车道偏离辅助系统技术现状与发展＊

潘湘芸，孙仁云，邓美俊，何倩

（西华大学汽车与交通学院，四川 成都 610039）

前言

随着智能制造技术的发展和应用，汽车的智能化和自动化程度越来越高，智能汽车和自动驾驶技术是当前汽车行业发展主要方向。先进驾驶辅助系统（Advanced Driving Assis-tance System，ADAS）是保障智能汽车行驶安全的重要部分，现阶段交通事故频发，由于交通事故造成的人员伤亡量巨大，汽车安全成为大家关注的重要方面，ADAS作为提高汽车安全的有效装置是各大车厂发展重要方向，已成为汽车厂商的新卖点[1]。

车道偏离预警系统（Lane Departure Warning System，LDWS）和车道保持辅助系统（Lane Keeping Assist System，LKAS）都是ADAS的重要组成部分，它们共同构成车道偏离辅助系统，其主要作用是针对无意识车道偏离的情况进行安全预警和控制以实现汽车的主动安全。

车道偏离辅助系统的结构框图如图1所示。车道检测采集驾驶环境信息，并识别车道线，驾驶员意图识别对驾驶员的驾驶状态进行监测，检测结果和车辆自身信息被一同送入车道偏离预警系统，车道偏离预警系统对这些信息进行数据处理，若是汽车出现无意识偏离车道的情况，系统就将控制信号发送给报警装置实现对驾驶员的警告提醒，驾驶员操作检测对驾驶员的驾驶操作进行识别，再将信息发送给车道保持控制系统，若是驾驶员未及时作出响应则车道保持系统对控制执行装置发出信号，以控制汽车保持在既定车道内，从而降低交通事故的发生率。

图1 车道偏离辅助系统结构框图

文章对车道偏离辅助系统的关键技术：车道检测和驾驶员意图识别技术的国内外研究现状进行了分析，同时也对LDWS决策算法以及 LKAS控制算法的研究现状进行了总结。针对目前国内LDWS信息采集技术方面的优化、车道偏离辅助系统的控制算法方面的不足以及ADAS重点工作方向的转变等问题，对车道偏离辅助系统的未来发展方向进行了展望，希望为今后进一步的研究和发展提供参考。

1 车道检测

对于车道偏离预警，国内外的学者大多是基于机器视觉进行研究，该方法主要采用摄像头作为感知传感器采集道路信息，再通过图像处理进行车道检测[2-6]。

传统的车道检测方法基于机器学习。传统车道检测和预警的总体框图如图2所示[7]。

图2 基于视觉车道检测和预警总体框图

车道检测模块先利用摄像头和传感器采集到的信息进行车道建模，然后经过预处理去除噪声，增强图像特征。颜色空间转换主要是通过灰度化处理突出车道线，感兴趣区域（Region of Interest，ROI）选择是将图像中需要检测的车道线部分提取出来，其他部分则不做进一步的处理，以减少对冗余图像数据的处理。然后利用sobel算子[8]或cannny[9]算法等方法进行车道边缘特征检测，过滤无用信息，保留重要结构特征。

车道检测部分分为基于特征和基于模型两种方法。前者主要通过提取出车道的颜色、纹理、宽度等几何特征进行车道检测[10-11]，基于模型的方法则通过车道参数与数学模型进行拟合实现车道检测，常用的模型有直线模型[12]、双曲线模型[13]、抛物线模型[14]等。刘岩等人提出了一种特征模型融合的车道检测算法，先进行图像预处理、颜色转换，并对黄色和白色车道线进行检测和线性融合，然后提取出边缘特征，采用最小二乘法对车道线双曲线模型进行拟合。经实验验证，该算法的平均检测正确率可达96.3 %[15]。

车道跟踪模块利用 kalman滤波[16-17]、粒子滤波[18]等方法，根据前一帧的位置信息估计后一帧图像，从而实现车预测跟踪。最后将处理后的信息送入车道偏离决策模块，决策模块发出控制信号实现对驾驶员的警告。

由于传统的车道检测方法存在应用场景局限性，难以根据不同场景自适应调整参数，近年来，基于深度学习的车道检测方法逐渐兴起。

基于深度学习的车道线检测方法应用最广的是卷积神经网络（Convolutional Neural Networks，CNN）法，利用CNN提取车道线特征，再进行车道线拟合[19-22]。

Zhiyuan Zhao等人采用深度强化学习方法，以边界框的形式进行曲线车道检测。该方法利用标志点表示车道线位置，深度Q学习定位器根据车辆状态移动标志点，从而获得车道曲线。经检验，该模型有效提高了曲线车道的检测精度和工作效率[23]。Shaojiang Wang等人提出一种基于空间扩张卷积神经网络的车道检测方法，在改进的MobileNet v2基础网络上加入空间扩展卷积层，并采用基于缩放 Y轴的 DBSCAN聚类算法作为实例分割算法。经实验表明，该方法对简单车道的检测准确率可达97.26 %，速度可达40 fps[24]。

虽然基于视觉的道路偏离预警系统研究较多，但是摄像头采集环境信息受天气、光亮等外部因素影响较大，且随着辅助系统的增加，对机器视觉的运用增多，容易造成视觉通道信息过载，所以有许多学者对其他的感知方法进行了一些探索。

芬兰 Max Sandström 等开发了一种基于汽车方向盘的LDWS算法，使用来自方向盘的信号得到车辆的位置信息，进而检测即将到来的车道偏离。研究结果证实，该系统可提前3秒发出偏离警告且其灵敏度较高[25]。

基于视觉的车道检测技术具有较强的研究基础，且技术发展迅猛，不少研究者将摄像头与各传感器结合进行融合感知[26]，使得该技术得到了进一步的发展。相比之下，基于汽车自身信息的LDWS研究基础相对薄弱一些，在这方面的研究还比较少。

2 驾驶员意图识别

车道偏离辅助系统主要是针对无意识车道偏离情况进行预警和控制的，驾驶员意图识别的主要作用是防止系统在驾驶员有意偏离车道的时候（如变道）发出警报，而对驾驶员造成干扰。所以准确识别驾驶员意图，是车道偏离辅助系统的重要工作之一。

传统识别系统主要是通过转向灯实现的，后来为克服此局限性，提高识别准确率，研究者们提出了人类认知模型、驾驶人行为动态特性、隐马尔科夫模型（Hidden Markov Model，HMM）和支持向量机（Support Vector Machine，SVM）等模型、特性和方法[27]，由于HMM处理时间序列的能力较强，所以其应用更为广泛[28]。

吉林大学高振海等人采用高斯混合隐马尔科夫模型，以人－车－路参数作为车道偏离特征参数，建立了识别驾驶员无意识偏离车道偏离行为的数学模型。经测试，该模型对疲劳偏离和次任务偏离的识别率分别达到94.21 %和92.17 %，识别效果较好，但识别率还可进一步提高[29]。江苏大学刘志强等人提出了一种基于 SVM 的换道意图辨识方法，选取了不同特征参数组合建立辨识模型，并进行比较分析。研究发现以人—车—路综合信息为特征参数，选取1.5s时窗内的信息均值和方差表述特征参量所获得的辨识效果最佳，平均识别准确率可达到93 %[30]。后来，他又联合SVM和HMM算法构建辨识模型，将辨识准确率进一步提高到95.84 %[31]。

除上述方法外，许多学者也采用深度学习的方法进行意图识别，主要有神经网络[32]、长短时记忆网络[33]以及将神经网络与高斯混合隐马尔科夫模型相结合的方法[34]等。

Jinshuan Peng通过建立反向传播神经网络模型来进行驾驶员换道行为预测，经检验，该模型能提前1.5 s预测驾驶员意图，预测精度达85.54 %[32]。Yang Xing等人建立了具有长短时记忆单元的集成双向递归神经网络模型，该模型可根据驾驶员行为和车速等数据提前预测出驾驶员的换道意图。经验证，该模型可提前 0.5 s识别出驾驶员意图且准确率达到96.1 %，但其只针对预期的变道，而不考虑意外和中止的变道行为[35]。

驾驶员意图识别技术主要采用汽车参数、人体参数以及道路参数作为模型的特征参数，通过优化模型算法和参数设置提高识别精度。精确的驾驶员意图识别系统可减少误报率，提高车道偏离辅助系统的可靠性和稳定性。

3 LDWS决策算法

在建立道路模型和汽车的运动模型以后，系统通过LDWS决策算法判断汽车是否偏离车道线。算法需要具备良好的实时性和准确性，既要保证误警率尽量少以免干扰驾驶员，又要掌控合适的预警时间，给驾驶员足够的反应时间。此外，针对不同驾驶员的性格、驾驶习惯等方面需要做出相应的策略以加强系统的适用度。

LDWS决策算法目前使用较多的主要有：跨越车道线时间（Time to Lane Crossing，TLC），基于汽车当前位置（Car Current Position，CCP），基于未来偏移距离（Future Offset Distance，FOD）和基于知识的车道环境感知（Knowledge-Based Interpretation of Road Scenes，KBIRS）四种，文献[36]对以上算法进行了简单的介绍。

上述算法中运用最多的是TLC算法[37-39]。覃雄臻等人以TLC算法为基础，建立了改进的LDWS模型，该模型选取了多种道路场景的综合阈值，并对距离、角度和时间是否超出阈值进行了多次判断，从而避免不同场景带来的判断误差，提高了系统精确度和环境适应性[44]。

针对传统算法存在的一些缺陷与不足，研究者们提出了基于车道线角度[45]、基于坐标投影[46]、基于神经网络等模型进行改进和完善，以提高预警准确率，减少误报、漏报问题。

为了使 LDWS针对不同驾驶习惯的驾驶员有相对应的预警方案，吉林大学朱冰等人进行了驾驶员驾驶行为的数据采集、聚类，并利用广义回归神经网络模型进行了驾驶员驾驶习性的辨识，然后采用TLC算法，通过对不同类型的驾驶员设定不同的预警时间阈值实现LDWS的个性化。测试结果表明，该方法对驾驶员驾驶习性辨识的准确度达到92.2 %，并能实现自适应个性化预警[47]。

4 LKAS控制算法

LKAS控制根据车辆实际位置与理想位置设计控制算法使偏移量尽可能小，从而实现车道跟随。常用LKAS控制算法有PID控制[48]、模糊控制[49]、滑模控制[50]、人工势场[51]、模型预测控制（MPC）[52]等。研究者们对上述算法上进行了一定的改进和综合应用以提高系统性能[53-54]。

合肥工业大学胡振国在人工势场法的基础上，以TLC作为人工势场函数的特征参数，计算出不同车速情况下的理想方向盘转角，通过PID控制方向盘输入，实现车道跟随。经仿真验证，相比于道路势场法，该方法的实时性以及对不同车速的响应更好[55]。万远航等人针对传统 MPC控制在强非线性工况下鲁棒性差的问题，在该算法的基础上结合了辛普森法则，实时调整车辆模型参数，从而实现了自适应车道保持控制，提高了系统的工作性能和控制精度[56]。

车道保持控制系统作为辅助系统不仅需要实现车道保持功能，还需要实现与驾驶员的协调控制，许多学者在车道保持控制系统的设计中考虑了驾驶员状态影响，从而实现人机共驾[57-59]。郭烈等人采用串级 MPC-PID控制算法得到总的转向力矩，然后根据驾驶人转向力矩采用模糊控制动态调整共驾系数来确定驾驶人与控制系统的驾驶权分配，实现驾驶员与LKAS共同协调控制。该系统能够有效地降低控制过程中的人机冲突，提高汽车安全性，但人机共驾受许多因素影响，在控制权分配方面还需不断完善和改进[59]。

5 车道偏离辅助系统发展预测

根据前面对车道检测技术、驾驶员意图感知技术以及LDWS和LKAS算法的分析和总结，对车道偏离辅助系统的发展预测如下：

（1）随着近年来车联网技术和5G技术的不断发展，可结合V2X（Vehicle-to-Everything）通信技术进行车道检测、环境检测，增加系统的有效性和可靠性。

（2）人工智能是汽车发展的一大方向，许多人工智能算法也被应用于车道偏离预警系统中，且展现出其独特的优势，对人工智能算法的广泛应用和不断深化是车道偏离预警系统发展的大趋势。

（3）国内道路状况多样，对于无车道线的路况、特殊路况等条件下，车道偏离预警系统的车道识别情况和预警性能还需要进一步的研究。

（4）根据汽标委智能网联汽车分标委 ADAS工作组第九次会议内容，我国ADAS的重点研究方向正由预警提示功能以及单方向控制等简单功能逐渐向横纵向组合控制等复杂功能转变[60]。车道偏离辅助系统可结合纵向防撞系统进行综合预警控制，使汽车的安全预警系统更完善。

6 结论

在智能汽车产业快速发展的进程中，车道偏离辅助系统是保障汽车横向安全的关键技术，也是推进智能汽车发展的重要基础。目前车道偏离辅助系统在复杂的驾驶环境和路面状况下，其可靠性和识别准确性还存在一些不足，为了优化它在各种环境和路面状况下的可靠性及识别和判断的准确性，减少对驾驶人员的额外干扰，并进一步提高汽车行驶主动安全性，对车道偏离辅助系统的环境和路况的识别方法及系统的控制算法还需要开展进一步的探索。