CN103587529B - 一种直道路段换道过程越线时刻预测系统及预测方法 - Google Patents

Abstract

本发明属于直道路段换道预警技术领域，公开了一种直道路段换道过程越线时刻预测系统及预测方法。该直道路段换道过程越线时刻预测系统，包括：车载CAN总线、数据处理单元、安装在车辆变速器上的车速传感器、用于测量车辆和车道线距离的视觉传感器、安装在车辆底盘中央的陀螺仪；所述视觉传感器安装在车辆外部的前端；所述车速传感器的输出端电连接所述车载CAN总线，所述数据处理单元的信号输入端分别电连接所述陀螺仪的信号输出端、所述视觉传感器的信号输出端以及所述车载CAN总线。

Description

一种直道路段换道过程越线时刻预测系统及预测方法

技术领域

本发明属于直道路段换道预警技术领域，特别涉及一种直道路段换道过程越线时刻预测系统及预测方法。

背景技术

换道预警系统能够自动分析车辆换道过程中与后方其他车辆发生冲突的可能性，并根据冲突严重等级对驾驶人员进行提示。从本质而言，车辆间发生交通冲突的原因在于不同的车辆在相同的时间内达到了同一地点。分析车辆换道过程中的运动状态可知，从时间序列而言，换道过程中自车越过车道线而进入到目标车道是引发交通冲突的开始点。因此，如果能够准确的预测越线时刻TLC(Time to Line Crossing)，则可以根据传感器所返回的车辆间相对距离、相对角度等参数来实时分析换道过程的风险性。

一些研究人员提出利用换道轨迹对越线时刻进行预测，但换道轨迹受到较多因素的影响，在目前的研究中，部分研究将换道过程中的横向加速度设定为满足正弦状分布，由此通过积分原理来描述车辆在横向上的运动规律。但实际换道过程中采集得到的横向加速度分布表明，正常换道过程中，横向加速度的变化范围较小，而这个范围通常与漂移有关，因而从加速度信号中分离出由换道行为引发的横向加速度是一个较为复杂的问题。

总体而言，目前与TLC相关的预测方法并不多见，研究人员所提出的一些预测方法尽管具有较好的理论深度，但这些预测方法中涉及参数较多，而车辆在实际道路行驶过程中这些参数的获取本身就较为复杂，从而使得这些预测方法无法得到较好的应用。

发明内容

本发明的目的在于提出一种直道路段换道过程越线时刻预测系统及预测方法。该直道路段换道过程越线时刻预测系统及预测方法可以准确、快速、稳定地预测直道路段换道过程中的越线时刻。

为实现上述技术目的，本发明采用如下技术方案予以实现。

技术方案一：

一种直道路段换道过程越线时刻预测系统，包括：车载CAN总线、数据处理单元、安装在车辆变速器上的车速传感器、用于测量车辆和车道线距离的视觉传感器、安装在车辆底盘中央的陀螺仪；所述视觉传感器安装在车辆外部的前端；

所述车速传感器的输出端电连接所述车载CAN总线，所述数据处理单元的信号输入端分别电连接所述陀螺仪的信号输出端、所述视觉传感器的信号输出端以及所述车载CAN总线。

所述车速传感器用于采集车辆的实时速度，并用于将车辆的实时速度通过车载CAN总线发送至数据处理单元；所述视觉传感器用于实时采集车辆与左车道线的垂直距离、以及车辆与右车道线的垂直距离，并用于将实时采集到的数据发送至数据处理单元；所述陀螺仪用于实时采集车辆的横摆角速度，并用于将实时采集的车辆的横摆角速度发送至数据处理单元；所述数据处理单元用于根据车辆的实时速度、车辆与左车道线之间的实时垂直距离、车辆与右车道线之间的实时垂直距离、以及车辆的实时横摆角速度，计算得出车辆在直道路段换道过程中的越线时刻。

本技术方案的特点和进一步改进在于：

所述车速传感器为磁电式车速传感器，所述车速传感器的采样精度为0.01km/h。

所述视觉传感器汽车碰撞预警系统（AWS）中的视觉传感器，所述视觉传感器的测量精度为5cm，测量范围为±635cm，输出频率为10Hz；

所述陀螺仪为IMU02陀螺仪，所述陀螺仪的横摆角速度采集范围为±150°/s，横摆角速度分辨率为0.1°/s，最大输出频率为100Hz。

所述数据处理单元的输出端电连接有显示屏，所述显示屏安装在车辆仪表盘上。

所述直道路段换道过程越线时刻预测系统，还包括卡尔曼离散型滤波器，所述陀螺仪的信号输出端通过卡尔曼离散型滤波器电连接所述数据处理单元的信号输入端。

技术方案二：

一种直道路段换道过程越线时刻预测方法，基于上述一种直道路段换道过程越线时刻预测系统，包括以下步骤：

数据采集：当车辆在直道路段进行换道时，车速传感器采集车辆的实时速度，并将车辆的实时速度通过车载CAN总线发送至数据处理单元；视觉传感器实时采集车辆与左车道线的垂直距离、以及车辆与右车道线的垂直距离，并将实时采集到的数据发送至数据处理单元；陀螺仪实时采集车辆的横摆角速度，并将实时采集的车辆的横摆角速度发送至数据处理单元；

数据处理：在数据处理单元中，根据车辆的实时速度、车辆与左车道线之间的实时垂直距离、车辆与右车道线之间的实时垂直距离、以及车辆的实时横摆角速度，计算得出车辆在直道路段换道过程中的越线时刻。

本技术方案的特点和进一步改进在于：

在进行数据处理时，首先计算车辆在换道过程中任一时刻车辆行驶方向与车道线方向的夹角γ，计算过程如下：对于在换道过程中任一时刻t₀前的设定时间段，根据在所述设定时间段起点时车辆与对应车道线的垂直距离L₁、以及在所述设定时间段终点时车辆与对应车道线的垂直距离L₂，将L₂与L₁进行作差运算，得出车辆在所述设定时间段内的横向位移L₀，所述设定时间段终点为时刻t₀；根据车辆在所述设定时间段内的行驶速度，得出车辆在所述设定时间段内的行驶长度D₀；然后根据以下反三角函数计算公式得出γ：

然后根据γ、车辆在对应时刻的实时速度、车辆在对应时刻与对应车道线之间的实时垂直距离、以及车辆在对应时刻的实时横摆角速度，并根据几何关系，得出车辆在直道路段换道过程中的越线时刻。

在数据采集的过程中，在得到车辆的横摆角速度数据之后，利用卡尔曼离散型滤波器对所述横摆角速度数据进行滤波。

将显示屏电连接数据处理单元的输出端，在进行数据处理之后，将车辆在直道路段换道过程中的越线时刻发送至显示屏。

本发明的有益效果为：可以准确、快速、稳定地预测直道路段换道过程中的越线时刻，能有效提高直线路段车辆换道越线时刻的预测水平。

附图说明

图1为本发明的一种直道路段换道过程越线时刻预测系统的电路连接示意图；

图2为本发明的直道路段向左换道几何关系示意图；

图3为本发明的直道路段向左换道计算角度θ的几何关系示意图；

图4为本发明的真实越线时刻与预测越线时刻的对比示意图。

具体实施方式

下面结合附图对本发明作进一步说明：

本发明的目的是基于视觉传感器所测量得到的车辆与车道线距离数据，提出一种基于几何参数分析的直道路段换道过程中越线时刻预测方法，实现直道路段换道过程中越线时刻的预测。

为了达到上述目的，首先需要进行器件的安装，安装的过程如下：将视觉传感器安装在车辆的外部前端，该视觉传感器汽车碰撞预警系统（AWS）中的视觉传感器，其测量精度为5cm，测量范围为±635cm，输出频率为10Hz。该视觉传感器基于机器视觉原理对车辆与车道线的距离进行实时测量，输出参数包括车辆与左侧车道线距离dL（对应车辆向左侧的车道换道）、车辆与右侧车道线距离dR（对应车辆向右侧的车道换道）。

将陀螺仪安装于车辆底盘中央，陀螺仪用于采集车身横摆角速度数据；本发明实施例中，陀螺仪为IMU02陀螺仪，其横摆角速度采集范围为±150°/s，横摆角速度分辨率为0.1°/s，最大输出频率为100Hz。

车辆变速器上安装有车速传感器，车速传感器可以利用车辆自身携带的车速传感器，有利于降低成本。例如，车速传感器为磁电式车速传感器，其采样精度为0.01km/h。车速传感器的输出端与车载CAN总线1电连接，用于将采集到的车速信号传输至车载CAN总线1上。

参照图1，为本发明的一种直道路段换道过程越线时刻预测系统的电路连接示意图。车速传感器的输出端电连接车载CAN总线1，数据处理单元的信号输入端分别电连接所述陀螺仪的信号输出端、视觉传感器的信号输出端以及车载CAN总线1。本发明实施例中，数据处理单元采用ARM9处理器。为了便于实现数据传输，还可以设置CAN转RS485串口协议转换器，车载CAN总线1电连接CAN转RS485串口协议转换器的输入端，ARM9处理器通过I/O接口分别电连接CAN转RS485串口协议转换器的同相端和反相端。ARM9处理器和车载CAN总线1也可以采用如下连接方式：将ARM9处理器的I/O接口依次通过CAN控制器、CAN收发器连接车载CAN总线1。

按照以上过程完成器件安装后，就需要按照以下步骤进行直道路段换道过程越线时刻的预测：

首先需要进行数据采集，本发明提出了一种基于几何参数分析的TLC预测方法，数据采集就是要精确获取几何参数和车辆运动状态参数。需要采集的数据包括车辆与车道线的距离、车身横摆角速度、车辆行驶速度，并通过本发明实施例，实现同步采集上述参数。

数据采集的过程如下：当车辆在直道路段进行换道（向左侧车道换道或者向右侧车道换道）时，车速传感器采集车辆的实时速度，并将车辆的实时速度通过CAN总线发送至ARM9处理器。视觉传感器实时采集车辆与左车道线的垂直距离（当车辆向左侧车道换道时使用该数据）、以及车辆与右车道线的垂直距离（当车辆向右侧车道换道时使用该数据），并将实时采集到的数据发送至ARM9处理器。陀螺仪实时采集车辆的横摆角速度，并将实时采集的车辆的横摆角速度发送至ARM9处理器。

为了降低横摆角速度数据中所包含的误差，在数据采集的过程中，在得到车辆的横摆角速度数据之后，利用卡尔曼离散型滤波器对所述横摆角速度数据进行滤波，然后将滤波后的数据发送至ARM9处理器。由于采集得到的原始数据是离散型，所以选用卡尔曼（Kalman）离散型滤波器。离散过程的状态变量为X∈Rⁿ，离散线性定常系统的状态方程和观测方程如下：

X(k)=AX(k-1)+BU(k)+W(k)

Z(k)=HX(k)+V(k)

其中W(k)和V(k)分别表示第k步的过程激励噪声和观测噪声，X(k)表示第k步的系统状态，U(k)表示第k步对系统的控制量，A和B为系统的两个参数，Z(k)表示第k步的测量值，H表示测量系统的参数。在实际系统中，近似认为W(k)和V(k)是相互独立且服从正态分布的白色噪声，即：

p(W)～N(0,Q)

p(V)～N(0,R)

为简化计算，假定协方差矩阵Q，R均为常数。（-代表先验，^代表估计）为在已知第k步以前状态情况下第k步的先验状态估计。为Z(k)已知时第k步的后验状态估计。由此定义先验估计误差和后验估计误差：

利用观测变量和预测变量对先验估计进行修正：

K为残余增益，可以通过下式计算得到：

其中，为先验估计误差协方差。K越大，测量变量Z(k)的权重越大，说明测量设备采集到的数据越精确；另一方面，先验估计误差协方差越小，测量变量Z(k)的权重越来越小，说明待测系统的稳定性较差，所以，当系统稳定性高的情况下就给测量值较高的信任度。在本发明实施例中，基于上述卡尔曼离散滤波模型，对车载陀螺仪所测量得到的横摆角速度进行滤波处理。

本发明实施例中，ARM9处理器接收数据的采样频率设置为10Hz。当ARM9收集到对应的数据之后，就需要按照以下过程对数据进行处理：

以换道方向为分类标准，可以将换道过程分为向左换道（即向左侧车道换道）和向右换道（即向右侧车道换道）。下面以向左换道为例说明数据处理的过程。参照图2，为本发明的直道路段向左换道几何关系示意图。DLC为沿着车辆轨迹到达车道边线的曲线弧段，R为在换道过程中车辆以O点为圆心作圆周运动的半径（车辆在换道过程中的行驶轨迹可以近似看作圆弧形），DLC与车辆所要越过的车道线的交点为B点，车辆在换道过程中某时刻所在位置为A点（A点会随着车辆的行驶而发生动态变化），α为曲线弧段DLC所对应的圆心角，β为线段OA与车辆所要越过的车道线的夹角，由图2可知，A点至车辆所要越过的车道线的垂线的长度即为：车辆与左侧车道线距离dL。θ为A点至车辆所要越过的车道线的垂线与线段OA之间的夹角。

对于直道路段换道过程越线时刻的预测，由图2可知，也就是要预测车辆在曲线弧段DLC某一时刻沿着换道轨迹到达所要越过车道线的时间。假定车辆在换道过程中的车速为u（通过车速传感器采集而得，为已知量），则车辆在直道路段向左换道时越线时刻的计算方法如下：

上式中，L表示曲线弧段DLC的长度，t表示车辆在直道路段向左换道时越线时刻（例如，经过几秒后车辆能够到达所要越过的车道线）。

在以半径为R的圆弧轨迹中，L的计算公式为：

L=α×R

车辆以半径R作圆周运动，则半径R的计算公式为：

其中，ω为车辆横摆角速度（通过陀螺仪采集而得，为已知量），由此可知，R为已知量。

在图2中，由几何关系可得

根据上式可以得出，只要计算出θ，即可计算得出|OC|，同时可得：

根据余弦定理可得：

|BC|²=|OC|²+R²-2|OC|Rcosα

由此可得

联立求解上式可得

根据该式，即可得出车辆在换道过程中车辆在直道路段向左换道时越线时刻。

分析以上公式可知，只要计算出θ，即可计算出t。角度θ反映车辆相对于车道线的偏航行为，本发明中考虑车辆的行驶特性与数据采集特性，提出一种角度θ的计算方法。参照图3，为本发明的直道路段向左换道计算角度θ的几何关系示意图。当车辆处于A点时，从A点引出车辆行驶轨迹的切线为AF，角度γ为车辆行驶轨迹与车道线之间的夹角，由几何关系可知，γ和θ相等，由此可以将角度θ的估计问题转换为角度γ的估计。本发明实施例中，车辆到达A点之前，车辆与车道线之间（dL）的距离数据是被持续监测的，因此，通过分析车辆到达A点之前设定时间段内的运动规律，可以近似的对角度θ进行估计。

Hiren M.Mandalia的研究结论表明，通过使用方向盘转角或车道线距离参数，在0.8秒～1.2秒（即设定时间段的范围为0.8秒～1.2秒）的识别时窗情况下可以达到90%以上的识别率。由此可知，对于换道过程中的任意时刻点（此时车辆到达A点），此时刻之前设定时间段内车辆的运动特征是已知的，设定时间段的长度为t₀，本发明实施例中，取t₀=0.8s，此时，计算车辆到达A点之前t₀时间段内所发生的相对横向位移L₀。根据在上述设定时间段起点时车辆与对应车道线的垂直距离L₁、以及在上述设定时间段终点时（此时车辆到达A点）车辆与对应车道线的垂直距离L₂，将L₂与L₁进行作差运算，得出车辆在设定时间段内的横向位移L₀。

计算车辆到达A点之前t₀时间段内行驶轨迹的长度D₀：

D₀=u×t₀

则根据三角关系，角度γ的估算公式为：

在上述计算过程中，车速u被当成匀速处理，但实际换道过程中车辆也存在加速或者减速的可能。由于本文所提出的模型的计算时窗通常较短，在速度较高的情况下车速变化不会太大，因而不会引起较大的误差。

当得到车辆在换道过程中车辆在直道路段向左换道时越线时刻之后，ARM9处理器还可以将该预测越线时刻发送至显示屏，便于驾驶人员查看。

当车辆向右换道时，其越线时刻的计算方法与向左换道时类似，在此不再重复。综上所述，对车辆在换道过程中车辆在直道路段换道时越线时刻进行预测，首先需要依据当前时刻之前的车辆运动状态来对车辆偏航情况进行估计，然后根据车辆运动的几何关系实现对换道时越线时刻预测。

下面通过一个具体实施例说明本发明的效果：

在车辆外部前端前部安装视觉传感器，实时测量车辆距离左右车道线距离，输出参数包括车辆与左侧车道线距离dL、车辆与右侧车道线距离dR。在车辆底盘中央安装IMU02陀螺仪，实时采集车身横摆角速度。使用车载CAN总线和车速传感器实时采集自车行驶速度。利用本发明实施例提出的预测方法，计算从换道过程中任一时刻（换道过程开始0.8s后的任一时刻）对应的越线时刻t。

参照图4，为本发明的真实越线时刻与预测越线时刻的对比示意图。其中，实线表示通过分析车道线距离数据所得到的真实越线时刻，虚线表示通过本发明的预测方法所得到的预测越线时刻。总体而言，本发明所得到的预测越线时刻与真实值较接近，但呈现一定的差异性。

通过对的预测越线时刻的预测误差进行分析，可以有效评价预测方法的准确度。例如通过对比分析真实越线时刻与预测越线时刻，即可对预测方法的准确度进行检验。由于视觉传感器工作频率为10Hz，即每两次数据采集之间的时间差为0.1秒，因此，在本发明实施例中，对于计算得到的预测越线时刻保留1位小数，方便与实际越线时刻进行对比。

以绝对时间误差值e为评价参数判断预测模型的准确性，其中e的定义如下：实际越线时刻减去计算得到的预测越线时刻。

通过进行数据分析可知，本发明所得到的预测越线时刻的预测误差整体较小，所有数据的误差都被限制在±0.2s的范围内。分析结果表明，检验数据中，87.0%的预测值与真实越线时间之间的误差绝对值小于等于0.1s，其他数据预测误差为±0.2s，比例为13.0%。

本发明的原理是采用基于机器视觉原理的视觉传感器实时测量车辆与车道线的距离，采用陀螺仪实时测量车身的横摆角速度，采用车载CAN总线和车速传感器采集自车行驶速度，从而提出一种基于几何参数分析的越线时刻预测方法，实现车辆在直道路段换道过程中的越线时刻预测。通过与真实越线时刻的对比可知：在正常道路工况下，本发明中的预测方法可以准确、快速、稳定地预测换道过程中的越线时刻，相比较其他预测方法，本发明中的预测方法能有效提高直线路段车辆换道越线时刻的预测水平。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (3)

1.一种直道路段换道过程越线时刻预测方法，应用于直道路段换道过程越线时刻预测系统，所述系统包括：车载CAN总线、数据处理单元、安装在车辆变速器上的车速传感器、用于测量车辆和车道线距离的视觉传感器、安装在车辆底盘中央的陀螺仪；所述视觉传感器安装在车辆外部的前端；所述车速传感器的输出端电连接所述车载CAN总线，所述数据处理单元的信号输入端分别电连接所述陀螺仪的信号输出端、所述视觉传感器的信号输出端以及所述车载CAN总线；

其特征在于，所述方法包括以下步骤：

数据采集：当车辆在直道路段进行换道时，车速传感器采集车辆的实时速度，并将车辆的实时速度通过车载CAN总线发送至数据处理单元；视觉传感器实时采集车辆与左车道线的垂直距离、以及车辆与右车道线的垂直距离，并将实时采集到的数据发送至数据处理单元；陀螺仪实时采集车辆的横摆角速度，并将实时采集的车辆的横摆角速度发送至数据处理单元；

数据处理：在数据处理单元中，根据车辆的实时速度、车辆与左车道线之间的实时垂直距离、车辆与右车道线之间的实时垂直距离、以及车辆的实时横摆角速度，计算得出车辆在直道路段换道过程中的越线时刻；

其中，在进行数据处理时，首先计算车辆在换道过程中任一时刻车辆行驶方向与车道线方向的夹角γ，计算过程如下：对于在换道过程中任一时刻t₀前的设定时间段，根据在所述设定时间段起点时车辆与对应车道线的垂直距离L₁、以及在所述设定时间段终点时车辆与对应车道线的垂直距离L₂，将L₂与L₁进行作差运算，得出车辆在所述设定时间段内的横向位移L₀，所述设定时间段终点为时刻t₀；根据车辆在所述设定时间段内的行驶速度，得出车辆在所述设定时间段内的行驶长度D₀；然后根据以下反三角函数计算公式得出γ：

<mrow> <mi>&amp;gamma;</mi> <mo>=</mo> <mi>arcsin</mi> <mrow> <mo>(</mo> <mfrac> <msub> <mi>L</mi> <mn>0</mn> </msub> <msub> <mi>D</mi> <mn>0</mn> </msub> </mfrac> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

然后根据γ、车辆在对应时刻的实时速度、车辆在对应时刻与对应车道线之间的实时垂直距离、以及车辆在对应时刻的实时横摆角速度，并根据几何关系，得出车辆在直道路段换道过程中的越线时刻。

2.如权利要求1所述的一种直道路段换道过程越线时刻预测方法，其特征在于，在数据采集的过程中，在得到车辆的横摆角速度数据之后，利用卡尔曼离散型滤波器对所述横摆角速度数据进行滤波。

3.如权利要求1所述的一种直道路段换道过程越线时刻预测方法，其特征在于，将显示屏电连接数据处理单元的输出端，在进行数据处理之后，将车辆在直道路段换道过程中的越线时刻发送至显示屏。