CN109900490A

CN109900490A - 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

Info

Publication number: CN109900490A
Application number: CN201711308762.8A
Authority: CN
Inventors: 王亚飞; 殷承良; 周志松; 李程伟
Original assignee: Shanghai Jiaotong University
Current assignee: Shanghai Jiaotong University Intellectual Property Management Co ltd
Priority date: 2017-12-11
Filing date: 2017-12-11
Publication date: 2019-06-18
Anticipated expiration: 2037-12-11
Also published as: CN109900490B

Abstract

一种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，结合智能网联汽车车载的自主式传感器和协同式传感器的信息实现前方车辆运动状态的准确检测，相对于只有主动式传感器的车辆状态检测，主动式协同式联合的车辆状态检测，加入了协同式状态信息，一方面提高了状态检测的置信度，另一方面通过主动式和协同式传感器的前方车辆状态信息的信息融合提高了前方车辆状态检测的精度。

Description

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

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和协同式传感器的车辆运动状态检测方法及系统。

背景技术

安全辅助驾驶系统作为智能网联汽车的重要组成部分，其中车辆防撞预警(AEB)、自适应巡航系统(ACC)对提高汽车的安全性，减轻驾驶员的负担有着重要意义。现有对目标车辆的运动状态感知大多通过对目标车辆进行周期性检测以及相关状态估计算法，可以实现对目标车辆的纵横运动状态的估计。但现有的估计方法忽略了对目标车辆纵横向运动状态的准确估计。在车辆运动状态估计中多使用车辆自身传感器如速度传感器和主动式传感器如雷达，而忽略了与协调式传感器如DSRC的结合，存在数据关联和跟踪滤波结果准确性不高的问题。在车联网系统之中车辆运动状态主要基于车车通信将目标车辆相关运动状态信息传输到主车，忽略了车车通信时延、丢包所带来的目标车辆状态感知不准确问题，基于主动式传感器获得的相关信息在目标车辆运动状态估计过程之中也未能够得到充分利用，此外，目标车辆的车辆动力学特性也未能在目标车辆运动状态感知中充分体现。

发明内容

本发明针对现有技术所采用的模型过于粗略且检测精度不高的缺陷，提出一种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，结合智能网联汽车车载的自主式传感器和协同式传感器的信息实现前方车辆运动状态的准确检测，相对于只有主动式传感器的车辆状态检测，主动式协同式联合的车辆状态检测，加入了协同式状态信息，一方面提高了状态检测的置信度，另一方面通过主动式和协同式传感器的前方车辆状态信息的信息融合提高了前方车辆状态检测的精度。

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和协同式传感器的车辆运动状态检测方法，包括以下步骤：

步骤1、基于自主式传感器获得目标车辆信息和车路位置关系信息，考虑目标车辆的车辆侧向动力学和车路关系进而建立目标车辆运动状态估计器，进而得到基于主动式传感器的车辆状态估计信息；

所述的自主式传感器，包括但不限于：激光雷达、毫米波雷达、摄像头。

所述的目标车辆信息，包括但不限于：位置、速度、方位等。

所述的车路位置关系信息包括：朝向角、车辆到道路中心线之间的距、道路的曲率。

所述的目标车辆运动状态估计器优选采用局部卡尔曼滤波器。

所述的基于主动式传感器的车辆状态估计信息是指：基于主动式传感器的目标t时刻下的侧向速度、横摆角速度，即基于主动式传感器的车辆运动状态的估计信息。

步骤2、基于协同式传感器获取目标车辆信息，通过协同式传感器目标车辆运动状态估计器以及车辆侧向动力学模型，得到基于协同式传感器的车辆状态估计信息；

所述的协同式传感器，包括但不限于：DSRC(Dedicated Short RangeCommunications，专用短程通信)模块。

所述的目标车辆信息，包括但不限于：车辆位置信息、基于目标车辆车内传感器获得纵向速度、横摆角速度和方向盘角。

所述的协同式传感器目标车辆运动状态估计器优选采用局部卡尔曼滤波器。

所述的基于协同式传感器的车辆状态估计信息是指：基于协同式传感器的目标t时刻下的侧向速度、横摆角速度，即基于协同式传感器的车辆运动状态的估计。

步骤3、对主动式和协同式局部滤波器车辆状态信息通过插值处理达到时间上的同步，然后根据主动式传感器和协同式传感器局部滤波的结果进行全局融合。

所述的同步是指：选取主车车辆坐标系作为公共坐标系，通过坐标变换使得主动式传感器和协同式传感器达到空间上的同步，在时间和空间双重维度下，对主动式传感器和协同式传感器达到时空的校准和对齐。

本发明涉及一种实现上述方法的系统，包括：包含主动式传感器和协同式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，对来自主动式传感器和协同式传感器的观测信息分别进行运动状态估测，并进行全局信息融合得到前方车辆运动信息并输出至控制模块，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，本发明在目标车辆运动状态感知过程中充分利用了自主式和协同式传感器信息，通过信息融合完成目标车辆运动状态的准确感知，并且在自主式和协同式传感器运动状态感知滤波过程中，引入车辆侧向动力学约束和道路约束，从而实现对目标车辆运动状态的准确估计。

附图说明

图1为主动式和协同式联合的车辆状态检测示意图；

图2为主动式和协同式车辆状态信息融合示意图。

具体实施方式

本实施例具体包括以下步骤：

步骤1、基于主动式传感器的车辆运动状态的估计：

1.1)基于自主式传感器，通过图像预处理，canny算子边缘检测，霍夫变换检测车道中心线，通过最小二乘法拟合，获得道路曲率；

1.2)基于毫米波雷达获得前方目标车辆在t时刻航向角ψ_t、目标车辆的纵向速度V_tx和相对于道路中心线的侧向偏移et；

所述的道路跟踪误差动力学基于Serret-Frenet方程，则侧向偏移et动力学为：

1.3)当行驶在结构化道路上时，车辆的航向角一般为一个较小值，则航向角为其中：ψ_t为目标车辆的航向角，γ_t为目标车辆t时刻的横摆角速度，c为道路的曲率，V_tx和V_ty如上。

1.4)基于以上动力学模型和基于V2X获得的目标车辆基本内参数，建立考虑车辆动力学和道路约束的完整运动的车路模型模型，目标车辆车路模型的状态方程和观测方程为：其中：x_c＝(v_ty γ_t δ_f e_t ψ_t c)^T，y_c＝(e_t ψ_t c)^T，

和ν_c表示完整模型的系统噪声和测量噪声，v_tyγ_tδ_fe_tψ_tc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，v_tx为目标车辆的车速，m_t为目标车辆的质量，I_t为目标车辆关于车辆坐标系垂向轴的转动惯量，C_tαf，C_tαr，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。

1.5)通过建立主动式传感器目标车辆运动状态估计器，基于卡尔曼滤波算法完成目标车辆横向运动的准确辨识，并基于前车车辆动力学模型，实现对车辆运动状态的估计。

所述的横向运动包括：侧向速度、横摆角速度、方向盘转角。

所述的主动式传感器目标车辆运动状态估计器优选采用局部卡尔曼滤波器，其使用离散的状态空间模型，典型的离散状态空间方程为：其中：

所述的卡尔曼滤波算法具体为：更新方程为：W(k+1)＝P(k+1|k)C_d(k+1)^TS(k+1)^-1，P(k+1|k)＝A_d(k)P(k|k)A_d(k)^T+Q(k)，S(k+1)＝C_d(k+1)P(k+1)C_d(k+1)^T+R(k+1)，P(k+1|k+1)＝[I-W(k+1)C_d(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，A_d(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，C_d(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。

局部卡尔曼滤波后获得基于主动式传感器的目标t时刻的值及其协方差，即车辆运动状态的估计。

步骤2、基于协同式传感器的车辆运动状态的估计：通过DSRC模块获取目标车辆信息，建立车辆动力学模型；基于与主动式传感器相同的卡尔曼滤波算法，实现对基于协同式传感器获得的目标t时刻的最优估计及其协方差。

所述的车辆侧向动力学模型是指：

其中：v_ty表示侧向速度，γ_t表示为横摆角速度，δ_tf表示为转向角，v_ox为目标车辆的车速，m为目标车辆的质量，I为目标车辆关于车辆坐标系垂向轴的转动惯量，C_tαf，C_tαr，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，w表示为过程噪声，表示为测量噪声。

步骤3、车辆运动状态的融合：首先通过插值处理达到时间上的同步，然后根据主动式传感器和协同式传感器局部滤波的结果进行全局融合，如图2所示。

所述的全局融合是指：其中：Xi为单个主动式或协同式传感器局部滤波的结果，Pi为相应的协方差，实现对主动式传感器和协同式传感器对于目标车辆运动状态在K时刻的准确估计，同时融合后的K时刻估计值，作为各子滤波系统的下一时刻的输入，从而实现子滤波系统从主滤波系统中共享数据，进一步提高检测精度。

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

1.一种基于自主式和协同式传感器的车辆运动状态检测方法，其特征在于，包括以下步骤：

步骤1、基于自主式传感器获得目标车辆信息和车路关系信息，进而建立主动式传感器目标车辆运动状态估计器考虑目标车辆的车辆动力学约束以及道路约束，建立完整的车路模型，得到基于主动式传感器器的车辆状态估计信息；

步骤2、基于协同式传感器获取目标车辆信息，通过协同式传感器目标车辆运动状态估计器以及车辆侧向动力学模型，得到基于协同式传感器器车辆状态估计信息；

步骤3、对主动式和协同式局部滤波器车辆状态信息通过插值处理达到时间上的同步，然后根据主动式传感器和协同式传感器局部滤波的结果进行全局融合；

所述的目标车辆信息，包括但不限于：位置、速度、方位；

所述的车路位置关系信息包括：朝向角、车辆与道路中心线之间的距离、道路曲率；

所述的目标车辆信息，包括：车辆位置信息、基于主动式传感器获得的目标车辆信息、基于协同式传感器获得的目标车辆纵向速度、横摆角速度和方向盘角。

2.根据权利要求1所述的方法，其特征是，所述的主动式局部滤波器车辆状态信息是指：基于主动式传感器的目标t时刻下的侧向速度、横摆角速度、方向盘转角、车辆的航向角、目标车辆与道路中心线之间的距离、道路曲率，即基于主动式传感器车辆运动状态的估计信息；

所述的协同式局部滤波器车辆状态信息是指：基于协同式传感器的目标t时刻下的侧向速度、横摆角速度，即基于协同式传感器的车辆运动状态的估计信息。

3.根据权利要求1所述的方法，其特征是，所述的车路模型是指：

其中：x_c＝(v_ty γ_t δ_f e_t ψ_t c)^T，y_c＝(e_t ψ_t c)^T，

和ν_c表示完整模型的系统噪声和测量噪声，v_ty γ_t δ_f e_tψ_t 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，v_tx为目标车辆的车速，m_t为目标车辆的质量，I_t为目标车辆关于车辆坐标系垂向轴的转动惯量，C_tαf，C_tαr，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。

4.根据权利要求1所述的方法，其特征是，所述的车辆侧向动力学模型是指：

5.根据权利要求1所述的方法，其特征是，所述的同步是指：选取主车车辆坐标系作为公共坐标系，通过坐标变换使得主动式传感器和协同式传感器达到空间上的同步，在时间和空间双重维度下，对主动式传感器和协同式传感器达到时空的校准和对齐。

6.根据权利要求1所述的方法，其特征是，所述的全局融合是指：

其中：Xi为单个主动式或协同式传感器局部滤波的结果，Pi为相应的协方差，实现对主动式传感器和协同式传感器对于目标车辆运动状态在K时刻的准确估计，同时融合后的K时刻估计值，作为各子滤波系统的下一时刻的输入，从而实现子滤波系统从主滤波系统中共享数据，进一步提高检测精度。

7.一种实现上述任一权利要求所述方法的系统，其特征在于，包括：包含主动式传感器和协同式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，对来自主动式传感器和协同式传感器的观测信息分别进行运动状态估测，并进行全局信息融合得到前方车辆运动信息并输出至控制模块，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。