CN112644498B - 一种基于行车安全场的智能车安全决策方法 - Google Patents

一种基于行车安全场的智能车安全决策方法 Download PDF

Info

Publication number
CN112644498B
CN112644498B CN202110006563.1A CN202110006563A CN112644498B CN 112644498 B CN112644498 B CN 112644498B CN 202110006563 A CN202110006563 A CN 202110006563A CN 112644498 B CN112644498 B CN 112644498B
Authority
CN
China
Prior art keywords
field
lane
road
vehicle
intelligent vehicle
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
CN202110006563.1A
Other languages
English (en)
Other versions
CN112644498A (zh
Inventor
张自宇
王春燕
刘宇萱
赵万忠
朱耀鎏
曹铭纯
于博洋
孟琦康
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110006563.1A priority Critical patent/CN112644498B/zh
Publication of CN112644498A publication Critical patent/CN112644498A/zh
Application granted granted Critical
Publication of CN112644498B publication Critical patent/CN112644498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • 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
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • 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
    • 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
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于行车安全场的智能车安全决策方法，步骤如下：在智能车行驶时，采集自车信息和环境信息；建立行车安全场模型，将采集到的信息代入模型中，实时生成实际道路的行车安全场；根据车辆所在位置行车安全场的场值及其变化情况，制定车辆是否换道的初步决策，再根据道路左右两侧的行车安全场的场值决定换道方向。本发明在保证安全性的基础上充分考虑了驾乘人员的习性差异以及道路物体的各向互异性，从而提高智能决策精度，降低交通事故的发生率，提高用户对智能汽车的接受度。

Description

一种基于行车安全场的智能车安全决策方法
技术领域
本发明属于智能驾驶技术领域，特别是涉及一种基于行车安全场的智能车安全决策方法。
背景技术
近年来，随着人均生活水平的不断提高，汽车保有量也在不断攀升。但同时汽车在交通安全方面带给我们的负面影响也不容小觑。传统的交通安全控制建立在车辆动力学或道路规划的基础上，并没有充分考虑车辆行驶环境中人-车-路各要素对行车安全的影响，尤其是驾驶员行为特性对行车安全的影响。对于汽车的智能化控制是汽车产业未来的重要变革方向，因此，如何将二者相互协调统一，对决策行为进行合理的建模，对于加快推进智能汽车创新发展具有重要意义，对于实现无车道线环境下的自动驾驶至关重要。
智能车面对的行驶环境是复杂多样的，作为智能汽车架构中的重要一环，智能安全决策负责接收感知层处理融合后的信息，进行综合决策和规划，给出符合规范的操作指令及期望轨迹，并交由执行层控制执行，从而引导车辆行驶。
目前对人-车-路各要素对行车安全的影响已经有了一定的研究，例如中国发明专利申请号为CN20181043346.X，专利名称为“基于行车安全场的车辆智能安全决策方法”中提出的在自车的电子控制单元中或在智能交通管理系统的中央计算机系统中预先设置行车安全场模型和行车风险辨识模型，进而得到行车最优速度和安全行驶距离，从而有效降低道路碰撞交通事故发生率。中国发明专利申请号为CN201910015069.4，专利名称为“一种分布式智能网联汽车交叉路口复杂场景通行决策方法”中提出的车辆违反交通规则检测机制，实现了规则与强化学习方法的融合，为提高复杂环境下的交通安全和交叉路口通行效率提供技术支撑。
综上所述，虽然现在对车辆行驶环境中人-车-路各要素对行车安全的影响已经有了一定的研究，但是对于道路上物体势能场的分析并未细化，无法细致化道路上不同物体对周围道路的影响，然而任何一个影响因素被忽略都会在行车过程中产生危险。因此，在当前情况下迫切地需要一种可以应用于智能驾驶并提供风险识别的车辆智能安全决策方法，在保证安全性的基础上充分考虑驾乘人员的习性差异以及道路物体对周围影响的各向互异性，从而提高智能决策精度，降低交通事故的发生率，提高用户对智能汽车的接受度，促进智能汽车的推广。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种基于行车安全场的智能车安全决策方法，以解决现有技术中的智能安全决策方法，未充分考虑驾乘人员的习性差异和道路物体对周围影响的各向互异性，导致智能决策精度低、可靠性差等问题。本发明在保证安全性的基础上充分考虑了驾乘人员的习性差异以及道路物体的各向互异性，从而提高智能决策精度，降低交通事故的发生率，提高用户对智能汽车的接受度。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种基于行车安全场的智能车安全决策方法，步骤如下：
(1)在智能车行驶时，采集车辆智能决策所需要的自车信息和环境信息；
(2)建立行车安全场模型，将步骤(1)采集到的信息代入模型中，实时生成实际道路的行车安全场；
(3)根据车辆所在位置行车安全场的场值及其变化情况，制定车辆是否换道的初步决策，再根据道路左右两侧的行车安全场的场值决定换道方向。
进一步地，上述步骤(1)中通过毫米波雷达、激光雷达、摄像头、IMU、GPS和车速传感器采集数据。
进一步地，上述步骤(1)中采集的信息包括：第一类静止物体、第二类静止物体、移动物体的状态、类型和位置信息以及智能车自身状态和位置信息；第一类静止物体指发生碰撞时会造成极大损失的物体；第二类静止物体指不会与车辆发生碰撞，但是会约束驾驶员的驾驶行为的物体；移动物体指道路上移动的车辆或行人。
进一步地，所述步骤(2)中行车安全场模型建立的具体步骤如下：
(21)静止物体势能场建模；
(211)第一类静止物体势能场建模：
Figure GDA0003343394260000021
Figure GDA0003343394260000022
式中，ESO1_q为在(xp,yp)处的物体p在道路点(xq,yq)处形成的势能场矢量，方向与标准距离矢量rpq相同；K、k1和k3为大于零的常数；Mp为物体p的虚拟质量；Rp为(xp,yp)处的道路影响因子；
Figure GDA0003343394260000023
为修正距离矢量；ξ1和ξ2为椭圆参数；
Figure GDA0003343394260000024
为静止物体所在车道行车方向与
Figure GDA0003343394260000025
的夹角(逆时针为正)；Vmax为静止物体所在道路所允许的最高时速；e为自然常数；
上述椭圆参数ξ1表达式为：
Figure GDA0003343394260000026
式中，S为静止物体的影响范围；Tb为影响范围边界的碰撞时间；τ1为与Vmax有关的大于零的调整因子；
上述椭圆参数ξ2表达式为：
Figure GDA0003343394260000031
式中，D为单个车道的宽度、τ2为与Vmax有关的大于零的调整因子；
上述虚拟质量Mp表达式为：
Figure GDA0003343394260000032
式中，Tp为物体类型，具体为该类型碰撞损失与标准类型碰撞损失之比；mp为物体p的实际质量；αk、βk为待定常数；vp为物体p的速度(静止物体为0)；
上述道路影响因子Rp表达式为：
Figure GDA0003343394260000033
式中，op为(xp,yp)处的能见度；μp为(xp,yp)处的道路附着系数；ρp为(xp,yp)处的道路曲率；Sp为(xp,yp)处的道路坡度；γ1、γ2、γ3、γ4为待定系数，γ1，γ2＜0,γ3，γ4＞0；o*、μ*、ρ*、
Figure GDA0003343394260000034
为o、μ、ρ、Sp的标准值；
(212)第二类静止物体势能场建模：
Figure GDA0003343394260000035
式中，ESO2_q为(xq,yq)处道路标线g的场强矢量，方向与rgq相同；LTg为道路标线类型；D为道路宽度；k2为大于零的待定常数，Rg为道路标线g处的道路影响因子；rgq＝(xq-xg,yq-yg)为距离矢量；G∈[0,1]为势场值调整因子，与综合势场值有关；
(22)移动物体动能场建模：
Figure GDA0003343394260000036
Figure GDA0003343394260000041
式中，EV_q为在(xc,yc)处的移动物体c在道路点(xq,yq)处形成的动能场矢量，方向与rcq相同；
Figure GDA0003343394260000042
和
Figure GDA0003343394260000043
为椭圆参数；Rc为(xc,yc)处的道路影响因子；Mc为移动物体c的虚拟质量；
Figure GDA0003343394260000044
为动能场调整距离矢量；vc为移动物体c的速度；
Figure GDA0003343394260000045
为vc和
Figure GDA0003343394260000046
的夹角(逆时针为正)；
上述椭圆参数
Figure GDA0003343394260000047
表达式为：
Figure GDA0003343394260000048
式中，S为椭圆因子修正函数，
Figure GDA0003343394260000049
为与运动物体车速有关的大于零的调整因子；
上述椭圆参数
Figure GDA00033433942600000410
表达式为：
Figure GDA00033433942600000411
式中，
Figure GDA00033433942600000412
为与运动物体车速有关的大于零的调整因子；
(23)行为场建模：
ED_q＝EV_q.DRd (12)
式中，ED_q为在(xd,yd)处的运动车辆d的驾驶员在(xq,yq)处形成的行为场矢量，方向与EV_q相同；DRd为跟d车驾驶员驾驶风格相关的驾驶员风险因素；
Figure GDA00033433942600000413
(24)行车安全场建模：
Figure GDA00033433942600000414
式中，ES_q为(xq,yq)处的行车安全场；ESO_q为(xq,yq)处的势能场；EV_q为(xq,yq)处的动能场矢量；ED_q为(xq,yq)处的行为场矢量。
进一步地，所述步骤(3)中智能车换道决策的具体步骤为：
(31)将组成安全场的各势场分别进行局部归一化，局部归一化后(xq,yq)处的安全场模型为：
Figure GDA0003343394260000051
式中，
Figure GDA0003343394260000052
为(xq,yq)处的局部归一化后的行车安全场，除数值归一化外，其他各特性不发生变化；ESO1_qmax为第一类静止物体势场最大值；ESO2_qmax为第二类静止物体势场最大值；EV_qmax为动能场的最大值；ED_qmax为行为场的最大值；
(32)在局部归一化的基础上，考虑各部分的相互影响进一步将归一化的安全场进行全局归一化；全局归一化后(xq,yq)处的安全场模型为：
Figure GDA0003343394260000053
式中，En_q为(xq,yq)处的全局归一化后的行车安全场场值；
Figure GDA0003343394260000054
为局部归一化后的行车安全场的最大值；
(33)在决策周期内，智能车利用车载传感设备获取的周边车辆的状态信息，并通过计算该智能车所处位置的全局归一化后的安全场场值及其变化率判断是否进行换道决策。
进一步地，所述换道决策规则如下：
(331)设置智能车的换道触发阈值为A，其变化率阈值设为B1和B2，B2>B1；
(332)智能车是否进行换道的判断条件为：1.En<A且dEn/dt>B2；2.En>A且dEn/dt>B1，En为设自车所处位置的全局归一化后的行车安全场场值；
满足上述条件之一，智能车触发换道指令，进行换道方向的选择；
(333)随机在智能车左前方区域内和车辆右前方区域内选取五十个位置点，计算所述位置点所处位置的全局归一化后的安全场场值，并计算其平均值，得到左右车道的平均安全场值
Figure GDA0003343394260000055
和
Figure GDA0003343394260000056
具体换道方向的选择规则如下：
智能车处于中间车道：若
Figure GDA0003343394260000057
则左换道；若
Figure GDA0003343394260000058
则右换道；若
Figure GDA0003343394260000059
则无法换道，减速保持当前车道；
车辆处于最左侧车道：若
Figure GDA00033433942600000510
则右换道；若
Figure GDA00033433942600000511
则无法换道，减速保持当前车道；
车辆处于最右侧车道：若
Figure GDA00033433942600000512
则右换道；若
Figure GDA00033433942600000513
则无法换道，减速保持当前车道。
进一步地，所述步骤(333)中智能车左前区域为X∈[X0-V,X0+V],Y∈[Y0,Y0+D]；右前区域为X∈[X0-V,X0+V],Y∈[Y0-D,Y0]，(X,Y)为道路上的点的坐标，(X0,Y0)为智能车位置坐标，V为智能车车速。
本发明的有益效果：
本发明充分考虑驾乘人员的习性差异和道路物体对周围影响的各向互异性，提出了一种行车安全场，提高了智能车决策的精准性和行车安全场实际应用的可行性，减少了车辆的碰撞风险。
本发明充分考虑了人-车-路等多方面因素，可以更好的保证车辆的行驶安全，使车辆适应各种复杂的行车环境。
附图说明
图1为本发明方法的原理图。
图2为行车安全场示意图。
图3为全局归一化后的行车安全场示意图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1所示，本发明的一种基于行车安全场的智能车安全决策方法，步骤如下：
(1)在智能车行驶时，通过毫米波雷达、激光雷达、摄像头、IMU、GPS和车速传感器采集车辆智能决策所需要的自车信息和环境信息；
上述步骤(1)中采集的信息包括：第一类静止物体、第二类静止物体、移动物体的状态、类型和位置信息以及智能车自身状态和位置信息；第一类静止物体指发生碰撞时会造成极大损失的物体，如停放的汽车、路障等。第二类静止物体一般指不会与车辆发生碰撞，但是会约束驾驶员的驾驶行为的物体，如交通标志、车道标志等。移动物体一般指道路上移动的车辆或行人。
(2)建立行车安全场模型，将步骤(1)采集到的信息代入模型中，实时生成实际道路的行车安全场；参照图2所示，
所述行车安全场模型建立的具体步骤如下：
(21)静止物体势能场建模；
(211)第一类静止物体势能场建模：
Figure GDA0003343394260000071
Figure GDA0003343394260000072
式中，ESO1_q为在(xp,yp)处的物体p在道路点(xq,yq)处形成的势能场矢量，方向与标准距离矢量rpq相同；K、k1和k3为大于零的常数；Mp为物体p的虚拟质量；Rp为(xp,yp)处的道路影响因子；
Figure GDA0003343394260000073
为修正距离矢量；ξ1和ξ2为椭圆参数；
Figure GDA0003343394260000074
为静止物体所在车道行车方向与
Figure GDA0003343394260000075
的夹角(逆时针为正)；Vmax为静止物体所在道路所允许的最高时速；e为自然常数；
上述椭圆参数ξ1表达式为：
Figure GDA0003343394260000076
式中，S为静止物体的影响范围；Tb为影响范围边界的碰撞时间；τ1为与Vmax有关的大于零的调整因子；
上述椭圆参数ξ2表达式为：
Figure GDA0003343394260000077
式中，D为单个车道的宽度、τ2为与Vmax有关的大于零的调整因子；
上述虚拟质量Mp表达式为：
Figure GDA0003343394260000078
式中，Tp为物体类型，具体为该类型碰撞损失与标准类型碰撞损失之比；mp为物体p的实际质量；αk、βk为待定常数；vp为物体p的速度(静止物体为0)；
上述道路影响因子Rp表达式为：
Figure GDA0003343394260000079
式中，op为(xp,yp)处的能见度；μp为(xp,yp)处的道路附着系数；ρp为(xp,yp)处的道路曲率；Sp为(xp,yp)处的道路坡度；γ1、γ2、γ3、γ4为待定系数，γ1，γ2＜0,γ3，γ4＞0；o*、μ*、ρ*、
Figure GDA0003343394260000081
为o、μ、ρ、Sp的标准值；
(212)第二类静止物体势能场建模：
Figure GDA0003343394260000082
式中，ESO2_q为(xq,yq)处道路标线g的场强矢量，方向与rgq相同；LTg为道路标线类型；D为道路宽度；k2为大于零的待定常数，Rg为道路标线g处的道路影响因子；rgq＝(xq-xg,yq-yg)为距离矢量；G∈[0,1]为势场值调整因子，与综合势场值有关；
(22)移动物体动能场建模：
Figure GDA0003343394260000083
Figure GDA0003343394260000084
式中，EV_q为在(xc,yc)处的移动物体c在道路点(xq,yq)处形成的动能场矢量，方向与rcq相同；
Figure GDA0003343394260000085
和
Figure GDA0003343394260000086
为椭圆参数；Rc为(xc,yc)处的道路影响因子；Mc为移动物体c的虚拟质量；
Figure GDA0003343394260000087
为动能场调整距离矢量；vc为移动物体c的速度；
Figure GDA0003343394260000088
为vc和
Figure GDA0003343394260000089
的夹角(逆时针为正)；
上述椭圆参数
Figure GDA00033433942600000810
表达式为：
Figure GDA00033433942600000811
式中，S为椭圆因子修正函数，
Figure GDA00033433942600000812
为与运动物体车速有关的大于零的调整因子；
上述椭圆参数
Figure GDA00033433942600000813
表达式为：
Figure GDA00033433942600000814
式中，
Figure GDA00033433942600000815
为与运动物体车速有关的大于零的调整因子；
(23)行为场建模：
ED_q＝EV_q.DRd (12)
式中，ED_q为在(xd,yd)处的运动车辆d的驾驶员在(xq,yq)处形成的行为场矢量，方向与EV_q相同；DRd为跟d车驾驶员驾驶风格相关的驾驶员风险因素；
Figure GDA0003343394260000091
(24)行车安全场建模：
Figure GDA0003343394260000092
式中，ES_q为(xq,yq)处的行车安全场；ESO_q为(xq,yq)处的势能场；EV_q为(xq,yq)处的动能场矢量；ED_q为(xq,yq)处的行为场矢量。
(3)根据车辆所在位置行车安全场的场值及其变化情况，制定车辆是否换道的初步决策，再根据道路左右两侧的行车安全场的场值决定换道方向；
参照图3所示，智能车换道决策的具体步骤为：
(31)将组成安全场的各势场分别进行局部归一化，局部归一化后(xq,yq)处的安全场模型为：
Figure GDA0003343394260000093
式中，
Figure GDA0003343394260000094
为(xq,yq)处的局部归一化后的行车安全场，除数值归一化外，其他各特性不发生变化；ESO1_qmax为第一类静止物体势场最大值；ESO2_qmax为第二类静止物体势场最大值；EV_qmax为动能场的最大值；ED_qmax为行为场的最大值；
(32)在局部归一化的基础上，考虑各部分的相互影响进一步将归一化的安全场进行全局归一化；全局归一化后(xq,yq)处的安全场模型为：
Figure GDA0003343394260000095
式中，En_q为(xq,yq)处的全局归一化后的行车安全场场值；
Figure GDA0003343394260000096
为局部归一化后的行车安全场的最大值；
(33)在决策周期内，智能车利用车载传感设备获取的周边车辆的状态信息，并通过计算该智能车所处位置的全局归一化后的安全场场值及其变化率判断是否进行换道决策。
所述换道决策规则如下：
(331)设置智能车的换道触发阈值为A，其变化率阈值设为B1和B2，B2>B1；
(332)智能车是否进行换道的判断条件为：1.En<A且dEn/dt>B2；2.En>A且dEn/dt>B1，En为设自车所处位置的全局归一化后的行车安全场场值；
满足上述条件之一，智能车触发换道指令，进行换道方向的选择；
(333)随机在智能车左前方区域内和车辆右前方区域内选取五十个位置点，计算所述位置点所处位置的全局归一化后的安全场场值，并计算其平均值，得到左右车道的平均安全场值
Figure GDA0003343394260000101
和
Figure GDA0003343394260000102
具体换道方向的选择规则如下：
智能车处于中间车道：若
Figure GDA0003343394260000103
则左换道；若
Figure GDA0003343394260000104
则右换道；若
Figure GDA0003343394260000105
则无法换道，减速保持当前车道；
车辆处于最左侧车道：若
Figure GDA0003343394260000106
则右换道；若
Figure GDA0003343394260000107
则无法换道，减速保持当前车道；
车辆处于最右侧车道：若
Figure GDA0003343394260000108
则右换道；若
Figure GDA0003343394260000109
则无法换道，减速保持当前车道。
所述步骤(333)中智能车左前区域为X∈[X0-V,X0+V],Y∈[Y0,Y0+D]；右前区域为X∈[X0-V,X0+V],Y∈[Y0-D,Y0]，(X,Y)为道路上的点的坐标，(X0,Y0)为智能车位置坐标，V为智能车车速。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (4)

1.一种基于行车安全场的智能车安全决策方法，其特征在于，步骤如下：
(1)在智能车行驶时，采集自车信息和环境信息；
(2)建立行车安全场模型，将步骤(1)采集到的信息代入模型中，实时生成实际道路的行车安全场；
(3)根据车辆所在位置行车安全场的场值及其变化情况，制定车辆是否换道的初步决策，再根据道路左右两侧的行车安全场的场值决定换道方向；
所述步骤(2)中行车安全场模型建立的具体步骤如下：
(21)静止物体势能场建模；
(211)第一类静止物体势能场建模：
Figure FDA0003343394250000011
Figure FDA0003343394250000012
式中，ESO1_q为在(xp,yp)处的物体p在道路点(xq,yq)处形成的势能场矢量，方向与标准距离矢量rpq相同；K、k1和k3为大于零的常数；Mp为物体p的虚拟质量；Rp为(xp,yp)处的道路影响因子；
Figure FDA0003343394250000013
为修正距离矢量；ξ1和ξ2为椭圆参数；
Figure FDA0003343394250000014
为静止物体所在车道行车方向与
Figure FDA0003343394250000015
的夹角；Vmax为静止物体所在道路所允许的最高时速；e为自然常数；
上述椭圆参数ξ1表达式为：
Figure FDA0003343394250000016
式中，S为静止物体的影响范围；Tb为影响范围边界的碰撞时间；τ1为与Vmax有关的大于零的调整因子；
上述椭圆参数ξ2表达式为：
Figure FDA0003343394250000017
式中，D为单个车道的宽度、τ2为与Vmax有关的大于零的调整因子；
上述虚拟质量Mp表达式为：
Figure FDA0003343394250000021
式中，Tp为物体类型，具体为该类型碰撞损失与标准类型碰撞损失之比；mp为物体p的实际质量；αk、βk为待定常数；vp为物体p的速度；
上述道路影响因子Rp表达式为：
Figure FDA0003343394250000022
式中，op为(xp,yp)处的能见度；μp为(xp,yp)处的道路附着系数；ρp为(xp,yp)处的道路曲率；Sp为(xp,yp)处的道路坡度；γ1、γ2、γ3、γ4为待定系数，γ1，γ2＜0,γ3，γ4＞0；o*、μ*、ρ*、
Figure FDA00033433942500000211
为o、μ、ρ、Sp的标准值；
(212)第二类静止物体势能场建模：
Figure FDA0003343394250000023
式中，ESO2_q为(xq,yq)处道路标线g的场强矢量，方向与rgq相同；LTg为道路标线类型；D为道路宽度；k2为大于零的待定常数，Rg为道路标线g处的道路影响因子；rgq＝(xq-xg,yq-yg)为距离矢量；G∈[0,1]为势场值调整因子，与综合势场值有关；
(22)移动物体动能场建模：
Figure FDA0003343394250000024
Figure FDA0003343394250000025
式中，EV_q为在(xc,yc)处的移动物体c在道路点(xq,yq)处形成的动能场矢量，方向与rcq相同；
Figure FDA0003343394250000026
和
Figure FDA0003343394250000027
为椭圆参数；Rc为(xc,yc)处的道路影响因子；Mc为移动物体c的虚拟质量；
Figure FDA0003343394250000028
为动能场调整距离矢量；vc为移动物体c的速度；
Figure FDA0003343394250000029
为vc和
Figure FDA00033433942500000210
的夹角；
上述椭圆参数
Figure FDA0003343394250000031
表达式为：
Figure FDA0003343394250000032
式中，S为椭圆因子修正函数，
Figure FDA0003343394250000033
为与运动物体车速有关的大于零的调整因子；
上述椭圆参数
Figure FDA0003343394250000034
表达式为：
Figure FDA0003343394250000035
式中，
Figure FDA0003343394250000036
为与运动物体车速有关的大于零的调整因子；
(23)行为场建模：
ED_q＝EV_q.DRd (12)
式中，ED_q为在(xd,yd)处的运动车辆d的驾驶员在(xq,yq)处形成的行为场矢量，方向与EV_q相同；DRd为跟d车驾驶员驾驶风格相关的驾驶员风险因素；
Figure FDA0003343394250000037
(24)行车安全场建模：
Figure FDA0003343394250000038
式中，ES_q为(xq,yq)处的行车安全场；ESO_q为(xq,yq)处的势能场；EV_q为(xq,yq)处的动能场矢量；ED_q为(xq,yq)处的行为场矢量；
所述步骤(3)中智能车换道决策的具体步骤为：
(31)将组成安全场的各势场分别进行局部归一化，局部归一化后(xq,yq)处的安全场模型为：
Figure FDA0003343394250000039
式中，
Figure FDA00033433942500000310
为(xq,yq)处的局部归一化后的行车安全场，除数值归一化外，其他各特性不发生变化；ESO1_qmax为第一类静止物体势场最大值；ESO2_qmax为第二类静止物体势场最大值；EV_qmax为动能场的最大值；ED_qmax为行为场的最大值；
(32)在局部归一化的基础上，考虑各部分的相互影响进一步将归一化的安全场进行全局归一化；全局归一化后(xq,yq)处的安全场模型为：
Figure FDA0003343394250000041
式中，En_q为(xq,yq)处的全局归一化后的行车安全场场值；
Figure FDA0003343394250000042
为局部归一化后的行车安全场的最大值；
(33)在决策周期内，智能车利用车载传感设备获取的周边车辆的状态信息，并通过计算该智能车所处位置的全局归一化后的安全场场值及其变化率判断是否进行换道决策；
所述换道决策规则如下：
(331)设置智能车的换道触发阈值为A，其变化率阈值设为B1和B2，B2>B1；
(332)智能车是否进行换道的判断条件为：1.En<A且dEn/dt>B2；2.En>A且dEn/dt>B1，En为设自车所处位置的全局归一化后的行车安全场场值；
满足上述条件之一，智能车触发换道指令，进行换道方向的选择；
(333)随机在智能车左前方区域内和车辆右前方区域内选取五十个位置点，计算所述位置点所处位置的全局归一化后的安全场场值，并计算其平均值，得到左右车道的平均安全场值
Figure FDA0003343394250000043
和
Figure FDA0003343394250000044
具体换道方向的选择规则如下：
智能车处于中间车道：若
Figure FDA0003343394250000045
则左换道；若
Figure FDA0003343394250000046
则右换道；若
Figure FDA0003343394250000047
则无法换道，减速保持当前车道；
车辆处于最左侧车道：若
Figure FDA0003343394250000048
则右换道；若
Figure FDA0003343394250000049
则无法换道，减速保持当前车道；
车辆处于最右侧车道：若
Figure FDA00033433942500000410
则右换道；若
Figure FDA00033433942500000411
则无法换道，减速保持当前车道。
2.根据权利要求1所述的基于行车安全场的智能车安全决策方法，其特征在于，所述步骤(1)中通过毫米波雷达、激光雷达、摄像头、IMU、GPS和车速传感器采集数据。
3.根据权利要求1所述的基于行车安全场的智能车安全决策方法，其特征在于，所述步骤(1)中采集的信息包括：第一类静止物体、第二类静止物体、移动物体的状态、类型和位置信息以及智能车自身状态和位置信息；第一类静止物体指发生碰撞时会造成极大损失的物体；第二类静止物体指不会与车辆发生碰撞，但是会约束驾驶员的驾驶行为的物体；移动物体指道路上移动的车辆或行人。
4.根据权利要求1所述的基于行车安全场的智能车安全决策方法，其特征在于，所述步骤(333)中智能车左前区域为X∈[X0-V,X0+V],Y∈[Y0,Y0+D]；右前区域为X∈[X0-V,X0+V],Y∈[Y0-D,Y0]，(X,Y)为道路上的点的坐标，(X0,Y0)为智能车位置坐标，V为智能车车速。
CN202110006563.1A 2021-01-05 2021-01-05 一种基于行车安全场的智能车安全决策方法 Active CN112644498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110006563.1A CN112644498B (zh) 2021-01-05 2021-01-05 一种基于行车安全场的智能车安全决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110006563.1A CN112644498B (zh) 2021-01-05 2021-01-05 一种基于行车安全场的智能车安全决策方法

Publications (2)

Publication Number Publication Date
CN112644498A CN112644498A (zh) 2021-04-13
CN112644498B true CN112644498B (zh) 2022-04-08

Family

ID=75367285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110006563.1A Active CN112644498B (zh) 2021-01-05 2021-01-05 一种基于行车安全场的智能车安全决策方法

Country Status (1)

Country Link
CN (1) CN112644498B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113188556B (zh) * 2021-04-27 2023-06-13 清华大学 基于行车安全场的智能网联汽车轨迹规划方法及装置
CN113706899A (zh) * 2021-07-20 2021-11-26 山东高速集团有限公司创新研究院 一种基于高速公路桥面气象结冰预测的交通运行风险防控方法
CN114419874B (zh) * 2021-11-25 2023-12-26 山东高速建设管理集团有限公司 基于路侧感知设备数据融合的目标行车安全风险预警方法
CN116363905B (zh) * 2023-05-19 2023-09-05 吉林大学 一种异质交通流合流区换道时机判别及主动安全控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239741A (zh) * 2014-09-28 2014-12-24 清华大学 基于行车风险场的汽车驾驶安全辅助方法
CN108648447A (zh) * 2018-05-08 2018-10-12 清华大学 基于行车安全场的车辆智能安全决策方法
CN111079834A (zh) * 2019-12-16 2020-04-28 清华大学 一种考虑多车交互的智能车辆安全态势评估方法
CN111204336A (zh) * 2020-01-10 2020-05-29 清华大学 一种车辆行车风险的评估方法及设备
CN111857340A (zh) * 2020-07-17 2020-10-30 南京航空航天大学 一种多因素融合的人机共驾驾驶权分配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013013747A1 (de) * 2013-08-21 2015-02-26 GM Global Technology Operations, LLC (n.d. Ges. d. Staates Delaware) Fahrassistenzsystem, Fahrzeug mit einem Fahrassistenzsystem und Verfahren zum Betrieb eines Fahrerassistenzsystems

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239741A (zh) * 2014-09-28 2014-12-24 清华大学 基于行车风险场的汽车驾驶安全辅助方法
CN108648447A (zh) * 2018-05-08 2018-10-12 清华大学 基于行车安全场的车辆智能安全决策方法
CN111079834A (zh) * 2019-12-16 2020-04-28 清华大学 一种考虑多车交互的智能车辆安全态势评估方法
CN111204336A (zh) * 2020-01-10 2020-05-29 清华大学 一种车辆行车风险的评估方法及设备
CN111857340A (zh) * 2020-07-17 2020-10-30 南京航空航天大学 一种多因素融合的人机共驾驾驶权分配方法

Also Published As

Publication number Publication date
CN112644498A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN112644498B (zh) 一种基于行车安全场的智能车安全决策方法
CN112700470B (zh) 一种基于交通视频流的目标检测和轨迹提取方法
US11462099B2 (en) Control system and control method for interaction-based long-term determination of trajectories for motor vehicles
DE102020127043A1 (de) Sicherheitssystem für ein fahrzeug
CN105620489A (zh) 驾驶辅助系统及车辆实时预警提醒方法
CN112644486B (zh) 一种基于驾驶安全场的智能车避障轨迹规划方法
EP3925845B1 (en) Other vehicle action prediction method and other vehicle action prediction device
CN110182210A (zh) 车辆控制装置和车辆控制方法
CN112631276A (zh) 一种无人车动态障碍决策方法、系统、介质及设备
CN109050530A (zh) 一种巡航加速控制系统及方法
Zhang et al. A framework for turning behavior classification at intersections using 3D LIDAR
EP2913239B1 (en) Method and unit for managing following space
CN113851017A (zh) 一种基于路侧rsu的行人车辆识别预警多功能系统
CN114419874A (zh) 基于路侧感知设备数据融合的目标行车安全风险预警方法
CN114446046A (zh) 一种基于lstm模型的弱势交通参与者轨迹预测方法
CN112689584A (zh) 自动驾驶控制方法以及自动驾驶控制系统
CN113192217A (zh) 逃费检测方法、装置、计算机设备和介质
CN113548049B (zh) 一种基于有限状态机的智能车辆驾驶行为决策方法及系统
CN115331482B (zh) 车辆预警提示方法、装置、基站及存储介质
CN112026774B (zh) 基于自车摄像头、雷达感知信息的周围车辆侧滑识别方法
CN115082900A (zh) 一种停车场场景下智能车辆行驶决策系统及方法
Kujawski Deciding the behaviour of an autonomous mobile road vehicle
Olenscki et al. Intersection Movement Assist and Lane Change Assist V2V Warnings with DSRC-based Basic Safety Messages
CN113264038B (zh) 基于临时事件的无人车停车方法、装置及电子设备
CN118072553B (zh) 一种交通安全智能管控系统

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