具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本公开可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本公开,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
在本公开中,“模块”、“装置”、“系统”等指应用于计算机的相关实体,如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说,例如,元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有,运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中,并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间,并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号,例如,来自一个与本地系统、分布式系统中另一元件交互的,和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”,不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
图1为本公开的车辆防撞预警方法的一实施例的流程图。如图1所示,本公开的实施例提供一种车辆防撞预警方法,应用于车载计算机设备,所述方法包括:
S10、至少基于自身车辆的卫星伪距测量数据和外部对象的卫星伪距测量数据确定所述自身车辆与所述外部对象之间的相对位置向量和相对位置向量的变化率。
示例性地,所述自身车辆的卫星伪距测量数据通过所述自身车辆所配置的第一卫星观测量接收器获得;所述外部对象的卫星伪距测量数据通过所述外部终端所配置的第二卫星观测量接收器获得。第一卫星观测量接收器和第二卫星观测量接收器可以为GNSS接收器,或者北斗定位信息接收器等,本公开对此不作限定。
S20、基于所述相对位置向量和相对位置向量的变化率,确定用于表征所述自身车辆与所述外部对象之间的相对距离的第一参数、表征所述自身车辆与所述外部对象之间的相对运动速度和/或相对运动方向的第二参数。
S30、从外部终端获取用于表征外部对象的运动状态改变趋势的第三参数;示例性地,外部对象为外部行人,所述外部终端为所述外部行人所携带的便携式终端设备或者所述外部行人所在的其它车辆的车载计算机设备。
示例性地,所述车载计算机设备与所述外部终端之间通过移动通信网络进行通信;或者所述车载计算机设备与所述外部终端均配置有DSRC芯片,所述车载计算机设备与所述外部终端之间通过所配置的DSRC芯片进行通信。
S40、基于所述第一至第三参数,按照预定规则,确定碰撞风险指数;其中,所述预定规则为:所述第一参数越小,相对距离越短、碰撞风险指数越高;所述第二参数越大,相对运动速度越高或相对运动方向的角度越小、碰撞风险指数越高;所述第三参数越大,外部对象的运动状态改变的确信度越高、碰撞风险越高。
S50、根据所述碰撞风险指数的大小确定是否进行防撞预警。
本公开实施例中基于通信实现了车辆自身和外部对象观测到的导航卫星伪距值的数据融合,针对车辆避撞的应用变绝对定位为相对定位,无需在各个终端独立计算绝对坐标,避免了单一GNSS接收器计算坐标时受到的诸多干扰,提高了定位精度,从而使得防撞预警更加准确。
图2为本公开的车辆防撞预警方法的另一实施例的流程图。如图2所示,在一些实施例中,所述至少基于自身车辆的卫星伪距测量数据和外部对象的卫星伪距测量数据确定所述自身车辆与所述外部对象之间的相对位置向量包括:
S11、对所述自身车辆的卫星伪距测量数据和所述外部对象的卫星伪距测量数据进行积分插值处理,得到满足预设更新频率的新的自身车辆的卫星伪距测量数据和新的外部对象的卫星伪距测量数据;
S12、对所述新的自身车辆的卫星伪距测量数据和新的外部对象的卫星伪距测量数据进行时间同步处理;
S13、对同步数据之后得到的数据进行动态差分处理以确定所述自身车辆与所述外部对象之间的相对位置向量。
本公开实施例中通过观测到的导航卫星伪距值的基于通信的数据融合,不仅提高了定位分辨率,同时通过使用差分技术提高了相对定位精度使之满足避撞应用的需求。
在一些实施例中,车辆防撞预警方法还包括:所述车载计算机设备采用车辆动力学模型和车辆端所采集的高精度惯导信息确定所述车辆的位移向量,用于持续更新所述相对位置向量。
车辆的位移向量此处有两处作用,一是计算基准向量bkm的变化率,二是在卫星信号中断或视野内卫星数目不足无法列出足够求解的方程时直接用车辆在惯性系原点的初始基准向量减去位移向量维持对基准向量的持续估计。
在一些实施例中,车辆防撞预警方法还包括:所述车载计算机设备根据所获取的外部对象的卫星伪距测量数据和自身车辆的卫星伪距测量数据对所述相对位置向量进行误差修正。
由于车端位移计算是从变化率积分而成,随时间推移误差会持续扩大,因此使用外部观测值在一定时间间隔后加以校正有助于提高位移向量的估计精度。此处可以使用卫星伪距测量值的变化量来作为外部观测约束,具体的约束方程是位移向量在卫星方向上的投影应等于相应时间的伪距变化量。
以此法估计基准向量的另一误差源是行人端的运动,典型的行人移动距离通常不超过1.5m/s,当积分时间长于1秒时行人端静止的假设会带来米级的误差,因此对于积分所得的基准向量还需使用伪距双差和单差进一步校正误差。
在一些实施例中,一种车载计算机设备,其包括:至少一个处理器;以及与所述至少一个处理器可通信地连接的存储器,所述存储器用于存储所述至少一个处理器可执行的指令,其中,所述至少一个处理器执行所述指令使得所述至少一个处理器执行以下操作:
至少基于自身车辆的卫星伪距测量数据和外部对象的卫星伪距测量数据确定所述自身车辆与所述外部对象之间的相对位置向量和相对位置向量的变化率。
基于所述相对位置向量和相对位置向量的变化率,确定用于表征所述自身车辆与所述外部对象之间的相对距离的第一参数、表征所述自身车辆与所述外部对象之间的相对运动速度和相对运动方向的第二参数;
从所述外部对象携带的外部终端获取用于表征外部对象的运动状态改变迹象的第三参数。
基于所述第一至第三参数,按照预定规则,确定碰撞风险指数,其中,所述预定规则为:所述第一参数越小,相对距离越短、碰撞风险指数越高;所述第二参数越大,相对运动速度越高或相对运动方向的角度越小、碰撞风险指数越高;所述第三参数越大,外部对象的运动状态改变的确信度越高、碰撞风险越高;
根据所述碰撞风险指数的大小确定是否告警。
示例性地,所述自身车辆的卫星伪距测量数据通过所述自身车辆所配置的第一卫星观测量接收器获得;所述外部对象的卫星伪距测量数据通过所述外部终端所配置的第二卫星观测量接收器获得。
示例性地,所述外部对象为外部行人,所述外部终端为所述外部行人所携带的便携式终端设备或者所述外部行人所在的其它车辆的车载计算机设备。
示例性地,所述车载计算机设备配置有支持蜂窝移动通信网络或DSRC的芯片。这样,所述车载计算机设备与所述外部终端之间通过移动通信网络进行通信。如果外部终端也配置有DSRC芯片,所述车载计算机设备与所述外部终端通过各自的DSRC芯片进行通信。
在一些实施例中,所述车载计算机设备配置为:
对所述自身车辆的卫星伪距测量数据和所述外部对象的卫星伪距测量数据进行积分插值处理,得到满足预设更新频率的新的自身车辆的卫星伪距测量数据和新的外部对象的卫星伪距测量数据;
对所述新的自身车辆的卫星伪距测量数据和新的外部对象的卫星伪距测量数据进行时间同步处理;
对同步数据之后得到的数据进行动态差分处理以确定所述自身车辆与所述外部对象之间的相对位置向量。
在一些实施例中,所述车载计算机设备还配置为:采用车辆动力学模型和车辆端所采集的高精度惯导信息确定所述车辆的位移向量,用于持续更新所述相对位置向量。
车辆的位移向量此处有两处作用,一是计算基准向量bkm的变化率,二是在卫星信号中断或视野内卫星数目不足无法列出足够求解的方程时直接用车辆在惯性系原点的初始基准向量减去位移向量维持对基准向量的持续估计。
在一些实施例中,所述车载计算机设备还配置为:根据所获取的外部对象的卫星伪距测量数据和自身车辆的卫星伪距测量数据对所述相对位置向量进行误差修正。
由于车端位移计算是从变化率积分而成,随时间推移误差会持续扩大,因此使用外部观测值在一定时间间隔后加以校正有助于提高位移向量的估计精度。此处可以使用卫星伪距测量值的变化量来作为外部观测约束,具体的约束方程是位移向量在卫星方向上的投影应等于相应时间的伪距变化量。
以此法估计基准向量的另一误差源是行人端的运动,典型的行人移动距离通常不超过1.5m/s,当积分时间长于1秒时行人端静止的假设会带来米级的误差,因此对于积分所得的基准向量还需使用伪距双差和单差进一步校正误差。
在一些实施例中,本公开提供一种车辆防撞预警系统,包括:车载计算机设备和外部终端。
所述外部终端包括配置为获得外部对象的卫星伪距测量数据的
卫星观测量接收器以及配置为将运动状态信息发送至车载计算机设备的发送器。
所述车载计算机设备具有至少一个处理器,与所述至少一个处理器可通信地连接的存储器,所述存储器用于存储所述至少一个处理器可执行的指令,其中,所述至少一个处理器执行所述指令使得所述至少一个处理器执行以下操作:
至少基于自身车辆的卫星伪距测量数据和所述外部对象的卫星伪距测量数据确定所述自身车辆与所述外部对象之间的相对位置向量和相对位置向量的变化率;
基于所述相对位置向量和相对位置向量的变化率,确定用于表征所述自身车辆与所述外部对象之间的相对距离的第一参数、表征所述自身车辆与所述外部对象之间的相对运动速度和相对运动方向的第二参数;
从外部终端的发送器获取用于表征外部对象的运动状态改变迹象的第三参数;
基于所述第一至第三参数,按照预定规则,确定碰撞风险指数,其中,所述预定规则为:所述第一参数越小,碰撞风险越高;所述第二参数越大,碰撞风险越高;所述第三参数越大,碰撞风险越高;
根据所述碰撞风险指数的大小确定是否告警。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作合并,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在一些实施例中,本公开实施例提供一种非易失性计算机可读存储介质,所述存储介质中存储有一个或多个包括执行指令的程序,所述执行指令能够被电子设备(包括但不限于计算机,服务器,或者网络设备等)读取并执行,以用于执行本公开上述任一项车辆防撞预警方法。
在一些实施例中,本公开实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述任一项车辆防撞预警方法。
在一些实施例中,本公开实施例还提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行车辆防撞预警方法。
在一些实施例中,本公开实施例还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时,使得所述处理器执行根据本公开所述的任一车辆防撞预警方法。
在一些实施例还提供一种行人定位检测方法,关键创新点在于从全球导航卫星系统(Global Navigation Satellite System,GNSS)的原始数据层面进行数据融合而不是直接使用终端GNSS接收器生成的定位数据。这是因为每个终端接收器的定位结果是根据其卫星伪距测量数据单独计算的,由于环境中障碍物反射卫星信号造成的多径效应和地球大气层对信号传输的延迟效应,单独的GNSS接收器计算生成的位置坐标通常具有米级以上的定位误差,这样的精度对于车辆和行人交互避撞的应用场景来说是不够的。
通过基于行人手持智能设备的人车(Pedestrian to Vehicle,P2V)通信,部署在车辆和行人端的GNSS接收器可以共享其原始伪距测量信息从而通过动态差分技术消除伪距误差并提高定位精度。本方法的关键发明点在于变行人绝对定位为相对定位。常规的GNSS卫星导航定位都是一种在全球坐标系内的绝对定位,以往的车辆与行人(Vehicle toPedestrian,V2P)通信技术的思路也是将车辆和行人的位置都统一放在全球坐标系里来考虑。本方法的思路在于,从行车安全避撞的角度看,车辆只需要知道行人相对于本车的位置和移动方向,绝对位置坐标并不是必需的。而相对位置可以在车端行人端数据融合的基础上计算的更加精确从而显著提高行人检测定位精度。
本方法包括以下六个步骤:1)在车端装载具有通信能力的信息采集处理设备,同时行人端携带的智能设备需具有基本的GNSS定位和通信联网能力,车端设备需包括双天线GNSS接收器和高精度惯性导航装置,也可包括摄像头等光学传感器。同时车端设备需具有一定规模的运算处理能力;2)通过车载传感器采集车辆与卫星的伪距信息,车辆速度和位姿信息以及即时高频惯导信息,如有摄像头同时也应包含图像信息;3)通过网络接收周边行人手持设备信息,包括但不限于GNSS伪距原始数据和其他一些通过行人手持设备预处理的信息;4)在车端计算设备上由专门的时间同步模块对来自远端和车端的测量数据进行同步;5)对同步后的数据运用动态差分技术进行整合计算行人和车辆的相对位置以及相对位置的变化率;6)根据当前车辆与周边行人的相对位置和变化率计算当前车辆与行人的碰撞风险,指导车辆控制系统发出预警或作出干预。
1)首先本方法所依托系统的架构是基于通信分布在多个终端的,如图3所示,本方法所搭建的人车通信(Pedestrian to Vehicle,P2V)系统以车载计算单元为核心,通过多种模态的通信单元接收包括行人端和云端的数据,同时用车载传感器采集自车当前状态数据和环境数据。计算单元里的时间同步模块和数据融合模块再对接收和采集到的数据进行进一步处理输出行人相对位置定位和变化率。车载传感器配置需包括双天线的GNSS接收器,高精度的惯性导航装置,CAN总线解析器(如PCAN和CAN2USB),并且可以包括单/双目摄像头以及激光雷达等光学传感器。而在行人端的智能设备仅要求具备最基础的GNSS全球导航功能和通信功能,以智能手机为例,行人端设备可通过蜂窝移动网络(如4G-LTE)将接收到的卫星导航数据上传云端,而搭载有DSRC芯片的手机更可以直接向车辆或路侧设备传递信息。以手机为代表的智能设备往往也同时具备一些的终端运算能力,可以对行人端采集的数据进行一定程度的预处理。但由于大多数手持设备受电池容量限制,存在卫星信号接收频率低,信息传递频率低的问题
2)本方法所计算的行人定位均是相对于自车位置的定位,因此对于自车状态的感知需要非常精确。首先是在时间分辨率上的精确,对于与行人交互最多的城市用车场景来说,车速最高可以达到20m/s以上,根据避撞预测的亚米级定位精度要求,车辆自身状态的更新频率需达到20Hz。CAN总线上对于自车运动状态的刷新频率可以满足这个要求,故而可以通过CAN解析器获取高频的车辆速度信息,摄像头刷新频率也可以轻易达到30Hz以上,所以高频的图像信息也可以即时获取。此处的难点在于如何获取高频的基于卫星信号观测的信息,包括卫星伪距测量信息和车辆航向信息。因为主流车载GNSS接收器对于卫星信号的跟踪解译只能达到5Hz,为了提高更新频率本方法使用了高精度惯导进行积分插值。
2a.对于卫星伪距测量值的积分插值方法:
图4显示了对伪距测量信息进行插值的基本原理,简单来说,由于卫星与天线的距离很长,从天线M指向卫星N的向量
的方向当两个端点M和N在小范围内变动时可以视作不变。如此卫星伪距测量值在一个时间增量Δt后的变动量可以通过两个端点各自的移动向量在
方向上的投影算得。
具体的实施方法可以是首先在车端计算单元以一定的频率(一般1Hz即可保证很好的精度)更新车辆相对于每一个可见的导航卫星的方向向量,此时计算方向向量可以使用单个GNSS接收器算出的绝对坐标。之后在车端M端使用车辆的动力学模型结合高精度惯导计算出Δt内车辆的移动向量
在卫星端使用实时星历计算卫星的移动向量
2b.对于车辆航向角的连续估计方法:
车辆航向角的估计包括了对其自身位姿的估计和当前速度矢量的估计。车辆自身位姿提供了进行积分插值的本地坐标系相对于全球坐标系的旋转矩阵R。而速度矢量的估计提供了在本地坐标系原点的初始速度分量Vη和Vε。车辆的当前速度方向由于受横向运动影响并不总是与车身纵向位姿一致,尤其是在过弯道的情况下车辆的当前速度方向是连续变化的。因此对当前速度方向的估计需要用到时序定位差分,在定位频率偏低的情况下为了获得高频的当前速度方向角数据可以使用高精度惯导加速度计积分测量车身的横向速度,再用横向速度的分量与纵向速度分量的比值计算车辆速度相对于纵轴的偏离角。而车辆纵轴的方向可以通过带有双GNSS天线的高精度磁力计获得。
3)车端的通信设备需要接受来自云端或行人端的行人数据。这种通讯设备可以是车联网专用的DSRC设备或者也可以是蜂窝移动网络设备(如4G)。DSRC具有较成熟的规范,设备商用化更为成熟,但使用场景需要有路侧设备或行人端DSRC芯片智能设备的支持。而移动蜂窝网络则存在时延和可靠性上的局限,但受益于其普及性具有更宽的覆盖面。本方法可以包括任意一种通信模态,行人端传输的数据内容包括带有时间戳的卫星伪距测量值,也可以包括行人运动朝向、速度,接收器钟差等额外的信息。对于额外信息的获取频率和种类取决于行人端智能设备的计算能力和电池状态。本方法目前开发了一种基于智能手机微电子机械系统惯导(Micro-electromechanical Systems Inertial MeasurementUnits,MEMS IMU)的行人运动朝向和运动速度估计方法。该方法要求用户首先设置其常用的行走时手机携带方式并记录样本数据,例如某人在行走时常用携带手机的方式有四种:置于外裤侧兜;置于外裤后兜;置于耳旁的打电话位置(通话模式);平置于前的发短信位置(短信模式)。那么该方法需要用户分别演示这四种携带方式,记录下各种方式下的IMU信号和相应的速度(可由全球导航算得)。在实际使用中手机MEMS IMU会收集数据并基于用户样本数据对当前手机携带方式进行识别,在识别完成后可进一步进行用户步行速度估计。行人运动朝向信息主要由手机GNSS时序定位差分提供,受限于定位频率无法实时反应行人朝向的改变,本方法利用了MEMS IMU中陀螺仪的周期性信号中断来反应行人状态的改变,该状态的改变包括朝向的改变也可能包括手机携带方式的改变,如电话结束手机重新置入兜中,这种情况可以根据手机操作系统的事件管理器加以排除。
4)车载计算单元的时间同步模块负责对通信模块接收到的外部信息和自车传感器采集到的车辆内部/周边信息进行同步以供数据融合模块使用。时间同步参照的选择可以是某一GNSS系统的标准时间如GPS标准时间,也可以是计算单元操作系统的时间。时间同步的原则是以车端采集的卫星伪距测量值的时间戳为刻度,将其余信息源离此刻度最近的数据同步到此刻度。在一个包含自车和两个行人的实施例中,车端卫星伪距信息经过步骤2的插值更新率达到20Hz,时间刻度间距为50ms。行人端手机采集伪距的频率为1Hz,蜂窝移动网络信息传递的延迟从几十毫秒到几百毫秒不等。如图5所示,在每一个50ms刻度,对于不同的信息源,取时间戳距离最近的数据向前同步到当前刻度。对于行人端卫星伪距测量值,其同步方法类似于步骤2a中的积分插值,用卫星星历计算卫星端移动向量,并视行人端固定无移动(因向前同步时间通常小于1s,行人移动距离可忽略不计)。行人端GNSS设备在初始化完成后可以自校正相对于标准时间的钟差,但由于信号中断或初始化未完成等因素行人端的信息可能并不包括钟差信息,在这种情况下可以统一使用接收到的卫星信号发送时间来做同步参照。
5)完成时间同步以后计算单元的数据融合模块开始进行动态差分计算车辆和行人间的相对位置向量
(见图6)和相对位置的变化率
具体方法流程如下:首先计算车辆K和行人M之间相对于同一卫星P的伪距差
然后对K,M端两个接收器同时观测到的卫星P,Q进一步计算伪距双差
如图6所示,卫星方向向量在小范围内趋同,原理与步骤二的伪距积分插值相同。因此两个终端接收器对同一卫星的观测向量可视为平行,方向向量记为e
p,连接两终端的基准向量记为b
km,根据图6可知伪距差等于基准向量在方向向量上的投影,故有:
对于N个共同观测卫星,一共可以列出(N(N-1))/2个伪距双差方程,写成矩阵形式即为:
通过一些经典的矩阵方程解法如最小二乘法,可以算出表示车辆和行人相对位置的基准向量bkm。
基准向量bkm的变化率可以直接由时序差分法计算,也可以在自车非低速移动时通过视行人位置不变计算车端运动量来推算。第一种方法是对算得的连接车和人之间的基准向量在时序上做向量减法获得时序步长中的移动矢量除以步长得到的变化率。因为基准向量的解算频率较低(5Hz),这个方法算出来的变化率有一定时延。第二种方法直接用车端高精度惯导测量的车辆速度矢量推算该变化率,提高了时序上的更新频率,缺点是没有考虑人的移动,而且误差会随时间扩大。所以我们用第一种方法算得的一个步长的移动矢量来校正由积分得到的车辆速度算得的变化率。此处校正使用的还是卡尔曼滤波,但可以视为对于差分得到的变化率和积分得到的变化率的一个加权平均。
第二种方法也可以作为一种容错机制,在卫星信号中断或受到干扰时持续输出变化率。此处车端运动量的计算使用了车辆动力学模型和高精度惯导,以汽车三自由度车辆模型为例,如图7所示,车辆状态空间模型包括五个状态,车辆纵轴和横轴的速度分量Vη、Vε,车辆在惯性坐标系里的坐标x、y,以及车辆纵轴相对于惯性坐标系的旋转角度θ(车身纵轴相对于初始方向的旋转角度)。惯性坐标系可设定为车辆在某一时刻的车身坐标系,且此时刻的车身横纵轴朝向需相对于导航系统全球坐标系已知。车身横纵轴朝向的估计可以使用磁力计、时序位置差分、双天线GNSS接收器或三者的有机结合。最快速的途径是使用磁力计估计车身位姿旋转矩阵R,然后使用双天线GPS提高其精度。确立坐标系后,车辆运动的状态空间方程建立如下:
其中,x1=Vε,x2=Vη,x3=x,x4=y,x5=θ,aε和aη分别是沿车身横纵轴的加速度,ω是车身的横摆角速度。这三个量都可以用高精度惯导测得故而在本方法中视为状态空间方程的时变系数放在方程的右侧。经过积分得到车辆在二维惯性坐标系中的位置(x,y)后,利用之前估计的旋转矩阵R可以反算出车辆位移向量(x,y,0)在全球ECEF坐标系中的表达式(bvx,bvy,bvz)
车辆位移向量此处有两处作用,一是计算基准向量bkm的变化率,二是在卫星信号中断或视野内卫星数目不足无法列出足够求解的方程时直接用车辆在惯性系原点的初始基准向量减去位移向量维持对基准向量的持续估计。
由于车端位移计算是从变化率积分而成,随时间推移误差会持续扩大,因此使用外部观测值在一定时间间隔后加以校正有助于提高位移向量的估计精度。此处可以使用卫星伪距测量值的变化量来作为外部观测约束,具体的约束方程是位移向量在卫星方向上的投影应等于相应时间的伪距变化量。
以此法估计基准向量的另一误差源是行人端的运动,典型的行人移动距离通常不超过1.5m/s,当积分时间长于1秒时行人端静止的假设会带来米级的误差,因此对于积分所得的基准向量还需使用伪距双差和单差进一步校正误差。
当同时对以上两种情况进行误差校正时,可以扩展状态空间方程为:
其中,x1=Vε,x2=Vη,x3=bx,x4=by,x5=bz,x6=bvx,x7=bvy,x8=bvz,x9=θ
(bvx,bvy,bvz)是车端辆位移向量,(bx,by,bz)是车辆行人之间的基准向量bkm,之后的误差校正观测方程可以建立如下:
其中,v是误差和噪音向量,其协方差取值取决于每个卫星信号的质量和卫星所处的方位。
此实施例中假设车端和行人端同时观测到的卫星只有两个,如只有一个共同观测卫星,需去掉方程组第一个双差方程,如没有共同观测卫星,方程组前三个方程均不成立,方程组将仅计算车端运动误差。
6)区别于其他方法,本方法的碰撞预警模块不是基于轨迹预测,而是基于模糊逻辑的推断。这是由于行人轨迹难以准确预测,而且采用低成本行人端设备如智能手机无法给出准确高频的行人定位。图8是本方法所使用的模糊逻辑碰撞预警器的示意图,输入量包括:
X1,当前基准向量的模长||bkm||,表示车与行人的距离,距离越小风险越大;
X2,模长归一化的基准向量和其变化率的内积
该输入量表征了车辆和行人相对运动的速度和相对运动的方向。当该输入量值增大时表明相对运动速度增大或变化率向量和基准向量间的角度变小,两种情况都预示着碰撞风险的增加;
X3,第三个输入量是一个0到1之间的取值表明对当前行人运动状态改变的确信度,1表示十分肯定当前状态改变,0表示十分确定没有改变。
而预警器的输出则是碰撞风险程度,其取值可进一步和自动刹车系统关联。
如图8所示,模糊逻辑碰撞预警器包括顺序连接的模糊成员函数层,第一线性连接层和第二线性连接层。其中,
模糊成员函数层包括分别对应于三个输入量X1、X2、X3的第一模糊成员函数、第二模糊成员函数和第三模糊成员函数。如图9-11分别对应示出了第一至第三模糊成员函数。
第一线性连接层参数可按如下取值:
R1=0.2A1+0.5A2+0.7A3+0.8B1+0.4B2+0.1B3+0.7C1+0.4C2+0.2C3
R2=0.3A1+0.8A2+0.3A3+0.2B1+0.7B2+0.2B3+0.9C1+0.5C2+0.1C3
R3=0.9A1+0.4A2+0.1A3+0.1B1+0.4B2+0.9B3+0.5C1+0.7C2+0.9C3
第二线性连接层参数取值示例如下:
R=0.1R1+0.3R2+0.6R3
在以上这种参数设置下,当X1=100m,X2=20m/s,X3=0.7时,A1=0,A2=0,A3=0.6555;B1=0,B2=0,B3=0.4367;C1=0,C2=0,C3=0.4531;
R1=0.59314,R2=0.3293,R3=0.8664;R=0.678就是最终算出的碰撞风险指数。
此处线性连接层的各权重系数以及模糊成员函数(Membership function)的构造都只是一个示例。最佳实践是用行车事故模拟器生成的数据进行训练寻找最符合的参数。
此处对行人运动状态是否改变的主要估计方法是对行人端智能设备如智能手机里MEMS加速度计和陀螺仪的信号进行实时监控。如第三小节所述,行人事先采集有数据样本,在正常行走的状态下的惯导信号展现出周期性,而行走状态改变时周期性会暂时被打断。此处监控周期性模式的方法和第三小节中行走模式识别的方法类似,具体实施中可以视MEMS惯导采样过程选择单线程处理或多线程处理。如采样频率很高,可对三轴加速度计和三轴陀螺仪采集到的六维数据通过六个并行的程序进行多线程监控,监控程序采用滑动窗口法(Sliding Window Method),每0.1秒(10Hz)或0.2秒(5Hz)对从当前时刻往前一个周期提取的信号片断进行一次分析,以量化实时信号与样本信号之间的相似度,相似度越小状态改变的可能性越大。这里我们设计了一种高效的相似度检测的算法,通过将离散的时域信号线段化实现数据降维。该方法首先对时域信号进行分段,分成K段后对每一段内的信号值进行直线拟合,拟合后的线段表征为二元数组(线段中值zk,线段斜率bk)作为该段信号的特征。这时由于周期性的存在,需要计算K个相似度值,即:
[(z1,b1),(z2,b2),...(zK,bK)][(z2,b2),(z3,b3),...(z1,b1)]...[zK,bK),(z1,b1),...(zK-1,bK-1)]和样本数据的匹配度,最后取匹配度最大的值作为最终相似度。此处匹配度的计算由于数据已降维可以使用最简单的累计平方差方法(Sum of SquaredDifference,SSD)。
图12是本申请另一实施例提供的执行车辆防撞预警方法的电子设备的硬件结构示意图,如图12所示,该设备包括:
一个或多个处理器1210以及存储器1220,图12中以一个处理器1210为例。
执行车辆防撞预警方法的设备还可以包括:输入装置1230和输出装置1240。
处理器1210、存储器1220、输入装置1230和输出装置1240可以通过总线或者其他方式连接,图12中以通过总线连接为例。
存储器1220作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的车辆防撞预警方法对应的程序指令/模块。处理器1210通过运行存储在存储器1220中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例车辆防撞预警方法。
存储器1220可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据车辆防撞预警装置的使用所创建的数据等。此外,存储器1220可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器1220可选包括相对于处理器1210远程设置的存储器,这些远程存储器可以通过网络连接至车辆防撞预警装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置1230可接收输入的数字或字符信息,以及产生与车辆防撞预警装置的用户设置以及功能控制有关的信号。输出装置1240可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器1220中,当被所述一个或者多个处理器1210执行时,执行上述任意方法实施例中的车辆防撞预警方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
本申请实施例的电子设备以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。