FITEE高引论文导读：基于多传感器融合的智能车在野外环境中的障碍物检测研究
综述
基于多传感器融合的智能车在野外环境中的障碍物检测研究
胡劲文，郑博尹，王策，赵春晖，侯晓磊，潘泉，徐钊
西北工业大学自动化学院信息融合技术重点实验室，中国西安市，710072
【本文来自FITEE 2020年“智能无人系统”专刊。截至目前，该文在Web of Science被引45次，被列为“高被引论文”。全文请见：https://doi.org/10.1631/FITEE.1900518】
1
研究背景
随着多传感器融合技术的发展，人们对智能地面车辆进行了大量研究，障碍物检测是其中一项关键技术。障碍物检测涉及障碍物种类、传感器特性和环境条件等问题，是一项复杂的任务。虽然道路驾驶员辅助系统和自动驾驶系统已得到充分研究，但是针对城市场景的结构化道路开发的方法可能因野外环境的不确定性和多样性而失败。由于单一类型的传感器在范围、信号特征和检测环境方面的限制，很难满足障碍物检测需求，这促使研究人员和工程师开发多传感器融合和系统集成方法。
2
研究内容
本综述旨在总结野外环境中智能地面车辆车载多传感器配置的主要考虑因素，并根据其性能要求和应用环境，如天气、照明条件和障碍类型等，为用户提供选择传感器的指南。同时还回顾了最新的多传感器融合方法和系统原型，并将其与对应的异构传感器配置相关联。最后，讨论了新兴技术和面对的挑战，以供将来研究。
3
传感器特性及分析
障碍物检测的最终目标是确定车辆因特定地形或物体而无法移动到的地方，这样的地形或者物体我们称之为障碍物。我们考虑了在确定障碍物的几何特性和位置方面有用的主动或被动传感器，并在表1中列出。从各种产品和制造商中选择最好的传感器是一项困难且重要的任务，需要仔细考虑以下特征之间的权衡：主动或被动、有限的能力或全天候的昼夜操作、范围方向、颜色测量、价格等。这些特征会直接影响系统感知性能。测量距离是感知障碍物位置的一个关键指标。一个二维图像可以提供颜色、纹理和方向信息，但是缺少障碍物的深度信息。对于距离和图像测量，三维检测算法近年来得到广泛研究。深度信息可以通过视觉测距法、激光雷达、声纳等方法获得。我们根据传感器特性将其分为3类：基于范围、基于图像和混合传感器。如表2所示。
表1 用于障碍物检测的传感器
表2 传感器类别
4
多传感器融合方法及比较
如上一小节所述，没有任何传感器能够感知所有测量值，而智能车辆需要在复杂环境中精确感知。因此，人们倾向于引入多传感器来补充或验证所提供的信息。Khaleghi等（2013）深入讨论了与数据相关的问题和多种融合方法，提出一种数据融合分类法。Lahat等（2015）进行了更全面和完整的论证，强调互补性是使用多传感器的主要原因，并为如何处理数据融合问题提供了指导。Fourati等（2015）收集了最新数据融合概念和算法，以及许多具体应用，如智能交通、医疗诊断和机器人等。根据这些工作总结出基于融合的方法主要有冗余性和互补性两个优势。冗余使用来自异构传感器（距离信息来自雷达和激光雷达）或时间序列中相同传感器的相同物理测量。冗余融合的目的是通过识别和关联数据来更新融合信息的可信度，从而提高测量的准确性和解决数据的不确定性。补充信息有两种类型：一种是对于相同的视场使用不同的物理测量（范围、颜色、温度等），另一种是视场的互补性，即使用互补信息可以丰富周围环境的表示。
因此，我们回顾和比较了现有传感器融合方法，将其分为3类：基于概率的方法、基于分类的方法和基于推理的方法。表3展示了现有融合方法的应用与分析。
表3 融合方法应用与分析
5
在不同环境中进行障碍检测的原型系统和应用
基于多传感器融合方法的障碍物检测系统的整体架构如图1所示。整个系统由4个独立单元组成：数据采集单元、数据预处理单元、融合单元和决策单元。
不同环境下障碍物检测分为道路障碍物检测、凸障碍物检测、凹障碍物检测、水环境下障碍物检测等。针对不同环境的障碍物检测方法有低可见性检测、不良天气检测等。
图1 多传感器融合障碍物检测系统框架
6
新兴技术和挑战
无人驾驶车辆的智能控制受到传感器和通信技术的极大限制。越来越多新兴技术得到研究者重视，如物联网、车辆网络、低成本高精度传感器和合作检测系统等。其中大多数仍在开发中，存在许多技术障碍和挑战需要克服。
7
总结
本文总结了基于多传感器融合的智能地面车辆在越野环境中的障碍物检测方法和应用，分析和比较了常用检测传感器、多传感器配置、融合方法、障碍物环境等方面的优缺点。介绍了多传感器融合障碍物检测系统的体系结构，回顾了现有原型系统及其应用。最后，讨论了障碍检测任务中新兴技术的使用，并提出未来障碍检测面临的挑战。
Jin-wen Hu, Bo-yin Zheng, Ce Wang, Chun-hui Zhao, Xiao-lei Hou, Quan Pan, Zhao Xu, 2020. A survey on multi-sensor fusion based obstacle detection for intelligent ground vehicles in off-road environments. Frontiers of Information Technology & Electronic Engineering, 21(5):675-692.
https://doi.org/10.1631/FITEE.1900518
【作者简介】
胡劲文：2005年获西北工业大学学士学位，2008年获西北工业大学硕士学位，2013年获新加坡南洋理工大学博士学位。现为西北工业大学自动化学院副教授，研究方向包括多智能体系统、分布式控制、无人系统、信息融合等。
郑博尹：2017年获西北工业大学学士学位，2020年获西北工业大学硕士学位， 现为香港城市大学机械与生物医学工程系博士研究生。研究方向包括机器人车辆网络、非线性控制与应用、无人驾驶和信息融合。
王策：2017年获西北工业大学学士学位，2020年获西北工业大学硕士学位。研究方向包括无人驾驶车辆、信息融合和运动规划。
赵春晖：1996年获西南交通大学学士学位，2003和2008年分别获西北工业大学自动化学院硕士学位、博士学位。现任西北工业大学自动化学院副教授。研究方向包括基于视觉的导航、图像处理和目标跟踪。
侯晓磊：2007年毕业于哈尔滨工程大学自动控制专业，获得工学学士学位。2010年和2015年分别获澳大利亚国立大学系统与控制硕士学位、机器人与计算机视觉博士学位。现就职于西北工业大学自动化学院。研究方向包括触觉遥操作系统、空中机器人、移动机器人导航、路径规划和多智能体系统。
潘泉：1991年毕业于华中理工大学，获工学学士学位，1991年和1997年分别获得西北工业大学自动化学院硕士学位和博士学位。现任西北工业大学自动化学院教授。主要研究方向包括信息融合、多尺度估计理论、目标跟踪和图像处理。
徐钊：2005年获西北工业大学学士学位，2008年获西北工业大学硕士学位，2013年获新加坡南洋理工大学博士学位。2012-2014年任高性能计算研究所研究员。2015年至今担任西北工业大学电子与信息学院助理教授。主要研究方向包括控制、基于数据的诊断和预后。
相关阅读：FITEE 2019-2020专题速递 | 智能无人系统（2020，No. 5，吴澄院士）
第2期：复杂系统与网络及其应用（主编：曹进德；编辑：刘洋、卢剑权、Leszek Rutkowski）
第4期：智能可视分析（主编：潘云鹤；执行主编：陈为，夏佳志）
第11期：模型驱动的人机物融合系统软件开发（主编：刘志明；编辑：王戟，等）
2021年
第1期：复杂网络和系统的分布式滤波与控制（主编：陈关荣；副主编：李天成）
第3期：超快低维材料器件及其调控（主编：范滇元；编辑：张晗、江天、陈麟等
第4期：高通量毫米波无线通信（主编：洪伟；编辑：岳光荣、葛晓虎、王海明等）
Frontiers of Information Technology & Electronic Engineering（简称FITEE，中文名《信息与电子工程前沿（英文）》，ISSN 2095-9184，CN 33-1389/TP）是信息电子类综合性英文学术月刊，SCI-E、EI收录，最新影响因子2.161，位于JCR Q2分区。前身为2010年创办的《浙江大学学报英文版C辑：计算机与电子》，2015年更为现名，现为中国工程院信息与电子工程学部唯一院刊。覆盖计算机、信息与通信、控制、电子、光学等领域。文章类型包括研究论文、综述、个人视点、评述等。现任主编为中国工程院院士潘云鹤、卢锡城。实行国际同行评审制，初次转达意见一般在2~3个月内。文章一经录用将快速在线。
2019年，荣获中国科协等七部委推出的中国科技期刊卓越行动计划项目资助（梯队期刊）。
官网：http://www.jzus.zju.edu.cn
期刊Springer主页：
http://www.springer.com/computer/journal/11714
在线投稿：
http://www.editorialmanager.com/zusc
更多信息，请见：