摘  要： 針對(duì)無人車獲得的障礙物信息的不確定性和不完整性以及貝葉斯分類器對(duì)不完整信息比較敏感等不足，選擇了貝葉斯網(wǎng)絡(luò)分類方案。該方案在構(gòu)建貝葉斯網(wǎng)絡(luò)模型時(shí)，將貝葉斯推理運(yùn)用其中，提高了貝葉斯網(wǎng)絡(luò)的識(shí)別率。該分類系統(tǒng)依托某研究所無人車項(xiàng)目，通過激光雷達(dá)和CCD傳感器獲取障礙物實(shí)時(shí)信息，為網(wǎng)絡(luò)模型提供數(shù)據(jù)信息。

　　關(guān)鍵詞： 無人車；貝葉斯網(wǎng)絡(luò)；障礙物；分類

0 引言

　　近年來，無人車技術(shù)發(fā)展迅速[1]，無人車實(shí)際應(yīng)用的一個(gè)又一個(gè)難題得到解決。無人車技術(shù)的關(guān)鍵是障礙物的檢測(cè)與識(shí)別，這是無人車投入使用的基礎(chǔ)與關(guān)鍵[2]。

　　為了準(zhǔn)確地檢測(cè)與識(shí)別這些障礙物，往往需要不同的傳感器來獲取車體周圍的環(huán)境信息。不同的傳感器返回的信息也不盡相同。

　　由于障礙物識(shí)別在無人車中的關(guān)鍵作用，使其成為一個(gè)重要的研究課題。在基于機(jī)器視覺的障礙物識(shí)別中，李宇[3]將單目視覺發(fā)展為雙目視覺，克服了單目視覺的一些缺點(diǎn)，提高了識(shí)別率。朱曉蕓[4]等為了提高識(shí)別率，采用基于神經(jīng)網(wǎng)絡(luò)的分類器，但是神經(jīng)網(wǎng)絡(luò)有一個(gè)缺點(diǎn)，就是識(shí)別收斂速度慢。王廣君[5]等人采用激光雷達(dá)技術(shù)進(jìn)行障礙物的檢測(cè)與識(shí)別。沈志熙等[6]使用基于Boosting的方法識(shí)別障礙物。通過對(duì)比發(fā)現(xiàn)，單一的傳感器無法獲得讓人滿意的障礙物信息。為了提高識(shí)別率，采用分類器進(jìn)行障礙物識(shí)別。

　　目前常見的分類器主要有基于決策樹算法的分類器、基于貝葉斯算法的分類器[7-12]、基于支持向量機(jī)算法的分類器、基于Adaboost算法的分類器和基于神經(jīng)網(wǎng)絡(luò)算法的分類器等。

　　盡管貝葉斯分類器是一種非常實(shí)用的學(xué)習(xí)技術(shù)，但由于其假設(shè)條件在現(xiàn)實(shí)世界的學(xué)習(xí)任務(wù)中很少被滿足，因而貝葉斯網(wǎng)絡(luò)被提出。貝葉斯網(wǎng)絡(luò)是為解決不確定性和不完整性問題而提出的一種新的基于統(tǒng)計(jì)理論方法的、采用簡(jiǎn)潔易懂的圖解方式表達(dá)概率分布的方法。它是貝葉斯的擴(kuò)展。貝葉斯網(wǎng)絡(luò)的特性恰好滿足了無人車障礙物數(shù)據(jù)信息的不確定性和不完整性，解決了因信息不完整帶來的識(shí)別率低的問題。

1 障礙物信息預(yù)處理

　　本文采用激光雷達(dá)和CCD攝像機(jī)相結(jié)合來獲得障礙物信息，克服了單一傳感器信息單一化的不足。本文討論的障礙物類型主要是人、汽車、摩托車（包括自行車）三類。但是馬路上環(huán)境復(fù)雜多變，確定這些障礙物的分類的依據(jù)是激光雷達(dá)和機(jī)器視覺提供的信息。這些信息主要有以下幾類：

　?。?）障礙物高度（height）：可分為高h(yuǎn)1（大于1.9 m），中h2（0.8～1.9 m），低h3（小于0.8 m）；

　?。?）障礙物寬度（width）：可以分為寬w1（大于1.5 m），中w2（0.6~1.5 m），低w3（低于0.6 m）；

　?。?）障礙物厚度（thickness）：厚t1（大于0.6 m）；薄t2（小于0.6 m）；

　?。?）障礙物速度（speed）：普通障礙物為靜止s1 （0 m/s）；人的速度一般為中等s2（10 m/s以下）；車的速度一般為高s3（普通道路上10~30 m/s）。

　　由以上信息，結(jié)合實(shí)際生活，可以得出結(jié)論：不同的障礙物的行為特征和外形特征在某些因素上反應(yīng)相對(duì)突出，另一些因素則比較模糊，或者說在某些因素達(dá)到某個(gè)值后對(duì)目標(biāo)的反應(yīng)比較突出。比如速度和位置，當(dāng)速度在10 m/s以上時(shí)，基本上可以確定是車輛障礙物，人的速度不太可能達(dá)到，但不是絕對(duì)的。

2 貝葉斯網(wǎng)絡(luò)的設(shè)計(jì)

　　貝葉斯網(wǎng)絡(luò)（Bayesian Network，BN）是采用有向圖來描述概率關(guān)系的理論，它適用于不確定性和概率性事物，應(yīng)用于有條件地依賴多種控制因素的相關(guān)問題。在解決許多實(shí)際問題的過程中，需要從不完全的、不精確的或不確定的知識(shí)和信息中作出推理和推斷，而BN正是一種概率推理技術(shù)，它使用概率論來處理各知識(shí)之間因條件相關(guān)性而產(chǎn)生的不確定性。貝葉斯網(wǎng)絡(luò)的關(guān)鍵在于網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)和參數(shù)的確定。

　　2.1確定網(wǎng)絡(luò)結(jié)構(gòu)

　　一個(gè)貝葉斯網(wǎng)絡(luò)有兩個(gè)部分組成，一是網(wǎng)絡(luò)結(jié)構(gòu)G，二是網(wǎng)絡(luò)參數(shù)θ，即：

　　B=<G，θ>

　　網(wǎng)絡(luò)結(jié)構(gòu)G是用一個(gè)有向無環(huán)圖對(duì)變量進(jìn)行編碼，它的節(jié)點(diǎn)表示隨機(jī)變量vi，弧表示變量之間的相互聯(lián)系，節(jié)點(diǎn)變量則抽象成傳感器返回的障礙物信息，本文中vi主要表示障礙物的長(zhǎng)、寬、高、速度等信息。

　　網(wǎng)絡(luò)參數(shù)是指為每一個(gè)變量指定的條件概率表（Conditional Probability Table，CPT）。CPT為每個(gè)變量的實(shí)例均指定了條件概率，即CPT表達(dá)了節(jié)點(diǎn)變量與其父節(jié)點(diǎn)之間的概率關(guān)系，沒有任何父節(jié)點(diǎn)的節(jié)點(diǎn)的條件概率為其先驗(yàn)概率。

　　圖1所示為障礙物分類的貝葉斯網(wǎng)絡(luò)模型。

　　2.2 確定節(jié)點(diǎn)參數(shù)

　　當(dāng)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)確定后，就應(yīng)該確定已知結(jié)構(gòu)中節(jié)點(diǎn)的參數(shù)。為了確定節(jié)點(diǎn)參數(shù)，通過貝葉斯統(tǒng)計(jì)從數(shù)據(jù)中學(xué)習(xí)來得到參數(shù)。基本步驟如下：

　?。?）f（?茲）的選擇

　　令?茲為障礙物類型（人、車、其他障礙物），f（?茲）為此類型的先驗(yàn)分布。由于障礙物數(shù)量多且隨機(jī)，故假設(shè)先驗(yàn)為均勻分布。

　?。?）模型的選擇

　　每個(gè)數(shù)據(jù)樣本即傳感器一次傳回的障礙物信息用一個(gè)n維特征向量X={x1，x2，…xn}表示，分別描述對(duì)θ的n個(gè)屬性的n個(gè)度量。f（x|?茲）反映在給定障礙物類型的情況下x的可信度。f（x|?茲）可以變形為式（1），稱為似然函數(shù)，似然函數(shù)真正解釋為給定參數(shù)下數(shù)據(jù)信息的概率。

　?。?）計(jì)算后驗(yàn)概率

　　通過選擇好的模型和一定的傳感器信息數(shù)據(jù)，就可以更新對(duì)X的信念。以此信念來計(jì)算后驗(yàn)概率f（?茲|X1，…，Xn）。因此后驗(yàn)概率公式為：

　　其中，稱為歸一化常數(shù)。如果關(guān)心的是參數(shù)?茲的不同取值之間的比較，則該常數(shù)可以被忽略。

　　或者，假定有m個(gè)類：θ1，θ2，…θm，給定一個(gè)未知的數(shù)據(jù)樣本X（即沒有判定的類），分類法將預(yù)測(cè)X屬于具有最高后驗(yàn)概率（條件X下）的類。即樸素貝葉斯分類將未知的樣本分配給類Ci，當(dāng)且僅當(dāng)：

　　這樣，最大化P（θi|X）。其P（θi|X）最大的類θi稱為最大后驗(yàn)假定。根據(jù)貝葉斯定理有：

　　由于P（X）是所有障礙物某特征的總概率，故對(duì)于所有類為同一概率，因此，只需要P（X|θi）P（θi）最大即可。

　?。?）修正先驗(yàn)概率

　　首先要得到點(diǎn)估計(jì)和區(qū)間估計(jì)。后驗(yàn)的均值是一個(gè)常用的點(diǎn)估計(jì)，這是一個(gè)L2損失下的貝葉斯規(guī)則。

　　為了得到貝葉斯區(qū)間估計(jì)，需找到a和b，使得：

　　由此，可以根據(jù)C、和分類結(jié)果對(duì)先驗(yàn)概率數(shù)據(jù)庫進(jìn)行修正和更新。圖2所示即為一個(gè)典型的貝葉斯網(wǎng)絡(luò)推理過程。

3 實(shí)驗(yàn)與分析

　　每一次完整的數(shù)據(jù)信息都至少包括四個(gè)基本信息節(jié)點(diǎn)和兩個(gè)輔助信息節(jié)點(diǎn)，如表1。這些信息都由車載CCD和激光雷達(dá)傳感器在不同速度下采集。為了判斷分類的正確率，通過采集的視頻事先給出分類結(jié)果，將貝葉斯推理分類結(jié)果與事先給出的結(jié)果對(duì)比就可以計(jì)算出正確率。

　　神經(jīng)網(wǎng)絡(luò)（BP）及支持向量機(jī)（SVM）是目前障礙物的分類中使用較多的兩類分類算法，它們是機(jī)器算法中的基于信號(hào)處理的經(jīng)典方法，其原理與貝葉斯網(wǎng)絡(luò)不同。為了驗(yàn)證貝葉斯網(wǎng)絡(luò)的性能，與神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)進(jìn)行對(duì)比（同樣的訓(xùn)練樣本）。

　　三種不同分類算法的識(shí)別率對(duì)比如圖3，可以看出，貝葉斯網(wǎng)絡(luò)的識(shí)別率相對(duì)于SVM和BP比較穩(wěn)定，識(shí)別率也較高，因?yàn)樨惾~斯網(wǎng)絡(luò)是建立在隨機(jī)概率之上的，且對(duì)障礙物信息的不完整性不敏感。SVM的識(shí)別率比較低，變化幅度也比較大，這與SVM的分類原理有關(guān)。SVM是基于知識(shí)庫的，也就是如果訓(xùn)練的樣本數(shù)量不足，或者樣本面比較窄，就會(huì)嚴(yán)重影響分類識(shí)別。

　　本系統(tǒng)的設(shè)計(jì)目的就是在行駛中檢測(cè)感知環(huán)境，為無人車路徑規(guī)劃提供依據(jù)。但是在車輛行駛中產(chǎn)生的抖動(dòng)會(huì)影響傳感器采集的信息的準(zhǔn)確度，特別是CCD攝像機(jī)。因此，為了進(jìn)一步驗(yàn)證貝葉斯網(wǎng)絡(luò)推理的性能，通過人工駕駛汽車進(jìn)行不同速度、不間斷地采集數(shù)據(jù)，進(jìn)行比較，結(jié)果如圖4所示。

4 結(jié)束語

　　貝葉斯網(wǎng)絡(luò)推理在障礙物分類上有很大的優(yōu)勢(shì)，特別是在障礙物信息存在不確定性和不完整性的時(shí)候。本文提出的貝葉斯網(wǎng)絡(luò)分類方法把傳感器返回的數(shù)據(jù)信息充分利用起來，有助于無人車準(zhǔn)確地獲得環(huán)境信息，特別是障礙物的信息。本文介紹了用于無人車障礙物檢測(cè)和分類的貝葉斯網(wǎng)絡(luò)的建立和確定節(jié)點(diǎn)參數(shù)的過程。最后，采用支持向量機(jī)方法和神經(jīng)網(wǎng)絡(luò)對(duì)貝葉斯網(wǎng)絡(luò)分類過程進(jìn)行對(duì)比實(shí)驗(yàn)，驗(yàn)證了所提出方法的有效性和正確性。

參考文獻(xiàn)

　　[1] 江意.無人車來到倫敦 還考駕照？!無人車來了!![J].世界博覽，2015（9）：62-63.

　　[2] 劉霞.無人駕駛汽車的駕駛能力首次超過賽車專家[N].科技日?qǐng)?bào)，2015-02-16（2）.

　　[3] 李宇.基于雙目視覺的障礙物識(shí)別研究[D].武漢：武漢理工大學(xué)，2007.

　　[4] 朱曉蕓，楊建剛，何志鈞.神經(jīng)網(wǎng)絡(luò)的多傳感器數(shù)據(jù)融合基于新算法在障礙物識(shí)別中的應(yīng)用[J].機(jī)器人，1997（3）：7-13.

　　[5] 王廣君，田金文，柳健.激光成像雷達(dá)前視成像仿真及障礙物識(shí)別方法研究[J].紅外與激光工程，2001，30（6）：462-465.

　　[6] 沈志熙，黃席樾，楊鎮(zhèn)宇，等.基于Boosting的智能車輛多類障礙物識(shí)別[J].計(jì)算機(jī)工程，2009，35（14）：241-242，246.

　　[7] 史建國(guó)，高曉光，李相民.連續(xù)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)實(shí)現(xiàn)多傳感器融合跟蹤[J].火力與指揮控制，2005，30（8）：16-19.

　　[8] Cai Zhiqiang， Si Shubin， Sun Shudong， et al. Learning Bayesian network structure with immune algorithm[J]. Journal of Systems Engineering and Electronics， 2015，26（2）：282-291.

　　[9] ANGEL L， VLADIMIR I， EDUARDO M. Dynamic obstacle avoidance using Bayesian occupancy filter and approximate inference[J]. SENSORS， 2013， 13（3）：2929-2944.

　　[10] Li Yanying， Yang Youlong， Zhu Xiaofeng， et al. Towards fast and efficient algorithm for learning Bayesian network[J]. Wuhan University Journal of Natural Sciences， 2015， 20（3）：214-220.

　　[11] Zhang Zhengdao，Zhu Jinlin，Pan Feng. Fault detection and diagnosis for data incomplete industrial systems with new Bayesian network approach[J]. Journal of Systems Engineering and Electronics， 2013， 24（3）：500-511.

　　[12] 徐小力，劉秀麗，蔣章雷，等.基于主觀貝葉斯推理的多傳感器分布式故障檢測(cè)融合方法[J].機(jī)械工程學(xué)報(bào)，2015（7）：91-98.