Интеллектуальная система помощи водителю общественного транспорта тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Вассуф Язан

• Вассуф Язан
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Вассуф Язан

ВВЕДЕНИЕ

Глава 1. Обзор литературы в области интеллектуальных систем помощи водителю и постановка задачи исследования

1.1 Системы помощи водителю

1.2 Основные исследования в области интеллектуальных систем помощи водителю (ИСПВ)

1.3 Архитектуры системы помощи водителю

1.4 Датчики

1.5 Алгоритмы повышения точности обработки данных с сенсоров

1.6 Принятие решения для систем помощи водителю

1.7 Алгоритмы управления динамикой транспортного средства

1.7.1 Алгоритмы управления на основе модели

1.7.2 Алгоритмы управления на основе данных

1.7.3 Требования к управлению продольной динамикой транспортного средства

1.7.4 Требования к управлению вертикальной динамикой (подвеской)

1.8 Постановка задачи

1.9 Выводы по главе

Глава 2. Система оценки состояния участников дорожного движения

2.1 Система локализации объектов в городской дорожной среде на основе данных радаров

2.1.1 Принцип работы алгоритма кластеризации

2.1.2 Решение задачи отслеживания с помощью расшеренного Фильтра Калмана

2.2 Особенности построения и функционирования системы технического зрения в ИСПВ

2.2.1 Метрики распознавания

2.2.2 Экспериментальная оценка эффективности алгоритма в составе ИСПВ

2.3 Выводы по главе

Глава 3. Правила принятия решений и алгоритмы повышения надёжности данных с сенсоров в системах помощи водителю нулевого уровня

3.1 Правила и модели формирования предупреждений в ИСПВ нулевого уровня

3.1.1 Правила формирования предупреждений о наличии объектов в слепых зонах

3.1.2 Правила принятия решений при боковом сближении транспортных средств

3.1.3 Правила формирования предупреждений о столкновении при повороте

3.1.4 Правила оценки риска столкновения при движении вперёд

3.1.5 Правила предупреждения о риске столкновения с пешеходами

3.2 Предлагаемые алгоритмы повышения точности обработки данных с сенсоров

3.2.1 Алгоритм комплексирования данных радара и камеры

3.2.2 Проверка совпадения объектов

3.2.3 Алгоритм фильтрации радарных данных

3.2.4 Алгоритм обнаружения загрязнения камеры с использованием морфологической обработки

3.3 Эксперименаталная оценка эффективности ИСПВ нулевого уровня

3.4 Выводы по главе

Глава 4. Алгоритм управления продольной скоростью транспортного средства на основе активного подавления помех

4.1 Модель транспортного средства

4.2 Проектирование алгоритма управления

4.3 Моделирование и результаты

4.3.1 Полунатурное моделирование (Hardware in Loop (HIL))

4.3.2 Оценка результатов и эффективности алгоритма управления

4.4 Выводы по главе

Глава 5. Алгоритм управления подвеской транспортного средства на основе активного подавления помех в системе ИСПВ

5.1 Система подвески транспортного средства

5.1.1 Модель ТС

5.1.2 Основные задачи управления подвеской

5.2 Схема управления

5.2.1 Линейный следящий дифференциатор

5.2.2 Линейный расширенный наблюдатель состояния

5.2.3 Схема удаления помех

5.2.4 Регулятор обратной связи

5.3 Оптимизация системы

5.4 Экспериментальная оценка эффективности предложенных критериев и алгоритмов

5.5 Выводы по главе

ОБЩИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

ИН - истинно негативные ИП - истинно позитивные

ИСПВ - интеллектуальная система помощи водителю (русский аналог ADAS) ЛН - ложно негативные ЛП - ложно позитивные

ЛРНС - линейный расширенный наблюдатель состояния ЛСД - линейный следящий дифференциатор ОУ - объект управления

ПД - пропорционально-дифференцирующий (регулятор) РКФ - расширенный фильтр Калмана ТС - транспортное средство

УАПП - управление активным подавлением помех ФК - фильтр Калмана

ЭПР - эффективная площадь рассеяния (для радаров)

ADAS - Advanced Driver Assistance System (Усовершенствованная система помощи водителю)

ADRC - Active Disturbance Rejection Control (Активное управление с подавлением возмущений)

BSM - Blind Spot Monitoring (Система мониторинга слепых зон)

CAN - Controller Area Network (Сетевой интерфейс для объединения контроллеров)

DBSCAN - Density-Based Spatial Clustering of Applications with Noise (Пространственная кластеризация на основе плотности)

DLC - Dynamic Load Coefficient (Коэффициент динамической нагрузки)

FCW - Forward Collision Warning (Система предупреждения о столкновении при движении вперед)

IMU - Inertial Measurement Unit (Инерциальный измерительный модуль)

LCDW - Lateral Clearance Decreasing Warning (Система предупреждения об уменьшении бокового интервала)

MPC - Model Predictive Control (Прогнозирующее управление на основе модели)

PCW - Pedestrian Collision Warning (Система предупреждения о столкновении с пешеходом)

PSD -Power Spectral Density (Спектральная плотность мощности)

RMS - Root Mean Square (Среднеквадратическое значение)

SLAM - Simultaneous Localization and Mapping (Одновременная локализация и построение карты)

SMC -Sliding Mode Control (Скользящее управление) TAS -Turn Assist System (Система помощи при повороте) TCC - Time to Collision (Время до столкновения) YOLO - You Only Look Once (Алгоритм детекции объектов)

ВВЕДЕНИЕ

Системы помощи водителю - это комплекс технологий и устройств, разработанных для повышения безопасности и комфорта водителя и пассажиров. Они могут включать в себя различные датчики, камеры, радары и другие сенсоры, которые собирают и анализируют информацию о дорожной обстановке, других транспортных средствах, а также о поведении водителя. На основе этой информации системы помощи водителю могут предоставлять различные функции, такие как системы предупреждения о столкновении, системы контроля полосы движения, системы автоматического торможения и ускорения, системы адаптивного круиз-контроля, системы распознавания дорожных знаков и другие. Целью систем помощи водителю является повышение безопасности на дороге и снижение риска возникновения аварийных ситуаций.

Введение диссертации (часть автореферата) на тему «Интеллектуальная система помощи водителю общественного транспорта»

Актуальность темы исследования.

В современных условиях внедрение интеллектуальных систем помощи водителю (ИСПВ) (ADAS, Advanced Driver Assistance Systems) и беспилотных технологий для общественного транспорта, такого как автобусы и электробусы, становится особенно актуальным. Эти системы призваны повысить безопасность, комфорт и эффективность транспортных средств, ежедневно перевозящих тысячи пассажиров.

Общественный транспорт играет ключевую роль в обеспечении устойчивого городского движения, но его эксплуатация сопряжена с рядом вызовов: сложные погодные условия, интенсивное движение, человеческие ошибки водителей, а также необходимость обеспечения безопасности пассажиров и других участников дорожного движения. Согласно данным Всемирной организации здравоохранения, ежегодно дорожно-транспортные происшествия, значительная часть которых связана с общественным транспортом, уносят миллионы жизней.

Применение интеллектуальных систем, которые включают в себя радары, камеры, алгоритмы машинного обучения и методы управления, способно снизить

аварийность за счёт точного распознавания объектов, прогнозирования опасных ситуаций и своевременного принятия решений.

Таким образом, разработка и внедрение ИСПВ для автобусов и электробусов является актуальной задачей, направленной на повышение безопасности, комфорта пассажиров и эффективности эксплуатации транспортных средств (ТС).

Объектом исследования является общественный транспорт, в частности автобусы и электробусы, оснащённые ИСПВ.

Предметом исследования является ИСПВ, которая применяется в автобусах и электробусах и направлена на повышение безопасности, эффективности и комфорта пассажиров.

Цель и задачи работы

Целью диссертационной работы является повышение уровня безопасности при одновременном сохранении комфорта пассажиров посредством интеллектуальной системы помощи водителю.

Для достижения постaвленной цели в рaботе были поставлены следующие задачи:

1. Разработка структуры ИСПВ.

2. Разработка правил принятия решения, направленных на обеспечение безопасности движения.

3. Разработка алгоритмов повышения точности датчиков на основе комплексирования сенсоров, фильтрации дaнных, и анализа уровня загрязнения камеры.

4. Разработка алгоритма управления скоростью, учитывающего изменения массы ТС.

5. Разработка алгоритма управления системой подвески для рaзных сценариев работы ТС.

Методология и методы исследования

В диссертации использованы методы теории управления, комплексирования данных датчиков, машинного обучения и математического моделирования для разработки ИСПВ для автобусов и электробусов. Алгоритмы регулирования скорости и управления подвеской разрабатывались с учётом неопределённости, вызванной изменением массы транспортного средства и дорожных условий.

Методы машинного обучения использовались для анализа данных с камер и радаров, что обеспечивало высокую точность распознавания объектов. Комплексирование данных с этих сенсоров улучшило устойчивость и надёжность системы, снижая влияние шума и контролируя точность показаний сенсоров.

Математическое и имитационное моделирование проводилось в средах Matlab и Simulink, а программное обеспечение разрабатывалось на C++ с использованием Robot Operating System (ROS). Экспериментальные испытания проводились на реальных ТС для проверки работоспособности разработанных решений. Такой подход объединил теоретические разработки с практическим внедрением.

Научная новизна заключается в следующем:

1. Предложены требования к архитектуре ИСПВ, которые учитывают специфику эксплуатации общественного транспорта и включают в себя интеграцию сенсоров, модулей обработки данных и алгоритмов управления для работы в сложных дорожных условиях.

2. Разработаны правила принятия решений, основанные на данных, радаров и камер для оценки вероятности столкновения с препятствиями на дороге.

3. Разработаны алгоритмы повышения точности информации с датчиков, которые основаны на комплексировании данных, фильтрации

сигналов с радаров и определения загрязнений камеры для увеличения надёжности системы.

4. Получено решение задачи управления скоростью ТС, обеспечивающее стабильность работы, устойчивое к изменениям массы транспортного средства и свойств дорожного покрытия. Предложенный алгоритм построен на методах адаптивного управления и наблюдения.

5. Разработан алгоритм управления системой подвески, который учитывает комфорт пассажиров и обеспечивает плавность движения ТС при различных скоростях.

Теоретическая значимость работы заключается в развитии методов обеспечения безопасности и эффективности управления общественным транспортом, основанных на обработке данных сенсоров, прогнозировании ситуаций и управлении движением, с учётом динамических условий эксплуатации и требований к комфорту пассажиров.

Практическая ценность.

1. Разработана методика управления динамическими характеристиками ТС с учётом изменения массы и дорожных условий, обеспечивающая стабильность и безопасность движения автобусов и электробусов.

2. Разработаны алгоритмы управления системой подвески, которые повышают комфорт пассажиров и управляемость ТС, обеспечивая снижение вибраций и повышение плавности движения.

3. Разработана методика предотвращения аварийных ситуаций,

включающая прогнозирование столкновений, и обработку данных от радаров и камер.

4. Создан программный модуль ИСПВ, интегрируемый в системы управления общественным транспортом и подходящий для использования в автобусах и автомобилях.

5. Разработаны подходы для поддержки автономного управления траспортного средства, которые закладывают основу для перехода к полностью автономным транспортным средствам, что способствует улучшению точности расписания и снижению затрат на эксплуатацию.

6. Разработаны программы и методики испытания на трех уровниях верификации, которые включают: Програмное моделирование(Software-m-the-Loop(SIL)),

полунатурного моделирования (Hardware-in-the-Loop(HIL)) и реальные испытания на полигоне на траспортном вредствве (Vehicle-in-the-Loop (VIL)).

На защиту выносятся следующие положения:

1. Методика учета динамических характеристик транспортного средства, основанная на анализе изменений массы и дорожных условий, позволяющая обеспечить стабильность и безопасность движения автобусов и электробусов в условиях неопределённости.

2. Метод обеспечения безопасности движения за счёт выбора регулирования скорости, позволяющий минимизировать риск столкновений и выполнить целевые задачи при соблюдении требований к качеству движения.

3. Модель сенсорного комплексирования данных от камер и радаров, направленная на устранение выбросов, контроль загрязнения сенсоров и повышение точности восприятия окружающей среды для улучшения устойчивости системы в реальных условиях.

4. Алгоритм управления подвеской транспортного средства, обеспечивающий повышение комфорта пассажиров и стабильность управления, с учётом различных скоростей движения и дорожных условий.

5. Имитационная модель интеллектуальной системы помощи водителю, позволяющая тестировать и оптимизировать разработанные алгоритмы в

виртуальных условиях, что обеспечивает проверку их эффективности перед внедрением в реальные транспортные средства.

Достоверность результатов работы подтверждается корректностью постановленных задач исследования, адекватностью применяемых методов и подтверждается результатами компьютерного моделирования, результатами испытаний разработанного программного обеспечения и натурных испытаний.

Внедрение результатов. Результаты диссертационной работы внедрены в ООО «ИЦ КАМАЗ» при разработке интеллектуальной системы помощи водителю (ИСПВ) для автобусов и электробусов. На основе материалов исследования реализованы алгоритмы управления скоростью, траекторией и методы сенсорного комплексирования. Внедрение подтверждено актом внедрения ООО «ИЦ КАМАЗ».

Апробация работы. Основные положения и результаты диссертационного исследования докладывались на международных конференциях, включая «Современные проблемы робототехники» (Москва, 2021-2022 гг.), «Моделирование в инженерном деле» (Москва, 2021,2023 гг.), «Наука, технология и бизнес» (Москва, 2022 г.), «International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE)» (Москва, 2023,2024,2025 гг.) и на 34-35 международных научно-практических конференциях «Экстремальная робототехника» (Санкт-Петербург, 2023,2024 г.).

Публикации. Опубликованы 16 работ по теме диссертации, в том числе 6 в изданиях, включенных в перечень ВАК РФ, 3 в изданиях РИНЦ и 7 в изданиях, индексируемых международной базой научного цитирования (Web of Science, Scopus).

Личный вклад автора. Исследования, результаты которых представлены в диссертационной работе, выполнены соискателем лично в процессе научной деятельности. Соискателем лично проведён анализ современных направлений развития интеллектуальных систем помощи водителю, на основе которого определены ключевые научные и прикладные задачи исследования. Постановка

цели и задач работы, а также определение основных направлений исследования выполнены совместно с научным руководителем. Для робототехнической платформы, предоставленной ООО «ИЦ КАМАЗ», автором лично разработан и реализован алгоритм локализации на основе данных радара и камеры. Испытательный стенд для проверки алгоритмов управления был спроектирован и собран автором совместно со специалистами ООО «ИЦ КАМАЗ». Кроме того, автором лично разработано программное обеспечение для моделирования работы системы помощи водителю, а также лично проведены экспериментальные исследования и демонстрация работоспособности предложенных методов и алгоритмов управления.

Содержание работы

Диссертация состоит из введения, 5 глав, заключения, списка сокращений и условных обозначений, и списка литературы. Работа изложена на 133 машинописной странице, содержит 41 рисунков и 13 таблиц. Список литературы включает в себя 98 наименований.

Введение диссертации содержит обоснование актуальности проводимого исследования, формулировку его цели и задач и описание структуры работы.

В первой главе проведён обзор научных работ, посвящённых системам помощи водителю. Рассмотрены основные исследовательские проекты по тематике диссертации, а также исследования в области обработки данных датчиков в ИСПВ. Проанализированы различные подходы к управлению скоростью и построению системы принятия решений. Изложены ключевые требования к ИСПВ, предложены архитектура системы и модель её взаимодействия с водителем.

Во второй главе Рассмотрены системы оценки состояния участников дорожного движения на основе данных радаров и камер. Проанализировано применение алгоритма кластеризации DBSCAN в сочетании с расширенным фильтром Калмана. Рассмотрен способ оценки координат объектов с использованием YOLO, фильтра Калмана и алгоритма PnP (Perspective-n-Point).

Приведены результаты определения положения объектов в реальном времени для указанных подходов.

Третья глава посвящена задаче повышения точности данных датчиков. Предложены правила принятия решений для ИСПВ нулевого уровня. Приведены результаты испытаний пяти систем помощи водителю, которые проводились на полигоне в режиме реального времени.

Четвертая глава посвящена задаче управления скоростью ТС. Представлена модель продольной динамики ТС. Разработан алгоритм адаптивного управления подавления помех (АУПП), который предназначен для регулировки скорости ТС в различных городских условиях и учитывает изменения массы ТС и состояния дорожного покрытия. Проверка работоспособности предложенного алгоритма выполнена посредством испытаний в реальном времени на стенде.

Пятая глава посвящена алгоритмам управления системой подвески для обеспечения комфорта пассажиров в ИСПВ. Представлена модель подвески ТС. Разработан алгоритм управления подвеской на основе АУПП. Предложен оптимизированный алгоритм, обеспечивающий компромисс между комфортом и управляемостью. Проведены испытания в режиме реального времени для проверки работоспособности предложенных алгоритмов в различных дорожных ситуациях.

В заключении систематизированы ключевые выводы, полученные в ходе диссертационного исследования. На основе проведенного анализа сформулированы практические предложения по оптимизации производительности и увеличению точности разработанных алгоритмических и системных решений для их последующего использования в перспективных разработках.

Глава 1. Обзор литературы в области интеллектуальных систем помощи водителю и постановка задачи исследования

Первая глава фокусируется на анализе существующих научных исследований и разработок в области ИСПВ, которые становятся все более важными в современном автомобилестроении. Данная глава предоставляет критический обзор ключевых научных трудов, затрагивающих различные аспекты разработки и внедрения ИСПВ, начиная от структуры систем и алгоритмов распознавания до управления скоростью и оптимизации подвески на основе данных датчиков.

1.1 Системы помощи водителю

Современная классификация уровней автоматизации транспортных средств по стандарту SAE J3016 представляет собой последовательную эволюцию от полного контроля водителя до полной автономности. На нулевом уровне система ограничивается предупреждением водителя о возможных столкновениях или опасностях. На первом уровне автомобиль берет на себя отдельные функции управления — либо продольное (адаптивный круиз-контроль), либо поперечное (помощь в удержании полосы). Второй уровень характеризуется комбинированным управлением, когда система одновременно контролирует как продольное, так и поперечное движение. На третьем уровне автомобиль способен самостоятельно выполнять все задачи по управлению в определенных условиях, требуя внимания водителя только для перехвата контроля в сложных ситуациях. Четвертый уровень предусматривает высокую автономию, при которой ТС функционирует без вмешательства человека в большинстве сценариев, а пятый уровень представляет собой полную автоматизацию без необходимости присутствия водителя. Каждый последующий уровень расширяет возможности систем помощи водителю последовательно передавая функции управления от человека к интеллектуальным алгоритмам.

Системы помощи водителю (СПВ) представляют собой первые три уровня автоматизации в соответствии с общепринятой классификацией и формируют технологическую основу для создания полностью автономных транспортных средств, поскольку на их основе строятся современные беспилотные решения. В связи с этим исследования и разработка ИСПВ тесно связаны с развитием автономного вождения. Анализ существующих решений в этой области требует комплексного изучения как проектов в области систем помощи водителю, так и продвинутых беспилотных технологий. В настоящее время разработка подобных систем ведётся активно по всему миру, а на рынке уже присутствуют коммерческие модели, например, автобусы, способные двигаться без участия человека. Такие организации, как Apollo Baidu (Китай), EasyMile EZ10 (Франция), Navya Arma (Франция) и Local Motors Olli (США), прошли полный цикл разработки — от пилотных проектов до серийного производства, подтвердив возможность масштабирования автономных транспортных решений [1].

Важным нормативным достижением стало получение юридического одобрения для автономных систем третьего уровня: в марте 2021 года компания Honda стала первым сертифицированным производителем, а в декабре того же года к ней присоединился Mercedes-Benz [1].

Примечательно, что большинство успешных проектов в этой области изначально развивались как стартапы, что демонстрирует тесную взаимосвязь между научными исследованиями и коммерциализацией технологий. Российский рынок также проявляет значительный интерес к данной тематике, где активно ведутся разработки как полностью автономных транспортных средств, так и вспомогательных систем управления.

Что касается Российской Федерации, то отправной точкой для развития данного направления стало подписанное Премьер-министром в ноябре 2018 года постановление, разрешающее эксплуатацию беспилотников на общественных дорогах. Практическая реализация этого решения началась в декабре того же года

в рамках эксперимента в Москве и Татарстане. Первопроходцами стали автомобили компании «Яндекс». Далее, в феврале 2020 года, география тестирования расширилась, включив еще 11 регионов. На тот момент официальные разрешения имели «Яндекс», МАДИ и ПАО «КАМАЗ» [2].

Компания «Яндекс» ведет работы в области беспилотного транспорта с 2017 года, проводя испытания как в России, так и в США. Важным достижением стал запуск в 2018 году в Иннополисе первого в Европе сервиса роботакси. В 2019 году было заключено соглашение с Hyundai Mobis, результатом которого стал прототип на базе Hyundai Sonata. К 2020 году компания представила новое поколение своего беспилотника и анонсировала планы по пополнению автопарка сотней таких автомобилей. К октябрю 2019 года на счету беспилотников «Яндекса» было уже более 1 миллиона автономных миль, а весь тестовый флот из более чем 130 машин преодолел в сумме свыше 4 миллионов миль.

В 2015 году стартовал совместный проект ПАО «КАМАЗ» и «Cognitive Technologies» по созданию беспилотного автомобиля. После того как в 2019 году «Cognitive Technologies» и Сбербанк создали совместное предприятие «Cognitive Pilot», КАМАЗ продолжил разработки самостоятельно. Знаковым событием стал запуск в 2023 году грузоперевозок на беспилотных грузовиках КАМАЗ по трассе М-11.

Среди других заметных участников рынка — компания «СтарЛайн», изначально специализировавшаяся на системах безопасности. С 2016 года она начала разработку собственных алгоритмов для автономного вождения, используя для испытаний автомобиль Skoda Superb. В 2018 году был анонсирован открытый проект по созданию беспилотника четвертого уровня автоматизации. В 2019 году на конкурсе «Зимний город» команда «СтарЛайн» показала наилучший результат. После включения Санкт-Петербурга в список регионов для тестирования в 2020 году, компания планирует начать испытания на городских дорогах.

Отдельно стоит отметить тестовую поездку беспилотных тягачей Mercedes Actros по трассе М-11, состоявшуюся в 2023 году.

Компания SberAutoTech, входящая в экосистему Сбера, в мае 2021 года продемонстрировала прототип полностью автономного электромобиля «ФЛИП», особенностью которого является платформа, позволяющая использовать в качестве энергии как пропан, так и водород. Уже в апреле 2022 года началось тестирование беспилотных перевозок пассажиров в Москве.

Проведенный анализ существующих проектов показал, что ни в одном из них не уделяется достаточного внимания специализированной разработке ИСПВ для городского общественного транспорта, такого как автобусы и электробусы, с последующей возможностью их трансформации в полностью беспилотные средства. Данный пробел определяет цель нашего исследования, сфокусированного на создании подобных систем для перспективных ТС, выпускаемых компанией «КАМАЗ».

1.2 Основные исследования в области интеллектуальных систем помощи

водителю (ИСПВ)

Исследования Sebastian Thrun [3], Jose A. Lazaro [4] показывают, что радары обладают высокой надежностью при работе в неблагоприятных погодных условиях, а камеры обеспечивают точную классификацию объектов и распознавание дорожных знаков. Однако задачп интеграции данных с этих сенсоров остаются сложными из-за разного типа данных (точечные облака от радаров и визуальные изображения от камер) и необходимости фильтрации шумов.

Исследование Sanju Kumar NT, Luis Miguel Bergasa, Nalini Chandrashekar Iyer [5-7] посвящено разработке методов комплексирования данных датчиков, которые включают в себя использование фильтров Калмана и алгоритмов глубокого обучения для повышения точности распознавания и уменьшения неопределенности в данных.

Актуальной задачей является управление скоростью ТС с учетом динамических изменений системы, таких как изменение массы (например, из-за посадки и высадки пассажиров) и различные дорожные покрытия.

В исследованиях, Birsen Donmez, Mustafa Bahattin Celik, Josep Ma. Fabrega, Zhigen Nie [8-11] применяются методы адаптивного управления и наблюдения за системой для минимизации риска аварий и обеспечения стабильности работы ТС. Например, в работах, связанных с управлением беспилотными транспортными средствами, часто используются методы управления на основе моделей и предсказательного контроля, чтобы адаптировать поведение ТС к изменяющимся условиям.

Однако многие исследования фокусируются на управлении легковыми автомобилями и не учитывают специфику общественного транспорта, где динамические изменения массы и разнообразие дорожных условий могут значительно влиять на поведение ТС. В условиях общественного транспорта требуется учитывать не только безопасность, но и комфорт пассажиров, что редко обсуждается в существующей литературе.

В России также ведется работа по созданию ИСПВ. В работах Макарова В.С, Торшина А.А, Жилейкина М. М. [12-14] приведена разработка адаптивных систем, которые обеспечивают безопасное управление на скользкой или неровной дороге.

В работе Катунина А.А. и Карлюка А.П. [15-16] представлен анализ управления грузовыми транспортными средствами, которое основано на точном описании динамической модели и её ограничений. Авторы используют подход, близкий к управлению на основе модели (model-based control), но они не рассматривают возможность и эффективность адаптивного управления, предназначенного для компенсации изменений характеристик транспортного средства, таких как его полная масса и состояние дорожного покрытия.

В работах исследователей НАМИ рассматриваются различные аспекты разработки и внедрения интеллектуальных систем помощи водителю. В

исследовании Гайсина С.В. [17] представлен обзор текущего состояния и направлений развития ИСПВ в Российской Федерации, а также обоснована необходимость создания отечественных решений в данной области. В работе Катанаева Н.Т. [18] предложены подходы к моделированию системы «Автомобиль-Среда-Водитель», направленные на формализацию взаимодействия ТС с внешней средой и водителем. В исследовании Белякова Ф.Ю. и Евграфова В.В. [19] разработан алгоритм сглаживания траектории движения на основе методов квадратичной оптимизации, предназначенный для повышения плавности управления. В работе Кисуленко Б.В. [20] выполнен анализ международных нормативных требований к безопасности автономных транспортных средств и систем помощи водителю.

При этом, в указанных работах в недостаточной степени рассматриваются задачи, связанные с применением ИСПВ для общественного транспорта. В частности, не учитываются особенности эксплуатации автобусов и электробусов, такие как значительные изменения массы, высокая пассажирская нагрузка, а также специфика дорожных условий в Российской Федерации. Кроме того, не исследуются адаптивные методы управления, позволяющие автоматически изменять параметры системы в зависимости от текущих условий движения.

Исследования, проводимые в МАДИ, КАМАЗ, СберАвтоТех, и других научных институтах, включают моделирование поведения ТС при различных дорожных покрытий, также повышение точность распознавание объектов на дороге [21].

Также в работах исследоватилей МГТУ им. Баумана Яковлева Д.С., Зенкевича С.Л, Михайлова Б.Б, Носкова В.П [22-25] обсуждается задача безопасности при движении в сложных технических системах.

Тем не менее, несмотря на наличие исследований, многие из них не рассматривают задачу комплексного управления скоростью в условиях неопределенности, связанных с изменением массы пассажиров и характеристик

дорожного покрытия. Кроме того, значительное количество научных работ посвящено общим аспектам обеспечения безопасности в общественном транспорте (например, автобусах), но не затрагивают вопросы комфорта пассажиров, что является важным вопросом в этой области.

Анализ существующих исследований в области ИСПВ демонстрирует необходимость разработки комплексных решений, обеспечивающих не только безопасность, но и комфорт пассажиров в общественном транспорте. В рассмотренных работах выявлены следующие недостатки: ориентация на дорогостоящие сенсорные комплексы (лидары), которые плохо работают в сложных погодных условиях (снег, туман); ограниченная надёжность и точность данных в динамически меняющейся среде; недостаточная адаптивность алгоритмов управления скоростью к неопределённостям (изменение массы, состояние дорожного покрытия); отсутствие комплексных решений, балансирующих комфорт пассажиров с другими критериями, такими как управляемость.

В связи с этим для дальнейшей работы определены следующие ключевые направления: использование робастной комбинации радаров и камер (без лидаров) для обеспечения работы в различных погодных условиях; разработка алгоритмов повышения точности и надёжности данных с сенсоров; адаптивное управление скоростью в условиях неопределённости; и интегрированное управление комфортом пассажиров во время движения.

Для реализации эффективной помощи водителю система должна включать в себя несколько функциональных модулей. К ним относятся модуль определения положения ТС на дороге, модуль оценки вероятности столкновения с препятствиями, модули управления ТС и контроля комфорта пассажиров, работающие параллельно. Результатом работы модуля управления ТС является предупреждение водителя (звуковое или визуальное) и непосредственное воздействие на скорость движения или тормозную систему. Для реализации всех

Список литературы диссертационного исследования кандидат наук Вассуф Язан, 2026 год

использовании в

одиночку.

[34-38] Обнаружение ТС и Зрение и радар -Низкое разрешение

Определение полосы радара.

движения -Для измерения

расстояния камере

требуются специальные

объективы, устройства и

сложные вычисления.

[38-39] Визуальная 2D Лазерный -2D сканеры могут

Одометрия Сканер и пропускать обнаружение

зрение объектов в сложных

средах;

-2В-изображений

недостаточно для того,

чтобы запечатлеть все

особенности 3D-мира.

[40-46] SLAM Зрение и 1Ми -Освещение и условия

освещения камерой;

-Камера страдает от размытия из-за быстрого движения;

Ошибка при составлении для 1Ми.

В рамках этих исследований, учитывая специфику российских дорог, характеризующихся частыми дождями, туманом и снегом, а также направленность работы на разработку ИСПВ уровней 1-3, основное внимание уделяется выявлению объектов на дороге и управлению скоростью и торможением ТС в зависимости от положения этих объектов. Эти объекты могут включать пешеходов, мотоциклы и различные типы ТС. В результате исследования для решения поставленных задач предлагается использование таких датчиков, как радары и камеры. Радар обеспечивает устойчивую работу в различных погодных условиях и при разных скоростях движения, тогда как камера позволяет выполнять распознавание и классификацию объектов. При этом данные, получаемые от датчиков, характеризуются наличием неопределённостей и шумов, что требует их дополнительной обработки для повышения надёжности использования в интеллектуальных системах помощи водителю. Современные исследования, посвящённые алгоритмам повышения точности и надёжности данных с сенсоров, рассматриваются в следующем разделе.

1.5 Алгоритмы повышения точности обработки данных с сенсоров

Первый подход к повышению точности обработки данных основан на комплексировании данных радаров и камер. Методы комплексирования данных сенсоров в системах помощи водителю (СПВ) можно разделить на три основные

категории, каждая из которых имеет свои преимущества и недостатки. Классические алгоритмы представлены в [47], как показано на Рисунке 1.4.

Рисунок 1.4. Алгоритмы комплексирования данных датчиков Вероятностные методы обработки данных, такие как фильтр Калмана и его модификации, широко применяются в интеллектуальных системах помощи водителю благодаря способности учитывать неопределённость измерений и обеспечивать устойчивую оценку параметров окружающей среды. Их преимуществом является высокая гибкость, однако данные методы требуют корректной параметризации моделей и могут быть вычислительно затратными [48].

Методы наименьших квадратов (МНК) отличаются простотой реализации и эффективностью при работе с линейными системами, однако их применимость существенно ограничивается при наличии нелинейностей или шума в данных. В связи с этим в задачах ИСПВ они, как правило, используются в сочетании с дополнительными алгоритмами предварительной обработки данных.

Методы, основанные на знаниях и данных, включая нейронные сети и нечеткую логику, демонстрируют высокую адаптивность и устойчивость к шумам, что делает их перспективными для задач восприятия окружающей среды. Однако такие подходы требуют значительных объёмов обучающих данных, высоких вычислительных ресурсов и часто обладают ограниченной интерпретируемостью результатов [49].

Анализ существующих исследований показывает, что выбор конкретного метода обработки и комплексирования данных определяется требованиями к точности, вычислительной сложности и условиям эксплуатации ИСПВ. В литературе также рассматриваются комбинированные подходы, включающие предварительную обработку данных отдельных сенсоров — например, фильтрацию радарных измерений для исключения нерелевантных отражений и оценку качества изображений камер с целью выявления деградации визуальной информации. После такой обработки широко применяются алгоритмы сенсорного комплексирования, в том числе адаптивные варианты фильтра Калмана, позволяющие повысить согласованность и надёжность комплексирования данных радара и камеры.

1.6 Принятие решения для систем помощи водителю

После получения данных с датчиков необходимо выполнить их обработку и затем принять решение о наличии или отсутствии угрозы столкновения с другими участниками дорожного движения. Для этого требуется разработка системы принятия решений, обеспечивающей корректную интерпретацию данных с сенсоров и формирование управляющих воздействий. Управляющие воздействия могут включать предупреждение водителя на нулевом уровне, а также управление динамикой ТС на более высоких уровнях.

В интеллектуальных системах помощи водителю применяются различные методы принятия решений, каждый из которых обладает своими преимуществами

и ограничениями. Основные подходы, а также их достоинства и недостатки, представлены в Таблице 3.

Таблица 3.

Методы принятия решений

Методы Плюсы Минусы

✓ Высокая - Трудно справляться

интерпретируемость со сложными

и настраиваемость дорожными

✓ Высокая условиями из-за

осуществимость недостаточной

Методы глубины принятия

внедрения из-за

основанные на ✓ низких требований к

правилах [50] решений

аппаратному - Низкая устойчивость

обеспечению к

✓ Хорошая широта - Динамичному

принятия решений вождению в условиях

окружающей среды

Классические ✓ Могут быть - часто несовместимо с

Методы сгенерированы практическими

оптимизированные приложениями

решения

✓ Взаимодействие

Методы между различными

✓

участниками

оптимизации

трафика может быть

[51]

лучше

смоделировано

✓ Предположение об

"оптимальной

стратегии" для

агентов

Вероятностные методы [52] ✓ Удобно комбинировать с другими типами методов - Низкая вычислительная эффективность и сложностьвыработки оптимального решения в сложной среде

Методы на основе обучения Методы обучения на основе модели [53] ✓ Хорошая универсальность ✓ Подходит для простых сценариев с достаточным ✓ количеством экологической информации - Требуется большое количество обучающих наборов данных - Низкая точность принятия решений

Методы глубокого обучения [54] ✓ Высокая точность принятия решений для конкретных ✓ сценариев ✓ Комплексная система обеспечивает полное использование экологической информации - Недостаточная универсальность алгоритмов в динамическом сценарии. - Требование большого количества обучающих наборов данных

Методы обучения с подкреплением [55-56] ✓ Более совершенное моделирование неопределенных и динамичных ✓ сред - Плохая стабильность, чрезмерная подгонка в методах DRL. - Проблема робастности получаемого контроллера

✓ Гибкая структура - Проблема

алгоритмов с соблюдения всех

высокой ограничений

✓ расширяемостью - Низкая скорость адаптации к изменениям в окружающей среде

В данном исследовании в качестве метода принятия решений выбран подход, основанный на правилах. Такой метод отличается простотой реализации, гибкостью настройки и возможностью работы в режиме реального времени. Это позволяет эффективно обрабатывать различные дорожные ситуации без существенных вычислительных затрат, что особенно важно для систем помощи водителю.

1.7 Алгоритмы управления динамикой транспортного средства

Для эффективной реализации ИСПВ требуется разработка алгоритмов управления динамикой ТС, обеспечивающих регулирование скорости, тормозных воздействий и параметров подвески. В зависимости от используемого принципа построения алгоритмов методы управления динамикой ТС можно разделить на две основные категории: методы на основе модели объекта управления и методы на основе данных (Рисунок 1.5).

На основе модели

• Аналитические методы создания регуляторов

• Структурные методы

• Методы с использованием моделей

• Методы оптимального управления

И так далее...

На основе данных

Метод поиска экстремума (ESC)

Active disturbance rejection control (ADRC)

Model reference adaptive control (MRAC)

Обучение с подкреплением (RL)

Рисунок 1.5. Основные алгоритмы управления транспортного средства

1.7.1 Алгоритмы управления на основе модели

Алгоритмы управления на основе модели используют математическое описание динамики ТС и окружающей среды для прогнозирования его поведения и формирования управляющих воздействий. В рамках данных подходов применяются модели продольной, поперечной и вертикальной динамики ТС, позволяющие учитывать взаимосвязь между входными управляющими сигналами и выходными параметрами движения.

К данной категории относятся классические регуляторы, основанные на представлении состояния системы, а также методы оптимального управления, включая динамическое программирование и управление с прогнозированием модели (Model Predictive Control, MPC) [57-59]. Основным преимуществом модельных методов является их интерпретируемость и возможность формального анализа устойчивости и качества управления. Однако эффективность таких алгоритмов существенно зависит от точности используемой модели.

1.7.2 Алгоритмы управления на основе данных

Алгоритмы управления на основе данных не требуют явного построения

математической модели ТС. Формирование управляющих воздействий осуществляется на основе анализа данных, получаемых от сенсоров. К данной группе относятся алгоритмы машинного обучения, включая нейронные сети и ансамблевые методы, а также методы обучения с подкреплением, в которых стратегия управления формируется на основе накопленного опыта взаимодействия с системой [60-61].

Основным преимуществом алгоритмов на основе данных является их способность адаптироваться к неопределённостям и нелинейностям, характерным для реальных условий эксплуатации. Вместе с тем такие методы обладают ограниченной интерпретируемостью и требуют значительных объёмов обучающих данных.

1.7.3 Требования к управлению продольной динамикой транспортного

средства

Управление продольной динамикой ТС направлено на регулирование скорости и ускорения путём управления тягой и тормозными усилиями. Основными возмущающими воздействиями в данной задаче являются изменение дорожного покрытия, уклон дороги, аэродинамические сопротивления, а также изменение массы ТС в зависимости от загрузки.

Для обеспечения устойчивого и точного управления скоростью необходимо учитывать влияние указанных факторов, так как они приводят к неопределённости параметров динамической модели. В этих условиях модельно-ориентированные методы без механизмов адаптации демонстрируют снижение качества управления, что обуславливает необходимость применения адаптивных алгоритмов или методов с подавлением внешних возмущений.

1.7.4 Требования к управлению вертикальной динамикой (подвеской)

Управление вертикальной динамикой ТС осуществляется с целью повышения комфорта пассажиров и обеспечения устойчивого контакта колёс с дорожным покрытием. Основными возмущениями в данной системе являются неровности дорожного полотна, изменение скорости движения и характер городских условий эксплуатации.

В отличие от продольной динамики, управление подвеской характеризуется противоречивостью требований, поскольку улучшение одного показателя качества, как правило, приводит к ухудшению другого. В связи с этим оценка эффективности управления подвеской осуществляется по нескольким критериям.

К основным показателям качества относятся [62]:

1. Эффективность демпфирования, характеризующая способность системы снижать влияние дорожных возмущений на массу, поддерживаемой

подвеской. Критерием оптимальности является минимизация среднеквадратического значения ускорения подрессоренной массы.

2. Сцепление с дорожным покрытием, оцениваемое с использованием коэффициента динамической нагрузки (Dynamic Load Coefficient, DLC). Минимизация данного показателя обеспечивает устойчивый контакт шин с дорожной поверхностью.

3. Управляемость, представляющая собой компромисс между комфортом движения и устойчивостью ТС, количественно выражаемый через взаимосвязь показателей ускорения подрессоренной массы и коэффициента DLC.

Противоречивый характер указанных критериев обусловливает необходимость применения адаптивных и оптимизационных алгоритмов управления, способных учитывать изменяющиеся условия движения и внешние возмущения.

Проведённый обзор методов управления динамикой ТС показывает, что модельно-ориентированные алгоритмы обладают высокой прозрачностью и предсказуемостью, однако их эффективность ограничивается неточностью математических моделей и влиянием внешних возмущений. Методы на основе данных, в свою очередь, обеспечивают большую гибкость и адаптивность, но требуют значительных вычислительных ресурсов и сложны с точки зрения верификации.

В рамках данного исследования приоритет отдан использованию адаптивных методов управления с подавлением помех, которые позволяют учитывать изменения параметров ТС и дорожных условий без необходимости точного априорного задания модели. В частности, рассматривается применение адаптивного управления с подавлением помех для регулирования скорости ТС, а также его модифицированная версия для управления подвеской, обеспечивающая баланс между комфортом пассажиров и устойчивостью движения.

1.8 Постановка задачи

Задачи помощи водителю общественного транспорта решаются через три ключевые подзадачи, направленные на обеспечение безопасности, эффективности и комфорта управления ТС.

Первая задача заключается в оценке состояния участников дорожного движения и последующем формировании правил принятия решений о возможности столкновения с ними. При выявлении угрозы столкновения система должна выдавать предупреждение водителю в виде визуального или звукового сигнала, что соответствует нулевому уровню интеллектуальных систем помощи водителю (ИСПВ 0).

Управляющие сигналы на нулевом уровне ИСПВ представляют собой

предупреждения для водителя, которые формируются на основе правил,

задаваемых следующим уравнением:

fl,( Столкновение = True) (1.2)

Warning = \

у 0, eise

При возникновении риска столкновения, система на начальном уровне вмешательства формирует предупреждение для водителя. В случае отсутствия реакции со стороны водителя она должна самостоятельно осуществлять управление скоростью и тормозными воздействиями (уровни 1-2).

В рамках данного исследования требуется сформировать набор правил, позволяющих оценивать вероятность столкновения с участниками дорожного движения для каждой системы помощи водителю. Для реализации этого потребуется определить вектор состояния участников дорожного движения Xit = [Xjt,yt,VXjt,VyiJ . Он может быть определён с использованием радаров в

таких решениях, как система мониторинга слепых зон (BSM-Blind Spot Monitoring), система предупреждения об уменьшении бокового интервала (LCDW- Lateral Clearance Decreasing Warning) и система помощи при повороте (TAS- Turn Assist

System). Также вектор состояния объектов может быть определён с помощью камеры, например, в системе предупреждения о столкновении с пешеходом. В некоторых случаях используется комплексирование данных от радаров и камеры, как в системе предупреждения о фронтальном столкновении.

Для разработки систем требуется разработка алгоритмов обнаружения и локализации объектов с использованием радаров, камеры или их комбинации. Важно, чтобы эти системы обеспечивали точность работы выше 0,85 по метрике F1. Также для поддержания стабильной работы систем потребуется решение таких проблем, как загрязнение камеры или обработка большого объёма данных от радаров. Это предполагает внедрение алгоритмов для обнаружения и устранения возникающих ошибок в реальном времени.

Вторая задача касается управления скоростью (ИСПВ 1): разработка алгоритма, учитывающего изменения массы ТС и состояние дорожного покрытия, через АУПП для обеспечения стабильности движения. Для этого потребуется оформить такой закон управления транспорта, чтобы скорость транспорта соответствовала требуемой скорости:

V = —u - -(F + Fr + Fb), (13)

mr m

где и = Td — Tb — сигнал управления, Td - крутящий момент движения, Tb -тормозной момент, Fa - сопротивление воздуха, Fr - сопротивление качению и Fb -

внешние возмущающие воздействия. Требуемую скорость можно определить в зависимости от используемой системы, например, с учётом данных от дорожных знаков или анализа положения объектов вокруг транспортного средства:

vreq = min (vdes> vobj + K(d — dsafe]), (14)

где K= 0.1 - соответствует очень плавной реакции (максимальный комфорт, минимальная агрессивность), K= 0.5 - умеренной реакции (безопасность и

комфорт), а К= 0.8-1.0 - быстрой реакции (агрессивное снижение скорости, максимальная).

Третья задача связана с управлением подвеской транспортного средства в рамках интеллектуальных систем помощи водителю. Она заключается в разработке подходов к адаптации параметров подвески, обеспечивающих повышение комфорта пассажиров за счёт снижения вибраций, а также поддержание устойчивости ТС при различных скоростях движения.

Во время работы системы и отслеживания скорости возникает много проблем со степенью комфорта пассажиров, и степенью управляемости ТС. Степень комфорта ТС определяется через следующий показатель [62]:

сг^ДМЗ^), (1.5)

где 2 - вертикальное ускорение массы кузова ТС.

Степень управляемости оценивается с использованием следующего критерия [62]:

±оь€, а6)

4

0 Hz 4

где S(p - спектральная плотность мощности угла крена; DLCi - коэффициент динамической нагрузки (Dynamic Load Coefficient, DLC) в i-м углу ТС и вычисляется следующим уравнением [62] :

(т /4)z +т z

\ s 'si и и\

DLC = RMS

(m + m ) g

rK(z-z)\ ( (m/4)'z +m'z ] (1-7)

и V Ш ri у "* » с * ,, ,„

RMS

V

(( ms /4 )+ mu )g

где ms, mu — подрессоренная и неподрессоренная массы, zs,zu - высоты подрессоренной и неподрессоренной массы колеса, Ku - жесткость пружины шины.

В соответствии с (ISO2631-1, 1997), если максимальная амплитуда дорожных возмущений составляет менее 7 см, а скорость ТС изменяется в пределах 20-90 км/ч, тогда средняя ошибка RMS вертикального ускорения должна удовлетворять следующему условию < < 0.31. Степень управляемости должна удовлетворять

следующему условию: а2 < 3.00 х 10 . Если алгоритм управления направлен на

минимизацию вертикального смещения подпружиненной массы Zs , то вертикальное ускорение также будет сведено к минимуму, что позволит обеспечить необходимый комфорт. Тогда задача нахождения компромисса между степенью управляемости и комфортом может быть сведена к задаче нахождения компромисса

между смещением Zs и углом крена ^ .

Для решения поставленных задач предлагается новая архитектура системы, которая включает в себя новые ассистенты на нулевом уровне: систему предупреждения об уменьшении бокового интервала (LCDW- Lateral Clearance Decreasing Warning) и систему помощи при повороте (TAS- Turn Assist System). Предлагаемая архитектура также обеспечивает управление подвеской.

Система предназначена для всепогодной работы и обладает следующими ключевыми функциями: распознавание объектов в различных условиях видимости, управление ТС и обеспечение эффективного взаимодействия с водителем.

Предлагаемая архитектура должна удовлетворять следующим функциональным требованиям:

1. Обеспечивать обнаружение препятствий и других участников дорожного движения в зоне, прилегающей к ТС.

2. Определять параметры относительного положения и скорости обнаруженных препятствий и участников дорожного движения по отношению к ТС.

3. Выполнять оценку риска столкновения на основе анализа относительных параметров движения и текущего состояния ТС.

4. Формировать предупреждения для водителя в соответствии с реализуемыми функциями системы и установленными требованиями к интеллектуальным системам помощи водителю.

5. Осуществлять частичное автоматическое управление ТС в случае отсутствия реакции со стороны водителя, включая снижение скорости и применение тормозных воздействий с целью предотвращения или смягчения последствий столкновения

Предлагаемая архитектура должна соответствовать следующим эксплуатационным требованиям:

1. Рабочий диапазон скоростей: 10-90 км/ч.

2. Погодные условия: функционирование в солнечную погоду, дождь, снег, туман и при обледенении.

3. Типы дорог и покрытий: работа на различных типах дорог и дорожных покрытий.

4. Вместимость: возможность перевозки до 85 пассажиров (масса до 18 т).

5. Характеристики радара: дальность обнаружения — 250 м, угол обзора — 60°, скорость передачи данных — 500 Кбит/с.

6. Характеристики камеры: частота съёмки — не менее 20 кадров/с.

7. Производительность: одновременное отслеживание до 25 объектов.

8. Классы обнаруживаемых объектов: пешеходы, легковые автомобили, крупногабаритный транспорт.

9. Максимальная задержка системы: 0,3 с.

Для выполнения всех указанных требований предлагается следующая структура системы (Рисунок 1.6).

Рисунок 1.6. Структурная схема системы ИСПВ

Предлагаемая структура ИСПВ основана на комплексе аппаратных и программных компонентов. Основу системы составляют датчики восприятия окружающей среды, в частности радарные системы и камеры, формирующие непрерывный поток данных о дорожной обстановке. На структурной схеме представлен водитель общественного транспорта, осуществляющий контроль скорости и параметров комфорта, а также четыре радарных модуля и камера, передающие информацию в блок управления. Функциональная архитектура блока управления включает два ключевых модуля:

1. Вычислительный модуль обработки данных, обеспечивающий прием и анализ информации от радарных систем и камер видеонаблюдения.

2. Логический модуль управления и диагностики, осуществляющий взаимодействие с СЛК-шиной ТС, непрерывный мониторинг исправности

системы, обработку управляющих команд и формирование выходных сигналов (системы предупреждения, управления скоростью, тормозной системой и подвеской).

Результирующая информация, генерируемая системой, передается на интеллектуальный интерфейс оповещения водителя, реализованный в виде визуальных и звуковых сигналов. Данные интерфейсы могут быть интегрированы в виртуальную приборную панель ТС [62]. Нужно указать, что водитель всегда имеет приоритет и может включить или выключить систему помощи водителю.

По сравнению с существующими архитектурами, рассмотренными в предыдущих пунктах, предлагаемая архитектура отличается упрощённым аппаратной архитектурой, в частности отсутствием лидара. При этом в структуре системы предусмотрены механизмы диагностики ошибок и неисправностей, а также функции управления комфортом движения за счёт адаптации подвески, которые, как правило, не представлены в рассматриваемых аналогах.

1.9 Выводы по главе 1

В первой главе проведён обзор литературы в области систем помощи водителю, рассмотрены основные проекты и исследования, выполненные в данной области. Были выделены основные элементы рассматриваемых систем, в том числе сенсорные подсистемы, такие как радары и камеры, а также рассмотрены методы повышения точности и надёжности работы данных датчиков. Были проанализированы современные алгоритмы комплексирования данных с сенсоров и системы принятия решений, обеспечивающие более эффективное и безопасное функционирование систем помощи водителю. Также рассмотрены алгоритмы управления динамикой ТС, их возможности и ограничения. В заключение главы сформулированы задачи исследования и предложена архитектура системы, направленная на их решение.

Глава 2. Система оценки состояния участников дорожного движения

Во второй главе рассматривается система оценки состояния участников дорожного движения. Основное внимание уделено методам оценки состояния на основе данных радаров и камеры. Для локализации объектов по данным радаров предложена комбинация алгоритма кластеризации DBSCAN и расширенного фильтра Калмана. Выполнено сравнение двух моделей фильтра Калмана: модели с постоянной скоростью и модели с постоянным ускорением.

Для обработки данных камеры проведён анализ наиболее подходящих архитектур нейронных сетей, оптимизаторов и наборов данных для задачи оценки положения объектов на изображении. Также предложена комбинация алгоритма YOLO с расширенным фильтром Калмана и алгоритмом триангуляции для оценки пространственного состояния объектов.

В заключительной части главы рассмотрены метрики распознавания, используемые для оценки эффективности предложенных алгоритмов и повышения точности системы. Результаты работы системы оценки состояния участников дорожного движения были протестированы в режиме реального времени с использованием реальных радаров и камеры.

2.1 Система локализации объектов в городской дорожной среде на основе

данных радаров

Система локализации объектов в городской дорожной среде на основе данных радаров использует радиолокационный метод, основанный на отражении электромагнитных волн от объектов. Отражённый сигнал принимается антенной радара и подвергается фильтрации и цифровой обработке, в результате чего формируются отдельные измерительные значения, представленные в виде точек обнаружения.

В процессе работы радар регистрирует совокупность таких точек обнаружения, каждая из которых описывает отдельное отражение от объекта в

окружающей среде. Каждая точка обнаружения характеризуется следующими параметрами [64]:

1. дальностью до объекта (м);

2. азимутом объекта относительно ТС (горизонтальный угол, рад);

3. углов места (вертикальный угол, рад);

4. допплеровской скоростью объекта (м/с);

5. эффективной площадью рассеяния (ЭПР, dBsm).

В рамках построения системы локализации объектов ключевой задачей является определение расстояния до объектов, находящихся в дорожной сцене. Вычисление данного параметра осуществляется на основе радиолокационных измерений с использованием соответствующего математического соотношения, приведённого ниже:

к = (2.1) 4 (4п)2Рг } '

где - мощность передатчика, - коэффициент усиления передающей антенны, Аг - эффективная площадь приемной антенны; это также может быть выражено как

-— (где Л - длина волны передатчика и Сг-коэффициент усиления приемной

антенны). о - поперечное сечение радара или коэффициент рассеяния цели. Б -коэффициент распространения диаграммы направленности, Я - расстояние до цели от радара.

Большинство автомобильных систем перешло от радаров диапазона 24 ГГц к использованию радаров на 77 ГГц, что обеспечило высокую пропускную способность. Высокая пропускная способность приводит к высокому разрешению радарного датчика по дальности, что обеспечивает эффективное и качественное обнаружение и распознавание объектов.

Разрешение по скорости - это способность радара различать два движущихся объекта, скорости которых очень близки, или один очень медленно движущийся и другой неподвижный объект [65]. Высокое разрешение по скорости может быть

достигнуто, когда две точки обнаружения имеют очень малую разницу в скорости, которая может быть выражена следующим уравнением:

М = (2.2)

где Л - длина передаваемой волны, N - количество чирпов (переходов между высокой и низкой частотой) и Т5 - время чирпов. Чирпы - это частотная развертка от самой низкой до самой высокой частоты. Как видно из этого уравнения, чем меньше длина волны, тем меньше разница скоростей. Радары 77 ГГц имеют меньшую длину волны, чем радары 24 ГГц, поэтому они имеют более высокое разрешение по скорости и лучшее обнаружение, что и обусловило их использование в данной системе. Дальность зоны обнаружения транспортных средств (зона детекции) должна составлять не менее 70 метров по ходу движения ТС.

Объекты, которые должны быть определены радарами, представлены в Таблице 4. Зоны обнаружения объектов представлены на Рисунке 2.1.

Таблица 4.

Классификация объектов, детектируемых радарными системами

Ширина луча ДН по азимуту, о Дальность обнаружения, м

Грузовой автомобиль (ЭПР > 40 м2) Легковая машина (ЭПР > 10 м2) Мотоциклис т (ЭПР > 3 м2) Велосипедис т (ЭПР > 1 м2) Пешеход (ЭПР > 0,2 м2)

±45 1 00 70 55 40 30

±60 3 0 40 30 25 15

80 -------Ь--

о ю 20 30 40 ;0 60 70 80 90 100 110

Расстояние {'.')

Рисунок 2.1. Диаграмма детектирования объектов радаром Функционирование системы определяется структурой, представленной на Рисунке 2.2.

Данные радаров Облако точек Алгоритм Кластер Отслеживание объектов с подошью ХЛ' Обьектов Условие активации

кластеризация расшереного фильтра Калла на

Рисунок 2.2. Общая схема работы системы

Для решения задачи локализации объектов на основе радарных данных необходимо учитывать особенности принципа работы автомобильных радаров. Радар формирует набор точек обнаружения, каждая из которых соответствует отдельному отражению электромагнитной волны. При этом одному реальному объекту, как правило, соответствует несколько точек, которые распределены в пространстве. Также в наборе точек могут присутствовать одиночные ложные отражения, вызванные шумами и помехами.

В условиях городской дорожной среды количество отражений существенно увеличивается за счёт наличия зданий, дорожных сооружений и других объектов

инфраструктуры. Это приводит к необходимости предварительной обработки радиолокационных данных с целью группировки точек, относящихся к одному объекту, и подавления шумовых измерений.

Для решения данной задачи целесообразно использовать алгоритмы кластеризации, не требующие априорного знания количества объектов и устойчивые к наличию шума. Алгоритм DBSCAN позволяет выделять кластеры произвольной формы и автоматически отделять шумовые точки, что делает его подходящим для обработки радиолокационных измерений в реальных дорожных условиях.

После этапа кластеризации требуется оценка динамического состояния обнаруженных объектов, включая их положение и скорость. Для этого используется фильтрация измерений во времени, позволяющая учитывать динамику движения и снижать влияние шумов. Расширенный фильтр Калмана применяется для оценки состояния объектов в условиях нелинейной модели измерений, характерной для радиолокационных датчиков.

Совместное использование алгоритма DBSCAN для пространственной кластеризации точек обнаружения и расширенного фильтра Калмана для оценки состояния объектов позволяет сформировать устойчивую систему локализации, обеспечивающую надёжное обнаружение и сопровождение объектов в городской дорожной среде.

2.1.1 Принцип работы алгоритма кластеризации

Алгоритм DBSCAN (Density-Based Spatial Clustering of Applications with Noise) основан на анализе плотности распределения данных и требует задания всего двух параметров: радиуса окрестности s, который определяет размер локальной области поиска, и минимального числа точек MinPts, что задаёт порог плотности, необходимый для формирования кластера [65].

Принцип работы алгоритма заключается в последовательном анализе е-окрестности каждой точки и её классификации по плотностному критерию. В зависимости от количества соседних точек выделяются три типа объектов: ядровые точки, граничные точки и шумовые точки. Ядровая точка содержит не менее MinPts объектов в своей е-окрестности, граничная точка располагается в окрестности ядровой, но не удовлетворяет условию плотности, а шумовая точка не принадлежит ни одной е-окрестности ядровых точек.

Такой подход позволяет автоматически выявлять кластеры произвольной формы и эффективно отфильтровывать шум без предварительного задания числа кластеров, что делает алгоритм особенно применимым для обработки зашумлённых радиолокационных данных.

Описание алгоритма DBSCAN представлено в Таблице 5.

Таблица 5.

Псевокод алгоритма БВБСАК

Алгоритм: Псевокод исходного последовательного алгоритма DBSCAN

Вход: DB (База данных), £ (радиус), minPts (порог плотности), dist

(функция расстояния)

Дата: label - метка точки, изначально undefined для всех точек

1. c = 0 # номер текущего кластера

2. for point p in database DB do:

3. 4 if label(p) != undefined then continue # уже обработанная точка

4. 5. # Найти всех соседей точки p

6. 7 Neighbors N = RangeQuery(DB, dist, p, £)

8. # Проверить, является ли p основной точкой (core point)

9. if |N| < minPts then:

10. label(p) = Noise # шумовая точка

11. continue

12.

13. # Создать новый кластер

14. c = c + 1

15. label(p) = c # пометить p как часть кластера c

16.

17. # Seed set - точки для расширения кластера

18. S = N \ {p} # все соседи p, кроме самой p

19.

20. # Расширение кластера

21. while S is not empty do:

22. q = take first point from S # взять точку из S

23.

24. # Если q был шумом - переклассифицировать в граничную точку

25. if label(q) == Noise then:

26. label(q) = c

27.

28. # Если q уже имеет метку (обработана) - пропустить

29. if label(q) != undefined then:

30. continue

31.

32. # Пометить q как часть текущего кластера

33. label(q) = c

34.

35. # Найти соседей q

36. Neighbors Nq = RangeQuery(DB, dist, q, S)

37.

38. # Если q - основная точка, добавить её соседей для дальнейшего

расширения

39. if |Nq| >= minPts then:

40. S = S U Nq # ОБЪЕДИНЕНИЕ: добавляем соседей q в S

Объединение точек в кластер осуществляется следующим образом. Из множества текущих точек Б выбирается точка q, после чего определяется множество её соседей ^ в пределах радиуса е. Если точка q является основной, то есть число её соседей не меньше порогового значения штР1в, все найденные соседние точки добавляются в множество Б. Это означает, что каждая из этих точек также будет проверена в дальнейшем процессе. В результате кластер постепенно расширяется и включает все точки, которые плотностно достижимы друг из друга, формируя область взаимосвязанных точек.

В данных радаров присутствует шум детекции, также после определения объекта требуется отслеживать этого объекта с помощью фильтра Калмана.

2.1.2 Решение задачи отслеживания с помощью расшеренного Фильтра

Калмана

В рамках данной задачи нелинейные эффекты проявляются в пространстве измерений, тогда как динамика системы описывается линейными уравнениями. Следовательно, исследование фокусируется на особенностях нелинейного измерительного пространства, а не на характере распределения шумов, которое предполагается нормальным [65-66].

Уравнения системы отражаются следующим образом:

X = /Л V!) (2.3)

г = к,(> щ X

где и к, - известные, возможно нелинейные, - вектор состояния, - шум процесса, г, - вектор измерения, и wt - шум измерения.

Модель движения системы линейна и содержит описания модели постоянной скорости и модели постоянного ускорения. Расширенный фильтр Калмана работает согласно двум этапам [66]:

1. предсказание:

Xt = AX-1 + Bu-1 + vt_1 (2.4)

st = ASt_AT + Q

2. коррекция:

Kt = StlHT (HSt XHT + R)-1 (2 5)

Xt+1 = Xt + K (z__ ht (Xt)) St+l = (I-KtH)St,

гдеX = (x, y( xt yt)T- вектор состояния, x - вертикальное положение объекта от радара, а y - горизонтальное положение от радара. zt - вектор измерения состояния. ut_j - вектор управления и vt_1 - это гауссов шум или внешние силы. a -матрица состояния, в - входная матрица, s - ковариационная матрица, н - матрица частных производных (матрица якоби), Q - матрица шума процесса (движения), R - матрица шума измерения и к - коэффициент усиления фильтра Калмана. Матрицы A, B, S, H, Q, R могут быть определены следующим образом: 1. Модель постоянной скорости (Constant Velocity Extended Kalman

Filter (CVEKF)) Вектор состояния описывается следующим образом:

Xt={xt yt xt yt)T (2.6)

И матрица ввода:

A =

0 Ts 0^ 0 10 Ts 0 0 10 0 0 0 1

(2.7)

где т - время обнаружения между двумя состояниями [хы ^ х, ], ох ,о^ - является

дисперсией положения и - является дисперсией скорости.

Предполагая, что переменные состояния независимы друг от друга, ковариационную матрицу можно определить следующим образом [64]:

о

0 -У 0 0 0 0

00 00 "I 0

о а?

(2.8)

Матрица шума движения Q может быть определена как:

а=

-X 0 °хх 0

0 0 °УУ

0 4 0

0 °УУ 0 4

(2.9)

Который может быть записан как:

а =

4 Т 0 1 3 т 3 0 2 '

0 4 Т' 1 3 0 -Т3 2 '

1 г3 2 ' 0 2 Т2 0 5

0 1 ^3 2 ' 2 0 Т

Вектор измерения определяется таким образом:

р + у 1ап-1(—)

г =

(2.10)

(2.11)

Модел измерения нелинейно, поэтому требуется вычислить якобиан, который может быть вычислен следующим образом [65]:

н = ■

ах

йг Лг с1г йг

сЬс ¿У сЬс ¿У

¿6 ¿6 ¿6 ¿6

сЬ с1у £& <1у

соз(б) 0 ви1(е) о

-8Ш(6) о 008(9) о

(2.12)

Матрица R, представляющая матрицу шума измерения, может быть выполнена следующим образом:

я =

0 ст02

(2.13)

в, =

В результате все матрицы известны и можно всегда обновить вектор состояния в представленном уравнении , а также можно отслеживать позицию объектов:

XCVEKF = Xt СО

ycvekf = Xt (2)

(2.14)

2. Модель постоянного ускорения (Constant Acceleration Extended Kalman Filter CVEKF)

Вектор состояния описывается таким образом:

Xt={xt yt h yt h yt)T (2-15)

Матрица входа:

A =

f 1 2 ^

10 T 0 - T2 0

S 2 S

0 10 т о - T2

S 2 S

0 0 1 0 0 0 0 0 0 0 0 0

0 Ts 0

1 0 Ts 0 1 0 001

(2.16)

где т; - время обнаружения между двумя состояниями [х^ ^ х ].

Предполагая, что переменные состояния независимы друг от друга, ковариационную матрицу можно определить следующим образом [65]:

S =

- 2 0 0 0 0 0

0 0 0 0 0

0 0 0 0 0

0 0 0 0 0

0 0 0 0 0

0 0 0 0 0 4

(2.17)

Матрица шума движения Q может быть определена как:

б=

0 0 0

0 0 Оуу 0

0 0 0

0 Оуу 0 4 0 Оуу

0 0 4 0

0 °УУ 0 °УУ 0 4

(2.18)

Которая записывается как следующий:

б =

т6 т5 т4

0 5 0 5 0

36 12 6

т6 т5 т4

0 5 0 5 0 5

36 12 6

т5 т4 т3

0 5 0 5 0

12 12 2

0 т5 5 0 4 ^ 5 0 т3 5

т4 12 т3 12 т2 2

5 0 5 0 5 0

6 2 4

0 т4 5 0 т3 5 0 т,5

6 2 4

(2.19)