无信号交叉口是自动驾驶汽车的“禁区”，传统的检测和控制方法由于没有考虑车辆和行人的相互干扰，不能保证安全。通过视觉信息、激光雷达和超声波等传感器融合的自适应巡航控制系统（ACC）能够提供更安全、更有效的控制。由于在无信号交叉口感知困难， ACC在不同交通场景下有不同的应用，包括十字路口、隧道等。

本文研究了人机混驾环境下无信号交叉口自动驾驶的方法，提出了一种基于深度学习的目标检测方法，设计了一种人机混驾自适应巡航控制系统，实现了从人工驾驶到自动驾驶的过渡。实验结果表明，本文提出的方法能有效减少自动驾驶车辆与行人之间的碰撞次数。

相关工作

近年来，学术界对自适应巡航控制系统（ACC）的研究主要集中在高速公路和城市道路场景中，特别是在十字路口和隧道中。然而，由于交通环境的复杂性，这些场景可能会导致安全问题。为了减少碰撞， ACC系统需要对各种交通情况进行实时感知。自 适应巡航控制系统（ACC）的功能是在不需要驾驶员干预的情况下，通过自动驾驶车辆与前方车辆之间的协同控制来减少碰撞次数。

(资料图片)

为了在无信号交叉口实现 ACC，本文提出了一种基于深度学习的目标检测方法，用于检测出行人和车辆。该方法包括以下步骤：第一步是用原始图像训练一个深度网络模型来估计行人的位置和大小。

第二步是用训练好的深度网络模型估计出前方车辆的位置和大小，然后用所训练好的模型预测该车辆是否与前方车辆发生碰撞。

第三步是将预测出的碰撞发生时间和距离用于 ACC控制器。通过实验验证了该方法在无信号交叉口实现 ACC的可行性和有效性。

有很多方法可以实现与 ACC系统相同的功能。 例如，基于激光雷达和超声波传感器的自适应巡航控制系统（ACC）被用来检测障碍物并进行规避；基于雷达和摄像头数据融合的自适应巡航控制系统（ARC）可以实现与 ACC系统相同的功能。然而，由于无信号交叉口环境复杂，现有文献中的方法往往需要进行复杂的算法设计、传感器融合和基于数据驱动模型（DPD）算法实现等，其优点是开发周期短、易于理解。但是由于传统方法很难将大量数据转换为有用信息，因此在实际应用中存在一定困难。

该系统可以通过实时感知周围环境来实现自适应巡航控制功能，并有效减少与行人和车辆之间的碰撞次数。但是，在实际应用中，车辆与行人之间的碰撞仍然是安全问题。

为了提高在无信号交叉口的安全性，本文提出了一种基于深度学习的目标检测方法，以检测行人和车辆。该方法采用了多尺度特征提取网络，并将其应用于目标检测任务中。此外，本文还提出了一种自适应巡航控制系统架构，以实现人机混驾自适应巡航控制系统（HACC）。

在人机混驾自适应巡航控制系统架构中， HACC系统根据预先设置的安全距离（即安全距离阈值）控制车辆与前方车辆保持安全距离；同时， HACC系统能够实时检测前方交通状况并及时采取措施。

系统结构

本文的系统结构如图1所示，车辆、行人、道路和环境数据由多传感器采集。道路上的交通标志通过摄像头采集图像，同时使用超声波雷达和激光雷达进行测距，对周围环境进行感知。然后，使用深度学习目标检测方法进行目标识别。在此基础上，根据不同的交通场景确定不同的 ACC控制策略。

ACC控制系统包括 ACC控制器、制动防抱死系统（ABS）和自适应巡航控制系统（ACS）。其中， ACC控制器负责计算车辆与行人之间的安全距离，并根据该安全距离执行相应的制动和加速控制；制动防抱死系统（ABS）用于检测车辆与障碍物之间的距离，并通过信号发送给 ACS执行制动；自适应巡航控制系统（ACS）负责计算跟车距离，并根据该距离执行相应的跟车策略。

本系统主要实现人机混驾环境下无信号交叉口自适应巡航控制。具体来说，首先通过摄像头对道路上的交通标志进行采集；然后使用深度传感器测量障碍物之间的距离；最后使用超声波传感器测量障碍物之间的距离。将各传感器得到的数据进行融合处理，计算出车辆与行人之间的安全距离，并执行相应的制动或加速控制。在跟车距离确定后，执行相应的制动或加速控制。

系统的控制流程如图2所示。

第一阶段，利用摄像头对道路上的交通标志进行采集。该部分使用的摄像头包括单目和双目摄像头，单目摄像头用于检测道路上的交通标志，双目摄像头用于检测周围障碍物。其中，单目摄像头采集的图像质量较差，为了得到清晰的图像，使用了 Hough变换提取道路上的边缘。 然后，将图像转化为 RGB空间下的二进制序列。由于道路上有很多交通标志，因此采用了深度图分割方法将道路分割成三部分：前景区域、中间区域和背景区域。

第二阶段，将提取到的图像进行处理。首先，利用 TensorFlow深度学习框架实现卷积神经网络（CNN），在图像中提取道路边缘；然后根据提取到的道路边缘进行语义分割；最后将语义分割得到的道路边缘和物体坐标转化为三维空间坐标。

第三阶段，使用传统目标检测方法对提取到的道路边缘和物体坐标进行处理。在深度学习框架中， 卷积神经网络（CNN）用于训练卷积神经网络，并使用 softmax层作为分类器来判断检测结果。CNN是一种多层神经网络，每一层都包含一个卷积、池化和全连接层（FCL），通过使用输入向量与输出向量之间的余弦相似度来判断是否为目标。将检测到的道路边缘和物体坐标转化为三维空间坐标后 ，可以计算出目标与道路边缘之间的距离。最后，根据计算得到的安全距离判断是否需要采取制动或加速等措施。

基于深度学习的目标检测

目标检测是智能车辆系统中的重要组成部分。

（1）图像预处理：预处理包括图像缩放、图片旋转、裁剪和加窗处理。本论文中采用了一种基于空间金字塔的图像处理方法，将图像分成多个大小一致的块，每个块大小为256×256,每个块内的像素值保持不变。这样做是为了减少图像缩放时可能引起的变形。加窗处理是为了保留图像中所有像素值相同的块，避免重复计算。

（2）目标检测网络模型选择：在本论文中使用了基于卷积神经网络（CNN）和双线性插值的目标检测网络模型。 由于 CNN是一种无监督学习方法，可以从训练数据中学习目标特征。本文采用了一个双线性插值的目标检测网络，它将输入图片分为训练数据和测试数据两部分，然后在两个部分之间进行插值操作。 此外，本文还设计了一个可以从训练数据中学习目标特征的双线性插值模块。

（3）算法流程：本文将前向传播和后向传播的网络模型用于实现目标检测。对于无信号交叉口场景，前向传播和后向传播模型都可以应用于车辆和行人检测。车辆检测的网络结构如图2所示。

为了提高网络的鲁棒性，本文设计了两个残差网络模块，分别用于车辆目标检测和行人目标检测。

在车辆目标检测中，首先将输入图像分成训练数据和测试数据两个部分，然后进行双线性插值，最后再将这两部分的结果进行融合，得到最终的目标检测结果。

在行人目标检测中，本文设计了一个双线性插值模块，该模块将输入图片分为两个部分，一部分作为训练数据，另一部分作为测试数据。

当检测到行人目标时，对该目标进行后向传播并得到车辆目标检测的结果。在后向传播过程中，使用两个残差网络模块来进行信息融合。

在无信号交叉口场景中，行人通常是静止的，因此车辆和行人不会有重叠区域。

为了进一步提高网络的鲁棒性和精度，本文设计了一个改进的网络结构。

第一个残差模块在训练时只接受一个输入图片进行训练。由于本文中使用的是小型卷积神经网络（MV-CNN），因此输入图片只需经过一个卷积神经网络（CNN）就可以得到一个包含所有像素值的网络模型。

由于在训练过程中会出现漏检和误检的情况，因此本文采用了双线性插值来对两个残差模块进行融合。

此外，在后向传播过程中，为了防止模型出现过拟合现象（factor ratio），本文对模型进行了两次批标准化处理。

人机混驾自适应巡航控制系统设计

根据前面所述，本文的控制系统可以分为三个阶段：车辆控制、人机混驾控制和安全决策。在人机混驾控制阶段，车辆模型作为人机混驾系统的一部分，与驾驶员模型协同工作。

通过多传感器融合和自适应巡航控制算法，实现对车辆的动态控制，将车辆速度与驾驶员速度相结合，并根据驾驶员的速度和期望车速进行相应的驾驶决策。在安全决策阶段， 驾驶员可以在一定程度上独立地控制车辆。根据车辆模型的位置和速度变化，驾驶员可以对车辆进行适当的干预，如制动、加速等操作。这种操作的目的是提高汽车的安全性和舒适性。

在人机混驾控制阶段，人机混驾控制器将两者作为一个整体来工作，将两者结合起来。人机混驾控制器由多个子系统组成，包括转向子系统、制动子系统和刹车子系统。人机混驾控制器由三部分组成：驾驶员模型、控制系统、辅助系统。驾驶员模型是指驾驶员的模型，用于记录驾驶员的操作行为，并根据驾驶员的操作行为对车辆进行控制。

在人机混驾控制器中，每个子系统都可以独立地工作，但必须将它们结合起来，以实现对车辆的动态控制。

为了实现对车辆的动态控制，必须首先确定目标车速和期望加速度。在人机混驾控制器中，车速是指当车辆与目标物体之间的距离达到最小值时的速度。目标车速是通过测量传感器获取的目标车辆的位置和速度来计算得到的。 驾驶员模型负责根据当前车辆的位置和速度来确定下一时刻驾驶员需要采取的操作。对于本文所涉及的无信号交叉口场景，本文将设定一个车辆速度为50 km/h，期望加速度为10m/s2,目标距离为200m。驾驶员模型可以根据上述要求计算出当前时刻车辆与目标物体之间距离的期望车速。

结语

这是种基于深度学习的行人检测算法，并利用视觉信息、激光雷达和超声波等传感器融合实现了无信号交叉口的自动驾驶，采用多传感器融合的 ACC控制策略。

通过实车试验验证了本文所提方法的有效性。本文所提算法在车辆速度大于20 km/h时，可以识别出行人目标，在车辆速度小于20 km/h时，可以识别出车辆前方的行人目标。相比传统的 ACC控制策略，本文所提算法能有效降低自动驾驶车辆与行人之间的碰撞次数。在未来研究中，可以进一步提高行人检测和识别算法的准确性，减少误检测和漏检测现象，使该算法能够在无信号交叉口环境下有效地进行自动驾驶。

参考文献：

1. 《自动驾驶下的无信号交叉口挑战》

2. 《人机混驾环境中的交叉口自动驾驶技术研究》

3. 《无信号交叉口自动驾驶：技术与应用探索》

4. 《人工智能驾驶下的无信号交叉口安全与效率优化》

5. 《自动驾驶技术在无信号交叉口的应用与前景分析》

标签：