CN112629883A - 一种智能车辆队列行驶性能的测试评价方法 - Google Patents

一种智能车辆队列行驶性能的测试评价方法 Download PDF

Info

Publication number
CN112629883A
CN112629883A CN202011577680.5A CN202011577680A CN112629883A CN 112629883 A CN112629883 A CN 112629883A CN 202011577680 A CN202011577680 A CN 202011577680A CN 112629883 A CN112629883 A CN 112629883A
Authority
CN
China
Prior art keywords
queue
vehicle
time
north
formula
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
CN202011577680.5A
Other languages
English (en)
Other versions
CN112629883B (zh
Inventor
李旭
王培宇
徐启敏
祝雪芬
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 CN202011577680.5A priority Critical patent/CN112629883B/zh
Publication of CN112629883A publication Critical patent/CN112629883A/zh
Application granted granted Critical
Publication of CN112629883B publication Critical patent/CN112629883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Abstract

本发明提出了一种智能车辆队列行驶性能的测试评价方法。首先，综合现有标准及大型货车队列行驶的特点，构建了智能车辆的队列行驶性能测试场景。其次，利用改进的无迹卡尔曼滤波算法，准确推算出队列行驶中各车的关键性运动学参数。最后，量化并输出了智能车辆队列行驶的性能指标：千米通过时间、队列一致性和车距稳定性，从而实现智能车辆队列行驶的科学定量评价。

Description

一种智能车辆队列行驶性能的测试评价方法
技术领域
本发明属于智能驾驶汽车道路试验与测试技术领域，尤其涉及一种智能车辆队列行驶性能的测试评价方法。
背景技术
随着车辆保有量的不断增加，高速公路行驶车辆增多，各车需保持安全的车间距以保证行车安全，使得高速公路的通行能力易达到饱和，通行效率提升困难。而即队列行驶因组队车辆的行驶路线一致，可缩短车辆间距，有效提高了行车效率。同时，研究显示，队列行驶有助于降低燃料消耗，减少二氧化碳排放。鉴于此，队列行驶的研究受到了国内外的广泛关注。其中，由于大型货车的特殊性(道路运输主力、油耗高)，队列行驶的研究更集中于大型货车的队列行驶。
随着大型货车队列行驶研究的不断深入，应用落地的需求迫切需要人们研究测评技术，并形成完整的测评体系。然而，目前国内外缺乏明确统一的针对智能车辆(大型货车)队列行驶的集成测评技术与测试标准规范。根据大型货车队列行驶的过程(两台或两台以上的大型货车保持固定的间距行驶，第一辆车作为领航车辆，设置好路线和车速，后面的车自动跟随前车，所有车辆能够同步领航车的动作，进行同样的加速或减速操作)，其测试评价方法应具有以下特点：1.构建符合大型货车队列行驶的特殊场景；2.获得队列中各车精确的运动学参数，包括位置、速度和加速度；3.科学全面评价大型货车队列行驶整个过程并量化指标。
发明内容
本发明提出了一种智能车辆(大型货车)队列行驶性能的测试评价方法。首先，综合现有标准及大型货车队列行驶的特点，构建了智能车辆(大型货车)的队列行驶性能测试场景。其次，利用改进的无迹卡尔曼滤波算法，准确推算出队列行驶中各车的关键性运动学参数。最后，量化并输出了智能车辆(大型货车)队列行驶的性能指标：千米通过时间、队列一致性和车距稳定性，从而实现智能车辆队列行驶的科学定量评价。具体步骤如下：
步骤一：构建面向智能车辆(大型货车)的队列行驶性能测试场景
首先，根据《智能网联汽车自动驾驶功能测试规程(试行)》的要求，智能网联车辆的测试场景应有以下通用规则：
(1)测试道路选取平坦、干燥的沥青或混凝土路面，单车道宽度为3.5～3.75m；
(2)测试环境良好，无降雨、降雪、冰雹等恶劣天气，水平能见度不低于500m；
(3)联网通信功能测试应在电磁环境不会对测试结果产生明显影响的条件下进行；
(4)测试场景交通标志、标线清晰可见，且符合GB5738-2017《道路交通标志和标线》要求。
其次，本发明针对智能大型货车的队列行驶测试过程的特殊性(车型大、过程久、危险性大等)，对测试场景提出了进一步的要求：测试道路曲率半径不小于650m，总长度不少于1000m。目前大型货车队列行驶的落地应用主要针对高速公路，而高速公路在平原和丘陵地带弯道的最小平曲线半径为650米，同时千米以上的道路总长度可以更有效地评估大型货车队列行驶的整个过程，也进一步保障了大型货车队列行驶测试过程的安全性。
步骤二：基于无迹卡尔曼滤波的车辆运动状态估计
子步骤1：建立队列行驶数学模型
(1)建立系统状态方程
智能车辆(大型货车)在队列行驶过程中，可以近似认为是在二维平面内运动，且可分解为东西方向的运动和南北方向的运动，为了获取队列行驶过程中每一辆车的位置、速度及加速度，选取状态变量X＝[xi,vix,aix,εix,yi,viy,aiy,εiy]T，本发明中，下标中i表示该车在队列的顺序，i＝1,2...n，i＝1表示头车，i＝n表示尾车，n取队列车辆总数，上标T表示矩阵的转置操作；式中，xi,vix,aix分别表示该车东向位置、速度、加速度分量，yi,viy,aiy分别表示该车北向位置、速度、加速度分量，εix,εiy分别表示东向位置误差和北向位置误差。
车辆运动模型取为机动载体的“当前”统计模型，系统的状态方程可定为
Figure BDA0002863825100000031
式中，A为系统状态转移矩阵，U(t)表示统外部输入向量，W(t)表示零均值的系统高斯白噪声向量，且：
Figure BDA0002863825100000032
Figure BDA0002863825100000033
Figure BDA0002863825100000034
式中，τaix,τaiy分别为该车东向北向加速度变化率的相关时间常数；
Figure BDA0002863825100000035
分别为该车“当前”东向、北向加速度分量的均值；ωaix,ωix,ωaiy,ωiy分别为均值为0、方差为
Figure BDA0002863825100000036
的高斯白噪声。这里实质上是将GPS定位结果中总的位置误差视为有色噪声扩充为状态变量。
设采样周期为T，将式(1)离散化后得到离散化方程：
Xk＝f(Xk-1,Uk-1,Wk-1)＝Φk,k-1Xk-1+Uk-1+Wk-1 (2)
式中，Φk,k-1为系统状态变量转移矩阵，Uk为系统输入矩阵，Wk为系统过程噪声矩阵，且：
Figure BDA0002863825100000041
Figure BDA0002863825100000042
Figure BDA0002863825100000043
(2)建立系统观测方程
队列行驶中的各车都配备了厘米级高精度差分GPS接收机，将接收机输出的东向位置分量和北向位置分量xio,yio及东向速度分量北向速度分量vixo,viyo作为观测量，有xio＝xi+εix+wlix，yio＝yi+εiy+wliy，vixo＝vixo+wvix，viyo＝viyo+wviy，记Y＝[xio yio vixo viyo]T，则量测方程为
Yk＝h(Xk,Vk)＝HkXk+Vk (3)
其中Hk为观测转移矩阵，Vk测量噪声矩阵：且
Figure BDA0002863825100000051
Vk＝[wlix wliy wvix wviy]T，wlix,wliy,wvix,wviy分别为接收机东向位置、北向位置、东向速度、北向速度的观测噪声，其近似零均值为0、方差分别为
Figure BDA0002863825100000052
的高斯白噪声。
子步骤2：设计滤波算法
(1)UKF滤波算法过程
a.状态初始化
估计值初始化：
Figure BDA0002863825100000053
方差初始化：
Figure BDA0002863825100000054
b.计算Sigma点
取k-1时刻9个Sigma点χk-1：
Figure BDA0002863825100000055
权值选取：
Figure BDA0002863825100000056
式中：尺度因素λ＝α2(8+Γ)-8，本发明中Γ取0，α为一很小正数，β在高斯分布下最优取2。
c.系统时间更新计算
利用系统状态方程的传播计算Sigma点，系统状态方程对Sigma点做非线性变换：
χk,k-1＝f(χk-1) (8)
然后计算计算函数映射后的均值和方差：
Figure BDA0002863825100000061
Figure BDA0002863825100000062
d.系统观测更新计算
利用观测方程对变换后的Sigma点集进行变换：
ηk,k-1＝h(χk-1) (11)
式(12)中，ηk,k-1表示观测方程对Sigma点集变换后的值，计算一部预测观测值：
Figure BDA0002863825100000063
式(13)中，
Figure BDA0002863825100000064
表示由k-1时刻递推的k时刻的一步预测观测值，再输出预测值协方差Pyy,k：
Figure BDA0002863825100000065
然后计算状态值与测量值的协方差Pxy,k：
Figure BDA0002863825100000066
e.滤波更新
计算无迹卡尔曼滤波增益矩阵Kk：
Kk＝[Pxy,k(Pyy,k)T]/Pyy,k (15)
计算更新后的估计误差方差阵Pk.k：
Figure BDA0002863825100000071
由于在智能车辆队列行驶过程中噪声协方差矩阵具有随机性和时变性，而在传统UKF滤波中，通过先验公式确定的噪声统计特性在整个过程中是不变的，故而当噪声协方差矩阵变化时，UKF滤波系统的精度和鲁棒性会产生影响。因此，本发明使用开窗估计法对噪声进行动态跟踪。
(1)系统误差协方差矩阵跟踪
由于“当前”统计模型系统误差在观测周期内为常量或围绕常量变化，可以采用固定窗口内取平均值对误差协方差矩阵进行拟合。通常情况下，开窗大小N的取值决定了估计的精度。N取越大，精度越高，但同时计算量也加大。本发明提出一种自适应方法来动态调整开窗大小，平衡滤波精度与算法计算速度：
Nk＝o(k)r(k)Nk-1+[1-r(k)]N0 (17)
式中：o(k)为k时刻系统的更新权值；N0为开始时刻设定开窗大小值；r(k)为分配系数，0≤r(k)≤1，由于在智能车辆队列行驶过程中，各车姿态较为稳定，因此分配系数r(k)取较小值，本发明取0.2。
Figure BDA0002863825100000072
式中：PDOP表示GPS接收机的定位精度，利用式(17)求出的Nk向上取整，当GPS信号较好时，可适当减小算法的开窗大小，减小算法计算量；当GPS信号较差时，开窗适当取大，提高滤波算法的精度。
a.观测噪声协方差矩阵跟踪
根据开窗估计法及新息序列的定义：
Vk＝Yk-Yk,k-1 (19)
利用Sigma点集，得到UKF算法中新息序列的协方差矩阵：
Figure BDA0002863825100000073
实时估计的协方差为：
Figure BDA0002863825100000081
式中：z0＝k-Nk+1。根据式(20)、式(21)求得观测噪声向量协方差矩阵Rk为：
Figure BDA0002863825100000082
由式(22)可以得到由当前观测新息以及之前的迭代新息对观测噪声进行协方差在线跟踪后得到的估计值。
b.过程噪声协方差矩阵跟踪
模型系统误差为Qk，残差为
Figure BDA0002863825100000083
在tk-j时刻：
Figure BDA0002863825100000084
由于“当前”统计模型在短时间内误差在微小范围内浮动，故满足
Figure BDA0002863825100000085
根据开窗估计原理，并由式(23)能得到的模型系统误差
Figure BDA0002863825100000086
的无偏估计：
Figure BDA0002863825100000087
将系统方程(2)带入式(24)，令Uk＝0，有：
Figure BDA0002863825100000088
状态向量预测值
Figure BDA0002863825100000089
的预测残差
Figure BDA00028638251000000810
协方差矩阵：
Figure BDA00028638251000000811
取
Figure BDA00028638251000000812
根据系统状态方程(2)以及式(23)、式(25)、式(27)得到：
Figure BDA00028638251000000813
可以利用上式求得状态方程过程噪声协方差矩阵
Figure BDA0002863825100000091
从而完成自适应UKF滤波，得到了大型货车队列行驶过程中的各车运动学参数，比传统UKF滤波精度更高，鲁棒性更强。
步骤三：量化智能车辆(大型货车)队列行驶性能的评价指标
现有的国家标准及测试法规中，队列行驶的评价指标仅仅局限于车距、车速限制(如相邻两车的距离不超过预设范围的±25％)，尚无明确、统一的智能车辆(大型货车)队列行驶性能评价指标。考虑到单一的评价指标难以涵盖测评过程的所有信息，无法较好的衡量队列行驶性能的优劣。因此，基于步骤二输出的队列过程中各车运动学参数，提出了多尺度的队列行驶性能评价指标：千米通过时间、队列一致性和车距稳定性，并对以上指标进行量化，对队列行驶性能进行多维度定量测评，从而构建了队列行驶性能评价指标体系。指标定义如下：
(1)千米通过时间：队列保持当前速度和车间距离完全通过1000m所需时间；
(2)队列一致性：队列中所有车辆的水平加速度的离散程度；
(3)车距稳定性：在一段时间内的队列车间距离的变化程度；
根据上述指标的含义，基于步骤二输出的队列中每辆车的位置、速度等运动学参数，根据式(29)(30)(31)分别推算平均车间距离、千米通过时间、队列一致性和车距稳定性，具体地：
首先计算队列中平均车间距离：
Figure BDA0002863825100000092
其中，
Figure BDA0002863825100000093
表示平均车间距离，单位米；n为当前队列包含的车辆总数；xi，yi分别表示队列第i辆车的东向位置分量和北向位置分量，通过步骤二输出可得；l为队列中车辆的纵向长度，本发明中默认队列中车型一致。
将千米通过时间定义为：
Figure BDA0002863825100000094
其中，tKM表示千米通过时间，单位秒；n为当前队列包含的车辆总数；vix，viy分别表示队列中第i辆车的东向速度分量和北向速度分量，通过步骤二输出可得。
将队列一致性定义为：
Figure BDA0002863825100000101
其中，σa表示当前队列中车辆水平加速度的标准差；
Figure BDA0002863825100000102
表示队列车辆平均水平加速度；aix，aiy分别表示队列中第i辆车的东向加速度分量和北向加速度分量，通过步骤二输出可得。
将车距稳定性定义为
Figure BDA0002863825100000103
其中，
Figure BDA0002863825100000104
为一段时间内平均车间距离的标准差，表示车距稳定性；k表示在选取的这段时间内，共有k组数据；
Figure BDA0002863825100000105
和
Figure BDA0002863825100000106
分别表示这k组数据中第m组和j组数据的平均车间距离。
最后，本发明通过上述三个量化指标多尺度科学地评价大型货车队列行驶测试过程：千米通过时间的长短体现智能车辆队列在道路上的通行效率；通过求取水平加速度的标准差，可以分析出队列第一辆车运动状态变化时，其余车辆能否进行同步的加速减速运动，反映出队列行驶中整体车辆的一致性性能；车距稳定性表现出队列在一定时间段内总体的平稳程度。
有益效果
(1)本发明构建的智能车辆队列行驶性能测试评价方法，加快推动了大型货车队列行驶应用落地，进一步完善了队列行驶的测评体系；
(2)本发明利用改进的无迹卡尔曼滤波算法，准确推算出队列行驶中各车的关键性运动学参数；
(3)本发明量化并输出了智能车辆(大型货车)队列行驶的性能指标，实现了智能车辆队列行驶的科学定量评价。
附图说明
图1为智能车辆队列行驶性能测试评价方法的总体设计方案图。
图2为重载车辆队列行驶示意图。
图3为滤波算法流程图。
具体实施方式
随着车辆保有量的不断增加，高速公路行驶车辆增多，各车需保持安全的车间距以保证行车安全，使得高速公路的通行能力易达到饱和，通行效率提升困难。而即队列行驶因组队车辆的行驶路线一致，可缩短车辆间距，有效提高了行车效率。同时，研究显示，队列行驶有助于降低燃料消耗，减少二氧化碳排放。鉴于此，队列行驶的研究受到了国内外的广泛关注。其中，由于大型货车的特殊性(道路运输主力、油耗高)，队列行驶的研究更集中于大型货车的队列行驶。
随着大型货车队列行驶研究的不断深入，应用落地的需求迫切需要人们研究测评技术，并形成完整的测评体系。然而，目前国内外缺乏明确统一的针对智能车辆(大型货车)队列行驶的集成测评技术与测试标准规范。根据大型货车队列行驶的过程(两台或两台以上的大型货车保持固定的间距行驶，第一辆车作为领航车辆，设置好路线和车速，后面的车自动跟随前车，所有车辆能够同步领航车的动作，进行同样的加速或减速操作)，其测试评价方法应具有以下特点：1.构建符合大型货车队列行驶的特殊场景；2.获得队列中各车精确的运动学参数，包括位置、速度和加速度；3.科学全面评价大型货车队列行驶整个过程并量化指标。
因此，本发明提出了一种智能车辆(大型货车)队列行驶性能的测试评价方法。首先，综合现有标准及大型货车队列行驶的特点，构建了智能车辆(大型货车)的队列行驶性能测试场景。其次，利用改进的无迹卡尔曼滤波算法，准确推算出队列行驶中各车的关键性运动学参数。最后，量化并输出了智能车辆(大型货车)队列行驶的性能指标：千米通过时间、队列一致性和车距稳定性，从而实现智能车辆队列行驶的科学定量评价。本发明的技术路线如图1所示，具体步骤如下：
步骤一：构建面向智能车辆(大型货车)的队列行驶性能测试场景
首先，根据《智能网联汽车自动驾驶功能测试规程(试行)》的要求，智能网联车辆的测试场景应有以下通用规则：
(1)测试道路选取平坦、干燥的沥青或混凝土路面，单车道宽度为3.5～3.75m；
(2)测试环境良好，无降雨、降雪、冰雹等恶劣天气，水平能见度不低于500m；
(3)联网通信功能测试应在电磁环境不会对测试结果产生明显影响的条件下进行；
(4)测试场景交通标志、标线清晰可见，且符合GB5738-2017《道路交通标志和标线》要求。
其次，本发明针对智能大型货车的队列行驶测试过程的特殊性(车型大、过程久、危险性大等)，对测试场景提出了进一步的要求：测试道路曲率半径不小于650m，总长度不少于1000m。目前大型货车队列行驶的落地应用主要针对高速公路，而高速公路在平原和丘陵地带弯道的最小平曲线半径为650米，同时千米以上的道路总长度可以更有效地评估大型货车队列行驶的整个过程，也进一步保障了大型货车队列行驶测试过程的安全性。
步骤二：基于无迹卡尔曼滤波的车辆运动状态估计
子步骤1：建立队列行驶数学模型
(1)建立系统状态方程
智能车辆(大型货车)在队列行驶过程中，可以近似认为是在二维平面内运动，且可分解为东西方向的运动和南北方向的运动，为了获取队列行驶过程中每一辆车的位置、速度及加速度，选取状态变量
Figure BDA0002863825100000121
本发明中，下标中i表示该车在队列的顺序，i＝1,2...n，i＝1表示头车，i＝n表示尾车，n取队列车辆总数(如图2所示)，上标T表示矩阵的转置操作；式中，xi,vix,aix分别表示该车东向位置、速度、加速度分量，yi,viy,aiy分别表示该车北向位置、速度、加速度分量，εix,εiy分别表示东向位置误差和北向位置误差。
车辆运动模型取为机动载体的“当前”统计模型，系统的状态方程可定为
Figure BDA0002863825100000131
式中，A为系统状态转移矩阵，U(t)表示统外部输入向量，W(t)表示零均值的系统高斯白噪声向量，且：
Figure BDA0002863825100000132
Figure BDA0002863825100000133
Figure BDA0002863825100000134
式中，τaix,τaiy分别为该车东向北向加速度变化率的相关时间常数；
Figure BDA0002863825100000135
分别为该车“当前”东向、北向加速度分量的均值；ωaix,ωix,ωaiy,ωiy分别为均值为0、方差为
Figure BDA0002863825100000136
的高斯白噪声。这里实质上是将GPS定位结果中总的位置误差视为有色噪声扩充为状态变量。
设采样周期为T，将式(1)离散化后得到离散化方程：
Xk＝f(Xk-1,Uk-1,Wk-1)＝Φk,k-1Xk-1+Uk-1+Wk-1 (2)
式中，Φk,k-1为系统状态变量转移矩阵，Uk为系统输入矩阵，Wk为系统过程噪声矩阵，且：
Figure BDA0002863825100000141
Figure BDA0002863825100000142
Figure BDA0002863825100000143
(2)建立系统观测方程
队列行驶中的各车都配备了厘米级高精度差分GPS接收机，将接收机输出的东向位置分量和北向位置分量xio,yio及东向速度分量北向速度分量vixo,viyo作为观测量，有xio＝xi+εix+wlix，yio＝yi+εiy+wliy，vixo＝vixo+wvix，viyo＝viyo+wviy，记Y＝[xio yio vixo viyo]T，则量测方程为
Yk＝h(Xk,Vk)＝HkXk+Vk (3)
其中Hk为观测转移矩阵，Vk测量噪声矩阵：且
Figure BDA0002863825100000151
Vk＝[wlix wliy wvix wviy]T，wlix,wliy,wvix,wviy分别为接收机东向位置、北向位置、东向速度、北向速度的观测噪声，其近似零均值为0、方差分别为
Figure BDA0002863825100000152
的高斯白噪声。
子步骤2：设计滤波算法
滤波算法流程如图3。
(1)UKF滤波算法过程
a.状态初始化
估计值初始化：
Figure BDA0002863825100000153
方差初始化：
Figure BDA0002863825100000154
b.计算Sigma点
取k-1时刻9个Sigma点χk-1：
Figure BDA0002863825100000155
权值选取：
Figure BDA0002863825100000156
式中：尺度因素λ＝α2(8+Γ)-8，本发明中Γ取0，α为一很小正数，β在高斯分布下最优取2。
c.系统时间更新计算
利用系统状态方程的传播计算Sigma点，系统状态方程对Sigma点做非线性变换：
χk,k-1＝f(χk-1) (8)
然后计算计算函数映射后的均值和方差：
Figure BDA0002863825100000161
Figure BDA0002863825100000162
d.系统观测更新计算
利用观测方程对变换后的Sigma点集进行变换：
ηk,k-1＝h(χk-1) (11)
式(12)中，ηk,k-1表示观测方程对Sigma点集变换后的值，计算一部预测观测值：
Figure BDA0002863825100000163
式(13)中，
Figure BDA0002863825100000164
表示由k-1时刻递推的k时刻的一步预测观测值，再输出预测值协方差Pyy,k：
Figure BDA0002863825100000165
然后计算状态值与测量值的协方差Pxy,k：
Figure BDA0002863825100000166
e.滤波更新
计算无迹卡尔曼滤波增益矩阵Kk：
Kk＝[Pxy,k(Pyy,k)T]/Pyy,k (15)
计算更新后的估计误差方差阵Pk.k：
Figure BDA0002863825100000171
由于在智能车辆队列行驶过程中噪声协方差矩阵具有随机性和时变性，而在传统UKF滤波中，通过先验公式确定的噪声统计特性在整个过程中是不变的，故而当噪声协方差矩阵变化时，UKF滤波系统的精度和鲁棒性会产生影响。因此，本发明使用开窗估计法对噪声进行动态跟踪。
(2)系统误差协方差矩阵跟踪
由于“当前”统计模型系统误差在观测周期内为常量或围绕常量变化，可以采用固定窗口内取平均值对误差协方差矩阵进行拟合。通常情况下，开窗大小N的取值决定了估计的精度。N取越大，精度越高，但同时计算量也加大。本发明提出一种自适应方法来动态调整开窗大小，平衡滤波精度与算法计算速度：
Nk＝o(k)r(k)Nk-1+[1-r(k)]N0 (17)
式中：o(k)为k时刻系统的更新权值；N0为开始时刻设定开窗大小值；r(k)为分配系数，0≤r(k)≤1，由于在智能车辆队列行驶过程中，各车姿态较为稳定，因此分配系数r(k)取较小值，本发明取0.2。
Figure BDA0002863825100000172
式中：PDOP表示GPS接收机的定位精度，利用式(17)求出的Nk向上取整，当GPS信号较好时，可适当减小算法的开窗大小，减小算法计算量；当GPS信号较差时，开窗适当取大，提高滤波算法的精度。
a.观测噪声协方差矩阵跟踪
根据开窗估计法及新息序列的定义：
Vk＝Yk-Yk,k-1 (19)
利用Sigma点集，得到UKF算法中新息序列的协方差矩阵：
Figure BDA0002863825100000173
实时估计的协方差为：
Figure BDA0002863825100000181
式中：z0＝k-Nk+1。根据式(20)、式(21)求得观测噪声向量协方差矩阵Rk为：
Figure BDA0002863825100000182
由式(22)可以得到由当前观测新息以及之前的迭代新息对观测噪声进行协方差在线跟踪后得到的估计值。
b.过程噪声协方差矩阵跟踪
模型系统误差为Qk，残差为
Figure BDA0002863825100000183
在tk-j时刻：
Figure BDA0002863825100000184
由于“当前”统计模型在短时间内误差在微小范围内浮动，故满足
Figure BDA0002863825100000185
根据开窗估计原理，并由式(23)能得到的模型系统误差
Figure BDA0002863825100000186
的无偏估计：
Figure BDA0002863825100000187
将系统方程(2)带入式(24)，令Uk＝0，有：
Figure BDA0002863825100000188
状态向量预测值
Figure BDA0002863825100000189
的预测残差
Figure BDA00028638251000001810
协方差矩阵：
Figure BDA00028638251000001811
取
Figure BDA00028638251000001812
根据系统状态方程(2)以及式(23)、式(25)、式(27)得到：
Figure BDA00028638251000001813
可以利用上式求得状态方程过程噪声协方差矩阵
Figure BDA0002863825100000191
从而完成自适应UKF滤波，得到了大型货车队列行驶过程中的各车运动学参数，比传统UKF滤波精度更高，鲁棒性更强。
步骤三：量化智能车辆(大型货车)队列行驶性能的评价指标
现有的国家标准及测试法规中，队列行驶的评价指标仅仅局限于车距、车速限制(如相邻两车的距离不超过预设范围的±25％)，尚无明确、统一的智能车辆(大型货车)队列行驶性能评价指标。考虑到单一的评价指标难以涵盖测评过程的所有信息，无法较好的衡量队列行驶性能的优劣。因此，基于步骤二输出的队列过程中各车运动学参数，提出了多尺度的队列行驶性能评价指标：千米通过时间、队列一致性和车距稳定性，并对以上指标进行量化，对队列行驶性能进行多维度定量测评，从而构建了队列行驶性能评价指标体系。指标定义如下：
(1)千米通过时间：队列保持当前速度和车间距离完全通过1000m所需时间；
(2)队列一致性：队列中所有车辆的水平加速度的离散程度；
(3)车距稳定性：在一段时间内的队列车间距离的变化程度；
根据上述指标的含义，基于步骤二输出的队列中每辆车的位置、速度等运动学参数，根据式(29)(30)(31)分别推算平均车间距离、千米通过时间、队列一致性和车距稳定性，具体地：
首先计算队列中平均车间距离：
Figure BDA0002863825100000192
其中，
Figure BDA0002863825100000193
表示平均车间距离，单位米；n为当前队列包含的车辆总数；xi，yi分别表示队列第i辆车的东向位置分量和北向位置分量，通过步骤二输出可得；l为队列中车辆的纵向长度，本发明中默认队列中车型一致。
将千米通过时间定义为：
Figure BDA0002863825100000194
其中，tKM表示千米通过时间，单位秒；n为当前队列包含的车辆总数；vix，viy分别表示队列中第i辆车的东向速度分量和北向速度分量，通过步骤二输出可得。
将队列一致性定义为：
Figure BDA0002863825100000201
其中，σa表示当前队列中车辆水平加速度的标准差；
Figure BDA0002863825100000202
表示队列车辆平均水平加速度；aix，aiy分别表示队列中第i辆车的东向加速度分量和北向加速度分量，通过步骤二输出可得。
将车距稳定性定义为
Figure BDA0002863825100000203
其中，
Figure BDA0002863825100000204
为一段时间内平均车间距离的标准差，表示车距稳定性；k表示在选取的这段时间内，共有k组数据；
Figure BDA0002863825100000205
和
Figure BDA0002863825100000206
分别表示这k组数据中第m组和j组数据的平均车间距离。
最后，本发明通过上述三个量化指标多尺度科学地评价大型货车队列行驶测试过程：千米通过时间的长短体现智能车辆队列在道路上的通行效率；通过求取水平加速度的标准差，可以分析出队列第一辆车运动状态变化时，其余车辆能否进行同步的加速减速运动，反映出队列行驶中整体车辆的一致性性能；车距稳定性表现出队列在一定时间段内总体的平稳程度。

Claims (2)

1.一种智能车辆队列行驶性能的测试评价方法，其特征在于，具体步骤包括：
步骤一：构建面向智能车辆的队列行驶性能测试场景
制定智能网联车辆的测试场景通用规则：
(1)测试道路选取平坦、干燥的沥青或混凝土路面，单车道宽度为3.5～3.75m；
(2)测试环境良好，无降雨、降雪、冰雹恶劣天气，水平能见度不低于500m；
(3)联网通信功能测试在电磁环境不会对测试结果产生影响的条件下进行；
(4)测试场景交通标志、标线清晰可见；
步骤二：基于无迹卡尔曼滤波的车辆运动状态估计
子步骤1：建立队列行驶数学模型
(1)建立系统状态方程
智能车辆在队列行驶过程中，认为是在二维平面内运动，且可分解为东西方向的运动和南北方向的运动，为了获取队列行驶过程中每一辆车的位置、速度及加速度，选取状态变量X＝[xi,vix,aix,εix,yi,viy,aiy,εiy]T，其中，下标中i表示该车在队列的顺序，i＝1,2...n，i＝1表示头车，i＝n表示尾车，n取队列车辆总数，上标T表示矩阵的转置操作；式中，xi,vix,aix分别表示该车东向位置、速度、加速度分量，yi,viy,aiy分别表示该车北向位置、速度、加速度分量，εix,εiy分别表示东向位置误差和北向位置误差；
车辆运动模型取为机动载体的“当前”统计模型，系统的状态方程定为
Figure FDA0002863825090000011
式中，A为系统状态转移矩阵，U(t)表示统外部输入向量，W(t)表示零均值的系统高斯白噪声向量，且：
Figure FDA0002863825090000021
Figure FDA0002863825090000022
W(t)＝[0 0 ωaix ωix 0 0 ωaiy ωiy]T
式中，τaix,τaiy分别为该车东向北向加速度变化率的相关时间常数；
Figure FDA0002863825090000023
分别为该车“当前”东向、北向加速度分量的均值；ωaix,ωix,ωaiy,ωiy分别为均值为0、方差为
Figure FDA0002863825090000024
的高斯白噪声；
设采样周期为T，将式(1)离散化后得到离散化方程：
Xk＝f(Xk-1,Uk-1,Wk-1)＝Φk,k-1Xk-1+Uk-1+Wk-1 (2)
式中，Φk,k-1为系统状态变量转移矩阵，Uk为系统输入矩阵，Wk为系统过程噪声矩阵，且：
Figure FDA0002863825090000025
Figure FDA0002863825090000031
Figure FDA0002863825090000032
(2)建立系统观测方程
队列行驶中的各车都配备了厘米级高精度差分GPS接收机，将接收机输出的东向位置分量和北向位置分量xio,yio及东向速度分量北向速度分量vixo,viyo作为观测量，有xio＝xi+εix+wlix，yio＝yi+εiy+wliy，vixo＝vixo+wvix，viyo＝viyo+wviy，记Y＝[xio yio vixo viyo]T，则量测方程为
Yk＝h(Xk,Vk)＝HkXk+Vk (3)
其中Hk为观测转移矩阵，Vk测量噪声矩阵：且
Figure FDA0002863825090000033
Vk＝[wlix wliy wvix wviy]T，wlix,wliy,wvix,wviy分别为接收机东向位置、北向位置、东向速度、北向速度的观测噪声，其近似零均值为0、方差分别为
Figure FDA0002863825090000034
的高斯白噪声；
子步骤2：设计滤波算法
(1)UKF滤波算法过程
a.状态初始化
估计值初始化：
Figure FDA0002863825090000041
方差初始化：
Figure FDA0002863825090000042
b.计算Sigma点
取k-1时刻9个Sigma点χk-1：
Figure FDA0002863825090000043
权值选取：
Figure FDA0002863825090000044
式中：尺度因素λ＝α2(8+Γ)-8，其中Γ取0，α为一很小正数，β在高斯分布下最优取2；
c.系统时间更新计算
利用系统状态方程的传播计算Sigma点，系统状态方程对Sigma点做非线性变换：
χk,k-1＝f(χk-1) (8)
然后计算计算函数映射后的均值和方差：
Figure FDA0002863825090000045
Figure FDA0002863825090000051
d.系统观测更新计算
利用观测方程对变换后的Sigma点集进行变换：
ηk,k-1＝h(χk-1) (11)
式(12)中，ηk,k-1表示观测方程对Sigma点集变换后的值，计算一部预测观测值：
Figure FDA0002863825090000052
式(13)中，
Figure FDA0002863825090000053
表示由k-1时刻递推的k时刻的一步预测观测值，再输出预测值协方差Pyy,k：
Figure FDA0002863825090000054
然后计算状态值与测量值的协方差Pxy,k：
Figure FDA0002863825090000055
e.滤波更新
计算无迹卡尔曼滤波增益矩阵Kk：
Kk＝[Pxy,k(Pyy,k)T]/Pyy,k (15)
计算更新后的估计误差方差阵Pk.k：
Figure FDA0002863825090000056
(2)系统误差协方差矩阵跟踪
提出一种自适应方法来动态调整开窗大小，平衡滤波精度与算法计算速度：
Nk＝o(k)r(k)Nk-1+[1-r(k)]N0 (17)
式中：o(k)为k时刻系统的更新权值；N0为开始时刻设定开窗大小值；r(k)为分配系数，0≤r(k)≤1，由于在智能车辆队列行驶过程中，各车姿态较为稳定，因此分配系数r(k)取较小值，取0.2；
Figure FDA0002863825090000061
式中：PDOP表示GPS接收机的定位精度，利用式(17)求出的Nk向上取整，当GPS信号较好时，可适当减小算法的开窗大小，减小算法计算量；当GPS信号较差时，开窗适当取大，提高滤波算法的精度；
a.观测噪声协方差矩阵跟踪
根据开窗估计法及新息序列的定义：
Vk＝Yk-Yk,k-1 (19)
利用Sigma点集，得到UKF算法中新息序列的协方差矩阵：
Figure FDA0002863825090000062
实时估计的协方差为：
Figure FDA0002863825090000063
式中：z0＝k-Nk+1；根据式(20)、式(21)求得观测噪声向量协方差矩阵Rk为：
Figure FDA0002863825090000064
由式(22)可以得到由当前观测新息以及之前的迭代新息对观测噪声进行协方差在线跟踪后得到的估计值；
b.过程噪声协方差矩阵跟踪
模型系统误差为Qk，残差为
Figure FDA0002863825090000065
在tk-j时刻：
Figure FDA0002863825090000066
由于“当前”统计模型在短时间内误差在微小范围内浮动，故满足
Figure FDA0002863825090000067
根据开窗估计原理，并由式(23)能得到的模型系统误差
Figure FDA0002863825090000068
的无偏估计：
Figure FDA0002863825090000071
将系统方程(2)带入式(24)，令Uk＝0，有：
Figure FDA0002863825090000072
状态向量预测值
Figure FDA0002863825090000073
的预测残差
Figure FDA0002863825090000074
协方差矩阵：
Figure FDA0002863825090000075
取
Figure FDA0002863825090000076
根据系统状态方程(2)以及式(23)、式(25)、式(27)得到：
Figure FDA0002863825090000077
可以利用上式求得状态方程过程噪声协方差矩阵
Figure FDA0002863825090000078
从而完成自适应UKF滤波，得到了智能车辆队列行驶过程中的各车运动学参数；
步骤三：量化智能车辆(大型货车)队列行驶性能的评价指标
基于步骤二输出的队列过程中各车运动学参数，提出多尺度的队列行驶性能评价指标：千米通过时间、队列一致性和车距稳定性，并对以上指标进行量化，对队列行驶性能进行多维度定量测评，从而构建队列行驶性能评价指标体系；指标定义如下：
(1)千米通过时间：队列保持当前速度和车间距离完全通过1000m所需时间；
(2)队列一致性：队列中所有车辆的水平加速度的离散程度；
(3)车距稳定性：在一段时间内的队列车间距离的变化程度；
根据上述指标的含义，基于步骤二输出的队列中每辆车的位置、速度等运动学参数，根据式(29)(30)(31)分别推算平均车间距离、千米通过时间、队列一致性和车距稳定性，具体地：
首先计算队列中平均车间距离：
Figure FDA0002863825090000081
其中，
Figure FDA0002863825090000082
表示平均车间距离，单位米；n为当前队列包含的车辆总数；xi，yi分别表示队列第i辆车的东向位置分量和北向位置分量，通过步骤二输出可得；l为队列中车辆的纵向长度，本发明中默认队列中车型一致；
将千米通过时间定义为：
Figure FDA0002863825090000083
其中，tKM表示千米通过时间，单位秒；n为当前队列包含的车辆总数；vix，viy分别表示队列中第i辆车的东向速度分量和北向速度分量，通过步骤二输出可得。
将队列一致性定义为：
Figure FDA0002863825090000084
其中，σa表示当前队列中车辆水平加速度的标准差；
Figure FDA0002863825090000085
表示队列车辆平均水平加速度；aix，aiy分别表示队列中第i辆车的东向加速度分量和北向加速度分量，通过步骤二输出可得；
将车距稳定性定义为
Figure FDA0002863825090000086
其中，
Figure FDA0002863825090000087
为一段时间内平均车间距离的标准差，表示车距稳定性；k表示在选取的这段时间内，共有k组数据；
Figure FDA0002863825090000088
和
Figure FDA0002863825090000089
分别表示这k组数据中第m组和j组数据的平均车间距离；
最后，本发明通过上述三个量化指标多尺度科学地评价大型货车队列行驶测试过程：千米通过时间的长短体现智能车辆队列在道路上的通行效率；通过求取水平加速度的标准差，可以分析出队列第一辆车运动状态变化时，其余车辆能否进行同步的加速减速运动，反映出队列行驶中整体车辆的一致性性能；车距稳定性表现出队列在一定时间段内总体的平稳程度。
2.根据权利要求1所述的一种智能车辆队列行驶性能的测试评价方法，其特征在于，所述步骤一中智能网联车辆的测试场景的要求还包括测试道路曲率半径不小于650m，总长度不少于1000m。
CN202011577680.5A 2020-12-28 2020-12-28 一种智能车辆队列行驶性能的测试评价方法 Active CN112629883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011577680.5A CN112629883B (zh) 2020-12-28 2020-12-28 一种智能车辆队列行驶性能的测试评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011577680.5A CN112629883B (zh) 2020-12-28 2020-12-28 一种智能车辆队列行驶性能的测试评价方法

Publications (2)

Publication Number Publication Date
CN112629883A true CN112629883A (zh) 2021-04-09
CN112629883B CN112629883B (zh) 2022-11-11

Family

ID=75326078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011577680.5A Active CN112629883B (zh) 2020-12-28 2020-12-28 一种智能车辆队列行驶性能的测试评价方法

Country Status (1)

Country Link
CN (1) CN112629883B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220019915A1 (en) * 2020-07-20 2022-01-20 The Mathworks, Inc. Systems and methods for design parameter selection
CN115440027A (zh) * 2022-07-21 2022-12-06 交通运输部公路科学研究所 面向多场景的智能车辆编队功能测评方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014149042A1 (en) * 2013-03-20 2014-09-25 International Truck Intellectual Property Company, Llc Smart cruise control system
CN110335459A (zh) * 2019-04-26 2019-10-15 同济大学 低渗透率车辆轨迹数据的交叉口排队长度估计方法及装置
CN110515041A (zh) * 2019-08-30 2019-11-29 的卢技术有限公司 一种基于Kalman滤波技术的车辆距离测量控制方法及系统
CN111292352A (zh) * 2020-01-20 2020-06-16 杭州电子科技大学 多目标跟踪方法、装置、设备及存储介质
CN111696373A (zh) * 2019-03-15 2020-09-22 北京图森智途科技有限公司 车队协同感知方法、车队协同控制方法和系统
CN111780981A (zh) * 2020-05-21 2020-10-16 东南大学 一种智能车辆编队变道性能测评方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014149042A1 (en) * 2013-03-20 2014-09-25 International Truck Intellectual Property Company, Llc Smart cruise control system
CN111696373A (zh) * 2019-03-15 2020-09-22 北京图森智途科技有限公司 车队协同感知方法、车队协同控制方法和系统
CN110335459A (zh) * 2019-04-26 2019-10-15 同济大学 低渗透率车辆轨迹数据的交叉口排队长度估计方法及装置
CN110515041A (zh) * 2019-08-30 2019-11-29 的卢技术有限公司 一种基于Kalman滤波技术的车辆距离测量控制方法及系统
CN111292352A (zh) * 2020-01-20 2020-06-16 杭州电子科技大学 多目标跟踪方法、装置、设备及存储介质
CN111780981A (zh) * 2020-05-21 2020-10-16 东南大学 一种智能车辆编队变道性能测评方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220019915A1 (en) * 2020-07-20 2022-01-20 The Mathworks, Inc. Systems and methods for design parameter selection
CN115440027A (zh) * 2022-07-21 2022-12-06 交通运输部公路科学研究所 面向多场景的智能车辆编队功能测评方法及装置

Also Published As

Publication number Publication date
CN112629883B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
Zhao et al. Truck traffic speed prediction under non-recurrent congestion: Based on optimized deep learning algorithms and GPS data
CN112629883B (zh) 一种智能车辆队列行驶性能的测试评价方法
Seo et al. Traffic state estimation with the advanced probe vehicles using data assimilation
CN109670277A (zh) 一种基于多模态数据融合与多模型集成的旅行时间预测方法
CN107958269A (zh) 一种基于隐马尔可夫模型的行车危险度预测方法
CN101639871B (zh) 面向行为研究的车载动态交通信息诱导系统模拟设计方法
CN112389440B (zh) 一种基于车路作用机理的越野环境中车辆行驶风险预测方法
CN103364006A (zh) 用于确定车辆路径的系统和方法
CN108335483B (zh) 交通拥堵扩散路径的推断方法及其系统
CN110987463A (zh) 面向多场景的智能驾驶自主车道变换性能测试方法
CN110738855B (zh) 一种数据稀疏时间段的道路交通流状况预测方法
EP2743739B1 (en) Using aircraft trajectory data to infer atmospheric conditions
CN106682812A (zh) 综合运输体系客运方式分担率‑距离转移曲线确定方法
Cole et al. Wind prediction accuracy for air traffic management decision support tools
CN111695299A (zh) 一种中尺度涡轨迹预测方法
CN113178068B (zh) 一种基于浮动车的道路拥堵指数计算方法及系统
Shin et al. Ego-vehicle speed prediction using fuzzy Markov chain with speed constraints
CN112884014A (zh) 一种基于路段拓扑结构分类的交通速度短时预测方法
Wang et al. ARIMA model and few-shot learning for vehicle speed time series analysis and prediction
CN113642768A (zh) 一种基于工况重构的车辆行驶能耗预测方法
CN114750769A (zh) 一种车辆质量与道路坡度的联合估计方法及系统
CN115238958A (zh) 一种基于复杂交通场景的危险事件链提取方法及系统
CN109979194B (zh) 基于马尔可夫链的重型车辆坡道爬行行为识别方法
CN108507587B (zh) 一种基于坐标变换的三维车载定位导航方法
CN108846571A (zh) 一种网联化电动汽车宏观能量消耗估计方法

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