CN109584630A - 一种基于车联网的车辆变道预警装置及预警方法 - Google Patents

Abstract

本发明公开了一种基于车联网的车辆变道预警装置，包括：超声波测距传感器，其设置在车内后视镜上；逻辑门电路，其与所述超声波测距传感器的接收端连接；放大电路，其与所述逻辑门电路连接；处理器，其连接所述放大电路，用于接收经放大电路放大后的反射波信号；温度传感器，其设置在汽车外壳体上，并且电联所述处理器，用于检测环境温度；湿度传感器，其设置在汽车外壳体上，并且电联所述处理器，用于检测环境湿度；气压传感器，其设置在汽车外壳体上，并且电联所述处理器，用于检测车外气压；预警终端，其接收所述处理器发出的预警信息，并发出预警提醒。本发明还提供了基于车联网的车辆变道预警方法，能够对车辆变道的安全性进行有效预警。

Description

一种基于车联网的车辆变道预警装置及预警方法

技术领域

本发明属于汽车主动安全技术领域，特别涉及一种基于车联网的车辆变道预警装置及预警方法。

背景技术

随着汽车工业的快速发展，以及汽车行驶性能的不断提高，汽车的安全性越来越为人们所重视，主动安全技术在车辆安全中所起的作用尤其突出，它能够有效预防事故的发生。后方来车发生碰擦的事故占5％。车辆变道辅助预警系统正是为了避免该类事故发生而开发的一项主动安全技术。

在主动安全技术中，感知传感器非常关键，目前汽车测距与避障主要采用超声波、毫米波、摄像头和激光四种方式。超声波测距相对其他测距技术而言成本低廉，测量精度较高，不受环境的限制，应用方便，将它与红外、灰度传感器等结合共同实现机器人寻线和绕障功能。超声波由于指向性强、能量消耗缓慢且在介质中传播的距离较远，因而经常用于距离的测量。因此，将超声波测距技术应用于主动安全技术中，不仅能大幅度降低汽车主动安全环境和技术的硬件成本，还能在环境能见度较低的情况下提升测量数据的准确性。

发明内容

本发明的目的是提供一种基于车联网的车辆变道预警装置，其利用安装在车内后视镜上的超声波测距传感器实现对后方车辆距离的测定，同时将信号输入到处理器，经数据处理后判断能否安全变道，从而保证车辆安全变道。

本发明还提供了一种基于车联网的车辆变道预警方法，其目的之一是能够对车辆变道的安全性进行有效预警。

本发明还提供了一种基于车联网的车辆变道预警方法，其目的之二是在基于BP神经网络对车辆变道的安全性进行判断的基础上，进一步根据环境因素对判断结果进行验证，从而进一步提高车辆变道的安全指数。

本发明提供的技术方案为：

一种基于车联网的车辆变道预警装置，包括：

超声波测距传感器，其设置在车内后视镜上；

逻辑门电路，其与所述超声波测距传感器的接收端连接；

放大电路，其与所述逻辑门电路连接；

处理器，其连接所述放大电路，用于接收经放大电路放大后的反射波信号；

温度传感器，其设置在汽车外壳体上，并且电联所述处理器，用于检测环境温度；

湿度传感器，其设置在汽车外壳体上，并且电联所述处理器，用于检测环境湿度；

气压传感器，其设置在汽车外壳体上，并且电联所述处理器，用于检测车外大气压；

预警终端，其接收所述处理器发出的预警信息，并发出预警提醒。

优选的是，所述超声波测距传感器的频率为20KHz±1.5KHz，量程为0.8～20m。

优选的是，所述预警终端包括显示器及语音预警装置。

一种基于车联网的车辆变道预警方法，使用所述的基于车联网的车辆变道预警装置，包括如下步骤：

步骤一、超声波测距传感器的发射端发射超声波，超声波测距传感器的接收端接收反射波；

步骤二、逻辑门电路判断所述反射波是否为第一次反射波，若是第一次反射波则不输入放大电路，否则输入放大电路；

步骤三、经过放大电路放大的反射波信号输入处理器，同时处理器获取车外环境温度、湿度及气压，经过数据处理得到后方车辆与本车之间的距离；处理器通过车连网获取后方车辆的实时速度；并且根据后方车辆与本车之间的距离和后方车辆的速度判断是否可以变道；

步骤四、处理器判断不可以变道时通过预警终端进行预警提醒。

优选的是，在所述步骤三中，后方车辆与本车之间的距离的计算公式为：

其中，T为车外环境温度；t₀为超声波测距传感器发出反射波的时间，t₁为超声波测距传感器接收到第二次反射波的时间；P为车外大气压，P₀为标准大气压；RH为车外环境相对湿度，RH₀为设定的标准相对湿度，RH₀＝50。

优选的是，在所述步骤三中，采用BP神经网络对是否可以变道进行判断，包括如下步骤：

步骤1、按照采样周期，获取本车速度V₀，后方车辆速度V₁，后方车辆与本车之间的距离S，车外环境温度T和车外环境相对湿度RH；

步骤2、依次将参数进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅}；其中，x₁为本车速度系数、x₂为后方车辆速度系数、x₃为为后方车辆与本车之间的距离系数、x₄为车外环境温度系数，x₅为车外环境相对湿度系数；

步骤3、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4、得到输出层向量o＝{o₁,o₂}；o₁为汽车变道系数、o₂为紧急停机信号，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}；其中，当o₁为1时，汽车不可以变道，当o₁为0时，汽车可以变道；当o₂为1时，预警装置工作正常，当o₂为0时，预警装置工作异常，停止工作。

优选的是，在所述步骤2中，对本车速度V₀，后方车辆速度V₁，后方车辆与本车之间的距离S，车外环境温度T和车外环境相对湿度RH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V₀、V₁、S、T、RH，j＝1,2,3,4,5；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，还包括当BP神经网络判断汽车可以变道时，处理器根据变道验证系数对判断结果进行验证，所述验证系数为：

式中，P为车外大气压，P₀为标准大气压；RH为车外环境相对湿度，RH₀为设定的标准相对湿度，RH₀＝50；T为车外环境温度，T₀为设定的标准温度；e为自然对数的底数；

其中，当σ≥0.85时，处理器确定可以变道；当σ＜0.85时，处理器判断结果存在误差，继续发出预警提示。

本发明的有益效果是：

(1)本发明提供的基于车联网的车辆变道预警装置，利用安装在车内后视镜上的超声波测距传感器实现对后方车辆距离的测定，同时将信号输入到处理器，经数据处理后判断能否安全变道，从而保证汽车安全变道。

(2)本发明提供了的基于车联网的车辆变道预警方法，能够对车辆变道的安全性进行有效预警。

(3)本发明提供的基于车联网的车辆变道预警方法，在基于BP神经网络对车辆变道的安全性进行判断的基础上，进一步根据环境因素对判断结果进行验证，从而进一步提高车辆变道的安全指数。

附图说明

图1为本发明所述的基于车联网的车辆变道预警装置原理示意图。

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，本发明提供了一种基于车联网的车辆变道预警装置，包括：超声波测距传感器，其设置在车内后视镜底座处；逻辑门电路，其与所述超声波测距传感器的接收端连接；放大电路，其与所述逻辑门电路连接；处理器，其连接所述放大电路，用于接收经放大电路放大后的反射波信号；温度传感器，其设置在汽车外壳体上，并且电联所述处理器，用于检测环境温度；湿度传感器，其设置在汽车外壳体上，并且电联所述处理器，用于检测环境湿度；气压传感器，其设置在汽车外壳体上，并且电联所述处理器，用于检测车外气压；预警终端，其接收所述处理器发出的预警信息，并发出预警提醒。所述预警终端包括显示器及语音预警装置，在车辆变道预警装置判断不适合变道时，对驾驶员进行提醒。

所述车辆变道预警装置还包括电源，电源的输入端连接外部直流电源，输出端连接所述车辆变道预警装置为其供电。所述车辆变道预警装置在方向盘右侧设置开关，用于开启或关闭所述车辆变道预警装置，以便于驾驶员操作。

在本实施例中，采用的超声波测距传感器的参数如下：

名称：20m量程普通型换能器C型(一体式)

型号：DYA-25-20C

频率：20KHz±1.5KHz

量程：0.8～20m

最小阻抗：470Ω±20％

电容量：12700pF±20％@1KHz

灵敏度：带载驱动电压：600Vpp，距离0.6m，回波幅度320mV

工作电压：峰值电压<1500Vpp

工作温度：-40～+80℃

压力：≤3Kg或者0.3MPa

角度：(波束宽度)半功率角@-3dB：11°±2，锐度角：26°±4

外壳材质：PC

安装尺寸：底装螺纹M78*2

防护等级：IP68

重量：1220g±5％(线长10米)

本发明还提供了一种基于车联网的车辆变道的预警方法，使用所述的基于车联网的车辆变道预警装置，如图1所示，包括如下步骤：

步骤一、超声波测距传感器的发射端发射超声波，由超声波传感器发射端发出的超声波先后遇到后挡风玻璃和后方车辆产生反射波；超声波测距传感器的接收端接收反射波；

步骤二、逻辑门电路判断所述反射波是否为第一次反射波，若是第一次反射波则不输入放大电路，如果是第二次反射波则输入放大电路；

步骤三、经过放大电路放大的反射波信号输入处理器，同时处理器获取经传感器测得的车外环境温度、湿度及大气压，经过数据处理得到后方车辆与本车之间的距离；处理器通过车连网获取后方车辆的实时速度；并且根据后方车辆与本车之间的距离和后方车辆的速度等参数判断是否可以变道；

步骤四、处理器判断不可以变道时通过预警终端进行预警提醒。

在所述步骤三中，后方车辆与本车之间的距离的计算公式为：

其中，v＝331.45+0.607T为超声波在空气中传速度的经验公式，T为车外环境温度；

将v带入得：

式中，t₀为超声波测距传感器发出反射波的时间，t₁为超声波测距传感器接收到第二次反射波的时间；P为车外大气压，P₀为标准大气压；RH为车外环境相对湿度，RH₀为设定的标准相对湿度，RH₀＝50。

在另一实施例中，在所述步骤三中，采用BP神经网络对是否可以变道进行判断，包括如下步骤：

步骤1、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，对应了表示设备工作状态的n个监测信号，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,...,x_n)^T

中间层向量：y＝(y₁,y₂,...,y_m)^T

输出向量：O＝(o₁,o₂,...,o_p)^T

本发明中，输入层节点数为n＝5，输出层节点数为p＝2。隐藏层节点数m由下式估算得出：

输入信号5个参数分别表示为：x₁为本车速度系数、x₂为后方车辆速度系数、x₃为后方车辆与本车之间的距离系数、x₄为车外环境温度系数，x₅为车外环境相对湿度系数；

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，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。

具体而言，对于本车速度V₀，进行规格化后，得到本车系数x₁：

其中，V_0-min和V_0-max分别为本车的最小速度和最大速度。

同样的，对于后方车辆速度V₁，进行规格化后，得到后方车辆速度系数x₂：

其中，V_1-min和V_1-max分别为后方车辆的最小速度和最大速度。

同样的，对于后方车辆与本车之间的距离S，进行规格化后，得到后方车辆与本车之间的距离系数x₃：

其中，S_min和S_max分别为后方车辆与本车之间的距离的最小值和最大值。

同样的，对于车外环境温度T，进行规格化后，得到车外环境温度系数x₄：

其中，T_min和T_max分别为车外环境温度的最小值和最大值。

同样的，对于车外环境相对湿度RH，进行规格化后，得到车外环境相对湿度系数x₅：

其中，RH_min和RH_max分别为车外环境相对湿度的最小值和最大值。

输出信号的2个参数分别表示为：输出层向量o＝{o₁,o₂}；o₁为车辆变道系数、o₂为紧急停机信号，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}；其中，当o₁为1时，汽车不可以变道，当o₁为0时，汽车可以变道；当o₂为1时，预警装置工作正常，当o₂为0时，预警装置工作异常，停止工作。

步骤2、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w_ij，隐层节点j和输出层节点k之间的连接权值w_jk，隐层节点j的阈值θ_j，输出层节点k的阈值θ_k、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。

(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；

(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n_l-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e_j(n)＝x_j(n)-o_j(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＝(J^TJ+μI)^-1J^Te；

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；

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3、采集运行参数输入神经网络得到车辆变道系数及紧急停止预警信号。

将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。

同时使用传感器采集到的参数，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4、监测预警装置的车辆变道情况以进行预警装置紧急停机。

根据输出层神经元值o＝{o₁,o₂}；o₁为车辆变道系数、o₂为紧急停机信号，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}；其中，当o₁为1时，汽车不可以变道，当o₁为0时，汽车可以变道；当o₂为1时，预警装置工作正常，当o₂为0时，预警装置工作异常，停止工作。

通过上述设置，获取实时采集的本车速度V₀，后方车辆速度V₁，后方车辆与本车之间的距离S，车外环境温度T和车外环境相对湿度RH，采用BP神经网络算法，对预警装置的报警情况进行实时监控。当判断不适合变道时，微控制器控制车载终端中的语音模块及显示器发出不适合变道警报，对驾驶员进行提醒；当预警装置异常时，紧急停机。

在另一实施例中，还包括当BP神经网络判断汽车可以变道时，处理器根据变道验证系数对判断结果进行验证，所述验证系数为：

式中，P为车外大气压，P₀为标准大气压；RH为车外环境相对湿度，RH₀为设定的标准相对湿度，RH₀＝50；T为车外环境温度，T₀为设定的标准温度，T₀＝20℃；e为自然对数的底数；

其中，当σ≥0.85时，处理器确定可以变道；当σ＜0.85时，处理器判断结果存在误差，继续发出预警提示。

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 (8)

1.一种基于车联网的车辆变道预警装置，其特征在于，包括：

超声波测距传感器，其设置在车内后视镜上；

逻辑门电路，其与所述超声波测距传感器的接收端连接；

放大电路，其与所述逻辑门电路连接；

处理器，其连接所述放大电路，用于接收经放大电路放大后的反射波信号；

温度传感器，其设置在汽车外壳体上，并且电联所述处理器，用于检测环境温度；

湿度传感器，其设置在汽车外壳体上，并且电联所述处理器，用于检测环境湿度；

气压传感器，其设置在汽车外壳体上，并且电联所述处理器，用于检测车外大气压；

预警终端，其接收所述处理器发出的预警信息，并发出预警提醒。

2.根据权利要求1所述的基于车联网的车辆变道预警装置，其特征在于，所述超声波测距传感器的频率为20KHz±1.5KHz，量程为0.8～20m。

3.根据权利要求2所述的基于车联网的车辆变道预警装置，其特征在于，所述预警终端包括显示器及语音预警装置。

4.一种基于车联网的车辆变道预警方法，使用如权利要求1-3任意一项所述的基于车联网的车辆变道预警装置，其特征在于，包括如下步骤：

步骤一、超声波测距传感器的发射端发射超声波，超声波测距传感器的接收端接收反射波；

步骤二、逻辑门电路判断所述反射波是否为第一次反射波，若是第一次反射波则不输入放大电路，否则输入放大电路；

步骤三、经过放大电路放大的反射波信号输入处理器，同时处理器获取车外环境温度、湿度及气压，经过数据处理得到后方车辆与本车之间的距离；处理器通过车连网获取后方车辆的实时速度；并且根据后方车辆与本车之间的距离和后方车辆的速度判断是否可以变道；

步骤四、处理器判断不可以变道时通过预警终端进行预警提醒。

5.根据权利要求4所述的基于车联网的车辆变道预警方法，其特征在于，在所述步骤三中，后方车辆与本车之间的距离的计算公式为：

其中，T为车外环境温度；t₀为超声波测距传感器发出反射波的时间，t₁为超声波测距传感器接收到第二次反射波的时间；P为车外大气压，P₀为标准大气压；RH为车外环境相对湿度，RH₀为设定的标准相对湿度，RH₀＝50。

6.根据权利要求5所述的基于车联网的车辆变道预警方法，其特征在于，在所述步骤三中，采用BP神经网络对是否可以变道进行判断，包括如下步骤：

步骤1、按照采样周期，获取本车速度V₀，后方车辆速度V₁，后方车辆与本车之间的距离S，车外环境温度T和车外环境相对湿度RH；

步骤2、依次将参数进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅}；其中，x₁为本车速度系数、x₂为后方车辆速度系数、x₃为为后方车辆与本车之间的距离系数、x₄为车外环境温度系数，x₅为车外环境相对湿度系数；

步骤3、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4、得到输出层向量o＝{o₁,o₂}；o₁为汽车变道系数、o₂为紧急停机信号，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2}；其中，当o₁为1时，汽车不可以变道，当o₁为0时，汽车可以变道；当o₂为1时，预警装置工作正常，当o₂为0时，预警装置工作异常，停止工作。

7.根据权利要求6所述的基于车联网的车辆变道预警方法，其特征在于，在所述步骤2中，对本车速度V₀，后方车辆速度V₁，后方车辆与本车之间的距离S，车外环境温度T和车外环境相对湿度RH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V₀、V₁、S、T、RH，j＝1,2,3,4,5；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

8.根据权利要求7所述的基于车联网的车辆变道预警方法，其特征在于，还包括当BP神经网络判断汽车可以变道时，处理器根据变道验证系数对判断结果进行验证，所述验证系数为：

式中，P为车外大气压，P₀为标准大气压；RH为车外环境相对湿度，RH₀为设定的标准相对湿度，RH₀＝50；T为车外环境温度，T₀为设定的标准温度；e为自然对数的底数；

其中，当σ≥0.85时，处理器确定可以变道；当σ＜0.85时，处理器判断结果存在误差，继续发出预警提示。