李宏海，陸紅偉，盧立陽，徐啟敏

(1.交通運輸部公路科學(xué)研究院，北京 100088;2.東南大學(xué) 儀器科學(xué)與工程學(xué)院，江蘇 南京 210096)

0 引言

智能車路系統(tǒng)(Intelligent Vehicle and Infra Structure System，IVIS)是目前交通領(lǐng)域的科技前沿，是為了實現(xiàn)車車和車路全方位多角度的協(xié)同互動，從而提高行車和行人安全，減少交通事故的發(fā)生和提高道路通行效率。為了有效實現(xiàn)上述目標(biāo)，智能車路系統(tǒng)采用了先進的通信技術(shù)和全時空高度統(tǒng)一的多傳感器融合采集技術(shù)等，能夠?qū)Φ缆泛蛙囕v信息進行高精度實時可靠的信息采集和融合通信，對保障道路安全和提高出行效率具有十分重要的意義。當(dāng)前歐美日等發(fā)達國家均在實施和推進IVIS發(fā)展的相關(guān)行動計劃，我國智能汽車和智能路側(cè)設(shè)備等產(chǎn)業(yè)也發(fā)展迅速[1-3]。

先進駕駛輔助系統(tǒng)(Advanced Driver Assistance System， ADAS)是智能車路系統(tǒng)的重要組成部分，對于智能車路系統(tǒng)的發(fā)展具有十分重要的意義，目前也被廣泛應(yīng)用于各種車輛上。ADAS是利用安裝于車輛端的各種傳感器進行車輛行駛過程中環(huán)境的感知和數(shù)據(jù)采集分析，如利用衛(wèi)星導(dǎo)航進行車輛實時高精度的定位，利用慣導(dǎo)進行車輛姿態(tài)的識別和速度、加速度的采集，利用雷達(毫米波雷達、激光雷達等)和攝像頭進行環(huán)境的感知和監(jiān)測等，然后將這些傳感器信息進行融合處理后，進行系統(tǒng)化分析處理，給出合理的駕駛建議，提高駕駛的安全性和舒適性。據(jù)維基百科的定義，ADAS包括自適應(yīng)巡航、車道偏離預(yù)警系統(tǒng)、車道保持系統(tǒng)等在內(nèi)的多個系統(tǒng)及功能。本研究主要研究車道偏離預(yù)警系統(tǒng)(Lane Departure Warning System,LDWS)，在車輛行駛過程中，LDWS會利用相關(guān)傳感器(如攝像頭等)實時監(jiān)測車輛與車道的相對位置情況，當(dāng)檢測到車輛偏離車道并且有一定的危險時，會采取相應(yīng)的音視頻手段提醒駕駛員，為其提供充足的反應(yīng)時間。車道偏離預(yù)警系統(tǒng)能夠極大地提高行車安全，減少因駕駛員疲勞駕駛從而導(dǎo)致車道偏離乃至發(fā)生交通事故的風(fēng)險，在智能車路系統(tǒng)中具有十分重要的地位和意義[4-6]。

目前國內(nèi)外針對LDWS均進行了相關(guān)研究。在國外，許多發(fā)達國家都投入大量資金以及人才進行LDWS的研究，比較具有代表性的LDWS有美國卡內(nèi)基梅隆大學(xué)研發(fā)的AURORA系統(tǒng)，該系統(tǒng)采用車載高性能工作站進行圖片的實時處理，最大處理速率達60 Hz以上，能夠很好地滿足車輛行駛中對于預(yù)警系統(tǒng)實時性的需求[7-8]；美德兩國聯(lián)合研發(fā)了AutoVue系統(tǒng)[9]，該系統(tǒng)主要面向營運卡車并獲得實際應(yīng)用，獲得了較好的社會效益和經(jīng)濟效益；荷蘭研發(fā)了Mobileye_AWS系統(tǒng)[10]，該系統(tǒng)相對于其他系統(tǒng)優(yōu)點突出，既可以用于結(jié)構(gòu)化道路的車道線檢測和車道偏離預(yù)警，也可以用于沒有車道線的非結(jié)構(gòu)化路面，利用車道的路肩來判斷車輛的位置；日本三菱汽車公司設(shè)計和研發(fā)了DSS，并在模型車上進行實際工況應(yīng)用[11]，在國際上獲得了諸多安全獎項。在國內(nèi)，近些年來針對LDWS的研究也很多，如清華大學(xué)智能技術(shù)與系統(tǒng)國家重點實驗室研制的“THMR-V”智能車[12]，浙江大學(xué)針對自主智能車輛引進的分布式測試系統(tǒng)IVD (Intelligent Vehicle Detection-bed)[13-14]，國防科技大學(xué)研發(fā)的CITAVT系列智能車[15-16]，吉林大學(xué)開發(fā)的JLUVA-1系統(tǒng)[17-18]和由東南大學(xué)基于DSP技術(shù)開發(fā)的車道偏離報警系統(tǒng)[19-20]，除此之外國內(nèi)其他一些科研單位和高校在LDWS方面的研究也在如火如荼地進行中。

當(dāng)前，雖然包括LDWS在內(nèi)的先進駕駛輔助系統(tǒng)發(fā)展迅速，各個汽車廠家均推出了高智能度輔助駕駛的汽車產(chǎn)品，但近年來不管是特斯拉、谷歌還是Uber等都出現(xiàn)了很多交通事故，而且Uber還在2018年3月發(fā)生了第1起自動駕駛汽車致死事故。這些都說明當(dāng)前在大力發(fā)展高智能ADAS的同時，對系統(tǒng)的測試和評價也至關(guān)重要，如何科學(xué)地判別智能汽車的安全性和可靠性，也是當(dāng)前面臨的一個重要問題。對于車道偏離預(yù)警系統(tǒng)(LDWS)的測評，目前我國已有標(biāo)準《智能運輸系統(tǒng) 車道偏離報警系統(tǒng) 性能要求與檢測方法》(GB/T 26773—2011)，但在該標(biāo)準中僅列出測評場景及流程，未給出車道線距離等測評指標(biāo)的具體計算方法，在實際應(yīng)用中，依然會遇到計算方法不明、指標(biāo)不夠定量化等問題。因此，對于LDWS的測評，亟需一種行之有效的測評方法和測評指標(biāo)。

針對上述問題，本研究提出了一種基于Cardinal樣條的車道偏離預(yù)警測評關(guān)鍵參數(shù)估計方法。該方法首先利用高精度差分組合導(dǎo)航分別從車道線以及測試車輛上獲取測評所需基礎(chǔ)參數(shù)數(shù)據(jù)，然后對采集到的車道線坐標(biāo)進行Cardinal樣條擬合，從而提高車道線的測量精度，減小測評誤差；在得到高精度車道線的基礎(chǔ)上，利用車道線信息和車載采集信息，結(jié)合牛頓迭代算法，進行關(guān)鍵參數(shù)的解算。

1 基礎(chǔ)參數(shù)采集

精確的基礎(chǔ)參數(shù)采集是進行LDWS測評的基礎(chǔ)，本研究采用基于GNSS/INS的組合導(dǎo)航系統(tǒng)來實現(xiàn)位置、速度等基礎(chǔ)參數(shù)信息的準確采集。

1.1 全球?qū)Ш叫l(wèi)星系統(tǒng)

全球?qū)Ш叫l(wèi)星系統(tǒng)(Global Navigation Satellites System，GNSS)是以接收和播發(fā)電磁波信號來達到導(dǎo)航、定位、授時(簡稱PNT)的目的。其依賴于高軌道的衛(wèi)星播發(fā)的導(dǎo)航電文和載波信號，在大地測量、車聯(lián)網(wǎng)、自動駕駛等領(lǐng)域發(fā)揮著重要作用。

長期以來，一直以美國的GPS為代表的衛(wèi)星導(dǎo)航具有全天候、全天時的優(yōu)勢。隨著歐盟Gallieo、俄羅斯GLONASS以及中國BDS的發(fā)展，多頻率、多系統(tǒng)的衛(wèi)星導(dǎo)航定位已經(jīng)成為現(xiàn)實。就目前而言，衛(wèi)星導(dǎo)航的發(fā)展已久，前景無量，尤其是以北斗3組網(wǎng)完成為標(biāo)志，研究北斗與其他GNSS的組合，在我國具有非常重要的意義和價值。

除此之外，衛(wèi)星導(dǎo)航高精度定位已經(jīng)成為現(xiàn)實，如發(fā)展相對成熟的RTK技術(shù)、PPP技術(shù)等，相對于其他導(dǎo)航系統(tǒng)的優(yōu)勢在于誤差不會隨著時間累積。但是其研究也存在瓶頸，如PPP技術(shù)不能快速收斂、模糊度固定問題、復(fù)雜環(huán)境下信號缺失問題、模糊度重固定問題、高精度的動態(tài)定位問題等，而這些問題就目前而言僅僅依賴衛(wèi)星導(dǎo)航是基本不可能得到有效解決的，因此需要將衛(wèi)星導(dǎo)航同其他導(dǎo)航系統(tǒng)相結(jié)合，來彌補GNSS衛(wèi)星導(dǎo)航的先天性不足。

1.2 慣性導(dǎo)航

慣性導(dǎo)航系統(tǒng)(Inertial Navigation System，INS)是一種相對獨立自主的導(dǎo)航系統(tǒng)，不與外界發(fā)生任何信號交換便可完成導(dǎo)航和定位。隨著計算機技術(shù)的發(fā)展，基于捷聯(lián)技術(shù)的慣導(dǎo)因具有結(jié)構(gòu)簡單等優(yōu)點，逐步取代了平臺式慣導(dǎo)，成為目前應(yīng)用最廣泛的INS，簡稱SINS。

由于慣性導(dǎo)航自身的獨特性質(zhì)，使其在定位過程中的誤差會隨著時間逐漸累積，單靠INS完成長時間導(dǎo)航定位的結(jié)果是非常不可靠的，因此其并不具備高精度的長期導(dǎo)航定位的能力。

1.3 GNSS/INS組合導(dǎo)航

綜上所述，GNSS和INS各有優(yōu)缺點，但同時能夠優(yōu)勢互補，因此目前多將其進行組合使用，這對于提高導(dǎo)航性能和精度有著重要的意義，其優(yōu)勢主要體現(xiàn)在：

(1)可以對慣性導(dǎo)航系統(tǒng)誤差進行估計和校正，提高組合導(dǎo)航精度；

(2)可以彌補衛(wèi)星導(dǎo)航信號缺損問題，提高組合導(dǎo)航能力；

(3)可以提高衛(wèi)星導(dǎo)航接收機對衛(wèi)星信號的捕獲和跟蹤能力，提高整體導(dǎo)航效率；

(4)可以增加觀測信息冗余度，提高系統(tǒng)容錯能力；

(5)可以提高導(dǎo)航系統(tǒng)的抗干擾性，提高組合導(dǎo)航的完好性。

根據(jù)應(yīng)用要求及參與組合觀測量的深度，GNSS/INS組合的模式可分為松組合、緊組合和深組合。3種組合模式的對比示意圖如圖1所示，從圖中可以直觀地區(qū)分3種組合模式的層次。

圖1 GNSS/INS組合示意圖

在圖1中，分別用1，2，3代表深組合、緊組合和松組合。對于松組合來說，是利用GNSS接收機輸出的位置、速度信息和INS輸出信息進行組合，兩者共用1個濾波器進行數(shù)據(jù)融合。由于GNSS接收機的導(dǎo)航解是作為觀測量輸入濾波器的，所以GNSS接收機必須能夠同時捕獲并跟蹤到4顆以上的衛(wèi)星才能獲得導(dǎo)航解。因此，在GNSS信號遮擋或受干擾時，系統(tǒng)在INS獨立導(dǎo)航的狀態(tài)下，長時間工作會導(dǎo)致導(dǎo)航精度有所降低。與松組合不同，緊組合是利用GNSS接收機輸出的偽距、偽距率等觀測量，與INS結(jié)合星歷反算得到的偽距、偽距率進行組合。這種參與組合的方式，使得GNSS接收機輸出了原始信息進行參與組合，偽距和偽距率這些基本觀測量的相關(guān)性低，從而具有較大的優(yōu)勢，一方面可以在衛(wèi)星少于4顆時正常工作，另一方面定位的精度相比于松組合也得到了較大的提升。上述松組合和緊組合兩種組合模式本質(zhì)上都是利用GNSS接收機的輸出信息來輔助INS，在解算的過程中，GNSS接收機依然保持獨立，因而接收機本身的抗干擾能力并未得到本質(zhì)的提升。

針對上述兩種組合方式存在的不足，近年來又開發(fā)了一種新的組合模式：深組合，是一種深層次的、涉及到硬件層面的組合模式。從圖1中可以看出，與前兩種組合模式相比，深組合取消了獨立不相關(guān)的碼和載波跟蹤環(huán)路，直接將相關(guān)器輸出的I/Q數(shù)據(jù)作為輸入信息，輸入到組合導(dǎo)航的卡爾曼濾波器中，然后將融合后的信息控制調(diào)整碼/載波數(shù)控振蕩器(Numerical Controlled Oscillator，NCO)。從信息處理流程分析可知，相關(guān)器輸出的I/Q信息在理論上滿足觀測噪聲相互獨立的特性，因此深組合模式具有理論上的“全局最優(yōu)”特性。深組合模式便于GNSS接收機與INS進行一體化設(shè)計，實現(xiàn)了GNSS接收機和INS兩者之間的相互輔助，可以降低對INS的精度要求以及組合導(dǎo)航系統(tǒng)的成本和體積，這也為IMU參與高精度組合提供了可能。3種組合模式的性能比較如表1所示。

表1 不同組合模式性能比較

本研究基礎(chǔ)參數(shù)采集中使用的算法即為上述深組合算法，為車道偏離預(yù)警測評提供精準的位置、速度、航向角等信息。

2 Cardinal樣條車道線擬合

利用上述組合導(dǎo)航系統(tǒng)進行道路基礎(chǔ)位置坐標(biāo)的采集之后，由于采集到的點較為稀疏，無法準確表征道路的實際情況，因此還需要利用擬合算法對車道離散點進行插值擬合，從而更好地估計車道線的參數(shù)信息，為后續(xù)的測評參數(shù)解算打下良好的基礎(chǔ)。在此采用Cardinal樣條對離散車道坐標(biāo)點進行擬合。

2.1 Cardinal樣條車道線擬合模型

采集得到的某段獨立道路軌跡數(shù)據(jù)為T={T0(c0,z0),T1(c1,z1),…,Tn(cn,zn)}，其中，cn，zn分別為道路軌跡點的北向位置坐標(biāo)和東向位置坐標(biāo);n為軌跡數(shù)據(jù)點的個數(shù)。

利用Cardinal樣條曲線對組合導(dǎo)航采集到的軌跡數(shù)據(jù)進行插值，樣條曲線受坐標(biāo)集T中的控制點控制，獨立的單側(cè)車道數(shù)據(jù)塊中，除去兩端的控制點T0(c0,z0)，Tn-1(cn-1,zn-1)，Tn(cn,zn)后，對剩余的n-3個控制點，三次Cardinal樣條曲線可由任意4個連續(xù)控制點確定。設(shè)P(u)是兩控制點Tk和Tk+1間的擬合曲線的三次函數(shù)式，其中u為參變量，0≤u≤1；k=2,3,…,n-2；則取從Tk-1到Tk+2間的4個控制點用于建立擬合車道線的邊界條件：

P(0)=Tk，

(1)

P(1)=Tk+1，

(2)

(3)

(4)

將上述邊界條件轉(zhuǎn)換成矩陣形式為：

(5)

其中Cardinal矩陣為：

(6)

式中，s=(1-t)/2。

將上述矩陣方程展開成多項式形式，則有：

(7)

進一步將Tk-1，Tk，Tk+1，Tk+2分解成二維平面上x，y方向上的分量，得到控制點Tk，Tk+1之間的曲線段的參數(shù)三項函數(shù)式在x，y方向上的表達式如下：

(8)

展開后按u的升冪排列，得到控制點Tk，Tk+1之間的三次Cardinal樣條曲線參數(shù)形式如下：

(9)

式中參數(shù)如下：

(10)

定義參數(shù)矩陣：

(11)

經(jīng)由上述過程，得到了獨立的單側(cè)車道數(shù)據(jù)T1(c1,z1)到Tn-2(cn-2,zn-2)之間，經(jīng)過三次Cardinal樣條插值的車道線擬合方法，曲線參數(shù)集合Q=(t,Y2,…,Yk,…,Yn-2)，其中t為張量參數(shù)，k=2,3,…,n-2；由于Cardinal樣條法生成的曲線必定經(jīng)過原始控制點，因此利用高精度的車道線位置信息便可以精確地反映出車道線的位置與形狀；對于具體的原始車道位置數(shù)據(jù)，可由u在[0,1]上的取值步長控制每段(兩個控制點之間)的插值個數(shù)，由t控制每段(兩個控制點之間)的曲線松緊程度，可以形成任意形狀的曲線，來滿足特定路段的控制要求與精度要求。

2.2 Cardinal樣條車道線擬合性能評價

為了充分驗證本研究所提出的車道線擬合算法的有效性和通用性，選擇一段實際的直道彎道組合的道路進行試驗。首先利用第1節(jié)所述的組合導(dǎo)航系統(tǒng)進行車道線位置點的采集，共采集40個離散的路徑點，如圖2所示。

圖2 離散路徑點采集

然后建立三次Cardinal樣條曲線，對上述離散車道線進行擬合插值，為了充分驗證算法的優(yōu)勢，將其與常用的Hermite樣條曲線的擬合結(jié)果進行對比，得到的擬合結(jié)果如圖3所示。從平均位置誤差和算法時間兩個維度來評判算法的有效性，具體比較結(jié)果如表2所示。從圖3和表2中可以看出，在擬合的效果上Cardinal樣條要明顯優(yōu)于Hermite樣條，并且有著更快的擬合速度。

圖3 車道線擬合結(jié)果

表2 不同樣條函數(shù)擬合結(jié)果對比

3 關(guān)鍵參數(shù)估計方法

3.1 基礎(chǔ)參數(shù)預(yù)處理

對于車道偏離預(yù)警測評場景，車道偏離的界定標(biāo)準為車輛前輪的外緣是否將要超出車道邊線，而組合導(dǎo)航系統(tǒng)記錄的車輛位置實際為系統(tǒng)主天線的位置，因此需要先將記錄的主天線運動軌跡轉(zhuǎn)換成主車(Host Vehicle,HV)前輪的運動軌跡，其過程如下：

假定該時刻為tc，tc時刻對應(yīng)的經(jīng)緯度坐標(biāo)為(xc,yc)，若組合導(dǎo)航信息的采集時刻沒有tc的對應(yīng)值，可采用線性插值計算得出經(jīng)緯度坐標(biāo)為(xc,yc)，xc為緯度，yc為經(jīng)度；若進行插值操作，其余測量參數(shù)也應(yīng)進行插值處理。然后將其轉(zhuǎn)換為高斯投影坐標(biāo)(xu,yu)(東向位置、北向位置確定的平面投影坐標(biāo)系)。

如圖4所示，假設(shè)主天線安裝在HV中軸線上，與兩前輪外緣處的縱向距離為d，橫向距離為L，車輛航向角為H，H∈[0,360°]，定義北向為起始方向，順時針方向為正，由圖4可得：

圖4 車輛前輪位置解算

(12)

β=π-α，

(13)

(14)

d3=d1·cosβ，

(15)

d4=d-d3，

(16)

d2=d4·cosβ，

(17)

式中，α是車輛航向與正東的夾角；β是α的補角；d1，d2，d3，d4是車輛的幾何參數(shù)。

局部切平面直角坐標(biāo)系坐標(biāo)左前輪外緣處的位置坐標(biāo)Pl為：

(18)

類似的，可以根據(jù)幾何關(guān)系計算出右前輪外緣處的位置坐標(biāo)Pr：

(19)

對組合導(dǎo)航系統(tǒng)中記錄的HV位置均作以上處理，即可得到任意時刻HV前輪外緣的運動軌跡。

3.2 車輛與車道線的距離解算

車道偏離預(yù)警測評過程中，采用橫向距離來衡量車輛與車道線的距離，以上一節(jié)中計算所得的兩前輪外緣位置作為該特定部位，分別計算與兩側(cè)車道邊界的距離，以左側(cè)車輪外緣為例，計算過程如下：

假定該時刻仍為tc，局部切平面直角坐標(biāo)系坐標(biāo)左前輪外緣處的位置坐標(biāo)已知，為Pl；左側(cè)車道線擬合C1上，Pl位于控制點Tc和Tc+1之間確定路段的橫向區(qū)域內(nèi)，該路段對應(yīng)擬合曲線為：

(20)

式中，s=(1-t)/2；其本質(zhì)上對應(yīng)1個關(guān)于u∈[0,1]的多項式：

考慮到擬合實際車道線的情況下，兩控制點Tc和Tc+1之間擬合曲線斜率變化不大且較平緩，用點Pl到三次曲線P(u)的最短距離代替橫向距離，采用求解速度較快的牛頓迭代法求解：

設(shè)點Pl到曲線P(u)的距離為D(u)，

(D(u))2=|Pl-P(u)|2=

[xl-P(u)x]2+[yl-P(u)y]。

(22)

為求解min(D(u))2,u∈[0,1]，即求解(D(u))2在[0,1]上的極小值，問題轉(zhuǎn)化為求極值問題。(D(u))2的極值出現(xiàn)在其導(dǎo)數(shù)值為0的點，即：

2[xl-P(u)x]P(u)′x+2[yl-P(u)y]P(u)′y=0。

(23)

令：

f(u)=2[xl-P(u)x]P(u)′x+2[yl-P(u)y]P(u)′y，

(24)

(25)

用牛頓迭代公式求解：

(26)

選取曲線邊緣u=0或u=1為初值進行迭代計算，得到的距離偏差D(uk+1)-D(uk)<0.02 m時停止迭代，取uc=uk+1，時刻tc對應(yīng)的距離為D(uc)，特別的，當(dāng)車輛輪胎外緣位于車道邊界線外側(cè)時，車輛與車道線距離D取負值。

3.3 偏離速度解算

車道偏離預(yù)警測評過程中，假如twarn時刻車道偏離報警被觸發(fā)，此時HV接近車道邊界的速度的垂直分量定義為偏離速度，以左偏情況為例，計算過程如下：

局部切平面直角坐標(biāo)系下，twarn時刻車輛左側(cè)附近車道線斜率為kwarn，kwarn由距離計算過程中迭代得出的插值點P(uk+1)處的切線斜率確定，車道線切線對應(yīng)角度為：

θ=arctan (kwarn)。

(27)

此時HV航向角為H，對應(yīng)角度為：

(28)

此時HV速度為v，對應(yīng)偏離速度為：

(29)

4 試驗驗證

針對上述提出的車道偏離預(yù)警測評關(guān)鍵基礎(chǔ)參數(shù)解算方法，利用實際測試數(shù)據(jù)進行解算驗證，以評價車道偏離預(yù)警有效性為例。

實際測試過程中，無論HV系統(tǒng)內(nèi)部如何設(shè)置報警觸發(fā)點，報警臨界線都應(yīng)位于最遲報警線內(nèi)側(cè)，因此選用最遲報警線作為偏離預(yù)警及時性的測評基準。設(shè)最遲報警線位于車道邊界線外側(cè)距離為dlast處(乘用車dlast取0.3 m；商用車dlast取1 m)，當(dāng)HV有向車道邊界線偏離的趨勢時，該趨勢會反映在車輛與最遲報警線距離Dd、偏離速度vd和預(yù)計越界時間tcross的變化上，通過為其設(shè)定界限值分別可測評本次測試的有效性與預(yù)警情況的有效性。假定安全情況下車輛輪胎外緣與最遲報警線距離下限為D0，偏離速度上限為v0，預(yù)計越界時間下限為t0，界定條件如下：

Dd=D+dlast

(30)

(31)

(32)

當(dāng)預(yù)警時刻偏離速度vd、預(yù)計越界時間tcross滿足上述條件時，可認定本次測試是有效的，即HV在測試中發(fā)生了偏離；在測試有效的前提下，HV偏離車道時，當(dāng)車輛位于臨界報警線之外時，系統(tǒng)應(yīng)持續(xù)報警，即當(dāng)HV與最遲報警線距離Dd

試驗測試所得結(jié)果如圖5所示，圖中實線為利用采集的基礎(chǔ)數(shù)據(jù)擬合后的車道線，虛線為車輛行駛軌跡，五角星為標(biāo)注的預(yù)警點。根據(jù)上述提出的計算方法，分別利用Cardinal樣條和Hermite樣條進行車道線的擬合，計算車道偏離預(yù)警時車輛位置與車道線的距離，并與實測真值進行對比，結(jié)果如表3所示。表中，Cardinal樣條和Hermite樣條分別利用40個簡化后的離散路徑點擬合曲線，再分別計算車道偏離預(yù)警發(fā)出時的車輛位置與擬合曲線的距離；真值為車道偏離預(yù)警發(fā)出時的車輛位置與4 000個原始路徑點的最短距離?？梢钥闯觯鄬τ贖ermite樣條，Cardinal樣條擬合后的計算結(jié)果更加準確。

圖5 實際測評結(jié)果

表3 關(guān)鍵參數(shù)解算結(jié)果對比

同時利用上述計算方法計算可得vd為1.28 m/s，tcross為0.21 s。這也驗證了本研究所提出的測評方法可以準確測量出測評所需關(guān)鍵參數(shù)，為開展定量化測評和判斷測試結(jié)果提供準確依據(jù)。

5 結(jié)論

本研究首先分析了當(dāng)前智能駕駛及車道偏離預(yù)警系統(tǒng)測評的必要性，指明了當(dāng)前缺乏有效的測評方法和指標(biāo)的現(xiàn)狀。然后，提出了一種基于Cardinal樣條的車道偏離預(yù)警測評關(guān)鍵參數(shù)估計方法，該方法首先利用高精度差分組合導(dǎo)航分別從車道線以及測試車輛上獲取測評所需基礎(chǔ)參數(shù)數(shù)據(jù)，然后對采集到的車道線坐標(biāo)進行Cardinal樣條擬合，并且與Hermite樣條擬合方式進行對比，擬合精度和速度均優(yōu)于后者。在得到高精度車道線的基礎(chǔ)上，利用車道線信息和車載采集信息，結(jié)合牛頓迭代算法，進行關(guān)鍵參數(shù)的解算。