秦增科等：基于人机协同的车道保持辅助系统研究进展 357· 该模型需要对车辆的运动模型进行假设，预测本 理论决策模型，当系统检测到车辆将要偏离本车 车的行驶轨迹，得到本车由当前位置到车轮与车 道时，行驶环境场景的感知产生大幅度变化，这种 道边缘接触所用的时间.基于CCP的决策模型在 情况会启动车道偏离预警系统.在欧美国家道路 车道偏离模型中的复杂程度最低]，该决策模型 普遍应用的路边停车振动带(Roadside rumble 计算车辆与检测到的车道之间的相对距离，并决 strips,,RRS)的基础上，研究人员提出了VRBS算 定是否对驾驶员发出警告.基于FOD的决策方法 法.该算法设定了横向距离，当车辆目前所在的位 设置了一条位置可变化的虚拟车道线，用于考虑 置超出预定的距离时，系统将开启预警机制 驾驶员的个人驾驶习惯如果车辆偏离了设定 通过上述5种车道偏离决策模型的比较，表1 的虚拟车道，则算法开启警告模式.KBRS是一种 总结了各种车道偏离决策模型的优缺点 表1车道偏离决策模型的对比 Table 1 Comparison of lane-departure decision models Model Advantages Disadvantages The model will produce missing alarms when the distance between the vehicle and the lane is small and the angle between the driving direction TLC The model warns the driver before the vehicle deviates from the lane, and the line is small.The model assumes that the driving state of the which gives the driver enough reaction time. vehicle is fixed during the warning time,which is out of reality and can cause false alarms CCP The current position of the vehicle is used as the prerequisite for The effect of the waming is very dependent on the selection of the warning,and the false alarm rate is low. distance threshold. The vehicle velocity and direction are fixed during the preview time FOD The model can dynamically adjust the threshold based on different assumed by the model.The assumption deviates from reality and can driving habits. cause false alarms The camera calibration can be omitted,and only the images are used to The current development of the model is not perfect and is mainly KBIRS determine whether to war,and the effect of the waming is not affected focused on the perception of the natural scenes2.Because of the by the line width,vehicle type,and lens parameters diverse driving environments,only using the images will cause identification errors. The effect of the waming is dependent on the selection of the distance VRBS The current position of the vehicle is used as the prerequisite for waming,and the false alarm rate is low threshold.The system may be unable to continuously detect the road edge,thereby hindering its function and adoption 1.2改进的车道偏离决策模型 洁云B设计了基于动态期望驾驶区间的决策模 由于上述单一的决策模型具有各自的局限 型，能够根据驾驶员驾驶时偏离车道的程度不同， 性，学者提出了结合多种模型优点的改进方案.吴 动态调整决策模型的阈值.为降低系统的误警率， 乙万B提出了基于动态TLC阈值的车道偏离决 Wang等B首先通过结合高斯混合模型和隐马尔 策模型，该模型可以主动调整系统发出警告的时 可夫模型，建立了针对车道偏离和车道保持行为 间，防止系统过早或过晚警告，从而提高驾驶员对 的个性化驾驶员模型.其次，基于该驾驶员模型， 系统的信任程度.Angkititrakul等四将道路形状与 开发了一种结合驾驶员行为与车辆偏离状况的车 驾驶员操作信息作为模糊规则的设计基础，通过 道偏离警告策略，该方法可以降低虚假警报率 模糊规则动态调节虚拟道路的宽度，再联合TLC Albousefi等I罚在驾驶模拟器上利用非线性二进制 与虚拟道路边界，最终达到减小误警率的目的.由 支持向量机模型来估测驾驶员是否无意识驶离本 于TLC决策模型有局限性，郭烈等B提出了联合 车道.实验证明横向位置和横向速度作为模型输 最晚预警边界与安全行驶区域的车道偏离决策模 入变量效果最好，能够明显降低系统的误警次数， 型，该模型在TLC决策模型的基础上加入一个比 需要车辆具备运行支持向量机模型的计算能力. 车道边界更宽的最晚预警边界.即使TLC决策模 综上所述，车道偏离决策模型作为车道保持 型计算出的偏离时间达不到开启警告的阈值，只 辅助控制系统的基础，应保证系统在恰当的时刻 要车辆的左前轮或右前轮接触到最晚预警边界， 警告驾驶员，既要避免对驾驶员造成干扰，又不造 系统就会启动警告以降低漏警率 成驾驶员的惊慌.目前横越车道线的时间被各预 由于驾驶员之间的驾驶行为存在差异，车道 警模型广泛采用测，但这种模型的预警机制在降 偏离决策模型需要允许驾驶员根据个人偏好、当 低系统漏警率和误警率方面有较多待改进之处 前驾驶状态以及外部驾驶条件来进行调整B.丁 随着车道偏离决策模型的不断发展，进一步降低该模型需要对车辆的运动模型进行假设，预测本 车的行驶轨迹，得到本车由当前位置到车轮与车 道边缘接触所用的时间. 基于 CCP 的决策模型在 车道偏离模型中的复杂程度最低[23] ，该决策模型 计算车辆与检测到的车道之间的相对距离，并决 定是否对驾驶员发出警告. 基于 FOD 的决策方法 设置了一条位置可变化的虚拟车道线，用于考虑 驾驶员的个人驾驶习惯[24] . 如果车辆偏离了设定 的虚拟车道，则算法开启警告模式. KBIRS 是一种 理论决策模型，当系统检测到车辆将要偏离本车 道时，行驶环境场景的感知产生大幅度变化，这种 情况会启动车道偏离预警系统. 在欧美国家道路 普 遍 应 用 的 路 边 停 车 振 动 带 (Roadside  rumble strips, RRS) 的基础上[25] ，研究人员提出了 VRBS 算 法. 该算法设定了横向距离，当车辆目前所在的位 置超出预定的距离时，系统将开启预警机制. 通过上述 5 种车道偏离决策模型的比较，表 1 总结了各种车道偏离决策模型的优缺点. 表 1 车道偏离决策模型的对比 Table 1   Comparison of lane-departure decision models Model Advantages Disadvantages TLC The model warns the driver before the vehicle deviates from the lane, which gives the driver enough reaction time[26] . The model will produce missing alarms when the distance between the vehicle and the lane is small and the angle between the driving direction and the line is small. The model assumes that the driving state of the vehicle is fixed during the warning time, which is out of reality and can cause false alarms[27] . CCP The current position of the vehicle is used as the prerequisite for warning, and the false alarm rate is low. The effect of the warning is very dependent on the selection of the distance threshold. FOD The model can dynamically adjust the threshold based on different driving habits. The vehicle velocity and direction are fixed during the preview time assumed by the model. The assumption deviates from reality and can cause false alarms[28] . KBIRS The camera calibration can be omitted, and only the images are used to determine whether to warn, and the effect of the warning is not affected by the line width, vehicle type, and lens parameters[29] . The current development of the model is not perfect and is mainly focused on the perception of the natural scenes[29] . Because of the diverse driving environments, only using the images will cause identification errors. VRBS The current position of the vehicle is used as the prerequisite for warning, and the false alarm rate is low[30] . The effect of the warning is dependent on the selection of the distance threshold. The system may be unable to continuously detect the road edge, thereby hindering its function and adoption[30] . 1.2    改进的车道偏离决策模型 由于上述单一的决策模型具有各自的局限 性，学者提出了结合多种模型优点的改进方案. 吴 乙万[31] 提出了基于动态 TLC 阈值的车道偏离决 策模型，该模型可以主动调整系统发出警告的时 间，防止系统过早或过晚警告，从而提高驾驶员对 系统的信任程度. Angkititrakul 等[32] 将道路形状与 驾驶员操作信息作为模糊规则的设计基础，通过 模糊规则动态调节虚拟道路的宽度，再联合 TLC 与虚拟道路边界，最终达到减小误警率的目的. 由 于 TLC 决策模型有局限性，郭烈等[33] 提出了联合 最晚预警边界与安全行驶区域的车道偏离决策模 型，该模型在 TLC 决策模型的基础上加入一个比 车道边界更宽的最晚预警边界. 即使 TLC 决策模 型计算出的偏离时间达不到开启警告的阈值，只 要车辆的左前轮或右前轮接触到最晚预警边界， 系统就会启动警告以降低漏警率. 由于驾驶员之间的驾驶行为存在差异，车道 偏离决策模型需要允许驾驶员根据个人偏好、当 前驾驶状态以及外部驾驶条件来进行调整[34] . 丁 洁云[35] 设计了基于动态期望驾驶区间的决策模 型，能够根据驾驶员驾驶时偏离车道的程度不同， 动态调整决策模型的阈值. 为降低系统的误警率， Wang 等[36] 首先通过结合高斯混合模型和隐马尔 可夫模型，建立了针对车道偏离和车道保持行为 的个性化驾驶员模型. 其次，基于该驾驶员模型， 开发了一种结合驾驶员行为与车辆偏离状况的车 道偏离警告策略，该方法可以降低虚假警报率. Albousefi 等[37] 在驾驶模拟器上利用非线性二进制 支持向量机模型来估测驾驶员是否无意识驶离本 车道. 实验证明横向位置和横向速度作为模型输 入变量效果最好，能够明显降低系统的误警次数， 需要车辆具备运行支持向量机模型的计算能力. 综上所述，车道偏离决策模型作为车道保持 辅助控制系统的基础，应保证系统在恰当的时刻 警告驾驶员，既要避免对驾驶员造成干扰，又不造 成驾驶员的惊慌. 目前横越车道线的时间被各预 警模型广泛采用[38] ，但这种模型的预警机制在降 低系统漏警率和误警率方面有较多待改进之处. 随着车道偏离决策模型的不断发展，进一步降低 秦增科等： 基于人机协同的车道保持辅助系统研究进展 · 357 ·