CN108622105B - 基于多元回归分析的车辆弯道安全车速预测及预警系统 - Google Patents
基于多元回归分析的车辆弯道安全车速预测及预警系统 Download PDFInfo
- Publication number
- CN108622105B CN108622105B CN201810336285.4A CN201810336285A CN108622105B CN 108622105 B CN108622105 B CN 108622105B CN 201810336285 A CN201810336285 A CN 201810336285A CN 108622105 B CN108622105 B CN 108622105B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- curve
- safe
- speed
- model
- 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.)
- Expired - Fee Related
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/064—Degree of grip
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
- B60W40/13—Load or weight
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
- B60W40/13—Load or weight
- B60W2040/1315—Location of the centre of gravity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/30—Road curve radius
Abstract
本发明涉及一种基于多元回归分析的车辆弯道安全车速预测及预警系统,包括试验数据采集模块、试验数据预处理模块、试验数据分析模块、安全车速模型数据库、弯道信息模块、车辆类型判别模块和弯道安全车速预警模块。系统通过采集所需试验数据,经试验数据处理后进行多元线性回归分析得到临界横向附着因数模型和横向载荷转移率模型,再通过公式转化得到安全车速模型。再把采集到的弯道路面数据和车辆类型输入到安全车速模型数据库。运算后得到弯道安全预测车速,在弯道入口LED显示屏上显示,警示驾驶员安全通过弯道的车速。本发明综合考虑了多种因素对弯道安全车速的影响,能够准确预测弯道安全车速,为驾驶员提供安全预警车速,使车辆稳定和安全的驶过弯道。
Description
技术领域
本发明属于交通安全技术领域,涉及一种基于多元回归分析的车辆弯道安全车速预测及预警系统
背景技术
弯道交通事故是众多交通事故种类的一种,具有频发性、发生概率大和危害性大等特点。根据2016年道路交通事故统计年报可知,在其全年中发生在弯道的交通事故高达3.9万起,死亡人数多达1.48万,分别占道路交通事故总数的18.36%和23.47%,这其中大多数的交通事故是由于超速驾驶而引起的。因此开发弯道车速预警系统是必要的,可以降低由车辆超速引起的侧翻和侧滑,减少交通事故的发生。
现有的技术中,申请号为“CN201210189007.3”的中国发明专利,在逆行车方向的弯道入口处前的道路路基侧安装监控摄像头、雨量传感器和速度反馈标志装置组成的速度反馈标志系统,其中,速度反馈标志装置中有中控芯片、测速雷达、LED显示屏和提示字符;根据所驾车型、天气条件和道路线形条件等,以警告驾驶人在进入弯道前将车速控制在适当的范围内,以防止入弯后交通事故的发生,可针对不同天气条件下所引起的道路附着系数变化和不同弯道路段实时提示不同车型对应的入弯临界安全车速,并将车速信息与行驶状态在车辆入弯前及时反馈回驾驶人,以保证驾驶人有足够的时间进行车速调整。但是该发明没有给出具体的弯道处失稳类型(侧滑和侧翻)的判断方式,同时路面附着系数的识别方法复杂、车辆类型识别精确度较低。
现有的技术中,申请号为“CN201610838220.0”的中国发明专利,公开了一种危险货物罐车弯道安全车速获取方法及超速警示系统,该系统包括:车辆信息采集模块,天气状况模块,中控模块,显示模块。通过把车辆信息和天气情况输入到中控模块,获得车辆在弯道处侧翻的临界速度vf,车辆在弯道处侧滑的临界速度vh,车辆在弯道处的最小可视距离范围内能安全停车的临界速度vt,即确定车辆入弯时的安全速度vsafe,vsafe=min[af,ah,at];再采集当前车辆的速度v,当速度大于安全速度vsafe时,向驾驶员发出警告。但该专利的缺点是通过公式简单的计算获得安全车速,可靠性和安全性较低;而车辆总质量对货车的侧翻影响较严重,该专利也没有考虑车辆总质量对车辆的影响。
发明内容
本发明的目的是提供一种基于多元回归分析的车辆弯道安全车速预测及预警系统,通过预测给出弯道安全行驶车速,以防驾驶员超速驶入弯道造成车辆侧滑和侧翻的危险,使车辆稳定和安全的驶过弯道。
本发明的技术方案是:基于多元回归分析的车辆弯道安全车速预测及预警系统,包括试验数据采集模块、试验数据预处理模块、试验数据分析模块、安全车速模型数据库、弯道信息模块、车辆类型判别模块和弯道安全车速预警模块。试验数据采集模块的输出端通过试验数据预处理模块和试验数据分析模块连接到安全车速模型数据库的输入端,弯道信息模块的输出端和车辆类型判别模块输出端分别连接到安全车速模型数据库另外两个输入端,安全车速模型数据库的输出端连接到弯道安全车速预警模块的输入端。系统通过采集所需试验数据,经试验数据处理后进行多元线性回归分析得到临界横向附着因数模型和横向载荷转移率模型,再通过公式转化得到安全车速模型。然后把采集到的弯道路面数据和判断出的车辆类型输入到安全车速模型数据库。运算后得到弯道安全预测车速,在弯道入口的LED显示屏上显示,警示驾驶员安全通过弯道的车速。
试验数据采集模块包括试验设计和试验数据采集两部分,试验设计为根据车辆在不同弯道上行驶,确定弯道的超高、车辆总质量、弯道半径、车辆质心高度、车辆行驶速度及路面附着系数。试验数据采集为通过车轮六分力传感器采集车辆每个车轮的垂直力(Fz)和侧向力(Fy)。
试验数据预处理模块包括有数据读入、数据计算和数据选取。读入数据的数据包括垂直力和侧向力。数据计算为利用读入的数据计算临界横向附着因数和横向载荷转移率。数据选取为选取录入数据中的临界横向附着因数和横向载荷转移率的最大值μmax和LTRmax。临界横向附着因数和横向载荷转移率的计算公式为:
临界横向附着因数:
横向载荷转移率:
式中:
i为车轴数,i=1,2;
Fyl为车轮的左侧的侧向力,单位:牛顿;
Fyr为车轮的右侧的侧向力,单位:牛顿;
Fzl为车轮左侧的垂直力,单位:牛顿;
Fzr为车轮右侧的垂直力,单位:牛顿。
试验数据分析模块把弯道的超高、车辆总质量、车辆质心高度、弯道半径、车辆行驶速度及路面附着系数、临界横向附着因数最大值和横向载荷转移率最大值构成参数矩阵。将参数矩阵读入表格中,利用SPSS进行多元线性回归分析,得到临界横向附着因数模型和横向载荷转移率模型。利用临界横向附着因数模型和横向载荷转移率模型得到的临界速度,取最小值即为安全车速模型,如公式(7)所示。
模型公式如下:
临界横向附着因数模型:
横向载荷转移率模型:
将公式(3)和(4)转化为速度模型:
侧滑临界速度:
侧翻临界速度:
安全车速模型:vsafe=min{v1,v2} (7)
式中:
μmax为临界横向附着因数最大值;
LTRmax为横向载荷转移率最大值;
φc为车轮临界附着因数的安全阈值;
LTRc为横向载荷转移率的安全阈值;
v为车速,单位为:km/h;
r为弯道半径,单位为:m;
I为超高,单位%;
h为车辆质心高度,单位m;
m为车辆总质量,单位为:吨;
φ为路面附着系数;
ai和bj为回归分析得到的常数值,i=1,2,3,4和j=1,2,3,4,5,6;
v1为侧滑临界速度,单位:km/h;
v2侧翻临界速度,单位:km/h;
vsafe为安全车速,单位:km/h。
多元线性回归分析将选取的临界横向附着因数最大值μmax、横向载荷转移率最大值LTRmax、弯道的超高、车辆总质量、车辆质心高度、弯道半径和车辆行驶速度构成参数矩阵,采用最小二乘法建立侧滑和侧翻的多元线性回归模型,转换成安全车速模型。实时采集通过弯道的车辆类型和弯道信息作为侧滑和侧翻的多元线性回归模型的输入,得到该弯道下此车型的预测安全车速。多元线性回归分析方法如下:
①临界横向附着因数模型:以μmax作为因变量,以弯道的车辆总质量、车辆质心高度、弯道半径和车辆行驶速度作为自变量;横向载荷转移率模型:以LTRmax作为因变量,以弯道的车辆总质量、弯道的超高、路面附着系数、车辆质心高度、弯道半径和车辆行驶速度作为自变量。
②设拟合多项式为:
y=a0+a1xi1+a2xi2+…+apxip (8)
其中a0,a1,···,ap为线性回归参数。
③求解各点到这条曲线的距离平方和:
④从(9)中求出是一个求极值问题;由于Q是关于a的非负二次函数,因而它的最小值总是存在的,根据微积分中求极值的原理;
···
⑤以上方程组经整理后,得出用矩阵形式的正规方程组;
移项得:
当(X′X)-1存在时,即得回归参数的最小二程估计为:
公式(13)中就是多元线性回归方程的回归系数。
弯道信息模块输入的弯道信息包括路面附着系数、车辆总质量、超高、车辆质心高度和弯道半径。弯道半径和超高信息提前储存在弯道信息模块中,路面附着系数和车辆总质量需要实时测得,车辆质心高度根据数据库推算得到,再输入到弯道信息模块中。车辆总质量通过车辆总质量测量设备实时测得。车辆质心高度通过车辆类型和车辆总质量来决策出估计值;路面附着系数利用摄像头拍摄路面获得弯道路面图像,输入到经卷积神经网络训练好的数据库中,找出路面相对应的附着系数。
车辆类型判别模块包括摄像头和车辆类型深度学习分析数据库,摄像头安装在距弯道入口50~150m的位置,摄像头获取车辆图像;车辆类型深度学习分析数据库通过车辆图像判别车辆的类型,根据判别出的车辆类型选用相对应的安全车速模型。
安全车速模型数据库存储各种轿车、客车和货车的安全车速模型数据。安全车速模型数据库是通过各种车型在不同弯道试验取得的数据,然后进行多元线性回归分析和计算得到。弯道安全车速预警模块为车辆提供在弯道行驶不发生侧滑侧翻的安全车速。安全车速在弯道入口的LED显示屏上显示,警醒的提示驾驶员,若有超速,采取相应制动措施。
本发明基于多元回归分析的车辆弯道安全车速预测及预警系统的有益效果是:通过向安全车速模型数据库输入车辆类型和弯道信息,经过多元回归分析可以准确预测弯道安全车速,为驾驶员提供安全预警,以防驾驶员超速驶入弯道造成车辆侧滑和侧翻的危险,警示驾驶员采取相应的制动减速措施,使车辆稳定和安全的驶过弯道。本发明结构合理、计算速度快、实时性好、准确度高。
附图说明
图1为本发明基于多元回归分析的车辆弯道安全车速预测及预警系统的结构流程图;
图2为回归分析示意图;
图3为弯道设备布置示意图;
其中:1—试验数据采集模块、2—试验数据预处理模块、3—试验数据分析模块、4—安全车速模型数据库、5—弯道信息模块、6—车辆类型判别模块、7—弯道安全车速预警模块、8—车辆总质量测量设备、9—弯道、10—摄像头、11—LED显示屏。
具体实施方式
下面结合实施例和附图对本发明进行详细说明。本发明保护范围不限于实施例,本领域技术人员在权利要求限定的范围内做出任何改动也属于本发明保护的范围。
本发明基于多元回归分析的车辆弯道安全车速预测及预警系统,如图1所示,包括试验数据采集模块1、试验数据预处理模块2、试验数据分析模块3、安全车速模型数据库4、弯道信息模块5、车辆类型判别模块6和弯道安全车速预警模块7。试验数据采集模块的输出端通过试验数据预处理模块和试验数据分析模块连接到安全车速模型数据库的输入端,弯道信息模块的输出端和车辆类型判别模块输出端分别连接到安全车速模型数据库另外两个输入端,安全车速模型数据库的输出端连接到弯道安全车速预警模块的输入端。系统通过采集所需试验数据,经试验数据处理后进行多元线性回归分析得到临界横向附着因模型和横向载荷转移率模型,再通过公式转化得到安全车速模型,然后把采集到的弯道路面数据和判断出的车辆类型输入到安全车速模型数据库。如图3所示,运算后得到弯道安全预测车速,在弯道9入口的LED显示屏11上显示,警示驾驶员安全通过弯道的车速。车辆发生超速时,方便驾驶员采取相应的制动减速措施,避免车辆发生侧滑、侧翻的危险,甚至交通事故。
试验数据采集模块1包括有试验设计和试验数据的采集两部分,试验设计为对弯道的超高、车辆总质量、弯道半径、车辆质心高度、车辆行驶速度及路面附着系数进行单因素轮换和正交试验组合。试验数据采集为通过车轮六分力传感器(型号:LW12.8)采集车辆每个车轮的垂直力(Fz)和侧向力(Fy)。试验数据预处理模块包括有数据读入、数据计算和数据选取。读入数据的数据包括垂直力(Fz)和侧向力(Fy)。数据计算为利用读入的数据计算临界横向附着系数μ和横向载荷转移率LTR。数据选取为选取录入数据中的临界横向附着因数μ的最大值μmax和横向载荷转移率LTR的最大值LTRmax。临界横向附着系数和横向载荷转移率的计算公式为:
临界横向附着因数:
横向载荷转移率:
式中:
i为车轴数,i=1,2;
Fyl为车轮的左侧的侧向力,单位:牛顿;
Fyr为车轮的右侧的侧向力,单位:牛顿;
Fzl为车轮左侧的垂直力,单位:牛顿;
Fzr为车轮右侧的垂直力,单位:牛顿。
多元线性回归分析将选取的临界横向附着因数最大值μmax、横向载荷转移率最大值LTRmax、弯道的超高、车辆总质量、车辆质心高度、弯道半径和车辆行驶速度构成参数矩阵,采用最小二乘法建立侧滑和侧翻的多元线性回归模型,转换成安全车速模型。实时采集通过弯道的车辆类型和弯道信息作为侧滑和侧翻的多元线性回归模型的输入,得到该弯道下此车型的预测安全车速。
多元线性回归分析方法如下:
①临界横向附着因数模型:以μmax作为因变量y,以弯道的车辆总质量、车辆质心高度、弯道半径和车辆行驶速度作为自变量x;横向载荷转移率模型:以LTRmax作为因变量y,以弯道的车辆总质量、弯道的超高、路面附着系数、车辆质心高度、弯道半径和车辆行驶速度作为自变量x。
②设拟合多项式为:
y=a0+a1xi1+a2xi2+…+apxip (8)
其中a0,a1,···,ap为线性回归参数;
③求解各点到这条曲线的距离平方和:
④从(9)中求出是一个求极值问题;由于Q是关于a的非负二次函数,因而它的最小值总是存在的,根据微积分中求极值的原理;
⑤以上方程组经整理后,得出用矩阵形式的正规方程组;
移项得:
当(X′X)-1存在时,即得回归参数的最小二程估计为:
公式(13)中就是多元线性回归方程的回归系数。也就是临界横向附着因数模型和横向载荷转移率模型中所要求的a和b的常数值。
试验数据分析模块3把弯道的超高、车辆总质量、弯道半径、车辆质心高度、车辆行驶速度、路面附着系数、临界横向附着因数最大值和横向载荷转移率最大值构成参数矩阵;将参数矩阵读入表格中,利用SPSS进行多元线性回归分析,得到临界横向附着因数模型和横向载荷转移率模型;利用临界横向附着因数模型和横向载荷转移率模型得到的临界速度,取最小值即为安全车速模型,如公式(7)所示。
模型公式如下:
临界横向附着因数模型:
横向载荷转移率模型:
将公式(3)和(4)转化为速度模型:
侧滑临界速度:
侧翻临界速度:
安全车速模型:vsafe=min{v1,v2} (7)
当μ>φc时,车辆将发生侧滑,则以路面附着系数φ为车轮临界附着因数的安全阈值φc;横向载荷转移率的安全阈值LTRc一般为0.7-0.9,当LTR大于横向载荷转移率的安全阈值时,车辆将发生侧翻。
式中:
μmax为临界横向附着因数最大值;
LTRmax为横向载荷转移率最大值;
ai和bj为回归分析得到的常数值,i=1,2,3,4和j=1,2,3,4,5,6;
v为车速,单位为:km/h;
r为弯道半径,单位为:m;
I为超高,单位%;
h为车辆质心高度,单位m;
m为车辆总质量,单位为:吨;
φ为路面附着系数;
v1为侧滑临界速度,单位:km/h;
v2侧翻临界速度,单位:km/h;
vsafe为安全车速,单位:km/h。
弯道信息模块5输入的弯道信息包括路面附着系数、车辆总质量、超高、车辆质心高度和弯道半径。弯道半径和超高信息提前储存在弯道信息模块中,路面附着系数和车辆总质量需要实时测得,车辆质心高度根据数据库推算得到,再输入到弯道信息模块中。车辆总质量通过车辆总质量测量设备8实时测得;所述车辆质心高度通过车辆类型和车辆总质量来决策出估计值;所述路面附着系数利用摄像头10拍摄弯道路面获得图像,输入到经卷积神经网络训练好的数据库中判断路面为雨雪路面还是干燥路面,找出路面相对应的附着系数。车辆类型判别模块6包括摄像头10和车辆类型深度学习分析数据库,摄像头安装在距弯道9入口50~150m的位置,摄像头获取车辆图像;把图像输入到经卷积神经网络训练好的车辆类型数据库中通过车辆图像特征码的匹配判别车辆的类型,例如:分析出是奥迪A6L,则选用相对应轿车的安全车速模型。
安全车速模型数据库4存储各种轿车、客车和货车的安全车速模型数据。安全车速模型数据库是通过各种车型在不同弯道试验取得的数据,然后进行多元线性回归分析和计算得到。弯道安全车速预警模块7为车辆提供在弯道行驶不发生侧滑侧翻的安全车速。安全车速在弯道9入口的LED显示屏11上显示,警醒的提示驾驶员,车辆若有超速,则驾驶员采取相应的制动减速措施,以防止车辆发生侧滑、侧翻的危险,甚至交通事故。
本发明基于多元回归分析的车辆弯道安全车速预测及预警系统的回归分析过程如图2所示:
①输入参数包括因变量和自变量,自因变量包括路面附着系数、车辆总质量、弯道超高、车辆质心高度、弯道半径和车速,因变量分别为临界横向附着因数最大值和横向载荷转移率最大值。
②因变量和自变量的多元回归分析;
③回归参数的最小二乘法估计;
④求出因变量和自变量的多元回归关系;
⑤进行F检验、t检验和拟合优度判断;如图满足要求,过程结束,否则返回②。
F检验为:回归方程的显著性检验;
t检验为:回归系数的显著性检验;
拟合优度为:衡量回归拟合程度的检验。
Claims (8)
1.一种基于多元回归分析的车辆弯道安全车速预测及预警系统,其特征是:所述系统包括试验数据采集模块(1)、试验数据预处理模块(2)、试验数据分析模块(3)、安全车速模型数据库(4)、弯道信息模块(5)、车辆类型判别模块(6)和弯道安全车速预警模块(7);所述试验数据采集模块的输出端通过试验数据预处理模块和试验数据分析模块连接到安全车速模型数据库的输入端,弯道信息模块的输出端和车辆类型判别模块输出端分别连接到安全车速模型数据库另外两个输入端,所述安全车速模型数据库的输出端连接到弯道安全车速预警模块的输入端;所述系统通过采集所需试验数据,经试验数据处理后进行多元线性回归分析得到临界横向附着因数模型和横向载荷转移率模型,再通过公式转化得到安全车速模型;然后把采集到的弯道路面数据和判断出的车辆类型输入到安全车速模型数据库;运算后得到弯道安全预测车速,在弯道(9)入口的LED显示屏(11)上显示,警示驾驶员安全通过弯道的车速;所述试验数据分析模块(3)把弯道的超高、车辆总质量、弯道半径、车辆质心高度、车辆行驶速度及路面附着系数、临界横向附着因数最大值和横向载荷转移率最大值构成参数矩阵;将参数矩阵读入表格中,利用SPSS进行多元线性回归分析,得到临界横向附着因数模型和横向载荷转移率模型;利用临界横向附着因数模型和横向载荷转移率模型得到的临界速度,取最小值即为安全车速模型,如公式(7)所示:
模型公式如下:
临界横向附着因数模型:
横向载荷转移率模型:
将公式(3)和(4)转化为速度模型:
侧滑临界速度:
侧翻临界速度:
安全车速模型:vsafe=min{v1,v2} (7)
式中:
μmax为临界横向附着因数最大值;
LTRmax为横向载荷转移率最大值;
φc为车轮临界附着因数的安全阈值;
LTRc为横向载荷转移率的安全阈值;
v为车速,单位为:km/h;
r为弯道半径,单位为:m;
I为超高,单位%;
h为车辆质心高度,单位m;
m为车辆总质量,单位为:吨;
φ为路面附着系数;
ai和bj为回归分析得到的常数值,i=1,2,3,4和j=1,2,3,4,5,6;
v1为侧滑临界速度,单位:km/h;
v2侧翻临界速度,单位:km/h;
vsafe为安全车速,单位:km/h。
2.根据权利要求1所述的基于多元回归分析的车辆弯道安全车速预测及预警系统,其特征是:所述试验数据采集模块(1)包括试验设计和试验数据采集两部分,所述试验设计为根据车辆在不同弯道上行驶,确定弯道的超高、车辆总质量、弯道半径、车辆质心高度、车辆行驶速度及路面附着系数;所述试验数据采集为通过车轮六分力传感器采集车辆每个车轮的垂直力(Fz)和侧向力(Fy)。
3.根据权利要求1所述的基于多元回归分析的车辆弯道安全车速预测及预警系统,其特征是:所述试验数据预处理模块包括有数据读入、数据计算和数据选取;所述读入数据的数据包括垂直力(Fz)和侧向力(Fy);所述数据计算为利用读入的数据计算临界横向附着因数(μ)和横向载荷转移率(LTR);所述数据选取为选取录入数据中的临界横向附着因数(μ)和横向载荷转移率(LTR)的最大值μmax和LTRmax;所述临界横向附着因数和横向载荷转移率的计算公式为:
临界横向附着因数:
横向载荷转移率:
式中:
i为车轴数,i=1,2;
Fyl为车轮的左侧的侧向力,单位:牛顿;
Fyr为车轮的右侧的侧向力,单位:牛顿;
Fzl为车轮左侧的垂直力,单位:牛顿;
Fzr为车轮右侧的垂直力,单位:牛顿。
4.根据权利要求1所述的基于多元回归分析的车辆弯道安全车速预测及预警系统,其特征是:所述多元线性回归分析将选取的临界横向附着因数最大值μmax、横向载荷转移率最大值LTRmax、弯道的超高、车辆总质量、车辆质心高度、弯道半径和车辆行驶速度构成参数矩阵,采用最小二乘法建立侧滑和侧翻的多元线性回归模型,再转换成安全车速模型;实时采集通过弯道的车辆类型和弯道信息作为侧滑和侧翻的多元线性回归模型的输入,得到该弯道下此车型的预测安全车速;所述多元线性回归分析方法如下:
①临界横向附着因数模型:以μmax作为因变量y,以弯道的车辆总质量、车辆质心高度、弯道半径和车辆行驶速度作为自变量x;横向载荷转移率模型:以LTRmax作为因变量y,以弯道的车辆总质量、弯道的超高、路面附着系数、车辆质心高度、弯道半径和车辆行驶速度作为自变量x:
②设拟合多项式为:
y=a0+a1xi1+a2xi2+…+apxip (8)
其中a0,a1,···,ap为线性回归参数;
③求解各点到这条曲线的距离平方和:
④从公式(9)中求出是一个求极值问题;由于Q是关于a的非负二次函数,因而它的最小值总是存在的,根据微积分中求极值的原理;
⑤以上方程组经整理后,得出用矩阵形式的正规方程组;
移项得:
当(X′X)-1存在时,即得回归参数的最小二乘估计为:
公式(13)中就是多元线性回归方程的回归系数。
5.根据权利要求1所述的基于多元回归分析的车辆弯道安全车速预测及预警系统,其特征是:所述弯道信息模块(5)输入的弯道信息包括路面附着系数、车辆总质量、车辆质心高度、超高和弯道半径;所述弯道半径和超高信息提前储存在弯道信息模块中,所述路面附着系数和车辆总质量需要实时测得,车辆质心高度根据数据库推算得到,再输入到弯道信息模块中;所述车辆总质量通过车辆总质量测量设备(8)实时测得;所述车辆质心高度通过车辆类型和车辆总质量来决策出估计值;所述路面附着系数利用摄像头(10)拍摄路面获得弯道路面图像,输入到经卷积神经网络训练好的数据库中,找出路面相对应的附着系数。
6.根据权利要求1所述的基于多元回归分析的车辆弯道安全车速预测及预警系统,其特征是:所述车辆类型判别模块(6)包括摄像头(10)和车辆类型深度学习分析数据库,所述摄像头安装在距弯道(9)入口50~150m的位置,摄像头获取车辆图像;所述车辆类型深度学习分析数据库通过车辆图像判别车辆的类型,根据判别出的车辆类型选用相对应的安全车速模型。
7.根据权利要求1所述的基于多元回归分析的车辆弯道安全车速预测及预警系统,其特征是:所述安全车速模型数据库(4)存储各种轿车、客车和货车的安全车速模型数据;所述安全车速模型数据库是通过各种车型在不同弯道试验取得的数据,然后进行多元线性回归分析和计算得到。
8.根据权利要求1所述的基于多元回归分析的车辆弯道安全车速预测及预警系统,其特征是:所述弯道安全车速预警模块(7)为车辆提供在弯道行驶不发生侧滑侧翻的安全车速;所述安全车速在弯道入口的LED显示屏(11)上显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810336285.4A CN108622105B (zh) | 2018-04-16 | 2018-04-16 | 基于多元回归分析的车辆弯道安全车速预测及预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810336285.4A CN108622105B (zh) | 2018-04-16 | 2018-04-16 | 基于多元回归分析的车辆弯道安全车速预测及预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108622105A CN108622105A (zh) | 2018-10-09 |
CN108622105B true CN108622105B (zh) | 2019-12-31 |
Family
ID=63705153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810336285.4A Expired - Fee Related CN108622105B (zh) | 2018-04-16 | 2018-04-16 | 基于多元回归分析的车辆弯道安全车速预测及预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108622105B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598937B (zh) * | 2018-12-19 | 2020-09-15 | 山东交通学院 | 一种道路弯道安全速度检测与警示装置及方法 |
CN109872415B (zh) * | 2018-12-28 | 2021-02-02 | 北京理工大学 | 一种基于神经网络的车速估计方法及系统 |
CN111815974A (zh) * | 2019-04-12 | 2020-10-23 | 天津大学 | 基于压电感应技术的弯道速度测算指示器 |
CN110210303B (zh) * | 2019-04-29 | 2023-04-25 | 山东大学 | 一种北斗视觉融合精准车道辨识与定位方法及其实现装置 |
CN110415559B (zh) * | 2019-06-03 | 2022-07-22 | 腾讯科技(深圳)有限公司 | 一种驾驶预警方法、服务器、终端、系统及存储介质 |
CN110596694B (zh) * | 2019-09-20 | 2023-01-10 | 中汽研软件测评(天津)有限公司 | 一种复杂环境雷达多目标跟踪和道路行驶环境预测方法 |
CN111186445B (zh) * | 2020-01-20 | 2021-11-30 | 北京主线科技有限公司 | 自动驾驶车辆横向控制方法及其系统 |
CN111775929B (zh) * | 2020-06-11 | 2024-03-19 | 南京邮电大学 | 一种危险液移动车载装置的动态安全预警方法 |
KR20220029833A (ko) * | 2020-08-28 | 2022-03-10 | 현대모비스 주식회사 | 차량의 속도 제어 시스템 |
CN113326562B (zh) * | 2021-05-24 | 2023-06-20 | 扬州大学 | 一种基于回归预估的新型授粉车最优运行参数确定方法 |
CN114427600B (zh) * | 2022-02-11 | 2023-08-08 | 吉林大学 | 一种基于地理信息与机器学习的弯道预见性换挡控制策略 |
CN115107775B (zh) * | 2022-06-29 | 2024-01-16 | 苏州智行众维智能科技有限公司 | 基于地图和定位信息的智能驾驶车辆弯道行驶控制系统 |
CN115440057B (zh) * | 2022-08-31 | 2024-04-05 | 南京慧尔视智能科技有限公司 | 基于雷达图的弯道车辆检测方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103921719A (zh) * | 2014-04-01 | 2014-07-16 | 清华大学 | 驾驶员交互式商用车辆侧翻预警方法和系统 |
CN106650057A (zh) * | 2016-12-07 | 2017-05-10 | 东南大学 | 基于车辆侧翻侧滑虚拟试验的公路平曲线半径设计方案安全性评价方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1648736A4 (en) * | 2003-06-04 | 2010-06-02 | Daimler Ag | CURVED TILTING SYSTEM FOR TRUCKS |
JP4511815B2 (ja) * | 2003-09-26 | 2010-07-28 | アイシン精機株式会社 | サスペンション制御装置 |
CN100450840C (zh) * | 2007-03-12 | 2009-01-14 | 北京航空航天大学 | 一种车辆防侧翻惯性测量及控制方法 |
US20100100360A1 (en) * | 2008-10-16 | 2010-04-22 | Gm Global Technology Operations, Inc. | Model-based road surface condition identification |
CN103413460B (zh) * | 2013-07-17 | 2016-01-20 | 北京航空航天大学 | 一种基于车路协同的弯道行车预警方法 |
US20150057877A1 (en) * | 2013-08-22 | 2015-02-26 | The Goodyear Tire & Rubber Company | Tire wear state estimation system utilizing cornering stiffness and method |
CN103793570B (zh) * | 2014-02-08 | 2016-09-21 | 东南大学 | 一种基于多体系统动力学的道路线形安全分析方法 |
CN106446430B (zh) * | 2016-09-30 | 2019-06-04 | 长安大学 | 一种半挂车弯道超车风险分析方法 |
CN106585636B (zh) * | 2016-11-28 | 2019-01-18 | 上海工程技术大学 | 基于状态机的车辆行驶状态描述和驾驶行为侦测的方法 |
-
2018
- 2018-04-16 CN CN201810336285.4A patent/CN108622105B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103921719A (zh) * | 2014-04-01 | 2014-07-16 | 清华大学 | 驾驶员交互式商用车辆侧翻预警方法和系统 |
CN106650057A (zh) * | 2016-12-07 | 2017-05-10 | 东南大学 | 基于车辆侧翻侧滑虚拟试验的公路平曲线半径设计方案安全性评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108622105A (zh) | 2018-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108622105B (zh) | 基于多元回归分析的车辆弯道安全车速预测及预警系统 | |
CN109641603B (zh) | 异常检测装置、异常检测方法和计算机程序 | |
CN103042922B (zh) | 确定基于车辆驾驶状态信息的驾驶集中度的系统和方法 | |
CN106740829B (zh) | 基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统 | |
US7079927B1 (en) | Method for analyzing tendency of operation of moving object, operation control system and its constituent apparatus, and recorded medium | |
CN107933559B (zh) | 用于在车辆中确定道路特性的方法和系统 | |
CN203422765U (zh) | 一种车辆车型自动识别系统 | |
CN111696387B (zh) | 一种基于前向障碍物识别的自适应防撞分级预警方法 | |
CN109649396B (zh) | 一种营运车辆驾驶员安全性检测方法 | |
CN104573646A (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
CN108760740B (zh) | 一种基于机器视觉的路面抗滑性能快速检测方法 | |
CN108765942B (zh) | 一种智能网联汽车弯道危险预警系统及方法 | |
CN104021541A (zh) | 车至车距离计算装置和方法 | |
CN109002622B (zh) | 一种随机车流作用下大跨径桥梁总体荷载响应估算方法 | |
CN113635897B (zh) | 一种基于风险场的安全驾驶预警方法 | |
CN112528208B (zh) | 一种无称重ai智能识别货车超载估算方法、装置及系统 | |
CN111368916B (zh) | 一种基于一维卷积核特征提取的桥头跳车快速检测方法 | |
KR101784635B1 (ko) | LiDAR 센서를 활용한 다중차로 교통검지 방법 및 시스템 | |
CN106404141B (zh) | 一种整车动态计重用轴识别系统及其实现方法 | |
CN113657265B (zh) | 一种车辆距离探测方法、系统、设备及介质 | |
CN114379559A (zh) | 一种基于车辆信息采集系统的驾驶风险评价特征画像方法 | |
CN114228727A (zh) | 车辆行驶安全评估方法、装置、设备及存储介质 | |
DE102021209131A1 (de) | Verfahren und Vorrichtung zum Ermitteln und Charakterisieren von Fahrbahnunebenheiten | |
KR100977977B1 (ko) | 차량의 과적 및 부정계측 검출방법 | |
CN117132300A (zh) | 一种基于图像识别的报废汽车评价系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191231 Termination date: 20210416 |
|
CF01 | Termination of patent right due to non-payment of annual fee |