車道偏離輔助系統技術現狀與發展＊

潘湘蕓，孫仁云，鄧美俊，何倩

（西華大學汽車與交通學院，四川 成都 610039）

前言

隨著智能制造技術的發展和應用，汽車的智能化和自動化程度越來越高，智能汽車和自動駕駛技術是當前汽車行業發展主要方向。先進駕駛輔助系統（Advanced Driving Assis-tance System，ADAS）是保障智能汽車行駛安全的重要部分，現階段交通事故頻發，由于交通事故造成的人員傷亡量巨大，汽車安全成為大家關注的重要方面，ADAS作為提高汽車安全的有效裝置是各大車廠發展重要方向，已成為汽車廠商的新賣點[1]。

車道偏離預警系統（Lane Departure Warning System，LDWS）和車道保持輔助系統（Lane Keeping Assist System，LKAS）都是ADAS的重要組成部分，它們共同構成車道偏離輔助系統，其主要作用是針對無意識車道偏離的情況進行安全預警和控制以實現汽車的主動安全。

車道偏離輔助系統的結構框圖如圖1所示。車道檢測采集駕駛環境信息，并識別車道線，駕駛員意圖識別對駕駛員的駕駛狀態進行監測，檢測結果和車輛自身信息被一同送入車道偏離預警系統，車道偏離預警系統對這些信息進行數據處理，若是汽車出現無意識偏離車道的情況，系統就將控制信號發送給報警裝置實現對駕駛員的警告提醒，駕駛員操作檢測對駕駛員的駕駛操作進行識別，再將信息發送給車道保持控制系統，若是駕駛員未及時作出響應則車道保持系統對控制執行裝置發出信號，以控制汽車保持在既定車道內，從而降低交通事故的發生率。

圖1 車道偏離輔助系統結構框圖

文章對車道偏離輔助系統的關鍵技術：車道檢測和駕駛員意圖識別技術的國內外研究現狀進行了分析，同時也對LDWS決策算法以及 LKAS控制算法的研究現狀進行了總結。針對目前國內LDWS信息采集技術方面的優化、車道偏離輔助系統的控制算法方面的不足以及ADAS重點工作方向的轉變等問題，對車道偏離輔助系統的未來發展方向進行了展望，希望為今后進一步的研究和發展提供參考。

1 車道檢測

對于車道偏離預警，國內外的學者大多是基于機器視覺進行研究，該方法主要采用攝像頭作為感知傳感器采集道路信息，再通過圖像處理進行車道檢測[2-6]。

傳統的車道檢測方法基于機器學習。傳統車道檢測和預警的總體框圖如圖2所示[7]。

圖2 基于視覺車道檢測和預警總體框圖

車道檢測模塊先利用攝像頭和傳感器采集到的信息進行車道建模，然后經過預處理去除噪聲，增強圖像特征。顏色空間轉換主要是通過灰度化處理突出車道線，感興趣區域（Region of Interest，ROI）選擇是將圖像中需要檢測的車道線部分提取出來，其他部分則不做進一步的處理，以減少對冗余圖像數據的處理。然后利用sobel算子[8]或cannny[9]算法等方法進行車道邊緣特征檢測，過濾無用信息，保留重要結構特征。

車道檢測部分分為基于特征和基于模型兩種方法。前者主要通過提取出車道的顏色、紋理、寬度等幾何特征進行車道檢測[10-11]，基于模型的方法則通過車道參數與數學模型進行擬合實現車道檢測，常用的模型有直線模型[12]、雙曲線模型[13]、拋物線模型[14]等。劉巖等人提出了一種特征模型融合的車道檢測算法，先進行圖像預處理、顏色轉換，并對黃色和白色車道線進行檢測和線性融合，然后提取出邊緣特征，采用最小二乘法對車道線雙曲線模型進行擬合。經實驗驗證，該算法的平均檢測正確率可達96.3 %[15]。

車道跟蹤模塊利用 kalman濾波[16-17]、粒子濾波[18]等方法，根據前一幀的位置信息估計后一幀圖像，從而實現車預測跟蹤。最后將處理后的信息送入車道偏離決策模塊，決策模塊發出控制信號實現對駕駛員的警告。

由于傳統的車道檢測方法存在應用場景局限性，難以根據不同場景自適應調整參數，近年來，基于深度學習的車道檢測方法逐漸興起。

基于深度學習的車道線檢測方法應用最廣的是卷積神經網絡（Convolutional Neural Networks，CNN）法，利用CNN提取車道線特征，再進行車道線擬合[19-22]。

Zhiyuan Zhao等人采用深度強化學習方法，以邊界框的形式進行曲線車道檢測。該方法利用標志點表示車道線位置，深度Q學習定位器根據車輛狀態移動標志點，從而獲得車道曲線。經檢驗，該模型有效提高了曲線車道的檢測精度和工作效率[23]。Shaojiang Wang等人提出一種基于空間擴張卷積神經網絡的車道檢測方法，在改進的MobileNet v2基礎網絡上加入空間擴展卷積層，并采用基于縮放 Y軸的 DBSCAN聚類算法作為實例分割算法。經實驗表明，該方法對簡單車道的檢測準確率可達97.26 %，速度可達40 fps[24]。

雖然基于視覺的道路偏離預警系統研究較多，但是攝像頭采集環境信息受天氣、光亮等外部因素影響較大，且隨著輔助系統的增加，對機器視覺的運用增多，容易造成視覺通道信息過載，所以有許多學者對其他的感知方法進行了一些探索。

芬蘭 Max Sandstr?m 等開發了一種基于汽車方向盤的LDWS算法，使用來自方向盤的信號得到車輛的位置信息，進而檢測即將到來的車道偏離。研究結果證實，該系統可提前3秒發出偏離警告且其靈敏度較高[25]。

基于視覺的車道檢測技術具有較強的研究基礎，且技術發展迅猛，不少研究者將攝像頭與各傳感器結合進行融合感知[26]，使得該技術得到了進一步的發展。相比之下，基于汽車自身信息的LDWS研究基礎相對薄弱一些，在這方面的研究還比較少。

2 駕駛員意圖識別

車道偏離輔助系統主要是針對無意識車道偏離情況進行預警和控制的，駕駛員意圖識別的主要作用是防止系統在駕駛員有意偏離車道的時候（如變道）發出警報，而對駕駛員造成干擾。所以準確識別駕駛員意圖，是車道偏離輔助系統的重要工作之一。

傳統識別系統主要是通過轉向燈實現的，后來為克服此局限性，提高識別準確率，研究者們提出了人類認知模型、駕駛人行為動態特性、隱馬爾科夫模型（Hidden Markov Model，HMM）和支持向量機（Support Vector Machine，SVM）等模型、特性和方法[27]，由于HMM處理時間序列的能力較強，所以其應用更為廣泛[28]。

吉林大學高振海等人采用高斯混合隱馬爾科夫模型，以人－車－路參數作為車道偏離特征參數，建立了識別駕駛員無意識偏離車道偏離行為的數學模型。經測試，該模型對疲勞偏離和次任務偏離的識別率分別達到94.21 %和92.17 %，識別效果較好，但識別率還可進一步提高[29]。江蘇大學劉志強等人提出了一種基于 SVM 的換道意圖辨識方法，選取了不同特征參數組合建立辨識模型，并進行比較分析。研究發現以人—車—路綜合信息為特征參數，選取1.5s時窗內的信息均值和方差表述特征參量所獲得的辨識效果最佳，平均識別準確率可達到93 %[30]。后來，他又聯合SVM和HMM算法構建辨識模型，將辨識準確率進一步提高到95.84 %[31]。

除上述方法外，許多學者也采用深度學習的方法進行意圖識別，主要有神經網絡[32]、長短時記憶網絡[33]以及將神經網絡與高斯混合隱馬爾科夫模型相結合的方法[34]等。

Jinshuan Peng通過建立反向傳播神經網絡模型來進行駕駛員換道行為預測，經檢驗，該模型能提前1.5 s預測駕駛員意圖，預測精度達85.54 %[32]。Yang Xing等人建立了具有長短時記憶單元的集成雙向遞歸神經網絡模型，該模型可根據駕駛員行為和車速等數據提前預測出駕駛員的換道意圖。經驗證，該模型可提前 0.5 s識別出駕駛員意圖且準確率達到96.1 %，但其只針對預期的變道，而不考慮意外和中止的變道行為[35]。

駕駛員意圖識別技術主要采用汽車參數、人體參數以及道路參數作為模型的特征參數，通過優化模型算法和參數設置提高識別精度。精確的駕駛員意圖識別系統可減少誤報率，提高車道偏離輔助系統的可靠性和穩定性。

3 LDWS決策算法

在建立道路模型和汽車的運動模型以后，系統通過LDWS決策算法判斷汽車是否偏離車道線。算法需要具備良好的實時性和準確性，既要保證誤警率盡量少以免干擾駕駛員，又要掌控合適的預警時間，給駕駛員足夠的反應時間。此外，針對不同駕駛員的性格、駕駛習慣等方面需要做出相應的策略以加強系統的適用度。

LDWS決策算法目前使用較多的主要有：跨越車道線時間（Time to Lane Crossing，TLC），基于汽車當前位置（Car Current Position，CCP），基于未來偏移距離（Future Offset Distance，FOD）和基于知識的車道環境感知（Knowledge-Based Interpretation of Road Scenes，KBIRS）四種，文獻[36]對以上算法進行了簡單的介紹。

上述算法中運用最多的是TLC算法[37-39]。覃雄臻等人以TLC算法為基礎，建立了改進的LDWS模型，該模型選取了多種道路場景的綜合閾值，并對距離、角度和時間是否超出閾值進行了多次判斷，從而避免不同場景帶來的判斷誤差，提高了系統精確度和環境適應性[44]。

針對傳統算法存在的一些缺陷與不足，研究者們提出了基于車道線角度[45]、基于坐標投影[46]、基于神經網絡等模型進行改進和完善，以提高預警準確率，減少誤報、漏報問題。

為了使 LDWS針對不同駕駛習慣的駕駛員有相對應的預警方案，吉林大學朱冰等人進行了駕駛員駕駛行為的數據采集、聚類，并利用廣義回歸神經網絡模型進行了駕駛員駕駛習性的辨識，然后采用TLC算法，通過對不同類型的駕駛員設定不同的預警時間閾值實現LDWS的個性化。測試結果表明，該方法對駕駛員駕駛習性辨識的準確度達到92.2 %，并能實現自適應個性化預警[47]。

4 LKAS控制算法

LKAS控制根據車輛實際位置與理想位置設計控制算法使偏移量盡可能小，從而實現車道跟隨。常用LKAS控制算法有PID控制[48]、模糊控制[49]、滑模控制[50]、人工勢場[51]、模型預測控制（MPC）[52]等。研究者們對上述算法上進行了一定的改進和綜合應用以提高系統性能[53-54]。

合肥工業大學胡振國在人工勢場法的基礎上，以TLC作為人工勢場函數的特征參數，計算出不同車速情況下的理想方向盤轉角，通過PID控制方向盤輸入，實現車道跟隨。經仿真驗證，相比于道路勢場法，該方法的實時性以及對不同車速的響應更好[55]。萬遠航等人針對傳統 MPC控制在強非線性工況下魯棒性差的問題，在該算法的基礎上結合了辛普森法則，實時調整車輛模型參數，從而實現了自適應車道保持控制，提高了系統的工作性能和控制精度[56]。

車道保持控制系統作為輔助系統不僅需要實現車道保持功能，還需要實現與駕駛員的協調控制，許多學者在車道保持控制系統的設計中考慮了駕駛員狀態影響，從而實現人機共駕[57-59]。郭烈等人采用串級 MPC-PID控制算法得到總的轉向力矩，然后根據駕駛人轉向力矩采用模糊控制動態調整共駕系數來確定駕駛人與控制系統的駕駛權分配，實現駕駛員與LKAS共同協調控制。該系統能夠有效地降低控制過程中的人機沖突，提高汽車安全性，但人機共駕受許多因素影響，在控制權分配方面還需不斷完善和改進[59]。

5 車道偏離輔助系統發展預測

根據前面對車道檢測技術、駕駛員意圖感知技術以及LDWS和LKAS算法的分析和總結，對車道偏離輔助系統的發展預測如下：

（1）隨著近年來車聯網技術和5G技術的不斷發展，可結合V2X（Vehicle-to-Everything）通信技術進行車道檢測、環境檢測，增加系統的有效性和可靠性。

（2）人工智能是汽車發展的一大方向，許多人工智能算法也被應用于車道偏離預警系統中，且展現出其獨特的優勢，對人工智能算法的廣泛應用和不斷深化是車道偏離預警系統發展的大趨勢。

（3）國內道路狀況多樣，對于無車道線的路況、特殊路況等條件下，車道偏離預警系統的車道識別情況和預警性能還需要進一步的研究。

（4）根據汽標委智能網聯汽車分標委 ADAS工作組第九次會議內容，我國ADAS的重點研究方向正由預警提示功能以及單方向控制等簡單功能逐漸向橫縱向組合控制等復雜功能轉變[60]。車道偏離輔助系統可結合縱向防撞系統進行綜合預警控制，使汽車的安全預警系統更完善。

6 結論

在智能汽車產業快速發展的進程中，車道偏離輔助系統是保障汽車橫向安全的關鍵技術，也是推進智能汽車發展的重要基礎。目前車道偏離輔助系統在復雜的駕駛環境和路面狀況下，其可靠性和識別準確性還存在一些不足，為了優化它在各種環境和路面狀況下的可靠性及識別和判斷的準確性，減少對駕駛人員的額外干擾，并進一步提高汽車行駛主動安全性，對車道偏離輔助系統的環境和路況的識別方法及系統的控制算法還需要開展進一步的探索。