CN102336163A - 车辆偏航检测装置 - Google Patents

Abstract

本发明提供一种车辆偏航检测装置，包括：环境感知模块，包括用于获取车况信息的车况感应装置和用于获取路况信息的路况感应装置；道路虚拟装置，根据车况感知装置和路况感知装置获取的数据，依照当前车辆的行驶类型计算道路虚拟量；TLC计算装置，根据计算得到的道路虚拟量与车况感知装置和路况感知装置获取的数据计算TLC。本发明可保证车辆即将偏离时在相应时间阈值内驾驶员有足够的时间采取补救措施，又不会引起频繁报警造成对驾驶员的干扰。

Description

车辆偏航检测装置

技术领域

本发明涉及车辆辅助驾驶装置，特别涉及车辆偏航检测装置。

背景技术

在高速公路上行驶的汽车，驾驶员由于长时间驾驶过度疲劳，或对比较长的直道产生厌倦心理，或由生病、打电话、照顾身边未成年人造成的注意力不集中，引起车偏离当前行驶车道，驶入相邻车道或者冲出道路，造成交通事故。

当车将要偏离车道时，通过声、光及振动等方式提醒驾驶员采取正确的操作措施，能有效减少和避免交通事故。车道偏离报警系统是基于基本交通规则的安全系统，其主要功能是在高速或者类似的公路环境中，辅助过度疲惫或者长时间单调驾驶的驾驶员保持车辆在车道内行驶。当由于驾驶员疏忽可能造成车道偏离的时候，警告驾驶员，但是不具备控制车辆运动的功能，对可能引起的碰撞事故的警告在车道偏离报警系统功能之外。

市场上车道偏离报警产品是驾驶员高速驾驶时发生了车道偏离，且未打转向灯，系统会对驾驶员警告；如果驾驶员打转向灯，车偏离原来行驶车道不报警；那么对于未打转向灯驾驶员进行换道，系统会报警，这样，系统迫使驾驶员遵守交通规则，减少由此造成的交通事故。目前国内外对车道偏离报警系统研究的核心内容集中在两个方面：一是道路信息感知系统，二是车道偏离决策系统。道路信息感知系统用于识别道路线，获取道路宽度、曲率等信息；车道偏离决策系统主要研究报警算法，如CCP(Car′s Current Position)算法、TLC(Timeto Lane Crossing)算法等。CCP算法只有当车辆真正驶出车道线时才报警，算法最简单，误警率低，易被驾驶员接受，但预警时间较短造成安全度不高；TLC算法目的是尽可能早地检测到可能的车道偏离。该方法主要根据以后几秒钟内车辆运动假设模型，估计出车辆将离开车道的时间。在计算时主要考虑如下两种运动模型，一是假设车辆航向角保持现有方向不变，二是假设驾驶员保持相同的方向盘转角，根据这两种方法确定车辆运动曲线与相应的车道边界曲线的相交点就表示了车辆将横越车道边界的假定距离，用这个距离再比照现有车辆的速度可以计算出TLC值，当TLC值小于一定的时间阈值T，就发出警告。

车道偏离报警决策算法的评价准则：一是误警率，二是预警时间。频繁误报警造成对驾驶员的干扰；为了减少误报警，就要确定更精确的预警时间。然而在跟随道路线行驶时，不同驾驶员的驾驶行为习惯不同，主要表现在驾驶员操纵下的车辆到道路中心线的距离不同，车辆航向角和道路切线方向之间夹角不同等；每个驾驶员对报警和操纵方向盘的反映时间不同。对于不同驾驶员如果采用统一的车道偏离决策算法，那么会引起驾驶员不希望的报警，造成对驾驶员的干扰。鉴于此，车道偏离决策算法的改进需要结合人的行为，考虑驾驶行为习惯，为每个驾驶员确定不同的预警时间，提高报警的自适应性。

发明内容

本发明的目的在于提供一种车辆偏航检测装置。为具有不同驾驶行为习惯、不同驾驶水平和反应时间的驾驶员提供合适的车道偏离报警装置，报警发生时既要保证给驾驶员预留合适的反应时间采取补救措施，又要保证不会频繁误报警给驾驶员造成太大干扰。

为达到以上目的，本发明所采用的解决方案是：

一种车辆偏航检测装置，包括：

环境感知模块，包括用于获取车况信息的车况感应装置和用于获取路况信息的路况感应装置；

道路虚拟装置，根据车况感知装置和路况感知装置获取的数据，依照当前车辆的行驶类型计算道路虚拟量；

TLC计算装置，根据计算得到的道路虚拟量与车况感知装置和路况感知装置获取的数据计算TLC。

该车辆偏航检测装置还包括比较装置，其将预先设定的阈值与计算得到的TLC进行比较。

该车辆偏航检测装置还包括信号输出装置，其根据该比较装置的比较结果输出所需信号。

该车辆偏航检测装置还包括驾驶习惯识别装置，其根据该路况感知装置获取的数据确定当前的行驶类型。

所述行驶类型是平面线形直道和小曲率道路上行驶时的靠左行驶、居中行驶或靠右行驶，以及大曲率弯道行驶时的平行转弯或切弯。

该道路虚拟装置根据如下方程计算：

$\mathrm{\Δy}=\frac{\mathrm{RMS}\left(e\right)}{e_{\max }}\×(v_x\×\sin \left(\mathrm{RMS}\left(\mathrm{\θ}\right)\right)\×T+0.3)$

其中，v_x是车辆纵向速度，θ为路况感应装置得到的偏航角，T是设定的时间阈值，RMS(e)是一段时间内偏移量e的均方根，RMS(θ)是同一时段内θ的均方根。

在直道和小曲率道路且靠左行驶时，该TLC计算装置根据如下方程计算：

${\mathrm{TLC}}_{\mathrm{adaptive}}\mathrm{Left}=\left\{\begin{array}{cc}\frac{\frac{W}{2}-e_l+\mathrm{\&Delta;y}}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}>0\\ \frac{-\frac{W}{2}-e_r}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}<0\end{array}\right.$

其中，W是路况感应装置得到的道路宽度，θ为路况感应装置得到的偏航角，v_x是车辆纵向速度，e_l和e_r分别为车辆左前轮和右前轮相对道路中心线偏移量，Δy是虚拟量。

在直道和小曲率道路且靠右行驶时，该TLC计算装置根据如下方程计算：

${\mathrm{TLC}}_{\mathrm{adaptive}}\mathrm{Right}=\left\{\begin{array}{cc}\frac{\frac{W}{2}-e_l}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}>0\\ \frac{-\frac{W}{2}-e_r-\mathrm{\&Delta;y}}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}<0\end{array}\right.$

其中，W是路况感应装置得到的道路宽度，θ为路况感应装置得到的偏航角，v_x是车辆纵向速度，e_l和e_r分别为车辆左前轮和右前轮相对道路中心线偏移量，Δy是虚拟量。

在直道和小曲率道路居中行驶时，该TLC计算装置根据如下方程计算：

$\mathrm{TLC}=\left\{\begin{array}{cc}\frac{\frac{W}{2}-e_l}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}>0\\ \frac{-\frac{W}{2}-e_r}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}<0\end{array}\right.$

其中，W是路况感应装置得到的道路宽度，θ为路况感应装置得到的偏航角，v_x是车辆纵向速度，e_l和e_r分别为车辆左前轮和右前轮相对道路中心线偏移量。

在高速公路出入口等大曲率左转弯且向内切弯行驶时，该TLC计算装置根据如下方程计算：

$\left\{\begin{array}{c}{f}_l\left(l_1\right)+\mathrm{\&Delta;y}=f\left(l_1\right)+\frac{a}{2}\\ f_r\left(l_2\right)=f\left(l_2\right)-\frac{a}{2}\end{array}\right.$

${\mathrm{TLC}}_{\mathrm{adaptive}}\mathrm{LeftCutting}=\frac{\min (l_1,l_2)}{v_x}$

其中，l₁和l₂分别为从当前位置到车辆未来行驶轨迹相交于左侧和右侧虚拟道路线时的距离，Δy是虚拟量，a是为车辆前轴轮距。

在高速公路出入口等大曲率右转弯且向内切弯行驶时，该TLC计算装置根据如下方程计算：

$\left\{\begin{array}{c}{f}_l\left(l_1\right)=f\left(l_1\right)+\frac{a}{2}\\ f_r\left(l_2\right)-\mathrm{\&Delta;y}=f\left(l_2\right)-\frac{a}{2}\end{array}\right.$

${\mathrm{TLC}}_{\mathrm{adaptive}}\mathrm{RightCutting}=\frac{\min (l_1,l_2)}{v_x}$

其中，l₁和l₂分别为从当前位置到车辆未来行驶轨迹相交于左侧和右侧虚拟道路线时的距离，Δy是虚拟量，a是为车辆前轴轮距。

在高速公路出入口等大曲率左转弯且平行转弯行驶时，该TLC计算装置根据如下方程计算：

$\left\{\begin{array}{c}{f}_l\left(l_1\right)=f\left(l_1\right)+\frac{a}{2}\\ f_r\left(l_2\right)=f\left(l_2\right)-\frac{a}{2}\end{array}\right.$

${\mathrm{TLC}}_{\mathrm{adaptive}}\mathrm{Turn}=\frac{\min (l_1,l_2)}{v_x}$

其中，l₁和l₂分别为从当前位置到车辆未来行驶轨迹相交于左侧和右侧原道路线时的距离，a是为车辆前轴轮距。

由于采用了上述方案，本发明具有以下特点：可保证车辆即将偏离时在相应时间阈值内驾驶员有足够的时间采取补救措施，又不会引起频繁报警造成对驾驶员得干扰；当小于时间阈值且未打转向灯时，可通过声、光及振动等方式警告驾驶员；并且结合ISO标准关于车道偏离报警系统性能要求与检测方法规定的最晚报警线报警方法，可使自适应车道偏离报警装置的漏报警次数降到最低。

附图说明

图1是不同驾驶习惯示意图。

图2是实际道路偏航示意图。

图3是带有虚拟道路的偏航示意图。

图4是本发明一具体实施例的框图。

具体实施方式

以下结合附图所示实施例对本发明作进一步的说明。

本发明利用驾驶模拟器采集驾驶员操作下的车辆运动状态来建立驾驶行为习惯模型，用来识别分析驾驶员行为习惯，根据识别出的驾驶行为习惯来虚拟道路线，建立自适的车道偏离报警算法及装置。

如图1所示，通常将与车道偏离报警有关的驾驶行为习惯分类为：在高速公路常见平面线形直道和小曲率道路上行驶时分为靠左行驶、居中行驶和靠右行驶；在高速公路出入口等大曲率弯道行驶时分为平行转弯和切弯。

可以利用驾驶模拟器模拟驾驶员操纵车辆的情况，驾驶员可操纵方向盘转角、加速踏板和制动踏板；其道路场景和车辆实时运动状态可由动画显示；基于硬件在环仿真实验平台可实时得到并采集驾驶员操纵下的车辆动力学参数及车辆和道路之间的相对位置参数，数据采集频率100HZ。实验道路采用高速公路常见平面线型，直道、缓和曲线和圆弧，路宽3.75m，驾驶员行驶速度不低于60km/h。利用驾驶模拟器分别采集各组驾驶员的驾驶数据作为观察序列O，包括车辆相对道路线的侧向偏移量e，车辆纵轴线与道路中心线切线之间偏航角θ。每位驾驶员驾驶次数不低于10次。

上述驾驶员行为习惯分类的模型可基于隐马尔科夫模型建立，隐马尔科夫模型是双重的随机过程，由隐马尔科夫链和一般随机机过程组成。此处，隐马尔科夫链是指状态为隐藏的马尔科夫链。而马尔可夫链是时间离散、状态离散的马尔科夫过程，即具有无后效性的随机过程，也就是t_m时刻所处状态的概率只和t_m-1时刻的状态有关，而与t_m-1时刻之前的状态无关。隐马尔科夫模型是现有技术，在相关文献中已有介绍。

隐马尔科夫模型有五大要素：隐状态Q、观察状态O、初始概率π、状态转移概率A和两状态对应概率B。

Q＝{Q₁ Q₂…Q_N}代表一组状态的集合，其状态为隐藏的，个数为N，此处不定义隐状态具体的物理意义，仅作为模型的内部参数；

O＝{O₁ O₂…O_T}代表观察状态的集合，其个数为T。

π＝(π_i}，π_i＝p{q₁＝Q_i|1≤i≤N}为第i个隐状态在初始时刻的概率；

A＝{a_ij}，

为t时刻隐状态i转移至隐状态j的概率，l≤i，j≤N。

B＝{b_j(k)|1≤k≤T}，b_j(k)为隐状态j输出的相应的观察值的概率。

隐马尔科夫链由π、A描述；另一部分随机过程由B描述。隐马尔科夫模型参数可记为λ＝(π，A，B)。对于驾驶员行为习惯，观察序列为随时间变化的连续状态，此处B不再是一个矩阵，而是一组观察值概率密度函数，即

                            B＝{b_j(O)，j＝1，2，…，N}

高斯混合模型是用来描述b_j(O)参数的广泛应用的方法。用公式描述

$b_j\left(O\right)=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{c}_{\mathrm{jk}}{b}_{\mathrm{jk}}\left(O\right)=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{c}_{\mathrm{jk}}N(O,{\mathrm{\&mu;}}_{\mathrm{jk}},{\mathrm{\&Sigma;}}_{\mathrm{jk}}),1\&le;j\&le;N$

其中，N(O，μ_jk，∑_jk)为多维高斯概率密度函数，

$N(O,{\mathrm{\&mu;}}_{\mathrm{jk}},{\mathrm{\&Sigma;}}_{\mathrm{jk}})=\frac{1}{{(2\mathrm{\&pi;}\&CenterDot;|{\mathrm{\&Sigma;}}_{\mathrm{jk}}\left|\right)}^2}\&CenterDot;e^{\frac{-0.5{(O-{\mathrm{\&mu;}}_{\mathrm{jk}})(O-{\mathrm{\&mu;}}_{\mathrm{jk}})}^T}{\left|{\mathrm{\&Sigma;}}_{\mathrm{jk}}\right|}}$

μ_jk为其均值矢量，∑_jk为方差矩阵，M为组成b_j(O)的高斯混合数目，c_jk为权重，且

$\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{c}_{\mathrm{jk}}=1,c_{\mathrm{jk}}\&GreaterEqual;0$

于是高斯混合隐马尔科夫模型可以表示为：λ＝{π A c μ∑ M}

Baum-Welch算法是一种公知的方法，其重估公式，在估计π、A参数时仍适用，但估计描述b_j(O)的参数，必须加以修正。

设观察序列为O＝O₁ O₂...O_T，则可推导出重估公式为

${\stackrel{\&OverBar;}{c}}_{\mathrm{jk}}=\frac{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_t(j,k)}{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_t\left(j\right)},1\&le;j\&le;N,1\&le;k\&le;M$

${\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{\mathrm{jk}}=\frac{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_t(j,k)O_t}{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_t(j,k)},1\&le;j\&le;N,1\&le;k\&le;M$

${\stackrel{\&OverBar;}{\mathrm{\&Sigma;}}}_{\mathrm{jk}}=\frac{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_t(j,k)(O_t-{\mathrm{\&mu;}}_{\mathrm{jk}}){(O_t-{\mathrm{\&mu;}}_{\mathrm{jk}})}^T}{\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&gamma;}}_t(j,k)},1\&le;j\&le;N,1\&le;k\&le;M$

γ_t(j)为t时刻处于状态Q_j的概率；α_t(j)为在给定的模型下，到时刻t时输出观察序列为O₁ O₂...O_t，并且时刻t的状态是Q_j的概率；β_t(j)为在给定的模型下，当时刻t的状态是Q_j时，从时刻t+1到序列结束的输出观察序列为O_t+1O_t+2...O_T的概率。

${\mathrm{\&gamma;}}_t\left(j\right)=P(q_t=Q_j,O|\mathrm{\&lambda;})=\frac{{\mathrm{\&alpha;}}_t\left(j\right){\mathrm{\&beta;}}_t\left(j\right)}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t\left(j\right){\mathrm{\&beta;}}_t\left(j\right)},1\&le;t\&le;T,1\&le;j\&le;N$

${\mathrm{\&gamma;}}_t(j,k)=P(q_t=S_j,M_{\mathrm{jt}}=k|O,\mathrm{\&lambda;})={\mathrm{\&gamma;}}_t\left(j\right)\frac{c_{\mathrm{jk}}N(O,{\mathrm{\&mu;}}_{\mathrm{jk}},{\mathrm{\&Sigma;}}_{\mathrm{jk}})}{\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{c}_{\mathrm{ji}}N(O,{\mathrm{\&mu;}}_{\mathrm{ji}},{\mathrm{\&Sigma;}}_{\mathrm{ji}})},1\&le;j\&le;N,1\&le;k\&le;M$

驾驶员行为习惯模型通过离线建立，首先设置高斯混合隐马尔科夫模型初始参数λ＝(π A c μ∑ M}，π＝{π_i}可设置为首元素非零的矩阵；A＝{a_ij}可设置为主对角线和次对角线元素非零的矩阵；此处选择偏移量e和偏航角θ作为观察状态向量，对每个观察状态向量进行聚类，得到连续混合正态分布，进而获取各隐状态的{c μ ∑}初始参数。

然后利用驾驶模拟器采集数据的80％用作训练模型的观察值序列，运用Baum-Welch算法的递归思想，得到新的模型参数

使

局部最大，

即为得到的模型参数向量，代表此类采样数据的模型。

建立的各驾驶行为习惯模型，构成驾驶行为习惯库，其参数写入控制器可供调用。

利用已知驾驶行为习惯数据作为验证观察序列，分别计算其驾驶行为习惯库内各驾驶行为习惯模型下的可能性，可能性最大的模型参数即为此观察序列的行为习惯。计算多组验证观察序列，如果识别结果与已知习惯相符，那么驾驶行为习惯模型可用。

根据TLC算法，对上面不同驾驶习惯的情况，计算TLC_adaptive

I.在高速公路常见平面线型小曲率道路时，计算TLC的方法。

估算TLC的公式如下：

$\mathrm{TLC}=\frac{l}{v_x}---(1-1)$

其中v_x是车辆纵向速度，可由车速传感器获得；l是从当前位置到车辆左前轮或右前轮轨迹相交于道路边界线时，沿着车辆纵轴线方向的距离；为了估算TLC，由于小曲率道路，方向盘转角基本在零附近，故假设几秒钟内车辆航向角保持不变，那么车辆未来行驶轨迹为直线，如图2。

e为道路信息感知系统得到的偏移量，车辆质心在道路中心线左侧为正，右侧为负；θ为道路信息感知系统得到的偏航角，车头朝左侧为正，朝右侧为负；W为道路信息感知系统得到的道路宽度；车辆左前轮和右前轮相对道路中心线偏移量分别为e_l和e_r，其中L_f为车辆质心到前轴的距离；a为车辆前轴轮距。

e_l＝e+L_f×sinθ+a×cosθ/2                                    (1-2)

e_r＝e+L_f×sinθ-a×cosθ/2                                    (1-3)

当θ＞0时，车辆左前轮最早和左侧道路边界线相交，此时车辆左前轮偏移量为ep_l

${\mathrm{ep}}_l=\frac{W}{2}---(1-4)$

δ是由于道路曲率引起的偏移量，当曲率很小时，δ可忽略不计，当为直道时δ＝0。

ep_l＝e_l+l×sinθ                                              (1-5)

同样，当θ＜0时，车辆右前轮最早和右侧道路边界线相交，此时车辆右前轮偏移量为ep_r

${\mathrm{sp}}_r=-\frac{W}{2}=e_r+l\&times;\sin \mathrm{\&theta;}---(1-6)$

那么，TLC计算公式如下：

$\mathrm{TLC}=\left\{\begin{array}{cc}\frac{\frac{W}{2}-e_l}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}>0\\ \frac{-\frac{W}{2}-e_r}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}<0\end{array}\right.---(1-7)$

θ＝0时，车辆纵轴线和车道中心线切线平行，利用车辆当前位置进行决策，当车辆左前轮或者右前轮压到车道边界线报警。

II.高速公路出入口等大曲率弯道时，为了能跟随大曲率道路，方向盘转角比较大。此时估算TLC，不能假设车辆航向角不变，故假设几秒内方向盘转角不变。方向盘转角不变，则车辆的运动曲线跟车道边界的回归曲线模型相类似，在车辆坐标系下可以描述为：

$y=f\left(x\right)=\mathrm{\&theta;}\&CenterDot;x+\frac{1}{2}{c}_c\&CenterDot;x^2---(2-1)$

其中，c_c＝sin(σ/Z)/L，σ方向盘转角，Z为转向传动比，L为车辆轴距。

道路信息感知系统提供在车辆坐标系下的左右道路线信息y_l和y_r：

y_l＝f_l(x)＝a₀+a₁x+a₂x²+a₃x³    y_r＝f_r(x)＝b₀+b₁x+b₂x²+b₃x³    (2-2)

如图3所示，x为沿车辆纵轴线的距离，y_l(y_r)为在车辆坐标系下，左侧(右侧)道路线的表达式，其中a₀、a₁、a₂和a₃为左侧道路线三次多项式曲线的系数，b₀、b₁、b₂和b₃为右侧道路线三次多项式曲线的系数。

l₁(l₂)为车辆未来行驶轨迹相较于左侧(右侧)道路线时的距离，那么可通过分别求解下列方程的根来求解l₁和l₂。

$\left\{\begin{array}{c}{f}_l\left(l_1\right)=f\left(l_1\right)+\frac{a}{2}\\ f_r\left(l_2\right)=f\left(l_2\right)-\frac{a}{2}\end{array}\right.---(2-3)$

其中a是为车辆前轴轮距。由于三次方程根不便求解，采用二分法进行迭代求解。在区间0≤x≤v_x×T内如果存在根的话，那么

$\frac{l_1\left(l_2\right)}{v_x}\&le;T---(2-4)$

则车辆即将发生偏离车道线。

因此，在大曲率弯道处，判断车辆是否即将偏离道路线的问题，转化为三次方程在区间0≤x≤v_x×T内是否有根的问题，可用二分法进行解决。

由此可以得出，车辆相对真实道路的TLC计算公式。

而对于虚拟道路状态，根据ISO17361：2007(E)《智能运输系统车道偏离报警系统性能要求与检测方法》规定报警区域处于最早报警线和最晚报警线之间，报警时保证车辆左前轮或者右前轮处于在所规定的报警区域内。在虚拟道路线下TLC算法报警时，应满足ISO17361：2007(E)的规定。

为减小驾驶员靠边行驶和切弯行驶时，频繁报警对驾驶员造成的干扰，向外虚拟道路线，侧向虚拟量Δy，见图3。靠左行驶时向外虚拟左侧道路边界线，靠右行驶向外虚拟右侧道路边界线，切弯行驶时向外虚拟内侧道路线，居中行驶和平行转弯时保持视觉系统得到的原道路线。

以靠左行驶习惯且θ＞0为例说明虚拟道路线方法。

ISO17361：2007(E)规定，对于乘用车，最晚报警线在道路边界线外侧0.3m处。那么报警发生时，左前轮偏移量

$e_l\&le;\frac{W}{2}+0.3---(3-1)$

那么车辆即将偏离左侧虚拟道路线的时间如下：

${\mathrm{TLC}}_{\mathrm{adaptive}}=\frac{\frac{W}{2}-e_l+\mathrm{\&Delta;y}}{v_x\&times;\sin \mathrm{\&theta;}}---(3-2)$

其中Δy是虚拟量。当TLC_adaptive＝T时，报警发生，此时左前轮偏移量满足下式：

$e_l=\frac{W}{2}-v_x\&times;\sin \mathrm{\&theta;}\&times;T+\mathrm{\&Delta;y}---(3-3)$

综合上述公式可得

0≤Δy≤v_x×sinθ×T+0.3    Δy_max＝v_x×sinθ×T+0.3               (3-4)

车辆质心最大偏移量为：

$e_{\max }=\frac{W}{2}+0.3-\frac{a}{2}---(3-5)$

驾驶员驾驶行为习惯是个定性的概念，其定性的概念表现为不同驾驶员操作下的车辆的偏移量e和偏航角θ是不同的。具有不同驾驶行为习惯的驾驶员，车辆偏移量和偏航角不同；同一个驾驶员在不同时间段内，车辆偏移量和偏航角也不同。因此，引入比例因子κ，是偏移量的函数，驾驶行为习惯在一段时间内是相对稳定的，为了避免偏移量e个别异常值，取一段时间内偏移量的均方根RMS(e)除以最大偏移量作为这段时间内的比例因子。由于一段时间内，偏航角θ可能为正也可能为负，且避免引起突变，Δy_max中取这段时间内θ的均方根RMS(θ)代替θ。

$\mathrm{\&kappa;}=\frac{\mathrm{RMS}\left(e\right)}{e_{\max }}---(3-6)$

Δy＝κ×(v_x×sin(RMS(θ))×T+0.3)                                (3-7)

那么自适应虚拟道路边界线相对原道路边界线向外的虚拟量为：

$\mathrm{\&Delta;y}=\frac{\mathrm{RMS}\left(e\right)}{e_{\max }}\&times;(v_x\&times;\sin \left(\mathrm{RMS}\left(\mathrm{\&theta;}\right)\right)\&times;T+0.3)---(3-8)$

可以取t＝3s，采样步长0.01s，则取样数据为300个，道路数据0.01s刷新一次，比例因子和Δy也相应的改变。

上述Δy的公式同样适用于靠右行驶和切弯行驶情况。

自适应虚拟道路线之后，计算车辆即将偏离虚拟道路线的时间TLC_adaptive，计算方法同计算车辆即将偏离原道路边界线的时间。

小曲率道路靠左行驶驾驶行为习惯：

${\mathrm{TLC}}_{\mathrm{adaptive}}\mathrm{Left}=\left\{\begin{array}{cc}\frac{\frac{W}{2}-e_l+\mathrm{\&Delta;y}}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}>0\\ \frac{-\frac{W}{2}-e_r}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}<0\end{array}\right.---(4-1)$

小曲率道路靠右行驶驾驶行为习惯：

${\mathrm{TLC}}_{\mathrm{adaptive}}\mathrm{Right}=\left\{\begin{array}{cc}\frac{\frac{W}{2}-e_l}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}>0\\ \frac{-\frac{W}{2}-e_r-\mathrm{\&Delta;y}}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}<0\end{array}\right.---(4-2)$

居中行驶不虚拟道路线，计算方法同与第1组方程相同。

大曲率道路切弯行驶时，对于向左转弯，对于方程

$\left\{\begin{array}{c}{f}_l\left(l_1\right)+\mathrm{\&Delta;y}=f\left(l_1\right)+\frac{a}{2}\\ f_r\left(l_2\right)=f\left(l_2\right)-\frac{a}{2}\end{array}\right.---(4-3)$

如果在区间0≤x≤v_x×T内存在根l₁或者l₂，则车辆即将偏离虚拟道路线。

对于向右转弯，则判断如下方程

$\left\{\begin{array}{c}{f}_l\left(l_1\right)=f\left(l_1\right)+\frac{a}{2}\\ f_r\left(l_2\right)-\mathrm{\&Delta;y}=f\left(l_2\right)-\frac{a}{2}\end{array}\right.---(4-4)$

在区间0≤x≤v_x×T内是否存在根l₁或者l₂，如果有根，则车辆即将偏离虚拟道路线。

平行转弯行驶不虚拟道路线，计算方法与第2组方程相同。

根据上面计算的结果，与设定的时间阈值相比较。时间阈值是根据驾驶员反应时间和驾驶水平而定，时间阈值范围0.5s≤T≤2s，可由驾驶员输入设定，分为两种模式：A等级模式，共四个等级，分别为1熟练反应快，2不熟练反映快，3熟练反映慢，4不熟练反应慢，时间阈值分别对应0.5s，1s，1.5s和2s，由驾驶员输进相符的等级；B时间模式，由驾驶员直接根据测量的个人反映时间输入0.5s≤T≤2s之内任意值。所输入的时间阈值应能保证报警时驾驶员有足够的时间采取补救措施。

时间阈值是根据驾驶员的反应时间和驾驶熟练程度选择，且TLC是在虚拟道路线下计算得到的，将TLC与时间阈值T相比较，当TLC＜T时，车辆即将偏离车道线，如果此时驾驶员未打转向灯则代表驾驶员是无意识的偏离，则可以报警。如果驾驶员打开转向灯，代表驾驶员处于有意识状态，那么则不报警。此自适应车道偏离报警算法可保证车辆即将偏离时在相应时间阈值内驾驶员有足够的时间采取补救措施，又不会引起频繁报警造成对驾驶员得干扰。

根据上述原理，本发明公开一种车辆偏航检测装置10，如图4所示。

该装置10包括环境感知模块100，包括车况感应装置110，其可以是一个或多个用以获取车况数据的传感器，如车速传感器，用以获取车速数据，以及方向盘转角传感器，用以获取方向盘转角σ。

该模块100还包括路况感知装置120，用以获得车辆相对道路线的侧向偏移量e和车辆纵轴线与道路中心切线之间的偏航角θ。该路况感知装置120还可获得道路宽度W。当然，W也可作为固定参数预先置于该装置10中，如该装置10中的存储装置中。车辆左前轮和右前轮相对道路中心线偏移量分别为e_l和e_r可以通过直接或者间接方式获得，如可以直接利用传感器获得上述两个偏移量，或者根据车辆轴距和偏移量e间接计算得到。该路况感知装置120还可获取由于道路曲率引起的偏移量δ。

该路况感知装置120可采用多种现有方式获取路况信息，如视频识别。在一些为无人驾驶汽车设置的智能道路上，还可以通过与设置道路上的识别装置交互信息而获取路况信息。

对于车辆的结构参数，如车辆质心到前轴的距离L_f和车辆前轴轮距a、转向传动比Z以及车辆轴距L等，可类似地预先存储在装置10中。

如图4所示，本发明的偏航检测装置10还包括驾驶习惯识别装置200，其根据路况感知装置120获取的数据，结合前述隐马尔科夫模型，得出当前车辆行驶类型是前述分类(在高速公路常见平面线形直道和小曲率道路上行驶时分为靠左行驶、居中行驶和靠右行驶；在高速公路出入口等大曲率弯道行驶时分为平行转弯和切弯)中的哪一种。本发明的偏航装置10还包括道路虚拟装置300，该装置300根据车况感知装置110和路况感知装置120获取的数据，依照当前车辆的行驶类型计算道路虚拟量。该道路虚拟装置300根据第3组公式计算虚拟量Δy。

基于行驶类型的TLC计算装置400则计算当前状态下的TLC，可根据第1组、第2组或第4组公式计算。

然后比较装置500比较预先输入的阈值和当前计算得到的TLC，然后根据比较结果，操作信号输出装置600。

该信号输出装置600可以是报警装置。当TLC＜T时，车辆即将偏离车道线，如果此时驾驶员未打转向灯则代表驾驶员是无意识的偏离，则可以报警。如果驾驶员打开转向灯，代表驾驶员处于有意识状态，那么则不报警。

除了报警信号，该信号输出装置600还可以输出其他用于操作车辆的信号。如直接打开转向灯。或者，在无人驾驶状态下，可以输出操作车辆方向的信号。

如前所述，本发明的装置中，该环境感知模块100间隔一定时间就获取一次车况信息和路况信息，如每隔0.01秒。这样，可以实时测算偏移量和TLC，从而可以实时监测当前车辆的偏航状态。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，不脱离本发明的范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (12)

1.一种车辆偏航检测装置，其特征在于，该装置包括：

环境感知模块，包括用于获取车况信息的车况感应装置和用于获取路况信息的路况感应装置；

道路虚拟装置，根据车况感知装置和路况感知装置获取的数据，依照当前车辆的行驶类型计算道路虚拟量；

TLC计算装置，根据计算得到的道路虚拟量与车况感知装置和路况感知装置获取的数据计算TLC。

2.根据权利要求1所述的车辆偏航检测装置，其特征在于，该车辆偏航检测装置还包括比较装置，其将预先设定的阈值与计算得到的TLC进行比较。

3.根据权利要求2所述的车辆偏航检测装置，其特征在于，该车辆偏航检测装置还包括信号输出装置，其根据该比较装置的比较结果输出所需信号。

4.根据权利要求1所述的车辆偏航检测装置，其特征在于，该车辆偏航检测装置还包括驾驶习惯识别装置，其根据该路况感知装置获取的数据确定当前的行驶类型。

5.根据权利要求4所述的车辆偏航检测装置，其特征在于，所述行驶类型是平面线形直道和小曲率道路上行驶时的靠左行驶、居中行驶或靠右行驶，以及大曲率弯道行驶时的平行转弯或切弯。

6.根据权利要求1所述的车辆偏航检测装置，其特征在于，该道路虚拟装置根据如下方程计算道路虚拟量：

$\mathrm{\&Delta;y}=\frac{\mathrm{RMS}\left(e\right)}{e_{\max }}\&times;(v_x\&times;\sin \left(\mathrm{RMS}\left(\mathrm{\&theta;}\right)\right)\&times;T+0.3)$

其中，v_x是车辆纵向速度，θ为路况感应装置得到的偏航角，T是设定的时间阈值，RMS(e)是一段时间内偏移量e的均方根，RMS(θ)是同一时段内θ的均方根。

7.根据权利要求1所述的车辆偏航检测装置，其特征在于，在直道和小曲率道路且靠左行驶时，该TLC计算装置根据如下方程计算：

${\mathrm{TLC}}_{\mathrm{adaptive}}\mathrm{Left}=\left\{\begin{array}{cc}\frac{\frac{W}{2}-e_l+\mathrm{\&Delta;y}}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}>0\\ \frac{-\frac{W}{2}-e_r}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}<0\end{array}\right.$

其中，W是路况感应装置得到的道路宽度，θ为路况感应装置得到的偏航角，v_x是车辆纵向速度，e_l和e_r分别为车辆左前轮和右前轮相对道路中心线偏移量，Δy是虚拟量。

8.根据权利要求1所述的车辆偏航检测装置，其特征在于，在直道和小曲率道路且靠右行驶时，该TLC计算装置根据如下方程计算：

${\mathrm{TLC}}_{\mathrm{adaptive}}\mathrm{Right}=\left\{\begin{array}{cc}\frac{\frac{W}{2}-e_l}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}>0\\ \frac{-\frac{W}{2}-e_r-\mathrm{\&Delta;y}}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}<0\end{array}\right.$

其中，W是路况感应装置得到的道路宽度，θ为路况感应装置得到的偏航角，v_x是车辆纵向速度，e_l和e_r分别为车辆左前轮和右前轮相对道路中心线偏移量，Δy是虚拟量。

9.根据权利要求1所述的车辆偏航检测装置，其特征在于，在直道和小曲率道路居中行驶时，该TLC计算装置根据如下方程计算：

$\mathrm{TLC}=\left\{\begin{array}{cc}\frac{\frac{W}{2}-e_l}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}>0\\ \frac{-\frac{W}{2}-e_r}{v_x\&times;\sin \mathrm{\&theta;}}& \mathrm{\&theta;}<0\end{array}\right.$

其中，W是路况感应装置得到的道路宽度，θ为路况感应装置得到的偏航角，v_x是车辆纵向速度，e_l和e_r分别为车辆左前轮和右前轮相对道路中心线偏移量。

10.根据权利要求1所述的车辆偏航检测装置，其特征在于，在大曲率道路左转弯且向内切弯行驶时，该TLC计算装置根据如下方程计算：

$\left\{\begin{array}{c}{f}_l\left(l_1\right)+\mathrm{\&Delta;y}=f\left(l_1\right)+\frac{a}{2}\\ f_r\left(l_2\right)=f\left(l_2\right)-\frac{a}{2}\end{array}\right.$

${\mathrm{TLC}}_{\mathrm{adaptive}}\mathrm{LeftCutting}=\frac{\min (l_1,l_2)}{v_x}$

其中，l₁和l₂分别为从当前位置到车辆未来行驶轨迹相交于左侧和右侧虚拟道路线时的距离，Δy是虚拟量，a是为车辆前轴轮距。

11.根据权利要求1所述的车辆偏航检测装置，其特征在于，在大曲率道路右转弯且向内切弯行驶时，该TLC计算装置根据如下方程计算：

$\left\{\begin{array}{c}{f}_l\left(l_1\right)=f\left(l_1\right)+\frac{a}{2}\\ f_r\left(l_2\right)-\mathrm{\&Delta;y}=f\left(l_2\right)-\frac{a}{2}\end{array}\right.$

${\mathrm{TLC}}_{\mathrm{adaptive}}\mathrm{RightCutting}=\frac{\min (l_1,l_2)}{v_x}$

其中，l₁和l₂分别为从当前位置到车辆未来行驶轨迹相交于左侧和右侧虚拟道路线时的距离，Δy是虚拟量，a是为车辆前轴轮距。

12.根据权利要求1所述的车辆偏航检测装置，其特征在于，在大曲率道路左转弯且平行转弯行驶时，该TLC计算装置根据如下方程计算：

$\left\{\begin{array}{c}{f}_l\left(l_1\right)=f\left(l_1\right)+\frac{a}{2}\\ f_r\left(l_2\right)=f\left(l_2\right)-\frac{a}{2}\end{array}\right.$

${\mathrm{TLC}}_{\mathrm{adaptive}}\mathrm{Turn}=\frac{\min (l_1,l_2)}{v_x}$

其中，l₁和l₂分别为从当前位置到车辆未来行驶轨迹相交于左侧和右侧原道路线时的距离，a是为车辆前轴轮距。

Images