CN110040134B - 考虑环境因素的车辆碰撞时间计算方法 - Google Patents
考虑环境因素的车辆碰撞时间计算方法 Download PDFInfo
- Publication number
- CN110040134B CN110040134B CN201910187945.1A CN201910187945A CN110040134B CN 110040134 B CN110040134 B CN 110040134B CN 201910187945 A CN201910187945 A CN 201910187945A CN 110040134 B CN110040134 B CN 110040134B
- Authority
- CN
- China
- Prior art keywords
- collision time
- collision
- target
- traffic environment
- vehicle
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明请求保护一种考虑环境因素的车辆碰撞时间计算方法。该方法包括两个阶段:1.建模阶段,包括碰撞时间概率模型构造和碰撞时间修正模型构造。首先通过将主车与目标相对距离、主车速度与目标速度视为随机过程来构造车辆碰撞时间概率模型;然后引入目标特征参数和交通环境参数,结合碰撞时间概率模型来建立碰撞时间修正模型。2.计算阶段,包括数据采集和碰撞时间计算。首先通过传感器检测目标运动参数、特征参数以及交通环境参数;再利用传感器检测的目标参数、交通环境参数及其统计特征,按照碰撞概率指标以及碰撞概率模型与修正模型,计算碰撞时间阈值。本发明能更准确地计算车辆碰撞时间阈值来评估车辆的碰撞风险,提高车辆碰撞预警性能。
Description
技术领域
本发明属于计算机和自动化技术,特别是智能车辆技术领域,具体涉及一种考虑环境因素的车辆碰撞时间计算方法。
背景技术
对于辅助驾驶和自动驾驶而言,安全性是至关重要的。碰撞预警能有效避免或减缓事故的发生,提高行车安全。碰撞时间作为碰撞预警决策中最重要的参数,其计算方法也就显得格外重要。
中国专利申请:基于变结构贝叶斯网络的智能车辆威胁估计系统及方法(申请号:201810113510)中利用变结构贝叶斯网络对智能车辆运行时受到的危险进行评估,得出目标的威胁指数,但威胁指数只能用于威胁评估,不能直接用于车辆碰撞时间计算,且未考虑到传感器误差所带来的影响。中国专利申请:一种防后车追尾预警方法及其预警系统(申请号:200910078631)中利用传感器检测后向来车,计算碰撞时间,并与碰撞时间阈值TTC_W比较,产生对应报警信号。但该方法未考虑传感器误差和环境因素对碰撞预警所带来的影响。中国专利申请:一种基于前向防碰撞系统的汽车防追尾装置(申请号:201310275495)中利用相对速度和相对距离计算碰撞时间,产生报警信号。但该方法也未考虑考虑传感器误差和环境因素对碰撞预警所带来的影响。中国专利申请:一种车辆碰撞的预判方法和系统(申请号:201610340747)中提出了一种车辆碰撞的预判方法,其能通过判断驾驶行为,改变碰撞时间阈值设定,但该方法也未考虑传感器误差和环境因素对阈值设定所带来的影响。
为解决上述技术问题,本发明针对当前碰撞时间计算方法考虑因素不充分的问题,提出了一种考虑环境因素的车辆碰撞时间计算方法。构造一种考虑了传感器误差的碰撞时间概率模型,并利用了目标特征参数和交通环境参数建立碰撞时间修正模型;最后通过传感器检测的目标特征参数和交通环境参数,结合碰撞概率指标以及碰撞时间概率模型与碰撞时间修正模型,计算碰撞时间阈值。该方法能更准确地计算车辆碰撞时间阈值,提高车辆碰撞预警性能。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种能更准确地计算车辆碰撞时间阈值,提高车辆碰撞预警性能的考虑环境因素的车辆碰撞时间计算方法。本发明的技术方案如下:
一种考虑环境因素的车辆碰撞时间计算方法,具体包括以下步骤:
建立碰撞时间概率模型的步骤:将主车与目标相对距离、主车速度与目标速度视为随机过程来构造车辆碰撞时间TTC概率模型f1(TTC),用以计算碰撞时间阈值;
建立碰撞时间修正模型的步骤:通过引入目标特征参数和交通环境参数,构造出碰撞时间修正模型,用以修正碰撞时间阈值;
数据采集步骤:通过车载传感器检测目标运动参数、特征参数以及交通环境参数;
碰撞时间的计算步骤:通过传感器检测的目标特征参数、交通环境参数及其统计特征,结合碰撞概率指标以及碰撞时间概率模型与碰撞时间修正模型,计算修正后的碰撞时间阈值。
进一步的,所述建立碰撞时间概率模型的步骤具体包括:
考虑传感器误差对碰撞时间阈值设定的影响,通过碰撞时间概率模型来计算碰撞时间阈值,包括以下步骤:
(1)碰撞时间定义:碰撞时间定义为当前状态下主车与目标发生碰撞所需要的时间:
式中,D为主车与目标相对距离,Vh为主车速度,Vt为目标速度;
(2)碰撞时间概率模型:将式(1)中D、Vh与Vt视为随机过程,分别建立分布函数,其中,相对距离D的分布函数为:D~N(μD,σD 2),μD、σD分别表示相对距离D的均值与均方差;主车速度Vh的分布函数为:Vh~N(μVh,σVh 2),μVh,、σVh分别表示主车速度Vh的均值与均方差;目标速度Vt的分布函数为:Vt~N(μVt,σVt 2),μVt,、σVt分别表示目标速度Vt的均值与均方差。利用D、Vh与Vt的分布函数,计算得到碰撞时间概率模型如下所示:
式中,f1(TTC)为碰撞时间的概率密度函数,μTTC为碰撞时间均值,σTTC为均方差,计算方法为:
(3)碰撞时间阈值计算:根据碰撞时间概率模型f1(TTC)及给定的碰撞概率指标P,计算碰撞时间阈值Tt,计算公式为:
其中,F1为碰撞时间的概率分布函数。
进一步的,所述建立碰撞时间修正模型的步骤,包括以下步骤:
(1)危险系数计算:根据目标特征参数和交通环境参数,采用模糊推理方法计算危险系数k,以表征目标特征参数和交通环境参数对碰撞时间阈值的影响;
(2)碰撞时间修正方法定义:利用危险系数k,对碰撞时间阈值Tt进行修正,得到碰撞时间阈值Tl,计算公式如下:
Tl=k*Tt (6)。
进一步的,所述步骤(1)通过模糊推理来计算危险系数k,包括以下步骤:
(1)建立模糊集与隶属度函数:定义环境因素参数以及危险系数k的模糊集,交通环境参数(TE)包括天气能见度(VA)和道路干燥度(DR),目标特征参数(TC)只包括目标类型(VT),对天气能见度(VA)、道路干燥度(DR)及目标类型(VT)均定义3个模糊子集:{Li/正常,Mi/中等危险,Hi/非常危险},并建立3个模糊子集的隶属度函数,将传感器采集到的环境因素参数模糊化;
(2)构造交通环境参数的模糊推理规则:根据天气能见度(VA)和道路干燥度(DR),制定交通环境因素KTE的模糊推理规则表:
(3)构造环境因素的模糊推理规则:根据交通环境参数KTE和目标类型(VT)的模糊子集,制定危险系数k的模糊推理规则表:
(4)模糊推理与反模糊化:根据模糊规则表进行推理得到危险系数k的模糊变量表示,再通过反模糊化,得到危险系数k的精确量。
进一步的,所述步骤(2)构造交通环境参数的模糊推理规则:根据天气能见度(VA)和道路干燥度(DR),制定交通环境因素KTE的模糊推理规则表,具体包括:
1)DR为Li且VA为Li,则KTE为Li:道路干燥度为干燥,空气能见度条件较好,则此时交通环境参数的危险系数为较低;
2)DR为Li且VA为Mi,则KTE为Mi:道路干燥度为干燥,空气能见度条件一般,则此时交通环境参数的危险系数为中等;
3)DR为Li且VA为Hi,则KTE为Hi:道路干燥度为干燥,空气能见度条件较差,则此时交通环境参数的危险系数为较高。
本发明的优点及有益效果如下:
本发明针对智能车辆碰撞预警时需要准确估计碰撞时间的需求,提出了一种考虑环境因素的车辆碰撞时间计算方法。首先考虑传感器误差对碰撞时间的影响,根据目标运动参数构造出碰撞时间概率模型,使得能根据不同精度的传感器设置不同的碰撞时间阈值;其次考虑目标特征参数和交通环境参数及其统计特征对碰撞时间的影响,对碰撞时间阈值进行修正,以便能根据不同类型的目标及不同类型交通环境,准确计算碰撞时间阈值。通过以上两方面,本发明能更准确地计算车辆碰撞时间阈值,提高车辆碰撞预警系统准确性,减少事故发生,提高车辆的安全性。
附图说明
图1是本发明提供优选实施例考虑环境因素的车辆碰撞时间计算方法的总体架构;
图2是本发明的根据碰撞时间概率模型计算碰撞时间阈值Tt的流程图;
图3是本发明的根据碰撞时间概率模型计算碰撞时间阈值Tt的示意图;
图4是本发明的根据碰撞时间修正模型计算碰撞时间阈值Tl的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
一种考虑环境因素的车辆碰撞时间计算方法,首先将车辆与目标相对距离、主车速度与目标速度视为随机过程来计算碰撞时间阈值,再根据目标特征参数和交通环境参数进行修正,得到更准确的碰撞时间阈值。
以下结合附图和具体实例对本发明的具体实施方式进行描述。
如图1所示为本发明提出的一种考虑环境因素的车辆碰撞时间计算方法,包括以下两个阶段:
(1)建模阶段:通过将车辆与目标相对距离、主车速度与目标速度视为随机过程来构造车辆碰撞时间概率模型f1(TTC),通过与碰撞概率指标计算得到碰撞时间阈值Tt,然后引入目标特征参数和交通环境参数,结合碰撞时间概率模型来建立碰撞时间修正模型。
(1.1)碰撞时间概率模型构造:碰撞时间概率模型构造是将车辆与目标相对距离、主车速度与目标速度视为随机过程来构造车辆碰撞时间(Time-to-Collision,TTC)概率模型,用以计算碰撞时间阈值。
(1.2)碰撞时间修正模型构造:通过引入目标特征参数和交通环境参数,构造出碰撞时间修正模型,用以修正碰撞时间阈值。
(2)计算阶段:通过传感器检测目标运动参数、特征参数以及交通环境参数,再利用传感器检测的目标参数、交通环境参数及其统计特征,按照碰撞概率指标以及碰撞概率模型与修正模型,计算碰撞时间阈值Tl。
(2.1)数据采集:通过车载传感器检测目标运动参数、特征参数以及交通环境参数;
(2.2)碰撞时间计算:通过传感器检测的目标特征参数、交通环境参数及其统计特征,结合碰撞概率指标以及碰撞时间概率模型与碰撞时间修正模型,计算修正后的碰撞时间阈值。
如图2是本发明的根据碰撞时间概率模型计算碰撞时间阈值Tt的流程图。
首先建立D、Vh与Vt的分布函数;随后通过相关公式进一步求得碰撞时间概率模型的期望μTTC和标准差σTTC,建立碰撞时间概率模型;最后结合碰撞概率指标,求出碰撞时间阈值Tt。
碰撞时间定义为当前状态下主车与目标发生碰撞所需要的时间:
式中,D为主车与目标相对距离,Vh为主车速度,Vt为目标速度,ΔV为主车与目标速度差。
(1)建立D、Vh与Vt的分布函数:将式(1)中D、Vh与Vt视为随机过程,分别建立各参数的分布函数。相对距离D概率密度函数为:
D~N(μD,σD 2) (2)
式中,μD为相对距离均值,σD为相对距离均方差。
Vh的概率密度函数为:
Vh~N(μVh,σVh 2) (3)
式中,μVh为主车速度均值,σVh为主车速度均方差。
Vt的概率密度函数为:
Vt~N(μVt,σVt 2) (4)
式中,μVt为目标速度均值,σVt为目标速度均方差。
(2)建立碰撞时间概率模型:利用D、Vh与Vt的分布函数,计算得到碰撞时间概率模型。根据两个随机变量之差的公式,求得速度差ΔV的分布函数。表示为:
根据两个随机变量之比的公式,推出碰撞时间的概率密度函数,表示为:
其中:
其中φ是正态分布的累积分布函数。
由于所求出的碰撞时间的概率密度函数复杂,且难以应用。因此利用Geary-Hinkley转换公式,建立一个近似于正态分布的概率密度函数f1(TTC)。
首先,判断速度差的变异系数C.V.(ΔV)大小。当C.V.(ΔV)<0.39,则两个随机变量之比,可以利用Geary-Hinkley转换公式。Geary-Hinkley转换公式可简化为如下所示:
其中,Z为近似于一个标准正态分布。
随后,根据D、Vh与Vt的分布函数根据结合Geary-Hinkley转换公式,可求出所求碰撞时间的置信区间。本专利计算中所用到的置信度均按95%计算,但不仅限于该值。置信区间的上下边界如下所示:
下界:
上界:
置信区间通过期望、标准差表示,置信区间为:
[μTTC-1.96σTTC,μTTC+1.96σTTC] (10)
式中,μTTC为碰撞时间概率模型的期望,σTTC为碰撞时间概率模型的标准差,1.96为置信度取95%时的标准分数。
最后,根据公式(8)、(9)、(10),求出碰撞时间概率模型的期望和标准差:
则当速度差的变异系数C.V.(ΔV)<0.39时,最后的碰撞时间概率模型f1(TTC)表示为:
其中:
(3)碰撞时间阈值计算:根据碰撞时间概率模型f1(TTC)及给定的碰撞概率指标P,可计算碰撞时间阈值Tt,计算公式为:
式中,P为碰撞概率指标。
如图3为本发明根据碰撞时间概率模型计算碰撞时间阈值Tt的示意图。
碰撞时间概率模型f1(TTC)的形状由参数σ决定,而σ表征传感器的测量误差,传感器测量误差不同,所建立的碰撞时间概率模型f1(TTC)也不相同。碰撞概率指标P等于图中的阴影部分面积,根据f1(TTC)与P计算得到满足碰撞概率指标P的碰撞时间阈值Tt。
图a所示碰撞时间概率模型f’1(TTC)为传感器误差方差较小的情况,而图b所示碰撞时间概率模型f"1(TTC)为传感器误差方差较大的情况。显然在碰撞概率指标P相同时,f’1(TTC)对应的碰撞时间阈值T’t小于f’1(TTC)对应的碰撞时间阈值T”t。这说明,为了达到相同的安全性,在传感器误差较大的情况下,必须留出更多的预警时间。
图4是本发明的根据碰撞时间修正模型计算碰撞时间阈值Tl的流程图。
通过引入目标特征参数和交通环境参数,确定危险系数k,结合时间阈值Tt,建立碰撞时间修正模型,求得修正后的碰撞时间阈值Tl,过程如下:
(1)确定影响因素:影响因素包括交通环境参数和目标特征参数。交通环境参数包括空气能见度、道路干燥程度;目标特征数据为目标类型。其中交通环境参数(TE)的子因素包括天气能见度(VA)和道路干燥度(DR)两个子因素,而目标特征参数(TC)包括目标类型(VT)。
(2)建立模糊集与隶属度函数:定义环境因素参数以及目标特征参数的模糊集。对天气能见度(VA)、道路干燥度(DR)、目标类型(VT)均定义3个模糊子集:{Li/正常,Mi/中等危险,Hi/非常危险},并建立3个模糊子集的隶属度函数。
以能见度距离作为VA的连续变量,L、M、H为划分连续变量三个等级的对应值。以三角形隶属度函数为例,建立VA的隶属度函数如下所示:
DR以道路摩擦系数作为连续变量,同理可建立DR的隶属度函数。
由于VT的变量为离散变量,采用矩形分布,则目标类型的隶属度函数为:
设立的三个危险等级:{Li/正常,Mi/中等危险,Hi/非常危险},正常表明在当前交通环境因素和目标特征因素情况下,危险系数较低;中等危险表明在现在的交通环境因素和目标特征因素下,危险系数为中等;非常危险表明在现在的交通环境因素和目标特征因素下,危险系数较高。要得到总的危险系数k,还需进一步建立模糊推理规则表。
(3)构造交通环境参数的模糊推理规则:根据天气能见度(VA)和道路干燥度(DR),制定交通环境因素KTE的模糊推理规则表:
下面解释几条规则,其他规则可同理推知。
1)DR为Li且VA为Li,则KTE为Li:道路干燥度为干燥,空气能见度条件较好,则此时交通环境参数的危险系数为较低;
2)DR为Li且VA为Mi,则KTE为Mi:道路干燥度为干燥,空气能见度条件一般,则此时交通环境参数的危险系数为中等;
3)DR为Li且VA为Hi,则KTE为Hi:道路干燥度为干燥,空气能见度条件较差,则此时交通环境参数的危险系数为较高;
随后根据交通环境参数素参数KTE和目标类型(VT)的模糊子集特征参数,制定总的危险系数k的模糊推理规则表:
模糊推理过程与交通环境参数的模糊推理相同。
(4)模糊推理与反模糊化:根据模糊规则表进行推理得到危险系数k的模糊变量表示,再通过反模糊化,得到危险系数k的精确量。
(5)碰撞时间阈值修正:利用危险系数k,对碰撞时间阈值Tt进行修正,得到碰撞时间阈值Tl,计算公式如下:
Tl=k*Tt (21)
式中,k为总的危险系数。
计算举例说明:
碰撞时间阈值设置为4s,假设当传感器1检测出的相对距离D为20m;传感器2检测出的主车速度Vh为10m/s;传感器3检测出的目标速度Vt为5m/s。根据公式1,碰撞时间计算为:
但是,由于传感器存在误差和环境因素等多方面的影响,阈值4s的设定是不够准确的。
因此,传感器1同样检测出的相对距离D为20m,传感器1的误差为±10%;置信度取95%,以下相同。根据式(2)和式(10),则相对距离的分布函数为:
传感器2检测出的主车速度Vh为10m/s,传感器2的误差为±5%;根据式(3)和式(10),则主车速度的分布函数为:
传感器3检测出的目标速度Vt为5m/s,传感器3的误差为±10%;根据式(4)和式(10),目标速度的分布函数为:。
则根据式(5)可求速度之差的分布函数,如下所示:
ΔV~N(5,0.13)
速度差的变异系数C.V.(ΔV)=0.026<0.39,因此可以使用Geary-Hinkley转换公式。
根据式(11)和式(12),可求出期望μ和标准差σ:
μ≈4.08
σTTC≈0.153
构造出的碰撞时间概率模型f1(TTC)为:
假设碰撞概率指标P为0.16,则通过式(14)计算出的时间阈值Tt约为4.233s。
假设根据各因素的隶属度函数判断,能见度、干燥度、车型的影响系数分别为(Li、Li、Mi);随后根据交通环境因素的模糊推理规则表得出交通关键因素的危险系数为KTE为Li;然后根据总危险系数的模糊推理规则表得出总的危险系数k的等级为Mi;最后通过反模糊化,得到危险系数k的精确值。假设Mi表示的危险系数为1.05。
则根据式(21)计算修正后的碰撞时间阈值Tl:
Tl=k*Tt=1.05*4.233≈4.445
则最后修正后的碰撞时间阈值应设置为4.445s。在碰撞时间等于4.445s时,就该发出预警。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (4)
1.一种考虑环境因素的车辆碰撞时间计算方法,其特征在于,具体包括以下步骤:
建立碰撞时间概率模型的步骤:将主车与目标相对距离、主车速度与目标速度视为随机过程来构造车辆碰撞时间TTC概率模型f1(TTC),用以计算碰撞时间阈值;
建立碰撞时间修正模型的步骤:通过引入目标特征参数和交通环境参数,构造出碰撞时间修正模型,用以修正碰撞时间阈值;
数据采集步骤:通过车载传感器检测目标运动参数、特征参数以及交通环境参数;
碰撞时间的计算步骤:通过传感器检测的目标特征参数、交通环境参数及其统计特征,结合碰撞概率指标以及碰撞时间概率模型与碰撞时间修正模型,计算修正后的碰撞时间阈值;
所述建立碰撞时间概率模型的步骤具体包括:
考虑传感器误差对碰撞时间阈值设定的影响,通过碰撞时间概率模型来计算碰撞时间阈值,包括以下步骤:
(1)碰撞时间定义:碰撞时间定义为当前状态下主车与目标发生碰撞所需要的时间:
式中,D为主车与目标相对距离,Vh为主车速度,Vt为目标速度;
(2)碰撞时间概率模型:将式(1)中D、Vh与Vt视为随机过程,分别建立分布函数,其中,相对距离D的分布函数为:D~N(μD,σD 2),μD、σD分别表示相对距离D的均值与均方差;主车速度Vh的分布函数为:Vh~N(μVh,σVh 2),μVh,、σVh分别表示主车速度Vh的均值与均方差;目标速度Vt的分布函数为:Vt~N(μVt,σVt 2),μVt,、σVt分别表示目标速度Vt的均值与均方差,利用D、Vh与Vt的分布函数,计算得到碰撞时间概率模型如下所示:
式中,f1(TTC)为碰撞时间的概率密度函数,μTTC为碰撞时间均值,σTTC为均方差,计算方法为:
(3)碰撞时间阈值计算:根据碰撞时间概率模型f1(TTC)及给定的碰撞概率指标P,计算碰撞时间阈值Tt,计算公式为:
其中,F1为碰撞时间的概率分布函数。
2.根据权利要求1所述的考虑环境因素的车辆碰撞时间计算方法,其特征在于,所述建立碰撞时间修正模型的步骤,包括以下步骤:
(1)危险系数计算:根据目标特征参数和交通环境参数,采用模糊推理方法计算危险系数k,以表征目标特征参数和交通环境参数对碰撞时间阈值的影响;
(2)碰撞时间修正方法定义:利用危险系数k,对碰撞时间阈值Tt进行修正,得到碰撞时间阈值Tl,计算公式如下:
Tl=k*Tt (6)。
3.根据权利要求2所述的考虑环境因素的车辆碰撞时间计算方法,其特征在于,步骤(1)通过模糊推理来计算危险系数k,包括以下步骤:
(1)建立模糊集与隶属度函数:定义环境因素参数以及危险系数k的模糊集,交通环境参数(TE)包括天气能见度(VA)和道路干燥度(DR),目标特征参数(TC)只包括目标类型(VT),对天气能见度(VA)、道路干燥度(DR)及目标类型(VT)均定义3个模糊子集:{Li/正常,Mi/中等危险,Hi/非常危险},并建立3个模糊子集的隶属度函数,将传感器采集到的环境因素参数模糊化;
(2)构造交通环境参数的模糊推理规则:根据天气能见度(VA)和道路干燥度(DR),制定交通环境因素KTE的模糊推理规则表:
(3)构造环境因素的模糊推理规则:根据交通环境参数KTE和目标类型(VT)的模糊子集,制定危险系数k的模糊推理规则表:
(4)模糊推理与反模糊化:根据模糊规则表进行推理得到危险系数k的模糊变量表示,再通过反模糊化,得到危险系数k的精确量。
4.根据权利要求3所述的考虑环境因素的车辆碰撞时间计算方法,其特征在于,步骤(2)构造交通环境参数的模糊推理规则:根据天气能见度(VA)和道路干燥度(DR),制定交通环境因素KTE的模糊推理规则表,具体包括:
1)DR为Li且VA为Li,则KTE为Li:道路干燥度为干燥,空气能见度条件较好,则此时交通环境参数的危险系数为较低;
2)DR为Li且VA为Mi,则KTE为Mi:道路干燥度为干燥,空气能见度条件一般,则此时交通环境参数的危险系数为中等;
3)DR为Li且VA为Hi,则KTE为Hi:道路干燥度为干燥,空气能见度条件较差,则此时交通环境参数的危险系数为较高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910187945.1A CN110040134B (zh) | 2019-03-13 | 2019-03-13 | 考虑环境因素的车辆碰撞时间计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910187945.1A CN110040134B (zh) | 2019-03-13 | 2019-03-13 | 考虑环境因素的车辆碰撞时间计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110040134A CN110040134A (zh) | 2019-07-23 |
CN110040134B true CN110040134B (zh) | 2020-06-16 |
Family
ID=67274890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910187945.1A Active CN110040134B (zh) | 2019-03-13 | 2019-03-13 | 考虑环境因素的车辆碰撞时间计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110040134B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111121804B (zh) * | 2019-12-03 | 2023-09-26 | 重庆邮电大学 | 一种具有安全性约束的智能车辆路径规划方法及系统 |
CN111186436B (zh) * | 2020-01-20 | 2021-11-30 | 奇瑞汽车股份有限公司 | 车辆部件的控制方法及装置、车辆 |
CN112026757B (zh) * | 2020-06-09 | 2021-06-25 | 理工雷科智途(北京)科技有限公司 | 一种具备自主训练学习的自适应主动防撞刹车系统 |
CN112116809A (zh) * | 2020-09-07 | 2020-12-22 | 杭州鸿泉物联网技术股份有限公司 | 基于v2x技术的非视距车辆防碰撞方法及装置 |
CN112660054A (zh) * | 2021-01-05 | 2021-04-16 | 北京家人智能科技有限公司 | 一种分级触发外置气囊的方法、装置及电子设备 |
CN114464012B (zh) * | 2022-03-15 | 2023-03-14 | 徐州百事利电动车业有限公司 | 一种基于车联网的车辆行人碰撞预警方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013098996A1 (ja) * | 2011-12-28 | 2013-07-04 | トヨタ自動車株式会社 | 車両の運転支援装置 |
CN104635494B (zh) * | 2015-02-06 | 2018-01-30 | 西安电子科技大学 | 一种基于遗传算法优化的车辆追尾碰撞模糊控制方法 |
JP6481520B2 (ja) * | 2015-06-05 | 2019-03-13 | トヨタ自動車株式会社 | 車両の衝突回避支援装置 |
US9937922B2 (en) * | 2015-10-06 | 2018-04-10 | Ford Global Technologies, Llc | Collision avoidance using auditory data augmented with map data |
JP6460033B2 (ja) * | 2016-04-11 | 2019-01-30 | 株式会社デンソー | 車両制御装置 |
-
2019
- 2019-03-13 CN CN201910187945.1A patent/CN110040134B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110040134A (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110040134B (zh) | 考虑环境因素的车辆碰撞时间计算方法 | |
CN110596694B (zh) | 一种复杂环境雷达多目标跟踪和道路行驶环境预测方法 | |
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 | |
CN108801387B (zh) | 一种基于学习模型的飞机油箱剩余油量测量系统和方法 | |
US20140012791A1 (en) | Systems and methods for sensor error detection and compensation | |
JP6950481B2 (ja) | 診断システム | |
CN113158560A (zh) | 一种基于场景对抗的智能驾驶车辆自主能力测试方法 | |
JP2009175929A (ja) | ドライバ状態推定装置及びプログラム | |
CN112180361A (zh) | 一种基于动态联邦滤波的车载雷达目标跟踪方法 | |
JP2012059058A (ja) | 危険推定装置及びプログラム | |
JP2009145951A (ja) | ドライバ状態推定装置及びプログラム | |
CN113460066B (zh) | 一种检测自动驾驶车辆队列中车辆数据传输准确性的方法 | |
CN111190172A (zh) | 利用目标运动状态模型的同平台多雷达航迹关联判决方法 | |
CN113592221B (zh) | 基于安全替代评价指标的道路路段风险动态评估方法 | |
CN113176562A (zh) | 多目标跟踪方法、装置、电子设备及可读存储介质 | |
CN112596388B (zh) | 一种基于驾驶员数据的lstm神经网络aeb系统控制方法 | |
CN112150816B (zh) | 一种多车交互风险评估系统 | |
KR102228559B1 (ko) | 운전자 피로 감지 방법 및 시스템 | |
CN115472040B (zh) | 基于碰撞概率场的网联车辆个性化防碰撞预警方法 | |
CN113255820A (zh) | 落石检测模型训练方法、落石检测方法及相关装置 | |
CN113705013B (zh) | 一种基于跟驰场景驾驶行为的交通信息可信辨识方法 | |
Zhong et al. | Evaluating the Efficacy of Real-Time Connected Vehicle Basic Safety Messages in Mitigating Aberrant Driving Behaviour and Risk of Vehicle Crashes: Preliminary Insights from Highway Scenarios | |
CN113723529B (zh) | 一种基于速度预测算法的交通信息可信辨识方法 | |
CN115440031B (zh) | 一种考虑路侧感知性能的车路协同混合车辆队列控制方法 | |
CN113077619B (zh) | 车辆运动预测的方法、装置、设备及存储介质 |
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 |