CN115230740A - 一种基于iot与l4自动驾驶的智慧交安方法及系统 - Google Patents
一种基于iot与l4自动驾驶的智慧交安方法及系统 Download PDFInfo
- Publication number
- CN115230740A CN115230740A CN202211001412.8A CN202211001412A CN115230740A CN 115230740 A CN115230740 A CN 115230740A CN 202211001412 A CN202211001412 A CN 202211001412A CN 115230740 A CN115230740 A CN 115230740A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- automatic driving
- obstacle
- time
- obstacle avoidance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 230000001133 acceleration Effects 0.000 claims description 61
- 238000004891 communication Methods 0.000 claims description 44
- 230000008859 change Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000013523 data management Methods 0.000 claims description 12
- 208000012661 Dyskinesia Diseases 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 241000135164 Timea Species 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- 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
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- 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
-
- 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
- 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
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental 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
-
- 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
- B60W2050/0031—Mathematical model of the vehicle
-
- 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
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/18—Braking system
- B60W2710/182—Brake pressure, e.g. of fluid or between pad and disc
-
- 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
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/20—Steering systems
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及自动驾驶的技术领域，揭露了一种基于IOT与L4自动驾驶的智慧交安方法及系统，包括：构建运动障碍轨迹预测模型，将所获取的障碍物以及车辆信息输入到所构建的运动障碍轨迹预测模型中，模型输出前方运动障碍物的预测位置信息；确定车辆的可行驶区域，并构建多约束自动驾驶紧急避障模型；构建的多约束自动驾驶紧急避障模型进行快速优化求解，得到车辆的自动驾驶紧急避障控制参数；根据计算得到的自动驾驶紧急避障控制参数进行车辆避障。本发明基于IOT设备实现更为精准的运动障碍物检测识别，并得到运动障碍物的行驶数据，实现碰撞概率更小的自动驾驶策略，降低车辆的制动时间，提高自动驾驶车辆的行驶效率，可以更快到达目的地。
Description
技术领域
本发明涉及自动驾驶的技术领域，尤其涉及一种基于IOT与L4自动驾驶的智慧交安方法及系统。
背景技术
随着自动驾驶技术的快速发展，自动驾驶引发的道路交通安全问题日益严峻。目前车辆纵向避撞大多采用碰撞预警或紧急制动的方式避免碰撞，但当车辆处于高速、路面湿滑等条件下，结合可行区域采用紧急转向的避撞方式更为有效。为进一步提升自动驾驶安全性，本专利提出一种基于IOT与L4自动驾驶的智慧交安系统，实现车辆纵横向主动避撞控制。
发明内容
有鉴于此，本发明提供一种基于IOT与L4自动驾驶的智慧交安方法，目的在于（1）通过基于IOT构建车联网，自动驾驶车辆可实时获取周围行驶车辆的位置信息以及速度信息数据，从而实现更为精准的运动障碍物检测识别，并得到运动障碍物的行驶数据，实现碰撞概率更小的自动驾驶策略；（2）自动驾驶车辆在检测到前方运动障碍物时会自行进行制动，避免突然变道引起的车辆打滑、车胎爆炸等问题，并在制动一段时间后进行变道，在变道成功后提高自身加速度，通过构建多约束自动驾驶紧急避障模型并对模型进行求解，得到使得制动时间更短、碰撞概率较低的自动驾驶紧急避障控制参数，在保证自动驾驶车辆行驶安全的前提下，提高自动驾驶车辆的行驶效率，可以更快到达目的地。
实现上述目的，本发明提供的一种基于IOT与L4自动驾驶的智慧交安方法，包括以下步骤：
S1：获取车辆与前方运动障碍物的运动状态、车辆与前方运动障碍物的相对位置以及相对速度信息，并构建运动障碍轨迹预测模型，将所获取的信息输入到所构建的运动障碍轨迹预测模型中，模型输出前方运动障碍物的预测位置信息，其中所述车辆为L4级别的自动驾驶车辆；
S2：根据预测的前方运动障碍物位置确定车辆的可行驶区域；
S3：以车辆可行驶区域为基础，构建多约束自动驾驶紧急避障模型；
S4：利用共轭梯度优化算法对构建的多约束自动驾驶紧急避障模型进行快速优化求解，求解得到车辆的自动驾驶紧急避障控制参数；
S5：根据计算得到的自动驾驶紧急避障控制参数进行车辆避障。
作为本发明的进一步改进方法：
可选地，所述S1步骤中获取车辆与前方运动障碍物的运动状态、车辆与前方运动障碍物的相对位置以及相对速度信息，包括：
所述车辆为L4级别的自动驾驶车辆，需要解释的是，L4自动驾驶车辆中的自动驾驶系统可以在某些环境和特定条件下，完成驾驶任务并监控驾驶环境，在本发明实施例中，所述L4自动驾驶车辆可以在智慧交安环境中进行自动驾驶，所述智慧交安为智慧交通安全，在智慧交安环境下，L4自动驾驶车辆所行驶的路段中仅有车辆；
需要说明的是，所述智慧交安系统包括感知层、决策层以及执行层，感知层用于为L4自动驾驶车辆获取外部行驶道路的环境数据，决策层用于基于环境数据确定车辆行驶前方是否存在可能导致车辆碰撞的障碍物，并规划避开障碍物的可行驶区域，以及车辆的控制参数，执行层用于基于控制参数进行车辆的紧急避障；
L4自动驾驶车辆的IOT设备获取车辆自身和前方运动障碍物的运动状态、车辆与前方运动障碍物的相对位置以及相对速度信息，所述IOT设备包括摄像头、车速传感器、加速度传感器、GPS定位器以及无线通信设备；
其中摄像头用于获取车辆行驶前方的道路情况，包括道路长度以及前方道路是否存在运动障碍物，所述运动障碍物为道路中的其余车辆；
车速传感器用于获取车辆自身的车速，加速度传感器用于获取车辆自身的加速度，在本发明实施例中，所述车速传感器为模拟交流信号发生器，其结构为两个接线柱的磁芯及线圈组成，当车辆内的磁轮组转动经过线圈时，线圈内会产生交流信号，所产生交流信号的频率表示磁轮组的转速，即车辆车速；
所述GPS定位器用于获取车辆自身的实时位置信息以及行驶区域的道路环境地图；
所述无线通信设备用于获取L4自动驾驶车辆周围车辆的通信数据，并将自身的速度信息以及位置信息打包为通信数据发送到周围车辆，其中所述通信数据包括车辆自身的速度信息以及位置信息；
将IOT设备所采集到的信息数据通过CAN总线发送到数据管理模块，所述数据管理模块所接收到的信息数据的格式为：
其中：
q(t)表示数据管理模块所接收到的t时刻的信息数据；
I t 为t时刻所采集到的前方道路图像；
map t 为L4自动驾驶车辆在t时刻的道路环境地图；
d t 表示L4自动驾驶车辆在t时刻的位置，v t 表示L4自动驾驶车辆在t时刻的速度，a t 表示L4自动驾驶车辆在t时刻的加速度；
env t 表示 t时刻所接收到的通信数据；
若在图像I t 中识别得到车辆，则表示L4自动驾驶车辆在t时刻存在前方运动障碍物，并对通信数据env t 进行解析，将解析得到的若干组位置信息与图像I t 中车辆的位置进行比对，将位置重合的位置信息所对应的速度信息作为前方运动障碍物的速度，构建得到L4自动驾驶车辆与前方运动障碍物的状态向量：
其中：
dm t 表示前方运动障碍物在t时刻的位置信息；
vm t 表示前方运动障碍物在t时刻的速度，若vm t =0，则表示前方运动障碍物为静止状态，否则表示前方运动障碍物为运动状态；
am t 表示前方运动障碍物在t时刻的加速度；
所述L4自动驾驶车辆与前方运动障碍物的相对位置为dm t -d t ，相对速度为vm t -v t 。
可选地，所述S1步骤中构建运动障碍轨迹预测模型，将所获取的信息输入到所构建的运动障碍轨迹预测模型中，模型输出前方运动障碍物的预测位置信息，包括：
构建运动障碍轨迹预测模型，所述运动障碍轨迹预测模型的输入为所获取的信息数据，包括L4自动驾驶车辆以及前方运动障碍物的位置信息以及速度信息；
所述运动障碍轨迹预测模型进行预测的流程为：
S11：计算L4自动驾驶车辆与前方运动障碍物刚好发生碰撞所需的时间：
其中：
t'为L4自动驾驶车辆与前方运动障碍物刚好发生碰撞所需的时间，若t'<0或t'不存在，表示L4自动驾驶车辆与前方运动障碍物不会发生碰撞，L4自动驾驶车辆可不改变车辆的速度信息，沿当前车道继续行驶；
S12：若t'≥0，计算前方运动障碍物在未来t+t'时刻的位置：
其中：
dm t+t' 表示L4自动驾驶车辆前方的运动障碍物在t+t'时刻的位置；
S13：计算L4自动驾驶车辆从t时刻开始进行减速的紧急制动距离S，制动结束后的速度等于运动障碍物的速度，所述紧急制动距离的计算公式为：
其中：
a s 表示L4自动驾驶车辆的制动加速度；
可选地，所述S2步骤中根据预测的前方运动障碍物位置确定自动驾驶车辆的可行驶区域，包括：
所述前方运动障碍物在t+t'时刻的位置为dm t+t' ，其中t+t'时刻为L4自动驾驶车辆按照t时刻的行驶路径以及行驶速度进行行驶，与前方运动障碍物发生碰撞的时刻；
所述L4自动驾驶车辆经过
时间将初始速度v t 减少到目标速度vm t ，其中
；
L4自动驾驶车辆在
时间范围内，利用无线通信设备获取邻近车道的车辆通信数据，并对所述车辆通信数据进行解析，若在时刻g的邻域时间范围内
，邻近车道i不存在行驶车辆，则说明车道i在时刻g为可行驶区域h g,i ，其中
，
为较小的正数；在本发明实施例中，所选取的可行驶区域均为离L4自动驾驶车辆当前行驶车道最近的车道，避免由于变道距离过长，在高速、路面湿滑场景下出现车辆打滑的问题；
所述L4自动驾驶车辆的可行驶区域集合为：
其中：
Ω表示表示L4自动驾驶车辆所行驶道路的车道集合。
可选地，所述S3步骤中构建多约束自动驾驶紧急避障模型，包括：
构建多约束自动驾驶紧急避障模型，所述模型的输入为L4自动驾驶车辆的可行驶区域，所述多约束自动驾驶紧急避障模型的形式为：
其中：
a g,i 表示指示向量，若选取可行驶区域h g,i 为L4自动驾驶车辆在时刻g的行驶区域，则a g,i =1，否则a g,i =0；
所述多约束自动驾驶紧急避障模型的约束条件为：
其中：
U表示L4自动驾驶车辆的车身长度。
可选地，所述S4步骤中利用共轭梯度优化算法对构建的多约束自动驾驶紧急避障模型进行快速优化求解，求解得到车辆的自动驾驶紧急避障控制参数，包括：
利用共轭梯度优化算法对构建的多约束自动驾驶紧急避障模型进行快速优化求解，求解得到车辆的自动驾驶紧急避障控制参数，所述多约束自动驾驶紧急避障模型的快速优化求解流程为：
S41：将多约束自动驾驶紧急避障模型为拉格朗日函数L：
其中：
λ为拉格朗日乘子；
S42：生成R种自动驾驶紧急避障方案，并按时序时刻由早到晚对R种自动驾驶紧急避障方案排序，所述自动驾驶紧急避障方案为多约束自动驾驶紧急避障模型的求解结果，所述多约束自动驾驶紧急避障模型的求解结果为L4自动驾驶车辆在求解结果所对应的时刻进行变道；
S43：计算拉格朗日函数在自动驾驶紧急避障方案r的梯度，
；
S44：若
，则此时最优的自动驾驶紧急避障方案为方案r，并转向步骤S47，否则转向步骤S45，其中
表示优化阈值；
S45：计算步长系数β：
其中：
T表示转置；
t(r)表示方案r种所对应的变道时刻；
b r 表示参数因子；
S46：由方案r转向方案r+βb r ，令r=r+βb r ，并返回步骤S43；
S47：将最优的自动驾驶紧急避障方案所对应的变道时间g * 以及变道结果i * 输入到多约束自动驾驶紧急避障模型中，得到使得a t -a s 达到最小的
，其中a t -a s 表示L4自动驾驶车辆在制动阶段的加速度变化值，
表示车辆加速度从a t 减少到制动加速度a s 的时间，则最优自动驾驶紧急避障方案所对应的制动加速度为
；
S48：所述自动驾驶紧急避障控制参数包括L4自动驾驶车辆中制动主缸压力、变道时刻以及变道结果，将制动加速度
转换为制动主缸压力P的公式为：
其中：
c表示重力加速度；
M表示L4自动驾驶车辆的重量；
z表示行驶过程中的风阻；
r'表示L4自动驾驶车辆车轮的半径；
μ表示制动器摩擦系数。
可选地，所述S5步骤中根据计算得到的自动驾驶紧急避障控制参数对车辆进行驾驶控制，包括：
根据计算得到的自动驾驶紧急避障控制参数对车辆进行驾驶控制，所述驾驶控制流程为：
S51：L4自动驾驶车辆根据自动驾驶紧急避障控制参数中的制动主缸压力进行制动，降低车辆行驶的原始加速度，直到车辆的加速度达到制动加速度；
S52：L4自动驾驶车辆在变道时刻进行变道，将行驶车道变换为自动驾驶紧急避障控制参数中的变道结果；
S53：在L4自动驾驶车辆变道完成后，将车辆的加速度由制动加速度缓慢提升至原始加速度，完成车辆避障。
为了解决上述问题，本发明提供一种基于IOT与L4自动驾驶的智慧交安系统，所述系统包括：
环境感知模块，用于获取L4自动驾驶车辆与前方运动障碍物的运动状态、车辆与前方运动障碍物的相对位置以及相对速度信息；
决策装置，用于构建运动障碍轨迹预测模型，将所获取的信息输入到所构建的运动障碍轨迹预测模型中，模型输出前方运动障碍物的预测位置信息，根据预测的前方运动障碍物位置确定车辆的可行驶区域；
避障执行模块，用于构建多约束自动驾驶紧急避障模型，利用共轭梯度优化算法对构建的多约束自动驾驶紧急避障模型进行快速优化求解，求解得到车辆的自动驾驶紧急避障控制参数，根据计算得到的自动驾驶紧急避障控制参数进行车辆避障。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于IOT与L4自动驾驶的智慧交安方法。
为了解决上述问题，本发明还提供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至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于IOT与L4自动驾驶的智慧交安方法。
相对于现有技术，本发明提出一种基于IOT与L4自动驾驶的智慧交安方法，该技术具有以下优势：
首先，本方案提出一种基于IOT设备的车联网策略，所述 L4自动驾驶车辆的IOT设备获取车辆自身和前方运动障碍物的运动状态、车辆与前方运动障碍物的相对位置以及相对速度信息，所述IOT设备包括摄像头、车速传感器、加速度传感器、GPS定位器以及无线通信设备；将IOT设备所采集到的信息数据通过CAN总线发送到数据管理模块，所述数据管理模块所接收到的信息数据的格式为：
其中：
表示数据管理模块所接收到的t时刻的信息数据；
为t时刻所采集到的前方道路图像；
为L4自动驾驶车辆在t时刻的道路环境地图；
表示L4自动驾驶车辆在t时刻的位置，
表示L4自动驾驶车辆在t时刻的速度，
表示L4自动驾驶车辆在t时刻的加速度；
表示 t时刻所接收到的通信数据；若在图像
中识别得到车辆，则表示L4自动驾驶车辆在t时刻存在前方运动障碍物，并对通信数据
进行解析，将解析得到的若干组位置信息与图像
中车辆的位置进行比对，将位置重合的位置信息所对应的速度信息作为前方运动障碍物的速度，构建得到L4自动驾驶车辆与前方运动障碍物的状态向量：
其中：
表示前方运动障碍物在t时刻的位置信息；
表示前方运动障碍物在t时刻的速度，若
，则表示前方运动障碍物为静止状态，否则表示前方运动障碍物为运动状态；
表示前方运动障碍物在t时刻的加速度；所述L4自动驾驶车辆与前方运动障碍物的相对位置为
，相对速度为
。所述运动障碍轨迹预测模型进行预测的流程为：计算L4自动驾驶车辆与前方运动障碍物刚好发生碰撞所需的时间：
其中：
为L4自动驾驶车辆与前方运动障碍物刚好发生碰撞所需的时间，若
或
不存在，表示L4自动驾驶车辆与前方运动障碍物不会发生碰撞，L4自动驾驶车辆可不改变车辆的速度信息，沿当前车道继续行驶；若
，计算前方运动障碍物在未来
时刻的位置：
其中：
表示L4自动驾驶车辆前方的运动障碍物在
时刻的位置；计算L4自动驾驶车辆从t时刻开始进行减速的紧急制动距离S，制动结束后的速度等于运动障碍物的速度，所述紧急制动距离的计算公式为：
其中：
表示L4自动驾驶车辆的制动加速度；
表示L4自动驾驶车辆产生制动信号以及制动压力的时间；
表示车辆加速度从
减少到制动加速度
的时间。通过基于IOT构建车联网，自动驾驶车辆可实时获取周围行驶车辆的位置信息以及速度信息数据，从而实现更为精准的运动障碍物检测识别，并得到运动障碍物的行驶数据，实现碰撞概率更小的自动驾驶策略。
同时，本方案提出一种多约束自动驾驶紧急避障模型，所述模型的输入为L4自动驾驶车辆的可行驶区域，所述多约束自动驾驶紧急避障模型的形式为：
其中：
表示指示向量，若选取可行驶区域
为L4自动驾驶车辆在时刻
的行驶区域，则
，否则
；所述多约束自动驾驶紧急避障模型的约束条件为：
其中：U表示L4自动驾驶车辆的车身长度。利用共轭梯度优化算法对构建的多约束自动驾驶紧急避障模型进行快速优化求解，求解得到车辆的自动驾驶紧急避障控制参数，根据计算得到的自动驾驶紧急避障控制参数对车辆进行驾驶控制，所述驾驶控制流程为：L4自动驾驶车辆根据自动驾驶紧急避障控制参数中的制动主缸压力进行制动，降低车辆行驶的原始加速度，直到车辆的加速度达到制动加速度；L4自动驾驶车辆在变道时刻进行变道，将行驶车道变换为自动驾驶紧急避障控制参数中的变道结果；在L4自动驾驶车辆变道完成后，将车辆的加速度由制动加速度缓慢提升至原始加速度，完成车辆避障。相较于传统自动驾驶车辆，本方案所提出自动驾驶车辆在检测到前方运动障碍物时会自行进行制动，避免突然变道引起的车辆打滑、车胎爆炸等问题，并在制动一段时间后进行变道，在变道成功后提高自身加速度，通过构建多约束自动驾驶紧急避障模型并对模型进行求解，得到使得制动时间更短、碰撞概率较低的自动驾驶紧急避障控制参数，在保证自动驾驶车辆行驶安全的前提下，提高自动驾驶车辆的行驶效率，可以更快到达目的地。
附图说明
图1为本发明一实施例提供的一种基于IOT与L4自动驾驶的智慧交安方法的流程示意图；
图2为本发明一实施例提供的基于IOT与L4自动驾驶的智慧交安系统的功能模块图；
图3为本发明一实施例提供的实现基于IOT与L4自动驾驶的智慧交安方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种基于IOT与L4自动驾驶的智慧交安方法。所述基于IOT与L4自动驾驶的智慧交安方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于IOT与L4自动驾驶的智慧交安方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：获取车辆与前方运动障碍物的运动状态、车辆与前方运动障碍物的相对位置以及相对速度信息，并构建运动障碍轨迹预测模型，将所获取的信息输入到所构建的运动障碍轨迹预测模型中，模型输出前方运动障碍物的预测位置信息，其中所述车辆为L4级别的自动驾驶车辆。
所述S1步骤中获取车辆与前方运动障碍物的运动状态、车辆与前方运动障碍物的相对位置以及相对速度信息，包括：
所述车辆为L4级别的自动驾驶车辆，需要解释的是，L4自动驾驶车辆中的自动驾驶系统可以在某些环境和特定条件下，完成驾驶任务并监控驾驶环境，在本发明实施例中，所述L4自动驾驶车辆可以在智慧交安环境中进行自动驾驶，所述智慧交安为智慧交通安全，在智慧交安环境下，L4自动驾驶车辆所行驶的路段中仅有车辆；
需要说明的是，所述智慧交安系统包括感知层、决策层以及执行层，感知层用于为L4自动驾驶车辆获取外部行驶道路的环境数据，决策层用于基于环境数据确定车辆行驶前方是否存在可能导致车辆碰撞的障碍物，并规划避开障碍物的可行驶区域，以及车辆的控制参数，执行层用于基于控制参数进行车辆的紧急避障；
L4自动驾驶车辆的IOT设备获取车辆自身和前方运动障碍物的运动状态、车辆与前方运动障碍物的相对位置以及相对速度信息，所述IOT设备包括摄像头、车速传感器、加速度传感器、GPS定位器以及无线通信设备；
其中摄像头用于获取车辆行驶前方的道路情况，包括道路长度以及前方道路是否存在运动障碍物，所述运动障碍物为道路中的其余车辆；
车速传感器用于获取车辆自身的车速，加速度传感器用于获取车辆自身的加速度，在本发明实施例中，所述车速传感器为模拟交流信号发生器，其结构为两个接线柱的磁芯及线圈组成，当车辆内的磁轮组转动经过线圈时，线圈内会产生交流信号，所产生交流信号的频率表示磁轮组的转速，即车辆车速；
所述GPS定位器用于获取车辆自身的实时位置信息以及行驶区域的道路环境地图；
所述无线通信设备用于获取L4自动驾驶车辆周围车辆的通信数据，并将自身的速度信息以及位置信息打包为通信数据发送到周围车辆，其中所述通信数据包括车辆自身的速度信息以及位置信息；
将IOT设备所采集到的信息数据通过CAN总线发送到数据管理模块，所述数据管理模块所接收到的信息数据的格式为：
其中：
q(t)表示数据管理模块所接收到的t时刻的信息数据；
I t 为t时刻所采集到的前方道路图像；
map t 为L4自动驾驶车辆在t时刻的道路环境地图；
d t 表示L4自动驾驶车辆在t时刻的位置，v t 表示L4自动驾驶车辆在t时刻的速度，a t 表示L4自动驾驶车辆在t时刻的加速度；
env t 表示 t时刻所接收到的通信数据；
若在图像I t 中识别得到车辆，则表示L4自动驾驶车辆在t时刻存在前方运动障碍物，并对通信数据env t 进行解析，将解析得到的若干组位置信息与图像I t 中车辆的位置进行比对，将位置重合的位置信息所对应的速度信息作为前方运动障碍物的速度，构建得到L4自动驾驶车辆与前方运动障碍物的状态向量：
其中：
dm t 表示前方运动障碍物在t时刻的位置信息；
vm t 表示前方运动障碍物在t时刻的速度，若vm t =0，则表示前方运动障碍物为静止状态，否则表示前方运动障碍物为运动状态；
am t 表示前方运动障碍物在t时刻的加速度；
所述L4自动驾驶车辆与前方运动障碍物的相对位置为dm t -d t ，相对速度为vm t -v t 。
所述S1步骤中构建运动障碍轨迹预测模型，将所获取的信息输入到所构建的运动障碍轨迹预测模型中，模型输出前方运动障碍物的预测位置信息，包括：
构建运动障碍轨迹预测模型，所述运动障碍轨迹预测模型的输入为所获取的信息数据，包括L4自动驾驶车辆以及前方运动障碍物的位置信息以及速度信息；
所述运动障碍轨迹预测模型进行预测的流程为：
S11：计算L4自动驾驶车辆与前方运动障碍物刚好发生碰撞所需的时间：
其中：
t'为L4自动驾驶车辆与前方运动障碍物刚好发生碰撞所需的时间，若t'<0或t'不存在，表示L4自动驾驶车辆与前方运动障碍物不会发生碰撞，L4自动驾驶车辆可不改变车辆的速度信息，沿当前车道继续行驶；
S12：若t'≥0，计算前方运动障碍物在未来t+t'时刻的位置：
其中：
dm t+t' 表示L4自动驾驶车辆前方的运动障碍物在t+t'时刻的位置；
S13：计算L4自动驾驶车辆从t时刻开始进行减速的紧急制动距离S，制动结束后的速度等于运动障碍物的速度，所述紧急制动距离的计算公式为：
其中：
a s 表示L4自动驾驶车辆的制动加速度；
S2：根据预测的前方运动障碍物位置确定车辆的可行驶区域。
所述S2步骤中根据预测的前方运动障碍物位置确定自动驾驶车辆的可行驶区域，包括：
所述前方运动障碍物在t+t'时刻的位置为dm t+t' ，其中t+t'时刻为L4自动驾驶车辆按照t时刻的行驶路径以及行驶速度进行行驶，与前方运动障碍物发生碰撞的时刻；
所述L4自动驾驶车辆经过
时间将初始速度v t 减少到目标速度vm t ，其中
；
L4自动驾驶车辆在
时间范围内，利用无线通信设备获取邻近车道的车辆通信数据，并对所述车辆通信数据进行解析，若在时刻g的邻域时间范围内
，邻近车道i不存在行驶车辆，则说明车道i在时刻g为可行驶区域h g,i ，其中
，
为较小的正数；
所述L4自动驾驶车辆的可行驶区域集合为：
其中：
Ω表示表示L4自动驾驶车辆所行驶道路的车道集合。
S3：以车辆可行驶区域为基础，构建多约束自动驾驶紧急避障模型。
所述S3步骤中构建多约束自动驾驶紧急避障模型，包括：
构建多约束自动驾驶紧急避障模型，所述模型的输入为L4自动驾驶车辆的可行驶区域，所述多约束自动驾驶紧急避障模型的形式为：
其中：
a g,i 表示指示向量，若选取可行驶区域h g,i 为L4自动驾驶车辆在时刻g的行驶区域，则a g,i =1，否则a g,i =0；
所述多约束自动驾驶紧急避障模型的约束条件为：
其中：
U表示L4自动驾驶车辆的车身长度。
S4：利用共轭梯度优化算法对构建的多约束自动驾驶紧急避障模型进行快速优化求解，求解得到车辆的自动驾驶紧急避障控制参数。
所述S4步骤中利用共轭梯度优化算法对构建的多约束自动驾驶紧急避障模型进行快速优化求解，求解得到车辆的自动驾驶紧急避障控制参数，包括：
利用共轭梯度优化算法对构建的多约束自动驾驶紧急避障模型进行快速优化求解，求解得到车辆的自动驾驶紧急避障控制参数，所述多约束自动驾驶紧急避障模型的快速优化求解流程为：
S41：将多约束自动驾驶紧急避障模型为拉格朗日函数L：
其中：
λ为拉格朗日乘子；
S42：生成R种自动驾驶紧急避障方案，并按时序时刻由早到晚对R种自动驾驶紧急避障方案排序，所述自动驾驶紧急避障方案为多约束自动驾驶紧急避障模型的求解结果，所述多约束自动驾驶紧急避障模型的求解结果为L4自动驾驶车辆在求解结果所对应的时刻进行变道；
S43：计算拉格朗日函数在自动驾驶紧急避障方案r的梯度
，；
S44：若
，则此时最优的自动驾驶紧急避障方案为方案r，并转向步骤S47，否则转向步骤S45，其中
表示优化阈值；
S45：计算步长系数β：
其中：
T表示转置；
t(r)表示方案r种所对应的变道时刻；
b r 表示参数因子；
S46：由方案r转向方案r+βb r ，令r=r+βb r ，并返回步骤S43；
S47：将最优的自动驾驶紧急避障方案所对应的变道时间g * 以及变道结果i * 输入到多约束自动驾驶紧急避障模型中，得到使得a t -a s 达到最小的
，其中
表示L4自动驾驶车辆在制动阶段的加速度变化值，
表示车辆加速度从a t 减少到制动加速度a s 的时间，则最优自动驾驶紧急避障方案所对应的制动加速度为
；
S48：所述自动驾驶紧急避障控制参数包括L4自动驾驶车辆中制动主缸压力、变道时刻以及变道结果，将制动加速度
转换为制动主缸压力P的公式为：
其中：
c表示重力加速度；
M表示L4自动驾驶车辆的重量；
z表示行驶过程中的风阻；
r'表示L4自动驾驶车辆车轮的半径；
μ表示制动器摩擦系数。
S5：根据计算得到的自动驾驶紧急避障控制参数进行车辆避障。
所述S5步骤中根据计算得到的自动驾驶紧急避障控制参数对车辆进行驾驶控制，包括：
根据计算得到的自动驾驶紧急避障控制参数对车辆进行驾驶控制，所述驾驶控制流程为：
S51：L4自动驾驶车辆根据自动驾驶紧急避障控制参数中的制动主缸压力进行制动，降低车辆行驶的原始加速度，直到车辆的加速度达到制动加速度；
S52：L4自动驾驶车辆在变道时刻进行变道，将行驶车道变换为自动驾驶紧急避障控制参数中的变道结果；
S53：在L4自动驾驶车辆变道完成后，将车辆的加速度由制动加速度缓慢提升至原始加速度，完成车辆避障。
实施例2：
如图2所示，是本发明一实施例提供的基于IOT与L4自动驾驶的智慧交安系统的功能模块图，其可以实现实施例1中的智慧交安系统。
本发明所述基于IOT与L4自动驾驶的智慧交安系统100可以安装于电子设备中。根据实现的功能，所述基于IOT与L4自动驾驶的智慧交安系统可以包括环境感知模块101、决策装置102及避障执行模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
环境感知模块101，用于获取L4自动驾驶车辆与前方运动障碍物的运动状态、车辆与前方运动障碍物的相对位置以及相对速度信息；
决策装置102，用于构建运动障碍轨迹预测模型，将所获取的信息输入到所构建的运动障碍轨迹预测模型中，模型输出前方运动障碍物的预测位置信息，根据预测的前方运动障碍物位置确定车辆的可行驶区域；
避障执行模块103，用于构建多约束自动驾驶紧急避障模型，利用共轭梯度优化算法对构建的多约束自动驾驶紧急避障模型进行快速优化求解，求解得到车辆的自动驾驶紧急避障控制参数，根据计算得到的自动驾驶紧急避障控制参数进行车辆避障。
详细地，本发明实施例中所述基于IOT与L4自动驾驶的智慧交安系统100中的所述各模块在使用时采用与上述的图1中所述的基于IOT与L4自动驾驶的智慧交安方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图3所示，是本发明一实施例提供的实现基于IOT与L4自动驾驶的智慧交安方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现基于IOT与L4自动驾驶的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取车辆与前方运动障碍物的运动状态、车辆与前方运动障碍物的相对位置以及相对速度信息，并构建运动障碍轨迹预测模型，将所获取的信息输入到所构建的运动障碍轨迹预测模型中，模型输出前方运动障碍物的预测位置信息；
根据预测的前方运动障碍物位置确定车辆的可行驶区域；
构建多约束自动驾驶紧急避障模型；
利用共轭梯度优化算法对构建的多约束自动驾驶紧急避障模型进行快速优化求解，求解得到车辆的自动驾驶紧急避障控制参数；
根据计算得到的自动驾驶紧急避障控制参数进行车辆避障。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于IOT与L4自动驾驶的智慧交安方法，其特征在于，所述方法包括：
S1：获取车辆与前方运动障碍物的运动状态、车辆与前方运动障碍物的相对位置以及相对速度信息，并构建运动障碍轨迹预测模型，将所获取的信息输入到所构建的运动障碍轨迹预测模型中，模型输出前方运动障碍物的预测位置信息，其中所述车辆为L4级别的自动驾驶车辆；
S2：根据预测的前方运动障碍物位置确定车辆的可行驶区域；
S3：以车辆可行驶区域为基础，构建多约束自动驾驶紧急避障模型；
S4：利用共轭梯度优化算法对构建的多约束自动驾驶紧急避障模型进行快速优化求解，求解得到车辆的自动驾驶紧急避障控制参数，其中所述共轭梯度优化算法流程，包括：
S41：将多约束自动驾驶紧急避障模型为拉格朗日函数L：
其中：
S表示L4自动驾驶车辆的制动距离，U表示L4自动驾驶车辆的车身长度；
λ为拉格朗日乘子；
S42：生成R种自动驾驶紧急避障方案，并按时序时刻由早到晚对R种自动驾驶紧急避障方案排序，所述自动驾驶紧急避障方案为多约束自动驾驶紧急避障模型的求解结果，所述多约束自动驾驶紧急避障模型的求解结果为L4自动驾驶车辆在求解结果所对应的时刻进行变道；
S43：计算拉格朗日函数在自动驾驶紧急避障方案r的梯度
；
S44：若
，则此时最优的自动驾驶紧急避障方案为方案r，并转向步骤S47，否则转向步骤S45，其中
表示优化阈值；
S45：计算步长系数β：
其中：
T表示转置；
t(r)表示方案r种所对应的变道时刻；
b r 表示参数因子；
S46：由方案r转向方案r+βb r ，令r=r+βb r ，并返回步骤S43；
S47：将最优的自动驾驶紧急避障方案所对应的变道时间g * 以及变道结果i * 输入到多约束自动驾驶紧急避障模型中，得到使得a t -a s 达到最小的
，其中a t -a s 表示L4自动驾驶车辆在制动阶段的加速度变化值，
表示车辆加速度从a t 减少到制动加速度a s 的时间，则最优自动驾驶紧急避障方案所对应的制动加速度为
；
S48：所述自动驾驶紧急避障控制参数包括L4自动驾驶车辆中制动主缸压力、变道时刻以及变道结果，将制动加速度
转换为制动主缸压力P的公式为：
其中：
c表示重力加速度；
M表示L4自动驾驶车辆的重量；
z表示行驶过程中的风阻；
r'表示L4自动驾驶车辆车轮的半径；
μ表示制动器摩擦系数；
S5：根据计算得到的自动驾驶紧急避障控制参数进行车辆避障。
2.如权利要求1所述的一种基于IOT与L4自动驾驶的智慧交安方法，其特征在于，所述S1步骤中获取车辆与前方运动障碍物的运动状态、车辆与前方运动障碍物的相对位置以及相对速度信息，包括：
所述车辆为L4级别的自动驾驶车辆，L4自动驾驶车辆的IOT设备获取车辆自身和前方运动障碍物的运动状态、车辆与前方运动障碍物的相对位置以及相对速度信息，所述IOT设备包括摄像头、车速传感器、加速度传感器、GPS定位器以及无线通信设备；
其中摄像头用于获取车辆行驶前方的道路情况，包括道路长度以及前方道路是否存在运动障碍物，所述运动障碍物为道路中的其余车辆；
车速传感器用于获取车辆自身的车速，加速度传感器用于获取车辆自身的加速度；
所述GPS定位器用于获取车辆自身的实时位置信息以及行驶区域的道路环境地图；
所述无线通信设备用于获取L4自动驾驶车辆周围车辆的通信数据，并将自身的速度信息以及位置信息打包为通信数据发送到周围车辆，其中所述通信数据包括车辆自身的速度信息以及位置信息；
将IOT设备所采集到的信息数据通过CAN总线发送到数据管理模块，所述数据管理模块所接收到的信息数据的格式为：
其中：
q(t)表示数据管理模块所接收到的t时刻的信息数据；
I t 为t时刻所采集到的前方道路图像；
map t 为L4自动驾驶车辆在t时刻的道路环境地图；
d t 表示L4自动驾驶车辆在t时刻的位置，v t 表示L4自动驾驶车辆在t时刻的速度，a t 表示L4自动驾驶车辆在t时刻的加速度；
env t 表示 t时刻所接收到的通信数据；
若在图像I t 中识别得到车辆，则表示L4自动驾驶车辆在t时刻存在前方运动障碍物，并对通信数据env t 进行解析，将解析得到的若干组位置信息与图像I t 中车辆的位置进行比对，将位置重合的位置信息所对应的速度信息作为前方运动障碍物的速度，构建得到L4自动驾驶车辆与前方运动障碍物的状态向量：
其中：
dm t 表示前方运动障碍物在t时刻的位置信息；
vm t 表示前方运动障碍物在t时刻的速度，若vm t =0，则表示前方运动障碍物为静止状态，否则表示前方运动障碍物为运动状态；
am t 表示前方运动障碍物在t时刻的加速度；
所述L4自动驾驶车辆与前方运动障碍物的相对位置为dm t -d t ，相对速度为vm t -v t 。
3.如权利要求2所述的一种基于IOT与L4自动驾驶的智慧交安方法，其特征在于，所述S1步骤中构建运动障碍轨迹预测模型，将所获取的信息输入到所构建的运动障碍轨迹预测模型中，模型输出前方运动障碍物的预测位置信息，包括：
构建运动障碍轨迹预测模型，所述运动障碍轨迹预测模型的输入为所获取的信息数据，包括L4自动驾驶车辆以及前方运动障碍物的位置信息以及速度信息；
所述运动障碍轨迹预测模型进行预测的流程为：
S11：计算L4自动驾驶车辆与前方运动障碍物刚好发生碰撞所需的时间：
其中：
t'为L4自动驾驶车辆与前方运动障碍物刚好发生碰撞所需的时间，若若t'<0或t'不存在，表示L4自动驾驶车辆与前方运动障碍物不会发生碰撞，L4自动驾驶车辆可不改变车辆的速度信息，沿当前车道继续行驶；
S12：若t'≥0，计算前方运动障碍物在未来t+t'时刻的位置：
其中：
dm t+t' 表示L4自动驾驶车辆前方的运动障碍物在t+t'时刻的位置；
S13：计算L4自动驾驶车辆从t时刻开始进行减速的紧急制动距离S，制动结束后的速度等于运动障碍物的速度，所述紧急制动距离的计算公式为：
其中：
a s 表示L4自动驾驶车辆的制动加速度；
4.如权利要求3所述的一种基于IOT与L4自动驾驶的智慧交安方法，其特征在于，所述S2步骤中根据预测的前方运动障碍物位置确定自动驾驶车辆的可行驶区域，包括：
所述前方运动障碍物在t+t'时刻的位置为dm t+t' ，其中t+t'时刻为L4自动驾驶车辆按照t时刻的行驶路径以及行驶速度进行行驶，与前方运动障碍物发生碰撞的时刻；
所述L4自动驾驶车辆经过
时间将初始速度v t 减少到目标速度vm t ，其中
；
L4自动驾驶车辆在
时间范围内，利用无线通信设备获取邻近车道的车辆通信数据，并对所述车辆通信数据进行解析，若在时刻g的邻域时间范围内
，邻近车道i不存在行驶车辆，则说明车道i在时刻g为可行驶区域h g,i ，其中
，
为较小的正数；
所述L4自动驾驶车辆的可行驶区域集合为：
其中：
Ω表示表示L4自动驾驶车辆所行驶道路的车道集合。
5.如权利要求1所述的一种基于IOT与L4自动驾驶的智慧交安方法，其特征在于，所述S3步骤中构建多约束自动驾驶紧急避障模型，包括：
构建多约束自动驾驶紧急避障模型，所述模型的输入为L4自动驾驶车辆的可行驶区域，所述多约束自动驾驶紧急避障模型的形式为：
其中：
a g,i 表示指示向量，若选取可行驶区域h g,i 为L4自动驾驶车辆在时刻g的行驶区域，则a g,i =1，否则a g,i =0；
所述多约束自动驾驶紧急避障模型的约束条件为：
其中：
U表示L4自动驾驶车辆的车身长度。
6.如权利要求1所述的一种基于IOT与L4自动驾驶的智慧交安方法，其特征在于，所述S5步骤中根据计算得到的自动驾驶紧急避障控制参数对车辆进行驾驶控制，包括：
根据计算得到的自动驾驶紧急避障控制参数对车辆进行驾驶控制，所述驾驶控制流程为：
S51：L4自动驾驶车辆根据自动驾驶紧急避障控制参数中的制动主缸压力进行制动，降低车辆行驶的原始加速度，直到车辆的加速度达到制动加速度；
S52：L4自动驾驶车辆在变道时刻进行变道，将行驶车道变换为自动驾驶紧急避障控制参数中的变道结果；
S53：在L4自动驾驶车辆变道完成后，将车辆的加速度由制动加速度缓慢提升至原始加速度，完成车辆避障。
7.一种基于IOT与L4自动驾驶的智慧交安系统，其特征在于，所述系统包括：
环境感知模块，用于获取L4自动驾驶车辆与前方运动障碍物的运动状态、车辆与前方运动障碍物的相对位置以及相对速度信息；
决策装置，用于构建运动障碍轨迹预测模型，将所获取的信息输入到所构建的运动障碍轨迹预测模型中，模型输出前方运动障碍物的预测位置信息，根据预测的前方运动障碍物位置确定车辆的可行驶区域；
避障执行模块，用于构建多约束自动驾驶紧急避障模型，利用共轭梯度优化算法对构建的多约束自动驾驶紧急避障模型进行快速优化求解，求解得到车辆的自动驾驶紧急避障控制参数，根据计算得到的自动驾驶紧急避障控制参数进行车辆避障，以实现如权利要求1-6所述的一种基于IOT与L4自动驾驶的智慧交安方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211001412.8A CN115230740B (zh) | 2022-08-19 | 2022-08-19 | 一种基于iot与l4自动驾驶的智慧交安方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211001412.8A CN115230740B (zh) | 2022-08-19 | 2022-08-19 | 一种基于iot与l4自动驾驶的智慧交安方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115230740A true CN115230740A (zh) | 2022-10-25 |
| CN115230740B CN115230740B (zh) | 2023-05-09 |
Family
ID=83682127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211001412.8A Active CN115230740B (zh) | 2022-08-19 | 2022-08-19 | 一种基于iot与l4自动驾驶的智慧交安方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115230740B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117499458A (zh) * | 2024-01-02 | 2024-02-02 | 深圳市伟创高科电子有限公司 | 一种远程控制车辆分享解锁方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110371112A (zh) * | 2019-07-06 | 2019-10-25 | 深圳数翔科技有限公司 | 一种自动驾驶车辆的智能避障系统及方法 |
| US20200341474A1 (en) * | 2019-04-23 | 2020-10-29 | WeRide Corp. | Method and device for generating an autonomous driving trajectory of a vehicle |
| CN113238563A (zh) * | 2021-06-04 | 2021-08-10 | 重庆大学 | 一种高实时性的自动驾驶运动规划方法 |
| CN113276848A (zh) * | 2021-04-09 | 2021-08-20 | 江苏大学 | 一种智能驾驶换道避障轨迹规划、跟踪控制方法及系统 |
| US20210325197A1 (en) * | 2020-04-17 | 2021-10-21 | Mazda Motor Corporation | Vehicle control apparatus |
| WO2022142997A1 (zh) * | 2020-12-30 | 2022-07-07 | 微网优联科技(成都)有限公司 | 基于物联网的车辆自动驾驶方法及终端 |
-
2022
- 2022-08-19 CN CN202211001412.8A patent/CN115230740B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200341474A1 (en) * | 2019-04-23 | 2020-10-29 | WeRide Corp. | Method and device for generating an autonomous driving trajectory of a vehicle |
| CN110371112A (zh) * | 2019-07-06 | 2019-10-25 | 深圳数翔科技有限公司 | 一种自动驾驶车辆的智能避障系统及方法 |
| US20210325197A1 (en) * | 2020-04-17 | 2021-10-21 | Mazda Motor Corporation | Vehicle control apparatus |
| WO2022142997A1 (zh) * | 2020-12-30 | 2022-07-07 | 微网优联科技(成都)有限公司 | 基于物联网的车辆自动驾驶方法及终端 |
| CN113276848A (zh) * | 2021-04-09 | 2021-08-20 | 江苏大学 | 一种智能驾驶换道避障轨迹规划、跟踪控制方法及系统 |
| CN113238563A (zh) * | 2021-06-04 | 2021-08-10 | 重庆大学 | 一种高实时性的自动驾驶运动规划方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117499458A (zh) * | 2024-01-02 | 2024-02-02 | 深圳市伟创高科电子有限公司 | 一种远程控制车辆分享解锁方法及系统 |
| CN117499458B (zh) * | 2024-01-02 | 2024-03-22 | 深圳市伟创高科电子有限公司 | 一种远程控制车辆分享解锁方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115230740B (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112789481B (zh) | 对自上而下场景的轨迹预测 | |
| US11131993B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
| US12103560B2 (en) | Methods and systems for predicting actions of an object by an autonomous vehicle to determine feasible paths through a conflicted area | |
| JP2022539245A (ja) | アクションデータに基づくトップダウンシーンの予測 | |
| US11648939B2 (en) | Collision monitoring using system data | |
| WO2019191000A1 (en) | Temporal prediction model for semantic intent understanding | |
| CN110084091A (zh) | 用于车辆的认知映射 | |
| EP3467799A1 (en) | Vehicle movement prediction method and apparatus | |
| CN112752950A (zh) | 修改与地图数据相关联的地图元素 | |
| US11697412B2 (en) | Collision monitoring using statistic models | |
| EP3493108A1 (en) | Lane maintaining method and apparatus | |
| US12056935B2 (en) | Machine learning-based framework for drivable surface annotation | |
| CN117813230A (zh) | 基于对象轨迹的主动预测 | |
| EP4134769A1 (en) | Method and apparatus for vehicle to pass through boom barrier | |
| CN113165647A (zh) | 考虑旅行者意图的计算机辅助或自主驾驶方法和设备 | |
| US20230221127A1 (en) | Pavement marking map change detection, reaction, and live tile shipping | |
| US20230419830A1 (en) | Determining right of way | |
| CN115230740A (zh) | 一种基于iot与l4自动驾驶的智慧交安方法及系统 | |
| CN117416344A (zh) | 自主驾驶系统中校车的状态估计 | |
| CN117197834A (zh) | 基于图像的行人的速度估计 | |
| US12071162B2 (en) | Pull-over location selection using machine learning | |
| CN117545674A (zh) | 用于识别路缘的技术 | |
| CN115515835A (zh) | 轨迹分类 | |
| WO2021097070A1 (en) | Collision monitoring using statistic models | |
| US20240185437A1 (en) | Computer-Implemented Method and System for Training a Machine Learning Process |
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 |