CN110329249B - 一种循环神经网络的汽车前向碰撞预警控制系统及方法 - Google Patents

Abstract

本发明公开了一种循环神经网络的汽车前向碰撞预警控制系统及方法，本发明系统包括：速度传感器、加速度传感器、测距传感器、主控制器、制动模块、预警提示器、GPS模块、无线传输模块、远程控制终端。本发明远程控制终端判断自车与前车保持行车状态是否存在前向碰撞危险；若存在前向碰撞风险，远程控制终端通过循环神经网络对驾驶员预期制动强度进行预测；远程控制终端计算警报时刻；当存在前向碰撞危险时，驾驶员在警报时刻前没有进行避险操作，预警提示器发出警报；若驾驶员在警报时刻前进行了避险操作，远程控制终端进一步判断是否存在前向碰撞危险；补偿制动强度计算；并进行制动强度的补偿。本发明有效减少前向碰撞发生率。

Description

一种循环神经网络的汽车前向碰撞预警控制系统及方法

技术领域

本发明涉及智能网联汽车安全领域，尤其涉及一种循环神经网络的汽车前向碰撞预警控制系统及方法。

背景技术

交通事故已成为现代社会面临的严峻挑战。据统计，发生在我国各类交通事故中，约60％为碰撞事故，汽车前向碰撞是最常见的事故形态。造成车辆前向碰撞的交通事故发生的原因主要有两个方面：一方面是客观环境条件的影响，比如在风沙、雪、雨、雾等能见度较差的恶劣天气下，驾驶员对前方车辆存在识别障碍，难以准确估计车辆制动过程，造成前向碰撞交通事故发生；另一方面是由于驾驶员主观因素的影响，主要有疲劳驾驶、粗心驾驶、误操作等。如今的汽车前向碰撞避险方法主要集中于设置路标进行车距保持提醒、通过自车的传感器计算前车的行车信息并以汽车动力学为基础进行危险计算等方面。

现有的汽车前向碰撞计算参数获取方式，如申请号CN201310503550，一种前向碰撞报警的错报检测方法及装置，通过装载在车前的摄像头，采集前方车辆图像信号形成视频数据，获取前车车速等信息。如申请号CN201610402224，一种汽车防追尾预警方法和系统，采用在车辆上加装GPS传感器、加速度传感器等外接传感器，通过无线通信设备与蓝牙功能实现车路、车车信息交互，建立前向碰撞模型。如申请号CN201510420512，一种追尾预警方法及系统，通过在车辆上加装GPS传感器对前车与自车的经纬度信息进行实时分析，进而推算出前向碰撞计算相关参数。

现有的汽车前向碰撞参数获取和模型建立大都基于自车传感器获取的信息推测前车信息，通过分析车距和相对车速，设置统一的阈值进行前向碰撞危险判断。但在实际情况下，不同驾驶员对前向碰撞危险感知与应急操作存在差异，而且自车传感器推算的前车信息也存在较大误差，造成获取信息不够准确、延迟性高。随着智能网联汽车技术的发展，高效的数据交互不仅能够避免环境障碍对前向车辆有一定“预见性”，还能将前车和自车信息进行耦合分析，准确获取前向碰撞相关计算参数，从而给予驾驶员预警，必要时进行控制干预，以避免前向碰撞的发生。

发明内容

本发明要解决的问题是：如何避免自车传感器对计算前车数据存在误差的局限性以及实现对驾驶员前向避险操作的自学习，建立一种循环神经网络的汽车前向碰撞预警控制系统及方法。

本发明系统的技术方案为：一种循环神经网络的汽车前向碰撞预警控制系统，其特征在于，包括：速度传感器、加速度传感器、测距传感器、主控制器、制动模块、预警提示器、GPS模块、无线传输模块、远程控制终端；

所述主控制器分别与所述的速度传感器、加速度传感器、测距传感器、制动模块、预警提示器、无线传输模块通过导线依次连接；所述无线传输模块与所述远程控制终端通过无线通信方式连接。

作为优选，所述速度传感器安装于车辆上，用于采集车辆速度；

作为优选，所述加速度传感器安装于车辆上，用于采集车辆加速度；

作为优选，所述测距传感器安装于车辆前端，用于采集自车与前车之间的距离；

作为优选，所述预警提示器安装于车辆上驾驶员附近，包括预警指示灯与蜂鸣器，用于提示驾驶员进行制动操作；

作为优选，所述制动模块安装于车辆上，用于避免前向碰撞对整车制动强度进行补偿；

作为优选，所述的GPS模块安装于车辆上，用于采集车辆位置信息；

作为优选，所述主控制器安装于车辆上，用于收集速度传感器采集的车辆速度、加速度传感器采集的车辆加速度、GPS模块采集的车辆位置信息与测距传感器采集的自车与前车之间的距离，根据远程控制终端反馈结果决定所述预警提示器以及所述制动模块是否工作；

作为优选，所述无线传输模块安装于车辆上，用于将所述主控制器采集的车辆信息传输至所述的远程控制终端和从所述的远程控制终端反馈信息传输至主控制器；

作为优选，所述远程控制终端用于分析接收车辆信息，根据GPS位置信息判断前车位置，完成对驾驶员预期制动强度的自学习，判断是否存在前向碰撞风险。

本发明的方法为一种循环神经网络的汽车前向碰撞预警控制方法，包括以下步骤：

步骤1：远程控制终端根据当前时刻自车车速，自车加速度，前车车速，前车加速度，自车与前车之间的距离，判断自车与前车保持行车状态是否存在前向碰撞危险；

步骤2：若存在前向碰撞风险，远程控制终端通过循环神经网络对驾驶员预期制动强度a_e进行预测；

步骤3：远程控制终端计算警报时刻；

步骤4：当存在前向碰撞危险时，驾驶员在警报时刻T_a前没有进行避险操作，远程控制终端通过无线传输模块将危险信号传输至预警提示器，主控制器令预警提示器工作，发出警报。

步骤5：若驾驶员在警报时刻前进行了避险操作，远程控制终端进一步判断是否存在前向碰撞危险；

步骤6：补偿制动强度计算；

步骤7：当需要进行制动强度补偿时，远程控制终端通过无线传输模块将最小补偿制动强度传输至主控制器，主控制器发送命令给制动模块，制动模块通过对主制动器、辅助制动装置的调控，完成制动强度的补偿。

作为优选，步骤1中远程控制端根据智能网联内车辆GPS信息确认前车；

步骤1中所述自车车速为v_r，所述自车加速度为a_r，所述前车车速为v_f，所述前车加速度为a_f，所述自车与前车之间的距离为D₀；

主控制器接收速度传感器采集的v_r，并通过无线传输模块发送至远程控制终端；

主控制器接收加速度传感器采集的a_r，并通过无线传输模块发送至远程控制终端；

主控制器接收测距传感器采集的D₀，并通过无线传输模块发送至远程控制终端；

步骤1中所述判断自车与前车保持行车状态是否存在前向碰撞危险为：

若a_r>a_f，自车车速逐渐快于前车车速，则存在前向碰撞危险；

若a_r<a_f且v_r<v_f，自车与前车之间的距离将会拉大，不存在前向碰撞危险；

若a_r<a_f且v_r>v_f，若D>0则不存在前向碰撞危险，若D≤0则存在前向碰撞危险；

D具体计算如下：

其中，D为当v_r＝v_f时的自车与前车之间的距离；

作为优选，步骤2中所述对驾驶员预期制动强度a_e进行预测具体过程为：

步骤2.1：构建循环神经网络的训练集；

步骤2.1构建循环神经网络的训练集为：

远程控制终端提取自车最近n次前向避险过程中制动时刻相关参数作为训练集，其中m为提取的第1次前向避险过程，训练集为：

x_i＝({v'_r,i,v'_f,i,a'_r,i,a'_f,i,D'_0,i},0＜m≤i≤n+m,m,n,i∈Z)

其中，v'_r,i为第i次前向避险过程中制动时刻的自车车速，v'_f,i为第i次前向避险过程中制动时刻的前车车速，a'_r,i为第i次前向避险过程中制动时刻的自车加速度，a'_f,i为第i次前向避险过程中制动时刻的前车加速度，D'_0,i为第i次前向避险过程中制动时刻的自车与前车之间的距离；

记录最近n次前向避险过程中制动时刻的制动强度集y_i：

y_i＝({a_d,i}，m≤i≤n+m,m,n,i∈Z)

其中，a_d,i为第i次前向避险过程中制动时刻的真实制动强度；

步骤2.2：根据训练集对循环神经网络进行训练得到训练后循环神经网络；

步骤2.2中所述根据训练集对循环神经网络进行训练具体过程为：

确定循环神经模型具体结构，构建循环神经网络模型；构建的循环神经模型采用具有1个输入层，5个隐含层和1个输出层。

模型初始化：对模型参数中权重矩阵U、W、V和偏置矩阵b、c进行随机初始化；第i次前向避险过程中制动时刻的循环神经网络模型隐藏状态记作h_i，模型的预测值记作

激活函数f(x)一般为tanh,b为线性关系的偏倚，激活函数g(x)一般是Softmax函数；循环神经网络一般可以写作如下形式：

正向传播训练：将训练样本数据输入循环神经模型，通过正向传播，得出初始模型参数下循环神经模型的预测值，通过不断减少预测值

与真实值y_i的差值来调整模型参数；

反向传播训练：选取模型的损失函数作为优化目标，模型参数权重矩阵U、W、V和偏置矩阵b、c作为优化对象；根据误差使用梯度下降法迭代对于模型参数进；

选取交叉熵函数Loss作为损失函数，记作L，其表达如下：

计算权值矩阵V和偏置矩阵c的梯度：

计算i时刻隐藏状态梯度δ_i，在反向传播时，i的梯度损失由当前前向碰撞避险对应的梯度损失和下次前向碰撞避险i+1的梯度损失两部分共同决定，参考深度神经网络δ_i+1递推δ_i，函数diag表示取矩阵对角元素：

计算权值矩阵W，U和偏置矩阵b的梯度：

经过反复迭代：

步骤2.3：确定训练后的循环神经网络模型；

步骤2.3中所述根据训练集对循环神经网络进行训练具体过程为：

使用相同训练集x_i重新输入优化后的循环神经网络模型；

综合正向传播训练与反向传播训练，对比预测值

与真实值y_i之间的误差，预测制动强度

与真实制动强度y_i平均误差应小于一定阈值。若误差满足要求，则确定模型参数；若误差不满足要求，则重复步骤2.2对参数进行调整，直到误差满足要求；

步骤2.4：远程控制终端将当前时刻的自车车速v_r、前车车速v_f、自车加速度a_r、前车加速度a_f、自车与前车之间的距离D₀代入优化后的循环神经网络模型不断对驾驶员期望制动强度进行预测a_e；

作为优选，步骤3中所述远程控制终端计算驾驶员允许避险操作时间具体为：

当前时刻为T₀，驾驶员预期制动强度为a_e；

在驾驶员允许避险最晚操作时刻T_e，自车车速为v_e,r，前车车速为v_e,f，驾驶员在允许避险最晚操作时刻制动后的两车之间距离D(t)计算公式如下：

v_e,r＝(T_e-T₀)·a_r+v_r

v_e,f＝(T_e-T₀)·a_f+v_f

若要保证与前车不发生碰撞，那么在驾驶员允许避险最晚操作时刻T_e应使D(t)≥0，即要求其判别式Δ≥0，临界条件为Δ＝0，T_e-T₀为驾驶员允许避险操作时间，D(t)判别式Δ计算如下：

其中，T₀为当前时刻，T_e驾驶员允许避险最晚操作时刻，v_e,r为驶员允许避险最晚操作时刻自车车速，v_e,f为驶员允许避险最晚操作时刻前车车速，v_r为当前时刻自车车速，a_r为当前时刻自车加速度，v_f为当前时刻自车车速，a_f为当前时刻自车加速度，D₀为当前时刻自车与前车之间的距离，D(t)为驾驶员在允许避险最晚操作时刻制动后的两车之间距离函数，t为允许避险最晚操作时刻制动后时间；

通过上式即可计算出驾驶员允许避险最晚操作时刻T_e；

但在实际情况下，警报时刻T_a应早于驾驶员允许避险最晚操作时刻T_e，一方面由于警报发出后应给予驾驶员应急反应时间t_d，另一方面是汽车加速度变化是一个连续的过程，需要一定的响应时间t_v，则警报时刻T_a可以表示如下：

T_a＝T_e-t_d-t_v

作为优选，步骤5中所述远程控制终端进一步判断是否存在前向碰撞危险为：

远程控制终端将驾驶员真实制动时刻T_d与真实制动强度a_d计算驾驶员在允许避险最晚操作时刻制动后的两车之间距离D(t)：

v_e,r＝(T_e-T_d)·a'_r+v'_r

v_e,f＝(T_e-T_d)·a'_f+v'_f

远程控制终端根据驾驶员真实制动时刻T_d与真实制动强度a_d计算D(t)判别式Δ：

其中，T_d为真实制动时刻，T_e驾驶员允许避险最晚操作时刻，v_e,r为驶员允许避险最晚操作时刻自车车速，v_e,f为驶员允许避险最晚操作时刻前车车速，v'_r为驾驶员真实制动时刻自车车速，a'_r为驾驶员真实制动时刻自车加速度，v'_f为驾驶员真实制动时刻自车车速，a'_f为驾驶员真实制动时刻前车加速度，D'₀为驾驶员真实制动时刻自车与前车之间的距离，D(t)为驾驶员在允许避险最晚操作时刻制动后的两车之间距离函数，t为允许避险最晚操作时刻制动后时间；

若Δ<0，则存在前向碰撞危险，远程控制终端通过无线传输模块将危险信号传输至主控制器，主控制器令预警控制器工作，发出警报；

作为优选，步骤6中所述补偿制动强度计算为：

当警报发出后，驾驶员在应急反应时间t_d内应作出相应的操作，在车辆响应时刻T_v前完成避险操作，则远程控制终端通过无线传输模块将解除危险信号传输至主控制器，主控制器令预警控制器停止工作，解除警报；否则远程控制终端将通过安全距离计算是否需要补偿制动强度；在车辆响应时刻T_v远程控制终端提取自车车速v_v,r，前车车速v_v,f，自车加速度a_v,r，前车加速度a_v,f，自车与前车的距离D_v，当v_v,r＝v_v,f时，车距为D₁：

T_v＝T_e-t_v

当D₁≥0时，远程控制终端通过无线传输模块将解除危险信号传输至主控制器，主控制器令预警控制器停止工作，解除警报。当D₁<0时，远程控制终端传输信息让主控制器令制动模块进行制动强度补偿，补偿值为a_c，在补偿控制后，应满足D₁≥0：

由上式可以推导出补偿制动强度最小值a_cmin为：

其中，T_v为车辆响应时刻，T_e驾驶员允许避险最晚操作时刻，t_d驾驶员应急反应时间，v_v,r车辆响应时刻自车车速，v_v,f为车辆响应时刻前车车速，a_v,r为车辆响应时刻自车加速度，a_v,f为车辆响应时刻前车加速度，a_c为补偿制动强度，D_v为车辆响应时刻自车与前车的距离，D₁为当v_v,r＝v_v,f时自车与前车的距离。

本发明的优点在于通过智能网联准确获取车辆信息，通过循环神经网络自学习能够适应不同驾驶员的驾驶习惯，有效预测并减少前向碰撞发生。

附图说明

图1：为智能网联汽车前向碰撞控制系统图；

图2：是本发明方法的流程图；

图3：为循环神经网络自学习算法框图；

图4：为前向碰撞时间线示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细述，应当理解，此处所述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

如图1所示，本发明具体实施方式中系统的技术方案为：一种循环神经网络的汽车前向碰撞预警控制系统，其特征在于，包括：速度传感器、加速度传感器、测距传感器、主控制器、制动模块、预警提示器、GPS模块、无线传输模块、远程控制终端；

所述主控制器分别与所述的速度传感器、加速度传感器、测距传感器、制动模块、预警提示器、无线传输模块通过导线依次连接；所述无线传输模块与所述远程控制终端通过无线通信方式连接。

所述速度传感器安装于车辆上，用于采集车辆速度；

所述加速度传感器安装于车辆上，用于采集车辆加速度；

所述测距传感器安装于车辆前端，用于采集自车与前车之间的距离；

所述预警提示器安装于车辆上驾驶员附近，包括预警指示灯与蜂鸣器，用于提示驾驶员进行制动操作；

所述制动模块安装于车辆上，用于避免前向碰撞对整车制动强度进行补偿；

所述的GPS模块安装于车辆上，用于采集车辆位置信息；

所述主控制器安装于车辆上，用于收集速度传感器采集的车辆速度、加速度传感器采集的车辆加速度、GPS模块采集的车辆位置信息与测距传感器采集的自车与前车之间的距离，根据远程控制终端反馈结果决定所述预警提示器以及所述制动模块是否工作；

所述无线传输模块安装于车辆上，用于将所述主控制器采集的车辆信息传输至所述的远程控制终端和从所述的远程控制终端反馈信息传输至主控制器；

所述远程控制终端用于分析接收车辆信息，根据GPS位置信息判断前车位置，完成对驾驶员预期制动强度的自学习，判断是否存在前向碰撞风险。

所述速度传感器选型为光电式传感器；所述加速度传感器选型为压阻式加速度传感器；所述测距传感器选型为激光雷达；所述制动模块包含主制动器盘式制动器与辅助制动装置液力缓速器；所述的主控制器包括输入回路、微控制器、输出回路；所述预警提示器选型为蜂鸣器与提示灯；所述GPS模块选型为组合惯导系统；所述无线传输模块通过5G网络进行信号传输；所述远程控制终端选择为智能网联汽车管理平台服务器。

下面结合图1至图4介绍本发明的具体实施方式为：

步骤1：远程控制终端根据当前时刻自车车速，自车加速度，前车车速，前车加速度，自车与前车之间的距离，判断自车与前车保持行车状态是否存在前向碰撞危险；

步骤1中远程控制端根据智能网联内车辆GPS信息确认前车；

步骤1中所述自车车速为v_r，所述自车加速度为a_r，所述前车车速为v_f，所述前车加速度为a_f，所述自车与前车之间的距离为D₀；

主控制器接收速度传感器采集的v_r，并通过无线传输模块发送至远程控制终端；

主控制器接收加速度传感器采集的a_r，并通过无线传输模块发送至远程控制终端；

主控制器接收测距传感器采集的D₀，并通过无线传输模块发送至远程控制终端；

步骤1中所述判断自车与前车保持行车状态是否存在前向碰撞危险为：

若a_r>a_f，自车车速逐渐快于前车车速，则存在前向碰撞危险；

若a_r<a_f且v_r<v_f，自车与前车之间的距离将会拉大，不存在前向碰撞危险；

若a_r<a_f且v_r>v_f，若D>0则不存在前向碰撞危险，若D≤0则存在前向碰撞危险；

D具体计算如下：

其中，D为当v_r＝v_f时的自车与前车之间的距离；

步骤2：若存在前向碰撞风险，远程控制终端通过循环神经网络对驾驶员预期制动强度a_e进行预测，循环神经网络自学习算法如图3所示；

步骤2中所述对驾驶员预期制动强度a_e进行预测具体过程为：

步骤2.1：构建循环神经网络的训练集；

步骤2.1构建循环神经网络的训练集为：

远程控制终端提取自车最近n次前向避险过程中制动时刻相关参数作为训练集，其中m为提取的第1次前向避险过程，训练集为：

x_i＝({v'_r,i,v'_f,i,a'_r,i,a'_f,i,D'_0,i},0＜m≤i≤n+m,m,n,i∈Z)

其中，v'_r,i为第i次前向避险过程中制动时刻的自车车速，v'_f,i为第i次前向避险过程中制动时刻的前车车速，a'_r,i为第i次前向避险过程中制动时刻的自车加速度，a'_f,i为第i次前向避险过程中制动时刻的前车加速度，D'_0,i为第i次前向避险过程中制动时刻的自车与前车之间的距离；

记录最近n次前向避险过程中制动时刻的制动强度集y_i：

y_i＝({a_d,i}，m≤i≤n+m,m,n,i∈Z)

其中，a_d,i为第i次前向避险过程中制动时刻的真实制动强度；

步骤2.2：根据训练集对循环神经网络进行训练得到训练后循环神经网络；

步骤2.2中所述根据训练集对循环神经网络进行训练具体过程为：

确定循环神经模型具体结构，构建循环神经网络模型；构建的循环神经模型采用具有1个输入层，5个隐含层和1个输出层。

模型初始化：对模型参数中权重矩阵U、W、V和偏置矩阵b、c进行随机初始化；第i次前向避险过程中制动时刻的循环神经网络模型隐藏状态记作h_i，模型的预测值记作

激活函数f(x)一般为tanh,b为线性关系的偏倚，激活函数g(x)一般是Softmax函数；循环神经网络一般可以写作如下形式：

正向传播训练：将训练样本数据输入循环神经模型，通过正向传播，得出初始模型参数下循环神经模型的预测值，通过不断减少预测值

与真实值y_i的差值来调整模型参数；

反向传播训练：选取模型的损失函数作为优化目标，模型参数权重矩阵U、W、V和偏置矩阵b、c作为优化对象；根据误差使用梯度下降法迭代对于模型参数进；

选取交叉熵函数Loss作为损失函数，记作L，其表达如下：

计算权值矩阵V和偏置矩阵c的梯度：

计算i时刻隐藏状态梯度δ_i，在反向传播时，i的梯度损失由当前前向碰撞避险对应的梯度损失和下次前向碰撞避险i+1的梯度损失两部分共同决定，参考深度神经网络δ_i+1递推δ_i，函数diag表示取矩阵对角元素：

计算权值矩阵W，U和偏置矩阵b的梯度：

经过反复迭代：

步骤2.3：确定训练后的循环神经网络模型；

步骤2.3中所述根据训练集对循环神经网络进行训练具体过程为：

使用相同训练集x_i重新输入优化后的循环神经网络模型；

综合正向传播训练与反向传播训练，对比预测值

与真实值y_i之间的误差，预测制动强度

与真实制动强度y_i平均误差应小于一定阈值。若误差满足要求，则确定模型参数；若误差不满足要求，则重复步骤2.2对参数进行调整，直到误差满足要求；

步骤2.4：远程控制终端将当前时刻的自车车速v_r、前车车速v_f、自车加速度a_r、前车加速度a_f、自车与前车之间的距离D₀代入优化后的循环神经网络模型不断对驾驶员期望制动强度进行预测a_e；

步骤3：远程控制终端计算警报时刻；

步骤3中所述远程控制终端计算驾驶员允许避险操作时间具体为：

当前时刻为T₀，驾驶员预期制动强度为a_e；

在驾驶员允许避险最晚操作时刻T_e，自车车速为v_e,r，前车车速为v_e,f，驾驶员在允许避险最晚操作时刻制动后的两车之间距离D(t)计算公式如下：

v_e,r＝(T_e-T₀)·a_r+v_r

v_e,f＝(T_e-T₀)·a_f+v_f

若要保证与前车不发生碰撞，那么在驾驶员允许避险最晚操作时刻T_e应使D(t)≥0，即要求其判别式Δ≥0，临界条件为Δ＝0，T_e-T₀为驾驶员允许避险操作时间，D(t)判别式Δ计算如下：

其中，T₀为当前时刻，T_e驾驶员允许避险最晚操作时刻，v_e,r为驶员允许避险最晚操作时刻自车车速，v_e,f为驶员允许避险最晚操作时刻前车车速，v_r为当前时刻自车车速，a_r为当前时刻自车加速度，v_f为当前时刻自车车速，a_f为当前时刻自车加速度，D₀为当前时刻自车与前车之间的距离，D(t)为驾驶员在允许避险最晚操作时刻制动后的两车之间距离函数，t为允许避险最晚操作时刻制动后时间；

通过上式即可计算出驾驶员允许避险最晚操作时刻T_e；

如图4所示，但在实际情况下，警报时刻T_a应早于驾驶员允许避险最晚操作时刻T_e，一方面由于警报发出后应给予驾驶员应急反应时间t_d，另一方面是汽车加速度变化是一个连续的过程，需要一定的响应时间t_v，则警报时刻T_a可以表示如下：

T_a＝T_e-t_d-t_v

步骤4：当存在前向碰撞危险时，驾驶员在警报时刻T_a前没有进行避险操作，远程控制终端通过无线传输模块将危险信号传输至预警提示器，主控制器令预警提示器工作，发出警报。

步骤5：若驾驶员在警报时刻前进行了避险操作，远程控制终端进一步判断是否存在前向碰撞危险；

步骤5中所述远程控制终端进一步判断是否存在前向碰撞危险为：

远程控制终端将驾驶员真实制动时刻T_d与真实制动强度a_d计算驾驶员在允许避险最晚操作时刻制动后的两车之间距离D(t)：

v_e,r＝(T_e-T_d)·a'_r+v'_r

v_e,f＝(T_e-T_d)·a'_f+v'_f

远程控制终端根据驾驶员真实制动时刻T_d与真实制动强度a_d计算D(t)判别式Δ：

其中，T_d为真实制动时刻，T_e驾驶员允许避险最晚操作时刻，v_e,r为驶员允许避险最晚操作时刻自车车速，v_e,f为驶员允许避险最晚操作时刻前车车速，v'_r为驾驶员真实制动时刻自车车速，a'_r为驾驶员真实制动时刻自车加速度，v'_f为驾驶员真实制动时刻自车车速，a'_f为驾驶员真实制动时刻前车加速度，D'₀为驾驶员真实制动时刻自车与前车之间的距离，D(t)为驾驶员在允许避险最晚操作时刻制动后的两车之间距离函数，t为允许避险最晚操作时刻制动后时间；

若Δ<0，则存在前向碰撞危险，远程控制终端通过无线传输模块将危险信号传输至主控制器，主控制器令预警控制器工作，发出警报；

步骤6：补偿制动强度计算；

步骤6中所述补偿制动强度计算为：

当警报发出后，驾驶员在应急反应时间t_d内应作出相应的操作，在车辆响应时刻T_v前完成避险操作，则远程控制终端通过无线传输模块将解除危险信号传输至主控制器，主控制器令预警控制器停止工作，解除警报；否则远程控制终端将通过安全距离计算是否需要补偿制动强度；在车辆响应时刻T_v远程控制终端提取自车车速v_v,r，前车车速v_v,f，自车加速度a_v,r，前车加速度a_v,f，自车与前车的距离D_v，当v_v,r＝v_v,f时，车距为D₁：

T_v＝T_e-t_v

当D₁≥0时，远程控制终端通过无线传输模块将解除危险信号传输至主控制器，主控制器令预警控制器停止工作，解除警报。当D₁<0时，远程控制终端传输信息让主控制器令制动模块进行制动强度补偿，补偿值为a_c，在补偿控制后，应满足D₁≥0：

由上式可以推导出补偿制动强度最小值a_cmin为：

其中，T_v为车辆响应时刻，T_e驾驶员允许避险最晚操作时刻，t_d驾驶员应急反应时间，v_v,r车辆响应时刻自车车速，v_v,f为车辆响应时刻前车车速，a_v,r为车辆响应时刻自车加速度，a_v,f为车辆响应时刻前车加速度，a_c为补偿制动强度，D_v为车辆响应时刻自车与前车的距离，D₁为当v_v,r＝v_v,f时自车与前车的距离；

步骤7：当需要进行制动强度补偿时，远程控制终端通过无线传输模块将最小补偿制动强度传输至主控制器，主控制器发送命令给制动模块，制动模块通过对主制动器、辅助制动装置的调控，完成制动强度的补偿。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (4)

1.一种循环神经网络的汽车前向碰撞预警控制方法，其特征在于，包括：

速度传感器、加速度传感器、测距传感器、主控制器、制动模块、预警提示器、GPS模块、无线传输模块、远程控制终端；

所述主控制器分别与所述的速度传感器、加速度传感器、测距传感器、制动模块、预警提示器、无线传输模块通过导线依次连接；所述无线传输模块与所述远程控制终端通过无线通信方式连接；

所述速度传感器安装于车辆上，用于采集车辆速度；

所述加速度传感器安装于车辆上，用于采集车辆加速度；

所述测距传感器安装于车辆前端，用于采集自车与前车之间的距离；

所述预警提示器安装于车辆上驾驶员附近，包括预警指示灯与蜂鸣器，用于提示驾驶员进行制动操作；

所述制动模块安装于车辆上，用于避免前向碰撞对整车制动强度进行补偿；

所述的GPS模块安装于车辆上，用于采集车辆位置信息；

所述主控制器安装于车辆上，用于收集速度传感器采集的车辆速度、加速度传感器采集的车辆加速度、GPS模块采集的车辆位置信息与测距传感器采集的自车与前车之间的距离，根据远程控制终端反馈结果决定所述预警提示器以及所述制动模块是否工作；

所述无线传输模块安装于车辆上，用于将所述主控制器采集的车辆信息传输至所述的远程控制终端和从所述的远程控制终端反馈信息传输至主控制器；

所述远程控制终端用于分析接收车辆信息，根据GPS位置信息判断前车位置，完成对驾驶员预期制动强度的自学习，判断是否存在前向碰撞风险；

所述循环神经网络的汽车前向碰撞预警控制方法包括：

步骤1：远程控制终端根据当前时刻自车车速，自车加速度，前车车速，前车加速度，自车与前车之间的距离，判断自车与前车保持行车状态是否存在前向碰撞危险；

步骤2：若存在前向碰撞风险，远程控制终端通过循环神经网络对驾驶员预期制动强度a_e进行预测；

步骤3：远程控制终端计算警报时刻；

步骤4：当存在前向碰撞危险时，驾驶员在警报时刻T_a前没有进行避险操作，远程控制终端通过无线传输模块将危险信号传输至预警提示器，主控制器令预警提示器工作，发出警报；

步骤5：若驾驶员在警报时刻前进行了避险操作，远程控制终端进一步判断是否存在前向碰撞危险；

步骤6：补偿制动强度计算；

步骤7：当需要进行制动强度补偿时，远程控制终端通过无线传输模块将最小补偿制动强度传输至主控制器，主控制器发送命令给制动模块，制动模块通过对主制动器、辅助制动装置的调控，完成制动强度的补偿；

步骤1中远程控制端根据智能网联内车辆GPS信息确认前车；

步骤1中所述自车车速为v_r，所述自车加速度为a_r，所述前车车速为v_f，所述前车加速度为a_f，所述自车与前车之间的距离为D₀；

主控制器接收速度传感器采集的v_r，并通过无线传输模块发送至远程控制终端；

主控制器接收加速度传感器采集的a_r，并通过无线传输模块发送至远程控制终端；

主控制器接收测距传感器采集的D₀，并通过无线传输模块发送至远程控制终端；

步骤1中所述判断自车与前车保持行车状态是否存在前向碰撞危险为：

若a_r>a_f，自车车速逐渐快于前车车速，则存在前向碰撞危险；

若a_r<a_f且v_r<v_f，自车与前车之间的距离将会拉大，不存在前向碰撞危险；

若a_r<a_f且v_r>v_f，若D>0则不存在前向碰撞危险，若D≤0则存在前向碰撞危险；

D具体计算如下：

其中，D为当v_r＝v_f时的自车与前车之间的距离；

步骤2中所述对驾驶员预期制动强度a_e进行预测具体过程为：

步骤2.1：构建循环神经网络的训练集；

步骤2.1构建循环神经网络的训练集为：

远程控制终端提取自车最近n次前向避险过程中制动时刻相关参数作为训练集，其中m为提取的第1次前向避险过程，训练集为：

x_i＝({v'_r,i,v'_f,i,a'_r,i,a'_f,i,D'_0,i},0＜m≤i≤n+m,m,n,i∈Z)

其中，v'_r,i为第i次前向避险过程中制动时刻的自车车速，v'_f,i为第i次前向避险过程中制动时刻的前车车速，a'_r,i为第i次前向避险过程中制动时刻的自车加速度，a'_f,i为第i次前向避险过程中制动时刻的前车加速度，D'_0,i为第i次前向避险过程中制动时刻的自车与前车之间的距离；

记录最近n次前向避险过程中制动时刻的制动强度集y_i：

y_i＝({a_d,i}，m≤i≤n+m,m,n,i∈Z)

其中，a_d,i为第i次前向避险过程中制动时刻的真实制动强度；

步骤2.2：根据训练集对循环神经网络进行训练得到训练后循环神经网络；

步骤2.2中所述根据训练集对循环神经网络进行训练具体过程为：

确定循环神经模型具体结构，构建循环神经网络模型；构建的循环神经模型采用具有1个输入层，5个隐含层和1个输出层；

模型初始化：对模型参数中权重矩阵U、W、V和偏置矩阵b、c进行随机初始化；第i次前向避险过程中制动时刻的循环神经网络模型隐藏状态记作h_i，模型的预测值记作

激活函数f(x)一般为tanh,b为线性关系的偏倚，激活函数g(x)一般是Softmax函数；循环神经网络一般可以写作如下形式：

正向传播训练：将训练样本数据输入循环神经模型，通过正向传播，得出初始模型参数下循环神经模型的预测值，通过不断减少预测值

与真实值y_i的差值来调整模型参数；

反向传播训练：选取模型的损失函数作为优化目标，模型参数权重矩阵U、W、V和偏置矩阵b、c作为优化对象；根据误差使用梯度下降法迭代对于模型参数进；

选取交叉熵函数Loss作为损失函数，记作L，其表达如下：

计算权值矩阵V和偏置矩阵c的梯度：

计算i时刻隐藏状态梯度δ_i，在反向传播时，i的梯度损失由当前前向碰撞避险对应的梯度损失和下次前向碰撞避险i+1的梯度损失两部分共同决定，参考深度神经网络δ_i+1递推δ_i，函数diag表示取矩阵对角元素：

计算权值矩阵W，U和偏置矩阵b的梯度：

经过反复迭代：

步骤2.3：确定训练后的循环神经网络模型；

步骤2.3中所述根据训练集对循环神经网络进行训练具体过程为：

使用相同训练集x_i重新输入优化后的循环神经网络模型；

综合正向传播训练与反向传播训练，对比预测值

与真实值y_i之间的误差，预测制动强度

与真实制动强度y_i平均误差应小于一定阈值；若误差满足要求，则确定模型参数；若误差不满足要求，则重复步骤2.2对参数进行调整，直到误差满足要求；

步骤2.4：远程控制终端将当前时刻的自车车速v_r、前车车速v_f、自车加速度a_r、前车加速度a_f、自车与前车之间的距离D₀代入优化后的循环神经网络模型不断对驾驶员期望制动强度进行预测a_e。

2.根据权利要求1所述的循环神经网络的汽车前向碰撞预警控制方法，其特征在于，步骤3中所述远程控制终端计算驾驶员允许避险操作时间具体为：

当前时刻为T₀，驾驶员预期制动强度为a_e；

在驾驶员允许避险最晚操作时刻T_e，自车车速为v_e,r，前车车速为v_e,f，驾驶员在允许避险最晚操作时刻制动后的两车之间距离D(t)计算公式如下：

v_e,r＝(T_e-T₀)·a_r+v_r

v_e,f＝(T_e-T₀)·a_f+v_f

若要保证与前车不发生碰撞，那么在驾驶员允许避险最晚操作时刻T_e应使D(t)≥0，即要求其判别式Δ≥0，临界条件为Δ＝0，T_e-T₀为驾驶员允许避险操作时间，D(t)判别式Δ计算如下：

其中，T₀为当前时刻，T_e驾驶员允许避险最晚操作时刻，v_e,r为驶员允许避险最晚操作时刻自车车速，v_e,f为驶员允许避险最晚操作时刻前车车速，v_r为当前时刻自车车速，a_r为当前时刻自车加速度，v_f为当前时刻自车车速，a_f为当前时刻自车加速度，D₀为当前时刻自车与前车之间的距离，D(t)为驾驶员在允许避险最晚操作时刻制动后的两车之间距离函数，t为允许避险最晚操作时刻制动后时间；

通过上式即可计算出驾驶员允许避险最晚操作时刻T_e；

但在实际情况下，警报时刻T_a应早于驾驶员允许避险最晚操作时刻T_e，一方面由于警报发出后应给予驾驶员应急反应时间t_d，另一方面是汽车加速度变化是一个连续的过程，需要一定的响应时间t_v，则警报时刻T_a可以表示如下：

T_a＝T_e-t_d-t_v。

3.根据权利要求1所述的循环神经网络的汽车前向碰撞预警控制方法，其特征在于，步骤5中所述远程控制终端进一步判断是否存在前向碰撞危险为：

远程控制终端将驾驶员真实制动时刻T_d与真实制动强度a_d计算驾驶员在允许避险最晚操作时刻制动后的两车之间距离D(t)：

v_e,r＝(T_e-T_d)·a'_r+v'_r

v_e,f＝(T_e-T_d)·a'_f+v'_f

远程控制终端根据驾驶员真实制动时刻T_d与真实制动强度a_d计算D(t)判别式Δ：

其中，T_d为真实制动时刻，T_e驾驶员允许避险最晚操作时刻，v_e,r为驶员允许避险最晚操作时刻自车车速，v_e,f为驶员允许避险最晚操作时刻前车车速，v'_r为驾驶员真实制动时刻自车车速，a'_r为驾驶员真实制动时刻自车加速度，v'_f为驾驶员真实制动时刻自车车速，a'_f为驾驶员真实制动时刻前车加速度，D'₀为驾驶员真实制动时刻自车与前车之间的距离，D(t)为驾驶员在允许避险最晚操作时刻制动后的两车之间距离函数，t为允许避险最晚操作时刻制动后时间；

若Δ<0，则存在前向碰撞危险，远程控制终端通过无线传输模块将危险信号传输至主控制器，主控制器令预警控制器工作，发出警报。

4.根据权利要求1所述的循环神经网络的汽车前向碰撞预警控制方法，其特征在于，步骤6中所述补偿制动强度计算为：

当警报发出后，驾驶员在应急反应时间t_d内应作出相应的操作，在车辆响应时刻T_v前完成避险操作，则远程控制终端通过无线传输模块将解除危险信号传输至主控制器，主控制器令预警控制器停止工作，解除警报；否则远程控制终端将通过安全距离计算是否需要补偿制动强度；在车辆响应时刻T_v远程控制终端提取自车车速v_v,r，前车车速v_v,f，自车加速度a_v,r，前车加速度a_v,f，自车与前车的距离D_v，当v_v,r＝v_v,f时，车距为D₁：

T_v＝T_e-t_v

当D₁≥0时，远程控制终端通过无线传输模块将解除危险信号传输至主控制器，主控制器令预警控制器停止工作，解除警报；当D₁<0时，远程控制终端传输信息让主控制器令制动模块进行制动强度补偿，补偿值为a_c，在补偿控制后，应满足D₁≥0：

由上式可以推导出补偿制动强度最小值a_cmin为：

其中，T_v为车辆响应时刻，T_e驾驶员允许避险最晚操作时刻，t_d驾驶员应急反应时间，v_v,r车辆响应时刻自车车速，v_v,f为车辆响应时刻前车车速，a_v,r为车辆响应时刻自车加速度，a_v,f为车辆响应时刻前车加速度，a_c为补偿制动强度，D_v为车辆响应时刻自车与前车的距离，D₁为当v_v,r＝v_v,f时自车与前车的距离。

Images