4. 环境感知与车道线识别

车道保持与横向控制的第一步，是把“车在哪里、路往哪走”变成控制器可用的数字量。环境感知链路通常由摄像头标定、车道线检测、曲线拟合、质量评估和多传感器融合五段组成。任何一段失真，都会在横向控制中表现为画龙、贴边或误退出。本章围绕这条链路，讲清每段的工程要点与常见陷阱。

一、摄像头标定：把像素映射到路面

摄像头标定分内参和外参。内参描述焦距、主点、畸变，决定像素坐标与归一化成像平面的关系；外参描述相机相对车体（通常以后轴中心为原点）的安装位置与姿态，决定图像点如何投影到地面。商用车车头长、相机安装高，俯仰角对纵向距离估计极其敏感，1°的俯仰误差在 30 m 处可带来约 0.5 m 的纵向偏差。

工程上常用张正友棋盘格法求内参，用地面标定布或车道线平行性约束求外参。标定结果以参数文件形式固化，并随车下线写入。由于载重、悬架高度变化会改变俯仰，量产车通常还需在线俯仰自校准。

# 标定参数示例（相机内参 + 外参）
fx=1268.4  fy=1267.9  cx=964.2  cy=541.7
k1=-0.312  k2=0.108  p1=0.0004  p2=-0.0002
pitch=1.85deg  yaw=0.12deg  roll=-0.08deg
height=1.42m   cam_x=2.35m  cam_y=0.0m

二、车道线检测：从像素到候选点

检测阶段的目标是在图像中找出属于车道线的像素，并输出结构化候选点。主流方法有三类：基于边缘与颜色的传统方法（Canny + Hough、逆透视变换 IPM 后做滑动窗）、基于语义分割的深度学习方法（输出车道线概率图），以及实例分割/关键点回归方法。商用车视野中常出现大车遮挡、路面反光、施工改道，纯几何方法鲁棒性不足，量产方案多以分割网络为主干。

检测输出通常不是单像素，而是按行采样的横向位置序列，例如每 8 像素一行，得到一组 (u, v) 点。这些点随后进入拟合环节。检测阶段要特别关注感兴趣区域（ROI）设置：ROI 过高会漏掉近处弯道，过低会把对向车道和路肩纳入。

三、曲线拟合：把散点变成可微的轨迹

横向控制需要连续、可导的车道线方程。常用模型是三次多项式：在车体坐标系下，x 为纵向距离，y 为横向偏移，y = c0 + c1·x + c2·x² + c3·x³。其中 c0 是当前横向偏移，c1 是航向角，c2 与曲率相关，c3 描述曲率变化率。拟合常用最小二乘或 RANSAC，后者对离群点更稳健。

拟合前一般先做逆透视变换，把图像投影到俯视路面，使车道线近似平行，降低拟合难度。拟合后要检查残差，残差过大说明候选点混入了非车道线像素。

四、车道线质量评估：决定“敢不敢用”

检测到车道线不等于可以用于控制。质量评估模块要回答三个问题：这条线可信吗？它有多长？它是否连续？常用指标包括分割置信度均值、拟合残差、有效点数量、历史帧连续性、与上一帧预测的偏差。工程上会把这些指标加权成一个 0~1 的可用性分数，并设置分级策略。

五、多传感器融合感知：互补与冗余

视觉擅长识别车道线类型和颜色，但受光照、遮挡影响大；毫米波雷达对金属目标稳定，但无法直接给出车道线；高精地图提供先验曲率和车道拓扑，但依赖定位精度和地图鲜度。融合的目标是让三者在不同工况下互补。

典型融合架构分前融合与后融合。后融合在目标级做卡尔曼滤波或协方差加权，工程落地快；前融合在特征级或 BEV 空间做统一表征，信息损失小但对算力和同步要求高。商用车横向控制中，常用做法是：视觉输出车道线多项式，地图输出先验曲率，雷达输出前方目标横向位置，三者通过扩展卡尔曼滤波估计车道中心线相对车辆的横向偏移与航向误差。

六、场景复盘：一次弯道画龙的分析

某牵引车在高速缓弯出现周期性画龙。回放数据发现：拟合残差在弯道外侧突然增大，质量分数从 0.85 掉到 0.55，但控制模块未及时降级，仍按旧多项式外推。根因是 ROI 在弯道处截断了远端车道线，导致 c2 估计偏小。整改措施包括：弯道自适应扩大 ROI、引入地图先验曲率做约束、把质量分数接入控制仲裁。整改后画龙消失，横向误差标准差从 0.18 m 降到 0.06 m。

这条链路的工程原则可以概括为：标定要准，检测要稳，拟合要可微，评估要敢降级，融合要互补。任何一环只追求“看起来能用”，都会在真实道路上暴露问题。