CN110091868A - 一种人机协同控制的纵向避撞方法及其系统、智能汽车 - Google Patents

Abstract

本发明公开了一种人机协同控制的纵向避撞方法及其系统、智能汽车。纵向避撞方法采集自车的速度、采集前车的速度、采集路面附着系数、自车和前车之间的实际距离，通过设计一个纵向避撞模型给出前向预警距离和临界制动距离，再通过与实际距离的比较，在自车的自由驾驶模式、协调制动模式、主动制动模式之间选择与自车的路况相匹配的模式，以避免自车相对于前车纵向避撞，有效解决车辆纵向避撞问题，减少驾驶员与主动制动系统的相互干扰，避免人机冲突，达到平稳制动的目的。同时，通过人机驾驶权的平滑分配，在保证行车安全性的同时，相应地提高了制动舒适性。

Description

一种人机协同控制的纵向避撞方法及其系统、智能汽车

技术领域

本发明涉及智能汽车的辅助驾驶技术领域，尤其涉及一种人机协同控制的纵向避撞方法、人机协同控制的纵向避撞系统、采用所述纵向避撞方法或所述纵向避撞系统的汽车。

背景技术

近年来，智能驾驶逐步成为汽车研究的一个热点方向，主动制动系统作为智能驾驶的核心技术之一，被赋予了更多的使命和要求。主动制动系统通过调节制动压力来帮助驾驶员控制车辆，减少驾驶员因注意力不集中、疲劳驾驶或操作失误等原因引起的纵向碰撞。受现有技术、法规等因素制约，在无人驾驶车辆事故频发的今天，独立的主动制动系统并不是解决汽车安全的最好方案。如何通过人机交互友好的先进辅助系统，解决对纵向跟驰过程的避撞问题，已经成为了主动避撞的研究热点。

发明内容

本发明针对纵向跟驰过程的避撞问题，本发明提出了一种人机协同控制的纵向避撞方法、人机协同控制的纵向避撞系统、采用所述纵向避撞方法或所述纵向避撞系统的智能汽车。

本发明的解决方案是：一种人机协同控制的纵向避撞方法，其应用于自车中，所述自车存在自由驾驶模式、协调制动模式、主动制动模式；所述自由驾驶模式采用驾驶员驾驶的人为驾驶方式，对自车的制动主缸输入的总制动压力P_总为驾驶员制动压力P_d，所述主动制动模式采用非驾驶员驾驶的主动制动驾驶方式，对自车的制动主缸输入的总制动压力P_总为主动制动压力P_m，所述协调制动模式采用驾驶员驾驶和主动制动驾驶组合的组合驾驶方式，对自车的制动主缸输入的总制动压力P_总为驾驶员制动压力P_d和主动制动压力P_m之和；

对于考虑制动舒适性的纵向避撞模型，车间距离的保持是一个动态过程，本发明充分考虑两个要素：1、自车速度的变化。2、两车的相对速度差。特别强调地，自车速度越高，理应保持的车间距离越大；两车的相对速度差越大，理应保持的车间距离越大。

所述纵向避撞方法用于在自车的自由驾驶模式、协调制动模式、主动制动模式之间选择与自车的路况相匹配的模式，以避免自车相对于前车纵向避撞；所述纵向避撞方法包括以下步骤：

步骤一、采集自车的自车速度v₁、采集前车的前车速度v₂、采集路面附着系数μ、自车和前车之间的实际距离D；

步骤二、建立纵向避撞模型，所述纵向避撞模型的建立方法包括以下步骤：

(1)定义前车以最大制动减速度进行刹车，后车经过一个预设反应时间反应后以最大制动减速度刹车，使自车避免碰撞于前车时，为极限工况，计算在极限工况下，自车以速度v₁行驶且以最大减速度a_1max进行制动到停止时，所经过的距离L₁，

(2)计算在极限工况下，前车以速度v₂行驶时且以最大减速度a_2max进行制动到停止时，所经过的距离L₂，

(3)计算在极限工况下，自车和前车制动结束后，两车的极限位移差L₃，

(4)补偿极限位移差L₃得到前向预警距离D₁和临界制动距离D₂，D₁＞D₂，其补偿方法包括以下步骤：

(4.1)补偿自车和前车之间应预留的安全距离d_o，其中，c为无量纲模型参数；

(4.2)补偿自车在制动时的制动反应距离d₁，d₁＝v₁τ，其中τ为制动器起作用的延迟时间；

(4.3)补偿由于两车的相对速度差变化引起的差值距离d₂，d₂＝v_relτ_v，其中，v_rel＝v₁-v₂表示两车相对速度差，τ_v定义为变化因子；

(4.4)补偿自车和前车因受制动器和路面附着系数的约束而引起差值距离d₃，d₃＝v_relτ_变，其中，τ_变＝τ_v+0.5(v₁-v₂)；

(4.5)计算前向预警距离D₁和临界制动距离D₂分别为：

所述纵向避撞模型包括前向预警距离D₁和临界制动距离D₂；

步骤三、将实际距离D与前向预警距离D₁、临界制动距离D₂分别做出实际比较：

如果D＞D₁，则输出处理信号一；

如果D₁＞D＞D₂，则输出处理信号二；

如果D＜D₂，则输出处理信号三；

步骤四、数据执行：

根据所述处理信号一，选择自由驾驶模式；

根据所述处理信号二，采用协调制动模式，且矫正自车的制动主缸输入的总制动压力P_总：P_总＝γ_dP_d+γ_mP_m，其中，γ_d为驾驶员输入权重系数，采用预设的关联函数，γ_m为主动制动输入权重系数，γ_m＝1-γ_d；

根据所述处理信号三，采用主动制动模式。

作为上述方案的进一步改进，所述关联函数的设计方法包括以下步骤：

以参数Si作为横坐标，参数TTCi作为纵坐标，建立二维坐标系，其中，

在横坐标上选取两个坐标点S_i1和S_i2，S_i1＝1/D₁，S_i2＝1/D₂；在纵坐标上取两个坐标点TTCi_A和TTCi_B，TTCi_A取值范围为0.2-0.3，TTCi_B取值范围为0.35-0.45；定义区域x∈[0,S_i1],y∈[0,TTCi_A]为自由驾驶模式下的经典域；定义区域x∈[S_i1,+∞]∪y∈[TTCi_B,+∞]为主动制动模式下的非域，定义第一象限内的其余区域为协调制动模式下的可拓域。

可拓域上任意一点P₃与原点O之间连线形成最短距离|OP₃|，该连线交经典域边界于点P₁，交非域边界于点P₂，确定P₃点与划分区间的可拓距为：

确定关联函数γ_d＝K(P)：

其中，D(P₃,＜O,P₂＞,＜O,P₁＞)＝ρ(P₃,＜O,P₂＞)-ρ(P₃,＜O,P₁＞)，

作为上述方案的进一步改进，c的取值范围为[0.1-0.3]。

作为上述方案的进一步改进，τ_v的取值为：

作为上述方案的进一步改进，a_1max、a_2max均取定值，所述定值范围为6-8m/s²。

作为上述方案的进一步改进，采用径向基神经网络训练输入值与输出值之间的映射关系，优化所述纵向避撞模型为基于径向基神经网络的模型，其中，所述输入值包括自车速度v₁、前车速度v₂、相对距离D、路面附着系数μ，所述输出值为主动制动压力P_m。

本发明还提供一种人机协同控制的纵向避撞系统，其应用于自车中，所述自车存在自由驾驶模式、协调制动模式、主动制动模式；所述自由驾驶模式采用驾驶员驾驶的人为驾驶方式，对自车的制动主缸输入的总制动压力P_总为驾驶员制动压力P_d，所述主动制动模式采用非驾驶员驾驶的主动制动驾驶方式，对自车的制动主缸输入的总制动压力P_总为主动制动压力P_m，所述协调制动模式采用驾驶员驾驶和主动制动驾驶组合的组合驾驶方式，对自车的制动主缸输入的总制动压力P_总为驾驶员制动压力P_d和主动制动压力P_m之和；

所述纵向避撞系统用于在自车的自由驾驶模式、协调制动模式、主动制动模式之间选择与自车的路况相匹配的模式，以避免自车相对于前车纵向避撞；所述纵向避撞系统包括：

数据采集模块，其用于采集自车的自车速度v₁、采集前车的前车速度v₂、采集路面附着系数μ、自车和前车之间的实际距离D；

数据处理模块，其设置有一个纵向避撞模型，所述纵向避撞模型包括前向预警距离D₁和临界制动距离D₂；所述数据处理模块用于将实际距离D与前向预警距离D₁、临界制动距离D₂分别做出实际比较：如果D＞D₁，则输出处理信号一；如果D₁＞D＞D₂，则输出处理信号二；如果D＜D₂，则输出处理信号三；

数据执行模块，其用于根据所述处理信号一，选择自由驾驶模式；根据所述处理信号二，采用协调制动模式，且矫正自车的制动主缸输入的总制动压力P_总：P_总＝γ_dP_d+γ_mP_m，其中，γ_d为驾驶员输入权重系数采用预设的关联函数，γ_m为主动制动输入权重系数，γ_m＝1-γ_d；根据所述处理信号三，采用主动制动模式；

对于考虑制动舒适性的纵向避撞模型，车间距离的保持是一个动态过程，本发明充分考虑两个要素：1、自车速度的变化。2、两车的相对速度差。特别强调地，自车速度越高，理应保持的车间距离越大；两车的相对速度差越大，理应保持的车间距离越大。

其中，所述纵向避撞模型的建立方法包括以下步骤：

(1)定义前车以最大制动减速度进行刹车，后车经过一个预设反应时间反应后以最大制动减速度刹车，使自车避免碰撞于前车时，为极限工况，计算在极限工况下，自车以速度v₁行驶且以最大减速度a_1max进行制动到停止时，所经过的距离L₁，

(2)计算在极限工况下，前车以速度v₂行驶时且以最大减速度a_2max进行制动到停止时，所经过的距离L₂，

(3)计算在极限工况下，自车和前车制动结束后，两车的极限位移差L₃，

(4)补偿极限位移差L₃得到前向预警距离D₁和临界制动距离D₂，D₁＞D₂，其补偿方法包括以下步骤：

(4.1)补偿自车和前车之间应预留的安全距离d_o，其中，c为无量纲模型参数；

(4.2)补偿自车在制动时的制动反应距离d₁，d₁＝v₁τ，其中，τ为制动器起作用的延迟时间；

(4.3)补偿由于两车的相对速度差变化引起的差值距离d₂，d₂＝v_relτ_v，其中，v_rel＝v₁-v₂表示两车相对速度差，τ_v定义为变化因子；

(4.4)补偿自车和前车因受制动器和路面附着系数的约束而引起差值距离d₃，d₃＝v_relτ_变，其中，τ_变＝τ_v+0.5(v₁-v₂)；

(4.5)计算前向预警距离D₁和临界制动距离D₂分别为：

作为上述方案的进一步改进，所述数据采集模块采用运动状态传感器，所述运动状态传感器包括传感系统、激光雷达、毫米波雷达，所述激光雷达测量自车与前车的实际距离D；所述毫米波雷达获取前车的速度信息v₂；所述传感系统获取自车的速度信息v₁及路面附着系数信息μ。

进一步地，所述激光雷达通过雷达支架安装在自车的顶部，且采用吸盘保持紧固；所述毫米波雷达安装在自车的前端挡风玻璃或者前段保险杠上。

本发明还提供一种智能汽车，其安装有上述任意所述的人机协同控制的纵向避撞系统，或者其采用上述任意人机协同控制的纵向避撞方法。

针对车辆纵向跟驰过程中的避撞问题，本发明设计了人机协同控制的避撞方法，在自车的自由驾驶模式、协调制动模式、主动制动模式之间选择与自车的路况相匹配的模式，以避免自车相对于前车纵向避撞。本发明一方面能够有效解决车辆纵向避撞问题，减少驾驶员与主动制动系统的相互干扰，避免人机冲突，达到平稳制动的目的。本发明另一方面能够实现智能驾驶控制模式的柔性调度和人机驾驶权的平滑分配，在保证行车安全性的同时，相应地提高了制动舒适性。

附图说明

图1是车辆避撞场景图，避撞的车辆采用本实施例1提供的人机协同控制的纵向避撞方法。

图2是图1中所应用的纵向避撞方法的流程图。

图3是图2中避撞模型的建立方法的流程图。

图4是图3中前向预警距离D₁和临界制动距离D₂的补偿方法的流程图。

图5是图2中自车的制动主缸输入的总制动压力在矫正时，所用到的关联函数的设计方法的流程图。

图6是图5中关联函数的设计方法所涉及的可拓区域划分示意图。

图7是图5中二维可拓集合可拓距变换示意图。

图8是本实施例2提供的人机协同控制的纵向避撞方法所采用的正则化径向基网络结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明的人机协同控制的纵向避撞方法应用于智能汽车中，如图1所示，左侧的汽车称为自车，右边的汽车称为前车(可以不是智能汽车)，自车驾驶在前车后面。

一般智能汽车均有汽车自动驾驶系统(Motor Vehicle Auto Driving System)，又称自动驾驶汽车(Autonomous vehicles；Self-piloting automobile)，也称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过车载电脑系统实现无人驾驶的智能汽车系统。汽车自动驾驶系统存在自由驾驶模式、协调制动模式、主动制动模式。自由驾驶模式采用驾驶员驾驶的人为驾驶方式，对自车的制动主缸输入的总制动压力P_总为驾驶员制动压力P_d。主动制动模式采用非驾驶员驾驶的主动制动驾驶方式，对自车的制动主缸输入的总制动压力P_总为主动制动压力P_m。协调制动模式采用驾驶员驾驶和主动制动驾驶组合的组合驾驶方式，对自车的制动主缸输入的总制动压力P_总为驾驶员制动压力P_d和主动制动压力P_m之和。

再如，一般智能汽车可能设置有车道偏离辅助系统(Lane departure assistancesystem,LDAS)，车道偏离辅助系统是智能汽车辅助驾驶技术的重要组成部分，能够通过主动施加干预的方式来辅助驾驶员控制车辆，因而，如何协调好驾驶员和辅助系统之间的控制已成为国内外智能汽车辅助驾驶领域研究的热点问题。车道偏离辅助系统中一般也都会设置自由驾驶模式、协调制动模式、主动制动模式。因此，本发明可以在大部分智能汽车中得到应用。本发明的纵向避撞方法用于在自车的自由驾驶模式、协调制动模式、主动制动模式之间选择与自车的路况相匹配的模式，以避免自车相对于前车纵向避撞。

请结合图2，所述纵向避撞方法主要包括以下步骤：步骤一、数据采集；步骤二、数据处理；步骤三、数据执行。

步骤一、数据采集

数据采集主要指采集自车的自车速度v₁、采集前车的前车速度v₂、采集路面附着系数μ、自车和前车之间的实际距离D。数据采集可以通过采用运动状态传感器实现，如运动状态传感器包括传感系统、激光雷达、毫米波雷达，所述激光雷达测量自车与前车的实际距离D；所述毫米波雷达获取前车的速度信息v₂；所述传感系统获取自车的速度信息v₁及路面附着系数信息μ。在其他实施例中，激光雷达可测量自车与前车的实际距离和两侧信息；毫米波雷达可获取前车的速度信息和前车的加速度信息；自车的传感系统可获取自车的速度信息和加速度信息以及路面附着系数信息。激光雷达可通过雷达支架安装在车辆顶部，采用吸盘保持紧固。毫米波雷达可安装在前端挡风玻璃或者前段保险杠上。

步骤二、数据处理

针对数据处理方式是最为关键的技术，本发明数据处理包括两大块：一是建立纵向避撞模型；二是数据决策。

请结合图3，纵向避撞模型包括前向预警距离D₁和临界制动距离D₂。纵向避撞模型的建立方法包括以下步骤。

(1)定义前车以最大制动减速度进行刹车，后车经过一个预设反应时间反应后以最大制动减速度刹车，使自车避免碰撞于前车时，为极限工况，计算在极限工况下，自车以速度v₁行驶且以最大减速度a_1max进行制动到停止时，所经过的距离L₁，

(2)计算在极限工况下，前车以速度v₂行驶时且以最大减速度a_2max进行制动到停止时，所经过的距离L₂，

(3)计算在极限工况下，自车和前车制动结束后，两车的极限位移差L₃，

(4)补偿极限位移差L₃得到前向预警距离D₁和临界制动距离D₂，D₁＞D₂，请结合图4，其补偿方法包括以下步骤。

(4.1)补偿自车和前车之间应预留的安全距离d_o，其中，c为无量纲模型参数。在本实施例中，c的值根据实验拟合，取值范围[0.1-0.3]。

(4.2)补偿自车在制动时的制动反应距离d₁，d₁＝v₁τ，其中，τ为制动器起作用的延迟时间。在本实施例中，在考虑制动舒适性时，引入制动反应距离v₁τ。该物理量表示，在当前车速下，制动器从接收到制动指令到起作用时，自车走过的距离。

(4.3)补偿由于两车的相对速度差变化引起的差值距离d₂，d₂＝v_relτ_v，其中，v_rel＝v₁-v₂表示两车相对速度差，τ_v定义为变化因子。在考虑制动舒适性时，对于两车的相对速度差变化，引入补偿距离v_relτ_v。τ_v为变化因子，基于大量实验，得到取值如下：

(4.4)补偿自车和前车因受制动器和路面附着系数的约束而引起差值距离d₃，d₃＝v_relτ_变，其中，τ_变＝τ_v+0.5(v₁-v₂)。a_1max、a_2max受制动器和路面附着系数约束，可取定值，在本实施例中，取值6-8m/s²。

(4.5)计算前向预警距离D₁和临界制动距离D₂分别为：

在极限工况下，自车与前车均采取紧急制动时，两车的极限位移差。两车制动结束后，应预留的安全距离(以防止自车车头紧贴前车车尾的情况)。对于考虑制动舒适性的纵向避撞模型，车间距离的保持是一个动态过程，本发明充分考虑两个要素：1、自车速度的变化。2、两车的相对速度差。特别强调地，自车速度越高，理应保持的车间距离越大；两车的相对速度差越大，理应保持的车间距离越大。

数据决策指将实际距离D与前向预警距离D₁、临界制动距离D₂分别做出实际比较：如果D＞D₁，则输出处理信号一；如果D₁＞D＞D₂，则输出处理信号二；如果D＜D₂，则输出处理信号三。

步骤三、数据执行

根据所述处理信号一，选择自由驾驶模式；

根据所述处理信号二，采用协调制动模式，且矫正自车的制动主缸输入的总制动压力P_总：P_总＝γ_dP_d+γ_mP_m，其中，γ_d为驾驶员输入权重系数采用预设的关联函数，γ_m为主动制动输入权重系数，γ_m＝1-γ_d；

根据所述处理信号三，采用主动制动模式。

激光雷达检测到两车实际距离D时，与预警距离D₁和临界制动距离D₂作出比较。情况a、两车实际距离D大于预警距离D₁，且两车实际距离D大于临界制动距离D₂时，主动制动系统不工作。情况b、两车实际距离D小于预警距离D₁，且两车实际距离D大于临界制动距离D₂时，主动制动系统启动，基于可拓决策的划分，通过制动权重的合理分配，实现人机协同。情况c、两车实际距离D小于预警距离D₁，且两车实际距离D小于临界制动距离D₂时，主动制动系统完全掌控车辆行驶权。

数据的执行可由自车的电子控制单元ECU来实现。对自车的制动主缸输入的总制动压力P_总的矫正，关联函数的设计尤为重要，影响着纵向避撞方法的应用误差。在本发明中，请结合图5，所述关联函数的设计方法包括以下步骤。

如图6所述，以参数Si作为横坐标，参数TTCi作为纵坐标，建立二维坐标系，其中，

请结合图7，在横坐标上选取两个坐标点S_i1和S_i2，S_i1＝1/D₁，S_i2＝1/D₂；在纵坐标上取两个坐标点TTCi_A和TTCi_B，TTCi_A取值范围为0.2-0.3，TTCi_B取值范围为0.35-0.45；定义区域x∈[0,S_i1],y∈[0,TTCi_A]为自由驾驶模式下的经典域；定义区域x∈[S_i1,+∞]∪y∈[TTCi_B,+∞]为主动制动模式下的非域，定义第一象限内的其余区域为协调制动模式下的可拓域。

在二维可拓集合中，原点O为特征状态的最优点。则可拓集上任意一点S₃与最优点可形成最短距离|OS₃|。该线段所在直线交经典域边界于O、P₁点，交可拓域边界于P₁、P₂点。在保证S₃趋近于原点距离最短的前提条件下，根据这些交点即可确定S₃与可拓域、经典域的最近距离。

可拓域上任意一点P₃与原点O之间连线形成最短距离|OP₃|，该连线交经典域边界于点P₁，交非域边界于点P₂，确定P₃点与划分区间的可拓距为：

确定关联函数γ_d＝K(P)：

其中，D(P₃,＜O,P₂＞,＜O,P₁＞)＝ρ(P₃,＜O,P₂＞)-ρ(P₃,＜O,P₁＞)，

关联函数K(P)对所述驾驶模式的划分。当K(P)＞1时，此时无纵向碰撞风险，车辆处于所述自由驾驶模式下，主动制动系统无控制。b、当0＜K(P)＜1时，此时有发生碰撞的可能，车辆处于所述协调制动模式下，主动制动系统参与控制，帮助车辆减速。c、当K(P)＜0时，车辆处于所述主动制动模式下。此时主动制动系统接管制动权，保证行车安全。

对应的可以实现：(1)在所述自由驾驶模式，表明此刻自车处于安全状态，主动制动系统不参与控制，此时驾驶员完全操纵车辆。(2)在所述协调制动模式，表明此刻自车处于非安全状态，需要减小驾驶员的输入权重，增加主动制动系统的控制权重，对车辆辅助制动。(3)在所述主动制动模式，主动制动系统完全操纵车辆，完成制动避撞过程。

本发明的纵向避撞方法提出了一种考虑舒适性的前向预警模型和安全距离模型。针对驾驶员和主动制动系统间协调控制问题，采用可拓决策的方法，以两车实际间距的倒数Si和碰撞时间的倒数TTCi为特征量建立二维可拓集合，划分动态边界可拓域，从而确定在不同时刻下驾驶员和主动制动系统的输入权重。

总结，以图1为例说明，并假定行驶环境为自车与前车在同一车道上行驶。

利用自车的运动状态传感器获取行车信息，包括自车速度v₁、自车加速度a₁、前车速度v₂、前车加速度a₂等运动信息，还应包括周围的环境及道路信息，如路面附着系数μ、两车实际距离D等信息。

通过对周围环境的分析和计算，建立车辆纵向避撞模型，其包括前向预警距离D₁和临界制动距离D₂。

驾驶员通过判断前方实际路况，始终使得自车与前车保持在合适的安全范围，即两车实际距离D大于前向预警距离D₁。

基于本发明的方法，此时行车工况安全，主动制动系统不介入，即主动制动系统输入权重系数y_m＝1-K(P)＝0。此时对于制动系统，制动主缸的总制动压力为：P_总＝γ_dP_d+γ_mP_m＝γ_dP_d。

此时处于自由驾驶模式，驾驶员完全掌控车辆控制权，享受驾驶乐趣，在安全条件下随意行驶，无需担心碰撞风险。

假设驾驶员疲劳驾驶，使得自车与前车的距离D比较危险，可能存在碰撞的可能，即两车实际距离D小于前向预警距离D₁且两车实际距离D大于临界制动距离D₂。

基于所述可拓决策的方法，此时行车存在潜在碰撞的风险，主动制动系统开始介入。故所述主动制动系统的控制器，即径向基神经网络，在稳态跟车过程中对当前路面状况信息进行学习，建立起非线性输入输出映射关系知识库，进而预测出下一时刻的理想制动压力P_m，提供辅助制动。此时主动制动系统输入权重系数y_m＝1-K(P)，而驾驶员的输入权重系数y_d＝K(P)。此时对于制动系统，制动主缸的总制动压力为：P_总＝γ_dP_d+γ_mP_m。

此时处于所述协调制动模式，驾驶员掌控车辆控制权，且主动制动系统对驾驶员的操作进行压力补偿，既保证了驾驶员的操纵又减小了纵向碰撞的风险，因此不会对驾驶员的正常操作产生干预。

假设驾驶员疲劳驾驶，使得自车与前车的距离D处于非常危险情况，此时继续行驶肯定会发生碰撞，即两车实际距离D小于临界制动距离D₂。

基于所述可拓决策的方法，此时必须改变控制策略，主动制动系统完全接管车辆控制权。基于径向基神经网络，在稳态跟车过程中对当前路面状况信息进行学习，建立起非线性输入输出映射关系知识库，进而预测出下一时刻的理想制动压力P_m，提供主动制动。此时主动制动系统输入权重系数y_m＝1-K(P)＝1，而驾驶员的输入权重系数y_d＝K(P)＝0。对于制动系统，制动主缸的总制动压力为：P_总＝γ_dP_d+γ_mP_m＝γ_mP_m。

此时处于所述主动模式，主动制动系统完全掌控车辆控制权。特别的，为了避免主动制动系统的频繁干预，故一旦介入，则希望车辆以一个舒适的减速度进行避撞，保证行车安全。

实施例2

实施例1中的避撞模型可采用径向基神经网络训练输入值与输出值之间的映射关系实现优化，其中，所述输入值包括自车速度v₁、前车速度v₂、相对距离D、路面附着系数μ，所述输出值包括主动制动压力P_m。

选取径向基神经网络作为主动制动系统的控制器，通过自组织选取中心的方法对网络模型进行训练，进而在不同模式下预计出下一时刻的理想制动压力。选取的径向基神经网络包括4个节点的输入层、10个节点的隐含层以及单节点的输出层，其结构如图8所示。在行驶过程中，将实际采集的数据输入到训练好的径向基神经网络模型中，得到在当前工况下的输出。

对于驾驶员和主动制动系统的协调控制，采用了可拓决策的方法。可拓决策选取自车与前车实际距离D的倒数Si为主特征量，以碰撞时间的倒数TTCi为副特征量，通过可拓理论的划分，调节驾驶员和主动制动系统的分配权重，实现在不同区域内的分层控制。

通过对网络模型进行训练，在稳态跟车过程中对不同的运动状态学习，建立起非线性输入输出映射关系知识库，进而预测出下一时刻的理想制动压力。

设计所述径向基神经网络的实际输出为Y_k＝[y_k1,y_k2,...,y_kj,...,y_kJ]，J为输出单元的个数，表示第k个输入向量产生的输出。当输入训练样本X_k时，网络第j个输出神经元结果为

设计所述径向基神经网络的基函数为高斯函数，则φ(X_k,X_i)可以表示为：

设计所述径向基神经网络的学习算法为有监督选取中心。在有监督选取中心方法中，聚类中心及其他参数都是通过监督学习获得的。

定义代价函数为：

定义所述代价函数的误差为：

所述径向基神经网络在训练学习时，需要寻找网络的隐含层中心t_i，输出权值ω_i，隐含层的中心扩展使代价函数最小。

所述径向基神经网络的输出权值ω_i为：

所述径向基神经网络的隐含层中心t_i为：

所述径向基神经网络的隐含层的中心扩展为：

Q_ki(n)＝(X_k-t_i(n))(X_k-t_i(n))^T

本实施例基于可拓决策和径向基神经网络控制理论，针对车辆纵向跟驰过程中的避撞问题，设计了人机协同控制的避撞方法。可拓决策根据所述感知层传输的数据，根据车辆所处运动状态划分驾驶模式，分别决策出驾驶员和主动制动系统的权重系数。径向基神经网络是主动制动系统的控制器，通过对大量样本的训练，实时地决策当前状态下合适的制动压力。本发明能够有效解决车辆纵向避撞问题，减少驾驶员与主动制动系统的相互干扰，避免人机冲突，达到平稳制动的目的。

实施例3

本实施例公开了一种人机协同控制的纵向避撞系统，其用于在自车的自由驾驶模式、协调制动模式、主动制动模式之间选择与自车的路况相匹配的模式，以避免自车相对于前车纵向避撞。纵向避撞系统包括数据采集模块(相当于感知层)、数据处理模块(相当于决策层)、数据执行模块(相当于执行层)。

感知层包括运动状态传感器采集到的自车与前车的运动信息，还包括周围的环境及道路信息。决策层指运用可拓决策的方法对感知层采集信息进行驾驶模式的划分，相应的调节人机协同避撞的权重分配系数。执行层指的是人-车-路模型，既可指仿真软件的虚拟仿真环境，也可指真实交通环境。

感知层实时采集自车与前车的运动信息，以及周围的环境及道路信息，包括但不限于自车速度v₁、自车加速度a₁、前车速度v₂、前车加速度a₂、路面附着系数μ、两车实际距离D。感知层将采集到的所述各类信息通过CAN总线实时传输给电子控制单元ECU中，ECU接受所述各类信息并进行相应的分析决策。

感知层可采用运动状态传感器，所述运动状态传感器包括传感系统、激光雷达、毫米波雷达，所述激光雷达测量自车与前车的实际距离D；所述毫米波雷达获取前车的速度信息v₂；所述传感系统获取自车的速度信息v₁及路面附着系数信息μ。

激光雷达可通过雷达支架安装在车辆顶部，采用吸盘保持紧固，用于将测量的自车与前车的实际距离D和两侧信息传递给电子控制单元ECU；毫米波雷达可安装在前端挡风玻璃或者前段保险杠上，用于将前车的速度信息和前车的加速度信息传递给电子控制单元ECU。

电子控制单元ECU充当决策层和执行层的一部分功能，电子控制单元ECU设置有一个纵向避撞模型，所述纵向避撞模型包括前向预警距离D₁和临界制动距离D₂；所述数据处理模块用于将实际距离D与前向预警距离D₁、临界制动距离D₂分别做出实际比较：如果D＞D₁，则输出处理信号一；如果D₁＞D＞D₂，则输出处理信号二；如果D＜D₂，则输出处理信号三。所述纵向避撞模型的建立方法可参照实施例1的纵向避撞模型的建立方法。

电子控制单元ECU根据所述处理信号一，选择自由驾驶模式；根据所述处理信号二，采用协调制动模式，且矫正自车的制动主缸输入的总制动压力P_总：P_总＝γ_dP_d+γ_mP_m，其中，γ_d为驾驶员输入权重系数采用预设的关联函数，γ_m为主动制动输入权重系数，γ_m＝1-γ_d；根据所述处理信号三，采用主动制动模式。

通过自车的运动状态传感器分析自车与前车的实际距离D，与预警距离D₁和临界制动距离D₂分别作出比较，判断主动制动系统是否进行预警或者启动。

若两车实际距离D大于预警距离D₁，且两车实际距离D大于临界制动距离D₂时，主动制动系统不工作。

两车实际距离D在预警距离D₁和临界制动距离D₂之间，主动制动系统开始介入，辅助驾驶员保证行车安全。

两车实际距离D小于临界制动距离D₂时，主动制动系统完全接管控制权。

同时地，电子控制单元ECU接受到所述运动状态传感器传递的数据，基于所述可拓决策的方法划分动态边界可拓域，并根据三种不同的驾驶模式，分配给驾驶员和主动制动系统不同的输入权重系数。

同时地，电子控制单元ECU驱动底层制动系统，依据上文所述公式：P_总＝γ_dP_d+γ_mP_m，完成车辆制动过程。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种人机协同控制的纵向避撞方法，其应用于自车中，所述自车存在自由驾驶模式、协调制动模式、主动制动模式；所述自由驾驶模式采用驾驶员驾驶的人为驾驶方式，对自车的制动主缸输入的总制动压力P_总为驾驶员制动压力P_d，所述主动制动模式采用非驾驶员驾驶的主动制动驾驶方式，对自车的制动主缸输入的总制动压力P_总为主动制动压力P_m，所述协调制动模式采用驾驶员驾驶和主动制动驾驶组合的组合驾驶方式，对自车的制动主缸输入的总制动压力P_总为驾驶员制动压力P_d和主动制动压力P_m之和；

其特征在于，所述纵向避撞方法用于在自车的自由驾驶模式、协调制动模式、主动制动模式之间选择与自车的路况相匹配的模式，以避免自车相对于前车纵向避撞；

对于考虑制动舒适性的纵向避撞模型，车间距离的保持是一个动态过程，本发明充分考虑两个要素：1、自车速度的变化。2、两车的相对速度差。特别强调地，自车速度越高，理应保持的车间距离越大；两车的相对速度差越大，理应保持的车间距离越大。

所述纵向避撞方法包括以下步骤：

步骤一、采集自车的自车速度v₁、采集前车的前车速度v₂、采集路面附着系数μ、自车和前车之间的实际距离D；

步骤二、建立纵向避撞模型，所述纵向避撞模型的建立方法包括以下步骤：

(1)定义前车以最大制动减速度进行刹车，后车经过一个预设反应时间反应后以最大制动减速度刹车，使自车避免碰撞于前车时，为极限工况；计算在极限工况下，自车以速度v₁行驶且以最大减速度a_1max进行制动到停止时，所经过的距离L₁，

(2)计算在极限工况下，前车以速度v₂行驶时且以最大减速度a_2max进行制动到停止时，所经过的距离L₂，

(3)计算在极限工况下，自车和前车制动结束后，两车的极限位移差L₃，

(4)补偿极限位移差L₃得到前向预警距离D₁和临界制动距离D₂，D₁＞D₂，其补偿方法包括以下步骤：

(4.1)补偿自车和前车之间应预留的安全距离d_o，其中，c为无量纲模型参数；

(4.2)补偿自车在制动时的制动反应距离d₁，d₁＝v₁τ，其中τ为制动器起作用的延迟时间；

(4.3)补偿由于两车的相对速度差变化引起的差值距离d₂，d₂＝v_relτ_v，其中v_rel＝v₁-v₂表示两车相对速度差，τ_v定义为变化因子；

(4.4)补偿自车和前车因受制动器和路面附着系数的约束而引起差值距离d₃，d₃＝v_relτ_变，其中，τ_变＝τ_v+0.5(v₁-v₂)；

(4.5)计算前向预警距离D₁和临界制动距离D₂分别为：

所述纵向避撞模型包括前向预警距离D₁和临界制动距离D₂；

步骤三、将实际距离D与前向预警距离D₁、临界制动距离D₂分别做出比较：

如果D＞D₁，则输出处理信号一；

如果D₁＞D＞D₂，则输出处理信号二；

如果D＜D₂，则输出处理信号三；

步骤四、数据执行：

根据所述处理信号一，选择自由驾驶模式；

根据所述处理信号二，采用协调制动模式，且对自车的制动主缸输入的总制动压力P_总进行矫正，矫正方式为：P_总＝γ_dP_d+γ_mP_m，其中，γ_d为驾驶员输入权重系数，采用预设的关联函数，γ_m为主动制动输入权重系数，γ_m＝1-γ_d；

根据所述处理信号三，采用主动制动模式。

2.根据权利要求1所述的人机协同控制的纵向避撞方法，其特征在于，所述关联函数的设计方法包括以下步骤：

以参数Si作为横坐标，参数TTCi作为纵坐标，建立二维坐标系，其中，

在横坐标上选取两个坐标点S_i1和S_i2，S_i1＝1/D₁，S_i2＝1/D₂；在纵坐标上取两个坐标点TTCi_A和TTCi_B，TTCi_A取值范围为0.2-0.3，TTCi_B取值范围为0.35-0.45；定义区域x∈[0,S_i1],y∈[0,TTCi_A]为自由驾驶模式下的经典域；定义区域x∈[S_i1,+∞]∪y∈[TTCi_B,+∞]为主动制动模式下的非域，定义第一象限内的其余区域为协调制动模式下的可拓域。

可拓域上任意一点P₃与原点O之间连线形成最短距离|OP₃|，该连线交经典域边界于点P₁，交非域边界于点P₂，确定P₃点与划分区间的可拓距为：

确定关联函数γ_d＝K(P)：

其中，D(P₃,＜O,P₂＞,＜O,P₁＞)＝ρ(P₃,＜O,P₂＞)-ρ(P₃,＜O,P₁＞)，且

3.根据权利要求1所述的人机协同控制的纵向避撞方法，其特征在于，c的取值范围为[0.1-0.3]。

4.根据权利要求1所述的人机协同控制的纵向避撞方法，其特征在于，τ_v的取值为：

5.根据权利要求1所述的人机协同控制的纵向避撞方法，其特征在于，a_1max、a_2max均取定值，所述定值范围为6-8m/s²。

6.根据权利要求1所述的人机协同控制的纵向避撞方法，其特征在于，采用径向基神经网络训练输入值与输出值之间的映射关系，优化所述纵向避撞模型为基于径向基神经网络的模型，其中，所述输入值包括自车速度v₁、前车速度v₂、相对距离D、路面附着系数μ，所述输出值为主动制动压力P_m。

7.一种人机协同控制的纵向避撞系统，其应用于自车中，所述自车存在自由驾驶模式、协调制动模式、主动制动模式；所述自由驾驶模式采用驾驶员驾驶的人为驾驶方式，对自车的制动主缸输入的总制动压力P_总为驾驶员制动压力P_d，所述主动制动模式采用非驾驶员驾驶的主动制动驾驶方式，对自车的制动主缸输入的总制动压力P_总为主动制动压力P_m，所述协调制动模式采用驾驶员驾驶和主动制动驾驶组合的组合驾驶方式，对自车的制动主缸输入的总制动压力P_总为驾驶员制动压力P_d和主动制动压力P_m之和；

其特征在于，所述纵向避撞系统用于在自车的自由驾驶模式、协调制动模式、主动制动模式之间选择与自车的路况相匹配的模式，以避免自车相对于前车纵向避撞；所述纵向避撞系统包括：

数据采集模块，其用于采集自车的自车速度v₁、采集前车的前车速度v₂、采集路面附着系数μ、自车和前车之间的实际距离D；

数据处理模块，其设置有一个纵向避撞模型，所述纵向避撞模型包括前向预警距离D₁和临界制动距离D₂；所述数据处理模块用于将实际距离D与前向预警距离D₁、临界制动距离D₂分别做出实际比较：如果D＞D₁，则输出处理信号一；如果D₁＞D＞D₂，则输出处理信号二；如果D＜D₂，则输出处理信号三；

数据执行模块，其用于根据所述处理信号一，选择自由驾驶模式；根据所述处理信号二，采用协调制动模式，且矫正自车的制动主缸输入的总制动压力P_总：P_总＝γ_dP_d+γ_mP_m，其中，γ_d为驾驶员输入权重系数采用预设的关联函数，γ_m为主动制动输入权重系数，γ_m＝1-γ_d；根据所述处理信号三，采用主动制动模式；

对于考虑制动舒适性的纵向避撞模型，车间距离的保持是一个动态过程，本发明充分考虑两个要素：1、自车速度的变化。2、两车的相对速度差。特别强调地，自车速度越高，理应保持的车间距离越大；两车的相对速度差越大，理应保持的车间距离越大。

其中，所述纵向避撞模型的建立方法包括以下步骤：

(1)定义前车以最大制动减速度进行刹车，后车经过一个预设反应时间反应后以最大制动减速度刹车，使自车避免碰撞于前车时，为极限工况，计算在极限工况下，自车以速度v₁行驶且以最大减速度a_1max进行制动到停止时，所经过的距离L₁，

(2)计算在极限工况下，前车以速度v₂行驶时且以最大减速度a_2max进行制动到停止时，所经过的距离L₂，

(3)计算在极限工况下，自车和前车制动结束后，两车的极限位移差L₃，

(4)补偿极限位移差L₃得到前向预警距离D₁和临界制动距离D₂，D₁＞D₂，其补偿方法包括以下步骤：

(4.1)补偿自车和前车之间应预留的安全距离d_o，其中，c为无量纲模型参数；4.2)补偿自车在制动时的制动反应距离d₁，d₁＝v₁τ，其中，τ为制动器起作用的延迟时间；

(4.3)补偿由于两车的相对速度差变化引起的差值距离d₂，d₂＝v_relτ_v，其中，v_rel＝v₁-v₂表示两车相对速度差，τ_v定义为变化因子；

(4.4)补偿自车和前车因受制动器和路面附着系数的约束而引起差值距离d₃，d₃＝v_relτ_变，其中，τ_变＝τ_v+0.5(v₁-v₂)；

(4.5)计算前向预警距离D₁和临界制动距离D₂分别为：

8.根据权利要求7所述的人机协同控制的纵向避撞系统，其特征在于，所述数据采集模块采用运动状态传感器，所述运动状态传感器包括传感系统、激光雷达、毫米波雷达，所述激光雷达测量自车与前车的实际距离D；所述毫米波雷达获取前车的速度信息v₂；所述传感系统获取自车的速度信息v₁及路面附着系数信息μ。

9.根据权利要求8所述的人机协同控制的纵向避撞系统，其特征在于，所述激光雷达通过雷达支架安装在自车的顶部，且采用吸盘保持紧固；所述毫米波雷达安装在自车的前端挡风玻璃或者前段保险杠上。

10.一种智能汽车，其特征在于，其安装有如权利要求7至9中任意一项所述的人机协同控制的纵向避撞系统，或者其采用如权利要求1至6中任意一项所述的人机协同控制的纵向避撞方法。