车道偏离预警系统中偏离时间的估算方法

车道偏离时间(TLC)是指车辆从当前位置行驶至车道边界线的剩余时间,是车道偏离预警系统触发警告的判断依据,因此其计算精度至关重要.文中结合车辆运动学理论和三角函数知识研究车辆行驶在直线和曲线路段的轨迹形状,建立车辆轨迹为直线和曲线情况下的TLC估算模型,最后分别就横向距离、相对偏航角和曲线道路半径对TLC的影响进行了仿真分析.结果表明:在直线路段,TLC与相对偏航角成反比,与横向距离成正比;在曲线路段,TLC与相对偏航角和道路曲线半径成反比,与横向距离成正比,而当车辆从相反方向偏离时,对应关系则相反.文中研究能有效降低以TLC为决策标准的车道偏离预警系统的误警率.     

考虑驾驶人驾驶习性的自适应车道偏离预警策略

提出了考虑驾驶人驾驶习性的自适应车道偏离预警策略。通过实车驾驶数据采集平台采集驾驶人的驾驶行为数据,并基于模糊聚类对驾驶数据进行聚类处理,进而利用广义回归神经网络(GRNN)模型实现了驾驶人驾驶习性辨识策略;建立车道偏离时间估算模型,设计个性化的车道偏离预警系统;最后,通过驾驶模拟器进行测试验证。结果表明,所提出的考虑驾驶人驾驶习性的自适应车道偏离预警策略能够在有效辨识驾驶人驾驶习性的基础上,提高车道偏离预警的适用性。     

复杂光照条件下的车道偏离预警

本文采用图像直方图变换的方法,设计出一种适用于智能车辆的车道偏离预警系统,实现了复杂光照条件下的自适应车道偏离预警。对道路图像设定感兴趣区域,提高了检测速度。采用Canny边缘检测算子,得到包含清晰道路边缘的二值化图像,利用改进的Hough变换检测出两侧车道线。基于检测到的两侧车道线斜率,计算车辆当前位置,判断车辆的偏离趋势。实车试验表明,该系统能有效地满足预警的实时性及精确度要求。     

考虑驾驶人换道意图的车道偏离预警系统

 为降低基于机器视觉车道偏离预警系统的误警率,提出一种考虑驾驶人换道意图的车道偏离预警系统。运用SteerableFilter 方法对所采集的道路图像信息进行滤波,运用局部搜索区域法提取车道线参数,运用基于图像信息的识别方法检测车辆的车速、转向信号、车道偏离状态以及驾驶人的头部动作状态,判断驾驶人的换道意图,建立了车道偏离预警的决策算法及系统。应用Matlab 软件对实车采集得到的视频进行算法验证和系统仿真试验,结果表明,提出的车道偏离预警决策算法是可行的,该预警系统将有意识与无意识的车道偏离区分开,从而能有效屏蔽在驾驶人有意识偏离车道时的误报警,具有更高的可靠性。     

基于融合分割和LASSO回归的实时车道偏离预警

在有路面污染、标识干扰等复杂高速道路环境下,车道偏离预警系统的鲁棒性和实时性会变差。为此提出一种利用两种算法融合分割和LASSO回归模型进行车道线检测和偏离预警的新方法。首先,分别采用TopHat算法和OTSU算法分割出车道线背景并进行"与"运算融合,据此准确提取出车道信息;其次,分两步检测车道线,第一步基于概率Hough变换进行直线检测,将检测出的车道线位置设为动态ROI区域并进行卡尔曼滤波跟踪处理,第二步是基于LASSO多项式回归模型对车道线再次进行参数估计和拟合,以改善使用最小二乘法时的过拟合问题;最后,根据设置的虚拟车道线和角度模型进行车道偏离预警决策。实验结果表明,所提出的方法在复杂道路环境下的平均正检率为96.07%,检测速率可达到32 ms/帧,即具有良好的鲁棒性和实时性。     

考虑车辆运行特性的双车道超车模型

鉴于现有的超车模型往往会忽视超车过程中车辆运行特性对超车行为的影响,文中在现有超车模型的基础上,对超车车辆依据车辆运行特性进行分类,设计了双车道车辆超车场景,并考虑不同道路等级的设计时速,建立了计算超车车辆从超车行为产生到超车过程结束所需的超车时间和距离的数学模型.最后,选择不同类型车辆、超车速度及行车速度,分别计算了微型车、小客车和中大型车在双车道公路超车的时间和距离,并与现有的超车模型计算结果进行对比分析.结果表明:双车道公路超车时间和距离与车辆类型、超车速度、超车车辆与被超车辆的行车速度和对向车辆速度密切相关;文中模型由于考虑车辆的运行特性,不同车辆超车所需的超车时间和距离是不相同的,计算结果更符合实际超车现象.     

基于摄像机模型的运动车辆车道偏离检测

针对车道偏离检测中较难解决的车载摄像机标定问题,从分析摄像机成像模型入手,根据图像中3条或3条以上车道线的消失点位置以及车道线斜率关系,在道路现场调整摄像机安装位置,以实现对摄像机外部参数的直接设定,从而避开了繁琐的摄像机参数标定过程.同时,推导出图像内车道线斜率比与车道偏离程度的简单函数关系,该函数与摄像机内外参数无关.因此,行车过程中只需测量图像中车道线的斜率,即可计算出车辆当前的车道偏离量.现场试验结果表明,在车辆直行时采用该方法测得的车道偏离率与手工实测结果相比,其相对误差小于5%,具备了较高的检测精度.     

基于机器视觉的车道偏离报警系统

为了提高基于机器视觉车道偏离报警系统的可靠性和实用性,对基于视觉的车道偏离报警系统各个环节的优化做了研究.介绍了基于视觉的车道偏离报警系统的构成和工作原理,提出了各个环节的实现方法.通过选择直线车道数学模型和限定车道提取的感兴趣区域(ROI)以简化系统复杂度和提高检测精度.首先使用方向可调滤波器进行图像预处理,然后使用Kalman预测器和距离判别法得到车道线有效点集,最后采用抗干扰能力强的Hough变换得出车道线参数.研究并采纳了一种无需对摄像头标定的车道偏离决策方法,通过综合道路图像中2条车道线的斜率值来判断车辆偏离车道的程度.实验表明,该系统具有良好的车道识别能力以及准确的偏离决策能力,能够满足高速公路环境车道偏离报警要求.     

基于元胞自动机模型的应急车辆行程时间

针对应急车辆通行时交通流参数难以实时获取的问题,提出以仿真手段模拟交通运行,进而探讨随机交通条件下应急车辆行程时间的计算。在分析有应急车辆的混合交通流运行特性的基础上,增加车辆类型,引入应急车辆影响区域和普通车辆让行概率2个参数,修改车辆换道与速度更新规则,建立了双车道交通流元胞自动机模型。利用MATLAB进行数值模拟,生成不同交通密度条件下的应急车辆行程时间,并与现有计算公式进行对比分析。研究结果表明:应急车辆仅干扰其所处位置的车流运行,对双车道总体流量没有影响,在密度位于0.12~0.36范围内优先通行效果较好;在密度较小(≤0.08)或较大(≥0.24)时,应急车辆行程时间随着行驶距离的增加呈现近似正比例的增加,且密度越大,增长的斜率越大。研究发现现有针对应急车辆的距离-行程时间函数适用于低密度及高密度交通条件,而在0.12~0.20密度范围内失去效用。     

基于元胞自动机的双车道环岛交通流特性研究

针对以元胞自动机模型模拟单车道环岛交通行为推断多车道环岛交通流特性的局限性,通过分析双车道环岛上车辆在自由流下的期望行驶路线、在非自由流下的期望换道临界位置和极限位置,描述双车道环岛上车辆的换道决策,建立双车道环岛的元胞自动机模型。数值模拟分析结果表明:环岛总延误时间与环岛限速、车辆驾驶员熟练程度以及车辆左转概率有关,同时也受环岛周长的影响;在其他因素不变的情况下,若环岛周长越小、车辆限速越大、车辆左转概率越小以及驾驶员熟练程度越高,则环岛总延误时间越小。     

基于反向双目识别的驾驶员分心检测

为检测分心驾驶状态,研究了基于反向双目的驾驶状态检测方法。首先,根据Hough算法进行车道线检测和识别,计算车辆偏航率;同时采用多点透视算法对驾驶员头部姿态进行估计;然后建立基于高斯隶属度函数模糊判断规则,根据车辆偏航率与驾驶员头部姿态对驾驶员驾驶状态进行识别。最后,采用所建立的驾驶员驾驶状态识别模型,对车道保持、换道行驶及分心行驶三种不同驾驶状态进行测试。结果表明,建立的驾驶员驾驶状态识别模型对上述三种状态检测准确率分别为99.0%、86.7%、80.8%。     

基于车道线直线模型的道路曲率估计方法

在车道偏离预警、防止及车道保持等基于机器视觉的驾驶安全辅助系统中,为解决单一直线模型无法预估道路曲率,而曲线拟合方法计算量大等问题,应用车道线直线模型,提出了一种基于远端直线拟合的弯道曲率估计方法,其特征在于车道线仍使用全局直线描述,估计曲率时对远端候选点进行直线拟合.由于保证了较多的候选点数量且使用Hough变换检测直线,以及利用跟踪、滤波等方法,算法在保证车道线检测鲁棒性的同时,基于远端直线拟合方法实现了对弯道曲率的相对定量估计.采用装有全球定位系统(GPS)的实车试验进行验证,结果表明:所提方法在增加候选点数量以提高曲率估计精度的同时,保障了算法的实时性.     

鲁棒的车道偏移实时警告系统

提出了一种应用于安全驾驶辅助的鲁棒的车道偏移实时警告系统.采用ALTERA公司片上NIOS II系统的CycloneⅡ FPGA作为处理核心,应用了一种鲁棒的快速车道线偏移警告算法,利用Avalon总线进行IP核的定制,实现了车道偏移警告系统的软硬件设计.测试结果表明,系统的准确率和实时性能满足全天候车道偏移警告需求.     

车道偏离预警图像处理滞后时间补偿

现有的车道偏离预警系统有着较长的图像处理时间,这使得图像采集时间点处的车道线与图像处理完成时间点处的车道线之间存在一定差异,从而影响系统的准确性和有效性。本文中提出了一种补偿图像处理滞后时间的方法。该方法利用一个基于二自由度车辆模型的状态观测器,将图像采集时间的的车道线转换为图像处理完成时间点处的车道线,以提高系统的准确性。最后利用carsim与matlab联合仿真来验证该方法的有效性。     

安全驾驶的横向安全预警报警阈值的确定

为减少车道偏离事故的发生,基于车辆将要横越车道边界的时间标准（TLC）,提出一种新的横向安全报警算法。该算法根据车辆运行状态判断驾驶人意图,基于实车试验数据,分析车辆的车轮轨迹曲线与TLC曲线,设定不同路况、不同类型驾驶人的报警阈值;利用驾驶人分类结果中最激进和最保守驾驶人的实车数据,分别验证不同路况下的报警阈值。结果表明：在不同路况下,报警算法给性格保守的驾驶人留出了1s左右的反应时间,给性格激进的驾驶人留出了0.5s左右的反应时间。     

嵌入式换道预警系统设计

针对以往换道预警系统设计中存在的灵活性低、实时性差等缺点,设计了一种基于车载CAN(controller area network)总线数据的嵌入式换道预警系统。首先,以飞思卡尔半导体公司的MC9S12XET256微处理器为核心,利用雷达传感器、车载CAN总线等获取与换道相关的车辆行驶状态参数和周围环境感知信息等原始数据,并以TTC(time to collision)为门限值制定换道预警规则,通过声光报警方式实现报警。在实车条件下进行验证,其中安全换道过程系统预警准确率为95%,冲突区预警准确率为93%。     

离港航班滑出时间的支持向量机预测模型

为解决BP神经网络在离港航班滑出时间预测精度欠佳的问题,构建了基于支持向量机(Support Vector Mac, SVM)的离港航班滑出时间预测模型。首先,分析了影响离港航班滑出时间的可量化因素,构建了基于相关性分析的离港航班滑出时间预测模型;并对比分析了基于SVM和BP神经网络的滑出时间预测结果。结论表明：(1)离港航班滑出时间与同时段推出航班数量、同时段起飞航班数量、同时段落地航班数量、1小时平均滑出时间呈现强相关性,与滑行距离、转弯个数、延误时间相关但不显著,与起飞时刻所在时段不相关。(2)基于SVM和BP神经网络的预测结果趋势是一致的,考虑强相关和中度相关影响因素的七元组预测结果准确率达到最佳;引入不相关因素后模型的预测精度会下降。(3)基于SVM的滑出时间预测模型精度显著高于BP神经网络预测模型,滑出时间误差范围在内的预测准确率可达98%。