具体实施方式

下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

本发明提供了一种路基自动驾驶辅助探测系统，如图1所示，所述系统包括主控模块、毫米波雷达模块、通信模块、GPS模块、云端服务器、车载终端，其中：毫米波雷达模块用于探测移动目标，主控模块完成与毫米波雷达模块、4G/5G通信模块、GPS模块的实时通信，4G/5G通信模块与云端服务器负责把毫米波雷达模块与GPS模块接收到的目标数据实时传送到车载终端。

本发明中，所述毫米波雷达模块直接获取目标物体运动状态的点云数据，通过串口将数据信息传送至主控模块。毫米波雷达模块提供连接器用于连接外部设备，不仅可以利用串口等多种方式与外部设备的通信，也可以利用毫米波雷达模块为外部设备供电。

本发明中，所述主控模块与通信模块之间双向通信，保证主控不仅能输出数据给设备，而且能够获取到设备的工作状态等信息。

本发明中，所述通信模块通过简单的指令设置，即可实现串口到网络的双向数据透传。利用网络透传模式，可以方便的将雷达探测到的目标信息传输到云端服务器。通信模块将自动打包数据通过移动蜂窝网络将数据发送给基站，基站将数据转发到因特网，最终被云端的服务器接收。当模块参数配置好之后，此过程可以自动完成，而不需要进行额外控制，从而实现了从主控到云端服务器通信的透明过程。

本发明中，所述GPS模块获取到有效的时间、位置信息后，主控开始对毫米波雷达发送的下一帧探测结果信息进行解包处理，并与GPS获取的时间信息重新打包，发送给通信模块，通信模块将接收到的数据包通过UDP协议转发送给云端服务器。

本发明中，所述车载终端通过互联网访问云服务器，获取车辆附近的雷达探测数据，根据雷达GPS信息和车辆自身GPS信息计算雷达探测目标到车辆的相对位置，并判断雷达探测目标是否会对当前行车安全造成影响，若出现危险，提醒驾驶员及时减速，谨慎驾驶。另外车载终端通过CAN总线将雷达探测数据提供给自动驾驶系统中控，为自动驾驶系统提供辅助数据。

一种利用上述系统进行路基自动驾驶辅助探测的方法，如图3所示，包括以下步骤：

步骤一、各子系统上电，自动进行初始化工作。主控模块配置好通信参数、内存空间和DMA设置，等待通信模块、GPS模块、毫米波雷达模块完成初始化工作后，毫米波雷达模块开始探测运动目标。

步骤二、当通信模块已经与基站建立连接，并且GPS模块已经获取到目标有效的时间、位置信息后，主控模块开始对毫米波雷达发送的下一帧探测结果信息进行解包处理，并与GPS模块获取的时间信息重新打包，发送给通信模块。

步骤三、通信模块将接收到的数据包通过UDP协议转发送给云端服务器。

步骤四、云端服务器后台开启一个UDP端口，用于接收通过通信模块发送来的雷达信息和探测数据，经过解包后保存为数据文件。

步骤五、为便捷且清晰地得知探测到的信息，利用云端服务器开启HTTP服务，通过网页前端向终端用户展示毫米波雷达状态及探测到的信息。

步骤六、车载终端通过浏览器访问云服务端网站，获取并显示毫米波雷达状态及探测到的信息，同时通过车载运算平台判断目标是否对车辆安全行驶造成影响，当出现干扰车辆正常行驶的目标时，发出报警信号。

实施例：

依据以上设计方案，实现一个实验演示系统作为实施例，其硬件电路图如图2所示。

本实施例中，所述主控模块选用GD32407V-START单片机，在系统初始化串口和中断配置后，启动与GPS相连串口UART2(简称GPS串口)的DMA，用于接收GPS数据报。

本实施例中，所述毫米波雷达模块选用AWR1843BOOST，AWR1843BOOST提供2组20针连接器用于连接外部设备，不仅可以利用TTL串口、SPI、RS232等多种方式与外部设备的通信，也可以利用模块提供的5V和3.3V输出为外部设备供电。内部开发主要基于TI提供的mmwave sdk实现。通过外部控制器(External Processor/Controlling)下发控制指令，由mmWave API实现指令的解析，并控制毫米波前端雷达子系统(Radar Sub-System，RadarSS,又也叫base sub system，BSS)工作，按照下发的参数产生对应的射频信号、接收回波信号并进行AD采样，得到雷达回波信号。系统包括多个数据处理单元(Data Processing Units，DPUs)，系统通过Data Path Manager(DPM)指定各DPU信号负责的信号处理内容，逐级进行信号处理，形成数据处理链路(Date Processing Chain,DPC)。最终的处理结果通过串口、CAN总线等方式输出至外部控制器。

本实施例中，所述4G/5G通信模块选取WH-LTE-7S1模块，与基站建立连接后将主动上报准备好状态，通过简单的AT指令设置，即可实现串口到网络的双向数据透传。单片机通过串口与WH-LTE-7S1模块相连，通过串口将数据发送给WH-LTE-7S1，模块将自动打包数据通过移动蜂窝网络将数据发送给基站，基站将数据转发到因特网，最终被云端服务器接收。

本实施例中，所述GPS模块选择的是中科微ATGM336H-5N模块，支持包括北斗、GPS等在内的多种卫星导航系统，具有高灵敏度、低功耗、低成本等优势。GPS相连串口UART2(简称GPS串口)的DMA，用于接收GPS数据报。

本实施例中，所述云端服务器采用典型的CS架构，服务器后台开启一个UDP端口，用于接收通过4G/5G模块发送过来的雷达信息和探测数据，经过解包后保存为数据文件。为直观展示探测结果，利用服务器开启HTTP服务，通过网页前端向终端用户展示雷达状态及探测信息。

依据以上步骤，详细介绍上文中实验演示系统实例的探测方法。

步骤一中，主控模块GD32407V-START自动启动系统，启动后初始化串口和中断配置，启动与GPS模块相连串口(简称GPS串口)的DMA，用于接收GPS数据。配置使能GPS串口的IDLE中断，当GPS数据报完成时触发IDLE中断，进入中断程序解析数据报，若GPS已经获取到足够数量的卫星时，便可输出有效的位置和时间信息，将此信息保存在雷达信息结构体变量中，以便打包时访问。

步骤一中，毫米波雷达模块AWR1843BOOST开始探测运动目标的具体步骤如下：

(1)通过主控下发控制指令，控制毫米波雷达系统工作，按照下发的参数产生对应的射频信号、接收回波信号，得到雷达回波信号。

(2)毫米波雷达获取包含目标对象活动信息的原始(模/数转换器)信号采样数据；

(3)对雷达原始采样数据作二维FFT(Fast Fourier transform,快速傅里叶变换)转换，获取带有目标物体的相对速度和相对距离信息的二维图谱数据F(u,v)；

(4)通过采用均值CFAR(Constant False-Alarm Rate,恒虚警概率)算法对二维图谱数据F(u,v)进行峰值检测，进而获取动态目标的速度和距离信息；

(5)对提取到的峰值数据进行DOA(Direction of arrival,波达方向)角度获取，得到目标物体的点云数据集(包含相对距离、方向角和俯仰角)；

(6)通过三角函数定理获取目标物体点云集的三维坐标信息，并通过计算获取运动特征集，即点云样本数据；

(7)通过点云样本数据实现对目标对象的目标聚类、轨迹跟踪以及行驶速度判断等功能。

本实施例利用DBSCAN聚类算法(Density-Based Spatial Clustering ofApplication with Noise)实现探测目标点云的聚合，区分来自不同目标的回波点，从而分析目标点的中心位置，计算目标的方向，以及方便进一步的跟踪滤波。以下为DBSCAN算法的详细实施过程。将雷达探测点云坐标数据作为样本集D＝(x₁,x₂,...,x_m)，m为雷达探测到点云的总点数，选取合适的邻域参数(ε,MinPts)，本实施例中取(2.5,1)。

(1)初始化核心对象集合初始化聚类簇数k＝0，初始化未访问样本集合Γ＝D，簇划分 为空集。

(2)对于j＝1,2,...m，找出所有的核心对象。首先，通过距离度量方式，找到样本x_j的ε邻域子样本集N_ε(x_j)。如果子样本集样本个数满足|N_ε(x_j)|≥MinPts，将样本x_j加入核心对象样本集合：Ω＝Ω∪{x_j}。

(3)如果核心对象集合则算法结束，否则转入步骤4。

(4)在核心对象集合Ω中，随机选择一个核心对象ο，初始化当前簇核心对象队列Ω_cur＝{o}，初始化类别序号k＝k+1，初始化当前簇样本集合C_k＝{o}，更新未访问样本集合Γ＝Γ-{o}。

(5)如果当前簇核心对象队列Ω_cur＝{o}，则当前聚类簇C_k生成完毕，更新簇划分C＝{C₁,C₂,...,C_k}，更新核心对象集合Ω＝Ω-C_k，转入步骤3。否则更新核心对象集合Ω＝Ω-C_k。

(6)在当前簇核心对象队列Ω_cur中取出一个核心对象o′，通过邻域距离阈值ε找出所有的ε-邻域子样本集N_ε(o′)，令Δ＝N_ε(o′)∩Γ，更新当前簇样本集合C_k＝C_k∪Δ，更新未访问样本集合Γ＝Γ-Δ，更新Ω_cur＝Ω_cur∪(Δ∩Ω)-o′，转入步骤(5)。输出结果为：簇划分C＝{C₁,C₂,...,C_k}。

本发明采用扩展卡尔曼滤波(Extended Kalman Filter，EKF)对探测结果进行跟踪滤波后再输出，以保证探测结果的准确性和稳定性，减少杂波输出，降低虚警概率。将聚类得到的中心位置、速度作为t时刻EKF的观测值y_t，根据以下递推过程得到下一状态的估计值：

其中，为系统在t时刻的状态的先验估计值，F_t,t-1为状态转移矩阵，w_t为过程噪声，P_t为t时刻的协方差矩阵，Q_t为t时刻预测模型的协方差矩阵，G_t为t时刻卡尔曼增益系数，决定了预测模型和观测魔性的信任度，为t时刻修正后的系统状态，H_t为观测矩阵。

本实施例中，假设汽车匀速运动，定义系统状态变量：

定义状态转移矩阵：

其中，t₀为数据间隔时间。

定义观测矩阵：

根据估计结果与下一次观测结果比较，判断是否为同一个目标，若比较结果为是，则继续进行跟踪，若无法与任意现有滤波器匹配则作为新的目标建立新的滤波器进行估计跟踪，若现有滤波器无新的匹配项，则判定为目标丢失。

步骤二中，当GPS数据报完成时触发IDLE中断，进入中断程序解析数据报，若GPS已经获取到足够数量的卫星时，便可输出有效的位置和时间信息，将此信息保存在雷达信息结构体变量中，以便打包时访问。解析完毕后等待下次IDLE中断，解析新的GPS数据报，更新结构体变量中的位置时间信息。

主控系统等待通信模块和GPS模块都准备好后，启动与毫米波雷达模块相连的串口(简称毫米波模块串口)DMA，接收毫米波雷达模块发送的探测结果信息，同时启动探测结果信息的解码工作。对于毫米波雷达模块串口，采用双缓存DMA传输模式，通过乒乓数据存储，并同步进行数据解析处理。当其中一个缓冲区存满后触发DMA完成中断，此时立即重新启动DMA，将数据存储到另一个缓冲区中，然后对前一个缓冲区的数据进行处理。如此往复切换。另外设置一个足够大的数据接收缓冲区，用于保存完整帧结构的毫米波雷达模块探测数据，当DMA缓冲区填满时，将数据添加到数据接收缓冲区的队尾。在以上存储工作进行的同时，同步进行数据解析工作，每解析完一帧数据，将数据与GPS信息重新打包。

步骤四中，云端服务器开启UDP端口，接收4G/5G通信模块发送的数据，将接收到数据后进行解包，并转换成JSON格式文件存储，方便前端读取。

步骤五中，通过网页前端向终端用户展示毫米波雷达状态及探测到的信息具体为通过Web实现前端。前端界面示例如图12所示，顶部为雷达位置、时间等相关信息，界面的主体为探测结果，图中圆点即为探测所得目标信息，可展示目标的x、y坐标和速度。

通过实际道路探测实验结果，绘制了1分钟时间范围内的所有目标点轨迹的历史记录，如图12所示。

图15给出了某时刻下雷达探测结果与视频中车辆对应情况，视频截图中的大部分车辆都可以在雷达探测结果中找到对应点目标。

本发明将毫米波雷达、DBCAN聚类及扩展卡尔曼滤波算法相结合，实现对道路上运动目标的实时监测，让用户及时了解所在位置周围的交通道路的状况，与现有技术相比，优点如下：

(1)保证数据之间的实时高速传输，实现探测设备到车辆终端的实时可靠交互，兼顾远距离探知目标和实时性的信息传输的功能；

(2)能够实现远距离探测和高精度测角，整套系统具有低成本、低功耗、可靠性高的特点。

本发明关键创新点在于：

(1)通过采用毫米波雷达实时监测道路上的车辆及行人的运动情况；

(2)利用LTE移动蜂窝网络进行数据的实时高速传输，实现探测设备到车辆终端的实时可靠交互；

(3)利用毫米波雷达技术实现远距离探测和高精度测角，同时利用DBSCAN聚类算法，扩展卡尔曼滤波算法，保证了数据的可靠性和稳定性；

(4)兼顾远距离探知和实时性的信息传输的功能，能够在保证信息及时传输的情况下探测远距离的目标。