CN107291972A - 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法 - Google Patents
基于多源数据挖掘的汽车智能驾驶系统有效性评价方法 Download PDFInfo
- Publication number
- CN107291972A CN107291972A CN201710139406.1A CN201710139406A CN107291972A CN 107291972 A CN107291972 A CN 107291972A CN 201710139406 A CN201710139406 A CN 201710139406A CN 107291972 A CN107291972 A CN 107291972A
- Authority
- CN
- China
- Prior art keywords
- mrow
- model
- evaluated
- car
- vehicle
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于多源数据挖掘的汽车智能驾驶系统有效性评价方法，包括步骤：1)通过多源数据挖掘得到待评价车辆模型、随机交通场景模型、乘员损伤模型；2)基于随机交通场景和车辆模型，仿真出事故的特定场景；3)利用事故再现软件仿真该场景，输出碰撞后车辆状态；4)结合乘员损伤模型，计算事故发生后的乘员损伤风险和单位里程风险；5)将待评价车辆模型替换成常规模型，重复1)‑4)步得到无待评价系统车辆的单位里程乘员损伤风险；然后对比有、无待评价系统的损伤结果，得知该系统的有效性。该评价平台依靠多源数据和已知软件，可实现多种智能驾驶系统的评价，同时该评价平台运行成本低、速度快，具有较好的普遍适用性。
Description
技术领域
本发明涉及车辆智能驾驶技术，具体涉及一种对汽车智能驾驶系统在减少乘员损伤风险方面有效性的评价方法。
背景技术
对于汽车智能驾驶系统在减少乘员损伤风险方面的有效性的评价，现有评价方法从设备条件上讲，可分为两类：一类是实验方法，一类是仿真方法。实验方法又可分为两类：实车实验和标准测试，前者：对不同智能驾驶系统具有普遍适用性，但花费大，耗时长，具有危险性；后者：标准统一，评价客观，操作简单，可重复性好，但工况单一，无法进行多工况下的统计分析。仿真方法也可分为两类：危险场景仿真和蒙特卡洛仿真，前者：无危险性，操作简单，可重复性好，仿真多种工况，可拓展性好，可进行统计分析，但样本数量少，且反应真实情况的能力较差；后者：具有普遍适用性，但运算量较大。但就方法成立的前提条件来讲，标准测试和危险场景评价是相同的，均要求待评价的系统的应用不影响正常的驾驶行为，这保证了从现有数据提炼的场景对该系统的适用性。而实车道路实验和蒙特卡洛仿真则是采用遍历法，对待评价系统没有特殊要求。
现有评价方法从数据来源上讲，主要可分两类：事故数据、FOT数据，事故数据：能够反映各种危险的事故类型，能够建立乘员损伤模型，但数据不完整，数据库不完善，需要大量的统一化整理分类工作；FOT数据：数据完整且数目多，能够建立随机仿真场景。
发明内容
综合以上所述方法的优点，为适应未来更加复杂的智能驾驶系统的有效性评价，本发明提供一种基于多源数据挖掘的蒙特卡洛与危险场景相结合的汽车智能驾驶系统有效性仿真评价方法。该方法可以定量评价出某项智能驾驶系统应用后带来的汽车安全性改善程度，并且实现该方法的评价平台依靠多源数据和多款商业化软件，可实现多种智能驾驶系统的评价，且该平台运行成本低、速度快，具有较好的普遍适用性。
为实现上述目的，本发明采取以下技术方案：
一种基于多源数据挖掘的汽车智能驾驶系统有效性评价方法，其特征在于：包括如下步骤：
1)通过多源数据挖掘得到装有待评价智能驾驶系统的待评价车辆模型、随机交通场景模型、乘员损伤模型；
2)基于随机交通场景和待评价车辆模型，利用动力学仿真软件仿真筛选出发生事故的特定场景；
3)利用事故再现软件仿真该场景，输出碰撞后车辆状态；
4)结合乘员损伤模型，计算事故发生后的乘员损伤风险，计算单位行驶里程的乘员损伤风险；
5)将待评价车辆模型替换成常规控制的车辆模型，重复1)-4)步，得到无待评价系统车辆的单位里程乘员损伤风险，然后对比有、无待评价系统在事故场景中的损伤风险，通过对比结果，得知该系统对提高汽车安全性是否有效。
具体地：
建立待评价车辆模型的过程是：
a.利用待评价系统的实车运行数据实现车辆的回正刚度、轮胎纵向刚度、时间延迟系数的辨识：
首先利用转向助力电机的转速和转矩信号，估计出转向系统固有频率f0-y，基于转向系统的频率特性计算出回正刚度，式中Gs为转向系统传动比、Jd为转向系统转动惯量、kα为回正刚度；然后利用轮胎纵向与侧向动力学相关的特性kα＝aks+b，得到轮胎纵向刚度，式中ks为轮胎纵向刚度，a和b为已知系数；
对轮速信号进行傅里叶变换，找到轮胎滚动的固有频率f0-x，继而基于轮胎滚动的固有频率和时间延迟系数的关系得到了时间延迟系数，R为车轮半径，v为自车车速，τx为时间延迟系数，I是车轮转动惯量；
b.将待辨识控制逻辑视作一黑箱，利用待评价系统的实车运行数据和估计的时间延尺系数、轮胎纵向刚度，训练多层神经网络，并以此神经网络作为仿真中待评价系统的控制逻辑。
建立随机交通场景模型的过程是：
随机交通场景指自车和前车、后车的运动状态，在建立模型时，车辆数目由设计者自行决定；
a.设前车为自由驾驶，表征前车的状态参数包括加速度a1(t)、车速v1(t)、行驶距离X1(t)；
则在k+1时刻三个参数的关系如下：
v1(k+1)＝v1(k)+Ts·a1(k) (1)
上式中k为采样时刻，Ts为仿真步长，时间量；a1(k+1)的取值分布符合正态分布，是均值为a1(k)，方差为v1(k)的函数；
b.后车状态参数由密西根大学提出的带有错误操作机制的跟车模型决定；
c.自车就是所述待评价车辆模型。
建立乘员损伤模型的过程是：
a.以综合变形深度为事故严重性指标，建立乘员损伤达到MAIS2+的风险概率模型：其中综合变形深度C，如下式所示：
Ci表示车身在采样位置的变形深度，m和n对应于车身开始发生变形和变形终了附近处的采样序号，Cm和Cn为对应于采样序号m和n处的变形深度；
b.选取综合变形深度C和碰撞的变形长度Ld作为自变量，损伤风险概率P(MAIS2+)作为因变量，建立三者的回归关系：
P(MAIS2+)＝a0+a1C+a2Ld+a3CLd+a4C2+a5C2Ld+a6C3 (4)
a0～a6为待确定系数，通过数据拟合得到。
基于随机交通场景和待评价智能驾驶系统模型，利用动力学仿真软件仿真筛选出发生事故的特定场景的过程是：
结合辨识出的待评价车辆的关键参数，建立基于CarSim车辆动力学仿真软件的待评价车辆动力学模型；利用辨识出的待评价智能驾驶系统的控制逻辑和驾驶员跟车模型，建立基于Simulink车辆动力学仿真软件的自车跟车模型；建立由前车与后车组成的运行环境模型；综合被控对象动力学模型、自车跟车模型和运行环境模型，仿真筛选出发生事故的三车运动序列数据。
利用事故再现软件仿真该场景，输出碰撞后车辆状态的过程是：
采用PC Crash二次开发软件实现自车的驾驶员与智能驾驶系统协同控制，对自车、前车、后车的运动过程进行再现；将搭建的自车模型集成到PC Crash的运行场景中，利用二次开发软件实现所有事故场景文件的同时调用，模拟碰撞过程，并收集每个事故的等效能量速度和碰撞时刻的两车辆坐标信息。
结合乘员损伤模型，计算事故发生后的乘员损伤风险，及单位行驶里程的乘员损伤风险的过程是：
ⅰ.利用碰撞位置车辆坐标计算出变形长度Ld；
ⅱ.结合变形长度Ld和等效能量速度EES，利用式(5)计算得到综合变形深度C；
EES＝b0+b1C+b2Ld (5)
式中，b0～b2为待拟合系数，是利用事故数据拟合得到的；
ⅲ.结合变形长度Ld和变形深度C，利用损伤风险概率P(MAIS2+)：
P(MAIS2+)＝a0+a1C+a2Ld+a3CLd+a4C2+a5C2Ld+a6C3 (4)
计算得到乘员损伤风险，a0～a6为待确定系数，通过数据拟合得到；
ⅳ.计算单位里程平均乘员损伤如式(6)：
上式中，IR为单位里程平均乘员损伤，P(MAIS2+|xi)是在xi序列下的损伤风险，X(ts)i是xi序列中自车在序列终止时行驶的距离，xi序列表示某时间段的三车运动状态向量。
将待评价车辆模型替换成常规驾驶员控制的车辆模型，得到无待评价系统时的单位里程乘员损伤风险，然后利用减小乘员损伤的有效性eff评估：
IR有系统表示由待评价车辆系统控制下的单位里程乘员损伤风险，IR无系统表示无该系统的单位里程乘员损伤风险，
如果结果为正，说明该系统对提高汽车安全性有良好效果，结果为负说明该系统对提高汽车安全性无良好效果。
与现有有效性评价方法相比，本发明的优势在于：通过引入待评价车辆的运行状态数据，可快速实现待评价对象的仿真建模，且采用的建模方法对于不同种类的智能驾驶系统具有通用性，且采用的乘员损伤模型较容易获取。
附图说明
图1为汽车智能驾驶系统有效性评价方法的实施步骤图。
图2为步骤2详图。
图3为步骤3详图。
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，但本领域的技术人员应该知道，以下实施例并不是对本发明技术方案做的唯一限定，凡是在本发明技术方案精神实质下所做的任何等同变换或改动，均应视为属于本发明的保护范围。
如图1所示，本发明基于多数据源，应用多软件联合仿真对汽车智能驾驶系统在减少乘员损伤风险方面进行有效性评价，评价方法的实施包括如下步骤：
1)通过多源数据挖掘得到待评价车辆模型(装有待评价智能驾驶系统)、随机交通场景模型、乘员损伤模型；
2)基于随机交通场景和待评价车辆模型，利用动力学仿真软件仿真筛选出发生事故的特定场景；
3)利用事故再现软件仿真该场景，输出碰撞后车辆状态；
4)结合乘员损伤模型，计算事故发生后的乘员损伤风险；计算单位行驶里程的乘员损伤风险；
5)将待评价车辆模型替换成常规驾驶员控制的车辆模型，重复1)-4)步，得到无待评价系统时的单位里程乘员损伤风险；然后计算并对比有无该安全系统在事故场景中的损伤风险，通过对比结果，得知该安全系统对提高汽车安全性是否有效。
具体各步骤的实现方法为：
1、通过多源数据挖掘得到待评价车辆模型、随机交通场景模型、乘员损伤模型：
ⅰ.基于车辆运行数据挖掘的待评价车辆模型
待评价的智能驾驶系统包含了两个层次：关键参数和控制逻辑。针对该系统的辨识，也需要从这两方面着手。
a.利用待评价系统的实车运行数据实现车辆的整车质量、轮胎刚度、时间延迟系数等关键参数的辨识：
首先利用转向助力电机的转速和转矩信号，估计出转向系统固有频率，基于转向系统的频响特性(式中f0-y为转向系统固有频率，Gs为转向系统传动比、Jd为转向系统转动惯量、kα为回正刚度)计算出回正刚度；然后利用轮胎纵向与侧向动力学相关的特性(kα＝aks+b，式中ks为轮胎纵向刚度，a和b为已知系数)，得到轮胎纵向刚度；
对轮速信号进行傅里叶变换，找到轮胎滚动的固有频率，继而基于轮胎滚动的固有频率和时间延迟系数的关系(式中f0-x为轮胎滚动的固有频率，R为车轮半径，v为自车车速，τx为时间延迟系数)得到了时间延迟系数，I是车轮转动惯量。
b.将待辨识控制逻辑视作一黑箱，利用待评价系统的实车运行数据(自车车速、轮速、加速度、与前车的相对车速、相对距离)和估计的时间延尺系数、轮胎纵向刚度，训练多层神经网络，并以此神经网络作为仿真中待评价系统的控制逻辑。
ⅱ.基于实车实验数据的随机交通场景模型(实车实验数据主要指自车和前车的运动状态信息)
在建立模型时，车辆数目无需特别确定，由设计者考虑的场景决定。比如，设计者只关心不跟前面的车碰撞，这个模型就只有两辆车即可；如果还想着不让后车撞，就设计三辆车的模型。本发明以三车为例，其中第二辆车由待评价的系统控制，第一辆车为自由行驶，第三辆车为驾驶员控制的跟驶车辆。
a.设第一辆车(定义为头车)为自由驾驶；表征该车的状态参数包括加速度a1(t)、车速v1(t)、行驶距离X1(t)，都是时间t的函数；
则在k+1时刻三个参数的关系如下：
v1(k+1)＝v1(k)+Ts·a1(k) (1)
上式中k为采样时刻，而Ts为仿真步长，时间量；a1(k+1)的取值分布符合正态分布，是均值为a1(k)，方差为v1(k)的函数。
b.第三辆的车辆状态参数由密西根大学提出的带有错误操作机制的跟车模型(H.Yang,H.Peng,T.J.Gordon,and D.Leblanc,“Development and Validation of anErrorable Car-Following Driver Model,”2008American Control Conference,pp.3927–3932,Jun.2008.)决定。密西根大学提出的这个后车跟车模型是确定的。
c.自车就是前面建的待评价车辆模型。
ⅲ.基于事故数据的乘员损伤模型
以综合变形深度为事故严重性指标，建立乘员损伤达到MAIS2+的风险概率模型：
其中综合变形深度C，如下式所示：
上式中Ci表示车身在采样位置的变形深度，m和n对应于车身开始发生变形和变形终了附近处的采样序号，采样点一般取6个，Cm和Cn为对应于采样序号m和n处的变形深度。
选取综合变形深度C和碰撞的变形长度作为自变量(变形长度为采样序号m和n间的车身横向距离)，损伤风险概率P(MAIS2+)作为因变量，建立三者的回归关系。选用三次多项式的回归形式(形式并不固定)，如式(4)：
P(MAIS2+)＝a0+a1C+a2Ld+a3CLd+a4C2+a5C2Ld+a6C3 (4)
上式中，Ld为碰撞后变形长度；a0～a6为待确定系数，通过数据拟合得到。
2、基于随机交通场景和待评价智能驾驶系统模型，利用动力学仿真软件仿真筛选出发生事故的特定场景：
结合辨识出的被控对象(待评价车辆)的关键参数，建立基于CarSim(一款车辆动力学仿真软件)的被控对象动力学模型；利用辨识出的待评价智能驾驶系统的控制逻辑和驾驶员跟车模型，建立基于Simulink(另一款车辆动力学仿真软件)的自车跟车模型；建立由前车与后车组成的运行环境模型；综合被控对象动力学模型、自车跟车模型和运行环境模型，仿真筛选出发生事故的三车运动序列数据。
为实现上述功能，使用者根据辨识出的被控对象关键参数(包括整车质量、轮胎刚度、时间延迟系数。)对CarSim中的整车质量、尺寸、传感器模型、轮胎刚度、时间延迟系数等进行设置，使其的动力学性能与被控对象一致，且传感器等性能与智能驾驶系统相匹配。利用Simulink搭建前后车随机动态模型和驾驶员与智能驾驶系统协同控制的自车模型。设置合理的CarSim输入输出端口，实现CarSim和Simulink之间的联合仿真。搭建的CarSim-Simulink联合动力学仿真模块的仿真流程如图2所示。
3、利用事故再现软件仿真该场景，输出碰撞后车辆状态：
采用PC Crash(一款交通事故再现软件)的二次开发软件实现自车的驾驶员与智能驾驶系统协同控制，采用PC Crash对三车的运动过程进行再现。将二次开发软件搭建的自车模型集成到PC Crash的运行场景中，利用二次开发软件实现所有事故场景文件的同时调用，模拟碰撞过程，并收集每个事故的EES(等效能量速度)和碰撞时刻的两车辆坐标信息(这两个数据都能由PC Crash直接输出)。搭建PC Crash二次开发软件联合事故再现仿真模块的仿真流程如图3所示。
4、结合乘员损伤模型，计算事故发生后的乘员损伤风险；计算单位行驶里程的乘员损伤风险：
ⅰ.利用碰撞位置车辆坐标计算出变形长度Ld；
ⅱ.结合变形长度Ld和等效能量速度EES，利用式(5)计算得到综合变形深度C；
EES＝b0+b1C+b2Ld(5)
式中，b0～b2为待拟合系数，也是利用事故数据拟合得到的。
ⅲ.结合变形长度Ld和变形深度C，利用式(4)计算得到乘员损伤风险。
ⅳ.单位里程平均乘员损伤计算如式(6)：
上式中，IR为单位里程平均乘员损伤，P(MAIS2+|xi)是在xi序列下的损伤风险，X(ts)i是xi序列中自车在序列终止时行驶的距离，xi序列表示某时间段的三车运动状态向量。
5、将待评价车辆模型替换成常规驾驶员控制的车辆模型，重复1-4步，得到无待评价系统时的单位里程乘员损伤风险：
计算并对比有、无该安全系统在事故场景中的损伤风险，通过对比结果，得知该安全系统对提高汽车安全性是否有效。
该系统减小乘员损伤的有效性eff评估如下：
其中，IR有系统表示由待评价车辆系统控制下的单位里程乘员损伤风险，IR无系统表示无该系统的单位里程乘员损伤风险。
如果所述计算式的结果为正，说明该系统对提高汽车安全性有良好效果，结果为负说明该系统对提高汽车安全性无良好效果。
本发明提出的是一种对汽车智能驾驶系统对减少乘员损伤风险方面有效性的评价平台，结合基于变形深度乘员损伤模型、基于神经网络和频响特性的系统辨识方法、蒙特卡洛随机仿真方法等，来评价汽车智能驾驶系统的应用对于汽车安全效能的整体改善程度。该评价平台依靠多源数据和多款商业化软件，可实现多种智能驾驶系统的评价，该评价平台运行成本低、速度快，具有较好的普遍适用性。
以上部分所述仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于多源数据挖掘的汽车智能驾驶系统有效性评价方法，其特征在于：包括如下步骤：
1)通过多源数据挖掘得到装有待评价智能驾驶系统的待评价车辆模型、随机交通场景模型、乘员损伤模型；
2)基于随机交通场景和待评价车辆模型，利用动力学仿真软件仿真筛选出发生事故的特定场景；
3)利用事故再现软件仿真该场景，输出碰撞后车辆状态；
4)结合乘员损伤模型，计算事故发生后的乘员损伤风险，计算单位行驶里程的乘员损伤风险；
5)将待评价车辆模型替换成常规控制的车辆模型，重复1)-4)步，得到无待评价系统车辆的单位里程乘员损伤风险，然后对比有、无待评价系统在事故场景中的损伤风险，通过对比结果，得知该系统对提高汽车安全性是否有效。
2.根据权利要求1所述的方法，其特征在于：建立待评价车辆模型的过程是：
a.利用待评价系统的实车运行数据实现车辆的回正刚度、轮胎纵向刚度、时间延迟系数的辨识：
首先利用转向助力电机的转速和转矩信号，估计出转向系统固有频率f0-y，基于转向系统的频率特性计算出回正刚度，式中Gs为转向系统传动比、Jd为转向系统转动惯量、kα为回正刚度；然后利用轮胎纵向与侧向动力学相关的特性kα＝aks+b，得到轮胎纵向刚度，式中ks为轮胎纵向刚度，a和b为已知系数；
对轮速信号进行傅里叶变换，找到轮胎滚动的固有频率f0-x，继而基于轮胎滚动的固有频率和时间延迟系数的关系得到了时间延迟系数，R为车轮半径，v为自车车速，τx为时间延迟系数，I是车轮转动惯量；
b.将待辨识控制逻辑视作一黑箱，利用待评价系统的实车运行数据和估计的时间延尺系数、轮胎纵向刚度，训练多层神经网络，并以此神经网络作为仿真中待评价系统的控制逻辑。
3.根据权利要求1或2所述的方法，其特征在于：建立随机交通场景模型的过程是：
随机交通场景指自车和前车、后车的运动状态，在建立模型时，车辆数目由设计者自行决定；
a.设前车为自由驾驶，表征前车的状态参数包括加速度a1(t)、车速v1(t)、行驶距离X1(t)；
则在k+1时刻三个参数的关系如下：
v1(k+1)＝v1(k)+Ts·a1(k) (1)
<mrow>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msubsup>
<mi>T</mi>
<mi>s</mi>
<mn>2</mn>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
上式中k为采样时刻，Ts为仿真步长，时间量；a1(k+1)的取值分布符合正态分布，是均值为a1(k)，方差为v1(k)的函数；
b.后车状态参数由密西根大学提出的带有错误操作机制的跟车模型决定；
c.自车就是所述待评价车辆模型。
4.根据权利要求1或2或3所述的方法，其特征在于：建立乘员损伤模型的过程是：
a.以综合变形深度为事故严重性指标，建立乘员损伤达到MAIS2+的风险概率模型：其中综合变形深度C，如下式所示：
<mrow>
<mi>C</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mfrac>
<msub>
<mi>C</mi>
<mi>m</mi>
</msub>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<mfrac>
<msub>
<mi>C</mi>
<mi>n</mi>
</msub>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
Ci表示车身在采样位置的变形深度，m和n对应于车身开始发生变形和变形终了附近处的采样序号，Cm和Cn为对应于采样序号m和n处的变形深度；
b.选取综合变形深度C和碰撞的变形长度Ld作为自变量，损伤风险概率P(MAIS2+)作为因变量，建立三者的回归关系：
P(MAIS2+)＝a0+a1C+a2Ld+a3CLd+a4C2+a5C2Ld+a6C3 (4)
a0～a6为待确定系数，通过数据拟合得到。
5.根据权利要求1或2或3或4所述的方法，其特征在于：基于随机交通场景和待评价智能驾驶系统模型，利用动力学仿真软件仿真筛选出发生事故的特定场景的过程是：
结合辨识出的待评价车辆的关键参数，建立基于CarSim车辆动力学仿真软件的待评价车辆动力学模型；利用辨识出的待评价智能驾驶系统的控制逻辑和驾驶员跟车模型，建立基于Simulink车辆动力学仿真软件的自车跟车模型；建立由前车与后车组成的运行环境模型；综合被控对象动力学模型、自车跟车模型和运行环境模型，仿真筛选出发生事故的三车运动序列数据。
6.根据权利要求1所述的方法，其特征在于：利用事故再现软件仿真该场景，输出碰撞后车辆状态的过程是：
采用PC Crash二次开发软件实现自车的驾驶员与智能驾驶系统协同控制，对自车、前车、后车的运动过程进行再现；将搭建的自车模型集成到PC Crash的运行场景中，利用二次开发软件实现所有事故场景文件的同时调用，模拟碰撞过程，并收集每个事故的等效能量速度和碰撞时刻的两车辆坐标信息。
7.根据权利要求1所述的方法，其特征在于：结合乘员损伤模型，计算事故发生后的乘员损伤风险，及单位行驶里程的乘员损伤风险的过程是：
ⅰ.利用碰撞位置车辆坐标计算出变形长度Ld；
ⅱ.结合变形长度Ld和等效能量速度EES，利用式(5)计算得到综合变形深度C；
EES＝b0+b1C+b2Ld (5)
式中，b0～b2为待拟合系数，是利用事故数据拟合得到的；
ⅲ.结合变形长度Ld和变形深度C，利用损伤风险概率P(MAIS2+)：
P(MAIS2+)＝a0+a1C+a2Ld+a3CLd+a4C2+a5C2Ld+a6C3 (4)
计算得到乘员损伤风险，a0～a6为待确定系数，通过数据拟合得到；
ⅳ.计算单位里程平均乘员损伤如式(6)：
<mrow>
<mi>I</mi>
<mi>R</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mi>A</mi>
<mi>I</mi>
<mi>S</mi>
<mn>2</mn>
<mo>+</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>X</mi>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
上式中，IR为单位里程平均乘员损伤，P(MAIS2+|xi)是在xi序列下的损伤风险，X(ts)i是xi序列中自车在序列终止时行驶的距离，xi序列表示某时间段的三车运动状态向量。
8.根据权利要求1或7所述的方法，其特征在于：将待评价车辆模型替换成常规驾驶员控制的车辆模型，得到无待评价系统时的单位里程乘员损伤风险，然后利用减小乘员损伤的有效性eff评估：
IR有系统表示由待评价车辆系统控制下的单位里程乘员损伤风险，IR无系统表示无该系统的单位里程乘员损伤风险，
如果结果为正，说明该系统对提高汽车安全性有良好效果，结果为负说明该系统对提高汽车安全性无良好效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710139406.1A CN107291972B (zh) | 2017-03-10 | 2017-03-10 | 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710139406.1A CN107291972B (zh) | 2017-03-10 | 2017-03-10 | 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107291972A true CN107291972A (zh) | 2017-10-24 |
| CN107291972B CN107291972B (zh) | 2019-10-18 |
Family
ID=60094532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710139406.1A Active CN107291972B (zh) | 2017-03-10 | 2017-03-10 | 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107291972B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009903A (zh) * | 2019-03-05 | 2019-07-12 | 同济大学 | 一种交通事故现场还原方法 |
| WO2019213981A1 (zh) * | 2018-05-08 | 2019-11-14 | 清华大学 | 基于等效力的行车风险实时评估方法及其装置 |
| CN110781578A (zh) * | 2019-09-23 | 2020-02-11 | 同济大学 | 一种基于事故场景的智能网联车算法的测试及评价方法 |
| CN110851958A (zh) * | 2019-10-16 | 2020-02-28 | 清华大学 | 碰撞严重性的预测方法 |
| CN111272420A (zh) * | 2020-03-03 | 2020-06-12 | 陕西重型汽车有限公司 | 一种四维一体的大数据amt综合评测方法 |
| CN111539087A (zh) * | 2019-01-18 | 2020-08-14 | 上汽通用汽车有限公司 | 自动驾驶系统仿真测试平台和自动驾驶系统评价方法 |
| CN111862556A (zh) * | 2020-05-27 | 2020-10-30 | 中汽数据有限公司 | 一种基于驾驶员行为分析的碰撞预警功能评价方法 |
| CN112559378A (zh) * | 2020-12-25 | 2021-03-26 | 北京百度网讯科技有限公司 | 自动驾驶算法评估方法和装置、场景库生成方法和装置 |
| CN113159576A (zh) * | 2021-04-21 | 2021-07-23 | 清华大学 | 一种自动驾驶汽车的行车风险计算方法及在线评估系统 |
| CN114371708A (zh) * | 2021-12-31 | 2022-04-19 | 清华大学 | 自动驾驶算法保护性能评测方法和装置 |
| CN115014375A (zh) * | 2022-06-06 | 2022-09-06 | 北京京深深向科技有限公司 | 碰撞检测方法、装置及电子设备、存储介质 |
| CN115230805A (zh) * | 2022-06-02 | 2022-10-25 | 湖北三环智能科技有限公司 | 一种面向重载agv的精确转向控制方法 |
| CN117574532A (zh) * | 2023-11-07 | 2024-02-20 | 中国汽车工程研究院股份有限公司 | 一种基于aeb技术的性能评估方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103879379A (zh) * | 2013-12-31 | 2014-06-25 | 莱阳市科盾通信设备有限责任公司 | 一种车辆智能辅助驾驶系统 |
| CN105808857A (zh) * | 2016-03-10 | 2016-07-27 | 清华大学 | 基于碰撞变形深度的汽车主动安全系统有效性的预测方法 |
| CN106202715A (zh) * | 2016-07-08 | 2016-12-07 | 成都合纵连横数字科技有限公司 | 一种酒后驾驶模拟方法 |
-
2017
- 2017-03-10 CN CN201710139406.1A patent/CN107291972B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103879379A (zh) * | 2013-12-31 | 2014-06-25 | 莱阳市科盾通信设备有限责任公司 | 一种车辆智能辅助驾驶系统 |
| CN105808857A (zh) * | 2016-03-10 | 2016-07-27 | 清华大学 | 基于碰撞变形深度的汽车主动安全系统有效性的预测方法 |
| CN106202715A (zh) * | 2016-07-08 | 2016-12-07 | 成都合纵连横数字科技有限公司 | 一种酒后驾驶模拟方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHEN LONG ET AL: ""The relationship between the resonance frequency of a steering system and the tire-road friction coefficient"", 《THE 13TH INTERNATIONAL SYMPOSIUM ON ADVANCED VEHICLE CONTROL》 * |
| LONG CHEN ET AL: ""Tire-road friction Estimation based on frequency characteristics of in-wheel electric drive system"", 《EVS28 INTERNATIONAL ELECTRIC VEHICLE SYMPOSIUM AND EXHIBITION》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019213981A1 (zh) * | 2018-05-08 | 2019-11-14 | 清华大学 | 基于等效力的行车风险实时评估方法及其装置 |
| CN111539087A (zh) * | 2019-01-18 | 2020-08-14 | 上汽通用汽车有限公司 | 自动驾驶系统仿真测试平台和自动驾驶系统评价方法 |
| CN111539087B (zh) * | 2019-01-18 | 2024-04-09 | 上汽通用汽车有限公司 | 自动驾驶系统仿真测试平台和自动驾驶系统评价方法 |
| CN110009903B (zh) * | 2019-03-05 | 2022-02-18 | 同济大学 | 一种交通事故现场还原方法 |
| CN110009903A (zh) * | 2019-03-05 | 2019-07-12 | 同济大学 | 一种交通事故现场还原方法 |
| CN110781578A (zh) * | 2019-09-23 | 2020-02-11 | 同济大学 | 一种基于事故场景的智能网联车算法的测试及评价方法 |
| CN110781578B (zh) * | 2019-09-23 | 2024-03-29 | 同济大学 | 一种基于事故场景的智能网联车算法的测试及评价方法 |
| CN110851958A (zh) * | 2019-10-16 | 2020-02-28 | 清华大学 | 碰撞严重性的预测方法 |
| CN110851958B (zh) * | 2019-10-16 | 2021-04-20 | 清华大学 | 一种面向乘员损伤风险的碰撞严重性预测方法 |
| CN111272420A (zh) * | 2020-03-03 | 2020-06-12 | 陕西重型汽车有限公司 | 一种四维一体的大数据amt综合评测方法 |
| CN111862556A (zh) * | 2020-05-27 | 2020-10-30 | 中汽数据有限公司 | 一种基于驾驶员行为分析的碰撞预警功能评价方法 |
| CN112559378B (zh) * | 2020-12-25 | 2023-12-05 | 北京百度网讯科技有限公司 | 自动驾驶算法评估方法和装置、场景库生成方法和装置 |
| CN112559378A (zh) * | 2020-12-25 | 2021-03-26 | 北京百度网讯科技有限公司 | 自动驾驶算法评估方法和装置、场景库生成方法和装置 |
| CN113159576B (zh) * | 2021-04-21 | 2022-05-13 | 清华大学 | 一种自动驾驶汽车的行车风险计算方法及在线评估系统 |
| CN113159576A (zh) * | 2021-04-21 | 2021-07-23 | 清华大学 | 一种自动驾驶汽车的行车风险计算方法及在线评估系统 |
| CN114371708A (zh) * | 2021-12-31 | 2022-04-19 | 清华大学 | 自动驾驶算法保护性能评测方法和装置 |
| CN115230805A (zh) * | 2022-06-02 | 2022-10-25 | 湖北三环智能科技有限公司 | 一种面向重载agv的精确转向控制方法 |
| CN115230805B (zh) * | 2022-06-02 | 2023-09-05 | 湖北三环智能科技有限公司 | 一种面向重载agv的精确转向控制方法 |
| CN115014375B (zh) * | 2022-06-06 | 2023-11-03 | 北京京深深向科技有限公司 | 碰撞检测方法、装置及电子设备、存储介质 |
| CN115014375A (zh) * | 2022-06-06 | 2022-09-06 | 北京京深深向科技有限公司 | 碰撞检测方法、装置及电子设备、存储介质 |
| CN117574532A (zh) * | 2023-11-07 | 2024-02-20 | 中国汽车工程研究院股份有限公司 | 一种基于aeb技术的性能评估方法 |
| CN117574532B (zh) * | 2023-11-07 | 2024-10-18 | 中国汽车工程研究院股份有限公司 | 一种基于aeb技术的性能评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107291972B (zh) | 2019-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107291972B (zh) | 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法 | |
| JP7053147B2 (ja) | 自動車特に自動車の装置のエネルギー効率を分析するためのシステムおよび方法 | |
| Wachenfeld et al. | The release of autonomous vehicles | |
| Yang et al. | Modeling and analysis of the lane-changing execution in longitudinal direction | |
| Zhao et al. | From the lab to the street: Solving the challenge of accelerating automated vehicle testing | |
| Vajedi et al. | Ecological adaptive cruise controller for plug-in hybrid electric vehicles using nonlinear model predictive control | |
| KR102548743B1 (ko) | 차량의 에너지 효율 분석을 위한 시스템 및 방법 | |
| Gietelink et al. | Development of advanced driver assistance systems with vehicle hardware-in-the-loop simulations | |
| Vahidi et al. | Research advances in intelligent collision avoidance and adaptive cruise control | |
| Zhao et al. | Identification of driver’s braking intention based on a hybrid model of GHMM and GGAP-RBFNN | |
| Cheng et al. | Longitudinal autonomous driving based on game theory for intelligent hybrid electric vehicles with connectivity | |
| DE102014006319A1 (de) | System zur Beurteilung und/oder Optimierung des Betriebsverhaltens eines Fahrzeugs | |
| Gupta et al. | Estimation of fuel economy on real-world routes for next-generation connected and automated hybrid powertrains | |
| CN106585635A (zh) | 驾驶行为评分方法和装置 | |
| KR20170115831A (ko) | 운전자 구분을 이용한 보험 상품의 제안 방법 및 그 장치 | |
| Nouveliere et al. | Energy saving and safe driving assistance system for light vehicles: Experimentation and analysis | |
| Lee et al. | Development of a driving behavior-based collision warning system using a neural network | |
| CN113722835A (zh) | 拟人化随机换道驾驶行为建模方法 | |
| Shi et al. | Applying a WNN-HMM based driver model in human driver simulation: Method and test | |
| CN115257789A (zh) | 城市低速环境下的营运车辆侧向防撞驾驶决策方法 | |
| Kharrazi et al. | Extending behavioral models to generate mission-based driving cycles for data-driven vehicle development | |
| Lai et al. | Simulation analysis of automatic emergency braking system under constant steer conditions | |
| Yang et al. | Optimization of emergency braking pedestrian collision avoidance for autonomous vehicle fusing the fuzzy neural network with the genetic algorithm | |
| Pang et al. | A Survey of Decision-Making Safety Assessment Methods for Autonomous Vehicles | |
| Tajeddin | Automatic code generation of real-time nonlinear model predictive control for plug-in hybrid electric vehicle intelligent cruise controllers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |