CN110487562A

CN110487562A - 一种用于无人驾驶的车道保持能力检测系统及方法

Info

Publication number: CN110487562A
Application number: CN201910774149.8A
Authority: CN
Inventors: 王云鹏; 张力; 余贵珍; 周彬; 王章宇
Original assignee: Beijing University of Aeronautics and Astronautics
Current assignee: BEIJING TAGE IDRIVER TECHNOLOGY CO.,LTD.
Priority date: 2019-08-21
Filing date: 2019-08-21
Publication date: 2019-11-22
Anticipated expiration: 2039-08-21
Also published as: CN110487562B

Abstract

本发明是一种用于无人驾驶的车道保持能力检测系统及方法，属于无人驾驶技术领域。本系统包括身份辨识模块、前向摄像头、车辆信息采集模块、图像处理模块、存储模块、传输模块、连接电路及云端数据库。本方法结合该系统，获取车辆ID、GPS坐标、速度及转向灯状态，通过摄像头拍摄车辆前方道路场景图像，识别车道线，计算出车辆的车道偏离距离和偏离角。在对一定里程下的无人驾驶车辆进行数据获取后，进行车道保持能力检测，根据转向灯状态区分车辆是否变换车道，根据车道偏离距离和偏离角度来计算车道保持平顺性和安全性的指标值。本发明实现了数据收集及通信功能，实现完备的车道保持能力检测功能，对无人驾驶车辆的测评有良好的指导意义。

Description

一种用于无人驾驶的车道保持能力检测系统及方法

技术领域

本发明属于无人驾驶技术领域，涉及一种用于无人驾驶的车道保持能力检测系统及方法。

背景技术

当前，无人驾驶汽车依靠机器视觉、雷达和全球定位系统等的协同合作，可以在没有人类主动操纵的情况下，安全自主地运行。其中车道保持功能是无人驾驶车辆的核心功能之一，主要通过传感器检测车辆与两侧车道线之间的位置关系，通过判决其相对距离的安全性，修正车辆驾驶行为，从而提高了汽车驾驶的安全性和舒适性。

车道保持能力作为无人驾驶车辆的重要性能指标，对其进行检测及评价有助于对无人驾驶系统水平进行有效评级及评价，提升无人驾驶系统安全性。

当前，国内外在车道保持领域开展了一系列研究，其中，丰田自动车株式会社在2018年4月10日公开了一种车道保持辅助装置(公开号为105377657B的中国发明专利申请)，明确了装置的部件组成及具体的控制方案，可实现车辆一定程度下的车道保持能力，但不涉及车道保持能力评测。

上海汽车集团股份有限公司在2019年1月15日公开了一种车道保持算法的确定方法、车道保持的控制方法及系统(公开号为109204308A的中国发明专利申请)，通过获取车辆行进过程中与车道中心线的距离、偏角以及车辆的道路图像、车辆车速，确定行车状态的即时回报，并据此获得车道保持的动作值。这一研究的重点多集中在车道保持的控制或预警上，没有对车道保持的能力做出评价。

重庆交通大学提出了一种采用主、客观赋权相结合的评价方法，对乘用车自适应巡航系统进行评价(胡广雪邵毅明钟颖等，基于主客观评价的乘用车自适应巡航系统研究，《公路与汽运》2019年第2期)。这一研究在决策模型的建立上引入逼近于理想解的排序方法(TOPSIS)，并验证了测试方法与评价体系的可靠性，但仍局限于理论研究，未考虑数据获取的可行性，且不针对车辆的车道保持能力。

以上装置均不涉及车道保持能力评测。可见，针对无人驾驶车辆的车道保持能力，当前国际上仍缺乏完整成熟的测试评价方法。

此外，多项研究表明，90％以上的交通事故是无人驾驶车辆人为因素引起的，其中87％是由于机动车无人驾驶车辆的违规操作、经验不足、行为规范性差等原因导致的。准确的车辆车道保持能力评价有利于提高驾驶员驾驶行为研究水平，可以为车辆驾驶行为习惯及技能水平的评级及评价提供参考依据，同时优秀驾驶员的车道保持信息可为无人驾驶车辆的车道保持功能设计提供数据支撑。

发明内容

本发明提供一种用于无人驾驶的车道保持能力检测系统及方法，具有数据收集及通信功能，实现完备的车道保持能力检测功能，对无人驾驶车辆的测评有良好的指导意义。

本发明提供的检测系统包括身份辨识模块、前向摄像头、车辆信息采集模块、图像处理模块、存储模块、传输模块、连接电路及云端数据库。身份辨识模块用于采集标识车辆的信息，包括车辆ID，获取后保存在存储模块；车辆信息采集模块用于获取车辆GPS坐标、车辆实时行进速度及转向灯状态，所获取的数据保存在存储模块；GPS为全球定位系统；前向摄像头固定在后视镜附近，用于获取车辆前方道路场景图像；前向摄像头所拍摄的图像传输至图像处理模块；图像处理模块用于识别前向摄像头所摄道路场景图像中结构化道路的车道线，包括白色虚实线、黄色虚实线、双白虚实线以及双黄虚实线，并根据识别的车道线计算车道偏离距离和偏离角度；图像处理模块还识别用于指示行车区域的突起路标及轮廓标；存储模块中的数据通过传输模块传输至云端数据库。

云端数据库存储有设定长度里程下的无人驾驶车辆的车道保持数据，每组车道保持数据包括车道偏离距离、车道偏离角度、车辆实时速度和转向灯状态；首先根据转向灯状态将每组数据进行分类，若转向灯未开启，将该组数据划分为未变换车道部分，若转向灯开启，判断为正常转向，将该组数据划分为变换车道部分；分别对两部分数据计算车辆的车道保持平顺性和车道保持安全性的指标；其中，对未变换车道部分数据，选用车道偏离距离标准差作为反映车道保持平顺性的指标，车道偏离距离标准差越小，说明车辆车道保持水平越高；对变换车道部分数据，选用车道偏离角度标准差作为反映车道保持平顺性的指标，车道偏离角度标准差越小，说明车辆车道保持水平越高。

本发明提供的检测方法包含车道线检测方法、车道保持参数计算方法及车道保持能力评估三大部分，具体包括如下：

步骤1：通过前向摄像头采集车辆前方道路图像，输入至图像处理模块；通过车辆信息采集模块同步采集车辆GPS坐标、车辆速度信息及车辆转向灯状态。

步骤2：图像处理模块对接收到的车辆前方道路图像进行车道线检测，并获取车道偏离距离和偏离角度。

步骤3：通过传输模块将车辆ID、车辆GPS坐标、车辆速度、转向灯状态以及车道偏离距离、车道偏离角度传输至云端数据库。

步骤4：结合云端数据库数据，对无人驾驶车辆车道保持能力进行评估。

对云端数据库存储的无人驾驶车辆的车道保持数据进行分析，每组车道保持数据包括车道偏离距离、车道偏离角度、车辆实时速度和转向灯状态；进行分析的过程包括：首先根据转向灯状态将每组数据进行分类，若转向灯未开启，将该组数据划分为未变换车道部分，若转向灯开启，判断为正常转向，将该组数据划分为变换车道部分；分别对两部分数据计算车辆的车道保持平顺性和车道保持安全性的指标；其中，对未变换车道部分数据，选用车道偏离距离标准差作为反映车道保持平顺性的指标，车道偏离距离标准差越小，说明车辆车道保持水平越高；对变换车道部分数据，选用车道偏离角度标准差作为反映车道保持平顺性的指标，车道偏离角度标准差越小，说明车辆车道保持水平越高。

相对于现有技术，本发明的优点和积极效果在于：(1)本发明的用于无人驾驶车辆车道保持能力的检测方法及系统，实现的功能完整，对无人驾驶车辆的测评有良好的指导意义。利用本发明检测方法及系统，有助于提高无人驾驶测评进程，提升测评效率和质量，同时积累测试数据，进行不同无人驾驶系统间的性能比较，为无人驾驶技术研发与开放道路测试供有力支撑。(2)本发明检测方法及系统中对车道保持能力主要从安全性及平顺性两个维度进行评价，计算合理、反应充分，并且基于所采集的参数还可以提供多因素综合评价。(3)本发明检测方法及系统中的车道线快速检测算法具有较强的鲁棒性，能够实现光线较亮或较暗、交通环境复杂等多工况下的实时车道线检测，基于车道线获取车辆的车道偏离距离和偏离角度，检测快速准确。

附图说明

图1是本发明的无人驾驶车辆车道保持能力检测系统的构成示意图；

图2是本发明的车道线检测的流程示意图；

图3是世界坐标系与图像坐标系的示意图；

图4是世界坐标系下不同平面示意图；

图5是车道保持参数计算流程示意图；

图6是横向距离计算示意图；

图7是车辆质心与车道线、前向摄像头的几何位置关系示意图。

具体实施方式

下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

当前无人驾驶技术研发如火如荼，多项文件规定，申请道路测试的车辆需在自动驾驶测试管理机构认可的封闭试验场，按照有关要求进行过不少于规定里程与规定场景的测试。对自动驾驶能力进行测试与评价是检验其是否满足路测试验准入与大规模商业条件的重要依据，其准确性与可靠性至关重要。但目前少有研究对道路试验过程中无人驾驶车辆的车道保持能力进行客观的记录，无法有效地测量自动车辆的自动水平。同时考虑到道路测试的英里数很容易达到数百万英里，人工记录就不那么可靠了。因此，无人驾驶车辆继续一种客观、量化、便捷、自动化的车道保持能力检测方法，是学术界研究的热点。本发明的研究有助于提高无人驾驶测评进程，提升测评效率和质量，同时积累测试数据，进行不同无人驾驶系统间的性能比较，为无人驾驶技术研发与开放道路测试供有力支撑。

本发明提供的一种用于无人驾驶的车道保持能力检测系统，如图1所示，所述的检测系统包括身份辨识模块、前向摄像头、车辆信息采集模块、图像处理模块、存储模块和传输模块，此外，该系统还配备相应的云端数据库。所述的身份辨识模块、图像处理模块和车辆信息采集模块分别接入存储模块并通过传输模块接入云端数据库。

身份辨识模块用于采集车辆标识ID信息，可使用IC卡读取、手动输入等方式获取后保存在存储模块，并通过传输模块将所获取数据传输至云端数据库。

前向摄像头用于获取车辆前方道路场景图像，为固定在后视镜附近的单个CCD(电荷耦合元件)或CMOS(互补金属氧化物半导体)摄像头，可具有夜视效果，可支持红外补光，拍摄范围为车辆前方的道路场景。前向摄像头将按预定分辨率及帧率对预定区域进行捕捉，所拍摄图像通过串口、并口或者USB接口传输至图像处理模块。

车辆信息采集模块用于获取车辆GPS(全球定位系统)坐标、车辆实时行进速度及转向灯状态信息，可以使用GPS、CAN(控制器局域网络)分析仪、速度传感器或其他具备相应功能的部件集成得到，并通过传输模块将所获取数据传输至云端数据库。

图像处理模块用于识别前向摄像头所摄道路场景图像中结构化道路的车道线，并据此计算车辆偏距和偏角，可由包括NVIDIAJetsonTX2嵌入式开发板等在内的开发板构成。其中，应识别的车道线包括白色虚实线、黄色虚实线、双白虚实线、双黄虚实线等线条，以及用于指示行车区域的突起路标及轮廓标。

存储模块用于存储通信数据信息、车辆ID、图像信息、车辆速度信息、转向灯状态信息及程序数据，可以为服务器、软盘驱动器、硬盘驱动器、CD-ROM读取器、磁光盘读取器等中的至少一种。

传输模块用于数据传输，应能至少支持基于通用GSM、CDMA、TD-SCDMA、WCDMA、CDMA2000等多种无线通信网络以及北斗卫星导航系统传输机制下的通信模式之一。当车辆所在地无线网络支持分组数据传输时，车载终端应首先选择分组数据传输方式；当所在地不支持分组数据传输时，可切换到短信消息方式传送数据；当所在地无线通信网络不通时，可根据需要采用北斗通信方式。

云端数据库应支持不同类型数据的储存，支持可视化操作。云端数据库在每次检测系统被使用时，车辆ID、车道保持参数、车速、转向灯状态及每条报文对应的时间戳均将自动上传到云端平台的数据库中。数据库应具备多种检索功能，便于数据进行筛选、合并、计算等处理和导出操作。

相应地，本发明还提供一种用于无人驾驶的车道保持能力检测方法，所述方法包括如下四个步骤，下面具体说明每个步骤的实现。

第一步，通过前向摄像头采集车辆前方道路图像，输入至图像处理模块；通过车辆信息采集模块同步采集车辆速度和车辆转向灯状态。

第二步，图像处理模块将对接收到的车辆前方道路图像进行车道线检测、车道保持参数获取。

所述的车道线检测包括图像预处理、车道线特征提取和车道线拟合三个部分，如图2所示，所述的车道线检测具体为：

(2.1)图像预处理；

在图像预处理阶段，首先通过逆透视(IPM)变换矩阵将接收的透视图像转换为逆透视图像，生成道路图像的鸟瞰图，此时车道线表现为固定宽度的平行线。变换过程如下。

如图3所示，在欧式空间中分别定义世界坐标系W(x,y,z)和图像坐标系I(u,v)，世界坐标系的y轴对应车辆的行驶方向，z轴对应车辆的垂直地面方向，图像坐标系中以拍摄的图像的左上角为原点垂直和水平方向建立u,v轴。逆透视过程将图像坐标系I下的道路图像转化为世界坐标系W下的z＝0平面。如图4所示，假设前向摄像头安装位置的坐标为世界坐标系中的(w,l,h)，摄像头标定的参数为：γ是摄像头投射在z＝0平面的摄像机光轴o和y轴的夹角，θ是摄像头的光轴o偏离z＝0平面的夹角，2α是摄像头的水平和垂直视角，设R_x、R_y分别是图像序列的水平分辨率和垂直分辨率，则对于输入图像帧内的任意像素(x,y)，通过下式建立与逆透视变换图像对应的像素坐标(u,v)。

为除去原始图像的噪声及周围环境对车道线的干扰，获得更清晰的道路图像，采用二维可分高斯滤波器对逆透视图像进行平滑处理。二维可分高斯滤波器分为水平高斯核和垂直高斯核。在水平方向上，采用高斯滤波器的二阶导数，将水平高斯核的大小设置为原始逆透视图像中标定的车道的宽度。同时，在垂直方向上采用平滑高斯滤波器，根据原始逆透视图像中标定的虚线高度设置滤波器垂直高斯核的大小。

随后，利用canny算子得到边缘图像。这一方法可以有效保留大部分的车道信息，适用于不同宽度的车道。

(2.2)车道线特征提取；

图像预处理后可得到粗略的车道线边缘信息，为了提取可能的车道线位置，使用LSD(a Line Segment Detector，直线提取算法)检测、自适应线性聚类和局部灰度值最大级联空间相关滤波器(GMSF)的方法对车道线特征进行提取。其中，LSD检测的作用是找出逆透视图像中的所有线段，自适应线性聚类的作用是对相邻线段进行聚类，局部灰度值最大级联空间相关滤波器的作用是提取多行之间的目标车道线。

首先采用LSD检测算法对边缘图像中的直线进行检测，实现快速准确地确定车道线的位置。LSD检测算法的实施步骤如下：

步骤1：为消除锯齿效应，使用高斯核采样缩小输入图像。

步骤2：计算每个像素点的梯度值及梯度方向。

步骤3：根据梯度值对所有像素点进行伪排序，对梯度方向相似的像素点进行区域扩散。

步骤4：计算每个扩散区域的最小外接矩形。

步骤5：若最小外接矩形中的像素的水平线角度(level-line angle)与最小外接矩形的主方向的角度差小于设定阈值，则称该像素为同性点。如果最小外接矩形中同性点的密度超过设定阈值，则该最小外接矩形作为输出线段。

对LSD检测到的多条线段，使用自适应线性聚类(ALC)算法对相邻线段进行聚类，同一车道线仅保留一条线段。ALC算法的实施步骤如下：

步骤1：对线段排序。将检测到的线段l_i表示为l_i:x＝k_i*y+b_i,i＝1,…,n,其中(x,y)表示图像的坐标，k_i、b_i为线段的线性表示的参数，根据k_i的值判断两个线段是否平行，根据b_i的值获取两个线段之间的距离。所有线段根据b_i进行从小到大排序。n表示线段数量。

步骤2：生成一个容器bin，从第一个线段开始，将其作为候选车道线放入bin中，然后将距离在预先校准的车道宽度内的周围线段聚类到bin中。当b_i为车道宽度，k_i为设定阈值时，线段才可以聚类到集合bin中。一旦线段被聚集到一个bin中，删除这个线段并对其余线段进行聚类，直到没有可以再聚类的线段。之后创建一个新的bin并再次重复上述过程。

步骤3：更新每个bin中的直线函数。bin中的每个线段表示为x＝k_m*y+b_m(m＝1,…,p)，其中p为bin内线段的数量，然后将bin对应的直线函数的k更新为将参数b更新为

但当路面损坏或前方出现车辆时，干扰线段增多。此时使用局部灰度值最大级联空间相关滤波算法，利用车道线的灰度值高于周围路面的颜色特征、彼此平行且宽度固定的空间特征来提取目标车道线。具体步骤如下：

步骤1：在子区域对检测到的线段进行延伸，并将其分划为左车道线和右车道线。

步骤2：计算每条延伸的左右车道线灰度值之和，并据此分别对左车道线和右车道线进行降序排列。灰度值的和最大的左车道线和右车道线最可能是目标车道线。

步骤3：计算两个目标车道线之间的距离，检查是否满足预定义的车道宽度。如果是，则选择目标车道；反之检查下一个灰度值的和最大的线段，直到选择到目标车道线。

(2.3)车道线拟合。

为解决车道线的漏检问题，采用卡尔曼滤波对车道线的端点进行跟踪，进而对车道线进行跟踪。

为检测曲线车道线，采用抛物线模型拟合车道线，将直线附近的提取点拟合到特定的曲线上。

其中，(a_l,b_l,c_l)和(a_r,b_r,c_r)分别为平行抛物线x_l(左车道线)和x_r(右车道线)的参数，(x_l,y_l)、(x_r,y_r)分别表示抛物线上的点。

分别对左、右车道线进行拟合。在拟合曲线之前，首先根据像素值选择控制点。经过卡尔曼滤波后，检测到的车道线仍为直线。注意在边缘图像中，每条线都有两条边界线。因此在检测到的直线上选择一系列的点，并向左右延伸两个像素点，然后从左到右检查所选点附近的四个扩展像素的值，边缘图像中白色像素点的值为1，黑色像素点的值为0，若扩展像素的值为1，则选为控制点；若有多个值为1的像素，计算中心位置作为控制点。此外，若没有值为1的像素，选择直线上所选的点作为控制点。

确定控制点后，使用鲁棒回归算法RANSAC将控制点拟合到抛物线模型中，得到控制点的最优系数。所述控制点拟合的具体步骤如下：

步骤1：从左侧车道随机选取三个控制点，得到左侧抛物线车道模型的系数a_l、b_l、c_l，建立左侧抛物线车道模型。

步骤2：计算各控制点到左抛物线的距离。将距离小于设置的阈值T₁的控制点视为内点，并统计内点数量。

步骤3：如果内点大于设置阈值T₂，则根据系数a_l、b_l、c_l得到一个候选车道线模型。

步骤4：重复以上步骤1～3，选择内点最多的候选车道线模型作为最终的左车道线模型。

右车道模型拟合与左车道模型拟合相似。

下面介绍车道保持参数的获取方法，具体步骤如图5所示。

车道保持参数包括偏离角与偏离距离，其中偏离距离为车辆质心与车道中心线之间的距离，偏离角为车辆与车道中心线的偏角，即车辆航向与车道中心线之间的夹角。车道线保持参数基于机器视觉，结合摄像头安装位置及角度等信息计算得出。

单目摄像机在拍摄时，所有平行于摄像机光轴的直线均汇聚于消失点，如图6和图7所示，图中l_l、l_r分别为摄像头所捕捉图像的底部中心点距离左右车道线的距离，d_line为车道线宽度。待测点和消失点的连线和光轴的夹角记为γ，γ与横向距离具有很强的相关性，据此拟合得到关于车道线偏离距离、偏离夹角，车辆及摄像头的空间几何参数与夹角γ、l_l、l_r等的三次曲线方程。故针对车道线偏离距离和偏离夹角，采用以上拟合得到的曲线方程与摄像头及车身的空间位置关系计算得到。具体步骤说明如下。

步骤1：结合车道线检测结果，获取图像中车道线下边缘点的位置坐标。

步骤2：在欧氏空间中分别定义世界坐标系W(x,y,z)和图像坐标系I(u,v)。将图像坐标系I下的道路图像转化为世界坐标系W下的z＝0平面。

步骤3：输入前向摄像头的内外参、安装位置及角度，将图像下边缘点坐标代入拟合得到的三次曲线方程中，计算车辆到左右车道线的横向距离l_l和l_r。摄像头的内参指内参矩阵和畸变参数矩阵，摄像头的外参指旋转矩阵和平移矩阵。

步骤4：输入车辆立体几何参数，及车辆质心C_g其与前向摄像头C_a的相对位置关系(w_c,l_c,h_c)，根据l_l、l_r、车道线宽度d_line，计算车辆质心到左右车道线的距离d_l和d_r，即车道偏离距离，同时计算偏离角度。

第三步，通过传输模块将车辆ID、图像处理模块得到的车道保持参数、车辆速度、转向灯状态数据传输至云端数据库。

第四步，结合云端数据库数据，对无人驾驶车辆车道保持能力进行评估。

无人驾驶车辆的车道保持能力从安全性及平顺性两个维度进行评价。

(1)首先采集车道保持数据。统计一定里程下特定无人驾驶车辆的车道偏离距离、车道偏离角度、车辆速度、转向灯状态等信息。

(2)根据车辆的转向灯状态，将数据进行分类，分类依据如下：

1)若转向灯未开启，将该组车道保持数据划分为未变换车道部分；

2)若转向灯开启，则判断为正常转向，将该组车道保持数据划分为变换车道部分。

(3)对未变换车道部分数据和变换车道部分数据分别进行分析。

1)对未变换车道部分数据分析。未变换车道部分数据主要记录车辆执行驾驶直线、曲线等驾驶任务时的车道保持数据，此处计算两项指标：车道保持平顺性的指标、车道保持安全性的指标。

a.车道保持平顺性度量方法。选用车道偏离距离标准差σ_d来作为反映车辆车道保持平顺性的指标。假设一定里程内共包含N_d个采样点，其车道偏离距离依次为(d₁,d₂,...,d_Nd)，其平均值为μ_d，则σ_d为：

根据标准差定义可知，σ_d越小，表明车辆行进越平稳顺畅，说明车辆车道保持水平越高。

b.车道保持安全性度量方法。为车辆划分不同的速度区间，并给出不同速度区间内的车道偏离距离安全阈值。据此统计车道偏离距离超过偏离阈值的比例，并做单位归一化处理。

2)对变换车道部分数据分析。变换车道部分数据主要记录车辆执行换道、超车等涉及车道变换的驾驶任务时的车道保持数据，此处计算两项指标：车道保持平顺性的指标、车道保持安全性的指标。

a.车道保持平顺性度量方法。选用车道偏离角度标准差σ_c来作为反映车辆车道保持平顺性的指标。假设一定里程内共包含N_c个采样点，每组车道偏离角度与上一组车道偏离角度的差值依次为(c₁,c₂,...,c_Nc)，其平均值为μ_c，则σ_c为：

根据标准差定义可知，σ_c越小，表明车辆变换车道越平稳顺畅，说明车辆车道保持水平越高。

b.车道保持安全性度量方法。为车辆划分不同的速度区间，并给出不同速度区间内的车道偏离角度变化值的安全阈值。据此统计车道偏离角度变化值超过偏离阈值的比例，并做单位归一化处理。

3)车道保持舒适度主观评价。可选地，可对车辆车道保持的舒适度进行主观评价，评价方法可为问卷调查法、访谈法等。

(4)综合评定。最后可采用一定评价方法对以上指标进行综合评定，如通过熵权法计算不同指标的权重，具体步骤如下。

1)数据标准化。

将各个指标的数据进行标准化处理。指标包括车道偏离距离标准差、车道保持舒适度主观评价指标等，同时也可引入下文第(5)小节中的其他评价项。在k个指标X₁,X₂,…,X_k中，指标X_i＝{x₁,x₂,...,x_n}，假设各指标数据标准化后的值为Y₁,Y₂,…,Y_k，则

指标X_i里面的n个值表示该指标的n个标准化前的数据，X_ij表示指标X_i中的第j个数据，min(x_i)和max(x_i)分别为指标X_i中数据的最小值和最大值，Y_ij表示标准化后的X_ij值。

2)各指标的信息熵计算。根据信息论中信息熵的定义，一组数据的信息熵为

其中

若p_ij＝0，则定义

3)各指标权重确定。根据信息熵的计算公式，计算出各个指标的信息熵为E₁,E₂,…,E_k。通过信息熵计算各指标的权重W_i为：

4)评价结果计算。

将数据分析阶段得到的指标数值带入上述计算公式，并加权求和，得到车辆车道保持能力的评价结果。

(5)其他评价项。

可选地，在对无人驾驶车辆的车道保持能力进行深度评估时，除车辆速度及转向灯状态外，还可考虑如下因素。

1)无人驾驶车辆基本情况：驾驶经验，驾驶技能，年龄，性别等；

2)驾驶状态：已连续驾驶时长，是否疲劳驾驶，是否饮酒或醉酒驾驶等；

3)车辆基本情况：车型，车辆性能等；

4)道路环境：道路等级，道路线型，路面破损状况等；

5)交通环境：交通流量，交通密度等；

6)驾驶任务：直线行驶，弯道行驶，超车，换道等。

可结合以上多因素对无人驾驶车辆车道保持能力综合作出评价，以确保评价结果的准确度与可靠性。

Claims

1.一种用于无人驾驶的车道保持能力检测系统，其特征在于，包括身份辨识模块、前向摄像头、车辆信息采集模块、图像处理模块、存储模块、传输模块及云端数据库；

身份辨识模块用于采集标识车辆的信息，包括车辆ID，获取后保存在存储模块；车辆信息采集模块用于获取车辆GPS坐标、车辆实时行进速度及转向灯状态，所获取的数据保存在存储模块；GPS为全球定位系统；前向摄像头固定在后视镜附近，用于获取车辆前方道路场景图像；前向摄像头所拍摄的图像传输至图像处理模块；图像处理模块用于识别前向摄像头所摄道路场景图像中结构化道路的车道线，包括白色虚实线、黄色虚实线、双白虚实线以及双黄虚实线，并根据识别的车道线计算车道偏离距离和偏离角度；图像处理模块还识别用于指示行车区域的突起路标及轮廓标；存储模块中的数据通过传输模块传输至云端数据库；

所述的云端数据库存储有设定长度里程下的无人驾驶车辆的车道保持数据，每组车道保持数据包括车道偏离距离、车道偏离角度、车辆实时速度和转向灯状态；首先根据转向灯状态将每组数据进行分类，若转向灯未开启，将该组数据划分为未变换车道部分，若转向灯开启，判断为正常转向，将该组数据划分为变换车道部分；分别对两部分数据计算车辆的车道保持平顺性和车道保持安全性的指标；其中，对未变换车道部分数据，选用车道偏离距离标准差作为反映车道保持平顺性的指标，车道偏离距离标准差越小，说明车辆车道保持水平越高；对变换车道部分数据，选用车道偏离角度标准差作为反映车道保持平顺性的指标，车道偏离角度标准差越小，说明车辆车道保持水平越高。

2.根据权利要求1所述的检测系统，其特征在于，所述的图像处理模块，计算车道偏离距离和偏离角度的方式是：单目摄像机在拍摄时，所有平行于摄像机光轴的直线均汇聚于消失点，设摄像头所捕捉图像的底部中心点距离左右车道线的距离分别为l_l、l_r，车道线宽度d_line，待测点和消失点的连线和摄像头光轴的夹角为γ，拟合获取关于车道线偏离距离、偏离夹角、车辆及摄像头的空间几何参数与夹角γ、距离l_l和l_r的三次曲线方程；然后在识别出图像中的车道线后，根据拟合的三次曲线方程计算车道偏离距离和偏离角度。

3.一种用于无人驾驶的车道保持能力检测方法，包括如下步骤：

步骤1：通过前向摄像头采集车辆前方道路图像，输入至图像处理模块；通过车辆信息采集模块同步采集车辆GPS坐标、车辆实时速度及车辆转向灯状态；

步骤2：图像处理模块对接收到的车辆前方道路图像进行车道线检测，计算获取车道偏离距离和偏离角度；

步骤3：通过传输模块将车辆ID、车道偏离距离、车道偏离角度、车辆实时速度、转向灯状态以及车辆GPS坐标传输至云端数据库；

步骤4：根据云端数据库数据，对无人驾驶车辆车道保持能力进行评估；

4.根据权利要求2所述的方法，其特征在于，所述的步骤4中，对未变换车道部分数据，设从设定长度的里程内采样N_d个点，得到的车道偏离距离依次为d₁,d₂,...,d_Nd，其平均值为μ_d，则车道偏离距离标准差σ_d为：

对未变换车道部分数据计算车道保持安全性的指标，具体是：为车辆划分不同的速度区间，并给出不同速度区间内的车道偏离距离安全阈值，统计车道偏离距离超过偏离阈值的比例，并做单位归一化处理，得到的数值为车道保持安全性的指标。

5.根据权利要求2所述的方法，其特征在于，所述的步骤4中，对变换车道部分数据，设从设定长度的里程内采样N_c个点，每组车道偏离角度与上一组车道偏离角度的差值依次为c₁,c₂,...,c_Nc，其平均值为μ_c，则车道偏离角度标准差σ_c为：

对变换车道部分数据计算车道保持安全性的指标，具体是：为车辆划分不同的速度区间，并给出不同速度区间内的车道偏离角度变化值的安全阈值，统计车道偏离角度变化值超过偏离阈值的比例，并做单位归一化处理，得到的数值为车道保持安全性的指标。