基于车道线识别的车辆轨迹跟随

谢娟烘, 史国剑

(广东理工学院 智能制造学院， 广东 肇庆 526100)

0 引言

自动驾驶车辆的侧向控制系统目的实现是依托一定的子系统完成的，这些子系统主要表现为：一，车载视觉亦或是定位系统的环境感知子系统；二，基于调整方位精准控制的方向盘转角控制子系统；三，承载转角驱动与实现的转向控制子系统[1]。就自动行驶车辆来作分析，设置的车载摄像头装置，主要的现实任务，便是将行驶的环境图像实时采集，并经过一定的处理之后，清晰界定交通指示、车道线、行人、车辆等客观信息，并基于这些信息的识别给出动作依据。视觉传感方案的整体成本低，是该领域发展的主要内容。

车道保持是作为智能车辆横向控制的一项内容，车道保持在智能车辆的轨迹跟随中起到了重要应用，诸多学者对其进行了研究。文献[2]基于单点预瞄的方法，建立了以车辆为核心主体的横向位置误差纠偏模型，动态跟踪其偏差，切实管控其横向误差的同时提高了系统的鲁棒性；由于车辆参数具有不确定性，文献[3]相对预瞄路径的横向距离误差作为输入参数,采用滑模控制设计控制器；文献[4]提出了一种采用线性时变预测模型，这类模型表征出显著的自适应性，可以针对车道保持提供有效支持，这类系统支持对横向位移误差的可靠控制，效果值得肯定。对于预瞄点的选取问题，预瞄距离的选择本身是一件复杂的工作[5]，由于预瞄控制，其路径控制的基础是以输入未来信息为支撑的，由此，这类系统，也避免了时间滞后存在的不足，在自动驾驶层面，表征出较好的应用价值[6]。考虑到一点，即车道线识别质量的好坏直接影响着车道保持系统，由此，需针对取得的原始图像，开展一定的预处理操作，将无关的干扰信息处理掉，增强图像本身的质量，让关键信息凸显出来，以保障识别精度[7]。车道线识别有助于规避交通事故的出现，也为后续的智能交通分析，提供了有效支持[8]。在智能车辆领域，路径跟踪与控制操作，是不可忽视的核心内容，其不仅体现在横向层面的控制上，还体现在纵向管理层面[9]。为更好实现控制目的，以多点预瞄为支撑，设置最优路径跟踪方案与模型，优化寻常模型中的预瞄偏差计算方式，以及采用离线计算最优增益技术，赋予算法更为鲜明的实时优势与应用优势[10]。考虑到曲率突变的现实问题，有学者提出以预瞄为支撑的，期望道路曲率优化算法，以赋予现实操作更为出色的舒适水平[11]。也有学者聚焦驾驶人员现实的特性，包括生理与行为特征，构建了模拟驾驶员的神经网络控制模型[12]。具体到本分析来看，在适应场景中，需要支持大曲率道路运作，在控制方法上，采取的是纵向模糊机制，除了需要完成横纵模糊控制器之外，还需要给出双鱼苗动态控制机制[13]。Park整合了多预瞄点信息，立足于汽车转向几何学模型，实现了多预瞄反馈控制器的设计工作。在纵向速度控制层面，应用的是PID方案[14]。

基于Hough相关算法，借助CCD摄像头传感器装置来实现车道线识别处理，通过曲线拟合得到车道中心线并将其作为参考轨迹，利用预瞄控制进行轨迹跟随。

1 控制系统设计

控制系统分为两个环节，第一个环节是利用摄像头识别车道中心线，第二个环节是将识别的车道中心线作为已规划轨迹，实际车辆进行轨迹跟随。系统流程如图1所示。

图1 控制系统设计

车辆通过摄像头获取路面信息，并对路面进行阈值分割、滤波处理、边缘识别，最终得到车道线，并将其作为期望轨迹。轨迹跟随阶段，通过设定预瞄点，得到预瞄点相对于期望轨迹的横向位置偏差，作为前馈环节进行位置偏差跟踪，最终得到车辆的前轮偏转角。车辆的动力学模型给出经过前馈控制得到的车辆实际具有的车辆信息。

2 基于Hough方法的车道线的提取

摄像装置承载的最关键的任务，便是采取清晰的图像，为车道线检测提供支撑。基于识别技术，将图像的背景、车道线，完全区分出来，从而界定出明晰的车道线走向等内容，这类操作中，Hough变换是较为常见的。Hough变换实现车道线提取。有效滤除图像中干扰因素的影响，在复杂的环境中获得较好的检测结果，增强图像处理的鲁棒性[15]。

将道路设定为结构化道路场景，基于Hough变换，提取车道线内容，并借助该方法，在参数空间中，完成原始图像空间点的映射操作。从根本上来把握，Hough变换可以归入为坐标变换的一类方法。图像中的任意一条直线都可以映射到参数坐标系下，并记下表达式如式(1)。

ρ=xcosθ+ysinθ

(1)

其中，假设空间直线l通过一点P(x,y)，ρ为坐标原点到直线l的距离;θ为P与原点连线与x轴夹角。这样便可以将空间下的点转换到参数坐标系下。通过建立累加器A(ρ，θ)，应满足所有的元素位置为0，接下来对图像中每一个非零点进行Hough变换，每变换一个非零点，相应的累加器A(ρ，θ)=A(ρ，θ)+1。最后，通过求解累加器上的极大值，得到检测直线。

通过对图像进行的预处理，得到关于参数空间下函数变换。将峰值标出，并取出这些点对应的直线，结果如图2、图3所示。

图2 结构化道路的Hough变换空间

图3 标记峰值点并取出的对应直线

在进行检测时不可避免的会出现多条干扰的曲线等信息，在这里，需明确给出相应的约束边界，针对明显超出约束边界的内容去除，即去掉θ=90°的直线，剩下的干扰曲线，对其进行角度划分，最终选取曲线斜率绝对值较小的直线作为我们最终选定的车道线，再通过曲线拟合的方式得到车道中心线，黄线，车道中心线作为规划曲线，车辆将对规划曲线进行跟随控制,如图4、图5所示。

图4 最终选取的两条车道线

图5 拟合后的直线(黄色)

3 车辆模型的搭建及预瞄控制

假设车辆的质心位置为(Xc,Yc),车辆纵轴与横轴X，两者之间存在的夹角，在这里界定为φc，则其模型具体可以表述为式(2)-式(4)。

(2)

(3)

(4)

其中，v为车速;ω为质心处横摆角速度;β为质心侧偏角。

车辆在预瞄的基础上，在运动上，倾向于靠拢参考轨迹，而这个运动，是基于半径R的方式进行的,如图6所示。

图6 预瞄点与期望轨迹间几何关系

图6中,预瞄点横向位置的现实偏差，具体基于e来描述，预瞄点至转弯半径中心的横向偏差，则基于s来描述。在这个基础上，将预瞄点Q具体位置，设定为(Xq,Yq)，其对应轨迹点的切线与全局坐标系X方向夹角为φc，Q在车辆坐标系下的对应关系可以由图6中的几何关系得出式(5)。

(5)

其中，xe为预瞄距离;ye为横向误差;φe为横摆角偏差;φc为预瞄点与X方向的夹角，其中对于跟随轨迹期望的横摆角为φd，通过期望轨迹可以进行计算。

假设车辆的状态保持稳定，车辆模型状态空间形式表示为式(6)。

(6)

假设车辆转弯时，横向速度与横摆角速度不变，此时转向角δe可以通过横向速度vy与横摆角速度ω表示，则vy可以表示为ω的函数,如式(7)。

vy=T·ω

(7)

由于线速度与角速度计算式V=R·ω，结合几何关系有式(8)。

(8)

由式(8)可以整理出转向角δe的表达式,如式(9)。

(9)

其中，a为前轴到车辆质心的距离;b为后轴到车辆质心的距离;Cr为后轮的侧偏刚度;m为整车质量;vx为车辆的纵向速度;R为旋转圆周运动的半径;Cf为前轮的侧偏刚度。

前方预瞄点Q的横向偏差为e=s-R，其中s的表达式可以利用图6进行表示为式(10)。

(10)

转向角与前方预瞄点Q的横向误差间的传递函数可以表示为式(11)。

(11)

(12)

(13)

为了充分利用前方的道路信息，基于单点预瞄下车辆横向误差与前轮转向角的关系建立多点预瞄模型，总模型偏差定义如式(14)。

(14)

其中,E为前方车辆预瞄总偏差;Gi为第i个预瞄点的权重系数;ei为第i个预瞄点的车辆横向位置误差。

4 试验验证与分析

通过选取规划路径上5个预瞄点进行预瞄控制，最终得到轨迹跟踪控制的仿真结果。车辆在S弯道上进行运动。

车辆沿着S弯道进行运动，弯道纵向长度达到1 000 m以上，车速设定为100 km/h，运行时间30 s如图7所示。

图7 S弯道轨迹跟随

车辆实际轨迹和参考轨迹的局部偏差图如图8所示。

图8 S弯道的横向误差局部偏差图

选取预瞄点距离分别为5 m、10 m、15 m、20 m、30 m，每个预瞄点的运动误差如图9所示。

图9 预瞄点的横向误差

前轮转向角的变换图如图10所示。

图10 前轮转向角

可见当车辆运动2 s时，车辆快速反应给出前轮转向角，对应图7车辆前进110 m开始进行转弯。后续车辆运动规律亦是如此，而且在车辆停止运动后，前轮转向角稳定收敛。

5 总结

在结构化道路上，车辆利用摄像头传感器获取道路信息，将提取的车道中心线作为车辆规划轨迹，通过简化智能车辆的路线规划环节完成智能车辆的循迹行驶，多点预瞄的控制方法相对单点预瞄控制具有更好的跟踪效果。