引言

目前，智能駕駛技術(shù)在汽車領(lǐng)域得到了廣泛的應(yīng)用。但是在實(shí)際生活中，智能駕駛汽車所產(chǎn)生的交通事故屢見不鮮，其中，有很大比例的交通事故均為正面碰撞。因此，更加精確和具有更魯棒性的車輛感知技術(shù)成為智能駕駛領(lǐng)域的重點(diǎn)之一。

盡管業(yè)界在不斷的提升智能車輛中感知設(shè)備的性能，但在復(fù)雜多變的路況和惡劣的天氣條件下，感知性能仍受到較大限制。如圖1所示，黃色車輛由于受到前方車輛的影響而無(wú)法感知到處在物理檢測(cè)范圍以外的紅色車輛，這很可能會(huì)導(dǎo)致交通事故的發(fā)生。其次，為了安全增加的感知設(shè)備所帶來(lái)的成本提升與多設(shè)備之間的互相干擾問題也值得考慮。除此之外，協(xié)作感知的方法，也會(huì)因低延遲、高帶寬的數(shù)據(jù)交換要求和數(shù)據(jù)隱私、互相信任協(xié)議無(wú)法確保及時(shí)性的數(shù)據(jù)交換而難以應(yīng)用。

圖1 智能車輛視野受限的例子

系統(tǒng)整體介紹

論文中提出新設(shè)計(jì)：增強(qiáng)智能駕駛車輛感知（Enhancing perception for Intelligent Vehicle，EIV）。該設(shè)計(jì)通過識(shí)別檢測(cè)出不同智能車輛的電磁泄漏從而區(qū)分不同的車輛，同時(shí)可以根據(jù)信號(hào)的強(qiáng)弱檢測(cè)出外界車輛的位置和距離。該技術(shù)主要解決了三個(gè)難題：

1.   由于電磁兼容規(guī)定和監(jiān)管要求，每個(gè)車輛產(chǎn)生的內(nèi)存電磁泄漏信號(hào)很弱且很容易被外界噪聲影響（信噪比較低），如何在眾多信號(hào)中識(shí)別出智能車輛的EMR信號(hào)十分困難。

2.   如何從信號(hào)中正確識(shí)別出不同車輛的內(nèi)存電磁泄漏。

3.   城市交通環(huán)境中的無(wú)線信號(hào)的傳播存在著多徑效應(yīng)和陰影效應(yīng)，如何正確識(shí)別出外界車輛的方位。

圖2展示了EIV系統(tǒng)的整體架構(gòu)，三部分分別對(duì)應(yīng)解決上述三個(gè)難題。第一部分用于增強(qiáng)電磁輻射信號(hào)，包含信號(hào)預(yù)處理、卡爾曼濾波、短時(shí)傅里葉變換、折疊算法，最終得到一個(gè)增強(qiáng)的電磁輻射序列；第二部分是指紋識(shí)別，首先構(gòu)建電磁輻射設(shè)備的數(shù)據(jù)庫(kù)，在此基礎(chǔ)上配合微多普勒特征構(gòu)建車輛的數(shù)據(jù)庫(kù)。第三部分是車輛定位，利用RSSI特征和支持向量機(jī)進(jìn)行分類，實(shí)現(xiàn)車輛區(qū)域的判定和異常檢測(cè)。下面將從這三部分分別介紹系統(tǒng)的設(shè)計(jì)細(xì)節(jié)。

圖2 系統(tǒng)整體架構(gòu)

電磁輻射與信號(hào)增強(qiáng)的相關(guān)技術(shù)研究

1.內(nèi)存的電磁輻射泄露

圖3所展示的是現(xiàn)代車輛的智能駕駛系統(tǒng)。感知模塊和定位模塊在獲取信息后需要先傳輸至SOC的內(nèi)存中，而后CPU、GPU/NPU會(huì)從內(nèi)存模塊中獲取數(shù)據(jù)并進(jìn)行運(yùn)算并做出決策。由于智能車輛需要實(shí)時(shí)通過雷達(dá)等設(shè)備獲取外界感知信息，故各模塊與內(nèi)存模塊的數(shù)據(jù)傳輸量極大，使得內(nèi)存模塊總是處于高負(fù)載狀態(tài)。車輛的內(nèi)存模塊主要采用DRAM，DRAM具有低成本、低能耗、大容量和高效率的特點(diǎn)。經(jīng)過調(diào)查發(fā)現(xiàn)，大部分車輛都是用先進(jìn)的SOC，并且內(nèi)置DDR內(nèi)存。

圖片

圖3 現(xiàn)代車輛的智能駕駛系統(tǒng)

2.擴(kuò)頻時(shí)鐘技術(shù)

圖片

3. 卡爾曼濾波

由于存在大量的外界噪音，所以直接提取得到的信號(hào)信噪比較低，難以直接分離出內(nèi)存EMR信號(hào)?？柭鼮V波器（Kalman Filter）是一種廣泛應(yīng)用于估計(jì)線性動(dòng)態(tài)系統(tǒng)狀態(tài)的遞歸算法。它以高斯噪聲假設(shè)為基礎(chǔ)，通過對(duì)系統(tǒng)的當(dāng)前狀態(tài)和觀測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)與更新，提供對(duì)系統(tǒng)狀態(tài)的最優(yōu)估計(jì)。卡爾曼濾波器可以用來(lái)提高信號(hào)的信噪比。

4. 折疊算法

在處理內(nèi)存的EMR信號(hào)時(shí)，信號(hào)通常是周期性的，帶有諧波成分。由于信號(hào)較弱且被噪聲淹沒，直接提取這些信號(hào)比較困難。這就可以使用折疊算法。折疊算法通過將周期性的信號(hào)能量累積起來(lái)，增強(qiáng)信號(hào)的強(qiáng)度，使得信號(hào)的信噪比提高，便于后續(xù)的檢測(cè)和分析。其核心思想是增強(qiáng)信號(hào)中重復(fù)出現(xiàn)的成分，并同時(shí)降低隨機(jī)噪聲的影響，步驟如下：

1) 設(shè)定窗口：首先選取一個(gè)滑動(dòng)窗口的大小，這個(gè)窗口的長(zhǎng)度與信號(hào)的周期性成分相對(duì)應(yīng)，通常是內(nèi)存時(shí)鐘信號(hào)的基本頻率或其諧波頻率的整數(shù)倍。

2) 信號(hào)對(duì)齊：將信號(hào)分段，按窗口長(zhǎng)度對(duì)信號(hào)進(jìn)行劃分。這些分段可以理解為每個(gè)周期的信號(hào)。

3) 能量累加：對(duì)于每個(gè)分段的信號(hào)，計(jì)算它們的諧波分量，并將這些分量累加。由于這些諧波分量具有相同的周期性，它們的能量會(huì)相互疊加。