CN108639059B - 基于最小作用量原理的驾驶人操控行为量化方法及装置 - Google Patents
基于最小作用量原理的驾驶人操控行为量化方法及装置 Download PDFInfo
- Publication number
- CN108639059B CN108639059B CN201810432926.6A CN201810432926A CN108639059B CN 108639059 B CN108639059 B CN 108639059B CN 201810432926 A CN201810432926 A CN 201810432926A CN 108639059 B CN108639059 B CN 108639059B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driver
- risk
- traffic
- resistance
- 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
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
- B60W40/08—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 drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
Abstract
本发明公开了一种基于最小作用量原理的驾驶人操控行为量化方法及装置,驾驶人操控行为量化方法包括:S1,在自车的电子控制单元中预先设置驾驶人操控机制定量描述模块,所述驾驶人操控机制定量描述模块包括同时反映驾驶人的驾驶操控行为的交通风险和通行效率的作用量SRisk;S2,通过自车上的信息采集装置,获取与时间同步的自车和交通环境信息;S3,根据所述与时间同步的自车和交通环境信息,通过驾驶人操控机制定量描述模块中的SRisk,获取当前行车指导速度,使所述作用量SRisk的值最小,本发明利用最小作用量原理描述驾驶人驾驶车辆过程中关于风险和效率的权衡,能够定量描述任意驾驶人驾驶过程中趋利避害的驾驶特性。
Description
技术领域
本发明涉及智能车应用技术领域,特别是一种基于最小作用量原理的驾驶人操控行为量化方法及装置。
背景技术
道路交通安全与人-车-环境闭环系统有关,在构成交通事故的人、车、环境这三种要素中,通常人这一因素的占比最大,即绝大多数的交通事故都由人为因素造成,因此,驾驶人对车辆的操控行为成为了确保交通安全的关键因素。目前,对于快速发展的智能交通、智能驾驶技术和智能汽车而言,汽车智能化系统的安全性能和驾驶人接受度是制约汽车智能化的重要因素,其中的驾驶人接受度指的就是汽车智能化系统需要符合驾驶人的驾驶操控行为。
现有技术通常可以利用统计学分析方法来研究驾驶人的驾驶操控行为,该研究结果有利于优化汽车智能化系统协调其安全性能和驾驶人接受度。现有的统计学分析方法比如利用概率统计、模糊数学、粗糙集理论等研究方法或者基于实车实验数据统计分析的驾驶人行为特性描述方法。但是,由于驾驶人的驾驶操控行为本身具有个体差异、年龄段差异、性别差异和地域差异等多种差异影响,因此采用现有的研究方法往往需要大量的数据样本,这给研究带了极大的困难。
除了上述提到的不同驾驶人的驾驶操控行为存在的差异之外,目前汽车智能系统还受道路环境复杂性、驾驶行为差异性、行驶工况多变性等难度所限,在实际应用中仍存在误警率高、可接受性差等问题。
因此,为了提高汽车智能系统对驾驶人个体行为波动和差异的适应性,需要对驾驶人的驾驶操控机制进行深入研究。因此,有必要专门针对驾驶人舱驾驶操控机制的定量描述方法进行新的设计。
发明内容
本发明的目的在于提供一种基于最小作用量原理的驾驶人操控行为量化方法及装置,该方法能够根据驾驶人所在的车辆和交通环境中信息的采集,利用最小作用量原理,描述驾驶人在驾驶过程中趋利避害的驾驶操控机制。
为实现上述目的,本发明提供一种基于最小作用量原理的驾驶人操控行为量化方法,所述基于最小作用量原理的驾驶人操控行为量化方法包括如下步骤:
S1,在自车的电子控制单元中预先设置驾驶人操控机制定量描述模块,所述驾驶人操控机制定量描述模块包括同时反映驾驶人的驾驶操控行为的交通风险和通行效率的作用量SRisk,SRisk的数学表达式为(1)式:
其中,SRisk代表自车在所述预设交通过程中的作用量,t1为所述预设交通过程的起始时刻,t2为所述预设交通过程的终止时刻,L代表自车在预设交通过程中的拉格朗日量,L的表达式为:
L=T-V
其中,T表示自车的动能,V表示自车受到的势能,该势能由预先设定的沿着车流方向存在的恒定力场和阻力场确定;
S2,通过自车上的信息采集装置,获取与时间同步的自车和交通环境信息;以及
S3,根据所述与时间同步的自车和交通环境信息,通过驾驶人操控机制定量描述模块中的SRisk,获取当前行车指导速度,使所述作用量SRisk的值最小。
进一步地,所述作用量SRisk的获得方法包括:
S11,通过在试验车上安装交通环境信息采集装置,建立车辆平台;
S12,通过不同驾驶人驾驶所述车辆平台在不同环境中进行自由行驶试验,采集与时间同步的自车和环境相关的试验数据;
S13,根据所述试验数据,获得任意交通环境下的所述作用量SRisk的数学表达式。
进一步地,S13中的“交通环境”为单个车辆行驶在平直道路上,预先设定:沿着车流方向存在恒定力场以及存在由于滚动阻力、爬坡阻力、加速阻力和空气阻力造成的阻力场,则所述拉格朗日量L表示为:
Gi=mig
式中,mi为车辆的质量;xi为车辆的纵向位移;为车辆的纵向速度;为车辆的纵向加速度;g为重力加速度;f为滚动阻力系数;iα为坡度;CDi为车辆的风阻系数;Ai为车辆的迎风面积;λi为车辆旋转质量换算系数。
进一步地,S13中的“交通环境”为单个车辆行驶在有车道线a或道路边界的平直道路上,预先设定:沿着车流方向存在恒定力场以及存在由于滚动阻力、爬坡阻力、加速阻力和空气阻力造成的阻力场,则所述拉格朗日量L表示为:
Gi=mig
Fai=Eai·Mi·Ri·(1+Dri)
式中,mi为车辆的质量;xi为车辆的纵向位移;为车辆的纵向速度;为车辆的纵向加速度;yi为车辆的横向位移;表示yi的一阶导数,为车辆的横向速度;g为重力加速度;f为滚动阻力系数;iα为坡度;CDi为车辆的风阻系数;Ai为车辆的迎风面积;λi为车辆旋转质量换算系数;Eai为位于(xa,ya)处的车道线a或道路边界形成的势能场在(xi,yi)处的矢量场强;LT,a表示车道线a或道路边界的类型;Ra表示车道线a或道路边界处的道路影响因子;D表示车道宽度;|rai|表示为从车道线a或道路边界指向车辆的质心(xi,yi)的距离矢量;k是调节系数;Mi表示车辆的等效质量;Ri表示自车处的道路影响因子;Dri表示驾驶人影响因子。
进一步地,S13中的“交通环境”为跟车模式下的单个车辆行驶在平直道路上,假设沿着车流方向存在一种类似重力的恒定力场G以及存在由于滚动阻力、爬坡阻力、加速阻力、空气阻力造成的阻力场,则所述拉格朗日量L表示为:
Gi=mig
Fai=Eai·Mi·Ri·(1+Dri)
式中,mi为车辆的质量;xi为车辆的纵向位移;为车辆的纵向速度;为车辆的纵向加速度;yi为车辆的横向位移;为车辆的横向速度;g为重力加速度;f为滚动阻力系数;iα为坡度;CDi为车辆的风阻系数;Ai为车辆的迎风面积;λi为车辆旋转质量换算系数;Eai为位于(xa,ya)处的车道线a或道路边界形成的势能场在(xi,yi)处的矢量场强;LT,a表示车道线a或道路边界的类型;Ra表示车道线a或道路边界处的道路影响因子;D表示车道宽度;|rai|表示为从车道线或道路边界指向车辆的质心(xi,yi)的距离矢量;k是调节系数;Mi表示车辆的等效质量;Ri表示自车处的道路影响因子;Dri表示驾驶人影响因子;Vji表示物体j对第i辆车产生的势能;a表示车道线a;b表示一共有b条车道线;n表示有n个道路使用者;k就是一个调节系数。
本发明还提供一种基于最小作用量原理的驾驶人操控行为量化装置,所述驾驶人操控行为量化装置包括:
信息采集装置,所述信息采集装置设在自车上,用于获取与时间同步的自车和交通环境信息;和
电子控制单元,所述电子控制单元中预先设置驾驶人操控机制定量描述模块,所述驾驶人操控机制定量描述模块包括同时反映驾驶人的驾驶操控行为的交通风险和通行效率的作用量SRisk,SRisk的数学表达式为(1)式:
其中,SRisk代表自车在所述预设交通过程中的作用量,t1为所述预设交通过程的起始时刻,t2为所述预设交通过程的终止时刻,L代表自车在预设交通过程中的拉格朗日量,L的表达式为:
L=T-V
其中,T表示自车的动能,V表示自车受到的势能,该势能由预先设定的沿着车流方向存在的恒定力场和阻力场确定;
所述电子控制单元用于根据所述与时间同步的自车和交通环境信息,通过SRisk获取当前行车指导速度,使作用量SRisk的值最小。
本发明还提供一种智能车,智能车包括如上所述的驾驶人操控行为量化装置。
本发明的有益效果:本发明的基于最小作用量原理的驾驶人的驾驶操控机制定量描述方法及其装置,采用64线激光雷达、毫米波雷达、视觉传感器组成的多传感器感知系统,搭建智能车辆平台,可识别周围运动物体、静止物体的位置信息和状态信息,通过采集大量的数据,建立数据库,通过分析车辆行驶过程中的动态交通系统特征,辨识从驾驶人的驾驶操控机制,并对驾驶人的驾驶操控机制进行定量描述,可以进一步的对驾驶人的驾驶行为进行定量分析。
附图说明
图1a是本发明中的车辆平台的侧视图;
图1b是图1a所示车辆平台的俯视图;
图2为本发明提供的单个自由行驶车辆的交通系统的简要示意图;
图3为本发明提供的车道线对车辆的约束势能模型的说明示意图;
图4为本发明提供的跟车场景示意图。
具体实施方式
在附图中,使用相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本发明的实施例进行详细说明。
本实施例所提供的基于最小作用量原理的驾驶人操控行为量化方法主要考虑的是外界环境所有因素影响的自车,基于最小作用量原理的驾驶人操控行为量化方法包括如下步骤:
S1,在自车的电子控制单元中预先设置驾驶人操控机制定量描述模块,所述驾驶人操控机制定量描述模块包括同时反映驾驶人的驾驶操控行为的交通风险和通行效率的作用量SRisk,SRisk的数学表达式为(1)式:
其中,SRisk代表自车在所述预设交通过程中的作用量,即可表示为自车在预设交通过程中的拉格朗日量对时间的积分,t1为所述预设交通过程的起始时刻,t2为所述预设交通过程的终止时刻,L代表自车在预设交通过程中的拉格朗日量,L的表达式为:
L=T-V
其中,T表示自车的动能,V表示自车受到的势能,该势能由预先设定的沿着车流方向存在的恒定力场和阻力场确定。
S2,通过自车上的信息采集装置,获取与时间同步的自车和交通环境信息。通过S2,信息采集装置能够检测和识别到自车所处的交通环境信息,该交通环境信息包括周围的障碍物(车辆、骑车人、行人、栅栏、锥形筒)和交通信息(红绿灯、限速标志、车道线)。自车信息包括自车CAN数据,具体为:发动机转速、方向盘转角、车速、档位、加减速度和GPS信息。
S3,根据所述与时间同步的自车和交通环境信息,通过驾驶人操控机制定量描述模块中的SRRsk,获取当前行车指导速度,使所述作用量SRisk的值最小。
通过本实施例提供的方法,智能车在行驶的过程中,当信息采集装置检测到自车周边环境中的障碍物或交通信息后,所述驾驶人操控机制定量描述模块会计算预设交通过程中的作用量SRisk代的大小,通过使所述作用量SRisk的值最小,得到一个智能车行驶的当前速度最优值,该最优值作为当前行车指导速度。智能车若依得到当前行车指导速度进行速度控制,能够达到自身安全和通行效率高效的最优。
在一个实施例中,所述作用量SRisk的获得方法包括:
S11,通过在试验车上安装交通环境信息采集装置,建立车辆平台;
S12,通过不同驾驶人驾驶所述车辆平台在不同环境中进行自由行驶试验,采集与时间同步的自车和环境相关的试验数据;
S13,根据所述试验数据,获得任意交通环境下的所述作用量SRisk的数学表达式。
在S11中,在试验车上安装用于获得与时间同步的目标物位置信息和运动信息的雷达和视觉传感器。如图1a和图1b所示,S11具体包括:
S111,在试验车的顶端安装64线激光雷达1,64线激光雷达1用于获得的目标物纵横向坐标位置、种类的传感器原始数据。
S112,在试验车的前、后、左、右四个方向分别安装第一毫米波雷达2a、第二毫米波雷达2b、第三毫米波雷达2c、第四毫米波雷达2d以及第一视觉传感器3a、第二视觉传感器3b、第三视觉传感器3c、第四视觉传感器3d,通过各视觉传感器和毫米波雷达获取目标物的速度、加速度、纵横向位置信息。
S113,对S111和S112中的64线激光雷达1以及各毫米波雷达和视觉传感器在所述试验车上的位置进行标定。标定方法可以使用现有的标定方法实现。
需要说明的是,S11中各传感器采集到的数据均是传感器原始数据,在后续步骤中均需要将原始数据解析成目标数据后,再加以应用。原始数据:摄像头拍到的图片、视频;激光雷达扫描到的点云;毫米波雷达接收到的毫米波信号。目标数据:把上述三种传感器的原始数据融合之后,获得行人、骑车人、车辆等目标的速度、位置数据。“数据融合”的方法如下:
激光雷达采用特征提取和点云聚类方法检测目标,并得到准确的目标位置信息;视觉传感器对道路目标进行基于机器学习的目标检测,为激光雷达目标检测提供目标类别信息;毫米波雷达识别动态目标并提供准确的目标速度与位置信息。通过数据关联方法,匹配各传感器检测的相同目标信息;最终获得准确的目标物位置信息、运动信息即坐标和速度、加速度。
因此,本实施例采用64线激光雷达、毫米波雷达、视觉传感器组成的多传感器感知系统,搭建车辆平台,可识别周围运动物体、静止物体的位置信息和状态信息。
在一些实施例中,S12中的“驾驶人”的选取原则包括:
选取一定数量具有长期驾驶经验的,且未发生过重大交通事故的驾驶人。
“驾驶人”的数量尽可能地多,这样可以通过采集尽可能多组的试验数据,考虑更多驾驶人的驾驶习惯,从而后续步骤S3和S4得到的风险辨识曲线更加具有广泛性和代表性,有利于提高驾驶人对行车风险辨识的接受度。
S12中的“自车和环境相关的试验数据”包括自车的试验数据和环境的试验数,其中,
自车的试验数据包括由雷达和视觉传感器采集到的与时间同步的目标物位置信息和运动信息以及自车CAN数据。自车CAN数据包括:发动机转速、方向盘转角、车速、档位、加减速度和GPS信息。各所述雷达和视觉传感器采集的数据进行数据融合,获得准确的目标物位置信息、运动信息即坐标和速度、加速度。传感器获得的信息主要是除了自车之外环境中的其他道路使用者、障碍物的速度、与自车的相对位置。
S12中的“不同环境”包括:
环境类型,一级类型为:校园、园区、城市、高速;二级类型为:上坡、下坡、桥上、桥下、隧道、直道、弯道;
交通参与者,一级类型为:机动车、非机动车、固定物体;二级类型中,机动车包括:轿车、公交车、小型货车、卡车、中型客车、摩托车、其它机动车;非机动车包括:行人、骑车人、两轮车、其它非机动车;固定物体包括:锥形桶、栅栏等;
交通标志,一级类型为:交通标志牌、红绿灯、车道线;二级类型中,交通标志牌包括:限速、限高、限重、指示类、警告类、禁止类、其它标志牌;红路灯包括:圆形、箭头、行人图案、两轮车图案;
道路标志,一级类型包括车道线和路面标示;二级类型中,车道线包括:单实线、双实线和虚线;路面标示包括:直行箭头、右转箭头、左转箭头和其它路面标示;
天气条件:晴、阴、雨、雪。
即,环境的试验数据对应上述“不同环境”中列出来的各种信息。
S12中的与时间同步的“自车和环境相关的试验数据”通过数据库的方式进行存储。
下面针对不同的“交通环境”,对所述作用量SRisk的数学表达式进行说明。
一、S13中的“交通环境”为单个车辆行驶在平直道路上,如图2所示,预先设定:沿着车流方向存在类似重力的恒定力场以及存在由于滚动阻力、爬坡阻力、加速阻力和空气阻力造成的阻力场,则所述拉格朗日量L表示为:
Gi=mig
式中,T包括自车的纵向动能V包括阻力场Ri和恒定力场Gi;
mi为车辆的质量;xi为车辆的纵向位移;表示xi的一阶导数,为车辆的纵向速度;表示xi的二阶导数,为车辆的纵向加速度;g为重力加速度;f为滚动阻力系数;iα为坡度;CDi为车辆的风阻系数;Ai为车辆的迎风面积;λi为车辆旋转质量换算系数,λi根据汽车理论的相关内容,一般可取1.05。
二、S13中的“交通环境”为单个车辆行驶在有车道线a或道路边界的平直道路上,如图3所示,预先设定:沿着车流方向存在恒定力场以及存在由于滚动阻力、爬坡阻力、加速阻力和空气阻力造成的阻力场。
当考虑车道线a或道路边界的影响时,按照行车安全场理论,对于位于(xa,ya)处的车道线a或道路边界形成的势能场在(xi,yi)处的矢量场强Eai可以写为:
因此,越靠近车道线a或道路边界,车辆所受的约束势能增大。因此,由车道线a或道路边界产生的行车安全场场力可以描述为:
Fai=Eai·Mi·Ri·(1-DRi)
因此考虑车道线的单个自由行驶车辆交通系统的拉格朗日量L表示为:
Gi=mig
式中,T包括自车的纵向动能和横向动能V包括阻力场Ri、恒定力场Gi和位于(xa,ya)处的车道线a或道路边界形成的势能场在(xi,yi)处的矢量场强Eai;
mi为车辆的质量;xi为车辆的纵向位移;为车辆的纵向速度;为车辆的纵向加速度;yi为车辆的横向位移;表示yi的一阶导数,为车辆的横向速度;g为重力加速度;f为滚动阻力系数;iα为坡度;CDi为车辆的风阻系数;Ai为车辆的迎风面积;λi为车辆旋转质量换算系数;LT,a表示车道线a或道路边界的类型,其大小由交通法规确定(例如,白实线比白虚线对应的值更大);Ra表示车道线a或道路边界处的道路影响因子;D表示车道宽度;|rai|表示为从车道线a或道路边界指向车辆的质心(xi,yi)的距离矢量,rai=(xi-xa,yi-ya)是从车道线a或道路边界指向图3中白色矩形框表示的车辆的质心(xi,yi)的距离矢量,|rai|的范围为[0,D/2];k是调节系数;Mi表示车辆的等效质量;Ri表示自车处的道路影响因子;Dri表示驾驶人影响因子。
三、S13中的“交通环境”为跟车模式下的单个车辆行驶在平直道路上,如图4所示,假设沿着车流方向存在一种类似重力的恒定力场G以及存在由于滚动阻力、爬坡阻力、加速阻力、空气阻力造成的阻力场。
根据行车安全场理论,运动物体所产生的场强大小为:
其中,梯度grad Eij为:
因此在跟车过程中,如图4所示,可以得到物体j对第i辆车产生的势能表达式如下,物体j是除了第i辆车以外的其他道路使用者或者障碍物;第i辆车可以是自车也可以是其它的车辆,即为当前研究的对象车辆:
因此,所述拉格朗日量L表示为:
Fai=Eai·Mi·Ri·(1+Dri)
Gi=mig
式中,T包括自车的纵向动能和横向动能V包括阻力场Ri、恒定力场Gi、位于(xa,ya)处的车道线a或道路边界形成的势能场在(xi,yi)处的矢量场强Eai和Vji表示物体j对第i辆车产生的势能;
mi为车辆的质量;xi为车辆的纵向位移;为车辆的纵向速度;为车辆的纵向加速度;yi为车辆的横向位移;为车辆的横向速度;g为重力加速度;f为滚动阻力系数;iα为坡度;CDi为车辆的风阻系数;Ai为车辆的迎风面积;λi为车辆旋转质量换算系数;Eai为位于(xa,ya)处的车道线a形成的势能场在(xi,yi处的矢量场强;LT,a表示车道线a或道路边界的类型,其大小由交通法规确定(例如,白实线比白虚线对应的值更大);Ra表示车道线a或道路边界处的道路影响因子;D表示车道宽度;|rai|表示为从车道线a或道路边界指向车辆的质心(xi,yi)的距离矢量,rai=(xi-xa,yi-ya)是从车道线a或道路边界指向图3中白色矩形框表示的车辆的质心(xi,yi)的距离矢量,|rai|的范围为[0,D/2];k是调节系数;Mi表示车辆的等效质量;Ri表示自车处的道路影响因子;Dri表示驾驶人影响因子;Vji表示物体j对第i辆车产生的势能;a表示车道线a;b表示一共有b条车道线;n表示有n个道路使用者;k就是一个调节系数。
在一个实施例中,驾驶人驾驶车辆的过程中,始终追求的是趋利避害,即为在保证安全的同时尽可能提高效率,即驾驶人的驾驶操控行为用作用量的数学表达式可描述为系统作用量SRisk取极值,使作用量SRisk的值最小:
也就是说,任意驾驶人在驾驶车辆时,其驾驶操控行为的可以用他所追求的速度来体现,该速度可以由求解上述δSRisk获得。
比如:在图2的单车自由行驶场景中,系统的作用量可以描述为:
为求SRisk的极小值,根据前文所述,泛函SRisk取极值时,一定会满足其变分为0,因此有:
可得
也就是说,利用上述方法,对于图2中示出的S13中的“交通环境”为单个车辆行驶在平直道路上时,当前行车指导速度为:
需要说明的是,上述各个参数中,第i辆车即车辆平台本身,因此这里mi为已知;xi、yi均为自车CAN数据。
f为滚动阻力系数、iα为坡度、CDi为车辆的风阻系数、Ai为车辆的迎风面积和λi为车辆旋转质量换算系数可以由技术手册或教科书上的内容获得。
LT,a、D由摄像识别获取,rai由多传感器融合数据获取得到。
Mi表示车辆的等效质量可根据行车安全场理论获得;Ri、Dri可取经验值。
本发明还提供一种基于最小作用量原理的驾驶人操控行为量化装置,所述基于最小作用量原理的驾驶人操控行为量化装置包括:
信息采集装置,所述信息采集装置设在自车上,用于获取与时间同步的自车和交通环境信息;和
电子控制单元,所述电子控制单元中预先设置驾驶人操控机制定量描述模块,所述驾驶人操控机制定量描述模块包括同时反映驾驶人的驾驶操控行为的交通风险和通行效率的作用量SRisk,SRisk的数学表达式为(1)式:
其中,SRisk代表自车在所述预设交通过程中的作用量,t1为所述预设交通过程的起始时刻,t2为所述预设交通过程的终止时刻,L代表自车在预设交通过程中的拉格朗日量,L的表达式为:
L=T-V
其中,T表示自车的动能,V表示自车受到的势能,该势能由预先设定的沿着车流方向存在的恒定力场和阻力场确定;
所述电子控制单元用于根据所述与时间同步的自车和交通环境信息,通过SRisk获取当前行车指导速度,使作用量SRisk的值最小。
本发明还提供一种智能车,所述智能车包括如上述实施例中所述的基于最小作用量原理的驾驶人操控行为量化装置。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。本领域的普通技术人员应当理解:可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于最小作用量原理的驾驶人操控行为量化方法,其特征在于,包括如下步骤:
S1,在自车的电子控制单元中预先设置驾驶人操控机制定量描述模块,所述驾驶人操控机制定量描述模块包括同时反映驾驶人的驾驶操控行为的交通风险和通行效率的作用量SRisk,SRisk的数学表达式为(1)式:
其中,SRisk代表自车在预设交通过程中的作用量,t1为所述预设交通过程的起始时刻,t2为所述预设交通过程的终止时刻,L代表自车在预设交通过程中的拉格朗日量,L的表达式为:
L=T-V
其中,T表示自车的动能,V表示自车受到的势能,该势能由预先设定的沿着车流方向存在的恒定力场和阻力场确定;
S2,通过自车上的信息采集装置,获取与时间同步的自车和交通环境信息;以及
S3,根据所述与时间同步的自车和交通环境信息,通过驾驶人操控机制定量描述模块中的SRisk,获取当前行车指导速度,使所述作用量SRisk的值最小。
2.如权利要求1所述的基于最小作用量原理的驾驶人操控行为量化方法,其特征在于,所述作用量SRisk的获得方法包括:
S11,通过在试验车上安装交通环境信息采集装置,建立车辆平台;
S12,通过不同驾驶人驾驶所述车辆平台在不同环境中进行自由行驶试验,采集与时间同步的自车和环境相关的试验数据;
S13,根据所述试验数据,获得任意交通环境下的所述作用量SRisk的数学表达式。
3.如权利要求2所述的基于最小作用量原理的驾驶人操控行为量化方法,其特征在于,S13中的“交通环境”为单个车辆行驶在平直道路上,预先设定:沿着车流方向存在恒定力场以及存在由于滚动阻力、坡道阻力、加速阻力和空气阻力造成的阻力场,则所述拉格朗日量L表示为:
Gi=mig
式中,mi为车辆i的质量;xi为车辆i的纵向位移;为车辆i的纵向速度;为车辆i的纵向加速度;g为重力加速度;f为滚动阻力系数;iα为坡度;CDi为车辆的风阻系数;Ai为车辆的迎风面积;λi为车辆旋转质量换算系数。
4.如权利要求2所述的基于最小作用量原理的驾驶人操控行为量化方法,其特征在于,S13中的“交通环境”为单个车辆行驶在有车道线a或道路边界的平直道路预先设定:沿着车流方向存在恒定力场以及存在由于滚动阻力、坡道阻力、加速阻力和空气阻力造成的阻力场,则所述拉格朗日量L表示为:
Gi=mig
Fai=Eai·Mi·Ri·(1+Dri)
式中,mi为车辆i的质量;xi为车辆i的纵向位移;为车辆i的纵向速度;为车辆i的纵向加速度;yi为车辆i的横向位移;表示yi的一阶导数,为车辆i的横向速度;g为重力加速度;f为滚动阻力系数;iα为坡度;CDi为车辆i的风阻系数;Ai为车辆i的迎风面积;λi为车辆i旋转质量换算系数;Eai为位于(xa,ya)处的车道线a或道路边界形成的势能场在(xi,yi)处的矢量场强;LT,a表示车道线a或道路边界的类型;Ra表示车道线a或道路边界处的道路影响因子;D表示车道宽度;|rai|表示为从车道线a或道路边界指向车辆的质心(xi,yi)的距离矢量;k是调节系数;Mi表示车辆i的等效质量;Ri表示自车处的道路影响因子;Dri表示驾驶人影响因子。
5.如权利要求2所述的基于最小作用量原理的驾驶人操控行为量化方法,其特征在于,S13中的“交通环境”为跟车模式下的单个车辆行驶在平直道路上,假设沿着车流方向存在一种类似重力的恒定力场G以及存在由于滚动阻力、爬坡阻力、加速阻力、空气阻力造成的阻力场,则所述拉格朗日量L表示为:
Gi=mig
Fai=Eai·Mi·Ri·(1+Dri)
式中,mi为车辆i的质量;xi为车辆i的纵向位移;为车辆i的纵向速度;为车辆i的纵向加速度;yi为车辆i的横向位移;为车辆i的横向速度;g为重力加速度;f为滚动阻力系数;iα为坡度;CDi为车辆i的风阻系数;Ai为车辆i的迎风面积;λi为车辆i旋转质量换算系数;Eai为位于(xa,ya)处的车道线a或道路边界形成的势能场在(xi,yi)处的矢量场强;LT,a表示车道线a或道路边界的类型;Ra表示车道线a或道路边界处的道路影响因子;D表示车道宽度;|rai|表示为从车道线a或道路边界指向车辆i的质心(xi,yi)的距离矢量;k是调节系数;Mi表示车辆i的等效质量;Ri表示自车处的道路影响因子;Dri表示驾驶人影响因子;Vji表示物体j对第i辆车产生的势能;a表示车道线a;b表示一共有b条车道线;n表示有n个道路使用者;k就是一个调节系数。
6.一种基于最小作用量原理的驾驶人操控行为量化装置,其特征在于,包括:
信息采集装置,所述信息采集装置设在自车上,用于获取与时间同步的自车和交通环境信息;和
电子控制单元,所述电子控制单元中预先设置驾驶人操控机制定量描述模块,所述驾驶人操控机制定量描述模块包括同时反映驾驶人的驾驶操控行为的交通风险和通行效率的作用量SRisk,SRisk的数学表达式为(1)式:
其中,SRisk代表自车在预设交通过程中的作用量,t1为所述预设交通过程的起始时刻,t2为所述预设交通过程的终止时刻,L代表自车在预设交通过程中的拉格朗日量,L的表达式为:
L=T-V
其中,T表示自车的动能,V表示自车受到的势能,该势能由预先设定的沿着车流方向存在的恒定力场和阻力场确定;
所述电子控制单元用于根据所述与时间同步的自车和交通环境信息,通过SRisk获取当前行车指导速度,使作用量SRisk的值最小。
7.一种智能车,其特征在于:包括如权利要求6所述的基于最小作用量原理的驾驶人操控行为量化装置。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810432926.6A CN108639059B (zh) | 2018-05-08 | 2018-05-08 | 基于最小作用量原理的驾驶人操控行为量化方法及装置 |
PCT/CN2018/086640 WO2019213982A1 (zh) | 2018-05-08 | 2018-05-14 | 基于最小作用量原理的驾驶人操控行为量化方法及装置 |
JP2020541837A JP7072133B2 (ja) | 2018-05-08 | 2018-05-14 | 最小アクション量原理に基づく運転者制御動作定量化方法及び装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810432926.6A CN108639059B (zh) | 2018-05-08 | 2018-05-08 | 基于最小作用量原理的驾驶人操控行为量化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108639059A CN108639059A (zh) | 2018-10-12 |
CN108639059B true CN108639059B (zh) | 2019-02-19 |
Family
ID=63749328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810432926.6A Active CN108639059B (zh) | 2018-05-08 | 2018-05-08 | 基于最小作用量原理的驾驶人操控行为量化方法及装置 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7072133B2 (zh) |
CN (1) | CN108639059B (zh) |
WO (1) | WO2019213982A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112562405A (zh) * | 2020-11-27 | 2021-03-26 | 山东高速建设管理集团有限公司 | 一种雷达视频智能融合与预警方法及系统 |
WO2022141913A1 (zh) * | 2021-01-01 | 2022-07-07 | 杜豫川 | 一种基于车载定位装置的路侧毫米波雷达校准方法 |
GB2621048A (en) * | 2021-03-01 | 2024-01-31 | Du Yuchuan | Vehicle-road laser radar point cloud dynamic segmentation and fusion method based on driving safety risk field |
CN117125083B (zh) * | 2023-10-27 | 2024-01-05 | 青岛理工大学 | 考虑驾驶风格倾性的车辆跟驰行为风险量化方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060100958A1 (en) * | 2004-11-09 | 2006-05-11 | Feng Cheng | Method and apparatus for operational risk assessment and mitigation |
US20130046562A1 (en) * | 2009-11-06 | 2013-02-21 | Jeffrey Taylor | Method for gathering, processing, and analyzing data to determine the risk associated with driving behavior |
US20110172871A1 (en) | 2010-01-08 | 2011-07-14 | William David Hall | System and method for measuring energy efficiency in vehicles |
CN101807341B (zh) * | 2010-04-09 | 2011-12-07 | 北京工业大学 | 基于安全性的限速值确定方法 |
SE1251304A1 (sv) | 2012-11-19 | 2014-05-20 | Scania Cv Ab | Bränsleförbrukningsanalys i ett fordon |
JP6424229B2 (ja) * | 2014-01-28 | 2018-11-14 | ボルボトラックコーポレーション | 車両運転手フィードバックシステム、そのシステムを備えた車両、車両運転手フィードバックを提供するための方法、コンピュータプログラム、コンピュータ可読媒体及び制御装置 |
EP3683623B1 (en) * | 2014-06-23 | 2021-09-29 | Honda Motor Co., Ltd. | System and method for responding to driver state |
CN104239741B (zh) * | 2014-09-28 | 2016-05-18 | 清华大学 | 基于行车风险场的汽车驾驶安全辅助方法 |
CN104590275B (zh) * | 2014-11-27 | 2019-01-08 | 厦门雅迅网络股份有限公司 | 一种驾驶行为分析方法 |
EP3254917A1 (en) * | 2016-06-07 | 2017-12-13 | Giuseppe Barelli | Method and device to control vehicle behaviour |
US20180096629A1 (en) * | 2016-10-04 | 2018-04-05 | GM Global Technology Operations LLC | Virtual driving school |
CN107161153B (zh) * | 2017-06-16 | 2019-11-29 | 重庆途安信息科技有限公司 | 一种驾驶行为评分方法及装置 |
-
2018
- 2018-05-08 CN CN201810432926.6A patent/CN108639059B/zh active Active
- 2018-05-14 WO PCT/CN2018/086640 patent/WO2019213982A1/zh active Application Filing
- 2018-05-14 JP JP2020541837A patent/JP7072133B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
WO2019213982A1 (zh) | 2019-11-14 |
CN108639059A (zh) | 2018-10-12 |
JP2020536797A (ja) | 2020-12-17 |
JP7072133B2 (ja) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108639059B (zh) | 基于最小作用量原理的驾驶人操控行为量化方法及装置 | |
US11912286B2 (en) | Driving risk identification model calibration method and system | |
CN105745131B (zh) | 行驶控制装置、服务器、车载装置 | |
CN107346612B (zh) | 一种基于车联网的车辆防碰撞方法和系统 | |
EP3176541B1 (de) | Neigungserkennung bei zweirädern | |
CN108573357B (zh) | 基于等效力的行车风险实时评估方法及其装置 | |
CN110517521A (zh) | 一种基于路车融合感知的车道偏离预警方法 | |
US20170372610A1 (en) | Driver assistant system using influence mapping for conflict avoidance path determination | |
CN102541061B (zh) | 基于视听觉信息的缩微智能车 | |
CN112224211A (zh) | 基于多自主体交通流的驾驶模拟仿真系统 | |
CN110232837A (zh) | 一种基于v2x的车路协同防撞预警系统 | |
US20210078598A1 (en) | Autonomous vehicle and pedestrian guidance system and method using the same | |
CN108437986A (zh) | 车辆驾驶辅助系统及辅助方法 | |
CN110371114A (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN106394559A (zh) | 基于环境感知信息的多目标评判驾驶行为分析方法 | |
CN107544518A (zh) | 基于拟人驾驶的acc/aeb系统及车辆 | |
CN111243274A (zh) | 面向非网联交通个体的道路碰撞预警系统及方法 | |
CN112365741B (zh) | 一种基于多车道车距检测的安全预警方法及系统 | |
CN113710530A (zh) | 用于运行自主交通工具中的驾驶员信息系统的方法和驾驶员信息系统 | |
CN113167906A (zh) | 自动车辆的伪对象检测 | |
CN113147733A (zh) | 雨雾沙尘天气汽车智能限速系统及方法 | |
CN105620486B (zh) | 应用于车辆能量管理的行驶模式判断装置及方法 | |
CN202911633U (zh) | 基于多信息融合的混合动力车车道标识线动态检测装置 | |
CN110660271B (zh) | 在更大距离上识别对于行驶重要相关的情况 | |
CN110341703A (zh) | 车辆控制装置、车辆控制方法及存储介质 |
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 |