10.16638/jki.1671-7988.2021.010.008
车道偏离辅助系统技术现状与发展*
潘湘芸，孙仁云*，邓美俊，何倩
（西华大学汽车与交通学院，四川成都610039）
摘要：汽车车道偏离辅助系统的主要作用是实现汽车的横向主动安全，当汽车无意识偏离车道时，该系统将对驾驶员进行预警提示，并在必要时对汽车进行主动控制，使汽车保持在车道内以避免发生事故。文章介绍了车道偏离辅助系统的结构功能，对车道检测、驾驶员意图识别、车道偏离决策算法以及车道保持控制算法等关键技术的研究现状进行了分析总结，针对车道偏离辅助系统目前存在的研究局限和未来的发展方向，文章给出了改善建议和发展方向预测，为该系统的进一步研究提供了一定的参考。
关键词：车道识别；驾驶意图；车道偏离；车道保持；辅助系统
中图分类号：U461.99 文献标识码：A 文章编号：1671-7988(2021)10-26-05
Technology Status and Development of Lane Departure Assistant System*
Pan Xiangyun, Sun Renyun*, Deng Meijun, He Qian
( School of automobile and transportation, Xihua University, Sichuan Chengdu 610039 )
Abstract: The main function of lane departure assistance system is to realize the lateral active safety of the vehicle. When the car deviates from the lane unconsciously, the system will give warning to the driver and control the car actively when necessary, so as to keep the car in the lane and avoid accidents.The article introduces the structure and function of the lane departure assistance system, analyzes and summarizes the current research status of key technologies such as lane detection, driver intention recognition, lane departure decision algorithm and lane keeping control algorithm.The paper gives improvement suggestions and development direction prediction for the existing research limitations and future development direction of lane departure assistance system, which provides some reference for the further research of the system. Keywords: Lane recognition; Driving intention; Lane departure; Lane keeping; Auxiliary system
CLC NO.: U461.99 Document Code: A Article ID: 1671-7988(2021)10-26-05
前言
随着智能制造技术的发展和应用，汽车的智能化和自动化程度越来越高，智能汽车和自动驾驶技术是当前汽车行业发展主要方向。先进驾驶辅助系统（Advanced Driving Assis -tance System，ADAS）是保障智能汽车行驶安全的重要部分，现阶段交通事故频发，由于交通事故造成的人员伤亡量巨大，汽车安全成为大家关注的重要方面，ADAS作为提高汽车安全的有效装置是各大车厂发展重要方向，已成为汽车厂商的新卖点[1]。
车道偏离预警系统（Lane Departure Warning System，LDWS）和车道保持辅助系统（Lane Keeping Assist System，LKAS）都是ADAS的重要组成部分，它们共同构成车道偏离辅助系统，其主要作用是针对无意识车道偏离的情况进行
作者简介：潘湘芸，西华大学，硕士研究生，研究方向：汽车电子控制技术。通讯作者：孙仁云，西华大学，博士，教授，研究方向：汽车电子控制技术。基金项目：国家自然科学基金项目（51775448）；四川省重点研发项目（2017GZ0141）；汽车工程四川省高校重点实验室开放基金（szjj2017-013）资助。
26
潘湘芸 等：车道偏离辅助系统技术现状与发展
27
安全预警和控制以实现汽车的主动安全。
车道偏离辅助系统的结构框图如图1所示。车道检测采集驾驶环境信息，并识别车道线，驾驶员意图识
别对驾驶员的驾驶状态进行监测，检测结果和车辆自身信息被一同送入车道偏离预警系统，车道偏离预警系统对这些信息进行数据处理，若是汽车出现无意识偏离车道的情况，系统就将控制信号发送给报警装置实现对驾驶员的警告提醒，驾驶员操作检测对驾驶员的驾驶操作进行识别，再将信息发送给车道保持控制系统，若是驾驶员未及时作出响应则车道保持系统对控制执行装置发出信号，以控制汽车保持在既定车道内，从而降低交通事故的发生率。
图1  车道偏离辅助系统结构框图
文章对车道偏离辅助系统的关键技术：车道检测和驾驶员意图识别技术的国内外研究现状进行了分析，同时也对LDWS 决策算法以及LKAS 控制算法的研究现状进行了总结。针对目前国内LDWS 信息采集技术方面的优化、车道偏离辅助系统的控制算法方面的不足以及ADAS 重点工作方向的转变等问题，对车道偏离辅助系统的未来发展方向进行了展望，希望为今后进一步的研究和发展提供参考。
1 车道检测
对于车道偏离预警，国内外的学者大多是基于机器视觉进行研究，该方法主要采用摄像头作为感知传感器采集道路信息，再通过图像处理进行车道检测[2-6]
。
传统的车道检测方法基于机器学习。传统车道检测和预
警的总体框图如图2所示[7]。
图2  基于视觉车道检测和预警总体框图
车道检测模块先利用摄像头和传感器采集到的信息进行车道建模，然后经过预处理去除噪声，增强图像特征。颜空间转换主要是通过灰度化处理突出车道线，感兴趣区域（Region of Interest ，ROI ）选择是将图像中需要检测的车道
线部分提取出来，其他部分则不做进一步的处理，以减少对冗余图像数据的处理。然后利用sobel 算子[8]或cannny [9]算法等方法进行车道边缘特征检测，过滤无用信息，保留重要结构特征。
车道检测部分分为基于特征和基于模型两种方法。前者主要通过提取出车道的颜、纹理、宽度等几何特征进行车道检测[10-11]，基于模型的方法则通过车道参数与数学模型进行拟合实现车道检测，常用的模型有直线模型[12]、双曲线模型[13]、抛物线模型[14]等。刘岩等人提出了一种特征模型融合的车道检测算法，先进行图像预处理、颜转换，并对黄和白车道线进行检测和线性融合，然后提取出边缘特征，采用最小二乘法对车道线双曲线模型进行拟合。经实验验证，该算法的平均检测正确率可达96.3 %[15]。
车道跟踪模块利用kalman 滤波[16-17]、粒子滤波[18]等方法，根据前一帧的位置信息估计后一帧图像，从而实现车预测跟踪。最后将处理后的信息送入车道偏离决策模块，决策模块发出控制信号实现对驾驶员的警告。
由于传统的车道检测方法存在应用场景局限性，难以根据不同场景自适应调整参数，近年来，基于深度学习的车道检测方法逐渐兴起。
基于深度学习的车道线检测方法应用最广的是卷积神经网络（Convolutional Neural Networks ，CNN ）法，利用CNN 提取车道线特征，再进行车道线拟合[19-22]。
Zhiyuan Zhao 等人采用深度强化学习方法，以边界框的形式进行曲线车道检测。该方法利用标志点表示车道线位置，深度Q 学习定位器根据车辆状态移动标志点，从而获得车道曲线。经检验，该模型有效提高了曲线车道的检测精度和工作效率[23]。Shaojiang Wang 等人提出一种基于空间扩张卷积神经网络的车道检测方法，在改进的MobileNet v2基础网络上加入空间扩展卷积层，并采用基于缩放Y 轴的DBSCAN 聚类算法作为实例分割算法。经实验表明，该方法对简单车道的检测准确率可达97.26 %，速度可达40 fps [24]。
虽然基于视觉的道路偏离预警系统研究较多，但是摄像头采集环境信息受天气、光亮等外部因素影响较大，且随着辅助系统的增加，对机器视觉的运用增多，容易造成视觉通道信息过载，所以有许多学
者对其他的感知方法进行了一些探索。
芬兰Max Sandstr öm 等开发了一种基于汽车方向盘的LDWS 算法，使用来自方向盘的信号得到车辆的位置信息，
进而检测即将到来的车道偏离。研究结果证实，该系统可提前3秒发出偏离警告且其灵敏度较高[25]。
基于视觉的车道检测技术具有较强的研究基础，且技术发展迅猛，不少研究者将摄像头与各传感器结合进行融合感知[26]，使得该技术得到了进一步的发展。相比之下，基于汽车自身信息的LDWS 研究基础相对薄弱一些，在这方面的研
汽车实用技术
28 究还比较少。
2 驾驶员意图识别
车道偏离辅助系统主要是针对无意识车道偏离情况进行预警和控制的，驾驶员意图识别的主要作用是防止系统在驾驶员有意偏离车道的时候（如变道）发出警报，而对驾驶员造成干扰。所以准确识别驾驶员意图，是车道偏离辅助系统的重要工作之一。
传统识别系统主要是通过转向灯实现的，后来为克服此局限性，提高识别准确率，研究者们提出了人类认知模型、驾驶人行为动态特性、隐马尔科夫模型（Hidden Markov Model ，HMM ）和支持向量机（Support Vector Machine ，SVM ）等模型、特性和方法[27]，由于HMM 处理时间序列的能力较强，所以其应用更为广泛[28]。
吉林大学高振海等人采用高斯混合隐马尔科夫模型，以人－车－路参数作为车道偏离特征参数，建立了识别驾驶员无意识偏离车道偏离行为的数学模型。经测试，该模型对疲劳偏离和次任务偏离的识别率分别达到94.21 %和92.17 %，识别效果较好，但识别率还可进一步提高[29]。江苏大学刘志强等人提出了一种基于SVM 的换道意图辨识方法，选取了不同特征参数组合建立辨识模型，并进行比较分析。研究发现以人—车—路综合信息为特征参数，选取1.5s 时窗内的信息均值和方差表述特征参量所获得的辨识效果最佳，平均识别准确率可达到93 %[30]。后来，他又联合SVM 和HMM 算法构建辨识模型，将辨识准确率进一步提高到95.84 %[31]。
除上述方法外，许多学者也采用深度学习的方法进行意图识别，主要有神经网络[32]、长短时记忆网络[33]以及将神经网络与高斯混合隐马尔科夫模型相结合的方法[34]等。
Jinshuan Peng 通过建立反向传播神经网络模型来进行驾驶员换道行为预测，经检验，该模型能提前1.5 s 预测驾驶员意图，预测精度达85.54 %[32]。Yang Xing 等人建立了具有长短时记忆单元的集成双
向递归神经网络模型，该模型可根据驾驶员行为和车速等数据提前预测出驾驶员的换道意图。经验证，该模型可提前0.5 s 识别出驾驶员意图且准确率达到96.1 %，但其只针对预期的变道，而不考虑意外和中止的变道行为
[35]
。
驾驶员意图识别技术主要采用汽车参数、人体参数以及道路参数作为模型的特征参数，通过优化模型算法和参数设置提高识别精度。精确的驾驶员意图识别系统可减少误报率，提高车道偏离辅助系统的可靠性和稳定性。
3 LDWS 决策算法
在建立道路模型和汽车的运动模型以后，系统通过LDWS 决策算法判断汽车是否偏离车道线。算法需要具备良
好的实时性和准确性，既要保证误警率尽量少以免干扰驾驶员，又要掌控合适的预警时间，给驾驶员足够的反应时间。此外，针对不同驾驶员的性格、驾驶习惯等方面需要做出相应的策略以加强系统的适用度。
LDWS 决策算法目前使用较多的主要有：跨越车道线时间（Time to Lane Crossing ，TLC ），基于汽车当前位置（Car Current Position ，CCP ），基于未来偏移距离（Future Offset Distance ，FOD ）和基于知识的车道环境感知（Knowledge- Based Interpretation of Road Scenes ，KBIRS ）四种，文献[36]对以上算法进行了简单的介绍。
上述算法中运用最多的是TLC 算法[37-39]。覃雄臻等人以TLC 算法为基础，建立了改进的LDWS 模型，该模型选取了多种道路场景的综合阈值，并对距离、角度和时间是否超出阈值进行了多次判断，从而避免不同场景带来的判断误差，提高了系统精确度和环境适应性[44]。
针对传统算法存在的一些缺陷与不足，研究者们提出了基于车道线角度[45]、基于坐标投影[46]、基于神经网络等模型进行改进和完善，以提高预警准确率，减少误报、漏报问题。
为了使LDWS 针对不同驾驶习惯的驾驶员有相对应的预警方案，吉林大学朱冰等人进行了驾驶员驾驶行为的数据采集、聚类，并利用广义回归神经网络模型进行了驾驶员驾驶习性的辨识，然后采用TLC 算法，通过对不同类型的驾驶员设定不同的预警时间阈值实现LDWS 的个性化。测试结果表明，该方法对驾驶员驾驶习性辨识的准确度达到92.2 %，并能实现自适应个性化预警[47]。
4 LKAS 控制算法
LKAS 控制根据车辆实际位置与理想位置设计控制算法使偏移量尽可能小，从而实现车道跟随。常用LKAS 控制算法有PID 控制[48]、模糊控制[49]、滑模控制[50]、人工势场[51]、模型预测控制（MPC ）[52]等。研究者们对上述算法上进行了一定的改进和综合应用以提高系统性能[53-54]。
合肥工业大学胡振国在人工势场法的基础上，以TLC 作为人工势场函数的特征参数，计算出不同车速情况下的理想方向盘转角，通过PID 控制方向盘输入，实现车道跟随。经仿真验证，相比于道路势场法，该方法的实时性以及对不同车速的响应更好[55]。万远航等人针对传统MPC 控制在强非线性工况下鲁棒性差的问题，在该算法的基础上结合了辛普森法则，实时调整车辆模型参数，从而实现了自适应车道保持控制，提高了系统的工作性能和控制精度[56]。
车道保持控制系统作为辅助系统不仅需要实现车道保持功能，还需要实现与驾驶员的协调控制，许多学者在车道保持控制系统的设计中考虑了驾驶员状态影响，从而实现人机共驾[57-59]。郭烈等人采用串级MPC-PID 控制算法得到总的
潘湘芸 等：车道偏离辅助系统技术现状与发展
29
转向力矩，然后根据驾驶人转向力矩采用模糊控制动态调整共驾系数来确定驾驶人与控制系统的驾驶
权分配，实现驾驶员与LKAS 共同协调控制。该系统能够有效地降低控制过程中的人机冲突，提高汽车安全性，但人机共驾受许多因素影响，在控制权分配方面还需不断完善和改进[59]。
5 车道偏离辅助系统发展预测
根据前面对车道检测技术、驾驶员意图感知技术以及LDWS 和LKAS 算法的分析和总结，对车道偏离辅助系统的发展预测如下：
（1）随着近年来车联网技术和5G 技术的不断发展，可结合V2X （Vehicle-to-Everything ）通信技术进行车道检测、环境检测，增加系统的有效性和可靠性。
（2）人工智能是汽车发展的一大方向，许多人工智能算法也被应用于车道偏离预警系统中，且展现出其独特的优势，对人工智能算法的广泛应用和不断深化是车道偏离预警系统发展的大趋势。
（3）国内道路状况多样，对于无车道线的路况、特殊路况等条件下，车道偏离预警系统的车道识别情况和预警性能还需要进一步的研究。
（4）根据汽标委智能网联汽车分标委ADAS 工作组第九次会议内容，我国ADAS 的重点研究方向正由预警提示功能以及单方向控制等简单功能逐渐向横纵向组合控制等复杂功能转变[60]。车道偏离辅助系统可结合纵向防撞系统进行综合预警控制，使汽车的安全预警系统更完善。
6 结论
在智能汽车产业快速发展的进程中，车道偏离辅助系统是保障汽车横向安全的关键技术，也是推进智能汽车发展的重要基础。目前车道偏离辅助系统在复杂的驾驶环境和路面状况下，其可靠性和识别准确性还存在一些不足，为了优化它在各种环境和路面状况下的可靠性及识别和判断的准确性，减少对驾驶人员的额外干扰，并进一步提高汽车行驶主动安全性，对车道偏离辅助系统的环境和路况的识别方法及系统的控制算法还需要开展进一步的探索。
参考文献
[1] 萧实.ADAS 成为汽车厂商新卖点[J].金融经济,2019,(07):55-57. [2] 郎明华，简林莎，袁绍鹏等.一种新型车辆偏离车道预警系统的研
究[J].合肥工业大学学报(自然科学版),2012,35(07):874-877. [3] 徐美华，张凯欣，蒋周龙.一种实时车道线偏离预警系统算法设计
和实现[J].交通运输工程学报,2016,16(03):149-158.
[4] 易世春，李克强，李防震等.基于图像行数据处理的车道偏离预警
系统[J].汽车工程,2014,36(07):773-778.
[5] 葛平淑，郭烈，杜元虎等.基于CCD 参数智能调节的车道线检测[J].
汽车工程,2014,36(07):779-784.
[6] Em Poh Ping, Hossen J, Fitrian Imaduddin, et al. Vision-based lane
departure warning framework[J]. Heliyon,2019,5(8),e02169. [7] Narote Sandipann P, Bhujbal Pradnya N, Narote Abbhilasha S, et al.
A review of recent advances in lane detection and departure warning system[J]. Pattern Recognition,2018,73:216-234.
[8] 胡忠闯，陈杰，顾兆伦等.单目视觉下结构化车道实时检测[J].信号
处理,2017,33(04):635-640.
[9] 陈阳舟，闫豪杰，辛乐.车道线识别中的自适应Canny 边缘检测及
改进研究[J].交通信息与安全,2012,30(01):148-151.
[10] 胡骁，李岁劳，吴剑.基于特征颜的车道线检测算法[J].计算机仿
真,2011,28(10):344-348.
[11] 张浩.基于车道线宽度特征的车道线识别[J].南方农机,2020,51
(09):46-49.
[12] 王晓锦，王增才，赵磊.基于消失点检测与分段直线模型的车道线
识别[J].机电一体化,2017,23(05):41-46.
[13] Wenhui Li,Feng Qu,Ying Wang,et al. A robust lane detection me
-thod based on hyperbolic model[J]. Soft Computing,2019,23(19). [14] 吴清智.结构化道路车道线检测方法研究[D].海口：海南大学,
2020.
成都汽车展[15] 刘岩，王宇恒，吕冰雪等.基于特征模型融合的实时车道线检测研
究[J].科技通报,2020,36(07):50-57.
[16] 郭笙听，李子印，赵储.结合Hough 变换与Kalman 滤波的车道线
检测方法[J].中国计量大学学报,2017,28(04):460-466.
[17] 宣寒宇，刘宏哲，袁家政等.一种鲁棒性的多车道线检测算法[J].计
算机科学,2017,44(11):305-313.
[18] 杨金鑫，范英，谢纯禄.基于行距离及粒子滤波的车道线识别算法
[J].江苏大学学报(自然科学版),2020,41(02):138-142+198.  [19] 徐棒棒. 车道线识别技术研究[D].成都：电子科技大学,2020. [20] Wei Wang, Hui Lin, Junshu Wang. CNN based lane detection with
instance segmentation in edge-cloud computing[J]. Journal of Cloud Computing: Advances, Systems and Applications,2020,9(6). [21] Tiago Almeida, Bernardo Louren ço, Vitor Santos. Road detection
based on simultaneous deep learning approaches[J]. Robotics and Autonomous Systems,2020.
[22] 김대훈,하종은. Lane Detection Using a Fusion of Two Different
CNN Architectures[J]. Journal of Institute of Control, Robotics and Systems,2019,25(9).
[23] Zhiyuan Zhao, Qi Wang, Xuelong Li. Deep reinforcement learning
based lane detection and localization[J]. Neurocomputing,2020, 413.
[24] Shaojiang Wang, Zhijiang Bai. Lane Detection Method Based on
Spatial Dilated Convolutional Neural Network[J]. International
汽车实用技术
30Journal of Computational and Engineering,2020,5(1).
[25] Max Sandström, Eetu Lampsijärvi, Axi Holmström, et al. Detecting
lane departures from steering wheel signal[J]. Accident Analysis and Prevention,2017,99:272-278.
[26] 朱雨桐.融合图像与激光雷达的车道偏离预警算法研究[D].南京:
南京理工大学,2017.
[27] 《中国公路学报》编辑部.中国汽车工程学术研究综述·2017[J].
中国公路学报,2017,30(06):1-197.
[28] 刘阳，李磊，阴晓峰.驾驶意图识别技术研究现状及其在智能网联
汽车中的应用展望[A].中国汽车工程学会（China Society of Automotive Engineers）.2019中国汽车工程学会年会论文集（1）
[C].中国汽车工程学会（China Society of Automotive Engineers）:
中国汽车工程学会,2019:4.
[29] 高振海,Le Dinh Dat，胡宏宇等.驾驶员无意识车道偏离识别方法
[J].吉林大学学报(工学版),2017,47(03):709-716.
[30] 刘志强，涂孝军，汪澎.面向驾驶员辅助系统的换道意图辨识方法
研究[J].安全与环境学报,2015,15(06):132-136.
[31] 刘志强，吴雪刚，倪捷等.基于HMM和SVM级联算法的驾驶意图
识别[J].汽车工程,2018,40(07):858-864.
[32] Jinshuan Peng, Yingshi Guo, Rui Fu, et al. Multi-parameter predic
-tion of drivers' lane-changing behaviour with neural network model.2015, 50:207-217.
[33] 季学武，费聪，何祥坤等.基于LSTM网络的驾驶意图识别及车辆
轨迹预测[J].中国公路学报,2019,32(06):34-42.
[34] 于扬，梁军，陈龙等.基于GMM-HMM与ANN的紧急换道行为预
测方法[J/OL].中国机械工程:1-12[2020-09-23].knski.
net/kcms/detail/42.1294.TH.20200805.1113.002.html.
[35] Yang Xing, Chen Lv, Huaji Wang, et al. An ensemble deep learning
approach for driver lane change intention inference[J]. Transporta -tion Research Part C,2020,115.
[36] 杨萍，杨磊.车道偏离预警算法的研究[J].绿科技,2017,(06):
173-175+180.
[37] 马书庆.车道偏离自动修正控制系统研究[D].重庆：重庆交通大
学,2017.
[38] 张嘉明.基于机器视觉的车道保持控制算法研究[D].合肥：合肥
工业大学,2018.
[39] 王曌.基于联合仿真的车道偏离预警及车道保持系统研究[D].西
安：长安大学,2018.
[40] Lee Junyung, Choi Jaewoong, Yi Kyongsu, et al. Lane-keeping
assistance control algorithm using differential braking to prevent unintended lane departures[J]. Control Engineering Practice,2014, 23:1-13. [41] 吕敏煜.智能汽车车道偏离辅助系统设计及试验研究[D].合肥:
合肥工业大学,2019.
[42] 唐叩祝.车道偏离预警与保持控制系统仿真及试验研究[D].合肥:
合肥工业大学,2018.
[43] Hongyu Zheng, Mingxin Zhao. An investigation on coordination of
lane departure warning based on driver behaviour characteristics[J].
International Journal of Vehicle Autonomous Systems,2020,15(1).
[44] 覃雄臻，鲁若宇，陈立明等.多场景车道线检测与偏离预警方法研
究[J].机械科学与技术,2020,39(09):1439-1449.
[45] 许小伟，陈乾坤，蔡永祥等.基于融合分割和LASSO回归的实时
车道偏离预警[J].武汉科技大学学报,2020,43(01):50-58.
[46] 朱雨桐，刘华军.针对复杂路面虚线条件的车道线偏离预警[J].计
算机应用,2017,37(S1):144- 148.
[47] 朱冰，李伟男，赵健等.考虑驾驶人驾驶习性的自适应车道偏离预
警策略[J].同济大学学报(自然科学版),2019,47(S1):171-177. [48] 蔡英凤，臧勇，孙晓强等.基于可拓切换控制方法的智能车辆车道
保持系统研究[J].中国公路学报,2019,32(06):43-52.
[49] 黄杨成，赵林峰.基于T-S模糊模型H_∞控制的车道保持性能研
究[J].合肥工业大学学报(自然科学版),2018,41(09):1244-1251. [50] Lei Junwei. Research on a kind of sliding mode lane keeping
control for automated vehicles based on hybrid information of position and angular velocity[J]. Optik,2016,127(20):9344-9360.
[51] 陈利.基于改进人工势场与AFS/DYC协调的车道保持控制研究
[D].合肥：合肥工业大学,2019.
[52] 任殿波，崔胜民，吴杭哲.车道保持预瞄控制及其稳态误差分析[J].
汽车工程,2016,38(02):192-199.
[53] 张盼盼.基于STM32处理器的智能驾驶辅助系统回路仿真与控
制器的开发研究[D].太原：中北大学,2019.
[54] 王其东，魏振亚，陈无畏等.基于参数时变人工势场的车道保持协
调控制[J].机械工程学报,2018,54(18):105-114.
[55] 胡振国，谢有浩.基于人工势场法的车道保持系统[J].汽车工程学
报,2019,9(02):136-142.
[56] 万远航，邵毅明，胡广雪等.自适应模型预测控制的车道保持控制
策略[J].华侨大学学报(自然科学版),2020,41(04):423-427. [57] 柳长春，都东，潘际銮.基于小偏差模型预测的车道保持辅助控制
[J].清华大学学报(自然科学版),2015,55(10):1087-1092.
[58] 李进，刘洋洋，胡金芳.人机协同下辅助驾驶系统的车道保持控制
[J].机械工程学报,2018,54(02):169-175.
[59] 郭烈，葛平淑，夏文旭等.基于人机共驾的车道保持辅助控制系统
研究[J].中国公路学报,2019,32(12):46-57.
[60] 解瀚光.汽标委智能网联汽车分标委ADAS工作组第九次会议
在北京召开[J].中国汽车,2019,(10):9-11.