CN114347998B - 一种车辆辅助驾驶控制方法、系统、设备及介质 - Google Patents

一种车辆辅助驾驶控制方法、系统、设备及介质 Download PDF

Info

Publication number
CN114347998B
CN114347998B CN202210017964.1A CN202210017964A CN114347998B CN 114347998 B CN114347998 B CN 114347998B CN 202210017964 A CN202210017964 A CN 202210017964A CN 114347998 B CN114347998 B CN 114347998B
Authority
CN
China
Prior art keywords
control
vehicle
driver
host vehicle
obtaining
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
CN202210017964.1A
Other languages
English (en)
Other versions
CN114347998A (zh
Inventor
张荣辉
王子涵
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen 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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202210017964.1A priority Critical patent/CN114347998B/zh
Publication of CN114347998A publication Critical patent/CN114347998A/zh
Application granted granted Critical
Publication of CN114347998B publication Critical patent/CN114347998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及智能汽车技术领域,尤其涉及一种车辆辅助驾驶控制方法、系统、设备及介质,包括:利用眼部闭合特征和嘴部张开特征,得到驾驶员的疲劳反应时间;利用疲劳反应时间以及优化预测模型,得到主车辆的期望速度;根据主车辆的期望速度以及实际速度,得到非奇异终端滑膜控制器的控制误差;根据控制误差以及选取的滑膜趋近率,确定非奇异终端滑膜控制器的控制律;根据控制律,获取发动机期望扭矩及期望制动压力,以对主车辆进行制动控制。本发明通过基于驾驶员疲劳程度和非线性模型最优预测控制实现车辆辅助驾驶工作,解决了现有的车辆辅助驾驶控制方法缺乏对驾驶员疲劳程度、适配性的监测的问题,有效提高了系统对不同驾驶员状态的适应能力。

Description

一种车辆辅助驾驶控制方法、系统、设备及介质
技术领域
本发明涉及智能汽车技术领域,尤其涉及一种车辆辅助驾驶控制方法、系统、设备及介质。
背景技术
随着环境感知和智能自动驾驶技术的发展,智能网联汽车的自动化程度日趋提高,其中,智能汽车的发展分为自主式驾驶辅助、网联式辅助、人机共驾、高度自动四个阶段,但是,由于对环境制约、交通安全、政策管控等其他诸多因素的考虑,现阶段的智能网联汽车主要采用人机共驾的形式完成驾驶任务,例如:在某些特定场景下,由驾驶辅助系统与驾驶员共同控制车辆。现有的驾驶辅助系统主要包括:自动泊车系统(APS)、自适应巡航系统(ACC)以及车道保持系统(LKS)等,它们将在一定程度上辅助驾驶员驾驶车辆,实现车辆的智能化控制。
根据调查表明,93%的交通事故是驾驶员与驾驶环境之间的信息交互出现问题或驾驶员错误操作导致的,当驾驶员的疲劳程度逐渐加重时,其反应时间也将极大地增加,进而影响驾驶安全性,此时,自动紧急制动系统(AEBS)对前方障碍物的避撞功能将发挥至关重要的作用。
然而,现有驾驶辅助系统通常仅考虑车辆行驶中的预警问题,独立于车辆的控制系统而存在,其功能并不能达到智能化控制的预期效果,现有的驾驶辅助系统存在着如下问题:
(1)在计算碰撞时间(TTC)等重要参数时,并未考虑驾驶员疲劳程度对其反应时间的影响,功能较为单一、启动时机不够准确。
(2)未考虑驾驶员操纵舒适性等问题,往往仅以最大制动减速度进行制动,难以对车辆控制系统进行动态优化。
(3)难以根据驾驶环境的不同对驾驶辅助系统中的临界安全距离进行调整,实用性较差。
(4)未考虑不同驾驶员驾驶习惯的差异性,难以与种类众多的驾驶员群体产生较强的适配性。
因此,将疲劳等级判别的人工智能技术引入现有的驾驶辅助系统决策中,并将其与智能车辆紧急制动控制技术结合,将成为提高自动紧急控制系统动态优化能力,提高驾驶安全性、操纵舒适性、燃油经济性的一个行之有效的发展方向。
发明内容
本发明提供了一种车辆辅助驾驶控制方法、系统、设备及介质,解决的技术问题是,现有的车辆辅助驾驶控制方法缺乏对驾驶员疲劳程度、适配性的监测。
为解决以上技术问题,本发明提供了一种车辆辅助驾驶控制方法、系统、设备及介质。
第一方面,本发明提供了一种车辆辅助驾驶控制方法,所述方法包括以下步骤:
根据采集到的人脸图像获取眼部闭合特征和嘴部张开特征;
利用所述眼部闭合特征和嘴部张开特征,得到驾驶员的疲劳反应时间;
利用所述疲劳反应时间以及优化预测模型,得到主车辆的期望速度;
根据主车辆的期望速度以及实际速度,得到非奇异终端滑膜控制器的控制误差;
根据所述控制误差以及选取的滑膜趋近率,确定非奇异终端滑膜控制器的控制律;
根据所述控制律,获取发动机期望扭矩及期望制动压力,以对主车辆进行制动控制。
在进一步的实施方案中,所述根据采集到的人脸图像获取眼部闭合特征和嘴部张开特征的步骤包括:
将采集到的人脸图像输入卷积神经网络中,得到驾驶员面部区域;
对驾驶员面部区域进行人脸特征点定位,以获取驾驶员的眼部特征点以及嘴部特征点;
通过对驾驶员的眼部特征点和嘴部特征点进行椭圆拟合,得到驾驶员在单位时间内的闭眼频数以及张口频数;
根据单位时间内所述闭眼频数和总帧数,得到眼部闭合特征;
根据单位时间内所述张口频数和总帧数,得到嘴部张开特征。
在进一步的实施方案中,所述利用所述眼部闭合特征和嘴部张开特征,得到驾驶员的疲劳反应时间的步骤包括:
根据所述眼部闭合特征和嘴部张开特征,获取驾驶员疲劳等级;
根据所述驾驶员疲劳等级以及模糊规则,得到反应时间修正系数;
根据所述反应时间修正系数以及驾驶员标准反应时间,得到疲劳反应时间。
在进一步的实施方案中,所述利用所述疲劳反应时间以及优化预测模型,得到主车辆的期望速度的步骤包括:
利用主车辆、前方车辆的行车距离和行车速度,得到碰撞时间指数,并通过碰撞时间阈值对所述碰撞时间指数进行标准化处理,得到碰撞时间修正指数;
利用所述疲劳反应时间以及主车辆的延迟时间,得到车辆警告指数,并通过车辆警告阈值对所述车辆警告指数进行标准化处理,得到车辆警告修正指数;
将所述碰撞时间修正指数和所述车辆警告修正指数输入优化预测模型,得到主车辆的期望速度。
在进一步的实施方案中,所述优化预测模型具体为:
Figure BDA0003460746650000031
式中,vdes为控制变量,其表示主车辆的期望速度,Qx表示控制变量的权重系数,ξ表示惩罚函数,ξ=(KTTC,KWI,(aego,i-aLim,i))T,QPI表示惩罚函数的权重系数,KTTC表示碰撞时间修正指数,KWI表示车辆警告修正指数,ωTTC,i、ωWI,i、ωa,i表示权重系数,i表示第i时刻,(aego,i-aLim,i)表示车辆减速度限制。
在进一步的实施方案中,所述根据所述控制误差以及选取的滑膜趋近率,确定非奇异终端滑膜控制器的控制律的步骤包括:
利用所述控制误差以及非奇异终端滑膜控制器,构建非奇异终端滑膜控制滑膜面;
根据所述非奇异终端滑膜控制滑膜面确定滑膜趋近率,并基于所述滑膜趋近率计算得到非奇异终端滑膜控制器的控制律。
在进一步的实施方案中,所述控制律的计算公式为:
Figure BDA0003460746650000041
式中,Lu表示控制律,vref,i表示主车辆在行驶过程中的实际速度,γi表示主车辆在行驶过程中的加速度误差,D1′表示滑膜趋近率,ρ、β、y均表示常数,且ρ>0,
Figure BDA0003460746650000042
第二方面,本发明提供了一种车辆辅助驾驶控制系统,所述系统包括:
疲劳检测模块,用于根据采集到的人脸图像获取眼部闭合特征和嘴部张开特征,还用于利用所述眼部闭合特征和嘴部张开特征,得到驾驶员的疲劳反应时间;
模型最优决策模块,用于利用所述疲劳反应时间以及优化预测模型,得到主车辆的期望速度;
误差计算模块,用于根据主车辆的期望速度以及实际速度,得到非奇异终端滑膜控制器的控制误差;
控制律确定模块,用于根据所述控制误差以及选取的滑膜趋近率,确定非奇异终端滑膜控制器的控制律;
制动控制模块,用于根据所述控制律,获取发动机期望扭矩及期望制动压力,以对主车辆进行制动控制。
第三方面,本发明还提供了一种计算机设备,包括处理器和存储器,所述处理器与所述存储器相连,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器中存储的计算机程序,以使得所述计算机设备执行实现上述方法的步骤。
第四方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明提供了一种车辆辅助驾驶控制方法、系统、设备及介质,所述方法利用卷积神经网络协助检测驾驶员的疲劳状态,并结合驾驶员的疲劳状态和车辆的行驶状态进行判断,优化辅助决策控制方案,能够有效提高车速控制的准确性和有效性。与现有的自动紧急制动系统相比,该方法考虑不同驾驶状态及碰撞时间等指标的复杂多样性,同时通过优化预测模型进行优化控制,其不仅能够在满足约束条件下保证系统的控制精确度,而且计算复杂度低,能够实现快速求解,从而提高汽车控制的实时性,在实际环境下具有较好的效果。
附图说明
图1是本发明实施例提供的一种车辆辅助驾驶控制方法流程示意图;
图2是本发明实施例提供的驾驶员疲劳检测流程示意图;
图3是本发明实施例提供的驾驶员反应时间修正系数检测示意图;
图4是本发明实施例提供的一种车辆辅助驾驶控制系统框图;
图5是本发明实施例提供的计算机设备的结构示意图。
具体实施方式
下面结合附图具体阐明本发明的实施方式,实施例的给出仅仅是为了说明目的,并不能理解为对本发明的限定,包括附图仅供参考和说明使用,不构成对本发明专利保护范围的限制,因为在不脱离本发明精神和范围基础上,可以对本发明进行许多改变。
参考图1,本发明实施例提供了一种车辆辅助驾驶控制方法,如图1所示,该方法包括:
S1.根据采集到的人脸图像获取眼部闭合特征和嘴部张开特征。
在一个实施例中,所述根据采集到的人脸图像获取眼部闭合特征和嘴部张开特征的步骤包括:
将采集到的人脸图像输入卷积神经网络中,得到驾驶员面部区域;
对驾驶员面部区域进行人脸特征点定位,以获取驾驶员的眼部特征点以及嘴部特征点;
通过对驾驶员的眼部特征点和嘴部特征点进行椭圆拟合,得到驾驶员在单位时间内的闭眼频数以及张口频数;
根据单位时间内所述闭眼频数和总帧数,得到眼部闭合特征;
根据单位时间内所述张口频数和总帧数,得到嘴部张开特征。
其中,所述眼部闭合特征的计算公式为:
Figure BDA0003460746650000061
式中,fPERCLOS表示眼部闭合特征,n1表示单位时间内驾驶员眼睑闭合的帧数,N1表示单位时间内眼睛张开和闭合的总帧数。
所述嘴部张开特征的计算公式为:
Figure BDA0003460746650000062
式中,fFOM表示眼部闭合特征,n2表示单位时间内驾驶员嘴部张开的帧数,N2表示单位时间内嘴部张开和闭合的总帧数。
如图2所示,本实施例优先选取YOLOv3卷积神经网络对采集到的人脸图像进行目标检测、处理,得到驾驶员面部区域;然后,基于人脸的细粒度,利用Dlib工具包检测提取人脸68个特征点,从而实现人脸特征点的定位,本实施例在对人脸特征点进行定位后,提取出眼部特征点以及嘴部特征点,并通过拟合得到的椭圆的长短轴对驾驶员眼部及嘴部的张开闭合情况进行判别,得到驾驶员在单位时间内的闭眼频数和张口频数,最后,利用PERCLOS算法得到眼部闭合特征,利用FOM算法得到嘴部张开特征,并在得到眼部闭合特征和嘴部张开特征之后,计算得到驾驶员的疲劳反应时间。
其中,所述PERCLOS算法是由卡内基梅隆大学经过反复试验和论证,提出的度量疲劳的物理量“PERCLOS”,其定义为单位时间内(一般取1分钟或者30秒)眼睛闭合一定比例(70%或80%)所占的时间,美国联邦公路管理局(FHWA)和美国国家公路交通安全管理局(NHTSA)在实验室中模拟驾驶,完成了九种疲劳检测指标的比较,结果证明,PERCLOS与驾驶疲劳的相关性最好,因而本发明采用PERCLOS作为驾驶员疲劳等级的评价指标之一;另外,在本实施例中,FOM算法的定义为单位时间内驾驶员嘴巴张开时间与总时间的比值,其计算方式与PERCLOS算法基本相同,此处不加赘述。
S2.利用所述眼部闭合特征和嘴部张开特征,得到驾驶员的疲劳反应时间。
在一个实施例中,所述利用所述眼部闭合特征和嘴部张开特征,得到驾驶员的疲劳反应时间的步骤包括:
根据所述眼部闭合特征和嘴部张开特征,获取驾驶员疲劳等级;
根据所述驾驶员疲劳等级以及模糊规则,得到反应时间修正系数;
根据所述反应时间修正系数以及驾驶员标准反应时间,得到疲劳反应时间。
首先,本实施例根据所述眼部闭合特征和眼部闭合阈值判断驾驶员眼部的疲劳等级,其中,眼部闭合阈值如表1所示:
表1
Figure BDA0003460746650000071
在表1中,当眼部闭合特征fPERCLOS小于眼部闭合阈值15%时,将驾驶员眼部疲劳等级判定为低频(PS),当眼部闭合特征fPERCLOS处于眼部闭合阈值15%和24%之间时,将驾驶员眼部疲劳等级判定为中频(PM),当眼部闭合特征fPERCLOS大于眼部闭合阈值24%时,将驾驶员眼部疲劳等级判定为高频(PB)。
接着,本实施例根据所述嘴部张开特征和嘴部张开阈值判断驾驶员嘴部的疲劳等级,其中,嘴部张开阈值如表2所示:
表2
Figure BDA0003460746650000081
在表2中,当嘴部张开特征fFOM小于嘴部张开阈值16%时,将驾驶员嘴部疲劳等级判定为低频(KS),当嘴部张开特征fFOM大于嘴部张开阈值16%时,将驾驶员眼部疲劳等级判定为高频(KM)。
然后,本实施例根据驾驶员眼部疲劳等级、嘴部疲劳等级构建模糊控制器的模糊规则,从而根据模糊规则确定对应驾驶员的反应时间修正系数Kresp,并将反应时间修正系数Kresp与驾驶员标准反应时间tresp相乘,得到驾驶员的疲劳反应时间t0;其中,所述模糊规则如表3所示:
表3
Figure BDA0003460746650000082
在表3中,T1表示驾驶员处于正常状态,T2表示驾驶员处于疲劳状态,T3表示驾驶员处于重度疲劳状态。
在图3中,K坐标轴表示输入模糊控制器的眼部闭合特征fPERCLOS,P坐标轴表示输入模糊控制器的嘴部张开特征fFOM,T坐标轴表示通过模糊控制器得到的驾驶员的反应时间修正系数Kresp
需要说明的是,在本实施例中,所述驾驶员标准反应时间tresp是指在未考虑驾驶员处于疲劳状态时采用的驾驶员反应时间,实际应用中一般取1s作为驾驶员标准反应时间。
S3.利用所述疲劳反应时间以及优化预测模型,得到主车辆的期望速度。
为了便于后续的计算,在计算主车辆的期望速度之前,本实施例先对主车辆和前方车辆建立车辆模型,在车辆制动阶段过程中,主车辆根据搭载的自动紧急制动系统与毫米波雷达实时探测前方车辆的速度,并将其传递至主车辆自动紧急制动系统决策层,建立的车辆模型具体为:
Figure BDA0003460746650000091
式中,SLong,obj表示前方车辆的行车距离,SLong,ego表示主车辆的行车距离,vobj表示前方车辆的行车速度,vego表示主车辆的行车速度,drel表示主车辆与前方车辆之间的相对距离,Fobj表示前方车辆的制动力,Fego表示主车辆的制动力,mobj表示前方车辆的质量,mego表示主车辆的质量。
在一个实施例中,所述利用所述疲劳反应时间以及优化预测模型,得到主车辆的期望速度的步骤包括:
利用主车辆、前方车辆的行车距离和行车速度,得到碰撞时间指数,并通过碰撞时间阈值对所述碰撞时间指数进行标准化处理,得到碰撞时间修正指数;
利用所述疲劳反应时间以及主车辆的延迟时间,得到车辆警告指数,并通过车辆警告阈值对所述车辆警告指数进行标准化处理,得到车辆警告修正指数;
将所述碰撞时间修正指数和所述车辆警告修正指数输入优化预测模型,得到主车辆的期望速度。
在本实施例中,所述碰撞时间指数的计算公式为:
Figure BDA0003460746650000101
式中,TTCi表示第i时刻的碰撞时间指数,vobj,i表示前方车辆在第i时刻的行车速度,vego,i表示主车辆在第i时刻的行车速度。
所述车辆警告指数的计算公式为:
Figure BDA0003460746650000102
其中,
Figure BDA0003460746650000103
Figure BDA0003460746650000104
SLong,Wr,i=SLong,BK,i+vego,0t0=SLong,BK,i+vego,0Kresptresp
式中,SLong,BK,i表示主车辆在制动阶段开始至制动阶段结束期间行驶的距离,SLong,Wr,i表示主车辆从驾驶员感知到前方危险至车辆制动阶段结束时行驶的距离,tBK,delay表示因制动系统协调而产生的系统延迟时间,tBK,cmd表示因制动系统与液压部件作用而产生的系统延迟时间,vego,0表示主车辆在制动开始时刻的纵向速度,vego,d表示主车辆在制动阶段结束时刻的纵向速度,amax表示主车辆的最大制动减速度。
为了便于后续的非线性约束优化计算,在计算得到碰撞时间指数和车辆警告指数之后,本实施例还需利用碰撞时间阈值、车辆警告阈值分别对所述碰撞时间指数、车辆警告指数进行标准化计算,得到对应的碰撞时间修正指数、车辆警告修正指数,具体为:
Figure BDA0003460746650000105
Figure BDA0003460746650000106
Figure BDA0003460746650000107
式中,i表示第i个时刻,TTCThrd表示碰撞时间阈值,KTTC表示碰撞时间修正指数,WIThrd表示车辆警告阈值,KWI表示车辆警告修正指数。
在计算得到碰撞时间修正指数和车辆警告修正指数后,本实施例基于优化预测模型,得到主车辆的期望速度,其中,所述优化预测模型具体为:
Figure BDA0003460746650000111
vdes,Lim,min≤vdes≤vdes,Lim,i
其中,
Figure BDA0003460746650000112
Figure BDA0003460746650000113
式中,PI表示目标函数,vdes为控制变量,其表示主车辆的期望速度,Qx表示控制变量的权重系数,ξ表示惩罚函数,ξ=(KTTC,KWI,(aego,i-aLim,i))T,QPI表示惩罚函数的权重系数,KTTC表示碰撞时间修正指数,KWI表示车辆警告修正指数,ωTTC,i表示碰撞时间指数权重系数,ωWI,i表示车辆警告指数权重系数,ωa,i表示车辆减速度权重系数,i表示第i时刻,(aego,i-aLim,i)表示车辆减速度限制。
在本实施例中,当目标函数取得最小值时,控制变量vdes即为优化预测模型的最优解,以下将对所述优化预测模型的求解过程进行具体说明:
对于非线性约束最优化问题,序列二次规划(SQP)和内点法是两类非常有效的算法,SQP算法求解非线性约束优化问题主要通过求解一系列二次规划子问题来实现,内点法主要是将约束添加到目标函数中转换为一系列无约束问题逐步求解,本实施例采用序列二次规划算法求解优化预测模型,为了便于后续计算,本实施例将优化预测模型的中的上下界调整为以下形式:
Acx≥bc
Ac=[I,-I],bc=[xLim,min,xLim,i]T
因此,约束优化问题可通过拉格朗日方法计算,具体为:
Figure BDA0003460746650000121
式中,i∈φ为优化问题中的约束条件,由此,SQP算法可表示为:
Aa(x)={i∈φ|Acx≥bc}
在(x(k)(k))处,该二次规划问题可以表示为:
Figure BDA0003460746650000122
s.t.Ak Tp+Ac(xk)-bc≥0
因此,原不等式约束问题可表示为以下等式约束问题:
Figure BDA0003460746650000123
s.t.aip+Ac i(x(k))-bc=0,i∈I(k)
Figure BDA0003460746650000124
则有:
Figure BDA0003460746650000125
由于q(p(k))项对最终结果无影响,因此,该优化问题的解与以下问题等价:
Figure BDA0003460746650000126
Figure BDA0003460746650000127
假定优化方程的解
Figure BDA0003460746650000128
为非零解,则需通过
Figure BDA0003460746650000129
确定优化问题的步长,其约束条件为:
Figure BDA00034607466500001210
Figure BDA00034607466500001211
为使求取q的最大梯度下降,αk需要在[0,1]范围内尽可能地大,因此,αk将定义为:
Figure BDA00034607466500001212
任何SQP问题都可以达到准静态收敛,但为了使后续计算方便,本实施例采用准牛顿法Bk
sk=xk+1-xk
Figure BDA0003460746650000131
Figure BDA0003460746650000132
为保证算法整体性能,对上述方法进一步修改,具体为:
rk=θkyk-(1-θk)Bksk
Figure BDA0003460746650000133
将Bk更新为Bk+1,得到:
Figure BDA0003460746650000134
以上内容即为本实施例利用SQP算法求解非线性约束优化问题的过程。
本实施例将车辆加速度、碰撞时间指数和车辆警告指数等多个指标作为优化性能指标,在目标函数和约束条件的作用下,使最终得到的主车辆的期望速度更加符合实际情况,具有较好的实时性,从而提高车辆跟踪控制的精确度。
S4.根据主车辆的期望速度以及实际速度,得到非奇异终端滑膜控制器的控制误差。
本实施例基于非奇异快速终端滑膜控制器实现主车辆的纵向速度控制系统,其中,所述非奇异快速终端滑膜控制器是一种可以在动态过程中,根据系统当前的状态(如偏差及其各阶导数等)有目的地不断变化,迫使系统按照预定“滑动模态”的状态轨迹运动的非线性控制器;为了提高系统的控制精度,本实施例不仅将主车辆的相对速度误差作为评价纵向速度控制系统的一个指标,同时将主车辆的相对加速度误差也作为评价纵向速度控制系统的另一个指标,从而得到非奇异终端滑膜控制器的控制误差,具体为:
ei=vdes,i-vref,i
γi=ades,i-aref,i
式中,ei表示主车辆在行驶过程中的速度误差,γi表示主车辆在行驶过程中的加速度误差,vdes,i表示通过优化预测模型得到的主车辆的期望速度,vref,i表示主车辆在行驶过程中的实际速度,ades,i表示主车辆的期望加速度,aref,i表示主车辆在行驶过程中的实际加速度。
其中,本实施例根据汽车理论以及车辆制动系统运行原理,将主车辆的期望加速度定义为:
Figure BDA0003460746650000141
式中,Tedes表示期望发动机扭矩,pbdes表示期望制动压力,m表示主车辆质量,I0表示主车辆的主减速器的传动比,ηt表示传动系的机械效率,kb表示制动压力比系数。
由此可知:
a′des,i=v″des,i=A*T′edes-B*p′edes
式中,A、B均为定义参数。
需要说明的是,主车辆在行驶过程中的速度误差ei和加速度误差γi是随着时间变化的。
S5.根据所述控制误差以及选取的滑膜趋近率,确定非奇异终端滑膜控制器的控制律。
在一个实施例中,所述根据所述控制误差以及选取的滑膜趋近率,确定非奇异终端滑膜控制器的控制律的步骤包括:
利用所述控制误差以及非奇异终端滑膜控制器,构建非奇异终端滑膜控制滑膜面;其中,所述非奇异终端滑膜控制滑膜面具体为:
D0=ei+ρ(γi)β/y
式中,D0表示非奇异终端滑膜控制滑膜面,ρ、β、y表示常数,ρ>0,
Figure BDA0003460746650000142
根据所述非奇异终端滑膜控制滑膜面确定滑膜趋近率,并基于所述滑膜趋近率计算得到非奇异终端滑膜控制器的控制律。
在本实施例中,非奇异终端滑膜控制器的控制律的计算过程如下所示:
首先,本实施例对得到的非奇异终端滑膜控制滑膜面进行求导,得到:
Figure BDA0003460746650000151
式中,γi′=a′des,i-a′ref,i=v″des,i-v″ref,i=A*T′edes-B*p′edes-v″ref,i
由此可知:
Figure BDA0003460746650000152
然后,本实施例将非奇异终端滑膜控制器的控制律Lu定义为:
Lu=A*T'edes-B*p'edes
因此,可得:
Figure BDA0003460746650000153
同时,为了使系统状态能够迅速趋近于滑模面,本实施例选取指数趋近律定义滑膜趋近率,具体为:
D′1=k*sgn(D1)+μ*D1
式中,D′1表示滑膜趋近率,k、μ表示常数,μ表示滑模切换增益,sign表示符号函数。
在本实施例中,当系统实现系统目标且趋近于稳定状态时,滑膜面的导数值D0′与滑膜趋近率D1′的值相等,因此,可得非奇异快速终端滑膜控制器的控制律的公式:
Figure BDA0003460746650000154
式中,Lu表示非奇异终端滑膜控制器的控制律。
S6.根据所述控制律,获取发动机期望扭矩及期望制动压力,以对主车辆进行制动控制。
本实施例基于车辆逆纵向动力学模型,利用所述控制律获取发动机期望扭矩及期望制动压力,同时由于影响自主车辆纵向行驶的因素主要是节气门开度和制动踏板开度两个因素,因此,本实施例将得到的发动机期望扭矩及期望制动压力输入车辆发动机及制动踏板,从而实现车辆的制动减速控制;本实施例通过非奇异终端滑模控制器实现了对智能车辆制动压力与发动机扭矩的控制,使其在保证系统快速趋近于最优化控制目标值的同时,减少了滑模控制系统固有的抖振问题,进一步提升了系统的稳定性。
本发明实施例提供的一种车辆辅助驾驶控制方法,通过YOLOv3卷积神经网络以及模糊推理规则得到驾驶员的疲劳反应时间,并基于优化预测模型得到主车辆的期望速度,而后基于期望速度,结合非奇异终端滑膜控制计算确定主车辆对应的非奇异终端滑膜控制器的控制律,以实现对车辆的制动控制。本实施例能够充分考虑驾驶员疲劳状态、碰撞时间指数以及车辆警告指数对主车辆制动控制的影响,具有更高的控制精度和更好的适应性。
需要说明的是,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一个实施例中,如图4所示,本发明实施例提供了一种车辆辅助驾驶控制系统,所述系统包括:
疲劳检测模块101,用于根据采集到的人脸图像获取眼部闭合特征和嘴部张开特征,还用于利用所述眼部闭合特征和嘴部张开特征,得到驾驶员的疲劳反应时间;
模型最优决策模块102,用于利用所述疲劳反应时间以及优化预测模型,得到主车辆的期望速度;
误差计算模块103,用于根据主车辆的期望速度以及实际速度,得到非奇异终端滑膜控制器的控制误差;
控制律确定模块104,用于根据所述控制误差以及选取的滑膜趋近率,确定非奇异终端滑膜控制器的控制律;
制动控制模块105,用于根据所述控制律,获取发动机期望扭矩及期望制动压力,以对主车辆进行制动控制。
关于一种车辆辅助驾驶控制系统的具体限定可以参见上述对于一种车辆辅助驾驶控制方法的限定,此处不再赘述。本领域普通技术人员可以意识到,结合本申请所公开的实施例描述的各个模块和步骤,能够以硬件、软件或者两者结合来实现。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申请的范围。
本实施例提供的一种车辆辅助驾驶控制系统,通过疲劳检测模块实现对驾驶员疲劳状态的检测,通过模型最优决策模块融合了驾驶员疲劳状态以及其它多个指标,从而实现模型优化,同时基于滑模控制理论,通过误差计算模块、控制律确定模块和制动控制模块设计得到非奇异终端滑膜控制器的控制律。与现有技术相比,本实施例通过优化模型及控制算法,进一步提高了智能汽车在纵向速度控制中的稳定性和精确性。
图5是本发明实施例提供的一种计算机设备,包括存储器、处理器和收发器,它们之间通过总线连接;存储器用于存储一组计算机程序指令和数据,并可以将存储的数据传输给处理器,处理器可以执行存储器存储的程序指令,以执行上述方法的步骤。
其中,存储器可以包括易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者;处理器可以是中央处理器、微处理器、特定应用集成电路、可编程逻辑器件或其组合。通过示例性但不是限制性说明,上述可编程逻辑器件可以是复杂可编程逻辑器件、现场可编程逻辑门阵列、通用阵列逻辑或其任意组合。
另外,存储器可以是物理上独立的单元,也可以与处理器集成在一起。
本领域普通技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有相同的部件布置。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例提供的一种车辆辅助驾驶控制方法、系统、设备及介质,其一种车辆辅助驾驶控制方法通过利用模糊推理规则得到驾驶员在不同疲劳状态下的反应时间变化,并基于模型预测优化使高级辅助驾驶系统性能指标趋近于优化控制目标,而后结合非奇异终端滑膜控制和滑膜趋近率计算确定对应的非奇异终端滑膜控制的控制律,以对智能汽车的制动压力与发动机扭矩进行控制;本实施例能够同时考虑驾驶员疲劳程度的影响和多个环境因素的影响,具有更高的控制精度和更好的适应性。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如SSD)等。
本领域技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
以上所述实施例仅表达了本申请的几种优选实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本申请的保护范围。因此,本申请专利的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种车辆辅助驾驶控制方法,其特征在于,包括以下步骤:
根据采集到的人脸图像获取眼部闭合特征和嘴部张开特征;
利用所述眼部闭合特征和嘴部张开特征,得到驾驶员的疲劳反应时间;
利用所述疲劳反应时间以及优化预测模型,得到主车辆的期望速度;
根据主车辆的期望速度以及实际速度,得到非奇异终端滑模控制器的控制误差;
根据所述控制误差以及选取的滑模趋近率,确定非奇异终端滑模控制器的控制律;
根据所述控制律,获取发动机期望扭矩及期望制动压力,以对主车辆进行制动控制;
所述优化预测模型具体为:
Figure QLYQS_1
式中,
Figure QLYQS_4
为控制变量,其表示主车辆的期望速度,
Figure QLYQS_6
表示控制变量的权重系数,
Figure QLYQS_9
表示惩罚函数,
Figure QLYQS_3
Figure QLYQS_7
表示惩罚函数的权重系数,
Figure QLYQS_10
表示碰撞时间修正指数,
Figure QLYQS_11
表示车辆警告修正指数,
Figure QLYQS_2
Figure QLYQS_5
Figure QLYQS_8
表示权重系数,i表示第i时刻,
Figure QLYQS_12
表示车辆减速度限制;
所述控制律的计算公式为:
Figure QLYQS_13
式中,
Figure QLYQS_15
表示控制律,
Figure QLYQS_17
表示主车辆在行驶过程中的实际速度,
Figure QLYQS_20
表示主车辆在行驶过程中的加速度误差,
Figure QLYQS_16
表示滑模趋近率,
Figure QLYQS_19
Figure QLYQS_21
Figure QLYQS_22
均表示常数,且
Figure QLYQS_14
Figure QLYQS_18
2.如权利要求1所述的一种车辆辅助驾驶控制方法,其特征在于,所述根据采集到的人脸图像获取眼部闭合特征和嘴部张开特征的步骤包括:
将采集到的人脸图像输入卷积神经网络中,得到驾驶员面部区域;
对驾驶员面部区域进行人脸特征点定位,以获取驾驶员的眼部特征点以及嘴部特征点;
通过对驾驶员的眼部特征点和嘴部特征点进行椭圆拟合,得到驾驶员在单位时间内的闭眼频数以及张口频数;
根据单位时间内所述闭眼频数和总帧数,得到眼部闭合特征;
根据单位时间内所述张口频数和总帧数,得到嘴部张开特征。
3.如权利要求1所述的一种车辆辅助驾驶控制方法,其特征在于,所述利用所述眼部闭合特征和嘴部张开特征,得到驾驶员的疲劳反应时间的步骤包括:
根据所述眼部闭合特征和嘴部张开特征,获取驾驶员疲劳等级;
根据所述驾驶员疲劳等级以及模糊规则,得到反应时间修正系数;
根据所述反应时间修正系数以及驾驶员标准反应时间,得到疲劳反应时间。
4.如权利要求1所述的一种车辆辅助驾驶控制方法,其特征在于,所述利用所述疲劳反应时间以及优化预测模型,得到主车辆的期望速度的步骤包括:
利用主车辆、前方车辆的行车距离和行车速度,得到碰撞时间指数,并通过碰撞时间阈值对所述碰撞时间指数进行标准化处理,得到碰撞时间修正指数;
利用所述疲劳反应时间以及主车辆的延迟时间,得到车辆警告指数,并通过车辆警告阈值对所述车辆警告指数进行标准化处理,得到车辆警告修正指数;
将所述碰撞时间修正指数和所述车辆警告修正指数输入优化预测模型,得到主车辆的期望速度。
5.如权利要求1所述的一种车辆辅助驾驶控制方法,其特征在于,所述根据所述控制误差以及选取的滑模趋近率,确定非奇异终端滑模控制器的控制律的步骤包括:
利用所述控制误差以及非奇异终端滑模控制器,构建非奇异终端滑模控制滑模面;
根据所述非奇异终端滑模控制滑模面确定滑模趋近率,并基于所述滑模趋近率计算得到非奇异终端滑模控制器的控制律。
6.一种车辆辅助驾驶控制系统,其特征在于,所述系统包括:
疲劳检测模块,用于根据采集到的人脸图像获取眼部闭合特征和嘴部张开特征,还用于利用所述眼部闭合特征和嘴部张开特征,得到驾驶员的疲劳反应时间;
模型最优决策模块,用于利用所述疲劳反应时间以及优化预测模型,得到主车辆的期望速度;
误差计算模块,用于根据主车辆的期望速度以及实际速度,得到非奇异终端滑模控制器的控制误差;
控制律确定模块,用于根据所述控制误差以及选取的滑模趋近率,确定非奇异终端滑模控制器的控制律;
制动控制模块,用于根据所述控制律,获取发动机期望扭矩及期望制动压力,以对主车辆进行制动控制;
所述优化预测模型具体为:
Figure QLYQS_23
式中,
Figure QLYQS_25
为控制变量,其表示主车辆的期望速度,
Figure QLYQS_29
表示控制变量的权重系数,
Figure QLYQS_32
表示惩罚函数,
Figure QLYQS_26
Figure QLYQS_27
表示惩罚函数的权重系数,
Figure QLYQS_31
表示碰撞时间修正指数,
Figure QLYQS_33
表示车辆警告修正指数,
Figure QLYQS_24
Figure QLYQS_28
Figure QLYQS_30
表示权重系数,i表示第i时刻,
Figure QLYQS_34
表示车辆减速度限制;
所述控制律的计算公式为:
Figure QLYQS_35
式中,
Figure QLYQS_37
表示控制律,
Figure QLYQS_41
表示主车辆在行驶过程中的实际速度,
Figure QLYQS_43
表示主车辆在行驶过程中的加速度误差,
Figure QLYQS_38
表示滑模趋近率,
Figure QLYQS_40
Figure QLYQS_42
Figure QLYQS_44
均表示常数,且
Figure QLYQS_36
Figure QLYQS_39
7.一种计算机设备,其特征在于:包括处理器和存储器,所述处理器与所述存储器相连,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器中存储的计算机程序,以使得所述计算机设备执行如权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有计算机程序,当所述计算机程序被运行时,实现如权利要求1至5任一项所述的方法。
CN202210017964.1A 2022-01-07 2022-01-07 一种车辆辅助驾驶控制方法、系统、设备及介质 Active CN114347998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210017964.1A CN114347998B (zh) 2022-01-07 2022-01-07 一种车辆辅助驾驶控制方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210017964.1A CN114347998B (zh) 2022-01-07 2022-01-07 一种车辆辅助驾驶控制方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN114347998A CN114347998A (zh) 2022-04-15
CN114347998B true CN114347998B (zh) 2023-05-23

Family

ID=81106633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210017964.1A Active CN114347998B (zh) 2022-01-07 2022-01-07 一种车辆辅助驾驶控制方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN114347998B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611605A (zh) * 2022-12-01 2023-08-18 北京津发科技股份有限公司 一种智能座舱人机界面的测评系统、方法及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113327457A (zh) * 2021-06-04 2021-08-31 中山大学 一种基于车路协同技术的车辆避碰系统及方法
CN113696892A (zh) * 2021-08-13 2021-11-26 浙江零跑科技股份有限公司 一种车辆的自适应巡航滑模控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113327457A (zh) * 2021-06-04 2021-08-31 中山大学 一种基于车路协同技术的车辆避碰系统及方法
CN113696892A (zh) * 2021-08-13 2021-11-26 浙江零跑科技股份有限公司 一种车辆的自适应巡航滑模控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于路径预测的自主车最优跟踪控制;贾祝蓉;李雷;贾新春;成婷婷;;测试技术学报(第03期);全文 *
智能车辆弧线跟踪控制算法;王荣本;张荣辉;游峰;储江伟;金立生;;吉林大学学报(工学版)(第05期);全文 *

Also Published As

Publication number Publication date
CN114347998A (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN106874597B (zh) 一种应用于自动驾驶车辆的高速公路超车行为决策方法
CN112242069B (zh) 一种确定车速的方法和装置
CN109733390B (zh) 一种基于驾驶人特性的自适应换道预警方法
DE102017103972A1 (de) Autonome Fahrzeugsteuerung unter Berücksichtigung eines Wahrscheinlichkeitsfaktors
WO2021129156A1 (zh) 智能汽车的控制方法、装置和控制系统
CN105035085B (zh) 自动跟车方法及装置
JP2009051430A (ja) 走行支援システム
CN114987539B (zh) 一种基于风险场模型的自动驾驶汽车个性化碰撞分级预警方法及系统
CN111338385A (zh) 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法
US11364934B2 (en) Training a generator unit and a discriminator unit for collision-aware trajectory prediction
CN111830962A (zh) 强化学习代理控制器的解释数据
CN114347998B (zh) 一种车辆辅助驾驶控制方法、系统、设备及介质
Yao et al. Target vehicle selection algorithm for adaptive cruise control based on lane-changing intention of preceding vehicle
Jiang et al. Event-triggered shared lateral control for safe-maneuver of intelligent vehicles
CN110103960B (zh) 车辆自适应巡航控制方法、系统及车辆
Oudainia et al. Personalized decision making and lateral path planning for intelligent vehicles in lane change scenarios
Cong et al. An automatic vehicle avoidance control model for dangerous lane-changing behavior
Seo et al. Robust mode predictive control for lane change of automated driving vehicles
CN111784142B (zh) 高级驾驶辅助系统任务复杂度量化模型的建立方法
Zhang et al. A lane-changing prediction method based on temporal convolution network
CN115909733B (zh) 一种基于跨域感知与心智理论的驾驶意图预测方法
Wu et al. Multi-objective dynamic coordinated Adaptive Cruise Control for intelligent electric vehicle with sensors fusion
CN116001818A (zh) 一种汽车无人驾驶模式的控制系统及方法
US11794780B2 (en) Reward function for vehicles
CN114056332B (zh) 基于认知风险平衡的智能汽车跟车决策和控制方法

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