CN109900295B - 基于自主式传感器的车辆运动状态的检测方法及系统 - Google Patents
基于自主式传感器的车辆运动状态的检测方法及系统 Download PDFInfo
- Publication number
- CN109900295B CN109900295B CN201711308832.XA CN201711308832A CN109900295B CN 109900295 B CN109900295 B CN 109900295B CN 201711308832 A CN201711308832 A CN 201711308832A CN 109900295 B CN109900295 B CN 109900295B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- road
- motion
- relative
- 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.)
- Active
Links
Images
Abstract
一种基于自主式传感器的车辆运动状态的检测方法及系统,通过考虑前方目标车辆的车辆动力学与目标车辆运动状态的关系,以及前方目标车辆和道路的相对关系与前方目标车辆状态的关系,创新性地提出了考虑道路约束和汽车车辆动力学的车路联合模型,基于自主式传感器检测到的测量信息,实现对前方目标车辆的横摆角速度和侧向速度等不容易测量的运动状态量的准确估测。
Description
技术领域
本发明涉及的是一种汽车辅助驾驶领域的技术,具体是一种基于自主式传感器的车辆运动实施状态检测方法及系统。
背景技术
目前,在辅助驾驶和自动驾驶车辆的环境感知系统中,需要对前方目标车辆的运动状态进行全方面感知,主要需要检测的量包括:相对距离、纵向速度、横摆角速度、侧向速度,从而实现决策,进而实行控制执行。但是绝大多数的当前相关专利和文献并没有涉及前方目标车辆的侧向速度、横摆角速度、车辆转向角的检测方法,而这些关键参数对于车辆运动的准确辨识具有重要作用,并且多数专利使用单传感器进行车辆检测和跟踪,其方法存在严重的局限性。更为重要的是,众多专利和文献将前方目标车辆考虑为质点或长方体,但这种方法不能反映目标车辆的真实运动状态。
发明内容
本发明针对现有技术模型的不够准确、目标跟踪精度不够等缺陷,提出一种基于自主式传感器的车辆运动实施状态检测方法及系统,通过考虑前方目标车辆动力学对于运动状态辨识的影响以及车辆和道路的相对关系对前方目标车辆状态识别的影响,创新性地提出了考虑道路约束和汽车车辆动力学的车路联合模型,实现对前方目标车辆的转向角、横摆角速度和侧向速度的检测,从而显著提高检测的准确性。
本发明是通过以下技术方案实现的:
本发明涉及一种基于自主式传感器的车辆运动状态的检测方法及系统,包括以下步骤:
步骤1、通过视觉传感器获得丰富的道路图像信息、依次经过灰度化处理、阈值分割处理、Canny边缘检测算子处理、霍尔夫变换和最小二乘拟合处理,得到道路参考,即包括车道线、车道中心线和道路曲率;然后通过电磁传感器获得本车与目标车辆之间的相对位置关系、目标车辆与道路参考之间的位置关系。
所述的电磁传感器,包括但不限于激光雷达、毫米波雷达、摄像头、超声波雷达等。
所述的相互位置关系,包括但不限于相对距离、相对角度。
所述的位置关系,包括但不限于朝向角、侧向偏移距离。
所述的本车与目标车辆之间的相对位置关系具体是指:本车与目标车辆纵向的相对距离和侧向的相对距离。
所述的目标车辆与道路参考之间的位置关系具体是指:目标车辆的纵向轴线和道路中心线之间的距离和目标车辆的航向角。
步骤2、基于本车与目标车辆之间的相对位置关系,通过车内传感器获得本车的纵向运动信息,基于车辆纵向运动模型建立滤波算法完成纵向运动的准确辨识;
所述的车内传感器是指:本车的车速传感器,通过检测曲轴旋转来检测车辆的行驶速度
所述的车辆纵向运动模型具体是指:目标车辆的速度其中:vx和vy表示目标车辆在主车车辆坐标系下的速度,vhx表示主车的纵向速度vhy表示主车的横向速度,建立卡尔曼滤波算法完成目标车辆纵向速度的准确辨识。
步骤3、基于目标车辆与道路参考之间的位置关系,通过车路联合运动模型及滤波算法完成目标车辆横向运动的准确辨识。
vty、γt、δf、et、ψt、c分别表示侧向速度,横摆角速度,转向角,目标车辆与道路中心线之间的距离,目标车辆的航向角,道路曲率,vtx为目标车辆的车速,mt为目标车辆的质量,It为目标车辆关于车辆坐标系垂向轴的转动惯量,Ctαf,Ctαr,分别为目标车辆的前后轮的转向刚度,a、b分别为目标车辆的前轴距和后轴距。
所述的横向运动包括:侧向速度、横摆角速度、方向盘转角。
本发明涉及一种实现上述方法的系统,包括:包含电磁传感器的环境感知模块、信息处理模块及控制模块,其中:环境感知模块采集目标车辆的相关运动、位置信息以及道路相对位置信息后,与信息处理模块相连并传输目标车辆运动、位置、及道路相对位置信息,信息处理模块经预处理、去除野点处理和抑制噪声处理后,通过观测信息对前方车辆进行运动状态估测,并向控制模块传输前方车辆运动信息,控制模块通过控制算法输出控制信号到车辆的相关执行器。
技术效果
与现有技术相比,本发明相对于将目标车辆作为质点或长方体处理的情况,本发明基于车辆动力学关系能够更加准确的辨识车辆的侧向运动相关参数;一体化建模,能够充分利用车辆与道路的相关信息进行车辆状态参数的辨识。
附图说明
图1为主动式传感器车辆状态检测技术路线图;
图2为车道线检测示意图;
图3为转向路况车辆状态检测示意图;
图4a为换道路况车辆状态检测图;图4b和图4c为图4a局部放大示意图;
图5a和图5b为实施例效果示意图。
具体实施方式
本实施例具体包括以下步骤:
步骤1、基于车辆装备的主动式传感器道路和车辆运动信息的获取。
1.1)通过视觉传感器获得丰富的道路图像信息,依次经过灰度化处理:
VGray=0.3×VRed+0.59×VGreen+0.11×VBlue;其中VGray为灰度化处理后的灰度值,VRed,VGreen,VBlue,分别为彩色图像相应的RGB值
1.3)Canny边缘检测算子,根据已知数据点通过霍夫变换进行直线检测;
1.4)通过曲线拟合的最小二乘法估计道路曲率,实现道路参考,即包括车道线、车道中心线和道路曲率信息的检测;
1.5)通过毫米波雷达对运动车辆的检测,获得运动车辆的横摆角速度和纵向速度;
1.6)通过激光雷达和毫米波雷达获得本车与目标车辆之间的相互位置信息、目标车辆与道路参考之间的位置信息。
步骤2、根据本车车内传感器获得本车的纵向运动信息以及通过V2X或车辆模型数据库获得的前车车辆基本内参数,基于车辆纵向运动模型(恒加速度模型CA)估计目标车辆的相对于主车的纵向速度,其状态方程和观测方程为:其中:
zr=[x,y]T,x,y表示在主车车辆坐标系下,目标车辆与主车的相对位置,和νc表示完整模型的系统噪声和测量噪声,则目标车辆的速度为:其中:vx和vy表示目标车辆在主车车辆坐标系下的相对速度,vhx表示主车的纵向速度vhy表示主车的横向速度,建立卡尔曼滤波算法完成目标车辆纵向速度的准确辨识。
步骤3、基于自主式传感器获得的目标车辆与道路中心线的偏移et,目标车辆的航向角ψt和道路曲率c,本发明首先提出考虑道路约束的车辆横向运动模型如图2,其中:道路跟踪误差动力学基于Serret-Frenet方程,目标车辆的相对于车道中心线的偏移et可以表示为:
xc=(vty γt δf et ψt c)T,yc=(et ψt c)T,
vty,γt,δf,et,ψt,c分别表示侧向速度,横摆角速度,转向角,目标车辆与道路中心线之间的距离,目标车辆的航向角,道路曲率,vtx为目标车辆的车速,mt为目标车辆的质量,It为目标车辆关于车辆坐标系垂向轴的转动惯量,Ctαf,Ctαr,分别为目标车辆的前后轮的转向刚度,a、b分别为目标车辆的前轴距和后轴距。
基于卡尔曼滤波算法,考虑不同的工况下,如图3、4,完成目标车辆横向运动(侧向速度、横摆角速度、方向盘转角)的准确辨识。其中:使用离散的状态空间模型,在完整车辆侧向运动模型中,车辆转向角和道路中心线曲率被当成带有噪声的常数处理,典型的离散状态空间方程为:其中:Cd(k)=C,卡尔曼滤波的预测方程为:
更新方程为:W(k+1)=P(k+1|k)Cd(k+1)TS(k+1)-1,
P(k+1|k)=Ad(k)P(k|k)Ad(k)T+Q(k),
S(k+1)=Cd(k+1)P(k+1)Cd(k+1)T+R(k+1),
P(k+1|k+1)=[I-W(k+1)Cd(k+1)]P(k+1|k)=P(k+1|k)-W(k+1)S(k+1)W(k+1)T
,其中:x(k)为离散的状态空间模型的状态向量,Ad(k)为离散的状态空间模型在k时刻的系统矩阵,z(k)为离散的状态空间k时刻的观测值,Cd(k)为离散的状态空间的观测矩阵,为离散的状态空间模型的预测状态向量,为离散状态空间k时刻的最优估计值,W(k+1)为卡尔曼增益,P(k)为状态量误差的协方差矩阵,Q(k)为离散的过程噪声的协方差矩阵,P(k+1|k)为状态量的协方差矩阵的预测值,P(k+1|k+1)为状态量的协方差矩阵的修正值,R(k+1)为离散的测量噪声的协方差矩阵,S(k+1)为更新矩阵。
实验的结果如图5a和图5b所示。根据实验结果采用均方根误差作为评价准则,其结果如下:
侧向速度 | 横摆角速度 | |
均方根误差 | 0.01 | 0.0101 |
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (1)
1.一种基于自主式传感器的车辆运动状态检测系统,其特征在于,包括:包含电磁传感器的环境感知模块、信息处理模块及控制模块,其中:环境感知模块采集目标车辆的相关运动、位置信息以及道路相对位置信息后,与信息处理模块相连并传输目标车辆运动、位置及道路相对位置信息,信息处理模块经预处理、去除野点处理和抑制噪声处理后,通过观测信息对前方车辆进行运动状态估测,并向控制模块传输前方车辆运动信息,控制模块通过控制算法输出控制信号到车辆的相关执行器;
所述的车辆运动状态检测是指:
步骤1、通过视觉传感器获得丰富的道路图像信息、依次经过灰度化处理、阈值分割处理、Canny边缘检测算子处理、霍尔夫变换和最小二乘拟合处理,得到道路参考,即包括车道线、车道中心线和道路曲率;然后通过电磁传感器获得本车与目标车辆之间的相对位置关系、目标车辆与道路参考之间的位置关系;
步骤2、基于本车与目标车辆之间的相对位置关系,通过车内传感器获得本车的纵向运动信息,基于车辆纵向运动模型建立滤波算法完成纵向运动的准确辨识;
步骤3、基于目标车辆与道路参考之间的位置关系,通过车路联合运动模型及滤波算法完成目标车辆横向运动的准确辨识;
所述的相对位置关系,包括:相对距离、相对角度;
所述的位置关系,包括:朝向角、侧向偏移距离;
所述的横向运动包括:侧向速度、横摆角速度;
所述的本车与目标车辆之间的相对位置关系具体是指:本车与目标车辆纵向的相对距离和侧向的相对距离;
所述的目标车辆与道路参考之间的位置关系具体是指:目标车辆的纵向轴线和道路中心线之间的距离和目标车辆的航向角;
所述的车内传感器是指:本车的车速传感器,通过检测曲轴旋转来检测车辆的行驶速度;
所述的车辆纵向运动模型具体是指:目标车辆的纵向速度其中: vx和vy表示目标车辆在主车车辆坐标系下的相对速度,vhx表示主车的纵向速度vhy表示主车的横向速度,建立卡尔曼滤波算法完成目标车辆纵向速度的准确辨识;
所述的车路联合运动模型是指:
vty γt δf et ψt c分别表示侧向速度,横摆角速度,转向角,目标车辆与道路中心线之间的距离,目标车辆的航向角,道路曲率,vtx为目标车辆的车速,mt为目标车辆的质量,It为目标车辆关于车辆坐标系垂向轴的转动惯量,Ctαf,Ctαr,分别为目标车辆的前后轮的转向刚度,a、b分别为目标车辆的前轴距和后轴距。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711308832.XA CN109900295B (zh) | 2017-12-11 | 2017-12-11 | 基于自主式传感器的车辆运动状态的检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711308832.XA CN109900295B (zh) | 2017-12-11 | 2017-12-11 | 基于自主式传感器的车辆运动状态的检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109900295A CN109900295A (zh) | 2019-06-18 |
CN109900295B true CN109900295B (zh) | 2022-12-09 |
Family
ID=66942344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711308832.XA Active CN109900295B (zh) | 2017-12-11 | 2017-12-11 | 基于自主式传感器的车辆运动状态的检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109900295B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111307172B (zh) * | 2020-03-03 | 2022-11-08 | 北京骑胜科技有限公司 | 一种自行车以及确定自行车骑行信息的方法 |
CN111721316A (zh) * | 2020-06-22 | 2020-09-29 | 重庆大学 | 一种高性能的车道线识别感兴趣区域预测方法 |
CN112902946B (zh) * | 2021-01-14 | 2024-01-30 | 南京英锐创电子科技有限公司 | 轮胎状态检测方法、装置、计算机设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120022739A1 (en) * | 2010-07-20 | 2012-01-26 | Gm Global Technology Operations, Inc. | Robust vehicular lateral control with front and rear cameras |
US9090263B2 (en) * | 2010-07-20 | 2015-07-28 | GM Global Technology Operations LLC | Lane fusion system using forward-view and rear-view cameras |
CN106649983B (zh) * | 2016-11-09 | 2019-11-08 | 吉林大学 | 用于无人驾驶车辆高速运动规划的车辆动力学模型建模方法 |
CN106515740B (zh) * | 2016-11-14 | 2018-10-09 | 江苏大学 | 基于icdkf的分布式电驱动汽车行驶状态参数估计算法 |
CN107144284A (zh) * | 2017-04-18 | 2017-09-08 | 东南大学 | 基于ckf滤波的车辆动力学模型辅助惯导组合导航方法 |
CN107247824A (zh) * | 2017-05-23 | 2017-10-13 | 重庆大学 | 考虑刹车和转弯影响的汽车质量‑道路坡度联合估计方法 |
-
2017
- 2017-12-11 CN CN201711308832.XA patent/CN109900295B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109900295A (zh) | 2019-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733270B (zh) | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 | |
JP6930600B2 (ja) | 車両位置推定装置および車両制御装置 | |
CN106476728B (zh) | 用于车载的车辆传感器的运动补偿 | |
CN110745140B (zh) | 一种基于连续图像约束位姿估计的车辆换道预警方法 | |
US10286952B2 (en) | Vehicle traveling control apparatus | |
US10552982B2 (en) | Method for automatically establishing extrinsic parameters of a camera of a vehicle | |
CN109900295B (zh) | 基于自主式传感器的车辆运动状态的检测方法及系统 | |
CN110243380B (zh) | 一种基于多传感器数据与角度特征识别的地图匹配方法 | |
CN109900490B (zh) | 基于自主式和协同式传感器的车辆运动状态检测方法及系统 | |
DE102008026397A1 (de) | Radar-, Lidar- und Kamera-unterstützte Verfahren zur Schätzung der Fahrzeugdynamik | |
US10474158B2 (en) | Vehicle travel control method and travel control device | |
WO2023071442A1 (zh) | 一种数据处理方法和装置 | |
WO2020191977A1 (zh) | 一种自动泊车定位系统的航迹推算方法 | |
US11952038B2 (en) | Transverse steering method and transverse steering device for moving a vehicle into a target position, and vehicle for this purpose | |
US20210403008A1 (en) | Method and system for predicting a trajectory of a target vehicle in an environment of a vehicle | |
CN111381248A (zh) | 一种考虑车辆颠簸的障碍物检测方法及系统 | |
CN111284477A (zh) | 模拟转向特性的系统和方法 | |
CN115923839A (zh) | 一种车辆路径规划方法 | |
JPH1123291A (ja) | 車両用画像処理装置 | |
US11780501B2 (en) | Transverse steering method and transverse steering device for moving a vehicle into a target position, and vehicle for this purpose | |
CN110515376B (zh) | 一种航迹推演校正的评价方法、终端和存储介质 | |
CN111721316A (zh) | 一种高性能的车道线识别感兴趣区域预测方法 | |
CN115082562A (zh) | 一种外参标定方法、装置、设备、服务器及车载计算设备 | |
CN115571156B (zh) | 基于传感器融合的前车横向与纵向运动状态联合估计方法 | |
US11965978B2 (en) | Calibration pipeline for estimating six degrees of freedom (6DoF) alignment parameters for an autonomous vehicle |
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 |