車道保持系統中軌跡跟蹤算法的研究

鄭 艷，劉 偉

（東軟睿馳汽車技術 （沈陽）有限公司，遼寧 沈陽 110179）

隨著汽車電控技術的發展，各種類型先進的駕駛輔助系統 （ADAS，如LKAS、AEB、ACC等）應用到當今的現代車輛中，減輕駕駛負擔，減少駕駛失誤，從而提高駕駛的安全性、舒適性等車輛性能。車道保持輔助系統 （LKAS）是ADAS的重要組成部分，它是一個防止車輛無意識車道偏離造成交通事故的駕駛輔助系統，LKAS判斷本車與車道中心線的位置關系，當檢測到車輛偏離其目標軌跡時，通過連續施加少量反向轉向力來幫助汽車停留在靠近車道中心線的位置上，由此來預防駕駛員無意識的車道偏離。研究表明，無意識車道偏離事故占德國報告的所有事故的14%，因其原因造成的死亡人數占2013年所有道路交通事故死亡人數的30%［1］，因而LKAS對于減少交通事故，確保交通安全具有重要的意義。軌跡跟蹤算法是LKAS的核心算法，其效果直接導致車輛能否很好地跟蹤目標軌跡，進而影響發送到EPS的數據大小、車輛的運動狀態、功能的實現效果。

1 LKAS結構與原理說明

LKAS的組成結構如圖1所示。車輛通過攝像頭等視覺手段采集到圖像信息，車道線檢測模塊解析圖像信息，將車輛與車道線的位置信息以及車道線自身信息發送給LKAS，它通過計算自車軌跡糾正到目標軌跡需要的方向盤轉角大小并發送給執行器，進而實現被控車輛的轉向修正，確保車輛在車道中心線上安全行駛［2］。

圖1 LKAS組成結構

1.1 車道線解析

車道線解析模塊可以給出當前車輛和車道線的信息，例如曲率、航向角以及橫向偏移量，為車道保持輔助系統的路徑跟蹤算法以及控制決策提供重要信息。圖2介紹了結構化道路車道線識別與跟蹤算法的基本過程，主要包括車道線檢測識別模塊和跟蹤預測模塊。車道線檢測識別模塊通過對攝像頭采集的圖像降采樣為較小的圖像，并把圖像下半部分設置為感興趣區域來提高算法的處理速度，再通過圖像預處理，突出車道標識線信息，剔除圖像中其他干擾因素，增強對圖像的分析和識別能力，便于車道線檢測與跟蹤，降低算法的計算量和復雜度，通過Hough變換獲取候選車道線參數。然后引入車道線跟蹤算法，提高車道檢測的準確性和魯棒性［3］。

圖2 車道線檢測及跟蹤算法流程

1.2 EPS執行機構

電動助力轉向系統是在傳統機械轉向系統的基礎上發展起來的，它利用電動機產生的動力來幫助駕駛員進行轉向操作。系統主要由3大部分構成：信號傳感裝置（包括轉矩傳感器、轉角傳感器等）、轉向助力機構 （電機、離合器、減速傳動機構）及電子控制裝置。電動機僅在需要助力時工作，駕駛員在操縱方向盤時，扭矩轉角傳感器根據輸入扭矩和轉向角的大小產生相應的電壓信號，車速傳感器檢測到車速信號，控制單元根據電壓和車速的信號，給出指令控制電動機運轉，從而產生所需要的轉向助力。LKAS通過給EPS發送控制信號，進而修正車輛的運動狀態，實現功能效果［4］。電動助力轉向系統原理如圖3所示。

1.3 車道保持系統中軌跡跟蹤算法

軌跡跟蹤算法是LKAS的核心算法，它能保證車輛以任何初始位置回到并保持在規劃的理想路徑上，因而其算法的好壞直接決定著車道保持輔助功能的作用效果。軌跡跟蹤算法多種多樣，其中幾何路徑跟蹤算法易于理解和實現。文獻［5］中的Pure Pursuit方法就是其中一種，該方法考慮前瞻距離的路徑信息，路徑的形狀在低速運行時不會很影響它的性能，因此對于大的偏差和不連續的路徑非常有效。但是目前尚不清楚如何選擇最佳的超前距離，應注意防止過度調整Pure Pursuit到特定路線，因為改變前瞻距離只會改變車輛行駛的曲率半徑。Jarrod M.Snider在文獻［5］中指出Pure Pursuit方法忽略了目標路徑的曲率問題，而本文中介紹的這種全新的算法也屬于幾何路徑跟蹤算法，并且該方法彌補了文獻［6］和Pure Pursuit目標路徑曲率的問題，將目標路徑的曲率和車輛實際軌跡的曲率相結合，具體見下章。

圖3 電動助力轉向系統原理圖

2 曲線擬合軌跡跟蹤算法

如圖4所示，圖4a中的路徑是原始狀態，當車輛軌跡的曲率與目標軌跡的曲率 （Curvature）相同時，得到圖4b；在其基礎上當兩條軌跡的航向角 （Heading angle）相同時得到圖4c所示的狀態；進而當兩曲線到達y軸的距離 （橫向偏移量Lateral deviation）相同時，兩曲線重合，也就是最終的圖4d。

圖4 路徑變化分析

這個方法很好地將目標路徑的所有信息考慮到算法中，彌補了Pure Pursuit方法的不足之處，具體實現方法分析如下。

首先目標軌跡的所有信息和車輛軌跡的航向角以及橫向偏移量我們可以通過車道線解析模塊獲得，車輛軌跡的曲率可以根據公式 （1）得到。

其中yawrate為橫擺角速度，是指汽車繞垂直軸的偏轉，該偏轉的大小代表汽車的穩定程度，如果偏轉角速度達到一個閾值，說明汽車發生測滑或者甩尾等危險工況。該信息可以從車身信息得到，v為車輛自身速度。通過上述分析，只需

即：

式（3）通過整定PID控制器來達到一個很好的效果，用公式近似表達如下：

3 基于LKAS系統軌跡跟蹤的仿真分析

將上述軌跡擬合方法在Simulink環境下進行建模仿真，程序框圖如圖5所示。

圖5 程序框圖

對模型的曲率PID，航向角PID，橫向偏移量PID進行調參，分析各參數對算法的影響，通過大量的仿真發現航向角對算法的重要性要大于其他2個因素，并且對3個控制器的參數有一個大體的把握，為之后的實車測試調參做準備，減少實車調參的工作量。

4 實車驗證

將上述軌跡擬合的路徑跟蹤算法集成到LKAS模型中，并進行實車測試，測試平臺和測試環境如圖6所示。通過相機獲取車道線信息，接入整車網絡獲取自車車速、方向盤轉角等車輛狀態信息。通過EPS發送扭矩實現自車方向盤控制，從而保持車輛在本車道行駛。

4.1 不同因素的影響

考慮到不同因素對軌跡擬合的路徑跟蹤算法的影響，對curvature、lateral deviation以及heading angle單獨進行實車控制，和所有因素同時進行控制的數據曲線如圖7所示，可以明顯地看到，當3個因素同時控制時，Track Error值最小。

圖7 不同因素對軌跡擬合路徑跟蹤算法的影響

4.2 實車調參

由于PID參數較多，只對PID中的P參數進行舉例分析。通過之前的仿真分析，調試PID參數時，先對P值進行調試，首先將曲率、航向角、橫向偏移量的PID中的P參數均設置為0.1，I和D參數設置為0。通過分別改變不同因素的P值觀察車輛軌跡與目標軌跡誤差 （Track Error）的曲線變化，可以看出曲率的P值對Track Error的影響最小，橫向偏移量的P使Track Error曲線變成類似sin曲線，航向角的P值對Track Error的影響最大，能夠達到很好的效果，與仿真分析吻合，如圖8a所示。因此，首先對航向角的P值進行調試，如圖8b所示，P=0.7要比P=0.4時效果好。進而調試橫向偏移量的P值，圖8c中可以看出dP=0.7時較大，所以調試到0.4，在此基礎上調試曲率的P值為0.3。對比一下首先調試航向角再調試橫向偏移量最后調試曲率的P值這3個階段，如圖8d所示。

4.3 整車效果

將軌跡擬合的路徑跟蹤算法應用到LKAS系統中，進行實車測試調參，車速為60km／h采集到的數據如圖9所示，無論車輛行駛在直道或者彎道上，LKAS系統都能使得車輛行駛在道路中間附近。

圖6 實車環境

圖8 實車調參

圖9 整車效果

5 結論

本文提出了一種新的利用曲線擬合思路的軌跡跟蹤算法來應用到車道保持輔助功能中，將軌跡的曲率考慮到算法中，提高了預測的準確性，并通過數值仿真以及實車測試證明該方法的合理性，彌補了Pure Pursuit方法中對于車速的限制，并且LKAS功能達到很好的效果，為軌跡跟蹤算法的研究，為其他自動駕駛功能的開發提供了幫助，但是該方法對于車輛軌跡的曲率的計算還是有所欠缺，過于簡單局限，應結合車輛足夠多的動態信息獲得該值［7］。未來對于車道線的檢測可以不僅僅使用攝像頭，也可以擴展到激光雷達、高精度地圖等，采集更加精確的車道線信息來彌補單一攝像頭的缺陷，提高軌跡跟蹤算法的精度。