CN102298736A - 基于典型危险工况的营运客车安全综合预警决策方法 - Google Patents

Abstract

本发明公开一种基于典型危险工况的营运客车安全综合预警决策方法，包括：1)确定典型危险工况指标，建立预警指标矩阵模型S；2)选取致因监测参数，建立监测矩阵模型R，具体监测参数值，得到具体的监测矩阵Ri；3)建立一个权重矩阵模型K，S＝RK根据监测参数值，建立具体的权重矩阵Ki；4)将具体的监测矩阵Ri与权重矩阵Ki相乘，即得预警指标矩阵的具体值Si；5)根据矩阵Si的大小，判断目前危险主要出于哪种工况，值越大的，危险越严重。该方法以大型营运客车为研究对象，选取典型危险工况，选取典型监测参数，建立权重，将实时状态下的监测变量矩阵与权重矩阵相乘，就可以的得到实时的驾驶工况矩阵，来选择对应的危险工况进行预警，从而起到预警的效果。

Description

基于典型危险工况的营运客车安全综合预警决策方法

技术领域

本发明涉及车辆安全预警技术，尤其涉及一种基于典型危险工况的营运客车安全综合预警决策方法。

背景技术

伴随着公路交通的迅速发展和汽车保有量的增长，道路交通事故急剧增加，交通安全形势也日益严峻。联合国的统计显示，全世界每年有120多万人死于交通事故，数百万人受伤，而我国交通事故死亡人数更是连续10多年居世界第一，特别是群死群伤的特、重大交通事故频繁发生。对车辆交通事故的统计表明，2009年，由营运客车肇事导致一次死亡10人以上的特大交通事故占同类事故总量的50％。因此，如何避免和减少大型营运客车的交通事故发生，成为控制特、重大交通事故发生率的有效手段。现有车辆安全预警技术，大多针对单一危险工况进行研究，未综合考虑车辆各种运行参数、典型危险状态之间的耦合作用，进行综合预警决策。

发明内容

为解决典型工况下车辆安全问题，本发明的目的是提供一种基于典型危险工况的营运客车安全综合预警决策方法，以大型营运客车为研究对象，选取大型营运客车的典型危险工况，根据车辆的各种行驶参数进行综合决策，来判断危险发生的情况，从而起到预警的效果。

为实现上述目的，本方法采取以下技术方案：一种基于典型危险工况的营运客车安全综合预警决策方法，它包括如下步骤：

1)针对营运客车的特点及其主要的事故形态，确定典型危险工况指标，建立预警指标矩阵模型S；

2)针对危险工况，选取一些致因监测参数，建立监测矩阵模型R，每给定一具体的监测参数值时，得到一具体的监测矩阵Ri；

3)对应于预警指标矩阵模型S和监测矩阵模型R建立一权重矩阵模型K，S＝RK，在具体监测参数下确定一组具体的权重矩阵Ki；

4)将具体的监测矩阵Ri与具体的权重矩阵Ki相乘，即得预警指标矩阵模型S的具体值Si；

5)根据预警指标矩阵Si具体值的大小，判断目前危险主要出于哪种工况，值越大的，危险越严重。

所述危险工况指标可以设定为：1)追尾碰撞，2)疲劳驾驶，3)驾驶员注意力分散程度，4)酒后驾驶，5)车道偏离，6)后向碰撞，7)侧翻，8)侧滑；根据这些工况，建立矩阵模型S＝[s1，s2，s3，s4，s5，s6，s7，s8]。

所述致因监测参数可以设定为：1)自车与前车相对车距，2)自车与前车相对车速，3)制动信号，4)方向盘转角信号，5)视频传感器信号，6)酒精传感器信号，7)压车道线信号，8)转向灯信号，9)自车与后车相对车距，10)自车与后车相对车速，11)侧向加速度，12)横摆角速度，13)车速信号，14)道路偏移值信号；根据这些参数建立监测矩阵模型R＝[r1，r2，r3，r4，r5，r6，r7，r8，r9，r10，r10，r12，r13，r14]。

对于r1，若自车与前车相对车距大于预设的安全车距值，则r1＝0，表明没有危险；若小于安全车距值，则

r1＝1-dr1/ds

dr1为自车与前车相对车距，ds为安全车距，值越大，危险越大。

对于r2，若自车车速小于前车车速，则r2＝0，表明没有危险；若大于前车车速，则

r2＝1-vp/vs

式中，vp为前车车速，vs为自车车速，值越大，危险越大。

对于r3，有制动r3＝1，无制动r3＝0。

对于r4，当r4＝1说明驾驶员在打瞌睡，当r4＝0.5说明驾驶员操作的闭环反应较迟钝，即开始疲劳，当r4＝0说明驾驶员清醒。

对于r5，r5＝1表示驾驶员在打电话，r5＝0表示未打电话。

对于r6，r6＝1表示驾驶员喝酒，r6＝0表示未喝酒。

对于r7，r7＝1表示压车道线，r7＝0表示未压车道线。

对于r8，r8＝1表示转向灯开启，r8＝0表示转向灯关闭。

对于r9，若自车与后车相对车距大于设定的安全车距值，则r9＝0，若小于安全车距值，则

r9＝1-dr2/ds

式中，dr2为自车与后车相对车距，ds为安全车距，值越大，危险越大。

对于r10，若自车车速大于后车车速，则r10＝0，否则

r10＝1-vb/vs

式中，vb为后车车速，vs为自车车速，值越大，危险越大。

对于r11，若侧向加速度小于设定的安全阈值，则r11＝0，否则

r11＝1-as/al

式中，as为安全阈值，al为实际侧向加速度，值越大，危险越大。

对于r12，若横摆角速度小于设定的安全阈值，则r12＝0，否则

r12＝1-ys/yr

式中，ys为安全阈值，yr为实际横摆角加速度，值越大，危险越大。

对于r13，归一化为r13＝当前车速/最大车速，则r13取值范围为[0，1]。

对于r14，归一化为

r14＝ld/lb

式中，ld为车辆偏离中心线距离，lb为中心线至车道边界距离。

权重矩阵Ki的取值大小，是先根据查阅相关文献及咨询相关专业人员，给出矩阵相对合理的初始值，然后采用仿真软件和矩阵计算工具进行逐步回归分析和计算，得到最终的权重矩阵。

本发明采取以上技术方案，其具有以下优点：1、本发明预警感知范围广，能实时地对车辆性能信息、行驶姿态信息、运行环境信息进行采集和处理。2、预警指标明确、典型，针对大型营运客车的特点及其主要的事故形态，选取典型危险工况作为预警指标。3、预警覆盖率高，建立的权重矩阵考虑了车辆性能、行驶姿态、运行环境等各种监测信号量的综合作用。4、预警效果良好，在各种典型危险工况中，根据权重矩阵，最终的预警结果只有一个，减少了对驾驶员的干扰输入。

具体实施方式

下面结合实例对本发明进行详细的描述。

1、确定典型危险工况指标

危险工况，是指车辆在运行过程中，可能会导致危险发生的驾驶工况。为避免危险的发生，这就要求实时地对车辆的性能、行驶姿态、运行环境等信息进行采集和处理，并根据这些信息，对下一步的驾驶工况进行判断和评估，并将所判断出的工况实时通知给驾驶员，以提醒驾驶员采取措施以抑制、避免危险的发生，从而实现对大型营运客车典型危险工况的预警。

针对大型营运客车的特点及其主要的事故形态，选取如下8种典型危险工况作为预警指标：

(1)追尾碰撞

追尾碰撞是一种常见的交通事故形态，是指自车与前方车辆的尾随碰撞。将其选择为危险工况预警指标，使预警系统能够及时将潜在的追尾碰撞危险对驾驶员进行预警。

(2)疲劳驾驶

驾驶员疲劳是导致交通事故发生的重要原因，本文通过监控方向盘角度来判断疲劳驾驶。

(3)驾驶员注意力分散程度

通过车载视觉系统(如安装摄像头)对驾驶员行车过程中是否接打电话进行监控，依据其判断驾驶员注意力是否分散。

(4)酒后驾驶

通过安装在驾驶室内的半导体酒精传感器来判别是否酒后驾驶。

(5)车道偏离

车道偏离是指车辆驶离当前行驶车道，车辆的一部分接触或超过车道线。车道偏离也是导致交通事故发生的一个重要因素，选取其作为预警指标也具有必要性。

(6)后向碰撞

后向碰撞是指后方车辆与自车的尾随相撞，也是一种常见的事故形态。

(7)侧翻

侧翻是指车辆在行驶过程中绕纵轴线转动，车身与地面相接触的一种危险的侧向运动，一般来说，判定侧翻的标准是汽车一侧的轮胎离地。对于大型营运客车而言，侧翻是一种典型的危险姿态，往往会导致翻车、坠车等交通事故的发生。通过对侧向加速度的监控来判别侧翻危险。

(8)侧滑

侧滑也是大型营运客车一种常见的危险姿态，是指转向突然失去控制，车辆左、右大幅度摇摆。通过对横摆角速度的监控来判别侧翻危险。

对于所选取的8种危险工况，建立一个预警指标矩阵模型S来表示这些危险工况，S＝[s1，s2，s3，s4，s5，s6，s7，s8]，8个指标变量中，s1代表追尾碰撞；s2代表疲劳驾驶；s3代表驾驶员注意力分散程度；s4代表酒后驾驶；s5代表车道偏离；s6代表后向碰撞；s7代表侧翻；s8代表侧滑。给每个预警指标变量都赋予一个取值范围[0，1]，值越大，表明这一工况的危险概率越大。系统实时对该矩阵的8个变量进行扫描，找出其最大值si(i＝1～8)，当si＞0.5时，则si所对应的危险工况则为当前车辆运行中所需预警的工况。

由于车辆的运行参数、环境参数和驾驶员状态都是不断变化的，因此预警指标矩阵S的实际值也是不断变化的，系统设定刷新频率为1Hz，即每秒对预警指标矩阵进行一次计算，判断此刻的驾驶工况，如存在危险工况，则进行相应的危险工况预警。

以上例举的8种典型危险工况仅为一实施例，实际中可以根据需要多设定或少设定。

2、监测参数的选取及监测矩阵的建立

通过对不同的危险工况进行致因分析可知，这些危险工况可以通过一些监测参数来反映，这些参数是可以实测得到的。对于某一危险工况来讲，可能是由这些参数中的某一个映射出来，也可能是由某几个参数映射出来的。对每一个监测参数，根据其变化赋予一定的值，就是一个相应的监测变量，比如我们定义：

r1：自车与前车相对车距参数。若自车与前车相对车距大于预设的安全车距值，则r1＝0，表明没有危险；若小于安全车距值，则

r1＝1-dr1/ds                  (1)

式中，dr1为自车与前车相对车距，ds为安全车距。只要r1不等于0，就有危险可能，值越大，危险越大。

r2：自车与前车相对车速参数。若自车车速小于前车车速，则r2＝0，表明没有危险；若大于前车车速，则

r2＝1-vp/vs                   (2)

式中，vp为前车车速，vs为自车车速。值越大，危险越大。

r3：制动信号。根据制动信号的有无分别取1和0，有制动为1，无制动为0。

r4：方向盘转角信号。方向盘较长时间不动，说明驾驶员在打瞌睡，r4＝1。当方向盘产生幅度15°以上，0.4Hz以下的低频率转动，说明驾驶员操作的闭环反应较迟钝，即开始疲劳，r4＝0.5。r4＝0表明驾驶员清醒。

r5：视频传感器信号。通过视频传感器监测驾驶员是否边驾驶边打手机，根据是否驾驶时接打电话，r5分别取1和0，r5＝1表示打电话，r5＝0表示未打电话。

r6：酒精传感器信号。通过半导体酒精传感器判断驾驶员是否喝酒分别取1和0。r6＝1表示喝酒，r6＝0表示未喝酒。

r7：压车道线信号。用视频传感器判断车辆是否压车道线分别取1和0。r7＝1表示压车道线，r7＝0表示未压车道线。

r8：转向灯信号。根据转向灯信号的有无分别取1和0。r8＝1表示转向灯开启，r8＝0表示转向灯关闭。

r9：自车与后车相对车距参数。若自车与后车相对车距大于设定的安全车距值，则r9＝0，若小于安全车距值，则

r9＝1-dr2/ds             (3)

式中，dr2为自车与后车相对车距，ds为安全车距。值越大，危险越大。

r10：自车与后车相对车速参数。若自车车速大于后车车速，则r10＝0，否则

r10＝1-vb/vs             (4)

式中，vb为后车车速，vs为自车车速。值越大，危险越大。

r11：侧向加速度。若侧向加速度小于设定的安全阈值，则r11＝0，否则

r11＝1-as/al             (5)

式中，as为安全阈值，al为实际侧向加速度。值越大，危险越大。

r12：横摆角速度。若横摆角速度小于设定的安全阈值，则r12＝0，否则

r12＝1-ys/yr             (6)

式中，ys为安全阈值，yr为实际横摆角加速度。值越大，危险越大。

r13：车速信号。归一化为r13＝当前车速/最大车速，则r13取值范围为[0，1]。

r14：道路偏移值信号。归一化为

r14＝ld/lb               (7)

式中，ld为车辆偏离中心线距离，lb为中心线至车道边界距离。

将这14个监测参数建立一个监测矩阵模型R，R＝[r1，r2，r3，r4，r5，r6，r7，r8，r9，r10，r10，r12，r13，r14]。

同样，以上14种监测参数的选取也仅为一实施例，具体的可以多取或少取，与预警指标矩阵对应即可。

3、权重矩阵的建立

危险驾驶工况都与某种或某几种监测参数有着不同程度的关系，为了体现R中各个监测参数对于危险工况的影响权重，建立一个权重矩阵模型K，矩阵大小与S和R相关，比如对于8种工况、14种监测参数来讲，K就取一个14×8的矩阵，K＝[k1，k2，k3，k4，k5，k6，k7，k8]，每一列向量分别代表各个监测参数对于某个危险工况的影响权重。其中Ki(i＝1，2…14)＝[ki1，ki2，ki3，ki4，ki5，ki6，ki7，ki8]，代表着14种监测变量ri(i＝1，2…14)对于预警指标si(i＝1，2…8)的影响程度和决策权重。

给每个权重元素的取值范围都为[0，1]，将实时状态下的监测矩阵Ri与权重矩阵Ki相乘，就得到了实时的驾驶工况矩阵Si，即

Si＝Ri·Ki               (8)

所得Si即为预警指标矩阵的具体值，通过判别Si(i＝1，2…8)值的大小，来选择对应的危险工况进行预警。

权重取值的大小，一般是根据查阅相关文献及咨询相关专业人员，给出矩阵相对合理的初始值。下面举一个例子来说明危险驾驶工况与监测参数关系的程度不同，所对应的权值大小也有所不同。例如，酒后驾驶危险工况在工况矩阵中由s4表示，这种工况下可以认为它只与酒精传感器信号r6相关，而与其他13种状态无关，因此假设r6对应的权值取为1，其他13种监测变量的权值都取0；而疲劳行驶在驾驶工况矩阵中由s2表示，这种工况可以认为与方向盘转角信息紧密相关r4，与道路偏移值信号r14也有重要联系，且与车距信号r1和车速信号r13也有一定关系，所以在这种情况下，只考虑与r4、r14、r1、r13对应的权值，分别假设权值为0.6、0.2、0.1、0.1，而忽略与其他10种信号对应的权值，假设其它权值都为0，如矩阵9所示：

$K=\left[\begin{array}{cccccccc}0.4& 0.1& 0& 0& 0& 0& 0& 0\\ 0.4& 0& 0& 0& 0& 0& 0& 0\\ 1& 0& 0& 0& 0& 1& 0.1& 0.1\\ 0& 0.6& 0& 0& 0& 0& 0.1& 0.1\\ 0& 0& 1& 0& 0& 0& 0& 0\\ 0& 0& 0& 1& 0& 0& 0& 0\\ 0& 0& 0& 0& 1& 0& 0& 0\\ 1& 0& 0& 0& 1& 1& 0& 0\\ 0& 0& 0& 0& 0& 0.5& 0& 0\\ 0& 0& 0& 0& 0& 0.5& 0& 0\\ 0& 0& 0& 0& 0& 0& 0.6& 0.1\\ 0& 0& 0& 0& 0& 0& 0.1& 0.6\\ 0.2& 0.1& 0& 0& 0& 0& 0.1& 0.1\\ 0& 0.2& 0& 0& 0& 0& 0& 0\end{array}\right]---\left(9\right)$

而后采用仿真软件和矩阵计算工具，通过人为设定车辆处于某种危险工况，将此时的监测参数与权重矩阵相乘，判断所决策出的预警工况与人为设定的危险工况是否相符合，若符合，则说明权值取的恰当，再按顺序对其他危险工况进行判别；若不符合，则改变权值。如此不断反复的对权重矩阵进行逐步回归分析和计算，直到对于八种危险工况的预警准确率达到90％，误报率小于10％，以此时得到的权重矩阵为最终的权重矩阵。

同时，在权重矩阵的运算过程中，考虑到有些危险工况是由多种监测变量决定的，因此在运算的过程，修改某一个权值往往会影响到其他的权值，因此，权重矩阵的修改过程是不断地反复迭代进行的。比如对于(9)式的初始矩阵，经过修正后，最终得出的合理权重矩阵为：

$K=\left[\begin{array}{cccccccc}0.4& 0& 0& 0& 0& 0& 0& 0\\ 0.5& 0& 0& 0& 0& 0& 0& 0\\ 1& 0& 0& 0& 1& 1& 1& 1\\ 0& 0.8& 0& 0& 0& 0& 0.1& 0.1\\ 0& 0& 1& 0& 0& 0& 0& 0\\ 0& 0& 0& 1& 0& 0& 0& 0\\ 0& 0& 0& 0& 1& 0& 0& 0\\ 1& 0& 0& 0& 1& 1& 1& 1\\ 0& 0& 0& 0& 0& 0.5& 0& 0\\ 0& 0& 0& 0& 0& 0.5& 0& 0\\ 0& 0& 0& 0& 0& 0& 0.8& 0\\ 0& 0& 0& 0& 0& 0& 0& 0.8\\ 0.1& 0& 0& 0& 0& 0& 0.1& 0.1\\ 0& 0.2& 0& 0& 0& 0& 0& 0\end{array}\right]---\left(10\right)$

以上所述，仅为本发明的具体实施例，但本发明的保护范围并不局限于此，具体危险工况的种类、监测参数的选取可以有所变化的，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，在本发明技术方案的基础上，对个别参数进行的变换，都应在本发明的保护范围之内。

Claims (5)

1.一种基于典型危险工况的营运客车安全综合预警决策方法，其特征在于，它包括如下步骤：

1)针对营运客车的特点及其主要的事故形态，确定典型危险工况指标，建立预警指标矩阵模型S；

2)针对危险工况，选取一些致因监测参数，建立监测矩阵模型R，每给定一具体的监测参数值时，得到一具体的监测矩阵Ri；

3)对应于预警指标矩阵模型S和监测矩阵模型R建立一权重矩阵模型K，S＝RK，在具体监测参数下确定一组具体的权重矩阵Ki；

4)将具体的监测矩阵Ri与具体的权重矩阵Ki相乘，即得预警指标矩阵模型S的具体值Si；

5)根据预警指标矩阵Si具体值的大小，判断目前危险主要出于哪种工况，值越大的，危险越严重。

2.如权利要求1所述的基于典型危险工况的营运客车安全综合预警决策方法，其特征在于：所述危险工况指标选取：1)追尾碰撞，2)疲劳驾驶，3)驾驶员注意力分散程度，4)酒后驾驶，5)车道偏离，6)后向碰撞，7)侧翻，8)侧滑；根据这些工况，建立矩阵模型为S＝[s1，s2，s3，s4，s5，s6，s7，s8]。

3.如权利要求1所述的基于典型危险工况的营运客车安全综合预警决策方法，其特征在于：所述致因监测参数选取：1)自车与前车相对车距，2)自车与前车相对车速，3)制动信号，4)方向盘转角信号，5)视频传感器信号，6)酒精传感器信号，7)压车道线信号，8)转向灯信号，9)自车与后车相对车距，10)自车与后车相对车速，11)侧向加速度，12)横摆角速度，13)车速信号，14)道路偏移值信号；根据这些参数建立监测矩阵模型为R＝[r1，r2，r3，r4，r5，r6，r7，r8，r9，r10，r10，r12，r13，r14]。

4.如权利要求3所述的基于典型危险工况的营运客车安全综合预警决策方法，其特征在于：

对于r1，若自车与前车相对车距大于预设的安全车距值，则r1＝0，表明没有危险；若小于安全车距值，则

r1＝1-dr1/ds                (1)

dr1为自车与前车相对车距，ds为安全车距，值越大，危险越大；

对于r2，若自车车速小于前车车速，则r2＝0，表明没有危险；若大于前车车速，则

r2＝1-vp/vs                 (2)

式中，vp为前车车速，vs为自车车速，值越大，危险越大；

对于r3，有制动r3＝1，无制动r3＝0；

对于r4，当r4＝1说明驾驶员在打瞌睡，当r4＝0.5说明驾驶员操作的闭环反应较迟钝，即开始疲劳，当r4＝0说明驾驶员清醒；

对于r5，r5＝1表示驾驶员在打电话，r5＝0表示未打电话；

对于r6，r6＝1表示驾驶员喝酒，r6＝0表示未喝酒；

对于r7，r7＝1表示压车道线，r7＝0表示未压车道线；

对于r8，r8＝1表示转向灯开启，r8＝0表示转向灯关闭；

对于r9，若自车与后车相对车距大于设定的安全车距值，则r9＝0，若小于安全车距值，则

r9＝1-dr2/ds                (3)

式中，dr2为自车与后车相对车距，ds为安全车距，值越大，危险越大；

对于r10，若自车车速大于后车车速，则r10＝0，否则

r10＝1-vb/vs                (4)

式中，vb为后车车速，vs为自车车速，值越大，危险越大；

对于r11，若侧向加速度小于设定的安全阈值，则r11＝0，否则

r11＝1-as/al                (5)

式中，as为安全阈值，al为实际侧向加速度，值越大，危险越大；

对于r12，若横摆角速度小于设定的安全阈值，则r12＝0，否则

r12＝1-ys/yr                (6)

式中，ys为安全阈值，yr为实际横摆角加速度，值越大，危险越大；

对于r13，归一化为r13＝当前车速/最大车速，则r13取值范围为[0，1]；

对于r14，归一化为

r14＝ld/lb                  (7)

式中，ld为车辆偏离中心线距离，lb为中心线至车道边界距离。

5.如权利要求1所述的基于典型危险工况的营运客车安全综合预警决策方法，其特征在于：权重矩阵Ki取值的大小，先根据查阅相关文献及咨询相关专业人员，给出矩阵相对合理的初始值，然后采用仿真软件和矩阵计算工具进行逐步回归分析和计算，得到最终的权重矩阵。