CN109334661A - 基于速度障碍模型/碰撞概率密度模型的避障预判方法 - Google Patents

基于速度障碍模型/碰撞概率密度模型的避障预判方法 Download PDF

Info

Publication number
CN109334661A
CN109334661A CN201811039259.1A CN201811039259A CN109334661A CN 109334661 A CN109334661 A CN 109334661A CN 201811039259 A CN201811039259 A CN 201811039259A CN 109334661 A CN109334661 A CN 109334661A
Authority
CN
China
Prior art keywords
vehicle
barrier
speed
model
probability density
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
Application number
CN201811039259.1A
Other languages
English (en)
Other versions
CN109334661B (zh
Inventor
陆林东
张伟伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN201811039259.1A priority Critical patent/CN109334661B/zh
Publication of CN109334661A publication Critical patent/CN109334661A/zh
Application granted granted Critical
Publication of CN109334661B publication Critical patent/CN109334661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
    • 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
    • B60W2520/10—Longitudinal 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

基于速度障碍模型/碰撞概率密度模型的避障预判方法，步骤1：自身车辆的车载感知模块监测自身车辆和以自身车辆为中心的设定范围内存在的障碍物车辆在设定时间段内的速度、相对位置信息并回传给车载控制器；步骤2：车载控制器判断自身车辆和障碍物车辆是否同时以匀速行驶，并建立相关模型；步骤3：车载控制器判定自身车辆与障碍物车辆之间是否存在发生碰撞的可能；步骤4：车载控制器发出报警提示和/或控制自身车辆进行避障操作后或者直接进入步骤5；步骤5：重复上述步骤1～4，直至设定范围内不存在障碍物车辆。本方法将三维的现实环境二维化处理，大大降低了计算的复杂程度；基于智能驾驶，减少驾驶员的疲劳程度，起到辅助驾驶的作用。

Description

基于速度障碍模型/碰撞概率密度模型的避障预判方法
技术领域
本发明涉及智能驾驶领域，尤其涉及一种基于速度障碍模型/碰撞概率密度模型的避障预判方法。
背景技术
车辆防碰撞预测是智能驾驶领域近年来的一个研究热点，为了能在复杂的道理环境中保证车辆的安全行驶，不能只靠人来识别车辆周围的突发情况，还要靠车辆通过各传感器感知周围可能会发生碰撞的车辆，从而提前预警并快速应对，及时避障。
现有的防碰撞预测研究主要是基于机器视觉以及传感器的方法，使得车辆能够在未知的复杂环境中安全自主地驶向目的地，但是，伴随着时代发展，商用是不可避免的，这就要考虑传感器以及车载计算机的成本。Fulgenzi等人的研究用贝叶斯占用滤波器(BOF)来表示障碍物车辆，在未知环境中估计障碍物车辆的速度，并使用概率速度障碍(PVOs)来找到自身的安全速度，但是相应的计算复杂度也提高了很多。
发明内容
本发明所要解决的技术问题在于提供一种基于速度障碍模型/碰撞概率密度模型的避障预判方法，能够让自身车辆在障碍物车辆体的未知环境下，获取两者速度及位置、并通过数学模型判定自身车辆与障碍物车辆发生碰撞的可能，使得自身车辆能有效避免各障碍物车辆，安全、快速、高效地平稳运行。
本发明是通过以下技术方案实现的：
基于速度障碍模型/碰撞概率密度模型的避障预判方法，包括以下步骤：
步骤1：自身车辆的车载感知模块监测自身车辆和以自身车辆为中心的设定范围内存在的障碍物车辆在设定时间段内的速度、相对位置信息并回传给车载控制器；
步骤2：车载控制器接收到上述信息后，判断自身车辆和障碍物车辆是否同时以匀速行驶，并建立相关模型：
如果自身车辆与障碍物车辆在设定时间段内同时以匀速行驶，车载控制器根据自身车辆和障碍物车辆的速度矢量及外轮廓尺寸，自身车辆与障碍物车辆之间的距离建立速度障碍模型；
如果自身车辆与障碍物车辆中的至少一方在设定时间段内以加速度行驶，车载控制器计算某一设定时间段内自身车辆和障碍物车辆的可能行驶区域并建立碰撞概率密度模型；
步骤3：车载控制器基于速度障碍模型或者碰撞概率密度模型判定自身车辆与障碍物车辆之间是否存在发生碰撞的可能；
步骤4：如果车载控制器判定自身车辆与障碍物车辆发生碰撞的可能，车载控制器发出报警提示和/或控制自身车辆进行避障操作后进入步骤5，如果如果车载控制器判定自身车辆与障碍物车辆没有发生碰撞的可能，直接进入步骤5；
步骤5：重复上述步骤1～4，直至以自身车辆为中心的设定范围内不存在障碍物车辆。
进一步的，所述速度障碍模型通过以下方法建立：设自身车辆为质点A，障碍物车辆膨化处理为圆O，圆O的半径R1为障碍物车辆长度及宽度尺寸中的较大尺寸和自身车辆长度及宽度尺寸中的较大尺寸之和，质点A和圆O之间的距离为自身车辆与障碍物车辆之间的距离，从A点引两条射线L1和L2、分别外切于圆O两侧，L1和L2所夹的锥形面形成速度障碍锥，设自身车辆的速度矢量为vA，障碍物车辆的速度矢量为vO，则自身车辆相对于障碍物车辆的相对速度矢量为vAO。
再进一步，所述车载控制器基于速度障碍模型通过以下方式判定自身车辆与障碍物车辆发生碰撞的可能：如果相对速度矢量vAO位于速度障碍锥内，车载控制器判定自身车辆与障碍物车辆存在发生碰撞的可能。
进一步的，所述碰撞概率密度模型通过以下方法建立：
Ⅰ、自身车辆加速度a的计算：当前自身车辆以加速度a行驶，记向心加速度为aN,切向加速度为aT；
自身车辆的向心加速度aN的计算公式如下：
其中：v为自身车辆的当前行驶速度，ρ(s)为自身车辆的路径轨迹弧半径，均由车载控制器通过车载感知模块获得，当ρ(s)为0时，即自身车辆当前直线行驶时，记做aN＝0；
自身车辆的切向加速度aT与速度v变化率的关系公式如下：
其中：k1和k2均为给定常数值，k1为自身车辆的轮胎滚动摩擦系数，k2为自身车辆能够行驶的最高时速，对于不同车型的车辆所对应的k1和k2值不相同；w为给定的自身车辆操控状态参数，w≤|1|，w的值由车载感知模块监测自身车辆当前的速度变化规律给出：
当自身车辆当前处于制动状态时，-1≤w＜0，并且车辆制动程度越大，w值越小，车辆制动程度达到最大时，w＝-1；
当自身车辆当前保持原速度匀速不变时，w＝0；
当自身车辆当前处于加速状态时，0＜w≤1，并且车辆加速程度越大，w值越大，车辆加速程度达到最大时，w＝1；
车载控制器通过上述公式①、②计算自身车辆的向心加速度为aN和切向加速度aT，并通过下述公式③获得自身车辆的加速度a：
Ⅱ、车载控制器通过车载感知模块获取道路几何以及障碍物信息，结合车辆当前速度、位置和加速度，以道路可通行域中心分割线为基准，建立类高斯分布函数，可以得到自身车辆的在道路上的横向概率分布函数f(x)，公式如下：
将自身车辆在某一设定时间段内的可能行驶区域分割成若干个单位面积区域，由车辆纵向动力学和车辆操控状态参数w，可以得到自身车辆中心的纵向概率分布函数f(y)，公式如下：
其中，x和y分别为表示横向与纵向的目标路径的随机变量，x和y服从位置参数μ、尺度参数σ的概率分布函数；位置参数μ是自身车辆在正常道路中设定某一时间段内行驶距离的均值，尺度参数σ2为样本方差，即各个行驶距离数据与μ之差的平方的和的平均数；由于纵、横向速度分布相互独立，最终可获得自身车辆在道路上的运动可达区域在时刻t的联合概率分布f1(x，y，t)，公式如下：
f1(x，y，t)＝∫f(x)·f(y)·v(x，y)dt
III、按照上述第I、II步，同理得到障碍物车辆在时刻t的联合概率分布f2(x，y，t)，公式如下：
f2(x，y，t)＝∫f(x)·f(y)·v(x，y)dt
结合不同时刻点的自身车辆和障碍物车辆的运动可达区域联合概率分布，可以得到自身车辆-障碍物车辆碰撞的综合概率分布f(x，y，t)，公式如下：
f(x，y，t)＝f1(x，y，t)·f2(x，y，t)。
再进一步，所述车载控制器基于碰撞概率密度模型通过以下方式判定自身车辆与障碍物车辆是否存在发生碰撞的可能：
当f(x，y，t)＝0时，自身车辆与障碍物车辆在同一设定时间段内的行驶路径不重叠，不会发生碰撞；
当0＜f(x，y，t)≤1时，自身车辆与障碍物车辆在同一设定时间段内的行驶路径重叠，可能会发生碰撞。
进一步的，所述车载感知模块包括但不限于速度传感器，测距传感器，位置传感器，路径轨迹传感器中的多种，用于监测自身车辆和以自身车辆为中心的设定范围内存在的障碍物车辆的相关运动及位置信息。
本发明的有益效果在于：
1、结合了计算机图像处理技术，实现了用低成本的传感器进行车辆碰撞的检测，将三维的现实环境二维化处理，大大降低了计算的复杂程度；
2、基于智能驾驶，减少驾驶员的疲劳程度，起到辅助驾驶的作用。
附图说明
图1为本发明的整体流程示意图
图2为速度障碍法原理图
图3为基于碰撞概率密度模型进行避障预判时自身车辆的加速度分解示意图
图4为基于碰撞概率密度模型、自身车辆在某一设定时间段内、在道路上的运动可达区域内的联合概率分布函数密度示意图
图5为基于碰撞概率密度模型，自身车辆与障碍物车辆各自在道路上的运动可达区域在不同的时刻t的综合概率分布示意图
具体实施方式
下面结合附图对本发明作进一步说明。
本发明提出的车辆避障预判方法主要应用于车辆的辅助驾驶系统上，目的是对车辆周围的障碍物能够提前预警，避免车辆的碰撞。本发明的方法能够满足车载移动设备实时处理的要求。
本发明提出的速度障碍模型/碰撞概率密度模型的避障预判方法具体的实现如图1所示，包括以下步骤：
步骤1：自身车辆的车载感知模块监测自身车辆和以自身车辆为中心的设定范围内存在的障碍物车辆在设定时间段内的速度、相对位置信息并回传给车载控制器；
步骤2：车载控制器接收到上述信息后，判断自身车辆和障碍物车辆是否同时以匀速行驶，并建立相关模型：
如果自身车辆与障碍物车辆在设定时间段内同时以匀速行驶，车载控制器根据自身车辆和障碍物车辆的速度矢量及外轮廓尺寸，自身车辆与障碍物车辆之间的距离建立速度障碍模型；
如果自身车辆与障碍物车辆中的至少一方在设定时间段内以加速度行驶，车载控制器计算某一设定时间段内自身车辆和障碍物车辆的可能行驶区域并建立碰撞概率密度模型；
步骤3：车载控制器基于速度障碍模型或者碰撞概率密度模型判定自身车辆与障碍物车辆之间是否存在发生碰撞的可能；
步骤4：如果车载控制器判定自身车辆与障碍物车辆发生碰撞的可能，车载控制器发出报警提示和/或控制自身车辆进行避障操作后进入步骤5，如果如果车载控制器判定自身车辆与障碍物车辆没有发生碰撞的可能，直接进入步骤5；
步骤5：重复上述步骤1～4，直至以自身车辆为中心的设定范围内不存在障碍物车辆。
其中，车载感知模块包括速度传感器，测距传感器，位置传感器，路径轨迹传感器。
实施例1
如图2所示，速度障碍模型通过以下方法建立：设自身车辆为质点A，障碍物车辆膨化处理为圆O，圆O的半径R1为障碍物车辆长度及宽度尺寸中的较大尺寸和自身车辆长度及宽度尺寸中的较大尺寸之和，质点A和圆O之间的距离为自身车辆与障碍物车辆之间的距离，从A点引两条射线L1和L2、分别外切于圆O两侧，L1和L2所夹的锥形面形成速度障碍锥，设自身车辆的速度矢量为vA，障碍物车辆的速度矢量为vO，则自身车辆相对于障碍物车辆的相对速度矢量为vAO。
车载控制器基于速度障碍模型通过以下方式判定自身车辆与障碍物车辆发生碰撞的可能：如果相对速度矢量vAO位于速度障碍锥内，车载控制器判定自身车辆与障碍物车辆存在发生碰撞的可能。
实施例2
如图3～5所示，碰撞概率密度模型通过以下方法建立：
Ⅰ、自身车辆加速度a的计算：如图3所示，当前自身车辆以加速度a行驶，记向心加速度为aN,切向加速度为aT；
自身车辆的向心加速度aN的计算公式如下：
其中：v为自身车辆的当前行驶速度，ρ(s)为自身车辆的路径轨迹弧半径，均由车载控制器通过车载感知模块获得，当ρ(s)为0时，即自身车辆当前直线行驶时，记做aN＝0；
自身车辆的切向加速度aT与速度v变化率的关系公式如下：
其中：k1和k2均为给定常数值，k1为自身车辆的轮胎滚动摩擦系数，k2为自身车辆能够行驶的最高时速，对于不同车型的车辆所对应的k1和k2值不相同；w为给定的自身车辆操控状态参数，w≤|1|，w的值由车载感知模块监测自身车辆当前的速度变化规律给出：
当自身车辆当前处于制动状态时，-1≤w＜0，并且车辆制动程度越大，w值越小，车辆制动程度达到最大时，w＝-1；
当自身车辆当前保持原速度匀速不变时，w＝0；
当自身车辆当前处于加速状态时，0＜w≤1，并且车辆加速程度越大，w值越大，车辆加速程度达到最大时，w＝1；
车载控制器通过上述公式①、②计算自身车辆的向心加速度为aN和切向加速度aT，并通过下述公式③获得自身车辆的加速度a：
II、车载控制器通过车载感知模块获取道路几何以及障碍物信息，结合车辆当前速度、位置和加速度，以道路可通行域中心分割线为基准，建立类高斯分布函数，可以得到自身车辆的在道路上的横向概率分布函数f(x)，公式如下：
将自身车辆在某一设定时间段内的可能行驶区域分割成若干个单位面积区域，由车辆纵向动力学和车辆操控状态参数w，可以得到自身车辆中心的纵向概率分布函数f(y)，公式如下：
其中，x和y分别为表示横向与纵向的目标路径的随机变量，x和y服从位置参数μ、尺度参数σ的概率分布函数；位置参数μ是自身车辆在正常道路中设定某一时间段内行驶距离的均值，尺度参数σ2为样本方差，即各个行驶距离数据与μ之差的平方的和的平均数；由于纵、横向速度分布相互独立，最终可获得自身车辆在道路上的运动可达区域在时刻t的联合概率分布f1(x，y，t)，公式如下：
f1(x，y，t)＝∫f(x)·f(y)·v(x，y)dt
联合概率分布密度如图4所示，颜色越深，表示概率越大；
III、按照上述第I、II步，同理得到障碍物车辆在时刻t的联合概率分布f2(x，y，t)，公式如下：
f2(x，y，t)＝∫f(x)·f(y)·v(x，y)dt
结合不同时刻点的自身车辆和障碍物车辆的运动可达区域联合概率分布，可以得到自身车辆-障碍物车辆碰撞的综合概率分布f(x，y，t)，公式如下：
f(x，y，t)＝f1(x，y，t)·f2(x，y，t)
车载控制器基于碰撞概率密度模型通过以下方式判定自身车辆与障碍物车辆是否存在发生碰撞的可能：
当f(x，y，t)＝0时，自身车辆与障碍物车辆在同一设定时间段内的行驶路径不重叠，不会发生碰撞，如图5所示，在t1时间段内两车运动可达区域的行驶路径不重叠，两车不会发生碰撞；
当0＜f(x，y，t)≤1时，自身车辆与障碍物车辆在同一设定时间段内的行驶路径重叠，可能会发生碰撞，如图5所示，t2时间段内两车运动可达区域的行驶路径重叠，两车不会发生碰撞，存在碰撞的可能。

Claims (6)

1.基于速度障碍模型/碰撞概率密度模型的避障预判方法，包括以下步骤：
步骤1：自身车辆的车载感知模块监测自身车辆和以自身车辆为中心的设定范围内存在的障碍物车辆在设定时间段内的速度、相对位置信息并回传给车载控制器；
步骤2：车载控制器接收到上述信息后，判断自身车辆和障碍物车辆是否同时以匀速行驶，并建立相关模型：
如果自身车辆与障碍物车辆在设定时间段内同时以匀速行驶，车载控制器根据自身车辆和障碍物车辆的速度矢量及外轮廓尺寸，自身车辆与障碍物车辆之间的距离建立速度障碍模型；
如果自身车辆与障碍物车辆中的至少一方在设定时间段内以加速度行驶，车载控制器计算某一设定时间段内自身车辆和障碍物车辆的可能行驶区域并建立碰撞概率密度模型；
步骤3：车载控制器基于速度障碍模型或者碰撞概率密度模型判定自身车辆与障碍物车辆之间是否存在发生碰撞的可能；
步骤4：如果车载控制器判定自身车辆与障碍物车辆发生碰撞的可能，车载控制器发出报警提示和/或控制自身车辆进行避障操作后进入步骤5，如果如果车载控制器判定自身车辆与障碍物车辆没有发生碰撞的可能，直接进入步骤5；
步骤5：重复上述步骤1～4，直至以自身车辆为中心的设定范围内不存在障碍物车辆。
2.根据权利要求1所述的基于速度障碍模型/碰撞概率密度模型的避障预判方法，其特征在于：
所述速度障碍模型通过以下方法建立：设自身车辆为质点A，障碍物车辆膨化处理为圆O，圆O的半径R1为障碍物车辆长度及宽度尺寸中的较大尺寸和自身车辆长度及宽度尺寸中的较大尺寸之和，质点A和圆O之间的距离为自身车辆与障碍物车辆之间的距离，从A点引两条射线L1和L2、分别外切于圆O两侧，L1和L2所夹的锥形面形成速度障碍锥，设自身车辆的速度矢量为vA，障碍物车辆的速度矢量为vO，则自身车辆相对于障碍物车辆的相对速度矢量为vAO。
3.根据权利要求2所述的基于速度障碍模型和碰撞概率密度模型的车辆避障预判方法，其特征在于：所述车载控制器基于速度障碍模型通过以下方式判定自身车辆与障碍物车辆发生碰撞的可能：如果相对速度矢量vAO位于速度障碍锥内，车载控制器判定自身车辆与障碍物车辆存在发生碰撞的可能。
4.根据权利要求1所述的基于速度障碍模型/碰撞概率密度模型的避障预判方法，其特征在于：
所述碰撞概率密度模型通过以下方法建立：
Ⅰ、自身车辆加速度a的计算：当前自身车辆以加速度a行驶，记向心加速度为aN,切向加速度为aT；
自身车辆的向心加速度aN的计算公式如下：
其中：v为自身车辆的当前行驶速度，ρ(s)为自身车辆的路径轨迹弧半径，均由车载控制器通过车载感知模块获得，当ρ(s)为0时，即自身车辆当前直线行驶时，记做aN＝0；
自身车辆的切向加速度aT与速度v变化率的关系公式如下：
其中：k1和k2均为给定常数值，k1为自身车辆的轮胎滚动摩擦系数，k2为自身车辆能够行驶的最高时速，对于不同车型的车辆所对应的k1和k2值不相同；w为给定的自身车辆操控状态参数，w≤|1|，w的值由车载感知模块监测自身车辆当前的速度变化规律给出：
当自身车辆当前处于制动状态时，-1≤w＜0，并且车辆制动程度越大，w值越小，车辆制动程度达到最大时，w＝-1；
当自身车辆当前保持原速度匀速不变时，w＝0；
当自身车辆当前处于加速状态时，0＜w≤1，并且车辆加速程度越大，w值越大，车辆加速程度达到最大时，w＝1；
车载控制器通过上述公式①、②计算自身车辆的向心加速度为aN和切向加速度aT，并通过下述公式③获得自身车辆的加速度a：
Ⅱ、车载控制器通过车载感知模块获取道路几何以及障碍物信息，结合车辆当前速度、位置和加速度，以道路可通行域中心分割线为基准，建立类高斯分布函数，可以得到自身车辆的在道路上的横向概率分布函数f(x)，公式如下：
将自身车辆在某一设定时间段内的可能行驶区域分割成若干个单位面积区域，由车辆纵向动力学和车辆操控状态参数w，可以得到自身车辆中心的纵向概率分布函数f(y),公式如下：
其中，x和y分别为表示横向与纵向的目标路径的随机变量，x和y服从位置参数μ、尺度参数σ的概率分布函数；位置参数μ是自身车辆在正常道路中设定某一时间段内行驶距离的均值，尺度参数σ2为样本方差，即各个行驶距离数据与μ之差的平方的和的平均数；由于纵、横向速度分布相互独立，最终可获得自身车辆在道路上的运动可达区域在时刻t的联合概率分布f1(x，y，t)，公式如下：
f1(x，y，t)＝∫f(x)·f(y)·v(x，y)dt
Ⅲ、按照上述第Ⅰ、Ⅱ步，同理得到障碍物车辆在时刻t的联合概率分布f2(x，y，t)，公式如下：
f2(x，y，t)＝∫f(x)·f(y)·v(x，y)dt
结合不同时刻点的自身车辆和障碍物车辆的运动可达区域联合概率分布，可以得到自身车辆—障碍物车辆碰撞的综合概率分布f(x，y，t)，公式如下：
f(x，y，t)＝f1(x，y，t)·f2(x，y，t)。
5.根据权利要求4所述的基于速度障碍模型/碰撞概率密度模型的避障预判方法，其特征在于：所述车载控制器基于碰撞概率密度模型通过以下方式判定自身车辆与障碍物车辆是否存在发生碰撞的可能：
当f(x，y，t)＝0时，自身车辆与障碍物车辆在同一设定时间段内的行驶路径不重叠，不会发生碰撞；
当0＜f(x，y，t)≤1时，自身车辆与障碍物车辆在同一设定时间段内的行驶路径重叠，可能会发生碰撞。
6.根据权利要求1所述的基于速度障碍模型/碰撞概率密度模型的避障预判方法，其特征在于：所述车载感知模块包括速度传感器，测距传感器，位置传感器，路径轨迹传感器。
CN201811039259.1A 2018-09-06 2018-09-06 基于速度障碍模型和碰撞概率密度模型的避障预判方法 Active CN109334661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811039259.1A CN109334661B (zh) 2018-09-06 2018-09-06 基于速度障碍模型和碰撞概率密度模型的避障预判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811039259.1A CN109334661B (zh) 2018-09-06 2018-09-06 基于速度障碍模型和碰撞概率密度模型的避障预判方法

Publications (2)

Publication Number Publication Date
CN109334661A true CN109334661A (zh) 2019-02-15
CN109334661B CN109334661B (zh) 2020-05-29

Family

ID=65304543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811039259.1A Active CN109334661B (zh) 2018-09-06 2018-09-06 基于速度障碍模型和碰撞概率密度模型的避障预判方法

Country Status (1)

Country Link
CN (1) CN109334661B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107672525A (zh) * 2017-11-03 2018-02-09 辽宁工业大学 一种逆光行车时预见前方路况的日间辅助驾驶装置及其方法
CN109895766A (zh) * 2019-03-13 2019-06-18 刘乐 一种电动汽车的主动避障系统
CN110837255A (zh) * 2019-11-08 2020-02-25 哈尔滨工程大学 一种适用于高速水面无人艇的自主危险规避方法
CN111186437A (zh) * 2019-12-25 2020-05-22 北京三快在线科技有限公司 一种车辆轨迹的风险确定方法及装置
CN111427369A (zh) * 2020-06-08 2020-07-17 北京三快在线科技有限公司 一种无人车控制方法及装置
CN113283401A (zh) * 2021-07-20 2021-08-20 山东华力机电有限公司 基于云计算和图像处理的agv小车避障方法
CN113428138A (zh) * 2020-03-23 2021-09-24 丰田自动车株式会社 驾驶辅助系统
CN114248794A (zh) * 2020-09-23 2022-03-29 华为技术有限公司 车辆的控制方法、装置及车辆

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013217486A1 (de) * 2013-09-03 2015-03-05 Conti Temic Microelectronic Gmbh Verfahren zur Repräsentation eines Umfelds eines Fahrzeugs in einem Belegungsgitter
CN104933228A (zh) * 2015-05-27 2015-09-23 西安交通大学 基于速度障碍的无人车实时轨迹规划方法
US20150291162A1 (en) * 2012-11-09 2015-10-15 Nederlandse Organisatie Voor Toegepast- Natuurwetenschappelijk Onderzoek Tno Vehicle spacing control
CN105022270A (zh) * 2015-03-20 2015-11-04 武汉理工大学 基于速度矢量坐标系的船自动避碰方法
CN105589464A (zh) * 2016-03-28 2016-05-18 哈尔滨工程大学 一种基于速度障碍法的uuv动态避障方法
DE102015008539A1 (de) * 2015-07-02 2017-01-05 Daimler Ag Verfahren zur Fusion mehrerer Informationsquellen zur Objektdetektion und Verfahren zum Betrieb einer Fahrerassistenzvorrichtung
WO2017138664A1 (en) * 2016-02-11 2017-08-17 Mitsubishi Electric Corporation Method for controlling motion of vehicle and control system of vehicle

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150291162A1 (en) * 2012-11-09 2015-10-15 Nederlandse Organisatie Voor Toegepast- Natuurwetenschappelijk Onderzoek Tno Vehicle spacing control
DE102013217486A1 (de) * 2013-09-03 2015-03-05 Conti Temic Microelectronic Gmbh Verfahren zur Repräsentation eines Umfelds eines Fahrzeugs in einem Belegungsgitter
CN105022270A (zh) * 2015-03-20 2015-11-04 武汉理工大学 基于速度矢量坐标系的船自动避碰方法
CN104933228A (zh) * 2015-05-27 2015-09-23 西安交通大学 基于速度障碍的无人车实时轨迹规划方法
DE102015008539A1 (de) * 2015-07-02 2017-01-05 Daimler Ag Verfahren zur Fusion mehrerer Informationsquellen zur Objektdetektion und Verfahren zum Betrieb einer Fahrerassistenzvorrichtung
WO2017138664A1 (en) * 2016-02-11 2017-08-17 Mitsubishi Electric Corporation Method for controlling motion of vehicle and control system of vehicle
CN105589464A (zh) * 2016-03-28 2016-05-18 哈尔滨工程大学 一种基于速度障碍法的uuv动态避障方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107672525A (zh) * 2017-11-03 2018-02-09 辽宁工业大学 一种逆光行车时预见前方路况的日间辅助驾驶装置及其方法
CN107672525B (zh) * 2017-11-03 2024-04-05 辽宁工业大学 一种逆光行车时预见前方路况的日间辅助驾驶装置及其方法
CN109895766A (zh) * 2019-03-13 2019-06-18 刘乐 一种电动汽车的主动避障系统
CN110837255A (zh) * 2019-11-08 2020-02-25 哈尔滨工程大学 一种适用于高速水面无人艇的自主危险规避方法
CN111186437A (zh) * 2019-12-25 2020-05-22 北京三快在线科技有限公司 一种车辆轨迹的风险确定方法及装置
CN111186437B (zh) * 2019-12-25 2021-07-30 北京三快在线科技有限公司 一种车辆轨迹的风险确定方法及装置
CN113428138A (zh) * 2020-03-23 2021-09-24 丰田自动车株式会社 驾驶辅助系统
CN113428138B (zh) * 2020-03-23 2024-04-26 丰田自动车株式会社 驾驶辅助系统
CN111427369A (zh) * 2020-06-08 2020-07-17 北京三快在线科技有限公司 一种无人车控制方法及装置
CN114248794A (zh) * 2020-09-23 2022-03-29 华为技术有限公司 车辆的控制方法、装置及车辆
CN113283401A (zh) * 2021-07-20 2021-08-20 山东华力机电有限公司 基于云计算和图像处理的agv小车避障方法
CN113283401B (zh) * 2021-07-20 2021-10-08 山东华力机电有限公司 基于云计算和图像处理的agv小车避障方法

Also Published As

Publication number Publication date
CN109334661B (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
CN109334661A (zh) 基于速度障碍模型/碰撞概率密度模型的避障预判方法
CN113386795B (zh) 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统
US11225247B2 (en) Collision prediction and avoidance for vehicles
US11774975B2 (en) Collision zone detection for vehicles
EP3699051A1 (en) Vehicle control device
EP3699049A1 (en) Vehicle control device
EP3699047A1 (en) Vehicle control apparatus
EP3853835A1 (en) Collision prediction and avoidance for vehicles
KR101480647B1 (ko) 협로 주행을 위한 조향 위험도 판단 시스템 및 그 판단 방법
CN110614998A (zh) 一种激进型辅助驾驶弯道避障换道路径规划系统及方法
EP3741639A1 (en) Vehicle control device
CN110155046A (zh) 自动紧急制动分级控制方法与系统
EP3715204A1 (en) Vehicle control device
US20230021615A1 (en) Vehicle control device, and vehicle control system
JP6315827B2 (ja) 運転支援装置
JP2016139163A (ja) 車両走行制御装置
CN104192144A (zh) 一种汽车主动防撞弯道虚警消除方法
EP3738849A1 (en) Vehicle control device
CN113525373A (zh) 一种车辆的变道控制系统、控制方法
CN113844445A (zh) 基于预测参考线坐标系的车辆自动紧急制动系统与方法
CN113232648A (zh) 针对弱势道路使用者的汽车避撞系统及其控制方法
TWI535601B (zh) 滑動模式之行駛路徑投票策略模組及其駕駛控制系統與方法
CN115092183B (zh) 一种基于势场力的车辆主动避障控制方法及系统
JP6525412B1 (ja) 車両制御装置
JP2019209910A (ja) 車両制御システム

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