CN109910865B - 一种基于物联网的车辆预警刹车方法 - Google Patents
一种基于物联网的车辆预警刹车方法 Download PDFInfo
- Publication number
- CN109910865B CN109910865B CN201910141449.2A CN201910141449A CN109910865B CN 109910865 B CN109910865 B CN 109910865B CN 201910141449 A CN201910141449 A CN 201910141449A CN 109910865 B CN109910865 B CN 109910865B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- braking
- speed
- acceleration
- road surface
- 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
Landscapes
- Regulating Braking Force (AREA)
Abstract
本发明公开一种基于物联网的车辆预警刹车方法,采集路况和车况,并基于BP神经网络确定车辆振动影响等级和刹车调速状态,具体包括步骤一、按照采样周期,采集车身的重量,路面坡度,车辆纵向车速,车辆纵向加速度,车轮胎压,车辆振动烈度,路面摩擦系数,车辆与纵向相邻前车的实时距离;步骤二、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,x7,x8};步骤三、所述输入层向量映射到隐层,隐层的神经元为m个;步骤四、得到输出层神经元向量o={o1,o2,o3};其中,o1为车辆振动影响等级,o2为车辆刹车调速状态,o3为预警状态,所述输出层神经元值为o1={A,B,C};当o2=1时,车辆需要进行刹车调速,当o2=0时,车辆正常行驶;当o3=1时,报警系统发出警报,当o3=0时,报警系统不工作。
Description
技术领域
本发明涉及车辆刹车控制技术领域,更具体的是,本发明涉及一种基于物联网的车辆预警刹车方法。
背景技术
随着经济的发展,车辆保有量增加,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即使形成制动,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。因此,基于物联网的车辆制动方法成为人们研究的热点。
发明内容
本发明设计开发了一种基于物联网的车辆预警刹车方法,能够采集路况和车况,并基于BP神经网络确定车辆振动影响等级和刹车调速状态。
本发明还能在车辆进行刹车调速使,根据路况和车况精确控制制动加速度,提高行车安全性。
本发明提供的技术方案为:
一种基于物联网的车辆预警刹车方法,采集路况和车况,并基于BP神经网络确定车辆振动影响等级和调速状态,具体包括如下步骤:
步骤一、按照采样周期,采集车身的重量,路面坡度,车辆纵向车速,车辆纵向加速度,车轮胎压,车辆振动烈度,路面摩擦系数,车辆与纵向相邻前车的实时距离;
步骤二、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,x7,x8};其中,x1为车身的重量,x2为路面坡度,x3为车辆纵向车速,x4为车辆纵向加速度,x5为车轮胎压,x6为车辆振动烈度,x7为路面摩擦系数,x8为车辆与纵向相邻前车的实时距离;
步骤三、所述输入层向量映射到隐层,隐层的神经元为m个;
步骤四、得到输出层神经元向量o={o1,o2,o3};其中,o1为车辆振动影响等级,o2为车辆刹车调速状态,o3为预警状态,所述输出层神经元值为o1={A,B,C};当o2=1时,车辆需要进行刹车调速,当o2=0时,车辆正常行驶;当o3=1时,报警系统发出警报,当o3=0时,报警系统不工作。
优选的是,当o2=1,且o1=A时,车辆需要刹车调速的制动加速度满足:
a=a0;
其中,a为车辆需要刹车调速的制动加速度,a0为车辆刹车调速的标准制动加速度。
优选的是,当o2=1,且o1=B时,车辆需要进行刹车调速的制动加速度满足:
其中,a为车辆需要刹车调速的制动加速度,a0为车辆刹车调速的标准制动加速度,d为车辆与纵向相邻前车的实时距离,Ds为车辆与纵向相邻前车的安全距离,为路面坡度,M为车身重量,MA为单位重量,V为车辆纵向车速,Vrms为车辆振动烈度,ac为车辆纵向加速度,ζ为路面摩擦系数,P为车轮胎压,P0为大气压强,e为自然对数的底数。
优选的是,当o2=1,且o1=C时,车辆需要进行刹车调速的制动加速度满足:
其中,a为车辆需要刹车调速的制动加速度,a0为车辆刹车调速的标准制动加速度,d为车辆与纵向相邻前车的实时距离,Ds为车辆与纵向相邻前车的安全距离,为路面坡度,M为车身重量,MA为单位重量,V为车辆纵向车速,Vrms为车辆振动烈度,ac为车辆纵向加速度,ζ为路面摩擦系数,P为车轮胎压,P0为大气压强,e为自然对数的底数。
优选的是,所述车辆与纵向相邻前车的安全距离为:
其中,DS为安全距离,d0为当前车况环境下应当保持的安全距离,ds为能见度,V为车辆纵向车速,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∈[-2.5,1.5],g为重力加速度,e为自然对数的底数,σ为风力等级且σ∈[0,8]。
优选的是,所述路面坡度为:
优选的是,所述车辆振动烈度为:
其中,Vrms为车辆振动烈度,Vi为测量的振动速度值,N为测量的振动信号样本长度。
优选的是,所述隐层的神经元为6个。
优选的是,所述隐层及所述输出层的激励函数均采用S型函数fj(x)=1/(1+e-x)。
本发明所述的有益效果:
本发明设计开发了一种基于物联网的车辆预警刹车方法,能够采集路况和车况,并基于BP神经网络确定车辆振动影响等级和刹车调速状态。本发明还能在车辆进行刹车调速使,根据路况和车况精确控制制动加速度,提高行车安全性。
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。
本发明提供的基于物联网的车辆预警刹车方法采用的制动系统包括,包括:液压制动主系统,其包括:制动主缸,其与车辆制动踏板连接;制动器,其设置在车辆车轮上,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,对车辆进行制动。
电机制动系统,其包括:轮毂电机,其设置在所述车辆轮毂上;信号采集模块,其用于采集路况和车况;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,并做出制动控制决策;控制模块,其与所述信号处理模块和轮毂电机连接,用于接收所述制动控制决策,并对车辆进行制动控制。通过轮毂电机接收的制动控制决策对车轮进行制动。
所述信号采集模块包括:重量传感器,其设置在车辆底盘上,用于检测车身重量,坡角传感器,其设置在车辆底盘上,用于检测路面与水平面的夹角,车速传感器,其设置在车辆底盘上,用于检测车辆纵向车速和纵向加速度;胎压传感器,其设置在车辆轮胎内,用于检测轮胎压强,摩擦系数传感器,其设置在轮胎上,用于检测路面摩擦系数,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,主要是确定车辆与纵向相邻前车的实时距离。
本发明提供的基于物联网的车辆预警刹车方法,采集路况和车况,并基于BP神经网络确定车辆振动影响等级和调速状态,具体包括如下步骤:
步骤一、建立BP神经网络模型。
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oi=xi。中间隐含层和输出层的神经元的操作特性为
opj=fj(netpj)
其中p表示当前的输入样本,ωji为从神经元i到神经元j的连接权值,opi为神经元j的当前输入,opj为其输出;fj为非线性可微非递减函数,一般取为S型函数,即fj(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,对应了表示车辆行驶过程中的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,...,xn)T
中间层向量:y=(y1,y2,...,ym)T
输出向量:o=(o1,o2,...,op)T
本发明中,输入层节点数为n=8,输出层节点数为p=3,隐藏层节点数m=6。
输入层8个参数分别表示为:x1为车身的重量,x2为路面坡度,x3为车辆纵向车速,x4为车辆纵向加速度,x5为车轮胎压,x6为车辆振动烈度,x7为路面摩擦系数,x8为车辆与纵向相邻前车的实时距离;
输出层3个参数分别表示为:o1为车辆振动影响等级,o2为车辆刹车调速状态,o3为预警状态,所述输出层神经元值为o1={A,B,C};当o2=1时,车辆需要进行刹车调速,当o2=0时,车辆正常行驶;当o3=1时,报警系统发出警报,当o3=0时,报警系统不工作。
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,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nl-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
(b)反向计算误差:
对于输出单元
对隐单元
(c)修正权值:
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=(JTJ+μI)-1JTe
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。
(1)当o2=1,且o1=A时,车辆需要刹车调速的制动加速度满足:
a=a0;
其中,a为车辆需要刹车调速的制动加速度,a0为车辆刹车调速的标准制动加速度。
(2)当o2=1,且o1=B时,车辆需要进行刹车调速的制动加速度满足:
其中,a为车辆需要刹车调速的制动加速度,a0为车辆刹车调速的标准制动加速度,d为车辆与纵向相邻前车的实时距离,Ds为车辆与纵向相邻前车的安全距离,为路面坡度,M为车身重量,MA为单位重量,V为车辆纵向车速,Vrms为车辆振动烈度,ac为车辆纵向加速度,ζ为路面摩擦系数,P为车轮胎压,P0为大气压强,e为自然对数的底数。
(3)当o2=1,且o1=C时,车辆需要进行刹车调速的制动加速度满足:
其中,a为车辆需要刹车调速的制动加速度,a0为车辆刹车调速的标准制动加速度,d为车辆与纵向相邻前车的实时距离,Ds为车辆与纵向相邻前车的安全距离,为路面坡度,M为车身重量,MA为单位重量,V为车辆纵向车速,Vrms为车辆振动烈度,ac为车辆纵向加速度,ζ为路面摩擦系数,P为车轮胎压,P0为大气压强,e为自然对数的底数。
其中,所述的车辆与纵向相邻前车的安全距离为:
其中,DS为安全距离,d0为当前车况环境下应当保持的安全距离,ds为能见度,V为车辆纵向车速,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∈[-2.5,1.5],g为重力加速度,e为自然对数的底数,σ为风力等级且σ∈[0,8]。
所述的路面坡度为:
所述的车辆振动烈度为:
其中,Vrms为车辆振动烈度,Vi为测量的振动速度值,N为测量的振动信号样本长度。
下面结合具体的实施例进一步的对本发明提供的对发动机技术状态的方法进行说明。
取十组不同路况和车况的车辆进行制动试验,具体试验数据如表2所示。
表2试验数据
采用本发明提供的车辆预警刹车方法进行制动控制,具体试验结果如表3所示。
表3试验结果
序号 | 振动等级 | 报警系统 | 制动结果 |
1 | A | 报警 | 制动成功 |
2 | B | 报警 | 制动成功 |
3 | A | 报警 | 制动成功 |
4 | B | 报警 | 制动成功 |
5 | B | 报警 | 制动成功 |
6 | B | 报警 | 制动成功 |
7 | A | 报警 | 制动成功 |
8 | C | 报警 | 制动成功 |
9 | C | 报警 | 制动成功 |
10 | C | 报警 | 制动成功 |
有表3的结果可知,本发明提供的基于物联网的车辆预警刹车方法能够实现车辆安全制动。
本发明设计开发了一种基于物联网的车辆预警刹车方法,能够采集路况和车况,并基于BP神经网络确定车辆振动影响等级和刹车调速状态。本发明还能在车辆进行刹车调速使,根据路况和车况精确控制制动加速度,提高行车安全性。
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。
Claims (6)
1.一种基于物联网的车辆预警刹车方法,其特征在于,采集路况和车况,并基于BP神经网络确定车辆振动影响等级和刹车调速状态,具体包括如下步骤:
步骤一、按照采样周期,采集车身的重量,路面坡度,车辆纵向车速,车辆纵向加速度,车轮胎压,车辆振动烈度,路面摩擦系数,车辆与纵向相邻前车的实时距离;
步骤二、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,x7,x8};其中,x1为车身的重量,x2为路面坡度,x3为车辆纵向车速,x4为车辆纵向加速度,x5为车轮胎压,x6为车辆振动烈度,x7为路面摩擦系数,x8为车辆与纵向相邻前车的实时距离;
步骤三、所述输入层向量映射到隐层,隐层的神经元为m个;
步骤四、得到输出层神经元向量o={o1,o2,o3};其中,o1为车辆振动影响等级,o2为车辆刹车调速状态,o3为预警状态,所述输出层神经元值为o1={A,B,C};当o2=1时,车辆需要进行刹车调速,当o2=0时,车辆正常行驶;当o3=1时,报警系统发出警报,当o3=0时,报警系统不工作;
当o2=1,且o1=A时,车辆需要刹车调速的制动加速度满足:
a=a0;
其中,a为车辆需要刹车调速的制动加速度,a0为车辆刹车调速的标准制动加速度;
当o2=1,且o1=B时,车辆需要进行刹车调速的制动加速度满足:
5.如权利要求4所述的基于物联网的车辆预警刹车方法,其特征在于,所述隐层的神经元为6个。
6.如权利要求5所述的基于物联网的车辆预警刹车方法,其特征在于,所述隐层及所述输出层的激励函数均采用S型函数fj(x)=1/(1+e-x)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910141449.2A CN109910865B (zh) | 2019-02-26 | 2019-02-26 | 一种基于物联网的车辆预警刹车方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910141449.2A CN109910865B (zh) | 2019-02-26 | 2019-02-26 | 一种基于物联网的车辆预警刹车方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109910865A CN109910865A (zh) | 2019-06-21 |
CN109910865B true CN109910865B (zh) | 2021-05-28 |
Family
ID=66962321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910141449.2A Active CN109910865B (zh) | 2019-02-26 | 2019-02-26 | 一种基于物联网的车辆预警刹车方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109910865B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399664B (zh) * | 2019-07-15 | 2023-11-21 | 北京天时行智能科技有限公司 | 一种驾驶速度的确定方法及装置 |
CN110816531B (zh) * | 2019-11-22 | 2020-12-04 | 辽宁工业大学 | 一种无人驾驶汽车车辆间安全距离的控制系统及控制方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102745194B (zh) * | 2012-06-19 | 2015-02-25 | 东南大学 | 一种高速公路汽车防追尾前车的自适应报警方法 |
CN106314428B (zh) * | 2016-09-14 | 2018-10-09 | 中国科学院微电子研究所 | 一种避撞系统、避撞方法及机动车辆 |
KR102617044B1 (ko) * | 2017-02-20 | 2023-12-26 | 재단법인대구경북과학기술원 | Emb 시스템을 이용한 센서 고장 검출 장치 및 그 방법 |
CN107657237B (zh) * | 2017-09-28 | 2020-03-31 | 东南大学 | 基于深度学习的汽车碰撞检测方法及系统 |
CN107972662B (zh) * | 2017-10-16 | 2019-12-10 | 华南理工大学 | 一种基于深度学习的车辆前向碰撞预警方法 |
CN108639065B (zh) * | 2018-05-15 | 2019-09-27 | 辽宁工业大学 | 一种基于视觉的车辆安全行驶控制方法 |
CN109263654B (zh) * | 2018-11-19 | 2023-08-08 | 吉林大学 | 一种汽车过减速带自适应调速系统及调速方法 |
-
2019
- 2019-02-26 CN CN201910141449.2A patent/CN109910865B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109910865A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109552289B (zh) | 一种汽车自适应辅助制动系统及其控制方法 | |
CN108960426B (zh) | 基于bp神经网络的道路坡度综合估计系统 | |
CN105741637B (zh) | 四轮轮毂电机电动汽车智能转向控制方法 | |
CN109455178B (zh) | 一种基于双目视觉的道路交通车辆行驶主动控制系统及方法 | |
CN108482481B (zh) | 四轮独立驱动与转向电动汽车的四轮转向控制方法 | |
CN111332362B (zh) | 一种融合驾驶员个性的智能线控转向控制方法 | |
CN105034986B (zh) | 一种驾驶员转向特性在线辨识方法及装置 | |
CN109263654B (zh) | 一种汽车过减速带自适应调速系统及调速方法 | |
CN109910865B (zh) | 一种基于物联网的车辆预警刹车方法 | |
CN110682903B (zh) | 一种基于视觉感知的安全超车预警系统及方法 | |
CN111645698B (zh) | 一种重载车辆侧翻阈值自适应估计方法 | |
CN109712424B (zh) | 一种基于物联网的车辆导航方法 | |
CN111559378A (zh) | 一种考虑驾驶员特性的四轮独驱电动车动力学控制方法 | |
CN110816531B (zh) | 一种无人驾驶汽车车辆间安全距离的控制系统及控制方法 | |
CN110154893B (zh) | 一种基于驾驶员特性的汽车安全驾驶预警方法 | |
CN113002527A (zh) | 一种自主电动汽车横向稳定性鲁棒容错控制方法 | |
CN110203190B (zh) | 一种用于电控车辆的防溜车系统及其控制方法 | |
CN116674571A (zh) | 一种基于数据置信度因子的汽车质量与坡度实时估计方法 | |
CN207208040U (zh) | 一种车辆自适应主动刹车系统 | |
CN109572692A (zh) | 一种电控车辆防冲撞系统及其控制方法 | |
CN111196270B (zh) | 一种电动汽车电液复合制动系统转弯控制方法 | |
TWM515505U (zh) | 自行車防鎖死煞車系統 | |
CN114154227A (zh) | 一种重型挂车制动过程自适应学习方法 | |
CN110231820B (zh) | 一种基于物联网的车辆行驶控制方法 | |
CN112597597A (zh) | 基于K-Medoids和BP神经网络的路感模拟方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210513 Address after: 276000 intersection of Volvo road and pengbaihe Road, south section of 205 National Road, Linyi Economic Development Zone, Shandong Province Applicant after: Linyi Heli Electronics Co.,Ltd. Address before: 121001, 169 street, Guta District, Liaoning, Jinzhou Applicant before: LIAONING University OF TECHNOLOGY |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |