智能汽车回归预测算法：非连续信号处理

从第十三届的竞赛开始,将原来的连续信标灯信号变为了10 Hz闪烁的不连续信标灯信号。这对于不加修改,原本运行在摄像头200帧/s下的小车来说,图像时隐时现。解决方案是用低帧率的摄像头来捕捉信号,不过,这样一来信标灯的图像会拖影,而且使车模的反应变慢,有些得不偿失;还有一些解决方案是调整车模的控制环节,在无灯的时候保持灭灯前的坐标不变,让车模反应速度和信标灯亮暗速度匹配,使得车模能够平稳运行,经实测,此方法也不稳定。

这里介绍的一种解决方案是维持摄像头200帧/s的采集速度,保证精准的输入信号,然后在50 ms无信号时间段让车模预测此时信标灯的位置(根据之前看到的信标灯坐标及其变化规律判断)。这就好比人类司机在驾驶过程中打了个喷嚏或者眨了下眼,但是司机并不会因此而忘记之前的路况而猛地转弯或者刹车,而是会快速在脑海中想象出眨眼时的状况。

关于这种算法,一是要记录下之前有变化情况的像素点的个数,然后拟合出函数(实际测试中使用了一次函数就足够);二是要注意有特殊的变化时(例如信标灯切换;灯离车模很远,坐标的跳动主要由车身抖动而非车位置变化引起),关闭这种预测,否则会导致小车运行不稳定。

图9.29展示了依照这种思路调好的车模在运行过程中,预测的和实际的坐标变化结合起来的情况。图中下方锯齿波中每一个锯齿代表一个有图阶段或者一个无图阶段,两者交替出现,第一个出现的锯齿代表着有图阶段,后面以此类推。浅色线条表示车模依据此预测算法预测出的Y坐标值,与它大段重合的线条为车模实际看到的Y坐标值(已设置为无图的时候保持不变)。可以明显看出,在预测算法的帮助下,小车运行过程中依据的Y坐标在平缓而连续地变化,而不像小车实际看到的Y坐标一样存在很大的突变(这种突变点会引起控制失稳,且如果程序中含有依据坐标的判断条件,会导致小车丢失很多应进入的执行环节)。

(www.xing528.com)

图9.29　预测算法补上的Y坐标变化及原Y坐标变化

值得注意的是,对于信标灯闪烁的可见光图像,有很大可能会有部分帧处于信标灯由暗转亮的状态,这种情况很难将信标信息提取出来(经实验发现,对于红外光,此种情况会得到改善),自然也会给图像预测造成一定的困难(因为不再呈周期性变化),故建议闪烁的彩色目标识别不采用此种方法进行处理,使用常规的滤波方式处理即可。当然,这会牺牲一定的实时性,折中的程度需要开发者根据实际情况自行调整。

除了在数据上看起来效果良好外(这也是最直观,最好排除其他因素影响的方法),车模实际运行效果也基本等同于在追寻连续信号灯。可以说,应用这种预测法是作者目前探索到的最好的处理非连续信号的方法。

根据摄像头安装的位置、摄像头焦距以及车模在连续信号的信标灯下检测到的X、Y坐标变化情况不同,每个参赛队伍写的算法不尽相同,同一个算法在不同车模上的效果也可能不完全相同。因此,各参赛队伍可依据上文描述的思路自行编写实现代码。