车道偏离预警算法概述

《车道偏离预警算法概述》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

目录车道偏离预警算法概述21.基于TLC的预警决策算法32.基于瞬时侧向位移的预警算法63.基于横向速度的评价算法64.基于CCP的评价算法65.基于预测轨迹偏离的预警算法76.基于EDF的预警算法87.基于预瞄轨迹偏离TTD的评价算法98.基于FOD的评价算法10 车道偏离预警算法概述车道偏离预警算法也就是车道偏离的危险性评估，是指利用当前车辆的运动状态、前方道路的几何结构等从感知部分获得的信息判断车辆是否存在偏离本车道的危险。判断是否存在危险通常用预警时间来描述。一个合适的预警时间，既要保证不会出现频繁的错误报警给驾驶员造成不必要的干扰，又要保证预留给驾驶员恰当的反应时间采取校正措施。这是因为不同的驾驶员生理和心理素质的不同，人与人之间驾驶风格的不同，因而对车辆偏离危险性的感知特性也不尽相同，即便是同一个驾驶员，其驾驶行为特性也会随着时间空间以及精神状态的不同而改变，所以不同类型驾驶员对预警系统的要求与影响也有区别。从驾驶经验一般的驾驶员到熟练驾驶的驾驶员，不同驾驶员对车道偏离危险性的认识理解都不同。如果预警系统是针对新手驾驶员开发，那么熟练驾驶员就会觉得系统发出的预警过于频繁进而感到失去耐心;反之，为熟练驾驶员设计的预警系统，新手驾驶员则会认为系统的预警作用不明显，不能预知危险，因此不能够信任系统，所以在系统开发过程中需要全面考虑驾驶员的驾驶行为特性，最大限度地满足不同风格的驾驶需求。此外外界环境因素对车道偏离预警算法也有一定的影响。总的说来合理的预警算法应当包括下面两个基本标准:1、保证能够及时恰当的预警，保证驾驶员有足够多的反应时间。由于驾驶员对预警信号的感知响应以及驾驶员采取校正操作后汽车本身的响应都有一定的迟滞时间，所以，车道偏离预警系统应该在车辆横跨车道线、发生车道偏离状况之前的特定时间内准确预测出即将发生的危险，并向驾驶员及时的发出预警信号，保证驾驶员有充足的时间采取校正措施，防止致命伤亡事故的产生。但是如果预警时刻过早，反而会令驾驶员感到系统报警的不必要，会不加理睬，这也就是去了系统本身的意义。2、根据ISO17361:2007国际标准提出的评价指标:误报警的次数和遗漏的正确报警次数都要尽量少。误报警是指车辆在车道内保持正常行驶轨迹的情况下系统发出的报警。如果车道偏离预警系统发出的误报警过于频繁，势必引起驾驶员的厌烦，如此下去，将导致驾驶员对系统报警的不信任性; 另一方面，如果过度关注降低系统的误报警率，必然会造成一些正确报警被遗漏，同样使系统预警功能不可靠，甚至可能发生严重的后果。完善的车道偏离预警算法应该全面考虑各种情况，应该经过长期的对大量数据的优化分析和实车实验验证得到，为了实现这个目的，国内外的研究人员在视觉感知算法和车道偏离预警算法方面都做了很多的工作。大多都是通过预测汽车的未来运动轨迹来估算发生车道偏离剩余的时间，并由此选择恰当的预警时间目前国内外的各种车道偏离预警系统，以及国内各大高校、研究机构所进行的对LDW系统的研究中，采用预警决策算法有很多种。总的说来，基本上都是以时间、速度或者距离作为评价指标。下面介绍几种常用的车道偏离预警算法:1.基于TLC的预警决策算法TLC(TimetoLaneCrossing)方法是国际上各类车道偏离预警系统中非常流行的一种决策算法，是当今大部分研究车道偏离预警的机构与高校所采用的方法。TLC是指从汽车当前位置开始到汽车与车道线开始接触为止所需的运动时间，也可称之为汽车从当前的时刻开始到汽车偏离本车道之前所剩余的时间。为了尽可能迅速的识别出未来可能发生的轨迹偏离是提出TLC方法的目的。该方法一般是对未来特定时间内的车辆动力学模型进行有效假设，根据建立的车辆运动模型和对前方道路模型的正确识别，最后计算出汽车即将跨越道路边界的时间。基于TLC的预警算法，是由Godthelp最初提出来的，基本原理是如果TLC小于给定的时间阈值Tth即:TLC0并且>0时，说明汽车在本行驶车道内，不需发出预警。当<0或者<0时，则说明汽车即将偏离行驶车道，系统发出预警。5.基于预测轨迹偏离的预警算法基于预测轨迹偏离的预警算法依据一段时间后汽车的预测轨迹与目标行驶轨迹之间的偏差值来进行评价，如果偏差大于给定的阈值，我们就认为会发生车道偏离，系统报警。丰田汽车(日本)公司的STAR系统所采用的就是这种预警方法。如图1.10所示，汽车的预测行驶轨迹与目标行驶轨迹的偏差值万计算方法如下:上式中x为当前时刻汽车质心的侧向位置，为秒后汽车质心的侧向位置，表示车辆横摆角，v表示车速。 该算法一般假定驾驶员能较好的跟随道路曲率变化，因而目标运动轨迹通常为行驶道路的中心线。于此同时，这种算法假设汽车的横摆角恒定，则预测轨迹为直线。6.基于EDF的预警算法基于边缘分布函数EDF(EdgeDistributinFunction)的预警方法，是指将边缘方向角的边缘强度直方图进行考虑。韩国全南大学的JoonWoongLee等主要采用EDF的评价方法，它通过边缘分布函数将车道信息和边缘信息联系起来。该算法对行车线作出几条假设:(1)车道线平滑过渡，(2) 车道线比路面其它部分明亮，(3)左右车道线应该平行道路中心线。如图1.11b所示。依据上述假设，EDF具有两个重要特征一一对称轴和局部最大值，如图1.11b所示。基于边缘分布函数的预警算法，一般有三个步骤组成。第一步就是边缘的提取和图像的获取。对于点(x,y)力相应的图像.f(x.y)梯度用向量表示:方向与幅值分别为：第二步用递归求和滤波器估算边缘分布函数，边缘分布函数EDF定义如下：其中是方向为的像素的数量EDF的形状如图1.11所示，从图中可以明显看出EDF的主要特征，一是在和附近有两极值，其分别对应右侧和左侧道路边界线;二是它具有一条对称轴，如果道路图像是在道路中心线上采集的，对称轴则会位于九十度附近，而如果采集的图像偏离道路中心线，则对称轴就会偏离九十度位置。由于噪声影响，我们通常很难仅仅通过的极值判断车道线的方向，所以采用求和的方式估算EDF给定N帧图像序列，EDF估算方法如下:其中k表示当前帧，N由试验来确定，递归形式如下：第二步为搜索边缘分布函数的局部最大值和对称轴，确定是否发生车道偏离有以下两种方法:方法一:通过对称轴来判断是否发生了车道偏离，如果我们就认为发生了车道偏离，P为对称轴偏移量，计算公式如下: 为安全阈值，可通过试验确定，x为EDF的对称轴位置，为从道路中心线处拍摄图像的EDF对称轴位置。方法二:通过极值判断能否发生车道偏离，如果或者，则认为发生车道偏离，评价指标咨计算如下:和分别为相应于方向和的两个极值，和分别为大于1和小于1的常数，通过试验可以确定。基于EDF的预警算法不需要摄像机相关参数，忽略了车道线的定位，而前方道路的形状(如倾斜、坡度、宽窄)，车辆的类型，和乘坐人数等对算法都几乎没有影响。7.基于预瞄轨迹偏离TTD的评价算法TTD(TimetoTrajectoryDivergence)是指从最初状态到汽车轨迹与预期轨迹偏差达到期望值所经历的时间。如果TTD时间比给定的时间阈值小，系统则会发出报警，即公式中，是期望行驶轨迹的曲率半径，D是汽车运动轨迹与期望轨迹的最大允许偏差，是汽车实际行驶轨迹的曲率半径，v是车速。车辆能够跟随最优路径是这种算法的优点，而最优路径始终使车辆位于道路中心线处，因为最优路径与自然车道类似，即使汽车靠近内弯道，TTD的值也较大，因此可对车道偏离更具有预见性。由于这种算法比较复杂，最优路径的精度影响系统的精度。在弯道上，如果驾驶员转弯比较急则会造成这种预警算法的误报警。8.基于FOD的评价算法基于未来偏移距离FOD(FutureOffsetDistance) 的预警算法主要由卡内基梅隆机器人研究所的ParagHBatavia所采用，该方法原理与TLC算法类似，都是根据汽车跨越车道线之前的剩余的时间与阈值进行比较来判断汽车是否会发生车道偏离。该方法借取了路边振动带的想法，将实际的车道线扩展为虚拟车道线，设置虚拟车道线后则允许汽车偏离实际的车道边界。这种方法充分考虑了驾驶员驾驶行为特性，在设定虚拟车道线时考虑了驾驶员转向习惯导致的偏离量，并且为适应不同驾驶员的驾驶习惯虚拟车道线的位置是可以调整的。如果驾驶员在转向时没有偏离的习惯，真实车道线将与虚拟车道线重叠一起。基于FOD的预警算法有两参数:前视预瞄时间T和虚拟的车道线V。前视预瞄时间是指系统预测汽车未来状态的时刻距当前时刻的时间，虚拟车道线是指允许驾驶员转向导致的偏离到真实车道线外侧的距离。如果汽车在T秒后的预测位置偏离实际车道线时，系统并不发出报警，而是只有当其偏离虚拟的车道线时系统才会发出报警(如图1.12所示)，即满足如下条件，系统才认为即将发生车道偏离，系统报警:公式中为T秒后车辆的侧向预测位置，其一阶运动学计算方法如下：其中为横向速度，为当前时刻汽车与虚拟车道线之间的距离。各类算法的优缺点：车道偏离预警系统一般分为3部分，①车道线检测:通过视觉传感器检测车道线;②预警变量估计:一般选择横向偏移量和车辆越过车道线的时间作为预警变量;③预警:决策何时、何种方式提醒驾驶员。系统所采用的警告标准大致分为4种: 基于当前车辆于车道中位置(car'scurrentpositon,CCP)、基于未来车辆偏离量的不同(futureoffsetdifference,FOD)、基于车辆前轮跨越车道线边界的时间TLC(timetolanecrossing,TLC)、基于对道路场景的感知(knowledgebasedinterpretationofroadscenes,I}BIRS)。4种警告标准中TLC应用最为广泛。这些警告标准算法中大都是利用时间或者距离其中之一作为预警值，没有对汽车偏离车道危险程度进行有效划分。大多数系统的性能受限于道路环境和某一固定类型的驾驶员群体，并且在LDWS使用过程中其误报现象经常给驾驶员带来困扰。1、基于TLC的决策算法和基于预测轨道偏离的决策算法TLC两种：一种是车辆转向角不变，一种是车辆行驶方向不变优点：这两种决策算法都需要从车载摄像头获取的道路图像中提取车道标志线的信息，从而精确定位车辆在车道中的位置，计算出车辆与车道标志线的横向距离，然后根据车辆的速度信息确定一个最佳的报警时间。该决策算法已经被证明有效且精度高，缺点：需要建立摄像机、路面和车辆系统的几何模型，容易受到摄像机选取、光学镜头、摄像头的安装位置和车辆型号的影响。此外，这两种决策算法都需要对摄像头进行标定，而且在车辆颠簸产生振动和冲击的过程中，结果容易受到干扰，鲁棒性差。不能满足复杂多变的道路交通环境、阈值的设定没有考虑驾驶员的特性以及驾驶习惯，没有考虑当前驾驶员的驾驶行为。2、基于系统偏航角航向的决策算法和基于左右两侧车道标志线角度之和的决策算法优点：这种方法车道线与图像平面坐标轴夹角不会发生很大变化，无需进行摄像机标定，且对冲击、振动等干扰不敏感，具有较强的环境适应能力，更适合在车载环境下使用，但是也会出现因为外界环境复杂而误报的情况。从实际驾驶情况来看，在车辆偏离预警时并不需要很高的精度，且具有丰富驾驶经验的司机在进行车道偏离的判断时也不需要精确的车道偏离值。缺点：误报率较高、驾驶员特性以及驾驶行为考虑较少、复杂道路交通环境下准确性低。