一种车道保持控制方法、装置、设备及可读存储介质与流程

1.本技术涉及汽车智能驾驶技术领域，特别涉及一种车道保持控制方法、装置、设备及可读存储介质。


背景技术：

2.在当前的智能驾驶领域里，实现车辆无人驾驶功能的主流方案是使用多种传感器感知环境信息，对多传感器信息进行数据融合，最后根据融合信息进行道路规划以及车身运动控制。其中，lka(lane keepingassist，车道保持辅助)就是一种用于辅助驾驶员将车辆保持在车道线内行驶的技术，其是一项在ldw(lane departure warning，车道偏离预警系统)功能上发展而来的横向运动控制adas(advanced drivingassistance system，高级驾驶辅助系统)功能。
3.其中，lka主要是通过使用一个摄像头来识别车道的边界线，并基于是否识别出车辆所在的车道边界线来控制车道保持系统的启闭；当摄像头根据边界线识别到车子偏离方向时，仪表盘显示对应的白线变成红色，方向盘会发出震动以提醒驾驶人员，同时会自动调整方向盘修正方向回到车道内，即当汽车距离偏离侧车道线小于一定阈值或已经有车轮偏离出车道线时，电子控制单元计算出辅助操舵力和减速度，根据偏离的程度控制转向盘和制动器的操纵模块，施加操舵力和制动力使汽车稳定地回到正常轨道；但是，若驾驶员打开转向灯，正常进行变线行驶，则系统不会做出任何提示。
4.由此可见，当前的lka更多的是基于摄像头等视觉传感器来辅助实现车辆的横向运动控制。不过，由于车辆控制信号的发送周期一般是10-20ms，而视觉传感器信号的发送周期一般均大于控制周期，即约在50-100ms，以致在某些控制周期里无法接收到实时的视觉传感器信号，进而使得无法稳定和准确地控制车辆的横向运动。因此，在未接收到感知信号输入的时刻，如何保证lka运动控制的稳定性和准确性是当前亟需解决的问题。


技术实现要素：

5.本技术提供一种车道保持控制方法、装置、设备及可读存储介质，以解决相关技术中无法有效保证lka运动控制的稳定性和准确性的问题。
6.第一方面，提供了一种车道保持控制方法，包括以下步骤：
7.检测是否接收到imu信号和/或摄像头信号；
8.当未接收到imu信号和摄像头信号时，通过卡尔曼滤波算法并基于时间性质对imu的状态量预测值和误差协方差预测值以及摄像头的状态量预测值和误差协方差预测值进行更新；
9.基于多层卡尔曼滤波数据融合算法对更新后的imu的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标；
10.将所述融合目标作为观测量输入至车辆横向误差动力学模型，并基于线性二次型
调节器对所述车辆横向误差动力学模型进行求解，得到lka的输入控制量。
11.一些实施例中，在所述检测是否接收到imu信号和摄像头信号的步骤之前，还包括：
12.基于车辆质心的力学平衡状态方程和车身绕z轴转动的力矩平衡状态方程确定出车辆横向动力学模型；
13.将车辆质心到车道线中心线之间的横向位置偏差和航向角偏差输入至所述车辆横向动力学模型，生成车辆横向误差动力学模型。
14.一些实施例中，所述车辆横向误差动力学模型的状态空间方程为：
[0015][0016]
其中，e1表示车辆质心到车道线中心线之间的实际横向位移与期望位移之间的横向位置偏差，表示对横向位置偏差的一阶导数，e2表示实际航向角与期望航向角之间的航向角偏差，表示对航向角偏差的一阶导数，v
x
表示车辆质心沿x轴的纵向速度，m表示整车质量，表示车辆质心绕旋转中心转动的横摆角速度，c
af
表示车辆前轴侧偏刚度，c
ar
表示车辆后轴侧偏刚度，lf表示车辆前轴到整车质心的距离，lr表示车辆后轴到整车质心的距离，δ表示前轮车轮转角，iz表示整车的转动惯量。
[0017]
一些实施例中，所述多层卡尔曼滤波数据融合算法包括第一层数据融合算法和第二层数据融合算法。
[0018]
一些实施例中，所述基于多层卡尔曼滤波数据融合算法对更新后的imu的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标，包括：
[0019]
基于第一层数据融合算法对所述更新后的imu的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到各个传感器间的互相关协方差矩阵；
[0020]
基于第二层数据融合算法对所述各个传感器间的互相关协方差矩阵、更新后的imu的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标，所述融合目标包括系统状态量和误差协方差矩阵。
[0021]
一些实施例中，在所述检测是否接收到imu信号和/或摄像头信号的步骤之后，还包括：
[0022]
当接收到imu信号和摄像头信号时，通过卡尔曼滤波算法并基于时间性质和测量性质更新imu的状态量测量值和误差协方差测量值以及更新摄像头的状态量测量值和误差协方差测量值；
[0023]
基于多层卡尔曼滤波数据融合算法对更新后的imu的状态量测量值和误差协方差
测量值以及更新后的摄像头的状态量测量值和误差协方差测量值进行数据融合，得到融合目标。
[0024]
一些实施例中，在所述检测是否接收到imu信号和/或摄像头信号的步骤之后，还包括：
[0025]
当接收到imu信号且未接收到摄像头信号时，通过卡尔曼滤波算法并基于时间性质和测量性质更新imu的状态量测量值和误差协方差测量值，且基于时间性质更新摄像头的状态量预测值和误差协方差预测值；
[0026]
基于多层卡尔曼滤波数据融合算法对更新后的imu的状态量测量值和误差协方差测量值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标；
[0027]
当未接收到imu信号且接收到摄像头信号时，通过卡尔曼滤波算法并基于时间性质更新imu的状态量预测值和误差协方差预测值，且基于时间性质和测量性质更新摄像头的状态量测量值和误差协方差测量值；
[0028]
基于多层卡尔曼滤波数据融合算法对更新后的imu的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量测量值和误差协方差测量值进行数据融合，得到融合目标。
[0029]
第二方面，提供了一种车道保持控制装置，包括：
[0030]
检测单元，其用于检测是否接收到imu信号和/或摄像头信号；
[0031]
更新单元，其用于当未接收到imu信号和摄像头信号时，通过卡尔曼滤波算法并基于时间性质对imu的状态量预测值和误差协方差预测值以及摄像头的状态量预测值和误差协方差预测值进行更新；
[0032]
融合单元，其用于基于多层卡尔曼滤波数据融合算法对更新后的imu的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标；
[0033]
计算单元，其用于将所述融合目标作为观测量输入至车辆横向误差动力学模型，并基于线性二次型调节器对所述车辆横向误差动力学模型进行求解，得到lka的输入控制量。
[0034]
第三方面，提供了一种车道保持控制设备，包括：存储器和处理器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现前述的车道保持控制方法。
[0035]
第四方面，提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，当所述计算机程序被处理器执行时，以实现前述的车道保持控制方法。
[0036]
本技术提供的技术方案带来的有益效果包括：可有效保证lka运动控制的稳定性和准确性。
[0037]
本技术提供了一种车道保持控制方法、装置、设备及可读存储介质，针对无法同时接收到imu信号和摄像头信号的场景，本技术基于卡尔曼滤波算法的时间性质对imu和摄像头的状态量预测值和误差协方差预测值进行更新，并使用多层卡尔曼滤波数据融合算法对更新后的状态量预测值和误差协方差预测值进行数据融合，并将融合目标作为观测量输入到车辆横向误差动力学模型，且使用线性二次型调节器求解误差动力学模型得到准确的
lka的输入控制量，以使得lka基于该输入控制量可更为稳定和准确的实现车道保持运动控制。
附图说明
[0038]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]
图1为本技术实施例提供的一种车道保持控制方法的流程示意图；
[0040]
图2为本技术实施例提供的两层卡尔曼滤波数据融合算法流程示意图；
[0041]
图3为本技术实施例提供的一种车道保持控制装置的结构示意图；
[0042]
图4为本技术实施例提供的一种车道保持控制设备的结构示意图。
具体实施方式
[0043]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0044]
本技术实施例提供了一种车道保持控制方法、装置、设备及可读存储介质，其能解决相关技术中无法有效保证lka运动控制的稳定性和准确性的问题。
[0045]
图1是本技术实施例提供的一种车道保持控制方法，包括以下步骤：
[0046]
步骤s10：检测是否接收到imu(inertial measurement unit，惯性测量单元/惯性传感器)信号和/或摄像头信号；
[0047]
进一步的，在所述检测是否接收到imu信号和摄像头信号的步骤之前，还包括：
[0048]
基于车辆质心的力学平衡状态方程和车身绕z轴转动的力矩平衡状态方程确定出车辆横向动力学模型；
[0049]
将车辆质心到车道线中心线之间的横向位置偏差和航向角偏差输入至所述车辆横向动力学模型，生成车辆横向误差动力学模型。
[0050]
进一步的，所述车辆横向误差动力学模型的状态空间方程为：
[0051][0052]
其中，e1表示车辆质心到车道线中心线之间的实际横向位移与期望位移之间的横向位置偏差，表示对横向位置偏差的一阶导数，e2表示实际航向角与期望航向角之间的
航向角偏差，表示对航向角偏差的一阶导数，v
x
表示车辆质心沿x轴的纵向速度，m表示整车质量，表示车辆质心绕旋转中心转动的横摆角速度，c
af
表示车辆前轴侧偏刚度，c
ar
表示车辆后轴侧偏刚度，lf表示车辆前轴到整车质心的距离，lr表示车辆后轴到整车质心的距离，δ表示前轮车轮转角，iz表示整车的转动惯量。
[0053]
示范性的，本实施例中，假设车辆为刚体，行驶平面水平，车辆转向方式为前轮转向，纵向速度v
x
恒定，则车辆横向误差动力学模型的创建过程如下：
[0054]
对车辆质心的力学平衡状态进行分析可得：
[0055][0056]
其中，m表示整车质量，v
x
表示质心沿x轴的纵向速度，表示质心绕旋转中心转动的横摆角速度，分别表示质心沿y轴的横向线速度、横向线加速度，lf、lr分别表示车辆前、后轴到整车质心的距离，c
af
、c
ar
分别表示车辆前、后轴侧偏刚度，δ表示前轮车轮转角。
[0057]
再对车辆前、后车身绕z轴转动的力矩平衡状态进行分析可得：
[0058][0059]
其中，iz表示整车的转动惯量，表示质心绕旋转中心转动的横摆角加速度。
[0060]
根据式(1)和式(2)，可以得到车辆横向动力学模型的状态空间方程为：
[0061][0062]
其中，y表示质心的实际横向位移，ψ表示车轴与车道线切线之间的实际航向角。
[0063]
当车辆在进行横向运动控制时，可将偏差信号ey和e
ψ
分别对应作为系统状态量e1和e2，其中，ey表示车辆质心到车道线中心线之间的实际横向位移y与期望位移y
des
之间的横向位置偏差，e
ψ
表示实际航向角ψ与期望航向角ψ
des
之间的航向角偏差，即：
[0064][0065]
使用偏差信号作为车辆横向动力学模型的系统状态量，即可获得车辆横向误差动力学模型的状态空间方程为：
[0066][0067]
其中，上述涉及到的时变参数来源于摄像头单元、惯性测量单元和整车can(controllerareanetwork，控制器局域网络)网络，具体的，横向线速度横向线加速度和横摆角速度通过摄像头单元采集得到；横摆角加速度通过惯性测量单元采集得到；纵向速度v
x
和前轮车轮转角δ通过整车can网络采集得到。由此可见，通过惯性测量单元采集横摆角速度信号和横向线加速度信号，不需要对时间进行积分，无累积误差，以使得测量精度较高；同时，通过整车can网络和智能车传感器获得系统输入信号，无需加装额外设备，易于部署。
[0068]
由于车辆控制信号的发送周期一般是10-20ms，而摄像头信号的发送周期一般均大于控制周期，即约在50-100ms，以致在某些控制周期里无法接收到实时的视觉传感器信号，因此，本实施例在进行车道保持控制之前会检测是否接收到imu信号和/或摄像头信号。
[0069]
步骤s20：当未接收到imu信号和摄像头信号时，通过卡尔曼滤波算法并基于时间性质对imu的状态量预测值和误差协方差预测值以及摄像头的状态量预测值和误差协方差预测值进行更新；
[0070]
进一步的，在所述检测是否接收到imu信号和/或摄像头信号的步骤之后，还包括：
[0071]
当接收到imu信号和摄像头信号时，通过卡尔曼滤波算法并基于时间性质和测量性质更新imu的状态量测量值和误差协方差测量值以及更新摄像头的状态量测量值和误差协方差测量值；
[0072]
基于多层卡尔曼滤波数据融合算法对更新后的imu的状态量测量值和误差协方差测量值以及更新后的摄像头的状态量测量值和误差协方差测量值进行数据融合，得到融合目标。
[0073]
进一步的，在所述检测是否接收到imu信号和/或摄像头信号的步骤之后，还包括：
[0074]
当接收到imu信号且未接收到摄像头信号时，通过卡尔曼滤波算法并基于时间性质和测量性质更新imu的状态量测量值和误差协方差测量值，且基于时间性质更新摄像头的状态量预测值和误差协方差预测值；
[0075]
基于多层卡尔曼滤波数据融合算法对更新后的imu的状态量测量值和误差协方差测量值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标；
[0076]
当未接收到imu信号且接收到摄像头信号时，通过卡尔曼滤波算法并基于时间性质更新imu的状态量预测值和误差协方差预测值，且基于时间性质和测量性质更新摄像头的状态量测量值和误差协方差测量值；
[0077]
基于多层卡尔曼滤波数据融合算法对更新后的imu的状态量预测值和误差协方差
预测值以及更新后的摄像头的状态量测量值和误差协方差测量值进行数据融合，得到融合目标。
[0078]
步骤s30：基于多层卡尔曼滤波数据融合算法对更新后的imu的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标；
[0079]
进一步的，所述多层卡尔曼滤波数据融合算法包括第一层数据融合算法和第二层数据融合算法。
[0080]
进一步的，所述基于多层卡尔曼滤波数据融合算法对更新后的imu的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标，包括：
[0081]
基于第一层数据融合算法对所述更新后的imu的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到各个传感器间的互相关协方差矩阵；
[0082]
基于第二层数据融合算法对所述各个传感器间的互相关协方差矩阵、更新后的imu的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标，所述融合目标包括系统状态量和误差协方差矩阵。
[0083]
示范性的，参见图2所示，分别对imu和摄像头单元是否有信号输出进行检测，以imu为例，当检测到imu信号时，先判断imu信号是否通过检验，若是，则通过卡尔曼滤波算法并基于时间性质和测量性质更新imu的状态量测量值和误差协方差测量值；当未检测到imu信号或imu信号未通过检验，则通过卡尔曼滤波算法并基于时间性质更新imu的状态量预测值和误差协方差预测值。再以摄像头单元为例，当检测到摄像头信号时，先判断摄像头信号是否通过检验，若是，则通过卡尔曼滤波算法并基于时间性质和测量性质更新摄像头的状态量测量值和误差协方差测量值；当未检测到摄像头信号或摄像头信号未通过检验，则通过卡尔曼滤波算法并基于时间性质更新摄像头的状态量预测值和误差协方差预测值。
[0084]
然后再基于第一层数据融合算法对更新后的状态量预测值、误差协方差预测值、状态量测量值和误差协方差测量值进行数据融合，得到各个传感器间的互相关协方差矩阵；最后基于第二层数据融合算法对各个传感器间的互相关协方差矩阵、更新后的状态量预测值、误差协方差预测值、状态量测量值和误差协方差测量值进行数据融合，得到系统状态量和误差协方差矩阵。
[0085]
具体的，经典卡尔曼滤波算法适用于测量过程可以用状态方程和输出方程描述的线性系统，其状态方程和输出方程的形式为：
[0086][0087]
其中，a、b和c分别为常数矩阵，x(t)、u(t)和y(t)分别对应表示t时刻的系统状态、系统输入和系统输出，w(t)表示过程噪声，z(t)表示测量噪声。
[0088]
经典卡尔曼滤波算法的更新方程为：
[0089][0090]
其中，p-(t+1)分别表示t+1时刻系统状态的预测值、误差协方差的预测值，p(t)分别表示t时刻系统状态的状态估计值、误差协方差的状态估计值，k(t+1)表示t+1时刻的卡尔曼系数，in表示单位阵，q表示过程噪声的方差，r表示测量噪声的方差。
[0091]
互相关协方差矩阵的计算公式为：
[0092][0093]
其中，p
ij
(t)、p
ij
(t+1)分别表示传感器i与传感器j在t时刻、t+1时刻的相关系数矩阵，ki(t+1)、kj(t+1)分别表示传感器i、传感器j在t+1时刻的卡尔曼系数。
[0094]
系统状态量和误差协方差矩阵的计算公式为：
[0095][0096]
其中，f＝[f1,f2,...,f
l
]
t
，fi(i＝1,2,...,l)表示第l个传感器的融合系数，in＝[i
n1
,i
n2
,...,i
nl
]
t
，i
nl
表示第l个传感器的单位阵，和po分别表示系统状态量和误差协方差矩阵，表示第l个传感器的系统状态量，p
ij-1
表示传感器i与传感器j的预测相关系数矩阵。
[0097]
由此可见，通过式(7)至式(9)对imu信号和摄像头信号进行数据融合，即可得到imu与摄像头融合后的系统状态信息。
[0098]
步骤s40：将所述融合目标作为观测量输入至车辆横向误差动力学模型，并基于线性二次型调节器对所述车辆横向误差动力学模型进行求解，得到lka的输入控制量。
[0099]
示范性的，本实施例中，将式(5)表示的车辆横向误差动力学模型按照系统状态量信号的来源分解为以下两个状态空间方程：
[0100]
[0101][0102]
则式(5-1)和式(5-2)可以表示为：
[0103][0104]
由此可见，式(10)的形式符合式(6)的输出方程形式。
[0105]
然后对式(10)做离散化，即可得到：
[0106]
xe(t+1)＝(tae(t)+i)xe(t)+tbe(t)ue(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0107]
由此可见，式(11)的形式符合式(6)的状态方程形式，因此，将步骤s30中得到的系统状态量和误差协方差矩阵作为观测量输入至车辆横向误差动力学模型(即式(10)和式(11))，并基于lqr(linear quadratic regulator，线性二次型调节器)对所述车辆横向误差动力学模型进行求解，得到lka的输入控制量。
[0108]
针对无法同时接收到imu信号和摄像头信号的场景，本技术基于经典卡尔曼滤波算法的时间性质对imu和摄像头的状态量预测值和误差协方差预测值进行更新，并使用多层卡尔曼滤波数据融合算法对更新后的状态量预测值和误差协方差预测值进行数据融合，并将融合目标作为观测量输入到车辆横向误差动力学模型，且使用线性二次型调节器求解误差动力学模型得到准确的lka的输入控制量，以使得lka基于该输入控制量可更为稳定和准确的实现车道保持运动控制。其中，使用两层卡尔曼滤波数据融合算法对imu信号和摄像头信号进行数据融合，可保证在传感器信号缺失或信号未通过检验时，依然能够更新系统状态量和误差协方差矩阵，完成多传感器信息融合。
[0109]
参见图3所示，本技术实施例还提供了一种车道保持控制装置，包括：
[0110]
检测单元，其用于检测是否接收到imu信号和/或摄像头信号；
[0111]
更新单元，其用于当未接收到imu信号和摄像头信号时，通过卡尔曼滤波算法并基于时间性质对imu的状态量预测值和误差协方差预测值以及摄像头的状态量预测值和误差协方差预测值进行更新；
[0112]
融合单元，其用于基于多层卡尔曼滤波数据融合算法对更新后的imu的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标；
[0113]
计算单元，其用于将所述融合目标作为观测量输入至车辆横向误差动力学模型，并基于线性二次型调节器对所述车辆横向误差动力学模型进行求解，得到lka的输入控制量。
[0114]
进一步的，所示装置还包括构建单元，其用于：
[0115]
基于车辆质心的力学平衡状态方程和车身绕z轴转动的力矩平衡状态方程确定出车辆横向动力学模型；
[0116]
将车辆质心到车道线中心线之间的横向位置偏差和航向角偏差输入至所述车辆横向动力学模型，生成车辆横向误差动力学模型。
[0117]
所述车辆横向误差动力学模型的状态空间方程为：
[0118][0119]
其中，e1表示车辆质心到车道线中心线之间的实际横向位移与期望位移之间的横向位置偏差，表示对横向位置偏差的一阶导数，e2表示实际航向角与期望航向角之间的航向角偏差，表示对航向角偏差的一阶导数，v
x
表示车辆质心沿x轴的纵向速度，m表示整车质量，表示车辆质心绕旋转中心转动的横摆角速度，c
af
表示车辆前轴侧偏刚度，c
ar
表示车辆后轴侧偏刚度，lf表示车辆前轴到整车质心的距离，lr表示车辆后轴到整车质心的距离，δ表示前轮车轮转角，iz表示整车的转动惯量。
[0120]
进一步的，所述多层卡尔曼滤波数据融合算法包括第一层数据融合算法和第二层数据融合算法。
[0121]
进一步的，所述融合单元具体用于：
[0122]
基于第一层数据融合算法对所述更新后的imu的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到各个传感器间的互相关协方差矩阵；
[0123]
基于第二层数据融合算法对所述各个传感器间的互相关协方差矩阵、更新后的imu的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标，所述融合目标包括系统状态量和误差协方差矩阵。
[0124]
进一步的，所述更新单元还用于：当接收到imu信号和摄像头信号时，通过卡尔曼滤波算法并基于时间性质和测量性质更新imu的状态量测量值和误差协方差测量值以及更新摄像头的状态量测量值和误差协方差测量值；所述融合单元还用于：基于多层卡尔曼滤波数据融合算法对更新后的imu的状态量测量值和误差协方差测量值以及更新后的摄像头的状态量测量值和误差协方差测量值进行数据融合，得到融合目标。
[0125]
进一步的，当接收到imu信号且未接收到摄像头信号时，所述更新单元还用于：通过卡尔曼滤波算法并基于时间性质和测量性质更新imu的状态量测量值和误差协方差测量值，且基于时间性质更新摄像头的状态量预测值和误差协方差预测值；所述融合单元还用于：基于多层卡尔曼滤波数据融合算法对更新后的imu的状态量测量值和误差协方差测量值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标；
[0126]
当未接收到imu信号且接收到摄像头信号时，所述更新单元还用于：通过卡尔曼滤波算法并基于时间性质更新imu的状态量预测值和误差协方差预测值，且基于时间性质和测量性质更新摄像头的状态量测量值和误差协方差测量值；所述融合单元还用于：基于多层卡尔曼滤波数据融合算法对更新后的imu的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量测量值和误差协方差测量值进行数据融合，得到融合目标。
[0127]
本技术实施例使用两层卡尔曼滤波数据融合算法对imu信号和摄像头信号进行数据融合，融合信号作为观测量输入到车辆横向误差动力学模型，并使用lqr求解车辆横向误差动力学模型得到系统输入的控制量，实现车辆的lka车道保持。
[0128]
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各单元的具体工作过程，可以参考前述车道保持控制方法实施例中的对应过程，在此不再赘述。
[0129]
上述实施例提供的车道保持控制装置可以实现为一种计算机程序的形式，该计算机程序可以在如图4所示的车道保持控制设备上运行。
[0130]
本技术实施例还提供了一种车道保持控制设备，包括：通过系统总线连接的存储器、处理器和网络接口，存储器中存储有至少一条指令，至少一条指令由处理器加载并执行，以实现前述的车道保持控制方法的全部步骤或部分步骤。
[0131]
其中，网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0132]
处理器可以是cpu，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程逻辑门阵列(fieldprogrammable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件分立硬件组件等。通用处理器可以是微处理器，或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
[0133]
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如视频播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如视频数据、图像数据等)等。此外，存储器可以包括高速随存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(smart mediacard，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)、至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。
[0134]
本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现前述的车道保持控制方法的全部步骤或部分步骤。
[0135]
本技术实施例实现前述的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccess memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司
法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0136]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、服务器或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0137]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0138]
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0139]
以上所述仅是本技术的具体实施方式，使本领域技术人员能够理解或实现本技术。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。