车道偏离预警系统

1）简介

统计资料表明，因驾驶人瞌睡和注意力不集中导致的车道偏离事故约占整个公路交通事故的三分之一。美国每年因单车驶离车道造成的交通事故导致大约1.3万人死亡和近1 000亿美元的损失。欧洲的一项调查显示，在5万起重型卡车发生的交通事故中，97%是驾驶人注意力不集中导致车辆偏离车道所致。车道偏离预警系统（Lane Departure Warning System，LDWS）是一种通过报警的方式辅助驾驶人避免或减少汽车因偏离车道而发生交通事故的系统，该系统通告检测车辆在车道中的横向位置及行驶状态，根据前方道路环境和本车位置的关系，判断车辆偏离车道的行为并对驾驶人进行及时的提醒，从而防止由驾驶人疏忽所造成的偏离车道事故的发生。Federal Highway Administration（FHA）的研究表明，偏离车道预警系统可以避免30%～70%的车道偏离交通事故的发生。车道偏离预警系统在车辆上的普及应用对提高道路交通安全，减少交通事故引发的人员伤亡和经济损失意义重大。

2）分类

车道偏离预警系统主要可以分为基于道路基础构造的系统和基于车辆的系统两大类。基于道路基础构造的系统需要在道路上预先铺设导航磁钉，在车辆上安装磁传感器，通过磁传感器检测车辆在道路上的位置，该方法对于车辆横向位置的估计精度很高，能达到几个厘米。美国的PATH项目就采用了这种方式研究车辆的自动行驶、车道偏离预警等。但这种系统需要对道路等基础设施进行改造，工程费用高，因此只应用于部分特殊道路。

基于车辆的车道偏离预警系统，主要利用车载机器视觉来识别车道线的位置并进行危险预警。根据传感器的安装位置，车道偏离预警系统分为俯视系统与前视系统。最典型的俯视系统是美国卡耐基梅隆大学开发的Aurora系统。该系统使用安装在车辆单侧的俯视相机检测该侧车轮是否靠近、接触或超出车道线，通过数字转换器采集图像，并输出在便携工作站上处理。俯视系统的优点是简单易行，在结构化道路上效率高，定位精度高；其缺点是应用范围有限，只适用于存在清晰标识的结构化道路。

相比俯视系统，前视系统使用安装在汽车挡风玻璃后的前视摄像机，可以获得更多的道路信息，并且在车道线不清晰的道路上也可应用，因而得到了更加广泛的关注。各大汽车厂商均非常重视车道偏离预警系统的研究，很早就开始了系统的研发，并已将研发得比较成熟的车道偏离预警系统安装在某些高端车型上，车道偏离预警技术开始逐渐进人批量应用阶段。

3）系统的结构组成及工作原理

车道偏离预警系统主要由道路和车辆状态感知模块、LDWS控制器、人机界面等组成。状态感知模块主要包括摄像头、车辆运动参数传感器等，实现道路几何特征和车辆的动态参数的采集，LDWS控制器的核心包括车道检测算法和车道偏离预警算法，根据车道检测算法确定当初车辆的位置，依据车道偏离预警算法对车道偏离的可能性进行评价，必要的时候通过人机交互界面向驾驶人报警。人机交互界面包括设置开关、声音报警器、振动报警器、状态显示屏等，可分别实现声音、振动、状态显示等报警方式，驾驶人可进行系统工作参数的设置。

车道偏离预警系统的基本原理可以用图9-12表示。其基本原理是：系统通过摄像头获取车道的几何结构，通过车辆运动参数传感器获取决策算法所必需的车辆运动参数，如车速、车辆转向状态等。同时系统读取人机交互界面上驾驶人对决策相关参数的设置。以这些基本的信息为基础，系统通过一定的决策算法分析判断车辆是否会发生车道偏离。

图9-12　车道偏离预警系统的基本原理

车道偏离预警系统研究的核心内容集中在两个方面：一是道路视觉感知系统，二是车道偏离决策系统。道路视觉感知系统的主要功能是对车辆前方行驶道路区域进行感知，主要获得车道边缘线的曲率、宽度等几何结构信息。视觉感知系统的核心算法是车道识别算法，因此道路视觉感知系统的主要研究内容是对车道识别算法的研究；车道偏离决策系统的功能主要是根据当前车辆的运动状态、前方道路的几何结构等信息确定一个合适的预警时间，在预警时间内既要保证给驾驶人预留合适的反应时间来采取补救措施，又要保证不会因频繁误报警而给驾驶人造成太大的干扰。

4）关键技术

车道偏离预警系统研究的核心内容包括道路视觉感知和车道偏离决策，对应的关键技术为车道检测技术、车道偏离预警算法等。

（1）车道检测技术。

车道偏离预警系统大都依赖道路中的车道标识线或道路边界信息，车道检测技术是系统快速、准确地提取道路中的车道标识线或道路边界信息的关键。

车道检测的方法较多，但基本上可归结为两大类，一类为基于特征的识别方法，另一类为基于模型的识别方法。基于特征的识别方法主要是结合道路图像的一些特征（颜色特征、灰度梯度特征等），从所获取的图像中识别出道路边界或车道标识线。基于特征的识别方法可分为基于灰度特征的识别和基于彩色特征的识别。目前应用较多的是基于灰度特征的识别方法。

基于模型的道路边界及车道标识线识别方法主要是基于不同的道路图像模型（2D或3D模型），采用不同的识别技术（Hough变换、模板匹配技术、神经网络技术等）来对道路边界及车道标识线进行识别。

大多数车道检测方法在解决一些特定环境下的道路边界或车道标识线识别问题上具有很好的效果，但它们或多或少具有一定的局限性。车道检测的方法应能适应不同形状的车道标识线、各种道路环境、恶劣气候、光照的阴影变化和阴影遮挡等，才能使车道偏离预警系统具有很强的鲁棒性。

（2）车道偏离预警算法。

车道偏离预警算法确定系统向驾驶人报警的具体时刻，是车道偏离预警系统的最关键的部分，其既要保证适时准确地报警又要保证不会对驾驶人造成干扰，算法的优劣性直接决定系统的性能。目前，常见的车道偏离预警算法主要包括基于车辆当前位置的预警算法、基于预测轨迹的预警算法、基于虚拟停车振动带的预警算法和基于车辆跨道时间的预警算法（Time to Lane Crossing，TLC）。

基于车辆当前位置的预警算法主要通过检测车辆在车道中的当前位置来作出预警决策，车辆在车道中的当前位置可由车道检测算法得到。

基于预测轨迹的预警算法主要根据车辆的预测轨迹与实际行驶轨迹之间的偏差评价车道偏离，如果偏差大于设定阈值则系统报警。一般假设驾驶人能够很好地跟随车道的曲率变化，因此预测轨迹为车道曲线的中心线。

基于虚拟停车振动带的预警算法模拟真实道路两侧的振动带，通过在车道两侧设置具有一定宽度的虚拟振动带，检测车辆的当前位置是否接触或超出虚拟振动带，从而进行预警决策。

基于车辆跨道时间的预警算法是目前广泛使用的算法，该方法通过建立车辆运动模型，预测车辆的行驶轨迹，从而计算车轮接触车道边缘所需要的时间，即跨道时间。当这个时间小于某一特定阈值时，就进行预警。TLC的计算方法为：TLC＝L／Vx，其中Vx表示车辆的纵向速度，L表示从当前车辆位置开始到车辆前轮接触车道为止的沿车辆纵轴方向的纵向距离。因此L值的确定是计算TLC的关键。根据不同的预测车辆运动规律方法，L值的确定方法主要分为以下三种：

①假设偏离过程中车辆的航向角始终保持不变，车辆的侧向和纵向速度也都保持不变，依据车辆质心偏离车道时刻确定的纵向距离确定L值。

②假设偏离过程中车辆的航向角始终保持不变，车辆行驶轨迹能够追踪车道曲率变化而变化。在车道曲线为回旋曲线时，根据车辆行驶轨迹是回旋曲线的情况确定L值。

③假设偏离过程中车辆的航向角始终保持不变，车辆行驶轨迹由车辆动力学模型确定。对于常用的二自由度车辆动力学模型，根据由车辆速度和加速度共同决定的二次曲线确定L值。