CN113479201A - 考虑驾驶人反应能力的换道场景车辆风险动态评价方法 - Google Patents
考虑驾驶人反应能力的换道场景车辆风险动态评价方法 Download PDFInfo
- Publication number
- CN113479201A CN113479201A CN202110960754.1A CN202110960754A CN113479201A CN 113479201 A CN113479201 A CN 113479201A CN 202110960754 A CN202110960754 A CN 202110960754A CN 113479201 A CN113479201 A CN 113479201A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- lane
- risk
- distance
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 49
- 230000004044 response Effects 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 69
- 230000001133 acceleration Effects 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 42
- 238000006073 displacement reaction Methods 0.000 claims description 27
- 230000035484 reaction time Effects 0.000 claims description 24
- 230000009471 action Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013058 risk prediction model Methods 0.000 claims description 12
- 238000000540 analysis of variance Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 230000003111 delayed effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000009825 accumulation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 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
- B60W30/18—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
- B60W30/095—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
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Regulating Braking Force (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种考虑驾驶人反应能力的换道场景车辆风险动态评价方法,属于车辆风险监测与预警领域,包括根据前、后车实时相对运动状态判断动态最小安全距离,考虑驾驶人反应能力的制动距离差异化计算方法,以及换道场景中的车辆风险动态预测方法,本发明通过计算前、后车的实时最小安全距离为动态预测车辆风险状态提供支撑,使用时间裕度作为驾驶人反应能力和碰撞风险的评价指标,实现对换道场景的车辆风险状态进行预测,能够实时监控跟车场景中自车与周围车辆的相对运动状态,计算车辆风险状态预测结果,能够为车辆风险监测与避撞系统提供技术积累和理论支撑。
Description
技术领域
本发明属于车辆风险监测与预警领域,更为具体地,涉及一种考虑驾驶人反应能力的换道场景车辆风险动态评价方法。
背景技术
驾驶安全是研究人员和相关机构共同关注的问题,根据2015年世界卫生组织发布的《全球道路安全状况报告》,全球每年约有125万人死于道路交通事故;根据国家安监总局国际交流合作中心、交通运输部国际合作事务中心和德国机动车监督协会联合调查的数据显示,中国近十年的年交通事故数量均超过20万次。由此可见,及时、可靠地监测车辆的风险状态,是改善道路交通安全的有效途径,能够为车辆风险监测与避撞系统提供技术积累和理论支撑。
换道导致碰撞事故的常见原因是在驾驶人主动换至有车车道或避让前车换道时,驾驶人难以正确的衡量前、后车的相对运动状态和相对距离的关系,使得两车的相对距离低于届时的最小碰撞距离,于是发生碰撞。
在车辆风险监测领域,主要的风险监测途径包括时间参数、距离参数和减速度参数。在跟车场景中,最常使用的参数是临碰撞时间(Time to Collision,TTC),以此评价前、后车的碰撞风险;此外,车头时距(Time Headway,THW)是自车与前车之间的时间间隔,车头时距代表着前后两辆车的前端通过同一地点的时间差,可以在一定程度上度量车辆碰撞风险,可以与TTC作为互补指标综合评价车辆风险状态。然而,在跟车场景的车辆风险预测研究中,TTC无法用于相对速度低或接近于0km/h的跟车场景,THW则忽略了前车的速度变化。因此,基于TTC和THW的车辆风险监测技术存在一定的局限性,忽略了自车与周围车辆之间时变的相对运动状态,有机动性不足、灵活性差和适用范围窄的缺陷。
发明内容
本发明的目的是提供一种考虑驾驶人反应能力的换道场景车辆风险动态评价方法,通过计算前、后车的实时最小安全距离为动态预测车辆风险状态提供支撑,使用时间裕度作为驾驶人反应能力和碰撞风险的评价指标,实现对换道场景的车辆风险状态进行预测。
为实现上述目的,本发明采用如下技术方案:考虑驾驶人反应能力的换道场景车辆风险动态评价方法,该方法应用于后车与前车的相对运动状态工况,以后车为主体由驾驶人操控自车换道引发潜在风险的情况,其特征在于,所述方法包括如下步骤:
步骤S1:定义时间裕度概念
以驾驶人在潜在风险换道场景下进行避撞操作需满足的最大反应时间作为时间裕度;
步骤S2:根据前、后车实时相对运动状态,确定时变最小纵向安全距离;
所述时变最小纵向安全距离为前车突然紧急制动,后车经过反应和制动,两车减速至完全停止且不发生碰撞;
步骤S3:根据驾驶人的制动全过程,确定车辆制动过程的总制动距离;
所述驾驶人的制动全过程分为四个阶段,四个阶段分别为驾驶人收到大脑决策信号后作出反应阶段、制动器发生作用阶段、持续制动阶段和放松制动器阶段;
步骤S4:建立车辆风险预测模型
①根据所述时变最小纵向安全距离和所述车辆制动过程的总制动距离建立避让换道场景中的车辆风险预测模型;
②根据所述时变最小纵向安全距离和所述车辆制动过程的总制动距离建立换至有车车道场景中的车辆风险预测模型;
步骤S5:车辆风险等级划分
①避让换道场景中的车辆风险等级划分
基于避让换道场景中的时间裕度数据,使用K-means聚类和方差分析法对车辆风险等级进行划分,得到6个风险等级,且风险等级级别的严重程度按照级别顺序依次降低,1级风险最高,6级风险最低;
②换至有车车道场景中的车辆风险等级划分
基于换至有车车道场景中的时间裕度数据,使用K-means聚类和方差分析法对车辆风险等级进行划分,得到6个风险等级,且风险等级级别的严重程度按照级别顺序依次降低,1级风险最高,6级风险最低。
进一步,所述步骤S2中根据前、后车实时相对运动状态,确定时变最小纵向安全距离的过程如下:
1)定义两车之间的纵向距离:以后车前端和前车后端的距离为两车之间的纵向距离;
2)根据两车之间的纵向距离,确定两车之间的最小安全纵向距离的过程如下:
沿着车道长度方向,两车同向行驶,前方车辆以最大制动减速度amax,brake制动,在制动反应时间τ′1内,后方车辆以amax,accel加速,然后以最小制动减速度amin,brake减速至停车,整个过程未碰撞,则最小安全纵向距离为:
其中:
其中,vr和vf分别是后车和前车车辆的纵向速度;τ′1是制动反应时间;amax,brake是最大制动减速度;amax,accel是最大加速度;amin,brake是最小制动减速度;Lmin是最小纵向安全距离;
3)不发生碰撞的临界条件
前、后辆车初始时刻不碰撞的临界条件:L0>0;
两车制动至静止的时刻,不发生碰撞的临界条件是:
进一步,所述步骤S3中根据驾驶人的制动全过程,确定车辆制动过程的总制动距离的过程如下:
当驾驶人观察到前方路况异常时会自主将右脚移至制动踏板上,紧急踩下制动踏板一直到踏板最大行程处,直到自车静止,驾驶人的制动全过程分为四个阶段:驾驶人收到大脑决策信号后作出反应、制动器发生作用、持续制动、放松制动器,车辆制动过程的总制动距离满足如下公式:
式中:s为总制动距离;u(0)为车辆初速度;ab(e)为车辆保持匀减速运动之前时刻的减速度;τ′1代表驾驶人的制动反应时间;τ″1代表驾驶人脚掌由油门踏板转移到制动踏板所需的移动时间,τ″1取0.1s;上述两段时间之和记为τ1,即τ1=τ′1+τ″1;τ′2代表制动踏板设计冗余行程的时间即制动系间隙协调时间;τ″2代表制动踏板有效行程由零达到最大行程所用的时间即制动力作用时间;制动系间隙协调时间和制动力作用时间之和为τ2,τ2=τ′2+τ″2。
进一步,所述步骤S4中避让换道场景中的车辆风险预测模型如下:
在换道场景中,前车紧急制动,后车为了避免发生碰撞而采取避让换道行为,后车既有匀减速运动还有侧向运动;
将前、后车在完成换道避让的过程拆分为两个阶段:
阶段(1)是驾驶人反应迟滞阶段,设ur(0)为后车速度的初速度,τ′1为驾驶人的制动反应时间,从前车有制动行为时开始,后车在驾驶人反应迟滞阶段的移动距离为|AF|=τ′1·ur(0);
阶段(2),前车制动至静止uf(t)=0,后车制动并横向避让,后车的质心沿x轴方向位移记为|FE|=sr,即,sr为后车跟驰距离,后车在此段位移为变减速运动,其计算方法如下式:
式中,n为采样点数量,urx(ti)为后车沿x轴方向的ti时刻行驶速度,Δt为数据的采样时间间隔,其中x轴方向为车道长度方向;
为了计算后车的横向位移,采用基于正弦函数的加速度模型描述车辆变道轨迹,车辆变换完车道的横向位移为P,取P=3.40m;y轴方向的行驶速度为ury(t)、加速度为ary(t),y轴方向为车道宽度方向;tmerge为换道持续时间;tadjust为车辆在变换车道行驶前进行纵向调整车速的时间,取tadjust=0.50s;|CE|为后车的横向位移;
由此得到后车速度和x轴方向的夹角θ,
设车长H=4.76m、车宽W=1.91m,则车辆质心和长边的夹角β:
两车的质心距离如下式:
xd=|AD|=H+L+sf,yd=0
其中:L为跟车距离,Sf为前车制动距离;
设两车之间的实时距离为|GK|,不会发生碰撞的条件为|GK|>Lmiss,Lmiss为两车之间的最小碰撞距离,Lmiss=0.10m,于是得到以下公式:
则:
最终得到前车减速、后车避让换道情景的时间裕度TMmerge-1与两车运动状态的关系如下:
urx(ti)为后车沿x轴方向的ti时刻行驶速度,由此可知,(1)后车初速度ur(0)为已知常量,设后车速度ur(t)不变,前车速度uf(t)越大,TMmerge-1越大,留给驾驶人的最低反应时间越长、碰撞风险越低;(2)设前、后车的速度ur(t)、uf(t)变化趋势已知,后车初速度ur(0)越大,TMmerge-1越小,说明后车初始跟车速度越大、碰撞风险越大。
进一步,所述步骤S4中换至有车车道场景中的车辆风险预测模型如下:
当本车道前方出现障碍物或破损道路时,驾驶人需换至另一条车道以避免事故发生,当预期换道车道有车辆行驶时,自车从其后方切入会有潜在碰撞风险,后车经过tadjust后产生横向位移和横向加速度,此段位移为|OJ|;θ(t)为车辆前进方向和沿x轴方向的夹角,x轴方向为车道长度方向;
JC段为车辆的换道行为过程,车辆的横向加速度ary(t)使用正弦函数加速度模型,基于JC段后车沿x轴方向位移计算如下:
式中,|JC|为前车车尾与后车产生换道意图时质心之间的距离;ary(t)为t时刻后车在y轴方向的加速度;arx(t)为t时刻后车在x轴方向的加速度;ar(t)为t时刻后车的加速度;tadjust为车辆在变换车道行驶前进行纵向调整车速的时间,取tadjust=0.5s;tmerge为换道持续时间;θ(t)为t时刻后车前进方向和x轴方向的夹角;
在tadjust时间段内,本换道情景为后车主动换道而非被动换道,因此tadjust为驾驶人换道前决策时间,为匀速运动,可得出|OC|、|CG|和|OK|的长度如下:
式中,|OC|为后车质心的移动距离;|CG|为后车质心与其左前方角点的沿车道长度方向的距离;|OK|为前车车尾与后车起点处质心之间的距离;τ和λ分别为对时间t的一重积分、二重积分变量符号;n为采样点数量,uf(t)为前车沿x轴方向的行驶速度,Δt为数据的采样时间间隔,ti为瞬时时刻;|yr|为后车质心与前车右侧边界沿y轴方向的距离;
当在K点处前车紧急制动、后车随即采取紧急制动措施,|GK|定义为两车之间的最小碰撞距离Lmiss,|GK|的计算方法如下:
Lmiss≤|GK|=(|OK|+sf)-(|OG|+sr)
考虑不发生碰撞的临界条件如下:
式中,uf(ti)为ti瞬时时刻的前车速度;af(t)为t时刻的前车加速度;ur(0)为后车初速度;ur(t)为t时刻的后车速度;arx(t)为t时刻后车在x轴方向的加速度;ary(t)为t时刻后车在y轴方向的加速度;θ(t)为t时刻后车前进方向和x轴方向的夹角;τ′1为驾驶人的制动反应时间;τ1为驾驶人制动反应时间τ′1与驾驶人脚掌由油门踏板转移到制动踏板所需的移动时间之和;H为车身长度;τ和λ分别为对时间t的一重积分、二重积分变量符号;τ2为制动系间隙协调时间和制动力作用时间之和;进一步地,当获取该公式中的其他变量时。即可得到此情景下的时间裕度TMmerge-2与两车之间相对运动状态的关系。
进一步,所述步骤S5中车辆风险等级划分的过程如下:
使用K-means聚类得到的不同类别时间裕度的簇,鉴于时间裕度越低的对应越高的车辆风险等级,时间裕度越高对应越低的车辆风险等级;因此,根据每个簇的数值区间范围,数值小为高风险,数值大为低风险,每个簇按照其数值区间的排序确定车辆风险等级;
使用方差分析法ANOVA提出各簇之间的无差异假设H0、有显著差异假设H1,选择F统计量作为检验统计量,计算检验统计量的观测值和概率P值,首先,排除接受H1假设的聚类方式;其次,同时以各聚类方式的轮廓系数最大化和误差最小化为评价准则,轮廓系数接近+1表示簇内的个案之间紧凑,最终确定k值的聚类参数;
至此,得到的聚类簇即为不同的风险等级划分结果。
通过上述设计方案,本发明可以带来如下有益效果:本发明提出了一种考虑驾驶人反应能力的换道场景车辆风险动态评价方法,根据前、后车实时相对运动状态判断动态最小安全距离,考虑驾驶人反应能力的制动距离差异化计算方法,以及换道场景中的车辆风险动态预测方法,本发明通过计算前、后车的实时最小安全距离为动态预测车辆风险状态提供支撑,使用时间裕度作为驾驶人反应能力和碰撞风险的评价指标,实现对换道场景的车辆风险状态进行预测,能够实时监控换道场景中自车与周围车辆的相对运动状态,计算车辆风险状态预测结果,能够为车辆风险监测与避撞系统提供技术积累和理论支撑。
附图说明
此处的附图说明用来提供对本发明的进一步理解,构成本发明申请的一部分,本发明示意性实施例及其说明用于理解本发明,并不构成本发明的不当限定,在附图中:
图1为本发明实施例中避让换道场景的车辆避让运动轨迹示意图;
图2为本发明实施例中避让换道场景局部风险避让示意图;
图3为本发明实施例中换至有车车道场景车辆避让运动轨迹示意图;
图4为本发明实施例中换至有车车道场景局部风险避让示意图;
图5为本发明实施例中避让换道场景的驾驶人时间裕度聚类结果;
图6为本发明实施例中换至有车车道场景的驾驶人时间裕度聚类结果。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂,下面结合本发明的实施例中的附图,对本发明中的技术方案进行清楚完整地描述。显然,本发明不受下述实施例的限制,可根据本发明的技术方案与实际情况来确定具体的实施方式。为了避免混淆本发明的实质,公知的方法、过程和流程并没有详细叙述。
本发明提出的考虑驾驶人反应能力的换道场景车辆风险动态预测方法为一种基于驾驶人时间裕度的车辆风险状态预测方法。
一、本发明的前提条件与工况限定
本发明使用驾驶人在潜在风险换道场景下进行避撞操作需满足的最大反应时间作为评价后车潜在风险评价指标的概念,以此描述后车的潜在风险情况,并将这一概念定义为时间裕度。
本发明的使用前提条件需智能汽车具有驾驶人制动反应时间估计模块,能够对不同类型的驾驶人的制动反应时间进行估计,所得到的制动反应时间用于本发明的风险预测方法中。
鉴于基于时间裕度的风险评价方法主要针对自车与前车的相对运动状态工况。因此,本发明提出的车辆风险状态预测方法主要面向以后车为主体的驾驶场景,模型的适用工况限定如下:
(1)由于本发明考虑由自车(即试验车辆)驾驶人的风险驾驶行为导致车辆处于的风险行驶状态,同时履行我国交通规则的责任划分方法,仅考虑了由自车引发的责任风险,设计试验工况不包括其他车引发的责任风险。具体地,本发明以后车作为自车,排除自车反向行驶(例如溜车)撞到后车等特殊情况;也排除其他车辆主动碰撞自车的情况。
(2)本发明仅涵盖由驾驶人操控自车引发的风险情况,包括风险驾驶行为、失误行为或错误行为引发的潜在风险,由恶意驾驶、疲劳驾驶等条件引发的潜在风险不在研究范围内。
(3)本发明的换道场景是在换道过程中车辆保持稳定行驶的前提下,即:不发生因轮胎侧向力饱和导致车辆侧滑或因车辆侧倾角度过大而导致侧翻的情况。
二、时变最小纵向安全距离计算方法
定义两车之间的纵向距离为后车前端和前车后端的距离,假设安全距离恰好够大使得任何情况下后车不会碰撞前车,使用极限条件下最小安全纵向距离的概念应对这种工况,即:前车突然紧急制动,后车经过反应和制动,两车减速至完全停止且不发生碰撞。
为了求极限的最小安全纵向距离,具体地,将此极限条件描述为:假设Cr是一辆在纵轴上位于Cf后面的车辆,两车同向行驶,前方车辆Cf以最大制动减速度amax,brake制动,在制动反应时间τ′1内,后方车辆Cr以amax,accel加速,然后以最小制动减速度amin,brake减速至停车,整个过程没有碰撞,则最小纵向安全距离的计算方法如公式(1):
式中,vr和vf分别是后车和前车车辆的纵向速度;需要说明的是,
式中,amax,brake是最大制动减速度;amax,accel是最大加速度;amin,brake是最小制动减速度;Lmin是最小纵向安全距离。
设L0为前方车辆Cf和后方车辆Cr之间的初始距离,记为制动反应时间内速度的最大值;前车速度随着时间t以amax,brake减小(直到静止或发生碰撞);后车的速度在时间间隔[0,τ′1](直到达到制动反应时间τ′1的最大速度)内增加,然后以最小制动减速度amin,brake减速至速度为0或发生碰撞。
其中,如果在某个时间点两辆车的速度相同,那么从该时刻起前车的速度会变小,它们之间的距离会单调递减直到两辆车都停止(如果发生碰撞,“距离”可能为负数)。最差的“距离”情况发生在初始时刻或两车制动至静止的时刻,不发生碰撞的条件是,前者要求L0>0;后者,两车行驶过的距离分别是和此时不发生碰撞的条件如公式(2):
三、车辆制动过程分析和制动距离计算方法
通常情况下,当驾驶人观察到前方路况异常时会自主将右脚移至制动踏板上,紧急踩下制动踏板一直到踏板最大行程处,直到自车静止。驾驶人的制动全过程分为四个阶段:驾驶人收到大脑决策信号后作出反应、制动器发生作用、持续制动、放松制动器。对于车速很低的情况,车辆可能出现未达到最大制动減速度便已经停车,此类情景的风险低,在此不做考虑。整个车辆减速运动过程分为四个阶段:τ1、τ2、τ3、τ4,其含义和解释如下:
阶段Ⅰ:驾驶人产生意识至制动踏板未产生制动力阶段时间τ1。τ′1代表驾驶人发现异常时的反应时间和其将脚掌松开油门踏板所需的时间之和,即制动反应时间;τ″1代表驾驶人脚掌由油门踏板转移到制动踏板所需的移动时间;上述两段时间之总和记为τ1,τ1=τ′1+τ″1,通常取τ″1=0.1s。
阶段Ⅱ:制动系间隙协调时间和制动力作用时间之和为τ2,τ2=τ′2+τ″2。为了防止车辆制动系统过于灵敏而产生误动作,车辆设计时故意保留制动系部件回弹位弹簧、蹄片与制动鼓等之间的间隙,τ′2代表制动踏板设计冗余行程的时间。制动力上升阶段τ″2代表制动踏板有效行程由零达到最大行程所用的时间,此时车辆制动油压也开始线性上升,车辆受到的制动力也线性增长,最终达到减速度也随之增长的目的。
阶段Ⅲ:制动压力保持阶段τ3代表当车辆获得最大制动力时,将车辆速度一直减小至静止所用的时间。
阶段Ⅳ:制动力解除阶段τ4代表当驾驶人意识到车辆危险解除后,将脚掌从制动踏板移开所需的时间,这段时间还包括制动液压所需的泄压时间,请参见,孙宁,基于驾驶员特性辨识的AEB控制策略研究[D],吉林大学,2019。
经过对驾驶人遇到紧急情况时采取制动措施的四个阶段的详细分析,需要计算各阶段所需的制动距离以确保行车安全。由上述信息可以计算出车辆在各个阶段的行驶距离。
在阶段Ⅰ,驾驶人无操纵或制动行为,故将此阶段视为车辆的匀速运动,设车辆初速度为u(0),初始减速度ab(0)=0,τ1段车辆驶过的距离为s′1:
τ1=τ′1+τ″1 (3)
s′1=τ1·u(0)=(τ′1+τ″1)·u(0) (4)
在阶段Ⅱ,参见索科洛夫斯基,汽车制动过程的实验研究[J],交通运输,2005,20(3):91-95。(Sokolovskij E.Experimental investigation of the braking process ofautomobiles[J].Transport,2005,20(3):91-95.),该文献统计的制动系间隙协调时间取τ′2=0.1s。随后,在制动器起作用之后的时间段τ″2,制动减速度ab(t)从ab(0)呈线性增长至制动减速度ab(e),车辆的制动力和最大制动力分别记为Fp(t)、Fpmax。
式中,ab(t)为t时刻的制动减速度。
∫du=∫ktdt (7)
式中,u为车速,u(0)为初速度,u(t)为t时刻的车速,t为时间,k为加速度随时间的变化率。
式中,s代表车辆行驶的距离。
进一步得到t=τ″2时的距离s″1计算方法如(10):
此处的ab(e)即为车辆的制动减速度。
则在τ1+τ2段的制动距离s1的计算方法如(11):
在阶段Ⅲ,持续制动阶段τ3中制动力达到恒定值Fp(e),车辆减速度达到所需值ab(e)并保持恒定做匀减速运动,此阶段初速度为u(e)、末速度为0km/h,带入u(e)得到τ3段的制动距离为:
阶段Ⅳ为车辆静止后松开制动踏板的过程,此过程时间短暂且车辆已处于静止状态,因风险低而不在本发明的考虑范围。
综上,车辆制动过程的总制动距离如公式(13),τ1=τ′1+τ″1代表驾驶人产生意识至制动踏板未产生制动力阶段时间,τ2=τ′2+τ″2合称为车身电子稳定系统制动作用时间,由于τ′1、τ″1、τ′2和τ″2很小,显然,当ab(e)越大,总制动距离s会越小。
四、避让换道场景中的车辆风险预测模型(适用场景1即避让换道场景)
当本车道前方出现货车或慢行车辆使驾驶人期望满足度不断下降时,驾驶人周围目标车辆的运行状态作为信息刺激源诱使驾驶人产生换道意图。
在换道场景中,第一种常见的工况是前车紧急制动,后车为了避免发生碰撞而采取避让换道行为,此时的前车制动运动状态与跟车场景相似,后车既有匀减速运动还有侧向运动。此场景的换道避让运动轨迹示意图如图1所示,图中标注的主要参数变量包括了跟车距离L、后车速度ur(t)、前车速度uf(t)、车辆几何尺寸H×W(车长为H,车宽为W)、前车制动距离Sf、后车跟驰距离sr、各车辆的运动状态和质心位置;Lmiss=0.10m为两车之间的最小碰撞距离。
将前、后车在完成换道避让的过程拆分为两个阶段。
阶段(1),是驾驶人反应迟滞阶段,设ur(0)为后车速度的初速度,τ′1为驾驶人的制动反应时间,从前车有制动行为时开始,后车在驾驶人反应迟滞阶段的移动距离为|AF|=τ′1·ur(0)。
阶段(2),前车制动至静止uf(t)=0,后车制动并横向避让(图2以左侧换道为例),后车的质心沿x轴方向位移记为|FE|=sr,后车在此段位移为变减速运动,其计算方法如式(14):
式中,n为采样点数量,urx(ti)为后车沿x轴方向的ti时刻行驶速度,Δt为数据的采样时间间隔。
为了计算后车的横向位移,采用基于正弦函数的加速度模型描述车辆变道轨迹,车辆变换完车道的横向位移为P,本发明取P=3.40m,即试验场地单向车道的宽度;y轴方向的行驶速度为ury(t)、加速度为ary(t);tmerge为换道持续时间;tadjust为车辆在变换车道行驶前进行纵向调整车速的时间,取tadjust=0.50s;|CE|为后车的横向位移。
由此可以得到后车速度和x轴方向的夹角θ:
试验车长H=4.76m、车宽W=1.91m,则车辆质心和长边的夹角β:
两车的质心距离如下式:
xd=|AD|=H+L+sf,yd=0 (20)
为了深入分析避撞过程的局部运动状态,提取换道场景的局部避撞模型如图2所示。设两车之间的实时距离为|GK|,当前车从后临界点移动至前临界点的过程中存在碰撞的可能性,当且仅当两车处于质心距离最短的相对位置时,两车的实时距离|GK|易于计算,整个过程中只要|GK|>Lmiss就不会发生碰撞,于是得到以下公式:
将前述的变量和常量带入公式(24)中,最终得到前车减速、后车避让换道情景的驾驶人时间裕度TMmerge-1与两车运动状态的关系如(26):
从TMmerge-1的表达式(26)中可以得出结论:(1)后车初速度ur(0)为已知常量,假设后车速度ur(t)不变,前车速度uf(t)越大,TMmerge-1越大,留给驾驶人的最低反应时间越长、碰撞风险越低;(2)假设前、后车的速度ur(t)、uf(t)变化趋势已知,后车初速度ur(0)越大,TMmerge-1越小,说明后车初始跟车速度越大、碰撞风险越大。
五、换至有车车道场景中的车辆风险预测模型(适用场景2即换至有车车道场景)
当本车道前方出现障碍物或破损道路时,驾驶人需要换至另一条车道以避免事故发生,当预期换道车道有车辆行驶时,自车从其后方切入会有潜在碰撞风险。
此场景的换道避让运动轨迹示意图如图3所示,图中标注的主要参数变量包括了跟车距离L、后车速度ur(t)、前车速度uf(t)、车辆几何尺寸H×W(车长为H,车宽为W)、前车制动距离sf、后车跟驰距离sr、各车辆的运动状态和质心位置;Lmiss为两车之间的最小碰撞距离。
为了深入分析避撞过程的局部运动状态,提取后方车辆切入场景的局部风险避让模型如图4,分别展示了两个后方车辆关于前方车辆的相对位置关系,两个相对位置产生了切点F(纵向相切)和交点G(纵向重合),F点的产生情况为当且仅当后车左前角与前车边角或侧面发生碰撞时,G点的产生情况为后车的前边与前车的后右角发生碰撞时。理论上从时间发生顺序考虑,F点早于G点的产生,因此,将|GK|定义为两车之间的最小碰撞距离Lmiss。
后车经过tadjust后产生横向位移和横向加速度,此段位移为|OJ|;θ(t)为前进速度和沿x轴方向分速度的夹角。
JC段为车辆的换道行为过程,车辆的横向加速度ary(t)使用正弦函数加速度模型,基于JC段后车沿x轴方向位移计算如下:
式中,ary(t)为t时刻后车在y轴方向的加速度,arx(t)为t时刻后车在x轴方向的加速度,ar(t)为t时刻后车的加速度,tadjust为车辆在变换车道行驶前进行纵向调整车速的时间,取tadjust=0.5s,tmerge为换道持续时间,θ为后车速度和x轴方向的夹角。
在tadjust时间段内,本换道情景为后车自主换道而非被动换道,因此tadjust普遍为驾驶人换道前决策时间,该过程持续短暂、无明显操控行为,所以视为匀速运动。进一步可推导出|OC|、|CG|和|OK|的长度。
式中,结合附图3、4,|OC|为后车质心的移动距离;|CG|为后车质心与其左前方角点的沿车道长度方向的距离;|OK|为前车车尾与后车起点处质心之间的距离;τ和λ分别为对时间t的一重积分、二重积分变量符号;n为采样点数量,uf(t)为前车沿x轴方向的行驶速度,Δt为数据的采样时间间隔,ti为瞬时时刻;|yr|为后车质心与前车右侧边界沿x轴方向的距离;
当在K点处前车紧急制动、后车随即采取紧急制动措施,|GK的计算方法如(34),同时考虑避撞最小条件得到公式(35)。
Lmiss≤|GK|=(|OK|+sf)-(|OG|+sr) (34)
式中,uf(ti)为ti瞬时时刻的前车速度,af(t)为t时刻的前车加速度,ur(0)为后车初速度,ur(t)为t时刻的后车速度,arx(t)为t时刻后车在x轴方向的加速度,ary(t)为t时刻后车在y轴方向的加速度,θ(t)为t时刻后车沿x轴方向的夹角,τ′1为驾驶人的制动反应时间;τ1为驾驶人制动反应时间τ′1与驾驶人脚掌由油门踏板转移到制动踏板所需的移动时间之和,H为车身长度;τ2为制动系间隙协调时间和制动力作用时间之和。
带入前文推理和计算的变量,得到此情景下的时间裕度TMmerge-2与两车运动状态的关系。
式中,uf(ti)为ti瞬时时刻的前车速度;af(t)为t时刻的前车加速度;ur(0)为后车初速度;ur(t)为t时刻的后车速度;arx(t)为t时刻后车在x轴方向的加速度;ary(t)为t时刻后车在y轴方向的加速度;θ(t)为t时刻后车前进方向和x轴方向的夹角;τ′1为驾驶人的制动反应时间;τ1为驾驶人制动反应时间τ′1与驾驶人脚掌由油门踏板转移到制动踏板所需的移动时间之和;H为车身长度;τ和λ分别为对时间t的一重积分、二重积分变量符号;τ2为制动系间隙协调时间和制动力作用时间之和;进一步地,当获取该公式中的其他变量时。即可得到此情景下的时间裕度TMmerge-2与两车之间相对运动状态的关系。
由于本计算方法也同样适用于计算图3中纵向相切位置的时间裕度。因此,本方法适用于这两种相对位置的风险评估。
六、车辆风险状态预测
充分利用K-means的效率高、稳定性好和聚类效果佳等优点,在车辆风险状态等级划分的研究中,为了实现对车辆风险程度的分析,利用K-means算法的无监督学习特点解决人为分类或标定结果可能导致的不确定性问题,使用前述步骤的车辆风险状态预测模型,计算并提取两种换道场景的驾驶人反应时间裕度值,通过比较、测试不同k值聚类结果的效果,以低误差、高显著性和良好的聚类效果为原则确定最佳聚类数目,实现以聚类方法对车辆风险等级进行聚类并划分风险等级。
具体说明如下:
使用K-means聚类得到的不同类别时间裕度的簇,算法步骤为:
1、选择初始化的k个时间裕度样本作为初始聚类中心;
2、分别计算每个样本点k个簇核心的欧氏距离,找到离该点最近的簇核心,将它归属到对应的簇;
3、所有点都分配到对应的簇之后,形成了k个簇,然后重新计算每个簇的平均距离中心,将其定为新的“簇核心”;
4、反复迭代步骤2-3,直到聚类中心不再变化,由此得到了k个聚类簇及其聚类中心;
5、鉴于时间裕度越低对应越高的车辆风险等级,时间裕度越高对应越低的车辆风险等级。因此,根据每个簇的数值区间范围,数值小为高风险,数值大为低风险,每个簇按照其数值区间的排序确定车辆风险等级。
使用方差分析法(Analysis of Variance,ANOVA)提出各簇之间的无差异假设H0、有显著差异假设H1,选择F统计量(即F值)作为检验统计量,计算检验统计量的观测值和概率P值。
首先,排除接受H1假设的聚类方式;其次,同时以各聚类方式的轮廓系数最大化和误差最小化为评价准则,轮廓系数越接近-1表示聚类结果不好,越接近+1表示簇内的个案之间紧凑,为0时表示有簇重叠,最终确定k值的聚类参数,使得各簇之间间距合理且有显著差异性。
至此,得到的聚类簇即为不同的风险等级划分结果。
使用前述方法对两种换道场景的驾驶人时间裕度进行计算,得到各场景对应的驾驶人时间裕度计算结果,进一步使用无监督聚类分析方法处理时间裕度的值。具体实施方式如下:
在对行车安全性划分等级的研究中,寻求合理的、适当的等级数量至关重要,过于少的等级不能准确的反映出某一时刻车辆行驶状态的安全性;过于多的等级会有产生信息冗余,甚至可能导致相邻等级差别小的现象。由此可见,不合适的风险评价等级数量会传递不准确的结果给车辆预警系统或智能大脑,导致错误报警、错误决策的严重后果。
综上分析,本发明为了对车辆风险等级进行细致、准确的划分,不考虑二分类形式的分级效果,测试当k等于3到8之间的聚类分析结果,最终依据聚类效果评定车辆风险等级。
一、避让换道场景中的车辆风险等级划分
基于避让换道场景中的时间裕度数据,使用K-Means方法计算了k∈[3,8]聚类方式得到的聚类中心如表1所示,使用ANOVA计算F检验统计量的观测值和概率P值如表2所示。首先,排除接受H1假设的聚类方式(k=8);其次,同时以各聚类方式的轮廓系数最大化和误差最小化为评价准则,最终发现k=5,6,7的聚类效果相对较好、各簇之间间距合理且有显著差异性。
表1避让换道场景时间裕度的聚类结果
表2避让换道场景不同聚类数目的ANOVA检验结果
避让换道场景的时间裕度聚类结果(即风险评价结果)如图5所示。聚类的簇从1到6分别代表6个风险等级,1级风险最高,6级风险最低。
二、换至有车车道场景中的车辆风险等级划分
基于换至有车车道场景中的时间裕度数据,使用K-means计算了k∈[3,8]聚类方式得到的聚类中心如表3所示,使用ANOVA计算F检验统计量的观测值和概率P值如表4所示。首先,排除接受H1假设的聚类方式(k=8);其次,同时以各聚类方式的轮廓系数最大化和误差最小化为评价准则,最终发现k=6的聚类效果相对较好、各簇之间间距合理且有显著差异性。避让换道场景的时间裕度聚类结果(即风险评价结果)如图6所示。
表3换至有车车道场景时间裕度的聚类结果
表4换至有车车道场景不同聚类数目的ANOVA检验结果
换至有车车道场景的时间裕度聚类结果(即风险评价结果)如图6所示。聚类的簇从1到6分别代表6个风险等级,1级风险最高,6级风险最低。
Claims (6)
1.考虑驾驶人反应能力的换道场景车辆风险动态评价方法,该方法应用于后车与前车的相对运动状态工况,以后车为主体由驾驶人操控自车换道引发潜在风险的情况,其特征在于,所述方法包括如下步骤:
步骤S1:定义时间裕度概念
以驾驶人在潜在风险换道场景下进行避撞操作需满足的最大反应时间作为时间裕度;
步骤S2:根据前、后车实时相对运动状态,确定时变最小纵向安全距离;
所述时变最小纵向安全距离为前车突然紧急制动,后车经过反应和制动,两车减速至完全停止且不发生碰撞;
步骤S3:根据驾驶人的制动全过程,确定车辆制动过程的总制动距离;
所述驾驶人的制动全过程分为四个阶段,四个阶段分别为驾驶人收到大脑决策信号后作出反应阶段、制动器发生作用阶段、持续制动阶段和放松制动器阶段;
步骤S4:建立车辆风险预测模型
①根据所述时变最小纵向安全距离和所述车辆制动过程的总制动距离建立避让换道场景中的车辆风险预测模型;
②根据所述时变最小纵向安全距离和所述车辆制动过程的总制动距离建立换至有车车道场景中的车辆风险预测模型;
步骤S5:车辆风险等级划分
①避让换道场景中的车辆风险等级划分
基于避让换道场景中的时间裕度数据,使用K-means聚类和方差分析法对车辆风险等级进行划分,得到6个风险等级,且风险等级级别的严重程度按照级别顺序依次降低,1级风险最高,6级风险最低;
②换至有车车道场景中的车辆风险等级划分
基于换至有车车道场景中的时间裕度数据,使用K-means聚类和方差分析法对车辆风险等级进行划分,得到6个风险等级,且风险等级级别的严重程度按照级别顺序依次降低,1级风险最高,6级风险最低。
2.根据权利要求1所述的考虑驾驶人反应能力的换道场景车辆风险动态评价方法,其特征在于:所述步骤S2中根据前、后车实时相对运动状态,确定时变最小纵向安全距离的过程如下:
1)定义两车之间的纵向距离:以后车前端和前车后端的距离为两车之间的纵向距离;
2)根据两车之间的纵向距离,确定两车之间的最小安全纵向距离的过程如下:
沿着车道长度方向,两车同向行驶,前方车辆以最大制动减速度amax,brake制动,在制动反应时间τ′1内,后方车辆以amax,accel加速,然后以最小制动减速度amin,brake减速至停车,整个过程未碰撞,则最小安全纵向距离为:
其中:
其中,vr和vf分别是后车和前车车辆的纵向速度;τ′1是制动反应时间;amax,brake是最大制动减速度;amax,accel是最大加速度;amin,brake是最小制动减速度;Lmin是最小纵向安全距离;
3)不发生碰撞的临界条件
前、后辆车初始时刻不碰撞的临界条件:L0>0;
两车制动至静止的时刻,不发生碰撞的临界条件是:
3.根据权利要求2所述的考虑驾驶人反应能力的换道场景车辆风险动态评价方法,其特征在于:所述步骤S3中根据驾驶人的制动全过程,确定车辆制动过程的总制动距离的过程如下:
当驾驶人观察到前方路况异常时会自主将右脚移至制动踏板上,紧急踩下制动踏板一直到踏板最大行程处,直到自车静止,驾驶人的制动全过程分为四个阶段:驾驶人收到大脑决策信号后作出反应、制动器发生作用、持续制动、放松制动器,车辆制动过程的总制动距离满足如下公式:
式中:s为总制动距离;u(0)为车辆初速度;ab(e)为车辆保持匀减速运动之前时刻的减速度;τ′1代表驾驶人的制动反应时间;τ″1代表驾驶人脚掌由油门踏板转移到制动踏板所需的移动时间,τ″1取0.1s;上述两段时间之和记为τ1,即τ1=τ′1+τ″1;τ′2代表制动踏板设计冗余行程的时间即制动系间隙协调时间;τ″2代表制动踏板有效行程由零达到最大行程所用的时间即制动力作用时间;制动系间隙协调时间和制动力作用时间之和为τ2,τ2=τ′22+τ″2。
4.根据权利要求3所述的考虑驾驶人反应能力的换道场景车辆风险动态评价方法,其特征在于:所述步骤S4中避让换道场景中的车辆风险预测模型如下:
在换道场景中,前车紧急制动,后车为了避免发生碰撞而采取避让换道行为,后车既有匀减速运动还有侧向运动;
将前、后车在完成换道避让的过程拆分为两个阶段:
阶段(1)是驾驶人反应迟滞阶段,设ur(0)为后车速度的初速度,τ′1为驾驶人的制动反应时间,从前车有制动行为时开始,后车在驾驶人反应迟滞阶段的移动距离为|AF|=τ′1·ur(0);
阶段(2),前车制动至静止uf(t)=0,后车制动并横向避让,后车的质心沿x轴方向位移记为|FE|=sr,即,sr为后车跟驰距离,后车在此段位移为变减速运动,其计算方法如下式:
式中,n为采样点数量,urx(ti)为后车沿x轴方向的ti时刻行驶速度,Δt为数据的采样时间间隔,其中x轴方向为车道长度方向;
为了计算后车的横向位移,采用基于正弦函数的加速度模型描述车辆变道轨迹,车辆变换完车道的横向位移为P,取P=3.40m;y轴方向的行驶速度为ury(t)、加速度为ary(t),y轴方向为车道宽度方向;tmerge为换道持续时间;tadjust为车辆在变换车道行驶前进行纵向调整车速的时间,取tadjust=0.50s;|CE|为后车的横向位移;
由此得到后车速度和x轴方向的夹角θ,
设车长H=4.76m、车宽W=1.91m,则车辆质心和长边的夹角β:
两车的质心距离如下式:
xd=|AD|=H+L+sf,yd=0
其中:L为跟车距离,Sf为前车制动距离;
设两车之间的实时距离为|GK|,不会发生碰撞的条件为|GK|>Lmiss,Lmiss为两车之间的最小碰撞距离,Lmiss=0.10m,于是得到以下公式:
则:
最终得到前车减速、后车避让换道情景的时间裕度TMmerge-1与两车运动状态的关系如下:
urx(ti)为后车沿x轴方向的ti时刻行驶速度,由此可知,(1)后车初速度ur(0)为已知常量,设后车速度ur(t)不变,前车速度uf(t)越大,TMmerge-1越大,留给驾驶人的最低反应时间越长、碰撞风险越低;(2)设前、后车的速度ur(t)、uf(t)变化趋势已知,后车初速度ur(0)越大,TMmerge-1越小,说明后车初始跟车速度越大、碰撞风险越大。
5.根据权利要求3所述的考虑驾驶人反应能力的换道场景车辆风险动态评价方法,其特征在于:所述步骤S4中换至有车车道场景中的车辆风险预测模型如下:
当本车道前方出现障碍物或破损道路时,驾驶人需换至另一条车道以避免事故发生,当预期换道车道有车辆行驶时,自车从其后方切入会有潜在碰撞风险,后车经过tadjust后产生横向位移和横向加速度,此段位移为|OJ|;θ(t)为车辆前进方向和沿x轴方向的夹角,x轴方向为车道长度方向;
JC段为车辆的换道行为过程,车辆的横向加速度ary(t)使用正弦函数加速度模型,基于JC段后车沿x轴方向位移计算如下:
式中,|JC|为前车车尾与后车产生换道意图时质心之间的距离;ary(t)为t时刻后车在y轴方向的加速度;arx(t)为t时刻后车在x轴方向的加速度;ar(t)为t时刻后车的加速度;tadjust为车辆在变换车道行驶前进行纵向调整车速的时间,取tadjust=0.5s;tmerge为换道持续时间;θ(t)为t时刻后车前进方向和x轴方向的夹角;
在tadjust时间段内,本换道情景为后车主动换道而非被动换道,因此tadjust为驾驶人换道前决策时间,为匀速运动,可得出|OC|、|CG|和|OK|的长度如下:
式中,|OC|为后车质心的移动距离;|CG|为后车质心与其左前方角点的沿车道长度方向的距离;|OK|为前车车尾与后车起点处质心之间的距离;τ和λ分别为对时间t的一重积分、二重积分变量符号;n为采样点数量,uf(t)为前车沿x轴方向的行驶速度,Δt为数据的采样时间间隔,ti为瞬时时刻;|yr|为后车质心与前车右侧边界沿y轴方向的距离;
当在K点处前车紧急制动、后车随即采取紧急制动措施,|GK|定义为两车之间的最小碰撞距离Lmiss,|GK|的计算方法如下:
Lmiss≤|GK|=(|OK|+sf)-(|OG|+sr)
考虑不发生碰撞的临界条件如下:
式中,uf(ti)为ti瞬时时刻的前车速度;af(t)为t时刻的前车加速度;ur(0)为后车初速度;ur(t)为t时刻的后车速度;arx(t)为t时刻后车在x轴方向的加速度;ary(t)为t时刻后车在y轴方向的加速度;θ(t)为t时刻后车前进方向和x轴方向的夹角;τ′1为驾驶人的制动反应时间;τ1为驾驶人制动反应时间τ′1与驾驶人脚掌由油门踏板转移到制动踏板所需的移动时间之和;H为车身长度;τ和λ分别为对时间t的一重积分、二重积分变量符号;τ2为制动系间隙协调时间和制动力作用时间之和;进一步地,当获取该公式中的其他变量时。即可得到此情景下的时间裕度TMmerge-2与两车之间相对运动状态的关系。
6.根据权利要求1所述的考虑驾驶人反应能力的换道场景车辆风险动态评价方法,其特征在于:所述步骤S5中车辆风险等级划分的过程如下:
使用K-means聚类得到的不同类别时间裕度的簇,鉴于时间裕度越低的对应越高的车辆风险等级,时间裕度越高对应越低的车辆风险等级;因此,根据每个簇的数值区间范围,数值小为高风险,数值大为低风险,每个簇按照其数值区间的排序确定车辆风险等级;
使用方差分析法ANOVA提出各簇之间的无差异假设H0、有显著差异假设H1,选择F统计量作为检验统计量,计算检验统计量的观测值和概率P值,首先,排除接受H1假设的聚类方式;其次,同时以各聚类方式的轮廓系数最大化和误差最小化为评价准则,轮廓系数接近+1表示簇内的个案之间紧凑,最终确定k值的聚类参数;
至此,得到的聚类簇即为不同的风险等级划分结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960754.1A CN113479201B (zh) | 2021-08-20 | 2021-08-20 | 考虑驾驶人反应能力的换道场景车辆风险动态评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110960754.1A CN113479201B (zh) | 2021-08-20 | 2021-08-20 | 考虑驾驶人反应能力的换道场景车辆风险动态评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113479201A true CN113479201A (zh) | 2021-10-08 |
CN113479201B CN113479201B (zh) | 2022-08-12 |
Family
ID=77946948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110960754.1A Active CN113479201B (zh) | 2021-08-20 | 2021-08-20 | 考虑驾驶人反应能力的换道场景车辆风险动态评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113479201B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901582A (zh) * | 2021-10-09 | 2022-01-07 | 燕山大学 | 一种车辆换道纵向位移计算方法及其优化方法 |
CN114169371A (zh) * | 2021-12-09 | 2022-03-11 | 合肥工业大学智能制造技术研究院 | 车辆换道工况下考虑风险势场分布的驾驶风格分类方法 |
CN114435405A (zh) * | 2022-03-21 | 2022-05-06 | 北京主线科技有限公司 | 一种车辆换道方法、装置、设备和存储介质 |
CN114506342A (zh) * | 2022-03-03 | 2022-05-17 | 东风悦享科技有限公司 | 一种自动驾驶变道决策的方法、系统及车辆 |
CN114613195A (zh) * | 2022-03-18 | 2022-06-10 | 重庆大学 | 一种面向混合交通的车辆换道风险评估方法及装置 |
CN114613131A (zh) * | 2022-03-01 | 2022-06-10 | 北京航空航天大学 | 一种基于安全裕度的个性化前向碰撞预警方法 |
CN115817460A (zh) * | 2022-11-07 | 2023-03-21 | 苏州大学 | 一种混合流条件下智能网联车主动协调避撞方法 |
CN117093811A (zh) * | 2023-07-17 | 2023-11-21 | 上海智能汽车融合创新中心有限公司 | 一种自动驾驶安全能力评价方法、装置及设备 |
CN117315938A (zh) * | 2023-10-19 | 2023-12-29 | 广州市城市规划勘测设计研究院 | 一种高速公路车辆换道风险估算方法、介质及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105691391A (zh) * | 2016-03-02 | 2016-06-22 | 同济大学 | 一种考虑驾驶员反应差异性特征的前向避撞预警算法 |
CN105966396A (zh) * | 2016-05-13 | 2016-09-28 | 江苏大学 | 一种基于驾驶员避撞行为的车辆避撞控制方法 |
CN106846902A (zh) * | 2015-12-03 | 2017-06-13 | 财团法人资讯工业策进会 | 车辆碰撞回避系统与方法 |
CN109733390A (zh) * | 2018-12-29 | 2019-05-10 | 江苏大学 | 一种基于驾驶人特性的自适应换道预警方法 |
JP2019079397A (ja) * | 2017-10-26 | 2019-05-23 | トヨタ自動車株式会社 | 車載装置、情報処理システム、及び情報処理方法 |
US20200406911A1 (en) * | 2018-03-16 | 2020-12-31 | Huawei Technologies Co., Ltd. | Self-Driving Safety Evaluation Method, Apparatus, and System |
CN113232655A (zh) * | 2021-06-29 | 2021-08-10 | 安徽江淮汽车集团股份有限公司 | 紧急场景下自动驾驶行驶模式决策方法 |
-
2021
- 2021-08-20 CN CN202110960754.1A patent/CN113479201B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846902A (zh) * | 2015-12-03 | 2017-06-13 | 财团法人资讯工业策进会 | 车辆碰撞回避系统与方法 |
CN105691391A (zh) * | 2016-03-02 | 2016-06-22 | 同济大学 | 一种考虑驾驶员反应差异性特征的前向避撞预警算法 |
CN105966396A (zh) * | 2016-05-13 | 2016-09-28 | 江苏大学 | 一种基于驾驶员避撞行为的车辆避撞控制方法 |
JP2019079397A (ja) * | 2017-10-26 | 2019-05-23 | トヨタ自動車株式会社 | 車載装置、情報処理システム、及び情報処理方法 |
US20200406911A1 (en) * | 2018-03-16 | 2020-12-31 | Huawei Technologies Co., Ltd. | Self-Driving Safety Evaluation Method, Apparatus, and System |
CN109733390A (zh) * | 2018-12-29 | 2019-05-10 | 江苏大学 | 一种基于驾驶人特性的自适应换道预警方法 |
CN113232655A (zh) * | 2021-06-29 | 2021-08-10 | 安徽江淮汽车集团股份有限公司 | 紧急场景下自动驾驶行驶模式决策方法 |
Non-Patent Citations (1)
Title |
---|
余志生: "《汽车理论》", 31 May 2006 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901582A (zh) * | 2021-10-09 | 2022-01-07 | 燕山大学 | 一种车辆换道纵向位移计算方法及其优化方法 |
CN114169371A (zh) * | 2021-12-09 | 2022-03-11 | 合肥工业大学智能制造技术研究院 | 车辆换道工况下考虑风险势场分布的驾驶风格分类方法 |
CN114169371B (zh) * | 2021-12-09 | 2024-05-14 | 合肥工业大学智能制造技术研究院 | 车辆换道工况下考虑风险势场分布的驾驶风格分类方法 |
CN114613131A (zh) * | 2022-03-01 | 2022-06-10 | 北京航空航天大学 | 一种基于安全裕度的个性化前向碰撞预警方法 |
CN114613131B (zh) * | 2022-03-01 | 2023-03-28 | 北京航空航天大学 | 一种基于安全裕度的个性化前向碰撞预警方法 |
CN114506342B (zh) * | 2022-03-03 | 2023-12-05 | 东风悦享科技有限公司 | 一种自动驾驶变道决策的方法、系统及车辆 |
CN114506342A (zh) * | 2022-03-03 | 2022-05-17 | 东风悦享科技有限公司 | 一种自动驾驶变道决策的方法、系统及车辆 |
CN114613195A (zh) * | 2022-03-18 | 2022-06-10 | 重庆大学 | 一种面向混合交通的车辆换道风险评估方法及装置 |
CN114613195B (zh) * | 2022-03-18 | 2024-06-11 | 重庆大学 | 一种面向混合交通的车辆换道风险评估方法及装置 |
CN114435405A (zh) * | 2022-03-21 | 2022-05-06 | 北京主线科技有限公司 | 一种车辆换道方法、装置、设备和存储介质 |
CN115817460A (zh) * | 2022-11-07 | 2023-03-21 | 苏州大学 | 一种混合流条件下智能网联车主动协调避撞方法 |
CN115817460B (zh) * | 2022-11-07 | 2024-04-05 | 苏州大学 | 一种混合流条件下智能网联车主动协调避撞方法 |
CN117093811A (zh) * | 2023-07-17 | 2023-11-21 | 上海智能汽车融合创新中心有限公司 | 一种自动驾驶安全能力评价方法、装置及设备 |
CN117093811B (zh) * | 2023-07-17 | 2024-05-10 | 上海智能汽车融合创新中心有限公司 | 一种自动驾驶安全能力评价方法、装置及设备 |
CN117315938A (zh) * | 2023-10-19 | 2023-12-29 | 广州市城市规划勘测设计研究院 | 一种高速公路车辆换道风险估算方法、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113479201B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113479201B (zh) | 考虑驾驶人反应能力的换道场景车辆风险动态评价方法 | |
CN110155046B (zh) | 自动紧急制动分级控制方法与系统 | |
CN110723141B (zh) | 一种车辆主动避撞系统及其避撞方式切换方法 | |
CN109131312B (zh) | 一种智能电动汽车acc/esc集成控制系统及其方法 | |
US8258934B2 (en) | Vehicle and method of advising a driver therein | |
CN109808685B (zh) | 一种基于危险评估的汽车预警自动避撞控制方法 | |
Moon et al. | Design, tuning, and evaluation of a full-range adaptive cruise control system with collision avoidance | |
CN113479200B (zh) | 一种跟车场景车辆风险状态的动态评价方法 | |
CN109910879B (zh) | 一种结合安全距离与碰撞时间的车辆安全防撞控制方法 | |
CN105966396A (zh) | 一种基于驾驶员避撞行为的车辆避撞控制方法 | |
CN111354225A (zh) | 一种高速公路车辆事故风险评估及预警干预方法 | |
CN111645649B (zh) | 用于在紧急制动时控制车队的方法 | |
CN110949378B (zh) | 一种汽车高速工况防碰撞追尾方法 | |
CN110723142B (zh) | 一种智能汽车紧急避撞控制方法 | |
CN111169462B (zh) | 安全距离计算模块及其计算方法 | |
CN106414204A (zh) | 确定临界车辆状态和车辆最小间距 | |
CN113428180A (zh) | 一种无人驾驶车辆单道行驶车速控制方法、系统及终端 | |
Kodaka et al. | Rear-end collision velocity reduction system | |
KR102011665B1 (ko) | 차량용 acc 시스템 시험평가 장치 및 방법 | |
CN114228707A (zh) | 一种无人驾驶车辆的防撞方法及系统 | |
Wang et al. | Improved cooperative collision avoidance (CCA) model considering driver comfort | |
Li et al. | Braking assistance algorithm considering driver characteristics at signalized intersection | |
CN114084133B (zh) | 一种跟车目标的确定方法及相关装置 | |
Zhu et al. | Research on Cooperative Adaptive Cruise Control (CACC) Based on Fuzzy PID Algorithm | |
Guo et al. | Collision Avoidance Strategy of High-Speed Aeb System Based on Minimum Safety Distance |
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 |