智能车辆车道保持系统中避障路径规划

汪明磊， 陈无畏， 王家恩

（合肥工业大学 机械与汽车工程学院，安徽 合肥 230009）

智能车辆是智能交通系统的重要组成部分，它利用车载传感器实时获取车辆及其环境信息，通过一定的控制算法辅助驾驶员控制或者完全自主控制车辆，以减少交通事故，提高交通系统效率［1］。近年来，世界各国都在利用各种先进技术对这一问题进行研究，但从经济性和可靠性的角度来看，实现完全意义上的无人驾驶目前还有一定差距。因此，车辆辅助安全技术成为国内外学者研究的热点，车道保持系统［2－6］作为其核心技术之一，吸引了广大研究人员的视线。文献［2－3］通过视觉传感系统获取道路信息，实时提取车道线，进而得出车辆与道路之间的偏差，为汽车实现车道保持提供了必要的前提条件。文献［4－5］通过设计控制器，对智能车辆车道保持系统进行了横向控制研究。

综观智能车辆车道保持系统方面现有研究成果，可以发现，一般都是研究如何通过传感器检测车路相对位置信息，再根据一定的控制算法计算转向盘转角的大小和方向，控制车辆跟随目标道路中心线行驶，而对车辆在运行中遇到障碍物时，即所要跟随的目标路径发生变化的情况研究较少。道路环境感知作为智能车辆进行局部避障路径规划的基础，主要是识别检测道路边界及路面中的障碍物。由于双目视觉［7］环境感知存在对应点匹配困难和计算成本较高等缺点，本文采用单目视觉传感器检测道路边界，单目视觉传感器与激光测距雷达相结合的方式检测障碍物。向量场直方图（VFH）法［8］是常用的局部路径规划方法，但它主要是针对室内环境，对于室外环境并不完全适用。为此，本文针对室外交通环境，将虚拟障碍物和车载传感器探测到的真实障碍物相结合，利用自适应阈值的向量场直方图算法对智能车辆车道保持系统中避障路径进行局部路径规划。最后，通过仿真实验对本文方法的有效性和可靠性进行验证。

1 道路边界检测

利用安装在车辆前部的CCD摄像机获得当前道路的信息，经图像处理算法提取道路边界线，进而获得车辆行驶目标路径。再由车辆坐标系和图像坐标系间坐标变换计算出车辆相对目标路径的位置及方位角偏差。道路边界的检测算法包括道路图像预处理和Hough变换检测直线2部分。

（1）道路图像预处理。对实时采集的车辆前方道路场景，采用水平灰度均值投影法确定路面与背景的水平分界线，并把分界线以下的图像部分作为道路边界检测的感兴趣区域。此区域中图像的主要特征是两侧边界，为显著区分道路边界和道路内部区域，采用直方图均衡化方法提高图像对比度，使图像中边界区域特征得到增强。对边界特征增强后的图像，采用阈值分割保留图像中的道路边界，得到二值化图像。考虑到一般在光线较为均匀或在光线不发生强烈变化的条件下进行试验，故采用最大熵法求得图像分割阈值。要获取图像中的道路边界形状，使用Sobel算子对经阈值分割后的图像进行边缘检测，结果如图1所示。

（2）道路边界提取。经过上述处理，得到较为理想的含有道路边界的二值图像，可使用Hough变换对图像中直线边界进行检测。考虑到Hough变换的复杂性，本文采用目标搜索区域法，以提高Hough变换速度。使用Hough变换寻找参数空间曲线累加的最大点，可以对应图像空间中的一条边界直线，但这仅有的一条直线无法用来确定道路区域。由于通常左边界位于图像的左半空间，右边界位于图像的右半空间，因此，可将图像分成左右2个部分，分别对其进行Hough变换。依据像素在图像空间的位置计算参数空间累加值，2个参数空间的最大点分别对应图像中道路左右边界。根据上述改进的Hough变换检测出道路边界，结果如图2所示。

图1 边缘检测效果

图2 道路边界检测结果

2 道路中障碍物的检测

道路中最常见的障碍物是车辆、行人等，其轮廓可简化为矩形。因此，本文障碍物检测算法主要用于检测形状规则的矩形障碍物，包括激光测距雷达的初步定位和视觉传感器准确检测。

2.1 激光测距雷达初步定位

安装在车辆前端的激光测距雷达，其测量范围包含车辆前方180°、半径约80m的扇形区域，能够满足车辆在道路上避障要求。当激光雷达检测到车辆前方道路中存在障碍物时，返回车辆与障碍物之间的相对距离及角度值，并启动视觉系统图像处理中的障碍物检测程序；若激光雷达没有检测到障碍物信息，则不启动视觉系统障碍物检测程序，从而减少计算量。

激光测距雷达采集的一维距离图像的特点如下：

（1）障碍物在距离图像中表现为一线段，线段区域连续且均匀。

（2）障碍物区域内像素点的纵坐标（距离）呈局部极小。

（3）障碍物与背景的边界非常明显。

根据以上特点，首先对采集到的激光雷达距离数据进行中值滤波，以消除在实际中由于车体震动及环境影响所产生的噪声。然后，采用最小距离法进行距离图像分割，通过检测距离图像的边缘拐点，得到障碍物左右2个拐点的坐标值，从而将障碍物从背景中检测出来，确定出障碍物左右边界。

2.2 视觉传感器准确检测

当CCD摄像机与激光测距雷达的俯仰角、中心位置在纵向距离上均相同时，激光雷达距离图像的像素点坐标n与CCD视觉图像水平方向像素坐标N的关系，可由如下标定过程得到：在车辆前方视野中将障碍物从一侧向另一侧慢慢移动，直到障碍物首次出现在视觉图像中且激光雷达正好探测到障碍物，采集此时的激光雷达数据，并找出障碍物对应激光雷达数据的第n1个点；再继续移动障碍物，直到障碍物首次在视觉图像中消失，采集此时的激光雷达数据，找出障碍物对应的激光雷达数据的第n2个点。

可以认为，CCD视觉图像的N0列对应激光雷达数据的｜n2－n1｜个点，从而得到每个激光点对应图像N0／｜n2－n1｜个像素点，则距离图像像素点坐标n与CCD视觉图像水平方向像素点坐标N的关系为：

因此，由（1）式可得到障碍物左右边界在视觉图像中行像素坐标。

考虑到实际中，仅道路中间的障碍物对智能车辆行驶路径有影响，因此结合道路边界检测感兴趣区，取该区域中障碍物左右边界之间的部分为障碍物检测的感兴趣区域。为保证算法的鲁棒性，将上述障碍物检测的感兴趣区域略微扩大，在扩大后的区域内进行Hough变换直线检测。由于本文所检测的障碍物为形状规则的矩形障碍物，因此在感兴趣区域内只取极角在88°～92°、0°～2°和178°～180°内的直线。设极角在88°～92°内检测到的最长的2条直线段的极径分别为ρv1、ρv2；极角在0～2°、178°～180°内检测到的最长的2条直线段的极径分别为ρh1和ρh2，则障碍物在视觉图像中的高度h和宽度w可由（2）式求出：

3 局部避障路径规划

由前述道路边界检测算法检测到的车辆所在道路的边界，结合道路宽、车道宽、可行驶车道数等信息可得到车辆行驶的理想路径。车辆所在道路为双向两车道时，理想路径则为右侧车道的中心线。当车辆前方没有障碍物时应使车辆尽可能沿理想路径行驶；当车辆前方存在障碍物时，则应改变理想路径方向，使其绕过障碍物，避免碰撞。具体路径由局部路径规划器采用VFH方法［8］进行实时规划。

由于传统VFH方法具有阈值敏感问题，本文通过构造虚拟障碍物并采用自适应的方法获得路径规划的阈值。局部路径规划器根据所生成的虚拟障碍物，结合车载传感器探测到的实际障碍物进行局部路径规划。

3.1 虚拟障碍物的构造

虚拟障碍物是依据理想路径以及车辆所在道路自身的信息生成的，包括目标车道两侧的虚拟障碍物olefti和orighti，以及可行驶道路两侧的虚拟障碍物oblefti和obrighti。

在进行局部路径规划时，并不需要所有的虚拟障碍物都有效，而是要根据车辆所处的环境来决定。有效虚拟障碍物在局部路径规划时被视为真实的障碍物。当车辆前方没有检测到障碍物时，取目标车道两侧的虚拟障碍物olefti和orighti自车头起距离车头为L的虚拟障碍物有效，称L为虚拟障碍物的有效距离。

为保证当前车道可通行时不会因为虚拟障碍物有效距离太大而错误地把其当成不可通行车道或使可行通道变窄，L不能取得太大；当然L也不能太小，否则当道路中车辆前方出现真实障碍物时会错误地规划出多条可行路径。

3.2 自适应阈值避障路径规划

由车辆的最小制动距离D确定一个阈值区间［Tmin，Tmax］，在这个区间内由大到小搜索阈值，直到取得的值使局部路径规划成功为止。其中，车辆最小制动距离D是指为避免车辆在没有可行路径的情况下不发生碰撞，由最高车速以最大的制动减速度制动到停止时驶过的距离。Tmin为最小阈值，定义为：

其中，λ为放大系数；a为最大制动减速度。

Tmax为最大阈值，令Tmax＝（N－1）ΔT。区间中其他阈值Ti＝（Tmin＋iΔT），i＝0，1，…，N－1，其中，N为正常数；ΔT为固定增量。

在路径规划中T由最大值Tmax逐渐减小，如果车辆前方没有真实障碍物存在或者存在的障碍物足够小，总能够找到一个可通行的行驶方向，使规划成功。在所有可通行方向中，选择最大的阈值T所对应的可通行方向作为智能车辆行驶的参考方向，它与智能车辆当前行驶方向之间偏差记为θ，取角速度输出为：

同时智能车辆在行驶过程中，在无障碍物存在时，应保持较高的行驶速度以尽快到达目的地。但当智能车辆距离障碍物较近，即所选阈值T较小时，应减小行驶速度以免发生碰撞。另外，当｜θ｜较大时，智能车辆也应减速。采用以下规则确定速度输出：

其中，vmax和vmin分别为预先设置的智能车辆最大运行速度和在避障过程中的最小运行速度；k2m为k2在｜θ｜＝π／2且T＝Tmin时的值；w1和w2为权重系数，w1＋w2＝1且w1＞w2。

如果当T＝Tmin时依然不能规划成功，则说明车道前方遇到的障碍物使车辆在本车道内无法通行，这时需要采用改变有效虚拟障碍布局的方法进行绕障。

3.3 “借道”绕障路径规划

在路径规划时若当前车道中存在障碍物致使车辆在本车道内无法通行时需要改变有效虚拟障碍物的布局，从而在可通行车道内进行“借道”绕障。这里用有效虚拟障碍物的布局来描述其绕障过程，如图3所示，图中的黑色圆点代表有效虚拟障碍物。

初始时，车辆前方没有检测到障碍物，有效障碍物的布局为理想路径两侧的虚拟障碍物有效，如图3a所示；当传感器检测到车辆前方存在障碍物而且没有规划到可行方向，则有效障碍物的布局为可行驶道路两侧的虚拟障碍物有效，如图3b所示。若上一次的布局为图3b，且目标车道空，则有效虚拟障碍物的布局为需要采取一些过渡的障碍物由两侧过渡到目标车道，如图3c所示。若上一次布局为图3c，且车辆已驶入目标车道，那么布局变为图3a，否则保持不变。绕障过程中，对改变有效虚拟障碍物布局后的环境同样利用3.2节中自适应阈值方法进行路径规划。

图3 绕障过程有效虚拟障碍物的布局变化

4 仿真实验与结果分析

为了验证本文局部路径规划方法的有效性和可行性，利用Matlab软件建立如图4所示的仿真环境，模拟智能车辆在双向两车道道路中的车道保持与避障运动。

仿真实验在8m×300m的区域内进行，车道宽为3.5m，车宽为2m，车辆的起点设在目标车道中心，初始方向与道路边界线平行，通过改变车辆的行驶方向和速度使其沿着实时规划出来的可行方向前进。仿真中，取虚拟障碍物有效距离L＝40m，智能车辆最大行驶速率vmax＝15m／s，避障过程中最小行驶速率vmin＝1m／s，制动减速度a＝8m／s2，放大系数λ＝1.1，则最小阈值为Tmin＝15m。取N＝21，ΔT＝0.5m，有最大阈值Tmax＝25m。k1＝0.8，w1＝0.7，w2＝0.3。

图4中黑色方块表示车道中的障碍物1和障碍物2，其尺寸分别为0.5m×0.5m×0.5m和2m×2m×2m；黑色实线为道路边界；由圆圈组成的曲线表示规划出的路径。图5所示为路径规划仿真过程中传感器检测到障碍物时有效虚拟障碍物的分布。

图4 局部路径规划结果

图5 躲避障碍物时有效虚拟障碍物分布

从图4中可以看出，在初始阶段车辆在目标车道内沿着车道中心线运行，在车辆检测到较小障碍物1时，有效虚拟障碍物的分布如图5a所示，局部路径规划器通过调节阈值规划出避障路径，由于障碍物较小，车辆仍能够保持在当前车道内运行。在车辆前方检测到较大障碍物2时，局部路径规划器重新布局有效虚拟障碍物，从而实现在可通行车道内“借道”绕障。当目标车道为空时车辆驶入目标车道继续保持沿车道中心线运行。绕障过程中有效虚拟障碍物的分布如图5b所示。路径规划仿真过程中的智能车辆行驶方向与可通行方向角度偏差变化与所选阈值T的变化分别如图6、图7所示，其中S为仿真车道长度。

图6 路径规划过程智能车辆行驶方向角度偏差

图7 路径规划过程所选阈值的变化

智能车辆在起始位置时，车辆前方没有障碍物，这时阈值T较大，能够规划出沿车道中心线的可通行方向，行驶方向与可通行方向偏差接近于0。随着智能车辆距离障碍物1越来越近，T逐渐减小，依然能够规划出偏离车道中心线的可通行方向，行驶方向与参考方向偏差有所增加，然后由3.2节确定的规则改变车辆行驶方向后，偏差逐渐减小。当智能车辆通过障碍物1后，由于距离障碍物2还有较远距离，T突然增大，此时可通行区域变大，行驶方向偏差逐渐增大，之后又随着车辆的调整逐渐减小。随着向障碍物2的靠近，T又逐渐变小。由于障碍物2比较大，T减小到Tmin时仍然规划不出可通行方向，此时路径规划器改变虚拟障碍的布局，T突然增大，规划出“借道”绕障的可通行方向，行驶方向偏差亦先增大后减小。当智能车辆绕过障碍物2后，智能车辆回到无障碍物的原车道中，T继续保持较大值，规划出沿车道中心线的可通行方向，行驶方向偏差亦趋于0。

5 结束语

考虑到在道路中存在停驶的车辆等障碍物的可能性，本文提出了一种利用CCD摄像机和激光测距雷达对智能车辆辅助系统进行避障路径规划的方法。利用单目视觉传感器检测可通行道路的边界，在道路边界内激光雷达对障碍物进行预检测，再对包含障碍物的图像区域进行准确定位，最后采用改进的向量直方图法对局部路径进行规划。通过对速度和转角的决策输出使之比传统只对转角控制进行路径规划方法节省时间，该方法算法简单，计算量小，增强了系统的实时性。从仿真中车辆的运动轨迹可以看出，规划出的路径具有很好的连续性和稳定性，表明本文避障路径规划算法可行、有效，符合实际需求，可以很好地引导智能车辆在含有障碍物的道路中安全行驶。

［1］ 李舜铭，沈 峘，毛建国，等.智能车辆发展及其关键技术研究现状［J］.传感器与微系统，2009，28（1）：1－3.

［2］ 游 峰，王荣本，张荣辉，等.基于单目视觉的区域交通智能车辆道路边界检测方法研究［J］.公路交通科技，2008，25（6）：135－140.

［3］ 陈 莹，吴定会.基于全局变形模板的快速车道检测算法［J］.系统仿真学报，2007，19（21）：5063－5066.

［4］ 金立生，方文平，候海晶，等.基于BP神经网络的车道保持控制系统［J］.吉林大学学报：自然科学版，2010，40（3）：650－654.

［5］ Oya M，Wang Q.Adaptive lane keeping controller for fourwheel－steering vehicles［C］／／Proceedings of IEEE International Conference on Control and Automation，Piscataway，NJ，USA：Institute of Electrical and Electronics Engineers Computer Society，2007：1942－1947.

［6］ Netto S，Chaib S，Mammar S.Lateral adaptive control for vehicle lane keeping ［C］／／Proceedings of the American Control Conference，Boston，Massachusetts：IEEE，2004：2693－2698.

［7］ Tsalatsanis A，Valavanis K，Yalcin A.Vision based target tracking and collision avoidance for mobile robots［J］.Journal of Intelligent and Robotic Systems，2007，48（2）：285－304.

［8］ 徐玉华，张崇巍，徐海琴.基于激光测距仪的移动机器人避障新方法［J］.机器人，2010，32（2）：179－183.