下载掌阅APP，畅读海量书库
立即打开
传感器融合大大提高了车道检测性能。这是因为使用了更多的传感器，并增强了感知能力。使用多台摄像机（包括单目摄像机和立体摄像机）并将多台具有不同视角的摄像机进行组合，是增强车道检测性能的最常见方法。
在论文 [32] 中，论文作者提出了一种使用立体摄像机进行车道检测的密集消失点检测方法。Bertozzi和Broggi [33] 提出了一种通用的障碍物与车道检测系统，其基于立体摄像机和IPM图像检测障碍物与车道。该系统在道路上进行了3000多公里的测试，在阴影、光照和道路变化的场景中显示出鲁棒性。在论文 [34] 中，将3台广角镜头摄像机和1台长焦镜头摄像机进行组合，并以14Hz的频率进行采样。此方法将原始图像转换为HSV格式，并执行逆透视图变换。在论文 [35] 中，使用了具有4个肉眼摄像头和1个单目前视摄像头的环视监视系统，用于车道检测和车辆定位。使用环视监视系统的优点在于，可生成车辆完整顶视图的图像。其中，在单张图像中，包含了车辆的前视图、侧面视图和后视图。
我们不仅可以只使用摄像头设备，还可以通过将摄像头与GPS和雷达组合来实现车道检测系统，特别是将雷达应用于光照不足的车道边缘检测中。Jung等人 [36] 提出了一种基于感兴趣区域的自适应车道检测方法，旨在设计集成的自适应巡航控制和车道保持辅助系统。来自自适应巡航控制系统的距离数据，将用于确定动态的感兴趣区域，并提高基于单目视觉的车道检测系统的准确性。车道检测系统是用常规方法设计的，其中包括边缘分布函数、可操纵滤波器、模型拟合和跟踪。如果使用距离传感器检测到附近的车辆，则将消除所有边缘像素，以增强车道检测能力。最终的实验结果表明，基于距离数据识别附近的车辆，可以提高车道检测精度，并简化检测算法。
在论文 [37] 中，使用了一种基于GPS和视觉系统的自动驾驶汽车定位系统。该系统从GPS中提取诸如道路形状之类的先验信息，然后将其用于完善车道检测系统。最后，对提出的方法进行了广泛的评估，发现其在变化的道路条件下也很可靠。在论文 [38] 中，论文作者提出了在高速公路结构化场景中使用综合车道检测系统，其中道路的曲率最初是使用GPS和数字地图确定的，然后再分别设计两个用于直行车道和弯道的车道检测模块。在论文 [39] 中，引入了基于车道标记的定位系统，其中使用了立体摄像机来检测车道标记和路缘石，并通过集成全球导航卫星系统（GNSS）、高精度地图以及立体视觉系统进行车辆定位，该系统在农村地区的定位精度可高达几厘米。
在论文 [40] 中，使用了GPS、惯性传感器、高精度地图以及视觉系统集成的车道偏离预警系统。基于视觉的车道偏离预警系统，容易受到各种路况和天气的影响。通过传感器融合方案可增加车道检测系统的稳定性，并使系统更加可靠。此外，使用基于视觉的车道检测系统和准确的数字地图，有助于减少GPS引起的位置误差，从而确保更准确的车辆定位和车道保持。
激光雷达是一种使用广泛的传感器，在主要的DARPA挑战赛中，大多数自动驾驶车辆都使用了这种传感器，因为其具有高精度和强大的感应能力。激光雷达可根据道路上的高反射点来检测车道标记。激光雷达使用多通道激光灯扫描周围的表面，并生成3D图像。因此，与基于视觉的系统相比，激光雷达和视觉集成的车道检测系统，在阴影和照明变化条件下具有更高的准确性和稳定性。Shin等人 [41] 提出了一种使用摄像机和激光雷达的车道检测系统，其算法包括地面道路提取、具有多模式数据的车道检测，以及车道信息的组合。其所提出的方法，在实际的实验中显示出很高的检测精度性能（高达90%的精度）。尽管基于摄像头和激光雷达的检测方法可以应对弯曲的车道、阴影以及照明变化的问题，但是需要对多模式传感器进行复杂的共同校准。Amaradi等人 [42] 提出了一种使用摄像机和激光雷达的行车跟踪与障碍物检测系统，该系统通过霍夫变换检测车道，激光雷达则用于检测障碍物，并测量车辆本身与前方障碍物之间的距离，以规划无障碍驾驶区域。在论文 [43] 中，使用了一种由多台摄像机和激光雷达组成的融合系统，用于检测城市地区的车道标记。据报道，在DARPA城市挑战赛的最后阶段，测试车辆是唯一使用基于视觉的车道检测算法的车辆。该系统检测到多个车道，然后估算和跟踪中心线。该系统将激光雷达和摄像机校准进行组合，以检测道路涂料和路缘石，然后使用激光雷达，通过检测障碍物和可驾驶道路区域来降低误报率。
其他传感器，例如车辆CAN总线传感器和惯性测量单元（IMU），也通常用于构建完整的车辆感知系统。尽管基于激光雷达的车道检测系统可能比其他系统更精确，但是对于公共交通而言，其成本过高。因此，研究倾向于融合诸如GPS、数字地图和摄像机之类的传感器，这些传感器已用于商用车辆，来设计可靠的车道检测系统和驾驶辅助系统。