前言：寻找写作灵感？中文期刊网用心挑选的毫米波雷达车辆目标检测研究，希望能为您的阅读和创作带来灵感，欢迎大家阅读并分享。
摘要:为了提高毫米波雷达对前方车辆检测的准确性，本文提出一种基于机器学习的前方车辆检测方法。结果表明，该方法满足智能客车环境感知系统对于实时性和准确性的要求。
得益于汽车ADAS技术的快速发展，各种汽车辅助安全驾驶技术也越来越多地应用于客车［1－2］，例如紧急制动(AEB)［3－4］、前方碰撞预警(FCW)［5］、自适应巡航(ACC)［6－7］等。这些技术都能有效地协助驾驶员发现车辆行驶中潜在的风险，提醒驾驶员进行规避。车辆是交通环境中最主要的参与物，如何利用毫米波雷达对前方车辆进行快速、准确地检测是ADAS技术的关键环节［8］。
1毫米波雷达功能属性
毫米波雷达是通过接受障碍物的回波信号对物体进行探测，通过分析发射信号和回波信号的时间差和相位差可以获得障碍物的速度和位置。另外毫米波雷达工作性能一般不受环境影响(大雨天除外)，具有全天候、全天时的优点。得益于毫米波雷达优良的性能，现如今已经毫米波雷达已经成为汽车ADAS系统中十分重要的传感器。但毫米波雷达只能对车辆进行有效探测，对行人的探测结果不是很稳定，所以毫米波雷达在ADAS系统中主要用于车辆检测。如今车载毫米波雷达大多属于智能传感器，内置有信号处理模块和算法，方便用户获得处理后的目标级信息，这些信息包括障碍物的速度(纵向和横向)、加速度角度(纵向和横向)、距离、角度、反射强度等。以德尔福毫米波雷达为例，该雷达的工作频率为77～79GHz，短程探测范围为±45°，有效探测距离为60m，长距离探测范围为±10°，有效探测距离为175m。雷达工作时可以同时对环境中64个目标的多种属性进行检测。在毫米波雷达冗杂的检测数据中除了车辆目标，还包含其他3类目标:虚假目标、静态目标、非危险目标。由于雷达工作性能和回波信号不稳定所产生的目标被称为虚假目标，这类目标并非在交通环境中真实存在，所以存在时间很短，在下一个或几个探测周期中会自动消失。交通环境中除了运动的车辆还有许多静态目标，包括道路两旁的树木、护栏、灯杆等。非危险目标指的是主车相邻车道以外车道的车辆目标以及远处的目标，这类目标通常具有较小的碰撞风险，不是环境感知的重点对象。上述3类目标不属于毫米波雷达探测的危险目标，在实际数据处理过程中需要进行剔除。针对第一种虚假目标比较有效的处理方法是采用生命周期算法进行过滤［9］。环境中的静止目标其绝对速度为0，通过本车速度和目标的相对速度可以获得各类检测目标的绝对速度，因此设定速度阈值±0.05m/s可以较好地过滤静止目标。另外静止目标体积较小，回波信号相对车辆目标较弱，也可根据回波强度(或信噪比)进行区分。至于相邻车道以外的目标可以直接根据目标横向距离的分布进行区分。我国单车道宽度为b=3.5～3.7m，如图2所示，车辆行驶潜在的危险区域为±1.5b，为了安全起见，b取最大值3.7m，同时考虑雷达5%的测量误差，最终确定车辆横向检测区域为［－5.8m，+5.8m］。事实上对于静态目标和非危险目标的剔除都是依赖工程经验通过设定某项检测指标的固定阈值进行过滤［10－11］，这种阈值分割方法忽略了各个检测指标间的关联关系，依赖于某项或者几项指标的车辆目标初选方法在实际应用过程中的准确性和鲁棒性有待进一步提高。
2基于决策树的车辆目标检测
2.1决策树模型识别原理
为了克服阈值分割方法在车辆目标检测中存在的问题，本文采用机器学习经典分类算法决策树模型进行毫米波雷达对车辆目标的识别，试验结果表明，该方法具有很好的效果。雷达数据中车辆目标和非车辆目标的分类是一个根据探测属性进行逐步判断的过程，各探测属性在分类中权重有所不同，同时各个属性之间存在相互关联关系，这符合决策树根节点、内部节点和叶节点的构建过程，因此选用决策树对雷达数据和车辆有效目标进行提取符合问题和方法所对应的建模关系。如图3所示，雷达的检测数据通过决策树模型对各种属性进行逐层判别，越有利于目标分类的属性越被优先判别(例如速度)，每层网络中的分类权重是通过机器学习训练获得的，而不是人为设定［12］。
2.2毫米波雷达数据预处理
由图1可知，从毫米波雷达输出的障碍物检测属性有13项(编号除外)，其中有7项属性是用来描述障碍物的跟踪状态，这些信息与目标分类特征没有直接关系，需要将这些数据进行剔除。同时根据毫米波雷达对障碍物横向距离和角度的探测结果，结合车辆运动学方程可以对障碍物的横向速度和角度变化率进行估算，最终获得8项有效分类属性，见表1，其中有效目标标签1代表车辆目标，0代表非车辆目标。训练数据包含1884个检测目标，其中车辆目标987个，非车辆目标897个。由表1可知，最小值为0.01，最大值为149，最大值和最小值的数量级超过104。为了防止数据差异而引起模型训练的波动和不均衡，对数据进行［－1，1］的归一化处理。
2.3决策树模型构建与网络训练
本文基于Matlab搭建决策树模型。Matlab的机器学习工具箱集成了大量的机器学习算法，其中包括决策树算法。决策树常用的算法有ID3、C4.5与CART，其中ID3算法的核心是在决策树的各结点应用信息增益准则，选取信息增益最大的特征进行分类，具有更强的分类能力，因此本文选择ID3算法。为了对训练后的网络进行评估，训练前随机选取70%的数据作为训练数据，采用交叉验证方法，15%的数据作为验证数据，15%的数据作为测试数据。在训练过程中设置迭代周期48次。将2.2节中1884组毫米波雷达检测目标以向量的形式输入到网络，其中障碍物的特征向量作为网络的输入，对应的分类标签作为网络的输出。由图4可知，随着网络训练迭代周期的增加，整个车辆目标分类网络逐步趋于收敛和稳定，损失值不断下降，在第30次迭代中达到了最小值，趋近于0。
2.4车辆目标检测效果评估与分析
由混合矩阵的统计结果可知，模型训练过程中的准确率为96.1%，测试和验证结果的准确率分别为96.2%和91.7%，总体识别结果为95.5%。表2中真正率和真负率分别代表车辆障碍物和非车辆障碍物分类的准确率，两者之和为总正确率。假负率指的是将车辆目标识别成非车辆目标的概率，在工程中指的是车辆漏检，相比于假正率(误检)对实际行车安全危害更大，所以较低的漏检率也是本文方法的优点。仿真模型的硬件环境为CUPI7－9700K，主频处理速度为3.6GHz，内存16G。在算法处理速度方面，本文方法每秒处理雷达数据28帧，单帧数据的处理速度约为36ms。而基于阈值分割的方法，每秒处理雷达帧数124帧，单帧数据的处理速度约为8ms。虽然阈值分割算法速度高，但是本文方法的处理速度也满足大型客车对于障碍物检测实时性的要求，并且具有更高的准确率。
3结束语
毫米波雷达车辆有效检测目标的提取是车辆环境感知领域重要的研究方向，高效、准确地实现有效目标的提取对汽车辅助驾驶安全非常重要。本文采用决策树算法，以数据驱动的方式建立了车辆有效目标的分类模型，充分发挥了各个检测指标的优势，满足客车环境感知的需求。
作者:魏涛 韩经鲁 周雨辉 曹志博 单位:中通客车控股股份有限公司
