CN109552289B - 一种汽车自适应辅助制动系统及其控制方法 - Google Patents

Abstract

本发明公开一种汽车自适应辅助制动系统，包括：液压制动主系统，其包括：制动主缸，其与汽车制动踏板连接；制动器，其设置在汽车车轮上，且与所述制动主缸连接；电机辅助制动系统，其包括：轮毂电机，其设置在所述汽车轮毂上；信号采集模块，其用于采集汽车行驶信息、路况信息和驾驶员状态；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，并做出辅助控制决策；控制模块，其与所述信号处理模块和轮毂电机连接，用于接收所述辅助控制决策，并对汽车进行辅助制动。本发明还提供一种汽车自适应辅助制动系统的控制方法，能够根据汽车行驶信息和路况环境信息，实时确定汽车与前辆汽车的安全距离，并做出辅助控制决策。

Description

一种汽车自适应辅助制动系统及其控制方法

技术领域

本发明涉及汽车制动电子控制技术领域，更具体的是，本发明涉及一种汽车自适应辅助制动系统及其控制方法。

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。车辆的制动系统是车辆的重要控制系统之一，车辆控制制动技术的发展情况决定了车辆的技术水平。

现有技术中的车辆的制动系统包括刹车制动、手动制动等，传统情况中，当驾驶员遇到紧急情况，通常将踩在油门上的右脚急速放松，回收同时移向刹车踏板，并将刹车踏板踩下，当刹车踏板踩下后，车速才会降低，在此过程中车速基本保持原有车速，而其间的时间并没有及时形成制动，也就是说，制动操作不能够由驾驶员发现紧急情况时及时作出反应，存在延误操作的可能，对车辆的行驶安全造成了极大的威胁。

发明内容

本发明的一个目的是设计开发了一种汽车自适应辅助制动系统，设置了电机辅助制动系统，在进行液压制动的同时，电机辅助制动系统通过轮毂电机进行辅助制动，提高制动效果和行车安全性。

本发明的另一个目的是设计开发了一种汽车自适应辅助制动系统的控制方法，能够根据汽车行驶信息和路况环境信息，实时确定汽车与相邻前辆汽车的安全距离，并做出辅助控制决策。

本发明在汽车与相邻前辆汽车的实时距离小于等于汽车的安全距离时，精确控制汽车的辅助制动加速度，提高制动效果和驾驶舒适性。

本发明还能在汽车与相邻前辆汽车的实时距离大于汽车的安全距离时，基于BP神经网络确定汽车的辅助制动加速度，提高制动效果和驾驶舒适性。

本发明提供的技术方案为：

一种汽车自适应辅助制动系统，包括：

液压制动主系统，其包括：

制动主缸，其与汽车制动踏板连接；

制动器，其设置在汽车车轮上，且与所述制动主缸连接；

电机辅助制动系统，其包括：

轮毂电机，其设置在所述汽车轮毂上；

信号采集模块，其用于采集汽车行驶信息、路况信息和驾驶员状态；

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，并做出辅助控制决策；

控制模块，其与所述信号处理模块和轮毂电机连接，用于接收所述辅助控制决策，并对汽车进行辅助制动。

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，用于检测前方道路信息；

车速传感器，其设置在汽车底盘上，用于检测汽车行驶速度；

踏板位移传感器，其与制动踏板连接，用于检测制动踏板的位移；

多个振动传感器，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。

一种汽车自适应辅助制动系统的控制方法，包括：

当汽车进行制动时，按照采样周期，通过传感器测量采集汽车行驶信息和路况环境信息，实时确定汽车与相邻前辆汽车的安全距离，并做出辅助控制决策，控制模块根据所述辅助控制决策对汽车进行辅助制动，其中，所述汽车与相邻前辆汽车的安全距离为：

其中，D_S为安全距离，d₀为当前车况环境下应当保持的安全距离，d_s为能见度，v为车速，k为参数，n为等概率出现的选择对象数，χ为天气状况系数且χ∈[-2,1]，g为重力加速度，e为自然对数的底数，σ为风力等级且σ∈[0,9]。

优选的是，当汽车与相邻前辆汽车的实时距离D满足D≤D_S时，

控制模块通过轮毂电机对汽车进行辅助制动的辅助制动加速度为：

其中，a为辅助制动加速度，v₀为汽车的实时车速，f_i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，

为汽车平均振动幅度，F为转向盘压力方差，T为驾驶员心率趋势。

优选的是，所述汽车转向盘压力方差为：

优选的是，所述驾驶员心率趋势为：

式中，TRE为驾驶员的实时心率值，TRE_min为驾驶员的最小心率值，TRE_max为驾驶员的最大心率值。

优选的是，当汽车与相邻前辆汽车的实时距离D满足D＞D_S时，基于BP 神经网络采集汽车行驶信息、路况信息和驾驶员状态并确定辅助制动加速度，具体包括如下步骤：

步骤一、按照采样周期，通过传感器采集汽车与相邻前辆汽车的实时距离D，汽车的实时车速v₀，汽车平均振动幅度

转向盘压力方差F，驾驶员心率趋势T以及制动踏板的位移H；

步骤二、依次将汽车与相邻前辆汽车的实时距离D，汽车的实时车速v₀，汽车平均振动幅度

转向盘压力方差F，驾驶员心率趋势T以及制动踏板的位移H进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅,x₆}；其中，x₁为实时距离系数，x₂为车速系数，x₃为振动幅度系数，x₄为转向盘压力方差系数，x₅为心率趋势系数，x₆为制动踏板的位移系数；

步骤三、所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}； m为中间层节点个数；

步骤四、得到输出层向量z＝{z₁}；其中，z₁为辅助制动加速度调节系数，使

a_i+1＝z₁ ⁱa_max，

其中，z₁ ⁱ为第i个采样周期输出层向量参数，a_max为设定的辅助制动加速度的最大值，a_i+1为第i+1个采样周期时的辅助制动加速度。

优选的是，步骤二中，将汽车与相邻前辆汽车的实时距离D，汽车的实时车速v₀，汽车平均振动幅度

转向盘压力方差F，驾驶员心率趋势T以及制动踏板的位移H进行规格化的公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数D、v₀、

F、T、 H，j＝1,2,3,4,5,6；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

优选的是，所述步骤一中，初始运行状态下，辅助制动加速度满足经验值：

a₀＝0.5a_max，

其中，a₀为初始辅助制动加速度；a_max为设定的最大辅助制动加速度。

优选的是，所述中间层的节点个数m满足：

其中n为输入层节点个数，p为输出层节点个数，所述中间层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。

本发明所述的有益效果：

(1)本发明提供的汽车自适应辅助制动系统，设置了电机辅助制动系统，在进行液压制动的同时，电机辅助制动系统通过轮毂电机进行辅助制动，提高制动效果和行车安全性。

(2)本发明提供的汽车自适应辅助制动系统的控制方法，能够根据汽车行驶信息和路况环境信息，实时确定汽车与相邻前辆汽车的安全距离，并做出辅助控制决策。在汽车与相邻前辆汽车的实时距离小于等于汽车的安全距离时，精确控制汽车的辅助制动加速度。还能在汽车与相邻前辆汽车的实时距离大于汽车的安全距离时，基于BP神经网络确定汽车的辅助制动加速度，提高制动效果和驾驶舒适性，也提高了行车安全性。

具体实施方式

下面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。

本发明提供一种汽车自适应辅助制动系统，包括：液压制动主系统，其包括：制动主缸，其与汽车制动踏板连接；制动器，其设置在汽车车轮上，且与所述制动主缸连接。主要是踩踏制动踏板时，通过液压传递到车轮上的制动器，对汽车进行制动。

电机辅助制动系统，其包括：轮毂电机，其设置在所述汽车轮毂上；信号采集模块，其用于采集汽车行驶信息、路况信息和驾驶员状态；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，并做出辅助控制决策；控制模块，其与所述信号处理模块和轮毂电机连接，用于接收所述辅助控制决策，并对汽车进行辅助制动。通过轮毂电机接收的控制决策对车轮进行制动。

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，用于检测前方道路信息，主要是确定汽车与相邻前辆汽车的实时距离；车速传感器，其设置在汽车底盘上，用于检测汽车行驶速度；踏板位移传感器，其与制动踏板连接，用于检测制动踏板的位移；多个振动传感器，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。

本发明提供的汽车自适应辅助制动系统，设置了电机辅助制动系统，在进行液压制动的同时，电机辅助制动系统通过轮毂电机进行辅助制动，提高制动效果和行车安全性。

本发明还提供一种汽车自适应辅助制动系统的控制方法，具体是当汽车进行制动时，按照采样周期，通过传感器测量采集汽车行驶信息和路况环境信息，实时确定汽车与相邻前辆汽车的安全距离，并做出辅助控制决策，控制模块根据所述辅助控制决策对汽车进行辅助制动，其中，所述汽车与相邻前辆汽车的安全距离为：

其中，D_S为安全距离，d₀为当前车况环境下应当保持的安全距离，d_s为能见度，v为车速，k为参数，n为等概率出现的选择对象数，χ为天气状况系数且χ∈[-2,1]，g为重力加速度，e为自然对数的底数，σ为风力等级且σ∈[0,9]。

(1)当汽车与相邻前辆汽车的实时距离D满足D≤D_S时，

控制模块通过轮毂电机对汽车进行辅助制动的辅助制动加速度为：

其中，a为辅助制动加速度，v₀为汽车的实时车速，f_i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，

为汽车平均振动幅度，F为转向盘压力方差，T为驾驶员心率趋势。

优选的是，所述汽车转向盘压力方差为：

优选的是，所述驾驶员心率趋势为：

式中，TRE为驾驶员的实时心率值，TRE_min为驾驶员的最小心率值，TRE_max为驾驶员的最大心率值。

(2)当汽车与相邻前辆汽车的实时距离D满足D＞D_S时，基于BP神经网络采集汽车行驶信息、路况信息和驾驶员状态并确定辅助制动加速度，具体包括如下步骤：

步骤一、建立BP神经网络模型；

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，对应了表示汽车行驶信息、路况信息和驾驶员状态的n个检测信号，这些信号参数由数据预处理模块给出。第二层为中间层，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。所述中间层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。

该网络的数学模型为：

输入层向量：x＝(x₁,x₂,…,x_n)^T

中间层向量：y＝(y₁,y₂,…,y_m)^T

输出层向量：z＝(z₁,z₂,…,z_p)^T

本发明中，输入层节点数为n＝6，输出层节点数为p＝1。隐藏层节点数m 由下式估算得出：

按照采样周期，输入的6个参数为，x₁为实时距离系数，x₂为车速系数， x₃为振动幅度系数，x₄为转向盘压力方差系数，x₅为心率趋势系数，x₆为制动踏板的位移系数；

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入神经网络之前，需要将数据规格化为0-1之间的数。

具体而言，对于汽车与相邻前辆汽车的实时距离D，进行规格化后，得到实时距离系数x₁：

其中，D_min和D_max分别为汽车与相邻前辆汽车的实时距离的最小值和最大值。

对于汽车的实时车速v₀，进行规格化后，得到车速系数x₂：

其中，v_min和v_max分别为最小车速和最大车速。

对于汽车平均振动幅度

进行规格化后，得到振动幅度系数x₃：

其中，

和A_max分别为汽车平均振动幅度的最小值和最大值。

对于转向盘压力方差F，进行规格化后，得到转向盘压力方差系数x₄：

其中，F_min和F_max分别为转向盘压力方差的最小值和最大值。

对于驾驶员心率趋势T，进行规格化后，得到驾驶员心率趋势系数x₅：

其中，T_min和T_max分别为驾驶员心率趋势的最小值和最大值。

对于制动踏板的位移H，进行规格化后，得到制动踏板的位移系数x₆：

其中，H_min和H_max分别为制动踏板的最小位移和最大位移。

输出信号的1个参数表示为：z₁为辅助制动加速度调节系数；

辅助制动加速度调节系数z₁表示为下一个采样周期中的辅助制动加速度与当前采样周期中设定的最大辅助制动加速度之比，即在第i个采样周期中，采集到的辅助制动加速度为a_i，通过BP神经网络输出第i个采样周期的辅助制动加速度调节系数z₁ ⁱ后，控制第i+1个采样周期中辅助制动加速度为a_i+1，使其满足a_i+1＝z₁ ⁱa_max；

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w_ij，中间层节点j和输出层节点k之间的连接权值w_jk，中间层节点j的阈值θ_j，输出层节点k的阈值w_ij、w_jk、θ_j、θ_k均为-1到1之间的随机数。

在训练过程中，不断修正w_ij和w_jk的值，直至系统误差小于等于期望误差时，完成神经网络的训练过程。

如表1所示，给定了一组训练样本以及训练过程中各节点的值。

表1训练过程各节点值

步骤三、采集数据运行参数输入神经网络得到调控系数；

训练好的人工神经网络固化在芯片之中，使硬件电路具备预测和智能决策功能，从而形成智能硬件。智能硬件加电启动后，在汽车进行制动时，初始辅助制动加速度为a₀＝0.5a_max。

同时，使用传感器测量汽车与相邻前辆汽车的初始距离D₀，汽车的初始车速v₀₀，汽车初始平均振动幅度

转向盘初始压力方差F₀，驾驶员初始心率趋势T₀以及制动踏板的初始位移H₀，通过将上述参数规格化，得到BP神经网络的初始输入向量

通过BP神经网络的运算得到初始输出向量

步骤四：得到初始输出向量

后，即可调节辅助制动加速度，使下一个采样周期的辅助制动加速度为：

a₁＝z₁ ⁰a_max

通过传感器获取第i个采样周期中的汽车与相邻前辆汽车的实时距离D，汽车的实时车速v₀，汽车平均振动幅度

转向盘压力方差F，驾驶员心率趋势T以及制动踏板的位移H，通过进行规格化得到第i个采样周期的输入向量xⁱ＝(x₁ ⁱ,x₂ ⁱ,x₃ ⁱ,x₄ ⁱ,x₅ ⁱ,x₆ ⁱ)，通过BP神经网络的运算得到第i个采样周期的输出向量zⁱ＝(z₁ ⁱ)，然后控制调节辅助制动加速度，使第i+1个采样周期时的辅助制动加速度为：

a_i+1＝z₁ ⁱa_max，

通过上述设置，通过传感器实时监测汽车行驶信息、路况信息和驾驶员状态，通过采用BP神经网络算法，对辅助制动加速度进行调控，提高制动效果和驾驶舒适性。

本发明提供的汽车自适应辅助制动系统的控制方法，能够根据汽车行驶信息和路况环境信息，实时确定汽车与相邻前辆汽车的安全距离，并做出辅助控制决策。在汽车与相邻前辆汽车的实时距离小于等于汽车的安全距离时，精确控制汽车的辅助制动加速度。还能在汽车与相邻前辆汽车的实时距离大于汽车的安全距离时，基于BP神经网络确定汽车的辅助制动加速度，提高制动效果和驾驶舒适性，也提高了行车安全性。

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 (6)

1.一种汽车自适应辅助制动系统的控制方法，其特征在于，包括：

当汽车进行制动时，按照采样周期，通过传感器测量采集汽车行驶信息和路况环境信息，实时确定汽车与相邻前辆汽车的安全距离，并做出辅助控制决策，控制模块根据所述辅助控制决策对汽车进行辅助制动，其中，所述汽车与相邻前辆汽车的安全距离为：

其中，D_S为安全距离，d₀为当前车况环境下应当保持的安全距离，d_s为能见度，v为车速，k为参数，n为等概率出现的选择对象数，χ为天气状况系数且χ∈[-2,1]，g为重力加速度，e为自然对数的底数，σ为风力等级且σ∈[0,9]；

其中，

当汽车与相邻前辆汽车的实时距离D满足D≤D_S时，

控制模块通过轮毂电机对汽车进行辅助制动的辅助制动加速度为：

其中，a为辅助制动加速度，v₀为汽车的实时车速，f_i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，

为汽车平均振动幅度，F为转向盘压力方差，T为驾驶员心率趋势；

当汽车与相邻前辆汽车的实时距离D满足D＞D_S时，基于BP神经网络采集汽车行驶信息、路况信息和驾驶员状态并确定辅助制动加速度，具体包括如下步骤：

步骤一、按照采样周期，通过传感器采集汽车与相邻前辆汽车的实时距离D，汽车的实时车速v₀，汽车平均振动幅度

转向盘压力方差F，驾驶员心率趋势T以及制动踏板的位移H；

步骤二、依次将汽车与相邻前辆汽车的实时距离D，汽车的实时车速v₀，汽车平均振动幅度

转向盘压力方差F，驾驶员心率趋势T以及制动踏板的位移H进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅,x₆}；其中，x₁为实时距离系数，x₂为车速系数，x₃为振动幅度系数，x₄为转向盘压力方差系数，x₅为心率趋势系数，x₆为制动踏板的位移系数；

步骤三、所述输入层向量映射到中间层，且中间层向量y＝{y₁，y₂，…，y_m}；m为中间层节点个数；

步骤四、得到输出层向量z＝{z₁}；其中，z₁为辅助制动加速度调节系数，使

a_i+1＝z₁ ⁱa_max，

其中，z₁ ⁱ为第i个采样周期输出层向量参数，a_max为设定的辅助制动加速度的最大值，a_i+1为第i+1个采样周期时的辅助制动加速度。

2.如权利要求1所述的汽车自适应辅助制动系统的控制方法，其特征在于，所述转向盘压力方差为：

3.如权利要求1或2所述的汽车自适应辅助制动系统的控制方法，其特征在于，所述驾驶员心率趋势为：

式中，TRE为驾驶员的实时心率值，TRE_min为驾驶员的最小心率值，TRE_max为驾驶员的最大心率值。

4.如权利要求3所述的汽车自适应辅助制动系统的控制方法，其特征在于，步骤二中，将汽车与相邻前辆汽车的实时距离D，汽车的实时车速v₀，汽车平均振动幅度

转向盘压力方差F，驾驶员心率趋势T以及制动踏板的位移H进行规格化的公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数D、v₀、

F、T、H，j＝1,2,3,4,5,6；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

5.如权利要求4所述的汽车自适应辅助制动系统的控制方法，其特征在于，所述步骤一中，初始运行状态下，辅助制动加速度满足经验值：

a₀＝0.5a_max，

其中，a₀为初始辅助制动加速度；a_max为设定的最大辅助制动加速度。

6.如权利要求5所述的汽车自适应辅助制动系统的控制方法，其特征在于，所述中间层的节点个数m满足：

其中n为输入层节点个数，p为输出层节点个数，所述中间层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)，其中，x为输入层向量。