视觉与GPS/IMU融合的智轨电车循迹控制研究

袁希文，张新锐，胡云卿，高鑫鹏，黄瑞鹏

（中车株洲电力机车研究所有限公司，湖南 株洲 412001）

0 引言

智轨电车宽2.65 m，其在3.5 m宽的车道内正常行驶、在狭窄区域转弯以及靠站停车时，需要严格考虑占用道路宽度，以防止刮擦护栏或其他车辆现象的发生［1］。如果采用人工驾驶方式，不仅控制精度偏低，还容易因误操作导致车辆偏离车道而引发交通事故。因此，使用自动循迹控制系统来实现列车头轴精确跟随车道线行驶具有重要现实意义。

已批量装车的智轨自动循迹系统普遍采用图像感知技术实现［2］，其基于视觉摄像头实现车道线的识别，通过决策控制计算得到期望转角，再下发给转向执行器。基于图像识别的极简化循迹控制方式虽然可以不依赖外部定位信号实现单机控制，但其易受环境因素影响，如标识线磨损、夜间光线不足、雨天反光、车灯逆光等。对于定位，主流方法有激光雷达建图定位和全球定位系统（global positioning system，GPS）组合惯导定位［3］。激光雷达定位精度可达到厘米级，但需借助高精度地图来实现，且设备价格高昂，建图工作量大，成本高。GPS组合惯导定位的优点是不受环境光线及雨雪天气的影响，可全天候提供稳定信息；缺点是信号受建筑物遮挡［4］。常规民用GPS组合惯导定位精度大约在10 m左右；但结合实时动态（real-time kinematic，RTK）载波相位差分技术可将定位精度提升至1～2 cm［5］，不仅满足无人驾驶车辆定位要求，而且地图构建与维护方便。考虑到GPS组合惯导定位特性与视觉识别互补，并且批量生产的智轨电车出厂时即已搭载了GPS组合惯导系统，可在现有系统上进行改造适配。因此，本文选择GPS组合惯导作为视觉感知的补充手段，研究了视觉与GPS融合的智轨自动循迹系统。

目前在汽车自动驾驶领域，关于视觉与GPS融合技术的研究较多。文献［6］基于组合惯导的车速和航向角信息，对车道模型进行补偿估计，试验结果表明，该方法可有效弥补因视觉传感器短时故障而造成的影响，具有良好的鲁棒性和准确性。文献［7］提出一种基于视觉与GPS融合的局部轨迹规划方法，其根据感知手段在不同环境下的有效性对驾驶模式进行实时切换。文献［8］在Stanley控制器中使用GPS技术和视觉识别技术分别提供航向偏差与横向偏差信号，仿真结果显示，即使车辆丢失视觉信号，也能沿相对正确的轨迹行驶。文献［9］利用无迹卡尔曼滤波对视觉及GPS信号进行融合，有效提高了四轮电瓶车的定位精度。文献［10］在视觉传感器长期失效的情况下将GPS定位数据用于车道线模型的预测，通过仿真实现了无人驾驶车辆的车道稳定保持。文献［11］采用GPS定位技术并结合电子地图对视觉导航可靠性进行验证，有效提高了智能车辆在复杂路况环境下定位的可靠性。

上述研究的技术路线多为数据级融合，对数据时空同步要求极高，且均为基于仿真模型或简单道路场景下的低速测试。由于智能轨道快运系统运营场景存在隧道、小半径弯道、城市楼房遮挡等特殊工况，因此这些方法难以适应真实道路环境。本文以智轨电车为载体，提出了一种面向复杂运行环境的视觉与GPS自适应融合控制的方法并进行了实车试验。结果表明，采用该方法，能够保证智轨电车实现平稳的自动循迹行驶，并提升了自动循迹系统的可用性。

1 自动循迹系统构成

智轨电车的自动循迹系统由视觉定位子系统、GPS组合惯导定位子系统、决策控制子系统及执行子系统构成（图1）。

图1 视觉与GPS融合自动循迹系统Fig.1 Vision and GPS fusion automatic tracking system

智轨电车运行过程中，一方面视觉定位子系统通过图像识别技术提取车道线特征，以获得车辆与车道线的相对位置信息；另一方面，GPS组合惯导定位子系统借助RTK技术与基准站通信，获取车辆的绝对位置信息。定位信息经决策控制子系统处理，得到期望方向转角并输入执行子系统，以实时调节车辆转向角，跟踪期望路径。

1.1 视觉定位子系统

视觉定位子系统采用实时极简感知图像处理的方式，借助车头处的摄像头模块获取车前车道线原始图像数据；通过图形信息分离、标识、特征提取和数字轨道特征聚合等算法，生成高稳定性、低累计误差的虚拟数字轨道，如图2所示。

图2 视觉定位子系统Fig.2 Visual positioning subsystem

1.2 GPS组合惯导定位子系统

GPS组合惯导定位子系统包括GPS单元与惯性测量单元（inertial measurement unit，IMU）。GPS利用人造卫星与信号接收机进行通信，接收、跟踪、解算出卫星轨道参数数据并进行定位计算，从而实现移动载体全局导航定位。在此基础上，系统接收来自RTK基准站的通过观测卫星坐标位置解算得出的差分改正信号，进而获取精确的移动载体全局定位坐标。

图3 GPS组合惯导定位子系统Fig.3 GPS/IMU subsystem

结合IMU各向加速度数据，通过卡尔曼滤波，以GPS定位数据作为参考对位置进行预测，可使定位具有良好的稳定性，能持续提供精确的导航数据，满足自动循迹对信号频率更新的要求。

1.3 决策控制子系统

决策控制子系统根据视觉定位子系统与GPS组合惯导定位子系统输出的虚拟数字轨道距离偏差、角度偏差、经纬度及航向角等信息并结合车辆状态参数与分层电子地图，在中央控制计算单元进行实时计算，通过自适应容错控制策略得到方向盘转角指令，然后将指令输入转向执行子系统以调整车辆航向，如图4所示，使系统能够在列车架构特殊、初始姿态随机的情况下保证列车自主、精确地进入和跟踪轨迹。

图4 决策控制子系统Fig.4 Decision control subsystem

2 循迹系统控制策略

自动循迹控制包括视觉循迹控制、GPS循迹控制和自适应容错控制。视觉循迹不依赖外部网络信号便可实现单机控制，但识别稳定性受光照条件、车道线状况等环境因素影响。GPS循迹不受环境光线和雨雪天气的影响，但信号会受建筑物遮挡、隧道等因素影响而无法使用。为使两者优势实现互补，本文研究了一种将视觉循迹与GPS循迹进行融合的自适应容错控制策略。

2.1 视觉循迹控制

视觉循迹控制采用预瞄PID控制算法，通过图像识别方法获取前方预瞄距离l处与轨道中心线的距离偏差A0、轨道中心线的斜率A1、轨道中心线的曲率A2、轨道中心线的曲率变化率A3等信息，从而进行头轴期望转角的计算。其中，距离偏差ecte(k)和角度偏差eha(k)分别为

以车辆第一轴中心为原点，沿着车辆轴线方向的直线距离为预瞄距离l。预瞄距离取值与速度相关，其可以自适应速度的变化，如果跟踪路径曲率较大，可采用弧长距离计算。

对距离偏差和角度偏差分别进行PID反馈控制，得到

式中：ucte(k)——预瞄点处距离偏差PID控制的控制量；uha(k)——预瞄点处角度偏差PID控制的控制量；KP，cte、KI，cte和 KD，cte——距离偏差 PID 控制的比例、积分和微分系数；KP，ha、KI，ha和KD，ha——角度偏差PID控制的比例、积分和微分系数。

最终得到前轮转角的控制量：

2.2 GPS循迹控制

GPS循迹采用Stanley控制算法，根据车辆状态及预瞄点（由GPS定位信号实时索引的一系列路径点经平滑处理后组成），通过轨迹预瞄处与车身位置之间的横向偏差和航向偏差计算头车前轴转向指令并输出至转向执行机构，从而实现轨迹跟随（图5）。

图5 GPS循迹控制框图Fig.5 GPS tracking control block diagram

GPS所接收位置信号为WGS84经纬坐标信息，需要将经纬坐标系转换为与车辆坐标系相匹配的ENU东北天坐标系［12］。假设P为ENU坐标系原点，则路径点Q坐标(xQP，yQP，zQP)表示为

式中：BP——P点在WGS84坐标系下的纬度；LP——P点在WGS84坐标系下的经度；（XQ，YQ，ZQ）和（XP，YP，ZP）分别为Q点和P点在地心空间直角坐标系下的坐标，以Q点为例，路径点Q在地心空间直角坐标系下的坐标可以表示为

式中：(BQ，LQ，HQ)——路径点Q在WGS84坐标系下的纬度、经度以及海拔；RQ——Q点的地球椭球卯酉圈曲率半径。

式中：xi——离散路径点，其初始值即为实车采集的一系列路径点，xi=(xi，yi)，i∈ [2，N-1]；Δxi——各路径点之间的位移矢量，且Δxi=xi-xi-1；yi——初始路径点坐标；α，β，γ——各项权重系数；Δφi——各路径点之间切向角的变化量。

图6为离散路径点示意图。

图6 离散路径点示意图Fig.6 Schematic diagram of discrete waypoint

对于处理后的路径点，采用Stanley算法进行路径跟踪。该方法根据航向偏差和横向偏差计算转向角，具有较高的鲁棒性和精准度［13］。Stanley控制模型示意见图7。图中，(cx，cy)为参考路径上前轴中心的最近点坐标，efa为车辆横向偏差，δ为车辆前轮转向角，θe为航向偏差，v为车速。

图7 Stanley控制模型示意图Fig.7 Schematic diagram of Stanley control model

车辆采用自行车模型，用Stanley算法计算车辆前轮期望转向角：

式中：k——增益。

k值越大，则对横向偏差的校正越明显；但过大的k值将导致车辆沿期望路径振荡。在Stanley控制中，根据路径曲率变化引入增益k的动态调整逻辑：当预瞄处曲率大于0.15 m时，需要选取较大的k值，通过增大k值以跟随大曲率的转向过程；当预瞄点的曲率小于0.15 m时，需选取较小的k值，通过减小k值以维持车辆前进方向稳定。

2.3 视觉与GPS融合控制

借助分层电子地图和状态监测，视觉与GPS融合控制实现自动循迹系统在不同环境下的自适应，分层电子地图还原真实线路情况，包括路段和路径点的双层结构。

为了实现智轨电车在全路段复杂环境的稳定运行，构建了符合当前运行环境的容错控制策略。采用基于专家经验的预设优先级分段表来实现特定路段的分级控制，并根据对车辆状态和道路环境的状态监测，对当前路段的控制模式优先、自适应地执行级别调整。依据调整后的控制模式，优先选定当前路段的控制方案，实现可能存在突发扰动的复杂环境下的容错控制机制。通过结合优先级别和退出机制等控制逻辑，借助GPS循迹与视觉循迹模式仲裁，并在两种模式切换间引入过渡偏差，如图8所示，确保车辆稳定地逐步过渡至目标控制模式。

图8 视觉与GPS融合控制示意图Fig.8 Schematic diagram of vision and GPS fusion control

3 实车验证

基于Speedgoat快速原型平台搭建Simulink控制模型，并在宜宾智轨T1线开展实车试验验证，如图9所示。宜宾智轨T1线路全长约19 km，全线涵盖站台、小半径弯道、上下坡道、跨江桥梁、下穿隧道及高架桥，部分路段穿越市中心，公共路权环境及道路条件复杂，正线往返试验次数17次，试验总时长20.36 h，总试验里程达523.6 km。其中，在隧道区域（采用纯GPS方式，相关信号无法通过）、车道线污损与阳光反射区域（纯视觉无法通过）和全运营线路复杂路况下，进行了融合控制方法的测试，结果分析如下。

图9 试验设备及车辆Fig.9 Test equipments and vehicles

3.1 GPS受限隧道场景测试

通过自适应逻辑和控制模式仲裁，列车自动循迹通过纯GPS控制方法无法通过的隧道试验路段，如图10所示。其中，循迹模式状态位为1表示视觉循迹模式；循迹模式状态位为2表示GPS循迹模式；GPS定位定向状态位为75表示RTK差分固定解定向状态。测试结果表明，在测试车通过隧道区域时，由于受到顶部遮挡的影响，GPS定位失效，无法利用GPS控制方法自动循迹行驶。此时所提出的融合控制方法能够准确判断出前一阶段控制方法失效，并平稳地切换至视觉控制方法，从而实现在该区域的无接管循迹行驶。

图10 采用融合循迹控制通过隧道区域Fig.10 Fusion control through the tunnel area

3.2 视觉受限区域测试

此外，还对纯视觉循迹无法通过的车道线突发污损、受到遮挡等缺失区域进行了自动循迹测试，如图11所示。其中，视觉故障状态位为8表示视觉循迹故障；自动循迹状态状态位为1表示车辆处于自动循迹状态中。测试结果表明，车辆在通过车道线污损和遮挡区域时，由于无法准确识别车道线，导致无法利用视觉控制方法自动循迹行驶。此时，所提出的融合控制方法能够准确判断出视觉控制方法失效，平稳地切换至GPS控制方法，并在经过该路段后重新切换回视觉控制方法，从而平稳无接管地循迹通过该区域。

图11 融合循迹通过视觉循迹限制区域Fig.11 Autonamous-rail rapid tram through the visual tracking restricted area by fusion control

如图12所示，试验车顺利通过以往仅靠视觉系统难以通过的高铁宜宾西站处小半径弯道高架。在保证稳定行驶的前提下，最高过弯速度达25 km/h，相比纯视觉方法的15 km/h左右的最高过弯速度，速度提高66.7%以上，满足驾驶司机对过弯速度须不小于20 km/h的要求。

图12 高架小半径弯道循迹数据Fig.12 Tracking data of elevated small radius curve

3.3 全场景循迹性能测试

在整个测试线路中，试验车经历了包括隧道、大曲率弯道及斜拉索桥面等运行工况。如图13所示，所提出的融合控制方法能够自适应地切换循迹模式，实现了全程无接管的自动循迹行驶。

图13 循迹控制容错自适应Fig.13 Tracking control fault tolerant adaptive

试验车利用所提出的融合循迹方法进行高速行驶，在行驶过程中经历了多次视觉循迹与GPS循迹功能间的切换（图14）。测试结果显示，在车辆高速行驶过程中，循迹功能进行切换时，方向盘的角度抖动控制在±15°范围内，小于车辆机械特性所产生的方向盘间隙最大角度。这表明，当车辆行驶速度大于50 km/h时，所提出的融合控制方法能够稳定地进行控制方法的切换，并平稳地逐步过渡至目标控制模式。

图14 高速行驶过程中控制模式平稳切换Fig.14 Smooth switching of control modes during highspeed driving

数据统计结果显示，采用融合方法试验中实现的平均单程接管次数为0.97次，相比单纯采用视觉方法循迹控制的单程接管次数（5.63次），数量下降了82.8%；平均单程运营时间为36 min，较单纯用视觉方法循迹控制的单程运营时间下降24.4%，满足调度对列车准点的要求，实验数据总结如图15所示。

图15 纯视觉方法与融合方法循迹控制指标对比Fig.15 Tracking control comparison between pure vision method and fusion method

在2次试验中，分别测量试验车使用自动循迹进站停靠后头轴与站台的间隙，同一站台的间隙差异不超过5 mm，融合方法的控制效果表现出良好的一致性，测量结果如图16所示。

图16 站台间隙一致性测试结果Fig.16 Platform clearance consistency test results

4 结语

本文从关联关系、系统特性、算法模型和控制策略方面分别介绍了智轨电车视觉循迹和GPS循迹控制系统，并提出一种自适应容错控制策略来实现视觉循迹与GPS循迹的融合控制。实车试验结果表明，采用该融合方法的循迹系统功能切换过程平稳，循迹效果良好，相比单纯用视觉方法的循迹系统，小半径弯道通过速度提高66.7%，单程平均接管次数下降82.8%，单程运营时间降低24.4%，循迹进站停靠的站台间隙一致性良好，系统可用性得到提升。

为进一步提升自动循迹系统的感知稳定性和控制效果，下一步将研究激光雷达建图定位、增强毫米波雷达感知、特异性场景控制等其他技术手段，使其场景适应更全面。