CN115805952A - 自动刹车辅助系统安全距离修正方法及装置 - Google Patents

Abstract

本申请提供了自动刹车辅助系统安全距离修正方法及装置，属于智能化驾控技术领域，根据特定时间段内车辆的工况参数来实时确定车辆的工况类型以及驾驶员的驾驶风格类型，而发明人研究发现车辆的不同的工况类型以及驾驶员的不同的驾驶风格类型与自动刹车辅助系统的安全距离有着很相关的关系，因此将车辆工况类型和驾驶风格类型代入预设的修正参数关系表中，得到与车辆工况类型和驾驶风格类型对应的修正参数，从而利用修正参数对安全距离进行实时修正，能够根据驾驶员实际的驾驶特点确定最合适的安全距离，迎合不同类型驾驶员的需求，改善了自动刹车辅助系统的使用效果。

Description

自动刹车辅助系统安全距离修正方法及装置

技术领域

本申请涉及智能化驾控技术领域，特别涉及一种自动刹车辅助系统安全距离修正方法及装置。

背景技术

目前，随着汽车愈发智能化，以及人们对车辆安全性的愈发重视，越来越多的汽车开始装配有各种主动和被动安全系统，能够主动地预防碰撞或被动地降低碰撞发生后对车辆及乘员的伤害。

自动刹车辅助系统作为一种主动安全配置，其能够在判断出车辆存在正向碰撞隐患时，及时主动控制车辆刹停，从而对驾驶员的自主刹车进行补充及辅助，尽可能地避免碰撞。

但是，当前的自动刹车辅助系统的安全距离是固定的，不能够根据驾驶员实际的驾驶特点进行修正，不能够迎合不同类型驾驶员的需求，影响了自动刹车辅助系统的使用效果。

发明内容

有鉴于此，本申请提供了一种自动刹车辅助系统安全距离修正方法，能够改善自动刹车辅助系统的使用效果。

具体而言，包括以下的技术方案：

一方面，本申请提供了一种自动刹车辅助系统安全距离修正方法，方法包括：

获取预设时间内车辆的工况参数。

根据工况参数确定车辆工况类型和驾驶风格类型。

根据车辆工况类型和驾驶风格类型对自动刹车辅助系统的安全距离进行修正。

可选择地，工况参数包括平均速度、最大速度、怠速时间、平均加速度、最大加速度和最小加速度，根据工况参数确定车辆工况类型和驾驶风格类型，包括：

将平均速度、最大速度、怠速时间、平均加速度、最大加速度和最小加速度输入预设的神经网络模型中，得到输出的车辆工况编号。

根据车辆工况编号确定对应的车辆工况类型，车辆工况类型包括城市工况、郊区工况和高速工况。

可选择地，神经网络模型包括L个隐含层神经元，其中L采用以下公式计算得到：

其中m是工况参数的个数，n是车辆工况编号的个数，p是预设常数。

可选择地，工况参数还包括加速度标准差，根据工况参数确定车辆工况类型和驾驶风格类型，包括：

计算平均加速度和加速度标准差的比值，得到驾驶风格系数。

将驾驶风格系数和预设临界值进行比较，得到驾驶风格类型，驾驶风格类型包括保守型、标准型和激进型。

可选择地，根据车辆工况类型和驾驶风格类型对自动刹车辅助系统的安全距离进行修正，包括：

将车辆工况类型和驾驶风格类型代入预设的修正参数关系表中，得到与车辆工况类型和驾驶风格类型对应的修正参数，其中修正参数关系表存储有车辆工况类型、驾驶风格类型以及修正参数之间的对应关系。

将修正参数与预设的第一安全距离相乘，得到修正后的第二安全距离。

另一方面，本申请提供了一种自动刹车辅助系统安全距离修正装置，装置包括：

获取模块，被配置为获取预设时间内车辆的工况参数。

确定模块，被配置为根据工况参数确定车辆工况类型和驾驶风格类型。

修正模块，被配置为根据车辆工况类型和驾驶风格类型对自动刹车辅助系统的安全距离进行修正。

可选择地，工况参数包括平均速度、最大速度、怠速时间、平均加速度、最大加速度和最小加速度，确定模块，被配置为：

将平均速度、最大速度、怠速时间、平均加速度、最大加速度和最小加速度输入预设的神经网络模型中，得到输出的车辆工况编号。

根据车辆工况编号确定对应的车辆工况类型，车辆工况类型包括城市工况、郊区工况和高速工况。

可选择地，神经网络模型包括L个隐含层神经元，其中L采用以下公式计算得到：

其中m是工况参数的个数，n是车辆工况编号的个数，p是预设常数。

可选择地，工况参数还包括加速度标准差，确定模块，被配置为：

计算平均加速度和加速度标准差的比值，得到驾驶风格系数。

将驾驶风格系数和预设临界值进行比较，得到驾驶风格类型，驾驶风格类型包括保守型、标准型和激进型。

可选择地，修正模块，被配置为：

将车辆工况类型和驾驶风格类型代入预设的修正参数关系表中，得到与车辆工况类型和驾驶风格类型对应的修正参数，其中修正参数关系表存储有车辆工况类型、驾驶风格类型以及修正参数之间的对应关系。

将修正参数与预设的第一安全距离相乘，得到修正后的第二安全距离。

采用本申请提供的自动刹车辅助系统安全距离修正方法和装置，能够根据特定时间段内车辆的工况参数来实时确定车辆的工况类型以及驾驶员的驾驶风格类型，而发明人研究发现车辆的不同的工况类型以及驾驶员的不同的驾驶风格类型与自动刹车辅助系统的安全距离有着很相关的关系，因此根据工况类型和驾驶风格类型对安全距离进行实时修正，从而能够根据驾驶员实际的驾驶特点确定最合适的安全距离，迎合不同类型驾驶员的需求，改善了自动刹车辅助系统的使用效果。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的自动刹车辅助系统安全距离修正方法的流程图；

图2为本申请实施例提供的自动刹车辅助系统安全距离修正方法的另一流程图；

图3为本申请实施例提供的自动刹车辅助系统安全距离修正方法中使用的神经网络图；

图4为本申请实施例提供的自动刹车辅助系统安全距离修正装置的结构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

随着科技的进步，车辆也逐渐向着智能化的方向发展。在目前的市场上，配备自动刹车辅助功能的车辆越来越多。而目前市场上车辆装配的自动刹车辅助功能的安全距离一般都是预先固定好的，未充分考虑驾驶风格及车辆工况，影响了自动刹车辅助功能体验。例如，如果安全距离取值过小，虽然能避免碰撞，但对于保守型驾驶员来说，可能因为制动时机太晚，会使驾驶员对自动刹车辅助功能产生不信任。相应的，若安全距离取值过大，则会导致道路利用率低，或不能满足激进型驾驶员的心理预期。

根据路况差别，车辆工况可以被分为城市工况、郊区工况、高速工况三种。

而驾驶员的驾驶风格类型可分为保守型、标准型和激进型三类。激进型驾驶员的驾驶特点包括反应迅速，动作敏捷，经常会超车、加塞和急加速。标准型驾驶员的驾驶特点包括正常加速和减速，更加合理的踩制动踏板和加速踏板。保守型驾驶员的驾驶特点包括行车较为谨慎，速度偏低，跟车距离较大，反应较滞后。

基于此，本申请实施例提供了如下技术方案：

本申请实施例提供了一种自动刹车辅助系统安全距离修正方法，能够改善自动刹车辅助系统的使用效果，包括步骤S101、S102和S103，其中：

在步骤S101中，获取预设时间内车辆的工况参数。

在步骤S102中，根据工况参数确定车辆工况类型和驾驶风格类型。

在步骤S103中，根据车辆工况类型和驾驶风格类型对自动刹车辅助系统的安全距离进行修正。

在一些可选的实施例中，工况参数包括平均速度、最大速度、怠速时间、平均加速度、最大加速度和最小加速度，根据工况参数确定车辆工况类型和驾驶风格类型，包括：

将平均速度、最大速度、怠速时间、平均加速度、最大加速度和最小加速度输入预设的神经网络模型中，得到输出的车辆工况编号。

根据车辆工况编号确定对应的车辆工况类型，车辆工况类型包括城市工况、郊区工况和高速工况。

在一些可选的实施例中，神经网络模型包括L个隐含层神经元，其中L采用以下公式计算得到：

其中m是工况参数的个数，n是车辆工况编号的个数，p是预设常数。

在一些可选的实施例中，工况参数还包括加速度标准差，根据工况参数确定车辆工况类型和驾驶风格类型，包括：

计算平均加速度和加速度标准差的比值，得到驾驶风格系数。

将驾驶风格系数和预设临界值进行比较，得到驾驶风格类型，驾驶风格类型包括保守型、标准型和激进型。

在一些可选的实施例中，根据车辆工况类型和驾驶风格类型对自动刹车辅助系统的安全距离进行修正，包括：

将车辆工况类型和驾驶风格类型代入预设的修正参数关系表中，得到与车辆工况类型和驾驶风格类型对应的修正参数，其中修正参数关系表存储有车辆工况类型、驾驶风格类型以及修正参数之间的对应关系。

将修正参数与预设的第一安全距离相乘，得到修正后的第二安全距离。

采用本申请提供的自动刹车辅助系统安全距离修正方法，能够根据特定时间段内车辆的工况参数来实时确定车辆的工况类型以及驾驶员的驾驶风格类型，而发明人研究发现车辆的不同的工况类型以及驾驶员的不同的驾驶风格类型与自动刹车辅助系统的安全距离有着很相关的关系，因此根据工况类型和驾驶风格类型对安全距离进行实时修正，从而能够根据驾驶员实际的驾驶特点确定最合适的安全距离，迎合不同类型驾驶员的需求，改善了自动刹车辅助系统的使用效果。

本申请实施例还提供了另一种自动刹车辅助系统安全距离修正方法，能够改善自动刹车辅助系统的使用效果，方法如图2所示，包括步骤S201、S202、S203以及S204，该方法可以由整车控制器执行，其中：

在步骤S201中，获取预设时间内车辆的工况参数。

可以理解的是，由于需要一段时间的数据累计才可以归纳出车辆工况类型和驾驶风格类型，因此，需要获取一段时间内的车辆的工况参数，这里的一段时间可以是预设时间，预设时间的长度可以根据需求预先设定并存储。

在一些可选的实施例中，工况参数包括平均速度、最大速度、怠速时间、平均加速度、最大加速度和最小加速度。

上述工况参数中的最大速度可以直接由轮速传感器获取，平均速度可以从行车电脑中获取。

上述工况参数中，怠速时间指车辆速度为零时所经过的总时间。怠速时间可以从行车电脑中获取，也可以利用整车控制器对车辆速度为零时所经过的时间进行累积从而间接得到。

上述工况参数中，平均加速度、最大加速度和最小加速度可以由加速度计或者陀螺仪直接获取，也可以利用整车控制器根据车辆速度变化趋势进行计算从而间接得到。具体地，可以利用如下公式(1)计算得到某一t时刻的加速度J(t)：

加速度可以体现车辆所受到的冲击度。上述工况参数中的加速度是矢量，考虑车辆前后方向上的加速度，当加速度为正值时，表示车辆正在做加速运动，当加速度为负值时，表示车辆正在做减速运动。因此上述工况参数中的最大加速度表征了车辆在预设时间内出现的最强烈的加速趋势，上述工况参数中的最小加速度表征了车辆在预设时间内出现的最强烈的减速趋势。

在一些可选的实施例中，还可以利用加速度计或者陀螺仪直获取车辆其他方向上的加速度，包括横向加速度(也称为横向G值)。

在一些可选的实施例中，工况参数还可以包括车辆的当前位置，当前位置可以从车载导航系统中获取。

在步骤S202中，根据工况参数确定车辆工况类型和驾驶风格类型。

在一些可选的实施例中，根据工况参数确定车辆工况类型和驾驶风格类型的步骤具体包括：

首先，根据工况参数确定车辆工况类型，车辆工况类型包括城市工况、郊区工况和高速工况。可以理解的是，由于在不同类型的工况下，车辆的速度和车辆之间的间距都存在差别，因此车辆对于安全距离进行调整的敏感度也可能不同。例如，在城市工况下，车辆速度较低，车辆之间的距离较近，较细微的安全距离的调整也可能对驾驶员的安全感受造成很大影响。在郊区工况下，车辆速度适中，车辆之间的距离适中，安全距离的适度调整不会对驾驶员的安全感受造成很大影响，也不会导致产生碰撞。在高速工况下，车辆速度较高，车辆之间的距离较大，即使对安全距离进行较大幅度的调整也不会对驾驶员的安全感受造成很大影响。因此，在对自动刹车辅助系统的安全距离进行修正时，需要首先考虑车辆所处的工况。

如图3所示，将平均速度301、最大速度302、怠速时间303、平均加速度304、最大加速度305和最小加速度306输入预设的神经网络模型中，得到输出的车辆工况编号307。

在一些可选的实施例中，神经网络模型可以使用PB(Back Propagation，反向传播)神经网络，PB神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，其能够把输入的向量按照预先定义的合适方式进行分类。在本申请实施例中，预设的神经网络模型能够将输入的均速度301、最大速度302、怠速时间303、平均加速度304、最大加速度305和最小加速度306作为输入向量，并按照预先定义的方式将输入向量分类为多种车辆工况编号307对应于多种车辆工况类型。

为更好地实现模糊识别，预设的神经网络模型需要有合适数量的隐含层神经元。在一些可选的实施例中，神经网络模型包括L个隐含层神经元308，其中L采用以下公式(2)计算得到：

其中，m是工况参数的个数，在本申请实施例中，工况参数包括平均速度301、最大速度302、怠速时间303、平均加速度304、最大加速度305和最小加速度306一共6个，因此m取值为6。

n是车辆工况编号的个数，在本申请实施例中，车辆工况编号可以为1、2和3，分别对应于车辆工况类型中的城市工况、郊区工况和高速工况，因此n取值为3。

p是预设常数。在一些可选的实施例中，p取值为4。

将m＝6，n＝3，p＝4代入上述公式(2)后可以得到隐含层神经元308的个数L为7。

在利用上述的神经网络模型得到车辆工况编号后，则进一步根据车辆工况编号确定对应的车辆工况类型，其中和城市工况对应的车辆工况编号为1，和郊区工况对应的车辆工况编号为2，和高速工况对应的车辆工况编号为3。

在一些可选的实施例中，还可以不利用神经网络模型来确定车辆工况类型。当工况参数包括从车载导航系统中获取的车辆的当前位置时，可以直接根据当前位置来判断车辆工况类型。如果当前位置表征车辆位于城市道路中，则判断出车辆工况类型为城市工况。同理，如果当前位置表征车辆位于郊区道路中，则判断出车辆工况类型为郊区工况。如果当前位置表征车辆位于高速道路中，则判断出车辆工况类型为高速工况。

在一些可选的实施例中，在确定了车辆工况类型后，还需要进一步根据工况参数确定驾驶风格类型。工况参数还包括加速度标准差，根据工况参数确定车辆工况类型和驾驶风格类型，包括：

计算平均加速度和加速度标准差的比值，得到驾驶风格系数。

在一些可选的实施例中，加速度标准差可以根据预设时间内T个周期的加速度，采用如下公式(3)计算得到：

其中SD指加速度标准差，i指预设时间内第i个周期，J_i指第i个周期内的平均加速度。第i个周期内的平均加速度可以由加速度计或者陀螺仪直接获取，也可以利用整车控制器根据车辆速度变化趋势进行计算从而间接得到。

可以理解的是，加速度标准差表征了驾驶员在驾驶车辆过程中，车辆加速度变化的平稳度，因此和驾驶风格类型直接相关。

采用如下公式(4)计算平均加速度和加速度标准差的比值，从而得到驾驶风格系数：

其中R是驾驶风格系数，

是平均加速度。

在得到驾驶风格系数后，进一步的，将驾驶风格系数和预设临界值进行比较，得到驾驶风格类型，驾驶风格类型包括保守型、标准型和激进型。

在一些可选的实施例中，预设临界值包括第一临界值α和第二临界值β。

将驾驶风格系数和预设临界值进行比较，得到驾驶风格类型，包括：

若驾驶风格系数R＜α，则确定驾驶风格类型为保守型，若驾驶风格系数R在第一临界值α和第二临界值β之间，即α＜R＜β，则确定驾驶风格类型为标准型，若驾驶风格系数R＞β，则确定驾驶风格类型为激进型。

第一临界值α和第二临界值β可以根据需求，通过有限次实验得到，并预先存储在整车控制器的存储介质中。第一临界值α小于第二临界值β。

由于激进型驾驶员会频繁进行变线和转弯，而且转弯时的速度也会相对较大，因此有时车辆会获得一个较大的横向加速度(也称为横向G值)，而保守型驾驶员不会频繁进行变线和转弯，而且转弯时的速度也会相对较低，车辆的横向加速度基本保持在一个较小的范围内。因此，在一些可选的实施例中，平均横向加速度也可以作为另一种参考条件，进行独立判定，从而根据平均横向加速度和预设横向加速度之间的大小关系，确定驾驶风格类型。

当平均横向加速度小于第一预设横向加速度时，则确定驾驶风格类型为保守型。当平均横向加速度大于第一预设横向加速度且小于时第二预设横向加速度时，则确定驾驶风格类型为标准型。当平均横向加速度大于第二预设横向加速度时，则确定驾驶风格类型为激进型。第一预设横向加速度和第二预设横向加速度可以根据实际需求，通过有限次实验得到，并预先存储在整车控制器的存储介质中。第一预设横向加速度小于第二预设横向加速度。

在同时确定了车辆工况类型和驾驶风格类型后，则可以最终根据车辆工况类型和驾驶风格类型对自动刹车辅助系统的安全距离进行修正，具体步骤如下：

在步骤S203中，将车辆工况类型和驾驶风格类型代入预设的修正参数关系表中，得到与车辆工况类型和驾驶风格类型对应的修正参数。

修正参数体现了对自动刹车辅助系统的安全距离进行修正的幅度。其中修正参数关系表可以如下方的表1所示，其存储有车辆工况类型、驾驶风格类型以及修正参数之间的对应关系。

如表1所示可以看出，不同的车辆工况类型和驾驶风格类型对应于不同的修正参数λ，例如，当车辆工况类型为高速工况，驾驶风格类型为激进型时，对应的修正参数为λ₃。

表1

修正参数关系表可以根据实际需求，通过有限次实验得到，并预先存储在整车控制器的存储介质中。

在步骤S204中，将修正参数与预设的第一安全距离相乘，得到修正后的第二安全距离。

在一些可选的实施例中，预设的第一安全距离为d，将步骤S203中确定出的修正参数λ与预设的第一安全距离d相乘后，即可得到修正后的第二安全距离d^′。修正后的第二安全距离d^′则可以很好地满足不同驾驶风格类型的驾驶员在不同的车辆工况类型下的自动刹车辅助需求。例如，对于激进型驾驶员，通过修正将安全距离适当缩短，可以满足激进型驾驶员对于行驶效率的需求。对于保守型驾驶员，通过修正将安全距离适当延长，可以满足保守型驾驶员对于行驶安全的预期。

可以理解的是，为避免对安全距离调整进行累计，每次对安全距离进行修正都是在预设的第一安全距离的基础上进行的，而不是在此前修正后得到的第二安全距离的基础上进行的。

采用本申请提供的自动刹车辅助系统安全距离修正方法，能够根据特定时间段内车辆的工况参数来实时确定车辆的工况类型以及驾驶员的驾驶风格类型，而发明人研究发现车辆的不同的工况类型以及驾驶员的不同的驾驶风格类型与自动刹车辅助系统的安全距离有着很相关的关系，因此将车辆工况类型和驾驶风格类型代入预设的修正参数关系表中，得到与车辆工况类型和驾驶风格类型对应的修正参数，从而利用修正参数对安全距离进行实时修正，能够根据驾驶员实际的驾驶特点确定最合适的安全距离，迎合不同类型驾驶员的需求，改善了自动刹车辅助系统的使用效果。

本申请实施例还提供了一种自动刹车辅助系统安全距离修正装置，如图4所示，装置包括获取模块401，确定模块402和修正模块403，其中：

获取模块401，被配置为获取预设时间内车辆的工况参数。

确定模块402，被配置为根据工况参数确定车辆工况类型和驾驶风格类型。

修正模块403，被配置为根据车辆工况类型和驾驶风格类型对自动刹车辅助系统的安全距离进行修正。

在一些可选的实施例中，工况参数包括平均速度、最大速度、怠速时间、平均加速度、最大加速度和最小加速度，确定模块402，被配置为：

将平均速度、最大速度、怠速时间、平均加速度、最大加速度和最小加速度输入预设的神经网络模型中，得到输出的车辆工况编号。

根据车辆工况编号确定对应的车辆工况类型，车辆工况类型包括城市工况、郊区工况和高速工况。

在一些可选的实施例中，神经网络模型包括L个隐含层神经元，其中L采用以下公式计算得到：

其中m是工况参数的个数，n是车辆工况编号的个数，p是预设常数。

在一些可选的实施例中，工况参数还包括加速度标准差，确定模块402，被配置为：

计算平均加速度和加速度标准差的比值，得到驾驶风格系数。

将驾驶风格系数和预设临界值进行比较，得到驾驶风格类型，驾驶风格类型包括保守型、标准型和激进型。

在一些可选的实施例中，修正模块403，被配置为：

将车辆工况类型和驾驶风格类型代入预设的修正参数关系表中，得到与车辆工况类型和驾驶风格类型对应的修正参数，其中修正参数关系表存储有车辆工况类型、驾驶风格类型以及修正参数之间的对应关系。

将修正参数与预设的第一安全距离相乘，得到修正后的第二安全距离。

采用本申请提供的自动刹车辅助系统安全距离修正装置，能够根据特定时间段内车辆的工况参数来实时确定车辆的工况类型以及驾驶员的驾驶风格类型，而发明人研究发现车辆的不同的工况类型以及驾驶员的不同的驾驶风格类型与自动刹车辅助系统的安全距离有着很相关的关系，因此将车辆工况类型和驾驶风格类型代入预设的修正参数关系表中，得到与车辆工况类型和驾驶风格类型对应的修正参数，从而利用修正参数对安全距离进行实时修正，能够根据驾驶员实际的驾驶特点确定最合适的安全距离，迎合不同类型驾驶员的需求，改善了自动刹车辅助系统的使用效果。

本实施例与方法实施例基于相同的发明构思，是与方法实施例相对应的装置实施例，因此本领域技术人员应该理解，对方法实施例的说明也同样适应于本实施例，有些技术细节在本实施例中不再详述。

本申请实施例还提供了一种车辆，包括上一实施例提供的自动刹车辅助系统安全距离修正装置。

在本申请中，应该理解到，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

以上所述仅是为了便于本领域的技术人员理解本申请的技术方案，并不用以限制本申请。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围。

Claims (10)

1.一种自动刹车辅助系统安全距离修正方法，其特征在于，所述方法包括：

获取预设时间内车辆的工况参数；

根据所述工况参数确定车辆工况类型和驾驶风格类型；

根据所述车辆工况类型和所述驾驶风格类型对自动刹车辅助系统的安全距离进行修正。

2.根据权利要求1所述的方法，其特征在于，所述工况参数包括平均速度、最大速度、怠速时间、平均加速度、最大加速度和最小加速度，所述根据所述工况参数确定车辆工况类型和驾驶风格类型，包括：

将所述平均速度、所述最大速度、所述怠速时间、所述平均加速度、所述最大加速度和所述最小加速度输入预设的神经网络模型中，得到输出的车辆工况编号；

根据所述车辆工况编号确定对应的所述车辆工况类型，所述车辆工况类型包括城市工况、郊区工况和高速工况。

3.根据权利要求2所述的方法，其特征在于，所述神经网络模型包括L个隐含层神经元，其中L采用以下公式计算得到：

其中m是所述工况参数的个数，n是所述车辆工况编号的个数，p是预设常数。

4.根据权利要求2所述的方法，其特征在于，所述工况参数还包括加速度标准差，所述根据所述工况参数确定车辆工况类型和驾驶风格类型，包括：

计算所述平均加速度和所述加速度标准差的比值，得到驾驶风格系数；

将所述驾驶风格系数和预设临界值进行比较，得到所述驾驶风格类型，所述驾驶风格类型包括保守型、标准型和激进型。

5.根据权利要求1所述的方法，其特征在于，所述根据所述车辆工况类型和所述驾驶风格类型对自动刹车辅助系统的安全距离进行修正，包括：

将所述车辆工况类型和所述驾驶风格类型代入预设的修正参数关系表中，得到与所述车辆工况类型和所述驾驶风格类型对应的修正参数，其中所述修正参数关系表存储有所述车辆工况类型、所述驾驶风格类型以及所述修正参数之间的对应关系；

将所述修正参数与预设的第一安全距离相乘，得到修正后的第二安全距离。

6.一种自动刹车辅助系统安全距离修正装置，其特征在于，所述装置包括：

获取模块，被配置为获取预设时间内车辆的工况参数；

确定模块，被配置为根据所述工况参数确定车辆工况类型和驾驶风格类型；

修正模块，被配置为根据所述车辆工况类型和所述驾驶风格类型对自动刹车辅助系统的安全距离进行修正。

7.根据权利要求6所述的装置，其特征在于，所述工况参数包括平均速度、最大速度、怠速时间、平均加速度、最大加速度和最小加速度，所述确定模块，被配置为：

将所述平均速度、所述最大速度、所述怠速时间、所述平均加速度、所述最大加速度和所述最小加速度输入预设的神经网络模型中，得到输出的车辆工况编号；

根据所述车辆工况编号确定对应的所述车辆工况类型，所述车辆工况类型包括城市工况、郊区工况和高速工况。

8.根据权利要求7所述的装置，其特征在于，所述神经网络模型包括L个隐含层神经元，其中L采用以下公式计算得到：

其中m是所述工况参数的个数，n是所述车辆工况编号的个数，p是预设常数。

9.根据权利要求7所述的装置，其特征在于，所述工况参数还包括加速度标准差，所述确定模块，被配置为：

计算所述平均加速度和所述加速度标准差的比值，得到驾驶风格系数；

将所述驾驶风格系数和预设临界值进行比较，得到所述驾驶风格类型，所述驾驶风格类型包括保守型、标准型和激进型。

10.根据权利要求6所述的装置，其特征在于，所述修正模块，被配置为：

将所述车辆工况类型和所述驾驶风格类型代入预设的修正参数关系表中，得到与所述车辆工况类型和所述驾驶风格类型对应的修正参数，其中所述修正参数关系表存储有所述车辆工况类型、所述驾驶风格类型以及所述修正参数之间的对应关系；

将所述修正参数与预设的第一安全距离相乘，得到修正后的第二安全距离。

Images