基於光學攝影機通訊與攝影測量整合之新型車輛定位方案

1. 緒論

精確的車輛定位是安全部署自駕車的基石。雖然全球導航衛星系統（如GPS）無所不在，但在都市峽谷、隧道和茂密樹蔭下會出現訊號衰減，使其在安全關鍵的自駕車操作中不可靠。本文透過提出一種新穎、輕基礎設施的定位方案來解決此問題，該方案協同結合了光學攝影機通訊與攝影測量技術。

核心動機源於令人震驚的道路交通事故死亡統計數據，這主要歸因於高速碰撞。自駕技術有望緩解此問題，但其效能直接與精確的位置感知能力相關。所提出的方法旨在提供一個補充或替代的定位層，該層簡單、安全，並利用現有車輛硬體（尾燈、攝影機），且對外部基礎設施的改造最小。

1.1 現有解決方案、限制與當前趨勢

當前的車輛定位主要依賴感測器融合：將GPS與慣性測量單元、光達、雷達和電腦視覺結合。雖然有效，但這種方法通常複雜且成本高昂。純視覺方法可能計算量大且受天氣影響。基於通訊的方法，如專用短程通訊或蜂巢式車聯網，需要專用的無線電硬體，並且容易受到射頻干擾和欺騙等安全威脅。

趨勢正朝著多模態、冗餘系統發展。此處的創新在於將車輛尾燈用作調變資料發射器，並將後方車輛的攝影機用作接收器，建立一條直接的視線內車對車通訊鏈路。這透過使用靜態路燈作為已知參考點（透過攝影測量）而得到增強，從而建立一個混合的動態-靜態參考系統。

2. 提出的定位方案

2.1 系統模型與車輛分類

該方案引入了一個簡單而有效的分類：

• 主車： 執行定位的車輛。它配備攝影機並處理訊號以估算其他車輛的位置。
• 前導車： 在主車前方行駛的車輛。它透過其尾燈使用光學攝影機通訊技術發射調變的識別/狀態訊號。
• 路燈： 具有已知座標的靜態基礎設施，用作絕對位置錨點，以校正主車自身位置並減少累積誤差。

主車的攝影機具有雙重用途：1) 作為光學攝影機通訊接收器，解碼來自前導車尾燈的資料；2) 作為攝影測量感測器來測量距離。

2.2 核心定位演算法

該演算法在錨定到絕對座標之前，在相對框架中運作：

1. 主車自我定位： 主車使用攝影測量來測量其與兩個或多個已知路燈的相對距離。透過比較移動時這些距離的變化，它可以進行三角測量並在地圖上精確計算自身的絕對位置。
2. 前導車相對定位： 同時，主車使用攝影測量來測量與前方前導車的相對距離，方法是分析前導車尾燈或其後部輪廓在影像感測器上佔據的像素大小。
3. 資料融合與絕對定位： 來自前導車的調變光學攝影機通訊訊號包含一個唯一識別碼。一旦主車知道自身的絕對位置（來自路燈）以及到前導車的精確相對向量（來自攝影測量），它就可以計算出前導車的絕對位置。

核心創新在於比較主車-路燈與主車-前導車之間距離的變化率。這種差異分析有助於過濾掉常見誤差並提高穩健性。

3. 技術細節與數學基礎

攝影測量距離計算是該方案的核心。基本原理是，已知物體在影像平面上的大小與其到攝影機的距離成反比。

距離估算公式： 對於已知真實世界高度 $H_{real}$ 和寬度 $W_{real}$ 的物體，其到攝影機的距離 $D$ 可以使用針孔攝影機模型估算： $$D = \frac{f \cdot H_{real}}{h_{image}} \quad \text{或} \quad D = \frac{f \cdot W_{real}}{w_{image}}$$ 其中 $f$ 是攝影機的焦距，$h_{image}$ 和 $w_{image}$ 是物體在影像感測器上的高度和寬度（以像素為單位），並已校準為物理單位。

光學攝影機通訊調變： 前導車的尾燈（可能是LED陣列）以足夠高的頻率進行調變，使人眼無法察覺，但可被捲簾快門或全域快門攝影機偵測到。可以使用開關鍵控或顏色偏移鍵控等技術來編碼車輛ID和基本運動學資料。

資料融合邏輯： 令 $\Delta d_{SL}$ 為測得的主車與參考路燈之間距離的變化，$\Delta d_{FV}$ 為測得的主車與前導車之間距離的變化。如果主車自身位置完全已知，這些變化應與幾何約束一致。在濾波框架（例如卡爾曼濾波器）中，差異被用來校正相對前導車位置估算和主車自身狀態估算。

4. 實驗結果與效能分析

本文透過實驗性距離測量驗證了所提出的方案，這是關鍵的第一步。

圖表與結果描述： 雖然提供的PDF摘錄未顯示具體圖表，但文字指出實驗結果「顯示效能有顯著改善」且「實驗性距離測量驗證了可行性」。我們可以推斷可能的效能指標和圖表類型：

• 距離估算誤差 vs. 真實距離： 折線圖顯示在一個範圍內（例如5公尺至50公尺），對路燈和前導車進行攝影測量距離估算的絕對誤差（以公尺為單位）。誤差預計會隨著距離增加而增加，但保持在汽車應用可接受的有界範圍內（在相關距離內可能為亞公尺級）。
• 定位精度累積分佈函數： 繪製定位誤差小於某個值（x軸）的機率（y軸）的圖表。向左移動的陡峭曲線表示高精度和高準確度。所提出的混合方法（光學攝影機通訊+攝影測量+路燈）的曲線將顯著優於單獨使用攝影測量或沒有路燈錨定的基本光學攝影機通訊。
• 不同條件下的效能： 條形圖比較不同情境下的誤差指標：白天/夜晚、晴朗/雨天、有/無路燈參考資料。該方案的穩健性將透過維持相對穩定的效能來展示，特別是在有路燈資料可用時。

關鍵結論是，融合方法減輕了每個組件的個別弱點：光學攝影機通訊提供識別碼，攝影測量提供相對距離，路燈提供絕對錨點。

5. 分析框架：非程式碼案例研究

情境： 夜間的三線道高速公路。主車在中線道行駛。前導車1在同一線道正前方。前導車2在左線道，略微領先。兩個路燈位於路邊，具有已知的地圖座標。

逐步定位過程：

1. 初始化： 主車系統擁有一張包含路燈1和路燈2位置的地圖。
2. 主車自我定位： 主車攝影機偵測到路燈1和路燈2。使用攝影測量（知道標準路燈尺寸），它計算距離 $D_{HV-SL1}$ 和 $D_{HV-SL2}$。透過將這些距離和角度與地圖匹配，它計算出自身精確的 $(x_{HV}, y_{HV})$ 座標。
3. 前導車偵測與通訊： 主車攝影機偵測到兩個尾燈光源（前導車1、前導車2）。它解碼來自每個尾燈的光學攝影機通訊訊號，獲得唯一識別碼（例如「Veh_ABC123」、「Veh_XYZ789」）。
4. 相對測距： 對於每個前導車，對其尾燈群組（已知LED陣列大小）應用攝影測量，以計算相對距離 $D_{rel-FV1}$ 和 $D_{rel-FV2}$，以及方位角。
5. 絕對定位： 主車現在將其自身的絕對位置 $(x_{HV}, y_{HV})$ 與每個前導車的相對向量 $(D_{rel}, \theta)$ 融合。 $$(x_{FV}, y_{FV}) = (x_{HV} + D_{rel} \cdot \sin\theta, \, y_{HV} + D_{rel} \cdot \cos\theta)$$ 這產生了前導車1和前導車2的絕對地圖位置。
6. 驗證與追蹤： 隨著所有車輛移動，持續監控 $\Delta d_{SL}$ 和 $\Delta d_{FV}$ 的變化。不一致性會觸發置信度分數調整或濾波器更新，確保平滑可靠的追蹤。

6. 批判性分析與專家觀點

核心見解： 本文不僅僅是另一篇感測器融合論文；它是一個巧妙的硬體重新利用策略。作者發現，LED尾燈和攝影機——這兩個現代車輛上普遍存在且強制配備的組件——可以透過軟體更新轉變為一個安全、低頻寬的車對車通訊和測距系統。相較於部署新的基於射頻的車聯網無線電，這大大降低了進入門檻。

邏輯流程與巧妙之處： 邏輯優雅地循環且自我校正。主車使用靜態地標（路燈）來定位自身，然後使用自身來定位動態物體（前導車）。光學攝影機通訊鏈路提供了正向識別，解決了困擾純電腦視覺的「資料關聯」問題（例如，「這是兩幀前看到的同一輛車嗎？」）。對已知、受控光源（尾燈）進行攝影測量，比嘗試估算到一個可能變化很大的通用汽車形狀的距離更可靠。這讓人想起機器人技術中AprilTags或ArUco標記的工作原理——使用已知圖案進行精確姿態估算——但動態應用於車輛環境中。

優點與缺陷：

• 優點： 成本效益高且可部署： 最大的優勢。在最佳情況下，車輛或道路無需新硬體。安全性： 物理視線是一個強大的安全原語。保護隱私： 可以設計為交換最少、非識別性資料。獨立於射頻頻譜： 不競爭擁擠的無線電頻段。
• 缺陷與問題： 環境敏感性： 在散射光線的暴雨、霧或雪中表現如何？攝影機能否在明亮陽光下或面對眩光時偵測到調變訊號？範圍限制： 與雷達或光達相比，光學攝影機通訊和基於攝影機的攝影測量有效範圍有限（可能<100公尺）。這對於即時威脅偵測是可接受的，但對於長程規劃則不足。對基礎設施的依賴： 雖然是「輕基礎設施」，但仍需要具有已知座標的路燈以獲得最佳精度。在沒有此類路燈的鄉村地區，精度會下降。計算負載： 對多個光源和攝影測量進行即時影像處理並非易事，儘管專用視覺處理器的進步正在縮小這一差距。

可行見解：

1. 對於汽車製造商： 這應作為補充性安全層納入路線圖。透過調變尾燈中的LED工作週期並使用現有的環景攝影機開始原型設計。為車輛ID制定簡單的光學攝影機通訊協定標準化，對於AUTOSAR或IEEE等聯盟來說是低垂的果實。
2. 對於城市規劃者： 在安裝或升級路燈時，包含一個簡單、機器可讀的視覺標記（如QR碼圖案），或確保其尺寸標準化並記錄在高精度地圖中。這將每個燈柱變成免費的定位信標。
3. 對於研究人員： 下一步是將此模態整合到完整的感測器套件中。它在能見度差時如何補充77GHz雷達？其資料能否與光達點雲融合以改善物體分類？研究應聚焦於針對惡劣天氣的穩健演算法，以及在真實世界碰撞避免情境中與基於射頻的車聯網進行基準測試，類似於美國交通部為專用短程通訊進行的研究。

7. 未來應用與研究方向

1. 車隊行駛與協同式自適應巡航控制： 該方案實現的精確、低延遲相對定位，非常適合在高速公路上維持緊密、節能的車輛車隊。光學攝影機通訊鏈路可以直接從領頭車的煞車燈傳輸預期的加速/減速意圖。

2. 弱勢道路使用者保護的增強： 自行車、滑板車和行人可以配備小型主動式LED標籤，透過光學攝影機通訊廣播其位置和軌跡。車輛的攝影機即使在周邊視覺或夜間也能偵測到這些標籤，提供超越傳統感測器的額外安全層。

3. 室內與地下停車場定位： 在多層停車場、隧道或港口等GPS拒止環境中，天花板上的調變LED燈可以作為光學攝影機通訊發射器，廣播其絕對座標。車輛可以利用此進行精確的自我定位，以尋找停車位或在物流場站中自主導航。

4. 與高精度地圖和同步定位與地圖建構的整合： 該方案可以提供即時、絕對的姿態更新，以校正自駕車使用的同步定位與地圖建構系統中的漂移。每個被定位的車輛成為一個資料點，可以群眾外包更新高精度地圖（例如，報告臨時施工區）。

5. 標準化與網路安全： 未來的工作必須聚焦於標準化調變方案、資料格式和安全協定（例如，用於訊息認證的輕量級加密），以防止惡意行為者使用強力LED模仿車輛訊號的欺騙攻擊。

8. 參考文獻

1. Hossan, M. T., Chowdhury, M. Z., Hasan, M. K., Shahjalal, M., Nguyen, T., Le, N. T., & Jang, Y. M. (年份). A New Vehicle Localization Scheme based on Combined Optical Camera Communication and Photogrammetry. 期刊/會議名稱.
2. 世界衛生組織. (2023). 全球道路安全狀況報告. 日內瓦：世界衛生組織.
3. 美國交通部. (2020). 聯網車輛試點部署計畫：第二階段評估報告. 取自 [美國交通部網站].
4. Zhu, J., Park, J., & Lee, H. (2021). Robust Vehicle Localization in Urban Environments Using LiDAR and Camera Fusion: A Review. IEEE Transactions on Intelligent Transportation Systems.
5. Caesar, H., et al. (2020). nuScenes: A multimodal dataset for autonomous driving. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).
6. IEEE Standard for Local and metropolitan area networks–Part 15.7: Short-Range Wireless Optical Communication Using Visible Light. (2018). IEEE Std 802.15.7-2018.