CN113968231B - 一种符合驾驶员习惯的智能驾驶员模型参数确定方法 - Google Patents
一种符合驾驶员习惯的智能驾驶员模型参数确定方法 Download PDFInfo
- Publication number
- CN113968231B CN113968231B CN202111497603.3A CN202111497603A CN113968231B CN 113968231 B CN113968231 B CN 113968231B CN 202111497603 A CN202111497603 A CN 202111497603A CN 113968231 B CN113968231 B CN 113968231B
- Authority
- CN
- China
- Prior art keywords
- driver
- vehicle
- speed
- acceleration
- automobile
- 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 22
- 230000001133 acceleration Effects 0.000 claims abstract description 88
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 230000035484 reaction time Effects 0.000 claims abstract description 7
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000004215 Carbon black (E152) Substances 0.000 claims description 3
- 229920001651 Cyanoacrylate Polymers 0.000 claims description 3
- MWCLLHOVUTZFKS-UHFFFAOYSA-N Methyl cyanoacrylate Chemical compound COC(=O)C(=C)C#N MWCLLHOVUTZFKS-UHFFFAOYSA-N 0.000 claims description 3
- 239000010426 asphalt Substances 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 229930195733 hydrocarbon Natural products 0.000 claims description 3
- 150000002430 hydrocarbons Chemical class 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 230000006399 behavior Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000033772 system development 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
- 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
- B60W40/08—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 drivers or passengers
-
- B60W2420/408—
-
- 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
- B60W2520/10—Longitudinal 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明公开了一种符合驾驶员习惯的智能驾驶员模型参数确定方法,其方法为:第一步、智能驾驶员模型公式的确定;第二步、数据采集系统的设置,具体设置步骤为:步骤一、布置加速度传感器;步骤二、布置ARS408‑21毫米波雷达;步骤三、布置GPS定位器;第三步、测试所需参数,具体步骤为:步骤一、最大加速度的确定;步骤二、驾驶员反应时间Tn的确定;步骤三、静止状态下的安全距离确定;步骤四、加速度指数δ的确定;步骤五、舒适制动减速度bn的确定。有益效果:通过对驾驶员实际驾驶时的数据进行分析处理,能够得到符合驾驶员驾驶习惯的智能驾驶员模型参数,能够准确地描述驾驶员的纵向跟驰特性,实现对驾驶员跟驰行为的复现能力。
Description
技术领域
本发明涉及一种智能驾驶员模型参数确定方法,特别涉及一种符合驾驶员习惯的智能驾驶员模型参数确定方法。
背景技术
目前,自动驾驶技术在当今的车辆行业受到广泛关注。跟车行驶是道路交通的典型工况,建立能准确反映驾驶员跟车行驶特性的跟驰模型是驾驶员行为研究和智能辅助驾驶系统开发的热点之一,也广泛应用于交通仿真领域。
智能驾驶员模型(Intelligent Driver Model,IDM)由Triber等提出,属于安全距离模型,能够以较少的参数和统一的形式描述车辆从自由流到拥堵流的行为,实时反映出车辆位置和速度的动态变化。智能驾驶员模型受到广泛研究与应用。张珈彬提出了基于智能驾驶员模型IDM的轨迹规划方法、装置及存储介质。李雪等提出了一种车载传感网节点移动智能驾驶员模型的构建方法,利用云模型描述的不确定性指标引入智能驾驶员模型,对智能驾驶员模型中的相关参数进行修正,表征节点移动策略和移动规律。德国宇航局交通系统研究所开发的微观交通仿真软件SUMO利用IDM模型作为车辆跟驰模型。但是智能驾驶员模型参数如加速度指数δ、舒适制动减速度bn等目前仅有一个大致范围,缺乏针对个体驾驶员的驾驶习惯确定智能驾驶员模型的参数的方法。
发明内容
本发明的目的是为了解决现有的智能驾驶员模型参数确定只是一个大致的范围,缺乏针对个体驾驶员的驾驶习惯确定智能驾驶员模型参数的问题而提供的一种符合驾驶员习惯的智能驾驶员模型参数确定方法。
本发明提供的符合驾驶员习惯的智能驾驶员模型参数确定方法,其方法包括如下步骤:
第一步、智能驾驶员模型公式的确定,具体公式如下:
上述方程由自由流加速度和拥堵流加速度两部分组成,写为:
自由流加速度:
拥堵流加速度:
其中,n为车辆编号;为主车n的最大加速度;为主车n在自由流状态下的期望速度;vn为主车的当前行驶车速;δ为加速度指数;Δvn为主车vn与前车vn-1的速度差;sn为主车与前车的净间距;s*为当前状态下驾驶员的期望距离;为静止状态下的安全距离;Tn为驾驶员反应时间;bn为舒适制动减速度;
第二步、数据采集系统的设置:
数据采集系统包括:驾驶模拟器、加速度传感器、ARS408-21毫米波雷达和GPS定位器,其中驾驶模拟器在室内使用,加速度传感器、ARS408-21毫米波雷达和GPS定位器需要布置在测试主车上,加速度传感器用于得到主车的加速度信息,ARS408-21毫米波雷达用于得到前车的速度信息和主车与前车的距离信息,GPS传感器用于得到主车的速度信息,具体设置步骤如下:
步骤一、布置加速度传感器:将加速度传感器布置于汽车前保险杠中间位置,用碳氢化合溶液来清洁汽车前保险杠中间位置,将氰基丙烯酸盐均匀地涂抹在前保险杠中间位置,将加速度传感器粘接在汽车前保险杠中间位置,加速度传感器感知到的信息通过汽车CAN总线传输到汽车ECU上;
步骤二、布置ARS408-21毫米波雷达:将ARS408-21毫米波雷达布置于车顶中间位置,在汽车车顶位置安装支架,将ARS408-21毫米波雷达安装在支架上,ARS408-21毫米波雷达感知到的信息通过汽车CAN总线传输到汽车ECU上,计算主车与前车的距离时,用ARS408-21毫米波雷达感知到的距离减去ARS408-21毫米波雷达安装位置到主车最前方的距离;
步骤三、布置GPS定位器:将GPS定位器布置于副驾驶员座位下方,通过磁铁将GPS定位器吸附于副驾驶员座位下方,确保GPS定位器安装稳定,GPS定位器通过无线信号与汽车相连接;
第三步、测试所需参数,具体步骤如下:
步骤一、最大加速度的确定:仅由车辆本身结构决定,通过对车辆进行试验得到,路上试验在混凝土路面或沥青路面的直线路段上进行,路面要求平整、干燥、清洁,纵向坡度在0.1%以内,试验时,大气温度在0-40℃之间,风速不大于3m/s,测试时,汽车处于良好的技术状况,起步时以常用起步挡起步,轿车为1挡,货车常为2挡,按最佳换挡时刻逐次换至高挡,节气门处于最大开度,由于最大加速度常在汽车处于低速时得到,则测试主车速度由0全力加速至60km/h,通过加速度传感器记录的汽车最大加速度,即为该车辆的最大加速度
步骤二、驾驶员反应时间Tn的确定,驾驶员在驾驶模拟器上模拟行驶时,由驾驶模拟器或外界给出减速信号,测试由信号给出到驾驶员操作制动踏板的时间,测试20次,取平均值,记为驾驶员反应时间Tn;
步骤四、加速度指数δ的确定:ARS408-21毫米波雷达探测距离为250m,当主车前方250m内无前车时,认为主车处于自由流行驶,当主车处于自由流行驶时,拥堵流加速度aint趋近于0,此时加速度为自由流加速度,仅由vn、以及δ决定,步骤一确定了主车的最大加速度vn通过GPS定位器采集,由驾驶员自行确定并输入系统,即仅剩δ未确定,对主车在自由流行驶时速度随时间的变化进行采集,并储存在ECU中,则可得到符合驾驶员习惯的自由流加速曲线,实际操作时取δ从1到5,每隔0.1做一次曲线,将符合驾驶员习惯的自由流速度曲线与各个δ取值下的速度曲线对比,以主车进入自由流时刻为起始时刻,以主车速度达到时刻为终点时刻,将符合驾驶员习惯的自由流速度曲线与各个δ取值下的速度曲线之间的面积最小时的δ进行记录储存,每次自由流行驶均可产生一个δ,取平均值,确定为符合驾驶员习惯的智能驾驶员模型的加速度指数δ;
步骤五、舒适制动减速度bn的确定,当ARS408-21毫米波雷达探测到前方车辆时,认为主车处于拥堵流行驶,当驾驶员在拥堵流驾驶时,加速度由自由流加速度afree和拥堵流加速度aint共同组成,经过上述步骤一、二、三、四,仅剩bn未确定,对驾驶员在拥堵流驾驶时的数据进行采集,并储存在ECU中,需要采集的数据有本车速度vn、主车与前车的距离sn以及主车与前车的速度差Δvn,主车速度由GPS定位器感知得到,主车与前车的距离由ARS408-21毫米波雷达感知得到,主车与前车的速度差由ARS408-21毫米波雷达感知得到的前车速度减去由GPS定位器感知得到的主车速度,将符合驾驶员习惯的拥堵流速度曲线与符合其驾驶场景下的各个bn取值下的速度曲线对比,取从主车进入拥堵流时刻为起始时刻到主车速度等于前车速度时刻为终点时刻,将符合驾驶员习惯的拥堵流速度曲线与各个bn取值下的速度曲线之间的面积最小时的bn进行记录储存,每次拥堵流行驶均可产生一个bn,取平均值,确定为符合驾驶员习惯的智能驾驶员模型的舒适制动减速度bn。
本发明的有益效果:
本发明提供的符合驾驶员习惯的智能驾驶员模型参数确定方法通过对驾驶员实际驾驶时的数据进行分析处理,能够得到符合驾驶员驾驶习惯的智能驾驶员模型参数,能够准确地描述驾驶员的纵向跟驰特性,实现对驾驶员跟驰行为的复现能力。
附图说明
图1为本发明所述的方法总体流程示意图。
图2为本发明所述的不同δ取值的自由加速曲线示意图。
图3为本发明所述的不同bn取值时的速度曲线示意图。
具体实施方式
请参阅图1至图3所示:
本发明提供的符合驾驶员习惯的智能驾驶员模型参数确定方法,其方法包括如下步骤:
第一步、智能驾驶员模型公式的确定,具体公式如下:
上述方程由自由流加速度和拥堵流加速度两部分组成,写为:
自由流加速度:
拥堵流加速度:
其中,n为车辆编号;为主车n的最大加速度;为主车n在自由流状态下的期望速度;vn为主车的当前行驶车速;δ为加速度指数;Δvn为主车vn与前车vn-1的速度差;sn为主车与前车的净间距;s*为当前状态下驾驶员的期望距离;为静止状态下的安全距离;Tn为驾驶员反应时间;bn为舒适制动减速度;
第二步、数据采集系统的设置:
数据采集系统包括:驾驶模拟器、加速度传感器、ARS408-21毫米波雷达和GPS定位器,其中驾驶模拟器在室内使用,加速度传感器、ARS408-21毫米波雷达和GPS定位器需要布置在测试主车上,加速度传感器用于得到主车的加速度信息,ARS408-21毫米波雷达用于得到前车的速度信息和主车与前车的距离信息,GPS传感器用于得到主车的速度信息,具体设置步骤如下:
步骤一、布置加速度传感器:将加速度传感器布置于汽车前保险杠中间位置,用碳氢化合溶液来清洁汽车前保险杠中间位置,将氰基丙烯酸盐均匀地涂抹在前保险杠中间位置,将加速度传感器粘接在汽车前保险杠中间位置,加速度传感器感知到的信息通过汽车CAN总线传输到汽车ECU上;
步骤二、布置ARS408-21毫米波雷达:将ARS408-21毫米波雷达布置于车顶中间位置,在汽车车顶位置安装支架,将ARS408-21毫米波雷达安装在支架上,ARS408-21毫米波雷达感知到的信息通过汽车CAN总线传输到汽车ECU上,计算主车与前车的距离时,用ARS408-21毫米波雷达感知到的距离减去ARS408-21毫米波雷达安装位置到主车最前方的距离;
步骤三、布置GPS定位器:将GPS定位器布置于副驾驶员座位下方,通过磁铁将GPS定位器吸附于副驾驶员座位下方,确保GPS定位器安装稳定,GPS定位器通过无线信号与汽车相连接;
第三步、测试所需参数,具体步骤如下:
步骤一、最大加速度的确定:仅由车辆本身结构决定,通过对车辆进行试验得到,路上试验在混凝土路面或沥青路面的直线路段上进行,路面要求平整、干燥、清洁,纵向坡度在0.1%以内,试验时,大气温度在0-40℃之间,风速不大于3m/s,测试时,汽车处于良好的技术状况,起步时以常用起步挡起步,轿车为1挡,货车常为2挡,按最佳换挡时刻逐次换至高挡,节气门处于最大开度,由于最大加速度常在汽车处于低速时得到,则测试主车速度由0全力加速至60km/h,通过加速度传感器记录的汽车最大加速度,即为该车辆的最大加速度
步骤二、驾驶员反应时间Tn的确定,驾驶员在驾驶模拟器上模拟行驶时,由驾驶模拟器或外界给出减速信号,测试由信号给出到驾驶员操作制动踏板的时间,测试20次,取平均值,记为驾驶员反应时间Tn;
步骤四、加速度指数δ的确定:ARS408-21毫米波雷达探测距离为250m,当主车前方250m内无前车时,认为主车处于自由流行驶,当主车处于自由流行驶时,拥堵流加速度aint趋近于0,此时加速度为自由流加速度,仅由vn、以及δ决定,步骤一确定了主车的最大加速度vn通过GPS定位器采集,由驾驶员自行确定并输入系统,即仅剩δ未确定,对主车在自由流行驶时速度随时间的变化进行采集,并储存在ECU中,则可得到符合驾驶员习惯的自由流加速曲线,图2是主车在为80km/h时,不同δ取值的自由加速曲线,仅以δ=1,δ=2,δ=3,δ=4为例,δ的取值范围一般在1-5之间,实际操作时取δ从1到5,每隔0.1做一次曲线,将符合驾驶员习惯的自由流速度曲线与各个δ取值下的速度曲线对比,以主车进入自由流时刻为起始时刻,以主车速度达到时刻为终点时刻,将符合驾驶员习惯的自由流速度曲线与各个δ取值下的速度曲线之间的面积最小时的δ进行记录储存,每次自由流行驶均可产生一个δ,取平均值,确定为符合驾驶员习惯的智能驾驶员模型的加速度指数δ;
步骤五、舒适制动减速度bn的确定,当ARS408-21毫米波雷达探测到前方车辆时,认为主车处于拥堵流行驶,当驾驶员在拥堵流驾驶时,加速度由自由流加速度afree和拥堵流加速度aint共同组成,经过上述步骤一、二、三、四,仅剩bn未确定,对驾驶员在拥堵流驾驶时的数据进行采集,并储存在ECU中,需要采集的数据有本车速度vn、主车与前车的距离sn以及主车与前车的速度差Δvn,主车速度由GPS定位器感知得到,主车与前车的距离由ARS408-21毫米波雷达感知得到,主车与前车的速度差由ARS408-21毫米波雷达感知得到的前车速度减去由GPS定位器感知得到的主车速度,图3是前车速度恒为54km/h,主车初始速度为80km/h,两车初始间距为80m,为80km/h,Tn为1s,为4,δ为3时,不同bn取值时的速度曲线。图3仅以bn=2,bn=2.5,bn=3,bn=3.5为例,bn的取值范围一般在1到4之间,实际操作时取bn从1到4,每隔0.1做一次曲线,将符合驾驶员习惯的拥堵流速度曲线与符合其驾驶场景下的各个bn取值下的速度曲线对比,取从主车进入拥堵流时刻为起始时刻到主车速度等于前车速度时刻为终点时刻,将符合驾驶员习惯的拥堵流速度曲线与各个bn取值下的速度曲线之间的面积最小时的bn进行记录储存,每次拥堵流行驶均可产生一个bn,取平均值,确定为符合驾驶员习惯的智能驾驶员模型的舒适制动减速度bn。
Claims (1)
1.一种符合驾驶员习惯的智能驾驶员模型参数确定方法,其特征在于:其方法包括如下步骤:
第一步、智能驾驶员模型公式的确定,具体公式如下:
上述方程由自由流加速度和拥堵流加速度两部分组成,写为:
自由流加速度:
拥堵流加速度:
其中,n为车辆编号;为主车n的最大加速度;为主车n在自由流状态下的期望速度;vn为主车的当前行驶车速;δ为加速度指数;Δvn为主车vn与前车vn-1的速度差;sn为主车与前车的净间距;s*为当前状态下驾驶员的期望距离;为静止状态下的安全距离;Tn为驾驶员反应时间;bn为舒适制动减速度;
第二步、数据采集系统的设置:
数据采集系统包括:驾驶模拟器、加速度传感器、ARS408-21毫米波雷达和GPS定位器,其中驾驶模拟器在室内使用,加速度传感器、ARS408-21毫米波雷达和GPS定位器需要布置在测试主车上,加速度传感器用于得到主车的加速度信息,ARS408-21毫米波雷达用于得到前车的速度信息和主车与前车的距离信息,GPS传感器用于得到主车的速度信息,具体设置步骤如下:
步骤一、布置加速度传感器:将加速度传感器布置于汽车前保险杠中间位置,用碳氢化合溶液来清洁汽车前保险杠中间位置,将氰基丙烯酸盐均匀地涂抹在前保险杠中间位置,将加速度传感器粘接在汽车前保险杠中间位置,加速度传感器感知到的信息通过汽车CAN总线传输到汽车ECU上;
步骤二、布置ARS408-21毫米波雷达:将ARS408-21毫米波雷达布置于车顶中间位置,在汽车车顶位置安装支架,将ARS408-21毫米波雷达安装在支架上,ARS408-21毫米波雷达感知到的信息通过汽车CAN总线传输到汽车ECU上,计算主车与前车的距离时,用ARS408-21毫米波雷达感知到的距离减去ARS408-21毫米波雷达安装位置到主车最前方的距离;
步骤三、布置GPS定位器:将GPS定位器布置于副驾驶员座位下方,通过磁铁将GPS定位器吸附于副驾驶员座位下方,确保GPS定位器安装稳定,GPS定位器通过无线信号与汽车相连接;
第三步、测试所需参数,具体步骤如下:
步骤一、最大加速度的确定:仅由车辆本身结构决定,通过对车辆进行试验得到,路上试验在混凝土路面或沥青路面的直线路段上进行,路面要求平整、干燥、清洁,纵向坡度在0.1%以内,试验时,大气温度在0-40℃之间,风速不大于3m/s,测试时,汽车处于良好的技术状况,起步时以常用起步挡起步,轿车为1挡,货车常为2挡,按最佳换挡时刻逐次换至高挡,节气门处于最大开度,由于最大加速度常在汽车处于低速时得到,则测试主车速度由0全力加速至60km/h,通过加速度传感器记录的汽车最大加速度,即为该车辆的最大加速度
步骤二、驾驶员反应时间Tn的确定,驾驶员在驾驶模拟器上模拟行驶时,由驾驶模拟器或外界给出减速信号,测试由信号给出到驾驶员操作制动踏板的时间,测试20次,取平均值,记为驾驶员反应时间Tn;
步骤四、加速度指数δ的确定:ARS408-21毫米波雷达探测距离为250m,当主车前方250m内无前车时,认为主车处于自由流行驶,当主车处于自由流行驶时,拥堵流加速度aint趋近于0,此时加速度为自由流加速度,仅由vn、以及δ决定,步骤一确定了主车的最大加速度vn通过GPS定位器采集,由驾驶员自行确定并输入系统,即仅剩δ未确定,对主车在自由流行驶时速度随时间的变化进行采集,并储存在ECU中,则可得到符合驾驶员习惯的自由流加速曲线,实际操作时取δ从1到5,每隔0.1做一次曲线,将符合驾驶员习惯的自由流速度曲线与各个δ取值下的速度曲线对比,以主车进入自由流时刻为起始时刻,以主车速度达到时刻为终点时刻,将符合驾驶员习惯的自由流速度曲线与各个δ取值下的速度曲线之间的面积最小时的δ进行记录储存,每次自由流行驶均可产生一个δ,取平均值,确定为符合驾驶员习惯的智能驾驶员模型的加速度指数δ;
步骤五、舒适制动减速度bn的确定,当ARS408-21毫米波雷达探测到前方车辆时,认为主车处于拥堵流行驶,当驾驶员在拥堵流驾驶时,加速度由自由流加速度afree和拥堵流加速度aint共同组成,经过上述步骤一、二、三、四,仅剩bn未确定,对驾驶员在拥堵流驾驶时的数据进行采集,并储存在ECU中,需要采集的数据有本车速度vn、主车与前车的距离sn以及主车与前车的速度差Δvn,主车速度由GPS定位器感知得到,主车与前车的距离由ARS408-21毫米波雷达感知得到,主车与前车的速度差由ARS408-21毫米波雷达感知得到的前车速度减去由GPS定位器感知得到的主车速度,将符合驾驶员习惯的拥堵流速度曲线与符合其驾驶场景下的各个bn取值下的速度曲线对比,取从主车进入拥堵流时刻为起始时刻到主车速度等于前车速度时刻为终点时刻,将符合驾驶员习惯的拥堵流速度曲线与各个bn取值下的速度曲线之间的面积最小时的bn进行记录储存,每次拥堵流行驶均可产生一个bn,取平均值,确定为符合驾驶员习惯的智能驾驶员模型的舒适制动减速度bn。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111497603.3A CN113968231B (zh) | 2021-12-09 | 2021-12-09 | 一种符合驾驶员习惯的智能驾驶员模型参数确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111497603.3A CN113968231B (zh) | 2021-12-09 | 2021-12-09 | 一种符合驾驶员习惯的智能驾驶员模型参数确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113968231A CN113968231A (zh) | 2022-01-25 |
CN113968231B true CN113968231B (zh) | 2022-08-09 |
Family
ID=79590851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111497603.3A Active CN113968231B (zh) | 2021-12-09 | 2021-12-09 | 一种符合驾驶员习惯的智能驾驶员模型参数确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113968231B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115116249B (zh) * | 2022-06-06 | 2023-08-01 | 苏州科技大学 | 一种自动驾驶车辆不同渗透率与道路通行能力的估计方法 |
CN115202234B (zh) * | 2022-07-12 | 2023-10-17 | 小米汽车科技有限公司 | 仿真测试方法、装置、存储介质和车辆 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007176396A (ja) * | 2005-12-28 | 2007-07-12 | Univ Nagoya | 運転行動推定装置、運転支援装置、及び車両評価システム |
CN108162970A (zh) * | 2016-12-05 | 2018-06-15 | 罗伯特·博世有限公司 | 用于减少柴油车辆的氮氧化物排放的方法 |
CN108944930A (zh) * | 2018-07-05 | 2018-12-07 | 合肥工业大学 | 一种基于lstm的模拟驾驶员特性的自动跟车方法及系统 |
CN110688729A (zh) * | 2019-08-26 | 2020-01-14 | 南京航空航天大学 | 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备 |
CN111267847A (zh) * | 2020-02-11 | 2020-06-12 | 吉林大学 | 一种个性化的自适应巡航控制系统 |
CN111409648A (zh) * | 2019-01-08 | 2020-07-14 | 上海汽车集团股份有限公司 | 一种驾驶行为分析方法及装置 |
CN112668172A (zh) * | 2020-12-24 | 2021-04-16 | 西南交通大学 | 考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IN2012DN01026A (zh) * | 2009-08-18 | 2015-04-10 | Toyota Motor Co Ltd | |
JP5556523B2 (ja) * | 2010-09-13 | 2014-07-23 | トヨタ自動車株式会社 | 車両の制御装置 |
WO2013072995A1 (ja) * | 2011-11-14 | 2013-05-23 | トヨタ自動車株式会社 | 運転支援装置 |
JP6179820B2 (ja) * | 2015-02-18 | 2017-08-16 | トヨタ自動車株式会社 | 車両の運転支援制御装置 |
DE102016206852A1 (de) * | 2016-04-22 | 2017-10-26 | Bayerische Motoren Werke Aktiengesellschaft | Längsregelsystem für ein Kraftfahrzeug |
US10183679B2 (en) * | 2016-06-28 | 2019-01-22 | Volkswagen Aktiengesellschaft | Apparatus, system and method for personalized settings for driver assistance systems |
US10571290B2 (en) * | 2016-07-15 | 2020-02-25 | Tata Consultancy Services Limited | Method and system for vehicle speed profile generation |
DE102017004536A1 (de) * | 2017-05-11 | 2018-11-15 | Lucas Automotive Gmbh | System und Verfahren zur vorausschauenden Geschwindigkeitsbeeinflussung eines Kraftfahrzeugs |
DE102017214241A1 (de) * | 2017-08-16 | 2019-02-21 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Ermitteln eines Fahrverhaltens |
EP3498559B1 (en) * | 2017-12-14 | 2020-09-16 | Marelli Europe S.p.A. | Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus |
US20190210591A1 (en) * | 2018-01-08 | 2019-07-11 | Sri International | System and Method to Enhance the Driving Performance of a Leanable Vehicle |
KR20210030528A (ko) * | 2019-09-09 | 2021-03-18 | 현대자동차주식회사 | 자율 주행 제어 장치 및 그 방법 |
-
2021
- 2021-12-09 CN CN202111497603.3A patent/CN113968231B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007176396A (ja) * | 2005-12-28 | 2007-07-12 | Univ Nagoya | 運転行動推定装置、運転支援装置、及び車両評価システム |
CN108162970A (zh) * | 2016-12-05 | 2018-06-15 | 罗伯特·博世有限公司 | 用于减少柴油车辆的氮氧化物排放的方法 |
CN108944930A (zh) * | 2018-07-05 | 2018-12-07 | 合肥工业大学 | 一种基于lstm的模拟驾驶员特性的自动跟车方法及系统 |
CN111409648A (zh) * | 2019-01-08 | 2020-07-14 | 上海汽车集团股份有限公司 | 一种驾驶行为分析方法及装置 |
CN110688729A (zh) * | 2019-08-26 | 2020-01-14 | 南京航空航天大学 | 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备 |
CN111267847A (zh) * | 2020-02-11 | 2020-06-12 | 吉林大学 | 一种个性化的自适应巡航控制系统 |
CN112668172A (zh) * | 2020-12-24 | 2021-04-16 | 西南交通大学 | 考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型 |
Non-Patent Citations (2)
Title |
---|
基于跟驰数据采集分析的各异性跟驰模型;敬明等;《吉林大学学报(工学版)》;20150515(第03期);第86~93页 * |
高速公路平直路段雾霾天气下的IDM跟驰模型分析;王嘉宇等;《交通运输研究》;20150215(第01期);第90~95、102页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113968231A (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113968231B (zh) | 一种符合驾驶员习惯的智能驾驶员模型参数确定方法 | |
CN108263382B (zh) | 基于目标车辆的驾驶样式的协同自适应巡航控制系统 | |
US20210171050A1 (en) | System for evaluating vehicle performance | |
US11235768B2 (en) | Detection of vehicle operating conditions | |
CN109760678B (zh) | 一种汽车自适应巡航系统的限速方法 | |
CN113340615B (zh) | 一种汽车自动驾驶功能模拟测试系统及方法 | |
CN111746538B (zh) | 一种严格避撞的车辆队列跟驰控制方法和控制系统 | |
CN111649955A (zh) | 一种面向车路协同自动紧急制动系统的性能测评方法 | |
US20140379171A1 (en) | Apparatus and method for controlling vehicle | |
US20210229657A1 (en) | Detection of vehicle operating conditions | |
CN110103959A (zh) | 一种自适应巡航控制方法 | |
McMahon et al. | Longitudinal vehicle controllers for IVHS: Theory and experiment | |
Solyom et al. | Performance limitations in vehicle platoon control | |
CN115280125A (zh) | 用于测试自动化车辆的设备和方法 | |
US20210010902A1 (en) | Apparatus and method for testing automated vehicles | |
SE540963C2 (en) | A method for determining a change in air resistance felt by a motor vehicle | |
CN112825202A (zh) | 使感测系统同步 | |
WO2023051065A1 (zh) | 参数标定的方法及装置 | |
US20220073070A1 (en) | Vehicle draft mode | |
CN111595597B (zh) | 一种复杂环境下aeb vru性能的测试方法 | |
Yang et al. | Driver distraction detection for vehicular monitoring | |
US20190186962A1 (en) | Quality of Service for a Vehicular Plug-and-Play Ecosystem | |
CN111634280A (zh) | 面向节能巡航驾驶应用的云控平台及预测巡航控制系统 | |
CN113460066A (zh) | 一种检测自动驾驶车辆队列中车辆数据传输准确性的方法 | |
CN112622922A (zh) | 具有自主车辆参考的非自主车辆速度预测 |
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 |