車道
關注創建者：駕駛哥 創建時間：2021-04-12
車道的實例教程
車輛安全駕駛技術有兩個關鍵點,一是保障本車不與前車碰撞,二是保障本車在自己的車道上行駛,不偏離到其他車道上。當然還有其他安全駕駛技術,但根據權威統計,這兩點技術如果能做到位,發生安全事故的概率會明顯變小。資源是有限的,要絕對杜絕安全事故的發生,需要花費巨額的資金進行產品研發。這里介紹車道保持系統工作原理及實例。
一、車道保持系統的基本功能
車道保持系統用于幫助司機使車輛一直保持在規定的某個車道上行駛,車輛不偏離車道(見圖1)。
圖1 車道保持系統的基本功能示意圖
如果車輛行駛偏離自己的車道,車道保持系統會讓轉向系統自動糾偏。
二、車道線識別的基本原理
在前車窗內側的上方,安裝一個攝像頭(見圖2)。攝像頭能看清車道線,形成清晰的圖像。在計算機的幫助下,通過一定算法,判斷出車輛是否在規定車道內 。如果偏離車道(左右偏離),計算機會給出報警信號和糾偏指令。攝像頭成像(這是傳統技術)是基本要求,對圖像掃描后,形成數字信號,這是比較關鍵的技術,接下來關鍵的是計算機芯片(處理器)的計算速度和存儲器容量大小。
圖2 車道線識別原理示意圖
通俗的講,攝像頭要滿足車用要求,車輛是高速運動的,攝像頭拍的照片要清晰,計算機芯片(處理器)也必須是專業級。
注意:道路上要劃分出車道是基礎,其車道線清晰度的要求,符合國際標準ISO 17361和GB/T26773-2011。
圖3 國家符合標準的車道圖
三、車道保持系統工作原理
車道保持系統基本結構分為:識別、分析、決策系統和控制執行系統。
1)識別、分析、決策系統
通過攝像頭的畫面的處理,得出當前車輛相對車道線的位置,偏離的方向和速度,當車輛靠近識別出的邊界線且要駛離該車道時,系統會通過聲音和圖像對司機進行提醒。
展開 正常版：在馬路上尋找車道線
在這個項目中，本文建立了一個計算機視覺算法，用于檢測車道線并創建平均和外推的邊界線。 流程如下：
1）將幀轉換為灰度；
2）為黃色和白色像素創建蒙版；
3）應用高斯平滑；
4）應用Canny邊緣檢測；
5）創建一個額外的遮罩，以專注于車輛前方的“感興趣區域”；
6）將XY空間中的點（即像素）轉換為霍夫空間中的線；
7）霍夫空間中的線相交（即點）的地方，XY空間中存在一條線；
8）使用生成的線的極值，創建兩條平均線s；
9）在整個幀中創建兩條平均線，以實現流暢的視頻播放；10）在每幀上畫線。
從霍夫空間轉換后的原始線
可流暢播放的平均線
工作流程：
1）檢查霍夫返回的每條線，并根據其坡度確定是在左車道還是右車道。因為我們正在對陣列進行“上下顛倒”，所以左側車道的斜率為負，右側車道的正值為；2）極值；3）計算平均值；4）解決b截距；5）用極值求積分；6）流暢的幀和緩存。
從霍夫空間轉換后的原始視頻
可流暢播放的車道線視頻
困難版： 這篇文檔為自動駕駛汽車的車道線檢測和跟蹤提供了強大的解決方案。
步驟如下所示：
1）相機校準；2）失真校正；3）漸變和顏色閾值；4）透視變換；5）車道線搜索和搜索優化；6）繪制車道覆蓋。
相機校準
我們需要在棋盤上存儲對象點的數量或感興趣的位置。 僅考慮不在最外邊緣上的點。
展開 來自TUSimple 數據集的示例圖像以及車道線掩碼
在這個數據集上，我們可以訓練一個語義分割模型來分割出屬于lane類的像素。U-Net model非常適合做這個，因為它是一個具有實時推理速度的輕量級模型。U-Net是一種帶有跳躍連接的編譯碼器和解碼器模塊的編譯碼器模型。模型架構如下所示。
來自U-Net論文的U-Net模型結構
然而，損失函數需要修改為Dice損失系數。車道線分割問題是一個極其不平衡的數據問題。圖像中的大多數像素屬于背景類。Dice Loss基于Sorenson-Dice系數，其對false positives和false negatives的重要性相似，這使得它在處理不平衡數據問題時表現得更好。Dice損失試圖匹配groundtruth和預測模型中的車道線像素，希望能夠得到一個清晰的邊界預測。
LaneNet模型
這里，我使用了LaneNet模型來生成車道線。LaneNet模型是一種兩階段車道線預測器。第一階段是一個編碼器-解碼器模型，為車道線創建分割掩碼。第二階段是車道先定位網絡，從掩碼中提取的車道點作為輸入，使用LSTM學習一個二次函數來預測車道線點。
下圖顯示了這兩個階段的運行情況。左邊是原始圖像，中間是階段1的車道線掩碼輸出，右邊是階段2的最終輸出。
LaneNet模型的解釋
生成智能告警
我將車道線預測與物體檢測結合起來，生成智能警報。這些智能警報可能涉及：
檢測其他車輛是否在車道線內，并量度與他們的距離
檢測鄰近車道上是否有車輛的存在
了解彎曲道路的轉彎半徑
在這里，我使用YOLO-v5來檢測道路上的汽車和人。
展開 MIDAS中關于移動荷載車道的定義很多人都不是很清楚原理，MIDAS自己也講的不是很清楚，事實上很多累死軟件對橫向荷載的分布處理也不是很完善，下面我就我個人理解，參考其他前輩的理解，說說我的看法，希望大家積極跟帖，多多討論，把這個問題搞清楚。
定義一般車道時，應該就是選擇距離設計車道中心線最近的一根縱梁作為車道單元，然后定義偏心來按規范規定的等效車道荷載加載。
偏心距離是車道中心距離就近梁單元中心的距離。結構尺寸確定后，車道中心和每個縱梁的中心（如果是單梁那就是結構的中心）都是已知的，這時就很容易確定車道的偏心距離了。橫向聯系梁車道定義時和一般車道定義方法是一樣的，要選擇就近的一根縱梁作為車道單元，定義偏心、定義跨度、定義車道分配單元，唯一不同的就是橫向聯系梁要選擇橫向聯系梁結構組而已。
MIDAS官方的說法是：車道單元是定義車道位置的參考單元，civil中目前橫向車道位置需由用戶定義。車道偏心量為車輛中心線距參考單元距離。
我理解的具體加載情況是：一根單梁，車道中心布置，如果定義車道時不考慮車輛寬度，則荷載加載在梁單元中心線上；而如果定義車道時考慮車輛寬度（貌似2006版才有了這個功能）1.8m，則荷載為偏心梁單元荷載，分別加載在梁單元中心兩側0.9m的位置上，因此換算成梁單元荷載就是集中載和換算扭矩。對于單梁分析，是否考慮車輛寬度對結構沒有影響，但如果是梁格模型，是否考慮車輛寬度對結果的影響還是很大的。
規范規定的等效車道荷載是沒有考慮車輛寬度的（但是，我在邵旭東的《橋梁工程》中看到了一句大實話：車道荷載的單向布載寬度為3.0m，這個才更接近實際情況）。
具體的，根據規范進行雙車道中載和偏載加載時，一個是把車道荷載分別加載在兩個車道設計中心線上，一個就是以最小間距3m來在一側布置2個車道加載。
展開 其利用深度學習模型得到的概率圖，包括以下模塊：自適應車道點檢測、彎曲車道檢測、車道重建和跟蹤等，如圖所示。注：這里采用了兩個模型SCNN和ENet-SAD做實驗。
這里是一些增強結果的比較：兩個數據集測試
8. “Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection“，arXiv 2010.12035，11，2020
LaneATT，和Line-CNN一樣的，基于錨點的車道線檢測方法，類似YOLO3和SSD。除了局部信息，也強調全局信息，比如遮擋、缺失或者弱顯示等情況下的處理。該方法實時性強 （速度250FPS），在三個基準數據集測試過：TuSimple, CULane 和 LLAMAS。
其架構如圖：除了錨點的特征池化（類似Fast R-CNN），還有attention機制的采用。
如下是結果比較：
9. “End-to-end Lane Shape Prediction with Transformers“，arXiv 2011.04233， 11，2020
無所不在的Transformers，很善于學習全局上下文，針對車道線這種細長結構，直接估計車道線形狀模型，即lane shape model。
展開 
車道的最新內容
0px;"><span style="font-weight: 700; margin: 0px; padding: 0px; border: 0px;">6、汽車底盤系統：</span>底盤集成、底盤線控系統、自動轉向技術、自適應巡航控制系統、泊車輔助系統（ PLA）、 ABS/ASR/ESP集成控制系統、 自適應巡航控制系統(ACC)、 胎壓監控系統(TPMS)、可調阻尼控制系統（ ADC）、車道偏離和駕駛警示系統
8、汽車底盤系統：底盤集成、底盤線控系統、自動轉向技術、 自適應巡航控制系統、 泊車輔助系統（ PLA）、 ABS/ASR/ESP集成控制系統、 自適應巡航控制系統(ACC)、 胎壓監控系統(TPMS)、可調阻尼控制系統（ ADC）、車道偏離和駕駛警示系統 、自動緊急制動系統（ AEB）、電子駐車（ APB）、輪轂電機；傳動系統；轉向系統；制動系統；行駛系統；底盤部件加工工藝設備與材料。
激光測距傳感器由于光束發散角度較小，便于測速取證，不像雷達多普勒測速儀，在多車道測量時不能確知超速的具體車輛，且由于激光測速傳感器發射的是近紅外的光波，不能被雷達探測器、電子狗等探側，且不易受市區雷達雜波干擾。
2D/2D3/3D 及拖車場景，滿足多車型、多場景測試需求
二、核心優勢
該HIL 方案可以幫助客戶實現成本、性能、安全的三重平衡：
首先成本優化層面，方案通過軟件架構革新與硬件資源高效利用，相比傳統方案整體測試成本降低 30%，避免硬件迭代帶來的重復投入，新增部署與升級改造均具備高性價比；
其次置信度層面，方案核心軟件aiSim通過 ISO 26262 ASIL D 功能安全認證，車道線檢測誤差標準差僅
二、核心技術特性
（1）動態與靜態對象的自動化 3D 標注
aiData Auto Annotator 超越了傳統解決方案，它能夠為動態交通參與者（如車輛、行人、騎行者、交通標志和紅綠燈）生成高精度的 3D 標注框，并自動標注車道線和路面標識等靜態元素。
當前市場上多數自動標注工具僅支持2D輸出，局限了數據在3D空間感知任務中的應用價值。
這類格式主要針對結構化道路設計，擅長描述車道拓撲、連接關系與路口結構（左車道是誰，右車道是誰，路口組成是怎樣的）。
道路編輯器示例
然而，當需要描述依山而建、邊緣不規則、表面存在隨機破損的土路時，現有格式往往顯得不足：
難點一：地形建模能力有限。
如今，道路上的許多車輛已經受益于高級駕駛輔助系統（ADAS），這些系統使用攝像頭、雷達和激光雷達等傳感器技術來避免與障礙物發生碰撞，幫助我們保持在車道內、進行平行泊車等。</p><p><br></p><p>所有這些系統都由人工智能（AI）傳感進行指導，例如計算機視覺，它是自動駕駛汽車（AV）感知堆棧的核心功能。
對齊方法：將重建場景與車載高精地圖（HD Map）進行坐標對齊，確保語義元素（車道線、交通標志）位置一致。
驗證流程：在重建場景的虛擬相機位姿下，渲染圖像并與拍攝的真實照片進行光照一致性對比，使用PSNR、SSIM等圖像質量指標進行量化評估。同時，驗證其在多模態傳感器（相機+LiDAR）下的一致性。
Litestar4D道路照明設計6個月前
如對“車道/人行道“ 的具體數據感興趣，可以選中對應”車道/人行道“，雙擊打開或者選擇查看”偽色圖“，”等值曲線“或”數值“③④。
車道A的照度數值
照度數據的偽色圖
車道B等值照度曲線（h=1.5m）
9. 重新調整照明系統參數。
例如駕駛員看左側后視鏡，AI系統判斷他可能想轉向或變化車道，如果左側有車就會進行提醒。
04 有效驗證：智能座艙的測試挑戰與方法論
隨著AI座艙功能日益復雜，如何驗證其交互有效性成為行業關鍵挑戰。多模態交互、復雜場景適配和個性化服務都需系統化的測試方法。
標準化測試體系的建立
《汽車智能座艙智能化水平測試與評價方法》團體標準，為行業提供了統一的測試框架。
