汽车试验学车道曲率检测与识别试验上课讲义.docx
《汽车试验学车道曲率检测与识别试验上课讲义.docx》由会员分享,可在线阅读,更多相关《汽车试验学车道曲率检测与识别试验上课讲义.docx(10页珍藏版)》请在冰豆网上搜索。
汽车试验学车道曲率检测与识别试验上课讲义
汽车试验学作业
车道曲率检测与识别试验
二〇一三年十月
一实验目的
换道是驾驶过程中常见的驾驶行为之一,也是一种对驾驶人的决策判断能力和车辆操控能力有较高要求的过程。
换道过程中,车辆之间的位置关系体现在纵向和横向两个方面。
换道预警系统首先需要分析车辆在横向方向的位移差,用于确定车辆之间的相对车道关系。
此外,车辆换道时与周围其他车辆均可能发生冲突,考虑换道行为的特点,换道预警系统重点关注换道过程目标车道后方车辆的运动趋势,判断换道过程中自车与目标车道后方车辆是否发生交通冲突,根据判断结果对驾驶人进行预警。
在此之前,换道预警系统首先需要解决以下两个问题:
1.后方是否存在车辆。
后方是否存在车辆由微波雷达和激光雷达所监测,如果后方存在车辆,微波雷达和激光雷达会测量输出自车与后车的相对距离、相对角度以及相对速度。
2.后方车辆是否处于自车换道的目标车道。
如果后方存在车辆,在多车道条件下,需要根据后方车辆与自车的相对角度、相对距离来判断后方车辆是否处于自车换道的目标车道。
直道路段情况下,根据相对角度、相对距离数据即可计算出后车与自车在横向方向上的位移差,从而可以根据位移差来辨识该车是否处于换道目标车道。
弯道路段情况下,车辆间的车道关系受到道路曲率影响。
若已知道路曲率,则可以计算自车和后方车辆在横向方向上的位移差,以此实现对车的识别。
由此可知,道路曲率是影响到换道预警系统工作有效性的重要参数,本实验的目的在于通过车载数据采集设备采集相关车辆运动和道路参数,利用采集参数建立道路曲率估计模型,以提高换道预警系统在弯道下使用的准确性。
二研究现状
国内外研究人员通过使用不同传感器、不同算法对道路曲率进行测量,主要的技术手段如下:
1.机器视觉。
机器视觉技术近年来在车辆主动安全领域取得了广泛的应用,通过对道路图像中的车道标线进行识别,并对识别得到的标线进行曲线拟合,计算得到道路曲率。
基于机器视觉的方法受到摄像机和微处理器性能限制,曲率测量精度有限、测量距离较近,同时受天气、光线影响强烈。
2.GPS系统与电子地图。
电子地图可以记录道路的形状,利用GPS的定位功能与电子地图相结合可以实现对道路曲率的测量。
尽管基于GPS和电子地图能够得到道路曲率值,但由于GPS定位精度通常在十米的数量级上,系统无法准确判断自车的行驶车道,从而影响到车道关系辨识模型的效果。
3.采用轮速传感器测量不同车轮的转速差。
车辆在弯道上行驶时,不同车轮的转动速度存在差异,从而使得可以根据车轮转速差对车辆行驶轨迹的曲率进行估算。
基于轮速差的曲率估算方法受到车辆动态运动的影响,计算过程中需要考虑到车辆动态运动规律,计算过程较复杂。
4.基于车速和横摆角速度进行曲率求解。
车辆在弯道上行驶时,安装于车辆上的陀螺仪实时测量车身横摆角速度,而横摆角速度由车辆速度和道路曲率直接决定,因此基于车速和横摆角速度对曲率的计算过程较简单。
但国外研究人员的结果表明,横摆角速度的测量误差较大、波动性强,导致对道路曲率的测量存在较大误差。
5.其他辅助测量方法。
针对机器视觉或基于轮速、横摆角速度的测量方法存在的不足,研究人员提出了一些模型优化方法。
例如通过雷达传感器对前方车辆的运动趋势进行识别,根据前车的运动状态来提高对道路曲率的估算。
另外雷达传感器还可以对道路两侧的构造物如护栏进行探测,通过对道路两侧构造物的形状进行分析可以提高道路曲率的估算精度。
三实验条件
试验过程中采用陀螺仪测量车辆的加速度、横摆角速度等信息。
采用微波雷达、激光雷达和超声波传感器监测自车后方和侧方的其他车辆。
此外,同步采集车速、车辆与车道线距离数据。
(1)实验设备
1.IMU02陀螺仪。
IMU02陀螺仪与VOBX3iGPS主机配套使用,实时测量试验过程中车辆的加速度和角速度信息,采用CAN2.0B(兼容2.0A)方式输出测量数据。
横摆角速度范围:
±150°/s
横摆角速度分辨率:
0.1°/s
加速度范围:
±1.7g
加速度分辨率:
1mg
输出频率:
最大100Hz
2.微波雷达。
试验车辆的前保险杆和后保险杠中央各安装一套微波雷达,用于实时追踪周围的其他车辆。
微波雷达的技术参数如下:
距离范围:
0.5-200m
水平测量角度:
±45°
角度分辨率:
0.5°
输出频率:
20Hz
图1VBOX3I型GPS图2IMU02陀螺仪
3.激光雷达。
激光雷达安装于车辆后保险杠左侧,具有扫描范围大,追踪能力强的特点。
相关的技术参数如下:
水平视角:
240°FOV
距离范围:
0.3m–200m
分辨率:
4cm,角度为0.1°-1°
图3微波雷达与激光雷达
(2)实验道路
实验路段包括直线和弯道两部分,选取两个路段分别为路段1和路段2,路段1用于测量建立识别模型,路段2用于对建立的模型进行验证。
其中路段1为双向6车道、设计行车速度80km/h,中央绿化带隔离,路段全长1528m。
路段2为双向4车道高速公路,设计行车速度110km/h,中央绿化带隔离。
路段1和路段2的卫星照片如图4、5所示。
四试验方法
针对道路曲率测量方法,基于陀螺仪所测量得到的车辆横摆角速度,利用车速信号对道路曲率进行计算,计算公式如下:
(1.1)
式中,C为道路曲率,单位为°/m;ωr为横摆角速度,单位为rad/s;v为车速,单位为m/s;R为道路曲率半径,单位为m。
式1.1的来源可以用车辆在圆周上的绕圈运动来解释,如图4所示:
图4曲率计算示意图
图4中,车辆从图中位置以速度v匀速运动,绕圆周运动一圈后返回原点所需要的时间为:
(1.2)
式1.2的计算依据是车辆绕圆周运动一周后车身所旋转的角度为2π,同时横摆角速度乘以运动时间也等于2π。
绕圆周运动一周的时间为t,则此时间段内车辆的运动距离为:
(1.3)
式中,s为车辆绕圆周运动一周所经过的距离,根据弧长计算公式有:
(1.4)
由式1.2、1.3及1.4即可求解得到式1.1。
五数据处理
1.曲率计算过程
采用IMU02陀螺仪测量车辆的横摆角速度,IMU02传感器安装于车身,实时采集车辆的横摆角速度以及其他加速度信息。
车辆运行速度v来源于车身CAN总线数据。
通过监控视频选择一段包含直线、弯道的路段,记为路段1,截取车辆在通过此路段时的原始数据,结果如图5所示。
图5表明,横摆角速度值测量值包含噪声较大,主要原因在于车身振动以及传感器本身的误差。
路段1的实际形状如图6所示。
所截取的路段1为双向6车道、设计行车速度80km/h,中央绿化带隔离,路段全长1528m。
对比图5和图6,车辆在直道路段行驶时横摆角速度总体分布在零值附近,但噪声较大。
随着道路由直道进入弯道时,所测量得到的横摆角速度出现了明显的下降趋势,经过弯道后横摆角速度值重新返回到零点附近。
利用式1.1计算路段1的曲率,结果如图7所示:
图5路段1车辆速度与横摆角速度分布
图6路段1实际形状
图7路段1曲率
2.数据滤波
图7表明,利用式1.1所计算得到曲率虽然能反映出道路的线形变化,但由于道路实际曲率未知,因此无法对计算得到的曲率值进行验证。
另一方面,计算得到的曲率值包含噪声较大,从而使得根据曲率对车辆之间车道关系进行辨识的误差较大。
为降低数据误差给后续分析带来的影响,本文采用数据滤波方法降低测量数据的误差。
由于误差的原始来源主要是横摆角速度测量噪声,因此通过对横摆角速度进行滤波可以降低噪声对曲率测量带来的干扰。
相比于其他方法,移动平均滤波的原理较简单,对于第n次采样,使用从n-m+1次到n次采样的平均值作为第n次采样的测量值,从而降低随机误差对横摆角速度带来的干扰,平滑效果主要由平滑窗口区间长度m决定。
移动平均滤波方法较简单,计算速度快,通过对滤波时间窗口长度进行调整可以提高滤波效果,在对横摆角速度的滤波应用中得到了广泛的应用,本文采用移动平均滤波方式对IMU02测量得到的横摆角速度进行滤波,结果如下:
图8m=30移动平均滤波效果
使用平均移动滤波得到的横摆角速度数据,使用式1.1计算道路曲率,结果如下:
图9滤波后路段1曲率
六实验验证
道路的曲率与曲率半径值互为倒数,在建立车辆-道路之间的动态模型中通常采用曲率半径值进行分析。
相比于曲率值,曲率半径的实际意义更容易利用图形的方式来表达,对于换道过程中Fd车辆的识别问题也需要采用道路曲率半径值进行求解。
另一方面,道路的曲率值不容易获取,无法进行验证试验,而道路曲率值则能采用其他方法间接获取,从而能够对基于横摆角速度和车速对曲率半径进行估算的效果进行验证。
图10路段1卫星实景照片图11路段2卫星实景照片
本文除路段1之外,另外挑选一条路段进行分析,以路段2表示,路段2为双向4车道高速公路,设计行车速度110km/h,中央绿化带隔离。
本文通过GoogleEarth软件对特定路段的曲率半径值进行估测,该软件是谷歌公司基于实景卫星照片所开发的三维地理软件。
路段1、2在GoogleEarth软件中的截图如上图。
1.路段1曲率半径验证结果。
在路段1卫星实景照片中,通过圆弧切线交叉定位方法对圆弧中心O进行定位,利用多条从O点出发到实际行车道中央的半径R来验证所定位圆心的准确程度,通过多次定位寻找效果较好的结果,如图10所示。
图10中,R1、R2、R3、R4、R5在GoogleEarth软件中的长度分别为408m、403m、404m、403m、408m,5次测量的平均值R=405.2m,最大值与最小值之间差值为5m。
通过GPS所采集的经纬度数据和图10位置进行地点匹配,利用基于横摆角速度和车速的道路曲率模型求解道路曲率半径值,以R1半径末端为起点,R5末端为终点,计算此路段的曲率半径值,结果如图12所示:
图12路段1计算得到的曲率半径
图12表明,基于车辆横摆角速度和车速所计算得到道路曲率半径值基本保持在400m附近,所有计算得到的数据中,曲率半径Rmax=418.7m,Rmin=363.6m,平均值Ra=394.8m,标准偏差为12.7m。
对比GoogleEarth中得到的曲率半径与基于横摆角速度和车速计算得到的曲率半径数据,结果表明,两者平均值的差值为10.4m。
假设真实半径值为405.2m,则本文所采用的计算模型所得到平均结果的相对误差为2.6%,具有较好的准确度。
另一方面,图12表明,计算得到的曲率半径值存在一定幅度的波动,例如最小值363.6m对应的相对误差值为10.2%,最大值418.7m对应的相对误差值为3.3%。
2.路段2曲率半径验证结果
采用与路段1相同的方法对路段2进行曲率半径估算。
图11中R1、R2、R3、R4、R5分别为1369m、1374m、1376m、1368m、1369m,5次测量的平均值为1371.2m,最大值与最小值之间的差值为8m。
基于横摆角速度和车速对道路曲率半径进行计算,结果如下:
图13路段2计算得到的曲率半径
图13表明,路段2计算得到的道路曲率半径大部分分布在1200m-1400m之间,所有计算得到的数据中,曲率半径Rmax=1573.1m,Rmin=1187.1m,平均值Ra=1340.2m,标准偏差为101.2m。
对比在GoogleEarth中得到的曲率半径与基于横摆角速度和车速计算得到的曲率半径数据,结果表明,两者平均值的差值为31m。
假设真实半径值为1371.2m,则本文计算模型所得到平均结果的相对误差为2.3%,具有较好的准确度。
另一方面,图13表明,计算得到的曲率半径值存在较大的波动,例如最小值1187.1对应的相对误差值为13.4%,最大值1573.1对应的相对误差值为14.7%。
3.结果分析
对比路段1和路段2的道路曲率半径数据,结果表明,基于横摆角速度、车速参数计算得到的道路曲率平均值与实际值比较接近,两路段平均曲率半径的相对误差分别为2.6%和2.3%,尽管实际值的来源不精确,但这表明了使用横摆角速度、车速参数,基于移动平均滤波方法能够正确反映道路的曲率半径值。
另一方面,路段1和路段2计算得到的曲率半径值包含噪声较大,曲率半径取极值时两路段的最大相对误差分别达到了10.2%和14.7%,相对应的绝对误差值分别为41.6m和201.9m,这表明,对于具体的测量采样点,基于横摆角速度测量的方法误差较大,且随着曲率半径的增加,这种方法的误差值越来越大,原因在于曲率半径的增加意味着行驶车速的增加。
车速增加时横摆角速度的数值会变小,从而使得测量得到的数据受到噪声干扰的程度加大,导致曲率半径值估算结果的误差处于较大的范围。
道路曲率半径测量误差偏大使得与道路曲率半径直接相关的主动安全系统可靠性降低,如弯道超速预警系统。
对于换道预警系统而言,系统利用道路曲率半径的目的是识别后方车辆是否处于自车换道的目标车道中。
进行车道关系辨识时需要利用到道路曲率半径值,但最终计算得到的辨识依据是两车在垂直于车道线方向上的距离差,从这个角度而言,道路曲率半径值只是计算过程的中间变量。
如果两个包含误差的数据均来源于同一参数,对这两个参数进行运算时,原始参数的误差在计算过程中存在被抵消的可能。
针对上述分析,本文提出曲率半径测量误差较大情况下的车间位置关系辨识模型,通过采用合适的几何模型来降低曲率半径误差的影响,建立自车与后方车辆之间的车道关系辨识模型,为换道预警系统提供准确的车道关系辨识模型。