CN109808492A - 一种车载雷达预警装置及预警方法 - Google Patents

Abstract

本发明公开了一种车载雷达预警装置，包括：车速传感器，其安装在自车车辆的轮毂处，用于监测自车车辆车速；车载雷达，其安装在车身，用于监测自车车辆周围的他车车速与车距；风力测量感应装置，其设置在车身，用于监测环境的风力等级；红外传感器，其设置在车身，用于监测行驶路面的坡度。本发明提供了一种车载雷达预警装置，通过数据采集对车辆运行进行风险状态判断进而对车辆进行预警保护。还提供了一种车载雷达预警方法，通过实时监测采集的数据进行风险预警评估，对车辆实行预警保护。

Description

一种车载雷达预警装置及预警方法

技术领域

本发明涉及汽车行驶辅助设备技术领域，尤其涉及一种车载雷达测试装置及其控制方法。

背景技术

雷达，是英文Radar的音译，源于radio detection and ranging的缩写，意思为“无线电探测和测距”，即用无线电的方法发现目标并测定它们的空间位置。因此，雷达也被称为“无线电定位”。雷达是利用电磁波探测目标的电子设备。雷达发射电磁波对目标进行照射并接收其回波，由此获得目标至电磁波发射点的距离、距离变化率(径向速度)、方位、高度等信息。各种雷达的具体用途和结构不尽相同，但基本形式是一致的，包括：发射机、发射天线、接收机、接收天线，处理部分以及显示器。还有电源设备、数据录取设备、抗干扰设备等辅助设备。后来随着微电子等各个领域科学进步，雷达技术的不断发展，其内涵和研究也越发重要。

汽车雷达顾名思义是用于汽车或其他地面机动车辆的雷达。因此，它包括基于不同技术(比如激光、超声波、微波)的各种不同雷达，有着不同的功能(比如发现障碍物、预测碰撞、自适应巡航控制)，以及运用不同的工作原理(比如脉冲雷达、FMCW雷达、微波冲击雷达)。微波雷达在汽车雷达中有着重要的商业意义。

发明内容

本发明为解决目前的技术不足之处，提供了一种车载雷达预警装置，通过数据采集对车辆运行进行风险状态判断进而对车辆进行预警保护。

本发明还提供了一种车载雷达预警方法，通过实时监测采集的数据进行风险预警评估，对车辆实行预警保护。

本发明提供的技术方案为：一种车载雷达预警装置，包括：

车速传感器，其安装在自车车辆的轮毂处，用于监测自车车辆车速；

车载雷达，其安装在车身，用于监测自车车辆周围的他车车速与车距；

风力测量感应装置，其设置在车身，用于监测环境的风力等级；

红外传感器，其设置在车身，用于监测行驶路面的坡度。

优选的是，还包括：

采集模块，其与所述车速传感器、所述车载雷达、所述风力测量感应装置和所述红外传感器连接，用于采集车况和路况信息数据；

数据传输模块，用于传输采集的车况和路况信息数据；

数据接收与存储模块，其接收所述采集模块和所述数据传输模块发送的信息；

服务模块，其接收所述数据接收与存储模块发送的数据，并将所述信息数据进行计算并输出风险预警状态；

显示模块，其与所述服务模块连接，用于显示所述风险状态。

优选的是，还包括：

预警灯，其设置在车内仪表盘内，连接所述服务模块，用于向自车车辆内的驾驶员发出预警；

预警扬声器，其设置在车身，连接所述服务模块，用于向他车发出预警。

一种车载雷达预警方法，包括如下步骤：

步骤一、采集路况和车况数据，根据所述路况和车况数据确定目标车辆；

步骤二、采集路面坡度、风力等级、自车车速、目标车辆的车速、目标车辆的距离，并根据所述路面坡度、风力等级、自车车速、目标车辆的车速、目标车辆的距离进行处理得到风险评估指数ψ，当ψ≥ψ_S时，对所述目标车辆进行风险状态判断；其中，ψ_S为风险评估指数临界值；

步骤三、根据所述路面坡度、风力等级、自车车速、目标车辆的车速、目标车辆的距离进行车况风险预警状态判断，以此对车辆进行预警。

优选的是，所述步骤一中确定目标车辆的方法具体包括：

当满足α≤30°，ΔS≤50m且ΔV≥40Km/h时的其他车辆为目标车辆；

当目标车辆的数目大于1时，则在步骤二中分别计算不同目标车辆的风险评估指数；

其中，α为他车与本车的中心轴线的夹角，ΔS为他车与本车距离，ΔV为他车与本车的相对速度。

优选的是，所述风险评估指数ψ计算过程为：

其中，f为校正系数，V_a为自车车速，V_b为目标车辆的车速，S为目标车辆的距离，F为风力等级，δ为路面坡度。

优选的是，所述校正系数f满足：

其中，c为真空中的光速，f_r为车载雷达的发射频率，m为车载雷达的质量，I_r为车载雷达分辨率。

优选的是，在所述步骤三中，通过建立BP神经网络模型对所述风险预警状态判断，包括如下步骤：

步骤1、按照采样周期，通过红外传感器测得路面坡度，通过风力测量感应装置采集风力等级，通过车速传感器测得自车车速，通过车载雷达测得目标车辆的车速和目标车辆的距离，确定所述风险评估指数ξ；

步骤2、依次将上述参数进行规格化，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为路面坡度系数，x₂为风力等级系数，x₃为自车车速系数，x₄为目标车辆的车速系数，x₅为目标车辆的距离系数，x₆为风险评估指数系数；

步骤3、所述输入层向量映射到隐层，所述隐层向量y＝{y₁,y₂,…,y_m}，m为隐层节点个数；

步骤4、得到输出层神经元向量o＝{o₁,o₂,o₃,o₄}；其中，o₁为设定的一级风险预警等级，o₂为设定的二级风险预警等级，o₃为设定的三级风险预警等级，o₄为设定的四级风险预警等级，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2,3,4}，i为设定的第i个风险等级，i＝{1,2,3,4}，当o_k为1时，此时，待监测车辆处于o_k对应的风险等级；

步骤5、服务模块根据输出的安全等级判断，显示模块显示风险状态；其中，所述一级风险预警等级为安全状态，对自车车辆无需做出调整措施，所述二级风险预警等级为警告状态，对自车车辆的驾驶员作出提醒预警，所述三级等级风险等级为危险状态，对自车车辆的运行速度和方向进行调整，所述四级风险预警等级为高度危险等级，对自车车辆及目标车辆发出预警信号，并对自车车辆进行安全保护。

优选的是，将路面坡度β、风力等级F、自车车速V_a、目标车辆的车速V_b、目标车辆的距离S、风险评估指数ψ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β、F、V_a、V_b、S、ψ，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，所述隐层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。

本发明所述的有益效果：本发明提供了一种车载雷达预警装置，通过数据采集对车辆运行进行风险状态判断进而对车辆进行预警保护。本发明还提供了一种车载雷达预警方法，通过实时监测采集的数据并基于BP神经网络进行风险预警等级评估，对车辆实行预警保护。

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。

本发明的一种车载雷达预警装置，包括：车速传感器安装在自车车辆的轮毂处，用于监测自车车辆车速；车载雷达安装在车身，用于监测自车车辆周围的他车车速与车距；风力测量感应装置设置在车身，用于监测环境的风力等级；红外传感器设置在车身，用于监测行驶路面的坡度。

本发明中还包括：采集模块与所述车速传感器、所述车载雷达、所述风力测量感应装置和所述红外传感器连接，用于采集车况和路况信息数据；数据传输模块用于传输采集的车况和路况信息数据；数据接收与存储模块用于接收所述采集模块和所述数据传输模块发送的信息；服务模块接收所述数据接收与存储模块发送的数据，并将所述信息数据进行计算并输出风险预警状态；显示模块与所述服务模块连接，用于显示所述风险状态。预警灯设置在车内仪表盘内，连接所述服务模块，用于向自车车辆内的驾驶员发出预警；预警扬声器设置在车身，连接所述服务模块，用于向他车发出预警。

本发明提供了一种车载雷达预警方法，包括以下步骤：

步骤一、采集路况和车况数据，根据所述路况和车况数据确定目标车辆；

步骤二、采集路面坡度、风力等级、自车车速、目标车辆的车速、目标车辆的距离，并根据所述路面坡度、风力等级、自车车速、目标车辆的车速、目标车辆的距离进行处理得到风险评估指数ψ，当ψ≥ψ_S时，对所述目标车辆进行风险状态判断；其中，ψ_S为风险评估指数临界值；

步骤三、根据所述路面坡度、风力等级、自车车速、目标车辆的车速、目标车辆的距离进行车况风险预警状态判断，以此对车辆进行预警。

在步骤一中，通过车载雷达和红外传感器监测车辆周围的其他车辆的方位、车速等信息，进行分析，当车辆满足α≤30o，ΔS≤50m且ΔV≥40Km/h时的其他车辆为目标车辆；其中α为他车与本车的中心轴线的夹角，ΔS为他车与本车距离，ΔV为他车与本车的相对速度。

当目标车辆的数目大于1时，则在步骤二中分别计算不同目标车辆的风险评估指数；

在另一种实施例中，风险评估指数ψ计算过程为：

其中，f为校正系数，V_a为自车车速，V_b为目标车辆的车速，S为目标车辆的距离，F为风力等级，δ为路面坡度。

校正系数f满足：

其中，c为真空中的光速，f_r为车载雷达的发射频率，m为车载雷达的质量，I_r为车载雷达分辨率。

在另一种实施例中，在步骤三中，通过建立BP神经网络模型对风险预警状态判断，包括如下步骤：

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o_i＝x_i。中间隐含层和输出层的神经元的操作特性为

o_pj＝f_j(net_pj)

其中p表示当前的输入样本，ω_ji为从神经元i到神经元j的连接权值，o_pi为神经元j的当前输入，o_pj为其输出；f_j为非线性可微非递减函数，一般取为S型函数，即f_j(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，对应了表示设备工作状态的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,...,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＝6，输出层节点数为p＝4，隐藏层节点数m由下式估算得出：

输入层6个参数分别表示为：x₁为路面坡度系数，x₂为风力等级系数，x₃为自车车速系数，x₄为目标车辆的车速系数，x₅为目标车辆的距离系数，x₆为风险评估指数系数；

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。

归一化的公式为其中，x_j为输入层向量中的参数，X_j分别为测量参数β、F、V_a、V_b、S、ψ，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。

具体而言，对于红外传感器测量的路面坡度β，进行规格化后，得到路面坡度系数x₁：

其中，β_max和β_min分别为红外传感器测得的路面最大坡度和最小坡度。

同样的，对于风力测量感应装置测量得到风力等级F，进行规格化后，得到风力等级系数x₂：

其中，F_max和F_min分别为风力测量感应装置测量的最大风力等级和最小风力等级。

使用车速传感器测得的自车车速V_a，进行规格化后，得到自车车速系数x₃：

其中，V_a-max和V_a-min分别为车速传感器测得的自车最大车速和最小车速。

使用车载雷达测得的目标车辆的车速V_b，进行规格化后，得到目标车辆的车速系数x₄：

其中，V_b-max和V_b-min分别为车载雷达测得的目标车辆的最大车速和最小车速。

使用车载雷达测得的目标车辆的距离S，进行规格化后，得到目标车辆的距离系数x₅：

其中，S_max和S_min分别为车载雷达测得的目标车辆的最大距离和最小距离。

根据计算得到的风险评估指数ψ，进行规格化后，得到风险评估指数系数x₆：

其中，ψ_max和ψ_min分别为通过计算能够得到的最大风险评估指数和最小风险评估指数。

输出层4个参数分别表示为：o₁为设定的一级风险预警等级，o₂为设定的二级风险预警等级，o₃为设定的三级风险预警等级，o₄为设定的四级风险预警等级，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2,3,4}，i为设定的第i个风险等级，i＝{1,2,3,4}，当o_k为1时，此时，待监测车辆(自车)处于o_k对应的风险等级；

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，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，ω_ji ^(l)(n)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。

步骤3、服务模块根据输出的安全等级判断，显示模块显示风险状态；一级风险预警等级为安全状态，对自车车辆无需做出调整措施，所述二级风险预警等级为警告状态，对自车车辆的驾驶员作出提醒预警，所述三级等级风险等级为危险状态，对自车车辆的运行速度和方向进行调整(预警灯闪烁)，所述四级风险预警等级为高度危险等级，对自车车辆及目标车辆发出预警信号(预警灯闪烁，预警扬声器发出报警声音)，提醒自车车辆进行安全保护。

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实施例。

Claims (10)

1.一种车载雷达预警装置，其特征在于，包括：

车速传感器，其安装在自车车辆的轮毂处，用于监测自车车辆车速；

车载雷达，其安装在车身，用于监测自车车辆周围的他车车速与车距；

风力测量感应装置，其设置在车身，用于监测环境的风力等级；

红外传感器，其设置在车身，用于监测行驶路面的坡度。

2.根据权利要求1所述的车载雷达预警装置，其特征在于，还包括：

采集模块，其与所述车速传感器、所述车载雷达、所述风力测量感应装置和所述红外传感器连接，用于采集车况和路况信息数据；

数据传输模块，用于传输采集的车况和路况信息数据；

数据接收与存储模块，其接收所述采集模块和所述数据传输模块发送的信息；

服务模块，其接收所述数据接收与存储模块发送的数据，并将所述信息数据进行计算并输出风险预警状态；

显示模块，其与所述服务模块连接，用于显示所述风险状态。

3.根据权利要求2所述的车载雷达预警装置，其特征在于，还包括：

预警灯，其设置在车内仪表盘内，连接所述服务模块，用于向自车车辆内的驾驶员发出预警；

预警扬声器，其设置在车身，连接所述服务模块，用于向他车发出预警。

4.一种车载雷达预警方法，其特征在于，包括如下步骤：

步骤一、采集路况和车况数据，根据所述路况和车况数据确定目标车辆；

步骤二、采集路面坡度、风力等级、自车车速、目标车辆的车速、目标车辆的距离，并根据所述路面坡度、风力等级、自车车速、目标车辆的车速、目标车辆的距离进行处理得到风险评估指数ψ，当ψ≥ψ_S时，对所述目标车辆进行风险状态判断；其中，ψ_S为风险评估指数临界值；

步骤三、根据所述路面坡度、风力等级、自车车速、目标车辆的车速、目标车辆的距离进行车况风险预警状态判断，以此对车辆进行预警。

5.根据权利要求4所述的车载雷达预警方法，其特征在于，所述步骤一中确定目标车辆的方法具体包括：

当满足α≤30°，ΔS≤50m且ΔV≥40Km/h时的其他车辆为目标车辆；

当目标车辆的数目大于1时，则在步骤二中分别计算不同目标车辆的风险评估指数；

其中，α为他车与本车的中心轴线的夹角，ΔS为他车与本车距离，ΔV为他车与本车的相对速度。

6.根据权利要求5所述的车载雷达预警方法，其特征在于，所述风险评估指数ψ计算过程为：

其中，f为校正系数，V_a为自车车速，V_b为目标车辆的车速，S为目标车辆的距离，F为风力等级，δ为路面坡度。

7.根据权利要求6所述的车载雷达预警方法，其特征在于，所述校正系数f满足：

其中，c为真空中的光速，f_r为车载雷达的发射频率，m为车载雷达的质量，I_r为车载雷达分辨率。

8.根据权利要求5所述的车载雷达预警方法，其特征在于，在所述步骤三中，通过建立BP神经网络模型对所述风险预警状态判断，包括如下步骤：

步骤1、按照采样周期，通过红外传感器测得路面坡度，通过风力测量感应装置采集风力等级，通过车速传感器测得自车车速，通过车载雷达测得目标车辆的车速和目标车辆的距离，确定所述风险评估指数ξ；

步骤2、依次将上述参数进行规格化，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为路面坡度系数，x₂为风力等级系数，x₃为自车车速系数，x₄为目标车辆的车速系数，x₅为目标车辆的距离系数，x₆为风险评估指数系数；

步骤3、所述输入层向量映射到隐层，所述隐层向量y＝{y₁,y₂,…,y_m}，m为隐层节点个数；

步骤4、得到输出层神经元向量o＝{o₁,o₂,o₃,o₄}；其中，o₁为设定的一级风险预警等级，o₂为设定的二级风险预警等级，o₃为设定的三级风险预警等级，o₄为设定的四级风险预警等级，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2,3,4}，i为设定的第i个风险等级，i＝{1,2,3,4}，当o_k为1时，此时，待监测车辆处于o_k对应的风险等级；

步骤5、服务模块根据输出的安全等级判断，显示模块显示风险状态；其中，所述一级风险预警等级为安全状态，对自车车辆无需做出调整措施，所述二级风险预警等级为警告状态，对自车车辆的驾驶员作出提醒预警，所述三级等级风险等级为危险状态，对自车车辆的运行速度和方向进行调整，所述四级风险预警等级为高度危险等级，对自车车辆及目标车辆发出预警信号，并对自车车辆进行安全保护。

9.根据权利要求8所述的车载雷达预警方法，其特征在于，

将路面坡度β、风力等级F、自车车速V_a、目标车辆的车速V_b、目标车辆的距离S、风险评估指数ψ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β、F、V_a、V_b、S、ψ，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。

10.根据权利要求9所述的车载雷达预警方法，其特征在于，所述隐层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。