基于双目立体视觉伺服的智能车室内弯道控制

　　0 引言

　　智能车环境感知系统的一个重要任务就是实时地提供车辆在行使过程中的位置信息。机器视觉因其有信号探测范围宽、获取信息完整、符合人类认知习惯、维护成本低、不产生环境污染等多优点，已在智能车环境感知系统中广泛采用。机器视觉车辆环境感知系统中的主要任务是完成道路及目标的识别和跟踪，为智能车行使提供必须的本车位置信息和周围环境距离信息。

　　对于现实情况下的道路，一般可以将其分为两大类，即：结构化道路和非结构化道路。结构化道路上有明显的道路标记，且这些标记具有较强的几何特征，道路路面主要是由这些标记界分确定的，如高速公路上道路中间黄色的连续标志线或白色的间断标志线以及两旁白色的连续标志线；非结构化道路上没有明显的道路标记，在二维图像中道路路面与非路面主要依靠纹理与色彩而区分的，如没有标记的水泥路、野外土路或石板路等。

　　弯道图像包含丰富的道路信息和环境信息，解释了道路周围场景。弯道检测是从道路图像中检测出弯曲车道线的边界，这也是对弯道理解的基础。建立弯道模型；提取车道线像素点；拟合车道线模型属于目前较常采用的认知方法，并在特定的结构化道路体现出较好的检测效果。文献［6］介绍了弯道检测在车道偏离预警、弯道限速以及弯道防碰撞预警等领域的应用情况，并提出了弯道检测应该建立三维车道线模型，提高适用性。

　　均采用的Hough变换求出车道线直线方程，从而确定对应直线段上的最低点和最高点，然后根据相应准则判断曲线道路的弯曲方向，最后分段拟合车道线的直线段和曲线段实现车道线的二维重建。

　　弯道检测不仅需要识别出道路边界线，还需要判断道路弯曲方向，确定转弯的曲率半径。常用的车道检测方法可分为2大类：基于道路特征和基于道路模型的方法。目前国外主要常用基于道路模型的方法，即将弯道检测转化为各种曲线模型中数学参数的求解问题。省略弯道曲线模型建立和数学参数的复杂求解过程，本文采用立体视觉感知环境的三维信息，利用它的视差原理对所获取室内道路周边环境图像中角点特征的位置恢复其三维信息来判断车体的弯道转向和偏航角度。建立了视觉信息直接控制车体驱动偏离角与偏离距离视觉伺服控制系统，初步采用了BP控制策略，利用Simulink仿真环境实现了针对未知弯道曲率的智能车转弯控制运动。