一种面向多场景的智能驾驶自主车道保持性能检测方法与流程

本发明属于智能驾驶汽车道路试验与测试技术领域，尤其涉及一种面向多场景的智能驾驶自主车道保持性能检测方法。

背景技术：

随着我国通车里程的不断增加和汽车保有量的爆发性增长，加之我国道路条件和交通状况复杂，致使交通事故频发，导致交通中断、财产损失和人员伤亡。因此，如何采取有效的手段与措施，减少交通事故的发生是一个亟待解决的问题，这不仅是政府和人民普遍关注的社会问题，同时也是科学技术进步所面临的重要研究之一。在这样的背景下，研发提升汽车主动安全性的高级驾驶辅助系统、研究面向自主驾驶乃至无人驾驶的智能驾驶技术，是有效降低交通事故发生率，提高道路交通运输安全的重要手段。

交通事故发生的根本原因是日益突出的人、车、路、环境之间的矛盾，据统计，因车辆偏离行驶路线造成的交通事故占全部交通事故的比例高达百分之五十。为有效减少因车道偏离导致的交通事故的发生，在gb7258-2017《机动车运行安全技术条件》中，已明确规定车长大于11米的公路客车和旅游客车应装备符合标准规定的车道保持辅助系统。车道保持辅助作为智能驾驶技术的重要组成部分，是智能驾驶汽车驾驶能力测评的重要环节，也是保障智能驾驶汽车走向公共道路不可或缺的前提。为此，国内外制定了相关标准、规范对车道保持性能进行测试评价，如iso11270-2014标准《智能运输系统—车道保持辅助系统性能要求和试验过程》、e-ncap(欧洲新车安全评鉴协会)性能测试和评分标准等。我国的gb/t17993-2017《汽车综合性能检验机构能力的通用要求》、gb18565-2016《道路运输车辆综合性能要求和检验方法》、《乘用车车道保持辅助系统性能要求及试验方法》(征求意见稿)等国家标准也均对车道保持性能检测与评价做出了相关规定。

当前国内外对于车道保持辅助系统性能检测的主要方法包括基于硬件在环仿真测试和实际道路运行检测，其中基于实际道路试验的检测方法更符合实际情况，其检验结果更具准确性和说服力。在车道保持精度检测方面，主要有两种评价方法：根据汽车运动轨迹与车道中心线的距离检验路径跟踪精度和根据汽车运动轨迹与车道线的距离检验车道保持精度。以上两种方法均需要实时、精确的测量智能汽车在自主车道保持过程中的运动轨迹、速度等参数。目前，国内外汽车试验与测试领域对汽车运动轨迹的测量主要有以下几种方式：基于地上的测试方法(残迹法、激光扫射法等)、基于地上—车上的测试方法(电缆埋设法、无线电波定位法等)、基于车上的测试方法(利用gps、惯性导航定位、视觉导航等测量方法)等。其中，残迹法简单易行，但测量时间长，智能化程度低，雨天和夜间无法进行测试。激光扫射法测试操作简便，但测量精度易受环境影响。电缆埋设法需要对道路进行改造、安装不便。无线电波定位法利用移动车辆发射电波，根据各信号的相位差计算车辆的位置，这种方法存在测试精度不高的不足。基于视觉导航的测量方法虽可以获得厘米级的测量精度，但外界光线对精度影响较大，在测试不同车辆时需重新标定，耗时耗力。基于vbox-adas模块的车道保持精度测试方法，利用双天线数据采集系统和视觉传感器进行信息采集，其测试精度较高，但存在成本过于昂贵、夜晚无法测试等不足。

技术实现要素：

发明目的：针对以上问题，为克服现有测试方法存在的效率低、适应性差、测试工况相对单一的不足，本发明公开了一种面向多场景的智能驾驶自主车道保持性能检测方法。该方法测试时间短、测量精度高且允许离线处理，适用于高速公路、城市道路、汇流区等多种测试场景以及夜晚、阴雨天等复杂工况。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种面向多场景的智能驾驶自主车道保持性能检测方法，本方法首先引入β样条曲线，建立了面向智能驾驶汽车测试场景的道路模型。其次，利用改进的强跟踪卡尔曼滤波算法，建立了基于多源信息融合的车辆运动模型，从而准确推算出车辆运动的关键性基础性能参数。最后，基于道路路网和车辆运动信息，量化并输出自主车道保持性能的评价指标：横向偏差、横摆稳定性和路径跟踪精度。包括以下步骤：

步骤一：建立面向智能驾驶汽车测试场景的道路模型

智能驾驶汽车道路测试包含多种典型的交通场景，其中，自主车道保持测试场景通常可以分解为直道和弯道两部分。在借鉴增强型数字地图领域的道路路网模型和兼顾两种道路特点的基础上，通过引入β样条曲线，建立既保证道路精度，又保证存储空间的道路模型。包含的具体步骤如下：

子步骤1：采集原始数据；利用厘米级高精度差分gps采集智能驾驶汽车测试场景下的道路轨迹数据并进行存储。

子步骤2：道路信息投影变换；根据真实道路场景的路网结构对子步骤1中采集的原始数据进行分段；所述分段是指根据道路形状，即直道或弯道形状，将采集的原始数据分为每一段独立的道路数据块。利用坐标变换，将分段后数据的经纬度坐标转换为局部切平面直角坐标系坐标，转换后得到的道路全部轨迹数据为t＝{t0(c0,z0),t1(c1,z2),...,tn(cn,zn)}，其中，cn,zn分别为道路轨迹点的北向位置坐标和东向位置坐标，n为轨迹数据点的个数。

其中，局部切平面直角坐标系是与地球固连，原点位于车辆质心处，ox、oy、oz分别指向东向、北向和天向方向(enu)的一种右手直角坐标系。

子步骤3：建立面向智能驾驶汽车测试的道路模型；利用β样条曲线对子步骤2中每个道路数据块的轨迹数据进行插值。β样条曲线受坐标集t＝{t0(c0,z0),t1(c1,z2),...,tn(cn,zn)}中的控制点控制，利用n-2个控制点组成控制多边形，第l段曲线的3个控制点为tl+r,r＝-1,0,1，产生的3段样条曲线为：

式(1)(2)中，gl(u)为控制多边形产生的曲线，其中，l＝1,2,...,n-2，β1,β2分别为偏移参量和张力参量，用于确定样条曲线的形状，其中，β1和β2均大于零，br(β1,β2,u)为β样条的基函数，为样条曲线参数。

β样条曲线写成矩阵型式为：

tl为子步骤2输出的车辆运动轨迹所必经的关键点，则有：

式(4)，(5)中，tl-1(cl-1,zl-1),tl(cl,zl),tl+1(cl+1,zl+1)分别为第l段曲线的3个控制点坐标，第l段曲线上任意点的横、纵坐标分别为：

子步骤4：设置约束条件使样条曲线产生期望运行的轨迹，由车辆运动特性确定的轨迹起点g1”(0)和终点gn-2”(1)处曲率为：

g1”(0)＝gn-2”(1)＝0(8)

得到边界条件：

将式(6)，(7)，(9)联立求解，进而得到该模型的几何结构，输出的j＝{j0(x0,y0),j1(x1,y2),...,jn(xn,yn)}为道路模型的车道中心线坐标集。

步骤二：建立智能驾驶车辆运动模型

对于智能驾驶汽车的自主车道保持过程，取系统状态向量为x＝[pe,pn,ve,vn,ae,an]^t，其中，pe,pn分别为智能驾驶汽车的东向位置分量和北向位置分量，ve,vn分别为智能驾驶汽车的东向速度分量和北向速度分量，ae,an分别为智能驾驶汽车的东向加速度分量和北向加速度分量。本发明中矩阵上角标^t表示对矩阵转置，t表示离散的周期。根据常加速模型，系统状态方程为：

x＝φ·x+w(10)

式(10)中，x为系统状态序列，w是零均值的系统过程白噪声向量，对应的噪声协方差矩阵为q，且w～n(0,q)，φ为状态转移矩阵。

为推算汽车车道保持过程的系统各状态向量x＝[pe,pn,ve,vn,ae,an]^t，可采用滤波递推估计的方法，利用较少的系统观测量实现更广维度的参数递推。采用对系统参数变化具有较强跟踪能力的强跟踪滤波器。强跟踪卡尔曼滤波的优点在于对系统噪声、测量噪声具有较低的敏感性，能够准确获取状态与参数的估计值。

本发明选择厘米级高精度差分gps作为汽车运动的测量传感器，同时利用车内can总线信息，则系统的观测方程可表示为：

z＝h·x+v(11)

式(11)中，系统观测向量为z＝[peg,png,vd,a]^t，其中peg,png,a分别为厘米级高精度差分gps获得的东向位置分量、北向位置分量和航迹角，vd是通过can总线获得的车辆真实对地速度且满足v表示与w互不相关的零均值观测白噪声向量，对应的噪声协方差矩阵为r，且v～n(0,r)，h为观测矩阵。

在实际的强跟踪卡尔曼滤波递推过程中，需对滤波模型(10)(11)进行离散化处理，离散化后的系统状态方程和观测方程为：

式(12)中，k为离散化时刻，x(k)为k时刻的系统状态，状态转移矩阵和测量阵h[k,x(k)]分别为：

且航迹角a(k)与东向速度ve(k)和北向速度vn(k)满足以下关系：

式(11)中的观测方程为非线性方程，利用泰勒级数展开对非线性的观测方程进行线性化处理，保留到一阶泰勒余项，可得观测矩阵h(k)：

分别根据k-1时刻得到的k时刻东向速度分量和北向速度分量的状态估计。

对于式(12)描述的状态方程和观测方程，建立基于强跟踪卡尔曼滤波的递推过程，通过时间更新和观测更新进行滤波递推：

状态一步预测：

式(13)中，表示根据k-1时刻得到的k时刻的滤波计算值，为k-1时刻的最优估计。

一步预测误差方差矩阵：

式(14)中，q(k)＝diag(0.0380,0.1297,-0.1597,0.0610,0.0225,-0.0925)，时变衰落矩阵d(k)为：d(k)＝diag(λ1,λ2,...,λk)，λk为随时间变化的衰落因子。

为抵抗观测中异常值的影响，利用卡方检验改进λk的引入条件，重新调整时变衰落矩阵。时变衰落矩阵的近似计算方法如下：

当滤波稳定时，新息序列r(k)的统计特性满足：

统计量γ(k)服从自由度为4的卡方分布，选取概率阈值为0.01，对应的分位点τ＝13.28，则有：

p{χ²(4)＞τ}＝0.01(16)

根据假设检验原理，当γ(k)＞τ时，有99％的置信度确定拒绝零假设，因此，设置λk引入的判定条件：

式(15)-(18)中，s0(k)为初始误差矩阵，tr(·)为计算矩阵的迹，ρ,ψ分别为遗忘因子和弱化因子，考虑到车辆机动性等特点，取ρ＝0.95，ψ＝1.01，其中，diag(·)表示对角矩阵，方差σa²由位置、速度和航迹角测量噪声的统计特性确定，取值分别为σa²＝0.5×10^-4rad²。

滤波增益矩阵：k(k)＝p(k-1)·h^t(k)·[h(k)p(k,k-1)h^t(k)+r(k)]^-1(19)

状态估计：

估计误差方差矩阵：p(k)＝[i-k(k)h(k)]·p(k,k-1)(21)

经过上述递推计算后，可实时估计出汽车在每个离散时刻的车辆关键性基础性能参数x＝[pe,pn,ve,vn,ae,an]^t，输出的为车辆运动的位置坐标集。

步骤三：量化自主车道保持性能的评价指标

结合道路模型(步骤一)输出的车道中心线信息和车辆运动模型(步骤二)输出的车辆关键性基础性能参数，设置多维度的自主车道保持性能评价指标：横摆稳定性、横向偏差和路径跟踪精度，并对以上指标进行量化。

横摆稳定性是指汽车绕车身坐标系垂向轴偏转大小的程度；横向偏差是指智能驾驶汽车行驶过程中，某一时刻车辆中心位置与车道中心线的距离；路径跟踪精度是指从自主车道保持测试开始到测试结束，车辆横向偏差的均方差；根据上述指标的含义，在得到车道保持过程中车辆的横摆角速度、位置等运动参数后，根据式(22)、(23)、(24)分别推算汽车的横摆稳定性、横向偏差和车道保持路径跟踪精度，具体地：

横摆稳定性定义为：

式(22)中，η表示横摆稳定性的量化值，ωt表示由传感器(如陀螺仪)测量得到的t时刻车辆的横摆角速度，s为横摆角速度数据的数量，t时刻横摆角速度的期望值其中，ve,vn分别为步骤二输出的t时刻的车辆东向速度和北向速度，rl为道路曲率半径，单位为米(m)，可根据步骤一的道路线形模型计算获得。

横向偏差定义为：

式(23)中，lt表示t时刻智能驾驶汽车自主车道保持的横向偏差，单位为米(m)，表示由步骤二输出的车辆位置在t时刻的坐标；(xi,yi)和(xj,yj)分别表示t时刻车道中心线上距离车辆位置最近的两个点的坐标，其中，1≤t≤n,1≤i≤n,1≤j≤n。

车道保持路径跟踪精度定义为：

式(24)中，ε表示车道保持路径跟踪精度，单位为米(m)；lt为t时刻的车辆横向偏差，单位为米(m)；为各时刻车辆横向偏差的均值，单位为米(m)。

根据横摆稳定性、横向偏差和路径跟踪精度的量化值的大小，即可评价车道保持性能的优劣。

有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：

(1)适应于车速在0-120km/h之间(满足国际标准要求的道路试验速度范围)的车道保持性能测试要求，且测量精度和频率高，位置测量精度可达0.02m(rms)，输出频率为20hz。

(2)环境适应性强，在夜晚、阴雨天等复杂测试环境下，本发明能够完成与开阔、干燥路面同等精度的自主车道保持性能检测检测，同时适用于高速公路、城市道路等多种测试场景。

(3)测试所需的综合测试系统安装方便，滤波、车道保持性能评估算法可靠，测试过程具有测试周期短、效率高等优势。

附图说明

图1是智能驾驶自主车道保持性能高精度检测检测方法的技术路线示意图；

图2是智能驾驶汽车的横向偏差计算方法示意图；

图3是某次人工模拟实现的自主车道保持路径跟踪精度检测试验的车辆运动轨迹示意图；

图4是图3的局部放大图(试验开始时的车辆运动轨迹图)；

图5是整个试验过程的汽车北向位置误差相对于时间的变化曲线图；

图6是整个试验过程的汽车东向位置误差相对于时间的变化曲线图；

图7是整个试验过程中车辆横向偏差变化曲线。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

车道保持辅助作为智能驾驶技术的重要组成部分，是智能驾驶汽车驾驶能力测评的重要环节，也是保障智能驾驶汽车走向公共道路不可或缺的前提。为此，国内外制定了许多标准、规范对自主车道保持性能进行测试评价。其中，西方发达国家制定了包括iso11270-2014《智能运输系统—车道保持辅助系统性能要求和试验过程》在内的许多汽车性能检测与评价标准，以保障汽车的主动安全性。同时，政府也出台了许多相关的国家标准，gb/t17993-2017《汽车综合性能检验机构能力的通用要求》、gb18565-2016《道理运输车辆综合性能要求和检验方法》、2019年1月发布的《乘用车车道保持辅助系统性能要求及试验方法》征求意见稿等均对车道保持性能检测和评价做出了相关说明。据此，可以看出智能驾驶自主车道保持性能检测主要有以下三个特点：

1)自主车道保持性能检测的试验地点是平坦的沥青或混凝土路面。因此，可以将汽车车道保持过程中的运动参数简化到二维平面内。

2)自主车道保持性能检测要求涵盖高速公路、城市道路等多种测试场景，以及多种驾驶任务、驾驶模式和驾驶速度。

3)自主车道保持性能检测过程的持续时间不长，从被测车辆启动到完成自主车道保持测试的时间跨度通常在30秒之内。

针对智能驾驶汽车自主车道保持性能检测的上述特点，本发明首先借鉴增强型数字地图领域的道路路网模型，引入β样条曲线，建立了面向智能驾驶汽车测试场景的道路模型。其次，利用改进的强跟踪卡尔曼滤波算法，建立了基于多源信息融合的车辆运动模型，从而准确推算出车辆运动的关键性基础性能参数。最后，基于道路路网和车辆运动信息，量化并输出自主车道保持性能的评价指标：横向偏差、横摆稳定性和路径跟踪精度。本发明的具体步骤如下：

步骤一：建立面向智能驾驶汽车测试场景的道路模型

智能驾驶汽车道路测试包含多种典型的交通场景，其中，自主车道保持测试场景通常可以分解为直道和弯道两部分。在借鉴增强型数字地图领域的道路路网模型和兼顾两种道路特点的基础上，通过引入样条曲线，建立既保证道路精度，又保证存储空间的道路模型。

在道路建模的研究中，常用的样条曲线有b样条曲线、hermite样条曲线、catmull-rom样条曲线、β样条曲线等。其中，b样条曲线具有局部可控性、凸包性、连续性等优点，但在道路曲率变化的测试场景中的局部可调性较差。hermite样条曲线具有线形光滑、保形性好、能够避免龙格震荡现象等优点，但难以获得拟合道路平面线形过程中所需的曲线斜率。catmull-rom样条曲线具有局部可控等优点，但存在曲率不连续的不足。β样条曲线不仅具有b样条曲线的主要优点，而且能够遍历道路上全部数据点，曲线的线形设计较为灵活。因此，利用β样条曲线建立包含车道线和车道中心线信息的道路模型，包含的具体步骤如下：

子步骤1：采集原始数据；利用厘米级高精度差分gps采集智能驾驶汽车测试场景下的道路轨迹数据并进行存储。

子步骤2：道路信息投影变换；根据真实道路场景的路网结构对子步骤1中采集的原始数据进行分段；所述分段是指根据道路形状，即直道或弯道形状，将采集的原始数据分为每一段独立的道路数据块。利用坐标变换，将分段后数据的经纬度坐标转换为局部切平面直角坐标系坐标，转换后得到的道路全部轨迹数据为t＝{t0(c0,z0),t1(c1,z2),...,tn(cn,zn)}，其中，cn,zn分别为道路轨迹点的北向位置坐标和东向位置坐标，n为轨迹数据点的个数。

其中，局部切平面直角坐标系是与地球固连，原点位于车辆质心处，ox、oy、oz分别指向东向、北向和天向方向(enu)的一种右手直角坐标系。

子步骤3：建立面向智能驾驶汽车测试的道路模型；利用β样条曲线对子步骤2中每个道路数据块的轨迹数据进行插值。β样条曲线受坐标集t＝{t0(c0,z0),t1(c1,z2),...,tn(cn,zn)}中的控制点控制，利用n-2个控制点组成控制多边形，第l段曲线的3个控制点为tl+r,r＝-1,0,1，产生的3段样条曲线为：

式(1)(2)中，gl(u)为控制多边形产生的曲线，其中，l＝1,2,...,n-2，β1,β2分别为偏移参量和张力参量，用于确定样条曲线的形状，其中，β1和β2均大于零，br(β1,β2,u)为β样条的基函数，为样条曲线参数。

β样条曲线写成矩阵型式为：

tl为子步骤2输出的车辆运动轨迹所必经的关键点，则有：

式(4)，(5)中，tl-1(cl-1,zl-1),tl(cl,zl),tl+1(cl+1,zl+1)分别为第l段曲线的3个控制点坐标，第l段曲线上任意点的横、纵坐标分别为：

子步骤4：设置约束条件使样条曲线产生期望运行的轨迹，由车辆运动特性确定的轨迹起点g1”(0)和终点gn-2”(1)处曲率为：

g1”(0)＝gn-2”(1)＝0(8)

得到边界条件：

将式(6)，(7)，(9)联立求解，进而得到该模型的几何结构，输出的j＝{j0(x0,y0),j1(x1,y2),...,jn(xn,yn)}为道路模型的车道中心线坐标集。

步骤二：建立智能驾驶车辆运动模型

在智能驾驶车道保持性能测试过程中，要求高频且精确的获取每一时刻被测车辆的位置、速度、加速度、控制模式等信息并进行存储。为了满足信息全、频率高的测量需求，建立智能驾驶汽车的系统运动模型，考虑到自主车道保持测试过程的运动特性，常加速模型的机动适应性符合测试过程中车辆的实际运动情况，可以准确的描述自主车道保持的运动过程。因此，本发明采用易递推计算的常加速模型建立自主车道保持过程的动态模型，即系统状态方程。

对于智能驾驶汽车的自主车道保持过程，取系统状态向量为x＝[pe,pn,ve,vn,ae,an]^t，其中，pe,pn分别为智能驾驶汽车的东向位置分量和北向位置分量，ve,vn分别为智能驾驶汽车的东向速度分量和北向速度分量，ae,an分别为智能驾驶汽车的东向加速度分量和北向加速度分量。本发明中矩阵上角标^t表示对矩阵转置，t表示离散的周期。根据常加速模型，系统状态方程为：

x＝φ·x+w(10)

式(10)中，x为系统状态序列，w是零均值的系统过程白噪声向量，对应的噪声协方差矩阵为q，且w～n(0,q)，φ为状态转移矩阵。

为推算汽车车道保持过程的系统各状态向量x＝[pe,pn,ve,vn,ae,an]^t，可采用滤波递推估计的方法，利用较少的系统观测量实现更广维度的参数递推。采用对系统参数变化具有较强跟踪能力的强跟踪滤波器。强跟踪卡尔曼滤波的优点在于对系统噪声、测量噪声具有较低的敏感性，能够准确获取状态与参数的估计值。

本发明选择厘米级高精度差分gps作为汽车运动的测量传感器，同时利用车内can总线信息，则系统的观测方程可表示为：

z＝h·x+v(11)

式(11)中，系统观测向量为z＝[peg,png,vd,a]^t，其中peg,png,a分别为厘米级高精度差分gps获得的东向位置分量、北向位置分量和航迹角，vd是通过can总线获得的车辆真实对地速度且满足v表示与w互不相关的零均值观测白噪声向量，对应的噪声协方差矩阵为r，且v～n(0,r)，h为观测矩阵。

在实际的强跟踪卡尔曼滤波递推过程中，需对滤波模型(10)(11)进行离散化处理，离散化后的系统状态方程和观测方程为：

式(12)中，k为离散化时刻，x(k)为k时刻的系统状态，状态转移矩阵和测量阵h[k,x(k)]分别为：

且航迹角a(k)与东向速度ve(k)和北向速度vn(k)满足以下关系：

式(11)中的观测方程为非线性方程，利用泰勒级数展开对非线性的观测方程进行线性化处理，保留到一阶泰勒余项，可得观测矩阵h(k)：

分别根据k-1时刻得到的k时刻东向速度分量和北向速度分量的状态估计。

对于式(12)描述的状态方程和观测方程，建立基于强跟踪卡尔曼滤波的递推过程，通过时间更新和观测更新进行滤波递推：

状态一步预测：

式(13)中，表示根据k-1时刻得到的k时刻的滤波计算值，为k-1时刻的最优估计。

一步预测误差方差矩阵：

式(14)中，q(k)＝diag(0.0380,0.1297,-0.1597,0.0610,0.0225,-0.0925)，时变衰落矩阵d(k)为：d(k)＝diag(λ1,λ2,...,λk)，λk为随时间变化的衰落因子。

为抵抗观测中异常值的影响，利用卡方检验改进λk的引入条件，重新调整时变衰落矩阵。时变衰落矩阵的近似计算方法如下：

当滤波稳定时，新息序列r(k)的统计特性满足：

统计量γ(k)服从自由度为4的卡方分布，选取概率阈值为0.01，对应的分位点τ＝13.28，则有：

p{χ²(4)＞τ}＝0.01(16)

根据假设检验原理，当γ(k)＞τ时，有99％的置信度确定拒绝零假设，因此，设置λk引入的判定条件：

式(15)-(18)中，s0(k)为初始误差矩阵，tr(·)为计算矩阵的迹，ρ,ψ分别为遗忘因子和弱化因子，考虑到车辆机动性等特点，取ρ＝0.95，ψ＝1.01，其中，diag(·)表示对角矩阵，方差σa²由位置、速度和航迹角测量噪声的统计特性确定，取值分别为σa²＝0.5×10^-4rad²。

滤波增益矩阵：k(k)＝p(k-1)·h^t(k)·[h(k)p(k,k-1)h^t(k)+r(k)]^-1(19)

状态估计：

估计误差方差矩阵：p(k)＝[i-k(k)h(k)]·p(k,k-1)(21)

经过上述递推计算后，可实时估计出汽车在每个离散时刻的车辆关键性基础性能参数x＝[pe,pn,ve,vn,ae,an]^t，输出的为车辆运动的位置坐标集。

步骤三：量化自主车道保持性能的评价指标

现有的测试标准及法规中，将与车道边线的相对距离作为车道保持性能的评价指标，然而，单尺度的评测指标并不能很好的区分车道保持性能的优劣。因此，结合道路模型(步骤一)输出的车道中心线信息和车辆运动模型(步骤二)输出的车辆关键性基础性能参数，设置多维度的自主车道保持性能评价指标：横摆稳定性、横向偏差和路径跟踪精度，并对以上指标进行量化。

横摆稳定性是指汽车绕车身坐标系垂向轴偏转大小的程度；横向偏差是指智能驾驶汽车行驶过程中，某一时刻车辆中心位置与车道中心线的距离；路径跟踪精度是指从自主车道保持测试开始到测试结束，车辆横向偏差的均方差；根据上述指标的含义，在得到车道保持过程中车辆的横摆角速度、位置等运动参数后，根据式(22)、(23)、(24)分别推算汽车的横摆稳定性、横向偏差和车道保持路径跟踪精度，具体地：

横摆稳定性定义为：

式(22)中，η表示横摆稳定性的量化值，ωt表示由传感器(如陀螺仪)测量得到的t时刻车辆的横摆角速度，s为横摆角速度数据的数量，t时刻横摆角速度的期望值其中，ve,vn分别为步骤二输出的t时刻的车辆东向速度和北向速度，rl为道路曲率半径，单位为米(m)，可根据步骤一的道路线形模型计算获得。

横向偏差定义为：

式(23)中，lt表示t时刻智能驾驶汽车自主车道保持的横向偏差，单位为米(m)，表示由步骤二输出的车辆位置在t时刻的坐标；(xi,yi)和(xj,yj)分别表示t时刻车道中心线上距离车辆位置最近的两个点的坐标，其中，1≤t≤n,1≤i≤n,1≤j≤n。

车道保持路径跟踪精度定义为：

式(24)中，ε表示车道保持路径跟踪精度，单位为米(m)；lt为t时刻的车辆横向偏差，单位为米(m)；为各时刻车辆横向偏差的均值，单位为米(m)。

根据横摆稳定性、横向偏差和路径跟踪精度的量化值的大小，即可评价车道保持性能的优劣。

为检验本发明公开的自主车道保持性能检测方法的实际效果，进行了人工模拟实现的自主驾驶行为(车道保持)的实车试验，试验基本情况说明如下：

试验目的：检验本发明公开的自主车道保持性能检测方法的实际效果。

试验系统组成：试验系统由硬件设备以及软件系统(信息采集系统)组成。硬件设备主要包括：研华工控机ppc6150(corei5-3610me2.7ghzcpu、4g内存、320g硬盘)、novatelspan-igm-a1高精度mems组合导航系统、陀螺仪、奇瑞瑞虎3试验车、固定支架、车载电源、逆变器等。

软件系统利用课题组开发的智能驾驶测评管理系统中的数据采集模块，采用多线程技术开发，以保证实时同步的采集与存储各传感器信息。车道保持性能的检测是智能驾驶测评管理系统的子功能之一，用于对自主车道保持试验数据的采集、实时(或事后)处理与分析，实现对车道保持性能的测试和评价。

试验设置：试验中，汽车以一定的初速度经过测试起点后开始采集数据，利用人工模拟实现智能驾驶的自主车道保持运动，到达终点后，测试结束。

试验方法：首先，采集车道中心线的位置信息作为车道保持过程的基准信息。其次，利用搭载综合测试系统的试验车，在试验路面上进行多次车道保持性能测试，对车辆运动的位置、速度等关键性基础性能参数进行采集。最后，分析并输出车道保持性能指标的量化值：横摆稳定性、横向偏差和车道保持路径跟踪精度。智能驾驶自主车道保持性能高精度检测方法的技术路线如图1所示，智能驾驶汽车的横向偏差计算方法如图2所示。

试验路面与环境：实验地点位于江苏省南京市江宁区正方中路附近，属于智能驾驶技术和汽车功能测试场景中典型的高速公路场景，试验路面为平坦干燥的沥青路面，并且没有凹陷、凸起和开裂等导致车辆过分颠簸的缺陷，符合国标要求。

试验结果：试验表明，本发明提出的自主车道保持性能评价检测方法具有良好的性能，能够满足智能驾驶汽车道路试验中对车道保持性能的测量要求，具体而言：1)适应于车速在0-120km/h之间(满足国际标准要求的道路试验速度范围)的车道保持性能测试要求，且测量精度和频率高，位置测量精度可达0.02m(rms)，输出频率为20hz。2)环境适应性强，在夜晚、阴雨天等复杂测试环境下，本发明能够完成与开阔、干燥路面同等精度的自主车道保持性能检测，同时适用于高速公路、城市道路等多种测试场景。3)测试所需的综合测试系统安装方便，滤波、车道保持性能评估算法可靠，测试过程具有测试周期短、效率高等优势。

为说明本发明的实际效果，下面给出某次人工模拟实现的自主车道保持性能检测的试验结果，试验结果曲线如图3～图7所示。图3中的密集点线是整个试验过程的车辆运动轨迹曲线，由于输出频率为20hz，点线较为密集。图4是图3的局部放大图，是试验开始时的汽车运动坐标图，图中的点表示滤波计算出的车辆离散运动轨迹。图5和图6分别是整个试验过程的车辆北向位置误差和东向位置误差相对于时间的变化曲线。图7是整个试验过程中车辆横向偏差的变化曲线。通过计算可以得出，在本次试验中，车道保持路径跟踪精度为0.0998。同时，本发明的位置测量误差的均值为0.0135m，方差为0.00049m²，位置测量精度为0.0152m(rms)。输出的路径跟踪精度具有高精度、高频率等优点，实现了精确、可靠的车道保持性能检测。