车辆动力学模型与车道线感知
1. 车辆动力学模型基础
我个人习惯把车辆动力学模型分成两类：运动学模型和动力学模型。运动学模型说白了就是忽略轮胎力，只考虑几何关系；动力学模型则得把轮胎侧偏刚度、横摆转动惯量这些都拉进来。你想想看，做Lane校准的时候，到底用哪种？
我曾在高速LKA项目里踩过一个坑——用了纯运动学模型，结果弯道稍微急一点，校准后的lane偏差就明显跳变。后来换成二自由度自行车模型，才把问题压住。
下面这张表是我常用的模型选型参考：
| 模型类型 | 适用场景 | 计算量 | 精度 |
|---|---|---|---|
| 运动学（Ackermann） | 低速泊车、曲率半径 > 100m | 低 | 一般 |
| 二自由度动力学 | 高速车道保持、中等弯道 | 中等 | 良好 |
| 七自由度非线性 | 极限工况、冰雪路面 | 高 | 优秀 |
2. 车道线感知技术
车道线感知，本质上是把摄像头图像里的白线（或黄线）变成数学模型里的多项式参数。常用的有三次多项式（cubic spline）和B样条。我记得第一次做这个模块时，满脑子都是边缘检测和霍夫变换，结果发现真实场景里阴影、磨损线才是大问题。
嗯，这里要注意：车道线感知的输出不能直接用原图坐标，必须做逆透视变换（IPM）把像素映射到车辆坐标系下。否则你拿到的lane curvature跟实际曲率差一个畸变因子。
我在项目中遇到过最头疼的问题是隧道出口的光晕——摄像头瞬间过曝，车道线直接消失。后来加了曝光自适应和短期记忆预测，才把这种情况兜住。
车道线感知关键步骤：
- 图像预处理： 灰度化、高斯滤波、局部自适应阈值
- 特征提取： 边缘检测 + 颜色空间过滤（HSL/HSV）
- 拟合： 滑动窗口 + 二次/三次多项式拟合
- 置信度评估： 点云残差、连续帧一致性
- 时间滤波： 卡尔曼或粒子滤波平滑
3. 模型与感知的融合
为什么要把动力学模型和车道线感知放在一起讲？因为单独的感知有时候不可靠——比如雨天反光、路面施工临时标线。而单独的动力学模型又缺少实际环境约束。我建议的做法是：用车辆动力学模型做 预测，用车道线感知做 观测，再用卡尔曼滤波做状态估计。
下面的流程图能帮你理清整个融合框架：
核心思路：让动力学模型做“动”的预测，让视觉感知做“静”的约束，两者通过卡尔曼滤波拧成一股绳。这样做出来的lane校准结果，既不会因为感知偶尔丢帧而突变，也不会因为模型误差而偏航。
下面是一个简化的卡尔曼滤波更新示例（Python伪代码）：
import numpy as np
# 状态：[横向偏移, 航向角, 曲率]
x = np.array([0.0, 0.0, 0.0])
P = np.eye(3) * 0.1
# 状态转移矩阵（基于自行车模型）
F = np.array([
[1, dt, 0.5*dt**2],
[0, 1, dt],
[0, 0, 1]
])
# 观测矩阵（从感知得到车道线多项式系数）
H = np.array([
[1, 0, 0],
[0, 1, 0]
])
# 预测步
x_pred = F @ x
P_pred = F @ P @ F.T + Q
# 更新步（z 为感知观测值）
K = P_pred @ H.T @ np.linalg.inv(H @ P_pred @ H.T + R)
x = x_pred + K @ (z - H @ x_pred)
P = (np.eye(3) - K @ H) @ P_pred
4. 实践中的避坑指南
- 我曾经遇到过轮胎侧偏刚度随胎压变化的问题，导致动力学模型预测偏差。后来加了在线参数辨识，每500帧重新标定一次。
- 我曾经在车道线虚线密集段，感知输出频繁跳变。解决办法是在卡尔曼更新前增加一个“观测一致性检验”——如果新测量值与预测值偏差超过3σ，直接抛弃。
- 我曾经忽略了车辆横摆角速度的零点漂移，导致校准后的车道逐渐偏离。嗯，这个问题的根源是IMU未做温漂补偿。后来在初始化阶段加了一段静止时的偏置估计。
说白了，模型和感知的融合就是个“取长补短”的过程。动力学模型提供连续稳定的趋势，车道线感知提供位置约束。你想想看，如果单用谁，都会在某个工况下露出破绽。