图像识别在智驾认证测试中的应用

Posted 2021-04-07 SMTC新试界

现如今，图像识别已经发展成为一项很成熟的技术，在生活中也有着广泛的应用，比如二维码识别支付，人脸识别解锁等等。除了这些常见的应用外，如何运用图像识别技术优化智驾认证测试方法是试验认证部智驾认证测试团队一直在探索的课题。

01

横向控制功能是什么？如何评价？

智能驾驶的横向控制功能大多基于车道线，主要是指通过检测车辆相对于车道边界的定位，应用转向或/和差动制动输入，以保持适当的侧向定位，即车辆到车道线的距离。

对横向功能的认证测试需要获得某一时刻或某段时间的DTLC（Distance to Lane Change）, TTLC（Time to Lane Change）以及偏移速度等，才能够完成其控制效果的认证评价。

02

常见的评价方案有哪些？

目前较常见的场地试验方法是采用GNSS+INS融合的高精定位。在试验前先获取车道线的精确位置信息，试验中实时计算车道线与车辆的位置关系从而得到DTLC等关键信息，但这种方法受限于场地限制。

在公共道路试验中较常用的方法是使用单目视觉摄像头，这也是目前大部分量产ADAS功能的方案，通过前视图像预估车轮与车道线之间的距离。然而前视摄像头无法拍摄到实际车轮及侧方的信息，且试验过程中无法对试验前期产生的数据进行修正，因此对试验开始时标定的精度要求极高。

03

图像识别技术优化测试方案

为了获得车道线相对精确的信息，智驾测试团队在车辆左右两侧分别安装视频摄像头，捕获两侧车轮与车道线图像数据信息。运用图像识别技术，通过预处理、边缘检测等图像处理方式对捕获图像信息进行处理，计算出车道线拟合曲线，与轮边距的标定结果结合，获取车轮外边缘到车道线的距离。与其他试验数据融合处理统一时间轴，统一输出后，还可以完成DTLC, TTLC以及偏移速度等横向信息的计算。

经过对比测试，该方法静态下对车轮外边缘到车道线距离检测在1m内平均误差小于2cm，动态下与RT-Range结果对比1m内平均相差不到3cm，具有较好的精度和稳定性。

车道线算法程序可以实现离线的调参标定以及离线处理数据，一方面，这种方法对摄像头安装精度要求不高，还可以进行及时的数据修正，可以适用于团队进行快速更迭的项目测试特性；另一方面，测试数据的丰富在横向控制性能分析中起到了重要作用，极大拓展了团队对于横向功能的认证能力。

固定布局                                                        
工具条上设置固定宽高
背景可以设置被包含
可以完美对齐背景图和文字
以及制作自己的模板

智驾认证测试团队坚持以提升业务水平为导向的技术创新，充分利用已有资源进行设备二次开发，持续提高项目认证测试的质量和效率。未来，团队仍会将“新四化”和“降本增效”的思想在工作中践行，为产品研发提供高质量高效率的数据支持。

拥抱新四化 开创新试界