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

Abstract

本发明公开了一种基于前方路面峰值附着系数的安全距离估算方法，属于行驶安全技术领域；通过采集典型道路图像来提取图像特征，根据采集到的当前车辆行驶状态参数来计算路面利用附着系数

和实时滑移率s，从而计算出当前路面的实际峰值附着系数μ_max，再通过设计和训练HMM模型得到前方路面的峰值附着系数μ_imax并将其作为安全距离模型的影响因子估算出符合实际路面状况的安全距离。本发明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。

Description

一种基于前方路面峰值附着系数的安全距离估算方法

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F_X、法向力F_Z、车轮中心速度v、车轮角速度w以及车轮滚动半径r；

3)计算路面利用附着系数

和实时滑移率s；其中所述路面利用附着系数计算公式为

滑移率的计算式为

4)计算当前路面实际峰值附着系数μ_max；

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D_W和自制动距离D_br。

进一步的，上述步骤4)中，当前路面实际峰值附着系数μ_max计算方法包括如下步骤：

4.1)根据

和s定位到点

找到该点

被曲线S1、S2所包围的区域W，其中曲线S1、S2与附着系数μ-滑移率s曲线图中任意两条相邻曲线一致；

4.2)根据计算得到的s，在曲线S1、S2上定位到两点

4.3)计算当前路面实际峰值附着系数μ_max，计算公式如下：

为当前路面利用附着系数，

是曲线S1、S2的利用附着系数，μ_1max、μ_2max是曲线S1、S2的峰值附着系数。

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μ_max；

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μ_imax；

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＝{a_ij}_N×M,其中a_ij＝P[q_t+1＝S_j|q_t＝S_i],1≤i,j≤N,是在时刻t处于状态s_i的条件下在t+1时刻转移到s_j的概率；B是7个特征参数组成的观察值概率矩阵，记为B＝{b_jk}_N×M,其中b_jk＝P[O_t＝v_k|q_t＝S_j],1≤j≤N,1≤k≤M，是在时刻t处于状态s_i的条件下取得观测值v_k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π_i＝P(q₁＝S_i)，是在初始时刻处于状态s_i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：

λ_n＝argmaxP(O|λ_i)，其中，π_q1为初始时刻处于q₁状态的概率，b_qT(O_T)为在状态q_T下产生观察O_T的概率，a_qT-1qT为由状态q_T-1转移到状态q_T的概率，λ＝{λ1,λ2,…,λ_n}(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D_W的计算公式如下：

所述自制动距离D_br的计算公式如下：

式中V_f、a_f、V_l、a_l分别为前车和后车的速度和减速度，T_W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，T_br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。

图3是利用附着系数

的选取原则。

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F_X、法向力F_Z、车轮中心速度v、车轮角速度w以及车轮滚动半径r；

3)计算路面利用附着系数

和实时滑移率s；其中路面利用附着系数和滑移率的计算式为

和

4)计算当前路面实际峰值附着系数μ_max；

4.1)根据

和s定位到点

找到该点

被曲线S1、S2所包围的区域W。如图三所示，其中曲线S1、S2与附着系数μ-滑移率s曲线图中任意两条相邻曲线一致；

4.2)获取区域W的两条边界曲线S1、S2(与μ-s图中任意两条相邻曲线一致)上的两点

4.3)计算当前路面实际峰值附着系数μ_max，其中计算公式如下

为当前路面利用附着系数，

是曲线S1、S2的利用附着系数，μ_1max、μ_2max是曲线S1、S2的峰值附着系数。

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μ_max；

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μ_imax；

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＝{a_ij}_N×M,a_ij＝P[q_t+1＝S_j|q_t＝S_i],1≤i,j≤N,是在时刻t处于状态s_i的条件下在t+1时刻转移到s_j的概率；B是7个特征参数组成的观察值概率矩阵：B＝{b_jk}_N×M,其中，b_jk＝P[O_t＝v_k|q_t＝S_j],1≤j≤N,1≤k≤M，是在时刻t处于状态s_i的条件下取得观测值v_k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π_i＝P(q₁＝S_i)，是在初始时刻处于状态s_i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：

λ_n＝argmaxP(O|λ_i)。其中，π_q1为初始时刻处于q₁状态的概率，b_qT(O_T)为在状态q_T下产生观察O_T的概率，a_qT-1qT为由状态q_T-1转移到状态q_T的概率，λ＝{λ1,λ2,…,λ_n}(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μ_imax，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D_W和自制动距离D_br，其中碰撞警报距离D_W的计算公式为

自制动距离D_br的计算公式为

算式中的V_f、a_f、V_l、a_l分别为前车和后(己)车的速度和减速度，T_W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，T_br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F_X、法向力F_Z、车轮中心速度v、车轮角速度w以及车轮滚动半径r；

3)计算路面利用附着系数

和实时滑移率s；其中所述路面利用附着系数计算公式为

滑移率的计算式为

4)计算当前路面实际峰值附着系数μ_max；

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μ_max；

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μ_imax；

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＝{a_ij}_N×M,其中a_ij＝P[q_t+1＝S_j|q_t＝S_i],1≤i,j≤N,是在时刻t处于状态s_i的条件下在t+1时刻转移到s_j的概率；B是7个特征参数组成的观察值概率矩阵，记为B＝{b_jk}_N×M,其中b_jk＝P[O_t＝v_k|q_t＝S_j],1≤j≤N,1≤k≤M，是在时刻t处于状态s_i的条件下取得观测值v_k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π_i＝P(q₁＝S_i)，是在初始时刻处于状态s_i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D_W和自制动距离D_br；

所述碰撞警报距离D_W的计算公式如下：

所述自制动距离D_br的计算公式如下：

式中V_f、a_f、V_l、a_l分别为前车和后车的速度和减速度，T_W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，T_br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。

2.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4)中，当前路面实际峰值附着系数μ_max计算方法包括如下步骤：

4.1)根据

和s定位到点

找到该点

被曲线S1、S2所包围的区域W，其中曲线S1、S2与附着系数μ-滑移率s曲线图中任意两条相邻曲线一致；

4.2)根据计算得到的s，在曲线S1、S2上定位到两点

4.3)计算当前路面实际峰值附着系数μ_max，计算公式如下：

为当前路面利用附着系数，

是曲线S1、S2的利用附着系数，μ_1max、μ_2max是曲线S1、S2的峰值附着系数。

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：

λ_n＝argmaxP(O|λ_i)，其中，π_q1为初始时刻处于q₁状态的概率，b_qT(O_T)为在状态q_T下产生观察O_T的概率，a_qT-1qT为由状态q_T-1转移到状态q_T的概率，λ＝{λ1,λ2,…,λ_n}(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μ_imax，作为路面情况对安全距离的影响因子U。

Images