CN109910897B - 一种基于前方路面峰值附着系数的安全距离估算方法 - Google Patents
一种基于前方路面峰值附着系数的安全距离估算方法 Download PDFInfo
- Publication number
- CN109910897B CN109910897B CN201910089996.0A CN201910089996A CN109910897B CN 109910897 B CN109910897 B CN 109910897B CN 201910089996 A CN201910089996 A CN 201910089996A CN 109910897 B CN109910897 B CN 109910897B
- Authority
- CN
- China
- Prior art keywords
- road surface
- adhesion coefficient
- safe distance
- peak value
- model
- 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
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
- Regulating Braking Force (AREA)
Abstract
Description
技术领域
本发明属于行驶安全技术领域,具体涉及一种基于前方路面峰值附着系数的安全距离估算方法。
背景技术
随着近年来汽车保有量的快速增加,道路交通安全问题已经成为社会关注的重点。人们对汽车行驶过程中安全性能的要求不断提高,越来越多的汽车上都安装有主动安全控制系统来辅助驾驶员合理控制安全车距,路面的变化会直接影响汽车的安全距离。而峰值附着系数可以用来表征路面条件的变化情况,但由于路面特性等方面的影响,即使在同一种典型路面类型下其值也不唯一,因此,路面峰值附着系数的准确估算成了最难解决的车辆关键技术之一。如果能够实时获取前方路面的峰值附着系数,车辆就可以对前方道路存在的潜在危险工况发出预警并时刻保持合理的安全距离,那么主动安全控制系统的性能也可以得到最大程度的发挥。
目前,针对上述问题国内外学者做了大量的研究,路面状况的识别主要分为以下两类:一类是用传感器对路面参数进行直接测量,但是传感器仅仅只能对前方路面的路面类型和干湿状况进行判断,对前方路面的附着系数难以实时估计。第二类是通过车辆动力学参数响应进行间接估计,但是由于遮挡、人为清扫等因素的影响,当前路面的附着特性与前方道路附着特性差异明显,并且对突变路面无法进行估算判断其危险程度,导致车辆行驶的安全距离预判误差较大,容易引发交通事故或影响道路的通行能力。
发明内容
为了解决上述问题,本发明提出了一种基于前方路面峰值附着系数的安全距离估算方法。具体技术方案如下:一种基于前方路面峰值附着系数的安全距离估算方法,包括如下步骤:
1)采集典型道路图像并提取图像特征;其中所述典型道路包括干沥青路面道路、干水泥路面道路、湿沥青路面道路、湿水泥路面道路、雪路面道路和冰路面道路;所述图像特征包括纹理特征和颜色特征,纹理特征包括能量E、熵H、惯性矩J和局部平稳L,颜色特征包括色调T、饱和度S和亮度B;
2)采集当前车辆行驶状态参数;其中所述状态参数包括车轮的纵向力FX、法向力FZ、车轮中心速度v、车轮角速度w以及车轮滚动半径r;
4)计算当前路面实际峰值附着系数μmax;
5)利用图像特征、车辆行驶状态参数和当前路面实际峰值附着系数设计HMM模型;
6)训练HMM模型得到安全距离的影响因数U;
7)计算实时路面的安全距离,所述安全距离包括碰撞警报距离DW和自制动距离Dbr。
进一步的,上述步骤4)中,当前路面实际峰值附着系数μmax计算方法包括如下步骤:
4.3)计算当前路面实际峰值附着系数μmax,计算公式如下:
进一步的,上述步骤5)中,设计HMM模型包括如下步骤:
5.1)确定模型的输入参量,包括能量E、熵H、惯性矩J、局部平稳L、色调T、饱和度S和亮度B以及步骤4求出的当前路面实际峰值附着系数μmax;
5.2)确定模型的输出参量为未知的前方路面的峰值附着系数μimax;
5.3)确定模型的隐状态数N、可观察状态数M;
5.4)确定模型的参数组λ=(A,B,π),A是典型道路路面峰值附着系数相互间的转移概率组成的矩阵,记为A={aij}N×M,其中aij=P[qt+1=Sj|qt=Si],1≤i,j≤N,是在时刻t处于状态si的条件下在t+1时刻转移到sj的概率;B是7个特征参数组成的观察值概率矩阵,记为B={bjk}N×M,其中bjk=P[Ot=vk|qt=Sj],1≤j≤N,1≤k≤M,是在时刻t处于状态si的条件下取得观测值vk的概率;π是初始某个路面状态的概率分布向量,记为π=(π1,...,π6),其中πi=P(q1=Si),是在初始时刻处于状态si的概率。
进一步的,上述步骤6)中,HMM模型训练方法包括如下步骤:
6.1)输入典型路面特征参数的样本数据O={E、H、J、L、T、S、B};
6.2)采用均值法给模型参数赋值,π=[1/6,1/6,1/6,1/6,1/6,1/6];
6.3)输入N、M、A矩阵、B矩阵以及附着系数μ-滑移率s曲线,运用Baum-Welch算法得到最佳的HMM模型参数;
6.4)利用前向-后向算法计算概率P(O|λ),概率最大值对应的模型输出即为前方路面的峰值附着系数,计算公式如下:
λn=argmaxP(O|λi),其中,πq1为初始时刻处于q1状态的概率,bqT(OT)为在状态qT下产生观察OT的概率,aqT-1qT为由状态qT-1转移到状态qT的概率,λ={λ1,λ2,…,λn}(n=1,2,3,4,5,6)为六种典型路面;
6.5)训练后的模型输出值为前方路面的实时峰值附着系数,作为路面情况对安全距离的影响因子U。
进一步的,上述步骤7)中,所述碰撞警报距离DW的计算公式如下:
所述自制动距离Dbr的计算公式如下:
式中Vf、af、Vl、al分别为前车和后车的速度和减速度,TW为后车制动时间,包括驾驶员反应动作时间和制动协调时间,Tbr为自动制动时的制动时间,U为路面情况对安全距离的影响因数。
本发明所提出的HMM模型能够对隐藏的非可直接观测的前方道路峰值附着系数进行实时预测,所提出的改进后的安全距离模型考虑了路面状况对车辆的影响,能够更准确的计算出一个符合实际路面情况的安全距离,减少恶劣附着条件下追尾等交通事故的发生。
附图说明
图1是本发明方法流程图。
图2是六种典型路面的附着系数μ-滑移率s曲线。
具体实施方式
下面结合附图和实施例对本发明做进一步地详细说明。
本发明提供一种基于前方路面峰值附着系数的安全距离估算方法,如图1所示,包括以下几个步骤:
1)采集典型道路图像并提取图像特征;利用传统的光学传感器(CCD相机)进行采集,其中典型道路包括以下6种:干沥青路面、干水泥路面、湿沥青路面、湿水泥路面、雪路面和冰路面,其附着系数-滑移率曲线如图二所示。图像特征包括纹理特征和颜色特征,纹理特征包括能量E、熵H、惯性矩J和局部平稳L四个参量,颜色特征包括色调T、饱和度S和亮度B三个参量。在道路图像中不同材料的路面其纹理粗糙程度明显不同,同样的,对不同湿滑程度的路面而言,其图像反射光的明暗程度也不相同,因此可以用纹理特征表示路面类型,颜色特征表示路面表面的湿滑程度,这样可以更明显、直观地表征图像特征,减少图像处理的复杂性。
2)采集当前车辆行驶状态参数;利用传感器进行采集,其中状态参数包括车轮的纵向力FX、法向力FZ、车轮中心速度v、车轮角速度w以及车轮滚动半径r;
4)计算当前路面实际峰值附着系数μmax;
5)利用图像特征、车辆行驶状态参数和当前路面实际峰值附着系数设计HMM模型;
HMM模型具备传统模式识别方法所不具备的一些特点,可以通过已知的、可观察到的变量和与之对应的概率分布求出最想得到的、不能直接观察到的隐状态参数。包括以下几步:
5.1)确定模型的输入参量,包括能量E、熵H、惯性矩J、局部平稳L、色调T、饱和度S和亮度B以及步骤4求出的当前路面实际峰值附着系数μmax;
5.2)确定模型的输出参量为未知的前方路面的峰值附着系数μimax;
5.3)确定模型的隐状态数N、可观察状态数M。在具体实施中N=6、M=7;
5.4)确定模型的参数组λ=(A,B,π),其中:A是6种典型路面峰值附着系数相互间的转移概率组成的矩阵:A={aij}N×M,aij=P[qt+1=Sj|qt=Si],1≤i,j≤N,是在时刻t处于状态si的条件下在t+1时刻转移到sj的概率;B是7个特征参数组成的观察值概率矩阵:B={bjk}N×M,其中,bjk=P[Ot=vk|qt=Sj],1≤j≤N,1≤k≤M,是在时刻t处于状态si的条件下取得观测值vk的概率;π是初始某个路面状态的概率分布向量:π=(π1,...,π6),其中πi=P(q1=Si),是在初始时刻处于状态si的概率。
6)训练HMM模型得到安全距离的影响因数U,包括如下步骤:
6.1)输入步骤1中提取的典型路面特征参数的样本数据O={E、H、J、L、T、S、B};
6.2)采用均值法给模型参数赋值,π=[1/6,1/6,1/6,1/6,1/6,1/6];
6.3)输入步骤5.3中的N和M、步骤5.4中的A、B矩阵以及附着系数μ-滑移率s曲线,运用Baum-Welch算法得到最佳的HMM模型参数;
6.4)利用前向-后向算法计算概率P(O|λ),概率最大值对应的模型输出即为前方路面的峰值附着系数,计算公式如下:
λn=argmaxP(O|λi)。其中,πq1为初始时刻处于q1状态的概率,bqT(OT)为在状态qT下产生观察OT的概率,aqT-1qT为由状态qT-1转移到状态qT的概率,λ={λ1,λ2,…,λn}(n=1,2,3,4,5,6)为六种典型路面。
6.5)训练后的模型输出值为前方路面的实时峰值附着系数μimax,作为路面情况对安全距离的影响因子U。
7)计算实时路面的安全距离;包括碰撞警报距离DW和自制动距离Dbr,其中碰撞警报距离DW的计算公式为自制动距离Dbr的计算公式为算式中的Vf、af、Vl、al分别为前车和后(己)车的速度和减速度,TW为后(自)车制动时间,包括驾驶员反应动作时间和制动协调时间,Tbr为自动制动时的制动时间,U为路面情况对安全距离的影响因数与HMM模型输出的前方路面的实时峰值附着系数有关。
本发明所提出的HMM模型能够对隐藏的非可直接观测的前方道路峰值附着系数进行实时预测;所提出的改进后的安全距离模型考虑了路面状况对车辆的影响,能够更准确的计算出一个符合实际路面情况的安全距离,减少恶劣附着条件下追尾等交通事故的发生。
Claims (3)
1.一种基于前方路面峰值附着系数的安全距离估算方法,其特征在于包含以下步骤:
1)采集典型道路图像并提取图像特征;其中所述典型道路包括干沥青路面道路、干水泥路面道路、湿沥青路面道路、湿水泥路面道路、雪路面道路和冰路面道路;所述图像特征包括纹理特征和颜色特征,纹理特征包括能量E、熵H、惯性矩J和局部平稳L,颜色特征包括色调T、饱和度S和亮度B;
2)采集当前车辆行驶状态参数;其中所述状态参数包括车轮的纵向力FX、法向力FZ、车轮中心速度v、车轮角速度w以及车轮滚动半径r;
4)计算当前路面实际峰值附着系数μmax;
5)利用图像特征、车辆行驶状态参数和当前路面实际峰值附着系数设计HMM模型;
设计HMM模型包括如下步骤:
5.1)确定模型的输入参量,包括能量E、熵H、惯性矩J、局部平稳L、色调T、饱和度S和亮度B以及步骤4求出的当前路面实际峰值附着系数μmax;
5.2)确定模型的输出参量为未知的前方路面的峰值附着系数μimax;
5.3)确定模型的隐状态数N、可观察状态数M;
5.4)确定模型的参数组λ=(A,B,π),A是典型道路路面峰值附着系数相互间的转移概率组成的矩阵,记为A={aij}N×M,其中aij=P[qt+1=Sj|qt=Si],1≤i,j≤N,是在时刻t处于状态si的条件下在t+1时刻转移到sj的概率;B是7个特征参数组成的观察值概率矩阵,记为B={bjk}N×M,其中bjk=P[Ot=vk|qt=Sj],1≤j≤N,1≤k≤M,是在时刻t处于状态si的条件下取得观测值vk的概率;π是初始某个路面状态的概率分布向量,记为π=(π1,...,π6),其中πi=P(q1=Si),是在初始时刻处于状态si的概率;
6)训练HMM模型得到安全距离的影响因数U;
7)计算实时路面的安全距离,所述安全距离包括碰撞警报距离DW和自制动距离Dbr;
所述碰撞警报距离DW的计算公式如下:
所述自制动距离Dbr的计算公式如下:
式中Vf、af、Vl、al分别为前车和后车的速度和减速度,TW为后车制动时间,包括驾驶员反应动作时间和制动协调时间,Tbr为自动制动时的制动时间,U为路面情况对安全距离的影响因数。
3.如权利要求1所述的基于前方路面峰值附着系数的安全距离估算方法,其特征在于所述步骤6)中,HMM模型训练方法包括如下步骤:
6.1)输入典型路面特征参数的样本数据O={E、H、J、L、T、S、B};
6.2)采用均值法给模型参数赋值,π=[1/6,1/6,1/6,1/6,1/6,1/6];
6.3)输入N、M、A矩阵、B矩阵以及附着系数μ-滑移率s曲线,运用Baum-Welch算法得到最佳的HMM模型参数;
6.4)利用前向-后向算法计算概率P(O|λ),概率最大值对应的模型输出即为前方路面的峰值附着系数,计算公式如下:
λn=argmaxP(O|λi),其中,πq1为初始时刻处于q1状态的概率,bqT(OT)为在状态qT下产生观察OT的概率,aqT-1qT为由状态qT-1转移到状态qT的概率,λ={λ1,λ2,…,λn}(n=1,2,3,4,5,6)为六种典型路面;
6.5)训练后的模型输出值为前方路面的实时峰值附着系数μimax,作为路面情况对安全距离的影响因子U。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910089996.0A CN109910897B (zh) | 2019-01-30 | 2019-01-30 | 一种基于前方路面峰值附着系数的安全距离估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910089996.0A CN109910897B (zh) | 2019-01-30 | 2019-01-30 | 一种基于前方路面峰值附着系数的安全距离估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109910897A CN109910897A (zh) | 2019-06-21 |
CN109910897B true CN109910897B (zh) | 2020-09-25 |
Family
ID=66961023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910089996.0A Active CN109910897B (zh) | 2019-01-30 | 2019-01-30 | 一种基于前方路面峰值附着系数的安全距离估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109910897B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765909B (zh) * | 2019-10-14 | 2023-06-02 | 同济大学 | 基于车载摄像头辅助分布式驱动电动汽车路面估计方法 |
CN110920626B (zh) * | 2019-12-10 | 2021-06-04 | 中国科学院深圳先进技术研究院 | 一种数据驱动的电驱动车辆附着稳定识别方法及装置 |
CN112172762A (zh) * | 2020-10-20 | 2021-01-05 | 吉林大学 | 一种自动紧急制动决策方法及系统 |
CN113093708B (zh) * | 2021-04-06 | 2023-03-21 | 哈尔滨理工大学 | 多信号融合的轮毂电机汽车转矩分配试验系统及前瞻控制方法 |
CN114368385B (zh) * | 2022-03-21 | 2022-07-15 | 北京宏景智驾科技有限公司 | 巡航控制方法和装置、电子设备和存储介质 |
CN115503712B (zh) * | 2022-09-22 | 2024-06-28 | 南京长江自动化研究院有限公司 | 考虑道路运行条件的智能网联汽车预测控制方法和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1926643A1 (de) * | 2005-09-14 | 2008-06-04 | Continental Teves AG & Co. oHG | Verfahren zum ermitteln einer inhomogenen fahrbahn |
FR2915802A1 (fr) * | 2007-05-04 | 2008-11-07 | Peugeot Citroen Automobiles Sa | Procede et systeme de determination d'adherence pour vehicule automobile |
CN103245610A (zh) * | 2013-05-17 | 2013-08-14 | 清华大学 | 一种分布式驱动电动汽车的路面峰值附着系数估算方法 |
CN103434511A (zh) * | 2013-09-17 | 2013-12-11 | 东南大学 | 一种车速与道路附着系数的联合估计方法 |
CN104021310A (zh) * | 2014-06-23 | 2014-09-03 | 清华大学 | 基于UKF与修正Dugoff轮胎模型路面峰值附着系数估算方法 |
CN104354697A (zh) * | 2014-10-08 | 2015-02-18 | 南京航空航天大学 | 一种利用在线修正的汽车状态参数估计路面附着系数的方法 |
CN107253482A (zh) * | 2017-05-22 | 2017-10-17 | 上海大学 | 一种基于路面图像分析的驾驶安全辅助系统 |
-
2019
- 2019-01-30 CN CN201910089996.0A patent/CN109910897B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1926643A1 (de) * | 2005-09-14 | 2008-06-04 | Continental Teves AG & Co. oHG | Verfahren zum ermitteln einer inhomogenen fahrbahn |
FR2915802A1 (fr) * | 2007-05-04 | 2008-11-07 | Peugeot Citroen Automobiles Sa | Procede et systeme de determination d'adherence pour vehicule automobile |
CN103245610A (zh) * | 2013-05-17 | 2013-08-14 | 清华大学 | 一种分布式驱动电动汽车的路面峰值附着系数估算方法 |
CN103434511A (zh) * | 2013-09-17 | 2013-12-11 | 东南大学 | 一种车速与道路附着系数的联合估计方法 |
CN104021310A (zh) * | 2014-06-23 | 2014-09-03 | 清华大学 | 基于UKF与修正Dugoff轮胎模型路面峰值附着系数估算方法 |
CN104354697A (zh) * | 2014-10-08 | 2015-02-18 | 南京航空航天大学 | 一种利用在线修正的汽车状态参数估计路面附着系数的方法 |
CN107253482A (zh) * | 2017-05-22 | 2017-10-17 | 上海大学 | 一种基于路面图像分析的驾驶安全辅助系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109910897A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109910897B (zh) | 一种基于前方路面峰值附着系数的安全距离估算方法 | |
CN107253482B (zh) | 一种基于路面图像分析的驾驶安全辅助系统 | |
CN111238825B (zh) | 面向组合试验路面的智能驾驶自动紧急制动性能测试方法 | |
WO2018072395A1 (zh) | 基于前向车辆驾驶行为的智能车辆安全环境包络重构方法 | |
CN113361121B (zh) | 一种基于时空同步与信息融合的路面附着系数估计方法 | |
CN110765909B (zh) | 基于车载摄像头辅助分布式驱动电动汽车路面估计方法 | |
CN108765942B (zh) | 一种智能网联汽车弯道危险预警系统及方法 | |
CN112884288B (zh) | 一种高速公路雨雾场景行车安全评估系统 | |
CN111688706A (zh) | 一种基于视觉与动力学的路面附着系数交互式估计方法 | |
CN111605559B (zh) | 一种整车质量估算方法、扭矩控制方法及装置 | |
CN112550272B (zh) | 基于视觉感知与深度强化学习的智能混合动力汽车分层控制方法 | |
CN111688707A (zh) | 一种视觉与动力学融合的路面附着系数估计方法 | |
CN112101709B (zh) | 用于商用车辆自动紧急制动系统的全面准确的测评方法 | |
CN109436085A (zh) | 一种基于驾驶风格的线控转向系统传动比控制方法 | |
CN114715158B (zh) | 一种基于路面纹理特征的路面附着系数的测定装置及方法 | |
Leng et al. | Tire-road peak adhesion coefficient estimation method based on fusion of vehicle dynamics and machine vision | |
CN117341681A (zh) | 一种基于多传感器路面附着系数融合的aeb控制方法 | |
CN116513198A (zh) | 图像识别与动力学融合的路面附着系数估计方法及系统 | |
Vosahlik et al. | Self-supervised learning of camera-based drivable surface friction | |
Jin et al. | Road friction estimation method based on fusion of machine vision and vehicle dynamics | |
CN112918448A (zh) | 一种基于神经网络算法实现的汽车防抱死制动控制方法、装置、车辆、存储介质 | |
Ziaukas et al. | Estimation of Vehicle Side-Slip Angle at Varying Road Friction Coefficients Using a Recurrent Artificial Neural Network | |
Lu et al. | Road adhesion coefficient identification method based on vehicle dynamics model and multi-algorithm fusion | |
CN114683871B (zh) | 滑动转向电驱动无人车驱动防滑控制方法 | |
CN114821193A (zh) | 一种基于相机和车速传感器的路面附着系数在线预测装置 |
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 |