车辆横向辅助系统关键技术发展综述

摘 要：车辆横向辅助系统可以提前预知車辆行驶风险、辅助驾驶人决策、必要时接替驾驶人操纵，进而降低行车事故风险。文章基于国内外车辆横向辅助系统关键技术进行分析，并对未来发展进行了阐述与展望。

关键词：车辆;车道线识别;车道偏离预警;车辆横向控制

中图分类号：U461.6  文献标识码：B  文章编号：1671-7988（2019）16-253-03

Abstract： The vehicle lateral assist system can anticipate the vehicle driving risk in advance， assist the driver to make decisions， and， if necessary， replace the driver"s maneuvering， thus reducing the risk of driving accidents. Based on the analysis of the key technology of the lateral auxiliary system of vehicles at home and abroad， this paper expounds and looks forward to the future development.

Keywords： Vehicles; Lane line identification; LDW; Vehicle lateral control

CLC NO.： U461.6  Document Code： B  Article ID： 1671-7988（2019）16-253-03

前言

机动化车辆的增长在为人们出行提供了便利，与此同时也日益凸显了由驾驶人操纵、疲劳、分心引起的交通事故问题。车辆横向辅助系统可以提前预知车辆行驶风险、辅助驾驶人决策，必要时能够接替驾驶人做出正确的操纵，有效降低行车事故风险，受到了各大厂商广泛关注，其研究内容主要分为道路环境感知、车道偏离态势决策和横向控制三方面。

1 车道线识别技术发展现状

车道标线识别易受光、天气等因素限制，且行驶过程中车辆具备高速特性，故车道标线识别速度及鲁棒性是决定车辆辅助系统性能的关键所在。视觉传感器是现有车道识别技术的重要手段。Kittler[1]等利用Hough等边缘检测算法处理图像，结合阈值生成候选点，但此类手段易受噪声干扰且耗时过长。王宝峰[2]等对车道线实行动态区域划分，并在车道线重构过程中加入样条曲线，优化了车道几何特征提取。CHOI等[3]在车道线检测方法基础上结合前视车辆信息，提升了检测车道线被前方车辆遮挡时的鲁棒性。上述车道标识线算法皆由人工设计步骤组成，难以实现对道路图像的整体优化。

2 车道偏离预警技术发展现状

车道偏离预警能够根据车辆行驶状态提前预知车辆偏离情况并发出相应警报，进而为驾驶人决策-操纵提供更多的反应时间，其系统整体性能受车辆自身状态、驾驶人状态、道路环境多个因素共同决定，主要分为车辆偏离预警指标确立和驾驶人意图识别两方面。

初期阶段，车道偏离预警系统常用车道偏离距离 （ Dista -nce to Lane Crossing，DLC ） 作为其预警判断指标，即当检测到车辆距离车道边界值低于某阈值时，车辆发出警报，但此类方法并未考虑车辆各时刻的运动状态，进而导致预警触发阈值难以确定。为解决上述问题，部分学者开展了基于车道偏离时间（Time to Lane Crossing，TLC）的车道偏离预警系统研究。Mammar[4]等通过结合车辆运动轨迹、行驶姿态参数及道路特征参数，对不同道路环境复杂度TLC进行了分析。相较于DLC，TLC尽管扩宽了预警适用场景，但也增大了误报警的概率，对驾驶人造成了不必要的干扰，降低了系统整体使用频率。为降低系统误报警概率，Zhou等[5]基于TLC指标，采用模糊控制规则设计了车辆多工况下的车辆虚拟边界报警阈值，实现了虚拟车道宽度动态调整，进而提升了系统报警鲁棒性。

此外，驾驶人驾驶意图误判是导致车辆预警系统误报的关键因素。LEE[6]等通过转向盘传感器、车速等信号实现了对驾驶人换道意图的预测。ANGKITITRAKUL[7]等建立了基于车辆轨迹序列变化的驾驶人模型，实现了对驾驶人车道保持和车道换道行为的区分。此外，也有部分学者[8-10]也通过随机森林或贝叶斯网络手段对驾驶人驾驶意图进行了预测，虽然一定程度上能够体现车辆预警系统性能，但由于离散类别少，忽略了车辆动力学模型，故对车辆偏离的风险定量造成了极大的困难。

3 车辆横向控制技术发展现状

现有车辆横向控制技术主要分为两类：其一为通过剖析车辆行驶过程中驾驶人操纵行为特征，建立驾驶人感知-决策-操纵反应机制，进而实现对行驶车辆的安全控制;其二为利用自动控制原理，通过自动控制自身算法特性最小化车辆实际行驶轨迹与期望轨迹偏差来保障行车安全。

单点预瞄模型是经典的驾驶人模式，其充分考虑了驾驶人前视信息，对驾驶人驾驶意图具有较好的表征和稳定性，故在早期驾驶人模型研究中受到了广泛的应用。MACADAM [11]等在此基础上提出了最优预瞄模型，郭孔辉[12]等提出了预瞄-跟随理论。随后研究中，为提高驾驶人模型模拟精度，部分学者针对不同驾驶风格、车辆动力性能引入了不同边界约束，进一步完善了驾驶人模型。近年来，现代控制理论的发展再次推动驾驶人模型的完善，MPC模型预测控制理论使驾驶人单点预瞄模型逐步向多点预瞄模型过渡，在驾驶人模拟上取得了不错的效果，但需要实时优化目标权重函数，对于处理器计算能力要求较高，故在车辆应用中难以推广[13]。Bojarski等[14]利用前视道路图像信息，设计了一种基于深度卷积网络的端到端自动驾驶系统。

而對于车辆横向控制器，常用控制方法有PID控制、模糊控制、自适应控制、H∞鲁棒性控制等。由于控制器设计过程中追求车辆行驶安全性的同时还需兼顾舒适性及经济性，故其复杂程度较高。根据执行机构的不同，可以分为基于转向控制或基于差动制动控制两类。差动制动通过两侧车轮制动力产生的力矩差来纠正车辆行驶误差，但频繁制动会影响ESP系统寿命，降低驾驶人乘坐体验。而转向控制主要分为线控转向和电动助力转向。Alirezaei[15]在线控转向基础上，设计了基于驾驶人预瞄信息和驾驶意图修正车辆转向角的横向控制器，利用控制器求解的方向盘控制量代替驾驶人实际输入，实现车辆行驶稳定，但此类控制器会给与驾驶人驾驶错觉。Enache[16]利用车辆状态参数和驾驶人转向力矩，提出了适用于车道偏离预警的转矩叠加算法，当车辆出现偏离时能够实现驾驶人修正方向盘转角，能够兼顾车辆舒适性和安全性。

4 未来发展前景

针对车辆横向辅助系统关键技术发展趋势，本文从车道线识别技术、车辆偏离预警技术、车辆横向控制技术进行了总结，其各技术还存在以下难点：

（1）传统车道检测算法中间步骤繁琐、计算量大，进而导致算法迁移能力较弱，需设计一种新的端到端感知结构来强化系统适应性。

（2）传统车道偏离预警系统算法大多基于运动学模型，存在一定局限性。为保证系统可靠性，还需适当提高车辆模型精度并开展实车试验来完善相关阈值参数标定。

（3）现有驾驶人模型大多以控制器设计，驾驶行为是道路信息输入的具体表现，故驾驶人模型的完善还需对道路图像与驾驶操纵之间的传递机制进行深入研究。

参考文献

[1] Illingworth J， Kittler J V. A Survey of the Hough Transform[J]. Computer Vision Graphics & Image Processing， 1988， 43（2）：280- 280.

[2] 王宝锋，齐志权，马国成，et al.基于动态区域规划的双模型车道线识别方法[J].北京理工大学学报， 2014， 34（5）.

[3] Choi H C， Park J M， Choi W S， et al. Vision-based fusion of robust lane tracking and forward vehicle detection in a real driving environ -ment[J].International Journal of Automotive Technology，2012， 13（4）：653-669.

[4] MammarS， Glaser S， Netto M . Time to Line Crossing for Lane Departure Avoidance： A Theoretical Study and an Experimental Setting[J]. IEEE Transactions on Intelligent Transportation Systems， 2006， 7（2）：241.

[5] Yu B， Zhang W， Cai Y. A Lane Departure Warning System Based on Machine Vision[C]//Workshop on Computational Intelligence & Industrial Application.    IEEE Computer Society， 2008.

[6] Lee J， Choi J， Yi K， et al. Lane-keeping assistance control algorithm using differential braking to prevent unintended lane departures[J]. Control Engineering Practice， 2014， 23：1-13.

[7] AngkititrakulP，Terashima R， Wakita T. On the Use of Stochastic Driver Behavior Model in Lane Departure Warning[J]. IEEE Transactions on Intelligent Transportation Systems， 2011， 12（1）：174 -183.

[8] Chang T H， Hsu C S， Wang C， et al. Onboard Measurement and Warning Module for Irregular Vehicle Behavior[J]. IEEE Transacti -ons on Intelligent Transportation Systems， 2008， 9（3）：501-513.

[9] Mcdonald A D， Lee J D， Schwarz C， et al. Steering in a Random Forest： Ensemble Learning for Detecting Drowsiness-Related Lane Departures[J]. Human Factors： The Journal of the Human Factors and Ergonomics Society， 2014， 56（5）：986-998.

[10] MacAdam， Charles C . Application of an Optimal Preview Control for Simulation of Closed-Loop Automobile Driving[J]. IEEE Tran -sactions on Systems， Man and Cybernetics， 1981， 11（6）： 393 -399.

[11] Guo K， Ding H， Zhang J， et al. DEVELOPMENT OF A LONGIT    -UDINAL AND LATERAL DRIVER MODEL FOR AUTONOM -OUS VEHICLE CONTROL[J]. International Journal of Vehicle Design， 2004， 36（1）：50-65.

[12] Cole D J， Pick A J， Odhams A M C. Predictive and linear quadratic methods for potential application to modelling driver steering control[J]. Vehicle System Dynamics， 2006， 44（3）：259-284.

[13] Bojarski M， Del Testa D， Dworakowski D， et al. End to End Lear -ning for Self-Driving Cars[J]. 2016.

[14] Shared control for road departure prevention[C]// IEEE Interna -tional Conference on Systems. IEEE， 2011.

[15] AlirezaeiM，Corno M， Katzourakis D， et al. A Robust Steering Assistance System for Road Departure Avoidance[J].IEEE Transac -tions on Vehicular Technology， 2012， 61（5）：1953--1960.

[16] Enache N M， Mammar S， Netto M， et al. Driver Steering Assistance for Lane-Departure Avoidance Based on Hybrid Automata and Composite Lyapunov Function[J]. IEEE Transactions on Intelligent Transportation Systems， 2010， 11（1）：28-39.