CN109263654A - 一种汽车过减速带自适应调速系统及调速方法 - Google Patents
一种汽车过减速带自适应调速系统及调速方法 Download PDFInfo
- Publication number
- CN109263654A CN109263654A CN201811375348.3A CN201811375348A CN109263654A CN 109263654 A CN109263654 A CN 109263654A CN 201811375348 A CN201811375348 A CN 201811375348A CN 109263654 A CN109263654 A CN 109263654A
- Authority
- CN
- China
- Prior art keywords
- automobile
- speed
- deceleration strip
- steering wheel
- speed regulation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 16
- 230000001105 regulatory effect Effects 0.000 title abstract description 3
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 210000002569 neuron Anatomy 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000011217 control strategy Methods 0.000 abstract description 9
- 230000003137 locomotive effect Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 206010044565 Tremor Diseases 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004148 unit process Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000006388 psychological stress response Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
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
- 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
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
-
- 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
- B60W2540/00—Input parameters relating to occupants
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开一种汽车过减速带自适应调速系统，包括：信号采集模块，其用于检测汽车行驶信息和路况信息；信号处理模块，其与所述信号采集模块连接，用于处理所述信号采集模块采集的数据；决策模块，其与所述信号处理模块连接，用于接收所述信号处理模块处理的数据并作出控制决策；控制模块，其与所述决策模块连接，用于接收所述决策模块作出的控制决策，并控制汽车调速。本发明还提供一种汽车过减速带自适应调速方法，采集汽车行驶信息、路况信息和驾驶员状态，并基于BP神经网络确定汽车振动影响等级和调速状态，还能根据机车振动影响等级精确控制汽车通过减速带的速度，优化汽车控制策略，提高驾驶舒适性和安全性。
Description
技术领域
本发明涉及汽车电子控制技术领域，更具体的是，本发明涉及一种汽车过减速带自适应调速系统及调速方法。
背景技术
随着经济的发展，汽车保有量增加，人们对车辆的驾驶和乘坐舒适性提出了越来越高的要求；同时车辆的增多影响到道路交通的安全，因此，为了在特定路段降低行车速度，路面上设置了许多减速带。
由于减速带的设置没有普遍实行的标准，因此，不同路段减速带的形态高度存在很大的差异，使得驾驶人在过减速带时不能对车速进行更合理的控制，从而对汽车的轮胎、悬架以及车载的电子设备造成损伤，更重要地，还影响到驾驶人以及乘员的乘坐舒适性。
发明内容
本发明的一个目的是设计开发了一种汽车过减速带自适应调速系统，能够实时检测汽车行驶信息、路况信息和驾驶员状态，并对汽车控制策略进行优化，提高驾驶舒适性和安全性。
本发明的另一个目的是设计开发了一种汽车过减速带自适应调速方法，采集汽车行驶信息、路况信息和驾驶员状态，并基于BP神经网络确定汽车振动影响等级和调速状态。
本发明还能根据机车振动影响等级精确控制汽车通过减速带的速度，优化汽车控制策略，提高驾驶舒适性和安全性。
本发明提供的技术方案为：
一种汽车过减速带自适应调速系统，包括：
信号采集模块，其用于检测汽车行驶信息和路况信息；
信号处理模块，其与所述信号采集模块连接，用于处理所述信号采集模块采集的数据；
决策模块，其与所述信号处理模块连接，用于接收所述信号处理模块处理的数据并作出控制决策；
控制模块，其与所述决策模块连接，用于接收所述决策模块作出的控制决策，并控制汽车调速。
优选的是，所述信号采集模块包括：
摄像头，其设置在汽车前挡风玻璃顶端中间，且镜头与竖直方向的夹角能够调节，用于检测前方道路信息；
第一测距雷达和第二测距雷达，其沿汽车纵向对称设置在汽车前保险杠底部；
车速传感器，其设置在汽车底盘上，用于检测汽车行驶速度；
多个振动加速度传感器，其分别设置在汽车坐垫、靠背和地板处，用于检测汽车行驶时的振动程度；
多个转向盘压力传感器，其均匀分布在汽车转向盘轮辋骨架上，用于检测驾驶员作用于汽车转向盘上的压力；
心率传感器，其设置在汽车驾驶座位的安全带上，用于检测驾驶员的心率。
一种汽车过减速带自适应调速方法，采集汽车行驶信息、路况信息和驾驶员状态，并基于BP神经网络确定汽车振动影响等级和调速状态，具体包括如下步骤：
步骤一、按照采样周期，采集减速带存在状态，减速带高度h，汽车的实时车速v0，振动加速度最大值amax，转向盘压力方差F，驾驶员心率趋势T；
步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5,x6}；其中，x1为减速带存在状态，x2为减速带高度h，x3为汽车的实时车速v0，x4为汽车振动加速度最大值amax，x5为汽车转向盘压力方差F，x6为驾驶员心率趋势T；
其中，当x1＝1时，有减速带存在，当x1＝0时，无减速带存在；
步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；
步骤四、得到输出层神经元向量o＝{o1,o2}；其中，o1为汽车振动影响等级，o2为汽车调速状态，所述输出层神经元值为o1＝{A,B,C,D}；当o2＝1时，汽车需要调速，当o2＝0时，汽车正常行驶。
优选的是，当o1＝A时，o2＝0，汽车正常行驶。
优选的是，当o1＝B时，o2＝1，汽车需要调速，控制汽车通过减速带的速度满足：
其中，v为汽车通过减速带的速度，v0为汽车的实时车速，t0为汽车通过减速带的理想时间，fi为第i个转向盘压力传感器检测的压力值，n为汽车转向盘轮辋骨架上分布的转向盘压力传感器的数量。
优选的是，当o1＝C时，o2＝1，汽车需要调速，控制汽车通过减速带的速度满足：
其中，其中，v为汽车通过减速带的速度，v0为汽车的实时车速，t0为汽车通过减速带的理想时间，fi为第i个转向盘压力传感器检测的压力值，n为汽车转向盘轮辋骨架上分布的转向盘压力传感器的数量。
优选的是，当o1＝D时，o2＝1，汽车需要调速，控制汽车通过减速带的速度满足v≤2.7m/s。
优选的是，
所述减速带的高度为：
式中，H为第一测距雷达距离地面的高度，l1为第一测距雷达距离减速带的距离，α1为第一测距雷达与水平地面所成角度，l2为第二测距雷达距离减速带的距离，α2为第二测距雷达与水平地面所成角度；
所述汽车转向盘压力方差为：
式中，fi为第i个转向盘压力传感器检测的压力值，n为汽车转向盘轮辋骨架上分布的转向盘压力传感器的数量；
所述驾驶员心率趋势为：
式中，TRE为驾驶员的实时心率值，TREmin为驾驶员的最小心率值，TREmax为驾驶员的最大心率值。
优选的是，所述隐层的神经元个数m满足：其中n为输入层节点个数，p为输出层节点个数。
优选的是，所述隐层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。
本发明所述的有益效果：
(1)本发明提供的汽车过减速带自适应调速系统，能够实时检测汽车行驶信息、路况信息和驾驶员状态，并对汽车控制策略进行优化，提高驾驶舒适性和安全性。
(2)本发明提供的汽车过减速带自适应调速方法，采集汽车行驶信息、路况信息和驾驶员状态，并基于BP神经网络确定汽车振动影响等级和调速状态。本发明还能根据机车振动影响等级精确控制汽车通过减速带的速度，优化汽车控制策略，提高驾驶舒适性和安全性。
附图说明
图1为本发明所述汽车过减速带自适应调速系统的原理图。
图2为本发明所述摄像头、第一测距雷达和第二测距雷达的安装位置示意图。
图3为本发明所述激光测距雷达的原理图。
图4为本发明所述决策模块的原理图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1所示，本发明提供一种汽车过减速带自适应调速系统，包括：信号采集模块，其用于检测汽车行驶信息和路况信息；信号处理模块，其与所述信号采集模块连接，用于处理所述信号采集模块采集的数据；决策模块，其与所述信号处理模块连接，用于接收所述信号处理模块处理的数据并作出控制决策；控制模块，其与所述决策模块连接，用于接收所述决策模块作出的控制决策，并控制汽车调速。
所述信号采集模块包括摄像头、第一测距雷达、第二测距雷达、车速传感器、振动加速度传感器、转向盘压力传感器以及心率传感器；
具体的：
所述摄像头Q安装于前挡风玻璃顶端中间不影响驾驶员视线的位置，镜头面向前方道路，镜头角度可调，如图2所示。
所述第一测距雷达M和第二测距雷达N通过可调角度的活动铰链安装在汽车前保险杠底部并关于汽车纵向垂直对称面对称(如图2所示)，测距方向面向汽车前方，调节的角度，分别与地面成α1、α2角度，两测距雷达成一定角度β。
所述车速传感器来自车辆自带的车速传感器。
所述振动加速度传感器包括驾驶人及同侧后排乘员坐垫、靠背以及地板处加速度传感器；振动加速度传感器选用单轴加速度传感器，获取测点Z向加速度信号；坐垫和靠背处的传感器内嵌于座椅内部并保证座椅乘坐时没有异物感，布置方法参考GB/T 4970-2009汽车平顺性试验中传感器的布置；地板处传感器埋于地毯下，并保证不影响驾驶人的正常驾驶行为；用于评价汽车过减速带时，振动对人体的影响。
所述转向盘压力传感器置于转向盘轮辋骨架上，外饰皮革下，压力传感器可使用但不限于柔性薄膜触点压力传感器，触点均匀分布在转向盘轮辋骨架上，当转向盘受到外部的压力时即可产生触发电信号，传感器的安装保证不影响转向盘手感；用于检测汽车过减速带时，驾驶员作用于转向盘上的压力，进而评估驾驶员紧张程度等心理反应。
所述心率传感器置于驾驶人安全带上，传感器可使用但不限于光电式脉搏传感器，安装保证不影响驾驶人体感舒适性以及安全带的正常功能；用于检测汽车过减速带时，驾驶人的心理应激反应。
本发明提供的汽车过减速带自适应调速系统，能够实时检测汽车行驶信息、路况信息和驾驶员状态，并对汽车控制策略进行优化，提高驾驶舒适性和安全性。
如图4所示，本发明还提供一种汽车过减速带自适应调速方法，采集汽车行驶信息、路况信息和驾驶员状态，并基于BP神经网络确定汽车振动影响等级和调速状态，具体包括如下步骤：
步骤一、建立BP神经网络模型。
BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即oi＝xi。中间隐含层和输出层的神经元的操作特性为
opj＝fj(netpj)
其中p表示当前的输入样本，ωji为从神经元i到神经元j的连接权值，opi为神经元j的当前输入，opj为其输出；fj为非线性可微非递减函数，一般取为S型函数，即fj(x)＝1/(1+e-x)。
本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示汽车、道路和驾驶员状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。
该网络的数学模型为：
输入向量：x＝(x1,x2,...,xn)T
中间层向量：y＝(y1,y2,...,ym)T
输出向量：o＝(o1,o2,...,op)T
本发明中，输入层节点数为n＝6，输出层节点数为p＝2，隐藏层节点数
输入层6个参数分别表示为：x1为减速带存在状态，x2为减速带高度h，x3为汽车的实时车速v0，x4为汽车振动加速度最大值amax，x5为汽车转向盘压力方差F，x6为驾驶员心率趋势T；
其中，当x1＝1时，有减速带存在，当x1＝0时，无减速带存在。
减速带存在状态有摄像头检测，实时车速由汽车自带的车速传感器检测；
对于汽车振动加速度最大值amax，信号处理单元对采集的座椅坐垫、靠背和地板处的振动加速度信号进行处理计算。具体的，由于减速带与汽车平顺性脉冲试验相似，使用较高的采样频率，计算各个测点Z轴的最大(绝对值)加速度响应包括驾驶员座椅坐垫上方、靠背以及座椅底部地板和驾驶员同侧后排座椅坐垫上方、靠背以及座椅底部地方共6个最大加速度响应值。
对于减速带高度h，所述的距离信号处理单元对激光测距雷达的信号进行处理和修正；具体的如图3所示，第一测距雷达高度为H，与水平地面所成角度为α1，测得减速带距离l1，则减速带第一测量高度为h1＝H-l1sinα1；为了保证测量结果的准确性，第二测距雷达与第一测距雷达成一定角度β，第二测距雷达高度为H，与水平地面所成角度为α2，测得减速带距离l2，则减速带第二测量高度为h2＝H-l2sinα2，减速带高度取两者平均值h＝(h1+h2)/2，即
对于汽车转向盘压力方差F，信号处理单元对压力信号采样求方差，从而可分析作于在转向盘上的压力变化程度；具体的采样所得压力信号为f1，f2，...，fn，则均值方差
对于驾驶员心率趋势T，信号处理单元获得驾驶员的实时心率值TRE，以及驾驶员的最小心率值TREmin和最大心率值TREmax，进而获得驾驶员心率趋势
输出层2个参数分别表示为：o1为汽车振动影响等级，o2为汽车调速状态，所述输出层神经元值为o1＝{A,B,C,D}；当o2＝1时，汽车需要调速，当o2＝0时，汽车正常行驶。
步骤二、进行BP神经网络的训练。
建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。
(1)训练方法
各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；各子网训练时的输出样本如表1所示。
表1网络训练用的输出样本
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：
第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。
第二步：对每个输入样本作如下计算：
(a)前向计算：对l层的j单元
式中，为第n次计算时l层的j单元信息加权和，为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，为前一层(即l-1层，节点数为nl-1)的单元i送来的工作信号；i＝0时，令为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数，则
且
若神经元j属于第一隐层(l＝1)，则有
若神经元j属于输出层(l＝L)，则有
且ej(n)＝xj(n)-oj(n)；
(b)反向计算误差：
对于输出单元
对隐单元
(c)修正权值：
η为学习速率。
第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为
Δω＝(JTJ+μI)-1JTe
其中J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。
在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。
步骤三：对汽车控制策略进行优化，
(1)当o1＝A时，o2＝0，汽车过减速带时较平稳，人体感觉没有不舒服，因此不需要进行调速，汽车正常行驶即可。
(2)当o1＝B时，o2＝1，汽车过减速带时有些不平稳，人体感觉有些不舒服，汽车需要调速，控制汽车通过减速带的速度满足：
其中，v为汽车通过减速带的速度，v0为汽车的实时车速，t0为汽车通过减速带的理想时间，fi为第i个转向盘压力传感器检测的压力值，n为汽车转向盘轮辋骨架上分布的转向盘压力传感器的数量。
(3)当o1＝C时，o2＝1，汽车过减速带时明显震颤，人体感觉不舒服，汽车需要调速，控制汽车通过减速带的速度满足：
其中，其中，v为汽车通过减速带的速度，v0为汽车的实时车速，t0为汽车通过减速带的理想时间，fi为第i个转向盘压力传感器检测的压力值，n为汽车转向盘轮辋骨架上分布的转向盘压力传感器的数量。
(4)当o1＝D时，o2＝1，汽车过减速带时震颤较为剧烈，人体感觉很不舒服，汽车需要调速，控制汽车通过减速带的速度满足v≤2.7m/s。
本发明中通过调节节气门开度和制动压力，达到汽车调速的目的。
下面结合具体的实施例进一步的对本发明提供的汽车过减速带自适应调速方法进行说明。选取10组不同的车辆行驶信息、道路信息和驾驶员状态进行试验，具体试验数据如表2所示。
表2试验条件
根据前述建立的神经网络模型，得出输出结果，结果如表3所示。
表3输出结果
| 序号 | 振动音响等级 | 调速状态 |
| 1 | A | 0 |
| 2 | B | 1 |
| 3 | C | 1 |
| 4 | D | 1 |
| 5 | C | 1 |
| 6 | C | 1 |
| 7 | D | 1 |
| 8 | C | 1 |
| 9 | B | 1 |
| 10 | A | 0 |
对汽车控制策略进行优化，具体优化策略如表4所示。
表4优化策略
| 序号 | 振动音响等级 | 过减速带车速 |
| 1 | A | 10 |
| 2 | B | 9.2 |
| 3 | C | 8.15 |
| 4 | D | v≤2.7m/s |
| 5 | C | 7.2 |
| 6 | C | 6.3 |
| 7 | D | v≤2.7m/s |
| 8 | C | 4.2 |
| 9 | B | 4.5 |
| 10 | B | 4.8 |
结合模拟的路况信息，并输出上述优化策略时，汽车能够平顺的通过减速带，且驾驶员舒适度良好。因此上述建立的神经网络模型，确定汽车振动影响等级和调速状态是合理的。
本发明提供的汽车过减速带自适应调速方法，采集汽车行驶信息、路况信息和驾驶员状态，并基于BP神经网络确定汽车振动影响等级和调速状态。本发明还能根据机车振动影响等级精确控制汽车通过减速带的速度，优化汽车控制策略，提高驾驶舒适性和安全性。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种汽车过减速带自适应调速系统，其特征在于，包括：
信号采集模块，其用于检测汽车行驶信息和路况信息；
信号处理模块，其与所述信号采集模块连接，用于处理所述信号采集模块采集的数据；
决策模块，其与所述信号处理模块连接，用于接收所述信号处理模块处理的数据并作出控制决策；
控制模块，其与所述决策模块连接，用于接收所述决策模块作出的控制决策，并控制汽车调速。
2.如权利要求1所述的汽车过减速带自适应调速系统，其特征在于，所述信号采集模块包括：
摄像头，其设置在汽车前挡风玻璃顶端中间，且镜头与竖直方向的夹角能够调节，用于检测前方道路信息；
第一测距雷达和第二测距雷达，其沿汽车纵向对称设置在汽车前保险杠底部；
车速传感器，其设置在汽车底盘上，用于检测汽车行驶速度；
多个振动加速度传感器，其分别设置在汽车坐垫、靠背和地板处，用于检测汽车行驶时的振动程度；
多个转向盘压力传感器，其均匀分布在汽车转向盘轮辋骨架上，用于检测驾驶员作用于汽车转向盘上的压力；
心率传感器，其设置在汽车驾驶座位的安全带上，用于检测驾驶员的心率。
3.一种汽车过减速带自适应调速方法，其特征在于，采集汽车行驶信息、路况信息和驾驶员状态，并基于BP神经网络确定汽车振动影响等级和调速状态，具体包括如下步骤：
步骤一、按照采样周期，采集减速带存在状态，减速带高度h，汽车的实时车速v0，振动加速度最大值amax，转向盘压力方差F，驾驶员心率趋势T；
步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5,x6}；其中，x1为减速带存在状态，x2为减速带高度h，x3为汽车的实时车速v0，x4为汽车振动加速度最大值amax，x5为汽车转向盘压力方差F，x6为驾驶员心率趋势T；
其中，当x1＝1时，有减速带存在，当x1＝0时，无减速带存在；
步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；
步骤四、得到输出层神经元向量o＝{o1,o2}；其中，o1为汽车振动影响等级，o2为汽车调速状态，所述输出层神经元值为o1＝{A,B,C,D}；当o2＝1时，汽车需要调速，当o2＝0时，汽车正常行驶。
4.如权利要求3所述的汽车过减速带自适应调速方法，其特征在于，当o1＝A时，o2＝0，汽车正常行驶。
5.如权利要求3所述的汽车过减速带自适应调速方法，其特征在于，当o1＝B时，o2＝1，汽车需要调速，控制汽车通过减速带的速度满足：
其中，v为汽车通过减速带的速度，v0为汽车的实时车速，t0为汽车通过减速带的理想时间，fi为第i个转向盘压力传感器检测的压力值，n为汽车转向盘轮辋骨架上分布的转向盘压力传感器的数量。
6.如权利要求3所述的汽车过减速带自适应调速方法，其特征在于，当o1＝C时，o2＝1，汽车需要调速，控制汽车通过减速带的速度满足：
其中，其中，v为汽车通过减速带的速度，v0为汽车的实时车速，t0为汽车通过减速带的理想时间，fi为第i个转向盘压力传感器检测的压力值，n为汽车转向盘轮辋骨架上分布的转向盘压力传感器的数量。
7.如权利要求3所述的汽车过减速带自适应调速方法，其特征在于，当o1＝D时，o2＝1，汽车需要调速，控制汽车通过减速带的速度满足v≤2.7m/s。
8.如权利要求3-7中任意一项所述的汽车过减速带自适应调速方法，其特征在于，
所述减速带的高度为：
式中，H为第一测距雷达距离地面的高度，l1为第一测距雷达距离减速带的距离，α1为第一测距雷达与水平地面所成角度，l2为第二测距雷达距离减速带的距离，α2为第二测距雷达与水平地面所成角度；
所述汽车转向盘压力方差为：
式中，fi为第i个转向盘压力传感器检测的压力值，n为汽车转向盘轮辋骨架上分布的转向盘压力传感器的数量；
所述驾驶员心率趋势为：
式中，TRE为驾驶员的实时心率值，TREmin为驾驶员的最小心率值，TREmax为驾驶员的最大心率值。
9.如权利要求3所述的汽车过减速带自适应调速方法，其特征在于，所述隐层的神经元个数m满足：其中n为输入层节点个数，p为输出层节点个数。
10.如权利要求3或9所述的汽车过减速带自适应调速方法，其特征在于，所述隐层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811375348.3A CN109263654B (zh) | 2018-11-19 | 2018-11-19 | 一种汽车过减速带自适应调速系统及调速方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811375348.3A CN109263654B (zh) | 2018-11-19 | 2018-11-19 | 一种汽车过减速带自适应调速系统及调速方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109263654A true CN109263654A (zh) | 2019-01-25 |
| CN109263654B CN109263654B (zh) | 2023-08-08 |
Family
ID=65190481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811375348.3A Active CN109263654B (zh) | 2018-11-19 | 2018-11-19 | 一种汽车过减速带自适应调速系统及调速方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109263654B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109910865A (zh) * | 2019-02-26 | 2019-06-21 | 辽宁工业大学 | 一种基于物联网的车辆预警刹车方法 |
| CN111688691A (zh) * | 2019-12-03 | 2020-09-22 | 周静 | 智能化行驶数据参数调节系统 |
| CN111738040A (zh) * | 2019-06-25 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种减速带识别方法及系统 |
| CN112766306A (zh) * | 2020-12-26 | 2021-05-07 | 浙江天行健智能科技有限公司 | 一种基于svm算法的减速带区域识别方法 |
| CN112924184A (zh) * | 2021-01-22 | 2021-06-08 | 重庆长安汽车股份有限公司 | 一种车辆过减速带的余振收敛客观评价装置和评价方法 |
| CN114734888A (zh) * | 2022-03-15 | 2022-07-12 | 东风柳州汽车有限公司 | 车辆座椅控制方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140163836A1 (en) * | 2012-12-07 | 2014-06-12 | Hyundai Motor Company | Apparatus and method for automatically controlling the speed of a vehicle in a speed bump area |
| KR20160050270A (ko) * | 2014-10-29 | 2016-05-11 | 현대엠엔소프트 주식회사 | 과속 방지턱 차량 제어 장치 및 그 제어 방법 |
| CN107380160A (zh) * | 2017-08-30 | 2017-11-24 | 重庆凯泽科技股份有限公司 | 一种汽车自动控制系统及控制方法 |
| CN107867179A (zh) * | 2016-09-23 | 2018-04-03 | 比亚迪股份有限公司 | 一种车辆限速控制方法和控制系统及车辆 |
| CN207631119U (zh) * | 2017-11-16 | 2018-07-20 | 长安大学 | 一种疲劳驾驶预警及干预装置 |
-
2018
- 2018-11-19 CN CN201811375348.3A patent/CN109263654B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140163836A1 (en) * | 2012-12-07 | 2014-06-12 | Hyundai Motor Company | Apparatus and method for automatically controlling the speed of a vehicle in a speed bump area |
| KR20160050270A (ko) * | 2014-10-29 | 2016-05-11 | 현대엠엔소프트 주식회사 | 과속 방지턱 차량 제어 장치 및 그 제어 방법 |
| CN107867179A (zh) * | 2016-09-23 | 2018-04-03 | 比亚迪股份有限公司 | 一种车辆限速控制方法和控制系统及车辆 |
| CN107380160A (zh) * | 2017-08-30 | 2017-11-24 | 重庆凯泽科技股份有限公司 | 一种汽车自动控制系统及控制方法 |
| CN207631119U (zh) * | 2017-11-16 | 2018-07-20 | 长安大学 | 一种疲劳驾驶预警及干预装置 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109910865A (zh) * | 2019-02-26 | 2019-06-21 | 辽宁工业大学 | 一种基于物联网的车辆预警刹车方法 |
| CN111738040A (zh) * | 2019-06-25 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种减速带识别方法及系统 |
| CN111688691A (zh) * | 2019-12-03 | 2020-09-22 | 周静 | 智能化行驶数据参数调节系统 |
| CN112766306A (zh) * | 2020-12-26 | 2021-05-07 | 浙江天行健智能科技有限公司 | 一种基于svm算法的减速带区域识别方法 |
| CN112766306B (zh) * | 2020-12-26 | 2023-06-27 | 浙江天行健智能科技有限公司 | 一种基于svm算法的减速带区域识别方法 |
| CN112924184A (zh) * | 2021-01-22 | 2021-06-08 | 重庆长安汽车股份有限公司 | 一种车辆过减速带的余振收敛客观评价装置和评价方法 |
| CN114734888A (zh) * | 2022-03-15 | 2022-07-12 | 东风柳州汽车有限公司 | 车辆座椅控制方法、装置、设备及存储介质 |
| CN114734888B (zh) * | 2022-03-15 | 2024-01-19 | 东风柳州汽车有限公司 | 车辆座椅控制方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109263654B (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109263654A (zh) | 一种汽车过减速带自适应调速系统及调速方法 | |
| CN102398602B (zh) | 用于车辆的控制系统 | |
| CN110539799B (zh) | 一种基于驾驶员状态的分层架构人机共驾系统 | |
| CN109552289B (zh) | 一种汽车自适应辅助制动系统及其控制方法 | |
| CN108960426A (zh) | 基于bp神经网络的道路坡度综合估计系统 | |
| CN108639065B (zh) | 一种基于视觉的车辆安全行驶控制方法 | |
| KR20160084836A (ko) | 운전자 지원 시스템 최적화를 위한 방법 및 장치 | |
| CN108482481B (zh) | 四轮独立驱动与转向电动汽车的四轮转向控制方法 | |
| CN108944943B (zh) | 一种基于风险动态平衡理论的弯道跟驰模型 | |
| US20210331663A1 (en) | Electric vehicle control system | |
| CN103324085A (zh) | 基于监督式强化学习的最优控制方法 | |
| CN114987539B (zh) | 一种基于风险场模型的自动驾驶汽车个性化碰撞分级预警方法及系统 | |
| CN114379583A (zh) | 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法 | |
| CN108335457B (zh) | 一种基于驾驶人手环的驾驶安全监测方法 | |
| CN105035085A (zh) | 自动跟车方法及装置 | |
| CN112193253B (zh) | 一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法 | |
| CN116749700A (zh) | 一种基于路面信息考虑乘员晕动的车辆主动悬架控制方法 | |
| CN114030436A (zh) | 一种汽车座舱调节方法 | |
| CN109712424B (zh) | 一种基于物联网的车辆导航方法 | |
| CN110682903A (zh) | 一种基于视觉感知的安全超车预警系统及方法 | |
| CN116853273A (zh) | 知识和数据融合驱动的云控式网联车辆协同巡航控制方法 | |
| CN110816531B (zh) | 一种无人驾驶汽车车辆间安全距离的控制系统及控制方法 | |
| CN108664043A (zh) | 基于双目视觉的驾驶员特征点测量装置及其控制方法 | |
| CN108515936B (zh) | 基于乘驾人姿态的自适应安全气囊及其控制方法 | |
| CN109910865B (zh) | 一种基于物联网的车辆预警刹车方法 |
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 |