CN113401118B - 一种预测前车制动的驾驶辅助系统及方法 - Google Patents

一种预测前车制动的驾驶辅助系统及方法 Download PDF

Info

Publication number
CN113401118B
CN113401118B CN202110474380.2A CN202110474380A CN113401118B CN 113401118 B CN113401118 B CN 113401118B CN 202110474380 A CN202110474380 A CN 202110474380A CN 113401118 B CN113401118 B CN 113401118B
Authority
CN
China
Prior art keywords
vehicle
braking
reaction
time
fleet
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
CN202110474380.2A
Other languages
English (en)
Other versions
CN113401118A (zh
Inventor
郭应时
王畅
苏彦奇
谷梦路
肖星星
付锐
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.)
Changan University
Original Assignee
Changan 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 Changan University filed Critical Changan University
Priority to CN202110474380.2A priority Critical patent/CN113401118B/zh
Publication of CN113401118A publication Critical patent/CN113401118A/zh
Application granted granted Critical
Publication of CN113401118B publication Critical patent/CN113401118B/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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/09623—Systems involving the acquisition of information from passive traffic signs by means mounted on the vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0965—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages responding to signals from another vehicle, e.g. emergency vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096791—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is another vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes

Abstract

本发明属于驾驶安全技术领域，尤其涉及一种预测前车制动的驾驶辅助系统及方法。所述系统包括：路测设备和车载设备；其中，路侧设备包含毫米波雷达、智能高清摄像头和RSU智能路侧单元；RSU智能路侧单元包含边缘计算处理单元；车载设备包含OBU智能车载单元和车载显示屏；OBU智能车载单元包含数据存储单元、处理单元和无线通讯单元。本发明提供的预测前车制动的驾驶辅助系统可预测当车队第一辆车制动时车队内每一辆车的制动反应时间和最大制动减速度。将预测的自车前车的制动信息显示给自车驾驶员，从而使驾驶员可提前控制车辆，从而避免追尾事故的发生。

Description

一种预测前车制动的驾驶辅助系统及方法
技术领域
本发明属于驾驶安全技术领域，尤其涉及一种预测前车制动的驾驶辅助系统及方法。
背景技术
在人车路快速发展的同时，交通事故给国家和人民带来了巨大的人员伤亡和财产损失。其中追尾事故在事故总数中所占比例非常高。导致这类事故的主要原因是跟车距离过近，以致前车突然制动时驾驶员来不及反应，进而导致追尾事故的发生。
目前部分车辆上配置防碰撞预警系统，当自车存在追尾风险时，预警系统会通过声、光、电的方式提醒驾驶员保持车距，从一定程度上降低了追尾事故的发生。但是目前的防碰撞预警系统仅考虑了自车与前车的相对运动关系，当前车发生突发情况时，自车若采取紧急制动会存在被追尾的风险，易导致连环追尾事故的发生。
发明内容
针对现有技术中存在的问题，本发明的目的在于提供一种预测前车制动的驾驶辅助系统及方法，该系统可预测当车队第一辆车制动时车队内每一辆车的制动反应时间和最大制动减速度，将预测的自车前车的制动信息显示给自车驾驶员，从而使驾驶员可提前控制车辆，从而避免追尾事故的发生。
为了达到上述目的，本发明采用如下技术方案予以实现：
(一)一种预测前车制动的驾驶辅助系统，包括：路测设备和车载设备；其中，路侧设备包含毫米波雷达、智能高清摄像头和RSU智能路侧单元；所述智能路侧单元包含边缘计算处理单元；车载设备包含OBU智能车载单元和车载显示屏；所述OBU智能车载单元包含数据存储单元、处理单元和无线通讯单元；
所述毫米波雷达安装在路侧或中央隔离带上，且朝向车道线方向，用于采集车道内的车辆的运动数据信息，并将其传输给RSU智能路侧单元；其中，车辆的运动数据信息包含车辆的速度和后车的车头与前车的车尾之间的距离；
所述智能高清摄像头安装在所述毫米波雷达的上方，用于拍摄车道内的车辆图像，并将其传输给RSU智能路侧单元；
所述RSU智能路侧单元安装在公路的路侧，用于将车辆的运动数据信息和车辆图像传输给边缘计算处理单元；
所述边缘计算处理单元用于提取运动数据信息中的车辆的速度和后车的车头与前车的车尾之间的距离以及车辆图像中车辆制动时的时刻，并将其传输给OBU智能车载单元；
所述OBU智能车载单元安装于汽车前挡风玻璃内侧，用于将车辆的速度和后车的车头与前车的车尾之间的距离以及车辆图像中车辆制动时的时刻传输给数据存储单元；
所述数据存储单元用于对车辆的速度和后车的车头与前车的车尾之间的距离以及车辆图像中车辆制动时的时刻进行存储，同时将其传输给处理单元；
所述处理单元用于对车辆的速度和后车的车头与前车的车尾之间的距离以及车辆图像中车辆制动时的时刻进行处理，并将处理结果发送给无线通讯单元；
所述无线通讯单元用于将处理结果传输给车载显示屏；
所述车载显示屏安装在车辆仪表盘附近，用于向自车驾驶员显示前车的制动信息。
进一步的，所述路侧设备有多个，相邻两个所述路侧设备之间的间隔为 200m。
(二)一种预测前车制动的驾驶辅助方法，包括如下步骤：
步骤1，利用毫米波雷达和智能高清摄像头检测车道上是否存在多车跟车行为的车队，若是，则转至步骤2；
步骤2，当车队内任意一个车辆的制动灯亮起时，获取该车辆及其后所有车辆的制动时刻t、制动车辆的速度v、制动车辆后车的速度v以及制动车辆与后车之间的距离l，并根据第i个车辆的制动时刻ti、速度vi、第i个车辆制动时第i+1个车辆的速度
Figure GDA0003799102220000031
第i+1个车辆与第i个车辆之间的距离li-(i+1)以及第i+1个车辆制动时的制动时刻ti+1和速度vi+1计算第i个车辆的最大制动减速度amax i，第i+1个车辆的跟车时距Di+1、制动反应时间 T反应(i+1)和最大制动减速度amax(i+1)；其中，车队内车辆的总数为n，n≥3且n 为正整数，1≤i≤n且i为正整数；
步骤3，获取多个历史数据，提取每个历史数据中的前车的最大制动减速度、后车的跟车时距、后车的制动反应时间和后车的最大制动减速度，将其建立为一个样本，多个样本组成一个样本集并将样本集保存在存储单元中；
第i个车辆的制动灯亮起时，所采集的历史数据对应样本(amax i，Di+1， T反应(i+1)，amax(i+1))，其中，amax i为第i个车辆的最大制动减速度，Di+1为第i+1个车辆的跟车时距，T反应(i+1)为第i+1个车辆的制动反应时间， amax(i+1)为第i+1个车辆的最大制动减速度；
将存储单元中保存的每个样本中的前车的最大制动减速度和后车的跟车时距作为BP神经网络模型的输入，后车的制动反应时间和后车的最大制动减速度作为BP神经网络模型的输出，对BP神经网络模型进行训练，得到训练完成的BP神经网络模型；
步骤4，根据训练完成的BP神经网络模型可预测当车队内的车辆发生制动行为时其后面所有车辆的制动反应时间T反应和最大制动减速度amax，再根据预测的车队内制动车辆后面的所有车辆的制动反应时间T反应计算出自车前车的制动反应时间T总反应，并显示前车的制动信息，提醒自车及时作出调整。
进一步的，步骤1中，所述检测车道上是否存在多车跟车行为的车队，具体为：当车队内的每相邻两辆车之间的跟车距离小于100米时，则判定车辆间存在跟车行为，存在跟车行为的连续多辆车可判定为一个车队；否则，不存在跟车行为。
进一步的，步骤2中，第i个车辆的最大制动减速度amax i，第i+1个车辆的跟车时距Di+1、制动反应时间T反应(i+1)和最大制动减速度amax(i+1)的计算过程分别如下：
Figure GDA0003799102220000041
Figure GDA0003799102220000042
T反应(i+1)＝t(i+1)-ti
Figure GDA0003799102220000043
其中，Δt在本发明中设为0.5秒，ti为车队内第i个车辆的制动时刻，Δvi为车队内第i个制动车辆0.5秒的速度差，Δvi+1为车队内第i+1个制动车辆0.5秒的速度差，ti+1为车队内第i+1个车辆的制动时刻，li-(i+1)为车队内第i+1个车辆与第i个车辆之间的距离，
Figure DEST_PATH_GDA0003711524090000044
为第i个车辆制动时第 i+1个车辆的速度，amax i为第i个车辆制动时的最大制动减速度，amax(i+1)为第i+1个车辆制动时的最大制动减速度。
进一步的，步骤3中，对BP神经网络模型进行训练，具体为：
获取训练样本集和测试样本集，通过训练样本训练BP神经网络模型，得到训练后的BP神经网络模型，再通过测试样本对训练好的BP神经网络模型进行测试；当BP神经网络模型的输出与测试样本的标签之间的差值的平均值小于预设的误差阈值，则确定BP神经网络模型训练完成；
其中，训练样本集和测试样本集分别选自历史数据，每个样本由前车的最大制动减速度、后车的跟车时距、后车的制动反应时间和后车的最大制动减速度组成；测试样本的标签为后车的制动反应时间和后车的最大制动减速度。
进一步的，步骤4中，计算自车前车的制动反应时间T总反应，具体为：
T总反应(n-1)＝T反应(i+1)+T反应(i+2)+……T反应(n-1)
其中，T总反应(n-1)车队内第i个车辆制动时刻与第n-1个车辆制动时刻的时间差，即第i个车辆制动时，自车前车的制动反应时间；T反应(i+1)为车队内第i+1 个车辆的制动反应时间，T反应(i+2)为车队内第i+2个车辆的制动反应时间， T反应(n-1)为车队内第n-1个车辆的制动反应时间。
进一步的，步骤4中，当计算的车队内自车前车的制动反应时间T总反应≥5s 时，OBU智能车载单元暂时不对自车的车载显示屏发布提醒，经过 t等待＝T总反应-5s后再向自车的车载显示屏传输前车的制动信息，提醒自车及时作出调整。
本发明与现有技术相比，其有益效果在于：
(1)本发明提供的预测前车制动的驾驶辅助系统，主要利用毫米波雷达、智能高清摄像头和智能路侧单元RSU实时获取道路上的车辆信息，再通过智能车载单元OBU对车辆信息进行处理得到车队内的车辆的制动信息，最终通过车载显示屏显示前车的制动信息，提醒后车的驾驶员及时减速，避免了追尾事故的发生，且技术储备成熟，可靠性高，适合未来的广泛推广和应用。
(2)本发明提供的预测前车制动的驾驶辅助方法，可提前预测自车前车的制动行为，并给驾驶员进行安全提示，从而使驾驶员提前控制车辆，从而有效避免追尾事故的发生。
附图说明
图1是本发明实施例提供的预测前车制动的驾驶辅助装置的示意图。
其中，1：车队内的第1个车辆；2：车队内的第2个车辆；3：车队内的第3个车辆；4：车队内的第4个车辆；5：OBU智能车载单元；6：车载显示屏；7：毫米波雷达；8：智能高清摄像头；9：RSU智能路侧单元。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。下列实施例中未注明具体条件的试验方法，通常按照常规条件，或者按照各制造商所建议的条件。
实施例1
参考图1，本发明实施例提供了一种预测前车制动的驾驶辅助系统，包括：路测设备和车载设备；其中，路侧设备有多个，相邻两个路侧设备之间的间隔为200m，每个路侧设备包含毫米波雷达7、智能高清摄像头8和RSU智能路侧单元9；RSU智能路侧单元9包含边缘计算处理单元；车载设备包含OBU 智能车载单元5和车载显示屏6；OBU智能车载单元5包含数据存储单元、处理单元和无线通讯单元；
毫米波雷达7安装在路侧或中央隔离带上，且朝向车道线方向，用于采集车道内的车辆的运动数据信息，并将其传输给RSU智能路侧单元9；其中，车辆的运动数据信息包含车辆的速度、后车的车头与前车的车尾之间的距离；
智能高清摄像头8安装在毫米波雷达7的上方，用于拍摄车道内的车辆图像，并将其传输给RSU智能路侧单元9；
RSU智能路侧单元9安装在公路的路侧，用于将车辆的运动数据信息和车辆图像传输给边缘计算处理单元；
边缘计算处理单元用于提取运动数据信息中的车辆的速度和后车的车头与前车的车尾之间的距离以及车辆图像中车辆制动时的时刻，并将其传输给OBU智能车载单元5；
OBU智能车载单元5安装于汽车前挡风玻璃内侧，用于将车辆的速度和后车的车头与前车的车尾之间的距离以及车辆图像中车辆制动时的时刻传输给数据存储单元；
数据存储单元用于对车辆的速度和后车的车头与前车的车尾之间的距离以及车辆图像中车辆制动时的时刻进行存储，同时将其传输给处理单元；
处理单元用于对车辆的速度和后车的车头与前车的车尾之间的距离以及车辆图像中车辆制动时的时刻进行处理，并将处理结果发送给无线通讯单元；
无线通讯单元用于将处理结果传输给车载显示屏6；
车载显示屏6安装在车辆仪表盘附近，用于向自车驾驶员显示前车的制动信息；
本发明实施例中毫米波雷达7采用77GHz高频段毫米波雷达，有效探测距离200米，探测角度正负45度。
本发明提供的预测前车制动的驾驶辅助系统，主要利用毫米波雷达、智能高清摄像头和智能路侧单元RSU实时获取道路上的车辆信息，再通过智能车载单元OBU对车辆信息进行处理得到车队内的车辆的制动信息，最终通过车载显示屏显示前车的制动信息，提醒后车的驾驶员及时减速，避免了追尾事故的发生，且技术储备成熟，可靠性高，适合未来的广泛推广和应用。
实施例2
本发明实施例提供了一种预测前车制动的驾驶辅助方法，包括如下步骤：
步骤1，利用毫米波雷达和智能高清摄像头检测车道上是否存在多车跟车行为的车队，若是，则转至步骤2；
具体的，当车队内的每相邻两辆车之间的跟车距离小于100米时，则判定车辆间存在跟车行为，存在跟车行为的连续多辆车可判定为一个车队；否则，不存在跟车行为；其中，车队内的车辆总数为n，n≥3且n为正整数；
参考图1，当第1个车辆与第2个车辆之间的距离l1-2≤100m时，则判定第2个车辆跟随第1个车辆行驶，当第2个车辆与第3个车辆之间的距离 l2-3≤100m时，则判定第3个车辆跟随第2个车辆行驶，当第3个车辆与第4 个车辆之间的距离l3-4≤100m时，则判定第4个车辆跟随第3个车辆行驶，进一步可判定第1个车辆、第2个车辆、第3个车辆和第4个车辆组成一个车队；
步骤2，当车队内任意一个车辆的制动灯亮起时，获取该车辆及其后所有车辆的制动时刻t、制动车辆的速度v、制动车辆后车的速度v以及制动车辆与后车之间的距离l，并根据第i个车辆的制动时刻ti、速度vi、第i个车辆制动时第i+1个车辆的速度
Figure GDA0003799102220000081
第i+1个车辆与第i个车辆之间的距离li-(i+1)以及第i+1个车辆制动时的制动时刻ti+1和速度vi+1计算第i个车辆的最大制动减速度amax i，第i+1个车辆的跟车时距Di+1、制动反应时间 T反应(i+1)和最大制动减速度amax(i+1)；其中，车队内车辆的总数为n，n≥3且n 为正整数，1≤i≤n且i为正整数；
具体的，参考图1，当车队内的的车辆数目为4时，第1个车辆1的制动灯亮起时，获取第1个车辆1的制动时刻t1、速度v1、第2个车辆2的速度
Figure GDA0003799102220000082
第2个车辆2与第1个车辆1之间的距离l1-2；当第2个车辆2的制动灯亮起时，获取第2个车辆2的制动时刻t2、第2个车辆2的速度v2，第3个车辆 3的速度
Figure GDA0003799102220000083
第3个车辆3与第2个车辆2之间的距离l2-3；当第3个车辆3的制动灯亮起时，获取第3个车辆3的制动时刻t3、第3个车辆3的速度v3、第4个车辆4的速度
Figure GDA0003799102220000084
第4个车辆4与第3个车辆3之间的距离l3-4；当第4个车辆4的制动灯亮起时，获取第4个车辆4的制动时刻t4和第4个车辆4的速度v4；
根据第一辆车制动时的速度v1计算amax1；根据l1-2和
Figure GDA0003799102220000085
计算D2，其中，
Figure GDA0003799102220000091
根据t1和t2计算T反应2，其中，T反应2＝t2-t1；根据第二辆车制动时的速度v2计算amax 2；根据l2-3和
Figure GDA0003799102220000092
计算D3，其中，
Figure GDA0003799102220000093
根据t2和t3计算T反应3，其中，T反应3＝t3-t2；根据第三辆车制动时的速度v3计算 amax 3；根据l3-4和
Figure GDA0003799102220000094
计算D4，其中，
Figure GDA0003799102220000095
根据t3和t4计算T反应4，其中，T反应4＝t4-t3；
步骤3，获取多个历史数据，提取每个历史数据中的前车的最大制动减速度、后车的跟车时距、后车的制动反应时间和后车的最大制动减速度，将其建立为一个样本，多个样本组成一个样本集并将样本集保存在存储单元中；
以车队中的第i个车辆为例，当第i个车辆的制动灯亮起时，所采集的历史数据对应样本(amax i，Di+1，T反应(i+1)，amax(i+1))，其中，amax i为第i个车辆的最大制动减速度，Di+1为第i+1个车辆的跟车时距，T反应(i+1)为第 i+1个车辆的制动反应时间，amax(i+1)为第i+1个车辆的最大制动减速度；
将存储单元中保存的每个样本中的前车的最大制动减速度和后车的跟车时距作为BP神经网络模型的输入，后车的制动反应时间和后车的最大制动减速度作为BP神经网络模型的输出，对BP神经网络模型进行训练，得到训练完成的BP神经网络模型；
其中，为保证BP神经网络模型的预测结果，需要获取足够多的车辆的制动信息，本发明中初始样本数据量为1000组；
本发明实施例中对BP神经网络模型进行训练，具体为：
获取训练样本集和测试样本集，通过训练样本训练BP神经网络模型，得到训练后的BP神经网络模型，再通过测试样本对训练好的BP神经网络模型进行测试；当BP神经网络模型的输出与测试样本的标签之间的差值的平均值小于预设的误差阈值，则确定BP神经网络模型训练完成；
其中，训练样本集和测试样本集分别选自历史数据，每个样本由前车的最大制动减速度、后车的跟车时距、后车的制动反应时间和后车的最大制动减速度组成；测试样本的标签为后车的制动反应时间和后车的最大制动减速度；
具体的，本发明实施例中选取100个样本作为测试样本，将每个样本中的前车的最大制动减速度和后车的跟车时距输入训练好的BP神经网络模型中，训练好的BP神经网络模型输出的是后车的制动反应时间和后车的最大制动减速度，当BP神经网络模型输出的预测的后车的制动反应时间与样本中的后车反应时间的差值的平均值小于预设的制动反应时间的误差阈值，以及BP神经网络模型输出的预测的后车的最大制动减速度与样本中的后车的最大制动减速度的差值的平均值小于预设的最大制动减速度的误差阈值时，说明BP神经网络模型训练完成；
若BP神经网络模型输出的预测的后车的制动反应时间与样本中的后车反应时间的差值的平均值大于等于预设的制动反应时间的误差阈值或BP神经网络模型输出的预测的后车的最大制动减速度与样本中的后车的最大制动减速度的差值的平均值大于等于预设的最大制动减速度的误差阈值时，则要继续采集道路上车队的制动信息，扩大样本数量，对BP神经网络模型继续进行训练，直至达到精度要求；
其中，本发明实施例中预设的误差阈值包含预设的制动反应时间的误差阈值和预设的最大制动减速度的误差阈值，预设的制动反应时间的误差阈值和预设的最大制动减速度的误差阈值可以根据BP神经网络模型的训练精度进行设定，本发明在此不作具体限定。
进一步的，本发明实施例中以第i个车辆的最大制动减速度amax i和第 i+1个车辆的跟车时距Di+1作为BP神经网络模型的输入层，故输入层节点数为2；将第i+1个车辆的制动反应时间T反应(i+1)和最大制动减速度amax(i+1)作为 BP神经网络模型的输出层，故输出层节点数为2，其中，BP神经网络模型仅包含1个隐藏层，隐藏层节点数设为10；
为便于BP神经网络模型的训练，将样本数据进行归一化后输入BP神经网络模型，设定BP神经网络模型的隐藏层的激励函数为tan sig函数，BP神经网络模型的输出层的激励函数选择log sig函数，学习率设置为0.01，网络最大迭代次数为10000次，训练目标设置为0.01。本发明实施例中以BP神经网络模型为例，但不仅限于BP神经网络模型。
步骤4，根据训练完成的BP神经网络模型可预测当车队内的车辆发生制动行为时其后面所有车辆的制动反应时间T反应和最大制动减速度amax，再根据预测的车队内制动车辆后面的所有车辆的制动反应时间T反应计算出自车前车的制动反应时间T总反应，并显示前车的制动信息，提醒自车及时作出调整；
其中，计算自车前车的制动反应时间T总反应，具体为：
T总反应(n-1)＝T反应(i+1)+T反应(i+2)+……T反应(n-1)
其中，T总反应(n-1)为车队内车队内第i个车辆制动时刻与第n-1个车辆制动时刻的时间差，即第i个车辆制动时，自车前车的制动反应时间；T反应(i+1)为车队内第i+1个车辆的制动反应时间，T反应(i+2)为车队内第i+2个车辆的制动反应时间，T反应(n-1)为车队内第n-1个车辆的制动反应时间；
具体的，当车队内第i个车辆制动时，前车为车队内第n-1个车辆时为例，车载显示屏显示自车前车的制动信息具体为“前车将在T总反应(n-1)s后以最大制动减速度amax(n-1)进行减速”，提醒自车驾驶员注意减速；
进一步的，步骤4中，当计算的车队内自车前车的制动反应时间时 T总反应≥5s，OBU智能车载单元暂时不对自车的车载显示屏发布提醒，经过 t等待＝T总反应-5s后再向自车的车载显示屏传输前车的制动信息，提醒自车及时作出调整；
具体的，当车队内第i个车辆制动时，自车为车队内第n-1个车辆时为例，车载显示屏显示自车前车的制动信息具体为“前车将在5s后以最大制动减速度amax(n-1)进行减速”，提醒自车驾驶员注意减速。
本发明提供的预测前车制动的驾驶辅助方法，可提前预测自车前车的制动行为，并给驾驶员进行安全提示，从而使驾驶员提前控制车辆，从而有效避免追尾事故的发生。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种预测前车制动的驾驶辅助方法，其特征在于，包括如下步骤：
步骤1，利用毫米波雷达和智能高清摄像头检测车道上是否存在多车跟车行为的车队，若是，则转至步骤2；
步骤2，当车队内任意一个车辆的制动灯亮起时，获取该车辆及其后所有车辆的制动时刻t、制动车辆的速度v、制动车辆后车的速度v以及制动车辆与后车之间的距离l，并根据第i个车辆的制动时刻ti、速度vi、第i个车辆制动时第i+1个车辆的速度
Figure FDA0003799102210000011
第i+1个车辆与第i个车辆之间的距离li-(i+1)以及第i+1个车辆制动时的制动时刻ti+1和速度vi+1计算第i个车辆的最大制动减速度amaxi，第i+1个车辆的跟车时距Di+1、制动反应时间T反应(i+1)和最大制动减速度amax(i+1)；其中，车队内车辆的总数为n，n≥3且n为正整数，1≤i≤n且i为正整数；
步骤3，获取多个历史数据，提取每个历史数据中的前车的最大制动减速度、后车的跟车时距、后车的制动反应时间和后车的最大制动减速度，将其建立为一个样本，多个样本组成一个样本集并将样本集保存在存储单元中；
第i个车辆的制动灯亮起时，所采集的历史数据对应样本(amaxi，Di+1，T反应(i+1)，amax(i+1))，其中，amaxi为第i个车辆的最大制动减速度，Di+1为第i+1个车辆的跟车时距，T反应(i+1)为第i+1个车辆的制动反应时间，amax(i+1)为第i+1个车辆的最大制动减速度；
将存储单元中保存的每个样本中的前车的最大制动减速度和后车的跟车时距作为BP神经网络模型的输入，后车的制动反应时间和后车的最大制动减速度作为BP神经网络模型的输出，对BP神经网络模型进行训练，得到训练完成的BP神经网络模型；
步骤4，根据训练完成的BP神经网络模型可预测当车队内的车辆发生制动行为时其后面所有车辆的制动反应时间T反应和最大制动减速度amax，再根据预测的车队内制动车辆后面的所有车辆的制动反应时间T反应计算出自车前车的制动反应时间T总反应，并显示前车的制动信息，提醒自车及时作出调整。
2.根据权利要求1所述的预测前车制动的驾驶辅助方法，其特征在于，步骤1中，所述检测车道上是否存在多车跟车行为的车队，具体为：当车队内的每相邻两辆车之间的跟车距离小于100米时，则判定车辆间存在跟车行为，存在跟车行为的连续多辆车可判定为一个车队；否则，不存在跟车行为。
3.根据权利要求1所述的预测前车制动的驾驶辅助方法，其特征在于，步骤2中，第i个车辆的最大制动减速度amaxi，第i+1个车辆的跟车时距Di+1、制动反应时间T反应(i+1)和最大制动减速度amax(i+1)的计算过程分别如下：
Figure FDA0003799102210000021
Figure FDA0003799102210000022
T反应(i+1)＝t(i+1)-ti
Figure FDA0003799102210000023
其中，△t设为0.5秒，ti为车队内第i个车辆的制动时刻，△vi为车队内第i个制动车辆0.5秒的速度差，△vi+1为车队内第i+1个制动车辆0.5秒的速度差，ti+1为车队内第i+1个车辆的制动时刻，li-(i+1)为车队内第i+1个车辆与第i个车辆之间的距离，
Figure FDA0003799102210000024
为第i个车辆制动时第i+1个车辆的速度，amaxi为第i个车辆制动时的最大制动减速度，amax(i+1)为第i+1个车辆制动时的最大制动减速度。
4.根据权利要求1所述的预测前车制动的驾驶辅助方法，其特征在于，步骤3中，对BP神经网络模型进行训练，具体为：
获取训练样本集和测试样本集，通过训练样本训练BP神经网络模型，得到训练后的BP神经网络模型，再通过测试样本对训练好的BP神经网络模型进行测试；当BP神经网络模型的输出与测试样本的标签之间的差值的平均值小于预设的误差阈值，则确定BP神经网络模型训练完成；
其中，训练样本集和测试样本集分别选自历史数据，每个样本由前车的最大制动减速度、后车的跟车时距、后车的制动反应时间和后车的最大制动减速度组成；测试样本的标签为后车的制动反应时间和后车的最大制动减速度。
5.根据权利要求1所述的预测前车制动的驾驶辅助方法，其特征在于，步骤4中，计算自车前车的制动反应时间T总反应具体为：
T总反应(n-1)＝T反应(i+1)+T反应(i+2)+……T反应(n-1)
其中，T总反应(n-1)为车队内第i个车辆制动时刻与第n-1个车辆制动时刻的时间差，即第i个车辆制动时，自车前车的制动反应时间；T反应(i+1)为车队内第i+1个车辆的制动反应时间，T反应(i+2)为车队内第i+2个车辆的制动反应时间，T反应(n-1)为车队内第n-1个车辆的制动反应时间。
6.根据权利要求1所述的预测前车制动的驾驶辅助方法，其特征在于，步骤4中，当计算的车队内自车前车的制动反应时间T总反应≥5s时，OBU智能车载单元暂时不对自车的车载显示屏发布提醒，经过t等待＝T总反应-5s后再向自车的车载显示屏传输前车的制动信息，提醒自车及时作出调整。
CN202110474380.2A 2021-04-29 2021-04-29 一种预测前车制动的驾驶辅助系统及方法 Active CN113401118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110474380.2A CN113401118B (zh) 2021-04-29 2021-04-29 一种预测前车制动的驾驶辅助系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110474380.2A CN113401118B (zh) 2021-04-29 2021-04-29 一种预测前车制动的驾驶辅助系统及方法

Publications (2)

Publication Number Publication Date
CN113401118A CN113401118A (zh) 2021-09-17
CN113401118B true CN113401118B (zh) 2022-09-27

Family

ID=77677740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110474380.2A Active CN113401118B (zh) 2021-04-29 2021-04-29 一种预测前车制动的驾驶辅助系统及方法

Country Status (1)

Country Link
CN (1) CN113401118B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114038239B (zh) * 2021-11-08 2022-11-25 青岛海信网络科技股份有限公司 一种车辆碰撞预警方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006168509A (ja) * 2004-12-15 2006-06-29 Mazda Motor Corp 自動走行制御装置
EP2423063B1 (en) * 2010-08-23 2013-03-06 Harman Becker Automotive Systems GmbH Method of detecting the braking of a vehicle
CN202213552U (zh) * 2011-06-30 2012-05-09 东南大学 防追尾车载装置
JP6668640B2 (ja) * 2015-08-26 2020-03-18 いすゞ自動車株式会社 運転支援装置及び運転支援方法
CN205930492U (zh) * 2016-06-14 2017-02-08 南京安驾信息科技有限公司 安全驾驶装置及系统
CN110349423A (zh) * 2019-06-28 2019-10-18 京东数字科技控股有限公司 一种基于车路协同的路侧系统

Also Published As

Publication number Publication date
CN113401118A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
US11024165B2 (en) Driver behavior monitoring
CN110264783B (zh) 基于车路协同的车辆防碰撞预警系统及方法
US20220262239A1 (en) Determining causation of traffic events and encouraging good driving behavior
CN110164183A (zh) 一种在车车通信条件下考虑他车驾驶意图的安全辅助驾驶预警方法
CN108919256B (zh) 四维实景交通仿真车辆超速全程跟踪检测报警系统及方法
CN107346612B (zh) 一种基于车联网的车辆防碰撞方法和系统
US10332401B2 (en) Running vehicle alerting system and method
CN110400478A (zh) 一种路况通知方法及装置
EP3403219A1 (en) Driver behavior monitoring
CN111243274A (zh) 面向非网联交通个体的道路碰撞预警系统及方法
WO2020055693A1 (en) System and method for predicted vehicle incident warning and evasion
CN113192327B (zh) 兼顾交通流和个体的道路运行风险主动防控系统及方法
CN110428662A (zh) 基于毫米波的右侧防撞智能预警管理系统及工作方法
CN113190921A (zh) 用于智能汽车驾乘性能测试的自动评价方法及系统
US20220375349A1 (en) Method and device for lane-changing prediction of target vehicle
CN113401118B (zh) 一种预测前车制动的驾驶辅助系统及方法
CN114559933A (zh) 基于车路协同的无人驾驶车辆紧急避险感知与决策系统
CN111489560B (zh) 基于浅层卷积神经网络探测前车起步检测方法及控制方法
CN115346370B (zh) 基于智能交通的路口防碰撞系统及方法
CN116504065A (zh) 一种监测事件的数据处理方法
CN116165655A (zh) 一种基于毫米波雷达组群的全域车辆轨迹跟踪系统
CN117876976A (zh) 基于车辆和路侧感知数据的异常驾驶行为识别方法及系统
EP3822947B1 (en) Overtaking of vehicles travelling on the same road
WO2023132055A1 (ja) 評価装置、評価方法、及びプログラム
Ma et al. Research on Vehicle Warning Method Based on Improved YOLOv7

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Guo Yingshi

Inventor after: Wang Chang

Inventor after: Su Yanqi

Inventor after: Gu Menglu

Inventor after: Xiao Xingxing

Inventor after: Fu Rui

Inventor before: Wang Chang

Inventor before: Su Yanqi

Inventor before: Gu Menglu

Inventor before: Xiao Xingxing

Inventor before: Fu Rui

GR01 Patent grant
GR01 Patent grant