一种基于实车工况的LKA仿真方法

张峻荧，苏芮琦，黄波，王士焜

摘  要：本文提出了一种用于验证车道保持辅助系统（LKA）控制策略的仿真方法，在分析从仿真测试到实车验证过程中关键环节对策略验证可靠性的影响的基础上，提出的仿真方法综合考虑了传感器特性、控制器特性和执行部件特性。本文中LKA控制策略采用了单点预瞄模型，用于验证的测试用例是依据LKA典型应用场景定义的，车辆动力学模型是在VeDYNA中搭建的，交通场景模型是在VTD中搭建的，实车工况数据来源于真实摄像头、真实控制器和线控转向机。通过对比添加误差模块前后的仿真数据和实车测试数据验证了本文提出的仿真方法的合理性。

关键词：车道保持辅助系统;LKA;仿真方法;实车工况

中图分类号：U467.5    文献标识码：A    文章编号：1005-2550（2021）04-0008-07

A LKA Simulation Method based on Real Vehicle Conditions

ZHANG Jun-ying， SU Rui-qi， HUANG Bo， WANG Shi-kun

（ Xiangyang Da An Automobile Test Center CO. LTD， Xiangyang 441004， China ）

Abstract： This paper proposes a simulation method for verifying the control strategy of Lane Keeping Assist System （LKA）.On the basis of analyzing the impact of key points on the reliability of strategy verification from simulation testing to actual vehicle verification. The simulation method comprehensively considers sensor characteristics， controller characteristics and executive component characteristics. In this paper， the LKA control strategy uses a single-point preview model. The test cases used for verification are defined based on the typical application scenarios of LKA. The vehicle dynamics model is built in VeDYNA， and the traffic scene model is built in VTD. The vehicle data comes from cameras， controllers and wire-controlled steering gears. The rationality of the simulation method in this paper is verified by comparing the simulation data with deviation module ， the simulation data without deviation module and the actual vehicle test data.

Key Words： Lane Keeping Assistance System; Lka; Simulation Method; Working Condition Of Actual Vehicle

1    引言

行业普遍预测，自动驾驶车辆落地量产前至少需要开展170亿公里以上的测试来完成系统功能验证和迭代开发，通过实车测试来覆盖如此庞大的里程周期长、成本高，且很多场景只能在特定的道路结构、气象条件和交通环境中实现，而这些因素大多不受控，构建代价大、危险系数高甚至无法构建。而通过交通场景和车辆动力学模拟的仿真手段，可以解决实车测试的诸多难点，在仿真测试中可以快速发现自动驾驶策略中可能存在的风险点，是加速自动驾驶研发过程和保证安全的核心环节。2020年年初，发改委、工信部等11个国家部委联合出台的《智能汽车创新发展战略》明确虚拟仿真测评技术是健全智能汽车测试评价体系中的研发重点之一，可见仿真测试已成为自动驾驶领域公认的研发和评测技术手段。根据仿真验证目的和适用阶段的不同，大致可以按照表1进行分类。

Simulink自带品类繁多、功能强大的模块库，不仅支持基于模型的策略验证，自带的嵌入式代码生成工具也支持生成C/C++、PLC等代码直接应用于主流厂商芯片平台，包括飞思卡尔、因特尔、英飞凌、恩智浦、瑞萨等。较早期因为芯片计算能力限制，从SIL环节开始基本要进行定点化处理来节约计算资源，如今DSP和最新MCU的浮点运算功能都已经很强大，支持用浮点数生成或者编写的代码。因此将浮点运算的MIL环节中的策略模型直接生成代码烧写到控制器中已成为较通用的技术手段。

2    仿真验证与实车测试的分析

上图为MIL仿真测试原理图和架构图，就LKA测试验证而言，其与实车测试的区别主要体现在以下几方面：

2.1   交通場景

LKA涉及的交通元素主要是车道线，实际道路测试时车辆前方车道线在LKA所用智能摄像头中的成像效果是影响LKA识别特性的根源，这与车道线本身颜色、宽度、形状、连续性有关，也与周边环境如光照、天气、污渍、阴影等有关，还与车辆颠簸等车辆动态特性有关。MIL测试无真实摄像头和车道线识别模块，是将仿真场景中车辆上虚拟摄像头视野中的车道线真值以二阶/三阶方程、坐标点或其它的方式发给LKA控制策略，即基本不考虑前述因素的影响。

LKA涉及的主要车辆动力学为转向系统动力学，其核心部件目前较通用的为线控转向机，影响转向机转向能力的因素有很多，除转向系统自身以外还有如轮胎特性、道路结构、车辆载荷分布、车辆悬架设计等，转向机控制器一般会通过多层闭环或者补偿算法来减少这些因素对转向能力的影响，但转向时滞和转向误差是无法完全避免的。在仿真软件中可以通过配置方向盘与转向轮的传递关系来定义转向特性，可以为线性或者非线性，仿真时系统就会按照配置的关系进行转向，转向是理想化的，基本无动态时滞和误差。

2.2   实时性

实车测试中，从行车交通场景成像到车辆执行完成过程中，主要耗时包括摄像头图像处理时间、控制器运行时间和执行器响应时间，其中摄像头车道线识别处理耗时一般在几十毫秒级，控制器中策略运行耗时一般也在几十毫秒级，执行器的响应时间一般在几百毫秒级。仿真场景中耗时主要包括图形工作站运行VTD交通场景耗时、VeDYNA生成的车辆数学模型计算耗时和Simulink 中LKA策略模块运算的耗时，其中交通场景耗时与工作站性能有关，一般在十毫秒级，在性能强大的硬件平台上车辆数学模型和LKA策略模块的运行耗时即便将Simulink求解器定步长设置为毫秒或者秒级时实际耗时一般也在微秒级。可见在实时特性方面，仿真测试与实车测试差异极大。

2.3   误差

根据前述对模型生成代码过程、MIL测试原理、实车测试与仿真测试场景差异的介绍和分析可知，误差的产生主要包括数据类型转换误差、传感器识别误差和执行器响应误差几个方面。

3    仿真方法的实现

3.1   仿真軟件环境

本文方法论实现和验证过程中的车辆动力学模型和交通场景模型采用的软件分别是VeDYNA和VTD。VeDYNA通过可视化界面配置整车参数，动力学模型搭建过程简单;拥有较丰富的车辆动力学模型库，不需要庞大的工作量即可搭建满足控制策略功能验证需求的测试车辆模型;采用Simulink建模接口，易于扩展自定义功能。VTD可提供复杂交通环境视景建模，为智能驾驶提供逼真的场景和传感器模型;内部高度模块化的同时外部接口兼容性又极强，支持OpenCRG/OpenDrive/OpenSCENARIO等外部数据导入。因此通过VeDYNA、VTD和Simulink 联合仿真来验证控制模块是目前自动驾驶领域较通用的技术手段之一。

3.2   LKA策略模型搭建

基于单点预瞄最优曲率模型的横向控制理论是一个经典的算法，在横向控制领域现有公开的研究成果中很多都是在单点预瞄理论上进行了算法补偿或优化得到算法简单且鲁棒性强的工程应用效果。本文LKA控制策略是在单点预瞄控制基础上加入了目标轨迹规划功能和反馈控制模块，策略架构如图2所示，控制的目标包括车辆位置和航向角，目标是使车辆中心与车道中心线距离为零的同时使车辆航向与车道中心线的夹角为零。

3.3   车辆动力学模型搭建

车辆动力学模型从VeDYNA车辆库中选择了一辆中卡，按照道路测试搭载车辆参数设置了关键参数，包括：转向形式为前轮转向，轮距为2.4m、轴距为5m、转向比为定比25、方向盘转向角度范围为±900°。

3.4   基于实车特性的模型搭建

LKA的控制方式一般包括转向角度控制和转向力矩控制两种模式，本文以方向盘角度和角速度作为控制目标，摄像头识别车道线结果的表达方式本文采用二阶曲线方程。在实车测试中的关键数据传递关系如图4所示，具体传递的关键信息如表2所示：

结合章节2对仿真测试与实车测试差异的分析，在MIL仿真环节搭建传感器误差模型、系统时滞模型和转向误差模型，以提升仿真能力和仿真可靠性。表2数据流中部分变量因子对结果的影响是相同的，因此进行合并后建立的误差模型包括：1）传感器误差模型DstLft、AgLft、CrvLft、DstRgt、AgRgt、CrvRgt;2）方向盘转向误差模型，因实际转向响应效果可以用车道线相对摄像头的位姿关系来间接体现，因此此处不考虑数据流③的误差，而转向机模式响应误差一般只在故障诊断功能测试时使用，本文聚焦于LKA控制功能策略的测试，因此此部分只建立数据流②中TrgtSteerSpeed、TrgtSteerAg的误差模型;3）系统时滞误差模型将摄像头计算耗时、转向机计算耗时和转向系统响应耗时整合为一个时滞SysDelay Time。

传感器误差模型构建思路：根据LKA配置在实车上搭载配套具备车道线识别功能的智能摄像头，依据LKA适用场景范围采集典型场景中摄像头识别车道线的输出结果，如高速直道、高速弯道、城际直道、城际弯道等;根据经验分析影响识别误差的主要因素有气象条件、车道线磨损情况、车道线相对摄像头距离、道路形状，因仿真能力限制和仿真测试需求本文仅依据车道线相对距离和道路形状两种影响因素统计各场景中车道线各参数的误差均值和方差形成数据库，依据车道线相对摄像头距离分为远距、中距、近距，依据弯道半径将道路形状分为直道、弯道1、弯道2、弯道3，通过分类进行组合形成误差模型;本文中LKA适用于左右车道线基本平行的道路，因此AgLft和AgRgt可采用相同的误差模型，CrvLft和CrvRgt可采用相同的误差模型。以AgLft/AgRgt为例形成的传感器误差模型库如表3所示：

本文试验采集的部分实车数据如图5所示，通过数据统计记录左侧车道线、右侧车道线、航向角、曲率的误差均值和均方差值。

在假设车道线数据、方向盘转角数据均符合高斯正态分布的前提下，本文中误差模型是通过在仿真数据基础上叠加Simulink中的Random Number 模块来实现误差模拟。Random Number的输入包括均值、方差、随机数种子和采样时间，其中均值和方差来源于实车数据采集和统计形成的数据库，采样时间依据摄像头数据处理周期进行配置，随机数种子作用是区分均值、方差、采样时间均相同的两组数据。摄像头误差模块DstLftErr 、DstRgtErr、AgLaneToVehErr、LaneCrvErr添加在VeDYNA数据解析后、LKA控制策略前，如图6红色模块所示：

方向盘转向误差模型构建思路：根据LKA配置在实车上搭载配套的线控转向机，通过发送目标角度，统计转向系统响应的情况。从实测某量产转向机响应情况来看，误差大小的主要影响因素有道路横坡程度、道路纵坡程度、车辆左右载荷差异程度、路面摩擦系数、当前方向盘角度和目标角度差值、目标角速度等。前四个影响因素均需借助额外传感器进行统计，受限于试验条件限制，本文仅依据后两个因素统计方向盘转向角度误差形成误差数据库，根据当前方向盘角度和目标角度差值分为小角度、中角度、大角度，根据角速度分为低速、中速、高速。因控制策略中对输出的方向盘目标转向角度进行限斜率处理时已引入目标转向角速度作为斜率限制参数，无法将其与目标转向角度解耦，因此本文的方向盘转向误差模型只有TrgtSteerAg，形成的误差模型库如表4所示：

本文试验采集的部分转向系统响应数据如图7所示，统计其中转向模式为自动驾驶模型（数据中WorkMode为1）时的目标方向盘转向角度指令和实际方向盘转向角度的误差。

同理，转向误差模块也是通过Random Number 实现的，其中采样时间依据转向系统响应耗时进行配置。转向误差模块TrgtSteerAgErr叠加在LKA策略输出的方向盘目标转向角度上，即设置在VeDYNA输入端，如图8红色模块所示：

系统时滞误差模型的搭建相对简单。虽然在Simulink中VeDYNA生成的数学模型和LKA控制策略模型运行耗时与实车运行耗时不在一個量级，但按照Simulink设置的定步长设置时延也能正确表达时延与策略运行间的数学关系，从而模拟实车测试中时延的影响。本文中LKA实车数据采集和测试采用的摄像头数据处理耗时约66ms，LKA控制器运行周期为20ms，转向机控制器运行周期为10ms，转向系统时延约100～200ms，因此总的系统时延取200～300ms，该时延可以设计在方向盘目标转向角度输入到VeDYNA端处来实现。根据LKA控制器运行周期设定Simulink定步长为20ms，系统时延SysDelayTime设置10-15个定步长即可，如图9红色模块所示：

4    仿真方法的验证

4.1   测试用例定义

本文根据LKA适用场景设计了直道和弯道场景，依据ISO 11270-2014测试程序对测试道路的要求设计了道路结构，依据ISO 11270-2014横向加速度限值设计了不同弯道的测试速度。表5列举了部分典型测试用例。

根据测试用例定义在VTD中搭建的直道和弯道交通场景效果如图10所示：

4.2   测试结果

本文将相同的LKA控制策略分别应用于未添加误差模块的MIL测试、添加误差模块的MIL测试和相似场景的实车测试，分别采集测试中车辆车速VehSpd_kmph、车辆中心相对车道中心线的实际距离ActDst_m、车辆中心相对车道中心线的目标距离TrgtDst_m、车辆航向相对车道中心线的实际夹角ActAg_rad、车辆航向相对车道中心线的目标夹角TrgtAg_rad、LKA触发状态StLKA（1表示触发）。图11和图12是场景Test1和场景Test3的测试数据。

从数据可以看出，直接将仿真场景数据用于LKA策略验证测试时，车辆的横向位置和航向角都会非常平稳、准确地趋向目标，基本完全满足LKA系统开发需求;而添加误差模块之后的仿真场景数据用于该LKA策略验证测试时，车辆的横向位置和航向角会在目标位置左右摆动，需要优化LKA策略才能满足系统开发需求;实车验证该LKA策略时，车辆的横向位置和航向角均在目标位置左右摆动，该策略未达到系统开发需求。因实车和仿真触发时刻车辆初始航向角、方向盘初始转角等初始条件不一致，所以实车测试时车辆摆动的具体数值与添加误差模块测试时的数值不完全相同，但趋势和现象基本一致，可以验证本文方法论的合理性。

5    结语

本文提出的将基于实车工况建立的摄像头识别误差模型、转向误差模型、系统时延模型应用于LKA仿真测试的方法，能够大大缩小MIL测试与实车测试的差异，提高仿真测试的准确性和可靠度，提升LKA系统开发和迭代效率。因现有传感器配置条件限制，本文误差模型分类时依据的影响因素尚不完整，后续计划将更多误差影响因素纳入到误差模型数据库建立中，进一步提高模型准确度。

参考文献：

[1]丁能根，冉晓凤，张宏兵.基于单点预瞄最优曲率模型的单轨车辆驾驶员模型[J].机械工程学报，2008，44（11）：220-223.

[2]Intelligent transport systems—Lane keeping assistance systems （LKAS） — Performance requirements and test procedures[S]. ISO 11270-2014.

[3]陈无畏，谈东奎，汪洪波，王家恩，夏光.一类基于轨迹预测的驾驶员方向控制模型[J].机械工程学报，2016，52（14）： 106-115.

[4]曾杰，夏钧，王戡，胡雄，苏占领，吴昆仑.商用车车道保持辅助系统测试分析[J].客车技术与研究，2019（3）：45-48.

[5]孟醒，甘海云，严英.基于虚拟场景的车道保持辅助系统仿真测试[J].智能网联汽车，2019（24）：34-36，51.