CN108312957B - 一种基于道路信息的自适应车辆弯道照明系统及方法 - Google Patents

Abstract

本发明公开了一种基于道路信息的自适应车辆弯道照明系统及方法，涉及汽车智能前照明系统技术领域。利用车速传感器获取车辆纵向行驶车速，利用高精度摄像头获取道路信息，将车速和道路信息发送至中央控制单元，经中央控制单元计算得到前方弯道曲率半径ρ以及距弯道入口的距离D，根据ρ和D由遗传优化BP神经网络模型得到车前灯提前转动角度信息。将车前灯提前转动角度信息发送至步进电机控制器，步进电机控制器控制步进电机转动，使车前灯提前转动相应角度。本发明减少了传统自适应车前照明系统中车前灯实际转角滞后于理想转角所带来的不利影响，提高了车辆弯道行驶安全性。

Description

一种基于道路信息的自适应车辆弯道照明系统及方法

技术领域

本发明涉及汽车智能前照明系统技术领域，具体涉及是根据道路情况来提前控制前车灯转角的系统及控制方法。

背景技术

汽车照明系统是车辆夜间安全行驶重要的系统之一，能够使驾驶员观察清楚道路的情况。然而，随着交通道路日益复杂，驾驶员对照明系统的要求越来越高，传统只配备远光灯和近光灯的照明系统已难以满足安全驾驶的要求。特别是在夜间弯道行驶时，由于传统前车灯照明方向的限制，使得道路上存在着照明盲区，驾驶员难以清楚地掌握道路障碍情况，发生交通事故的概率提高。

汽车自适应前照明系统(Adaptive Front-lighting System，简称AFS)是由传感器单元、控制器单元、执行器单元以及控制对象组成。能够根据传感器单元获取车辆运动状态信息，经过控制器单元计算出车前灯需转动的角度信息，然后将控制信息发送给执行器单元，实现车前灯内的步进电机工作，使车前灯转动相应角度，减少照明盲区。然而，由于从信息采集、计算和传输以及执行器步进电机工作特性需要花费一定的时间，使得实际车灯转角相对于理想车灯转角存在的滞后，特别是在车辆入弯时，车辆前灯实际转角和理想转角的滞后达到最大，这就降低了道路可视条件，影响驾驶安全。

国家专利201010611371.5提出通过构建两个正交的加速度坐标系数学模型，利用牛顿力学公式和三角形公式计算出前车灯旋转角度。但是没有考虑实际转角与理想转角的滞后性，影响驾驶安全。

国家专利201410024476.9提出通过提前检测弯道为左转还是右转，根据车辆左侧驾驶和右侧驾驶的不同采用不同的控制策略，使车前左右车灯转动角度不同，提到驾驶员能见度。但同样未提如何减少由于时间滞后而带来的盲区照明不足的影响，对安全驾驶存在威胁。

虽然说AFS系统极大地改善了夜间行车条件，但是由于种种原因，车辆在入弯时，实际车灯转角与理想车灯转角存在滞后的问题还未彻底解决。因此，对现有的智能前照明控制系统还需要改进。

发明内容

为了解决上述问题，本发明提供了一种基于道路曲率的自适应车辆弯道照明系统及方法，在传统的AFS系统上，根据车辆行驶信息和环境信息，在车辆入弯时，使车前灯提前转动相应角度，减少实际角度与理想角度的偏差，增大照明区域，提高车辆夜间弯道行驶安全性。

本发明是通过以下技术手段实现上述目的。

一种基于道路信息的自适应车辆弯道照明系统，包括车速传感器，高精度摄像头，中央控制器单元，步进电机控制器，左前步进电机，右前步进电机，左前车灯，右前车灯。

所述车速传感器用来测量车辆的纵向行驶速度。所述高精度摄像头用来获取车辆前方道路信息，所述中央控制器单元通过CAN总线接收所述由车速传感器提供的车辆纵向行驶速度以及由所述高精度摄像头提供的道路信息，由中央控制器单元计算获得弯道曲率半径以及车辆与入弯口的距离。中央控制单元根据弯道曲率半径和与入弯口的距离计算出车前灯提前转动角度，并将角度信息传给所述步进电机控制器。所述步进电机控制器接收中央控制器单元的信号，将转角信号转化为步进电机控制信号传输给所述左前步进电机和所述右前步进电机，所述左前步进电机控制左前车灯转动相应角度，所述右前步进电机控制右前车灯转动相应角度。

一种基于道路信息的自适应车辆弯道照明方法，其特征在于，包括以下步骤：

步骤:1：建立基于遗传优化BP神经网络的车前灯提前转动角模型，使用实际试验数据进行训练，使模型达到预期精度。

步骤2：根据车速传感器获取车辆纵向行驶速度v，根据高精度摄像头获取车辆前方道路信息，由中央控制器单元根据道路信息计算得到弯道曲率半径ρ和车辆与弯道入口的距离D。

步骤3：以步骤2得到的车辆纵向速度v、道路曲率半径ρ以及距离D为输入，根据步骤1中的车前灯提前转动角模型，得到此刻车辆前照明灯需要转动的角度θ。

步骤4：根据步骤3得到的角度θ，步进电机控制器通过控制步进电机转动，使车前灯提前转动θ角度。

进一步，所述步骤1具体如下：

步骤1.1：选取装备有前述自适应前照明系统的车辆为试验车辆，并在试验车辆上装有录像设备用以记录试验时车前照明情况。同时试验车辆装备有速度传感器以测量车辆速度和高精度摄像头以记录车辆距弯道入口的距离。

步骤1.2：选取不同曲率半径的弯道为试验车辆行驶路径，曲率半径分别为100m、150m、200m、250m、300m、350m、400m。要求驾驶员以恒定的车速驶入弯道，恒定车速为30km/h、40km/h、50km/h和60km/h。试验车辆每次在距离弯道口150米处启动并加速，当车辆达到试验设定速度时，通过控制器向步进电机控制器发送角度信息，控制步进电机转动，使车前灯提前转动相应角度，其中角度分别为1°、1.5°、2°、2.5°、3°、3.5°、4°、4.5°和5°。每次试验做3次。

步骤1.3：员通过观看录像设备查看试验影像，并选取照明效果最好的试验组，记录相应的曲率半径ρ、车速v、车辆距弯道入口距离D以及车前灯提前转角θ。

步骤1.4建立遗传优化BP神经网络模型，以道路曲率半径ρ、车辆纵向速度v以及车辆距弯道入口距离D为输入，以车前灯提前转动角度θ为输出，建立基于遗传优化BP神经网络的车前灯提前转动角模型。利用步骤1.3记录的曲率半径ρ、车速v、车辆距弯道入口距离D以及车前灯提前转角θ训练车前灯提前转动角模型，达到预设精度时停止训练。

进一步，所述步骤3具体如下：

步骤3.1：对通过高精度摄像头获取的图像信息进行实时计算，获得车辆前方100m内弯道曲率半径ρ。

步骤3.2：根据步骤3.1所获取的弯道曲率半径ρ，若ρ<600m，记录此时车辆行驶纵向车速v以及此时车辆距弯道入口距离D，并执行步骤3.3，然后再启动自适应前照明系统；若ρ>600m，则不进行车前灯提前转角控制。

步骤3.3：将步骤3.2所记录的车辆行驶纵向车速v和车辆距弯道入口距离D以及步骤3.1所获取的车辆弯道曲率半径ρ作为输入，经过由步骤1所建立的基于遗传优化BP神经网络的车前灯提前转动角模型进行计算，得到此刻车前灯需要转动的角度θ。

本发明的有益效果：

(1)本发明通过大量的车前灯提前转角试验，研究了影响提前转动角度大小的因素，建立了基于遗传优化BP神经网络的车前灯提前转动角模型。

(2)能够根据车辆行驶纵向速度、前方弯道曲率半径以及车辆距弯道入口的距离得到最优的车前灯提前转角，减少了传统自适应前照明系统存在实际转角滞后于理想转角的误差，增大了夜间弯道照明面积，提高行驶安全性。

附图说明

图1为基于道路信息的自适应车辆前照明系统框图；

图2为基于道路信息的自适应车辆前照明方法示意图；

图3为遗传优化BP神经网络模型流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

如图1所示，本发明提供了一种基于道路信息的自适应车辆前照明系统，包括车速传感器，高精度摄像头，中央控制器单元，步进电机控制器，左前步进电机，右前步进电机，左前车灯，右前车灯。所述车速传感器用来测量车辆的纵向行驶速度。所述高精度摄像头(可以表述为CCD摄像头)用来获取车辆前方道路信息，中央控制器单元根据道路信息计算获得前方弯道的弯道曲率以及车辆与入弯口的距离。所述(中央控制器单元为车载控制单元ECU)中央控制器单元通过CAN总线接收由所述车速传感器提供的车辆纵向行驶速度信息以及由所述高精度摄像头提供的道路信息，中央控制器单元计算出车前灯提前转动角度，并将角度信息传给所述步进电机控制器。所述步进电机控制器接收中央控制器单元的信号，将转角信号转化为步进电机控制信号传输给所述左前步进电机和所述右前步进电机，所述左前步进电机控制左前车灯转动相应角度，所述右前步进电机控制右前车灯转动相应角度。

如图2所示，本发明提供了一种基于道路信息的自适应车前照明方法，包括以下步骤：

步骤:1：建立基于遗传优化BP神经网络的车前灯提前转动角模型，使用实际试验数据进行训练，使模型达到预期精度。

进一步，所述步骤1具体如下：

步骤1.1：选取装备有自适应前照明系统的车辆为试验车辆，并在试验车辆上装有录像设备用以记录试验时车前照明情况。同时试验车辆装备有速度传感器以测量车辆速度和高精度摄像头以记录车辆距弯道入口的距离。

步骤1.2：选取不同曲率半径的弯道为试验车辆行驶路径，曲率半径分别为100m、150m、200m、250m、300m、350m、400m。要求驾驶员以恒定的车速驶入弯道，恒定车速为30km/h、40km/h、50km/h和60km/h。试验车辆每次在距离弯道口150米处启动并加速，当车辆达到试验设定速度时，通过控制器向步进电机控制器发送角度信息，控制步进电机转动，使车前灯提前转动相应角度，其中角度分别为1°、1.5°、2°、2.5°、3°、3.5°、4°、4.5°和5°。每次试验做3次。

步骤1.3：通过观看录像设备查看试验影像，并选取照明效果最好的试验组，记录相应的曲率半径ρ、车速v、车辆距弯道入口距离D以及车前灯提前转角θ。

步骤1.4建立遗传优化BP神经网络模型，以道路曲率半径ρ、车辆纵向速度v以及车辆距弯道入口距离D为输入，以车前灯提前转动角度θ为输出，建立基于遗传优化BP神经网络的车前灯提前转动角模型。利用步骤1.3记录的曲率半径ρ、车速v、车辆距弯道入口距离D以及车前灯提前转角θ训练车前灯提前转动角模型，达到预设精度时停止训练。

如图3所示为遗传优化BP神经网络模型流程图，具体如下：

步骤1.4.1确定神经网络的拓扑结构：隐含层节点数m，输入层节点数n，输出层节点数l。

步骤1.4.2初始化遗传算法种群，生成规模为P的初始种群X＝(X₁,X₂,…,X_p)^T。根据神经网络的拓扑结构，采用实数编码的方式得到种群个体X_i＝(x₁,x₂,…,x_s)，作为遗传算法中一个染色体。染色体长度为

s＝n×m+m×l+m+l (1)

式中，m为隐含层节点数，n为输入层节点数，l为输出层节点数。

步骤1.4.3确定适应度函数，使用染色体对BP神经网络的连接权值和阈值进行赋值，输入样本进行神经网络训练，得到一个网络输出值o_i，则种群中个体X_i的适应度函数为

式中，y_j为期望输出训练值，k为系数。

步骤1.4.4选择操作，本发明采用轮盘赌法选择算子，则每个个体X_i被选中的概率p_i为：

f_i＝k/F_i (3)

其中，f_i为中间变量。

步骤1.4.5交叉操作，第k个染色体与第l个染色体在第j位基因的交叉操作为：

其中，x_kj为第k个染色体的第j位基因，x_lj为第l个染色体的第j位基因，b为[0,1]间的随机数。

步骤1.4.6变异操作，第i个染色体第j个基因的变异操作为：

其中，x_min和x_max分别为基因x_ij的最小值和最大值，r为[0,1]间的随机数，r₂为一个随机数，g为当前迭代次数，G_max为最大进化次数，x_ij为第i个染色体第j个基因。

步骤1.4.7计算适应度值，判断是否满足终止条件，获得BP神经网络最优初始权值和阈值。通过判断BP神经网络误差值是否满足精度要求，调整权值和阈值，获得最优的网络权值和阈值。

步骤2：根据车速传感器获取车辆纵向行驶速度v，根据高精度摄像头获取前方道路信息，控制单元根据道路信息计算得到车辆前方弯道曲率半径ρ和车辆与弯道入口的距离D。

步骤3：以步骤2得到的车辆纵向速度v、道路曲率半径ρ以及距离D为输入，根据步骤1中的车前灯提前转动角模型，得到此刻车辆前照明灯需要转动的角度θ。

进一步，所述步骤3具体如下：

步骤3.1：对通过高精度摄像头获取的图像信息进行实时计算，获得车辆前方100m内弯道曲率半径ρ。

步骤3.2：根据步骤3.1所获取的弯道曲率半径ρ，若ρ<600m，记录此时车辆行驶纵向车速v以及此时车辆距弯道入口距离D，并执行步骤3.3，然后再启动自适应前照明系统；若ρ>600m，则不进行车前灯提前转角控制计算。

步骤3.3：将步骤3.2所获取的车辆行驶纵向车速v和车辆距弯道入口距离D以及步骤3.1所获取的车辆弯道曲率半径ρ作为输入，经过由步骤1所建立的基于遗传优化BP神经网络的车前灯提前转动角模型进行计算，得到此刻车前灯需要转动的角度θ。

步骤4：根据步骤3得到的角度θ，步进电机控制器通过控制步进电机转动，使车前灯提前转动θ角度。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于道路信息的自适应车辆弯道照明方法，其特征在于，包括以下步骤：

步骤1：建立基于遗传优化BP神经网络的车前灯提前转动角模型，使用实际试验数据进行训练，使模型达到预期精度；

步骤2：根据车速传感器获取车辆纵向行驶速度v，根据高精度摄像头获取的道路信息，由中央控制器单元计算得到车辆前方弯道曲率半径ρ和车辆与弯道入口的距离D；

步骤3：以步骤2得到的车辆纵向速度v、道路曲率半径ρ以及距离D为输入，根据步骤1中的车前灯提前转动角模型，得到此刻车辆前照明灯需要转动的角度θ；

步骤4：根据步骤3得到的角度θ，步进电机控制器通过控制步进电机转动，使车前灯提前转动θ角度。

2.根据权利要求1所述的一种基于道路信息的自适应车辆弯道照明方法，其特征在于：所述步骤1包括以下步骤：

步骤1.1：选取装备有自适应前照明系统的车辆为试验车辆，并在试验车辆上装有录像设备用以记录试验时车前照明情况，同时试验车辆装备有车速传感器以测量车辆速度和高精度摄像头以获得车辆距弯道入口的距离；

步骤1.2：进行实车弯道行驶照明试验，并通过录像设备记录试验影像；

步骤1.3：查看试验影像，并选取照明效果最好的试验组，记录相应的曲率半径ρ、车速v、车辆距弯道入口距离D以及车前灯提前转角θ；

步骤1.4建立遗传优化BP神经网络模型，以道路曲率半径ρ、车辆纵向速度v以及车辆距弯道入口距离D为输入，以车前灯提前转动角度θ为输出，建立基于遗传优化BP神经网络的车前灯提前转动角模型；

利用步骤1.3记录的曲率半径ρ、车速v、车辆距弯道入口距离D以及车前灯提前转角θ训练车前灯提前转动角模型，达到预设精度时停止训练。

3.根据权利要求2所述的一种基于道路信息的自适应车辆弯道照明方法，其特征在于，所述步骤1.2进行实车弯道行驶照明试验，具体试验过程为：选取不同曲率半径的弯道为试验车辆行驶路径，曲率半径分别为100m、150m、200m、250m、300m、350m、400m；试验车辆以恒定的车速分别驶入曲率半径不同的弯道，恒定车速分别为30km/h、40km/h、50km/h和60km/h；试验车辆每次在距离弯道口150米处启动并加速，当车辆达到试验设定速度时，通过控制器向步进电机控制器发送角度信息，控制步进电机转动，使车前灯提前转动相应角度，其中角度分别为1°、1.5°、2°、2.5°、3°、3.5°、4°、4.5°和5°。

4.根据权利要求2所述的一种基于道路信息的自适应车辆弯道照明方法，其特征在于：所述步骤1.4建立遗传优化BP神经网络模型，具体如下：用遗传算法得到的最优个体对BP神经网络初始权值和阈值进行赋值，用BP神经网络预测模型进行局部寻优，从而得到具有全局最优解的BP神经网络预测值。

5.根据权利要求4所述的一种基于道路信息的自适应车辆弯道照明方法，其特征在于：步骤1.4中遗传优化BP神经网络模型的具体实现如下：

步骤1.4.1：确定神经网络的拓扑结构：隐含层节点数m，输入层节点数n，输出层节点数l；

步骤1.4.2：初始化遗传算法种群，生成规模为P的初始种群X＝(X₁,X₂,…,X_p)^T；根据神经网络的拓扑结构，采用实数编码的方式得到种群个体X_i＝(x₁,x₂,…,x_s)，作为遗传算法中一个染色体，染色体长度为

s＝n×m+m×l+m+l

式中，m为隐含层节点数，n为输入层节点数，l为输出层节点数；

步骤1.4.3：确定适应度函数，使用染色体对BP神经网络的连接权值和阈值进行赋值，输入样本进行神经网络训练，得到一个网络输出值o_i，则种群中个体X_i的适应度函数为

式中，y_j为期望输出训练值，k为系数；

步骤1.4.4：选择操作，采用轮盘赌法选择算子，则每个个体X_i被选中的概率p_i为：

f_i＝k/F_i

步骤1.4.5：交叉操作，第k个染色体与第l个染色体在第j位基因的交叉操作为：

其中，x_kj为第k个染色体的第j位基因，x_lj为第l个染色体的第j位基因，b为[0,1]间的随机数；

步骤1.4.6：变异操作，第i个染色体第j个基因的变异操作为：

其中，x_min和x_max分别为基于x_ij的最小值和最大值，r为[0,1]间的随机数，r₂为一个随机数，g为当前迭代次数，G_max为最大进化次数，x_ij为第i个染色体第j个基因；

步骤1.4.7：计算适应度值，判断是否满足终止条件，获得BP神经网络最优初始权值和阈值。通过判断BP神经网络误差值是否满足精度要求，调整权值和阈值，获得最优的网络权值和阈值。

6.根据权利要求1所述的一种基于道路信息的自适应车辆弯道照明方法，其特征在于：所述步骤3包括以下步骤：

步骤3.1：对通过高精度摄像头获取的图像信息进行实时计算，获得车辆前方100m内弯道曲率半径ρ和距离弯道入口的距离D；

步骤3.2：根据步骤3.1所获取的弯道曲率半径ρ，若ρ<600m，记录此时车辆行驶纵向车速v以及此时车辆距弯道入口距离D，并执行步骤3.3，然后再启动自适应前照明系统；若ρ>600m，则不进行车前灯提前转角控制计算；

步骤3.3：将步骤3.2所获取的车辆行驶纵向车速v和车辆距弯道入口距离D以及步骤3.1所获取的车辆弯道曲率半径ρ作为输入，经过由步骤1所建立的基于遗传优化BP神经网络的车前灯提前转动角模型进行计算，得到此刻车前灯需要转动的角度θ。

Images