基于車道線識別的車輛軌跡跟隨

謝娟烘, 史國劍

(廣東理工學(xué)院 智能制造學(xué)院， 廣東 肇慶 526100)

0 引言

自動駕駛車輛的側(cè)向控制系統(tǒng)目的實現(xiàn)是依托一定的子系統(tǒng)完成的，這些子系統(tǒng)主要表現(xiàn)為：一，車載視覺亦或是定位系統(tǒng)的環(huán)境感知子系統(tǒng)；二，基于調(diào)整方位精準(zhǔn)控制的方向盤轉(zhuǎn)角控制子系統(tǒng)；三，承載轉(zhuǎn)角驅(qū)動與實現(xiàn)的轉(zhuǎn)向控制子系統(tǒng)[1]。就自動行駛車輛來作分析，設(shè)置的車載攝像頭裝置，主要的現(xiàn)實任務(wù)，便是將行駛的環(huán)境圖像實時采集，并經(jīng)過一定的處理之后，清晰界定交通指示、車道線、行人、車輛等客觀信息，并基于這些信息的識別給出動作依據(jù)。視覺傳感方案的整體成本低，是該領(lǐng)域發(fā)展的主要內(nèi)容。

車道保持是作為智能車輛橫向控制的一項內(nèi)容，車道保持在智能車輛的軌跡跟隨中起到了重要應(yīng)用，諸多學(xué)者對其進(jìn)行了研究。文獻(xiàn)[2]基于單點預(yù)瞄的方法，建立了以車輛為核心主體的橫向位置誤差糾偏模型，動態(tài)跟蹤其偏差，切實管控其橫向誤差的同時提高了系統(tǒng)的魯棒性；由于車輛參數(shù)具有不確定性，文獻(xiàn)[3]相對預(yù)瞄路徑的橫向距離誤差作為輸入?yún)?shù),采用滑模控制設(shè)計控制器；文獻(xiàn)[4]提出了一種采用線性時變預(yù)測模型，這類模型表征出顯著的自適應(yīng)性，可以針對車道保持提供有效支持，這類系統(tǒng)支持對橫向位移誤差的可靠控制，效果值得肯定。對于預(yù)瞄點的選取問題，預(yù)瞄距離的選擇本身是一件復(fù)雜的工作[5]，由于預(yù)瞄控制，其路徑控制的基礎(chǔ)是以輸入未來信息為支撐的，由此，這類系統(tǒng)，也避免了時間滯后存在的不足，在自動駕駛層面，表征出較好的應(yīng)用價值[6]。考慮到一點，即車道線識別質(zhì)量的好壞直接影響著車道保持系統(tǒng)，由此，需針對取得的原始圖像，開展一定的預(yù)處理操作，將無關(guān)的干擾信息處理掉，增強(qiáng)圖像本身的質(zhì)量，讓關(guān)鍵信息凸顯出來，以保障識別精度[7]。車道線識別有助于規(guī)避交通事故的出現(xiàn)，也為后續(xù)的智能交通分析，提供了有效支持[8]。在智能車輛領(lǐng)域，路徑跟蹤與控制操作，是不可忽視的核心內(nèi)容，其不僅體現(xiàn)在橫向?qū)用娴目刂粕希€體現(xiàn)在縱向管理層面[9]。為更好實現(xiàn)控制目的，以多點預(yù)瞄為支撐，設(shè)置最優(yōu)路徑跟蹤方案與模型，優(yōu)化尋常模型中的預(yù)瞄偏差計算方式，以及采用離線計算最優(yōu)增益技術(shù)，賦予算法更為鮮明的實時優(yōu)勢與應(yīng)用優(yōu)勢[10]。考慮到曲率突變的現(xiàn)實問題，有學(xué)者提出以預(yù)瞄為支撐的，期望道路曲率優(yōu)化算法，以賦予現(xiàn)實操作更為出色的舒適水平[11]。也有學(xué)者聚焦駕駛?cè)藛T現(xiàn)實的特性，包括生理與行為特征，構(gòu)建了模擬駕駛員的神經(jīng)網(wǎng)絡(luò)控制模型[12]。具體到本分析來看，在適應(yīng)場景中，需要支持大曲率道路運(yùn)作，在控制方法上，采取的是縱向模糊機(jī)制，除了需要完成橫縱模糊控制器之外，還需要給出雙魚苗動態(tài)控制機(jī)制[13]。Park整合了多預(yù)瞄點信息，立足于汽車轉(zhuǎn)向幾何學(xué)模型，實現(xiàn)了多預(yù)瞄反饋控制器的設(shè)計工作。在縱向速度控制層面，應(yīng)用的是PID方案[14]。

基于Hough相關(guān)算法，借助CCD攝像頭傳感器裝置來實現(xiàn)車道線識別處理，通過曲線擬合得到車道中心線并將其作為參考軌跡，利用預(yù)瞄控制進(jìn)行軌跡跟隨。

1 控制系統(tǒng)設(shè)計

控制系統(tǒng)分為兩個環(huán)節(jié)，第一個環(huán)節(jié)是利用攝像頭識別車道中心線，第二個環(huán)節(jié)是將識別的車道中心線作為已規(guī)劃軌跡，實際車輛進(jìn)行軌跡跟隨。系統(tǒng)流程如圖1所示。

圖1 控制系統(tǒng)設(shè)計

車輛通過攝像頭獲取路面信息，并對路面進(jìn)行閾值分割、濾波處理、邊緣識別，最終得到車道線，并將其作為期望軌跡。軌跡跟隨階段，通過設(shè)定預(yù)瞄點，得到預(yù)瞄點相對于期望軌跡的橫向位置偏差，作為前饋環(huán)節(jié)進(jìn)行位置偏差跟蹤，最終得到車輛的前輪偏轉(zhuǎn)角。車輛的動力學(xué)模型給出經(jīng)過前饋控制得到的車輛實際具有的車輛信息。

2 基于Hough方法的車道線的提取

攝像裝置承載的最關(guān)鍵的任務(wù)，便是采取清晰的圖像，為車道線檢測提供支撐。基于識別技術(shù)，將圖像的背景、車道線，完全區(qū)分出來，從而界定出明晰的車道線走向等內(nèi)容，這類操作中，Hough變換是較為常見的。Hough變換實現(xiàn)車道線提取。有效濾除圖像中干擾因素的影響，在復(fù)雜的環(huán)境中獲得較好的檢測結(jié)果，增強(qiáng)圖像處理的魯棒性[15]。

將道路設(shè)定為結(jié)構(gòu)化道路場景，基于Hough變換，提取車道線內(nèi)容，并借助該方法，在參數(shù)空間中，完成原始圖像空間點的映射操作。從根本上來把握，Hough變換可以歸入為坐標(biāo)變換的一類方法。圖像中的任意一條直線都可以映射到參數(shù)坐標(biāo)系下，并記下表達(dá)式如式(1)。

ρ=xcosθ+ysinθ

(1)

其中，假設(shè)空間直線l通過一點P(x,y)，ρ為坐標(biāo)原點到直線l的距離;θ為P與原點連線與x軸夾角。這樣便可以將空間下的點轉(zhuǎn)換到參數(shù)坐標(biāo)系下。通過建立累加器A(ρ，θ)，應(yīng)滿足所有的元素位置為0，接下來對圖像中每一個非零點進(jìn)行Hough變換，每變換一個非零點，相應(yīng)的累加器A(ρ，θ)=A(ρ，θ)+1。最后，通過求解累加器上的極大值，得到檢測直線。

通過對圖像進(jìn)行的預(yù)處理，得到關(guān)于參數(shù)空間下函數(shù)變換。將峰值標(biāo)出，并取出這些點對應(yīng)的直線，結(jié)果如圖2、圖3所示。

圖2 結(jié)構(gòu)化道路的Hough變換空間

圖3 標(biāo)記峰值點并取出的對應(yīng)直線

在進(jìn)行檢測時不可避免的會出現(xiàn)多條干擾的曲線等信息，在這里，需明確給出相應(yīng)的約束邊界，針對明顯超出約束邊界的內(nèi)容去除，即去掉θ=90°的直線，剩下的干擾曲線，對其進(jìn)行角度劃分，最終選取曲線斜率絕對值較小的直線作為我們最終選定的車道線，再通過曲線擬合的方式得到車道中心線，黃線，車道中心線作為規(guī)劃曲線，車輛將對規(guī)劃曲線進(jìn)行跟隨控制,如圖4、圖5所示。

圖4 最終選取的兩條車道線

圖5 擬合后的直線(黃色)

3 車輛模型的搭建及預(yù)瞄控制

假設(shè)車輛的質(zhì)心位置為(Xc,Yc),車輛縱軸與橫軸X，兩者之間存在的夾角，在這里界定為φc，則其模型具體可以表述為式(2)-式(4)。

(2)

(3)

(4)

其中，v為車速;ω為質(zhì)心處橫擺角速度;β為質(zhì)心側(cè)偏角。

車輛在預(yù)瞄的基礎(chǔ)上，在運(yùn)動上，傾向于靠攏參考軌跡，而這個運(yùn)動，是基于半徑R的方式進(jìn)行的,如圖6所示。

圖6 預(yù)瞄點與期望軌跡間幾何關(guān)系

圖6中,預(yù)瞄點橫向位置的現(xiàn)實偏差，具體基于e來描述，預(yù)瞄點至轉(zhuǎn)彎半徑中心的橫向偏差，則基于s來描述。在這個基礎(chǔ)上，將預(yù)瞄點Q具體位置，設(shè)定為(Xq,Yq)，其對應(yīng)軌跡點的切線與全局坐標(biāo)系X方向夾角為φc，Q在車輛坐標(biāo)系下的對應(yīng)關(guān)系可以由圖6中的幾何關(guān)系得出式(5)。

(5)

其中，xe為預(yù)瞄距離;ye為橫向誤差;φe為橫擺角偏差;φc為預(yù)瞄點與X方向的夾角，其中對于跟隨軌跡期望的橫擺角為φd，通過期望軌跡可以進(jìn)行計算。

假設(shè)車輛的狀態(tài)保持穩(wěn)定，車輛模型狀態(tài)空間形式表示為式(6)。

(6)

假設(shè)車輛轉(zhuǎn)彎時，橫向速度與橫擺角速度不變，此時轉(zhuǎn)向角δe可以通過橫向速度vy與橫擺角速度ω表示，則vy可以表示為ω的函數(shù),如式(7)。

vy=T·ω

(7)

由于線速度與角速度計算式V=R·ω，結(jié)合幾何關(guān)系有式(8)。

(8)

由式(8)可以整理出轉(zhuǎn)向角δe的表達(dá)式,如式(9)。

(9)

其中，a為前軸到車輛質(zhì)心的距離;b為后軸到車輛質(zhì)心的距離;Cr為后輪的側(cè)偏剛度;m為整車質(zhì)量;vx為車輛的縱向速度;R為旋轉(zhuǎn)圓周運(yùn)動的半徑;Cf為前輪的側(cè)偏剛度。

前方預(yù)瞄點Q的橫向偏差為e=s-R，其中s的表達(dá)式可以利用圖6進(jìn)行表示為式(10)。

(10)

轉(zhuǎn)向角與前方預(yù)瞄點Q的橫向誤差間的傳遞函數(shù)可以表示為式(11)。

(11)

(12)

(13)

為了充分利用前方的道路信息，基于單點預(yù)瞄下車輛橫向誤差與前輪轉(zhuǎn)向角的關(guān)系建立多點預(yù)瞄模型，總模型偏差定義如式(14)。

(14)

其中,E為前方車輛預(yù)瞄總偏差;Gi為第i個預(yù)瞄點的權(quán)重系數(shù);ei為第i個預(yù)瞄點的車輛橫向位置誤差。

4 試驗驗證與分析

通過選取規(guī)劃路徑上5個預(yù)瞄點進(jìn)行預(yù)瞄控制，最終得到軌跡跟蹤控制的仿真結(jié)果。車輛在S彎道上進(jìn)行運(yùn)動。

車輛沿著S彎道進(jìn)行運(yùn)動，彎道縱向長度達(dá)到1 000 m以上，車速設(shè)定為100 km/h，運(yùn)行時間30 s如圖7所示。

圖7 S彎道軌跡跟隨

車輛實際軌跡和參考軌跡的局部偏差圖如圖8所示。

圖8 S彎道的橫向誤差局部偏差圖

選取預(yù)瞄點距離分別為5 m、10 m、15 m、20 m、30 m，每個預(yù)瞄點的運(yùn)動誤差如圖9所示。

圖9 預(yù)瞄點的橫向誤差

前輪轉(zhuǎn)向角的變換圖如圖10所示。

圖10 前輪轉(zhuǎn)向角

可見當(dāng)車輛運(yùn)動2 s時，車輛快速反應(yīng)給出前輪轉(zhuǎn)向角，對應(yīng)圖7車輛前進(jìn)110 m開始進(jìn)行轉(zhuǎn)彎。后續(xù)車輛運(yùn)動規(guī)律亦是如此，而且在車輛停止運(yùn)動后，前輪轉(zhuǎn)向角穩(wěn)定收斂。

5 總結(jié)

在結(jié)構(gòu)化道路上，車輛利用攝像頭傳感器獲取道路信息，將提取的車道中心線作為車輛規(guī)劃軌跡，通過簡化智能車輛的路線規(guī)劃環(huán)節(jié)完成智能車輛的循跡行駛，多點預(yù)瞄的控制方法相對單點預(yù)瞄控制具有更好的跟蹤效果。