CN111595592B - 一种自适应巡航控制系统性能测评方法 - Google Patents

Abstract

本发明公开了一种自适应巡航控制系统性能测评方法。首先，面向高等级公路，建立了基于前车车速时变的自适应巡航控制系统性能测试场景。其次，为了全面、准确的获取测试过程中的车辆运动参数，在方法论层面对测试方法进行了改进，利用改进的自适应卡尔曼滤波算法对车辆的位置、速度等运动状态参数进行精确估计。最后，基于准确递推的车辆运动状态参数，提出了多维度的自适应巡航控制系统性能评价指标并进行量化，构建了自适应巡航控制系统性能评价指标体系。本发明提出的测评方法，克服了现有方法中测试场景与实际不符、测评指标相对单一等不足，实现了复杂场景下自适应巡航控制系统性能高精度、可靠、全面的科学定量测评。

Description

一种自适应巡航控制系统性能测评方法

技术领域

本发明属于智能驾驶汽车道路试验与测试技术领域，尤其涉及一种自适应巡航控制系统性能测评方法。

背景技术

随着我国通车里程的不断增加和汽车保有量的爆发性增长，交通运输发展面临着既要提供覆盖面更广的均等化公共服务，又要保障道路交通安全、高效的双重压力。在这样的背景下，以提升交通运输安全和汽车智能化水平为目的的高级驾驶辅助系统(AdvancedDriving Assistance System,ADAS)成为了国内外研究的重点。

作为ADAS的重要组成部分，自适应巡航控制系统(Adaptive Cruise Control,ACC)实现了定速巡航和跟车控制辅助功能，能够有效减轻驾驶员的负担，为驾驶员提供辅助支持，同时保障行车安全。为了确保ACC功能的完整性和可靠性，针对ACC功能、性能的测试评价成为了ADAS测评的重要环节，同时也是保障智能驾驶汽车安全上路的前提。

为此，国内外制定了一系列标准、规范对ACC进行测试评价。西方发达国家出台了一系列政策法规，如ISO 15622《智能运输系统—自适应巡航控制系统—性能要求和试验规程》、ISO 22179《智能运输系统—全速范围自动适配巡航系统—性能要求和试验规程》等标准对ACC的测试场景、测试方法和通过标准作出了规定，但这些标准仅考虑了稳定跟车、前车减速等相对简单的测试场景，与实际的行驶工况存在差异，不能较好的反映出实际交通环境下ACC性能的优劣。

同时，我国也制定了相关的国家标准，GB/T 20608-2006标准《智能运输系统—自适应巡航控制系统—性能要求与检测方法》对ACC的测试评价作出了明确的规定，但该标准仅针对ACC的探测距离、目标识别能力和弯道适应能力进行了功能测试，未涉及复杂测试场景下ACC性能的定量测评。在测评机构层面，i-VISTA《自适应巡航控制系统评价规程》针对ACC的测试场景和测试方法作出了规定，并根据安全和体验两个维度计算评价等级，但该测试规程仅利用优秀、良好、一般、较差四个等级评价ACC的性能，未针对安全、稳定性等因素对ACC性能做定量评价。可以看出，针对ACC性能的测试评价，目前尚缺乏面向复杂测试场景的性能测试方法和评价指标，特别是缺乏复杂测试场景下的高精度、全面、可靠的ACC性能定量测评研究。

发明内容

发明目的：针对ACC测试场景简单、测评指标相对单一的问题，本发明公开了一种面向前车车速时变场景的ACC性能测评方法。该方法基于实际道路试验，能够高精度、全面的测量车辆运动状态参数，量化并输出了多维度的ACC性能评价指标，实现了复杂场景下ACC性能高精度、可靠、全面的科学定量测评。

技术方案：本发明针对自适应巡航控制系统，提出了一种面向前车车速时变场景的ACC性能测评方法。首先，面向高等级公路，建立了基于前车车速时变的自适应巡航控制系统性能测试场景。其次，为了全面、准确的获取测试过程中的车辆运动参数，在方法论层面对测试方法进行了改进，利用改进的自适应卡尔曼滤波算法对车辆的位置、速度等运动状态参数进行精确估计。最后，基于准确递推的车辆运动状态参数，提出了多维度的自适应巡航控制系统性能评价指标并进行量化，构建了自适应巡航控制系统性能评价指标体系。包括以下步骤：

步骤一：建立基于前车车速时变的ACC性能测试场景

为了适应实际交通场景中前车速度、加速度等运动状态时变的特性，使测试场景尽可能符合实际跟车运行特点，本发明建立了基于前车车速时变的ACC性能测试场景。

首先，选取双车道的高等级公路作为试验场地。其次，建立基于前车车速时变的ACC性能测试场景。具体描述如下：

前车位于试验道路的中间，以一定的速度直线行驶。被测车辆以某设定速度逐渐靠近前车，当两车间距等于设定值时，开始进行测试。在测试过程中，同步测量被测车辆、前车的位置、速度等基础性运动状态信息。前车进行加速运动，被测车辆在ACC的控制下加速并跟随前车行驶。随后，前车进行减速运动，再进行加速运动。最后，前车逐渐减速直至静止，被测车辆在ACC的控制下减速并跟随前车行驶。当被测车辆静止时，则一次试验结束。

在本发明中，被测车辆是指进行ACC性能测试的车辆；前车是指与被测车辆同向、同车道，并在本车前方行驶的车辆；设定速度是指车辆的期望行驶速度。

步骤二：基于改进自适应卡尔曼滤波的车辆运动状态估计

为了进行复杂场景下的ACC性能测试，应精确、全面的获取每一时刻前车和被测车辆的运动状态信息。为了满足信息全、精度高的测量需求，需要建立描述车辆运动特性的动态模型，采用常加速模型，建立被测车辆的运动学模型。

取系统状态向量为X＝[p_e,p_n,v_e,v_n,a_e,a_n]^T，其中，p_e,p_n,v_e,v_n,a_e,a_n分别表示被测车辆的东向位置、北向位置、东向速度、北向速度、东向加速度和北向加速度。本发明中矩阵上角标^T表示对矩阵转置，T为离散的周期。针对常加速模型，系统状态方程为：

X＝Φ·X+W (1)

式(1)中，X为系统状态序列，W是零均值的系统过程白噪声向量，对应的噪声协方差矩阵为Q，Φ为状态转移矩阵。

为推算测试过程中的系统各状态向量，可采用滤波递推的方法，利用较少的系统观测量实现更多维度的参数递推。采用Sage-Husa自适应卡尔曼滤波算法，以实现车辆运动状态全面、准确的估计。

首先，选择厘米级高精度卫星定位系统(如GPS、北斗等)作为车辆运动状态估计的测量传感器，将东向位置、北向位置、对地平面速度、航迹角作为系统观测向量，则系统的观测方程可表示为：

Z＝H·X+V (2)

式(2)中，系统观测向量为Z＝[p_eg,p_ng,v_d,A]^T，其中p_eg,p_ng分别表示东向位置、北向位置，由厘米级高精度卫星定位系统(如GPS、北斗等)采集的经纬度坐标转换得到，v_d,A分别表示厘米级高精度卫星定位系统(如GPS、北斗等)输出的对地速度和航迹角，且满足

H为观测矩阵，V表示与W互不相关的零均值观测白噪声向量，对应的噪声协方差矩阵为R。

其次，对式(1)、式(2)进行离散化处理，离散化后的系统状态方程和观测方程为：

式(3)中，k为离散化时刻，X(k)为k时刻的系统状态，状态转移矩阵

和测量阵h[k,X(k)]分别为：

且航迹角A(k)与东向速度v_e(k)和北向速度v_n(k)满足以下关系：

式(3)中的观测方程为非线性方程，利用泰勒级数展开对非线性的观测方程进行线性化处理，保留到一阶泰勒余项，可得观测矩阵H(k)：

式(5)中，

分别表示根据k-1时刻得到的k时刻东向速度和北向速度的状态估计。

再次，针对式(3)描述的状态方程和观测方程，建立基于Sage-Husa自适应卡尔曼滤波的递推过程，利用时间更新和观测更新进行滤波递推：

P(k)＝[I-K(k)H(k)]·P(k,k-1) (11)

式中，

表示根据k-1时刻得到的k时刻的滤波计算值，

为k-1时刻的最优估计，P(k,k-1)为k时刻的一步预测误差方差矩阵，K(k)为k时刻的滤波增益矩阵，

为k时刻的量测残差，P(k)为k时刻的估计误差方差矩阵，

分别为观测噪声、系统噪声的均值和方差阵，d(k)为加权参数，且d(k)＝(1-ρ)/(1-ρ^k+1)，ρ为遗忘因子，在本发明中，取ρ＝2。

为了避免状态估计发散，提高滤波递推的精度，本发明对滤波算法进行改进：

(1)为了准确描述加速度的变化，提高速度估计精度，对过程噪声协方差矩阵进行修正：

式(16)，q_CA(k)表示改进后的过程噪声协方差矩阵，κ为系数，在本发明中，取κ＝0.05。

(2)为了避免因实际误差与理论估计值相差过多而影响滤波估计精度，引入加权系数修正一步预测误差方差矩阵，可表示为：

式中，C_c为加权系数，在本发明中，trace(·)表示计算矩阵的迹。

(3)为了进一步抑制滤波的发散，添加滤波异常判断条件：

综上，式(6)和式(8-19)构成了改进后的Sage-Husa自适应卡尔曼滤波算法。

最后，经过上述改进后的滤波估计，可以准确、实时的递推被测车辆的东向位置、北向位置、东向速度、北向速度等基础性运动参数。输出的被测车辆位置坐标集P_SV＝{P₀(p_e(0),p_n(0)),P₁(p_e(1),p_n(1)),...,P_k(p_e(k),p_n(k))}，输出的被测车辆速度、加速度信息分别为v_SV＝{(v_e(0),v_n(0)),(v_e(1),v_n(1)),...,(v_e(k),v_n(k))}，a_SV＝{(a_e(0),a_n(0)),(a_e(1),a_n(1)),...,(a_e(k),a_n(k))}。

类似地，利用同样的车辆运动模型和滤波递推方法，对前车的基础性运动参数进行滤波递推，可以输出前车位置坐标集M_TV＝{M₀(m_e(0),m_n(0)),M₁(m_e(1),m_n(1)),...,，M_k(m_e(k),m_n(k))}，前车速度信息v_TV＝{(b_e(0),b_n(0)),(b_e(1),b_n(1)),...,(b_e(k),b_n(k))}，前车加速度信息c_TV＝{(c_e(0),c_n(0)),(c_e(1),c_n(1)),...,(c_e(k),c_n(k))}。

其中，m_e(k),m_n(k)分别表示前车在k时刻的东向位置和北向位置，b_e(k),b_n(k),c_e(k),c_n(k)分别表示前车在k时刻的东向速度、北向速度、东向加速度和北向加速度。

步骤三：提出并量化ACC性能评价指标

为了实现全面、可靠的ACC性能测评，本发明针对安全、跟车性能、稳定性等因素，提出了多维度的ACC性能评价指标，并利用步骤二输出的被测车辆和前车的运动状态参数进行量化，具体地：

(1)定速巡航下的速度控制精度：

式(20)中，ξ_SV为被测车辆在定速巡航下的速度控制精度，v_d(k)表示被测车辆在k时刻的速度，且

表示被测车辆速度的均值，单位均为m/s，s表示测试过程中的采样点个数。

(2)跟车稳定性：

式(21)中，η_SV为被测车辆的跟车稳定性，ω(k)表示被测车辆在k时刻的横摆角速度，ω_E(k)表示k时刻横摆角速度的期望值，单位均为rad/s，且

其中，R_L为道路曲率半径，单位为m。

(3)跟车精度：

式(22)中，θ_SV为跟车精度，L(k)表示k时刻被测车辆与前车的质心距离，且

表示测试过程中，被测车辆与前车的质心距离的均值，单位均为m。

(4)速度协调性：

式(23)中，μ_SV为速度协调性，v_rc(k)表示k时刻被测车辆与前车的相对速度，且

表示被测车辆与前车的相对速度的均值，单位均为m/s。

当进行复杂场景下的ACC性能测评时，首先，在步骤一建立的ACC性能测试场景下，利用步骤二提出的改进滤波算法对车辆位置、速度等运动状态参数进行滤波递推。其次，基于精确输出的车辆运动状态参数，计算步骤三提出的ACC性能评价指标的量化值，从而实现了ACC性能优劣的高精度、可靠、全面的科学定量测评。

有益效果：相比于一般的测试，本发明提出的测评方法具有更为精确、可靠、全面的特点，具体体现在：

(1)本发明提出的测评方法基于实际道路试验，相比于硬件在环仿真测试、虚拟软件仿真测试等方法，能够更好的提高ACC运行的可靠性，更具有说服力。

(2)相比于简单的测试场景，本发明实现了复杂场景下的ACC性能测评，测试场景与真实的车辆行驶工况更为接近，能够更好的反映实际交通环境下ACC性能的优劣。

(3)车辆运动状态参数和性能评价指标的测量精度高，速度测量精度为0.0135m/s(RMS)，实现了高精度的ACC性能测试。

(4)相比于单一的评价指标，本发明提出并量化了多维度的ACC性能评价指标，实现了ACC性能更准确、可靠、更为全面的科学定量测评。

附图说明

图1是本发明的技术路线示意图；

图2是本发明建立的基于前车车速时变的ACC测试场景示意图；

图3中是某次ACC性能测试中被测车辆和前车的运动轨迹；

图4是图3的局部放大图；

图5是某次ACC性能测试中被测车辆的速度变化曲线图；

图6是图5的局部放大图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

随着我国通车里程的不断增加和汽车保有量的爆发性增长，交通运输发展面临着既要提供覆盖面更广的均等化公共服务，又要保障道路交通安全、高效的双重压力。在这样的背景下，以提升交通运输安全和汽车智能化水平为目的的高级驾驶辅助系统(AdvancedDriving Assistance System,ADAS)成为了国内外研究的重点。

作为ADAS的重要组成部分，自适应巡航控制系统(Adaptive Cruise Control,ACC)实现了定速巡航和跟车控制辅助功能，能够有效减轻驾驶员的负担，为驾驶员提供辅助支持，同时保障行车安全。为了确保ACC功能的完整性和可靠性，针对ACC功能、性能的测试评价成为了ADAS测评的重要环节，同时也是保障智能驾驶汽车安全上路的前提。

为此，国内外制定了一系列标准、规范对ACC进行测试评价。西方发达国家出台了一系列政策法规，如ISO 15622《智能运输系统—自适应巡航控制系统—性能要求和试验规程》、ISO 22179《智能运输系统—全速范围自动适配巡航系统—性能要求和试验规程》等标准对ACC的测试场景、测试方法和通过标准作出了规定，但这些标准仅考虑了稳定跟车、前车减速等相对简单的测试场景，与实际的车辆行驶工况存在差异，不能较好的反映出实际交通环境下ACC性能的优劣。

同时，我国也制定了相关的国家标准，GB/T 20608-2006标准《智能运输系统—自适应巡航控制系统—性能要求与检测方法》对ACC的测试评价作出了明确的规定，但该标准仅针对ACC的探测距离、目标识别能力和弯道适应能力进行了功能测试，未涉及复杂测试场景下ACC性能的定量测评。在测评机构层面，i-VISTA《自适应巡航控制系统评价规程》针对ACC的测试场景和测试方法作出了规定，并根据安全和体验两个维度计算评价等级，但该测试规程仅利用优秀、良好、一般、较差四个等级评价ACC的性能，未针对安全、稳定性等因素对ACC性能做定量评价。可以看出，针对ACC性能的测试评价，目前尚缺乏面向复杂测试场景的性能测试方法和评价指标，特别是缺乏复杂测试场景下的高精度、全面、可靠的ACC性能定量测评研究。

为了实现复杂测试场景下高精度、全面、可靠的ACC性能测评，本发明针对自适应巡航控制系统，提出了一种面向复杂测试场景的ACC性能测评方法。首先，面向高等级公路，建立了基于前车车速时变的自适应巡航控制系统性能测试场景。其次，为了全面、准确的获取测试过程中的车辆运动参数，在方法论层面对测试方法进行了改进，利用改进的自适应卡尔曼滤波算法对车辆的位置、速度等运动状态参数进行精确估计。最后，基于准确递推的车辆运动状态参数，提出了多维度的自适应巡航控制系统性能评价指标并进行量化，构建了自适应巡航控制系统性能评价指标体系，实现了复杂场景下ACC性能的高精度、可靠、全面的科学定量测评。本发明的技术路线如图1所示，具体步骤如下：

步骤一：建立基于前车车速时变的ACC性能测试场景

已有的标准法规针对稳定跟车、前车减速、前车低速等场景进行了ACC性能测试，但这些简单的测试场景与实际的车辆行驶工况存在差异。为了适应实际交通场景中前车速度、加速度等运动状态时变的特性，使测试场景尽可能符合实际跟车运行特点，本发明建立了基于前车车速时变的ACC性能测试场景，如图2所示。

首先，选取双车道的高等级公路作为试验场地。其次，建立基于前车车速时变的ACC性能测试场景。具体描述如下：

前车位于试验道路的中间，以一定的速度直线行驶。被测车辆以某设定速度逐渐靠近前车，当两车间距等于设定值时，开始进行测试。在测试过程中，同步测量被测车辆、前车的位置、速度等基础性运动状态信息。前车进行加速运动，被测车辆在ACC的控制下加速并跟随前车行驶。随后，前车进行减速运动，再进行加速运动。最后，前车逐渐减速直至静止，被测车辆在ACC的控制下减速并跟随前车行驶。当被测车辆静止时，则一次试验结束。

在本发明中，被测车辆是指进行ACC性能测试的车辆；前车是指与被测车辆同向、同车道，并在本车前方行驶的车辆；设定速度是指车辆的期望行驶速度。

步骤二：基于改进自适应卡尔曼滤波的车辆运动状态估计

为了进行复杂场景下的ACC性能测试，应精确、全面的获取每一时刻前车和被测车辆的运动状态信息。为了满足信息全、精度高的测量需求，需要建立描述车辆运动特性的动态模型，考虑到ACC测试过程的运动特性，常加速模型的机动适应性符合测试过程中车辆的实际运动情况，可以准确的描述跟车运动过程。因此，本发明采用常加速模型，建立被测车辆的运动学模型。

取系统状态向量为X＝[p_e,p_n,v_e,v_n,a_e,a_n]^T，其中，p_e,p_n,v_e,v_n,a_e,a_n分别表示被测车辆的东向位置、北向位置、东向速度、北向速度、东向加速度和北向加速度。本发明中矩阵上角标^T表示对矩阵转置，T为离散的周期。针对常加速模型，系统状态方程为：

X＝Φ·X+W (1)

式(1)中，X为系统状态序列，W是零均值的系统过程白噪声向量，对应的噪声协方差矩阵为Q，Φ为状态转移矩阵。

为推算测试过程中的系统各状态向量，可采用滤波递推的方法，利用较少的系统观测量实现更多维度的参数递推。

在实际测试过程中，系统过程噪声矩阵难以事先获取，根据不确切的模型进行滤波易导致滤波发散。在常用的滤波算法中，Sage-Husa自适应滤波能够抑制滤波器发散，具有实时性好、可同时估计过程噪声和观测噪声等优点。因此，本发明采用Sage-Husa自适应卡尔曼滤波算法，以实现车辆运动状态全面、准确的估计。

首先，选择厘米级高精度卫星定位系统(如GPS、北斗等)作为车辆运动状态估计的测量传感器，将东向位置、北向位置、对地平面速度、航迹角作为系统观测向量，则系统的观测方程可表示为：

Z＝H·X+V (2)

式(2)中，系统观测向量为Z＝[p_eg,p_ng,v_d,A]^T，其中p_eg,p_ng分别表示东向位置、北向位置，由厘米级高精度卫星定位系统(如GPS、北斗等)采集的经纬度坐标转换得到，v_d,A分别表示厘米级高精度卫星定位系统(如GPS、北斗等)输出的对地速度和航迹角，且满足

H为观测矩阵，V表示与W互不相关的零均值观测白噪声向量，对应的噪声协方差矩阵为R。

其次，对式(1)、式(2)进行离散化处理，离散化后的系统状态方程和观测方程为：

式(3)中，k为离散化时刻，X(k)为k时刻的系统状态，状态转移矩阵

和测量阵h[k,X(k)]分别为：

且航迹角A(k)与东向速度v_e(k)和北向速度v_n(k)满足以下关系：

式(3)中的观测方程为非线性方程，利用泰勒级数展开对非线性的观测方程进行线性化处理，保留到一阶泰勒余项，可得观测矩阵H(k)：

式(5)中，

分别表示根据k-1时刻得到的k时刻东向速度和北向速度的状态估计。

再次，针对式(3)描述的状态方程和观测方程，建立基于Sage-Husa自适应卡尔曼滤波的递推过程，利用时间更新和观测更新进行滤波递推：

P(k)＝[I-K(k)H(k)]·P(k,k-1) (11)

式中，

表示根据k-1时刻得到的k时刻的滤波计算值，

为k-1时刻的最优估计，P(k,k-1)为k时刻的一步预测误差方差矩阵，K(k)为k时刻的滤波增益矩阵，

为k时刻的量测残差，P(k)为k时刻的估计误差方差矩阵，

分别为观测噪声、系统噪声的均值和方差阵，d(k)为加权参数，且d(k)＝(1-ρ)/(1-ρ^k+1)，ρ为遗忘因子，在本发明中，取ρ＝2。

然而，在实际测试过程中，不同被测车辆的运动特性存在差异，使得各被测车辆的初始状态无法保持一致。Sage-Husa自适应卡尔曼滤波虽然能够动态调整过程噪声和量测噪声的统计特性，但仍存在着对滤波初值敏感等不足。因此，为了避免状态估计发散，提高滤波递推的精度，本发明对滤波算法进行改进。具体改进包括：

(1)常加速运动模型假设车辆的加速度恒定，然而，在实际测试过程中，车辆加速度并非始终保持不变。为了准确描述加速度的变化，提高速度估计精度，对过程噪声协方差矩阵进行修正：

式(16)，q_CA(k)表示改进后的过程噪声协方差矩阵，κ为系数，在本发明中，取κ＝0.05。

(2)为了避免因实际误差与理论估计值相差过多而影响滤波估计精度，引入加权系数修正一步预测误差方差矩阵，可表示为：

式中，C_c为加权系数，在本发明中，trace(·)表示计算矩阵的迹。

(3)为了进一步抑制滤波的发散，添加滤波异常判断条件。当条件满足时，无需调整滤波过程，当该条件不满足时，滤波存在发散的可能，此时将d(k)赋值为0，即：

综上，式(6)和式(8-19)构成了改进后的Sage-Husa自适应卡尔曼滤波算法。

最后，经过上述改进后的滤波估计，可以准确、实时的递推被测车辆的东向位置、北向位置、东向速度、北向速度等基础性运动参数。输出的被测车辆位置坐标集P_SV＝{P₀(p_e(0),p_n(0)),P₁(p_e(1),p_n(1)),...,P_k(p_e(k),p_n(k))}，输出的被测车辆速度、加速度信息分别为v_SV＝{(v_e(0),v_n(0)),(v_e(1),v_n(1)),...,(v_e(k),v_n(k))}，a_SV＝{(a_e(0),a_n(0)),(a_e(1),a_n(1)),...,(a_e(k),a_n(k))}。

类似地，利用同样的车辆运动模型和滤波递推方法，对前车的基础性运动参数进行滤波递推，可以输出前车位置坐标集M_TV＝{M₀(m_e(0),m_n(0)),M₁(m_e(1),m_n(1)),...,，M_k(m_e(k),m_n(k))}，前车速度信息v_TV＝{(b_e(0),b_n(0)),(b_e(1),b_n(1)),...,(b_e(k),b_n(k))}，前车加速度信息c_TV＝{(c_e(0),c_n(0)),(c_e(1),c_n(1)),...,(c_e(k),c_n(k))}。

其中，m_e(k),m_n(k)分别表示前车在k时刻的东向位置和北向位置，b_e(k),b_n(k),c_e(k),c_n(k)分别表示前车在k时刻的东向速度、北向速度、东向加速度和北向加速度。

步骤三：提出并量化ACC性能评价指标

已有的ACC性能评价指标相对单一，缺乏对跟车性能、跟车稳定性等方面的评价，无法满足全面、可靠的ACC性能测评的需求。为了实现全面、可靠的ACC性能测评，应从多个角度对ACC性能做定量评价。因此，针对定速巡航过程中的车辆安全性、跟车性能和稳定性，本发明提出了多维度的ACC性能评价指标，并利用步骤二输出的被测车辆和前车的运动状态参数进行量化，具体地：

(1)定速巡航下的速度控制精度：

式(20)中，ξ_SV为被测车辆在定速巡航下的速度控制精度，v_d(k)表示被测车辆在k时刻的速度，且

表示被测车辆速度的均值，单位均为m/s，s表示测试过程中的采样点个数。

(2)跟车稳定性：

式(21)中，η_SV为被测车辆的跟车稳定性，ω(k)表示被测车辆在k时刻的横摆角速度，可由传感器(如惯性测量单元)测量获取，ω_E(k)表示k时刻横摆角速度的期望值，单位均为rad/s，且

其中，R_L为道路曲率半径，单位为m。

(3)跟车精度：

式(22)中，θ_SV为跟车精度，L(k)表示k时刻被测车辆与前车的质心距离，且

表示测试过程中，被测车辆与前车的质心距离的均值，单位均为m。

(4)速度协调性：

式(23)中，μ_SV为速度协调性，v_rc(k)表示k时刻被测车辆与前车的相对速度，且

表示被测车辆与前车的相对速度的均值，单位均为m/s。

当进行复杂场景下的ACC性能测评时，首先，在步骤一建立的ACC性能测试场景下，利用步骤二提出的改进滤波算法对车辆位置、速度等运动状态参数进行滤波递推。其次，基于精确输出的车辆运动状态参数，计算步骤三提出的ACC性能评价指标的量化值，从而实现了ACC性能优劣的准确、可靠、全面的科学定量测评。

为检验本发明公开的ACC性能测评方法的实际效果，进行了实际道路试验，试验基本情况说明如下：

(1)试验系统组成：

试验系统包括硬件设备、软件系统两部分。利用奇瑞瑞虎试验车作为ACC测试中的被测车辆，搭载嵌入式工控机、光纤组合导航系统、固定支架、车载电源、逆变器等硬件设备。利用日产奇骏试验车作为ACC测试中的前车，搭载嵌入式工控机、NovAtel高精度MEMS组合导航系统、固定支架、车载电源、逆变器等硬件设备。传感器安装位置位于试验车的质心处，天线安装位置位于车顶中心。

(2)试验设置：利用两辆试验车模拟ACC性能测试过程，前车位于试验道路的中间，以一定的速度直线行驶。被测车辆以某设定速度逐渐靠近前车，前车进行加速运动，被测车辆在ACC的控制下加速并跟随前车行驶。随后，前车逐渐减速至静止状态，被测车辆在ACC的控制下减速并跟随前车行驶。当被测车辆静止时，则一次试验结束。

(3)试验路面与环境：试验地点位于江苏省南京市机场高速附近，试验路面为平坦干燥的沥青路面，属于高等级公路。

(4)试验结果：试验表明，本发明提出的ACC性能测评方法具有良好的性能，具体体现在：

1)本发明提出的测评方法基于实际道路试验，相比于硬件在环仿真测试、虚拟软件仿真测试等方法，能够更好的提高ACC运行的可靠性，更具有说服力。

2)相比于简单的测试场景，本发明实现了复杂场景下的ACC性能测评，测试场景与真实的车辆行驶工况更为接近，能够更好的反映实际交通环境下ACC性能的优劣。

3)车辆运动状态参数和性能评价指标的测量精度高，速度测量精度为0.0135m/s(RMS)，实现了高精度的ACC性能测试。

4)相比于单一的评价指标，本发明提出并量化了多维度的ACC性能评价指标，实现了ACC性能更准确、可靠、更为全面的科学定量测评。

为说明本发明的实际效果，下面给出某次ACC性能测试的试验结果，试验结果曲线如图3、图4、图5、图6所示。图3中的密集点线分别表示测试过程中被测车辆和前车的运动轨迹，图4是图3的局部放大图。图5是测试过程中被测车辆的速度变化曲线图，图6是图5的局部放大图。

通过计算可知，本发明提出的测量方法的速度测量精度为0.0135m/s(RMS)，平均绝对误差为0.0106m/s，具有测量精度高的特点。根据滤波递推得到的前车、被测车辆的运动状态参数，可以计算预计碰撞时间、车间时距等基础性ACC性能指标。同时，可以输出本发明提出的ACC性能评价指标，如速度控制精度为5.0168m/s，跟车稳定性为0.015rad/s，速度协调性为5.6800m/s等，实现了复杂场景下ACC性能的高精度、可靠、全面的科学定量测评。

Claims (1)

1.一种自适应巡航控制系统性能测评方法；首先，面向高等级公路，建立基于前车车速时变的自适应巡航控制系统性能测试场景；其次，利用改进的自适应卡尔曼滤波算法对车辆的位置、速度运动状态参数进行精确估计；最后，基于准确递推的车辆运动状态参数，提出多维度的自适应巡航控制系统性能评价指标并进行量化，构建自适应巡航控制系统性能评价指标体系；其特征在于：

步骤一：建立基于前车车速时变的ACC性能测试场景

首先，选取双车道的高等级公路作为试验场地；其次，建立基于前车车速时变的ACC性能测试场景；具体描述如下：

前车位于试验道路的中间，以一定的速度直线行驶；被测车辆以某设定速度逐渐靠近前车，当两车间距等于设定值时，开始进行测试；在测试过程中，同步测量被测车辆、前车的位置、速度基础性运动状态信息；前车进行加速运动，被测车辆在ACC的控制下加速并跟随前车行驶；随后，前车进行减速运动，再进行加速运动；最后，前车逐渐减速直至静止，被测车辆在ACC的控制下减速并跟随前车行驶；当被测车辆静止时，则一次试验结束；

其中，被测车辆是指进行ACC性能测试的车辆；前车是指与被测车辆同向、同车道，并在本车前方行驶的车辆；设定速度是指车辆的期望行驶速度；

步骤二：基于改进自适应卡尔曼滤波的车辆运动状态估计

建立描述车辆运动特性的动态模型，采用常加速模型，建立被测车辆的运动学模型；

取系统状态向量为X＝[p_e,p_n,v_e,v_n,a_e,a_n]^T，其中，p_e,p_n,v_e,v_n,a_e,a_n分别表示被测车辆的东向位置、北向位置、东向速度、北向速度、东向加速度和北向加速度；矩阵上角标T表示对矩阵转置，T为离散的周期；针对常加速模型，系统状态方程为：

X＝Φ·X+W (1)

式(1)中，X为系统状态序列，W是零均值的系统过程白噪声向量，对应的噪声协方差矩阵为Q，Φ为状态转移矩阵；

采用滤波递推的方法，利用较少的系统观测量实现更多维度的参数递推；采用Sage-Husa自适应卡尔曼滤波算法，实现车辆运动状态全面、准确的估计；

首先，选择厘米级高精度卫星定位系统，作为车辆运动状态估计的测量传感器，将东向位置、北向位置、对地平面速度、航迹角作为系统观测向量，则系统的观测方程表示为：

Z＝H·X+V (2)

式(2)中，系统观测向量为Z＝[p_eg,p_ng,v_d,A]^T，其中p_eg,p_ng分别表示东向位置、北向位置，由厘米级高精度卫星定位系统采集的经纬度坐标转换得到，v_d,A分别表示厘米级高精度卫星定位系统输出的对地速度和航迹角，且满足

H为观测矩阵，V表示与W互不相关的零均值观测白噪声向量，对应的噪声协方差矩阵为R；

其次，对式(1)、式(2)进行离散化处理，离散化后的系统状态方程和观测方程为：

式(3)中，k为离散化时刻，X(k)为k时刻的系统状态，状态转移矩阵

和测量阵h[k,X(k)]分别为：

且航迹角A(k)与东向速度v_e(k)和北向速度v_n(k)满足以下关系：

式(3)中的观测方程为非线性方程，利用泰勒级数展开对非线性的观测方程进行线性化处理，保留到一阶泰勒余项，得观测矩阵H(k)：

式(5)中，

分别表示根据k-1时刻得到的k时刻东向速度和北向速度的状态估计；

再次，针对式(3)描述的状态方程和观测方程，建立基于Sage-Husa自适应卡尔曼滤波的递推过程，利用时间更新和观测更新进行滤波递推：

P(k)＝[I-K(k)H(k)]P(k,k-1) (11)

式中，

表示根据k-1时刻得到的k时刻的滤波计算值，

为k-1时刻的最优估计，P(k,k-1)为k时刻的一步预测误差方差矩阵，K(k)为k时刻的滤波增益矩阵，

为k时刻的量测残差，P(k)为k时刻的估计误差方差矩阵，

分别为观测噪声、系统噪声的均值和方差阵，d(k)为加权参数，且d(k)＝(1-ρ)/(1-ρ^k+1)，ρ为遗忘因子，取ρ＝2；

对滤波算法进行改进：

(1)对过程噪声协方差矩阵进行修正：

式(16)，q_CA(k)表示改进后的过程噪声协方差矩阵，κ为系数，取κ＝0.05；

(2)引入加权系数修正一步预测误差方差矩阵，表示为：

式中，C_c为加权系数，trace(·)表示计算矩阵的迹；

(3)添加滤波异常判断条件：

综上，式(6)和式(8-19)构成了改进后的Sage-Husa自适应卡尔曼滤波算法；

最后，经过上述改进后的滤波估计，准确、实时的递推被测车辆的东向位置、北向位置、东向速度、北向速度基础性运动参数；输出的被测车辆位置坐标集P_SV＝{P₀(p_e(0),p_n(0)),P₁(p_e(1),p_n(1)),...,P_k(p_e(k),p_n(k))}，输出的被测车辆速度、加速度信息分别为：

v_SV＝{(v_e(0),v_n(0)),(v_e(1),v_n(1)),...,(v_e(k),v_n(k))}，

a_SV＝{(a_e(0),a_n(0)),(a_e(1),a_n(1)),...,(a_e(k),a_n(k))}；

利用同样的车辆运动模型和滤波递推方法，对前车的基础性运动参数进行滤波递推，输出前车位置坐标集：

M_TV＝{M₀(m_e(0),m_n(0)),M₁(m_e(1),m_n(1)),..., M_k(m_e(k),m_n(k))}，

前车速度信息v_TV＝{(b_e(0),b_n(0)),(b_e(1),b_n(1)),...,(b_e(k),b_n(k))}，

前车加速度信息c_TV＝{(c_e(0),c_n(0)),(c_e(1),c_n(1)),...,(c_e(k),c_n(k))}；

其中，m_e(k),m_n(k)分别表示前车在k时刻的东向位置和北向位置，b_e(k),b_n(k),c_e(k),c_n(k)分别表示前车在k时刻的东向速度、北向速度、东向加速度和北向加速度；

步骤三：提出并量化ACC性能评价指标

提出多维度的ACC性能评价指标，并利用步骤二输出的被测车辆和前车的运动状态参数进行量化，具体地：

(1)定速巡航下的速度控制精度：

式(20)中，ξ_SV为被测车辆在定速巡航下的速度控制精度，v_d(k)表示被测车辆在k时刻的速度，且

表示被测车辆速度的均值，单位均为m/s，s表示测试过程中的采样点个数；

(2)跟车稳定性：

式(21)中，η_SV为被测车辆的跟车稳定性，ω(k)表示被测车辆在k时刻的横摆角速度，ω_E(k)表示k时刻横摆角速度的期望值，单位均为rad/s，且

其中，R_L为道路曲率半径，单位为m；

(3)跟车精度：

式(22)中，ϑ_SV为跟车精度，L(k)表示k时刻被测车辆与前车的质心距离，且

表示测试过程中，被测车辆与前车的质心距离的均值，单位均为m；

(4)速度协调性：

式(23)中，μ_SV为速度协调性，v_rc(k)表示k时刻被测车辆与前车的相对速度，且

表示被测车辆与前车的相对速度的均值，单位均为m/s；

当进行复杂场景下的ACC性能测评时，首先，在步骤一建立的ACC性能测试场景下，利用步骤二提出的改进滤波算法对车辆位置、速度运动状态参数进行滤波递推；其次，基于精确输出的车辆运动状态参数，计算步骤三提出的ACC性能评价指标的量化值。

Images