CN112101709B - 用于商用车辆自动紧急制动系统的全面准确的测评方法 - Google Patents

用于商用车辆自动紧急制动系统的全面准确的测评方法 Download PDF

Info

Publication number
CN112101709B
CN112101709B CN202010760374.9A CN202010760374A CN112101709B CN 112101709 B CN112101709 B CN 112101709B CN 202010760374 A CN202010760374 A CN 202010760374A CN 112101709 B CN112101709 B CN 112101709B
Authority
CN
China
Prior art keywords
vehicle
formula
cat
target vehicle
self
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
CN202010760374.9A
Other languages
English (en)
Other versions
CN112101709A (zh
Inventor
李旭
常彬
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 CN202010760374.9A priority Critical patent/CN112101709B/zh
Publication of CN112101709A publication Critical patent/CN112101709A/zh
Application granted granted Critical
Publication of CN112101709B publication Critical patent/CN112101709B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了用于商用车辆自动紧急制动系统的全面准确的测评方法。首先，建立基于强跟踪卡尔曼滤波算法的靶车自适应常加速改进模型和基于强跟踪扩展卡尔曼滤波算法的自车横摆特性动力学模型，获取靶车和自车的位置、速度、加速度等运动学状态信息及自车横摆特性状态信息；然后，利用靶车和自车的状态信息，计算一般性的AEB测评指标，即碰撞时间和强化碰撞时间，并计算针对商用车辆横摆稳定性的测评指标，即制动横摆安全裕量和制动平顺性。本发明解决了现有车辆AEB测评方法没有关注靶车的运动状态参数导致测评结果准确性不够高，没有具体考虑商用车辆重心高、质量大等特性导致测评结果不够全面的问题，实现了对商用车辆AEB系统的全面准确测评。

Description

用于商用车辆自动紧急制动系统的全面准确的测评方法
技术领域
本发明涉及一种智能驾驶测试评价方法，尤其涉及一种用于商用车辆自动紧急制动系统的全面准确的测评方法，其目的在于为商用车辆自动紧急制动系统提供全面准确的测试评价。
背景技术
智能驾驶是我国工业革命和信息化结合的重要抓手，将大大提升生产效率和交通效率，并有可能成为人工智能首先突破的领域。在我国智能驾驶发展过程中，安全问题是重中之重。根据公安部交管局的统计，我国因交通事故死亡人数年均超过10万人，其中重大交通事故多集中在商用车辆。根据统计，正面碰撞或追尾事故约占商用车辆交通事故数的68％。发展智能辅助驾驶对提升道路交通驾驶安全有重要意义，是减少道路交通事故的有效手段。
自动紧急制动(Autonomous Emergency Braking,AEB)作为智能辅助驾驶车载功能的重要组成部分,能够实时监测车辆前方行驶环境,并在可能发生碰撞危险时自动启动车辆制动系统使车辆减速，以避免碰撞或减轻碰撞后果。据美国公路安全保险协会最新研究报告指出，若车辆具备AEB安全技术，事故发生率将下降43％。因此全球各国的新车评价规程纷纷把AEB纳入评价体系。比如欧盟出台的规定要求2014年以后出产的新车必须配备AEB系统。我国的《机动车运行安全技术条件》(GB 7258-2017)、《营运车辆自动紧急制动要求和测试规程》(JT/T 1242-2019)等相关章程对自动紧急制动性能的试验方法做出了明确规定。
目前关于自动紧急制动功能测试的公开文献涉及以下方面：设计能够模拟测试道路工况的仿真试验平台以降低测试成本；对AEB的测试道路工况进行构建组合以得到尽可能符合实际的道路场景；设计能够模拟测试过程中自车前方目标的装置以提高测试的安全性并降低测试成本。然而，现有AEB测试的公开文献存在以下不足:(1)现有公开文献中的AEB测评方法为非商用车辆的AEB测评方法，而商用车辆特别是大型商用车辆具有体积大、重心高的特点，其强制动过程中容易引起横摆失稳，制动过程与非商用车辆相比有明显差别。因此商用车辆制动过程中的横摆稳定状态也是AEB测评需要考虑的关键因素之一。现有的公开文献并未对商用车辆AEB的特殊性进行考虑；(2)靶车是指在自车前方的行驶轨迹线上的车辆，它是AEB系统工作时所针对的对象。现有公开文献只关注自车关键信息的获取方法，并没有关注靶车。然而靶车的运动学状态信息也会用于计算强化距离碰撞时间等测评指标，因此靶车运动学状态信息的准确性对AEB测评结果会产生影响。
为了解决上述问题，本发明针对商用车的特点，提出了针对性的关键参数获取方法以及评价指标，从而实现商用车AEB的全面准确测评。
发明内容
发明目的：为了准确获得商用车辆在自动紧急制动系统测试过程中自车和靶车的状态信息，量化计算商用车辆自动紧急制动性能评价指标，进而可靠地评价商用车辆自动紧急制动系统的性能，以弥补实际应用中商用车辆AEB测评考虑因素不够全面、针对性不足的缺点，本发明公开了一种用于商用车辆自动紧急制动系统的测试评价方法。本发明的测试场景符合JT/T 1242-2019中7.4.4的规定。
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：一种用于商用车辆自动紧急制动系统的全面准确的测评方法。首先，建立基于强跟踪卡尔曼滤波算法的靶车自适应常加速改进模型，获取靶车的位置、速度、加速度等运动学状态信息；其次，建立基于强跟踪扩展卡尔曼滤波算法的自车横摆特性动力学模型，获取自车的位置、速度、加速度等运动学状态信息和横摆角速度等反映商用车辆横摆稳定性的状态信息；最后，利用获取的靶车和自车状态信息，计算JT/T 1242-2019标准中规定的传统AEB测评指标，即碰撞时间和强化碰撞时间。并在此基础上，提出了针对商用车辆自动紧急制动过程中评价其横摆稳定性的定量指标，即制动横摆安全裕量和制动平顺性，从而实现对商用车辆自动紧急制动系统的全面准确的测评。本发明的技术路线图如附图1所示，包括以下步骤：
步骤一：建立基于强跟踪卡尔曼滤波算法的靶车自适应常加速改进模型并获取靶车的运动学状态信息
取靶车的系统状态向量为XT＝[pET，vET，aET，pNT，vNT，aNT]T，其中pET，vET，aET分别为靶车的东向位置分量，东向速度分量，东向加速度分量，pNT，vNT，aNT分别为北向位置分量，北向速度分量，北向加速度分量，上标T表示矩阵的转置操作；选取GPS接收机作为靶车运动的测量传感器，其输出的位置和速度作为系统观测量；
靶车的离散状态和量测方程分别为：
XCAT(k+1)＝ΦCATXCAT(k)+WCAT(k) (1)
YCAT(k)＝HCATXCAT(k)+VCAT(k) (2)
式(1)中XCAT为系统状态序列，k表示离散化时刻，ΦCAT为状态转移矩阵，HCAT为观测矩阵，WCAT(k)与VCAT(k)是互不相关的系统白噪声和观测白噪声向量，且有
Figure BDA0002612919480000031
Figure BDA0002612919480000032
其中T为采样周期；
Figure BDA0002612919480000033
为均值为零、方差分别为
Figure BDA0002612919480000034
的高斯离散时间白噪声序列；
Figure BDA0002612919480000035
分别为GPS接收机的东向和北向位置观测噪声、东向和北向速度观测噪声，且都是均值分别为0、方差分别为
Figure BDA0002612919480000036
的高斯观测噪声序列；
pGPS_ET、pGPS_NT、vGPS_ET、vGPS_NT分别为GPS接收机输出的东向位置、北向位置、东向速度、北向速度；
基于方程(1)和方程(2)的卡尔曼滤波方程如下：
Figure BDA0002612919480000037
Figure BDA0002612919480000038
Figure BDA0002612919480000041
Figure BDA0002612919480000042
RCAT(k)＝[I-KCAT(k)HCAT]PCAT(k，k-1) (7)
Figure BDA0002612919480000043
其中
Figure BDA0002612919480000044
Figure BDA0002612919480000045
RCAT中各个表示方差的元素值根据GPS接收机的测量噪声统计特性确定。
对CA模型进行改进：
设k时刻靶车速度预测值和速度估计值分别为
Figure BDA0002612919480000046
和
Figure BDA0002612919480000047
在采样周期T内，速度变化量与加速度变化量的关系如下：
Δv(k)＝Δa(k)T (9)
用靶车在k时刻的速度估计值与它在k-1时刻得到的预测估计值之间的偏差关系来近似表示k-1时刻到k时刻加速度的扰动增量，即：
Figure BDA0002612919480000048
测试过程中机动加速度协方差与加速度扰动增量的绝对值成线性关系，即
Figure BDA0002612919480000049
则机动加速度协方差与速度估计值偏差也成线性关系，即
Figure BDA00026129194800000410
则构造函数f1(k)、f2(k)形式如下：
Figure BDA00026129194800000411
Figure BDA0002612919480000051
式中，T为采样周期，βT1、βT2为大于0的量纲变换系数，从而得到
Figure BDA0002612919480000052
借鉴强跟踪滤波器的思想，引入时变渐消因子，其定义如下：
Figure BDA0002612919480000059
式中，
Figure BDA0002612919480000053
tr(·)表示矩阵的迹，且
Figure BDA0002612919480000054
Figure BDA0002612919480000055
Figure BDA0002612919480000056
式中，
Figure BDA0002612919480000057
遗忘因子0＜ρT≤1，取ρT＝1；弱化次优因子ηT≥1，取ηT＝1。则改进后的预测误差协方差方程为
Figure BDA0002612919480000058
式(3)、式(18)、式(5)～式(8)和式(15)构成了基于强跟踪卡尔曼滤波算法的靶车自适应常加速改进模型；
步骤二：建立基于强跟踪扩展卡尔曼滤波算法的自车横摆特性动力学模型并获取自车的运动学和横摆特性状态信息
首先，对自车建立横摆特性动力学模型时进行如下合理假设：
1)只考虑纯侧偏轮胎特性，忽略轮胎力的纵横向耦合关系；
2)用横摆特性动力学模型来描述自车的运动，不考虑载荷的左右转移；
3)忽略横纵向空气动力学；
基于以上假设，由牛顿运动定律得：
Figure BDA0002612919480000061
式中vxS、vyS、wzS分别为自车纵向速度、横向速度、横摆角速度；mS为自车质量；IzS为自车绕z轴转动得转动惯量；φS、θS分别为自车俯仰角和侧倾角；a、b分别为自车前轴和后轴到重心的距离；FfS、FrS分别为自车前、后轮所受的横向力；g表示当地重力加速度；测试过程中轮胎的滑移通常很小，前后轮所受的横向力由下式近似表示：
Figure BDA0002612919480000062
式中，Cαf、Cαr分别为自车前后轮的侧偏刚度，为已知常量；αf和αr分别为前后轮侧偏角，由下式计算：
Figure BDA0002612919480000063
δf为前轮转动角。
把式(20)和式(21)代入到式(19)中，同时考虑到实际测试场景中，自车在运动时vyS、
Figure BDA0002612919480000064
很小，得：
Figure BDA0002612919480000065
其中
Figure BDA0002612919480000066
Figure BDA0002612919480000067
式(22)离散化后得：
Figure BDA0002612919480000071
基于运动学得自车纵向运动方程为：
Figure BDA0002612919480000072
式(24)离散化后得：
Figure BDA0002612919480000073
由自车运动学方程得：
Figure BDA0002612919480000074
Figure BDA0002612919480000075
Figure BDA0002612919480000076
式(26)～式(28)中，
Figure BDA0002612919480000079
为自车的东向位置，
Figure BDA00026129194800000710
为自车的北向位置，其中自车的初始位置
Figure BDA00026129194800000711
由GPS接收机测得；
Figure BDA00026129194800000712
为自车的纵向速度，其初始值和终值在方程中不能为零，取为0.0001m/s；
Figure BDA00026129194800000713
为自车的纵向加速度，
Figure BDA00026129194800000714
为均值为零、方差为
Figure BDA00026129194800000715
的高斯离散白噪声；
Figure BDA0002612919480000077
分别为自车的俯仰角、侧倾角、航向角，由惯性测量单元测得；
取自车的状态向量为XS＝[pES，pNS，vxS，axS，wzS]T,外部输入量为
Figure BDA0002612919480000078
由式(25)、式(26)～式(28)建立系统状态方程：
XS(k)＝fS(XS(k-1)，US(k-1)，WS(k-1)，ΛS(k-1)) (29)
式中，WS～N(0，QS)为系统状态噪声向量；ΛS～N(0，ΓS)为输入噪声向量，其中ΓS由惯性测量单元的测量噪声统计信息得到；fS(·)为系统的非线性函数，且有
Figure BDA0002612919480000081
接下来建立自车的量测方程：
ZS(k)＝HSXS(k)+nS(k) (30)
其中，
Figure BDA0002612919480000082
nS为测量噪声矩阵，其协方差RS由惯性测量单元的测量噪声统计信息得到；
引入渐消因子，其定义如下：
λS(k+1)＝max{1，λ0S} (31)
式中，
Figure BDA0002612919480000083
其中：
Figure BDA0002612919480000084
Figure BDA0002612919480000085
Figure BDA0002612919480000091
式(32)中，弱化次优因子ηS≥＝1，取ηS＝1；式(33)中，AS和BS分别是系统函数相对于XS和US的雅可比矩阵，PS是协方差矩阵；式(34)中
Figure BDA0002612919480000092
遗忘因子0＜ρS≤1，取ρS＝1。
状态方程(29)和量测方程(30)的强跟踪扩展卡尔曼滤波算法为：
Figure BDA0002612919480000093
Figure BDA0002612919480000094
Figure BDA0002612919480000095
Figure BDA0002612919480000096
PS(k)＝[I-KS(k)HS(k)]PS(k，k-1) (39)
式(29)～式(30)、式(32)～式(39)构成了基于强跟踪扩展卡尔曼滤波算法的自车横摆特性动力学模型；
步骤三：量化商用车辆自动紧急制动系统的测评指标。
(1)距离碰撞时间
当靶车静止或匀速运行时，利用距离碰撞时间对自车的紧急制动起始时间进行量化：
Figure BDA0002612919480000097
式中，两车相对距离
Figure BDA0002612919480000098
两车纵向相对速度
Figure BDA0002612919480000099
靶车纵向速度
Figure BDA00026129194800000910
(2)强化距离碰撞时间
当靶车减速运行时，利用强化距离碰撞时间对自车的紧急制动起始时间进行量化：
Figure BDA0002612919480000101
式中，靶车的纵向加速度为
Figure BDA0002612919480000102
提出新的评价指标，具体包括：
(1)横摆稳定裕度
Figure BDA0002612919480000103
考虑到实际计算中
Figure BDA0002612919480000105
的值较小，为了更清楚地反映制动稳定程度，所以计算其以10为底的对数值；
(2)制动平顺性
Figure BDA0002612919480000104
式中，N＝t/T,t为总采样时间；
当进行商用车辆AEB测试时，根据JT/T 1242-2019标准设置测试场景后，首先根据步骤一准确获取靶车的运动状态信息，然后根据步骤二准确获取自车的运动状态信息，最后根据步骤三计算距离碰撞时间、强化距离碰撞时间、横摆稳定裕度、横摆稳定性，从而实现对商用车辆自动紧急制动系统全面、准确、可靠的评价。
有益效果：与现有技术相比，本发明的技术方案具有以下有益效果：
(1)本发明提出了准确获取靶车和自车运动状态信息的方法，包括建立基于强跟踪卡尔曼滤波算法的靶车自适应常加速改进模型以获取靶车的运行状态信息；建立基于强跟踪扩展卡尔曼滤波算法的自车横摆特性动力学模型以获取自车的运动学和横摆特性状态信息。
(2)本发明提出了全面评价商用车自动紧急制动系统性能的指标，相比于一般的车辆自动紧急制动测试，本发明提出的方法考虑因素更加全面，实现了针对商用车辆更准确、更全面的科学定量测评。
附图说明
图1是本发明的技术路线图；
图2是本发明构建的自车的自行车动力学模型。
具体实施方式
智能驾驶是我国工业革命和信息化结合的重要抓手，将大大提升生产效率和交通效率，并有可能成为人工智能首先突破的领域。在我国智能驾驶发展过程中，安全问题是重中之重。根据公安部交管局的统计，我国因交通事故死亡人数年均超过10万人，其中重大交通事故多集中在商用车辆。根据统计，正面碰撞或追尾事故约占商用车辆交通事故数的68％。发展智能辅助驾驶对提升道路交通驾驶安全有重要意义，是减少道路交通事故的有效手段。
自动紧急制动(Autonomous Emergency Braking,AEB)作为智能驾驶车载功能的重要组成部分,能够实时监测车辆前方行驶环境,并在可能发生碰撞危险时自动启动车辆制动系统使车辆减速，以避免碰撞或减轻碰撞后果。据美国公路安全保险协会最新研究报告指出，若车辆具备AEB安全技术，事故发生率将下降43％。因此全球各国的新车评价规程纷纷把AEB纳入评价体系。比如欧盟出台的规定要求2014年以后出产的新车必须配备AEB系统。我国的《机动车运行安全技术条件》(GB 7258-2017)、《营运车辆自动紧急制动要求和测试规程》(JT/T 1242-2019)等相关章程对自动紧急制动性能的试验方法做出了明确规定。
目前关于自动紧急制动功能测试的公开文献涉及以下方面：设计能够模拟测试道路工况的仿真试验平台以降低测试成本；对AEB的测试道路工况进行构建组合以得到尽可能符合实际的道路场景；设计能够模拟测试过程中自车前方目标的装置以提高测试的安全性并降低测试成本。然而，现有AEB测试的公开文献存在以下不足:(1)现有公开文献中的AEB测评方法为非商用车辆的AEB测评方法，而商用车辆特别是大型商用车辆具有体积大、重心高的特点，其强制动过程中容易引起横摆失稳，制动过程与非商用车辆相比有明显差别。因此商用车辆制动过程中的横摆稳定状态也是AEB测评需要考虑的关键因素之一。现有的公开文献并未对商用车辆AEB的特殊性进行考虑；(2)靶车是指在自车前方的行驶轨迹线上的车辆，它是AEB系统工作时所针对的对象。现有公开文献只关注自车关键信息的获取方法，并没有关注靶车。然而靶车的运动学状态信息也会用于计算强化距离碰撞时间等测评指标，因此靶车运动学状态信息的准确性对AEB测评结果会产生影响。
针对上述商用车辆AEB测评的问题及不足之处，本发明提出了一种更全面、更具针对性的获得商用车辆AEB核心测试性能指标的方法：首先，建立基于强跟踪卡尔曼滤波算法的靶车自适应常加速改进模型，获取靶车的位置、速度、加速度等运动学状态信息；其次，建立基于强跟踪扩展卡尔曼滤波算法的自车横摆特性动力学模型，获取自车的位置、速度、加速度等运动学状态信息和横摆角速度等反映商用车辆横摆稳定性的状态信息；最后，利用获取的靶车和自车状态信息，计算JT/T 1242-2019标准中规定的传统AEB测评指标，即碰撞时间和强化碰撞时间。并在此基础上，提出了针对商用车辆自动紧急制动过程中评价其横摆稳定性的定量指标，即制动横摆安全裕量和制动平顺性。本发明中，自车是指安装有符合JT/T 1242-2019标准的自动紧急制动系统的商用车辆。目标车辆是指在自车前方的行驶轨迹线上的车辆，它是AEB系统工作时所针对的对象，全文统称为靶车。本发明在符合JT/T1242-2019标准的测试道路上开展试验，使用GPS接收机和惯性测量单元IMU采集数据，然后按照下面的发明步骤进行推算：
步骤一：建立基于强跟踪卡尔曼滤波算法的靶车自适应常加速改进模型并获取靶车的运动学状态信息
一般的测评方法没有关注靶车的运动学参数，然而JT/T 1242-2019标准中提出的距离碰撞时间和强化距离碰撞时间指标需要靶车的运动学状态信息以获得车间距离、两车相对速度、两车相对加速度。因此准确获取靶车的运动学状态信息可以有效提高测评结果的准确性。本发明考虑到靶车一般在测评过程中的运动方式较为简单，因此对靶车建立常加速模型。使用常加速模型进行递推时，卡尔曼滤波器的预测误差协方差和增益矩阵不能随残差改变，会降低测评结果的准确性。为了最大限度地提取输出中的有效信息，提高获取靶车运动状态信息的准确性，应用强跟踪卡尔曼滤波算法以获取靶车的运动学状态信息。
在自动紧急制动过程中，取靶车的系统状态向量为XT＝[pET，vET，aET，pNT，vNT，aNT]T，其中pET，vET，aET分别为靶车的东向位置分量，东向速度分量，东向加速度分量，pNT，vNT，aNT分别为北向位置分量，北向速度分量，北向加速度分量，上标T表示矩阵的转置。选取GPS接收机作为靶车运动的测量传感器，其输出的位置和速度作为系统观测量。
根据常加速模型(Constant Acceleration Model，CA模型)，靶车的离散状态和量测方程分别为：
XCAT(k+1)＝ΦCATXCAT(k)+WCAT(k) (1)
YCAT(k)＝HCATXCAT(k)+VCAT(k) (2)
式(1)中XCAT为系统状态序列，k表示离散化时刻，ΦCAT为状态转移矩阵，HCAT为观测矩阵，WCAT(k)与VCAT(k)是互不相关的系统白噪声和观测白噪声向量，且有
Figure BDA0002612919480000131
Figure BDA0002612919480000132
其中T为采样周期；
Figure BDA0002612919480000133
为均值为零、方差分别为
Figure BDA0002612919480000134
的高斯离散时间白噪声序列；
Figure BDA0002612919480000135
分别为GPS接收机的东向和北向位置观测噪声、东向和北向速度观测噪声，且都是均值分别为0、方差分别为
Figure BDA0002612919480000136
的高斯观测噪声序列；
pGPS_ET、pGPS_NT、vGPS_ET、vGPS_NT分别为GPS接收机输出的东向位置、北向位置、东向速度、北向速度。
基于方程(1)和方程(2)的卡尔曼滤波方程如下：
Figure BDA0002612919480000137
Figure BDA0002612919480000141
Figure BDA0002612919480000142
Figure BDA0002612919480000143
PCAT(k)＝[I-KCAT(k)HCAT]PCAT(k，k-1) (7)
Figure BDA0002612919480000144
其中
Figure BDA0002612919480000145
Figure BDA0002612919480000146
RCAT中各个表示方差的元素值根据GPS接收机的测量噪声统计特性确定。
根据“当前”统计模型(Current Statistical Model，CS模型)，靶车的离散状态方程和量测方程为：
Figure BDA0002612919480000147
YCST(k)＝HCSTXCST(k)+VCST(k) (10)
其中
Figure BDA0002612919480000148
HCST＝HCAT，YCST(k)＝YCAT(k)， VCST(K)＝VCAT(k)。
式中，T为采样周期；
Figure BDA0002612919480000149
分别为靶车“当前”东向、北向加速度分量的均值；
Figure BDA00026129194800001410
为均值为零、方差分别为
Figure BDA00026129194800001411
的高斯离散时间白噪声序列，qET、qNT分别为与αT、T有关的常数矩阵，将在下文给出。
基于方程(9)和(10)的卡尔曼滤波方程如下：
Figure BDA0002612919480000151
Figure BDA0002612919480000152
Figure BDA0002612919480000153
Figure BDA0002612919480000154
PCST(k)＝[I-KCST(k)HCST]PCST(k，k-1) (15)
Figure BDA0002612919480000155
Figure BDA0002612919480000156
Figure BDA0002612919480000157
其中Q′ET≈Q′NT≈QET。
从式(11)看出，在式(17)和式(18)的条件下，CS模型滤波方程的一步预测方程实际采用的是CA模型的状态转移矩阵，即ΦCST(k+1，k)≈ΦCAT。由此可知，当两者的过程噪声协方差矩阵一样时，CA模型和CS模型的动态跟踪性能相当。
在实际递推过程中，CA模型的参数CET、CNT的调试选取较为复杂，若选取不当会降低CA模型的精度，进而降低对商用车辆AEB测评的准确性。为了简化CA模型所需调整的参数，并且保持CA模型的动态跟踪精度，现对CA模型进行改进：对比式(16)和式(8)，构造函数f1(k)、f2(k)来自适应调整CA模型的过程噪声协方差矩阵QCAT(k)，使得QCAT(k)＝QCST(k)。具体过程如下：
设k时刻靶车速度预测值和速度估计值分别为
Figure BDA0002612919480000158
和
Figure BDA00026129194800001511
在采样周期T内，速度变化量与加速度变化量的关系如下：
Δv(k)＝Δa(k)T (19)
Figure BDA0002612919480000159
作为k-1时刻到k时刻的速度预测值，没有考虑加速度扰动增量的影响。而
Figure BDA00026129194800001510
考虑了k时刻的观测值，观测值中包含着k-1时刻到k时刻之间加速度扰动增量对观测值的影响。因此，用靶车在k时刻的速度估计值与它在k-1时刻得到的预测估计值之间的偏差关系来近似表示k-1时刻到k时刻加速度的扰动增量，即：
Figure BDA0002612919480000161
测试过程中机动加速度协方差与加速度扰动增量的绝对值成线性关系，即
Figure BDA0002612919480000162
则机动加速度协方差与速度估计值偏差也成线性关系，即
Figure BDA0002612919480000163
则构造函数f1(k)、f2(k)形式如下：
Figure BDA0002612919480000164
Figure BDA0002612919480000165
式中，T为采样周期，βT1、βT2为大于0的量纲变换系数，本发明中取βT1＝βT2＝1。从而得到
Figure BDA0002612919480000166
CA模型的递推过程基于卡尔曼滤波算法，使用测试中所采集的数据进行递推时，卡尔曼滤波器的预测误差协方差P(k，k-1)和增益矩阵K(k)不能随残差改变，会降低测评结果的准确性。考虑到强跟踪滤波器具有鲁棒性强、能自适应跟踪运动目标和较好的收敛性等优点。因此本发明针对该缺点借鉴强跟踪滤波器的思想，引入时变渐消因子，根据靶车运动情况实时调整增益，强迫输出残差近似为高斯白噪声，最大限度地提取输出残差中的有效信息，以提高获取靶车运动状态信息的准确性。时变渐消因子定义如下：
Figure BDA0002612919480000167
式中，
Figure BDA0002612919480000171
tr(·)表示矩阵的迹，且
Figure BDA0002612919480000172
Figure BDA0002612919480000173
Figure BDA0002612919480000174
式中，
Figure BDA0002612919480000175
遗忘因子0＜ρT≤1，本发明中取ρT＝1；弱化次优因子ηT≥1，本发明中取ηT＝1。则改进后的预测误差协方差方程为
Figure BDA0002612919480000176
式(3)、式(28)、式(5)～式(8)和式(23)构成了靶车的自适应常加速改进模型及强跟踪卡尔曼滤波算法。
从式(21)～式(24)看出，当靶车加速度无扰动增量时，速度估计预测值
Figure BDA00026129194800001714
和速度估计值
Figure BDA00026129194800001715
相差不大，故下一时刻过程噪声协方差矩阵QCAT(k)较小，而且输出残差较小，求得的
Figure BDA00026129194800001716
较小，使得渐消因子λT(k+1)≈1；当靶车在k时刻加速度有扰动增量时，速度估计值
Figure BDA00026129194800001717
要偏离速度估计预测值
Figure BDA0002612919480000177
所以下一时刻QCAT(k)增大，同时强跟踪滤波器根据残差的增大而是渐消因子增大，使得λT(k+1)＞1，靶车的加速度扰动增量越大，其偏离越大，QCAT(k)和λT(k+1)越大，实现自适应地调节滤波增益，迫使残差近似正交，从而提高获取靶车运动状态信息的准确性。
经过上述自适应常加速改进模型及递推计算后，可以实时准确地得到k时刻靶车地东向位置
Figure BDA0002612919480000178
北向位置
Figure BDA0002612919480000179
东向速度
Figure BDA00026129194800001710
北向速度
Figure BDA00026129194800001711
东向加速度
Figure BDA00026129194800001712
北向加速度
Figure BDA00026129194800001713
步骤二：建立基于强跟踪扩展卡尔曼滤波算法的自车横摆特性动力学模型并获取自车的运动学和横摆特性状态信息
传统的车辆自动紧急制动测评方法中只考虑了车辆的加速度、速度、位置等运动学状态信息。但是商用车辆重心高、质量大，紧急制动过程中易引发横摆失稳，因此分析商用车辆强制动过程中的横摆稳定性变化对于全面评价其AEB性能至关重要。为了更全面地获取自车的位置、速度、加速度、横摆角速度等关键状态信息，本发明建立自车的横摆特性动力学模型，如附图2所示。自车制动过程非线性程度高，制动复杂，考虑到强跟踪滤波器具有鲁棒性强、能自适应跟踪运动目标和较好的收敛性等优点，本发明应用强跟踪扩展卡尔曼滤波算法准确地获取自车的关键状态信息。首先，对自车建立横摆特性动力学模型时进行如下合理假设：
1)只考虑纯侧偏轮胎特性，忽略轮胎力的纵横向耦合关系；
2)用横摆特性动力学模型来描述自车的运动，不考虑载荷的左右转移；
3)忽略横纵向空气动力学。
基于以上假设，由牛顿运动定律得：
Figure BDA0002612919480000181
式中vxS、vyS、wzS分别为自车纵向速度、横向速度、横摆角速度；mS为自车质量；IzS为自车绕z轴转动得转动惯量；φS、θS分别为自车俯仰角和侧倾角；a、b分别为自车前轴和后轴到重心的距离；FfS、FrS分别为自车前、后轮所受的横向力；g表示当地重力加速度。测试过程中轮胎的滑移通常很小，前后轮所受的横向力由下式近似表示：
Figure BDA0002612919480000182
式中，Cαf、Cαr分别为自车前后轮的侧偏刚度，为已知常量；αf和αr分别为前后轮侧偏角，由下式计算：
Figure BDA0002612919480000191
δf为前轮转动角。
把式(30)和式(31)代入到式(29)中得：
Figure BDA0002612919480000192
其中
Figure BDA0002612919480000193
Figure BDA0002612919480000194
考虑到实际测试场景中，自车在运动时vyS、
Figure BDA0002612919480000195
很小，可以忽略，则式(32)简化整理后得：
Figure BDA0002612919480000196
式(33)离散化后得：
Figure BDA0002612919480000197
Figure BDA0002612919480000198
基于运动学得自车纵向运动方程为：
Figure BDA0002612919480000199
式(35)离散化后得：
Figure BDA00026129194800001910
由自车运动学方程得：
Figure BDA0002612919480000201
Figure BDA0002612919480000202
Figure BDA0002612919480000203
式(37)～式(39)中，
Figure BDA0002612919480000206
为自车的东向位置，
Figure BDA0002612919480000207
为自车的北向位置，其中自车的初始位置
Figure BDA0002612919480000208
由GPS接收机测得；
Figure BDA0002612919480000209
为自车的纵向速度，其初始值和终值在方程中不能为零，取为0.0001m/s；
Figure BDA00026129194800002010
为自车的纵向加速度，
Figure BDA00026129194800002011
为均值为零、方差为
Figure BDA00026129194800002012
的高斯离散白噪声；
Figure BDA00026129194800002013
分别为自车的俯仰角、侧倾角、航向角，由惯性测量单元(Inertial Measurement Unit，IMU)测得。
取自车的状态向量为XS＝[pES，pNS，vxS，axS，wxS]T,外部输入量为
Figure BDA0002612919480000204
由式(34)、式(36)～式(39)建立系统状态方程：
XS(k)＝fS(XS(k-1)，US(k-1)，WS(k-1)，ΛS(k-1)) (40)
式中，WS～N(0，QS)为系统状态噪声向量；ΛS～N(0，ΓS)为输入噪声向量，其中ΓS由IMU的测量噪声统计信息得到；fS(·)为系统的非线性函数，且有
Figure BDA0002612919480000205
接下来建立自车的量测方程：
ZS(k)＝HSXS(k)+nS(k) (41)
其中，
Figure BDA0002612919480000211
nS为测量噪声矩阵，其协方差RS由IMU的测量噪声统计信息得到。
由式(40)知，自车的横摆特性动力学模型复杂、状态方程的非线性程度高，所以递推过程基于扩展卡尔曼滤波器(Extended Kalman Filter，EKF)。另外，实际递推过程中噪声变化大，预测误差协方差矩阵和增益矩阵不能随残差改变，会使自车的状态输出信息精度低，降低测评结果的准确性。因此，借鉴步骤一的思想，使用强跟踪扩展卡尔曼滤波算法，引入时变渐消因子，根据自车运动情况实时调整增益，强迫输出残差近似为高斯白噪声，最大限度地提取输出残差中的有效信息，提高测评结果的准确性。渐消因子定义如下：
λS(k+1)＝max{1，λ0S} (42)
式中，
Figure BDA0002612919480000212
其中：
Figure BDA0002612919480000213
Figure BDA0002612919480000214
Figure BDA0002612919480000215
式(43)中，弱化次优因子ηS≥1，本发明中取ηS＝1；式(44)中，AS和BS分别是系统函数相对于XS和US的雅可比矩阵，PS是协方差矩阵；式(45)中
Figure BDA0002612919480000216
遗忘因子0＜ρS≤1，本发明中取ρS＝1。
状态方程(40)和量测方程(41)的强跟踪扩展卡尔曼滤波算法为：
Figure BDA0002612919480000221
Figure BDA0002612919480000222
Figure BDA0002612919480000223
Figure BDA0002612919480000224
PS(k)＝[I-KS(k)HS(k)]PS(k，k-1) (50)经过上述递推计算后，准确地得到自车k时刻的东向位置
Figure BDA0002612919480000225
北向位置
Figure BDA0002612919480000226
纵向速度
Figure BDA0002612919480000227
纵向加速度
Figure BDA00026129194800002215
和横摆角速度
Figure BDA0002612919480000228
步骤三：量化商用车辆自动紧急制动系统的测评指标。
经过步骤一、步骤二的递推计算后，本发明可以实现JT/T 1242-2019标准中规定的AEB常规性能测评，具体指标包括：
(1)距离碰撞时间(Time To Collision，TTC)
当靶车静止或匀速运行时，利用距离碰撞时间对自车的紧急制动起始时间进行量化：
Figure BDA0002612919480000229
式中，两车相对距离
Figure BDA00026129194800002210
两车纵向相对速度
Figure BDA00026129194800002211
靶车纵向速度
Figure BDA00026129194800002212
(2)强化距离碰撞时间(Enhanced Time To Collision，ETTC)
当靶车减速运行时，利用强化距离碰撞时间对自车的紧急制动起始时间进行量化：
Figure BDA00026129194800002213
式中，靶车的纵向加速度为
Figure BDA00026129194800002214
商用车辆一般重心高、质量大、动力学模型复杂，其制动情况比非商用车辆更加复杂。商用车辆的强制动可能会引起横摆失衡，造成严重的安全问题。因此，除了上述常规AEB性能评价指标外，为了更全面、准确地对商用车辆的AEB性能进行测评，本专利提出新的评价指标，具体包括：
(1)横摆稳定裕度(Yaw Stability Margin，YSM)
Figure BDA0002612919480000231
考虑到实际计算中
Figure BDA0002612919480000233
的值较小，为了更清楚地反映制动稳定程度，所以计算其以10为底的对数值。
(2)制动平顺性(Braking Smoothness，BS)
Figure BDA0002612919480000232
式中，N＝t/T,t为总采样时间。
当进行商用车辆AEB测试时，根据JT/T 1242-2019标准设置测试场景后，首先根据步骤一准确获取靶车的运动状态信息，然后根据步骤二准确获取自车的运动状态信息，最后根据步骤三计算距离碰撞时间、强化距离碰撞时间、横摆稳定裕度、横摆稳定性，从而实现对商用车辆自动紧急制动系统全面、准确、可靠的评价。

Claims (1)

1.用于商用车辆自动紧急制动系统的全面准确的测评方法，其特征在于，具体步骤包括：
步骤一：建立基于强跟踪卡尔曼滤波算法的靶车自适应常加速改进模型并获取靶车的运动学状态信息
取靶车的系统状态向量为XT＝[pET，vET，aET，pNT，vNT，aNT]T，其中pET，vET，aET分别为靶车的东向位置分量，东向速度分量，东向加速度分量，pNT，vNT，aNT分别为北向位置分量，北向速度分量，北向加速度分量，上标T表示矩阵的转置操作；选取GPS接收机作为靶车运动的测量传感器，其输出的位置和速度作为系统观测量；
靶车的离散状态和量测方程分别为：
XCAT(k+1)＝ΦCATXCAT(k)+WCAT(k) (1)
YCAT(k)＝HCATXCAT(k)+VCAT(k) (2)
式(1)中XCAT为系统状态序列，k表示离散化时刻，ΦCAT为状态转移矩阵，HCAT为观测矩阵，WCAT(k)与VCAT(k)是互不相关的系统白噪声和观测白噪声向量，且有
Figure FDA0002612919470000011
Figure FDA0002612919470000012
其中T为采样周期；
Figure FDA0002612919470000013
为均值为零、方差分别为
Figure FDA0002612919470000014
的高斯离散时间白噪声序列；
Figure FDA0002612919470000015
分别为GPS接收机的东向和北向位置观测噪声、东向和北向速度观测噪声，且都是均值分别为0、方差分别为
Figure FDA0002612919470000021
的高斯观测噪声序列；
pGPS_ET、pGPS_NT、vGPS_ET、vGPS_NT分别为GPS接收机输出的东向位置、北向位置、东向速度、北向速度；
基于方程(1)和方程(2)的卡尔曼滤波方程如下：
Figure FDA0002612919470000022
Figure FDA0002612919470000023
Figure FDA0002612919470000024
Figure FDA0002612919470000025
PCAT(k)＝[I-KCAT(k)HCAT]PCAT(k，k-1) (7)
Figure FDA0002612919470000026
其中
Figure FDA0002612919470000027
Figure FDA0002612919470000028
RCAT中各个表示方差的元素值根据GPS接收机的测量噪声统计特性确定；
对CA模型进行改进：
设k时刻靶车速度预测值和速度估计值分别为
Figure FDA0002612919470000029
和
Figure FDA00026129194700000210
在采样周期T内，速度变化量与加速度变化量的关系如下：
Δv(k)＝Δa(k)T (9)
用靶车在k时刻的速度估计值与它在k-1时刻得到的预测估计值之间的偏差关系来近似表示k-1时刻到k时刻加速度的扰动增量，即：
Figure FDA00026129194700000211
测试过程中机动加速度协方差与加速度扰动增量的绝对值成线性关系，即
Figure FDA0002612919470000031
则机动加速度协方差与速度估计值偏差也成线性关系，即
Figure FDA0002612919470000032
则构造函数f1(k)、f2(k)形式如下：
Figure FDA0002612919470000033
Figure FDA0002612919470000034
式中，T为采样周期，βT1、βT2为大于0的量纲变换系数，从而得到
Figure FDA0002612919470000035
借鉴强跟踪滤波器的思想，引入时变渐消因子，其定义如下：
Figure FDA0002612919470000036
式中，
Figure FDA0002612919470000037
tr(·)表示矩阵的迹，且
Figure FDA0002612919470000038
Figure FDA0002612919470000039
Figure FDA00026129194700000310
式中，
Figure FDA00026129194700000311
遗忘因子0＜ρT≤1，取ρT＝1；弱化次优因子ηT≥1，取ηT＝1；则改进后的预测误差协方差方程为
Figure FDA00026129194700000312
式(3)、式(18)、式(5)～式(8)和式(15)构成了基于强跟踪卡尔曼滤波算法的靶车自适应常加速改进模型；
步骤二：建立基于强跟踪扩展卡尔曼滤波算法的自车横摆特性动力学模型并获取自车的运动学和横摆特性状态信息
首先，对自车建立横摆特性动力学模型时进行如下合理假设：
1)只考虑纯侧偏轮胎特性，忽略轮胎力的纵横向耦合关系；
2)用横摆特性动力学模型来描述自车的运动，不考虑载荷的左右转移；
3)忽略横纵向空气动力学；
基于以上假设，由牛顿运动定律得：
Figure FDA0002612919470000041
式中vxS、vyS、wzS分别为自车纵向速度、横向速度、横摆角速度；mS为自车质量；IzS为自车绕z轴转动得转动惯量；φS、θS分别为自车俯仰角和侧倾角；a、b分别为自车前轴和后轴到重心的距离；FfS、FrS分别为自车前、后轮所受的横向力；g表示当地重力加速度；测试过程中轮胎的滑移通常很小，前后轮所受的横向力由下式近似表示：
Figure FDA0002612919470000042
式中，Cαf、Cαr分别为自车前后轮的侧偏刚度，为已知常量；αf和αr分别为前后轮侧偏角，由下式计算：
Figure FDA0002612919470000043
δf为前轮转动角；
把式(20)和式(21)代入到式(19)中，同时考虑到实际测试场景中，自车在运动时vyS、
Figure FDA0002612919470000044
很小，得：
Figure FDA0002612919470000051
其中
Figure FDA0002612919470000052
Figure FDA0002612919470000053
式(22)离散化后得：
Figure FDA0002612919470000054
基于运动学得自车纵向运动方程为：
Figure FDA0002612919470000055
式(24)离散化后得：
Figure FDA0002612919470000056
由自车运动学方程得：
Figure FDA0002612919470000057
Figure FDA0002612919470000058
Figure FDA0002612919470000059
式(26)～式(28)中，
Figure FDA00026129194700000510
为自车的东向位置，
Figure FDA00026129194700000511
为自车的北向位置，其中自车的初始位置
Figure FDA00026129194700000512
由GPS接收机测得；
Figure FDA00026129194700000513
为自车的纵向速度，其初始值和终值在方程中不能为零，取为0.0001m/s；
Figure FDA0002612919470000061
为自车的纵向加速度，
Figure FDA0002612919470000062
为均值为零、方差为
Figure FDA0002612919470000063
的高斯离散白噪声；
Figure FDA0002612919470000064
分别为自车的俯仰角、侧倾角、航向角，由惯性测量单元测得；
取自车的状态向量为XS＝[pES，pNS，vxS，axS，wzS]T，外部输入量为
Figure FDA0002612919470000065
由式(25)、式(26)～式(28)建立系统状态方程：
XS(k)＝fS(XS(k-1)，US(k-1)，WS(k-1)，ΛS(k-1)) (29)
式中，WS～N(0，QS)为系统状态噪声向量；ΛS～N(0，ΓS)为输入噪声向量，其中ΓS由惯性测量单元的测量噪声统计信息得到；fS(·)为系统的非线性函数，且有
Figure FDA0002612919470000066
接下来建立自车的量测方程：
ZS(k)＝HSXS(k)+nS(k) (30)
其中，
Figure FDA0002612919470000067
nS为测量噪声矩阵，其协方差RS由惯性测量单元的测量噪声统计信息得到；
引入渐消因子，其定义如下：
λS(k+1)＝max{1，λ0S} (31)
式中，
Figure FDA0002612919470000071
其中：
Figure FDA0002612919470000072
Figure FDA0002612919470000073
Figure FDA0002612919470000074
式(32)中，弱化次优因子ηS≥1，取ηS＝1；式(33)中，AS和BS分别是系统函数相对于XS和US的雅可比矩阵，PS是协方差矩阵；式(34)中
Figure FDA0002612919470000075
遗忘因子0＜ρS≤1，取ρS＝1；
状态方程(29)和量测方程(30)的强跟踪扩展卡尔曼滤波算法为：
Figure FDA0002612919470000076
Figure FDA0002612919470000077
Figure FDA0002612919470000078
Figure FDA0002612919470000079
PS(k)＝[I-KS(k)HS(k)]PS(k，k-1) (39)
式(29)～式(30)、式(32)～式(39)构成了基于强跟踪扩展卡尔曼滤波算法的自车横摆特性动力学模型；
步骤三：量化商用车辆自动紧急制动系统的测评指标
(1)距离碰撞时间
当靶车静止或匀速运行时，利用距离碰撞时间对自车的紧急制动起始时间进行量化：
Figure FDA00026129194700000710
式中，两车相对距离
Figure FDA0002612919470000081
两车纵向相对速度
Figure FDA0002612919470000082
靶车纵向速度
Figure FDA0002612919470000083
(2)强化距离碰撞时间
当靶车减速运行时，利用强化距离碰撞时间对自车的紧急制动起始时间进行量化：
Figure FDA0002612919470000084
式中，靶车的纵向加速度为
Figure FDA0002612919470000085
提出新的评价指标，具体包括：
(1)横摆稳定裕度
Figure FDA0002612919470000086
考虑到实际计算中
Figure FDA0002612919470000087
的值较小，为了更清楚地反映制动稳定程度，计算其以10为底的对数值；
(2)制动平顺性
Figure FDA0002612919470000088
式中，N＝t/T，t为总采样时间。
CN202010760374.9A 2020-07-31 2020-07-31 用于商用车辆自动紧急制动系统的全面准确的测评方法 Active CN112101709B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010760374.9A CN112101709B (zh) 2020-07-31 2020-07-31 用于商用车辆自动紧急制动系统的全面准确的测评方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010760374.9A CN112101709B (zh) 2020-07-31 2020-07-31 用于商用车辆自动紧急制动系统的全面准确的测评方法

Publications (2)

Publication Number Publication Date
CN112101709A CN112101709A (zh) 2020-12-18
CN112101709B true CN112101709B (zh) 2022-11-11

Family

ID=73750027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010760374.9A Active CN112101709B (zh) 2020-07-31 2020-07-31 用于商用车辆自动紧急制动系统的全面准确的测评方法

Country Status (1)

Country Link
CN (1) CN112101709B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733325B (zh) * 2020-12-21 2024-01-12 东南大学 一种用于半挂汽车列车aebs的全面准确的测评方法
CN112874516B (zh) * 2021-01-29 2022-06-07 广西科技大学 一种考虑路面情况的观光车aeb的计算方法
CN113630106A (zh) * 2021-08-02 2021-11-09 杭州电子科技大学 基于强跟踪滤波的高阶扩展卡尔曼滤波器设计方法
CN115099599B (zh) * 2022-06-17 2024-04-30 东南大学 一种面向公交信号优先控制的测试评价方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110307841B (zh) * 2019-06-14 2023-02-03 南京工程学院 一种基于信息量测不完全的车辆运动参数估计方法
CN110532636B (zh) * 2019-08-05 2023-03-28 东南大学 一种面向多场景的智能驾驶自主车道保持性能检测方法
CN110987463B (zh) * 2019-11-08 2020-12-01 东南大学 面向多场景的智能驾驶自主车道变换性能测试方法

Also Published As

Publication number Publication date
CN112101709A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112101709B (zh) 用于商用车辆自动紧急制动系统的全面准确的测评方法
US11648946B2 (en) Intelligent vehicle platoon lane change performance evaluation method
CN108482379B (zh) 轮毂电机驱动车辆路面附着系数及路面坡度同步实时估算系统及方法
Rajamani et al. Tire-road friction-coefficient estimation
CN112622886B (zh) 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
CN112580148B (zh) 基于深度强化学习的重型营运车辆防侧翻驾驶决策方法
US20090177346A1 (en) Dynamic estimation of vehicle inertial parameters and tire forces from tire sensors
EP2755867A1 (de) Sensorsystem umfassend ein fusionsfilter zur gemeinsamen signalverarbeitung
DE102014103843A1 (de) Verfahren und Vorrichtung zur Reibwertermittlung in einem Fahrzeug
CN106004873A (zh) 一种基于v2x车联网的汽车弯道避撞与稳定性系统协调控制方法
CN112046487A (zh) 基于车辆行驶状态的路面坡度估算方法及系统
CN113753034B (zh) 一种考虑路面附着条件的大型营运车辆防碰撞决策方法
CN112884288B (zh) 一种高速公路雨雾场景行车安全评估系统
Pi et al. Design and evaluation of sideslip angle observer for vehicle stability control
Bouteldja et al. Jackknifing warning for articulated vehicles based on a detection and prediction system
ŽurAulis et al. The opportunities for establishing the critical speed of the vehicle on research in its lateral dynamics
CN114379540A (zh) 考虑前方障碍物影响的大型营运车辆防侧翻驾驶决策方法
Doumiati et al. An estimation process for vehicle wheel-ground contact normal forces
CN108680364B (zh) 一种汽车侧翻评价指标及评价方法
DE102017209747A1 (de) Bestimmen einer Steigung einer Fahrbahn
CN112733325B (zh) 一种用于半挂汽车列车aebs的全面准确的测评方法
Chen et al. Comparative analysis of emergency evasive steering for long combination vehicles
Antonyan et al. The algorithm of diagnosing the development of a skid when driving a two-axle vehicle
CN115809590A (zh) 一种对车辆主要动力学参数的估计方法
CN113771864B (zh) 一种基于人工智能的新能源车辆侧翻预警方法

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