道路侧向坡度的实时准确估计,是车辆自动驾驶以及安全辅助驾驶的重要支撑技术。由于车辆自身姿态变化与道路侧向坡度存在耦合关系,依靠车辆现有传感信息难以准确估计道路侧向坡度。为此,本文提出一种较为稳定、准确的道路侧向坡度融合估计方案:首先分别基于车辆动力学模型、机器视觉对侧向道路坡度进行估计;而后为提高估计精度,将两种算法进行融合,形成基于卡尔曼滤波的道路侧向坡度融合估计算法。主要研究工作如下:（1）建立基于动力学的道路坡度估计模型。以车辆侧向动力学为基础,推导道路侧向坡度估计表达式,而后通过解算车辆侧倾角,来解耦车体倾斜与道路坡度角的叠加,从而得到道路侧向坡度的真实值。仿真实验验证了该方法的有效性,但结果抖动较大,同时在车辆出、入坡时无法满足估计精度要求。（2）提出基于机器视觉的道路坡度估计方案。通过车载相机获取车辆前方道路图像,根据图像透视原理,找出道路侧向坡度角与车道线斜率之间的参数关系,求解车道线斜率即可实现对道路侧向坡度角的估计。由于相机固定在车辆上,此方案解算出的数据只是道路坡度的相对变化量,并非坡度真实值,因此考虑将视觉估计结果作为道路坡度变化率,为融合算法提供数据支持。（3）提出基于卡尔曼滤波的道路侧向坡度融合估计算法。由于单纯的动力学估计结果振荡较大,进一步提出扩展卡尔曼滤波动力学坡度估计模型,为融合算法提供有效且精确的数据,而后结合卡尔曼滤波数据融合方法,建立数据融合道路坡度估计模型。最后通过仿真实验验证了扩展卡尔曼滤波动力学模型的有效性,同时通过对比体现出融合算法的优势以及精度。（4）实车验证实验。选取实验路段进行实车实验,与测量标定结果进行对比验证。实验结果证明该融合算法具有较高的精度、鲁棒性以及实时性,能在复杂的实际运行工况下低成本实现道路侧坡的有效估计。