CN111696387A - 一种基于前向障碍物识别的自适应防撞分级预警方法 - Google Patents

一种基于前向障碍物识别的自适应防撞分级预警方法 Download PDF

Info

Publication number
CN111696387A
CN111696387A CN202010436618.8A CN202010436618A CN111696387A CN 111696387 A CN111696387 A CN 111696387A CN 202010436618 A CN202010436618 A CN 202010436618A CN 111696387 A CN111696387 A CN 111696387A
Authority
CN
China
Prior art keywords
early warning
collision
semi
output
safety distance
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.)
Granted
Application number
CN202010436618.8A
Other languages
English (en)
Other versions
CN111696387B (zh
Inventor
李旭
胡玮明
郑智勇
徐启敏
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202010436618.8A priority Critical patent/CN111696387B/zh
Publication of CN111696387A publication Critical patent/CN111696387A/zh
Application granted granted Critical
Publication of CN111696387B publication Critical patent/CN111696387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
    • G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于前向障碍物识别的自适应防撞分级预警方法。首先，为了准确识别前向障碍物类型，建立了基于深度学习的前向障碍物识别模型。其次，综合考虑前向障碍物类型、运动状态和道路环境等因素对前向碰撞的影响，建立了具有自适应交通环境特性的行车安全距离模型，并对碰撞危险进行量化。最后，制定前向防撞分级预警策略。本发明提出的方法适应不同的交通环境和行驶工况，且能够根据交通环境自适应调整阈值，并以数值的形式将前向碰撞危险精确量化，实现不同碰撞危险程度下的自适应防撞分级预警，解决了现有的半挂罐车防撞预警方法缺乏准确性、适应性的问题。

Description

一种基于前向障碍物识别的自适应防撞分级预警方法
技术领域
本发明涉及一种半挂罐车前向碰撞预警方法，尤其是涉及一种基于前向障碍物识别的自适应防撞分级预警方法，属于汽车安全技术领域。
背景技术
随着我国道路交通运输的快速发展，半挂罐车已然成为危险品公路运输的主要载体，据统计，全国每天有近300万吨的危险物品运输在路上，使得半挂罐车也成为了影响道路交通安全的主要因素。由于半挂罐车的罐内装载多为易燃易爆、剧毒(汽油、甲醇、丙烯腈等)等危险化学品，一旦发生交通事故，易导致泄漏、燃烧、爆炸等严重后果，造成财产损失、环境污染、生态破坏、群死群伤等恶劣影响，且极易诱发大型、特大型安全事故，对社会公共安全构成巨大的威胁。
美国公路交通安全管理局的相关统计数据表明，车辆碰撞事故是道路运输过程中最主要的事故形态，而前向碰撞在碰撞事故中所占的比例最大，特别是在高速公路上的碰撞事故几乎都是前向碰撞。如果能在碰撞事故发生前对驾驶员进行预警以提醒驾驶员采取制动、变道等措施，可以大幅度降低因前向碰撞造成的交通事故发生频率或减轻其造成的伤害。因此，研究准确、可靠的半挂罐车前向防撞预警方法，对提升危险品运输安全保障能力、提高道路交通安全具有重要的作用。
目前针对车辆防撞预警算法的研究较多，但大多面向小型机动车辆。相比于小型机动车辆，半挂罐车具有质心位置较高、整车质量较大、罐内液体存在晃动等特点，导致其制动性能相对较差。具体而言，半挂罐车的制动距离较长，制动稳定性较差，在紧急制动或避障过程中，罐内液体的晃动会进一步加剧了车辆不稳定的程度。若采用较大的制动减速度，极易失稳而发生侧翻，导致危险品运输事故的发生。因此，针对小型机动车辆的防撞预警算法难以适用于半挂罐车。
在半挂罐车碰撞预警领域中，常用的碰撞危险表征参数包括行车安全距离、预计碰撞时间等，现有的预警算法大多数是基于固定的风险评价模型输出碰撞危险表征参数，在车辆行驶过程中，将该表征参数的实际值与设定的报警阈值进行比较，当实际值超过阈值时进行碰撞预警。然而，碰撞危险受道路环境、驾驶行为、行驶工况等多因素影响，采用固定不变的预警模型和报警阈值，虽然可以起到一定的预警作用，但存在对不同交通环境的适应性差、预警不准确的问题，难以适应复杂多变的交通环境和波动差异的车辆行驶工况。整体来说，现有的半挂罐车防撞预警方法，在准确性和适应性上仍存在着较大的不足，尚缺乏准确、自适应交通环境特性的半挂罐车防撞分级预警方法。
发明内容
发明目的：为了解决现有的半挂罐车防撞预警方法缺乏准确性和适应性的问题，本发明针对运输危险品的半挂罐车，提出了一种基于前向障碍物识别的自适应防撞分级预警方法。该方法适应不同的交通环境和行驶工况，且能够根据交通环境自适应调整阈值，并以数值的形式将前向碰撞危险精确量化，实现不同碰撞危险程度下的自适应防撞分级预警，解决了现有的半挂罐车防撞预警方法缺乏准确性、适应性的问题。同时，该方法使用的传感器成本较低，计算方法清晰，可以实现在线监测半挂罐车的前向碰撞风险，便于大规模推广。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于前向障碍物识别的自适应防撞分级预警方法。首先，为了准确识别前向障碍物类型，建立了基于深度学习的前向障碍物识别模型。其次，综合考虑前向障碍物类型、运动状态和道路环境等因素对前向碰撞的影响，建立了具有自适应交通环境特性的行车安全距离模型，并对碰撞危险进行量化。最后，制定前向防撞分级预警策略，从而实现了准确、可靠、自适应交通环境特性的半挂罐车防撞分级预警。具体包括以下步骤：
步骤一：建立基于深度学习的前向障碍物识别模型
在研究半挂罐车防撞预警时，为了考虑前向障碍物类型造成的影响，需基于自车视角实时、准确的识别前向障碍物的类型，即识别同车道内前方车辆的类型。本发明采用基于SSD的目标检测算法，建立前向障碍物识别模型，整体架构如图2所示，具体包括以下4个子步骤：
子步骤1：建立针对我国交通环境的车辆数据集
在半挂罐车前挡风玻璃内侧安装视觉传感器，并将镜头对准车辆的正前方。首先，利用视觉传感器采集半挂罐车前方的图像信息，建立针对我国交通环境的车辆数据集。其次，对视觉传感器获取的前车样本进行矩形框标注。最后，将样本尺寸调整为Q×Q像素，并记为
Figure BDA0002502521920000021
其中，Q为样本的像素，i为样本序号，xi为第i个样本的标注信息，即人工标注的真值，
Figure BDA0002502521920000022
分别表示第i个样本的中心点横坐标、中心点纵坐标、矩形框宽度和矩形框高度，nclass表示标注类别，在本发明中，取nclass＝1,2,3，分别表示车辆为小型车、中型车和大型车。
子步骤2：建立基于改进SSD的前向障碍物识别模型
本发明利用SSD目标检测网络(参考文献：Liu W,Anguelov D,Erhan D,etal.SSD:Single shot multibox detector[C]//European Conference on ComputerVision,2016:21-37.)，建立前向障碍物识别模型。为了更好地满足实时、准确的车型识别需求，本发明对识别模型中的特征提取基础网络和边界框生成网络进行改进，具体地：
(1)特征提取基础网络
为了提高特征提取的速度，本发明对基础网络部分进行轻量化改进。考虑到深度可分离卷积可以使特征图输出尺寸不变的同时，减少较多的网络计算参数。因此，本发明利用深度可分离卷积层替换基础网络中的部分卷积层。
本发明设置卷积核大小为3×3的普通卷积层数量为
Figure BDA0002502521920000031
其中，取
Figure BDA0002502521920000032
卷积核数量为
Figure BDA0002502521920000033
步长均为1；设置深度可分离卷积层数量为
Figure BDA0002502521920000034
其中，取
Figure BDA0002502521920000035
卷积核数量为
Figure BDA0002502521920000036
步长均为1。
根据以上各变量的取值范围，建立不同的前向障碍物识别模型，利用子步骤1建立的车辆数据集对这些模型进行测试和验证，在同时考虑车型识别精度和速度的情况下，确定性能最优的网络模型。具体结构描述如下：
1)标准卷积层1_1：第一层的输入是原始图像，像素为Q×Q，用64个3×3的卷积核与原始输入图像做卷积，步长为1，将线性整流单元(Rectified Linear Units,ReLU)作为神经元的激活函数，经过ReLU激活，输出维度为Q×Q×64的特征图。
2)标准卷积层1_2：用64个3×3的卷积核与第1层输出的特征图做卷积，步长为1，经过ReLU激活，输出维度为Q×Q×64的特征图。
3)最大池化层1_1：用64个2×2的核与第2层输出的特征图做最大池化，步长为2，输出维度为
Figure BDA0002502521920000037
的特征图。
4)标准卷积层2_1：用128个3×3的卷积核与第3层输出的特征图做卷积，步长为1，经过ReLU激活，输出维度为
Figure BDA0002502521920000038
的特征图。
5)标准卷积层2_2：用128个3×3的卷积核与第4层输出的特征图做卷积，步长为1，经过ReLU激活，输出维度为
Figure BDA0002502521920000039
的特征图。
6)最大池化层2_1：用128个2×2的核与第5层输出的特征图做最大池化，步长为2，输出维度为
Figure BDA0002502521920000041
的特征图。
7)深度可分离卷积层1_1：用128个3×3的卷积核与第6层输出的特征图做卷积，步长为1，再用256个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure BDA0002502521920000042
的特征图。
8)深度可分离卷积层1_2：用128个3×3的卷积核与第7层输出的特征图做卷积，步长为1，再用256个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure BDA0002502521920000043
的特征图。
9)深度可分离卷积层1_3：用128个3×3的卷积核与第7层输出的特征图做卷积，步长为1，再用256个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure BDA0002502521920000044
的特征图。
10)最大池化层3_1：用256个2×2的核与第9层输出的特征图做最大池化，步长为2，输出维度为
Figure BDA0002502521920000045
的特征图。
11)深度可分离卷积层2_1：用256个3×3的卷积核与第10层输出的特征图做卷积，步长为1，再用512个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure BDA0002502521920000046
的特征图。
12)深度可分离卷积层2_2：用256个3×3的卷积核与第11层输出的特征图做卷积，步长为1，再用512个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure BDA0002502521920000047
的特征图。
13)深度可分离卷积层2_3：用256个3×3的卷积核与第12层输出的特征图做卷积，步长为1，再用512个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure BDA0002502521920000048
的特征图。
14)最大池化层3_1：用512个2×2的核与第13层输出的特征图做最大池化，步长为2，输出维度为
Figure BDA0002502521920000049
的特征图。
(2)边界框生成网络
在完成多尺度特征映射后，为了准确预测目标的类别和位置，应设计不同尺寸的边界框。首先，确定各边界框相对于样本图像的比例：
Figure BDA0002502521920000051
式(1)中，Sj为第j个边界框相对于样本图像的比例，Smax,Smin分别表示最大、最小的尺度参数，在本发明中，取Smxa＝0.9，Smin＝0.2，N为特征图的尺度数量，在本发明中，取N＝6。
其次，对边界框的尺寸进行针对性设计。考虑到前车占据样本图像的比例且大多靠近图像的中心位置，本发明设计了6种宽高比参数：1,
Figure BDA0002502521920000052
2,
Figure BDA0002502521920000053
生成的边界框的宽和高分别为：
Wj＝Sj·β1/2
Figure BDA0002502521920000054
式(2)中，Wj,Hj分别表示第j个边界框的宽和高，β表示边界框的宽高比参数。
子步骤3：训练前向障碍物识别模型
对子步骤2中改进的车型识别模型进行训练，训练过程包含前向传播和反向传播两个阶段。在前向传播阶段，将数据集输入到网络中，计算相应的实际输出，为了量化预测值与实际值之间的差距，建立了由两部分组成的损失函数：
Figure BDA0002502521920000055
式(3)中，Mbbox表示与真值相匹配的边界框数量，Jconf(z,c)为置信度损失，Jloc(z,lbbox,gtru)为位置损失，lbbox为预测的边界框位置信息，gtru表示真值的位置信息，α表示权重参数，取α＝1，z表示预测的边界框是否与真值相匹配，若匹配，z＝1，若不匹配，z＝0。
在反向传播阶段，首先，计算实际输出与相应的理想输出之间的误差。其次，对损失函数求偏导数。最后，利用随机梯度下降法迭代并优化网络参数。
在确定损失函数、梯度下降方法后，对前向障碍物识别模型进行训练。首先，对网络进行预训练。然后，根据损失曲线的变化情况，对预训练得到的网络参数进行微调。最后，获得参数选取最优的前向障碍物识别模型。
子步骤4：利用改进的SSD网络识别前向障碍物类型
将车载视觉传感器采集的图像输入到已训练的前向障碍物识别网络中，可以实时的获取同车道内前车的类型信息。
步骤二：建立自适应交通环境特性的行车安全距离模型
为了准确、可靠的判断半挂罐车潜在的碰撞危险，应建立全面、准确的碰撞预警方法。本发明采用基于安全距离的方法，建立行车安全距离模型，对半挂罐车的碰撞危险进行计算。具体包括：
子步骤1：建立行车安全距离模型
为了建立行车安全距离模型，应准确地计算各交通环境下的行车安全距离。本发明在现有方法的基础上，综合考虑道路环境、前方车辆类型、运动状态等因素对前向碰撞的影响，建立具有自适应交通环境特性的行车安全距离模型。
首先，考虑到前车的行驶状态直接影响安全距离值，利用CAN总线或轮速传感器测量半挂罐车的速度、毫米波雷达测量的两车相对距离和相对速度识别前车的运动状态，即前车静止、前车匀速或加速、前车减速。
其次，为了使模型适应不同的交通环境，建立自适应行车安全距离模型。作为影响碰撞预警准确性和及时性的重要因素，半挂罐车与同向前车之间的安全距离值，应保证既不会发生碰撞，又不会降低道路通行能力。为了避免单一的安全距离值过松或过紧的情况，本发明采用分段式行车安全距离，即预警临界安全距离和危险临界安全距离。
再次，为了进一步提高模型的自适应性，本发明考虑前车类型对行车安全的影响。对行车安全距离进行针对性设计：当前车为大型车辆时，建立相对保守的行车安全距离；当前车为小型车辆时，在保证行车安全的情况下，建立适中的行车安全距离，以保证道路通行能力。
综上，综合考虑前方车辆类型和运动状态的行车安全距离可表示为：
(1)前车静止工况
当前车静止时，前车行驶距离Lf1＝0，半挂罐车在制动过程中行驶的距离Lr1为：
Figure BDA0002502521920000061
式(4)中，L1,L2,L3分别表示半挂罐车在驾驶员反应时间、制动协调时间内行驶的距离、在制动减速度生效过程中行驶的距离、在制动持续时间内行驶的距离，单位均为m；t1表示驾驶员反应并进行移脚动作的时间，t2为制动协调时间，t3为制动力增长的时间，t4为制动持续时间，且
Figure BDA0002502521920000062
单位均为s；ar,vr分别表示半挂罐车的制动减速度设定值、制动初始速度，单位分别为m/s2、m/s。
前车静止工况下的预警临界安全距离Dw1、危险临界安全距离Db1分别为：
Figure BDA0002502521920000071
式(5)中，Ls表示两车静止时应保持的安全间距常数；ρl为安全距离系数，l＝1,2,3分别表示前车为大型车辆、中型车辆和小型车辆，在本发明中，取ρl＝l。
(2)前车匀速或加速工况
半挂罐车制动时，前车的行驶距离
Figure BDA0002502521920000072
为：
Figure BDA0002502521920000073
式(6)中，vf为前车速度，可通过两车相对速度、半挂罐车的速度计算获得。
半挂罐车在制动过程中行驶的距离
Figure BDA0002502521920000074
为：
Figure BDA0002502521920000075
因此，前车匀速或加速工况下的预警临界安全距离
Figure BDA0002502521920000076
危险临界安全距离
Figure BDA0002502521920000077
分别为：
Figure BDA0002502521920000078
(3)前车减速工况
半挂罐车制动时，前车的行驶距离
Figure BDA0002502521920000079
式(9)中，af表示前车的制动减速度。
半挂罐车在制动过程中行驶的距离
Figure BDA00025025219200000710
因此，前车减速工况下的预警临界安全距离
Figure BDA00025025219200000711
危险临界安全距离
Figure BDA00025025219200000712
分别为：
Figure BDA0002502521920000081
最后，式(5)、(8)和(11)构成了自适应交通环境特性的行车安全距离模型。
子步骤2：确定行车安全距离模型的参数
为了准确输出各工况下的行车安全距离，应确定行车安全距离模型中的参数设定值。首先，考虑道路附着系数对制动减速度的影响，在干沥青路面、湿沥青路面下，分别取半挂罐车的制动减速度设定值ar＝4.4m/s2、3.0m/s2。
其次，参考上述标准，取半挂罐车的制动协调时间t2＝0.74s，参考国内外研究，取驾驶员反应并进行移脚动作的时间t1＝1s、制动力增长的时间t3＝0.2s。
最后，确定两车静止时应保持的安全间距常数Ls。在现有的研究中，通常将安全间距设定在2-5m之间，考虑到预警对象是运输危险品的半挂罐车，为确保行车安全，取Ls＝5m。
子步骤3：量化前向碰撞危险
在输出半挂罐车的行车安全距离后，将行车安全距离与两车相对距离进行比较，进而估计碰撞危险程度。为了准确描述碰撞危险程度，本发明对碰撞危险程度精确量化：
Figure BDA0002502521920000082
式(12)中，δw为安全状态参数，用于表征半挂罐车的碰撞危险程度，Dm表示半挂罐车与前车的相对距离，通过安装在半挂罐车前车牌上方的毫米波雷达测量获得，单位为m。
Figure BDA0002502521920000083
分别表示前车运动状态为k时的预警临界安全距离和危险临界安全距离，k＝1,2,3分别表示前车静止、前车匀速或加速、前车减速工况。
步骤三：制定自适应防撞分级预警策略
为了实现半挂罐车的前向碰撞预警，基于行车安全距离模型输出的危险程度量化值，本发明制定了分级预警策略和相应的预警阈值。首先，考虑到危险品运输过程中的前向碰撞事故很少发生在低速环境下，本发明对最低预警速度进行约束：当半挂罐车的速度低于20km/h时，不启动前向防撞预警。其次，制定预警阈值和分级预警策略，具体地：
(1)当δw>1时，表示半挂罐车无前向碰撞危险。此时无需预警，音频模块和蜂鸣器不工作；
(2)当0.5<δw<1时，进行一级预警，音频模块进行语音提示：“请注意前方车况”，蜂鸣器低频震动；
(3)当0<δw<0.5时，进行二级预警，音频模块进行语音提示：“存在前向碰撞危险，请谨慎驾驶”，蜂鸣器中频震动；
(4)当δw<0时，进行三级预警，半挂罐车存在高度前向碰撞危险，若不进行制动，有极大可能发生追尾事故。音频模块进行语音提示：“存在高度前向碰撞危险，请实施制动”，蜂鸣器高频震动。
在半挂罐车行驶过程中，首先，利用“步骤一”建立的前向障碍物识别模型识别前车的类型。其次，利用“步骤二”建立的行车安全距离模型，计算各交通环境下的预警安全距离和危险临界安全距离，并通过对比毫米波雷达测量的两车相对距离，对前向碰撞危险进行量化。最后，根据“步骤三”提出的防撞分级预警策略进行前向防撞预警，从而实现了准确、可靠的自适应防撞分级预警。
有益效果：相比于一般的防撞预警方法，本发明提出的预警方法具有更为准确、可靠、自适应的特点，具体体现在：
(1)本发明提出的方法能够适应不同的交通环境和行驶工况，且能够根据交通环境自适应调整阈值，建立的行车安全距离模型和报警阈值在线可调，解决了现有的半挂罐车防撞预警方法缺乏准确性、适应性的问题。
(2)本发明提出的方法以数值的形式将前向碰撞危险精确量化，并设置不同的预警阈值，实现了不同碰撞危险程度下的防撞分级预警，进一步提高了预警的准确性和可靠性。(3)本发明的预警方法使用的传感器成本较低，计算方法清晰，可以实现在线监测半挂罐车的前向碰撞风险，便于大规模推广。
附图说明
图1是本发明的技术路线图；
图2是基于改进SSD的前向障碍物识别模型的整体架构。
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。
随着我国道路交通运输的快速发展，半挂罐车已然成为危险品公路运输的主要载体，据统计，全国每天有近300万吨的危险物品运输在路上，使得半挂罐车也成为了影响道路交通安全的主要因素。由于半挂罐车的罐内装载多为易燃易爆、剧毒(汽油、甲醇、丙烯腈等)等危险化学品，一旦发生交通事故，易导致泄漏、燃烧、爆炸等严重后果，造成财产损失、环境污染、生态破坏、群死群伤等恶劣影响，且极易诱发大型、特大型安全事故，对社会公共安全构成巨大的威胁。
美国公路交通安全管理局的相关统计数据表明，车辆碰撞事故是道路运输过程中最主要的事故形态，而前向碰撞在碰撞事故中所占的比例最大，特别是在高速公路上的碰撞事故几乎都是前向碰撞。如果能在碰撞事故发生前对驾驶员进行预警以提醒驾驶员采取制动、变道等措施，可以大幅度降低因前向碰撞造成的交通事故发生频率或减轻其造成的伤害。因此，研究准确、可靠的半挂罐车前向防撞预警方法，对提升危险品运输安全保障能力、提高道路交通安全具有重要的作用。
目前针对车辆防撞预警算法的研究较多，但大多面向小型机动车辆。相比于小型机动车辆，半挂罐车具有质心位置较高、整车质量较大、罐内液体存在晃动等特点，导致其制动性能相对较差。具体而言，半挂罐车的制动距离较长，制动稳定性较差，在紧急制动或避障过程中，罐内液体的晃动会进一步加剧了车辆不稳定的程度。若采用较大的制动减速度，极易失稳而发生侧翻，导致危险品运输事故的发生。因此，针对小型机动车辆的防撞预警算法难以适用于半挂罐车。
在半挂罐车碰撞预警领域中，常用的碰撞危险表征参数包括行车安全距离、预计碰撞时间等，现有的预警算法大多数是基于固定的风险评价模型输出碰撞危险表征参数，在车辆行驶过程中，将该表征参数的实际值与设定的报警阈值进行比较，当实际值超过阈值时进行碰撞预警。然而，碰撞危险受道路环境、驾驶行为、行驶工况等多因素影响，采用固定不变的预警模型和报警阈值，虽然可以起到一定的预警作用，但存在对不同交通环境的适应性差、预警不准确的问题，难以适应复杂多变的交通环境和波动差异的车辆行驶工况。整体来说，现有的半挂罐车防撞预警方法，在准确性和适应性上仍存在着较大的不足，尚缺乏准确、自适应交通环境特性的半挂罐车防撞分级预警方法。
为了解决现有的半挂罐车防撞预警方法缺乏准确性和适应性的问题，本发明针对运输危险品的半挂罐车，提出了一种基于前向障碍物识别的自适应防撞分级预警方法。首先，为了准确识别前向障碍物类型，建立了基于深度学习的前向障碍物识别模型。其次，综合考虑前向障碍物类型、运动状态和道路环境等因素对前向碰撞的影响，建立了具有自适应交通环境特性的行车安全距离模型，并对碰撞危险进行量化。最后，制定前向防撞分级预警策略，从而实现了准确、可靠、自适应交通环境特性的半挂罐车防撞分级预警。本发明的技术路线如图1所示，包括以下步骤：
步骤一：建立基于深度学习的前向障碍物识别模型
在研究半挂罐车防撞预警时，为了考虑前向障碍物类型造成的影响，需基于自车视角实时、准确的识别前向障碍物的类型，即识别同车道内前方车辆的类型。
已有的车型识别方法主要包括：基于传感器信息和基于图像处理的方法。基于传感器信息的方法，是利用安装在道路上的磁感线圈等传感器，判断车辆的大小和类型，无法满足利用自车传感器识别车型的需求。在基于图像处理的方法中，考虑到通过自车视角获取的前车图像只有车辆尾部这一局部信息，相比于手工提取特征的传统机器学习的方法，基于深度学习的方法能够提取更多的细节特征，可以弥补因车辆信息不全造成的特征缺失的不足。同时，考虑到采集的图像包含前车尾部信息和背景信息(道路、天空等)，本发明将车型识别问题转化为目标检测问题。因此，采用基于深度学习的目标检测方法识别前车类型。
基于深度学习的目标检测算法主要包括两类：基于区域建议的二阶段目标检测算法和基于端到端的目标检测算法。R-CNN、Fast R-CNN等二阶段目标检测算法，虽然具有较好的检测精度，但在检测速度方面仍存在着不足，无法满足实时检测的需求。在基于端到端的目标检测算法中，基于单次多类别检测器(Single Shot Multi-box Detector,SSD)的目标检测算法在保证检测实时性的同时，具有较高的检测精度。因此，本发明采用基于SSD的目标检测算法，建立前向障碍物识别模型，整体架构如图2所示，具体包括以下4个子步骤：
子步骤1：建立针对我国交通环境的车辆数据集
在半挂罐车前挡风玻璃内侧安装视觉传感器，并将镜头对准车辆的正前方。首先，利用视觉传感器采集半挂罐车前方的图像信息，建立针对我国交通环境的车辆数据集。其次，对视觉传感器获取的前车样本进行矩形框标注。最后，将样本尺寸调整为Q×Q像素，并记为
Figure BDA0002502521920000111
其中，Q为样本的像素，i为样本序号，xi为第i个样本的标注信息，即人工标注的真值，
Figure BDA0002502521920000112
分别表示第i个样本的中心点横坐标、中心点纵坐标、矩形框宽度和矩形框高度，nclass表示标注类别，在本发明中，取nclass＝1,2,3，分别表示车辆为小型车、中型车和大型车。
子步骤2：建立基于改进SSD的前向障碍物识别模型
本发明利用SSD目标检测网络(参考文献：Liu W,Anguelov D,Erhan D,etal.SSD:Single shot multibox detector[C]//European Conference on ComputerVision,2016:21-37.)，建立前向障碍物识别模型。为了更好地满足实时、准确的车型识别需求，本发明对识别模型中的特征提取基础网络和边界框生成网络进行改进，具体地：
(1)特征提取基础网络
SSD网络利用VGG-16中的前5个卷积层，以及由全连接层修改而成的2个标准卷积层，作为特征提取的基础网络。然而，网络的计算量主要集中在卷积层和全连接层，由于网络去掉了全连接层，大部分的计算时间消耗在卷积层。为了提高特征提取的速度，本发明对基础网络部分进行轻量化改进。
考虑到深度可分离卷积可以使特征图输出尺寸不变的同时，减少较多的网络计算参数。因此，本发明利用深度可分离卷积层替换基础网络中的部分卷积层。
一般来说，过大的网络参数会使网络计算量增大，不利于模型深度的增加，而过少的网络参数会使模型的识别精度降低。因此，合理选择标准卷积层和深度可分离卷积层的数量对于改善前向障碍物识别的精度和计算速度具有重要作用。
基于以上原因，本发明设置卷积核大小为3×3的普通卷积层数量为
Figure BDA0002502521920000121
其中，取
Figure BDA0002502521920000122
卷积核数量为
Figure BDA0002502521920000123
步长均为1；设置深度可分离卷积层数量为
Figure BDA0002502521920000124
其中，取
Figure BDA0002502521920000125
卷积核数量为
Figure BDA0002502521920000126
步长均为1。
根据以上各变量的取值范围，建立不同的前向障碍物识别模型，利用子步骤1建立的车辆数据集对这些模型进行测试和验证，在同时考虑车型识别精度和速度的情况下，确定性能最优的网络模型。具体结构描述如下：
1)标准卷积层1_1：第一层的输入是原始图像，像素为Q×Q，用64个3×3的卷积核与原始输入图像做卷积，步长为1，将线性整流单元(Rectified Linear Units,ReLU)作为神经元的激活函数，经过ReLU激活，输出维度为Q×Q×64的特征图。
2)标准卷积层1_2：用64个3×3的卷积核与第1层输出的特征图做卷积，步长为1，经过ReLU激活，输出维度为Q×Q×64的特征图。
3)最大池化层1_1：用64个2×2的核与第2层输出的特征图做最大池化，步长为2，输出维度为
Figure BDA0002502521920000127
的特征图。
4)标准卷积层2_1：用128个3×3的卷积核与第3层输出的特征图做卷积，步长为1，经过ReLU激活，输出维度为
Figure BDA0002502521920000128
的特征图。
5)标准卷积层2_2：用128个3×3的卷积核与第4层输出的特征图做卷积，步长为1，经过ReLU激活，输出维度为
Figure BDA0002502521920000131
的特征图。
6)最大池化层2_1：用128个2×2的核与第5层输出的特征图做最大池化，步长为2，输出维度为
Figure BDA0002502521920000132
的特征图。
7)深度可分离卷积层1_1：用128个3×3的卷积核与第6层输出的特征图做卷积，步长为1，再用256个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure BDA0002502521920000133
的特征图。
8)深度可分离卷积层1_2：用128个3×3的卷积核与第7层输出的特征图做卷积，步长为1，再用256个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure BDA0002502521920000134
的特征图。
9)深度可分离卷积层1_3：用128个3×3的卷积核与第7层输出的特征图做卷积，步长为1，再用256个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure BDA0002502521920000135
的特征图。
10)最大池化层3_1：用256个2×2的核与第9层输出的特征图做最大池化，步长为2，输出维度为
Figure BDA0002502521920000136
的特征图。
11)深度可分离卷积层2_1：用256个3×3的卷积核与第10层输出的特征图做卷积，步长为1，再用512个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure BDA0002502521920000137
的特征图。
12)深度可分离卷积层2_2：用256个3×3的卷积核与第11层输出的特征图做卷积，步长为1，再用512个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure BDA0002502521920000138
的特征图。
13)深度可分离卷积层2_3：用256个3×3的卷积核与第12层输出的特征图做卷积，步长为1，再用512个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure BDA0002502521920000139
的特征图。
14)最大池化层3_1：用512个2×2的核与第13层输出的特征图做最大池化，步长为2，输出维度为
Figure BDA0002502521920000141
的特征图。
(2)边界框生成网络
在完成多尺度特征映射后，为了准确预测目标的类别和位置，应设计不同尺寸的边界框。首先，确定各边界框相对于样本图像的比例：
Figure BDA0002502521920000142
式(1)中，Sj为第j个边界框相对于样本图像的比例，Smax,Smin分别表示最大、最小的尺度参数，在本发明中，取Smxa＝0.9，Smin＝0.2，N为特征图的尺度数量，在本发明中，取N＝6。
其次，对边界框的尺寸进行针对性设计。考虑到前车占据样本图像的比例且大多靠近图像的中心位置，本发明设计了6种宽高比参数：1,
Figure BDA0002502521920000143
2,
Figure BDA0002502521920000144
生成的边界框的宽和高分别为：
Wj＝Sj·β1/2
Figure BDA0002502521920000145
式(2)中，Wj,Hj分别表示第j个边界框的宽和高，β表示边界框的宽高比参数。
子步骤3：训练前向障碍物识别模型
对子步骤2中改进的车型识别模型进行训练，训练过程包含前向传播和反向传播两个阶段。在前向传播阶段，将数据集输入到网络中，计算相应的实际输出，为了量化预测值与实际值之间的差距，建立了由两部分组成的损失函数：
Figure BDA0002502521920000146
式(3)中，Mbbox表示与真值相匹配的边界框数量，Jconf(z,c)为置信度损失，Jloc(z,lbbox,gtru)为位置损失，lbbox为预测的边界框位置信息，gtru表示真值的位置信息，α表示权重参数，取α＝1，z表示预测的边界框是否与真值相匹配，若匹配，z＝1，若不匹配，z＝0。
在反向传播阶段，首先，计算实际输出与相应的理想输出之间的误差。其次，对损失函数求偏导数。最后，利用随机梯度下降法迭代并优化网络参数。
在确定损失函数、梯度下降方法后，对前向障碍物识别模型进行训练。首先，对网络进行预训练。然后，根据损失曲线的变化情况，对预训练得到的网络参数进行微调。最后，获得参数选取最优的前向障碍物识别模型。
子步骤4：利用改进的SSD网络识别前向障碍物类型
将车载视觉传感器采集的图像输入到已训练的前向障碍物识别网络中，可以实时的获取同车道内前车的类型信息。
步骤二：建立自适应交通环境特性的行车安全距离模型
为了准确、可靠的判断半挂罐车潜在的碰撞危险，应建立全面、准确的碰撞预警方法。常用的方法主要包括基于安全时间和基于安全距离的预警算法两类。(1)在基于安全时间的预警算法中，影响安全时间的相对加速度很难准确测量，若忽略这一参数，将严重影响模型的准确性，且安全时间门限值较难设定。(2)基于安全距离的预警算法是通过建立运动学、两车间距、车间时距等模型，计算车辆进行制动不会发生碰撞的最小距离，即行车安全距离，并与测量的两车间距进行比较，以输出当前时刻的行车安全状态。相比基于安全时间的预警方法，基于安全距离的方法更容易获取模型的参数。因此，本发明采用基于安全距离的方法，建立行车安全距离模型，对半挂罐车的碰撞危险进行计算。具体包括：
子步骤1：建立行车安全距离模型
为了建立行车安全距离模型，应准确地计算各交通环境下的行车安全距离。常用的安全距离计算方法主要包括本田安全距离模型、加州大学伯克利分校的改进模型等，这些方法大多基于固定车距、固定车间时距等参数，建立了固定不变的预警模型，虽然可以起到一定的预警作用，但存在对不同交通环境的适应性差、预警不准确的问题，难以适应复杂多变的交通环境和波动差异的车辆行驶工况。
鉴于此，为了实现准确、可靠的半挂罐车防撞预警，本发明在现有方法的基础上，综合考虑道路环境、前方车辆类型、运动状态等因素对前向碰撞的影响，建立具有自适应交通环境特性的行车安全距离模型。
首先，考虑到前车的行驶状态直接影响安全距离值，利用CAN总线或轮速传感器测量半挂罐车的速度、毫米波雷达测量的两车相对距离和相对速度识别前车的运动状态，即前车静止、前车匀速或加速、前车减速。
其次，为了使模型适应不同的交通环境，建立自适应行车安全距离模型。作为影响碰撞预警准确性和及时性的重要因素，半挂罐车与同向前车之间的安全距离值，应保证既不会发生碰撞，又不会降低道路通行能力。为了避免单一的安全距离值过松或过紧的情况，本发明采用分段式行车安全距离，即预警临界安全距离和危险临界安全距离。
再次，为了进一步提高模型的自适应性，本发明考虑前车类型对行车安全的影响。对于重型货车、卡车等大型车辆，因具有车辆正后方存在较大盲区、因车身较高影响后车视线、满载或货物固定不稳时易发生货物散落等特点，相比于小型车辆，其危险程度更高。鉴于此，对行车安全距离进行针对性设计：当前车为大型车辆时，建立相对保守的行车安全距离；当前车为小型车辆时，在保证行车安全的情况下，建立适中的行车安全距离，以保证道路通行能力。
综上，综合考虑前方车辆类型和运动状态的行车安全距离可表示为：
(1)前车静止工况
当前车静止时，前车行驶距离Lf1＝0，半挂罐车在制动过程中行驶的距离
Figure BDA0002502521920000161
为：
Figure BDA0002502521920000162
式(4)中，L1,L2,L3分别表示半挂罐车在驾驶员反应时间、制动协调时间内行驶的距离、在制动减速度生效过程中行驶的距离、在制动持续时间内行驶的距离，单位均为m；t1表示驾驶员反应并进行移脚动作的时间，t2为制动协调时间，t3为制动力增长的时间，t4为制动持续时间，且
Figure BDA0002502521920000163
单位均为s；ar,vr分别表示半挂罐车的制动减速度设定值、制动初始速度，单位分别为m/s2、m/s。
前车静止工况下的预警临界安全距离
Figure BDA0002502521920000164
危险临界安全距离
Figure BDA0002502521920000165
分别为：
Figure BDA0002502521920000166
式(5)中，Ls表示两车静止时应保持的安全间距常数；ρl为安全距离系数，l＝1,2,3分别表示前车为大型车辆、中型车辆和小型车辆，在本发明中，取ρl＝l。
(2)前车匀速或加速工况
当前车匀速或加速行驶时，若半挂罐车的速度小于等于前车速度，则不会发生前向碰撞。若半挂罐车的速度大于前车速度，为了保证行车安全，应确保两车速度相同时不会发生前向碰撞。
半挂罐车制动时，前车的行驶距离
Figure BDA0002502521920000167
为：
Figure BDA0002502521920000171
式(6)中，vf为前车速度，可通过两车相对速度、半挂罐车的速度计算获得。
半挂罐车在制动过程中行驶的距离
Figure BDA0002502521920000172
为：
Figure BDA0002502521920000173
因此，前车匀速或加速工况下的预警临界安全距离
Figure BDA0002502521920000174
危险临界安全距离
Figure BDA0002502521920000175
分别为：
Figure BDA0002502521920000176
(3)前车减速工况
半挂罐车制动时，前车的行驶距离
Figure BDA0002502521920000177
式(9)中，af表示前车的制动减速度。
半挂罐车在制动过程中行驶的距离
Figure BDA0002502521920000178
因此，前车减速工况下的预警临界安全距离
Figure BDA0002502521920000179
危险临界安全距离
Figure BDA00025025219200001710
分别为：
Figure BDA00025025219200001711
最后，式(5)、(8)和(11)构成了自适应交通环境特性的行车安全距离模型。
子步骤2：确定行车安全距离模型的参数
为了准确输出各工况下的行车安全距离，应确定行车安全距离模型中的参数设定值。在现有的安全距离研究中，为了简化计算，大多将自车的制动减速度设为最大制动减速度。然而，由于半挂罐车具有质心位置高、整车质量大、轮距小、罐内液体存在晃动等特点，若以最大制动减速度进行紧急制动，极易失稳而发生侧翻，常规的参数设定无法保证半挂罐车的行车安全。
鉴于此，根据标准GB 12670-2008《乘用车制动系统技术要求及试验方法》和ECER13-09《关于M、N和O类车辆制动系统型式认证的统一规定》，同时，考虑道路附着系数对制动减速度的影响，在干沥青路面、湿沥青路面下，分别取半挂罐车的制动减速度设定值ar＝4.4m/s2、3.0m/s2。
其次，参考上述标准，取半挂罐车的制动协调时间t2＝0.74s，参考国内外研究，取驾驶员反应并进行移脚动作的时间t1＝1s、制动力增长的时间t3＝0.2s。
最后，确定两车静止时应保持的安全间距常数Ls。在现有的研究中，通常将安全间距设定在2-5m之间，考虑到预警对象是运输危险品的半挂罐车，为确保行车安全，取Ls＝5m。
子步骤3：量化前向碰撞危险
在输出半挂罐车的行车安全距离后，将行车安全距离与两车相对距离进行比较，进而估计碰撞危险程度。为了准确描述碰撞危险程度，本发明对碰撞危险程度精确量化：
Figure BDA0002502521920000181
式(12)中，δw为安全状态参数，用于表征半挂罐车的碰撞危险程度，Dm表示半挂罐车与前车的相对距离，通过安装在半挂罐车前车牌上方的毫米波雷达测量获得，单位为m。
Figure BDA0002502521920000182
分别表示前车运动状态为k时的预警临界安全距离和危险临界安全距离，k＝1,2,3分别表示前车静止、前车匀速或加速、前车减速工况。
步骤三：制定自适应防撞分级预警策略
为了实现半挂罐车的前向碰撞预警，基于行车安全距离模型输出的危险程度量化值，本发明制定了分级预警策略和相应的预警阈值。首先，考虑到危险品运输过程中的前向碰撞事故很少发生在低速环境下，本发明对最低预警速度进行约束：当半挂罐车的速度低于20km/h时，不启动前向防撞预警。其次，制定预警阈值和分级预警策略，具体地：
(1)当δw>1时，表示半挂罐车无前向碰撞危险。此时无需预警，音频模块和蜂鸣器不工作；
(2)当0.5<δw<1时，进行一级预警，音频模块进行语音提示：“请注意前方车况”，蜂鸣器低频震动；
(3)当0<δw<0.5时，进行二级预警，音频模块进行语音提示：“存在前向碰撞危险，请谨慎驾驶”，蜂鸣器中频震动；
(4)当δw<0时，进行三级预警，半挂罐车存在高度前向碰撞危险，若不进行制动，有极大可能发生追尾事故。音频模块进行语音提示：“存在高度前向碰撞危险，请实施制动”，蜂鸣器高频震动。
在半挂罐车行驶过程中，首先，利用“步骤一”建立的前向障碍物识别模型识别前车的类型。其次，利用“步骤二”建立的行车安全距离模型，计算各交通环境下的预警安全距离和危险临界安全距离，并通过对比毫米波雷达测量的两车相对距离，对前向碰撞危险进行量化。最后，根据“步骤三”提出的防撞分级预警策略进行前向防撞预警，从而实现了准确、可靠的自适应防撞分级预警。

Claims (1)

1.一种基于前向障碍物识别的自适应防撞分级预警方法，首先，建立基于深度学习的前向障碍物识别模型；其次，建立具有自适应交通环境特性的行车安全距离模型，并对碰撞危险进行量化；最后，制定前向防撞分级预警策略；其特征在于：
步骤一：建立基于深度学习的前向障碍物识别模型
采用基于SSD的目标检测算法，建立前向障碍物识别模型，具体包括以下4个子步骤：
子步骤1：建立针对我国交通环境的车辆数据集
在半挂罐车前挡风玻璃内侧安装视觉传感器，并将镜头对准车辆的正前方；首先，利用视觉传感器采集半挂罐车前方的图像信息，建立车辆数据集；其次，对视觉传感器获取的前车样本进行矩形框标注；最后，将样本尺寸调整为Q×Q像素，并记为
Figure FDA0002502521910000011
其中，Q为样本的像素，i为样本序号，xi为第i个样本的标注信息，即人工标注的真值，
Figure FDA0002502521910000012
分别表示第i个样本的中心点横坐标、中心点纵坐标、矩形框宽度和矩形框高度，nclass表示标注类别，取nclass＝1,2,3，分别表示车辆为小型车、中型车和大型车；
子步骤2：建立基于改进SSD的前向障碍物识别模型
利用SSD目标检测网络建立前向障碍物识别模型；对识别模型中的特征提取基础网络和边界框生成网络进行改进，具体地：
(1)特征提取基础网络
对基础网络部分进行轻量化改进；利用深度可分离卷积层替换基础网络中的部分卷积层；
设置卷积核大小为3×3的普通卷积层数量为
Figure FDA0002502521910000013
其中，取
Figure FDA0002502521910000014
卷积核数量为
Figure FDA0002502521910000015
步长均为1；设置深度可分离卷积层数量为
Figure FDA0002502521910000016
其中，取
Figure FDA0002502521910000017
卷积核数量为
Figure FDA0002502521910000018
步长均为1；
根据以上各变量的取值范围，建立不同的前向障碍物识别模型，利用子步骤1建立的车辆数据集对这些模型进行测试和验证，确定性能最优的网络模型；具体结构描述如下：
1)标准卷积层1_1：第一层的输入是原始图像，像素为Q×Q，用64个3×3的卷积核与原始输入图像做卷积，步长为1，将线性整流单元作为神经元的激活函数，经过ReLU激活，输出维度为Q×Q×64的特征图；
2)标准卷积层1_2：用64个3×3的卷积核与第1层输出的特征图做卷积，步长为1，经过ReLU激活，输出维度为Q×Q×64的特征图；
3)最大池化层1_1：用64个2×2的核与第2层输出的特征图做最大池化，步长为2，输出维度为
Figure FDA0002502521910000021
的特征图；
4)标准卷积层2_1：用128个3×3的卷积核与第3层输出的特征图做卷积，步长为1，经过ReLU激活，输出维度为
Figure FDA0002502521910000022
的特征图；
5)标准卷积层2_2：用128个3×3的卷积核与第4层输出的特征图做卷积，步长为1，经过ReLU激活，输出维度为
Figure FDA0002502521910000023
的特征图；
6)最大池化层2_1：用128个2×2的核与第5层输出的特征图做最大池化，步长为2，输出维度为
Figure FDA0002502521910000024
的特征图；
7)深度可分离卷积层1_1：用128个3×3的卷积核与第6层输出的特征图做卷积，步长为1，再用256个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure FDA0002502521910000025
的特征图；
8)深度可分离卷积层1_2：用128个3×3的卷积核与第7层输出的特征图做卷积，步长为1，再用256个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure FDA0002502521910000026
的特征图；
9)深度可分离卷积层1_3：用128个3×3的卷积核与第7层输出的特征图做卷积，步长为1，再用256个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure FDA0002502521910000027
的特征图；
10)最大池化层3_1：用256个2×2的核与第9层输出的特征图做最大池化，步长为2，输出维度为
Figure FDA0002502521910000028
的特征图；
11)深度可分离卷积层2_1：用256个3×3的卷积核与第10层输出的特征图做卷积，步长为1，再用512个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure FDA0002502521910000029
的特征图；
12)深度可分离卷积层2_2：用256个3×3的卷积核与第11层输出的特征图做卷积，步长为1，再用512个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure FDA0002502521910000031
的特征图；
13)深度可分离卷积层2_3：用256个3×3的卷积核与第12层输出的特征图做卷积，步长为1，再用512个1×1的卷积核进行卷积，经过ReLU激活，输出维度为
Figure FDA0002502521910000032
的特征图；
14)最大池化层3_1：用512个2×2的核与第13层输出的特征图做最大池化，步长为2，输出维度为
Figure FDA0002502521910000033
的特征图；
(2)边界框生成网络
在完成多尺度特征映射后，设计不同尺寸的边界框；首先，确定各边界框相对于样本图像的比例：
Figure FDA0002502521910000034
式(1)中，Sj为第j个边界框相对于样本图像的比例，Smax,Smin分别表示最大、最小的尺度参数，取Smax＝0.9，Smin＝0.2，N为特征图的尺度数量，取N＝6；
其次，对边界框的尺寸进行针对性设计；设计6种宽高比参数：
Figure FDA0002502521910000035
生成的边界框的宽和高分别为：
Figure FDA0002502521910000036
式(2)中，Wj,Hj分别表示第j个边界框的宽和高，β表示边界框的宽高比参数；
子步骤3：训练前向障碍物识别模型
对子步骤2中改进的车型识别模型进行训练，训练过程包含前向传播和反向传播两个阶段；在前向传播阶段，将数据集输入到网络中，计算相应的实际输出，建立由两部分组成的损失函数：
Figure FDA0002502521910000037
式(3)中，Mbbox表示与真值相匹配的边界框数量，Jconf(z,c)为置信度损失，Jloc(z,lbbox,gtru)为位置损失，lbbox为预测的边界框位置信息，gtru表示真值的位置信息，α表示权重参数，取α＝1，z表示预测的边界框是否与真值相匹配，若匹配，z＝1，若不匹配，z＝0；
在反向传播阶段，首先，计算实际输出与相应的理想输出之间的误差；其次，对损失函数求偏导数；最后，利用随机梯度下降法迭代并优化网络参数；
在确定损失函数、梯度下降方法后，对前向障碍物识别模型进行训练；首先，对网络进行预训练；然后，根据损失曲线的变化情况，对预训练得到的网络参数进行微调；最后，获得参数选取最优的前向障碍物识别模型；
子步骤4：利用改进的SSD网络识别前向障碍物类型
将车载视觉传感器采集的图像输入到已训练的前向障碍物识别网络中，实时的获取同车道内前车的类型信息；
步骤二：建立自适应交通环境特性的行车安全距离模型
建立全面、准确的碰撞预警方法；采用基于安全距离的方法，建立行车安全距离模型，对半挂罐车的碰撞危险进行计算；具体包括：
子步骤1：建立行车安全距离模型
建立具有自适应交通环境特性的行车安全距离模型；
首先，利用CAN总线或轮速传感器测量半挂罐车的速度、毫米波雷达测量的两车相对距离和相对速度识别前车的运动状态，即前车静止、前车匀速或加速、前车减速；
其次，建立自适应行车安全距离模型；采用分段式行车安全距离，即预警临界安全距离和危险临界安全距离；
再次，对行车安全距离进行针对性设计，综合考虑前方车辆类型和运动状态的行车安全距离表示为：
(1)前车静止工况
当前车静止时，前车行驶距离
Figure FDA0002502521910000041
半挂罐车在制动过程中行驶的距离
Figure FDA0002502521910000042
为：
Figure FDA0002502521910000043
式(4)中，L1,L2,L3分别表示半挂罐车在驾驶员反应时间、制动协调时间内行驶的距离、在制动减速度生效过程中行驶的距离、在制动持续时间内行驶的距离，单位均为m；t1表示驾驶员反应并进行移脚动作的时间，t2为制动协调时间，t3为制动力增长的时间，t4为制动持续时间，且
Figure FDA0002502521910000051
单位均为s；ar,vr分别表示半挂罐车的制动减速度设定值、制动初始速度，单位分别为m/s2、m/s；
前车静止工况下的预警临界安全距离
Figure FDA0002502521910000052
危险临界安全距离
Figure FDA0002502521910000053
分别为：
Figure FDA0002502521910000054
式(5)中，Ls表示两车静止时应保持的安全间距常数；ρl为安全距离系数，l＝1,2,3分别表示前车为大型车辆、中型车辆和小型车辆，在本发明中，取ρl＝l；
(2)前车匀速或加速工况
半挂罐车制动时，前车的行驶距离
Figure FDA0002502521910000055
为：
Figure FDA0002502521910000056
式(6)中，vf为前车速度，通过两车相对速度、半挂罐车的速度计算获得；
半挂罐车在制动过程中行驶的距离
Figure FDA0002502521910000057
为：
Figure FDA0002502521910000058
前车匀速或加速工况下的预警临界安全距离
Figure FDA0002502521910000059
危险临界安全距离
Figure FDA00025025219100000510
分别为：
Figure FDA00025025219100000511
(3)前车减速工况
半挂罐车制动时，前车的行驶距离
Figure FDA00025025219100000512
式(9)中，af表示前车的制动减速度；
半挂罐车在制动过程中行驶的距离
Figure FDA0002502521910000061
因此，前车减速工况下的预警临界安全距离
Figure FDA0002502521910000062
危险临界安全距离
Figure FDA0002502521910000063
分别为：
Figure FDA0002502521910000064
最后，式(5)、(8)和(11)构成自适应交通环境特性的行车安全距离模型；
子步骤2：确定行车安全距离模型的参数
首先，在干沥青路面、湿沥青路面下，分别取半挂罐车的制动减速度设定值ar＝4.4m/s2、3.0m/s2；
其次，参考上述标准，取半挂罐车的制动协调时间t2＝0.74s，取驾驶员反应并进行移脚动作的时间t1＝1s、制动力增长的时间t3＝0.2s；
最后，确定两车静止时应保持的安全间距常数Ls；取Ls＝5m；
子步骤3：量化前向碰撞危险
在输出半挂罐车的行车安全距离后，将行车安全距离与两车相对距离进行比较，进而估计碰撞危险程度；对碰撞危险程度精确量化：
Figure FDA0002502521910000065
式(12)中，δw为安全状态参数，用于表征半挂罐车的碰撞危险程度，Dm表示半挂罐车与前车的相对距离，通过安装在半挂罐车前车牌上方的毫米波雷达测量获得，单位为m；
Figure FDA0002502521910000066
分别表示前车运动状态为k时的预警临界安全距离和危险临界安全距离，k＝1,2,3分别表示前车静止、前车匀速或加速、前车减速工况；
步骤三：制定自适应防撞分级预警策略
制定分级预警策略和相应的预警阈值；首先，对最低预警速度进行约束：当半挂罐车的速度低于20km/h时，不启动前向防撞预警；其次，制定预警阈值和分级预警策略，具体地：
(1)当δw>1时，表示半挂罐车无前向碰撞危险；此时无需预警，音频模块和蜂鸣器不工作；
(2)当0.5<δw<1时，进行一级预警，音频模块进行语音提示：“请注意前方车况”，蜂鸣器低频震动；
(3)当0<δw<0.5时，进行二级预警，音频模块进行语音提示：“存在前向碰撞危险，请谨慎驾驶”，蜂鸣器中频震动；
(4)当δw<0时，进行三级预警，音频模块进行语音提示：“存在高度前向碰撞危险，请实施制动”，蜂鸣器高频震动；
在半挂罐车行驶过程中，首先，利用“步骤一”建立的前向障碍物识别模型识别前车的类型；其次，利用“步骤二”建立的行车安全距离模型，计算各交通环境下的预警安全距离和危险临界安全距离，并通过对比毫米波雷达测量的两车相对距离，对前向碰撞危险进行量化；最后，根据“步骤三”提出的防撞分级预警策略进行前向防撞预警。
CN202010436618.8A 2020-05-21 2020-05-21 一种基于前向障碍物识别的自适应防撞分级预警方法 Active CN111696387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010436618.8A CN111696387B (zh) 2020-05-21 2020-05-21 一种基于前向障碍物识别的自适应防撞分级预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010436618.8A CN111696387B (zh) 2020-05-21 2020-05-21 一种基于前向障碍物识别的自适应防撞分级预警方法

Publications (2)

Publication Number Publication Date
CN111696387A true CN111696387A (zh) 2020-09-22
CN111696387B CN111696387B (zh) 2022-04-29

Family

ID=72478119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010436618.8A Active CN111696387B (zh) 2020-05-21 2020-05-21 一种基于前向障碍物识别的自适应防撞分级预警方法

Country Status (1)

Country Link
CN (1) CN111696387B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435469A (zh) * 2020-11-10 2021-03-02 腾讯科技（深圳）有限公司 车辆预警控制方法、装置、计算机可读介质及电子设备
CN112633474A (zh) * 2020-12-20 2021-04-09 东南大学 一种重型营运车辆的后向防撞驾驶决策方法
CN112622886A (zh) * 2020-12-20 2021-04-09 东南大学 一种综合考虑前后障碍物的重型营运车辆防碰撞预警方法
CN112951000A (zh) * 2021-04-02 2021-06-11 华设设计集团股份有限公司 大型车辆盲区双向预警系统
CN113140098A (zh) * 2021-05-17 2021-07-20 咪咕文化科技有限公司 移动危险预警方法及装置、终端设备、计算机程序
CN113469037A (zh) * 2021-06-30 2021-10-01 广州大学 一种基于机器视觉的水下无人机智能避障方法和系统
CN115410415A (zh) * 2022-08-26 2022-11-29 郭磊 一种危化品运输车行驶及安全状态监测预警方法和系统
CN115416629A (zh) * 2022-08-25 2022-12-02 深圳市蓝度汽车电控技术有限公司 车辆的制动方法、装置、终端设备及存储介质
CN116500796A (zh) * 2023-06-30 2023-07-28 合肥疆程技术有限公司 投影处理方法、抬头显示器、汽车及存储介质
CN117246321A (zh) * 2023-09-14 2023-12-19 武汉科技大学 一种多场景下的前方危险目标检测方法及aeb控制策略

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6097311A (en) * 1995-10-17 2000-08-01 Calsonic Corporation Warning device for distance between cars
CN103594002A (zh) * 2013-09-29 2014-02-19 芜湖伯特利汽车安全系统有限公司 一种车辆安全保护系统
US20140285364A1 (en) * 2013-03-25 2014-09-25 E-Lead Electronic Co., Ltd. Method for displaying the vehicle safety distance
CN104299450A (zh) * 2014-10-23 2015-01-21 西安电子科技大学 基于层次分析法和灰色模糊的车辆碰撞预警方法
CN109910879A (zh) * 2019-04-03 2019-06-21 大连理工大学 一种结合安全距离与碰撞时间的车辆安全防撞控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6097311A (en) * 1995-10-17 2000-08-01 Calsonic Corporation Warning device for distance between cars
US20140285364A1 (en) * 2013-03-25 2014-09-25 E-Lead Electronic Co., Ltd. Method for displaying the vehicle safety distance
CN103594002A (zh) * 2013-09-29 2014-02-19 芜湖伯特利汽车安全系统有限公司 一种车辆安全保护系统
CN104299450A (zh) * 2014-10-23 2015-01-21 西安电子科技大学 基于层次分析法和灰色模糊的车辆碰撞预警方法
CN109910879A (zh) * 2019-04-03 2019-06-21 大连理工大学 一种结合安全距离与碰撞时间的车辆安全防撞控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡三根: "面向驾驶辅助系统的车辆行驶安全预警模型研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435469B (zh) * 2020-11-10 2024-04-02 腾讯科技（深圳）有限公司 车辆预警控制方法、装置、计算机可读介质及电子设备
CN112435469A (zh) * 2020-11-10 2021-03-02 腾讯科技（深圳）有限公司 车辆预警控制方法、装置、计算机可读介质及电子设备
CN112633474A (zh) * 2020-12-20 2021-04-09 东南大学 一种重型营运车辆的后向防撞驾驶决策方法
CN112622886A (zh) * 2020-12-20 2021-04-09 东南大学 一种综合考虑前后障碍物的重型营运车辆防碰撞预警方法
US11964655B2 (en) 2020-12-20 2024-04-23 Southeast University Backward anti-collision driving decision-making method for heavy commercial vehicle
CN112622886B (zh) * 2020-12-20 2022-02-15 东南大学 一种综合考虑前后障碍物的重型营运车辆防碰撞预警方法
CN112633474B (zh) * 2020-12-20 2022-04-05 东南大学 一种重型营运车辆的后向防撞驾驶决策方法
WO2022126940A1 (zh) * 2020-12-20 2022-06-23 东南大学 一种重型营运车辆的后向防撞驾驶决策方法
CN112951000A (zh) * 2021-04-02 2021-06-11 华设设计集团股份有限公司 大型车辆盲区双向预警系统
CN113140098A (zh) * 2021-05-17 2021-07-20 咪咕文化科技有限公司 移动危险预警方法及装置、终端设备、计算机程序
CN113140098B (zh) * 2021-05-17 2022-08-12 咪咕文化科技有限公司 移动危险预警方法及装置、终端设备、计算机程序
CN113469037A (zh) * 2021-06-30 2021-10-01 广州大学 一种基于机器视觉的水下无人机智能避障方法和系统
CN115416629A (zh) * 2022-08-25 2022-12-02 深圳市蓝度汽车电控技术有限公司 车辆的制动方法、装置、终端设备及存储介质
CN115410415A (zh) * 2022-08-26 2022-11-29 郭磊 一种危化品运输车行驶及安全状态监测预警方法和系统
CN116500796A (zh) * 2023-06-30 2023-07-28 合肥疆程技术有限公司 投影处理方法、抬头显示器、汽车及存储介质
CN117246321A (zh) * 2023-09-14 2023-12-19 武汉科技大学 一种多场景下的前方危险目标检测方法及aeb控制策略

Also Published As

Publication number Publication date
CN111696387B (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN111696387B (zh) 一种基于前向障碍物识别的自适应防撞分级预警方法
CN111238825B (zh) 面向组合试验路面的智能驾驶自动紧急制动性能测试方法
CN111667512B (zh) 基于改进卡尔曼滤波的多目标车辆轨迹预测方法
CN107972662A (zh) 一种基于深度学习的车辆前向碰撞预警方法
CN109919074B (zh) 一种基于视觉感知技术的车辆感知方法及装置
US20210171050A1 (en) System for evaluating vehicle performance
CN108765942B (zh) 一种智能网联汽车弯道危险预警系统及方法
WO2018173479A1 (ja) 先行車判定装置及び車両制御システム
CN108960074B (zh) 基于深度学习的小尺寸行人目标检测方法
CN113657265B (zh) 一种车辆距离探测方法、系统、设备及介质
KR102557620B1 (ko) 객체를 분류하는 레이더 장치 및 방법
CN112810619A (zh) 基于雷达的辅助驾驶系统前方目标车辆识别方法
CN112365706B (zh) 一种基于多源信息的异常车距辨识方法
CN104108343A (zh) 一种基于视觉和北斗导航的防撞预警系统
Chen et al. Vehicle detection based on multifeature extraction and recognition adopting RBF neural network on ADAS system
CN112356849A (zh) 一种危险驾驶的预警方法及装置
Fan et al. Road grade estimation based on Large-scale fuel consumption data of connected vehicles
CN115657002A (zh) 基于交通毫米波雷达的车辆运动状态估计方法
CN110103954A (zh) 基于电控的汽车防追尾预警装置及方法
CN114926984A (zh) 一种实时交通冲突收集与道路安全评价方法
CN114526930A (zh) 一种智能网联汽车故障检测方法及系统
CN108515967B (zh) 一种基于车牌识别的防撞预警方法及装置
CN113962301A (zh) 一种多源输入信号融合的路面质量检测方法及系统
WO2021121247A1 (zh) 一种确定目标对象跟踪门限的方法、装置
CN113176562A (zh) 多目标跟踪方法、装置、电子设备及可读存储介质

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