智能汽车发展研究

收稿日期 : 2003- 06- 20; 修返日期 : 2003- 07- 17 基金项目 : 国家自然科学基金重点资助项目( 60134010) ; 西北 工业大学种子创业基金资助项目( Z20030038) 智能汽车发展研究 * 胡海峰, 史忠科, 徐德文 ( 西北工业大学 自动控制系 , 陕西 西安 710072) 摘 要: 主要讨论了智能汽车研究对交通安全的重要性 , 综述了发达国家关于智能汽车研究的历史、发展和趋 势。此外 , 提出了基于多传感器信息融合技术的智能汽车系统结构模型 , 阐述了此模型下的各系统模块, 简单介 绍了系统模型中信息融合的引入 , 最后提出展望。 关键词: 智能汽车; 交通安全 ; 多传感器 ; 信息融合 中图法分类号 : U46; TP18 文献标识码 : A 文章编号 : 1001- 3695( 2004) 06- 0020-04 Research on Intelligent Vehicle Development HU Hai- feng, SHI Zhong- ke, XU De- wen ( Dept. of Automatic Control, Northwestern Polytechnological University, Xi’an Shanxi 710072, China) Abstract: The importance of improving transportation safety by research on intelligent vehicle is discussed; the history, devel- opment and research trend are summarized. In addition, this paper presents a new intelligent vehicle model based on informa- tion fusion, describes the modules in this model, and suggests some approaches to introduce fusion method to intelligent vehicle research. Prospects of intelligent vehicle are proposed. Key words: Intelligent Vehicle( IV) ; Transportation Safety; Multisensor; Information Fusion 1 引言 随着公路等级的不断提高 , 特别是高速公路的飞速发展 , 汽车的行驶速度越来越快 , 车流量越来越大 , 汽车碰撞交通事 故也越来越多。据统计 , 1985 年 ～1994 年底我国因交通事故 死亡人数为 6. 12 ×105 人 , 伤残 1. 59 ×106 人, 全世界每年因 交通事故死亡则多达 5. 00 ×105 人 , 伤残在 1. 00 ×107 人以 上。交通事故的发生 , 给人民带来灾难 , 给国家和社会带来巨 大损失 [ 1] , 如表 1 所示。目前 , 城市交通的安全问已引起政 府有关部门的高度重视和全民的关注 , 力争在最短的时间内扭 转这一被动局面。专家、学者在分析城市交通事故的原因时 , 普遍认为事故原因主要由 : 人员素质、运输车辆、道路环境、管 理法规等四个方面 , 而车辆性能的提高即研发高性能的智能汽 车是其中很重要的一个环节 [ 2, 3] 。 表 1 交通事故比较表 交 通 事故 死 亡 ( 人 / 年 ) 伤 残 ( 人 /年 ) 经 济损 失 交 通 堵塞 经 济 损失 环 境 污染 经 济 损失 新 技术 带 来 的 经济 效 益 199 0 年 美国 4. 7 ×10 4 3 . 30 ×106 7 . 40 ×1010 美 元 / 年 4 . 20 ×10 10 美元 ( 1) — 2. 80 ×10 10 美 元 ( 2) 1989 ～1990 年 欧洲 5. 5 ×10 4 1 . 85 ×106 5 . 00 ×1010 欧 元 / 年 5 . 00 ×10 11 欧 元 /年 ( 5 - 10 ) ×10 9 欧 元 /年 1. 00 ×10 11 欧 元 ( 3) 199 5 年 日本 1. 07 ×10 4 9 . 21 ×105 1. 2 3 ×10 7 日 元 / 年 — — 6. 0 ×10 7 日 元 ( 4) 199 4 年 中国 6. 64 ×10 4 1 . 48 ×106 1. 3 3 ×10 9 元 /年 — — — 注 : ( 1) 为 1987 年 25 个大城市交通堵塞造成的经济损失 ; ( 2) 为 2000 年每年电子产品带来 的经济效益 ; 3 ) 为到 2010 年所带来 的经济效 益 ; ( 4) 为到 2015 年所形成的市场规模及带来的经济效益。 在汽车的技术开发领域 , 流行着这样一句话: “技术比人 类更可靠”。欧洲的一项研究表明: 汽车驾驶员只要在有碰撞 危险的 0. 5s 前得到“预警”, 就可以避免至少 60% 的追尾撞车 事故、30% 的迎面撞车事故和 50% 的路面相关事故 ; 若有 1s 的 “预警”时间 , 则可避免 90% 的事故发生 [ 4] 。美国研究认 为 [ 3] , 包括智能汽车研究在内的智能运输系统对国家社会经 济和交通运输的影响 , 可能会超过洲际高速公路。它的意义和 价值在于 : 大幅度提高公路的通行能力 , 至少使现有高速公路 的交通量增加 1 倍; 大量减少公路交通堵塞、拥挤 , 降低汽车油 耗 , 可使城市交通堵塞和拥挤造成的损失分别减少 25% ～ 40% 左右 , 大大提高了公路交通的安全性。另外更重要的是 , 可明显提高运输效率 , 促使交通运输业繁荣发展。近两年来 , 一些特大型汽车行业巨头纷纷合并、收购或建立各种合作关 系 , 从而在全球范围内掀起了新一轮汽车行业竞争的狂潮。美 国加州国际汽车经济研究所的调查报告指出 , 下一个汽车销售 高潮将从普及“智能化汽车”开始 , 新一轮竞争的焦点 , 将是基 于信息融合技术、微电子技术、计算机技术、智能自动化技术、 人工智能技术、网络技术、通信技术等的智能汽车 ( Intelligent Vehicle, IV) 的研究开发。简单地说 , 所谓智能汽车 , 就是 在网络环境下用信息技术和智能控制技术武装的汽车 , 利用最 新科技成果 , 使汽车具有自动识别行驶道路、自动驾驶、自动调 速等先进功能。 20 世纪 80 年代以来 , 智能控制理论与技术在交通运输工 程中越来越多地被应用 [ 5 ～7] , 信息融合技术取得了长足进展 , 开始广泛地应用到目标检测、战术警告与防御系统、机器人、遥 测遥感、导航和制导。在这一背景下 , 智能汽车的概念被提出 , 智能汽车是一种高新技术密集的新型汽车 , 是目前主流汽车的 换代产品。正是基于这一点 , 国际上正在形成智能汽车研究设 计开发的热潮。总体上分析 , 人们正从智能汽车的信息系统、 控制系统、网络环境及智能结构等几个方面进行研究。随着研 ·02· 计算机应用研究 2004 年 究步伐的加快和新产品的推出, 必将导致国际上汽车现有生产 体系和市场份额的重新组合 [ 8] 。 通过智能车的进一步研究与发展 , 将使车变得“聪明”起 来, 路、车、人三者进行主动积极的统筹与协调 , 让三者达到和 谐的统一 , 从根本上改变现行汽车的信息采集处理、信息交换、 行车导驶与定位、车辆控制、汽车安全保证等技术与体系 结构, 使汽车更加人性化、舒适化和个性化 , 极大地满足人们对 于“行”不断提高的需求 , 在很大程度上减轻驾驶员的负担 , 减 少驾驶员疲劳驾驶的现象 , 有利于提高交通安全, 配合城市交 通控制系统 , 实现合理分配交通流 , 实现交通顺畅 , 甚至实现智 能汽车自动驾驶。驾驶智能汽车可大大缓解驾驶者的疏忽导 致的交通事故 , 很大程度上提高交通安全性 [ 9] 。本文仅概要 介绍智能汽车研究的初步进展, 而对于车辆的智能化研究领域 中, 涉及到了大量的多传感器信息融合和模式识别等技术 , 尽 管有些技术的应用只是提出的构想 , 笔者坚信随着信息融合和 模式识别技术的飞速发展 , 现实中的智能车辆会距离人们的构 想越来越近 , 直至实现满意的目标。 汽车已经过了 100 多年的发展历史 , 从诞生的那一天起 , 它就从未停止过智能化发展的步伐。当前的信息技术革命正 在推动汽车设计翻开新的一页, 自动化、智能化、多功能将成为 21 世纪汽车发展的新趋势。电脑技术、自动控制技术以及现 代信息融合技术和通信等高科技与汽车的结合 , 使未来汽车成 为更安全、更方便、更舒适的交通工具。汽车撞开了本世纪的 大门, 它带来的速度和效率 , 改变了 20 世纪人类的生活方式 , 推动了人类社会的进步。智能化的汽车在 21 世纪将以更高的 速度和效率将人类带入智能信息时代。 2 国内外智能汽车研究现状与趋势 智能车系统是一个集环境感知、规划决策、多等级辅助驾 驶等功能于一体的综合系统 , 是典型的、多学科的、综合性的高 科技和高新技术的结合体 , 涉及传感器技术、信息融合技术、微 电子技术、计算机技术、智能自动控制技术、人工智能技术、网 络技术、通信技术等 , 在一定程度上代表了一个国家自动化智 能的水平 [ 3] 。进入 20 世纪 90 年代以来 , 随着汽车市场竞争激 烈程度的日益加剧和智能运输系统 ( ITS) 研究的兴起 , 国际上 对于智能汽车及其相关技术的研究成为热门 , 一批有实力、有 远见卓识的汽车行业大公司、研究院所和高等院校也正展开智 能汽车的研究。目前它已成为世界众多发达国家重点发展的 智能交通体系中的重要组成部分 , 也是世界车辆工程领域研究 的热点和汽车工业增长的新动力。 美国交通部已开始一项五年 , 投入 3 500 万美元 , 与 通用汽车公司合作开发一种前后防撞系统。同时 , 美国俄亥俄 州立大学和加州大学以及其他一些研究机构正在进行全自动 车辆的研制与改进工作。CMU 大学的 NabLab 5 实验智能车 是由 Potiac 运动跑车改装而成 , 装有便携式计算机、摄像头、 GPS 全球定位系统、雷达和其他辅助设备。1995 年 6 月 , Na- bLab 5 进行了横穿美国的实验 NHAA( No Hands Across Ameri- ca) , 从宾州的匹兹堡到加州的圣地亚哥 , 行程 4 587 公里 , 其 中自主驾驶部分占 98. 2% [ 9] 。美国移动导航子系统( MNA) 能 计算出最佳的行驶路径 , 还能不断接收现场的最新交通状况 , 给出连续更新的指向 , 让车辆始终沿着最理想的路线向前行 驶。此外 , 美国还将智能汽车的研究用于军事上, 美国国防部 采用无人车去执行危险地带的巡逻任务 , 目前正在进行第三代 军用智能汽车的研究 , 称为 DemoⅢ , 能满足有路和无路条件下 的车辆自动驾驶。 欧洲开发基金资助进行驾驶员监测、道路环境的感知、视 觉增强、前车距控制以及传感器融合方面的研究。同时 , 欧洲 的一些国家正试验将智能速度适应( Intelligent Speed Adapta- tion, ISA) 作为提高车辆安全性的手段 , 其构想是通过路边标 志信息或卫星定位信息以及车载数字地图进行车辆导航, 并自 动控制车辆的速度。实验结果表明 , 采用该系统 , 能够使交通 事故减少 20% 。德国慕尼黑联邦国防大学与奔驰汽车公司合 作研制开发了 VaMP 试验车 , 它是由一辆豪华型的奔驰 500 SEL 改装而成, 视觉系统主要包括道路检测与跟踪 RDT 和障 碍物检测与跟踪 ODT 两个模块。在整个实验中 , 系统行驶了 1 600 公里 , 其中 95% 的部分是自动驾驶的。 目前在日本 , 夜视和后视报警系统已应用在某些汽车上 , 三菱公司和尼桑公司已发布其近期可使用的防撞设备 , 前方防 撞和车道偏离有望在 1 ～2 年内实现。本田公司、尼桑公司和 丰田公司也各自在先进安全性车辆计划中发展行车安全子系 统 , 它们包括 : 车道定位系统、前车距离控制系统、自动控制系 统、障碍物警报系统、驾驶员打盹报警系统和夜间行人报警系 统等。日本智能公路 ( SmartWay) 计划中 , 提出车辆上采用诸 如: 车道保持、十字路口防撞、行人避让和车距保持等 IV 技术。 2003 年日本将开始实施一个示范计划 , 到 2015 年将在日本全 国范围内实施 SmartWay 计划。 意大利帕尔马大学研制的 ARGO 实验车时由一辆兰西亚 Thema 客车改装而成 , 装备有摄像机、霍尔效应传感器、IO 接 口板、信息输出装置和奔腾 200MMX 的 PC, 使用 Linux 操作系 统 , 1998 年 6 月进行了 2 000 公里的长距离实验 , 称为 Mille- Miglia in Automatico。整个实验途经平原和山区 , 包括大量的 高架桥和隧道。意大利的公路网道路场景( 包括天气和交通) 变化非常快 , 因此特别适合进行这种扩展性的测试。 世界各国著名大学也参与到智能汽车的开发中 , 如麻省理 工学院、斯坦福大学、卡耐基—梅隆大学、剑桥大学、东京大学 等。他们在人工智能、机器人视觉、自动驾驶和汽车自动导航 等领域都有深入的研究。 我国的相关研究也已展开。清华大学汽车研究所是国内 最早成立的主要从事智能汽车及智能交通的研究单位之一 , 在 汽车导航、主动避撞、车载微机等方面进行了广泛而深入的研 究。上海市“智能汽车车内自主导行系统”的一种样车 , 2000 年 7 月 19 日通过市科委鉴定 , 它标志着上海智能交通系统进 入实质性实施阶段。国防科大成功试验了第四代无人驾驶汽 车 , 它的最高时速达到了 75. 6 公里 , 创国内最高纪录 [ 2 ] 。西北 工业大学空管所、吉林交通大学、重庆大学等都在展开相关研 究。这一新兴学科吸引着越来越多的研究机构、学者加入到智 能车相关技术开发研究中来。 3 基于信息融合的智能汽车结构框架 3. 1 信息融合技术的基本原理 信息融合 ( Information Fusion ) 又称数据融合 ( Data Fu- sion) , 最早出现在 70 年代末期 , 是从军事 C3 I( Command, Con- trol and Communication Integration) 系统中提出的。它与信号处 理、计算机技术、概率统计、图像处理、人工智能和自动控制等 学科密切相关 , 是一门新发展起来的多学科交叉的前沿学科。 同时由于其巨大的应用潜能( 如目标检测、战术警告与防御系 ·12·第 6 期 胡海峰等: 智能汽车发展研究 统、机器人、遥测遥感、导航和制导、制造系统、设备监控和故障 诊断等) 和广阔的发展前景 , 从诞生之初就备受关注。信息融 合技术简言之 , 即利用计算机技术对按时序获取的若干传感器 的观测信息在一定准则下加以自动分析、综合 , 以完成需要的 决策和估计任务而进行的信息处理过程。近二十年来, 人们提 出了多种信息融合模型 [ 10] , 其共同点或中心思想是在信息融 合过程中进行多级处理。 Body 控制回路如图 1 所示。 图 1 Body 控制回路 下面仅就本文相关的 Body 控制环模型进行简单描述。 Boyd 控制环( OODA 环, 即观测、定向、决策、执行环) , 它 首先应用于军事指挥处理, 现在已经大量应用于信息融合。 Boyd 控制回路使得问题的反馈迭代特性显得十分明显。它包 括四个处理阶段 : ①观测 , 获取目标信息 ; ②定向 , 确定大方向 , 认清态势 ; ③决策, 制定反应计划; ④行动, 执行计划。OODA 环的优点是 , 它使各个阶段构成了一个闭环 , 表明了数据融合 的循环性。随着融合阶段不断递进 , 传递到下一级融合阶段的 数据量将不断减少。融合主要有数据级、特征级和决策级融合 三种方式 [ 10] 。 ( 1) 数据级融合: 在传感器的原始信息未经处理之前进行 的信息综合分析 , 以达到尽量多地保持景物信息。这种融合方 式的信息处理量大、处理时间长、实时性较差。 ( 2) 特征级融合: 在对信息预处理和提取特征后 , 对所获 得的景物特征信息( 如边沿、形状、轮廓、方向、区域和距离等) 进行综合处理 , 以达到保留足够数量的重要信息和实现信息压 缩, 从而有利于实时处理。 ( 3) 决策级融合 : 融合之前 , 每种传感器的信号处理装置 已完成决策或分类任务。信息融合只是根据一定的准则和决 策的可信度做最优决策 , 以便具有良好的实时性和容错性 , 使 在一种或几种传感器失效时也能工作。 3. 2 未来智能车系统 车载信息技术是无线电技术与微处理器技术的汇聚 , 即利 用计算机和卫星通信等信息技术来实现智能车辅助驾驶、In- ternet网上登录、实时交通信息查询等。通过应用电子信息技 术, 使车辆实现高智能化 , 极大地改善车辆人机系统的安全性 , 避免事故的发生和减少伤害程度。从此角度出发 , 以系统工程 的观点来看待智能车信息系统 , 可以划分为环境识别子系统、 状态判断子系统、车辆控制子系统、司机—车载计算机交互界 面子系统等。这些子系统之间的框架结构如图 2 所示。 图 2 智能车载系统框架 ( 1) 便携式 GPS 定位与导航 : 便携式卫星导航集成了卫星 定位技术( GPS) 、地理信息管理( GIS) 和互联网技术 , 以电子地 图为基础 , 通过 GPS 接收卫星信号, 能够完成智能路径规划、 全程语音提示、电子地图浏览、卫星定位导航等功能。GPS 主 要由卫星与接收器两部分构成。卫星向地面广播编码位置与 时间信号 , 而接收器则负责接收这些信号, 实现全天候、大范 围、多车辆的实时动态定位、调度、监控 , 改进车辆运行管理 , 增 强突发事件的反应能力, 提高车辆运行率和行车安全度 , 并为 应用的行业规避经营风险 , 提高经济效益。其经济廉价、精度 定位、全球覆盖的魅力 , 使其迅速超越传统的定位手段 , 成为需 要定位、定姿、定时的首要选择。 ( 2) 视觉子系统 : 视觉子系统是智能汽车的图像信号检测 机构 , 由摄像头、图形卡等硬件设备和图像处理软件组成。它 主要依靠安装在前、后保险杠及车身两侧的红外线摄像机 , 对 汽车前、后、左、右的一定区域进行不停地扫描和监视 , 根据捕 获图像和计算位置 , 实时采集、处理环境场景 , 对物体大小、形 状和动作进行分析 , 判断出障碍物运动的方向、姿态、速度、加 速度等信息 , 并将辨识数据提供给决策系统进行分析决策使 用。 ( 3) 微波多普勒雷达探测系统 : 车载微波探测雷达由窄波 束天线、集成化发射机和接收机以及数字信息自理装置等组 成。利用目标对电磁波的反射( 或称为二次反射) 现象来发现 目标 , 并测定其位置及速度等参数 , 综合判断车辆行驶的潜在 危险性 , 及时将探测结果提供给下一级决策系统。微波单片集 成电路( MMIC) 的最新发展 , 使固态收发模块在雷达中的应用 达到实用阶段 [ 11] 。集成接收机、发射机及高性能数字信号处 理器( DSP) , 使价格低廉、高性能的便携式车载探测雷达的实 现和普及成为现实。 ( 4) 决策系统: 决策系统主要是根据现场的情况, 如交通 状况信息、环境信息完成决策或分类任务, 安排汽车行走路线。 在此基础上根据一定的准则和决策的可信度对上述结果进行 融合 , 再由策略库进行汽车动作部署 , 做出最优决策( 如车辆 优化调度、路径规划、汽车加减速、超车及停车等 ) , 以便具有 良好的实时性和容错性 , 使在一种或几种传感器失效时也能工 作。策略应根据经验进行提取 , 并存在知识库中。知识库还应 有一个学习智能体 , 用于不断丰富策略。各种智能算法如神经 网络、模糊算法、遗传算法等也可以应用到构造策略库以及策 略选择过程中。系统根据采取的对策 , 决策汽车的任务和动 作。 ( 5) 通讯系统: 通讯系统保证各模块之间以及车载体与控 制中心之间的高质量通讯。目前大多数采用无线数字通讯。 为了提高通讯的质量 , 要精心设计通讯电路及通讯协议。蓝牙 技术为车载通讯系统提供了很好的解决方案 , 它将取代目前多 种电缆连接方式 , 以低成本的近距离无线连接为基础 , 通过嵌 入式微电子芯片 , 使所有相关设备在有效范围内完成相互交换 信息、传递数据的工作 , 使各种电子装置在无线状态下相互连 接传递数据。 ( 6) 控制系统: 智能车控制系统车辆动力学稳定性与汽车 的横摆运动密切相关。智能车控制系统主要是通过制动力控 制汽车的横摆运动 , 根据各传感器输入到计算机的信号推测驾 驶员所期望的汽车转向运动, 对发动机输出扭矩和各车轮制动 力进行控制 , 以减小汽车转向时的过度转向特性 , 以及抑制因 后轮侧滑所引起的急旋转运动发生 , 提高汽车操纵响应能力和 ·22· 计算机应用研究 2004 年 多车辆 实时动态定位 三维重建 路标识别 障碍物识别 道路识别 目标速度、 加速度 GPS 视觉采集 微波雷达 环境 路径规划 车辆调度 加速 减速 超车 控 制 显 示 观测 定向 决策 行动 注：各模块之间通讯系统联系 紧急躲避障碍能力。 ( 7) 显示系统 : 它包括底视显示系统、顶视显示系统和控 制中心显示系统。底视显示系统显示汽车行驶速度、发动机转 速、发动机状态、车门状态( 锁死 /微开) 、燃油状态, 还监控转 向盘上用来选择合适娱乐工作模式的各按钮状态 ; 顶视显示系 统安装于汽车挡风玻璃上 , 可以为驾驶员传递路况信息、卫星 导航信息 ; 控制中心显示系统的液晶显示触摸屏能够为驾驶员 提供各种信息界面显示 , 如电话、温度控制、电视、车辆状态信 息、车载移动办公、导航、网站浏览、娱乐等。乘客通过连接在 座椅上的通讯接口 , 也能享受这些功能。 3. 3 信息融合对智能车系统的改进 3. 3. 1 从信息融合的角度分析智能车系统 智能车系统是一个缩微的战场信息融合系统 , 其技术的内 涵、实现的结构层次与信息融合系统有诸多的相似之处 : ( 1) 战场上的雷达变成了智能汽车的摄像机、微波雷达及 GPS 装置, 但同样要识别出目标 ( 障碍物 ) 的方位、机动特性 , 并且要对目标状态进行尽量准确的预测预报。另一方面 , 雷达 的性能直接影响作战 , 而智能车的摄像机、微波雷达及 GPS 装 置也直接影响决策。 ( 2) 战场上的指挥系统变成了车载决策系统 , 都需要进行 态势分析、威胁估计、行动策略的确定等。对这方面的技术要 求, 智能车系统要超过战场指挥系统 , 因为战场指挥系统是有 人参与的 , 真正智能的决策是由人类智能完成的, 而智能车最 终要达到无人驾驶 , 所以它要集中更多的智能处理技术和实现 方法。 ( 3) 战场上的通讯系统变成了智能车的无线通讯收发装 置, 完成决策命令下达的功能。 3. 3. 2 基于信息融合的智能车系统模型 多传感器信息融合技术充分利用多个传感器资源 , 通过对 这些传感器及其观测信息的合理支配和使用 , 把多个传感器在 时间和空间上的冗余或互补信息依据某种准则进行组合 , 以获 取被观测对象的一致性解释或描述。OODA 环在信息融合系 统中极具代表性 , 包括四个处理阶段 : 观测、定向、决策和行动。 下面通过引入 OODA 环的模型, 建立基于信息融合的智能车 系统模型 , 如图 3 所示。 图 3 基于信息融合的智能车系统模型 3. 3. 3 智能车系统中信息融合方法的引入 信息融合是一种数据综合和处理技术 , 是许多传统学科和 新技术的集成和应用, 如通讯、模式识别、决策论、不确定性理 论、信号处理、估计理论、最优化技术、计算机科学、人工智能和 神经网络等。近年来 , 不少学者又将遗传算法、小波分析技术、 虚拟技术引入到信息融合 [ 10] 。下面就相关融合方法与智能车 系统结合做简单描述。 ( 1) 数据层融合, 直接对数据源操作 : 如加权平均、神经元 网络等。主要是通过图像处理和识别以及多传感器集成等技 术, 得到环境中汽车、人和其他障碍物的位置 ( 得到速度、加速 度则更好) , 预测下一步 ( 或下几步 ) 其位置的变化 , 从而为决 策的形成奠定基础。 ( 2) 特征层的融合 , 利用对象的统计特性和概率模型进行 操作 : 如卡尔曼滤波、贝叶斯估计、多贝叶斯估计、统计决策理 论等。主要是根据环境中形势与已有的知识进行关联 , 识别现 在环境中形势的特征。 ( 3) 决策层的融合 : 主要是根据各种特征的关联概率, 以 及该策略的成功概率、风险程度、能量消耗等综合因素 , 采用基 于规则推理的方法( 如模糊推理、证据推理、产生式规则等 ) , 最后形成一个决策。 4 结束语 信息融合技术给智能汽车带来了更加光明的前景 , 信息融 合技术使得车辆能够利用多传感器集成技术以及融合技术 , 结 合环境信息、交通状况信息做出一个最优决策 , 实现车辆自动 感知前方的障碍物 , 及时采取措施进行避让 ; 通过对前方信号 的识别 , 自动停车或继续运行 ; 通过对路标的自动识别 , 避免违 章行为等 , 从而可以大大降低车辆事故的发生 , 同时减轻司机 驾驶的负担 , 尽量降低司机疲劳驾驶的可能性。但需说明 , 车 辆的智能化功能包括很多方面 , 而本文仅仅阐述了基于信息融 合技术在实现智能车系统的应用领域 , 也仅仅介绍了与信息融 合技术相关的车辆智能化功能模块 , 并就相关融合方法的引入 做了简单描述。 尽管车载信息技术的发展前景非常广阔 , 但要将它们彼此 无缝地链接还有一些技术问题有待解决 , 如软件和硬件技术方 面还需实现技术的飞跃, 多媒体的接口问题 , 电子设备的物理 连接 , 改进无线电通讯系统 , 解决无线电通讯的带宽问题 , 以及 开发价格相对合理的软件技术等。另外 , 为了实现彼此设备的 兼容 , 还要制定统一的工业标准。虽然技术的障碍还不少 , 但 攻克这些难关的日子已经指日可待。 参考文献 : [ 1] 谢飞 . 未来智能汽车及智能汽车交通系统 [ J ] . 信息 , 1997 , ( 6 ) : 53- 57. [ 2] 朱茵 , 唐祯敏 , 朱钧 . 提高交通安全———实现智能汽车的研究 [ J ] . China Safety Science Journal, 2002, ( 12) : 10 -13. [ 3] orita T, et al. An Approach to the Intelligent Vehicle[ J ] . 1993 IEEE Intelligent Vehicles Symposium, 1993, 426- 432. [ 4 ] 刘炜 , 龙 宪惠 . TMS320VC5402 在汽 车防撞 警示雷 达中的 应用 [ J ] . 电子技术应用 , 2001 , ( 9 ) : 66- 67. [ 5] 姜紫峰 . 高速公路交通流控制仿真的若干问题 [ J ] . 中国公路学 报 , 1996, 9( 3 ) : 79- 84. [ 6] 陈理德 , 黄卫 , 杨卫泽 . 高速公路交通控制与管理系统的体系结 构 [ J] . 东南大学学报 , 1998, 28( 3) : 83- 87. [ 7] 刘智勇 , 尹征琦 , 朱劲 , 等 . 基于模糊控制的多功能交通控制系统 [ J ] . 中国公路学报 , 1999 , 12( 2) : 84- 89. [ 8] 熊和金 . 智能汽车系统研究的若干问题 [ J] . Journal of Traffic and Transportation Engineering, 2001, ( 6) : 37- 40 . [ 9] obert T Collins, et al . A Sys tem for Video Surveillance and Monito- ring[ R] . CMU- R I- TR - 00- 12, 1- 68. [ 10] 高翔 王勇 . 数据 融合技术 综述 [ J ] . 计算机 测量与控 制 , 2002, ( 10) : 706- 709. [ 11] 丁鹭飞 , 耿富录 . 雷达原理 [ M] . 西安 : 西安 电子科技大学出版 社 , 2001 . 作者简介 : 胡海峰 ( 1978 -) , 男 , 河北保定人 , 硕士研究生 , 主要从事智能汽车研究、 计算机控制系统应 用研究及 DSP 应用研究等 工作 ; 史忠科 ( 1956-) , 男 , 教授 , 博士生导师 , 发表论著 160 余篇 , 国际著名刊物 SCI, EI, IAA 等索引 90 余次 , 主要从事现代控制理论研究、智能交通控制理论研究 及智能汽车研究 ; 徐德文 ( 1979- ) , 男 , 硕士研究生 , 主要从事 DSP 应用 研究及智能汽车研究。 ·32·第 6 期 胡海峰等: 智能汽车发展研究 雷达 GPS 视觉 融合 中心 决策 中心 环境 控制中心 对环境 做出决策 对环境 进行观测 数据层融合 特征层融合 决策层融合