道路跟踪技术是无人自主车的关键技术。而无人自主车辆的研究一直是国内外研究的热点和关注的重要话题。

IEEE的一篇文章介绍了Google自主驾驶汽车的工作原理。Google的丰田普锐斯自主驾驶汽车至今已行驶超过30万公里，虽然该项目达到商业可行性还很遥远。项目负责人、斯坦福大学教授Sebastian Thrun和Google工程师Chris Urmson在最近举行的IEEE智能机器人和系统国际会议上透露了更多细节。64830

汽车顶部安装了激光测距仪HDL-64E LiDAR， 生成周围环境的详细3D地图，然后将激光测量和高分辨率地图结合起来，让自主驾驶汽车能避开障碍和遵守交通规则。安装在前后保险杠上四个雷达，让汽车能应 付快车道上的各种情况。位于后视镜附近的摄像机用于探测交通灯。GPS、惯性测量单元和车轮编码器用于判断汽车的位置和维持运动轨迹。

针对乡村道路（非结构化道路）一般没有车道线和明显的道路边界，或受到路旁物体的投影和液体印记影响或路面凹凸不平等。针对非结构化道路的研究成功的例子有美国卡内基梅隆大学研究的UNSCARF和SCARF系统。SCARF系统是Navlab课题组开发的第一套视觉系统，主要针对非结构化道路，对道路采用自适应的颜色分类识别方法，根据光照和道路环境的变化，每帧图像处理过程更新每幅图像的颜色模型，并采用投票的方式确定最适合的道路模型。UNSCARFtl2首先根据路与非路区域的颜色信息不同建立道路色彩模型，然后利用分类器对输入的彩色图像中相似的像素点进行聚合分类，把类边缘与预先存储的道路模板库进行匹配，选取最佳模板作为最终检测结果。UNSCARF可以很好的克服光照变化、水迹、阴影等干扰，但是由于引入了道路模型的约束，对于形状不规则道路检测具有一定的局限性。 EMS系统是德国慕尼黑联邦国防第三代动态视觉道路导航系统。该系统采用4D方法，对道路按照固定的长度进行分段分割。在每段中，假设道路宽度是渐变的，则道路中线用水平回旋曲线描述。 国内清华大学多功能室外移动机器人THMR-V上的TURF系统对非结构化道路采用了基于数学形态学的区域分割方法，然后将分割图片与四参数模型进行匹配，选择模型与道路分割图匹配度最高的边缘线作为道路检测的边界。与UNSCARF系统相比，TURF系统耗时更短，实时性更高。由于非结构化道路边界的不确定性和模糊性，该系统假设道路平坦和道路边界为直线，使用道路边缘线汇聚于一点的特征，利用消失点的在道路图片的坐标，道路的宽度和道路的方向角建立四参数道路模型。 论文网针对非结构化道路的检测的研究系统还有美国Martin  Marietta公司的VITS系统。将一维直方图扩展到多维，根据实际道路颜色进行建模，得到若干色彩模型，然后将实际采集的道路图片与彩色模型进行对比，根据道路与色彩模型的相似度进行聚类分割，但是他们需要使用前一帧图像的处理结果进行道路跟踪，当遇到云层遮挡太阳，进出隧道等环境变化的情况时，该算法的鲁棒性将会有所降低。[19]

本课题针对可见光传感器在弱光、黑夜以及一些恶劣天气条件下无法得到清晰的道路图像的缺陷，设计使用双视觉传感器，即可见光传感器与红外热像仪协同工作的方式，增强系统的鲁棒性。本文的主要思想是分别从两种传感器所得到的图像中得到两组道路边界的结果，再将这两组结果进行融合，以得到最终结果。这样，在可见光传感器无法有效地投入工作时，红外传感器可以代替可见光传感器成为图像采集的主要依据。在进行结果融合的时候可以考虑加入天气因子，该因子反映了自主车前方空气的能见度情况，能见度越高则该因子越大。在进行结果融合时，从可见光图像得到的结果乘以该因子作为权值，从红外图像所得到的结果乘以1-该因子，使两种结果加权拟合。这样在能见度较好的情况下，可见光传感器能够获取清晰的图像，所以可见光得到的结果较为准确，所占权值较大，反之则红外图像结果更为可靠，所占权值较大。这样就解决了特殊条件下无法工作的情况，使得系统的鲁棒性增强。