CN112721939A - 一种基于多传感器融合的驾驶员制动意图识别方法 - Google Patents

Abstract

本发明公开了一种基于多传感器融合的驾驶员制动意图识别方法，包括步骤如下：（1）获取车辆行驶过程中前方物体相对自车的距离与相对运动速度信息；（2）获取制动过程中制动踏板压力、制动踏板位移及当前车速信息；（3）根据步骤（1）、步骤（2）中获取的信息，计算得到对驾驶员制动意图的判断结果；（4）使用DS证据理论对上述得到的判断结果进行融合，将满足融合规则的结果作为最终结果输出。本发明通过踏板力与踏板位移进行制动意图识别的同时，利用毫米波雷达获得前方物体距离与相对速度并进行制动需求判断，将二者的识别结果通过DS证据理论进行决策层融合，使制动意图的识别更加准确。

Description

一种基于多传感器融合的驾驶员制动意图识别方法

技术领域

本发明属于自动驾驶技术领域，尤其涉及一种基于多传感器融合的驾驶员制动意图识别方法。

背景技术

随着节能环保成为当今世界的主题，清洁、节能的电动汽车是未来汽车工业技术创新的主要发展方向。随着电动汽车技术不断发展，电动汽车的制动系统由传统的液压制动向线控制动转变。线控制动在满足基本制动需求的同时，可以与再生制动系统协调控制进行制动能量回收，再生制动作为电动汽车节能技术的重要组成部分，对提高电动汽车续驶里程，推动电动汽车发展具有重要作用。另外，传统的制动系统产生的制动力仅与驾驶员控制的制动踏板行程有关，在某些工况下难以保证制动的安全性和制动的平顺性；而线控制动系统可以根据工况与驾驶员的制动意图对制动力进行相应的调整，在保证制动安全性的同时提高再生制动时的能量回收效果。

由于上述电动汽车和线控制动系统的特点，对驾驶员制动意图的准确识别甚至预测，有助于进行再生制动系统的制动力力分配，对保证电动汽车的制动安全性，提高能量利用率有着重要作用。国内外许多学者提出了对驾驶员制动意图进行识别的方法，大都是仅通过踏板力与踏板位移就将制动意图简单的划分为几种模式，没有考虑到车辆所处的行驶工况，制动意图识别准确度较低。

随着汽车电子电气技术的进步，汽车上配备的传感器越来越多，不同传感器在不同场景发挥作用，获取的信息也各不相同。为了实现自动驾驶，就必定需要多个传感器相互配合，通过融合算法共同构成汽车的感知系统。目前，将多传感融合技术应用在制动意图识别预测方面的技术较少。

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多传感器融合的驾驶员制动意图识别方法，以解决现有技术中制动意图识别准确度低的问题。本发明通过踏板力与踏板位移进行制动意图识别的同时，利用毫米波雷达获得前方物体距离与相对速度并进行制动需求判断，将二者的识别结果通过DS证据理论进行决策层融合，使制动意图的识别更加准确。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于多传感器融合的驾驶员制动意图识别方法，包括步骤如下：

(1)获取车辆行驶过程中前方物体相对自车的距离与相对运动速度信息；

(2)获取制动过程中制动踏板压力、制动踏板位移及当前车速信息；

(3)根据步骤(1)、步骤(2)中获取的信息，计算得到对驾驶员制动意图的判断结果；

(4)使用DS证据理论对上述得到的判断结果进行融合，将满足融合规则的结果作为最终结果输出。

进一步地，所述步骤(1)中前方物体相对自车的距离的计算公式为：

前方物体相对自车的运动速度的计算公式为：

式中，r为前方物体相对自车的距离，T为雷达的调制周期，ΔF为毫米波频率带宽；u为前方物体相对自车的运动速度，c为光速，f₀为雷达中心的工作频率，f_b+为动态目标反射信号与发射信息上升沿的频率差值，f_b-为下降沿的频率差值。

进一步地，所述步骤(3)的具体步骤为：

(31)由当前车速、前方物体相对自车的距离、前方物体相对自车的运动速度，并根据设定的判断规则A，得到判断结果M₁；

(32)由当前车速、制动踏板压力、制动踏板位移，并根据设定的判断规则B，得到判断结果E₂。

进一步地，所述步骤(31)中的判断规则A具体如下：

引入参考系数ε，表示为：

式中，v为当前车速；

判断结果

制动意图为紧急制动的概率为α₁，制动意图为中度制动的概率为α₂，制动意图为轻度制动的概率为α₃；

规定ε的阈值为ε₁、ε₂，当时ε<ε₁、ε_1≤ε_≤ε₂、ε₂<ε时，得到不同的M₁，三种条件下的M₁根据实际使用情况调整，示例如下：

进一步地，所述步骤(32)中的判断规则B具体如下：

对输入变量进行模糊化，选择三角函数作为输入变量的隶属度函数；

将车速划分为两个模糊子集：低速、高速；

将制动踏板压力划分为三个模糊子集：小、中、大；

将制动踏板位移划分为三个模糊子集：小、中、大；

根据三个模糊子集的组合，输出判断结果M₂＝{β₁,β₂,β₃},

即制动意图为紧急制动、中度制动、轻度制动的概率；

根据不同工况即不同的模糊子集组合，共有18种M₂，每种M₂的β₁、β₂、β₃取值根据实际使用情况调整。

进一步地，所述步骤(4)中DS证据理论融合方法如下：

制动意图为紧急制动、中度制动、轻度制动依次为事件A₁、A₂、A₃；

基本概率赋值函数m_i(A_i)＝M_i(A_i)；

信度函数的计算公式为：

式中，Θ为识别框架，代表所有可能事件的集合，A代表事件，B是A的子集，m(B)代表事件B的基本概率赋值函数；

计算归一化常数K：

利用Dempster证据合成规则分别计算紧急制动、中度制动、轻度制动的组合mass函数m₁₂，具体公式如下：

判决规则如下：

设存在A₁,

满足：

若有：

则A₁为最终识别结果，μ₁、μ₂为预先设定的阈值。

本发明的有益效果：

1、本发明提出的识别方法不局限于使用制动踏板压力、制动踏板位移等仅受驾驶员操作影响的因素作为输入，通过使用毫米波雷达引入了行驶工况。

2、本发明识别方法的输入参数包含了行驶工况和驾驶员两方面的因素，最后将两方面的识别结果通过DS证据理论进行决策层融合，使制动意图的识别更加准确。

附图说明

图1为本发明方法的流程图；

图2为本发明使用DS证据理论的融合流程图；

图3为mass函数示意表；

图4a为车速模糊子集隶属度函数图；

图4b为制动踏板压力模糊子集隶属度函数图；

图4c为制动踏板位移模糊子集隶属度函数图；

图5为模糊规则表。

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，本发明的一种基于多传感器融合的驾驶员制动意图识别方法，包括步骤如下：

(1)车辆行驶过程中，毫米波雷达获取前方物体相对自车的距离与相对运动速度信息；所述步骤(1)中前方物体相对自车的距离的计算公式为：

前方物体相对自车的运动速度的计算公式为：

式中，r为前方物体相对自车的距离，T为雷达的调制周期，ΔF为毫米波频率带宽；u为前方物体相对自车的运动速度，c为光速，f₀为雷达中心的工作频率，f_b+为动态目标反射信号与发射信息上升沿的频率差值，f_b-为下降沿的频率差值。

(2)驾驶员踩制动踏板时，制动踏板上的踏板力传感器获取制动踏板压力、踏板位移传感器获取制动踏板位移、车速传感器获取当前车速信息；

(3)根据步骤(1)、步骤(2)中获取的信息，计算得到对驾驶员制动意图的判断结果；

(31)由当前车速、前方物体相对自车的距离、前方物体相对自车的运动速度，并根据设定的判断规则A，得到判断结果M₁；

(32)由当前车速、制动踏板压力、制动踏板位移，并根据设定的判断规则B，得到判断结果E₂。

所述步骤(31)中的判断规则A具体如下：

引入参考系数ε，表示为：

式中，v为当前车速；

判断结果M₁＝{α₁,α₂,α₃},

制动意图为紧急制动的概率为α₁，制动意图为中度制动的概率为α₂，制动意图为轻度制动的概率为α₃；

规定ε的阈值为ε₁、ε₂，当时ε<ε₁、ε_1≤ε_≤ε₂、ε₂<ε时，得到不同的M₁，三种条件下的M₁根据实际使用情况调整，示例如下：

参照图4a-图4c所示，所述步骤(32)中的判断规则B具体如下：

对输入变量进行模糊化，选择三角函数作为输入变量的隶属度函数；

将车速划分为两个模糊子集：低速、高速；

将制动踏板压力划分为三个模糊子集：小、中、大；

将制动踏板位移划分为三个模糊子集：小、中、大；

根据三个模糊子集的组合，输出判断结果M₂＝{β₁,β₂,β₃},

即制动意图为紧急制动、中度制动、轻度制动的概率；

参照图5所示，根据不同工况即不同的模糊子集组合，共有18种M₂，每种M₂的β₁、β₂、β₃取值根据实际使用情况调整。

(4)使用DS证据理论对上述得到的判断结果进行融合，将满足融合规则的结果作为最终结果输出；

参照图2所示，所述步骤(4)中DS证据理论融合方法如下：

制动意图为紧急制动、中度制动、轻度制动依次为事件A₁、A₂、A₃；

基本概率赋值函数m_i(A_i)＝M_i(A_i)；

信度函数的计算公式为：

式中，Θ为识别框架，代表所有可能事件的集合，A代表事件，B是A的子集，m(B)代表事件B的基本概率赋值函数；

计算归一化常数K：

利用Dempster证据合成规则分别计算紧急制动、中度制动、轻度制动的组合mass函数m₁₂，mass函数示意表如图3所示，具体公式如下：

判决规则如下：

设存在A₁,

满足：

若有：

则A₁为最终识别结果，μ₁、μ₂为预先设定的阈值。

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 (6)

1.一种基于多传感器融合的驾驶员制动意图识别方法，其特征在于，包括步骤如下：

(1)获取车辆行驶过程中前方物体相对自车的距离与相对运动速度信息；

(2)获取制动过程中制动踏板压力、制动踏板位移及当前车速信息；

(3)根据步骤(1)、步骤(2)中获取的信息，计算得到对驾驶员制动意图的判断结果；

(4)使用DS证据理论对上述得到的判断结果进行融合，将满足融合规则的结果作为最终结果输出。

2.根据权利要求1所述的基于多传感器融合的驾驶员制动意图识别方法，其特征在于，所述步骤(1)中前方物体相对自车的距离的计算公式为：

前方物体相对自车的运动速度的计算公式为：

式中，r为前方物体相对自车的距离，T为雷达的调制周期，ΔF为毫米波频率带宽；u为前方物体相对自车的运动速度，c为光速，f₀为雷达中心的工作频率，f_b+为动态目标反射信号与发射信息上升沿的频率差值，f_b-为下降沿的频率差值。

3.根据权利要求1所述的基于多传感器融合的驾驶员制动意图识别方法，其特征在于，所述步骤(3)的具体步骤为：

(31)由当前车速、前方物体相对自车的距离、前方物体相对自车的运动速度，并根据设定的判断规则A，得到判断结果M₁；

(32)由当前车速、制动踏板压力、制动踏板位移，并根据设定的判断规则B，得到判断结果E₂。

4.根据权利要求3所述的基于多传感器融合的驾驶员制动意图识别方法，其特征在于，所述步骤(31)中的判断规则A具体如下：

引入参考系数ε，表示为：

式中，v为当前车速；

判断结果M₁＝{α₁,α₂,α₃},

制动意图为紧急制动的概率为α₁，制动意图为中度制动的概率为α₂，制动意图为轻度制动的概率为α₃；

规定ε的阈值为ε₁、ε₂，当时ε<ε₁、ε_1≤ε_≤ε₂、ε₂<ε时，得到不同的M₁，三种条件下的M₁根据实际使用情况调整，示例如下：

5.根据权利要求3所述的基于多传感器融合的驾驶员制动意图识别方法，其特征在于，所述步骤(32)中的判断规则B具体如下：

对输入变量进行模糊化，选择三角函数作为输入变量的隶属度函数；

将车速划分为两个模糊子集：低速、高速；

将制动踏板压力划分为三个模糊子集：小、中、大；

将制动踏板位移划分为三个模糊子集：小、中、大；

根据三个模糊子集的组合，输出判断结果M₂＝{β₁,β₂,β₃},

即制动意图为紧急制动、中度制动、轻度制动的概率；

根据不同工况即不同的模糊子集组合，共有18种M₂，每种M₂的β₁、β₂、β₃取值根据实际使用情况调整。

6.根据权利要求1所述的基于多传感器融合的驾驶员制动意图识别方法，其特征在于，所述步骤(4)中DS证据理论融合方法如下：

制动意图为紧急制动、中度制动、轻度制动依次为事件A₁、A₂、A₃；

基本概率赋值函数m_i(A_i)＝M_i(A_i)；

信度函数的计算公式为：

式中，Θ为识别框架，代表所有可能事件的集合，A代表事件，B是A的子集，m(B)代表事件B的基本概率赋值函数；

计算归一化常数K：

利用Dempster证据合成规则分别计算紧急制动、中度制动、轻度制动的组合mass函数m₁₂，具体公式如下：

判决规则如下：

设存在A₁,

满足：

若有：

则A₁为最终识别结果，μ₁、μ₂为预先设定的阈值。

Images