CN112078578A - 一种车道保持系统中面对感知不确定性的自车位置规划方法 - Google Patents

Abstract

本发明提供了一种车道保持系统中面对感知不确定性的自车位置规划方法，属于智能车辆领域。本发明方法结合灰度和梯度的分布特征提取车道线边缘特征点，由特征点数量和特征点拟合直线的斜率一致性，确定车道线感知确定度，感知确定度作为车道线对车辆斥力的影响权重；当两侧车道线感知确定度不一致时，由车道线对车辆斥力的合力确定控制车辆的加速度，实现自车位置规划。本发明解决了因车道线不清晰，车辆位置无法确定的问题，具有很好的可行性。

Description

一种车道保持系统中面对感知不确定性的自车位置规划方法

技术领域

本发明属于智能车辆领域，特别涉及了一种车道保持系统中面对感知不确定性的自车位置规划方法。

背景技术

近年来，智能车辆慢慢进入我们的生活，其中自动驾驶技术一直是汽车行业研究的热点。一些在指定路段自动驾驶的汽车已经实现，这意味着自动驾驶离我们越来越近，预计在未来几年，具有自动驾驶功能的汽车将逐步进入我们的生活。目前自动驾驶技术并不成熟，具有最高级别的自动驾驶功能汽车仍未研发出来，日常生活中见到的智能汽车并不等于具有自动驾驶功能的汽车。自动驾驶技术是在驾驶辅助系统的相关技术基础上一步步发展起来的，汽车的智能化程度不断提高，从而最终实现自动驾驶。

驾驶辅助系统的架构非常广泛，包括了夜视系统、主动巡航控制系统、电子稳定程序、随动转向前照灯、车道保持技术、防碰撞技术、盲点辅助技术以及泊车辅助技术等。车道保持技术是自动驾驶技术的重要组成部分，为最终实现汽车自动驾驶提供了技术支撑。

在中国，为了限制车辆行驶的区域和便于交通管理，车道上往往会画出左右两条车道线，车辆要求在不超过车道线的区域内行驶。现有的车道保持系统便根据这一现状发展起来，通过检测车道线，对车辆进行相关控制，使得车辆保持沿着车道线中心行驶。然而，车道线往往因为不确定因素而产生磨损或遮挡，造成无法检测到完整而清晰的车道线，使得车辆位置难以确定，给原有的车道保持系统带来了极大的挑战。

发明内容

针对现有技术中存在不足，本发明提供了一种车道保持系统中面对感知不确定性的自车位置规划方法，解决因车道线不清晰，车辆位置无法确定的问题。

本发明是通过以下技术手段实现上述技术目的的。

一种车道保持系统中面对感知不确定性的自车位置规划方法，对车载相机获取车道的图像进行灰度化和滤波降噪处理，并建立梯形兴趣区域；在梯形兴趣区域中，结合灰度和梯度的分布特征提取车道线边缘特征点，由特征点数量和特征点拟合直线的斜率一致性，确定车道线感知确定度，感知确定度作为车道线对车辆斥力的影响权重；当两侧车道线感知确定度不一致时，由车道线对车辆斥力的合力确定控制车辆的加速度，实现自车位置规划。

进一步，所述结合灰度和梯度的分布特征提取车道线边缘特征点，具体为：

步骤(1)，基于像素的水平梯度和竖直梯度，获取像素的梯度幅值和梯度方向

像素的梯度幅值

像素的梯度方向

；其中像素的水平梯度

像素的竖直梯度

I(x，y)为图像像素的灰度值；

步骤(2)，基于边缘分布提取特征点

根据梯度幅值和方向确定梯度分布图，逐行搜索梯度分布图的峰值点，将峰值点坐标放入特征点集合P内；

步骤(3)，特征点聚类

步骤(3.1)，随机从特征点集P中选取一个特征点，作为种子点，放入区域点集P_i中；

步骤(3.2)，将种子点的梯度方向设为最初的角度阈值，每添加一个特征点到区域点集P_i，利用

更新的平均梯度方向θ_reg，将更新的平均梯度方向与邻域点的梯度方向进行相似度比较，找出与更新的平均梯度方向一致的点，实现特征点的聚类。

更进一步，所述梯度幅值采用2×2的差分模板对建立梯形兴趣区域后的图像逐个像素进行卷积获取的。

进一步，所述特征点拟合直线的斜率一致性由斜率的方差来确定，方差小的一致性高，方差大的一致性低。

进一步，在提取边缘特征点之前设置小梯度阈值。

进一步，所述感知确定度作为车道线对车辆斥力的影响权重，具体为：

其中，F_r表示斥力；k_r表示斥力势场常数；d_b表示车辆当前所处位置和车道线所处位置之间的距离；d_m表示车道线能够影响的最大距离；ε为权重影响系数。

进一步，在确定控制车辆的加速度前，给车辆设定一个虚拟质量。

进一步，所述滤波降噪采用中值滤波。

本发明的有益效果为：本发明在传统车道保持技术的基础上，提出车辆可偏向感知确定度高的车道线的自车位置规划方法，将车载相机对车道线的感知不确定度引入自车位置规划，极大的降低了存在感知不确定性时车道保持的难度，使得驾驶辅助系统更加充分地满足实际驾驶需求，同时降低了对硬件性能要求；本发明引入人工势场理论，感知确定性低的车道线对车辆斥力大，由车道线对车辆斥力的合力确定控制车辆的加速度，实现自车位置规划，解决因车道线不清晰，车辆位置无法确定的问题，本发明具有很好的可行性。

附图说明

图1为本发明所述车道保持系统中面对感知不确定性的自车位置规划方法流程图；

图2为本发明左右车道线感知确定度一致时车辆行驶示意图；

图3为本发明左右车道线感知确定度不一致时车辆行驶示意图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

如图1所示，一种车道保持系统中面对感知不确定性的自车位置规划方法，具体包括如下步骤：

步骤(1)，图像灰度化

车载相机检测车辆所在路段的车道，获取车道的RGB彩色图像，并传输给车载控制器；RGB彩色图像的每个像素值由红色、绿色、蓝色三个通道的数值来决定，每个通道的取值范围为[0，255]，采用加权平均的方法对RGB彩色图像进行灰度化，即对三个通道的取值赋予权重，将三通道彩色图像转化为单通道灰度图像；对三个通道的取值赋予权重采用如下公式：

I＝k_r×R+k_g×G+k_b×B (1)

其中：I表示图像灰度值，系数k_r、k_g、k_b分别为RGB三个通道的权重，三个系数均为非负数且系数和为1，R、G、B分别表示三个通道的取值。

步骤(2)，图像滤波降噪

灰度化后的图像可能会存在随机噪声干扰，此类噪声会增加后续车道线检测的计算耗时，影响车道线检测的准确性，因此需要对图像进行降噪滤波。图像滤波的方法包括两类：空间域滤波和频域滤波，频域滤波降噪效果较好，但会增加计算量和内存占用，无法满足车道线检测实时性的要求，故本发明采用空间域滤波。空间域滤波可以分为线性滤波和非线性滤波，经典的线性滤波有高斯滤波和均值滤波等，非线性滤波有中值滤波和双边滤波等。综合考率上述几种滤波方法，本发明选择中值滤波，虽然相较于线性滤波，中值滤波的计算时长略长，但对于车道线检测，中值滤波可有效的区分车道线边缘与路面噪声，减少后续特征点检测的计算量。

所述中值滤波，是将图像像素的灰度值从小到大按顺序排列，用排序后的中间值代替图像像素的灰度值。

步骤(3)，建立兴趣区域

车载相机采集的车道图像中，车道线在图中的分布呈现一定规律性。由于透视投影的关系，车道宽会近大远小，远处车道线逐渐交汇于消失点。基于这种分布规律性和车道线的消失点，可截去图像上半部分的天空和车道两旁无用的信息，建立梯形兴趣区域(ROI)，接下来的处理和搜索工作将在这个区域内进行。建立梯形兴趣区域可以提高车道线检测的实时性，减少非车道线的噪声干扰，保证检测算法的稳定性。

步骤(4)，基于车道线边缘分布特征提取特征点，根据特征点数量和特征点拟合直线的斜率一致性，确定车道线感知确定度

在本发明中需要比较两侧车道线的磨损情况，即感知确定度，本发明采用边缘检测提取特征点的方法来进行比较。提取车道线特征点的方法主要分为基于灰度区域特征的方法和基于边缘梯度特征的方法，基于灰度区域特征的方法能够适用大多常规环境，并且相对于基于边缘梯度特征的方法受到噪声干扰较小，但当路面存在严重阴影、光照不均和夜晚等极端场景时往往得不到理想的分割效果；基于边缘梯度特征的方法准确度较高，能够适应车道线的缺损和光照不均匀，但是梯度特征为图像的局部特性，易受到路面阴影、路面标识和车尾的干扰，造成噪声冗余，无法保证很好的信噪比。因此本发明结合灰度和梯度的分布特征进行边缘检测，具体如下：

步骤(4.1)，梯度幅值和梯度方向计算

建立梯形兴趣区域后的图像近似为离散函数，计算梯度可以采用差分逼近微分，而且简化模板能够提高计算效率和实时性，采用2×2的差分模板对上述图像逐个像素进行卷积，计算图像每个像素的梯度幅值。

I(x，y)为图像像素的灰度值，基于灰度差值计算像素的水平梯度g_x和竖直梯度g_y：

像素的梯度幅值为：

像素的梯度方向θ为：

上述2×2的差分模板可以有效地提高差分逼近微分的计算效率和实时性，减少梯度计算过程中像素之间的彼此依赖。同时通过计算梯度方向可以对车道线左右边缘进行标记，车道线左侧的灰度值分布是上升沿，车道线右侧的灰度值分布是下降沿；以原点在建立梯形兴趣区域后的图像左上角为例，车道线左侧边缘点的梯度方向为0＜|θ|＜90°，车道线右侧边缘点的梯度方向为90°＜|θ|＜180°。

步骤(4.2)，基于边缘分布提取特征点

在提取边缘特征点之前设置小梯度阈值，抑制梯形兴趣区域噪声，可以减少后续计算量。小梯度阈值的设定可以通过对车道图像上半部分的天空进行灰度统计判断白天黑夜，或者通过相机等传感器获得曝光时长信息和GPS时间信息，然后根据不同时间、不同光照环境设定动态阈值。

边缘在梯度分布图(根据梯度幅值和方向确定)中会产生峰值点，因此每侧车道线会产生两个峰值点，两个峰值点表示车道线的左右边缘；逐行搜索梯度分布的峰值点，将峰值点坐标放入特征点集合P内。

步骤(4.3)，特征点聚类

梯度方向是车道线边缘特征点的一个重要参数，梯度方向一致性和连续性是车道线边缘点所具备的重要特征，可以有效地区别离散噪声。在特征点集P内，将梯度方向一致的离散特征点进行聚类，生成多个离散的区域；具体步骤如下：

(1)随机从特征点集P中选取一个特征点，作为种子点，将点的状态标记为已用的点，放入区域点集P_i中，并从特征点集P中删除此特征点；

(2)将种子点的梯度方向设为最初的角度阈值，每添加一个特征点到区域点集P_i，利用下式更新的平均梯度方向θ_reg：

然后将更新的平均梯度方向与邻域点的梯度方向进行相似度比较：

以种子点进行8邻域搜索，当邻域内存在梯度方向与更新的平均梯度方向一致的点，将该点放入区域点集P_i，且以该点为种子点继续进行邻域搜索，若没有方向相似的点，则扩大搜索范围为16邻域，最大搜素范围不超过24邻域；区域点集P_i中每加入一个角度一致的点，将此点标注为已使用点；当最大搜索范围内仍没有角度一致点，则停止搜索；实现特征点的聚类；

(3)重复(2)，从特征点集P中选取特征点进行聚类，直到遍历特征点集P中所有的点；建立P_LL、P_LR、P_RL、P_RR四个集合，分别代表左右车道线的左右边缘特征点集合；将梯形兴趣区域分成左右两个区域，将P_LL、P_LR放入左区域，P_RL、P_RR放入右区域。

通过特征点聚类，得到左右车道线的特征点，将左右车道线的特征点数量分别记作q_L与q_R。

步骤(4.4)，对特征点进行直线拟合

仅仅通过统计车道线特征点数量来评估车道线确定性是不够严谨的，对此，要对特征点进行直线拟合，本发明选择对车道线内边缘特征点进行拟合。所谓对特征点拟合，是将车道线边缘特征点按照y坐标的大小从小到大排序，然后将特征点按顺序均分，分别对每一部分的特征点进行拟合，求出直线的斜率，运用统计学知识求出每一侧车道线的拟合直线斜率的一致性，一致性高的车道线，感知确定度高。

本发明采用最小二乘法进行车道线拟合：在给定的n个特征点内，寻找一条最佳的曲线尽量经过或者靠近这些特征点；以直线模型为例：y＝ax+b，a和b为拟合估计的参数，对于n个特征点(x_i，y_i)，i＝0，1，2...n，假设x_i是准确值，使y_i的误差平方和最小化，找出a和b的最优解。具体步骤如下：

(1)分别将集合P_LR和P_RL内的特征点按y坐标从小到大进行排列，按顺序将每个集合内特征点均分，假设左右车道线特征点各分为N_L和N_R份，每份的特征点数量为n_L和n_R；

(2)建立集合k_L和k_R，对左右车道线特征点进行直线拟合，将最小二乘法拟合后的每段小直线的斜率放入集合k_L和k_R中；

(3)运用统计学知识分别求出集合k_L和k_R内斜率的一致性，本发明通过计算各集合内斜率的方差来评估斜率的一致性，通过比较方差的大小判断直线斜率的一致性，方差小的一致性高，方差大的一致性低。

综上所述，通过检测车道线特征点数量和评估直线拟合的斜率一致性(特征点数量和直线拟合的斜率一致性表征车道线的清晰度)，可以比较左右车道线感知确定度的高低，车道线特征点数量多、斜率一致性高(车道线清晰)的感知确定度高，反之感知确定度低。

步骤(5)，引入人工势场

人工势场法是局部路径规划常用的方法，这种方法假设机器人在一种虚拟力场下运动。人工势场包括引力场和斥力场，其中目标点对物体产生引力，引导物体朝向其运动，而障碍物对物体产生斥力，避免物体与之发生碰撞，其中引力方向由机器人指向目标点，斥力方向由障碍物指向机器人。车辆在进行车道保持时，可认为在斥力场下车道线对车辆产生斥力作用。

在人工势场法中，则车道线对车辆的斥力势函数可表示为：

式中：k_r表示斥力势场常数；d_b表示车辆当前所处位置X和车道线所处位置X_L(包括左侧车道线的位置X_LL或右侧车道线的位置X_LR)之间的距离；d_m表示车道线能够影响的最大距离；当车辆和车道线之间的距离满足d_b≤d_m时，车道线产生的斥力场才能作用于车辆，在本发明中假设汽车在两车道线之间均受到车道线斥力场的作用。

斥力可以表示为斥力势函数的负梯度，则斥力的计算公式如下：

本发明中将车载相机对车道线的感知确定度作为权重引入斥力的计算公式，引入影响系数ε，且影响系数ε与车道线感知确定度大小成反比，确定度高时ε小，确定度低时ε大；则引入影响系数ε后斥力势函数表示为：

引入影响系数ε后的斥力计算公式为：

步骤(6)，用人工势场法对车辆进行控制

首先给车辆设定一个虚拟质量m，保证车辆运动时的平顺性。

当车载相机对左右车道线的感知确定度一致时，即ε_L＝ε_R，此时车辆将沿着车道线中心行驶，此时车辆距左右车道线的长度相等，即d_L＝d_r，如图2为车辆沿着车道中心线行驶示意图。由斥力的计算公式(10)易知，左右侧车道线对汽车的斥力大小相等，方向相反，即F_rL＝-F_rL，合力为0，即汽车横向没有运动。

当车载相机对左右车道线的感知确定度不一致时，车辆将会偏向感知确定度高的车道线一侧，在本发明中假设左侧车道线感知确定度低于右侧车道线确定度，即ε_L＞ε_R；如图3为车辆发生偏向时的车辆行驶示意图，当车辆仍保持在车道线中心行驶时，虽然车辆距离左右两侧车道线的距离相等，但是由于ε_L＞ε_R，根据斥力的计算公式(10)可知，此时左侧车道线对汽车的斥力在数值上大于右侧车道线对汽车的斥力，易得斥力的合力F＝F_rL-F_rR，合力的方向指向右车道线，则车辆获得指向右侧车道线的加速度，加速度的大小为

车载控制器控制车辆执行机构，使得车辆开始向右侧车道线靠近；由于斥力随着车辆与车道线之间的距离增大而减小，当车辆朝着右侧车道线偏离运动一定距离后，直到左右侧车道线对车辆的斥力在数值上相等、方向相反，车辆停止偏离运动，即车辆的横向位置得到确定。用相同的方法可以对车辆的前后纵向位置进行控制。

综上所述，通过人工势场理论让车辆在车道保持时，偏向感知确定度高的车道线，实现自车位置规划。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (8)

1.一种车道保持系统中面对感知不确定性的自车位置规划方法，其特征在于，对车载相机获取车道的图像进行灰度化和滤波降噪处理，并建立梯形兴趣区域；在梯形兴趣区域中，结合灰度和梯度的分布特征提取车道线边缘特征点，由特征点数量和特征点拟合直线的斜率一致性，确定车道线感知确定度，感知确定度作为车道线对车辆斥力的影响权重；当两侧车道线感知确定度不一致时，由车道线对车辆斥力的合力确定控制车辆的加速度，实现自车位置规划。

2.根据权利要求1所述的车道保持系统中面对感知不确定性的自车位置规划方法，其特征在于，所述结合灰度和梯度的分布特征提取车道线边缘特征点，具体为：

步骤(1)，基于像素的水平梯度和竖直梯度，获取像素的梯度幅值和梯度方向

像素的梯度幅值

像素的梯度方向

；其中像素的水平梯度

像素的竖直梯度

I(x，y)为图像像素的灰度值；

步骤(2)，基于边缘分布提取特征点

根据梯度幅值和方向确定梯度分布图，逐行搜索梯度分布图的峰值点，将峰值点坐标放入特征点集合P内；

步骤(3)，特征点聚类

步骤(3.1)，随机从特征点集P中选取一个特征点，作为种子点，放入区域点集P_i中；

步骤(3.2)，将种子点的梯度方向设为最初的角度阈值，每添加一个特征点到区域点集P_i，利用

更新的平均梯度方向θ_reg，将更新的平均梯度方向与邻域点的梯度方向进行相似度比较，找出与更新的平均梯度方向一致的点，实现特征点的聚类。

3.根据权利要求2所述的车道保持系统中面对感知不确定性的自车位置规划方法，其特征在于，所述梯度幅值采用2×2的差分模板对建立梯形兴趣区域后的图像逐个像素进行卷积获取的。

4.根据权利要求1所述的车道保持系统中面对感知不确定性的自车位置规划方法，其特征在于，所述特征点拟合直线的斜率一致性由斜率的方差来确定，方差小的一致性高，方差大的一致性低。

5.根据权利要求1所述的车道保持系统中面对感知不确定性的自车位置规划方法，其特征在于，在提取边缘特征点之前设置小梯度阈值。

6.根据权利要求1所述的车道保持系统中面对感知不确定性的自车位置规划方法，其特征在于，所述感知确定度作为车道线对车辆斥力的影响权重，具体为：

其中，F_r表示斥力；k_r表示斥力势场常数；d_b表示车辆当前所处位置和车道线所处位置之间的距离；d_m表示车道线能够影响的最大距离；ε为权重影响系数。

7.根据权利要求1所述的车道保持系统中面对感知不确定性的自车位置规划方法，其特征在于，在确定控制车辆的加速度前，给车辆设定一个虚拟质量。

8.根据权利要求1所述的车道保持系统中面对感知不确定性的自车位置规划方法，其特征在于，所述滤波降噪采用中值滤波。

Images