理論以及專家系統(tǒng)等。其中貝葉斯估計、D-S證據(jù)推理、模糊理論占到整個信息融合算法的80%左右[18]。1.多傳感器信息融合方法（1）卡爾曼濾波卡爾曼濾波是一種遞推估計，當(dāng)最后時刻的估計值和當(dāng)前時刻的觀測值已知時，計算當(dāng)前時刻的估計值。在實際工程應(yīng)用中，當(dāng)系統(tǒng)對數(shù)據(jù)處理不穩(wěn)定時，會對信息融合產(chǎn)生很大影響?？柭鼮V波器為融合數(shù)據(jù)提供了唯一的最優(yōu)估計。（2）貝葉斯估計貝葉斯估計是融合靜態(tài)環(huán)境中多傳感器低層次信息的一種常用方法[19]。該方法首先分析收集的信息，刪除低可靠性的信息，使用貝葉斯相關(guān)定理計算各輸出的貝葉斯估計。（3）D-S證據(jù)推理D-S推理具有處理不確定信息的能力，其證據(jù)理論滿足比貝葉斯更弱的條件，具有直接表達“不確定”和“不知道”的能力，并且具有較強的容錯能力。（4）模糊邏輯由于模糊邏輯在模糊邏輯應(yīng)用中不需要建立準確的數(shù)學(xué)模型，所以主要在非線性系統(tǒng)中使用，并且可以將專家知識直接轉(zhuǎn)換成控制信號。其具體實現(xiàn)包括以下四個步驟：輸入/輸出量的模糊化、模糊推理設(shè)計、模糊推理過程以及去模糊化四個步驟。2.多傳感器信息融合方法實現(xiàn)與經(jīng)典的信息處理方法相比，多傳感器信息融合技術(shù)更為復(fù)雜。多傳感器信息融合包括數(shù)據(jù)電平融合、特征等級融合和判定等級融合三個等級。數(shù)據(jù)級融合是低水平融合，特征級融合是中間級融合，判定等級融合是高水平融合。（1）數(shù)據(jù)級融合數(shù)據(jù)層融合指的是無任何處理也可通過傳感器收集的原始信息的直接數(shù)據(jù)融合解析。因此，數(shù)據(jù)水平融合有大量的運算，由于存在某種盲目性，因此在數(shù)據(jù)融合技術(shù)的應(yīng)用中，數(shù)據(jù)水平融合技術(shù)的應(yīng)用相對較少。其融合方式如圖3.5所示。圖3.5數(shù)據(jù)級融合（2）特征級融合特征級融合如圖3.6所示。它可以提取可以代表整個信息作為從傳感器收集的原始信息收集的數(shù)據(jù)的特征信息的特征數(shù)據(jù)，并使用具體的數(shù)學(xué)方法對這些數(shù)據(jù)進行分類、合并和合成。圖3.6特征級融合（3）決策級融合決策級水平融合意味著每個傳感器首先獨立于目標(biāo)，然后通過分類來融合這些獨立的決策以獲得更準確的數(shù)據(jù)信息。這種融合方法可以減少計算量，提高信息融合的準確度和精度。下圖3.7所示的為決策級融合。圖3.7決策級融合3.1.3多傳感器信息融合技術(shù)的優(yōu)點（1）多傳感器信息融合技術(shù)在系統(tǒng)內(nèi)的傳感器發(fā)生故障時，系統(tǒng)可以依賴于其他傳感器繼續(xù)操作，提高了系統(tǒng)的容錯能力；（2）提高了整個系統(tǒng)的互補性，實現(xiàn)了智能車輛對環(huán)境信息收集的完整性；（3）提高了信息的可信度，增強了信息的確定性；（4）增強了系統(tǒng)的靈活程度。對傳感器信息進行融合處理后，的確增強了整個系統(tǒng)的靈活性，使得系統(tǒng)在運行過程中顯得更加流暢，相比較于各個傳感器獨立工作來說，流暢度大大提升。綜合以上多傳感器信息融合技術(shù)的介紹，本文選擇反饋型結(jié)構(gòu)以及決策級融合方式來對傳感器采集到的信息進行融合。3.2模糊控制系統(tǒng)模糊控制的基本思想是用模糊數(shù)學(xué)的知識對模糊現(xiàn)象進行識別和判斷，然后通過模糊推理獲得相應(yīng)控制量的集合作用于被控對象或環(huán)境[20]。1.模糊控制系統(tǒng)的組成模糊控制系統(tǒng)是由輸入/輸出接口、模糊控制器、檢測裝置、執(zhí)行機構(gòu)及被控對象組成，具體模糊控制系統(tǒng)原理圖如圖3.8所示。圖3.8模糊控制系統(tǒng)原理框圖2.模糊化的步驟模糊化的具體步驟如下。首先，處理輸入量以確定符合需要的輸入量，然后根據(jù)輸入設(shè)計相應(yīng)的控制規(guī)則，然后根據(jù)對應(yīng)的控制規(guī)則對輸入進行縮放，然后根據(jù)比例變換的輸入量在確定與模糊量對應(yīng)的模糊語言并選擇適當(dāng)?shù)某蓡T函數(shù)之后，使用對應(yīng)的規(guī)則來確定輸出變量的模糊值。3.模糊量的逆模糊化模糊推論是不能直接應(yīng)用于控制對象的模糊推論。需要將模糊控制量去模糊化以獲得相應(yīng)的準確量。在去模糊化后，獲得正確的控制量，通過數(shù)字模擬轉(zhuǎn)換獲得正確的模擬量，發(fā)送到執(zhí)行機構(gòu)，控制控制對象，連續(xù)中斷控制量的收集和控制，另外，實現(xiàn)了控制對象的模糊控制。這個過程被稱為逆模糊化。逆模糊化過程有多種方法，目前常用的方法有三種：取中位數(shù)判決法：通過利用輸出模糊集合中包含的信息，通過數(shù)學(xué)方法描述輸出模糊集合的成員函數(shù)曲線對應(yīng)的通用元件和被橫軸包圍的區(qū)域的等分割點用作判定結(jié)果。該方法充分利用模糊子集提供的信息；最大隸屬度判決法：在輸出模糊集合中，選擇輸出隸屬度最大的論域元素。如果多個論域元素上出現(xiàn)多個隸屬度最大值，平均結(jié)果則為最終輸出結(jié)果；加權(quán)平均法：是模糊控制系統(tǒng)中應(yīng)用較為普遍的一種判決方法。其計算公式如式（3.1）所示：（3.1）3.3超聲波與視覺的融合技術(shù)在本文中，超聲傳感器和視覺傳感器被選定為障礙物避免過程中的“感官系統(tǒng)”。為了通過超聲波傳感器和視覺傳感器收集智能車輛操作過程中所需的道路信息和障礙物信息，通過信息融合技術(shù)實現(xiàn)智能車輛的安全運行。3.3.1超聲波與視覺的融合技術(shù)優(yōu)勢智能車輛躲避障礙物的關(guān)鍵是獲得準確的環(huán)境信息和障礙物的位置。當(dāng)視覺傳感器僅用于躲避障礙物時，由于視覺傳感器容易受到光的影響，所以信息收集不完整，并且影響躲避障礙物的效果。超聲波測距技術(shù)可以使智能車輛正常行駛，不受視覺傳感器和互補光的影響，在相對嚴峻的環(huán)境下工作。如果只使用單個超聲波傳感器來避免障礙物，則還存在不完整的信息。因此，利用超聲波傳感器和視覺傳感器的優(yōu)點，結(jié)合超聲波測距原理和可視化技術(shù)，通過視覺傳感器收集和處理環(huán)境信息，獲得智能車輛和障礙物的實際距離。而且，由于完全獲取了障礙物的位置信息，所以智能車輛可以獲得最佳的障礙物回避效果。3.3.2超聲波與視覺的具體融合方式本次研究所采用的攝像頭為單目視覺攝像頭，不能收集智能車和障礙物之間的準確距離信息，只能判斷障礙物的分布信息，而超聲波傳感器屬于測量距離的傳感器，可收集到智能車輛與障礙物之間的準確距離信息。融合智能汽車避障的目的是為了使智能汽車能夠安全穩(wěn)定的繞開障礙物并安全行駛到目的地?；谶@個特征，我們使用模糊控制方法將視覺和超聲波收集的信息進行融合。接下來，將超聲波傳感器檢測到的距離作為模糊邏輯的輸入，使用智能車輛障礙物回避行為作為輸出，完成了躲避障礙物的整個過程。3.4智能汽車避障行為設(shè)計在現(xiàn)實生活中，要考慮實際情況來設(shè)計智能汽車避障行為。由于障礙物的種類不同，所以采取的避障行為也會大不相同?；趯φ系K物種類的劃分，本文將智能汽車避障行為大致分為以下三類：直奔目標(biāo)、直接避障以及緊急避障三種行為。智能汽車避障工作流程如圖3.9所示。圖3.9智能汽車避障工作流程圖3.4.1直奔目標(biāo)行為智能車輛的基本任務(wù)是從起點出發(fā)，安全到達目的地。但是，道路上有很多未知的情況，所以為了應(yīng)對這些情況，必須采取不同的措施。當(dāng)智能車輛行駛時，智能車輛前方的道路比較平坦，因為沒有妨礙智能車輛行進的物體，所以智能車輛可以一直走到目標(biāo)點沒有必要在中途為了回避障礙物而采取一切行動。在道路上沒有障礙物的情況下，智能車輛的驅(qū)動可以看作是二維平面上的運動。然后，可以根據(jù)智能車輛的行駛方向和向智能車輛方向的目標(biāo)點成的角度來決定智能車輛的下一個驅(qū)動方向。具體行駛方向示意圖如圖3.10所示。圖3.10直奔目標(biāo)行為坐標(biāo)示意圖圖中顯示的點表示智能汽車當(dāng)前所在的位置，點表示的為目標(biāo)點的坐標(biāo)，B→A代表智能汽車行駛的方向，角代表智能汽車的行駛方向與坐標(biāo)軸的夾角，角代表智能汽車行駛方向與距離目標(biāo)點方向之間的夾角，即B→A與B→D之間的夾角。由此可得數(shù)據(jù)關(guān)系式如公式（3.2）所示。（3.2）結(jié)合圖3.10與公式（3.2）可得如下結(jié)論：當(dāng)<0時，智能汽車向右轉(zhuǎn)，當(dāng)>0時，智能汽車向左轉(zhuǎn)，=0時，智能汽車直行。由圖3.10可得，智能汽車直奔目標(biāo)的行為在下一步移動方向上完全取決于角的大小。故將智能汽車下一步的轉(zhuǎn)向角設(shè)為Ω，閥值設(shè)為π/3。對行為的描述滿足式（3.3）。（3.3）3.4.2直接避障行為直接回避障礙物行動是指在移動過程中智能車輛，檢測道路前方有障礙物堵塞通道。為了避免和安全地行駛，智能車輛將采取一種繞過障礙物的方法，繞過該障礙物將繼續(xù)向前移動以安全到達目的地。在躲避障礙物的過程中，無論兩側(cè)是否有障礙物，如果正面有障礙物，智能車需要判斷并改變方向。如上所述，在躲避障礙物的過程中，智能車輛通過視覺傳感器取得障礙物的特性信息，超聲波傳感器測量障礙物和智能車輛的距離信息。在數(shù)據(jù)融合和處理之后，獲得了障礙物與智能車輛之間的準確距離值，然后在對整個模糊控制器進行計算之后，所檢測的距離信息用作模糊控制器的輸入。將準確輸出發(fā)送到智能車輛的導(dǎo)向控制器以控制智能車輛以避免發(fā)生安全事故。3.4.3緊急避障行為對于緊急障礙物躲避行為，只有在遇到突然的動態(tài)障礙物時才能發(fā)生。使用三幀差分法檢測動態(tài)障礙物。當(dāng)傳感器突然出現(xiàn)在智能車輛前的動態(tài)障礙物，檢測到它非常接近智能車輛時，智能車輛會進行緊急的障礙物躲避行為，并立即進行剎車，停止前進等一系列行動。而且，智能車輛在遠離與動態(tài)障礙物的安全距離范圍之前不會繼續(xù)前進。這種情況的概率遠低于上述直接的障礙物躲避行為。但是，一旦發(fā)生了，如果沒有妥當(dāng)?shù)奶幚?，智能車輛就會面臨不可估量的損失。因此，在智能車輛躲避障礙物的研究中，緊急躲避障礙物行為的設(shè)計是必不可少的。3.5人工勢場法簡介及改進人工勢場法是智能車輛躲避障礙物眾多算法中較為普遍的一種，其結(jié)構(gòu)相對于其他避障算法來說，較為簡單，方便實時控制，理解簡單，實用且具有良好的實時性，在實時躲避障礙物和平滑的行駛軌跡方面得到了廣泛的應(yīng)用。3.5.1人工勢場法簡介傳統(tǒng)的人工勢場法中[21]，需要在環(huán)境空間中需要建造一個人工的虛擬勢場，該虛擬勢場由吸引力和排斥力構(gòu)成，目標(biāo)點對智能汽車產(chǎn)生吸引力，障礙物對智能車輛產(chǎn)生排斥力。智能車輛在未知的虛擬勢場可以表現(xiàn)為圖3.11所示的靜電場。該算法將吸引力和排斥力抽象成兩個函數(shù)，引力函數(shù)與斥力函數(shù)。引力函數(shù)來源于目的地對智能汽車方向為智能汽車指向目的地的作用力；斥力函數(shù)來源于障礙物對智能汽車力的方向為障礙物指向智能汽車作用力，而智能汽車的最終行駛方向是來源于引力與斥力的合力所影響的方向，如圖3.12所示。圖3.11靜電場模型圖圖3.12傳統(tǒng)人工勢場法合力圖（1）引力函數(shù)引力函數(shù)是在智能汽車和目標(biāo)的歐幾里德距離的基礎(chǔ)上進行設(shè)定的。而引力F引的大小取決于智能汽車與目標(biāo)點的距離D。當(dāng)D越大時，引力F引越大，反之D越小，引力就會越小，直至到達目標(biāo)點使得D為零時，引力的大小也變?yōu)榱悖麄€運行過程結(jié)束。引力的函數(shù)公式可用式（3.4）表示。（3.4）其中K為引力函數(shù)的比例系數(shù)，X為智能汽車的矢量坐標(biāo)位置，為目標(biāo)點的矢量坐標(biāo)。（2）斥力函數(shù)斥力場中，障礙物會對智能汽車產(chǎn)生排斥作用，斥力的大小取決于智能汽車與障礙物的距離d，當(dāng)d越大時，斥力就越小，反之，斥力就會越大。斥力函數(shù)表達式可用式（3.5）表示。（3.5）公式中K為吃力函數(shù)比例系數(shù)，表示智能汽車在環(huán)境信息的位置，表示障礙物在環(huán)境信息中的位置。是一個矢量，表示智能汽車與障礙物之間的最短歐幾里德距離，表示障礙物對智能汽車的影響距離，是一個常量。傳統(tǒng)的人工勢場法在智能車避障過程中往往會出一些合力為零的情況，當(dāng)出現(xiàn)這些情況時，智能汽車會出現(xiàn)停止運行的情況或者左右搖擺，不知如何運行。這就是人們常說的出現(xiàn)零勢能狀態(tài)。接下來針對于這個問題對傳統(tǒng)人工勢場法做出改進。3.5.2人工勢場法改進及仿真分析由于零勢場的狀態(tài)是由較強的障礙物引起的，所以當(dāng)障礙物更加致密時，模擬實驗分析在障礙物數(shù)量較少的情況下出現(xiàn)零電位場可以通過計算來改進，以消除最遠的障礙。因此，由于出現(xiàn)了新產(chǎn)生的力量，智能車輛可以沿著新結(jié)果產(chǎn)生的力的方向移動，可以從零勢能源域逃走；當(dāng)障礙物的數(shù)量多、配置比較接近時，即，當(dāng)智能車輛從零電位區(qū)域脫出而陷入另一個零電位區(qū)域時，該算法被組合起來使車輛行駛。在這里，使用了人工勢場方法和模糊控制算法的組合。如果有規(guī)律地安置障礙物，傳統(tǒng)的人工勢場方法可以使智能車輛避開障礙物，安全到達目標(biāo)點。圖3.13傳統(tǒng)人工勢場法仿真結(jié)果當(dāng)障礙物較少，依然采用傳統(tǒng)人工勢場法來進行避障，出現(xiàn)智能車輛無法正常運行的情況，則出現(xiàn)障礙物的排列中出現(xiàn)了零勢能的情況，仿真結(jié)果如圖3.14所示。此時若采用采用改進的人工勢場法來進行避障，即除掉一個距離最遠的障礙物，目標(biāo)點與障礙物出現(xiàn)一個新的合力，新的合力產(chǎn)生可以讓智能車輛沿著新的合力的方向運動，此時智能車輛可安全躲避障礙物，朝著目標(biāo)點前行，仿真結(jié)果如圖3.15所示。圖3.14傳統(tǒng)人工勢場法仿真結(jié)果圖3.15改進人工勢場法仿真結(jié)果當(dāng)障礙物排列過于密集時，使用改良的人工勢場法進行仿真時，將會使得智能車輛行駛出現(xiàn)直接穿過障礙物的情況，導(dǎo)致躲避障礙物失敗。具體仿真結(jié)果如圖3.16所示。圖3.16障礙物密集時的仿真結(jié)果基于以上結(jié)果，使用人工勢場法與模糊控制算法相結(jié)合的方式進行如下仿真，即，當(dāng)智能車輛檢測到密集度過高的一群障礙物時，智能車輛輛將從人工勢場法與模糊控制算法兩者間進行切換來進行躲避障礙物的行為，從仿真結(jié)果可以看出，智能車輛可以很好的躲避障礙物并安全行駛到達目標(biāo)點。具體仿真結(jié)果如圖3.17所示。圖3.17人工勢場法與模糊控制算法相結(jié)合仿真結(jié)果3.6本章小結(jié)與傳統(tǒng)的控制方法相比，介紹了模糊控制方法的優(yōu)點，并使用模糊控制方法將超聲波傳感器和視覺傳感器相結(jié)合起來。介紹了多傳感器信息融合技術(shù)和模糊控制的相關(guān)內(nèi)容，并結(jié)合了通過模擬分析收集的信息。在智能車輛障礙物回避的基礎(chǔ)上，設(shè)計了三種智能車輛躲避障礙物的行為：直接躲避障礙物行為，緊急躲避障礙及直奔目標(biāo)行駛行為。接下來，利用人工勢場方法進行模擬分析，分析和改進躲避障礙物過程中遇到的問題，并使用算法組合方法解決障礙物密度高時躲避障礙物不成功的問題。另外，通過模擬驗證并設(shè)計了智能車輛的避障系統(tǒng)。

結(jié)論本文首先從智能汽車國內(nèi)外發(fā)展現(xiàn)狀出發(fā)，分析了我國目前智能汽車的發(fā)展?fàn)顩r。針對于智能汽車避障與跟車兩方面的輔助駕駛技術(shù)提出了以多傳感器融合與多算法相結(jié)合的方式來彌補單一傳感器與單一算法的使用在智能汽車研究中的缺陷，具體工作內(nèi)容如下：首先，將傳感器信息融合技術(shù)的優(yōu)點與單個傳感器技術(shù)進行比較和介紹，重點研究了智能車輛中超聲波傳感器和視覺傳感器的實用性和應(yīng)用范圍。在障礙物識別中，選擇對應(yīng)的處理技術(shù)，完成障礙物識別，障礙物信息提取。在研究過程中，使用一種傳感器收集信息只能獲得單個數(shù)據(jù)。例如，如果僅選擇視覺傳感器來收集障礙物回避信息，則收集結(jié)果僅是障礙物的分布信息，而沒有智能車輛和障礙物的距離信息。此時，可以附加超聲波傳感器，使用傳感器信息融合技術(shù)獲得障礙物的分布信息的同時能夠得到障礙物和智能車輛的距離信息，使得智能車輛能夠有效地躲避障礙物。在躲避障礙物算法的選擇過程中，選擇經(jīng)典算法——人工勢場方法作為躲避障礙物的算法。在整個研究過程中，還根據(jù)不同的場景選擇了不同算法。如果障礙物數(shù)量少、擺列松散，則使用單一的人工勢場法，智能車輛就可以有效躲避障礙物，并順利到達目的地，當(dāng)障礙物數(shù)量較多、擺列緊密時，只使用人工勢場法，智能車則無法實現(xiàn)躲避障礙物的效果，此時則需要人工市場法及模糊控制算法相結(jié)合來躲避障礙物，智能車是通過障礙物直接驅(qū)動的，因此基于人工勢場方法進行了改進，并增加了模糊控制算法。采用改進的人工勢場方法結(jié)合模糊控制算法設(shè)計了智能車輛障礙物避免算法。通過模擬分析，結(jié)合模糊控制算法的改進的人工勢場方法可以在有許多緊密放置的障礙物的情況下，智能車輛平滑地避免障礙物，并安全地行駛到達目標(biāo)點。在課題研究期間，通過查閱相關(guān)文獻，對國內(nèi)外的智能汽車研究進行調(diào)研，以此為基礎(chǔ)設(shè)計了智能汽車避障系統(tǒng)。智能汽車的避障技術(shù)是目前國內(nèi)外研究的熱點和難點，門技術(shù)是多門學(xué)科以及各種相關(guān)技術(shù)的綜合，其包括了檢測、自動控制理論、計算機科學(xué)、車輛動力學(xué)以及機械設(shè)計原理等。目前在國內(nèi)外有很多的學(xué)者在這個技術(shù)上的研究都有所突破，但是還有許多技術(shù)的問題有待提高和解決。在智能車輛信息收集的過程中，障礙物檢測系統(tǒng)和前車檢測系統(tǒng)需要多傳感器數(shù)據(jù)融合。在本文中，僅使用超聲波傳感器和視覺傳感器來檢測智能車輛行駛過程中的道路信息。在這項研究中，雖