行之知识产权综合服务平台

技术领域

本发明涉及汽车主动安全，具体涉及一种车道保持控制方法。

背景技术

随着科学技术的发展和人类生活水平的提高，汽车已成为人类出行必不可少的交通工具。 近些年来，人们对汽车的关注点已渐渐从可用性转为安全性、舒适性和智能性。其中汽车行 驶的安全性是当今世界众多国家最为关注的焦点问题。2011年世界汽车保有量前六的国家交 通事故死亡人数分别：美国，32310人，中国，62000人，日本，4612人，德国，4009人， 意大利，3800人，俄罗斯，27900人。2012年中国交通事故共发生204196起，死亡59997 人，受伤224327人，直接财产损失117489.6万元。

据统计，在交通事故中，由于车道偏离造成的交通事故占所有交通事故的20％，由于车 道偏离引起的交通事故死亡率占所有交通事故的37％。如此高的死亡率严重影响了人们的生 命财产安全，因此近些年来国内外很多研究机构开始致力于车道保持系统的研究。车道保持 系统，即，通过前置摄像头感应并利用图像处理计算出车辆相对于车道的位置，并通过相应 的控制算法使车辆行驶不能移出它的车道。

综上所述，现有技术中存在如下技术问题：传统的智能车车道保持采用监督学习算法， 人为设定最佳车道保持轨迹，根据实际轨迹与设定轨迹偏差调节智能车在车道中的位置，车 道保持系统不稳定，容易出现偏差，行驶轨迹易震荡。

发明内容

本发明的目的在于提供一种车道保持控制方法，解决智能车车道保持过程中的不稳定问 题，在Sigmoid函数的基础上，设计了一种连续型、较为优化的增强信号，提高智能车自主 学习能力，提高车道保持过程中的可靠性、稳定性和舒适性。

首先利用摄像机进行车道线检测，用图像处理算法测出车辆与车道线距离，并将检测距 离进行归一化处理，并在Sigmoid函数基础上设计一种优化的增强信号。系统将根据增强信 号的数值和偏移量归一化处理数值做出相应的控制决策行为。具体技术方案如下：

一种车道保持控制方法，包括如下步骤：

(1)利用摄像机进行车道线检测；

(2)测出车辆与车道线距离；

(3)将检测距离进行归一化处理；

(4)在Sigmoid函数基础上设计优化的增强信号；

(5)系统将根据增强信号的数值和偏移量归一化处理数值做出相应的控制决策行为。

进一步地，步骤(2)中用图像处理算法测出车辆与车道线距离。

进一步地，步骤(4)中所述Sigmoid函数计算公式如下：

进一步地，步骤(1)中，利用摄像机测量出车道的两边边界线。

进一步地，步骤(2)中，利用雷达检测出智能车与车道线两边边界的距离。

进一步地，步骤(3)中，检测到的数据通过图像处理技术转换为控制决策系统相应 的输入数值。

进一步地，步骤(1)和(2)中进一步包括如下步骤：

a.利用图像增强技术增强车道边缘；

b.采用自适应二值化算法提取车道线边缘；

c.根据车道线特征提取车道线内侧边缘；

d.通过HOUGH变换拟合出直到线；

e.采用车道线跟踪技术得到稳定的车道线；

f.根据摄像头标定结果，测量出车道线距离。

进一步地，步骤(4)中，以车道线中线为基准，智能车车身轴心位置行驶在中线位 置设定为智能车行驶在最优位置，智能车行驶在其它位置均会产生一定的偏差，智能车与 车道线中线偏移量归一化数值M计算方式为：

M = D 1 - D 2 D 1 + D 2 ]]>

M值的正负表明了智能车与中线偏移的方位，基于偏移量，在Sigmoid函数的 基础上进行增强信号优化设计，增强信号R的计算公式为：

R = 2 × ( 1 1 + e 10 × ( M + 1 ) - 1 ) M < 0 - 2 × 1 1 + e 10 × ( M - 1 ) M ≥ 0 . ]]>

与目前现有技术相比，本发明一方面采用机器学习方法设定连续型增强信号，较监督 学习相比，提高了车辆车道保持功能的可靠性、舒适性和稳定性；另一方面，较现有技术 相比，车辆无在车道中线反复摆动现象，更接近于人为驾驶。

附图说明

图1为本发明Sigmoid函数图

图2为车道线检测示意图

图3为优化后的车道保持增强信号设定图

具体实施方式

下面根据附图对本发明进行详细描述，其为本发明多种实施方式中的一种优选实施例。

在一个优选实施例中，智能车车道保持控制决策策略设计是智能驾驶的关键技术。基于 机器学习的决策策略是系统通过实时与环境交互，在成功和失败的经验教训中自主学习车道 保持策略。增强信号是对系统控制决策行为的评估，其数值直接反映出每次决策行为的“好”、 “坏”。增强信号的设定决定了控制决策行为的评判，直接影响了整个智能车车道保持系统的 优劣。

Sigmoid函数(如图1所示)是一个在生物学中常见的S型的函数，也称为S形生长曲 线。起初阶段大致是指数增长；然后随着开始变得饱和，增加变慢；最后，达到成熟时增加 停止。该函数计算公式如下：

S ( x ) = 1 1 + e - x ]]>

本实施例所要解决的技术问题是对智能车车道保持系统的增强信号进行设定，在Sigmoid 函数的基础上，设计了更为优化的增强信号。使得智能车车道保持具有更好的自适应性、稳 定性和舒适性。程序首先利用摄像机进行车道线检测，用图像处理算法测出车辆与车道线距 离，并将检测距离进行归一化处理，并在Sigmoid函数基础上设计一种优化的增强信号。系 统将根据增强信号的数值和偏移量归一化处理数值做出相应的控制决策行为。具体算法如下：

Step1:智能车车道保持参数设定

R为增强信号，D₁为智能车到左侧车道线距离，D₂为智能车到右侧车道线距 离，M为智能车与车道线中线距离偏移量归一化处理数值。

Step2:车道线边线距离检测

利用摄像机测量出车道的两边边界线，利用雷达检测出智能车与车道线两边边界 的距离D₁、D₂(图2)。检测到的数据通过图像处理技术转换为控制决策系统相应的 输入数值。车道线检测及测距技术，具体来说，利用图像增强技术增强车道边缘，然 后采用自适应二值化算法提取车道线边缘，然后根据车道线特征提取车道线内侧边缘， 再通过HOUGH变换拟合出直到线，最后采用车道线跟踪技术得到稳定的车道线，根据 摄像头标定结果，测量出车道线距离。

Step3:增强信号计算

以车道线中线为基准，智能车车身轴心位置行驶在中线位置表明智能车行驶在最 优位置。智能车行驶在其它位置均会产生一定的偏差，智能车与车道线中线偏移量归 一化数值M计算方式为

M = D 1 - D 2 D 1 + D 2 ]]>

M值的正负表明了智能车与中线偏移的方位。基于偏移量，在Sigmoid函数的 基础上进行增强信号优化设计，增强信号R的计算公式为：

R = 2 × ( 1 1 + e 10 × ( M + 1 ) - 1 ) M < 0 - 2 × 1 1 + e 10 × ( M - 1 ) M ≥ 0 ]]>

该增强信号生成的曲线图如图3所示。从车道中线到两边车道线，增强信号的值 分别从0减小到-1，且减少方式为：在中线附近减少较为缓慢，当车辆靠近车道线则 减少极为迅速。这种增强信号设计方式使智能车驾驶更加接近于人为驾驶习惯。一方 面，使得智能车更加偏向邻近于车道线中线行驶，进而较少越线可能，并缩短了行驶 路径；另一方面，使得智能车可在中线附近范围内保持行驶，而非为了到达中线不断 调节方向盘，进而减少了智能车行驶过程中来回摆动的可能性。

Step4:智能车车道保持策略学习

增强信号的数值大小反映了系统车道保持策略的“好”和“坏”，趋于车道线中 线附近行驶，认为系统具有“好”的车道保持策略，相反，偏向于车道线行驶，认为 系统的车道保持策略是“坏”的。“好”的决策行为将被系统以“奖励”的方式记住， 作为经验储存，之后遇到相同情况会优先考虑该决策行为；“坏”的决策行为将被系统 以“惩罚”的方式记住，系统会在之后的行为决策中做出修正和调整。此外，增强信 号的数值反映了行为策略“好”的程度。行驶过程中，系统根据增强信号的数值不断

地学习，逐渐使车道保持趋于最优。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制， 只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进直接应用于其它场合 的，均在本发明的保护范围之内。