Resumen
Los sensores de radar de alta resolución pueden detectar el entorno del vehículo con mucha precisión al detectar miles de puntos de reflexión por ciclo de medición. Este artículo propone un nuevo método de mapeo de cuadrículas de ocupación para modelar entornos estáticos. Las amplitudes de reflexión de todos los puntos de datos se compensan, normalizan y convierten en valores de probabilidad de detección basados en un modelo de sensor de radar predefinido. En función del movimiento del vehículo de prueba, se calcula la probabilidad de ocupación posterior después de varios ciclos de medición y se establece un mapa de cuadrícula de ocupación. Posteriormente, este mapa de cuadrícula de ocupación se transforma en un mapa de cuadrícula binaria, donde las celdas de cuadrícula que contienen obstáculos se definen como ocupadas. Estas celdas de cuadrícula ocupadas se agruparon mediante un algoritmo de etiquetado de componentes conectados, eliminando todos los valores atípicos con solo una pequeña cantidad de celdas de cuadrícula. Luego, los límites de las celdas de cuadrícula agrupadas se identificaron utilizando el algoritmo de seguimiento de vecinos de Moore. Sobre la base de estos límites, se utiliza el algoritmo de línea recta de Bresenham para determinar el espacio libre según el modelo de intervalo. El mapa de cuadrícula de ocupación extraído de los datos medidos por radar y los resultados de detección de espacio libre concuerdan con la escena real de la carretera.
1. Introducción
Debido a su robustez en todo clima y costo relativamente bajo, los sensores de radar se utilizan ampliamente en la industria automotriz, especialmente en el campo de los sistemas avanzados de asistencia al conductor (ADAS). Por ejemplo, en los sistemas de control de crucero adaptativo (ACC), los sensores de radar pueden detectar objetos en un amplio rango. Después de obtener el valor de distancia objetivo, el sistema ACC puede acelerar o desacelerar automáticamente el vehículo.
El desarrollo de sistemas automatizados de control de asistencia a la conducción continúa aumentando los requisitos para los sensores de radar de alta resolución. Para manejar aplicaciones complejas y situaciones de tráfico, los sensores de radar requieren una alta resolución angular y de distancia para capturar suficiente información ambiental. Además, el radar de alta resolución requiere la fusión de datos con lidar o sensores de cámara a nivel de píxel.
Un sistema de radar de onda continua chirp rápido con un conjunto de antenas (radar de secuencia chirp) ha demostrado ser una de las soluciones más adecuadas. El sistema de radar proporciona un conocimiento de la situación de alta resolución basado en miles de puntos de reflexión detectados en un solo ciclo de medición.
En el campo del modelado de entornos con datos de alta resolución, uno de los métodos comúnmente utilizados son los mapas de cuadrícula de ocupación , que originalmente se originaron en la robótica probabilística [2,3]. Este método divide el entorno en un patrón uniforme de celdas de cuadrícula y luego llena los puntos de detección en las celdas de cuadrícula correspondientes. Las celdas de cuadrícula se rastrean a lo largo del tiempo en lugar de puntos, por lo que se eliminan el ruido y la incertidumbre de la medición. Al mismo tiempo, se calcula la probabilidad de que cada celda de la cuadrícula esté ocupada. El método puede detectar puntos de reflexión de objetos estáticos en la misma ubicación física en ciclos de medición sucesivos, lo que da como resultado un mapa de cuadrícula de ocupación estable suficiente para modelar entornos estáticos.
A partir del mapa de cuadrícula de ocupación, se pueden identificar áreas de espacio libre. Durante la planificación de la trayectoria del vehículo, el espacio libre debe estimarse con la mayor precisión posible, de lo contrario, pueden ocurrir colisiones con obstáculos cercanos, especialmente después de maniobras evasivas [4].
El documento está organizado de la siguiente manera: la Sección 2 presenta el estado del arte en el mapeo de cuadrículas de ocupación y la detección de espacios libres. La Sección III presenta tareas de preparación de datos como el sensor de radar y el sistema de coordenadas utilizado. En la Sección 4, se describe primero un método para mapear cuadrículas de ocupación utilizando datos de radar de alta resolución de frente único. Luego, en la Sección 5, se presentan mapas de cuadrícula de ocupación con múltiples sensores de radar fusionados complementarios. Basado en el gráfico de cuadrícula de ocupación, el algoritmo requerido para detectar regiones de espacio libre se presenta en la Sección 6. Finalmente, se concluye el trabajo y se proponen perspectivas de futuro.
2. Trabajo relacionado
Esta sección describe el trabajo relacionado con el mapeo de cuadrícula de ocupación y la detección de espacio libre.
2.1 Teorema de Bayes
Con base en el teorema de Bayes, los nuevos datos en el ciclo de medición actual se combinan con los datos anteriores para calcular la probabilidad posterior p(m|R1:t,V1:t) del mapa, donde m es el mapa de cuadrícula y R1: t es el conjunto de datos de medición del sensor desde el momento 1 hasta t, y V1:t es el conjunto de datos de posición del vehículo desde el momento 1 hasta t.
(1)
El logaritmo de la razón de posibilidades de la probabilidad posterior ℓt en la ecuación (1) se puede calcular como
(2)
Entre ellos, p(m|Rt, Vt) representa la probabilidad de detección de los datos del sensor Rt y los datos del vehículo Vt que procesan el valor medido actual. Antes de que se procese cualquier medición ℓ0, generalmente se supone que el logaritmo de la razón de probabilidades de la probabilidad de detección es 0, ya que no se sabe nada sobre el entorno circundante hasta la primera medición.
2.2 Mapeo de cuadrícula de ocupación
El mapeo de cuadrícula de ocupación se logró previamente con sensores lidar [5] y sensores de cámara [6]. Utilizando un modelo avanzado de sensor directo-inverso, los datos de reflexión del sensor lidar se convierten en probabilidades de ocupación como probabilidades de detección en el teorema bayesiano [7]. Si el sensor lidar detecta un objeto, la celda de la cuadrícula donde se encuentra el objeto se identifica como ocupada (consulte la Figura 1). Entre las celdas de cuadrícula ocupadas y el sensor LiDAR, las celdas de cuadrícula dentro de una cierta distancia radial del sensor LiDAR se marcan como libres. La probabilidad de ocupación de una celda de cuadrícula en un umbral de distancia se calcula como una función lineal de la distancia entre la celda de cuadrícula y el objetivo. Las celdas de cuadrícula sin ninguna información de medición (gris en la Fig. 1) se marcan como desconocidas.
Figura 1: modelo de sensor láser
Dado que los sensores de radar pueden detectar objetos detrás de obstáculos, se requiere un modelo de sensor diferente para calcular las probabilidades de ocupación. En [8], Degerman et al., extraen la relación señal/ruido (SNR) y calculan la probabilidad de detección junto con el modelo Swerling 1. Usando un radar estático, Clarke y otros calcularon la probabilidad de ocupación como una función de la potencia reflejada, el número de bin de la transformada rápida de Fourier (FFT) del rango y el rumbo [9]. Werber y otros desarrollaron un método basado en la amplitud utilizando información sobre la sección transversal del radar (RCS) con mapeo de cuadrícula de ocupación [10]. Teniendo en cuenta las diferentes características y características de modulación de los sensores de radar, se puede establecer un modelo general de sensor de radar convirtiendo la intensidad de reflexión de los puntos de detección en probabilidad de ocupación .
Dado que los sensores de radar automotriz anteriores solo pueden proporcionar pocos datos de reflexión, principalmente en el nivel del objetivo, los mapas de cuadrícula de ocupación generalmente se crean mediante algoritmos de localización y mapeo simultáneos (SLAM) a partir de múltiples mediciones en un área limitada. Combinando todos los resultados de las mediciones, se establece un mapa de cuadrícula de ocupación de toda el área de medición, lo que ayuda a ubicar la posición del vehículo. El mapeo de cuadrícula también se usa para clasificar objetos almacenados en el nivel de celda [11]. Sin embargo, este enfoque no es adecuado para el mapeo de la cuadrícula de ocupación dentro de las mediciones en tiempo real.
2.3 Detección de espacio libre
Sobre la base de mapas de cuadrícula de ocupación, se han desarrollado capacidades de detección de espacio libre en algunos trabajos anteriores utilizando sensores láser y de visión.
Para el modelo de sensor lidar, el espacio libre se define en función de la distancia entre el sensor y el objetivo [12]. El trabajo adicional se centra en el reconocimiento de límites de carreteras con capacidades de clasificación a partir de datos de sensores de cámaras [13,14]. Konrad et al., propusieron un método para estimar las alineaciones de carreteras utilizando un escáner láser multicapa [15]. Lundquist y otros emplearon un método de ajuste de curvas para detectar los límites de las carreteras en las autopistas [16]. Schreier y otros desarrollaron un gráfico de espacio libre paramétrico que describe el perfil B-spline de un límite de espacio libre externo de forma arbitraria alrededor de un portador de ego, agregando propiedades adicionales del tipo de límite [17]. En entornos vehiculares complejos, es necesario estimar una gran cantidad de parámetros de curva.
Debido al ruido y la incertidumbre en los datos específicos del radar, el mapa de cuadrícula de ocupación creado debe ajustarse en consecuencia antes de la detección del espacio libre. Dado que las detecciones de radar solo pueden cubrir un área limitada, es necesario desarrollar un modelo de espacio libre que se centre en el área a lo largo de la futura trayectoria del vehículo.
3. Configuración de medición y preparación de datos.
Se instaló un sistema de radar de alto rendimiento desarrollado en el vehículo de prueba y se registraron los datos de medición. El modelo de movimiento del vehículo se simula utilizando datos dinámicos del vehículo en el bus de la red de área del controlador (CAN). El sistema de coordenadas del vehículo y el mapa de cuadrícula se adaptan entre sí.
3.1 Sensor de radar
Se desarrolló e instaló un sistema de radar experimental de alto rendimiento FMCW de 77 GHz en la parte delantera del vehículo (consulte la Figura 2). Se utiliza un ancho de banda de B = 2,4 GHz, un tiempo de ciclo de observación de T = 50 ms y un conjunto de antenas receptoras de 16 canales.
Figura 2: Sensor de radar experimental y placa de desarrollo FPGA
Las dimensiones de los datos brutos medidos son 4096 muestras, 1024 rampas y 16 canales. El algoritmo de procesamiento de señales se realiza mediante el uso de una placa de desarrollo de matriz de puertas programables en campo (FPGA). Realice la detección FFT en la muestra para determinar la información de distancia (rango) del punto de detección. Para la detección de la velocidad radial, se calculó una segunda FFT en la rampa. En ambas dimensiones se utilizan ventanas de Chebyshev. Un algoritmo estadístico ordenado de frecuencia constante de falsas alarmas (OS-CFAR) genera un umbral para la extracción de objetivos del espectro Doppler de rango 2D calculado. Los objetos por encima de un nivel de umbral se procesan y su dirección (ángulo de llegada) se calcula utilizando un algoritmo de máxima verosimilitud determinista (DML).
Establezca un umbral de velocidad para seleccionar puntos de destino relevantes del entorno estático. Convierta el rango y el ángulo del punto de reflexión en el sistema de coordenadas polares del radar en xr,i y yr,i en el sistema de coordenadas cartesianas. La posición media del eje trasero del vehículo se define como el origen del sistema de coordenadas. Utilice el algoritmo de procesamiento de señales anterior para calcular la amplitud de reflexión Ar,i de cada punto. Por lo tanto, la información del punto de reflexión Rt en el tiempo t se puede expresar como
(3)
Donde, N es el número de puntos de reflexión.
3.2 Modelo de movimiento del vehículo
La Figura 3 es el sistema de coordenadas del vehículo definido por ISO 8855:2011. Desde el CAN-Bus, se registran datos dinámicos del vehículo como la velocidad v, la aceleración a y la velocidad de giro φ. Calcule el movimiento del ego según el modelo de aceleración de giro constante (CTRA) [19]
，（4）
Figura 3: modelo de movimiento del vehículo
Al integrar la Ecuación (4), la suma de cálculo de la posición del ego-vehículo se expresa como
(5)
Según la ubicación del vehículo del ego, se rastrea el mapa de cuadrícula.
3.3 Sistema de coordenadas del mapa de cuadrícula
En general, el sistema de coordenadas de un mapa de cuadrícula de ocupación se puede definir de dos maneras:
1) Sistema de coordenadas fijo terrestre. El vehículo del ego se mueve en diferentes puntos en este sistema de coordenadas. Este método es adecuado para la medición de ubicaciones limitadas, como estacionamientos; de lo contrario, se recomienda utilizar un mapa de cuadrícula más grande para garantizar que el vehículo ego esté siempre en el mapa.
2) Vehículo - sistema de coordenadas fijo. Mueva y gire el mapa de cuadrícula para mantener el origen en el punto medio del eje trasero del vehículo. Sin embargo, pueden ocurrir desplazamientos no deseados durante la traslación y la rotación. Después de que el vehículo del ego se mueve, una celda de cuadrícula en el mapa anterior puede ocupar varias celdas de cuadrícula nuevas en el mapa en movimiento y rotación, lo que hace que el mapa de cuadrícula sea inestable o impreciso.
Figura 4: Sistema de coordenadas del mapa de cuadrícula
Para modelar y visualizar el entorno alrededor del vehículo en cualquier lugar, el sistema de coordenadas del mapa de cuadrícula debe moverse con el vehículo ego como en el método 2. Al mismo tiempo, se le hicieron algunas correcciones para solucionar el problema del offset. El mapa de cuadrícula simplemente cambia filas y columnas enteras en las direcciones x e y según la posición del vehículo. Las diferencias restantes entre el origen del mapa de cuadrícula y las posiciones del ego xv' e yv' se conservan (ver Figura 4). La orientación del mapa de cuadrícula se fija utilizando la orientación del ego de la primera medición. Durante el movimiento del vehículo, el mapa de cuadrícula no gira, pero se conserva la orientación del vehículo ego φv. Estos valores se utilizan para actualizar los puntos en el sistema de coordenadas del mapa de cuadrícula. Este método puede mover el mapa de cuadrícula sin desplazamiento al realizar el seguimiento del mapa de cuadrícula.
La longitud y el ancho de todo el mapa de cuadrícula se adaptan al rango de detección del sensor de radar. El tamaño de una única celda de cuadrícula es comparable a la resolución de un sensor de radar .
Convierta las coordenadas del punto de detección del radar en el sistema de coordenadas del vehículo al sistema de coordenadas del mapa de cuadrícula mediante la siguiente fórmula
(6)
4. Mapa de cuadrícula de ocupación
Según la ubicación, los puntos de reflexión del radar se asignan a las celdas de cuadrícula correspondientes. En cada paso de tiempo, la cuadrícula de ocupación se actualiza teniendo en cuenta las mediciones actuales del sensor de radar y los valores anteriores de la cuadrícula . Esto reduce la incertidumbre y el error de medición, ya que los verdaderos obstáculos generalmente se detectan en ciclos de medición consecutivos y se mapean en las mismas celdas de cuadrícula a lo largo del tiempo.
La intensidad de reflexión en cada nuevo punto se convierte a un valor normalizado. Combina los valores de todos los puntos en una sola celda para calcular la probabilidad de detección en esa celda . En cada ciclo se calculan las probabilidades y se combinan entre sí para obtener las probabilidades posteriores y establecer el mapa de cuadrícula de ocupación efectiva final . La siguiente sección presenta métodos para detectar probabilidades y probabilidades posteriores.
4.1 Probabilidad de detección
La Figura 5 muestra una imagen de un ciclo de medición de un estacionamiento, y en la Figura 6 se muestra una vista de pájaro de los datos de radar sin procesar. En la siguiente parte, las amplitudes de reflexión en todos los puntos de detección se convierten en probabilidades de detección en cada celda de la cuadrícula.
Compensación por pérdida de espacio libre. La pérdida en el espacio libre describe la reducción de la densidad de potencia de las ondas electromagnéticas durante su propagación en el espacio libre, de acuerdo con la ley de la distancia, sin considerar factores de atenuación adicionales (como la lluvia o la niebla). La magnitud de la reflexión disminuye con la distancia desde el sensor de radar.
La pérdida de espacio libre se compensa para que la intensidad de la reflexión de los obstáculos y la probabilidad de detección transformada sean independientes de la distancia. La relación entre la amplitud de reflexión y la distancia radial de cada punto se da en la ecuación (7). Las amplitudes de todos los puntos se convierten a valores equivalentes d^N a una distancia de referencia Ar,i^N del sensor de radar.
(7)
Entre 
ellos
Figura 5: imagen de la escena del estacionamiento real
Figura 6: Vista aérea del punto de reflexión del radar
Compensación de ganancia de antena . La amplitud de la reflexión en estos puntos también se ve afectada por el ángulo entre el objetivo y el sensor de radar, que está relacionado con la ganancia de la antena. Se compensan diferentes patrones de ganancia de antena para lograr amplitudes de reflexión independientes del ángulo de llegada. Para comprender la relación entre la amplitud y el ángulo del punto de reflexión, coloque un reflector de esquina a la misma distancia del sensor de radar pero en diferentes ángulos, y mida la amplitud de reflexión del reflector en diferentes ángulos (consulte la Figura 7) . Con este patrón de antena, las amplitudes en todos los puntos se convierten a un valor isotrópico, eliminando así cualquier dependencia angular.
Figura 7: Curva característica empírica de ganancia de antena
Normalización de amplitudes de reflexión. La magnitud de la reflexión es un valor relativo y varía con los algoritmos y parámetros de procesamiento de señales. Sin embargo, la relación de las amplitudes entre diferentes puntos siempre exhibe una fuerza de reflexión relativa. Por lo tanto, la amplitud compensada se normaliza a un valor entre 0 y 1. Para cada ciclo de medición, todos los puntos se ordenan por su amplitud (consulte la Figura 8).
Figura 8: Distribución y normalización de amplitudes de reflexión
Si establece el valor de amplitud máxima de la intensidad de reflexión en 1 y el valor de amplitud mínima en 0, se utiliza una escala inadecuada porque algunos puntos tienen un valor extremo. Por lo tanto, el valor máximo del 10 % se normaliza a 1 y el valor mínimo del 10 % es 0. La amplitud de reflexión entre ellos se convierte a este valor según una función lineal. Por lo tanto, las intensidades de reflexión en todos los puntos están normalizadas (ver Figura 9).
Figura 9: Magnitud de reflexión normalizada Figura 10: Probabilidad de detección (vehículo del ego cerca del origen)
Probabilidad de detección en una sola celda de cuadrícula . Después de compensar y normalizar las amplitudes de reflexión, los puntos se asignaron a las celdas de la cuadrícula. Cada celda de la cuadrícula puede estar ocupada por varios puntos con diferentes intensidades de reflexión. La intensidad de reflexión de una sola celda de cuadrícula o la intensidad de reflexión de todos los puntos o el número de puntos puede calcular la probabilidad de detección de una sola celda de cuadrícula. En una celda de cuadrícula, algunos puntos con alta intensidad de reflexión se detectan desde un objeto, mientras que algunos puntos con baja intensidad de reflexión se reflejan desde otro objeto cercano debido a los lóbulos laterales de la antena. Se debe ignorar la influencia de aquellos puntos con menor intensidad de reflexión ; de lo contrario, se calcula una menor probabilidad de detección calculando la intensidad de reflexión promedio dentro de una celda de cuadrícula . Además, el número de puntos en cada celda de la cuadrícula depende en gran medida del tamaño de la celda de la cuadrícula.
En base a las razones anteriores, solo se considera en el cálculo el punto con el valor máximo de intensidad de reflexión del 20 % en cada celda de la cuadrícula . Su valor medio de intensidad de reflexión se define como la probabilidad de detección en la celda de la cuadrícula . La Figura 10 muestra las probabilidades de detección para todas las celdas de la cuadrícula en un ciclo de medición.
4.2 Probabilidad posterior
El modelo de sensor de radar convierte la intensidad de reflexión en probabilidad de detección, que es diferente del modelo de sensor lidar, por lo que se modificó la Ecuación (2).
Primero, la probabilidad de detección se ajusta a un valor entre 0,5 y 1 usando la Ecuación (8), de lo contrario, las intensidades de reflexión por debajo de 0,5 también provienen de obstáculos, lo que resulta en una disminución de la relación logarítmica de la probabilidad posterior.
(8)
Sin embargo, a medida que se escala la probabilidad de detección, la probabilidad posterior aumenta cada vez que se calculan los datos para un nuevo período de medición. Para resolver este problema con un factor de degeneración k, la ecuación se usa para calcular el logaritmo de la razón de probabilidades de la probabilidad posterior
(9)
A medida que el vehículo ego se mueve, las celdas de la cuadrícula con valores de probabilidad de ocupación se mueven. Por lo tanto, cada celda de la cuadrícula mantiene una probabilidad de detección basada en los datos del radar para el período actual y la probabilidad de ocupación para el período anterior . Los datos de radar anteriores deberían tener menos influencia en la probabilidad de ocupación final que los datos nuevos . Con el factor de degradación k, el logaritmo de la razón de posibilidades de la probabilidad de ocupación ℓt−1 disminuye con el tiempo. Por lo tanto, en cada ciclo, el valor de probabilidad de ocupación en la celda de cuadrícula primero disminuye con el aumento del factor de degradación y luego aumenta con el aumento de la probabilidad de detección actual .
El log odds ratio ℓt en las celdas de la cuadrícula se normaliza a un valor entre 0 y 1, que representa la probabilidad de ocupación posterior. Los límites máximo y mínimo se determinan de manera predictiva: un objeto se ubica en una celda de cuadrícula y se detecta con la misma probabilidad de detección Pth en cada ciclo. Después de n períodos de medición, se supone que las celdas de la cuadrícula están ocupadas al 100 %. La relación de probabilidades logarítmicas actual se establece en un límite superior ℓth,max, denotado por el valor 1 de la probabilidad posterior. ℓth,max se puede calcular mediante la siguiente fórmula
(10)
En los siguientes m ciclos, no se detectan puntos reflejados en esta celda de cuadrícula. Las celdas de la cuadrícula vuelven a estar libres. La relación logarítmica actual se define como el límite inferior ℓth,min, denotado por el valor 0 de la probabilidad posterior. ℓth,min se puede calcular con la siguiente fórmula
(11)
Los valores de relación logarítmica entre los límites superior e inferior se convirtieron a valores entre 0 y 1. La Figura 11 muestra la curva de variación de la probabilidad de ocupación en predicción con periodo de medición (Pth=0.9, n=m=10). En el ciclo 10, la probabilidad de ocupación alcanza un valor máximo, luego disminuye y se produce un valor mínimo en el ciclo 20.
Figura 11: Curva de variación de probabilidad de ocupación prevista
4.3 Resultados
La probabilidad posterior representa la probabilidad final de ocupación en cada ciclo. En la Figura 12, se muestra un mapa de cuadrícula de ocupación medido desde un espacio de estacionamiento donde están estacionados varios camiones y camionetas (ver Figura 5). En el mapa de cuadrícula de ocupación, se reconocen los contornos de los camiones aunque estén estacionados uno cerca del otro. El área donde se encuentra el camión tiene una probabilidad de ocupación de casi 1, y las celdas de cuadrícula entre ellas tienen una probabilidad de ocupación de 0. Este mapa de cuadrícula de ocupación representa correctamente el entorno estático.
Figura 12: Mapa de cuadrícula de ocupación del estacionamiento
4.4 Mapa de cuadrícula de magnitud
El mapa de cuadrícula de magnitud es otro método de mapa de cuadrícula de uso común, que normaliza el valor máximo de la amplitud de reflexión a lo largo del tiempo para cada celda de cuadrícula a la probabilidad de ocupación . En la Fig. 13, se da un ejemplo de un mapa de cuadrícula de magnitud. A diferencia del mapa de cuadrícula de ocupación, el ruido de medición no se filtra ni se presenta en el mapa de cuadrícula, ya que solo considera el valor máximo e ignora el período de duración del valor medido . Debido a la presencia de ruido de medición, se calcula una mayor probabilidad de ocupación en el espacio libre existente, lo que interfiere en la detección del espacio libre. Por lo tanto, los métodos mencionados anteriormente en las Secciones 4.1 y 4.2 se utilizarán en las siguientes secciones.
Figura 13: Ejemplo de un mapa de cuadrícula de amplitud
5. Fusión de mapa de cuadrícula de ocupación
Para ampliar el campo de visión (FoV), se montan tres radares de alta resolución alrededor del vehículo. Después de introducir la configuración del sensor de radar, se proponen tres mapas de cuadrícula de ocupación para el procesamiento de datos de radar. Usando el método descrito anteriormente, se obtiene un mapa de cuadrícula estable con un gran campo de visión.
5.1 Configuración de sensores
La apertura de azimut del sensor de radar (indicado por el radar FC, ver Fig. 2) instalado en el centro del alerón delantero es de aproximadamente ±50°. Esto significa que la mayoría de los puntos de detección están ubicados frente al vehículo, pero los alrededores a los lados no se detectan bien. Se necesitan más sensores de radar para ampliar el área de detección.
Debido a la falta de espacio de instalación para el tanque de almacenamiento de aceite del limpiaparabrisas y el tubo de escape en el lado izquierdo del vehículo, los otros dos sensores de radar se instalan respectivamente en la esquina delantera derecha del vehículo (indicado por el radar FR) y en la parte trasera derecha. esquina (indicada por el radar RR) (ver Figura 14). La posición de instalación y la orientación de los sensores se describen en el sistema de coordenadas del vehículo (consulte la Figura 3), por ejemplo (xFR, yFR, φFR) para el radar FR.
Figura 14: Hay tres sensores de radar instalados alrededor del vehículo (el radar central delantero se muestra en la Figura 2)
5.2 Fusión de datos
Tres sensores de radar pueden detectar diferentes puntos de reflexión en su campo de visión, que se superponen parcialmente (ver Figura 15). Para procesar y almacenar datos de sensores de radar individuales simultáneamente y sincrónicamente, se requiere la fusión de datos entre ellos.
La fusión de datos de sensores se puede clasificar en bajo y alto nivel según la etapa de procesamiento en la que se realiza la fusión. La fusión de datos de alto nivel significa que las detecciones y su información de cada sensor de radar se procesan primero por separado al nivel objetivo. Luego, los objetos de diferentes sensores se fusionan y fusionan. La fusión de datos de alto nivel es eficiente en el tiempo, pero parte de la información se pierde o se ignora durante el preprocesamiento antes de la fusión de datos. Por ejemplo, cuando un objeto refleja solo unos pocos puntos en el campo de visión de cada sensor, esos puntos y su información de un sensor pueden no ser suficientes para ser preprocesados en un objeto. Dado que estos puntos no pueden identificar objetos, sus datos no pueden transmitirse en la etapa de procesamiento y utilizarse para la fusión de datos. Por el contrario, la fusión de datos de bajo nivel combina directamente datos sin procesar de todos los sensores (es decir, puntos de detección) y luego genera datos sin procesar fusionados. En el ejemplo anterior, los objetos se pueden identificar utilizando datos fusionados que son más informativos después de que se hayan fusionado los datos de nivel inferior.
Figura 15: FOV de tres radares
Los mapas de cuadrícula de ocupación son un método adecuado para la fusión de bajo nivel de datos de radar de diferentes sensores. Se puede crear un mapa de cuadrícula alrededor del vehículo donde se asignan todos los puntos de reflexión para cada sensor de radar. En la Figura 16, los puntos de reflexión individuales detectados por los tres sensores de radar están representados por diferentes colores.
Figura 16: Puntos de detección de tres sensores de radar (grabación instantánea de disparo único)
Utilizando el conocimiento de la posición y orientación de la instalación del sensor, primero podemos transformar la posición del punto de detección específico del radar en el sistema de coordenadas del vehículo mediante la Ecuación (12) y luego ingresar un sistema de coordenadas de mapa de cuadrícula común mediante la Ecuación (6). Posteriormente, se asignarán a las celdas de cuadrícula correspondientes.
(12)
Aquí xra,i, yra,i son las coordenadas del punto de detección en el sistema de coordenadas del sensor de radar.
La probabilidad de detección se calcula considerando los puntos asignados con alta intensidad de reflexión para cada celda individual de la cuadrícula, y el mapa de cuadrícula de ocupación se construye usando el método mencionado en las Secciones 4.1 y 4.2 anteriores.
5.3 Resultados
La Figura 17 es un diagrama de cuadrícula de ocupación de múltiples calles que se cruzan. A través de la fusión de datos entre los tres sensores de radar, el contorno de la calle es claramente visible delante y a la derecha del vehículo en el mapa de cuadrícula. La probabilidad de ocupación de las celdas de cuadrícula en el área de la carretera es 0. Las mediciones muestran que la detección de intersecciones, límites de carreteras y zonas de conducción en espacios libres se pueden identificar bien mediante un mapa de cuadrícula de ocupación fusionado con un radar de alta resolución.
Figura 17: Mapa de cuadrícula de ocupación en una calle con múltiples intersecciones
6. Detección de espacio libre
La detección de espacio libre alrededor del vehículo no es posible debido a que se encuentra fuera del rango de detección y la apertura del sensor de radar, o detrás de algunos obstáculos más grandes. Para la planificación del movimiento del vehículo, el campo de interés (FoI) es la región a lo largo de posibles trayectorias. Primero, se determina el estado de ocupación en todas las celdas de la cuadrícula para crear un mapa de cuadrícula binaria. Usando el método de agrupamiento, el área ocupada causada por constantes causadas por errores de medición y fuertes puntos de reflexión se define nuevamente como espacio libre. Basado en el algoritmo de reconocimiento de límites, se detecta el límite del área ocupada y se realiza la detección de espacio libre a lo largo de la trayectoria del vehículo.
6.1 Determinación del estado de ocupación
Antes de detectar espacio libre, debe determinarse si una celda de la cuadrícula está ocupada. El enfoque más simple es utilizar un umbral de probabilidad de ocupación constante. El estado de ocupación de las celdas de la cuadrícula se determina de modo que el mapa de cuadrícula de ocupación se pueda convertir en un mapa de cuadrícula binaria (consulte la Figura 18).
Figura 18: Mapa de cuadrícula binaria con umbral de probabilidad de ocupación (rojo: celdas de cuadrícula ocupadas, blanco: celdas de cuadrícula libres)
Sin embargo, debido a las características del sensor de radar y del algoritmo OS-CFAR, el estado de ocupación de algunas celdas de la cuadrícula no coincide con sus valores respectivos. Desde un objeto, se detectan muchos puntos de reflexión y se asignan a diferentes celdas de cuadrícula. Algunos de estos puntos tienen magnitudes de reflexión bajas , lo que hace que la probabilidad de ocupación de sus celdas de cuadrícula correspondientes sea cercana a cero. Estas celdas de cuadrícula se detectan como espacio libre, pero en realidad son obstáculos . En este artículo, se proponen dos métodos para identificar celdas de cuadrícula que pertenecen a obstáculos pero que tienen una baja probabilidad de ocupación.
1) Se consideran las celdas de cuadrícula cuya probabilidad de ocupación está por debajo de un umbral. Se calcula el número de celdas de cuadrícula en el vecindario cuya probabilidad de ocupación es mucho mayor que la celda de cuadrícula seleccionada (consulte la celda de cuadrícula N en la Fig. 19, imagen de la izquierda). Si esta cantidad es mayor que el umbral, la celda de cuadrícula seleccionada (celda de cuadrícula C en la Figura 19) se establece como ocupada . Con este método, las celdas de cuadrícula con baja probabilidad de ocupación dentro de los obstáculos y en las áreas limítrofes se identifican como ocupadas.
Figura 19: Celdas de cuadrícula adyacentes (C: celda de cuadrícula central. N: celdas de cuadrícula adyacentes).
2) Tratar con celdas de cuadrícula cuya probabilidad de ocupación es cero. Si dos celdas de cuadrícula de "abrazadera" (ver Figura 19, celda de cuadrícula N en el medio y a la derecha) tienen una alta probabilidad de ocupación y se declaran como ocupadas, la celda de cuadrícula seleccionada se establece en ocupada . Por lo tanto, especialmente las celdas de cuadrícula con una probabilidad de ocupación de cero en el área interior del obstáculo se detectan como ocupadas.
Con el método descrito anteriormente, se puede determinar el estado de ocupación de todas las celdas de la cuadrícula. Un ejemplo de este resultado se muestra en la Figura 20.
Figura 20: Mapa de cuadrícula binaria procesada
6.2 Agrupación de celdas de cuadrícula binaria
El ruido de medición aleatorio se filtró utilizando el mapa de cuadrícula de ocupación. Sin embargo, algunos puntos de reflexión son causados por objetos fuertes cercanos o errores de medición. En un mapa de cuadrícula bivariante, los puntos suelen ocupar áreas de pequeño tamaño fuera de los obstáculos, denominadas valores atípicos. Los valores atípicos se filtran utilizando un umbral del tamaño de huella de la conexión.
Para calcular el tamaño del área ocupada conectada, primero se deben agrupar las celdas de la cuadrícula binaria. Este artículo analiza tres algoritmos de agrupamiento populares:
1) K-Means [21]. La división de las celdas de la cuadrícula se divide en un número predefinido de clases, donde cada celda de la cuadrícula pertenece a la clase con el valor medio más cercano. Dado que el entorno que rodea al vehículo siempre está cambiando, la cantidad de clases predefinidas no es eficiente .
2) Agrupación espacial basada en la densidad de aplicaciones de ruido (DBSCAN) [22]. Las celdas de la cuadrícula se agrupan y dividen en celdas de la cuadrícula central, celdas de la cuadrícula límite y celdas de la cuadrícula de ruido de acuerdo con el número de celdas de la cuadrícula adyacentes. Aquí, las celdas de cuadrícula ruidosas se consideran valores atípicos. Para filtrar con precisión las celdas de cuadrícula ruidosas, se eligió un umbral relativamente bajo para la distancia entre las celdas de la cuadrícula y un umbral relativamente alto para el número de celdas de la cuadrícula. Sin embargo, el tiempo de cálculo es largo porque es una función cuadrática del número de celdas de la cuadrícula en el peor de los casos.
3) Etiquetado de componentes conectados (CCL) [23,24]. Detecte y agrupe celdas de cuadrícula ocupadas conectadas en un mapa de cuadrícula binaria. No es necesario predefinir ningún parámetro. Además, requiere una carga computacional significativamente menor que DBSCAN. Por lo tanto, CCL se elige aquí como el algoritmo de agrupamiento .
Se cuenta el número de celdas de cuadrícula en cada clase. Mediante el uso de umbrales numéricos, se encuentran los valores atípicos y las celdas de la cuadrícula en el esquema se vuelven a marcar como libres. Este paso de procesamiento tiene sentido porque algunos contornos se encuentran directamente en frente del vehículo y pertenecen a la FoI. En la Fig. 21, se muestran los resultados de agrupamiento del algoritmo CCL. Las celdas de cuadrícula en círculos negros se agrupan y luego se definen nuevamente como celdas libres.
Figura 21: Agrupación con algoritmo CCL (diferentes colores representan diferentes agrupaciones)
6.3 Reconocimiento de límites
Los límites de los grupos y las celdas de cuadrícula binaria ocupadas son principalmente relevantes para la detección de espacio libre. Este documento presenta el algoritmo de seguimiento de vecinos de Moore (MNT) para identificar los límites de las regiones ocupadas [25]. En la Fig. 22, se describe el algoritmo MNT. Partiendo de una celda de cuadrícula B1 ocupada aleatoriamente, se busca en la siguiente celda de cuadrícula adyacente ocupada en el sentido de las agujas del reloj B2. El bucle iterativo termina cuando se visita la celda de cuadrícula inicial por segunda vez.
Figura 22: Algoritmo MNT (B: celda de malla delimitadora)
Todas las celdas de cuadrícula que llegan se marcan como celdas de cuadrícula de límite, lo que ayuda a detectar el espacio libre a lo largo de la trayectoria. La Figura 23 muestra un ejemplo de resultados de reconocimiento de límites.
Figura 23: Reconocimiento de límites (negro: celdas de cuadrícula de límite, gris: celdas de cuadrícula ocupadas)
6.4 Modelos de espacio libre basados en intervalos
El espacio libre a lo largo de la trayectoria del vehículo se define por la distancia más estrecha entre las posibles posiciones futuras del vehículo y el límite del área ocupada.
En primer lugar, se calcula la trayectoria del vehículo ego utilizando los datos dinámicos actuales basados en el modelo CTRA, y se calculan la posición y orientación del vehículo a lo largo de la trayectoria. Cualquier maniobra también se puede utilizar para calcular la trayectoria del vehículo. La trayectoria del vehículo se define como la línea base, teniendo en cuenta la orientación de cada ubicación, esta área se asemeja a un sector, definiendo la FoI a lo largo de la trayectoria (ver Figura 24).
Figura 24: FoI e intervalos a lo largo de la trayectoria
Luego, el FoI se divide en intervalos de cierta longitud a lo largo de la trayectoria. Este intervalo de tiempo es siempre perpendicular a la orientación del vehículo en cada punto. La longitud de un solo intervalo se define en función de la velocidad del vehículo, ya que se requiere un espacio libre más amplio a medida que aumenta la velocidad.
Para implementar el modelo de espacio libre basado en intervalos, la celda de cuadrícula donde se encuentra la posición del vehículo en la FoI se selecciona como la celda de cuadrícula de referencia. Se accede a las celdas de la cuadrícula de referencia mediante el algoritmo de línea de Bresenham, que se coloca en cada ubicación perpendicular a la orientación del vehículo (consulte la Figura 25).
Figura 25: Detección de espacio libre dentro de un intervalo (azul: celdas de cuadrícula de línea de base, verde: celdas de cuadrícula de espacio libre, negro: celdas de cuadrícula de límite, gris: celdas de cuadrícula ocupadas).
Busque la celda de cuadrícula ocupada con la distancia más pequeña desde cada celda de cuadrícula de línea de base. Esta distancia se define entonces como el ancho del intervalo de espacio libre. En este intervalo, las celdas de cuadrícula más cercanas a la celda de cuadrícula de referencia se marcan como espacio libre. Asimismo, se puede calcular el ancho de todos los intervalos, detectando así el espacio libre a lo largo de la trayectoria del vehículo.
6.5 Resultados
La figura 26 muestra un ejemplo de detección de plazas de aparcamiento libres. Hay más espacio libre a la izquierda que a la derecha delante del vehículo, lo que significa que las trayectorias evasivas hacia la izquierda son más factibles que las de la derecha. Además, los estacionamientos entre camiones se consideran espacio libre, lo que ayuda a generar maniobras de estacionamiento.
Figura 26: Ejemplo de detección de espacio libre
En las Figuras 27 y 28 se muestra otro ejemplo en vía pública. Hay varios postes de advertencia en el lado izquierdo de la carretera, que se detectan como obstáculos en el mapa respectivamente. La distancia entre los postes de advertencia se reconoce como espacio libre.
Figura 27: Imagen medida en vía pública Figura 28: Detección de espacio libre en vía pública
7. Conclusión y perspectiva
Para modelar el entorno estático alrededor de un vehículo utilizando un sensor de radar de alta resolución, se propone un método basado en el concepto de mapa de cuadrícula de ocupación y detección de espacio libre determinado .
El sensor de radar se utiliza para detectar la posición y la amplitud de reflexión del punto objetivo como datos de entrada del mapa de cuadrícula de ocupación. Primero, la magnitud de la reflexión se compensa por la pérdida en el espacio libre y la ganancia del patrón de antena, y luego se normaliza. En segundo lugar, según la ubicación y orientación de los puntos de detección, los puntos de detección se asignan a las celdas de cuadrícula correspondientes. En tercer lugar, la probabilidad de detección en una única celda de cuadrícula se calcula en función de la intensidad de la reflexión en el punto de detección. En cuarto lugar, durante el movimiento del vehículo ego, el valor de la celda de la cuadrícula caerá y luego se incorporarán los nuevos datos de medición para calcular la probabilidad de ocupación posterior. Finalmente, se crea y actualiza un mapa de cuadrícula de ocupación. Al mismo tiempo, la fusión de datos de los tres sensores de radar se realiza utilizando el mapa de cuadrícula de ocupación.
Luego, el mapa de cuadrícula de ocupación se convierte en un mapa de cuadrícula binaria. Además, las celdas de cuadrícula en las regiones de obstáculos se marcan como ocupadas de acuerdo con el estado de las celdas de cuadrícula vecinas. Para eliminar los valores atípicos, las celdas de cuadrícula conectadas se agruparon utilizando el algoritmo CCL. A través del algoritmo MNT, se pueden identificar los límites de las celdas de cuadrícula ocupadas agregadas. Finalmente, se detecta una zona de conducción de espacio libre basada en intervalos según el algoritmo de línea de Bresenham. Como se demuestra en este documento, el espacio libre determinado y los obstáculos detectados en la carretera se ajustan perfectamente a los escenarios reales de conducción de automóviles.
En el trabajo futuro, también se planea incorporar información de altura de las detecciones de radar en los mapas de cuadrícula de ocupación. Por supuesto, esto requiere un mayor desarrollo de sensores de radar de alta resolución para poder estimar el acimut y la elevación. También se pueden desarrollar otras aplicaciones de los mapas de cuadrícula de ocupación, como la localización de vehículos y SLAM.