CN104239741B - 基于行车风险场的汽车驾驶安全辅助方法 - Google Patents
基于行车风险场的汽车驾驶安全辅助方法 Download PDFInfo
- Publication number
- CN104239741B CN104239741B CN201410510188.4A CN201410510188A CN104239741B CN 104239741 B CN104239741 B CN 104239741B CN 201410510188 A CN201410510188 A CN 201410510188A CN 104239741 B CN104239741 B CN 104239741B
- Authority
- CN
- China
- Prior art keywords
- field
- driving
- car
- risk
- driver
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005381 potential energy Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 3
- 230000014509 gene expression Effects 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 4
- 239000011800 void material Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 206010057315 Daydreaming Diseases 0.000 description 1
- 241000283070 Equus zebra Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002153 concerted effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及一种基于行车风险场的汽车驾驶安全辅助方法,包括以下步骤:1)根据周围环境中的人-车-路各要素对行车风险的综合作用,建立行车风险场统一模型;2)通过建立周围环境物体的动能场、势能场和行为场的数学模型构建自车行车风险场模型,并计算自车的行车风险场总场强;3)基于行车风险场总场强计算自车在行车风险场中受到的作用力;4)根据自车在行车风险场中受到的作用力计算自车的行车风险系数,基于风险系数对行车过程进行安全辅助。本发明能够适用于复杂环境下驾驶安全辅助的决策和智能车辆的路径规划中。
Description
技术领域
本发明涉及交通安全领域,特别是关于一种用于为驾驶员提供报警信息和必要辅助制动的基于行车风险场的汽车驾驶安全辅助方法。
背景技术
随着中国汽车保有量的增加和驾驶人群体的日益扩大,交通事故频发,行车安全形势严峻。驾驶辅助系统(DAS,DrivingAssistanceSystems)能够为驾驶人提供危险预警信息以及对车辆的辅助控制,提高驾驶的安全性和舒适性。其中,驾驶安全辅助方法是系统的核心控制逻辑,决定系统的安全性能和接受度。现有的行车安全模型通常建立在车辆运动学和动力学原理的基础上,通过车辆状态信息(速度、加速度、横摆角速度等)和两车相对运动关系(相对速度、相对距离等)来判断当前行车风险;然而这种行车安全模型难以全面反映人、车和路等各种交通要素对行车造成的风险,更难以适应驾驶员特性、交通环境和车辆状态的相互作用和动态变化,无法为复杂行车环境下的行车决策和车辆控制提供准确的判定依据。
最初人们提出人工势能场(APF,ArtificialPotentialField)的概念,主要应用于机器人工作路径规划和避撞中,为探索更好的车辆安全决策方法,学者们将车辆的行驶环境也看作势能场并将APF运用到跟车行为建模和驾驶安全辅助系统的设计中;TAOPeng-fei等人将车辆的各种行为归纳为效率与安全两种因素的相互作用,基于APF的思想将这两种因素抽象为驾驶员受到的驱动力和阻力,从而建立跟驰模型,但是该模型只针对简单的驾驶行为,不考虑超车和换道等场景;Yang等人基于APF提出了一种新的跟车模型,将自车视为势能场中独立的电荷单元,各个因素对自车跟车行为的影响简化为车辆间相互作用的引力和斥力,据此研究横向偏距对跟车行为的影响;DaihengNI提出道路和车辆形成的势能场存在于驾驶人的主观意识中,驾驶人沿着场的最低点操控车辆以穿越势能场,该理论符合驾驶人的感知和判断机制,但是未考虑驾驶人本身的风险特性对行驶安全性的影响;SattelT等人基于机器人领域中弹性阶设计了协同式车辆路径规划算法,并应用于无人驾驶车辆的车道保持系统和避撞系统,该算法考虑道路中心线及其边界形成的势能场;日本东京农工大学RyosukeMatsumi运用势能场理论研究无信号灯的交叉口行人避撞系统,通过计算人行横道线产生的引力以及行人的预估位置产生的斥力,控制电动车的制动强度以实现避撞期望的加速度,但是此算法只针对特定的场景有效。
综上所述,现有的场论模型只针对特定的交通场景有效,忽略或者部分忽略了驾驶人本身的特性(性格、心理和生理特征),复杂多变的道路状况和交通行驶环境等对行车安全的影响,难以适应驾驶员行为特性、交通环境和车辆状态的相互作用和动态变化,对人-车-路三者的耦合机理描述的不够清楚,故模型的实际应用受到较大局限,实际驾驶过程中驾驶员的生理和心理状态随着时间、空间而变化,此外驾驶员存在个体差异,这都要求模型的参数具有可变性和可适应性,然而传统跟车模型的参数固定不变,导致系统与驾驶员正常驾驶之间出现频繁的干扰和冲突,继而使得驾驶员对系统的接受度降低,难以保证车辆在复杂多变的交通环境下的行车安全。
发明内容
针对上述问题,本发明的目的是提供一种能够全面反映人、车和路等各种交通要素对行车造成的风险,适应驾驶员特性、交通环境和车辆状态的相互作用和动态变化,为复杂行车环境下的行车决策和车辆控制提供准确判定依据的基于行车风险场的汽车驾驶安全辅助方法。
为实现上述目的,本发明采取以下技术方案:一种基于行车风险场的汽车驾驶安全辅助方法,包括以下步骤:1)根据周围环境中的人-车-路各要素对行车风险的综合作用,建立行车风险场统一模型:
ES=ER+EV+ED
式中,ES为行车风险场总场强,ER为势能场场强,EV为动能场场强,ED为行为场场强;2)通过建立行车环境中各要素所形成的动能场、势能场和行为场的数学模型构建自车行车风险场模型,并计算自车的行车风险场总场强;3)基于行车风险场总场强计算自车在行车风险场中受到的作用力;4)根据自车在行车风险场中受到的作用力计算自车的行车风险系数,基于风险系数对行车过程进行安全辅助。
所述步骤2)包括以下步骤:2.1)求解行车环境中的运动物体a在自车j所在位置处形成的动能场场强EV_aj:
式中,raj=(xj-xa,yj-ya)表示两点间距离矢量,k1、k2、G为大于零的待定常数,va为运动物体a的速度,θa为速度方向与raj的夹角,Ma为道路环境中运动物体a的虚拟质量,Ra为运动物体a所在位置道路条件因子;2.2)求解静止物体b在自车j所在位置处的势能场场强ER_bj:
式中,rbj=(xj-xb,yj-yb)为两点间距离矢量,G和k1为大于零的待定常数,Mb为静止物体b的虚拟质量,Rb为静止物体b所在位置道路条件因子;2.3)求解周围车辆的驾驶员c在一定道路条件下驾驶车辆行驶时所形成的行为场在自车j所在位置处的场强ED_cj:
ED_cj=EV_cj·Dc
式中,EV_cj为驾驶员c所驾驶车辆形成的动能场在自车j所在位置处的场强,Dc为驾驶员c的风险因子;2.4)构建自车的行车风险场模型,并计算自车的行车风险场总场强ES_j:
式中,EV_aj、ER_bj和ED_cj分别表示单个运动物体形成的动能场、静止物体形成的势能场和驾驶员形成的行为场在自车j所在位置处的场强矢量,p、q和z分别为各种场的物体总个数。
所述步骤3)基于行车风险场总场强计算自车在行车风险场中受到的作用力的计算公式为:
Fj=ES_jMj[Rj·exp(-k2vjcosθj)·(1+Dj)]
式中,ES_j为自车的行车风险场总场强,Mj为自车的虚拟质量,Rj为自车所在位置的道路条件因子,k2为待定系数,vj为自车的速度;θj为速度方向vj和场强ES_j方向的夹角,Dj为自车驾驶员的风险因子。
所述步骤4)包括以下步骤:4.1)计算自车j的行车风险系数Crisk:
式中,Fj表示某时刻自车j在周围环境的人-车-路各要素形成的行车风险场中受到风险场作用力,μF和σF表示某一时间段内作用力Fj的均值和标准差,设符合标准正态分布,f(x)表示标准正态分布的密度函数,表示自变量大于概率;4.2)根据风险系数的大小和驾驶员制动状态判断自车的行驶状态,并对自车驾驶进行安全辅助,具体过程为:(1)如果判断得知行驶处于安全状态,则汽车前撞报警系统不启动报警,自动制动系统不提供制动辅助,其中,判断条件为:
IFCrisk<C1orBrake==1
THENS=0&CB=0
式中,C1为一级报警阈值,Brake表示制动信号,该逻辑表示当风险系数Crisk小于C1或者驾驶员正实施制动时为安全状态,报警状态记作S=0并且自动制动辅助系统不启动,即CB=0;(2)如果判断得知行驶处于一级报警状态,则汽车前撞报警系统启动报警,自动制动系统不提供制动辅助,驾驶员发现危险并释放加速踏板的状态相对应,其中,判断条件为:
IFC1<Crisk<C2&Brake==0
THENS=1&CB=0
式中,C2为二级报警阈值,该逻辑表示随着行车风险逐渐增加,当风险系数Crisk处于C1和C2之间,同时驾驶员没有制动Brake=0,则汽车前撞报警系统开始一级报警S=1,并通过声光等方式向驾驶员预警,提示驾驶员尽快采取制动措施,但是自动制动系统不提供制动辅助CB=0;
(3)如果判断得知行驶处于二级报警状态,则汽车前撞报警系统启动报警,自动制动系统提供制动辅助,与驾驶员启动制动踏板的状态相对应,其中,判断条件为:
IFCrisk>C2&Brake==0
THENS=2&CB=1
若驾驶员未在一级报警时采取必要的制动措施以控制行车风险增加,当风险系数超过C2时,并且驾驶员Brake=0,则汽车前撞报警系统开始二级报警S=2,报警的强度会增加,与此同时自动制动系统会启动制动辅助状态CB=1,车辆自动制动后将逐渐减速,行车风险系数降低,直至重新回到安全状态。
本发明由于采取以上技术方案,其具有以下优点:1、本发明根据周围环境中的人-车-路各要素对行车风险的综合作用,建立行车风险场模型,并将行车风险场模型应用于汽车驾驶安全辅助过程中,因此能够集合驾驶人本身的特性(性格、心理和生理特征),复杂多变的道路状况和交通行驶环境等对行车安全的影响,适应驾驶员行为特性、交通环境和车辆状态的相互作用和动态变化,避免出现系统与驾驶员正常驾驶之间出现频繁的干扰和冲突,有助于提高驾驶员对驾驶辅助系统的信任度和接受度,保证车辆在复杂多变的交通环境下的行车安全。2、本发明的行车风险场模型综合人、车和路等各个交通要素对行车风险的影响,并创新性地建立由车辆运动状态决定的“动能场”、道路环境条件决定的“势能场”和驾驶员行为特性决定的“行为场”,能够更加全面地描述人-车-路的相互作用机理和揭示各要素对行车风险的影响规律。3、本发明利用车辆在行车风险场中受到的作用力定量表示驾驶过程中受人、车、路综合因素影响的行车风险的高低和方向,能够为复杂环境下驾驶安全辅助的决策和智能车辆的路径规划提供新方法。本发明可以广泛应用在汽车驾驶过程中。
附图说明
以下结合附图来对本发明进行详细的描绘。然而应当理解,附图的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。
图1是本发明交通要素与事故致因关系示意图;
图2是本发明的驾驶安全辅助方法流程示意图;
图3是本发明行车各类风险与各种场对应关系示意图;
图4是本发明动能场场强示意图,其中,(a)为动能场场强三维立体示意图,(b)为动能场场强在水平面的投影示意图;
图5是本发明势能场场强示意图,其中,(a)为势能场场强三维立体示意图,(b)为势能场场强在水平面的投影示意图;
图6是本发明一种交通场景及其对应行车风险场场强分布示意图;
图7是本发明具体实施例的跟车场景示意图;
图8是本发明具体实施例中的车辆1受到车辆2的作用力示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明所定义的行车风险场是表征行驶环境中人-车-路各要素对车辆行车风险影响程度的一种“物理场”。与电磁场、引力场中的“场”的概念虽然不同,但是具备“场”的基本特征。行车风险场是一个以时空为变量的物理量(行车过程中各要素的动态变化),并且可以用矢量场来描述,因为各要素对行车安全性的影响是有方向的。它由与车有关的“动能场”、与路有关的“势能场”、与人有关的“行为场”组成。
如图1所示,动能场表征道路上运动物体对行车风险影响程度的“物理场”,道路上的运动物体主要包括运动中的车辆、行人、动物、非机动车等,动能场的大小和方向主要由物体属性、运动状态和道路条件决定,影响因素包括物体类型、质量、速度、加速度、路面附着系数、道路坡度等,主要体现物体的动能大小。势能场表征道路上静止物体对行车风险影响程度的“物理场”,道路上的静止物体主要包括交通标志、道路条件、附着条件、天气情况和静止障碍等,势能场的大小和方向主要由静止物体的属性及道路条件等要素决定,影响因素包括物体类型、质量、环境能见度等。行为场表征驾驶员行为特性对行车风险影响程度的“物理场”,驾驶员行为特性主要包括驾驶员的生理心理、认知性格、驾驶技能、法规意识、性别、年龄、驾龄、性格、身体素质等因素,行为场的大小和方向主要由驾驶员行为特性决定,比如激进型驾驶员常常比保守型驾驶员的驾驶风险系数更大,其决定的“行为场”强度就更高,驾驶技能低的驾驶员通常比驾驶技能高的驾驶员的“行为场”要高,诸如此类。
从图1中可以直观地看出影响行车风险的各要素之间的相互联系,通过分析各要素的状态可以确定事故原因,例如道路可见度低或者道路状况不良等,驾驶员注意力不集中、决策失误或者操控失误,以及车辆的性能变坏等都会导致行车风险急剧增加从而导致事故发生。
如图2所示,本发明的基于行车风险场的汽车驾驶安全辅助方法,包括以下步骤:
1、根据周围环境中的人-车-路各要素对行车风险的综合作用,建立行车风险场统一模型:
行车风险场表征行驶环境中人-车-路各要素对车辆行车风险影响程度的一种“物理场”,由“动能场”、“势能场”和“行为场”叠加形成。图3表示出行车风险场与三种物理场之间的对应关系。行车风险场具备“场”的基本特征,是一个以时空为变量的物理量(行车过程中各要素的动态变化)。此外,由于各要素对行车风险的影响是有方向的,故可以用场强矢量来描述行车风险的高低和方向,得到行车风险场总场强和三种物理场场强的关系式:
ES=ER+EV+ED
式中,ES为行车风险场总场强,ER为势能场场强,EV为动能场场强,ED为行为场场强。
2、通过建立行车环境各要素形成的动能场、势能场和行为场的数学模型构建自车行车风险场模型,并计算自车的行车风险场总场强:
2.1)求解行车环境中的运动物体a在自车j所在位置处形成的动能场场强EV_aj,矢量EV_aj表征运动物体a在一定道路条件下对周围环境产生的潜在危险程度。
本发明以道路线方向为x轴,水平面内垂直于道路线方向为y轴,建立直角坐标系。(xa,ya)为运动物体a质心的坐标,运动物体a形成的动能场在自车j所在位置(xj,yj)处场强:
式中,raj=(xj-xa,yj-ya)表示两点间距离矢量,k1、k2、G为大于零的待定常数,va为运动物体a的速度,θa为速度方向与raj的夹角,顺时针方向为正。
上述公式中,Ma为道路环境中运动物体a的虚拟质量,表示道路上的运动物体产生风险的大小与其质量、类型以及运动状态的关系,运动物体a的虚拟质量Ma越大,造成的碰撞事故越严重:
式中,ma,Ta和va分别为运动物体a的质量、类型和速度,当va=0时,上式表示静止物体的虚拟质量,其中,αk,βk为待定常数,实际取值时通过将交通碰撞事故造成的经济损失大小拟合成事故鉴定速度的多项式,k为速度拟合多项式的次数,αk,βk分别为va第k次项的系数和指数。
上述公式中,Ra为运动物体a所在位置道路条件因子,道路条件包括道路附着系数、道路曲率、道路坡度和可见度等因素,将这些因素统一用“道路条件因子”来表达,运动物体a所在位置(xa,ya)处的道路条件因子Ra:
式中,δa为可见度,μa为路面附着系数,ρa为道路曲率,τa为道路坡度,γ1、γ2、γ3和γ4为待定常数,且γ1、γ2<0,γ3、γ4>0,μ*为标准路面附着系数,δ*为标准道路能见度,ρ*为标准道路曲率,τ*为标准道路坡度。由上式可知,随路面附着系数、道路能见度的减小以及道路曲率、坡度的增加,道路影响因子增大,即行车危险增大。特别的,静止物体造成的行车危险的大小主要由环境能见度决定,能见度越差,则风险越大。
运动物体a质心所在位置即动能场中心,如图4中(a)所示,峰柱顶点场强无穷大即行车风险为无穷大,表明自车到达此位置一定与运动物体a发生碰撞;如图4中(b)所示的等势线偏心分布,由此可见动能场在物体前进方向分布更加集中:与动能场中心的距离一定的前提下,前向比侧向的场强大,越靠近前进方向行车越危险,这与实际的行车风险特性相符合。
2.2)求解静止物体b在自车j所在位置处的势能场场强ER_bj。
本发明势能场坐标系的建立方法与动能场相同,道路中静止物体b在其周围形成的势能场在(xj,yj)处场强:
式中,矢量ER_bj表征静止物体b在一定道路条件下对周围环境产生的潜在危险程度,场强越大,表示物体产生的潜在危险越大;场强方向与rbj相同,且沿该方向风险减小速度最快,rbj=(xj-xb,yj-yb)为两点间距离矢量,G和k1为大于零的待定常数,Mb为静止物体b的虚拟质量,Rb为静止物体b所在位置道路条件因子,其中Mb和Rb的计算方法与Ma和Ra的计算方法相同,在此不再赘述。
如图5所示,静止物体b质心所在位置即势能场中心,如图5中(a)所示,峰柱顶点场强无穷大即行车风险无穷大,表明自车到达此位置一定会发生与该静止物体碰撞的事故;如图5中(b)所示的等势线同心分布,各向同性,随着距离的增加,势能场逐渐减弱,当距离增加到某一限值时,行车风险可以忽略不计,即不考虑静止物体造成的行车风险。
2.3)求解周围车辆驾驶员c在一定道路条件下驾驶车辆行驶时所形成的行为场在自车j所在位置处的场强ED_cj
ED_cj=EV_cj·Dc
式中,EV_cj为驾驶员c所驾驶的车辆形成的动能场在自车j所在位置处的场强,Dc为驾驶员c的风险因子,场强方向与动能场场强方向相同,行为场场强分布同动能场场强变化规律相同,此处不再赘述。
上述公式中,Dc的具体求解过程为:
无论是自车还是周围其它车辆,操控车辆的驾驶员的行为特性都会对行车风险产生影响,本发明将驾驶员自身的风险因素归为四类:1)生理-心理:驾驶员因疏忽大意、精力分散等对行车环境观察错误或不周;2)认知:因对当前车辆状态和行车环境状态及变化趋势估计错误导致决策失误;3)驾驶技能:因技能不高、经验不足、遇有突然情况惊慌失措等,发生操作失误;4)违规倾向:由于交通法律和法规意识薄弱而发生交通违法行为。
根据驾驶员在上述四个方面表现,引入驾驶员风险因子Dc(介于0~1之间无量纲数),其值越大表明该驾驶员造成的行车风险越大:
Dc=η1·Dc_phy&psy+η2·Dc_cognition+η3·Dc_skill+η4·Dc_laws
式中,Dc_phy&psy表示驾驶员生理心理风险因子,Dc_cognition为驾驶员认知风险因子,Dc_skill表示驾驶员技能风险因子,Dc_laws表示驾驶员违法风险因子,ηi(i=1,2,3,4)为各因子权重系数。驾驶员风险因子由其生理心理、认知、技能和违规风险因子加权所得,各风险因子及权重系数的取值均介于0和1之间。
2.4)构建自车的行车风险场模型,并计算自车的行车风险场总场强。
将自车j所在位置处的动能场场强、势能场场强和行为场场强进行矢量叠加得到行车风险场总场强,总场强矢量ES_j可以表示为:
式中,EV_aj、ER_bj和ED_cj分别表示单个运动物体形成的动能场、静止物体形成的势能场和驾驶员形成的行为场在自车j所在位置处的场强矢量,p、q和z分别为各种场的物体总个数。
如图6所示,道路上运动的车辆Vehicle(动能场)、绿化带和道路中的障碍物N0-movingobstacles(势能场)和驾驶员(行为场)各自形成的场强分布,根据此图可以直观地看出交通环境中行车风险的大小和方向。
3、基于行车风险场总场强计算自车在行车风险场中受到的作用力Fj。
自车在行车风险场中受到的作用力不仅与行车风险场总场强ES_j有关,还与自车所在位置(xj,yj)的道路条件、车辆属性、运动状态和驾驶员的行为特性有关,具体为:
Fj=ES_jMj[Rj·exp(-k2vjcosθj)·(1+Dj)]
式中,Fj表示自车受到的作用力,表征当前行车状态的危险程度;Mj为自车的虚拟质量,Rj为自车所在位置的道路条件因子,k2为待定系数(非零);vj为自车的速度;θj为速度方向vj和场强ES_j方向的夹角;Dj为自车驾驶员的风险因子。
下面通过具体实施例详细说明本发明的行车风险模型的建立及应用:
如图7所示,车辆1(自车)和车辆2分别以速度v1和v2沿车道中心线向前行驶,跟车距离为r。在该场景中,由于车辆沿车道中心线行驶,两侧车道线形成的势能场在车道中心线处场强为零。因此车辆1受到的行车风险场由两部分组成:1)车辆2形成的动能场;2)车辆2驾驶员形成的行为场,据此建立的行车风险模型为:
式中,EV_21为车辆2形成的动能场在车辆1处的场强,ED_21为车辆2的驾驶员形成的行为场在车辆1处的场强,ES_1为车辆2在车辆1的位置形成的行车风险场总场强矢量,F21为车辆1在车辆2的行车风险场中受到的总的作用力(合力)(上述场强和作用力的方向都与v1相反),R1、R2分别为车辆1和车辆2处的道路条件因子,M1、M2分别为车辆1和车辆2的虚拟质量,D1、D2分别为车辆1和车辆2的驾驶员风险因子。
根据已建立的行车风险模型,可进一步推导可得:
本发明实施例中,上述公式中的参数选取为:G=0.001,k1=1,k2=0.05,M1=4000kg,M2=5000kg,D1=0.2,D2=0.6,R1=R2=1。最终计算得到F21与跟车距离r及两车相对速度(Δv=v1-v2)的变化关系如图8所示,随着相对距离的减小,相对速度的增加,车辆1受到的作用力也会增加,行车风险增大,这点与实际情况吻合。
4、根据自车在行车风险场中受到的作用力Fj计算自车的行车风险系数,基于风险系数对行车过程进行安全辅助。
4.1)计算自车j的行车风险系数Crisk
式中,Fj表示t0时刻自车j在周围环境的人-车-路各要素形成的行车风险场中受到风险场作用力,将一段时间内例如[t0-10min,t0+10min]作用力Fj的均值和标准差分别记作μF和σF,设符合标准正态分布,f(x)表示标准正态分布的密度函数,表示自变量大于概率。由此可以定义一个无量纲的数Crisk表示车辆行驶的危险程度。
特别地,当Fj=Fj_max时,行车风险最大Crisk=1;同理当Fj=Fj_min时,行车风险最小Crisk=0。
4.2)根据风险系数的大小和驾驶员制动状态判断自车的行驶状态,并对自车驾驶进行安全辅助。
1)如果判断得知行驶处于安全状态,则汽车前撞报警系统不启动报警,自动制动系统不提供制动辅助,其中,判断条件为:
IFCrisk<C1orBrake==1
THENS=0&CB=0
式中,C1为一级报警阈值,Brake表示制动信号,该逻辑表示当风险系数Crisk小于C1或者驾驶员正实施制动时为安全状态,报警状态记作S=0并且自动制动辅助系统不启动,即CB=0。
2)如果判断得知行驶处于一级报警状态,则汽车前撞报警系统启动报警,自动制动系统不提供制动辅助,驾驶员发现危险并释放加速踏板的状态相对应,其中,判断条件为:
IFC1<Crisk<C2&Brake==0
THENS=1&CB=0
式中,C2为二级报警阈值,该逻辑表示随着行车风险逐渐增加,当风险系数Crisk处于C1和C2之间,同时驾驶员没有制动Brake=0,则汽车前撞报警系统开始一级报警S=1,并通过声光等方式向驾驶员预警,提示驾驶员尽快采取制动措施,但是自动制动系统不提供制动辅助CB=0。
3)如果判断得知行驶处于二级报警状态,则汽车前撞报警系统启动报警,自动制动系统提供制动辅助,与驾驶员启动制动踏板的状态相对应,其中,判断条件为:
IFCrisk>C2&Brake==0
THENS=2&CB=1
若驾驶员未在一级报警时采取必要的制动措施以控制行车风险增加,当风险系数超过C2时,并且驾驶员Brake=0,则前撞报警系统开始二级报警S=2,报警的强度会增加,与此同时自动制动系统会启动制动辅助状态CB=1。车辆自动制动后将逐渐减速,行车风险系数降低,直至重新回到安全状态。
其中,设定驾驶安全辅助的一级和二级报警阈值分别与驾驶员释放加速踏板和启动制动踏板的时刻相对应,故需要采集车辆j的驾驶员第一次释放加速踏板和第一次启动制动踏板时刻车距、车速和相对车速以及驾驶人的风险因子,计算得到车辆j的作用力和行车风险系数。本发明实施例中的报警阈值的确定方法:统计各次试验中驾驶员第一次释放加速踏板、第一次启动制动踏板两个时刻的风险系数的累计频率分布图,分别取95%百分位和5%百分位对应的风险系数作为一级报警阈值和二级报警阈值。
上述各实施例仅用于说明本发明,其中方法的各个步骤等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (3)
1.一种基于行车风险场的汽车驾驶安全辅助方法,包括以下步骤:
1)根据周围环境中的人-车-路各要素对行车风险的综合作用,建立行车风险场统一模型:
ES=ER+EV+ED
式中,ES为行车风险场总场强,ER为势能场场强,EV为动能场场强,ED为行为场场强;
2)通过建立行车环境中各要素所形成的动能场、势能场和行为场的数学模型构建自车行车风险场模型,并计算自车的行车风险场总场,包括以下步骤:
2.1)求解行车环境中的运动物体a在自车j所在位置处形成的动能场场强EV_aj:
式中,raj=(xj-xa,yj-ya)表示两点间距离矢量,k1、k2、G为大于零的待定常数,va为运动物体a的速度,θa为速度方向与raj的夹角,Ma为道路环境中运动物体a的虚拟质量,Ra为运动物体a所在位置道路条件因子;
2.2)求解静止物体b在自车j所在位置处的势能场场强ER_bj:
式中,rbj=(xj-xb,yj-yb)为两点间距离矢量,G和k1为大于零的待定常数,Mb为静止物体b的虚拟质量,Rb为静止物体b所在位置道路条件因子;
2.3)求解周围车辆的驾驶员c在一定道路条件下驾驶车辆行驶时所形成的行为场在自车j所在位置处的场强ED_cj:
ED_cj=EV_cj·Dc
式中,EV_cj为驾驶员c所驾驶车辆形成的动能场在自车j所在位置处的场强,Dc为驾驶员c的风险因子;
2.4)构建自车的行车风险场模型,并计算自车的行车风险场总场强ES_j:
式中,EV_aj、ER_bj和ED_cj分别表示单个运动物体形成的动能场、静止物体形成的势能场和驾驶员形成的行为场在自车j所在位置处的场强矢量,p、q和z分别为各种场的物体总个数;
3)基于行车风险场总场强计算自车在行车风险场中受到的作用力Fj;
4)根据自车在行车风险场中受到的作用力计算自车的行车风险系数,基于风险系数对行车过程进行安全辅助。
2.如权利要求1所述的基于行车风险场的汽车驾驶安全辅助方法,其特征在于:所述步骤3)基于行车风险场总场强计算自车在行车风险场中受到的作用力Fj的计算公式为:
Fj=ES_jMj[Rj·exp(-k2vjcosθj)·(1+Dj)]
式中,ES_j为自车的行车风险场总场强,Mj为自车的虚拟质量,Rj为自车所在位置的道路条件因子,k2为待定系数,vj为自车的速度;θj为速度方向vj和场强ES_j方向的夹角,Dj为自车驾驶员的风险因子。
3.如权利要求1或2所述的基于行车风险场的汽车驾驶安全辅助方法,其特征在于:所述步骤4)包括以下步骤:
4.1)计算自车j的行车风险系数Crisk:
式中,Fj表示某时刻自车j在周围环境的人-车-路各要素形成的行车风险场中受到风险场作用力,μF和σF表示某一时间段内作用力Fj的均值和标准差,设符合标准正态分布,f(x)表示标准正态分布的密度函数,表示自变量大于概率;
4.2)根据风险系数的大小和驾驶员制动状态判断自车的行驶状态,并对自车驾驶进行安全辅助,具体过程为:
(1)如果判断得知行驶处于安全状态,则汽车前撞报警系统不启动报警,自动制动系统不提供制动辅助,其中,判断条件为:
IFCrisk<C1orBrake==1
THENS=0&CB=0
式中,C1为一级报警阈值,Brake表示制动信号,该逻辑表示当风险系数Crisk小于C1或者驾驶员正实施制动时为安全状态,报警状态记作S=0并且自动制动辅助系统不启动,即CB=0;
(2)如果判断得知行驶处于一级报警状态,则汽车前撞报警系统启动报警,自动制动系统不提供制动辅助,驾驶员发现危险并释放加速踏板的状态相对应,其中,判断条件为:
IFC1<Crisk<C2&Brake==0
THENS=1&CB=0
式中,C2为二级报警阈值,该逻辑表示随着行车风险逐渐增加,当风险系数Crisk处于C1和C2之间,同时驾驶员没有制动Brake=0,则汽车前撞报警系统开始一级报警S=1,并通过声光等方式向驾驶员预警,提示驾驶员尽快采取制动措施,但是自动制动系统不提供制动辅助CB=0;
(3)如果判断得知行驶处于二级报警状态,则汽车前撞报警系统启动报警,自动制动系统提供制动辅助,与驾驶员启动制动踏板的状态相对应,其中,判断条件为:
IFCrisk>C2&Brake==0
THENS=2&CB=1
若驾驶员未在一级报警时采取必要的制动措施以控制行车风险增加,当风险系数超过C2时,并且驾驶员Brake=0,则汽车前撞报警系统开始二级报警S=2,报警的强度会增加,与此同时自动制动系统会启动制动辅助状态CB=1,车辆自动制动后将逐渐减速,行车风险系数降低,直至重新回到安全状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410510188.4A CN104239741B (zh) | 2014-09-28 | 2014-09-28 | 基于行车风险场的汽车驾驶安全辅助方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410510188.4A CN104239741B (zh) | 2014-09-28 | 2014-09-28 | 基于行车风险场的汽车驾驶安全辅助方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104239741A CN104239741A (zh) | 2014-12-24 |
CN104239741B true CN104239741B (zh) | 2016-05-18 |
Family
ID=52227791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410510188.4A Active CN104239741B (zh) | 2014-09-28 | 2014-09-28 | 基于行车风险场的汽车驾驶安全辅助方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104239741B (zh) |
Families Citing this family (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205235B (zh) * | 2015-09-10 | 2018-05-11 | 清华大学 | 基于变形程度的汽车安全性改善程度的评价方法 |
CN105160431B (zh) * | 2015-09-10 | 2019-03-12 | 清华大学 | 一种对未来车辆汽车驾驶员辅助系统的安全效能预测方法 |
CN106203727A (zh) * | 2016-07-19 | 2016-12-07 | 江苏大学 | 一种道路交通事故链风险实时评估方法 |
CN108932462B (zh) * | 2017-05-27 | 2021-07-16 | 华为技术有限公司 | 驾驶意图确定方法及装置 |
US10710590B2 (en) | 2017-12-19 | 2020-07-14 | PlusAI Corp | Method and system for risk based driving mode switching in hybrid driving |
WO2019122968A1 (en) * | 2017-12-19 | 2019-06-27 | PlusAI Corp | Method and system for risk control in switching driving mode |
US10620627B2 (en) | 2017-12-19 | 2020-04-14 | PlusAI Corp | Method and system for risk control in switching driving mode |
US10406978B2 (en) | 2017-12-19 | 2019-09-10 | PlusAI Corp | Method and system for adapting augmented switching warning |
CN109984761A (zh) * | 2017-12-29 | 2019-07-09 | 新华网股份有限公司 | 疲劳信息的显示方法及装置 |
CN110001633A (zh) * | 2018-01-03 | 2019-07-12 | 上海蔚兰动力科技有限公司 | 自动驾驶与主动驾驶的驾驶危险分类及预防系统与方法 |
CN108639059B (zh) * | 2018-05-08 | 2019-02-19 | 清华大学 | 基于最小作用量原理的驾驶人操控行为量化方法及装置 |
CN108648447B (zh) * | 2018-05-08 | 2019-04-05 | 清华大学 | 基于行车安全场的车辆智能安全决策方法 |
CN109165591B (zh) * | 2018-08-16 | 2020-10-09 | 大连民族大学 | 道路行人分类方法 |
CN108805105B (zh) * | 2018-06-29 | 2022-04-01 | 大连民族大学 | 构建俯视二维世界坐标系车前风险矩阵的方法 |
CN109059863B (zh) * | 2018-06-29 | 2020-09-22 | 大连民族大学 | 将平视行人轨迹点向量映射至二维世界坐标系的方法 |
CN109318877A (zh) * | 2018-09-11 | 2019-02-12 | 南京金龙新能源汽车研究院有限公司 | 一种利用再生制动进行主动刹车的安全系统的工作方法 |
CN110379155B (zh) * | 2018-09-30 | 2021-01-26 | 长城汽车股份有限公司 | 用于确定道路目标坐标的方法及系统 |
JP7234354B2 (ja) | 2018-09-30 | 2023-03-07 | グレート ウォール モーター カンパニー リミテッド | 走行座標系の構築方法及びその使用 |
CN110969837B (zh) * | 2018-09-30 | 2022-03-25 | 毫末智行科技有限公司 | 自动驾驶车辆的道路信息融合系统及方法 |
CN111081011B (zh) * | 2018-11-28 | 2022-04-22 | 南京航空航天大学 | 一种自行车行驶辅助方法 |
CN109684702B (zh) * | 2018-12-17 | 2020-04-24 | 清华大学 | 基于轨迹预测的行车风险辨识方法 |
CN110505601A (zh) * | 2019-07-30 | 2019-11-26 | 大连理工大学 | 一种车联网中基于车辆行驶态势场模型的信息发送频率优化方法 |
CN110851948B (zh) * | 2019-08-27 | 2020-07-31 | 清华大学 | 非结构化道路条件下的行车环境态势评估方法及评估装置 |
CN111127876B (zh) * | 2019-11-18 | 2021-11-05 | 腾讯科技(深圳)有限公司 | 车联网的信息提取方法及装置 |
CN111079834B (zh) * | 2019-12-16 | 2020-10-02 | 清华大学 | 一种考虑多车交互的智能车辆安全态势评估方法 |
CN110949407B (zh) * | 2019-12-25 | 2020-12-25 | 清华大学 | 基于驾驶员实时风险响应的动态人机共驾驾驶权分配方法 |
CN111204336B (zh) * | 2020-01-10 | 2021-04-30 | 清华大学 | 一种车辆行车风险的评估方法及设备 |
CN111383481B (zh) * | 2020-03-03 | 2021-07-27 | 东南大学 | 城市拥堵路口智能网联汽车绿色通行车速优化方法 |
CN111523822B (zh) * | 2020-05-06 | 2023-07-28 | 重庆文理学院 | 一种综合考虑人-车-路各因素的行车风险统一量化方法 |
CN111717221B (zh) * | 2020-05-29 | 2022-11-11 | 重庆大学 | 自动驾驶接管风险评估和人机友好预警方法及预警系统 |
CN111857340B (zh) * | 2020-07-17 | 2024-04-16 | 南京航空航天大学 | 一种多因素融合的人机共驾驾驶权分配方法 |
CN112349100B (zh) * | 2020-11-09 | 2021-06-04 | 紫清智行科技(北京)有限公司 | 一种基于网联环境的多视角行车风险评估方法及装置 |
CN112700138A (zh) * | 2020-12-31 | 2021-04-23 | 京东数字科技控股股份有限公司 | 道路交通风险管理的方法、装置和系统 |
CN112644498B (zh) * | 2021-01-05 | 2022-04-08 | 南京航空航天大学 | 一种基于行车安全场的智能车安全决策方法 |
CN112896185A (zh) * | 2021-01-25 | 2021-06-04 | 北京理工大学 | 一种面向车路协同的智能驾驶行为决策规划方法及系统 |
CN113029151B (zh) * | 2021-03-15 | 2023-04-14 | 齐鲁工业大学 | 一种智能车辆路径规划方法 |
CN113137974B (zh) * | 2021-03-15 | 2023-05-19 | 北京汽车研究总院有限公司 | 智能车及其路径规划方法、装置 |
CN113487863A (zh) * | 2021-06-30 | 2021-10-08 | 中国科学技术大学先进技术研究院 | 一种多因素交通风险实时定量评估系统及方法 |
CN113793534B (zh) * | 2021-09-09 | 2023-02-24 | 清华大学 | 一种确定车路协同环境下行车风险场的方法和装置 |
CN113635897B (zh) * | 2021-09-24 | 2023-03-31 | 北京航空航天大学 | 一种基于风险场的安全驾驶预警方法 |
CN114021982A (zh) * | 2021-11-05 | 2022-02-08 | 北京航空航天大学 | 一种基于风险量化的信号交叉口进口道车辆通行模型 |
CN114419874B (zh) * | 2021-11-25 | 2023-12-26 | 山东高速建设管理集团有限公司 | 基于路侧感知设备数据融合的目标行车安全风险预警方法 |
CN114312830B (zh) * | 2021-12-14 | 2024-06-07 | 江苏大学 | 一种考虑危险驾驶工况的智能车耦合决策模型及方法 |
CN114212097B (zh) * | 2021-12-16 | 2023-09-05 | 东风汽车集团股份有限公司 | 一种智能驾驶辅助控制系统及控制方法 |
CN116279572B (zh) * | 2023-02-08 | 2024-01-30 | 中南大学 | 一种车辆安全态势评估与稳态驾驶模式切换方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104010860A (zh) * | 2011-12-22 | 2014-08-27 | 斯堪尼亚商用车有限公司 | 与确定参考值时的模式选择相关的模块和方法 |
-
2014
- 2014-09-28 CN CN201410510188.4A patent/CN104239741B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104010860A (zh) * | 2011-12-22 | 2014-08-27 | 斯堪尼亚商用车有限公司 | 与确定参考值时的模式选择相关的模块和方法 |
Non-Patent Citations (2)
Title |
---|
《基于风险状态预估的弯道防侧滑超速预警系统》;张德兆等;《公路交通科技》;20091215(第S1期);全文 * |
《汽车纵向避撞预警算法的设计与仿真实现》;朱田田;《东北大学硕士学位论文》;20080630;第3-4章 * |
Also Published As
Publication number | Publication date |
---|---|
CN104239741A (zh) | 2014-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104239741B (zh) | 基于行车风险场的汽车驾驶安全辅助方法 | |
CN112622886B (zh) | 一种综合考虑前后障碍物的重型营运车辆防碰撞预警方法 | |
CN112224211A (zh) | 基于多自主体交通流的驾驶模拟仿真系统 | |
CN110155046A (zh) | 自动紧急制动分级控制方法与系统 | |
Wang et al. | Evaluation of lane departure correction systems using a regenerative stochastic driver model | |
JP2023524574A (ja) | 人-車-道路の各要素を総合的に考慮した運転リスクの統一的定量化方法 | |
CN105966396A (zh) | 一种基于驾驶员避撞行为的车辆避撞控制方法 | |
CN107146412A (zh) | 一种基于车联网的高速公路车辆防碰撞预警综合变量构建方法 | |
US20210387653A1 (en) | Reconstruction method for secure environment envelope of smart vehicle based on driving behavior of vehicle in front | |
Chen et al. | Evaluation of automated vehicles encountering pedestrians at unsignalized crossings | |
CN107161143A (zh) | 一种采用人工势场法的车辆主动避撞方法 | |
CN110077398A (zh) | 一种用于智能驾驶的危险处理方法 | |
Wang et al. | The concept and modeling of driving safety field based on driver-vehicle-road interactions | |
Xiong et al. | Decision-making of lane change behavior based on RCS for automated vehicles in the real environment | |
CN115257789A (zh) | 城市低速环境下的营运车辆侧向防撞驾驶决策方法 | |
Lai et al. | Simulation analysis of automatic emergency braking system under constant steer conditions | |
Chen et al. | Safety distance warning system with a novel algorithm for vehicle safety braking distance calculating | |
Zhao et al. | Adaptive drift control of autonomous electric vehicles after brake system failures | |
Jakobsson et al. | Addressing run off road safety | |
Liang et al. | Shared steering control with predictive risk field enabled by digital twin | |
CN104809898A (zh) | 一种突发事件状态下的车辆换道诱导系统 | |
Minzhi et al. | Simulation of natural environment impacts on intelligent vehicle based on a virtual reality platform | |
Teng et al. | Car following model based on driving risk field for vehicle infrastructure cooperation | |
Li et al. | Optimal 4WIS-4WID vehicle motion control in trajectory deviation occasions over handling limits | |
CN106250637A (zh) | 基于微交通仿真模型的汽车安全系统参数优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20141224 Assignee: CAS Intelligent Network Technology Co.,Ltd. Assignor: TSINGHUA University Contract record no.: X2024980001701 Denomination of invention: An Auxiliary Method for Automobile Driving Safety Based on Driving Risk Field Granted publication date: 20160518 License type: Common License Record date: 20240130 |