CN110989568B - 一种基于模糊控制器的自动驾驶车辆安全通行方法及系统 - Google Patents

一种基于模糊控制器的自动驾驶车辆安全通行方法及系统 Download PDF

Info

Publication number
CN110989568B
CN110989568B CN201911120996.9A CN201911120996A CN110989568B CN 110989568 B CN110989568 B CN 110989568B CN 201911120996 A CN201911120996 A CN 201911120996A CN 110989568 B CN110989568 B CN 110989568B
Authority
CN
China
Prior art keywords
input
fuzzy
vehicle
collision
output
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
Application number
CN201911120996.9A
Other languages
English (en)
Other versions
CN110989568A (zh
Inventor
高炳钊
贾士政
李鑫
冷智鑫
何钢磊
郭洪艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN201911120996.9A priority Critical patent/CN110989568B/zh
Publication of CN110989568A publication Critical patent/CN110989568A/zh
Application granted granted Critical
Publication of CN110989568B publication Critical patent/CN110989568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours

Abstract

本发明公开了一种基于模糊控制器的自动驾驶车辆安全通行方法及系统，用于无信号灯交叉路口，该方法包括：获取周围车辆及自动驾驶车的状态信息；计算k时刻自动驾驶车辆与周围车辆的两方向瞬时碰撞时间；根据沿交叉路口X和Y方向的瞬时碰撞时间，通过模糊控制器，推理决策自动驾驶车辆在k时刻执行的加速度；控制节气门开度和制动轮缸压力以执行k时刻决策的自动驾驶车辆所采取的加速度策略；在k+1时刻更新自动驾驶车辆和周围车辆的状态信息，以及道路信息，以进行下一轮的滚动决策；重复执行上述所有步骤，直至自动驾驶车辆安全通过交叉路口或者停车避撞。该方法模拟驾驶员在遇到碰撞风险时的实际操作响应，可靠性高、实时性好，满足安全通行避撞的要求。

Description

一种基于模糊控制器的自动驾驶车辆安全通行方法及系统
技术领域
本发明涉及自动驾驶车辆行为决策的技术领域，特别涉及一种基于模糊控制器的自动驾驶车辆安全通行方法及系统。
背景技术
随着我国经济社会的不断发展，汽车走进千家万户，给人们生活出行带来极大方便，同时也带来了很多的问题，其中最突出问题的就是交通事故频发造成的人员伤亡数量不断上升。交通事故主要发生地又以无信号灯交叉路口为主，交叉路口是多方向道路的交汇区域，是相交道路车辆汇集和转向的所在地，车流量密集，交通状况复杂。加之一些交叉路口没有交通信号灯的引导，通行顺序全靠驾驶员之间的博弈来占先，驾驶风格激进的驾驶员为了使自己快速通过，给其他车辆和行人带来了很大的安全威胁，使得交叉路口极易发生碰撞事故，且事故发生往往引起交通阻塞，大大降低了道路通行效率，甚至再次引起事故，带来一系列的连锁反应。
统计数据显示，美国有超过40％的交通事故发生在交叉路口及其附近，德国有接近60％的交通事故发生在交叉路口，日本有大约42％的交通事故发生在交叉路口及其附近，我国发生在交叉路口的交通事故大约为30％。
由此可见，交叉路口对整个道路通行安全水平有着十分重要的意义。研究自动驾驶车辆在无信号灯交叉口的通行安全通行，是自动驾驶车辆安全行驶的重要保障，同时也提高了其他出行车辆和行人的安全性，提高道路交通的通行效率。
发明内容
为了解决自动驾驶车辆在复杂无信号灯交叉路口的开放场景下安全通行的问题，本发明提供了一种基于模糊控制器的自动驾驶车辆安全通行方法及系统，该方法可模拟驾驶员在遇到碰撞风险时的实际操作响应，其可靠性高、实时性好，能够准确模拟人们处理不清楚情况的方式，满足实际道路交通情况下自动驾驶车辆安全通行避撞的要求，解决了自动驾驶车辆在无信号灯交叉口潜在碰撞危险系数较大的问题，提高了自动驾驶车辆决策与人类驾驶员决策的符合度。
本发明实施例提供一种基于模糊控制器的自动驾驶车辆安全通行方法，用于无信号灯交叉路口，包括以下步骤：
S1、获取周围车辆及自动驾驶车的状态信息；所述状态信息包括：绝对位置坐标、速度矢量、航向角和加速度；构成状态向量(x,y,v,
Figure BDA0002275467360000022
a)；
S2、计算k时刻所述自动驾驶车辆与所述周围车辆的两方向瞬时碰撞时间；
S3、根据沿交叉路口X和Y方向的瞬时碰撞时间，通过模糊控制器，推理决策自动驾驶车辆在k时刻执行的加速度；
S4、控制节气门开度和制动轮缸压力以执行k时刻决策的自动驾驶车辆所采取的加速度策略；
S5、在k+1时刻更新所述自动驾驶车辆和所述周围车辆的状态信息，以及道路信息，以进行下一轮的滚动决策；重复执行上述所有步骤，直至自动驾驶车辆安全通过交叉路口或者停车避撞。
在一个实施例中，所述步骤S2包括：
根据获取周围车辆及自动驾驶车的状态信息预测将来车辆的行驶轨迹，自动驾驶车辆与周围车辆行驶轨迹的交汇区域为碰撞发生区；
滚动更新瞬时碰撞时间TTC(k)来进行评估车辆之间碰撞的危险程度；TTC(k)的计算公式如下：
Figure BDA0002275467360000021
其中，TTC(k)表示k时刻瞬时的碰撞时间，ΔD(k)表示两车之间的瞬时相对距离，vp(k)和vf(k)分别表示前车和后车的瞬时速度大小；TTC(k)的值越小表示即将发生碰撞的危险等级越高；相反，TTC(k)的值越大，表示发生碰撞的危险等级越低。
在一个实施例中，所述步骤S2中，当交叉路口为十字型时，将预设范围内所有车辆的状态矢量投影到道路方向；分别计算X和Y方向的瞬时碰撞时间TTCX(k)和TTCY(k)；
Figure BDA0002275467360000031
(2)式中，TTCX(k)表示k时刻在X方向的滚动更新瞬时的碰撞时间；ΔDX(k)表示在X方向的瞬时相对距离，对于十字型交叉路口，为车辆到碰撞区域边缘的距离；vp X(k)表示前车在X方向的瞬时速度矢量和的模值，vf X(k)表示后车在X方向的瞬时速度矢量的模值，等于自动驾驶车辆在X方向的瞬时速度矢量vVeh.auto X(k)的模值；
Figure BDA0002275467360000032
(3)式中，TTCY(k)表示k时刻在Y方向的滚动更新瞬时的碰撞时间，ΔDY(k)表示在Y方向的瞬时相对距离，对于十字型交叉路口，为车辆到碰撞区域边缘的距离；vp Y(k)表示前车在Y方向的瞬时速度矢量和的模值，vf Y(k)表示后车在Y方向的瞬时速度矢量的模值，等于自动驾驶车辆在Y方向的瞬时速度矢量vVeh.auto Y(k)的模值。
在一个实施例中，所述步骤S3，包括：
通过双输入单输出的模糊控制器，沿X、Y方向的滚动更新瞬时的碰撞时间TTCX(k)、TTCY(k)作为模糊控制器的输入；自动驾驶车辆加速度的绝对值|a|作为模糊控制器的输出；
输入输出论域
Figure BDA0002275467360000033
到[0,1]闭区间的任意影射:
Figure BDA0002275467360000034
均确定
Figure BDA0002275467360000035
上的一个模糊集合R，fR(x)叫做x对模糊集R的隶属度函数，记为：
Figure BDA0002275467360000036
(5)式中，
Figure BDA0002275467360000041
分别表示X、Y方向的滚动更新瞬时的碰撞时间TTCX|Y(k)和|a|的值。
在一个实施例中，所述步骤S3具体包括：
S31、将所述TTCX(k)和TTCY(k)作为模糊控制的两个输入；设置两个输入模糊论域，进行模糊化划分模糊等级，并根据所述模糊等级选择不同的隶属度函数；
S32、模糊控制器输出的为自动驾驶车辆加速度的绝对值，将模糊语言
采用重心法进行清晰化处理；将输出变量置为多个策略等级，并根据所述策略等级选择不同的隶属度函数；
S33、基于驾驶员危险认知，建立输入模糊子集和输出模糊子集之间相对
应的模糊规则；所述模糊规则包括：实时求解得到的沿X、Y方向两个滚动更新瞬时碰撞时间输入模糊控制器，确定输入模糊等级及输出策略等级；所述输出策略等级经重心法清晰化为精确的加速度绝对值数值。
在一个实施例中，所述步骤S4需满足约束条件：
amin≤aVeh.auto≤amax
vmin≤vVeh.auto≤vmax
其中，aVeh.auto、vVeh.auto分别为自动驾驶车辆决策执行的加速度与速度；
amin、amax分别为最小、最大加速度，与整车质量、道路条件、轮胎结构、制动器制动力、路面附着系数因素相关；vmin、vmax分别为最小速度、安全速度，与交叉路口道路信息相关。
第二方面，本发明实施例还提供一种基于模糊控制器的自动驾驶车辆安全通行系统，用于无信号灯交叉路口，包括：
感知与获取模块，用于获取周围车辆及自动驾驶车的状态信息；所述状态信息包括：绝对位置坐标、速度矢量、航向角和加速度；构成状态向量(x,y,v,
Figure BDA0002275467360000042
a)；
计算模块，用于计算k时刻所述自动驾驶车辆与所述周围车辆的两方向瞬时碰撞时间；
推理模块，用于根据沿交叉路口X和Y方向的瞬时碰撞时间，通过模糊控制器，推理决策自动驾驶车辆在k时刻执行的加速度；
执行模块，用于控制节气门开度和制动轮缸压力以执行k时刻决策的自动驾驶车辆所采取的加速度策略；
更新模块，用于在k+1时刻更新所述自动驾驶车辆和所述周围车辆的状态信息，以及道路信息，以进行下一轮的滚动决策；重复执行上述所有模块，直至自动驾驶车辆安全通过交叉路口或者停车避撞。
在一个实施例中，所述计算模块包括：
预测子模块，用于根据获取周围车辆及自动驾驶车的状态信息预测将来车辆的行驶轨迹，自动驾驶车辆与周围车辆行驶轨迹的交汇区域为碰撞发生区；
计算子模块，用于滚动更新瞬时碰撞时间TTC(k)来进行评估车辆之间碰撞的危险程度；TTC(k)的计算公式如下：
Figure BDA0002275467360000051
其中，TTC(k)表示k时刻瞬时的碰撞时间，ΔD(k)表示两车之间的瞬时相对距离，vp(k)和vf(k)分别表示前车和后车的瞬时速度大小；TTC(k)的值越小表示即将发生碰撞的危险等级越高；相反，TTC(k)的值越大，表示发生碰撞的危险等级越低。
在一个实施例中，所述计算子模块，具体用于当交叉路口为十字型时，将预设范围内所有车辆的状态矢量投影到道路方向；分别计算X和Y方向的瞬时碰撞时间TTCX(k)和TTCY(k)；
Figure BDA0002275467360000052
(2)式中，TTCX(k)表示k时刻在X方向的滚动更新瞬时的碰撞时间；ΔDX(k)表示在X方向的瞬时相对距离，对于十字型交叉路口，为车辆到碰撞区域边缘的距离；vp X(k)表示前车在X方向的瞬时速度矢量和的模值，vf X(k)表示后车在X方向的瞬时速度矢量的模值，等于自动驾驶车辆在X方向的瞬时速度矢量vVeh.auto X(k)的模值；
Figure BDA0002275467360000053
(3)式中，TTCY(k)表示k时刻在Y方向的滚动更新瞬时的碰撞时间，ΔDY(k)表示在Y方向的瞬时相对距离，对于十字型交叉路口，为车辆到碰撞区域边缘的距离；vp Y(k)表示前车在Y方向的瞬时速度矢量和的模值，vf Y(k)表示后车在Y方向的瞬时速度矢量的模值，等于自动驾驶车辆在Y方向的瞬时速度矢量vVeh.auto Y(k)的模值。
在一个实施例中，所述推理模块，具体用于通过双输入单输出的模糊控制器，沿X、Y方向的滚动更新瞬时的碰撞时间TTCX(k)、TTCY(k)作为模糊控制器的输入；自动驾驶车辆加速度的绝对值|a|作为模糊控制器的输出；
输入输出论域
Figure BDA0002275467360000061
到[0,1]闭区间的任意影射:
Figure BDA0002275467360000062
均确定
Figure BDA0002275467360000063
上的一个模糊集合R，fR(x)叫做x对模糊集R的隶属度函数，记为：
Figure BDA0002275467360000064
(5)式中，
Figure BDA0002275467360000065
分别表示X、Y方向的滚动更新瞬时的碰撞时间TTCX|Y(k)和|a|的值。
在一个实施例中，所述推理模块包括：
模糊控制输入与模糊化单元，用于将所述TTCX(k)和TTCY(k)作为模糊控制的两个输入；设置两个输入模糊论域，进行模糊化划分模糊等级，并根据所述模糊等级选择不同的隶属度函数；
模糊控制清晰化与输出单元，用于模糊控制器输出的为自动驾驶车辆加速
度的绝对值，将模糊语言采用重心法进行清晰化处理；将输出变量置为多个策略等级，并根据所述策略等级选择不同的隶属度函数；
模糊规则制定单元，用于基于驾驶员危险认知，建立输入模糊子集和输出
模糊子集之间相对应的模糊规则；所述模糊规则包括：实时求解得到的沿X、Y方向两个滚动更新瞬时碰撞时间输入模糊控制器，确定输入模糊等级及输出策略等级；所述输出策略等级经重心法清晰化为精确的加速度绝对值数值。
在一个实施例中，所述模糊控制输入与模糊化单元具体包括：
模糊化分成四个模糊等级，分别为非常危险VD、较危险SD、较安全SS、安全SA；
选用Z型、高斯型和S型隶属度函数；其中VD采用Z型隶属度函数zmf、SD和SS采用高斯型隶属度函数gaussmf、SA采用S型隶属度函数smf；
则：1)TTCX(k)的隶属度函数：
VD＝‘zmf’,[1.5,3.5]；
Figure BDA0002275467360000071
SD＝‘guassmf’,[1,4]；
Figure BDA0002275467360000072
SS＝‘guassmf’,[1,8.5]；
Figure BDA0002275467360000073
SA＝‘smf’,[9,16]；
Figure BDA0002275467360000074
2)TTCY(k)的隶属度函数：
VD＝‘zmf’,[1.5,3.5]；
Figure BDA0002275467360000075
SD＝‘guassmf’,[1,4]；
Figure BDA0002275467360000081
SS＝‘guassmf’,[1,8.5]；
Figure BDA0002275467360000082
SA＝‘smf’,[9,16]；
Figure BDA0002275467360000083
在一个实施例中，所述模糊控制清晰化与输出单元具体包括：
模糊控制器输出的为自动驾驶车辆加速度的绝对值，将模糊语言采用重心法进行清晰化处理；
将输出变量置为五个策略等级，分别为大减速BD、次大减速BBD、中减速MD、次小减速ASD、小减速SD；
选用三角形隶属度函数和梯形隶属度函数，其中SD、ASD、MD、BBD采用三角型隶属度函数trimf、BD采用梯形隶属度函数trapmf；
则：加速度绝对值|a|的隶属度函数：
SD＝‘trimf’,[0,0,0.5]；
Figure BDA0002275467360000084
ASD＝‘trimf’,[0,1,2]；
Figure BDA0002275467360000085
MD＝‘trimf’,[1,2,3]；
Figure BDA0002275467360000086
BBD＝‘trimf’,[2.5,3.8,5]；
Figure BDA0002275467360000091
BD＝‘trapmf’,[4.5,6.5,7,7]；
Figure BDA0002275467360000092
在一个实施例中，所述模糊规则制定单元中，模糊规则具体包括：
规则1:当输入一为VD且输入二为VD，则输出为BD；
规则2:当输入一为VD且输入二为SD，则输出为BBD；
规则3:当输入一为VD且输入二为SS，则输出为MD；
规则4:当输入一为VD且输入二为SA，则输出为SD；
规则5:当输入一为SD且输入二为VD，则输出为BBD；
规则6:当输入一为SD且输入二为SD，则输出为BBD；
规则7:当输入一为SD且输入二为SS，则输出为MD；
规则8:当输入一为SD且输入二为SA，则输出为SD；
规则9:当输入一为SS且输入二为VD，则输出为MD；
规则10:当输入一为SS且输入二为SD，则输出为MD；
规则11:当输入一为SS且输入二为SS，则输出为ASD；
规则12:当输入一为SS且输入二为SA，则输出为SD；
规则13:当输入一为SA且输入二为VD，则输出为SD；
规则14:当输入一为SA且输入二为SD，则输出为SD；
规则15:当输入一为SA且输入二为SS，则输出为SD；
规则16:当输入一为SA且输入二为SA，则输出为SD。
在一个实施例中，所述执行模块，需满足约束条件：
amin≤aVeh.auto≤amax
vmin≤vVeh.auto≤vmax
其中，aVeh.auto、vVeh.auto分别为自动驾驶车辆决策执行的加速度与速度；
amin、amax分别为最小、最大加速度，与整车质量、道路条件、轮胎结构、制动器制动力、路面附着系数因素相关；vmin、vmax分别为最小速度、安全速度，与交叉路口道路信息相关。
本发明实施例提供的一种基于模糊控制器的自动驾驶车辆安全通行方法，用于无信号灯交叉路口，该方法包括：获取周围车辆及自动驾驶车的状态信息；计算k时刻自动驾驶车辆与周围车辆的两方向瞬时碰撞时间；根据沿交叉路口X和Y方向的瞬时碰撞时间，通过模糊控制器，推理决策自动驾驶车辆在k时刻执行的加速度；控制节气门开度和制动轮缸压力以执行k时刻决策的自动驾驶车辆所采取的加速度策略；在k+1时刻更新自动驾驶车辆和周围车辆的状态信息，以及道路信息，以进行下一轮的滚动决策；重复执行上述所有步骤，直至自动驾驶车辆安全通过交叉路口或者停车避撞。该方法简单、高效、实时性好，即使在复杂的交通条件下，自动驾驶车辆也能有效避免碰撞，具有较高的可靠性，解决了自动驾驶车辆在无信号灯交叉口潜在碰撞危险系数较大的问题，提高了自动驾驶车辆决策与人类驾驶员决策的符合度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的基于模糊控制器的自动驾驶车辆安全通行方法流程图。
图2为本发明实施例提供的滚动更新瞬时碰撞时间与危险程度决策流程图。
图3为本发明实施例提供TTCX(k)和TTCY(k)的隶属度函数示意图。
图4为本发明实施例提供加速度绝对值的隶属度函数示意图。
图5为本发明实施例提供的自动驾驶车辆决策执行流程图。
图6为本发明实施例提供的无信号灯交叉路口的示意图。
图7为本发明实施例提供的模糊控制器输入和输出示意图。
图8为本发明实施例提供的基于模糊控制器的自动驾驶车辆安全通行系统框图。
图9为本发明实施例提供的基于模糊控制器的自动驾驶车辆安全通行系统的执行过程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1所示，为本发明实施例提供的基于模糊控制器的自动驾驶车辆安全通行方法，包括：
S1、获取周围车辆及自动驾驶车的状态信息；所述状态信息包括：绝对位置坐标、速度矢量、航向角和加速度；构成状态向量(x,y,v,
Figure BDA0002275467360000111
a)；
S2、计算k时刻所述自动驾驶车辆与所述周围车辆的两方向瞬时碰撞时间；
S3、根据沿交叉路口X和Y方向的瞬时碰撞时间，通过模糊控制器，推理决策自动驾驶车辆在k时刻执行的加速度；
S4、控制节气门开度和制动轮缸压力以执行k时刻决策的自动驾驶车辆所采取的加速度策略；
S5、在k+1时刻更新所述自动驾驶车辆和所述周围车辆的状态信息，以及道路信息，以进行下一轮的滚动决策；重复执行上述所有步骤，直至自动驾驶车辆安全通过交叉路口或者停车避撞。
其中，步骤S1中，比如根据车载摄像头、激光雷达、毫米波雷达、GPS和IMU等传感器来感知周围车辆的状态信息，同时获取自动驾驶车辆自身的状态信息；本实施例中，获取的过程采用现有技术即可，对具体的获取过程和获取部件不作限定。其中，绝对位置坐标是指在大地坐标系下的绝对位置坐标。
步骤S2中，是在k时刻计算的当前时刻的瞬时碰撞时间。因为车辆是运动的，相对速度、相对距离都是不断改变的，所以该瞬时碰撞时间也是个不断变化的值，所以每个采样时间步骤0、1…k-1、k、k+1、k+2、k+3……k+n都需要进行滚动更新。该步骤中的碰撞时间是指：剩余多长时间车辆发生碰撞，例如5秒、10秒。即：当前时刻点计算未来碰撞的剩余时间。
步骤S3中，根据沿交叉路口X和Y方向的瞬时碰撞时间，即两个参数，通过模糊控制器，可以推理决策自动驾驶车辆在k时刻应当执行的加速度。例如，根据当前X和Y方向的两个碰撞时间，模糊控制器判断很危险，于是车辆执行如-3m/s2的加速度，即让自动驾驶车辆以此时模糊控制器决策出的最优加速度减速行驶，以免发生碰撞。
步骤S4～S5中，根据S3步骤输出的加速度策略，控制对应的节气门开度和制动轮缸压力，以执行k时刻的加速度策略。在k+1时刻更新自动驾驶车辆和周围车辆的状态信息，以及道路信息，重复执行上述所有步骤，自动驾驶车辆安全通过交叉路口或者停车避撞。其中，道路信息包括：直道弯道等道路类型、几个车道、车道前进方向、道路限速、路况好坏、路宽及道路的其他交通状况等信息。
本发明实施例中，首先在当前k时刻获取周围车辆及自动驾驶车的状态信息对的，计算k时刻自动驾驶车辆与周围车辆的两方向瞬时碰撞时间，根据沿交叉路口X和Y方向的瞬时碰撞时间，通过模糊控制器，推理决策自动驾驶车辆在k时刻执行的加速度，控制节气门开度和制动轮缸压力以执行k时刻决策的自动驾驶车辆所采取的加速度策略；在k+1时刻，更新自动驾驶车辆状态，周围车辆状态及道路信息等，以进行下一轮的滚动决策，重复上述所有步骤；直至自动驾驶车辆安全通过交叉路口或者停车避撞。
该方法通过模拟驾驶员在遇到碰撞风险时的实际操作响应，其可靠性高、实时性好，能够准确模拟人们处理不清楚情况的方式，满足实际道路交通情况下自动驾驶车辆安全通行避撞的要求，解决了自动驾驶车辆在无信号灯交叉口潜在碰撞危险系数较大的问题，提高了自动驾驶车辆决策与人类驾驶员决策的符合度。
下面分别对上述步骤进行详细说明：
在一个实施例中，根据步骤S1车载传感器采集到的交叉路口附近车辆的状态信息，包括绝对位置坐标、速度矢量、航向角、加速度。根据采集到的信息预测将来车辆的行驶轨迹，自动驾驶车辆与周围车辆行驶轨迹的交汇区域为碰撞发生区。为了衡量车辆之间碰撞的危险程度，使用滚动更新瞬时碰撞时间TTC(k)来进行评估，TTC(k)的计算公式如下：
Figure BDA0002275467360000131
其中，TTC(k)表示k时刻瞬时的碰撞时间，ΔD(k)表示两者之间的瞬时相对距离，vp(k)和vf(k)分别表示前车和后车的瞬时速度大小。TTC(k)的值越小表示即将发生碰撞的危险等级越高；相反，TTC(k)的值越大，表示发生碰撞的危险等级越低。
在一个实施例中，对于十字型交叉路口，各个方向车辆的行驶速度和位移的方向不同，将预设范围内所有车辆的速度等状态矢量投影到道路方向，分别计算X和Y方向的瞬时碰撞时间TTCX(k)和TTCY(k)。
Figure BDA0002275467360000132
(2)式中，TTCX(k)表示k时刻在X方向的滚动更新瞬时的碰撞时间；ΔDX(k)表示在X方向的瞬时相对距离，对于十字型交叉路口，即为车辆到碰撞区域边缘的距离；vp X(k)表示前车在X方向的瞬时速度矢量和的模值，vf X(k)表示后车在X方向的瞬时速度矢量的模值，等于自动驾驶车辆在X方向的瞬时速度矢量vVeh.auto X(k)的模值。
Figure BDA0002275467360000133
(3)式中，TTCY(k)表示k时刻在Y方向的滚动更新瞬时的碰撞时间，ΔDY(k)表示在Y方向的瞬时相对距离，对于十字型交叉路口，即为车辆到碰撞区域边缘的距离；vp Y(k)表示前车在Y方向的瞬时速度矢量和的模值，vf Y(k)表示后车在Y方向的瞬时速度矢量的模值，等于自动驾驶车辆在Y方向的瞬时速度矢量vVeh.auto Y(k)的模值。
为了更好地模拟人在遇到行驶冲突时的操纵反应，本发明采用模糊控制理论建立自动驾驶车辆的安全通行避撞策略。建立双输入单输出的模糊控制器，沿X、Y方向的滚动更新瞬时的碰撞时间TTCX(k)、TTCY(k)作为模糊控制器的输入，自动驾驶车辆加速度的绝对值|a|作为模糊控制器的输出。输入输出论域
Figure BDA0002275467360000141
到[0,1]闭区间的任意影射:
Figure BDA0002275467360000142
都确定
Figure BDA0002275467360000143
上的一个模糊集合R，fR(x)叫做x对模糊集R的隶属度函数，记为：
Figure BDA0002275467360000144
(5)式中，
Figure BDA0002275467360000145
分别表示X、Y方向的滚动更新瞬时的碰撞时间TTCX|Y(k)和|a|的值。
车辆R沿X、Y两个方向的滚动更新瞬时的碰撞时间决策部分：如图2，以碰撞区域Ⅰ为例，在车辆驶向碰撞区域时，滚动更新瞬时的碰撞时间TTCX|Y依车载传感器采集到的交叉路口附近车辆的状态信息以及获取的自动驾驶车辆自身的状态信息，通过计算得到。当车辆穿越碰撞区域，比如，则此车滚动更新瞬时的碰撞时间TTCX|Y数值置为安全值20，危险程度置为0。其中，
Figure BDA0002275467360000146
表示Veh.R在X、Y方向的速度分量；
Figure BDA0002275467360000147
和
Figure BDA0002275467360000148
分别表示碰撞区域Ⅰ左右边缘线的横坐标值、上下边缘线的纵坐标值；
Figure BDA0002275467360000149
是危险程度，
Figure BDA00022754673600001410
表示存在危险，
Figure BDA00022754673600001411
表示危险消除；dxVeh.R是Veh.R的x坐标微分值，dyVeh.R是Veh.R的y坐标微分值。图2为第k个时间步的决策过程，以后每个时间步需要重复执行上述过程直至结束。
其中，如若瞬时碰撞时间TTCX|Y为0表示碰撞发生；如若车速很慢、距离很远的情况，瞬时碰撞时间的数值会很大，例如50秒和100秒，此时区别意义不明显，即都足够安全、碰撞概率极低，本实施例中，设定了上限为20秒，大于20秒的都可以按照20秒来判断。区间[0,20]并不构成对本发明的限定。
如图2所示：以I区域交通情况为例，在一个决策时间步k内，如果周围车辆的位置坐标满足
Figure BDA0002275467360000151
且
Figure BDA0002275467360000152
(xVeh.R、yVeh.R分别表示周围车辆Veh.R的绝对位置坐标值，
Figure BDA0002275467360000153
表示碰撞区域Ⅰ左边缘线的横坐标值，
Figure BDA0002275467360000154
表示碰撞区域Ⅰ下边缘线的纵坐标值)此时车辆驶向碰撞区域；否则，车辆驶离碰撞区域，输出危险程度
Figure BDA0002275467360000155
为0，X、Y方向的瞬时碰撞时间
Figure BDA0002275467360000156
均置为20。在车辆驶向碰撞区域时，如果X、Y方向的瞬时速度
Figure BDA0002275467360000157
均不为零，则
Figure BDA0002275467360000158
为1，
Figure BDA0002275467360000159
依滚动更新瞬时碰撞时间公式的计算值；否则，危险程度
Figure BDA00022754673600001510
为0，X、Y方向的瞬时碰撞时间
Figure BDA00022754673600001511
均置为20。如果X方向速度
Figure BDA00022754673600001512
不为0且y坐标微分dyVeh.R为0，则
Figure BDA00022754673600001513
为0，
Figure BDA00022754673600001514
为20，
Figure BDA00022754673600001515
为1，
Figure BDA00022754673600001516
依滚动更新瞬时碰撞时间公式的计算值；否则，危险程度
Figure BDA00022754673600001517
为0，X、Y方向的瞬时碰撞时间
Figure BDA00022754673600001518
均置为20。如果Y方向速度
Figure BDA00022754673600001519
不为0且x坐标微分dxVeh.R为0，则
Figure BDA00022754673600001520
为0，
Figure BDA00022754673600001521
为20，
Figure BDA00022754673600001522
为1，
Figure BDA00022754673600001523
依滚动更新瞬时碰撞时间公式的计算值；否则，危险程度
Figure BDA00022754673600001524
为0，X、Y方向的瞬时碰撞时间
Figure BDA00022754673600001525
均置为20。完成一个决策时间步k内对
Figure BDA00022754673600001526
计算值的判断。
在一个实施例中，上述步骤S3包括：
S31、将所述TTCX(k)和TTCY(k)作为模糊控制的两个输入；设置两个输入模糊论域，进行模糊化划分模糊等级，并根据所述模糊等级选择不同的隶属度函数；
S32、模糊控制器输出的为自动驾驶车辆加速度的绝对值，将模糊语言
采用重心法进行清晰化处理；将输出变量置为多个策略等级，并根据所述策略等级选择不同的隶属度函数；
S33、基于驾驶员危险认知，建立输入模糊子集和输出模糊子集之间相对
应的模糊规则；所述模糊规则包括：实时求解得到的沿X、Y方向两个滚动更新瞬时碰撞时间输入模糊控制器，确定输入模糊等级及输出策略等级；所述输出策略等级经重心法清晰化为精确的加速度绝对值数值。
分别对上述步骤S31～S32进行说明：
(1)模糊控制输入与模糊化通过瞬时相对距离、瞬时相对速度、以及滚动更新瞬时的碰撞时间决策部分共同实时计算得到的TTCX(k)和TTCY(k)作为模糊控制的两个输入。比如两个输入模糊论域均设置为[0s,20s]，对它们进行模糊化分成四个模糊等级，分别为非常危险VD、较危险SD、较安全SS、安全SA。本发明实施例中综合选用Z型、高斯型和S型隶属度函数以获得更好的模糊化效果，其中VD采用Z型隶属度函数zmf、SD和SS采用高斯型隶属度函数gaussmf、SA采用S型隶属度函数smf。
zmf描述如下：
Figure BDA0002275467360000161
gaussmf描述如下：
Figure BDA0002275467360000162
smf描述如下：
Figure BDA0002275467360000163
如下显示了输入模糊子集和隶属度函数：
1)TTCX(k)的隶属度函数：
VD＝‘zmf’,[1.5,3.5]；
Figure BDA0002275467360000164
SD＝‘guassmf’,[1,4]；
Figure BDA0002275467360000171
SS＝‘guassmf’,[1,8.5]；
Figure BDA0002275467360000172
SA＝‘smf’,[9,16]；
Figure BDA0002275467360000173
2)TTCY(k)的隶属度函数：
VD＝‘zmf’,[1.5,3.5]；
Figure BDA0002275467360000174
SD＝‘guassmf’,[1,4]；
Figure BDA0002275467360000175
SS＝‘guassmf’,[1,8.5]；
Figure BDA0002275467360000176
SA＝‘smf’,[9,16]；
Figure BDA0002275467360000177
如图3，是TTCX(k)和TTCY(k)的隶属度函数示意图。
(2)模糊控制清晰化与输出
模糊控制器输出的是自动驾驶车辆加速度的绝对值，为获得准确的控制量，将模糊语言进行清晰化(反模糊化)处理。为了具有更平滑的输出，本发明实施例清晰化采用重心法，如下：
Figure BDA0002275467360000181
一般汽车在紧急制动时的最大加速度绝对值可达7～8m/s2，输出模糊论域设置为[0m/s2,7m/s2]，比如将输出变量置为五个策略等级，分别为大减速BD、次大减速BBD、中减速MD、次小减速ASD、小减速SD，本发明实施例综合选用三角形隶属度函数和梯形隶属度函数，其中SD、ASD、MD、BBD采用三角型隶属度函数trimf、BD采用梯形隶属度函数trapmf。
trimf描述如下：
Figure BDA0002275467360000182
trapmf描述如下：
Figure BDA0002275467360000183
如下显示了输出模糊子集和隶属度函数:
加速度绝对值|a|的隶属度函数：
SD＝‘trimf’,[0,0,0.5]；
Figure BDA0002275467360000184
ASD＝‘trimf’,[0,1,2]；
Figure BDA0002275467360000191
MD＝‘trimf’,[1,2,3]；
Figure BDA0002275467360000192
BBD＝‘trimf’,[2.5,3.8,5]；
Figure BDA0002275467360000193
BD＝‘trapmf’,[4.5,6.5,7,7]；
Figure BDA0002275467360000194
如图4，是加速度绝对值的隶属度函数示意图。
(3)模糊规则制定
基于驾驶员危险认知，建立输入模糊子集和输出模糊子集之间相对应的模糊规则，如下：
Rule1:If(input1 is VD)and(input2 is VD)then(output1 is BD)
Rule2:If(input1 is VD)and(input2 is SD)then(output1 is BBD)
Rule3:If(input1 is VD)and(input2 is SS)then(output1 is MD)
Rule4:If(input1 is VD)and(input2 is SA)then(output1 is SD)
Rule5:If(input1 is SD)and(input2 is VD)then(output1 is BBD)
Rule6:If(input1 is SD)and(input2 is SD)then(output1 is BBD)
Rule7:If(input1 is SD)and(input2 is SS)then(output1 is MD)
Rule8:If(input1 is SD)and(input2 is SA)then(output1 is SD)
Rule9:If(input1 is SS)and(input2 is VD)then(output1 is MD)
Rule10:If(input1 is SS)and(input2 is SD)then(output1 is MD)
Rule11:If(input1 is SS)and(input2 is SS)then(output1 is ASD)
Rule12:If(input1 is SS)and(input2 is SA)then(output1 is SD)
Rule13:If(input1 is SA)and(input2 is VD)then(output1 is SD)
Rule14:If(input1 is SA)and(input2 is SD)then(output1 is SD)
Rule15:If(input1 is SA)and(input2 is SS)then(output1 is SD)
Rule16:If(input1 is SA)and(input2 is SA)then(output1 is SD)
即：
规则1:如果(输入一为VD)且(输入二为VD)，那么(输出为BD)
规则2:如果(输入一为VD)且(输入二为SD)，那么(输出为BBD)
规则3:如果(输入一为VD)且(输入二为SS)，那么(输出为MD)
规则4:如果(输入一为VD)且(输入二为SA)，那么(输出为SD)
规则5:如果(输入一为SD)且(输入二为VD)，那么(输出为BBD)
规则6:如果(输入一为SD)且(输入二为SD)，那么(输出为BBD)
规则7:如果(输入一为SD)且(输入二为SS)，那么(输出为MD)
规则8:如果(输入一为SD)且(输入二为SA)，那么(输出为SD)
规则9:如果(输入一为SS)且(输入二为VD)，那么(输出为MD)
规则10:如果(输入一为SS)且(输入二为SD)，那么(输出为MD)
规则11:如果(输入一为SS)且(输入二为SS)，那么(输出为ASD)
规则12:如果(输入一为SS)且(输入二为SA)，那么(输出为SD)
规则13:如果(输入一为SA)且(输入二为VD)，那么(输出为SD)
规则14:如果(输入一为SA)且(输入二为SD)，那么(输出为SD)
规则15:如果(输入一为SA)且(输入二为SS)，那么(输出为SD)
规则16:如果(输入一为SA)且(输入二为SA)，那么(输出为SD)
模糊推理采用Mamdani取小运算的方法。最后采用上述的重心法得到模糊控制器的清晰化输出结果。
以模糊规则1为例，其含义为实时求解得到的沿X、Y方向两个滚动更新瞬时碰撞时间输入模糊控制器，经过上述输入模糊隶属度函数均确定为VD等级，则表明车辆之间沿X、Y方向的投影同时存在碰撞危险，即两车同时接近碰撞区域，此时自动驾驶车辆采取BD策略，接下来再将得到的输出策略等级BD经重心法清晰化为精确的加速度绝对值数值。
以模糊规则4为例，其含义为实时求解得到的沿X、Y方向两个滚动更新瞬时碰撞时间输入模糊控制器，经过上述输入模糊隶属度函数确定X方向碰撞为VD等级，Y方向碰撞为SA等级，则表明只有沿X方向的投影存在碰撞危险，此时为一方车辆距离碰撞区域较近且即将穿越碰撞区域，另一方车辆距离碰撞区域较远，此时单方向投影冲突不构成车车冲突，自动驾驶车辆采取SD策略，接下来再将得到的输出策略等级SD经重心法清晰化为精确的加速度绝对值数值。
在一个实施例中，上述步骤S4还应满足如下约束条件：
amin≤aVeh.auto≤amax
vmin≤vVeh.auto≤vmax
其中，aVeh.auto、vVeh.auto分别为自动驾驶车辆决策执行的加速度与速度；amin、amax分别为最小、最大加速度，与整车质量、道路条件、轮胎结构、制动器制动力、路面附着系数等因素有关；vmin、vmax分别为最小速度、安全速度，与交叉路口条件等道路信息有关。
自动驾驶车辆驾驶行为决策部分，如图5，当
Figure BDA0002275467360000211
不全为0且
Figure BDA0002275467360000212
不全为20时，自动驾驶车辆执行模糊控制器的输出结果，否则自动驾驶车辆释放制动轮缸压力、缓慢增大节气门开度跟踪“S”型起步车速以达到初始巡航速度。
最后步骤S5，用于在k+1时刻更新自动驾驶车辆和周围车辆的状态信息，以及道路信息，以进行新一轮的滚动决策。重复执行上述所有步骤，直至自动驾驶车辆安全通过交叉路口或者停车避撞以最小化碰撞风险。
本发明实施实例，如图6是为本发明实施例对应的一种无信号灯交叉路口情况，其中Vehicle_autonomous是装有包含本发明车辆安全通行方法的模糊控制器在内系统的自动驾驶车辆，Vehicle_Related.2～Vehicle_Related.6是自动驾驶车辆车载传感器检测到的交叉路口附近的相关车辆。Vehicle_Related.2从南向北行驶，Vehicle_Related.3从东向北行驶，Vehicle_Related.4从东向南行驶，Vehicle_Related.5从北向西行驶，Vehicle_Related.6从东向西行驶，图中Vehicle_Related.2'or3'是Vehicle_Related.2或Vehicle_Related.3穿越碰撞区域后的某一位置。具体如下：
Vehicle_Related.2:S→N
Vehicle_Related.3:E→N
Vehicle_Related.4:E→S
Vehicle_Related.5:N→W
Vehicle_Related.6:E→W
Vehicle_Related.2'or3':Vehicle_Related.2或Vehicle_Related.3穿越碰撞区域后的某一位置。
N(North)、S(South)、E(East)、W(West)。
如图7所示为本发明具体实施实例中的输入和输出示意图，在某一决策k时刻，模糊控制器的输入一沿X方向的滚动更新瞬时碰撞时间TTCX(k)，其值为2.87s；输入二沿Y方向的滚动更新瞬时碰撞时间TTCY(k)，其值为7.12s时，将输入一输入二连接到模糊控制器的两个输入端接口，模糊控制器根据所制定的模糊规则与推理方式进行模糊推理，由重心法清晰化得到的模糊控制器输出结果为2.05，即此时刻k自动驾驶车辆应采取的加速度为-2.05m/s2。
本发明实施例提供的一种基于模糊控制器的自动驾驶车辆安全通行方法，该方法的模糊控制器采用多种类型隶属度函数对沿交叉路口两个方向的滚动更新瞬时碰撞时间进行模糊化；充分考虑人类驾驶员的经验与习惯建立模糊推理规则库；采用多种类型隶属度函数与重心法将模糊语言清晰化为车辆加速度绝对值的精确值。在下一时刻更新自动驾驶车辆和周围车辆的状态信息，以及道路信息，以进行新一轮的滚动决策。该方法简单、高效、实时性好，即使在复杂的交通条件下，自动驾驶车辆也能有效避免碰撞，具有较高的可靠性，解决了自动驾驶车辆在无信号灯交叉口潜在碰撞危险系数较大的问题，提高了自动驾驶车辆决策与人类驾驶员决策的符合度。
基于同一发明构思，本发明实施例还提供了一种基于模糊控制器的自动驾驶车辆安全通行系统，由于该系统所解决问题的原理与前述方法相似，因此该系统的实施可以参见前述方法的实施，重复之处不再赘述。
第二方面，本发明还提供一种基于模糊控制器的自动驾驶车辆安全通行系统，用于无信号灯交叉路口，参照图8～9所示，包括：
感知与获取模块81，用于获取周围车辆及自动驾驶车的状态信息；所述状态信息包括：绝对位置坐标、速度矢量、航向角和加速度；构成状态向量(x,y,v,
Figure BDA0002275467360000231
a)；
计算模块82，用于计算k时刻所述自动驾驶车辆与所述周围车辆的两方向瞬时碰撞时间；
推理模块83，用于根据沿交叉路口X和Y方向的瞬时碰撞时间，通过模糊控制器，推理决策自动驾驶车辆在k时刻执行的加速度；
执行模块84，用于控制节气门开度和制动轮缸压力以执行k时刻决策的自动驾驶车辆所采取的加速度策略；
更新模块85，用于在k+1时刻更新所述自动驾驶车辆和所述周围车辆的状态信息，以及道路信息，以进行下一轮的滚动决策；重复执行上述所有步骤，直至自动驾驶车辆安全通过交叉路口或者停车避撞。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种基于模糊控制器的自动驾驶车辆安全通行方法，用于无信号灯交叉路口，其特征在于，包括以下步骤：
S1、获取周围车辆及自动驾驶车的状态信息；所述状态信息包括：绝对位置坐标、速度矢量、航向角和加速度；构成状态向量
Figure FDA0002828171440000011
S2、计算k时刻所述自动驾驶车辆与所述周围车辆的两方向瞬时碰撞时间；
S3、根据沿交叉路口X和Y方向的瞬时碰撞时间，通过模糊控制器，推理决策自动驾驶车辆在k时刻执行的加速度；
S4、控制节气门开度和制动轮缸压力以执行k时刻决策的自动驾驶车辆所采取的加速度策略；
S5、在k+1时刻更新所述自动驾驶车辆和所述周围车辆的状态信息，以及道路信息，以进行下一轮的滚动决策；重复执行上述所有步骤，直至自动驾驶车辆安全通过交叉路口或者停车避撞；
所述步骤S3具体包括：
S31、将沿X、Y方向的滚动更新的瞬时碰撞时间作为模糊控制的两个输入；设置两个输入模糊论域，进行模糊化划分模糊等级，并根据所述模糊等级选择不同的隶属度函数；
S32、模糊控制器输出的为自动驾驶车辆加速度的绝对值，将模糊语言采用重心法进行清晰化处理；将输出变量置为多个策略等级，并根据所述策略等级选择不同的隶属度函数；
S33、基于驾驶员危险认知，建立输入模糊子集和输出模糊子集之间相对应的模糊规则；所述模糊规则包括：实时求解得到的沿X、Y方向两个滚动更新瞬时碰撞时间输入模糊控制器，确定输入模糊等级及输出策略等级；所述输出策略等级经重心法清晰化为精确的加速度绝对值数值。
2.如权利要求1所述的一种基于模糊控制器的自动驾驶车辆安全通行方法，其特征在于，所述步骤S2包括：
根据获取周围车辆及自动驾驶车的状态信息预测将来车辆的行驶轨迹，自动驾驶车辆与周围车辆行驶轨迹的交汇区域为碰撞发生区；
滚动更新瞬时碰撞时间TTC(k)来进行评估车辆之间碰撞的危险程度；TTC(k)的计算公式如下：
Figure FDA0002828171440000021
其中，TTC(k)表示k时刻瞬时的碰撞时间，ΔD(k)表示两车之间的瞬时相对距离，vp(k)和vf(k)分别表示前车和后车的瞬时速度大小；TTC(k)的值越小表示即将发生碰撞的危险等级越高；相反，TTC(k)的值越大，表示发生碰撞的危险等级越低。
3.如权利要求2所述的一种基于模糊控制器的自动驾驶车辆安全通行方法，其特征在于，所述步骤S2中，当交叉路口为十字型时，将预设范围内所有车辆的状态矢量投影到道路方向；分别计算X和Y方向的瞬时碰撞时间TTCX(k)和TTCY(k)；
Figure FDA0002828171440000022
(2)式中，TTCX(k)表示k时刻在X方向的滚动更新瞬时的碰撞时间；
ΔDX(k)表示在X方向的瞬时相对距离，对于十字型交叉路口，为车辆到碰撞区域边缘的距离；vp X(k)表示前车在X方向的瞬时速度矢量和的模值，vf X(k)表示后车在X方向的瞬时速度矢量的模值，等于自动驾驶车辆在X方向的瞬时速度矢量vVeh.auto X(k)的模值；
Figure FDA0002828171440000023
(3)式中，TTCY(k)表示k时刻在Y方向的滚动更新瞬时的碰撞时间，ΔDY(k)表示在Y方向的瞬时相对距离，对于十字型交叉路口，为车辆到碰撞区域边缘的距离；vp Y(k)表示前车在Y方向的瞬时速度矢量和的模值，vf Y(k)表示后车在Y方向的瞬时速度矢量的模值，等于自动驾驶车辆在Y方向的瞬时速度矢量vVeh.auto Y(k)的模值。
4.如权利要求3所述的一种基于模糊控制器的自动驾驶车辆安全通行方法，其特征在于，所述步骤S3，包括：
通过双输入单输出的模糊控制器，沿X、Y方向的滚动更新瞬时的碰撞时间TTCX(k)、TTCY(k)作为模糊控制器的输入；自动驾驶车辆加速度的绝对值|a|作为模糊控制器的输出；
输入输出论域
Figure FDA0002828171440000031
到[0,1]闭区间的任意影射:
Figure FDA0002828171440000032
均确定
Figure FDA0002828171440000033
上的一个模糊集合R，fR(x)叫做x对模糊集R的隶属度函数，记为：
Figure FDA0002828171440000034
(5)式中，
Figure FDA0002828171440000035
分别表示X、Y方向的滚动更新瞬时的碰撞时间TTCX|Y(k)和|a|的值。
5.如权利要求4所述的一种基于模糊控制器的自动驾驶车辆安全通行方法，其特征在于，所述步骤S31具体包括：
模糊化分成四个模糊等级，分别为非常危险VD、较危险SD、较安全SS、安全SA；
选用Z型、高斯型和S型隶属度函数；其中VD采用Z型隶属度函数zmf、SD和SS采用高斯型隶属度函数gaussmf、SA采用S型隶属度函数smf；
则：1)TTCX(k)的隶属度函数：
VD＝‘zmf’,[1.5,3.5]；
Figure FDA0002828171440000041
SD＝‘guassmf’,[1,4]；
Figure FDA0002828171440000042
SS＝‘guassmf’,[1,8.5]；
Figure FDA0002828171440000043
SA＝‘smf’,[9,16]；
Figure FDA0002828171440000044
2)TTCY(k)的隶属度函数：
VD＝‘zmf’,[1.5,3.5]；
Figure FDA0002828171440000045
SD＝‘guassmf’,[1,4]；
Figure FDA0002828171440000046
SS＝‘guassmf’,[1,8.5]；
Figure FDA0002828171440000051
SA＝‘smf’,[9,16]；
Figure FDA0002828171440000052
6.如权利要求5所述的一种基于模糊控制器的自动驾驶车辆安全通行方法，其特征在于，所述步骤S32具体包括：
模糊控制器输出的为自动驾驶车辆加速度的绝对值，将模糊语言采用重心法进行清晰化处理；
将输出变量置为五个策略等级，分别为大减速BD、次大减速BBD、中减速MD、次小减速ASD、小减速SD；
选用三角形隶属度函数和梯形隶属度函数，其中SD、ASD、MD、BBD采用三角型隶属度函数trimf、BD采用梯形隶属度函数trapmf；
则：加速度绝对值|a|的隶属度函数：
SD＝‘trimf’,[0,0,0.5]；
Figure FDA0002828171440000053
ASD＝‘trimf’,[0,1,2]；
Figure FDA0002828171440000054
MD＝‘trimf’,[1,2,3]；
Figure FDA0002828171440000061
BBD＝‘trimf’,[2.5,3.8,5]；
Figure FDA0002828171440000062
BD＝‘trapmf’,[4.5,6.5,7,7]；
Figure FDA0002828171440000063
7.如权利要求6所述的一种基于模糊控制器的自动驾驶车辆安全通行方法，其特征在于，所述模糊规则具体包括：
规则1:当输入一为VD且输入二为VD，则输出为BD；
规则2:当输入一为VD且输入二为SD，则输出为BBD；
规则3:当输入一为VD且输入二为SS，则输出为MD；
规则4:当输入一为VD且输入二为SA，则输出为SD；
规则5:当输入一为SD且输入二为VD，则输出为BBD；
规则6:当输入一为SD且输入二为SD，则输出为BBD；
规则7:当输入一为SD且输入二为SS，则输出为MD；
规则8:当输入一为SD且输入二为SA，则输出为SD；
规则9:当输入一为SS且输入二为VD，则输出为MD；
规则10:当输入一为SS且输入二为SD，则输出为MD；
规则11:当输入一为SS且输入二为SS，则输出为ASD；
规则12:当输入一为SS且输入二为SA，则输出为SD；
规则13:当输入一为SA且输入二为VD，则输出为SD；
规则14:当输入一为SA且输入二为SD，则输出为SD；
规则15:当输入一为SA且输入二为SS，则输出为SD；
规则16:当输入一为SA且输入二为SA，则输出为SD。
8.如权利要求4所述的一种基于模糊控制器的自动驾驶车辆安全通行方法，其特征在于，所述步骤S4需满足约束条件：
amin≤aVeh.auto≤amax
vmin≤vVeh.auto≤vmax
其中，aVeh.auto、vVeh.auto分别为自动驾驶车辆决策执行的加速度与速度；amin、amax分别为最小、最大加速度，与整车质量、道路条件、轮胎结构、制动器制动力、路面附着系数因素相关；vmin、vmax分别为最小速度、安全速度，与交叉路口道路信息相关。
9.一种基于模糊控制器的自动驾驶车辆安全通行系统，用于无信号灯交叉路口，其特征在于，包括：
感知与获取模块，用于获取周围车辆及自动驾驶车的状态信息；所述状态信息包括：绝对位置坐标、速度矢量、航向角和加速度；构成状态向量
Figure FDA0002828171440000071
计算模块，用于计算k时刻所述自动驾驶车辆与所述周围车辆的两方向瞬时碰撞时间；
推理模块，用于根据沿交叉路口X和Y方向的瞬时碰撞时间，通过模糊控制器，推理决策自动驾驶车辆在k时刻执行的加速度；
执行模块，用于控制节气门开度和制动轮缸压力以执行k时刻决策的自动驾驶车辆所采取的加速度策略；
更新模块，用于在k+1时刻更新所述自动驾驶车辆和所述周围车辆的状态信息，以及道路信息，以进行下一轮的滚动决策；重复执行上述所有模块，直至自动驾驶车辆安全通过交叉路口或者停车避撞；
所述推理模块包括：
模糊控制输入与模糊化单元，用于将沿X、Y方向的滚动更新的瞬时碰撞时间作为模糊控制的两个输入；设置两个输入模糊论域，进行模糊化划分模糊等级，并根据所述模糊等级选择不同的隶属度函数；
模糊控制清晰化与输出单元，用于模糊控制器输出的为自动驾驶车辆加速度的绝对值，将模糊语言采用重心法进行清晰化处理；将输出变量置为多个策略等级，并根据所述策略等级选择不同的隶属度函数；
模糊规则制定单元，用于基于驾驶员危险认知，建立输入模糊子集和输出模糊子集之间相对应的模糊规则；所述模糊规则包括：实时求解得到的沿X、Y方向两个滚动更新瞬时碰撞时间输入模糊控制器，确定输入模糊等级及输出策略等级；所述输出策略等级经重心法清晰化为精确的加速度绝对值数值。
CN201911120996.9A 2019-11-15 2019-11-15 一种基于模糊控制器的自动驾驶车辆安全通行方法及系统 Active CN110989568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911120996.9A CN110989568B (zh) 2019-11-15 2019-11-15 一种基于模糊控制器的自动驾驶车辆安全通行方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911120996.9A CN110989568B (zh) 2019-11-15 2019-11-15 一种基于模糊控制器的自动驾驶车辆安全通行方法及系统

Publications (2)

Publication Number Publication Date
CN110989568A CN110989568A (zh) 2020-04-10
CN110989568B true CN110989568B (zh) 2021-03-30

Family

ID=70084605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911120996.9A Active CN110989568B (zh) 2019-11-15 2019-11-15 一种基于模糊控制器的自动驾驶车辆安全通行方法及系统

Country Status (1)

Country Link
CN (1) CN110989568B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112068542B (zh) * 2020-06-30 2024-02-09 武汉乐庭软件技术有限公司 一种基于模糊控制的自动驾驶行为规划方法
CN111856943B (zh) * 2020-08-04 2022-08-12 昆山九毫米电子科技有限公司 基于模糊控制的智能无人靶车车距控制方法
CN112578672B (zh) * 2020-12-16 2022-12-09 吉林大学青岛汽车研究院 基于底盘非线性的无人驾驶汽车轨迹控制系统及其轨迹控制方法
CN114093187B (zh) * 2021-11-26 2023-02-24 交通运输部公路科学研究所 自动驾驶车辆的风险预警控制方法以及智能网联系统
CN115424472A (zh) * 2022-07-21 2022-12-02 岚图汽车科技有限公司 一种基于模糊控制的前向碰撞预警方法及系统

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101407199A (zh) * 2008-10-28 2009-04-15 湖北汽车工业学院 一种车辆碰撞预警方法及装置
CN104134370A (zh) * 2013-05-03 2014-11-05 株式会社万都 防止车辆碰撞的方法
CN205910865U (zh) * 2016-06-08 2017-01-25 吉林大学 无信号灯交叉路口汽车紧急防撞系统
CN106355948A (zh) * 2015-07-17 2017-01-25 本田技研工业株式会社 转弯预测
CN106781692A (zh) * 2016-12-01 2017-05-31 东软集团股份有限公司 车辆碰撞预警的方法、装置及系统
CN107622683A (zh) * 2016-07-15 2018-01-23 郑州宇通客车股份有限公司 自主驾驶车辆的路口通行方法及系统
CN107731009A (zh) * 2017-11-28 2018-02-23 吉林大学 一种适用于无信号灯交叉路口车辆避人、避撞系统及方法
CN108922177A (zh) * 2018-06-29 2018-11-30 东南大学 一种无人驾驶车辆通过交叉路口时速度控制系统及方法
CN108932840A (zh) * 2018-07-17 2018-12-04 北京理工大学 基于强化学习的无人驾驶车辆城市交叉口通行方法
CN108986461A (zh) * 2018-07-13 2018-12-11 西安理工大学 一种基于时间的交叉路口车辆碰撞概率分析方法
KR20190034327A (ko) * 2016-09-20 2019-04-01 와브코 유럽 비브이비에이 유틸리티 차량 조합을 갖는 회피 동작을 수행하기 위한 방법 및 비상 회피 시스템
CN109703539A (zh) * 2019-02-19 2019-05-03 吉林大学 一种基于碰撞时间的右转弯智能车辆两级制动主动避撞系统及避撞方法
CN109878535A (zh) * 2017-12-01 2019-06-14 奥迪股份公司 驾驶辅助系统和方法
CN110264783A (zh) * 2019-06-19 2019-09-20 中设设计集团股份有限公司 基于车路协同的车辆防碰撞预警系统及方法
CN110356419A (zh) * 2018-04-11 2019-10-22 现代自动车株式会社 车辆行驶控制器、包括车辆行驶控制器的系统及车辆行驶控制方法
CN110383008A (zh) * 2017-01-12 2019-10-25 御眼视觉技术有限公司 基于车辆活动的导航
CN110395251A (zh) * 2019-06-27 2019-11-01 驭势（上海）汽车科技有限公司 一种基于多传感器融合数据的自动紧急制动决策方法
CN110427021A (zh) * 2018-05-01 2019-11-08 本田技研工业株式会社 用于生成自动驾驶车辆交叉路口导航指令的系统和方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101407199A (zh) * 2008-10-28 2009-04-15 湖北汽车工业学院 一种车辆碰撞预警方法及装置
CN104134370A (zh) * 2013-05-03 2014-11-05 株式会社万都 防止车辆碰撞的方法
CN106355948A (zh) * 2015-07-17 2017-01-25 本田技研工业株式会社 转弯预测
CN205910865U (zh) * 2016-06-08 2017-01-25 吉林大学 无信号灯交叉路口汽车紧急防撞系统
CN107622683A (zh) * 2016-07-15 2018-01-23 郑州宇通客车股份有限公司 自主驾驶车辆的路口通行方法及系统
KR20190034327A (ko) * 2016-09-20 2019-04-01 와브코 유럽 비브이비에이 유틸리티 차량 조합을 갖는 회피 동작을 수행하기 위한 방법 및 비상 회피 시스템
CN106781692A (zh) * 2016-12-01 2017-05-31 东软集团股份有限公司 车辆碰撞预警的方法、装置及系统
CN110383008A (zh) * 2017-01-12 2019-10-25 御眼视觉技术有限公司 基于车辆活动的导航
CN107731009A (zh) * 2017-11-28 2018-02-23 吉林大学 一种适用于无信号灯交叉路口车辆避人、避撞系统及方法
CN109878535A (zh) * 2017-12-01 2019-06-14 奥迪股份公司 驾驶辅助系统和方法
CN110356419A (zh) * 2018-04-11 2019-10-22 现代自动车株式会社 车辆行驶控制器、包括车辆行驶控制器的系统及车辆行驶控制方法
CN110427021A (zh) * 2018-05-01 2019-11-08 本田技研工业株式会社 用于生成自动驾驶车辆交叉路口导航指令的系统和方法
CN108922177A (zh) * 2018-06-29 2018-11-30 东南大学 一种无人驾驶车辆通过交叉路口时速度控制系统及方法
CN108986461A (zh) * 2018-07-13 2018-12-11 西安理工大学 一种基于时间的交叉路口车辆碰撞概率分析方法
CN108932840A (zh) * 2018-07-17 2018-12-04 北京理工大学 基于强化学习的无人驾驶车辆城市交叉口通行方法
CN109703539A (zh) * 2019-02-19 2019-05-03 吉林大学 一种基于碰撞时间的右转弯智能车辆两级制动主动避撞系统及避撞方法
CN110264783A (zh) * 2019-06-19 2019-09-20 中设设计集团股份有限公司 基于车路协同的车辆防碰撞预警系统及方法
CN110395251A (zh) * 2019-06-27 2019-11-01 驭势（上海）汽车科技有限公司 一种基于多传感器融合数据的自动紧急制动决策方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
交通冲突严重度模糊评价方法;李杰 等;《交通运输系统工程与信息》;20080430;第8卷(第2期);第91-95页 *
基于模糊神经网络的车辆避撞预警算法;高峰 等;《江苏大学学报（自然科学版）》;20060531;第27卷(第3期);全文 *
基于行驶车速的车辆防撞时间预警算法;刘庆华 等;《农业工程学报》;20170630;第33卷(第12期);全文 *
基于轨迹预测的车辆协同碰撞预警仿真研究;宋晓琳 等;《湖南大学学报（自然科学版）》;20161031;第43卷(第10期);第1-7页 *
宋晓琳 等.基于轨迹预测的车辆协同碰撞预警仿真研究.《湖南大学学报（自然科学版）》.2016,第43卷(第10期), *

Also Published As

Publication number Publication date
CN110989568A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN110989568B (zh) 一种基于模糊控制器的自动驾驶车辆安全通行方法及系统
Li et al. Shared control driver assistance system based on driving intention and situation assessment
Aladin et al. Logic-based artificial intelligence in systems for monitoring the enforcing traffic regulations
CN108313054B (zh) 自动驾驶自主换道决策方法和装置及自动驾驶车辆
CN108256233B (zh) 基于驾驶员风格的智能车轨迹规划及跟踪方法和系统
CN113291308B (zh) 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法
CN112249008B (zh) 针对复杂动态环境的无人驾驶汽车预警方法
DE102012009297A1 (de) Verfahren zur Unterstützung eines Fahrers beim Führen eines Fahrzeugs
KR20190054374A (ko) 주행 경험 정보를 이용한 자율주행 학습 장치 및 방법
CN111222630A (zh) 一种基于深度强化学习的自主驾驶规则学习方法
US20220306113A1 (en) Customization of autonomous-driving lane changes of motor vehicles based on drivers' driving behaviours
CN112859838B (zh) 一种自动驾驶控制方法、装置、设备和介质
CN113895459B (zh) 一种障碍物的筛选方法及系统
DE102012008660A1 (de) Verfahren zur Unterstützung eines Fahrers beim Führen eines Fahrzeugs
DE102020131949A1 (de) System und verfahren zum erlernen einer fahrerpräferenz und zum anpassen einer spurzentrierungssteuerung an ein fahrerverhalten
CN112424850A (zh) 辅助车辆中的驾驶员的方法和设备
WO2020015888A1 (de) Verfahren und steuergerät zum bestimmen einer fahrttrajektorie für ein querdynamisches fahrmanöver für ein fahrzeug
DE102017200580A1 (de) Verfahren zur Optimierung einer Manöverplanung für autonom fahrende Fahrzeuge
Wei et al. Game theoretic merging behavior control for autonomous vehicle at highway on-ramp
DE102018209804A1 (de) Verfahren und Vorrichtung zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug
CN113200054B (zh) 一种自动驾驶接管的路径规划方法及系统
Do et al. Lane change–intention inference and trajectory prediction of surrounding vehicles on highways
Cheng et al. A hierarchical driver model
Batavia Driver adaptive warning systems
Zeng et al. Risk-aware deep reinforcement learning for decision-making and planning of autonomous vehicles

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