摘  要： 針對(duì)無(wú)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(wú)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(wú)人車,；貝葉斯網(wǎng)絡(luò)；障礙物,；分類

0 引言

　　近年來,，無(wú)人車技術(shù)發(fā)展迅速[1]，無(wú)人車實(shí)際應(yīng)用的一個(gè)又一個(gè)難題得到解決,。無(wú)人車技術(shù)的關(guān)鍵是障礙物的檢測(cè)與識(shí)別,，這是無(wú)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(wú)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(wú)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(wú)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）,；

　　（2）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(wú)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),?；静襟E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,。

　　（2）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,。

　　（3）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(kù)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(kù)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(wú)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(yǔ)

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

　　[2] 劉霞.無(wú)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.