基于智能终端传感的高速公路车辆车道识别方法及系统

摘要

一种基于智能终端传感的高速公路车辆车道识别方法及系统，利用智能终端的内置传感器采集数据，通过低通滤波器去除数据中的抖动噪音，然后将智能终端的坐标系与车辆坐标系对齐，并根据智能终端检测到的加速度信息判断车辆当前的换道行为和换道时跨越的分道线数量。本发明通过感知不同类型的换道行为来判断在高速公路上行驶车辆的当前所在车道。

说明书

技术领域

本发明涉及的是一种无人驾驶领域的技术，具体是一种基于智能终端传感的高速公路车 辆车道识别方法及系统。

背景技术

随着交通网络的成熟化与复杂化，车辆定位系统在行车驾驶中产生了更高的重要性。在 诸多应用(如路线导航、车辆安全系统、车联网)中，定位的准确性极大程度上决定了用户所能 得到的服务质量好坏。

因此，如今广泛使用的道路级别的定位终将被车道级别的定位所取代。从安全角度上， 如果车辆所在车道能被实时感知，危险的换道行为就能被及时提醒。从便利角度上，如果驾驶 员在进入上下闸道、转换高速公路之前被预先提示在正确的车道上做准备，则关键路口将不会 被错过。从道路管理角度上，如果能得到每条车道的流量信息，就能及时地对车道进行疏通或 维修。

目前，针对车道级别定位这一问题，解决的主要方法是基于车载或智能终端的摄像功能， 结合图像处理技术，来识别车辆前方的车道线。然而，该方法在天气不佳引起摄像模糊、道路 缺少维护造成车道线不清晰、前方车辆或其他障碍物阻挡的情况下无法根据图像来判断当前车 道。

另外，一些系统通过车辆之间的信息交互协作来判断当前车道。该方法适用于网络状况 良好且通信网络中车辆节点密集的情况。

除此之外，部分地区采用已知固定坐标的参考基站使定位系统更加精确。该方法作用范 围广，能够到达5米之内的精确度。然而，批量地建造该基站需要大量的资金投入，在不发达 地区不适宜使用。

通过大量现实生活中驾驶行为的数据采集及分析，我们发现了不同类型的换道行为会对 智能终端传感器(主要为加速度传感器)的数据产生不同的影响。假设车辆在进入高速公路时首 先处于最外车道，那每一次换道后的车道便可根据之前所在车道进行判断。这样，车道识别的 问题就可以大致转换为车辆换道行为的感知。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于智能终端传感的高速公路车辆车道 识别方法及系统，通过对不同类型的换道行为的感知以判断当前所在车道。

本发明是通过以下技术方案实现的：

本发明涉及一种基于智能终端传感的高速公路车辆车道识别方法，利用智能终端的内置 传感器(加速度传感器与GPS传感器)采集数据，通过低通滤波器去除数据中的抖动噪音，然后 将智能终端的坐标系与车辆坐标系对齐，并根据智能终端检测到的加速度信息判断车辆当前的 换道行为和换道时跨越的分道线数量。

所述的换道行为包括：单次换道、同向连续换道和反向连续换道。单次换道代表短时间 之内孤立的、不限方向、不限跨越分道线数量的换道。连续换道代表短时间之内紧凑的、其波 形发生叠加的换道。根据相邻换道行为的方向一致性还可以分为同向连续换道与反向连续换道。

所述的根据智能终端检测到的加速度信息判断是指：一辆车的横向加速度取决于半径和 行驶速度，半径由方向盘的角度决定。向右变道时，方向盘首先顺时针转动，车辆从当前车道 驶出并转向右边车道。此时，车辆在X轴上有正加速度。然后方向盘逆时针转动，修正车辆和 道路之间的角度差。此时，车辆在X轴上产生负加速度。整个过程生成一段加速度由上至下的 正弦信号模式。当智能终端内置传感器采集到的横向加速度超过加速度阈值δ时，则判断为一 个从t₁开始到t₂结束的半波的波峰或波谷。

所述的加速度阈值是指：为了区分换道行为与直线行驶中的噪声，设立阈值δ加以区分。 只有当加速度传感器获取的横向加速度数值大于δ或者小于-δ时，该加速度则判断为“非噪声的 加速度”。当某瞬时加速度则判断为“非噪声的加速度”时，其所在的半波则判断为非噪声的半波。

本发明涉及一种实现上述方法的系统，包括：数据采集模块、数据预处理模块、车道变 化检测模块和车道识别模块，其中：数据采集模块利用智能终端的内置传感器(加速度传感器与 GPS传感器)采集数据，数据预处理模块对齐智能终端和车辆的坐标系，并通过低通滤波器去除 数据中的抖动噪音，车道变化检测模块根据车辆变道时的加速度信息判断车辆当前的换道行为， 车道识别模块基于车道变化检测的结果在车道级别上定位车辆。

技术效果

与现有技术相比，本发明能够在不依靠外部设备(如摄像头或参考基站)的情况下，以较 高的准确度将高速公路上行驶的车辆在车道级别上进行定位。本发明通过分析车辆上移动终端 传感器中采集的数据，得到了不同的换道方式的数据模式，从而对换道行为进行检测，最终确 定车辆当前所在车道。

附图说明

图1为实施例中不同类型的换道行为示意图；

图2为车辆换道行为与智能终端加速度传感器数据的关系示意图；

图3为智能终端加速度传感器在车辆向右单次换道中所采集的数据示意图；

图4为智能终端加速度传感器在车辆向左单次换道中所采集的数据示意图；

图5为智能终端加速度传感器在车辆向右同向连续换道中所采集的数据示意图；

图6为智能终端加速度传感器在车辆先向左后向右反向连续换道中所采集的数据示意 图；

图7为车辆在换道行为中各参数的示意图；

图8为本系统在实施例场景中的整体表现示意图；

图9为本系统在实施例场景中的判断换道行为的准确率示意图；

图10为本系统在不同类型高速公路上的整体表现示意图；

图11为对收集数据分析后准确性和阈值之间的关系示意图；

图12为本系统使用自学习阈值准确性和阈值之间的关系示意图。

具体实施方式

本实施例应用场景为：选取KIAK5与HTCDesireG7、HondaAccord与HuaweiHonor3C、 VolvoS60L与ZTEU809、MazdaAtenza与HTCEVO3D、AudiA4L与SAMSUNGNexus4作为 实验使用车辆与手机，其中：每部车辆都装载了行车记录仪，以便将拍摄内容作为标定好的真 实数据。采集的数据来自5位驾驶员五个月中的自然驾驶。

本实施例利用内置传感器(加速度传感器与GPS传感器)的智能终端进行数据采集，通过 低通滤波器去除数据中的抖动噪音，然后将手机坐标系与车辆坐标系对齐，并根据智能终端检 测到的加速度信息判断车辆当前的换道行为和换道时跨越的分道线数量，如图1所示。

所述的单次换道代表短时间之内孤立的、不限方向、不限跨越分道线数量的换道。检测 方法，包括以下步骤：

步骤一：为了区分换道行为与直线行驶中的噪声，设立阈值δ加以区分。只有当加速度 传感器获取的横向加速度数值大于δ或者小于-δ时，该加速度则判断为“非噪声的加速度”。当 某瞬时加速度则判断为“非噪声的加速度”时，其所在的半波则判断为非噪声的半波，半波的开 始时间和结束时间分别为t₁,t₂。

步骤二：当检测到非噪声的半波于[t₁,t₂]时，在之后相同的半波时间，即[t₂,t₂+(t₂- t₁)]内检测是否存在反向的非噪声的半波。若存在，则两个连续的半波组成了一个单次换道。 若两个半波的方向为“上至下”，则换道向右，如图3所示；反之，则换道向左，如图4所示。

所述的连续换道是指短时间之内紧凑的、其波形发生叠加的换道。根据相邻换道行为的 方向一致性还可以分为同向连续换道与反向连续换道。

所述的同向连续换道的检测方法，包括以下步骤：

i：同向连续换道中第一个换道行为的后半波与第二个换道行为的前半波发生抵消，因 此波形被噪声分割成不接触的两个半波，如图5所示。对其检测方法由单次换道检测方法拓展 得来。

ii：当检测到非噪声的半波于[t₀,t₁]时，在之后相同的半波时间，即[t₁,t₁+(t₁-t₀)]内 检测是否存在反向的非噪声的半波。若存在，则两个连续的半波组成了一个单次换道。若不存 在，继续于[t₂,t₂+(t₁-t₀)]内检测是否存在反向的非噪声的半波，其中：t₁≤t₂≤t₁+(t₁- t₀)。若存在，则这两个被分割的半波组成了一个同向连续换道。

所述的反向连续换道的检测方法，包括以下步骤：

I：反向连续换道中第一个换道行为的后半波与第二个换道行为的前半波发生叠加，因 此波形为“上至下至上”或“下至上至下”的正弦波，如图6所示。

II：对其检测方法基于以下思想：中间半波的面积大约等于两边半波的面积之和。其理 由在于横向加速度的积分为横向速度差，而连续换道前后的横向速度均接近于零，其差值也为 零，因此正半波面积与负半波面积应互相抵消。

III：当检测到“上至下至上”或“下至上至下”的正弦波，每个半波均为非噪声的半波，且 波形面积符合上述要求时，该正弦波被判定为连续反向换道，方向为先右后左或先左后右。

所述的反向连续换道的检测方法基于以下思想：中间半波的面积大约等于两边半波的面 积之和。其理由在于横向加速度的积分为横向速度差，而连续换道前后的横向速度均接近于零， 其差值也为零，因此正半波面积与负半波面积应互相抵消。当检测到“上至下至上”或“下至上至 下”的正弦波，每个半波均为非噪声的半波，且波形面积符合上述要求时，该正弦波被判定为连 续反向换道，方向为先右后左或先左后右。

所述的换道时跨越的分道线数量的检测方法，包括以下步骤：

①将换道过程中的瞬时路线看作正圆中的一小段，利用a＝ω²r＝v²/r＝ωv计算实时角 速度ω，其中：a为横向向心加速度，v为从智能终端GPS传感器中获取的实时切线方向速度，r为 该圆半径。

②对角速度积分获得当前车辆与车道之间夹角T₁和T₂是车道变化的开始和 结束时间。

③利用当前车辆与车道之间夹角获得车辆在车道垂直方向上的分速度，对分速度进行 积分获得车道垂直方向上的位移

④用位移除以车道宽度获得跨越分道线数量。

由于高速公路经常会有一定程度的弯曲，会使得加速度曲线整体向上或向下偏移，使得 阈值不能准确判断出非噪声的半波，导致上述算法的失效。因此，需要采用方法消除高速公路 曲率带来的影响。该方法如下：

定义“道路特征曲线”为：当车辆以相对直线(即不换道)的状态行驶在道路上时，从智能 终端加速度传感器读取的横向加速度曲线。

通过一个窗口来提取特征曲线，即：当t_n-t_m≥τ_time，其中：t_m为起始时间，t_n为结束时间，τ_time为最短时间限制，δ为最大 加速度差限制，同时也是算法所用的阈值。最短时间限制与最大加速度差限制共同保证了一定 时间的相对直线状态，如图8中矩形框所示。在窗口中计算加速度平均值作为该段时间内的“道 路特征”。

将原波形减去“道路特征曲线”可认为是将原本沿弯曲道路行驶的路线修正为沿直线道路 行驶。

除道路曲率外，当弯道形状属于正圆的一部分时，高速公路中的少量弯道也可以被用来 判断换道行为，具体为：

1)r₁/r₂＝v₁²a₂/v₂²a₁，其中：r₁、v₁、a₁分别为进入弯道时的曲率半径、切线方向速 度、向心加速度，r₂、v₂、a₂分别为离开弯道时的曲率半径、切线方向速度、向心加速度。

2)则根据r₁/r₂和弯道的方向可以确定车辆在转弯过程中是否发生了换道，以及换道行为 的方向。

由于不同的驾驶员有不同的驾驶习惯，不同的车辆有不同的性能，不同的手机传感器有 不同的灵敏度，所述的加速度阈值需要进行自学习的调整。调整方法如下：

1)当车辆在直线且单行线道路上行驶时，从零开始逐渐增大加速度阈值，直至检测不出 任何换道行为，记为δ_i。设r_i是在阈值δ_i下基于测试数据集计算得出的车道变化检测的精度， r_i＝(n_lc-n_ror)/n_lc，其中：n_lc是发生车道变化的数量，n_ror是检测失误的数量，测试数据集 是保留在智能终端中上一次在高速公路上收集到的传感器数据。

所述的直线且单行线道路是指：当车辆在该道路行驶时，车辆不会发生换道行为。这类 道路可以在单道道路、停车场、社区等地出现。

2)再利用δ_n＝(δ_n-1r_n-1+δ_ir_i)/(r_n-1+r_i)归一化历史记录中的所有局部阈值与其正确 率，得到全局适用的加速度阈值。

本实施例按照以下三个评估指标判断本系统的服务质量:

判断换道行为的准确率：一个真实的换道行为发生时，它被系统准确判断的比重。

判断换道行为的假正率：系统判断发生换道时，实际并未发生换道行为的比重。

车道识别的准确率：以车辆发生换道行为为记录点，系统定位车辆所在车道正确的比重。

对于本系统在上述实施例场景中的整体效果如图9所示。其中：从平均上看，判断换道 行为的准确率为91.49％，判断换道行为的假正率为4.76％，车道识别的准确率为86.94％。因 此，本发明能以较高的准确率对高速公路上的车辆进行车道级别定位。

对于本系统在不同类型的换道行为中的准确率如图9所示。其中：从平均上看，判断单 次换道行为的准确率为97.08％，判断连续换道行为的准确率为91.02％，判断换道数量的准确 率为95.3％。由于在现实行车过程中，单次换道发生的频率最高，因此较高的判断单次换道行 为的准确率可以产生较高的判断总换道行为的准确率。

本系统在不同车道的高速公路上的平均效果如图10所示。我们将高速公路按照其车道 数量进行分类：双道高速公路、三道高速公路、四道及以上高速公路。由图可见，虽然准确率 随着车道数量的增加而下降，但整体车道识别的准确率依然能保持在85％以上，这表明本系统 有一定的鲁棒性。

为了研究阈值和准确性之间的关系，对收集到的数据进行不同阈值的测试。如图 11所示，五辆车分别有不同的合适的阈值。采用自学习调整的阈值及基于这些道路的 换道行为准确率的关系如图12所示。为了让模式更清晰，只以车辆4和车辆5为例， 可以看出，在曲线的峰值处自学点是最密集的，即通过自学习调整的阈值可以非常接近 理想规范化。其他三个车也可以实现如此高的相似性。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式 对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围 内的各个实现方案均受本发明之约束。