本发明公开了基于机器视觉导航的无人划线车在线寻优控制方法及系统，属于系统控制领域，本发明基于机器视觉导航的无人划线车在线寻优控制方法包括以下步骤：采集路面的水线图像；进行水线检测，获取水线；基于检测出的水线，选择车辆当前位置的监测点，计算车辆的运行偏差与运行偏差变化率，选择车辆预测位置的监测点，计算车辆的预测运行偏差及预测偏差变化率；根据车辆的预测运行偏差和预测偏差变化率进行设计非线性增量PID控制；对区域内的非线性PID控制增量的参数进行学习；本申请实现了划线车的机器视觉实时导航，根据跟踪误差与误差变化率设计前馈控制器与非线性增量PID控制器，实现基于机器视觉导航的划线车路径跟踪控制。
基于机器视觉导航的无人划线车在线寻优控制方法及系统
技术领域
[0001] 本发明属于系统控制领域，尤其涉及一种基于机器视觉导航的无人划线车在线寻优控制方法及系统。
背景技术
[0002] 在高速公路标线施工过程中，一般是先在路面上人工画出一条水线，现有方法一般是人工沿水线进行施工。该系统是采用机器视觉技术，由计算机自动识别水线，进而控制划线设备沿水线进行划线施工，即基于机器视觉的导航施工，施工示意图如图1所示。
[0003] 现有系统基于机器视觉导航的划线车控制存在如下问题：
[0004] 现有的较先进的图像处理方法耗时较长，难以满足划线车的实时控制，且只关心每个像素的灰度值，难以统筹前景与背景信息；
[0005] 现有的基于模型的控制的方法并不适用，因为划线车结构过于复杂，精确的运动模型难以获得，无法采用基于模型的方法设计划线车的控制律；
[0006] 车辆导航采用图像导航的方式，只能知道施工车辆偏离规划路线的程度，难以给出准确的车辆全局坐标，而车辆的建模一般给出的输出为车辆的位置信息；
[0007] 针对该类问题，一般采用无模型的控制方法，如PID控制，模糊控制等，但是，该类方法太过依赖人工经验，且难以对其进行优化，大部分的优化方法均需要精确的被控对象的模型。
发明内容
[0008] 为解决现有技术问题，本发明公开了一种基于机器视觉导航的无人划线车在线寻优控制方法，实现了划线车的机器视觉实时导航，根据跟踪误差与误差变化率设计了前馈控制器与非线性PID控制器，并设计了非线性PID控制器参数的在线学习方法，实现了基于机器视觉导航的划线车路径跟踪控制。
[0009] 本发明采用方案为：
[0010] 基于机器视觉导航的无人划线车在线寻优控制方法，包括以下步骤：
[0011] S1，采集路面的水线图像；
[0012] S2，基于水线图像，进行水线检测，获取水线；
[0013] S3，基于检测出的水线，选择车辆当前位置的监测点，计算车辆的运行偏差 与运行偏差变化率 ，选择车辆预测位置的监测点，计算车辆的预测运行偏差 及预测偏差变化率 ；
[0014] S4，根据车辆的预测运行偏差 和预测偏差变化率 获得预测前馈控制量，基于车辆的运行偏差 与运行偏差变化率 获得车辆的增量式非线性PID控制律 ；
[0015] S5，对区域内的非线性PID控制增量 中的参数 、 、 进行在线学习。
[0016] 步骤S2具体包括以下步骤：
[0017] S201，对水线图像上的像素点 进行灰度拉伸，拉伸公式为式（1）：
[0018]
[0019] 其中， ， ，为拉伸因子， ，表示图像第 行第 列； 表示第 行第 列像素点的灰度值；水线图像灰度拉伸后，选取 个类HARR特征；
[0020] S202，针对第 个类HARR特征 ，计算方法为式（2）：
[0021] （2）
[0022] 其中， 为第 个类HARR特征水线区域的像素和， 为第 个类HARR特征路面区域的像素和， 、 基于拉伸后的灰度图像的灰度值 计算获得；
[0023] 得到每个像素点的类HARR特征描述后，对每个类HARR特征进行归一化，归一化公式为式（3）：
[0024]
[0025] 其中， ， 为归一化后的HARR特征， ， 分别是检测窗口中灰度均值与灰度平方的均值；
[0026] 基于归一化的类HARR特征，构造出像素点 的特征向量 ：
[0027]
[0028] S203，对每个像素点 的特征向量 进行识别，判断像素点 的特征向量是否符合直线特征，若是符合直线特征，则对该像素点置1，否则置0，实现对灰度图像的二值化，得到二值图像B；
[0029] 对二值化图像B进行膨胀腐蚀处理，得到新的二值图像 ，采用公式（6）得到水线的边缘图像E：
[0030]
[0031] 表示新二值图像 的第 行第 列的像素值； 表示边缘图像E的第行第 列的像素值；
[0032] S204，采用HOUGH变换方法，识别边缘图像E中的直线：
[0033] 从新的二值图像 里找到像素值为1的像素的坐标为 ，由HOUGH变换得到 ，通过公式（7）得到 对应的直线表达式；
[0034]
[0035] 其中，和 分别为HOUGH变换检测到的半径和角度；
[0036] 一组 表示一个直线，给定一组 ，若 满足公式（7）表示 在公式（7）表示的直线上；
[0037] S205，剔除掉干扰直线；
[0038] 剔除掉干扰直线具体包括以下步骤：
[0039] S205‑1：选取若干条长度最长的直线，且长度满足阈值长度的直线；
[0040] S205‑2：前后两帧二值图像 检测到的直线参数 满足式（8）要求：
[0041]
[0042] 其中， ， 分别为 所能允许的最大偏离角度与半径，为连续性允许的阈值，为图像的采样时刻；
[0043] S205‑3：若经过S205‑1与S205‑2后仍有多于一条直线满足要求，则选择直线上像素均值最高的直线作为检测出的水线。
[0044] 步骤S3具体包括以下步骤：水线所在的边缘图像E的高度与宽度分别为H和 ；
[0045] 选择高度为y处的水平线与水线的交点作为车辆当前位置的监测点（ ，y），车辆的运行偏差 与运行偏差变化率 为：
[0046]
[0047] 其中，通过摄像机标定获得，表示每个像素代表的实际长度；
[0048] 选择高度为 处的水平线与水线的交点作为车辆预测位置的监测点（ ，），得到车辆的预测运行偏差 及预测偏差变化率 ：
[0049]
[0050] 其中，分布是边缘图像E的宽度。
[0051] S4具体包括以下步骤：
[0052] S401，根据车辆的预测运行偏差 和预测偏差变化率 ，计算车辆的前馈控制量 ：
[0053]
[0054] 为计算的前馈控制量，与 是预测控制的两个参数；
[0055] S402，在e‑ec平面非线性划分的区域，基于车辆的运行偏差 与运行偏差变化率获得车辆的增量式非线性PID控制律 ；
[0056] 步骤S402具体包括以下步骤：基于高斯函数构造误差e与误差变化率ec的非均匀划分方法，e‑ec平面以误差e为横轴，以误差变化率ec为纵轴；误差e和误差变化率ec指的是车辆的运行偏差 与运行偏差变化率 ；e‑ec平面划分采用非线性划分方法为：
[0057]
[0058] 当计算误差变化率ec的划分时， 是 ，当计算误差e的划分时， 是 ；和 分别是误差e和误差变化率ec绝对值的最大值，其中， 为误差e
或误差变化率ec的等均匀划分点，为映射后非均匀划分点，为非线性程度调整因子；
[0059] 对e‑ec平面进行非均匀划分后，划分区域集合记为 ；
[0060] 在每个划分的区域 内进行PID控制，非线性PID控制增量 为：
[0061]
[0062] 其中， 表示 时刻的区域 的非线性PID控制增量；
[0063] 表示采样时刻， 表示区域 内的比例系数， 表示比例，表示行，表示列；表示区域 内的积分系数， 表示区域 内的微分系数；
[0064] 基于所有区域 的非线性PID控制增量 ，计算非线性PID控制加权平均增量：
[0065]
[0066] 其中， 为区域 增量控制律权重， 为区域 的误差e和误差变化率ec的半径， 为区域 的中心；
[0067] 时刻增量式非线性PID控制律 为：
[0068]
[0069] 其中， 为增量因子，定义为下：
[0070]
[0071] 其中， 为增量因子最大值， 为偏移量；
[0072] ，用于描述偏差与偏差变化率偏离原点的程度， 为伸缩因子；
[0073] 该方法可以使不同误差e和误差变化率ec具有不同的增量因子。
[0074] 设计 ，是为了给出了误差e和误差变化率ec不同情况下的控制器增量因子，作用提高系统响应速度，减少寻优过程的复杂程度。
[0075] 步骤S5具体包括以下步骤：
[0076] 存在数对 在划分区域 内，则对区域 内的非线性PID控制增量中的参数 、 、 进行在线学习；
[0077] 采用有监督的Hebb学习规则对非线性PID控制增量 的参数进行学习：
[0078] （16）
[0079] 其中， 为区域 内的学习率，学习率 基于在线调整规则 进行调整：
[0080] (17)
[0081] 其中， 为区域 内的匹配系数，用于调整学习率范围， 为区域 内的两个权重系数。
[0082] 基于机器视觉导航的无人划线车在线寻优控制系统，包括视觉传感器、水线检测单元、运行误差预测单元、预测控制器、非线性增量PID控制器和在线学习规则单元；
[0083] 视觉传感器采集路面的水线图像；
[0084] 水线检测单元基于水线图像，进行水线检测，获取水线；
[0085] 运行误差预测单元基于检测出的水线，选择车辆当前位置的监测点，计算车辆的运行偏差 与运行偏差变化率 ，选择车辆预测位置的监测点，计算车辆的预测运行偏差 及预测偏差变化率 。
[0086] 预测控制器根据车辆的预测运行偏差 和预测偏差变化率 ，预测车辆的预测前馈控制量 ；
[0087] 非线性增量PID控制器在e‑ec平面非线性划分的区域，基于车辆的运行偏差 与运行偏差变化率 获得车辆的增量式非线性PID控制律 ；
[0088] 在线学习规则单元对区域内的非线性PID控制增量 的参数进行学习。
[0089] 水线检测单元工作过程具体包括以下步骤：
[0090] S201，对水线图像上的像素点 进行灰度拉伸，拉伸公式为式（1）：
[0091]
[0092] 其中， ， ，为拉伸因子， 表示图像第 行第 列； 表示第 行第 列像素点的灰度值；水线图像灰度拉伸后，选取 个类HARR特征对每个像素点的直线特征进行表述；
[0093] S202，针对第 个类HARR特征 ，其计算方法为式（2）：
[0094] （2）
[0095] 其中， 为第i个类HARR特征水线区域的像素和， 为第i个类HARR特征路面区域的像素和， 、 基于拉伸后的灰度图像的灰度值 计算获得；
[0096] 得到每个像素点的类HARR特征描述后，对每个类HARR特征进行归一化，归一化公式为式（3）：
[0097]
[0098] 其中， 为第 个归一化后的HARR特征， ， 分别是检测窗口中灰度均值与灰度平方的均值；
[0099] 基于归一化的类HARR特征，构造出像素点 的特征向量 ：
[0100]
[0101] S203，对每个像素点 的特征向量 进行识别，判断像素点 的特征向量是否符合直线特征，若是符合直线特征，则对该像素点置1，否则置0，实现对灰度图像的二值化，进而得到二值图像B；
[0102] 对二值化图像B进行膨胀腐蚀处理，得到新的二值图像 ，采用公式（6）得到水线的边缘图像E，
[0103]
[0104] 表示新二值图像 的第 行第 列的像素值； 表示边缘图像E的第行，列的像素值；
[0105] S204，采用HOUGH变换方法，识别边缘图像E中的直线：
[0106] 从新的二值图像 里找到像素值为1的像素的坐标为 ，由HOUGH变换得到 ，通过公式（7）得到 对应的直线表达式；
[0107]
[0108] 其中， 分别为HOUGH变换检测到的半径与角度；
[0109] 一组 表示一个直线，给定一组 ，若 满足公式（7）就表示 在公式（7）表示的直线上；
[0110] S205，剔除掉干扰直线；
[0111] 剔除掉干扰直线具体包括以下步骤：
[0112] S205‑1，选取若干条条长度最长且长度满足阈值长度的直线；
[0113] S205‑2，前后两帧二值图像 检测到的直线参数 满足式（8）：
[0114]
[0115] 其中， ， 分别为 所能允许的最大偏离角度与半径，为连续性允许的阈值，为图像的采样时刻；
[0116] S205‑3，若经过S205‑1与S205‑2后仍存在2条或者2条以上直线，选择直线上像素均值最高的直线作为检测出的水线。
[0117] 运行误差预测单元运行误差预测单元具体工作过程包括：水线所在的边缘图像E的高度与宽度分别为H和 ；选择高度为y处的水平线与水线的交点作为车辆当前位置的监测点（ ，y），计算车辆的运行偏差 与运行偏差变化率 为：
[0118]
[0119] 其中，通过摄像机标定获得，表示每个像素代表的实际长度；
[0120] 选择高度为 处水平线与水线的交点作为车辆预测位置的监测点（ ，），得到车辆的预测运行偏差 及预测偏差变化率 ：
[0121] (10)。
[0122] 预测控制器计算车辆的前馈控制量 为：
[0123]
[0124] 为预测控制器的前馈控制量， 与 是预测控制器的两个参数；
[0125] 非线性增量PID控制器在e‑ec平面非线性划分的区域，基于车辆的运行偏差 与运行偏差变化率 获得车辆的增量式非线性PID控制律 ；
[0126] 基于高斯函数构造误差e与误差变化率ec的非均匀划分方法，e‑ec平面以误差e为横轴，以误差变化率ec为纵轴；误差或误差变化率指的是车辆的运行偏差 与运行偏差变化率 ；
[0127] e‑ec平面非线性划分方法为：
[0128]
[0129] 当计算误差变化率ec的划分时， 是 ，当计算误差e的划分时， 是 ； ，分别是误差e与误差变化率ec绝对值的最大值，其中， 为误差e或误差变化率ec的等均匀划分点， 为映射后非均匀划分点， 为非线性程度调整因子。
[0130] 根据误差e与误差变化率ec的范围，对e‑ec平面进行非均匀划分，划分区域集合记为 ；
[0131] 在每个划分的区域 内通过非线性增量PID控制器进行PID控制，非线性PID控制增量 为：
[0132]
[0133] 其中， 表示 时刻的区域 的非线性PID控制增量；
[0134] 表示采样时刻， 表示区域 内的比例系数， 表示比例，表示行，表示列。表示积分系数， 表示微分系数；
[0135] 基于所有区域 的非线性PID控制增量 计算非线性PID控制加权平均增量：
[0136]
[0137] 其中， 为区域 增量控制律权重，为区域 的误差e，误差变化率ec的半径， 为区域 的中心；
[0138] 基于增量控制律权重 ，计算 时刻增量式非线性PID控制律 为：
[0139]
[0140] 其中， 为增量因子，其定义如下：
[0141]
[0142] 其中， 为增量因子最大值， 为偏移量；
[0143] ，用于车辆的运行偏差 与运行偏差变化率 ，偏离原点的程度；
[0144] ，为伸缩因子。
[0145] 该方法可以使不同误差e，误差变化率ec具有不同的增量因子。
[0146] 设计 是运行偏差 与运行偏差变化率 不同情况下的控制器增量因子，其作用提高系统响应速度，减少寻优过程的复杂程度。
[0147] 在线学习规则单元工作过程具体包括以下步骤：
[0148] 存在数对 在划分区域 内，则对区域 内的非线性PID控制增量 中的参数 、 、 进行在线学习。采用有监督的Hebb学习规则对非线性PID控制增量的参数进行学习：
[0149] （16）
[0150] 其中， 为区域 内的学习率。为了提高学习效率，学习率 基于在线调整规则进行调整，即：
[0151] （17）
[0152] 其中， 为区域 内的匹配系数，调整学习率范围， 为区域 内的两个权重系数。
[0153] 与现有技术相比，本发明的有益效果包括：
[0154] 本申请公开一种基于机器视觉导航的无人划线车在线寻优控制方法，采用新的类HARR特征与图像处理方法，实现了划线车的机器视觉实时导航，根据跟踪误差与误差变化率设计前馈控制器与非线性PID控制器，并公开了非线性PID控制器参数的在线学习方法，实现了基于机器视觉导航的划线车路径跟踪控制。
[0155] 本申请公开了新的类HARR特征，用于提取水线的直线特征，便于后期水线检测，不仅满足图像检测的实时性要求，还充分考虑水线周围的背景信息，提高了水线检测的成功率；
[0156] 本申请基于检测的水线边缘，采用HOUGH变换方法提取每帧图像内的水线，给出了新的干扰水线滤除方法，实现了水线识别的鲁棒性；根据跟踪误差与误差变化率的分别情况，对e‑ec平面进行区域划分，并在每个区域内设计了增量式PID控制器，最终构造了非线性增量PID控制器，实现了划线车轨迹跟踪的快速性，提高了划线车的跟踪精度；采用有监督的Hebb学习规则对非线性PID控制器参数进行调整，实现了非线性PID控制器的在线优化；根据预测跟踪偏差，设计了前馈预测控制器，提高了划线车控制的水线适应能力，提高了划线车控制精度与抗扰能力。
附图说明
[0157] 图1划线车施工示意图；
[0158] 图2类HARR特征；
[0159] 图3 运行偏差与预测偏差计算示意图；
[0160] 图4基于机器视觉导航的无人划线车在线寻优控制系统；
[0161] 图5 e‑ec平面非线性划分示意图；
[0162] 图6 e‑ec平面划分区域示意图；
[0163] 图7水线图像示意图。
具体实施方式
[0164] 下面将结合本发明中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例，都属于本发明保护的范围。
[0165] 基于机器视觉导航的无人划线车在线寻优控制方法，包括以下步骤：
[0166] S1，采集路面的水线图像，获取数据样本，水线图像如图7所示：
[0167] 通过图1中的安装在划线车上的视觉传感器采集沥青路面的灰度图像，路面上有画好的水线，图像内有水线信息。视觉传感器安装在距离沥青路面35‑45cm的高度，并保证在划线车前进方向的视域长度为30‑40cm。为保证视觉传感器抗外界光线的干扰，一般在视觉传感器外面安装一定的遮光设备。
[0168] S2，基于水线图像，进行水线检测，获取水线；
[0169] 步骤S2具体包括以下步骤：
[0170] S201，对水线图像上的像素点 进行灰度拉伸，拉伸公式为式（1）：
[0171]
[0172] 其中， ， ，为拉伸因子；m，n表示图像第m行，第n列； 表示第 行第列像素点的灰度值水线图像灰度拉伸后，基于类HARR特征对每个像素点的直线特征进行表述，类HARR特征如图2所示：本实施例根据工程情况选择了6个类HARR特征，类HARR特征个数有很多，需根据实际情况设计在类HARR特征M1‑M6中，划分不同的区域。假设水线区域的宽度为2w，其中w为水线的一半宽度，则在类HARR特征M1‑M3中，路面区域与过度区域的宽度为w。在类HARR特征M4‑M6中，各区域的宽度均为2w，所有类HARR特征的高度4w‑6w。对于旋转特征M2、M3、M5、M6，其旋转角度为15度，其由现场水线特性决定。
[0173] 由于水线区域的边界易模糊，本实施例中，在路面区域与水线区域之间设置过渡区域，避免水线边界模糊干扰特征提取，即提取特征时，过渡区域不考虑，忽略该过渡区域。
[0174] S202，类HARR特征用于突出路面上的水线的直线特征，有利于后期的水线识别。针对第 个类HARR特征 ， 计算方法为式（2）：
[0175] （2）
[0176] 其中，本实施例中，Q=6， 为第 个类HARR特征水线区域的像素和， 为第 个类HARR特征路面区域的像素和， 、 基于拉伸后的灰度图像的灰度值 计算获得；
[0177] 得到每个像素点的类HARR特征描述后，对每个类HARR特征进行归一化，归一化公式为式（3）：
[0178] （3）
[0179] 其中， 为归一化后的HARR特征， ， 分别是检测窗口中灰度均值与灰度平方的均值；
[0180] 基于上述的6个归一化的类HARR特征（见公式3），构造出像素点 的特征向量：
[0181]
[0182] S203，为了检测图像中水线，对每个像素点 的特征向量 进行识别，判断像素点 的特征向量是否符合直线特征，若是符合直线特征，则对该像素点置1，否则置0，实现对灰度图像的二值化，进而得到二值图像B。该方法创新性在于将图像的二值化问题变成了特征的模式识别问题。
[0183] 采用SVM方法对特征向量 进行识别，其核函数为式（5）：
[0184]
[0185] 其中， 为特征集合的协方差矩阵。
[0186] 是 的逆矩阵，公式（5）是SVM分类方法中的核函数，是将特征向量 映射到一个更高的维度上，通过SVM判断是否是直线特征，即做一个二分类；给每个像素点根据类HARR特征构造了特征向量，然后用SVM判断每个特征向量所表示的像素点是否在直线上；
[0187] 在得到二值化图像B后，对二值化图像B进行膨胀腐蚀处理，得到新的二值图像 ，采用公式（6）得到水线的边缘图像E，
[0188]
[0189] 表示新二值图像 的第 行第 列的像素值； 表示边缘图像E的第行，列的像素值；
[0190] S204，采用HOUGH变换方法，识别边缘图像E中的直线：
[0191] 从新的二值图像 里找到像素值为1的像素的坐标为 ，由HOUGH变换得到 ，通过公式（7）得到 对应的直线表达式；
[0192]
[0193] 其中， 分别为HOUGH变换检测到的半径与角度（直线的变量表示方法）。
[0194] 一组 表示一个直线，给定一组 ，若 满足公式（7）就表示 在公式（7）表示的直线上；
[0195] S205，在图像内由于噪声影响，会有多条直线被检测出，本实施例剔除掉干扰直线，得到真实直线。剔除掉干扰直线具体包括以下步骤：
[0196] S205‑1：选取3‑5条长度最长的直线，且长度满足阈值长度的直线（长度大于或者等于图像高度的1/4，本实施例阈值长度为图像高度的1/4）；
[0197] S205‑2：由于水线为连续的，因此前后两帧图像检测到的直线参数 满足式（8）要求，即：
[0198]
[0199] 其中， ， 分别为 所能允许的最大偏离角度与半径，为连续性允许的阈值，为图像的采样时刻。
[0200] S205‑3：若经过S205‑1与S205‑2后仍有多条直线满足要求（存在多条2条或者2条一行直线），则选择直线上像素均值最高的直线作为检测出的水线，因为水线一般为白色，亮度在图像中最高。
[0201] S3，基于检测出的水线，选择车辆当前位置的监测点，计算车辆的运行偏差 与运行偏差变化率 ，选择车辆预测位置的监测点，计算车辆的预测运行偏差 及预测偏差变化率 ；
[0202] 检测到的水线如图3所示，H、分别是边缘图像E的高度与宽度（其实专利边缘图像E、水线图像的H、W相同）。以0.7H处的水平线与水线的交点作为车辆当前位置的监测点，将0.7H带入式（7）中的y，得到当前位置监测点的横坐标 。此时，车辆的运行偏差 与运行偏差变化率 为：
[0203] 0.7H是本实施例y的取值，一般图3的两条水平线间的距离应该至少是一个控制周期内车辆能走过的距离，但是这两条水平线又不能太靠近图像的上下边界，根据设定车速与视觉传感器视域范围，本实施例选择以0.7H处的水平线与水线的交点作为车辆当前位置的监测点；
[0204]
[0205] 其中， 通过摄像机标定获得，表示每个像素代表的实际长度（一个像素单位所代表的实际距离）。本实施例， 取值0.3H，以0.3H处的水平线与水线的交点作为车辆预测位置的监测点，得到车辆的预测运行偏差 及预测偏差变化率 ：
[0206] (10)
[0207] 由于车辆速度大致为40米/分，而视觉传感器的有效视域范围为20‑30cm，因此该划分方法较为合理。
[0208] 从图3中看出，当前位置误差在左侧，但到了预测位置就到了右侧。因此在当前位置不能对误差进行过分调节，可以通过预测误差对当前的调节进行微调。
[0209] S4，根据车辆的预测运行偏差 和预测偏差变化率 获得预测前馈控制量，基于车辆的运行偏差 与运行偏差变化率 获得车辆的增量式非线性PID控制律 ；
[0210] 步骤S4具体包括以下步骤：
[0211] S401，根据车辆的预测运行偏差 和预测偏差变化率 ，预测车辆的前馈控制量 ：
[0212]
[0213] 为预测的前馈控制量， 与 是预测控制的两个参数；
[0214] S402，在e‑ec平面非线性划分的区域，基于车辆的运行偏差 与运行偏差变化率 获得车辆的增量式非线性PID控制律 系统的误差e或误差变化率ec符合高斯分布，因此，基于高斯函数构造误差与误差变化率的非均匀划分方法，e‑ec平面以误差e为横轴，以误差变化率ec为纵轴；误差或误差变化率指的是车辆的运行偏差 与运行偏差变化率 ；e‑ec平面划分采用非线性划分方法：
[0215]
[0216] 当计算误差变化率ec的划分时， 是 ，当计算误差e的划分时， 是 ； ，分别是误差e与误差变化率ec绝对值的最大值，其中， 为误差e或误差变化率ec的等均匀划分点，为映射后非均匀划分点， 为非线性程度调整因子；非均匀划分示意图如图5所示。
[0217] 根据误差e与误差变化率ec的范围，对e‑ec平面进行非均匀划分，划分区域（图6中的每个方格为一个区域）集合记为 ，如图6所示：
[0218] 在每个划分的区域 内通过非线性增量PID控制器进行PID控制，非线性PID控制增量 为：
[0219]
[0220] 其中， 表示 时刻的区域 的非线性PID控制增量；
[0221] 表示采样时刻， 表示区域 内的比例系数，表示比例，表示行，表示列。表示积分系数， 表示微分系数；
[0222] 基于所有区域 的非线性PID控制增量 ，计算非线性PID控制加权平均增量：
[0223]
[0224] 其中， 为区域 增量控制律权重，为区域 （图6中的方格）的误差e、误差变化率ec的半径， 为区域 的中心。
[0225] 综合上述增量控制律权重 ，计算 时刻增量式非线性PID控制律 为：
[0226]
[0227] 其中， 为增量因子，定义为下：
[0228]
[0229] 其中， 为增量因子最大值， 为偏移量；
[0230] ，用于描述运行偏差 与运行偏差变化率 偏离原点的程度， 为伸缩因子。
[0231] 该方法可以使不同e、ec具有不同的增量因子。
[0232] 是运行偏差 与运行偏差变化率 不同情况下的控制器增量因子，其作用提高系统响应速度，减少寻优过程的复杂程度。
[0233] S5，对区域内的非线性PID控制增量 中的参数 、 、 进行在线学习；
[0234] S5具体包括以下步骤：存在数对 在划分区域 内，则对区域 内的非线性PID控制增量 中的参数 、 、 进行在线学习。
[0235] 采用有监督的Hebb学习规则对非线性PID控制增量 的参数进行学习：
[0236] （16）
[0237] 其中， 为区域 内的学习率。为了提高学习效率，学习率 基于在线调整规则进行调整，即：
[0238] (17)
[0239] 其中， 为区域 内的匹配系数，调整学习率范围， 为区域 内的两个权重系数。两个权重系数可以根据历史数据人为给定。
[0240] 如图4所示，基于机器视觉导航的无人划线车在线寻优控制系统，包括视觉传感器、水线检测单元、运行误差预测单元、预测控制器、非线性增量PID控制器和在线学习规则单元；
[0241] 视觉传感器采集路面的水线图像（图7），获取数据样本：
[0242] 通过图1中的安装在划线车上的视觉传感器采集沥青路面的灰度图像，路面上有事先画好的水线，图像内要有水线信息。视觉传感器安装在距离沥青路面35‑45cm的高度，并保证在划线车前进方向的视域长度为30‑40cm。为保证视觉传感器抗外界光线的干扰，一般在视觉传感器外面安装一定的遮光设备。
[0243] 水线检测单元基于水线图像，进行水线检测，获取水线；
[0244] 水线检测单元工作过程具体包括以下步骤：
[0245] S201，对水线图像上的像素点 进行灰度拉伸，拉伸公式为式（1）：
[0246] （1）
[0247] 其中， ， ，为拉伸因子， 表示图像第 行，第 列； 表示第 行第 列像素点的灰度值水线图像灰度拉伸后，基于类HARR特征对每个像素点的直线特征进行表述，类HARR特征如图2所示：
[0248] 本实施例根据工程情况选择了6个类HARR特征，类HARR特征个数有很多，需根据实际情况设计在类HARR特征M1‑M6中，划分不同的区域。假设水线区域的宽度为2w，其中w为水线的一半宽度，则在类HARR特征M1‑M3中，路面区域与过渡区域的宽度为w。在类HARR特征M4‑M6中，各区域的宽度均为2w，所有类HARR特征的高度4w‑6w。对于旋转特征M2，M3，M5，M6，其旋转角度为15度，其由现场水线特性决定。
[0249] S202，类HARR特征用于突出路面上的水线的直线特征，有利于后期的水线识别。针对第i个类HARR特征 ，其计算方法为式（2）：
[0250] （2）
[0251] 其中，本实施例中，Q=6， 为第i个类HARR特征水线区域的像素和， 为第i个类HARR特征路面区域的像素和， 、 基于拉伸后的灰度图像的灰度值 计算获得；
[0252] 得到每个像素点的类HARR特征（直线特征）描述后，对每个类HARR特征进行归一化，归一化公式为式（3）：
[0253] （3）
[0254] 其中， 为归一化后的HARR特征， ， 分别是检测窗口中灰度均值与灰度平方的均值；
[0255] 基于上述的6个归一化的类HARR特征（见公式3），构造出像素点 的特征向量：
[0256]
[0257] S203，为了检测图像中水线，对每个像素点 的特征向量 进行识别，判断像素点 的特征向量是否符合直线特征，若是符合直线特征，则对该像素点置1，否则置0，实现对灰度图像的二值化，进而得到二值图像B。该方法创新性在于将图像的二值化问题变成了特征的模式识别问题。
[0258] 采用SVM方法构造的特征向量进行识别，其核函数如下所示：
[0259] （5）
[0260] 其中，为特征集合的协方差矩阵。
[0261] 是 的逆矩阵，公式（5）是SVM分类方法中需要设计的核函数，是将特征向量映射到一个更高的维度上，通过SVM判断是否是直线特征，即做一个二分类；给每个像素点根据类HARR特征构造了直线特征向量，然后用SVM判断每个直线特征向量所表示的像素点是否在直线上；
[0262] 在得到二值化图像后，对二值化图像B进行膨胀腐蚀处理，得到新的二值图像 ，采用公式（6）得到水线的边缘图像E；
[0263] （6）
[0264] 表示新二值图像 的第 行第 列的像素值； 表示边缘图像E的第行，列的像素值；
[0265] S204，采用HOUGH变换方法，识别边缘图像E中的直线：
[0266] 从新的二值图像 里找到像素值为1的像素的坐标为 ，由HOUGH变换得到 ，通过公式（7）得到 对应的直线表达式；
[0267] （7）
[0268] 其中， 分别为HOUGH变换检测到的半径与角度（直线的变量表示方法）。
[0269] 一组 表示一个直线，给定一组 ，若 满足公式（7）就表示 在公式（7）表示的直线上；
[0270] S205，在图像内由于噪声影响，会有多条直线被检测出，本实施例剔除掉干扰直线，得到真实直线。剔除掉干扰直线具体包括以下步骤：
[0271] S205‑1，选取3‑5条长度最长的直线，且长度满足阈值长度的直线（长度大于或者等于图像高度的1/4，本实施例阈值长度为图像高度的1/4）；
[0272] S205‑2，由于水线为连续的，因此前后两帧图像检测到的直线参数 满足式（8）要求，即：
[0273] （8）
[0274] 其中， ， 分别为 所能允许的最大偏离角度与半径，为连续性允许的阈值， 为图像的采样时刻。
[0275] S205‑3，若经过S205‑1与S205‑2后仍有多条直线满足要求，则选择直线上像素均值最高的直线作为检测出的水线，因为水线一般为白色，亮度在图像中最高。
[0276] 运行误差预测单元基于检测出的水线，选择车辆当前位置的监测点，计算车辆的运行偏差 与运行偏差变化率 ，选择车辆预测位置的监测点，计算车辆的预测运行偏差 及预测偏差变化率 ；
[0277] 检测到的水线如图3所示：
[0278] 如图3所示，H、分布是边缘图像E的高度与宽度（其实专利边缘图像E、水线图像的H、W相同）。以0.7H处的水平线与水线的交点作为车辆当前位置的监测点，将0.7H带入式（7）中的y，即可得到当前位置监测点的横坐标 。此时，车辆的运行偏差 与运行偏差变化率为：
[0279] 0.7H是本实施例的取值，图3的两条水平线间的距离应该至少是一个控制周期内车辆能走过的距离，但是这两条水平线又不能太靠近图像的上下边界，根据设定车速与视觉传感器视域范围，本实施例以0.7H处的水平线与水线的交点作为车辆当前位置的监测点；
[0280] （9）
[0281] 其中， 通过摄像机标定获得，表示每个像素代表的实际长度（一个像素单位所代表的实际距离）。以0.3H处的水平线与水线的交点作为车辆预测位置的监测点，得到车辆的预测运行偏差 及预测偏差变化率 ：
[0282] （10）
[0283] 由于车辆速度大致为40米/分，而视觉传感器的有效视域范围为20‑30cm，因此该划分方法较为合理。
[0284] 从图3中看出，当前位置误差在左侧，但到了预测位置就到了右侧。因此在当前位置不能对误差进行过分调节，可以通过预测误差对当前的调节进行微调。
[0285] 预测控制器根据车辆的预测运行偏差 和预测偏差变化率 ，预测车辆的前馈控制量 ；
[0286] （11）
[0287] 为预测控制器的前馈控制量， 与 是预测控制器的两个参数；
[0288] 非线性增量PID控制器在e‑ec平面非线性划分的区域，基于车辆的运行偏差 与运行偏差变化率 获得车辆的增量式非线性PID控制律 ；
[0289] 系统的误差e或误差变化率ec符合高斯分布，因此，基于高斯函数构造误差e与误差变化率ec的非均匀划分方法，e‑ec平面以误差e为横轴，以误差变化率ec为纵轴；误差或误差变化率指的是车辆的运行偏差 与运行偏差变化率 ；
[0290] e‑ec平面划分采用非线性划分方法，非线性划分方法为：
[0291] （12）
[0292] 当计算误差变化率ec的划分时， 是 ，当计算误差e的划分时， 是 ；， 分别是误差e与误差变化率ec绝对值的最大值，其中， 为误差e或
误差变化率ec的等均匀划分点， 为映射后非均匀划分点， 为非线性程度调整因子；非均匀划分示意图如图5所示。
[0293] 根据误差e与误差变化率ec的范围，对e‑ec平面进行非均匀划分，划分区域（图6中的每个方格为一个区域）集合记为 ，如图6所示：
[0294] 在每个划分的区域 内通过非线性增量PID控制器进行PID控制，非线性PID控制增量 为：
[0295] （13）
[0296] 其中， 表示 时刻的区域 的非线性PID控制增量；
[0297] 表示采样时刻， 表示区域 内的比例系数， 表示比例，表示行， 表示列；表示积分系数， 表示微分系数。
[0298] 基于所有区域 的非线性PID控制增量 计算非线性PID控制加权平均增量：
[0299] （14）
[0300] 其中， 为区域 增量控制律权重， 为区域 （图6中的方格）的误差e、误差变化率ec的半径， 为区域 的中心。
[0301] 综合上述增量控制律权重 ，计算 时刻增量式非线性PID控制律 为：
[0302] （15）
[0303] 其中， 为增量因子，其定义如下：
[0304]
[0305] 其中， 为增量因子最大值， 为偏移量；
[0306] ，用于描述车辆的运行偏差 与运行偏差变化率偏离原点的程度；
[0307] ，为伸缩因子。
[0308] 该方法可以使不同误差e，误差变化率ec具有不同的增量因子。
[0309] 给出了运行偏差 与运行偏差变化率 不同情况下的控制器增量因子，其作用提高系统响应速度，减少寻优过程的复杂程度。
[0310] 在线学习规则单元对区域内的非线性PID控制增量 中的参数 、 、进行在线学习，采用有监督的Hebb学习规则对非线性PID控制增量 的参数进行学习；
[0311] 在线学习规则单元过程过程具体包括以下步骤：存在数对 在划分区域内，则对区域 内的非线性PID控制增量 中的参数 、 、 进行在线学习。采用有监督的Hebb学习规则对非线性PID控制增量 的参数进行学习：
[0312] （16）
[0313] 其中， 为区域 内的学习率。为了提高学习效率，学习率 基于在线调整规则进行调整，即：
[0314] （17）
[0315] 其中， 为区域 内的匹配系数，调整学习率范围， 为区域 内的两个权重系数。两个权重系数可以根据历史数据人为给定。
[0316] 该部分在线调整了各区域控制器的参数实现了各区域学习率的在线调整。
[0317] 在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0318] 类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0319] 本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组间可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
[0320] 本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组间组合成一个模块或单元或组间，以及此外可以把它们分成多个子模块或子单元或子组间。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0321] 此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0322] 此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
[0323] 这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD‑ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。
[0324] 在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的方法。
[0325] 以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
[0326] 如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
[0327] 尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
