基于THASV-Ⅱ的横向主动安全系统

第2卷第9期2007年9月646中国科技论文在线SCIENCEPAPERONLINE基于THASV-Ⅱ的横向主动安全系统李克强，王建强，郭磊，刘志峰，杨志强（清华大学汽车安全与节能国家重点实验室，北京100084）摘要：本文在第二代清华主动安全汽车的平台上对横向主动安全系统相关技术进行了研究。该系统对环境信息、车体信息等进行实时地采集和处理，根据机器视觉和激光雷达的融合信息，进行车道检测、车辆识别、区分前方行驶车辆所属的车道及从中挑选出跟车目标，并在此基础之上实现车道保持功能；开发和实车系统相配套的仿真系统，实现横向主动安全系统各项功能的离线仿真，能够有效提高算法开发的效率；在平台车上进行了车辆识别、车道检测及车道保持的相关试验。关键词：车辆工程；主动安全系统；车辆识别；车道识别；车道保持中图分类号：U27文献标识码：A文章编号：1673－7180(2007)09－0646－50引言近年来，人们对于交通安全性的重视与日俱增。为提高汽车行驶安全性，国内外研究者在主动安全汽车领域投入了大量的精力，并发展出包括自适应巡航、前撞报警、车道偏离报警、车道保持等多项主动安全系统。在车道保持系统方面，很多大学、研究机构以及汽车制造商在其设计的主动安全汽车平台上进行了尝试。国外在此领域的研究开展得较早，如美国卡内基－梅隆大学的NavLab系列智能车[1]，德国联邦国防大学开发的VaMP和VaMoRs智能车[2]，意大利帕尔马大学开发的ARGO智能车平台以及配套的GOLD视觉导航系统[3]等，在这些智能车平台上都进行了车道保持系统的研究。国内进行此类研究的主要是一些大学，如清华大学计算机系的THMR系列智能车[4]，国防科技大学的CITAVT系列智能车[5]，西安交通大学开发的智能车平台Springrobot[6]，吉林工业大学的JUTIV系列智能车[7]等。除了上述的研究型智能汽车实验平台，也有一些企业开发了基于汽车主动安全技术的产品，例如由德国的DaimlerChrysler公司和美国的Iteris公司联合开发的AutoVue系统、Mobileye公司开发的AWS系统[8]、Nissan公司的北美分公司Infiniti研发的LDW系统、丰田公司开发的STAR系统等。这几个系统都是利用单一摄像机获取行驶环境信息，在此基础上实现了车道偏离报警功能。目前在横向主动安全系统的研究中，与纵向系统的结合还不够紧密，没有充分利用获取的信息服务于系统的主动安全功能。本文在清华大学汽车工程系开发的第二代主动安全汽车THASV-II的平台上，设计了横向主动安全系统，其特点在于结合横、纵向的检测信息以提升系统的性能。系统融合激光雷达与机器视觉的信息进行车辆识别，在车辆识别结果的基础上采用抗干扰的车道识别技术对车道线加以检测，识别结果能够用于车道偏离报警、车道保持等横向主动安全功能。和实车系统相配套，开发了仿真系统，能够实现车道识别、车辆识别的离线仿真，提高算法开发的效率。1THASV-II实验平台本实验室建立了基于常规车辆的汽车主动安全系统实验平台车，从实验平台的功能特点出发，采用模块化设计的思想，将整个实验平台分成图像信号处理、雷达信号处理、汽车状态信号采集、横向控制器、纵向控制器、转向执行器、节气门执行器、作者简介：李克强（1963－），男，教授，E-mail：[e-mail]第2卷第9期2007年9月647中国科技论文在线SCIENCEPAPERONLINE制动执行器和人机交互界面等多个结点，如图1所示。图1THASV-II试验平台车从系统结构上来讲，实验平台包括传感器，控制器和执行器3个部分。在传感器部分，依靠摄像机和雷达对实验车的行驶环境进行探测和感知，依靠车载传感器和信号采集ECU对汽车状态信号进行采集；控制器部分可以分为横向控制器和纵向控制器，能够完成诸如车道保持、车道偏离报警、车距保持、前向避撞报警等算法；执行器则包括转向执行器、节气门执行器和制动执行器。考虑实验平台的复杂性，采用CAN总线作为整车控制网络。基于THASV-II开发的横向主动安全系统利用车速传感器、加速度传感器、横摆角速度传感器、方向盘转角传感器获取车辆自身的状态信息，利用CMOS摄像机及激光雷达获取车辆行驶环境信息，把这些信息汇总到工控机，完成车辆识别、车道识别，并且能够根据识别结果生成车道保持的控制指令，最后由转向执行器完成车道保持的操作。2横向主动安全系统的关键技术2.1车辆识别车辆识别算法主要由4个模块构成：预处理模块、跟踪模块、雷达探测模块、视觉探测模块。预处理模块负责对摄像机拍摄到的原始图像进行处理，从而得到后续识别所需要的图像，包括：车辆下方的阴影图像、抽取出的水平边缘图像以及垂直边缘图像。跟踪模块根据上一轮的车辆识别结果，利用原始图像数据以及预处理后得到的图像数据对这些目标进行跟踪，如果确认目标依然存在，则划定为本轮检测到的车辆；如果目标已消失，则将此目标从跟踪档案中删除。使用车辆跟踪技术可以降低算法的执行时间。雷达探测模块将雷达数据和跟踪模块检测到的车辆位置进行对比，对于雷达新探测到的目标物，雷达探测模块负责在图像中进行确认，如果目标物得到确认，则加入本轮检测结果中。视觉探测模块则对图像进行补充检测，对于跟踪模块和雷达探测模块已检测到的车辆区域，视觉模块不再进行重复检验，因此大大地缩小了需要检测的图像区域。为了降低视觉模块的误检率，在此部分采用了较为严格的确认条件。2.2抗干扰的车道线识别为提高车道线识别方法在前方有多辆车行驶的拥挤路况下以及当前方行驶的车辆距离本车较近或者前车出现切入、驶离本车道等操作时的抗干扰能力，本文提出了一种改进的车道线识别方法。该方法通过对车道线点集的优化，提高了算法的鲁棒性，并且针对车辆边界不容易精确定位的问题，对干扰点集进行了模糊化处理。在车道线点集优化的过程中，针对以下问题开展了工作：1)点集元素的预挑选首先应用方向可调滤波器对图像进行了预处理，预处理过程中综合考虑了智能车应用中的车道线方向特性和图像特性。在预处理图像的基础之上，通过Hough变换的方法能够得到车道线的大致位置。由于车道标志线有一定的宽度，因此构造的车道线点集是两侧车道线的内侧点，即左侧车道线的右边点以及右侧车道线的左边点。在确定了车道线的大致位置之后，开始进行车道线点集元素的预挑选，被选中的点要满足以下条件：①是预处理后二值化图像中的前景点；②每一个挑中的点集元素在其外侧都有一个对应点（每侧车道标志线都有一定的宽度导致）。该对应点与挑中的点集元素之间的横向距离随着纵坐标变化，越远的地方车道标志线宽度越小；③图像中每一行只存在一个左车道线点和一个右车道线点。2)干扰点的去除预挑选得到的点集中存在着干扰点。由于车道线识别过程中加入了跟踪环节，因此车道上的标志线、指示性文字引起干扰的可能性很小。主要的干扰来自于道路上行驶的其它车辆。第2卷第9期2007年9月648基于THASV-Ⅱ的横向主动安全系统去除干扰点的过程分为两步：首先，融合雷达数据和图像信息对前方行驶的其它车辆进行识别；完成了车辆识别之后，对预挑选点集中的每一个元素进行判断，如果该元素处在车辆占据的区域内，则把该点划归到干扰点集中。3)有效点的补充在前车距离本车很近、前方有车辆切入或者驶离本车道等情况下，车道线会有很大的区域被车辆遮蔽，当去除了车辆区域内的干扰点之后，剩余的有效车道线点数目过少，不足以进行车道模型的拟合操作，在这种情况下，就需要进行点集中有效点的补充。针对近视场和远视场的不同特点，补充过程进行了区别对待。由于在距离本车很近的范围内，极少出现两侧车道线均被遮蔽的情况，因此近视场的车道线点主要根据车道线等宽条件进行补充，即只要识别出了一侧车道线，另一侧车道线就可以根据车道宽度求解。在远视场范围内，由于可能出现两侧车道线都不能成功检测的情况，因此车道线点集的有效点补充没有仅仅依靠车道线等宽的条件，而是加入了卡尔曼滤波的预测结果。在车辆检测过程中，由于车辆的4条边界不能很精确地确定，那么把干扰点集作为清晰集合显然是不合理的。考虑到车辆检测的不精确性，对干扰点集进行了模糊化处理，引入隶属度函数对点集中元素的干扰程度进行描述。2.3车道保持控制算法设计预瞄PID控制器作为车道保持控制算法。结合所使用的车道线模型，建立一个简化的汽车运动模型，固结在汽车质心的世界坐标系如图2所示。图2世界坐标系及汽车运动模型图2中，L为汽车的横向偏移量，ψ为汽车的偏航角。世界坐标系中对两条车道线的中线采用了直线—二次曲线的分段描述形式[9]，如式(1)所示。(1)YB为远、近视场分界线的Y坐标。定义预瞄横向偏移量Lp如式(2)所示。(2)式(2)中，v为车速，tp为预瞄时间，kc为道路弯曲对横向偏移量的影响系数。当车速较低时，预瞄距离也比较近，因此不用考虑道路弯曲对车道保持的影响；当车速较高时，则引入了道路弯曲对车辆横向控制量的影响。车道保持过程中，将预瞄横向偏移量输入PID控制器，该控制器可调节的参数包括比例项、积分项、微分项的系数以及预瞄时间和道路弯曲影响因子kc。3系统实现及实验在研究了横向主动安全系统关键技术的基础上，开发基于THASV-II的仿真平台及实车平台。仿真平台的主要作用是从计算机中读取采集到的数据，离线对算法进行仿真，其主界面如图3所示。图3仿真系统平台在图3中，仿真系统平台主要包括3个操作区，A区是数据显示区，能够显示识别得到的车道线参数，如偏移量、偏航角、曲率等，也能够显示挑选出的跟车目标的数据信息，包括纵向距离和横向距离等。B区是操作区，能够实现从硬盘选取数据文件，设定各项参数，存储识别结果等操作。C区是第2卷第9期2007年9月649中国科技论文在线SCIENCEPAPERONLINE图像显示区，从图中可以看出，识别出的车道线用黑线标识，非跟车目标用白色方框标识，跟车目标用黑色方框标识。而且根据车道及车辆的识别结果，还区分了车辆所处的车道，用字母标识在车辆方框左下角。实车系统的软件部分和仿真系统大体类似，但是加入了数据及图像的采集、记录功能以及对转向执行器的控制功能。实车系统的硬件部分则包括了车体状态传感器、行驶环境感知传感器、计算机系统及转向执行机构。实车系统能够对经过仿真系统优化的算法进行实车试验，对算法在实际路况下的识别与控制效果进行验证与提高。在该平台的基础上，展开了车辆识别、车道识别以及车道保持的相关实验，如图4和图5所示。(a)前车距离本车很近(b)拥挤路况(c)前车驶离本车道(d)前车切入本车道图4车辆及车道识别从图4可以看出，利用本文设计的算法能够有效地对车辆、车道进行识别。由于综合考虑了横、纵向检测的结果，并且采用了抗干扰的车道识别算法，因此能够抑制路面上行驶的车辆对车道识别造成的干扰，从而提高算法在拥挤等路况下的稳定性。(a)横向偏移量(b)偏航角(c)方向盘转角(d)实验车车速图5车道保持实验数据从图5的实验结果可以看出，本文所开发的横向主动安全系统能够有效地对车辆、车道加以识别，并且在此基础上实现了车道保持功能，所开发的辅助系统通过对方向盘的控制，可以保持车辆沿车道行驶，避免由于偏离车道造成的碰撞，还可以降低驾驶员的劳动强度，提高行车安全性。4结论本文介绍了在主动安全汽车THASV-II平台上设计开发的横向主动安全系统。该系统融合了机器视觉获取的图像信息以及激光雷达获取的障碍物数据进行车辆识别，然后将车辆识别结合到车道识别算法中，提出一种抗干扰的车道线检测方法。在车道识别的基础上，实现了车道保持功能。车道保持系统根据车道检测结果以及信息采集模块获取的车辆自身信息生成车道保持的横向控制指令，并通过直流电机伺服机构完成对车辆的横向自动控制。配合实车系统，还开发了仿真平台以提高算法设计的第2卷第9期2007年9月650基于THASV-Ⅱ的横向主动安全系统效率。以THASV-II为平台，进行了车辆识别、车道识别及车道保持的相关实验研究。[参考文献][1]PomerleauDA.Ralph:rapidlyadaptinglateralpos