L ỜI NÓI ĐẦU
2.3.2.Mô hình kết hợp cảm biến của hệ thống cảnh báo va chạm
Đối với hệ thống này, các tính năng trên ô tô bắt buộc phải có thông tin vận tốc và vị trí liên tục, chính xác và chính xác vềcác phương tiện đang lái phía trước.
Ở đây, điều này được thực hiện bằng cách kết hợp dữ liệu từ Lidar và cảm biến
radar. Máy quét laser ngày nay có phạm vi lớn (lên đến 200 m) và trường quan sát rộng, do đó có thể theo dõi các đối tượng ngay cảở khoảng cách lớn (bắt buộc ở tốc
độcao) cũng như ởcác đường cong.
Hạn chế chính của chúng là chúng hoàn toàn thiếu thông tin động về các đối
tượng được phát hiện. Mặt khác, cảm biến radar có trường nhìn hẹp và độ phân giải góc giảm, nhưng sử dụng hiệu ứng Doppler để cung cấp trực tiếp thông tin vận tốc.
Do đó, việc hợp nhất dữliệu từ cả hai cảm biến mang lại lợi thế từ bản chất bổ sung của chúng [4] [11].
Nội dung tiếp theo trong phần (i) mô tả cấu trúc của các cảm biến trên dòng xe "MadeInGermany" (MIG) và các thông số của các cảm biến quan trọng nhất đối với ứng dụng. Mô hình kết hợp được trình bày trong (ii). Trọng tâm đặc biệt nằm ở
việc xửlý vấn đềđo lường ngoài trình tự, phát sinh khi kết hợp dữliệu của các cảm biến không đồng bộ. Phần (iii) mô tả cách chúng ta sử dụng một mô hình chuyển
động chung để ước lượng trạng thái. Kết quả thử nghiệm được trình bày trong chương tiếp theo (chương 3)như một phần của kịch bản thử nghiệm tổng thể của hệ
thống.
(i). Cấu trúc hệ thống cảm biến
Cấu trúc cảm biến định vị ô tô của hệ thống được mô tả trong Hình 2. Sáu máy quét đơn Lux, mỗi máy có trường nhìn ngang là 110o, được gắn trên ô tô sao cho chúng cung cấp tầm nhìn gần như 360o xung quanh ô tô (đối với cảm biến kết hợp trình bày ở đây chỉliên quan đến các máy quét phía trước). Một cảm biến radar
50
phạm vi tương tự nhau lên đến 200 m (tùy thuộc vào vật liệu và góc nghiêng của bề
mặt phản xạ) để sự kết hợp của cả hai cảm biến có thể diễn ra trong trường quan sát
hoàn chỉnh của cảm biến radar.
Hình 2.5: Cấu trúc cảm biến. Sáu radar Lux đơn (đỏ) và TRW (xanh lục)[16]
(ii). Mô hình kết hợp radar và lidar cảnh báo va chạm trên ô tô
Mô hình sử dụng kiến trúc kết hợp tập trung được chia thành hai lớp: lớp cảm biến
51
Hình 2.6: Kiến trúc kết hợp cảm biến của hệ thống [16]
Lớp cảm biến với việc từng cảm biến hoạt động độc lập. Đầu tiên, nó đưa dữ liệu quét của từng cảm biến vào một hệ tọa độ và thời gian chung. Để làm cho hệ
thống có khảnăng tích hợp thêm các cảm biến, lớp kết hợp phải liên kết càng nhiều càng tốt dữ liệu cụ thể của các cảm biến. Vì mục đích đó, việc trích xuất đối tượng
địa lý và tạo giả thuyết chướng ngại vật cũng được thực hiện ở đây. Lớp kết hợp duy trì các dấu vết chướng ngại vật và xử lý sự liên kết và ước tính. Không có sự đồng bộ phần cứng giữa các cảm biến, do đó lớp kết hợp phải đối phó với các phép
đo ngoài trình tự (OOSM) [6] [12]. Hệ thống sử dụng bộđệm và xửlý lại phép đo để xử lý sự cố này. Nó rất dễ thực hiện và đưa ra một giải pháp tối ưu cho vấn đề OSMM theo nghĩa là không có dữ liệu nào bị mất và thông tin mới nhất ngay lập tức được xử lý và truyền đi (không bị giữ lại). Như [12] đã chỉ ra một cách chính xác, cách tiếp cận này tiêu tốn bộ nhớ (đệm) và thời gian (xửlý lại). Một bản tóm tắt ngắn về các thuật toán cho vấn đề OSMM được đưa ra trong [12]. [6] thảo luận
52
về các chiến lược đồng bộhóa khác nhau để giảm thiểu độ trễtrong trường hợp xấu nhất.
Phương thức hoạt động của hệ thống được minh họa trên hình 2.7. Mỗi
chướng ngại vật Of hiện đang được lọc tương ứng với truy dấu T duy trì lịch sử của
quá trình lọc. Mỗi ngõ vào trong lịch sửlà một cặp chướng ngại vật 𝑃𝑃𝑡𝑡𝑖𝑖 = (𝑂𝑂𝑡𝑡𝑓𝑓𝑖𝑖,𝑂𝑂𝑡𝑡𝑚𝑚𝑖𝑖)
trong đó −𝑑𝑑 <𝑖𝑖 ≤ 0và d là độ sâu của lịch sử. 𝑂𝑂𝑡𝑡𝑚𝑚𝑖𝑖 là một chướng ngại vật đã được quan sát bởi một số cảm biến tại thời điểm 𝑡𝑡𝑖𝑖 (có thểlà bất kỳ cảm biến nào được sử
dụng trong liên kết) và được sử dụng để cập nhật 𝑂𝑂𝑡𝑡𝑓𝑓𝑖𝑖−1(𝑡𝑡𝑖𝑖)(chướng ngại vật 𝑂𝑂𝑡𝑡𝑓𝑓𝑖𝑖−1
được dựđoán tới thời điểm 𝑡𝑡𝑖𝑖), sau đó sẽ là 𝑂𝑂𝑡𝑡𝑓𝑓𝑖𝑖.
Hình 2.7: Truy dấu: duy trì lịch sửcho từng giả thiết chướng ngại vật [16]
Khi dữliệu chướng ngại vật mới được thêm vào mô-đun kết hợp, các chướng ngại vật được liên kết để các truy dấu được duy trì. Đểso sánh một chướng ngại vật mới Om với truy dấu T, hệ thống tìm kiếm khoảng thời gian chính xác trong lịch sử
truy dấu (tìm kiếm nhị phân) và do đó chướng ngại vật tiềm tàng tương ứng Of của
nó được lọc. Sau khi tìm thấy, hệ thống dựđoán Of tới thời điểm của Om và kiểm tra xem cả hai có thể liên kết với nhau hay không [10]. Sự đồng bộ giữa các truy dấu
53
cận gần nhất. Sau đó, tổng lịch sửđược xửlý lại từ Of số trởđi bằng một chuỗi các cuộc gọi dựđoán và cập nhật.
Sau mỗi lần lặp lại như vậy, lịch sử có thể được xóa khỏi dữliệu không cần thiết. Nó giữ dữ liệu từ cùng một cảm biến đến theo trình tự. Khi cập nhật truy dấu T với Om, mọi chướng ngại vật 𝑂𝑂𝑡𝑡𝑚𝑚𝑖𝑖 trong T bắt nguồn từ cùng một cảm biến đó sẽ không còn tác dụng (ngoại trừ Om). Các chướng ngại vật cũ hơn một số ngưỡng
trước cũng được đánh dấu là đã không còn giá trị(ngưỡng phụ thuộc vào cảm biến
tương ứng và độ trễ dự kiến của chúng). Sau đó, hệ thống có thể xóa các cặp
chướng ngại vật từ trái sang phải trong Hình 2.7 cho đến khi chúng ta tìm được một cặp mà chướng ngại vật đo lường vẫn còn tác dụng.
(iii). Ước lượng trạng thái
Nghiên cứu sử dụng mô hình gia tốc không đổi để mô tả trạng thái của từng
đối tượng. Nó bao gồm vị trí px và py của vật thể, vận tốc vx và vy, gia tốc ax và ay của nó. Trong [3], một thuật toán tổng hợp được trình bày sử dụng hai mô hình
được chọn tùy thuộc vào chất lượng thông tin được cung cấp bởi cảm biến tương ứng. Ngoài mô hình điểm, nó còn triển khai mô hình xe đạp được sử dụng khi có thông tin về hướng của đối tượng (ví dụ: bằng máy quét lazer khi các đối tượng ở đủ gần). Điều này không cần thiết đối với ứng dụng ô tô sau đây được mô tảở đây, nhưng được coi là cần thiết cho các ứng dụng trong tương lai, đặc biệt là khi ô tô đang quay đầu một cách khó khăn trên đường với mật độ giao thông cao và do đó thông tin định hướng là không thể thiếu.
Mô hình đối tượng của hệ thống được thực hiện bởi Bộ lọc Kalman [8] [5].
Chất lượng của các đặc điểm đối tượng (vị trí và vận tốc) được tính toán từ dữ liệu
quét là rất khác nhau đối với cả hai cảm biến. Ví dụ, thông tin vận tốc từ radar chính
xác hơn thông tin của máy quét Lidar, thông tin này phải được tính toán từ các phép
đo tại các thời điểm khác nhau. Điều này được giải thích bằng cách đặt các giá trị trong ma trận hiệp phương sai đo một cách thích hợp khi cập nhật vectơ trạng thái.
Máy quét Lux cung cấp một đám mây các điểm quét, phải được xử lý để
54
đối tượng trong thế giới thực được đưa vào một nhóm duy nhất. Với mục đích này,
hệ thống áp dụng phương pháp phỏng đoán nhóm dựa trên khoảng cách đơn giản.
Như [3] gợi ý, điều này được cải thiện bằng cách đưa các giả thiết chắc chắn về mô-
đun kết hợp trởlại giai đoạn phân nhóm.
Hệ thống sử dụng trọng tâm của nhóm làm tính năng định vị cho bản cập nhật trạng thái. Tính ổn định của tính năng này phụ thuộc vào một sốlượng lớn các yếu tố, như xu hướng và khoảng cách của xe sau so với các cảm biến.
Thông tin vận tốc không thể được tính toán từ một lần quét, mà phải được
ước tính giữa các lần quét tại các thời điểm khác nhau. Hệ thống sẽ so sánh các phép đo liên tiếp và do đó thu được độlệch chuẩn khoảng 0.8 km/h. Khi chênh lệch thời gian giữa cả hai phép đo trở nên quá nhỏ, chúng ta nâng các giá trị trong ma
trận hiệp phương sai, bởi vì trong trường hợp này, sự kết hợp của chúng có thể dẫn
đến ước tính sai.
Radar không cho phép chế độ cung cấp dữ liệu thô của quá trình quét. Nó gửi một danh sách các đối tượng đã được lọc. Mỗi đối tượng bao gồm vị trí xác
định của nó theo khoảng cách đến cảm biến và góc của nó so với hướng của cảm biến và vận tốc của nó so với cảm biến. Thông tin vị trí đối tượng từ cảm biến radar
được sử dụng trực tiếp làm đặc điểm vị trí, và tương tự như tính năng Lidar, hệ
thống đo được độchính xác khoảng 20 cm.
Ngược lại với Lux, radar trực tiếp cung cấp thông tin về vận tốc của vật thể
bằng cách sử dụng hiệu ứng Doppler. Vận tốc này chính xác hơn vận tốc được tính
toán từ dữliệu của Lidar.
Tuy nhiên, chỉ có thành phần vận tốc hướng tâm liên quan đến cảm biến
được đo, điều này có thể dẫn đến loại sự cố sau. Trong Hình 2.8, radar phát hiện một vật thểlái trên cùng làn đường phía trước chúng ta và vật thểđó bị dịch chuyển sang một bên so với xe tự hành. Tuy nhiên, các hướng vận tốc của chúng bằng nhau. Radar chỉ đo v//, vì vậy chiếc xe dường như rời khỏi làn đường, mặc dù nó thực sự không (điều tương tự xảy ra khi một chiếc xe tiếp cận trên làn đường bên trái của nó).
55
Theo cách tiếp cận đầu tiên, hệ thống chỉ sử dụng thành phần của v// song song với hướng chuyển động của ô tô riêng, v’//. Đây là một giá trị gần đúng có thể
chấp nhận được vì góc khẩu độ của radar rất nhỏ. Tương tự như tính toán vận tốc của các đối tượng Lux, người ta có thể so sánh các đối tượng radar liên tiếp để có
được thông tin về v ⊥. Điều này được lên kếhoạch cho tương lai.
Hình 2.8: Đo lường vận tốc với radar. (a) v là vận tốc thực tếcủa ô tô được theo
sau, v// là vận tốc được đo bởi cảm biến radar và (b) v’// là vận tốc giả thiết.[16]
2.4. Kết luận chương
Hệ thống cảnh báo va chạm đặt những cảm biến radar và lidar ở phía trước của xe. Từ đây, chúng sẽ liên tục phát đi những đợt sóng vô tuyến ở tần số cao (radar) hay chùm tia lazer (lidar). Khi gặp chướng ngại vật, chúng sẽ dội ngược lại cảm biến. Nhờ đó, bộ xửlý trung tâm của xe sẽtính toán được khoảng cách và thời gian từ xe đến vật thể dựa trên tốc độ hiện tại của xe và quá trình điều khiển của
người lái. Nói một cách đơn giản, nhờ những thông tin mà bộ cảm biến radar/lidar
gửi về, hệ thống có thể nhận biết được vị trí của xe gần mình, khoảng cách và vận tốc tương đối giữa hai xe một cách liên tục. Và nếu có bất kỳ thay đổi nào trong
những yếu tố trên có thể dẫn đến nguy cơ tai nạn, hệ thống sẽ phát cảnh báo hoặc hỗ
trợngười lái tránh được va chạm.
Ôtô với hệ thống radar
Ôtô với hệ thống radar
Ôtô khác
Hướng phía trước
Ôtô được theo sau
56
CHƯƠNG 3. MÔ HÌNH THUẬT TOÁN VÀ MÔ PHỎNG
TÍNH NĂNG HỆ THỐNG
Chương này trình bày mô hình thuật toán thời gian thực cho phép và hỗ trợ lái xe ô tô khi theo sau các ô tô khác ở nhiều tốc độ khác nhau mà vẫn giữ khoảng
cách an toàn. Một phương pháp điều chỉnh vận tốc và quãng đường được đưa ra phụ
thuộc vào vị trí cũng như vận tốc của chiếc ô tô đi sau. Cảm biến radar cung cấp
thông tin đáng tin cậy về làn đường thẳng, nhưng không đảm bảo ở đường cong do trường nhìn bị hạn chế. Mặt khác, cảm biến Lidar có thểbao phủ các khu vực quan
tâm trong hầu hết các tình huống, nhưng không cung cấp được thông tin chính xác về tốc độ. Do đó, nghiên cứu kết hợp các ưu điểm của cả hai cảm biến với cách tiếp cận tổng hợp cảm biến để cung cấp dữ liệu động và không gian chi tiết và chính
xác. Tính năng của hệ thống sẽ được mô tả chi tiết trong các kịch bản thực nghiệm mô phỏng.