CN113335274B - 基于制动距离的车辆防撞预警方法及系统 - Google Patents
基于制动距离的车辆防撞预警方法及系统 Download PDFInfo
- Publication number
- CN113335274B CN113335274B CN202110764744.0A CN202110764744A CN113335274B CN 113335274 B CN113335274 B CN 113335274B CN 202110764744 A CN202110764744 A CN 202110764744A CN 113335274 B CN113335274 B CN 113335274B
- Authority
- CN
- China
- Prior art keywords
- driver
- age
- input value
- reaction time
- belongs
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000035484 reaction time Effects 0.000 claims abstract description 156
- 230000001133 acceleration Effects 0.000 claims abstract description 22
- 230000004888 barrier function Effects 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 7
- 230000004044 response Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 230000008921 facial expression Effects 0.000 description 3
- 230000001172 regenerating effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 238000005352 clarification Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002929 anti-fatigue Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
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
- B60W30/08—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
- 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
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/229—Attention level, e.g. attentive to driving, reading or sleeping
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于制动距离的车辆防撞预警方法及系统,获取行驶中车辆的状态信息;状态信息包括:车辆的速度、加速度、障碍物的位置和驾驶员的反应时间;驾驶员的反应时间获取过程为:根据驾驶员的年龄、驾驶员的驾龄和驾驶员的疲劳程度,利用模糊推理算法,计算出驾驶员的反应时间;计算当前车辆实际的反应时间距离和实际所需的制动距离;计算当前车辆实际的反应时间距离与实际所需的制动距离的和值,得到当前车辆所需的最小安全制动距离;计算障碍物距离与当前最小安全制动距离的差值,并将差值与设定阈值等级进行比较,根据差值所处的阈值等级,进行不同等级程度的报警。考虑影响因素全面,更符合汽车制动工作环境的实际情况,应用价值更高。
Description
技术领域
本发明涉及车辆防撞预警技术领域,特别是涉及基于制动距离的车辆防撞预警方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术,并不必然构成现有技术。
车辆防碰撞预警一个非常关键的因素就是计算驾驶员的反应时间,通过驾驶员的反应时间得到车辆所需制动距离;然而,发明人发现现有技术中,车辆防碰撞预警考虑的因素相对简单,例如只考虑车辆当前速度,或者只考虑车辆前方障碍物的距离,现有技术没有考虑利用驾驶员的反应时间来制定智能防碰撞预警机制,不能够实现汽车车载终端对即将发生碰撞的车辆及时发出预警信号。
发明内容
为了解决现有技术的不足,本发明提供了基于制动距离的车辆防撞预警方法及系统;
第一方面,本发明提供了基于制动距离的车辆防撞预警方法;
基于制动距离的车辆防撞预警方法,包括:
获取行驶中车辆的状态信息;其中,状态信息包括:车辆的速度、加速度、障碍物的位置和驾驶员的反应时间;其中,所述驾驶员的反应时间,获取过程包括:根据驾驶员的年龄、驾驶员的驾龄和驾驶员的疲劳程度,利用模糊推理算法,计算出驾驶员的反应时间;
获取根据车辆的速度、加速度、障碍物的位置、驾驶员的反应时间,计算当前车辆实际的反应时间距离和实际所需的制动距离;
计算当前车辆实际的反应时间距离与实际所需的制动距离的和值,得到当前车辆所需的最小安全制动距离;
计算障碍物距离与当前最小安全制动距离的差值,并将差值与设定阈值等级进行比较,根据差值所处的阈值等级,进行不同等级程度的报警。
第二方面,本发明提供了基于制动距离的车辆防撞预警系统;
基于制动距离的车辆防撞预警系统,包括:
获取模块,其被配置为:获取行驶中车辆的状态信息;其中,状态信息包括:车辆的速度、加速度、障碍物的位置和驾驶员的反应时间;其中,所述驾驶员的反应时间,获取过程包括:根据驾驶员的年龄、驾驶员的驾龄和驾驶员的疲劳程度,利用模糊推理算法,计算出驾驶员的反应时间;
第一计算模块,其被配置为:获取根据车辆的速度、加速度、障碍物的位置、驾驶员的反应时间,计算当前车辆实际的反应时间距离和实际所需的制动距离;
第二计算模块,其被配置为:计算当前车辆实际的反应时间距离与实际所需的制动距离的和值,得到当前车辆所需的最小安全制动距离;
报警模块,其被配置为:计算障碍物距离与当前最小安全制动距离的差值,并将差值与设定阈值等级进行比较,根据差值所处的阈值等级,进行不同等级程度的报警。
第三方面,本发明还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述第一方面所述的方法。
第四方面,本发明还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果是:
1.本公开克服了有关制动安全的研究大多局限于理想状况而没有考虑驾驶员不同反应时间的难题,在智能模糊推理方法的基础上,计及驾龄、年龄、疲劳程度等3个因素作为驾驶员反应时间的影响因素,提供了一种驾驶员反应时间智能模糊模型及实现方法。考虑影响因素全面,更符合汽车制动工作环境的实际情况,应用价值更高。
2.本公开提出的模型能够为考虑汽车安全制动距离的整车控制、电动汽车再生制动控制策略等的设计等提供一个精确且易实现的驾驶员反应时间参考模型,进而为汽车制动安全提供保障;本发明的驾驶员智能模糊模型设计简单,易于在整车控制器芯片中实现,具有很高的实用应用价值。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图;
图2为第一个实施例的模型模糊推理图;
图3为第一个实施例的驾驶员反应时间智能模糊模型构成图;
图4为第一个实施例的驾驶员年龄输入隶属度函数图;
图5为第一个实施例的驾驶员驾龄输入隶属度函数图;
图6为第一个实施例的驾驶员疲劳程度输入隶属度函数图;
图7为第一个实施例的驾驶员反应时间输出隶属度函数图;
图8为第一个实施例的在不同驾龄和疲劳度下驾驶员反应时间的输出图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了基于制动距离的车辆防撞预警方法;
基于制动距离的车辆防撞预警方法,包括:
S101:获取行驶中车辆的状态信息;其中,状态信息包括:车辆的速度、加速度、障碍物的位置和驾驶员的反应时间;
其中,所述驾驶员的反应时间,获取过程包括:根据驾驶员的年龄、驾驶员的驾龄和驾驶员的疲劳程度,利用模糊推理算法,计算出驾驶员的反应时间;
S102:获取根据车辆的速度、加速度、障碍物的位置、驾驶员的反应时间,计算当前车辆实际的反应时间距离和实际所需的制动距离;
S103:计算当前车辆实际的反应时间距离与实际所需的制动距离的和值,得到当前车辆所需的最小安全制动距离;
S104:计算障碍物距离与当前最小安全制动距离的差值,并将差值与设定阈值等级进行比较,根据差值所处的阈值等级,进行不同等级程度的报警。
进一步地,所述S102:获取根据车辆的速度、加速度、障碍物的位置、驾驶员的反应时间,计算当前车辆实际的反应时间距离和实际所需的制动距离;具体包括:
获取根据车辆的速度、加速度、障碍物的位置、驾驶员的反应时间,计算当前车辆实际的反应时间距离s1:
s1=v0t1;
计算实际所需的制动距离s2:
t2=t′2+t″2;
其中,v0为初始车速,t1为驾驶员的反应时间,t2为制动作用时间,t′2和t″2分别是制动时制动器起作用阶段、持续制动阶段两个阶段的时间,abmax是制动加速度最大值;
制动器起作用阶段,该阶段时间的长短主要取决于制动器结构形式,如踏板行程和制动力增长速度等。
持续制动阶段,该阶段时间的长短主要取决于最大制动减速度即附着力(或最大制动器制动力)以及起始制动车速。
进一步地,所述S103:计算当前车辆实际的反应时间距离与实际所需的制动距离的和值,得到当前车辆所需的最小安全制动距离:
进一步地,所述S104:计算障碍物距离与当前最小安全制动距离的差值,并将差值与设定阈值等级进行比较,根据差值所处的阈值等级,进行不同等级程度的报警;具体包括:
设置4种不同等级程度的报警阈值,分别代表非常严重A[0-5]、很严重B[5-10]、严重C[10-15]、比较严重D[15-20],当差值处于不同的阈值等级时,将作出不同的警报和主动制动操作。
进一步地,所述驾驶员的疲劳程度,获取过程包括:
通过驾驶室内的摄像头,采集驾驶员的面部表情图像,将采集的面部表情图像输入到训练后的疲劳程度识别模型中,输出驾驶员的疲劳程度数值。
进一步地,所述训练后的疲劳程度识别模型,训练过程包括:
构建卷积神经网络;
构建训练集;其中,所述训练集为已知驾驶员疲劳程度数值标签的面部表情图像;
将训练集输入到卷积神经网络中,对卷积神经网络进行训练,训练达到设定次数后,停止训练,得到训练后的卷积神经网络,也即得到了训练后的疲劳程度识别模型。
进一步地,所述根据驾驶员的年龄、驾驶员的驾龄和驾驶员的疲劳程度,利用模糊推理算法,计算出驾驶员的反应时间;具体包括:
将驾驶员的年龄、驾驶员的驾龄和驾驶员的疲劳程度,均进行归一化处理;
对归一化处理后的结果,利用预先设置好的模糊推理规则进行推理,得到驾驶员的反应时间。
进一步地,所述将驾驶员的年龄进行归一化处理,包括:
假设驾驶员的年龄为x;
进一步地,所述将驾驶员的驾龄进行归一化处理,包括:
假设驾驶员的驾龄为y;
进一步地,所述将驾驶员的疲劳程度进行归一化处理,包括:
假设驾驶员的疲劳程度z为很疲劳;则归一化为z=0;
假设驾驶员的疲劳程度z为疲劳;则归一化为z=0.5;
假设驾驶员的疲劳程度z为不疲劳;则归一化为z=1。
(1)进一步地,所述预先设置好的模糊推理规则;具体包括:
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于驾龄很短集合[0,0.04],则驾驶员的反应时间属于极大时间区间[0.9,1];取值为0.95秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于驾龄较短集合[0.04,0.1],则驾驶员的反应时间属于极大时间区间[0.9,1];取值为0.95秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于正常驾龄集合[0.1,0.2],则驾驶员的反应时间属于极大时间区间[0.9,1];取值为0.95秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于较长驾龄集合[0.2,0.3],则驾驶员的反应时间属于大时间区间[0.7,0.9];取值为0.8秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于很长驾龄集合[0.3,1],则驾驶员的反应时间属于大时间区间[0.7,0.9];取值为0.8秒。
(2)进一步地,所述预先设置好的模糊推理规则;具体包括:
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于驾龄很短集合[0,0.04],则驾驶员的反应时间属于大时间区间[0.7,0.9];取值为0.8秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于驾龄较短集合[0.04,0.1],则驾驶员的反应时间属于大时间区间[0.7,0.9];取值为0.8秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于正常驾龄集合[0.1,0.2],则驾驶员的反应时间属于较大时间区间[0.5,0.7];取值为0.6秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于较长驾龄集合[0.2,0.3],则驾驶员的反应时间属于中等时间区间[0.3,0.5];取值为0.4秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于很长驾龄集合[0.3,1],则驾驶员的反应时间属于中等时间区间[0.3,0.5];取值为0.4秒。
(3)进一步地,所述预先设置好的模糊推理规则;具体包括:
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于驾龄很短集合[0,0.04],则驾驶员的反应时间属于较大时间区间[0.5,0.7];取值为0.6秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于驾龄较短集合[0.04,0.1],则驾驶员的反应时间属于较大时间区间[0.5,0.7];取值为0.6秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于正常驾龄集合[0.1,0.2],则驾驶员的反应时间等于中等时间0.5秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于较长驾龄集合[0.2,0.3],则驾驶员的反应时间属于较小时间区间[0.3,0.5];取值为0.4秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于很长驾龄集合[0.3,1],则驾驶员的反应时间属于较小时间区间[0.3,0.5];取值为0.4秒。
(4)进一步地,所述预先设置好的模糊推理规则;具体包括:
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于驾龄很短集合[0,0.04],则驾驶员的反应时间属于大时间区间[0.7,0.9];取值为0.8秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于驾龄较短集合[0.04,0.1],则驾驶员的反应时间属于较大时间区间[0.5,0.7];取值为0.6秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于正常驾龄集合[0.1,0.2],则驾驶员的反应时间等于较大时间区间[0.5,0.7];取值为0.6秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于较长驾龄集合[0.2,0.3],则驾驶员的反应时间属于较大时间区间[0.5,0.7];取值为0.6秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于很长驾龄集合[0.3,1],则驾驶员的反应时间等于中等时间0.5秒。
(5)进一步地,所述预先设置好的模糊推理规则;具体包括:
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于驾龄很短集合[0,0.04],则驾驶员的反应时间属于较小时间区间[0.3,0.5];取值为0.4秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于驾龄较短集合[0.04,0.1],则驾驶员的反应时间属于小时间区间[0.1,0.3];取值为0.2秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于正常驾龄集合[0.1,0.2],则驾驶员的反应时间等于小时间区间[0.1,0.3];取值为0.2秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于较长驾龄集合[0.2,0.3],则驾驶员的反应时间属于极小时间区间[0,0.1];取值为0.05秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于很长驾龄集合[0.3,1],则驾驶员的反应时间属于极小时间区间[0,0.1];取值为0.05秒。
(6)进一步地,所述预先设置好的模糊推理规则;具体包括:
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于驾龄很短集合[0,0.04],则驾驶员的反应时间属于极大时间区间[0.9,1];取值为0.95秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于驾龄较短集合[0.04,0.1],则驾驶员的反应时间属于极大时间区间[0.9,1];取值为0.95秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于正常驾龄集合[0.1,0.2],则驾驶员的反应时间等于极大时间区间[0.9,1];取值为0.95秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于较长驾龄集合[0.2,0.3],则驾驶员的反应时间属于大时间区间[0.7,0.9];取值为0.8秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于很长驾龄集合[0.3,1],则驾驶员的反应时间属于大时间区间[0.7,0.9];取值为0.8秒。
(7)进一步地,所述预先设置好的模糊推理规则;具体包括:
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于驾龄很短集合[0,0.04],则驾驶员的反应时间等于中等时间0.5秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于驾龄较短集合[0.04,0.1],则驾驶员的反应时间属于较小时间区间[0.3,0.5];取值为0.4秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于正常驾龄集合[0.1,0.2],则驾驶员的反应时间等于较小时间区间[0.3,0.5];取值为0.4秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于较长驾龄集合[0.2,0.3],则驾驶员的反应时间属于小时间区间[0.1,0.3];取值为0.2秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于很长驾龄集合[0.3,1],则驾驶员的反应时间等于小时间区间[0.1,0.3];取值为0.2秒。
(8)进一步地,所述预先设置好的模糊推理规则;具体包括:
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于驾龄很短集合[0,0.04],则驾驶员的反应时间属于极大时间区间[0.9,1];取值为0.95秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于驾龄较短集合[0.04,0.1],则驾驶员的反应时间属于极大时间区间[0.9,1];取值为0.95秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于正常驾龄集合[0.1,0.2],则驾驶员的反应时间等于大时间区间[0.7,0.9];取值为0.8秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于较长驾龄集合[0.2,0.3],则驾驶员的反应时间属于大时间区间[0.7,0.9];取值为0.8秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于很长驾龄集合[0.3,1],则驾驶员的反应时间属于较大时间区间[0.5,0.7];取值为0.6秒。
(9)进一步地,所述预先设置好的模糊推理规则;具体包括:
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于驾龄很短集合[0,0.04],则驾驶员的反应时间属于较大时间区间[0.5,0.7];取值为0.6秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于驾龄较短集合[0.04,0.1],则驾驶员的反应时间属于较大时间区间[0.5,0.7];取值为0.6秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于正常驾龄集合[0.1,0.2],则驾驶员的反应时间等于中等时间0.5秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于较长驾龄集合[0.2,0.3],则驾驶员的反应时间等于中等时间0.5秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于很长驾龄集合[0.3,1],则驾驶员的反应时间等于中等时间0.5秒。
根据能量守恒定律,在理想情况下,摩擦力对物体做的功等于物体动能的变化量:
式中,μ是道路摩擦系数;sk是刹车距离;m是汽车质量;v是车速。
可知,在理想情况下,当汽车载重较轻、轮胎未抱死时,汽车制动距离与汽车质量无关。但是,在实际中,车载重越大,刹车距离就越长,这是因为在现实中当汽车载重过大时,刹车时容易出现轮胎抱死,此时最大制动力接近滚动与滑动的临界点,制动力已经不等于摩擦力,即
因此,制动力(附着力)越大,初始车速越低,制动距离越短。当不考虑汽车超重时,车速和道路摩擦系数对汽车制动性能影响很大,尤其是当从摩擦系数较大的路面高速驶入摩擦系数较小路面时,制动距离明显增大,将会严重影响汽车制动安全。此外,驾驶员自身状态是影响汽车制动安全的关键因素,如驾驶员反应时间、驾驶员制动踏板深度的控制等。其他因素,如风力、风向、制动温度等都会对制动距离产生影响,相对来说影响较小,可以忽略。目前有关制动安全的研究大多局限于理想状况,部分研究仅考虑了路面摩擦系数变化对安全制动距离的影响,而很少考虑驾驶员的反应时间,尤其是没有考虑不同驾龄、年龄、疲劳程度等状态对驾驶员的反应时间的影响。
实际上,汽车制动过程理想曲线如图1所示。t1是驾驶员的反应时间。反应时间是指驾驶员从外界获取信息并通过大脑分析发出指令直到运动器官开始执行动作所需的时间。具体到驾驶员的反应时间,则是指驾驶员从发现需要减速的信号到制动开始所需的时间。由于人类生理和心理因素的限制,该反应时间是有限的,并且随年龄和个体而变化。通常大约为0.3s~1.0s,这段时间的长短直接影响行车安全。t2=t2′+t2″称为制动器的动作时间,一般在0.2s~0.9s之间。t3是从e到f的连续制动时间,该过程中的减速度基本不变。在点f,驾驶员则是释放踏板而消除制动力所需的时间,t4通常在0.2s和1.0s之间。从制动过程的角度来看,它分为四个阶段:驾驶员的反应,制动动作,连续制动以及制动放松。制动距离通常是指从开始踩踏制动踏板到完全停止的距离。
从驾驶员观察交通情况到做出刹车动作,需要一段时间,同时因生理心理因素的限制,人对刺激的反应速度是有限的,且随个体不同而不同。例如,专业运动员反应时间仅0.1s,普通人在0.2s以上,正常情况下0.5s左右;实际上,除突发状况、惊吓失措外,大多数人的反应时间约为1秒以内。
实际上,驾驶员的反应时间受多方面的因素影响,比如驾龄、年龄、疲劳程度、性别、职业、情绪、酒精和药物的影响等。为分析驾驶员反应时间的影响因素,在假定驾驶员基本状态良好,如情绪稳定、无酒精和药物影响等,因此,驾驶员驾龄、年龄、疲劳程度等3个因素成为驾驶员反应时间的主要影响因素。为此,本发明通过智能模糊推理方法建立了一种驾驶员状态与反应时间之间的模糊关系模型,为考虑汽车安全制动距离的整车控制、电动汽车再生制动控制策略等的设计提供制动安全距离的参考。
在智能模糊推理方法的基础上,计及驾龄、年龄、疲劳程度等3个影响因素作为驾驶员反应时间的影响因素,提供了一种驾驶员反应时间智能模糊模型及实现方法。本公开提出的模型能够为考虑汽车安全制动距离的整车控制、电动汽车再生制动控制策略等的设计提供一个精确且易实现的驾驶员反应时间参考模型,进而为汽车制动安全提供保障;本发明的驾驶员智能模糊模型设计简单,易于在整车控制器芯片中实现,具有很高的实用应用价值。
驾驶员反应时间智能模糊模型,包括:
模型输入模糊化、模型规则库、模型模糊推理、模型输出清晰化等四部分组成;
所述模型输入模糊化,输入变量主要包括驾驶员驾龄、年龄、疲劳程度等3个主要影响因素,输入变量取值范围均为[0,1],而实际变量是具有物理意义的范围,因此输入变量必须经过限值和转换等模糊化处理。
所述模型规则库,包括:
①驾驶员反应时间随疲劳程度的增加而有所增大;
②驾驶员反应时间随驾龄经验的增加而有所减少;
③驾驶员反应时间中年最短,年轻次之,老年时间最长。据上述模糊规则,当驾驶员年龄适中、驾龄很长、不疲劳时,反应时间最短。
所述模型模糊推理,是驾驶员反应时间模型具体实现的模糊规则,由以下形式的一系列“if…,then…”模糊条件语句构成:Rule i:If X1 is Ai and X2 is Bi and X3 isCi,then Y is Yi。
所述的输出清晰化,输出变量的取值范围为[0,1],而实际输出的反应时间变量是具有物理意义的范围,因此输出变量必须经过限值和转换等清晰化(反模糊化)处理。
如图2所示,驾驶员反应时间智能模糊模型的实现方法,包括:
步骤(1),模型输入模糊化,根据有关法规,驾驶员年龄的范围是[18,70];根据最新年龄段划分方法,假定驾驶员分为青年18-45岁,中年45-60岁,老年60-70岁三个年龄段,则对应的模糊输入分别为[0,0.52],[0.52,0.81],[0.81,1]。显然,驾龄范围为[0,52],假定驾龄划分为很短0-2年,较短2-5年,适中5-10年,较长10-15年,很长15-52年五个驾龄段,则对应的模糊控制输入分别为[0,0.04],[0.04,0.1],[0.1,0.2],[0.2,0.3],[0.3,1]。疲劳程度为[0,1],其中0代表疲劳程度最高,1代表不疲劳。
步骤(2),模型模糊推理,模糊规则,由以下形式的一系列“if…,then…”模糊条件语句构成:Rule i:If X1 is Ai and X2 is Bi and X3 is Ci,then Y is Yi。
其中,Rule i表示第i条规则;X1、X2和X3表示模糊规则输入语言变量,这里分别指驾驶员年龄、驾龄和疲劳程度,Ai、Bi和Ci分别为输入变量X1、X2和X3对应的模糊集合,
其中,模糊集合Ai{Y,M,O}表示驾驶员年龄大小程度:老年、中年、年轻;如附图3所示;模糊集合Bi{VS,S,M,L,VL}表示驾龄长短的程度:很短、短、正常、长、很长;如附图4所示;Ci{VW,W,NW}表示驾驶员疲劳程度:很疲劳、疲劳、不疲劳;如附图5所示;Y为规则输出语言变量,Yi{VS,S,RS,M,RB,B,VB}为输出变量Y对应的模糊集合,这里表示驾驶员反应时间的修正系数:
极小,小,较小,中等,较大,大,极大;如图7和图8所示。
取值对应区间分别为:
[0,0.1]、[0.1,0.3]、[0.3,0.5]、[0.5,0.7]、[0.7,0.9]、[0.9,1]。如附图6所示。
步骤(3),模型输出清晰化,模型输出变量的取值范围为[0,1],实际反应时间是具有物理意义的范围,由于专业运动员反应时间仅0.1s,普通人在0.2s以上,正常情况下0.5s左右;除突然状况、惊吓失措外,大多数人的反应时间约为1秒。可见,驾驶员反应时间的取值范围也在[0,1]内,与模型输出变量的取值范围为[0,1]保持一致。因此清晰化可简化为一一对应的关系。
表1
实施例二
本实施例提供了基于制动距离的车辆防撞预警系统;
基于制动距离的车辆防撞预警系统,包括:
获取模块,其被配置为:获取行驶中车辆的状态信息;其中,状态信息包括:车辆的速度、加速度、障碍物的位置和驾驶员的反应时间;
其中,所述驾驶员的反应时间,获取过程包括:根据驾驶员的年龄、驾驶员的驾龄和驾驶员的疲劳程度,利用模糊推理算法,计算出驾驶员的反应时间;
第一计算模块,其被配置为:获取根据车辆的速度、加速度、障碍物的位置、驾驶员的反应时间,计算当前车辆实际的反应时间距离和实际所需的制动距离;
第二计算模块,其被配置为:计算当前车辆实际的反应时间距离与实际所需的制动距离的和值,得到当前车辆所需的最小安全制动距离;
报警模块,其被配置为:计算障碍物距离与当前最小安全制动距离的差值,并将差值与设定阈值等级进行比较,根据差值所处的阈值等级,进行不同等级程度的报警。
此处需要说明的是,上述获取模块、第一计算模块、第二计算模块和报警模块对应于实施例一中的步骤S101至S104,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重,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。
所提出的系统,可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
实施例三
本实施例还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述实施例一所述的方法。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述的方法。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于制动距离的车辆防撞预警方法,其特征是,包括:
获取行驶中车辆的状态信息;其中,状态信息包括:车辆的速度、加速度、障碍物的位置和驾驶员的反应时间;其中,所述驾驶员的反应时间,获取过程包括:根据驾驶员的年龄、驾驶员的驾龄和驾驶员的疲劳程度,利用模糊推理算法,计算出驾驶员的反应时间;
获取根据车辆的速度、加速度、障碍物的位置、驾驶员的反应时间,计算当前车辆实际的反应时间距离和实际所需的制动距离;
计算当前车辆实际的反应时间距离与实际所需的制动距离的和值,得到当前车辆所需的最小安全制动距离;
计算障碍物距离与当前最小安全制动距离的差值,并将差值与设定阈值等级进行比较,根据差值所处的阈值等级,进行不同等级程度的报警;
获取根据车辆的速度、加速度、障碍物的位置、驾驶员的反应时间,计算当前车辆实际的反应时间距离和实际所需的制动距离;具体包括:
获取根据车辆的速度、加速度、障碍物的位置、驾驶员的反应时间,计算当前车辆实际的反应时间距离s1:
s1=v0t1;
计算实际所需的制动距离s2:
t2=t′2+t″2;
其中,v0为初始车速,t1为驾驶员的反应时间,t2为制动作用时间,t'2和t″2分别是制动时制动器起作用阶段、持续制动阶段两个阶段的时间,abmax是制动加速度最大值。
3.如权利要求1所述的基于制动距离的车辆防撞预警方法,其特征是,所述根据驾驶员的年龄、驾驶员的驾龄和驾驶员的疲劳程度,利用模糊推理算法,计算出驾驶员的反应时间;具体包括:
将驾驶员的年龄、驾驶员的驾龄和驾驶员的疲劳程度,均进行归一化处理;
对归一化处理后的结果,利用预先设置好的模糊推理规则进行推理,得到驾驶员的反应时间。
4.如权利要求3所述的基于制动距离的车辆防撞预警方法,其特征是,所述将驾驶员的年龄进行归一化处理,包括:
假设驾驶员的年龄为x;
或者,
所述将驾驶员的驾龄进行归一化处理,包括:
假设驾驶员的驾龄为y;
或者,
所述将驾驶员的疲劳程度进行归一化处理,包括:
假设驾驶员的疲劳程度z为很疲劳;则归一化为z=0;
假设驾驶员的疲劳程度z为疲劳;则归一化为z=0.5;
假设驾驶员的疲劳程度z为不疲劳;则归一化为z=1。
5.如权利要求4所述的基于制动距离的车辆防撞预警方法,其特征是,所述预先设置好的模糊推理规则;具体包括:
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于驾龄很短集合[0,0.04],则驾驶员的反应时间属于极大时间区间[0.9,1];取值为0.95秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于驾龄较短集合[0.04,0.1],则驾驶员的反应时间属于极大时间区间[0.9,1];取值为0.95秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于正常驾龄集合[0.1,0.2],则驾驶员的反应时间属于极大时间区间[0.9,1];取值为0.95秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于较长驾龄集合[0.2,0.3],则驾驶员的反应时间属于大时间区间[0.7,0.9];取值为0.8秒;
当年龄模糊输入值属于老年集合[0.81,1],疲劳程度输入值等于很疲劳数值0,驾龄模糊输入值属于很长驾龄集合[0.3,1],则驾驶员的反应时间属于大时间区间[0.7,0.9];取值为0.8秒。
6.如权利要求4所述的基于制动距离的车辆防撞预警方法,其特征是,所述预先设置好的模糊推理规则;具体包括:
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于驾龄很短集合[0,0.04],则驾驶员的反应时间属于大时间区间[0.7,0.9];取值为0.8秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于驾龄较短集合[0.04,0.1],则驾驶员的反应时间属于大时间区间[0.7,0.9];取值为0.8秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于正常驾龄集合[0.1,0.2],则驾驶员的反应时间属于较大时间区间[0.5,0.7];取值为0.6秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于较长驾龄集合[0.2,0.3],则驾驶员的反应时间属于中等时间区间[0.3,0.5];取值为0.4秒;
当年龄模糊输入值属于中年集合[0.52,0.81],疲劳程度输入值等于疲劳数值0.5,驾龄模糊输入值属于很长驾龄集合[0.3,1],则驾驶员的反应时间属于中等时间区间[0.3,0.5];取值为0.4秒。
7.如权利要求4所述的基于制动距离的车辆防撞预警方法,其特征是,所述预先设置好的模糊推理规则;具体包括:
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于驾龄很短集合[0,0.04],则驾驶员的反应时间属于较大时间区间[0.5,0.7];取值为0.6秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于驾龄较短集合[0.04,0.1],则驾驶员的反应时间属于较大时间区间[0.5,0.7];取值为0.6秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于正常驾龄集合[0.1,0.2],则驾驶员的反应时间等于中等时间0.5秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于较长驾龄集合[0.2,0.3],则驾驶员的反应时间属于较小时间区间[0.3,0.5];取值为0.4秒;
当年龄模糊输入值属于青年集合[0,0.52],疲劳程度输入值等于不疲劳数值1,驾龄模糊输入值属于很长驾龄集合[0.3,1],则驾驶员的反应时间属于较小时间区间[0.3,0.5];取值为0.4秒。
8.基于制动距离的车辆防撞预警系统,其特征是,包括:
获取模块,其被配置为:获取行驶中车辆的状态信息;其中,状态信息包括:车辆的速度、加速度、障碍物的位置和驾驶员的反应时间;其中,所述驾驶员的反应时间,获取过程包括:根据驾驶员的年龄、驾驶员的驾龄和驾驶员的疲劳程度,利用模糊推理算法,计算出驾驶员的反应时间;
第一计算模块,其被配置为:获取根据车辆的速度、加速度、障碍物的位置、驾驶员的反应时间,计算当前车辆实际的反应时间距离和实际所需的制动距离;
第二计算模块,其被配置为:计算当前车辆实际的反应时间距离与实际所需的制动距离的和值,得到当前车辆所需的最小安全制动距离;
报警模块,其被配置为:计算障碍物距离与当前最小安全制动距离的差值,并将差值与设定阈值等级进行比较,根据差值所处的阈值等级,进行不同等级程度的报警;
获取根据车辆的速度、加速度、障碍物的位置、驾驶员的反应时间,计算当前车辆实际的反应时间距离和实际所需的制动距离;具体包括:
获取根据车辆的速度、加速度、障碍物的位置、驾驶员的反应时间,计算当前车辆实际的反应时间距离s1:
s1=v0t1;
计算实际所需的制动距离s2:
t2=t′2+t″2;
其中,v0为初始车速,t1为驾驶员的反应时间,t2为制动作用时间,t'2和t″2分别是制动时制动器起作用阶段、持续制动阶段两个阶段的时间,abmax是制动加速度最大值。
9.一种电子设备,其特征是,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764744.0A CN113335274B (zh) | 2021-07-06 | 2021-07-06 | 基于制动距离的车辆防撞预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110764744.0A CN113335274B (zh) | 2021-07-06 | 2021-07-06 | 基于制动距离的车辆防撞预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113335274A CN113335274A (zh) | 2021-09-03 |
CN113335274B true CN113335274B (zh) | 2022-11-01 |
Family
ID=77482922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110764744.0A Active CN113335274B (zh) | 2021-07-06 | 2021-07-06 | 基于制动距离的车辆防撞预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113335274B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113665580B (zh) * | 2021-09-26 | 2023-02-28 | 中汽创智科技有限公司 | 一种自动紧急制动控制方法、装置、设备及存储介质 |
CN114005286B (zh) * | 2021-10-29 | 2022-07-08 | 中国标准化研究院 | 基于桥头路面沉降路段的驾驶员疲劳驾驶监测与提醒方法 |
CN114506331B (zh) * | 2022-03-15 | 2024-06-21 | 东风汽车有限公司东风日产乘用车公司 | 碰撞风险预警方法、设备及存储介质 |
CN114742456A (zh) * | 2022-05-06 | 2022-07-12 | 中铁广州工程局集团第三工程有限公司 | 基于bim的狭小空间吊装施工方法、系统、设备及存储介质 |
CN115376319B (zh) * | 2022-08-22 | 2024-06-11 | 深圳市神州路路通网络科技有限公司 | 交通事故智能处理方法、装置、设备及存储介质 |
CN116461513B (zh) * | 2023-06-16 | 2023-09-22 | 中国第一汽车股份有限公司 | 车辆及其碰撞预警方法 |
CN116968765B (zh) * | 2023-09-21 | 2023-12-05 | 常州星宇车灯股份有限公司 | 一种具有自适应报警时距的车道偏离报警方法及系统 |
CN117831290B (zh) * | 2024-01-05 | 2024-08-20 | 中安智腾(河北)交通科技有限公司 | 一种基于物联网的行车安全监控预警系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8712827B2 (en) * | 2011-02-09 | 2014-04-29 | Pulsar Informatics, Inc. | Normalized contextual performance metric for the assessment of fatigue-related incidents |
DE102012025468A1 (de) * | 2012-12-28 | 2014-07-03 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum Bestimmen eines Zeitpunkts für das Bereitstellen einer Funktionalität mittels eines Fahrerassistenzsystems eines Kraftfahrzeugs, Fahrerassistenzsystem und Kraftfahrzeug |
CN103350670B (zh) * | 2013-07-16 | 2015-08-12 | 厦门金龙联合汽车工业有限公司 | 一种基于车联网技术的车辆前向防撞报警方法 |
CN109801511B (zh) * | 2017-11-16 | 2021-01-05 | 华为技术有限公司 | 一种碰撞预警方法及装置 |
CN111038502A (zh) * | 2019-12-17 | 2020-04-21 | 南京信息职业技术学院 | 一种安全车距预估、修正、预警、驾驶资质评估方法及系统 |
-
2021
- 2021-07-06 CN CN202110764744.0A patent/CN113335274B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113335274A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113335274B (zh) | 基于制动距离的车辆防撞预警方法及系统 | |
CN103531042B (zh) | 基于驾驶人类型的车辆追尾预警方法 | |
CN107161155B (zh) | 一种基于人工神经网络的车辆协同换道方法及其系统 | |
CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
CN109801511B (zh) | 一种碰撞预警方法及装置 | |
CN109542081B (zh) | 一种基于线下车辆减速度曲线的线上行车危险估计方法 | |
Tan et al. | On the use of monte-carlo simulation and deep fourier neural network in lane departure warning | |
US20200164882A1 (en) | Method for operating a driver assistance apparatus of a motor vhicle, driver assistance apparatus and motor vehicle | |
CN113788021B (zh) | 一种结合前车速度预测的自适应跟车巡航控制方法 | |
CN111038502A (zh) | 一种安全车距预估、修正、预警、驾驶资质评估方法及系统 | |
CN110262491B (zh) | 一种基于混合学习方式的车辆制动意图预测的方法及系统 | |
JP5041160B2 (ja) | 運転支援装置 | |
CN111783943B (zh) | 一种基于lstm神经网络的驾驶员制动强度预测方法 | |
CN114516320B (zh) | 行驶控制装置、行驶控制方法以及非临时性存储介质 | |
CN103150677A (zh) | 激进驾驶状态识别方法及系统 | |
US11560146B2 (en) | Interpreting data of reinforcement learning agent controller | |
CN112848906B (zh) | 行驶控制装置、行驶控制方法和非暂时性存储介质 | |
Thammachantuek et al. | Comparison of machine learning algorithm's performance based on decision making in autonomous car | |
CN106570560A (zh) | 基于标准化驾驶行为和相空间重构的驾驶风格定量评价方法 | |
Ambarak et al. | A neural network for predicting unintentional lane departures | |
Abdelrahman et al. | Driver behavior classification in crash and near-crash events using 100-CAR naturalistic data set | |
Rizianiza et al. | Design car braking system using mamdani fuzzy logic control | |
Deng et al. | Online intention recognition applied to real simulated driving maneuvers | |
Canale et al. | Personalization of ACC Stop and Go task based on human driver behaviour analysis | |
Gao et al. | The modeling and simulation of the car-following behavior based on fuzzy inference |
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 |