TLC的评价算法可以分为横向TLC算法和纵向TLC算法,这是由所考虑的车道偏离方向的不同来区分的。
AURORA系统(美国卡内基麦隆大学)采用了横向TLC算法,其公式如下:
公式中,
表示汽车侧向的位置,即车辆的纵轴线与道路中心线的侧向距离,
表示汽车的侧向速度,通过计算最后半秒内汽车标志线相对汽车移动的距离计算获得时间,该方法中道路宽度已知且为常量。
该算法使用了侧向位移和侧向速度信息同时考虑了汽车的行驶轨迹,能够保证在一定的时间范围内向驾驶员报警,给驾驶员预留了一定的反应时间;但是本算法假定汽车的侧向速度在较短的时间间隔内保持不变,并且汽车的航向角保持恒定,但是某些情况下这种假设是不正确的。
我们知道当方向盘转角为一固定值时,汽车会沿着圆弧轨迹行驶,因而在道路上车辆的侧向速度是不断改变的,同时汽车的航向角也是不断改变的。
韩国三星公司、德国的R.Risack使用的是纵向TLC公式,相对来说使用比较广泛:
上式中
表示汽车的纵向速度,L表示从当前时刻开始到汽车前轮接触车道线为止在汽车纵轴线方向的纵向距离。
由公式可见,纵向TLC算法关键之处是如何确定纵向距离L的值,计算方法主要有两种,两种方法的区别主要在于用于预测汽车运动轨迹的车辆模型不同。
(l)假定车辆发生偏离过程中航向角始终保持不变,汽车横向和纵向的速度也保持
恒定。
如图1.7所示,L是根据汽车质心偏离本车道时所确定的纵向距离。
(2)假定车辆发生偏离过程中方向盘转角角保持恒定,汽车的运动轨迹能够很好跟随道路边界线曲率,因而汽车的运动轨迹曲线与道路边界线比较类似。
假设地面水平,车道边界线可以近似表述为常见的回旋曲线,如图1.8所示:
式中
为道路曲线在水平方向的曲率,
表示道路曲线在水平方向的曲率变化率。
假定道路曲线的曲率为固定常数即
=0,b表示道路的宽度并且为已知常数,加号对应右车道减号对应左车道。
汽车质心的运动行驶轨迹可以表示为如下公式:
上式中
为汽车运动轨迹曲率,可通过当前的方向盘转角得到。
上述两种模型的建立都是通过对汽车质心运动轨迹的预估得到的,下文公式又可表示左右车轮的运动:
式中左、右车轮由下标由l、r分别对应。
由此得到的汽车行驶轨迹曲线和对应的道路边界曲线的交点与当前汽车在道路中的位置之间的距离就称之为L。
2.基于瞬时侧向位移的预警算法
这种算法利用汽车中心偏离车道中心的瞬时侧向位移L,作为评价指标,是一种比较简单的车道偏离预警算法。
当
大于事先给定的阈值时系统则发出报警。
这种算法比较简单,在实际应用中比较易于实现;但是它忽略了汽车的运动轨迹,尤其是当车辆的运动行驶轨迹偏离道路中心一个距离且平行车道行驶时(如图1.9a所示)会发出错误报警。
通常情况下,驾驶员开车时不可能严格沿着道路中心线行驶,而是偏离道路中心线特定距离,这个值最大可以达到10厘米,对具有这种驾驶行为的驾驶员来说,该预警算法可导致频繁的误报警。
当车辆以较大角度偏离当前行驶车道的工况下(如图1.9b所示),系统发出预警信号后留给驾驶员的反映时间太短,驾驶员一般来不及纠正车道偏离行为,这样系统发出的预警也就失去了作用。
3.基于横向速度的评价算法
该预警算法以车辆的侧向速度Vy作为评价指标,如果车辆以比较大的速度偏离道路边界线时系统发出预警,公式如下:
式中
为给定的速度阈值。
该方法同样的会导致错误的报警,因为某些驾驶员开车并不紧紧跟随道路车道线,而是在道路上左右摇摆(如图1.9c所示),这时车辆侧向速度会较大,对这种驾驶员来说,该方法也会导致频繁的错误报警,会导致驾驶员不认可系统的预警功能。
另外,若驾驶员发现汽车偏离道路中心线比较大的距离时,会迅速反应转动方向盘使汽车回到道路中心线附近,这时汽车的侧向速度很大,如果此时报警必将干扰驾驶员的校正,令驾驶员感到厌烦。
4.基于CCP的评价算法
基于汽车当前位置CCP(Car'sCurrentPosition)的评价算法是利用汽车在道路中当前位置作为评价指标,判断车辆是否会发生偏离。
汽车在道路中的坐标由车道线检测算法得到,道路中心与汽车纵向轴线的距离用
表示。
这种算法假定汽车平行于行驶车道,给出汽车车宽
,则不难计算出目前汽车前轮相对于左右道路边界的位置:
由道路识别算法可计算出公式中道路宽度b,
和
表示左右轮胎到相应道路边界的位置。
当
>0并且
>0时,说明汽车在本行驶车道内,不需发出预警。
当
<0或者
<0时,则说明汽车即将偏离行驶车道,系统发出预警。
5.基于预测轨迹偏离的预警算法
基于预测轨迹偏离的预警算法依据一段时间后汽车的预测轨迹与目标行驶轨迹之间的偏差值来进行评价,如果偏差大于给定的阈值,我们就认为会发生车道偏离,系统报警。
丰田汽车(日本)公司的STAR系统所采用的就是这种预警方法。
如图1.10所示,汽车的预测行驶轨迹与目标行驶轨迹的偏差值万计算方法如下:
上式中x为当前时刻汽车质心的侧向位置,
为
秒后汽车质心的侧向位置,
表示车辆横摆角,v表示车速。
该算法一般假定驾驶员能较好的跟随道路曲率变化,因而目标运动轨迹通常为行驶道路的中心线。
于此同时,这种算法假设汽车的横摆角恒定,则预测轨迹为直线。
6.基于EDF的预警算法
基于边缘分布函数EDF(EdgeDistributinFunction)的预警方法,是指将边缘方向角的边缘强度直方图进行考虑。
韩国全南大学的JoonWoongLee等主要采用EDF的评价方法,它通过边缘分布函数将车道信息和边缘信息联系起来。
该算法对行车线作出几条假设:
(1)车道线平滑过渡,
(2)车道线比路面其它部分明亮,(3)左右车道线应该平行道路中心线。
如图1.11b所示。
依据上述假设,EDF具有两个重要特征一一对称轴和局部最大值,如图1.11b所示。
基于边缘分布函数的预警算法,一般有三个步骤组成。
第一步就是边缘的提取和图像的获取。
对于点(x,y)力相应的图像.f(x.y)梯度用向量
表示:
方向
与幅值
分别为:
第二步用递归求和滤波器估算边缘分布函数,边缘分布函数EDF定义如下:
其中
是方向为
的像素的数量
EDF的形状如图1.11所示,从图中可以明显看出EDF的主要特征,一是在
和
附近有两极值,其分别对应右侧和左侧道路边界线;二是它具有一条对称轴,如果道路图像是在道路中心线上采集的,对称轴则会位于九十度附近,而如果采集的图像偏离道路中心线,则对称轴就会偏离九十度位置。
由于噪声影响,我们通常很难仅仅通过
的极值判断车道线的方向,所以采用求和的方式估算EDF给定N帧图像序列,EDF估算方法如下:
其中k表示当前帧,N由试验来确定,递归形式如下:
第二步为搜索边缘分布函数的局部最大值和对称轴,确定是否发生车道偏离有以下两种方法:
方法一:
通过对称轴来判断是否发生了车道偏离,如果
我们就认为发生了车道偏离,P为对称轴偏移量,计算公式如下:
为安全阈值,可通过试验确定,x为EDF的对称轴位置,
为从道路中心线处拍摄图像的EDF对称轴位置。
方法二:
通过极值判断能否发生车道偏离,如果
或者
,则认为发生车道偏离,评价指标咨计算如下:
和分别为相应于方向
和
的两个极值,
和
分别为大于1和小于1的常数,通过试验可以确定。
基于EDF的预警算法不需要摄像机相关参数,忽略了车道线的定位,而前方道路的形状(如倾斜、坡度、宽窄),车辆的类型,和乘坐人数等对算法都几乎没有影响。
7.基于预瞄轨迹偏离TTD的评价算法
TTD(TimetoTrajectoryDivergence)是指从最初状态到汽车轨迹与预期轨迹偏差达到期望值所经历的时间。
如果TTD时间比给定的时间阈值
小,系统则会发出报警,即
公式中,
是期望行驶轨迹的曲率半径,D是汽车运动轨迹与期望轨迹的最大允许偏差,
是汽车实际行驶轨迹的曲率半径,v是车速。
车辆能够跟随最优路径是这种算法的优点,而最优路径始终使车辆位于道路中心线处,因为最优路径与自然车道类似,即使汽车靠近内弯道,TTD的值也较大,因此可对车道偏离更具有预见性。
由于这种算法比较复杂,最优路径的精度影响系统的精度。
在弯道上,如果驾驶员转弯比较急则会造成这种预警算法的误报警。
8.基于FOD的评价算法
基于未来偏移距离FOD(FutureOffsetDistance)的预警算法主要由卡内基梅隆机器人研究所的ParagHBatavia所采用,该方法原理与TLC算法类似,都是根据汽车跨越车道线之前的剩余的时间与阈值进行比较来判断汽车是否会发生车道偏离。
该方法借取了路边振动带的想法,将实际的车道线扩展为虚拟车道线,设置虚拟车道线后则允许汽车偏离实际的车道边界。
这种方法充分考虑了驾驶员驾驶行为特性,在设定虚拟车道线时考虑了驾驶员转向习惯导致的偏离量,并且为适应不同驾驶员的驾驶习惯虚拟车道线的位置是可以调整的。
如果驾驶员在转向时没有偏离的习惯,真实车道线将与虚拟车道线重叠一起。
基于FOD的预警算法有两参数:
前视预瞄时间T和虚拟的车道线V。
前视预瞄时间是指系统预测汽车未来状态的时刻距当前时刻的时间,虚拟车道线是指允许驾驶员转向导致的偏离到真实车道线外侧的距离。
如果汽车在T秒后的预测位置偏离实际车道线时,系统并不发出报警,而是只有当其偏离虚拟的车道线时系统才会发出报警(如图1.12所示),即满足如下条件,系统才认为即将发生车道偏离,系统报警:
公式中为T秒后车辆的侧向预测位置,其一阶运动学计算方法如下:
其中
为横向速度,
为当前时刻汽车与虚拟车道线之间的距离。
各类算法的优缺点:
车道偏离预警系统一般分为3部分,①车道线检测:
通过视觉传感器检测车道线;②预警变量估计:
一般选择横向偏移量和车辆越过车道线的时间作为预警变量;③预警:
决策何时、何种方式提醒驾驶员。
系统所采用的警告标准大致分为4种:
基于当前车辆于车道中位置(car'scurrentpositon,CCP)、基于未来车辆偏离量的不同(futureoffsetdifference,FOD)、基于车辆前轮跨越车道线边界的时间TLC(timetolanecrossing,TLC)、基于对道路场景的感知(knowledgebasedinterpretationofroadscenes,I}BIRS)。
4种警告标准中TLC应用最为广泛。
这些警告标准算法中大都是利用时间或者距离其中之一作为预警值,没有对汽车偏离车道危险程度进行有效划分。
大多数系统的性能受限于道路环境和某一固定类型的驾驶员群体,并且在LDWS使用过程中其误报现象经常给驾驶员带来困扰。
1、基于TLC的决策算法和基于预测轨道偏离的决策算法
TLC两种:
一种是车辆转向角不变,一种是车辆行驶方向不变
优点:
这两种决策算法都需要从车载摄像头获取的道路图像中提取车道标志线的信息,从而精确定位车辆在车道中的位置,计算出车辆与车道标志线的横向距离,然后根据车辆的速度信息确定一个最佳的报警时间。
该决策算法已经被证明有效且精度高,
缺点:
需要建立摄像机、路面和车辆系统的几何模型,容易受到摄像机选取、光学镜头、摄像头的安装位置和车辆型号的影响。
此外,这两种决策算法都需要对摄像头进行标定,而且在车辆颠簸产生振动和冲击的过程中,结果容易受到干扰,鲁棒性差。
不能满足复杂多变的道路交通环境、阈值的设定没有考虑驾驶员的特性以及驾驶习惯,没有考虑当前驾驶员的驾驶行为。
2、基于系统偏航角航向的决策算法和基于左右两侧车道标志线角度之和的决策算法
优点:
这种方法车道线与图像平面坐标轴夹角不会发生很大变化,无需进行摄像机标定,且对冲击、振动等干扰不敏感,具有较强的环境适应能力,更适合在车载环境下使用,但是也会出现因为外界环境复杂而误报的情况。
从实际驾驶情况来看,在车辆偏离预警时并不需要很高的精度,且具有丰富驾驶经验的司机在进行车道偏离的判断时也不需要精确的车道偏离值。
缺点:
误报率较高、驾驶员特性以及驾驶行为考虑较少、复杂道路交通环境下准确性低。