CN112092805B - 一种智能车辆避撞与降低碰撞伤害的集成控制方法和系统 - Google Patents
一种智能车辆避撞与降低碰撞伤害的集成控制方法和系统 Download PDFInfo
- Publication number
- CN112092805B CN112092805B CN202011009679.2A CN202011009679A CN112092805B CN 112092805 B CN112092805 B CN 112092805B CN 202011009679 A CN202011009679 A CN 202011009679A CN 112092805 B CN112092805 B CN 112092805B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- collision
- model
- obstacle avoidance
- driving
- 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
Links
- 230000006378 damage Effects 0.000 title claims abstract description 138
- 230000009467 reduction Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 56
- 208000027418 Wounds and injury Diseases 0.000 claims abstract description 56
- 208000014674 injury Diseases 0.000 claims abstract description 56
- 238000010586 diagram Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 17
- 230000006399 behavior Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000000116 mitigating effect Effects 0.000 description 2
- 208000012260 Accidental injury Diseases 0.000 description 1
- 206010001488 Aggression Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000016571 aggressive behavior Effects 0.000 description 1
- 208000012761 aggressive behavior Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种智能车辆避撞与降低碰撞伤害的集成控制方法和系统。该智能车辆避撞与降低碰撞伤害的集成控制方法和系统，通过确定车辆及其周围车辆的碰撞位置、行驶状况参数以及位置分布图能够精确预测是否发生碰撞，并基于预测得到的距离碰撞时间和设定的避障时间可以实现正常行驶模型、避障模型和降低碰撞伤害模型这三个模型间的自由切换，进而能够解决现有技术中存在的现有控制方法不能适用于多个控制目标，且不能实现多控制目标间的自主切换的问题。
Description
技术领域
本发明涉及车辆控制领域，特别是涉及一种智能车辆避撞与降低碰撞伤害的集成控制方法和系统。
背景技术
自动驾驶车辆是未来车辆技术的发展方向，基于感知实现的决策与控制将有望降低车祸发生的几率，并能够在车祸发生时有效降低乘客受到的伤害。
路径规划与路径跟踪是智能车辆的通用技术，即在智能车辆的正常行驶、避障、避撞的过程中，都会涉及到路径规划与路径跟踪方法。特别地来说，在车辆避撞以及撞击伤害降低方面，目前与车辆动力学控制相关的研究和专利相对较多。但现有方法多针对避障过程以及在碰撞无法避免时如何降低撞击伤害，对于其上位的集成概念(即两者的切换机制)涉及较少。
下面对避障和降低伤害进行简单描述：
避障\避撞：现有技术的核心概念为“距距离碰撞时间(Time to collision，TTC)”。依据周围车辆的车速、航向角以及本车的车速、航向角，可以计算出从当前时刻至碰撞发生所需的时间。基于TTC以及预先定义的阈值，可以设定相应的控制行为。比如现有的自适应车速巡航技术ACC，以及专利 CN201910266900.3、CN201680041015.X、CN201910187945.1和 CN201910121503.7公开的相关技术内容。
降低撞击伤害：现有方法多串联于路径规划模块后方，即当无可行路径时，即转入降低伤害模块。现有技术多考虑的是在碰撞前进行碰撞伤害评估，如专利201910982338.4，CN202010300349.2、CN202010088791.3和 CN201811354515.6，以及碰撞后如何进行动力学控制以减小车辆失控，如专利 CN202010115954.2。目前在车辆碰撞伤害研究方面，采用最为广泛的概念为 Delta-V，这一概念为依据动量守恒计算得到的，用于定义车辆碰撞前后的速度差值，速度差值大即代表车祸伤害程度高。但此概念对碰撞位置未做考虑，而实际车辆碰撞伤害与车辆碰撞位置具有强相关性，因此需要在Delta-V的基础上结合碰撞位置，进行碰撞伤害降低的动力学控制。在论文方面，在“H. Wang，Y.Huang，A.Khajepour，Y.Zhang，Y.Rasekhipour and D.Cao， "Crash Mitigation in Motion Planning for AutonomousVehicles，"in IEEE Transactions on Intelligent Transportation Systems，vol.20，no.9，pp. 3313-3323”中，作者对碰撞影响因素进行了讨论，并依据其构造了以降低碰撞伤害为目标的多目标加权函数。但其设计中需要依赖主观权重选择，主观权重选择完全决定了系统动力学行为。而实际的撞击伤害是客观的，所以应基于客观数据进行伤害评估，并利用其进行系统控制。
基于上述内容能够得到，现有技术中所公开的方案均是单一控制，并不能实现各控制目标间的自由切换。
因此，提供一种能够适用于正常行驶、避撞以及碰撞无法避免时如何降低撞击伤害三个目标的自主切换的统一的控制方法或系统，是本领域亟待解决的一个技术难题。
发明内容
本发明的目的是提供一种智能车辆避撞与降低碰撞伤害的集成控制方法和系统，以能够在适用于正常行驶、避撞以及碰撞无法避免时如何降低撞击伤害三个目标的同时，实现三目标间的自主切换。
为实现上述目的，本发明提供了如下方案：
一种智能车辆避撞与降低碰撞伤害的集成控制方法，包括：
获取自动驾驶车辆当前时刻的系统控制输入参数以及系统状态选择参数；所述系统控制输入参数包括：前轮转向角以及四个车轮处的控制力矩；所述系统状态选择参数包括：车辆横向速度、横摆角速度、车轮侧偏角、车轮处相对速度、车辆广义坐标以及车辆航向角；
根据所述当前时刻的所述系统控制输入参数和所述系统状态选择参数构建车辆路径规划-避障一体化状态模型；所述车辆路径规划-避障一体化状态模型包括：正常驾驶模型、避障模型和降低碰撞伤害模型；
利用椭圆包络曲线分别对驾驶车辆及其周围车辆的外廓进行包络，确定驾驶车辆的车辆椭圆形包络曲线及其周围车辆的车辆椭圆形包络曲线；
根据所述驾驶车辆的车辆椭圆形包络曲线及其周围车辆的车辆椭圆形包络曲线确定所述驾驶车辆及其周围车辆的碰撞位置；
获取所述驾驶车辆及其周围车辆的当前时刻的行驶状况参数和周围车辆的车辆分布图；所述行驶状况参数包括车速和航向信息；
根据所述当前时刻的行驶状况参数和所述车辆分布图预测所述驾驶车辆及其周围车辆的车辆位置；
根据所述碰撞位置判断所述驾驶车辆及其周围车辆是否发生碰撞，得到判断结果；
若所述判断结果为发生碰撞，则获取距离碰撞时间、第一避障时间阈值和第二避障时间阈值；
根据所述距离碰撞时间、所述第一避障时间阈值和所述第二避障时间阈值间的关系，切入车辆路径规划-避障一体化状态模型中的正常行驶模型、避障模型或降低碰撞伤害模型；
若所述判断结果为不发生碰撞，则切入所述车辆路径规划-避障一体化状态模型中的正常行驶模型。
根据切入的车辆路径规划-避障一体化状态模型完成对所述驾驶车辆的控制。
优选的，所述获取所述驾驶车辆及其周围车辆的当前时刻的行驶状况参数和周围车辆的车辆分布图，之前包括：
获取所述驾驶车辆周围车辆的位置信息；所述位置信息包括质心位置、长轴长度和短轴长度；
以所述驾驶车辆为中心，根据所述位置信息绘制所述驾驶车辆周围的车辆分布图。
优选的，所述若所述判断结果为发生碰撞，则获取距离碰撞时间、第一避障时间阈值和第二避障时间阈值，具体包括：
当所述驾驶车辆及其周围车辆预测会发生碰撞时，获取所述驾驶车辆及与其发生碰撞车辆间的质心距离阈值；
获取特定周期内所述驾驶车辆及与其发生碰撞车辆间的最小质心距离值，当所述最小质心距离值小于所述质心距离阈值时，所述驾驶车辆与其相邻车辆发生碰撞，此时，获取所述距离碰撞时间、所述第一避障时间阈值和所述第二避障时间阈值。
优选的，所述根据所述距离碰撞时间、所述第一避障时间阈值和所述第二避障时间阈值间的关系，切入车辆路径规划-避障一体化状态模型中的正常行驶模型、避障模型或降低碰撞伤害模型，具体包括：
当所述距离碰撞时间大于等于所述第一避障时间阈值时，切入所述正常行驶模型；
当所述距离碰撞时间小于所述第一避障时间阈值且大于所述第二避障时间阈值时，切入所述避障模型；
当所述距离碰撞时间小于所述第二避障时间阈值时，切入所述降低碰撞伤害模型。
优选的，所述降低碰撞伤害模型的构建过程包括：
根据所述当前时刻的所述系统控制输入参数和所述系统状态选择参数构建MPC规划-控制器模型；
获取车辆的伤害程度和车辆碰撞位置间的关系曲线，记为MAIS3+曲线；
对所述车辆的碰撞位置进行区域划分，得到多个碰撞子区域；
获取车辆的碰撞角度、Delta-V和多个所述碰撞子区域中的MAIS3+值；
以所述碰撞角度和所述Delta-V为输入，以所述MAIS3+值为输出，采用系统建模法构建初始伤害程度动态确定系统；
采用自适应模糊神经网络对所述初始伤害程度动态确定系统进行训练得到训练好的伤害程度动态确定系统；
根据所述MPC规划-控制器模型和所述训练好的伤害程度动态确定系统构建降低碰撞伤害模型；
所述降低碰撞伤害模型为J3：
式中，CSI为碰撞伤害度，up为p时刻的控制输入，
为p-1时刻的控制输入，Q为车辆的相对距离，H为控制输入平滑性，M为控制输入的权重矩阵，Np为预测时域长度。
一种智能车辆避撞与降低碰撞伤害的集成控制系统，包括：
参数获取模块，用于获取自动驾驶车辆当前时刻的系统控制输入参数以及系统状态选择参数；所述系统控制输入参数包括：前轮转向角以及四个车轮处的控制力矩；所述系统状态选择参数包括：车辆横向速度、横摆角速度、车轮侧偏角、车轮处相对速度、车辆广义坐标以及车辆航向角；
状态模型构建模块，用于根据所述当前时刻的所述系统控制输入参数和所述系统状态选择参数构建车辆路径规划-避障一体化状态模型；所述车辆路径规划-避障一体化状态模型包括：正常驾驶模型、避障模型和降低碰撞伤害模型；
包络曲线确定模块，用于利用椭圆包络曲线分别对驾驶车辆及其周围车辆的外廓进行包络，确定驾驶车辆的车辆椭圆形包络曲线及其周围车辆的车辆椭圆形包络曲线；
碰撞位置确定模块，用于根据所述驾驶车辆的车辆椭圆形包络曲线及其周围车辆的车辆椭圆形包络曲线确定所述所述驾驶车辆及其周围车辆的碰撞位置；
参数-分布图获取模块，用于获取所述驾驶车辆及其周围车辆的当前时刻的行驶状况参数和周围车辆的车辆分布图；所述行驶状况参数包括车速和航向信息；
车辆位置确定模块，用于根据所述当前时刻的行驶状况参数和所述车辆分布图预测所述驾驶车辆及其周围车辆的车辆位置；
判断结果确定模块，用于根据所述碰撞位置判断所述驾驶车辆及其周围车辆是否发生碰撞，得到判断结果；
阈值获取模块，用于当所述判断结果为发生碰撞时，获取距离碰撞时间、第一避障时间阈值和第二避障时间阈值；
第一模型切入模块，用于根据所述距离碰撞时间、所述第一避障时间阈值和所述第二避障时间阈值间的关系，切入车辆路径规划-避障一体化状态模型中的正常行驶模型、避障模型或降低碰撞伤害模型；
第二模型切入模块，用于当所述判断结果为不发生碰撞时，切入所述车辆路径规划-避障一体化状态模型中的正常行驶模型。
控制模块，用于根据切入的车辆路径规划-避障一体化状态模型完成对所述驾驶车辆的控制。
优选的，所述控制系统还包括：
位置信息获取模块，用于获取所述驾驶车辆周围车辆的位置信息；所述位置信息包括质心位置、长轴长度和短轴长度；
车辆分布图绘制模块，用于以所述驾驶车辆为中心，根据所述位置信息绘制所述驾驶车辆周围的车辆分布图。
优选的，所述阈值获取模块，具体包括：
质心距离阈值获取单元，用于当所述驾驶车辆及其周围车辆预测会发生碰撞时，获取所述驾驶车辆及与其发生碰撞车辆间的质心距离阈值；
阈值获取单元，用于获取特定周期内所述驾驶车辆及与其发生碰撞车辆间的最小质心距离值，当所述最小质心距离值小于所述质心距离阈值时，所述驾驶车辆与其相邻车辆发生碰撞，此时，获取所述距离碰撞时间、所述第一避障时间阈值和所述第二避障时间阈值。
优选的，所述第一模型切入模块，具体包括：
正常行驶模型切入单元，用于当所述距离碰撞时间大于等于所述第一避障时间阈值时，切入所述正常行驶模型；
避障模型切入单元，用于当所述距离碰撞时间小于所述第一避障时间阈值且大于所述第二避障时间阈值时，切入所述避障模型；
降低碰撞伤害模型切入单元，用于当所述距离碰撞时间小于所述第二避障时间阈值时，切入所述降低碰撞伤害模型。
优选的，所述系统还包括降低碰撞伤害模型构建模块；所述降低碰撞伤害模型构建模块包括：
MPC规划-控制器模型构建单元，用于根据所述当前时刻的所述系统控制输入参数和所述系统状态选择参数构建MPC规划-控制器模型；
曲线获取单元，用于获取车辆的伤害程度和车辆碰撞位置间的关系曲线，记为MAIS3+曲线；
碰撞子区域划分单元，用于对所述车辆的碰撞位置进行区域划分，得到多个碰撞子区域；
数据获取单元，用于获取车辆的碰撞角度、Delta-V和多个所述碰撞子区域中的MAIS3+值；
初始伤害程度动态确定系统构建单元，用于以所述碰撞角度和所述 Delta-V为输入，以所述MAIS3+值为输出，采用系统建模法构建初始伤害程度动态确定系统；
伤害程度动态确定系统训练单元，用于采用自适应模糊神经网络对所述初始伤害程度动态确定系统进行训练得到训练好的伤害程度动态确定系统；
降低碰撞伤害模型构建单元，用于根据所述MPC规划-控制器模型和所述训练好的伤害程度动态确定系统构建降低碰撞伤害模型；
所述降低碰撞伤害模型为J3：
式中，CSI为碰撞伤害度，up为p时刻的控制输入，
为p-1时刻的控制输入，Q为车辆的相对距离，H为控制输入平滑性，M为控制输入的权重矩阵，Np为预测时域长度。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的智能车辆避撞与降低碰撞伤害的集成控制方法和系统，通过确定车辆及其周围车辆的碰撞位置、行驶状况参数以及位置分布图能够精确预测是否发生碰撞，并基于预测得到的距离碰撞时间和设定的避障时间可以实现正常行驶模型、避障模型和降低碰撞伤害模型这三个模型间的自由切换，进而能够解决现有技术中存在的现有控制方法不能适用于多个控制目标，且不能实现多控制目标间的自主切换的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的智能车辆避撞与降低碰撞伤害的集成控制方法的流程图；
图2为本发明实施例中提供的车辆动力学模型示意图；
图3为本发明实施例中提供的车辆椭圆形包络曲线包络示意图；
图4为本发明实施例中各模型自主切换的流程示意图；
图5为本发明实施例中Delta-V计算原理图；
图6为本发明实施例中车辆碰撞位置划分示意图；
图7为本发明实施例中碰撞角CD计算原理图；
图8为本发明提供的智能车辆避撞与降低碰撞伤害的集成控制系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种智能车辆避撞与降低碰撞伤害的集成控制方法和系统，以能够在适用于正常行驶、避撞以及碰撞无法避免时如何降低撞击伤害这三个目标的同时，也能够实现三目标间的自主切换。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的智能车辆避撞与降低碰撞伤害的集成控制方法的流程图，如图1所示，一种智能车辆避撞与降低碰撞伤害的集成控制方法，包括：
步骤100：获取自动驾驶车辆当前时刻的系统控制输入参数以及系统状态选择参数。系统控制输入参数包括：前轮转向角以及四个车轮处的控制力矩。系统状态选择参数包括：车辆横向速度、横摆角速度、车轮侧偏角、车轮处相对速度、车辆广义坐标以及车辆航向角。
步骤101：根据当前时刻的系统控制输入参数和系统状态选择参数构建车辆路径规划-避障一体化状态模型。车辆路径规划-避障一体化状态模型包括：正常驾驶模型、避障模型和降低碰撞伤害模型。
步骤102：利用椭圆包络曲线分别对驾驶车辆及其周围车辆的外廓进行包络，确定驾驶车辆的车辆椭圆形包络曲线及其周围车辆的车辆椭圆形包络曲线。其中，驾驶车辆的周围车辆指的是距离驾驶车辆一定阈值距离范围内的车辆。具体的阈值距离是人为根据实际道路情况确定的。
步骤103：根据驾驶车辆的车辆椭圆形包络曲线及其周围车辆的车辆椭圆形包络曲线确定驾驶车辆及其周围车辆的碰撞位置。
步骤104：获取驾驶车辆及其周围车辆的当前时刻的行驶状况参数和周围车辆的车辆分布图。行驶状况参数包括车速和航向信息。
步骤105：根据当前时刻的行驶状况参数和车辆分布图预测驾驶车辆及其周围车辆的车辆位置。
步骤106：根据碰撞位置判断驾驶车辆及其周围车辆是否发生碰撞，得到判断结果。
步骤107：若判断结果为发生碰撞，则获取距离碰撞时间、第一避障时间阈值和第二避障时间阈值。该步骤具体包括：
当驾驶车辆及其周围车辆发生碰撞时，获取驾驶车辆及与其发生碰撞车辆间的质心距离阈值。
获取特定周期内驾驶车辆及与其发生碰撞车辆间的最小质心距离值，当最小质心距离值小于质心距离阈值时，驾驶车辆与其相邻车辆发生碰撞，此时，获取距离碰撞时间、第一避障时间阈值和第二避障时间阈值。
步骤108：根据距离碰撞时间、第一避障时间阈值和第二避障时间阈值间的关系，切入车辆路径规划-避障一体化状态模型中的正常行驶模型、避障模型或降低碰撞伤害模型。该步骤具体包括：
当距离碰撞时间大于等于第一避障时间阈值时，切入正常行驶模型。本发明中所采用的正常行驶模型优选为J1：
式中，Q1、H和M分别为车辆输出、控制输入的平滑性、控制输入的权重矩阵，这里选择
作为车辆参考横摆角速度。其中，这里的
应为包括且不限于参考横摆角速度，可以是目标车速、其他目标横向响应等。
当距离碰撞时间小于第一避障时间阈值且大于第二避障时间阈值时，切入避障模型。避障模型为：
当距离碰撞时间小于第二避障时间阈值时，切入降低碰撞伤害模型。该降低碰撞伤害模型为J3：
式中，CSI为碰撞伤害度，up为p时刻的控制输入，
为p-1时刻的控制输入，Q为车辆输出，H为控制输入平滑性，M为控制输入的权重矩阵，Np为预测时域长度。
步骤109：若判断结果为不发生碰撞，则切入车辆路径规划-避障一体化状态模型中的正常行驶模型。
步骤110：根据切入的车辆路径规划-避障一体化状态模型完成对驾驶车辆的控制。
上述步骤104中获取的车辆分布图的具体绘制方法如下：
获取驾驶车辆周围车辆的位置信息。位置信息包括质心位置、长轴长度和短轴长度。
以驾驶车辆为中心，根据位置信息绘制驾驶车辆周围的车辆分布图。
优选的，在本发明提供的技术方案中，上述采用的降低碰撞伤害模型的构建过程包括：
根据当前时刻的系统控制输入参数和系统状态选择参数构建MPC规划- 控制器模型。
获取车辆的伤害程度和车辆碰撞位置间的关系曲线，记为MAIS3+曲线。
对车辆的碰撞位置进行区域划分，得到多个碰撞子区域。
获取车辆的碰撞角度、Delta-V和多个碰撞子区域中的MAIS3+值。
以碰撞角度和Delta-V为输入，以MAIS3+值为输出，采用系统建模法构建初始伤害程度动态确定系统。
采用自适应模糊神经网络对初始伤害程度动态确定系统进行训练得到训练好的伤害程度动态确定系统。
根据MPC规划-控制器模型和训练好的伤害程度动态确定系统构建降低碰撞伤害模型。
下面提供一个具体实施案例进一步说明本发明的方案，本发明具体实施案例中以周围车辆的动态行为导致的场景为例进行阐述，在具体应用时，本发明的方案也适用于车辆的动态行为导致的其他场景。
首先建立一个统一化的车辆动力学模型，这一模型将同时应用于路径规划以及路径跟踪以及后续避撞、伤害降低算法。
如图1所示，每一个车轮的动力学模型可以以下式描述：
其中，
为每个角(轮胎处)映射的纵向加速度，Iω为轮胎转向惯量，Tij为每个轮胎上的总扭矩，uij是车辆质心速度映射到车轮的速度，i＝F/R(前后轮)，j＝L/R(左右轮)，ur＝Rω-ut，R为车轮半径，ω为车轮转速，ut为车轮纵向速度。uij为映射至车轮的纵向加速度，
为车轮纵向力，Tij为单轮所施加的转矩，Iω为车轮转动惯量。注：此处车轮力可以任意轮胎力学模型进行生成，轮胎的复杂动态行为能够得到准确描述。
建立车辆动力学模型，以横摆角速度r以及横向速度v可表示如下：
其中，f* #(*＝f，r，#＝x，y)表示前(后)车轮处的纵(横)向力，
表示前(后)轴纵(横)向两侧轮胎力差值(fx为前轮纵向，fy为前轮横向，rx后轮纵向，ry后轮横向)。与现有路径规划以及路径跟踪算法不同，所提出算法进一步将车辆在大地坐标系中的坐标进行考虑：
其中，
为大地坐标系下的车辆质心坐标X和Y，u为车辆纵向速度， v为车辆横向速度，ψ为车辆航向角。为便于控制器实现以及解决实时性问题，可将其进行局部线性化。
在此基础上，列举车辆系统规划/跟踪一体化状态空间表达式：
其中，
为说明算法，选择系统控制输入为前轮转向角以及四个车轮处的控制力矩 u＝[δTfl Tfr Trl Trr]但不限于此，这里还可以采用不同的控制输入组合来实现相同的目标。
系统状态选择为x＝[v r τf τr ur X Y ψ]，即车辆横向速度、横摆角速度、车轮侧偏角、车轮处相对速度、车辆广义坐标和车辆航向角。
系统输出为车辆侧偏角，横摆角速度以及车辆广义坐标。
为系统不受控输入状态。
本发明引用的本路径规划、跟踪一体化算法的核心有赖于将车辆广义坐标考虑入系统状态，并进行控制。虽然这一想法在(H.Wang，Y.Huang，A. Khajepour，Y.Zhang，Y.Rasekhipour and D.Cao，"Crash Mitigation in Motion Planning for AutonomousVehicles"in IEEE Transactions on Intelligent Transportation Systems，vol.20，no.9，pp.3313-3323)中提到过，但由于车辆广义坐标有赖于车辆纵向速度，需要解决状态之间的耦合问题，但是上述文章中并未解决这一问题(即论文状态变量包括纵向速度，状态矩阵中存在其他状态与纵向速度的耦合)。本发明中通过构造车轮侧偏角变量、车轮相对速度，并将车辆广义坐标局部线性化，实现了系统状态的完全解耦。
为实现系统控制，进一步将系统离散化为：
其中，下角标加d是对相应字母的离散表示，k表示离散时间k时刻。
至此为止，完成了路径规划-避障一体化算法的系统模型。
基于此模型，下面对路径规划-避障一体化算法进行陈述。一体化算法的核心为简述为：依托TTC判断算法激活条件，构造统一目标函数，通过求解 MPC，生成车辆的作动器控制信号，实现路径规划、跟踪一体化的控制目标。
这里需要注意的是，智能车辆的路径规划、跟踪需要触发条件，如：车辆转向、出现障碍物、周围车辆的动态行为等。这里以周围车辆的动态行为导致的场景为例来进行说明，所以首先定义TTC(距离碰撞时间)。对于转向等主动行为，其可能不依赖于TTC的计算，但后续步骤仍可纳入本发明范围内。
计算TTC。
在计算TTC前，首先需要定义“车辆撞击”点，并依据此点以及当前车速，计算TTC。为定义撞击点，本发明使用椭圆形状对车辆外廓进行包络(如图3所示)。与现有论文不同(圆形、正方形、双圆形包络等)，本申请采用的椭圆包络曲线更符合车辆实际特性。
根据周围车辆的质心、长轴、短轴长度信息，能够以自身车辆为中心，绘制周围车辆分布图，并借助车联网、先进感知技术，获取周围车辆车速、航向信息。在当前t时刻，规定时间间隔T，并依据当前周围车辆行驶状况，对未来时间序列[t+T t+2T … t+nT]内车辆位置进行预测。
在每一个时间间隔T下，计算各车辆间距。根据车载计算机计算能力，这里可以采用两种方法判断是否发生撞击：
方法①根据各车椭圆包络曲线解析求解不同椭圆交点。
方法②计算不同轨迹延长线的欧氏距离，若小于某一阈值(阈值Sc)，则判断为碰撞可能发生。
当以上两种方法之一判断的结论为碰撞可能发生时，可得到TTC＝t+nT。此处可定义碰撞时间阈值(tc)，只有当TTC＜tc时，激活路径规划、跟踪算法。阈值tc的设定目的在于避免过多、过早激活车辆作动系统，产生不必要的车辆作动行为，降低驾驶舒适度。
本创新点所提出的为一个集成算法，以切换不同的目标模型不同。自主切换算法如图5所示，具体包括：
步骤0：系统在算法启动(t＝0)时进行初始化。初始化过程主要用于定义自主切换过程中的时间阈值。对于确定车型而言，此定义过程只需进行一次。
需要初始化的参数包括：
Tm：碰撞削弱算法切换时间阈值，
Ta：避障算法切换时间阈值，
Tt：计算TTC的时间区间长度。
以上三个参数与车辆特性有关，可根据车型、车辆性能进行变化，变化不会影响后续算法，三个值满足关系Tt＞Ta＞Tm即可。
ae：包络椭圆长轴长度，
be：包络椭圆短轴长度。
在每个控制器采样间隔，均按照下列步骤循环执行算法。
步骤1：在t＝T时刻，根据周围车辆质心、长轴、短轴长度，以自身车辆为中心，绘制周围车辆分布图，并借助车联网、先进感知技术，获取周围车辆车速、航向信息。假设在[T,Tt]区间内两车保持当前运动状态不变(两车按照当前状态继续前进)，根据自身车辆与相邻车辆的航向角、速度，能够计算出[T,Tt] 时间周期内的两车质心距离S。分别对两车(本车以及周围车辆)列出椭圆包络曲线广义坐标如下式：
其中，(xg,yg)为包络曲线上的点。
通过将两车列出的包络曲线进行联立求解，可计算出本预测周期Tt内两车发生碰撞时的质心距离阈值St(即当质心距离S＜St时发生碰撞，亦即上述联立求解有解时)。寻找[T,Tt]周期内两车可能达到的最小质心距离Smin，当 Smin≤St时会发生碰撞，定义碰撞时间为Tc(T)。
步骤2：(正常驾驶模型)记Tc(T)为在T时刻计算得到的TTC，判断是否处于正常驾驶状态。
步骤2.1若Tc(T)≥Ta，即大于等于第一避障阈值，系统保持正常行驶，其对应的系统目标函数为：
步骤2.2若Tc(T)＜Ta，即TTC小于第一避障阈值，系统切入避障模块。
步骤3：(避障模型)进一步进行TTC判断，若Tm＜Tc(T)＜Ta(TTC小于第一避障阈值且大于第二避障阈值)，则系统切换至避撞模块。
步骤4：(降低碰撞伤害模型)若Tm＞Tc(T)，此时碰撞无法避免，则系统切换至碰撞伤害减免模块。该步骤4具体包括：
步骤4.1：碰撞伤害减免模块的定义基础是Delta-V。其具体计算过程如下：
其中，i表示碰撞的两车(i＝1为驾驶车辆，i＝2为碰撞车辆)，mi为两车各自质量，ui为两车车速，α为两车航向角夹角，如图5所示。在前述已提到，车辆碰撞伤害不仅与Delta-V有关，还与车辆碰撞位置相关。
步骤4.2：首先，对车辆碰撞位置进行划分，一个示例如图6所示，这里的划分采用了正向偏置20°，此角度不唯一，可以是任意数值：
在此基础上，需要计算自身车辆的碰撞角CD，并将其映射至上方碰撞位置中。碰撞角CD的计算方法如图7所示，其计算公式为：
其中，dx，dy表示碰撞时两车质心相对距离，ψe表示自身车辆航向角。计算得到的CD角为自身车辆坐标系下的碰撞角，能够直接映射至图6中的碰撞位置。
步骤4.3：根据碰撞位置以及Delta-V，能够计算碰撞伤害度(CSI)。基于得到的CSI可得到下列降低碰撞伤害模型。
步骤5：(系统集成控制器)至此，已根据当前时刻T的系统状态得到了系统所处状态及其对应的目标函数。根据目标函数，求解下列最优化问题：
u*＝arg min J1or J2or J3
D|xk|≤E+sk,sk≥0
其中，u*为计算得到的控制输入。约束包括系统状态约束、控制输入上下限以及系统状态稳定域。
对上述MPC问题进行求解，能够得到当前时刻系统输入。
综上，本发明提供的技术方案实现了正常行驶、避撞以及碰撞无法避免时降低碰撞伤害三个目标之间的自主切换。
此外，针对上述提供的智能车辆避撞与降低碰撞伤害的集成控制方法，本发买那个还对应提供了一种智能车辆避撞与降低碰撞伤害的集成控制系统，如图8所示，该系统包括：
参数获取模块1，用于获取自动驾驶车辆当前时刻的系统控制输入参数以及系统状态选择参数。系统控制输入参数包括：前轮转向角以及四个车轮处的控制力矩。系统状态选择参数包括：车辆横向速度、横摆角速度、车轮侧偏角、车轮处相对速度、车辆广义坐标以及车辆航向角。
状态模型构建模块2，用于根据当前时刻的系统控制输入参数和系统状态选择参数构建车辆路径规划-避障一体化状态模型。车辆路径规划-避障一体化状态模型包括：正常驾驶模型、避障模型和降低碰撞伤害模型。
包络曲线确定模块3，用于利用椭圆包络曲线分别对驾驶车辆及其周围车辆的外廓进行包络，确定驾驶车辆的车辆椭圆形包络曲线及其周围车辆的车辆椭圆形包络曲线。
碰撞位置确定模块4，用于根据驾驶车辆的车辆椭圆形包络曲线及其周围车辆的车辆椭圆形包络曲线确定驾驶车辆及其周围车辆的碰撞位置。
参数-分布图获取模块5，用于获取驾驶车辆及其周围车辆的当前时刻的行驶状况参数和周围车辆的车辆分布图。行驶状况参数包括车速和航向信息。
车辆位置确定模块6，用于根据当前时刻的行驶状况参数和车辆分布图预测驾驶车辆及其周围车辆的车辆位置。
判断结果确定模块7，用于根据碰撞位置判断驾驶车辆及其周围车辆是否发生碰撞，得到判断结果。
阈值获取模块8，用于当判断结果为发生碰撞时，获取距离碰撞时间、第一避障时间阈值和第二避障时间阈值。
第一模型切入模块9，用于根据距离碰撞时间、第一避障时间阈值和第二避障时间阈值间的关系，切入车辆路径规划-避障一体化状态模型中的正常行驶模型、避障模型或降低碰撞伤害模型。
第二模型切入模块10，用于当判断结果为不发生碰撞时，切入车辆路径规划-避障一体化状态模型中的正常行驶模型。
控制模块11，用于根据切入的车辆路径规划-避障一体化状态模型完成对驾驶车辆的控制。
作为本发明的一优选实施例，上述控制系统还包括：
位置信息获取模块，用于获取驾驶车辆周围车辆的位置信息。位置信息包括质心位置、长轴长度和短轴长度。
车辆分布图绘制模块，用于以驾驶车辆为中心，根据位置信息绘制驾驶车辆周围的车辆分布图。
作为本发明的另一优选实施例，上述阈值获取模块8，具体包括：
质心距离阈值获取单元，用于当驾驶车辆及其周围车辆发生碰撞时，获取驾驶车辆及与其发生碰撞车辆间的质心距离阈值。
阈值获取单元，用于获取特定周期内驾驶车辆及与其发生碰撞车辆间的最小质心距离值，当最小质心距离值小于质心距离阈值时，驾驶车辆与其相邻车辆发生碰撞，此时，获取距离碰撞时间、第一避障时间阈值和第二避障时间阈值。
作为本发明的又一优选实施例，上述第一模型切入模块9具体包括：
正常行驶模型切入单元，用于当距离碰撞时间大于等于第一避障时间阈值时，切入正常行驶模型。
避障模型切入单元，用于当距离碰撞时间小于第一避障时间阈值且大于第二避障时间阈值时，切入避障模型。
降低碰撞伤害模型切入单元，用于当距离碰撞时间小于第二避障时间阈值时，切入降低碰撞伤害模型。
作为本发明的再一优选实施例，上述系统还包括降低碰撞伤害模型构建模块。降低碰撞伤害模型构建模块包括：
MPC规划-控制器模型构建单元，用于根据当前时刻的系统控制输入参数和系统状态选择参数构建MPC规划-控制器模型。
曲线获取单元，用于获取车辆的伤害程度和车辆碰撞位置间的关系曲线，记为MAIS3+曲线。
碰撞子区域划分单元，用于对车辆的碰撞位置进行区域划分，得到多个碰撞子区域。
数据获取单元，用于获取车辆的碰撞角度、Delta-V和多个碰撞子区域中的MAIS3+值。
初始伤害程度动态确定系统构建单元，用于以碰撞角度和Delta-V为输入，以MAIS3+值为输出，采用系统建模法构建初始伤害程度动态确定系统。
伤害程度动态确定系统训练单元，用于采用自适应模糊神经网络对初始伤害程度动态确定系统进行训练得到训练好的伤害程度动态确定系统。
降低碰撞伤害模型构建单元，用于根据MPC规划-控制器模型和训练好的伤害程度动态确定系统构建降低碰撞伤害模型。
降低碰撞伤害模型为J3：
式中，CSI为碰撞伤害度，up为p时刻的控制输入，
为p-1时刻的控制输入，Q为车辆的相对距离，H为控制输入平滑性，M为控制输入的权重矩阵，Np为预测时域长度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种智能车辆避撞与降低碰撞伤害的集成控制方法，其特征在于，包括：
获取自动驾驶车辆当前时刻的系统控制输入参数以及系统状态选择参数；所述系统控制输入参数包括：前轮转向角以及四个车轮处的控制力矩；所述系统状态选择参数包括：车辆横向速度、横摆角速度、车轮侧偏角、车轮处相对速度、车辆广义坐标以及车辆航向角；
根据所述当前时刻的所述系统控制输入参数和所述系统状态选择参数构建车辆路径规划-避障一体化状态模型；所述车辆路径规划-避障一体化状态模型包括：正常驾驶模型、避障模型和降低碰撞伤害模型；
利用椭圆包络曲线分别对驾驶车辆及其周围车辆的外廓进行包络，确定驾驶车辆的车辆椭圆形包络曲线及其周围车辆的车辆椭圆形包络曲线；
根据所述驾驶车辆的车辆椭圆形包络曲线及其周围车辆的车辆椭圆形包络曲线确定所述驾驶车辆及其周围车辆的碰撞位置；
获取所述驾驶车辆及其周围车辆的当前时刻的行驶状况参数和周围车辆的车辆分布图；所述行驶状况参数包括车速和航向信息；
根据所述当前时刻的行驶状况参数和所述车辆分布图预测所述驾驶车辆及其周围车辆的车辆位置；
根据所述碰撞位置判断所述驾驶车辆及其周围车辆是否发生碰撞，得到判断结果；
若所述判断结果为发生碰撞，则获取距离碰撞时间、第一避障时间阈值和第二避障时间阈值；
根据所述距离碰撞时间、所述第一避障时间阈值和所述第二避障时间阈值间的关系，切入车辆路径规划-避障一体化状态模型中的正常行驶模型、避障模型或降低碰撞伤害模型；
若所述判断结果为不发生碰撞，则切入所述车辆路径规划-避障一体化状态模型中的正常行驶模型；
根据切入的车辆路径规划-避障一体化状态模型完成对所述驾驶车辆的控制；
所述根据所述距离碰撞时间、所述第一避障时间阈值和所述第二避障时间阈值间的关系，切入车辆路径规划-避障一体化状态模型中的正常行驶模型、避障模型或降低碰撞伤害模型，具体包括：
当所述距离碰撞时间大于等于所述第一避障时间阈值时，切入所述正常行驶模型；
当所述距离碰撞时间小于所述第一避障时间阈值且大于所述第二避障时间阈值时，切入所述避障模型；
当所述距离碰撞时间小于所述第二避障时间阈值时，切入所述降低碰撞伤害模型。
2.根据权利要求1所述的一种智能车辆避撞与降低碰撞伤害的集成控制方法，其特征在于，所述获取所述驾驶车辆及其周围车辆的当前时刻的行驶状况参数和周围车辆的车辆分布图，之前包括：
获取所述驾驶车辆周围车辆的位置信息；所述位置信息包括质心位置、长轴长度和短轴长度；
以所述驾驶车辆为中心，根据所述位置信息绘制所述驾驶车辆周围的车辆分布图。
3.根据权利要求1所述的一种智能车辆避撞与降低碰撞伤害的集成控制方法，其特征在于，所述若所述判断结果为发生碰撞，则获取距离碰撞时间、第一避障时间阈值和第二避障时间阈值，具体包括：
当所述驾驶车辆及其周围车辆预测会发生碰撞时，获取所述驾驶车辆及与其发生碰撞车辆间的质心距离阈值；
获取特定周期内所述驾驶车辆及与其发生碰撞车辆间的最小质心距离值，当所述最小质心距离值小于所述质心距离阈值时，所述驾驶车辆与其相邻车辆发生碰撞，此时，获取所述距离碰撞时间、所述第一避障时间阈值和所述第二避障时间阈值。
4.根据权利要求1所述的一种智能车辆避撞与降低碰撞伤害的集成控制方法，其特征在于，所述降低碰撞伤害模型的构建过程包括：
根据所述当前时刻的所述系统控制输入参数和所述系统状态选择参数构建MPC规划-控制器模型；
获取车辆的伤害程度和车辆碰撞位置间的关系曲线，记为MAIS3+曲线；
对所述车辆的碰撞位置进行区域划分，得到多个碰撞子区域；
获取车辆的碰撞角度、Delta-V和多个所述碰撞子区域中的MAIS3+值；
以所述碰撞角度和所述Delta-V为输入，以所述MAIS3+值为输出，采用系统建模法构建初始伤害程度动态确定系统；
采用自适应模糊神经网络对所述初始伤害程度动态确定系统进行训练得到训练好的伤害程度动态确定系统；
根据所述MPC规划-控制器模型和所述训练好的伤害程度动态确定系统构建降低碰撞伤害模型；
所述降低碰撞伤害模型为J3：
式中，CSI为碰撞伤害度，up为p时刻的控制输入，
为p-1时刻的控制输入，Q为车辆的相对距离，H为控制输入平滑性，M为控制输入的权重矩阵，Np为预测时域长度。
5.一种智能车辆避撞与降低碰撞伤害的集成控制系统，其特征在于，包括：
参数获取模块，用于获取自动驾驶车辆当前时刻的系统控制输入参数以及系统状态选择参数；所述系统控制输入参数包括：前轮转向角以及四个车轮处的控制力矩；所述系统状态选择参数包括：车辆横向速度、横摆角速度、车轮侧偏角、车轮处相对速度、车辆广义坐标以及车辆航向角；
状态模型构建模块，用于根据所述当前时刻的所述系统控制输入参数和所述系统状态选择参数构建车辆路径规划-避障一体化状态模型；所述车辆路径规划-避障一体化状态模型包括：正常驾驶模型、避障模型和降低碰撞伤害模型；
包络曲线确定模块，用于利用椭圆包络曲线分别对驾驶车辆及其周围车辆的外廓进行包络，确定驾驶车辆的车辆椭圆形包络曲线及其周围车辆的车辆椭圆形包络曲线；
碰撞位置确定模块，用于根据所述驾驶车辆的车辆椭圆形包络曲线及其周围车辆的车辆椭圆形包络曲线确定所述驾驶车辆及其周围车辆的碰撞位置；
参数-分布图获取模块，用于获取所述驾驶车辆及其周围车辆的当前时刻的行驶状况参数和周围车辆的车辆分布图；所述行驶状况参数包括车速和航向信息；
车辆位置确定模块，用于根据所述当前时刻的行驶状况参数和所述车辆分布图预测所述驾驶车辆及其周围车辆的车辆位置；
判断结果确定模块，用于根据所述碰撞位置判断所述驾驶车辆及其周围车辆是否发生碰撞，得到判断结果；
阈值获取模块，用于当所述判断结果为发生碰撞时，获取距离碰撞时间、第一避障时间阈值和第二避障时间阈值；
第一模型切入模块，用于根据所述距离碰撞时间、所述第一避障时间阈值和所述第二避障时间阈值间的关系，切入车辆路径规划-避障一体化状态模型中的正常行驶模型、避障模型或降低碰撞伤害模型；
第二模型切入模块，用于当所述判断结果为不发生碰撞时，切入所述车辆路径规划-避障一体化状态模型中的正常行驶模型；
控制模块，用于根据切入的车辆路径规划-避障一体化状态模型完成对所述驾驶车辆的控制；
所述第一模型切入模块，具体包括：
正常行驶模型切入单元，用于当所述距离碰撞时间大于等于所述第一避障时间阈值时，切入所述正常行驶模型；
避障模型切入单元，用于当所述距离碰撞时间小于所述第一避障时间阈值且大于所述第二避障时间阈值时，切入所述避障模型；
降低碰撞伤害模型切入单元，用于当所述距离碰撞时间小于所述第二避障时间阈值时，切入所述降低碰撞伤害模型。
6.根据权利要求5所述的一种智能车辆避撞与降低碰撞伤害的集成控制系统，其特征在于，所述控制系统还包括：
位置信息获取模块，用于获取所述驾驶车辆周围车辆的位置信息；所述位置信息包括质心位置、长轴长度和短轴长度；
车辆分布图绘制模块，用于以所述驾驶车辆为中心，根据所述位置信息绘制所述驾驶车辆周围的车辆分布图。
7.根据权利要求5所述的一种智能车辆避撞与降低碰撞伤害的集成控制系统，其特征在于，所述阈值获取模块，具体包括：
质心距离阈值获取单元，用于当所述驾驶车辆及其周围车辆预测会发生碰撞时，获取所述驾驶车辆及与其发生碰撞车辆间的质心距离阈值；
阈值获取单元，用于获取特定周期内所述驾驶车辆及与其发生碰撞车辆间的最小质心距离值，当所述最小质心距离值小于所述质心距离阈值时，所述驾驶车辆与其相邻车辆发生碰撞，此时，获取所述距离碰撞时间、所述第一避障时间阈值和所述第二避障时间阈值。
8.根据权利要求5所述的一种智能车辆避撞与降低碰撞伤害的集成控制系统，其特征在于，所述系统还包括降低碰撞伤害模型构建模块；所述降低碰撞伤害模型构建模块包括：
MPC规划-控制器模型构建单元，用于根据所述当前时刻的所述系统控制输入参数和所述系统状态选择参数构建MPC规划-控制器模型；
曲线获取单元，用于获取车辆的伤害程度和车辆碰撞位置间的关系曲线，记为MAIS3+曲线；
碰撞子区域划分单元，用于对所述车辆的碰撞位置进行区域划分，得到多个碰撞子区域；
数据获取单元，用于获取车辆的碰撞角度、Delta-V和多个所述碰撞子区域中的MAIS3+值；
初始伤害程度动态确定系统构建单元，用于以所述碰撞角度和所述Delta-V为输入，以所述MAIS3+值为输出，采用系统建模法构建初始伤害程度动态确定系统；
伤害程度动态确定系统训练单元，用于采用自适应模糊神经网络对所述初始伤害程度动态确定系统进行训练得到训练好的伤害程度动态确定系统；
降低碰撞伤害模型构建单元，用于根据所述MPC规划-控制器模型和所述训练好的伤害程度动态确定系统构建降低碰撞伤害模型；
所述降低碰撞伤害模型为J3：
式中，CSI为碰撞伤害度，up为p时刻的控制输入，
为p-1时刻的控制输入，Q为车辆的相对距离，H为控制输入平滑性，M为控制输入的权重矩阵，Np为预测时域长度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011009679.2A CN112092805B (zh) | 2020-09-23 | 2020-09-23 | 一种智能车辆避撞与降低碰撞伤害的集成控制方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011009679.2A CN112092805B (zh) | 2020-09-23 | 2020-09-23 | 一种智能车辆避撞与降低碰撞伤害的集成控制方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112092805A CN112092805A (zh) | 2020-12-18 |
| CN112092805B true CN112092805B (zh) | 2021-10-19 |
Family
ID=73755941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011009679.2A Active CN112092805B (zh) | 2020-09-23 | 2020-09-23 | 一种智能车辆避撞与降低碰撞伤害的集成控制方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112092805B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113824929B (zh) * | 2021-08-27 | 2022-12-13 | 中铁二十局集团有限公司 | 停车场异常行为监控方法、装置及停车场监控系统 |
| CN113771840B (zh) * | 2021-10-15 | 2023-05-09 | 韩英泉 | 自动驾驶紧急避险控制方法、系统及计算机储存介质 |
| CN114261389B (zh) * | 2021-11-29 | 2023-05-12 | 东风商用车有限公司 | 自动驾驶商用车的行驶轨迹碰撞风险分析方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102218B (zh) * | 2014-06-30 | 2017-04-05 | 西北工业大学 | 基于视觉伺服的感知与规避方法及系统 |
| DE102015204214A1 (de) * | 2015-05-07 | 2016-11-10 | Robert Bosch Gmbh | Verfahren zur Darstellung einer Fahrzeugumgebung eines Fahrzeuges |
| CN106891890B (zh) * | 2017-04-12 | 2021-03-23 | 吉林大学 | 一种汽车主动防撞系统 |
| CN107161143A (zh) * | 2017-05-18 | 2017-09-15 | 江苏大学 | 一种采用人工势场法的车辆主动避撞方法 |
| CN109291872A (zh) * | 2018-10-29 | 2019-02-01 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆的控制方法、装置、设备和存储介质 |
| CN110517480B (zh) * | 2019-07-23 | 2021-07-20 | 江苏大学 | 面向人机共驾智能网联车辆的驾驶权切换及碰撞预警系统 |
| CN110723141B (zh) * | 2019-09-20 | 2020-12-18 | 江苏大学 | 一种车辆主动避撞系统及其避撞方式切换方法 |
| CN111231937A (zh) * | 2020-02-25 | 2020-06-05 | 东南大学 | 一种用于无人驾驶车辆碰撞后失稳运动的控制方法 |
-
2020
- 2020-09-23 CN CN202011009679.2A patent/CN112092805B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112092805A (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112092805B (zh) | 一种智能车辆避撞与降低碰撞伤害的集成控制方法和系统 | |
| CN112389427B (zh) | 车辆轨迹优化方法、装置、电子设备和存储介质 | |
| CN106114511B (zh) | 一种汽车巡航系统关键目标识别方法 | |
| CN110015306B (zh) | 驾驶轨迹获取方法及装置 | |
| EP3725627B1 (en) | Method for generating vehicle control command, and vehicle controller and storage medium | |
| CN111775949B (zh) | 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法 | |
| CN109131312B (zh) | 一种智能电动汽车acc/esc集成控制系统及其方法 | |
| US9081387B2 (en) | Method and device for the prediction and adaptation of movement trajectories of motor vehicles | |
| CN112068445B (zh) | 自动驾驶车辆路径规划与路径跟踪集成控制方法及系统 | |
| JP6715899B2 (ja) | 衝突回避装置 | |
| EP3741639A1 (en) | Vehicle control device | |
| US20200238980A1 (en) | Vehicle control device | |
| CN113246974B (zh) | 无人驾驶应急场景下避险/降损控制方法、存储介质和电子装置 | |
| EP2129567B1 (en) | Vehicle driving assistance | |
| CN112046484B (zh) | 一种基于q学习的车辆变道超车路径规划方法 | |
| US20200353918A1 (en) | Vehicle control device | |
| CN111516692A (zh) | 一种车辆在坑洼路面上行驶的控制系统及方法 | |
| CN104512405A (zh) | 用于执行驾驶辅助的方法和装置 | |
| CN104512412A (zh) | 用于执行驾驶辅助的方法和装置 | |
| CN107107853A (zh) | 通过智能车辆定位形成的碰撞缓解 | |
| JP2009051430A (ja) | 走行支援システム | |
| CN112896188B (zh) | 一种考虑前车遭遇的自动驾驶决策控制的系统 | |
| WO2018139294A1 (ja) | 移動物体予測装置 | |
| EP3725609B1 (en) | Calibrating method for vehicle anti-collision parameters, vehicle controller and storage medium | |
| CN111650945A (zh) | 动态障碍物防撞方法 |
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 |