CN116118724B - 一种基于长时轨迹预测的车辆非紧急避撞方法及系统 - Google Patents

一种基于长时轨迹预测的车辆非紧急避撞方法及系统 Download PDF

Info

Publication number
CN116118724B
CN116118724B CN202310405672.XA CN202310405672A CN116118724B CN 116118724 B CN116118724 B CN 116118724B CN 202310405672 A CN202310405672 A CN 202310405672A CN 116118724 B CN116118724 B CN 116118724B
Authority
CN
China
Prior art keywords
vehicle
time
risk
collision
longitudinal
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
CN202310405672.XA
Other languages
English (en)
Other versions
CN116118724A (zh
Inventor
丁同强
张克鑫
李志强
杨立成
王迪
田建
任柏寒
袁蕾
李敏
冯婷
席建锋
郑黎黎
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202310405672.XA priority Critical patent/CN116118724B/zh
Publication of CN116118724A publication Critical patent/CN116118724A/zh
Application granted granted Critical
Publication of CN116118724B publication Critical patent/CN116118724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W30/08—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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/20—Conjoint control of vehicle sub-units of different type or different function including control of steering systems
    • 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
    • B60W2710/00—Output or target parameters relating to a particular sub-units
    • B60W2710/06—Combustion engines, Gas turbines
    • B60W2710/0605—Throttle position
    • 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
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Automation & Control Theory (AREA)
  • Regulating Braking Force (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于考虑驾驶人特性的道路车辆驾驶控制技术领域，尤其涉及一种基于长时轨迹预测的车辆非紧急避撞方法及系统，系统包括用于实时获取本车及周边车辆的状态参数，并获取驾驶人的实时反应时间、驾驶车辆的刹车性能参数以及道路参数的信息采集模块；通过构建的PINN车辆长时轨迹预测模型，以及信息采集模块中所采集的信息，预测本车及周边车辆的行驶轨迹的轨迹预测模块；通过预测的本车及周边车辆的行驶轨迹，得到碰撞风险系数，并分析碰撞风险系数所处的阈值风险区间的碰撞风险系数分析模块；根据阈值风险区间调用相应的车辆控制方案，实现车辆避碰。

Description

一种基于长时轨迹预测的车辆非紧急避撞方法及系统
技术领域
本发明属于考虑驾驶人特性的道路车辆驾驶控制技术领域，尤其涉及一种基于长时轨迹预测的车辆非紧急避撞方法及系统。
背景技术
随着汽车保有量的持续快速增长，道路交通安全问题已成为世界各国面临的重大挑战。为了保障行车安全性与驾驶舒适性，需要先进的车辆避撞方法及系统。
现有技术中，针对车辆避撞系统中的风险识别方法和避撞控制策略，不论是在理论研究还是实际应用方面，都主要集中在短时风险识别和紧急避撞控制方面。例如现有的AEB系统及CN 114715142 A专利公开的一种智能驾驶车辆紧急避撞控制方法及系统，内容均是通过分析小范围内周边车辆与本车的碰撞风险，进而实施紧急刹车或转向进行避撞。然而，风险识别范围小与紧急避撞控制会带来诸如高速驾驶场景下避撞系统失灵、紧急制动严重影响驾驶舒适性并对车辆产生磨损、紧急刹车与转向行为易引发车辆追尾、坠翻等问题。因此我们需要通过对车辆进行准确的中长时轨迹预测提前对车辆进行行车安全预警与温和的避撞控制，从而保证车辆避撞的安全性和舒适性。
而对于车辆轨迹长时预测现阶段主要是基于驾驶意图预测与机器学习模型预测。例如CN 112002126 A专利公开的复杂场景下车辆长期轨迹预测方法及系统，利用隐马尔科夫模型来判断车辆驾驶意图，然后根据不同驾驶意图计算出长期的车辆轨迹。但受限于模型复杂度，此类方法的意图类别往往十分有限，因此预测的精确度与适用性均比较低。CN112109704 B公开了一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，通过搭建LSTM神经网络对车辆轨迹进行长时预测的方法。此类方法只注重数据之间的特征关系，并未以物理规律作为约束，所以非常容易出现过拟合的现象，导致模型的预测准确性低。针对车辆控制舒适性方面，上述专利基于轨迹预测进行动态安全路径规划进而实现避撞的方法，在一定程度上实现了制动舒适性的提高，但是没有考虑人、车、路的差异性。具体来讲，在不同的场景及驾驶主体下，诸如驾驶员反应时间、道路附着系数、车辆刹车性能等参数是不同的，而现有的专利均以平均的数值来使用这些参数，没有考虑人、车、路的差异性，从而会导致避撞系统误触发的问题，使得舒适性降低。
综上所述，现阶段车辆避撞方法无法进行准确的长时预测，且没有充分考虑人、车、路差异性，从而导致避撞系统舒适性低且存在安全隐患的问题。
发明内容
为解决背景技术中存在的问题，本发明提供一种基于长时轨迹预测的车辆非紧急避撞方法，包括以下步骤：
步骤S1：获取本车驾驶员的实时反应时间；
通过驾驶员眼动信号采集装置，捕捉驾驶员眼球聚焦点的变化，判断驾驶员是否意识到突发状况，从而确定反应的开始；
通过肌电信号采集装置，捕捉驾驶员肌肉动作的变化，判断驾驶员是否做出反应，从而确定反应的结束；
将驾驶员眼动信号采集装置和肌电信号采集装置同步时间坐标，从而得出驾驶员的反应时间
Figure SMS_1
；
步骤S2：获取本车的刹车性能参数；
通过实时观测车辆磨损情况得到刹车性能参数，制动器起作用的时间记为
Figure SMS_2
、减速度达到最大值所需的时间记为/>
Figure SMS_3
以及制动最大减速度记为/>
Figure SMS_4
；
步骤S3：获取道路参数；
通过车载传感器，得到道路的附着系数
Figure SMS_5
，道路纵坡度/>
Figure SMS_6
；
步骤S4：获取车辆的状态参数
包括本车及周边车辆，状态参数具体为：汽车质量
Figure SMS_17
、横向速度/>
Figure SMS_7
、纵向速度/>
Figure SMS_13
、横向加速度/>
Figure SMS_18
、纵向加速度/>
Figure SMS_22
、横摆角/>
Figure SMS_21
、横摆角速度/>
Figure SMS_24
、横摆角加速度/>
Figure SMS_16
、车辆绕/>
Figure SMS_20
轴的转动惯量/>
Figure SMS_10
、前轮侧偏刚度/>
Figure SMS_14
、后轮侧偏刚度/>
Figure SMS_15
、前轮纵向刚度/>
Figure SMS_19
、后轮纵向刚度/>
Figure SMS_23
、前轴到整车质心的距离/>
Figure SMS_25
、后轴到整车质心的距离/>
Figure SMS_8
、前轮转向角/>
Figure SMS_12
、前轮纵向滑移率/>
Figure SMS_9
、后轮纵向滑移率/>
Figure SMS_11
；
步骤S5：构建车辆三自由度动力学模型；
根据车辆的状态参数，选取纵向、横向、侧偏三个自由度，建模如下：
Figure SMS_26
步骤S6：基于车辆三自由度动力学模型，构建PINN车辆长时轨迹预测模型；
以时间
Figure SMS_28
与车辆的状态参数/>
Figure SMS_31
=[/>
Figure SMS_35
,/>
Figure SMS_29
,/>
Figure SMS_32
,/>
Figure SMS_36
,/>
Figure SMS_39
,/>
Figure SMS_27
,/>
Figure SMS_33
,/>
Figure SMS_37
,/>
Figure SMS_41
,/>
Figure SMS_30
]作为输入，以横向速度/>
Figure SMS_34
、纵向速度/>
Figure SMS_38
、横摆角速度/>
Figure SMS_40
作为输出，构建三层全连接神经网络并训练；
步骤S7：基于PINN车辆长时轨迹预测模型，得到各时刻本车及周边车辆的横向速度
Figure SMS_42
、纵向速度/>
Figure SMS_43
，获取本车及周边车辆的行驶轨迹预测数据；
步骤S8：通过实验获得碰撞风险系数的三个阈值T1、T2、T3，并设置四个碰撞风险区间：
步骤S9：根据本车及周边车辆的行驶轨迹预测数据，判定本车的碰撞风险系数；
本车的碰撞风险系数的判定方法如下：
根据行驶轨迹预测数据，将开始预测的时刻定义为0时刻，当两车在某时刻位置的欧氏距离
Figure SMS_44
小于等于1.5/>
Figure SMS_45
时，将此刻定义为冲突时刻，记为/>
Figure SMS_46
，即：
Figure SMS_47
Figure SMS_48
Figure SMS_49
Figure SMS_50
为碰撞风险系数，/>
Figure SMS_51
为最短安全时间，/>
Figure SMS_52
为当前车速，/>
Figure SMS_53
和/>
Figure SMS_54
分别为两车的横向位置，/>
Figure SMS_55
和/>
Figure SMS_56
分别为两车的纵向位置；
步骤S10：根据碰撞风险系数所属碰撞风险区间，调用相应的车辆控制方案，实现车辆避碰。
作为本发明的优选，步骤S2中，通过车载传感器，记录车辆历史刹车数据与刹车片、刹车盘和轮胎的磨损数据，通过历史刹车数据得到历史制动器起作用的时间、减速度达到最大值所需的时间以及制动最大减速度共三个刹车性能参数，对磨损数据与三个刹车参数数据分别进行拟合，得出车辆磨损程度与各刹车参数的拟合关系。
作为本发明的优选，步骤S6中，训练神经网络的损失函数
Figure SMS_57
为：
Figure SMS_58
Figure SMS_59
Figure SMS_60
Figure SMS_61
为平均绝对误差，/>
Figure SMS_65
为训练集中数据的数量，/>
Figure SMS_67
和/>
Figure SMS_62
分别表示训练集中横向速度、纵向速度与摇摆角速度的真值及预测值，/>
Figure SMS_64
为车辆三自由度动力学误差，/>
Figure SMS_66
、/>
Figure SMS_68
、/>
Figure SMS_63
表达式为：
Figure SMS_69
Figure SMS_70
、/>
Figure SMS_71
、/>
Figure SMS_72
分别为车辆在纵向、横向、侧偏三个自由度上的物理学损失。
作为本发明的优选，步骤S7中，行驶轨迹预测数据的获取方法如下：
S71：假设各时间间隔内的横向速度
Figure SMS_73
与纵向速度/>
Figure SMS_74
保持不变，令/>
Figure SMS_75
，根据前一时刻的位置与速度，计算出下一时刻的位置，即
Figure SMS_76
其中，
Figure SMS_77
，/>
Figure SMS_78
为车辆横向位置，/>
Figure SMS_79
为车辆纵向位置，/>
Figure SMS_80
为行驶轨迹，/>
Figure SMS_81
为各轨迹预测时刻之间的时间间隔；
S72：进行迭代计算，得出车辆在长时域内各个时刻的横向位置和纵向位置，并根据最新数据不断更新计算。
作为本发明的优选，步骤S8中，阈值获得方式为：构建不同碰撞风险系数下的驾驶场景，进行模拟驾驶实验，模拟结束后通过驾驶人员做风险感知问卷进行碰撞风险感知测定，确定风险阈值T1, T2, T3；
四个碰撞风险区间为：低风险区间，碰撞风险系数小于T1；一般风险区间，碰撞风险系数大于T1小于T2；较大风险区间，碰撞风险系数大于T2小于T3；重大风险区间，碰撞风险系数大于T3。
作为本发明的优选，步骤S10中，当处于低风险区间时，减小油门开度为原来的五分之四；
当处于一般风险区间时，减小油门开度为原来的四分之三 ，同时提高电子液压制动系统提供电子制动力为原来的1.5倍；
当处于较大风险区间时，减小油门开度为原来的三分之二，同时提高电子液压制动系统提供电子制动力为原来的2倍；
当处于重大风险区间时，控制车辆进行急刹车操作，同时打开车辆的危险报警闪光灯。
本发明的第二个目的是一种基于长时轨迹预测的车辆非紧急避撞系统，包括信息采集模块、轨迹预测模块、碰撞风险系数分析模块、油门控制模块、制动模块、方向盘模块以及主控模块；
所述信息采集模块用于实时获取本车及周边车辆的状态参数，并获取驾驶人的实时反应时间、驾驶车辆的刹车性能参数以及道路参数；
所述轨迹预测模块通过构建的PINN车辆长时轨迹预测模型，以及信息采集模块中所采集的信息，预测本车及周边车辆的行驶轨迹；
所述碰撞风险系数分析模块通过预测的本车及周边车辆的行驶轨迹，得到碰撞风险系数，并分析碰撞风险系数所处的阈值风险区间；
所述油门控制模块根据阈值风险区间控制油门开度；
所述制动模块根据阈值风险区间控制电子液压制动系统提供的电子助力；
所述方向盘模块根据阈值风险区间调整方向盘助力系统提供的助力力矩大小；
所述主控模块根据阈值风险区间调整驾驶参数。
本发明的有益效果如下：
（1）本发明提出一种基于PINN（基于物理信息的神经网络）进行车辆轨迹长时预测的方法，通过加入物理模型约束保障机器学习的正确性，使得模型有更好的泛化能力与鲁棒性，能够准确地进行长时轨迹预测。
（2）本发明为了解决现有车辆避撞系统没有考虑人、车、路差异性的问题，提出一种个性化参数收集方法，对驾驶员反应时间、车辆刹车性能、道路附着系数等参数进行实时收集与更新。
（3）本发明为了解决现有车辆碰撞系统适用场景单一、误报率高的问题，在长时轨迹预测的基础上利用轨迹冲突点距离预测与基于个性化参数的时间预测进行碰撞风险判定。
（4）本发明将车辆碰撞风险由弱到强划分为四个区间，根据车辆碰撞风险所处的区间，通过车载控制系统主控模块调用相应的车辆驾驶参数调整模块，进行兼顾舒适性与安全性的车辆避撞控制，避免交通事故的发生。
附图说明
通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1为本发明的方法流程图；
图2为本发明中PINN车辆长时轨迹预测模型图；
图3为本发明的系统结构框图。
具体实施方式
为使本领域技术人员能够更好的理解本发明的技术方案及其优点，下面结合附图对本申请进行详细描述，但并不用于限定本发明的保护范围。
实施例1
参阅图1和图2所示：一种基于长时轨迹预测的车辆非紧急避撞方法，包括以下步骤：
步骤S1：获取本车驾驶员的实时反应时间；
通过驾驶员眼动信号采集装置，捕捉驾驶员眼球聚焦点的变化，判断驾驶员是否意识到突发状况，从而确定反应的开始；
通过肌电信号采集装置，捕捉驾驶员肌肉动作的变化，判断驾驶员是否做出反应，从而确定反应的结束；
将驾驶员眼动信号采集装置和肌电信号采集装置同步时间坐标，从而得出驾驶员的实时反应时间
Figure SMS_82
；
步骤S2：获取本车的刹车性能参数；
通过实时观测车辆磨损情况得到刹车性能参数，制动器起作用的时间记为
Figure SMS_83
、减速度达到最大值所需的时间记为/>
Figure SMS_84
以及制动最大减速度记为/>
Figure SMS_85
；
步骤S3：获取道路参数；
通过车载传感器，得到道路的附着系数
Figure SMS_86
，道路纵坡度/>
Figure SMS_87
；
步骤S4：获取车辆的状态参数
包括本车及周边车辆，状态参数具体为：汽车质量
Figure SMS_96
、横向速度/>
Figure SMS_89
、纵向速度/>
Figure SMS_92
、横向加速度/>
Figure SMS_91
、纵向加速度/>
Figure SMS_95
、横摆角/>
Figure SMS_97
、横摆角速度/>
Figure SMS_101
、横摆角加速度/>
Figure SMS_99
、车辆绕/>
Figure SMS_103
轴的转动惯量/>
Figure SMS_88
、前轮侧偏刚度/>
Figure SMS_93
、后轮侧偏刚度/>
Figure SMS_100
、前轮纵向刚度/>
Figure SMS_104
、后轮纵向刚度/>
Figure SMS_105
、前轴到整车质心的距离/>
Figure SMS_106
、后轴到整车质心的距离/>
Figure SMS_90
、前轮转向角/>
Figure SMS_94
、前轮纵向滑移率/>
Figure SMS_98
、后轮纵向滑移率/>
Figure SMS_102
；
步骤S5：构建车辆三自由度动力学模型；
根据车辆的状态参数，选取纵向、横向、侧偏三个自由度，建模如下：
Figure SMS_107
步骤S6：基于车辆三自由度动力学模型，构建PINN车辆长时轨迹预测模型；
以时间
Figure SMS_108
与车辆的状态参数/>
Figure SMS_113
=[/>
Figure SMS_119
,/>
Figure SMS_110
,/>
Figure SMS_114
,/>
Figure SMS_117
,/>
Figure SMS_121
,/>
Figure SMS_111
,/>
Figure SMS_115
,/>
Figure SMS_118
,/>
Figure SMS_122
,/>
Figure SMS_109
]作为输入，以横向速度/>
Figure SMS_112
、纵向速度/>
Figure SMS_116
、横摆角速度/>
Figure SMS_120
作为输出，构建三层全连接神经网络并训练；
步骤S7：基于PINN车辆长时轨迹预测模型，得到各时刻本车及周边车辆的横向速度
Figure SMS_123
与纵向速度/>
Figure SMS_124
，获取本车及周边车辆的行驶轨迹预测数据；
步骤S8：通过实验获得碰撞风险系数的三个阈值T1、T2、T3，并设置四个碰撞风险区间：
步骤S9：根据本车及周边车辆的行驶轨迹预测数据，判定本车的碰撞风险系数；
步骤S10：根据碰撞风险系数所属碰撞风险区间，调用相应的车辆控制方案，实现车辆避碰。
进一步地，步骤S2中，通过车载传感器，记录车辆历史刹车数据与刹车片、刹车盘和轮胎的磨损数据，通过历史刹车数据得到历史制动器起作用的时间、减速度达到最大值所需的时间以及制动最大减速度共三个刹车性能参数，对磨损数据与三个刹车参数数据分别进行拟合，得出车辆磨损程度与各刹车参数的拟合关系。
进一步地，步骤S6中，训练神经网络的损失函数
Figure SMS_125
为：
Figure SMS_126
Figure SMS_127
Figure SMS_128
Figure SMS_130
为平均绝对误差，/>
Figure SMS_133
为训练集中数据的数量，/>
Figure SMS_135
和/>
Figure SMS_131
分别表示训练集中横向速度、纵向速度与摇摆角速度的真值及预测值，/>
Figure SMS_132
为车辆三自由度动力学误差，/>
Figure SMS_134
、/>
Figure SMS_136
、
Figure SMS_129
表达式为：
Figure SMS_137
Figure SMS_138
、/>
Figure SMS_139
、/>
Figure SMS_140
分别为车辆在纵向、横向、侧偏三个自由度上的物理学损失。
进一步地，步骤S7中，行驶轨迹预测数据的获取方法如下：
S71：假设各时间间隔内的横向速度
Figure SMS_141
与纵向速度/>
Figure SMS_142
保持不变，令/>
Figure SMS_143
，根据前一时刻的位置与速度，计算出下一时刻的位置，即
Figure SMS_144
其中，
Figure SMS_145
，/>
Figure SMS_146
为车辆横向位置，/>
Figure SMS_147
为车辆纵向位置，/>
Figure SMS_148
为行驶轨迹，/>
Figure SMS_149
为各轨迹预测时刻之间的时间间隔；
S72：进行迭代计算，得出车辆在长时域内各个时刻的横向位置和纵向位置，并根据最新数据不断更新计算。
进一步地，步骤S8中，阈值获得方式为：构建不同碰撞风险系数下的驾驶场景，进行模拟驾驶实验，模拟结束后通过驾驶人员做风险感知问卷进行碰撞风险感知测定，确定风险阈值T1, T2, T3；
四个碰撞风险区间为：低风险区间，碰撞风险系数小于T1；一般风险区间，碰撞风险系数大于T1小于T2；较大风险区间，碰撞风险系数大于T2小于T3；重大风险区间，碰撞风险系数大于T3。
进一步地，步骤S9中，本车的碰撞风险系数的判定方法如下：
根据行驶轨迹预测数据，将开始预测的时刻定义为0时刻，当两车在某时刻位置的欧氏距离
Figure SMS_150
小于等于1.5/>
Figure SMS_151
时，将此刻定义为冲突时刻，记为/>
Figure SMS_152
，即：
Figure SMS_153
Figure SMS_154
Figure SMS_155
Figure SMS_156
为碰撞风险系数，/>
Figure SMS_157
为最短安全时间，/>
Figure SMS_158
为当前车速，/>
Figure SMS_159
和/>
Figure SMS_160
分别为两车的横向位置，/>
Figure SMS_161
和/>
Figure SMS_162
分别为两车的纵向位置。
进一步地， 步骤S10中，当处于低风险区间时，减小油门开度为原来的五分之四；
当处于一般风险区间时，减小油门开度为原来的四分之三 ，同时提高电子液压制动系统提供电子制动力为原来的1.5倍；
当处于较大风险区间时，减小油门开度为原来的三分之二，同时提高电子液压制动系统提供电子制动力为原来的2倍；
当处于重大风险区间时，控制车辆进行急刹车操作，同时打开车辆的危险报警闪光灯。
实施例2
参阅图3所示：一种基于长时轨迹预测的车辆非紧急避撞系统，包括信息采集模块、轨迹预测模块、碰撞风险系数分析模块、油门控制模块、制动模块、方向盘模块以及主控模块；
信息采集模块用于实时获取本车及周边车辆的状态参数，并获取驾驶人的实时反应时间、驾驶车辆的刹车性能参数以及道路参数；轨迹预测模块通过构建的PINN车辆长时轨迹预测模型，以及信息采集模块中所采集的信息，预测本车及周边车辆的行驶轨迹；碰撞风险系数分析模块通过预测的本车及周边车辆的行驶轨迹，得到碰撞风险系数，并分析碰撞风险系数所处的阈值风险区间；油门控制模块根据阈值风险区间控制油门开度；制动模块根据阈值风险区间控制电子液压制动系统提供的电子助力；方向盘模块根据阈值风险区间调整方向盘助力系统提供的助力力矩大小；主控模块根据阈值风险区间调整驾驶参数。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.一种基于长时轨迹预测的车辆非紧急避撞方法，其特征在于，包括以下步骤：
步骤S1：获取本车驾驶员的实时反应时间；
通过驾驶员眼动信号采集装置，捕捉驾驶员眼球聚焦点的变化，判断驾驶员是否意识到突发状况，从而确定反应的开始；
通过肌电信号采集装置，捕捉驾驶员肌肉动作的变化，判断驾驶员是否做出反应，从而确定反应的结束；
将驾驶员眼动信号采集装置和肌电信号采集装置同步时间坐标，从而得出驾驶员的实时反应时间
Figure QLYQS_1
；
步骤S2：获取本车的刹车性能参数；
通过实时观测车辆磨损情况得到刹车性能参数，制动器起作用的时间记为
Figure QLYQS_2
、减速度达到最大值所需的时间记为/>
Figure QLYQS_3
以及制动最大减速度记为/>
Figure QLYQS_4
；
步骤S3：获取道路参数；
通过车载传感器，得到道路的附着系数
Figure QLYQS_5
，道路纵坡度/>
Figure QLYQS_6
；
步骤S4：获取车辆的状态参数
包括本车及周边车辆，状态参数具体为：汽车质量
Figure QLYQS_16
、横向速度/>
Figure QLYQS_7
、纵向速度/>
Figure QLYQS_12
、横向加速度/>
Figure QLYQS_18
、纵向加速度/>
Figure QLYQS_22
、横摆角/>
Figure QLYQS_23
、横摆角速度/>
Figure QLYQS_25
、横摆角加速度/>
Figure QLYQS_15
、车辆绕/>
Figure QLYQS_19
轴的转动惯量/>
Figure QLYQS_10
、前轮侧偏刚度/>
Figure QLYQS_11
、后轮侧偏刚度/>
Figure QLYQS_17
、前轮纵向刚度/>
Figure QLYQS_21
、后轮纵向刚度/>
Figure QLYQS_20
、前轴到整车质心的距离/>
Figure QLYQS_24
、后轴到整车质心的距离/>
Figure QLYQS_9
、前轮转向角/>
Figure QLYQS_13
、前轮纵向滑移率/>
Figure QLYQS_8
、后轮纵向滑移率/>
Figure QLYQS_14
；
步骤S5：构建车辆三自由度动力学模型；
根据车辆的状态参数，选取纵向、横向、侧偏三个自由度，建模如下：
Figure QLYQS_26
步骤S6：基于车辆三自由度动力学模型，构建PINN车辆长时轨迹预测模型；
以时间
Figure QLYQS_27
与车辆的状态参数/>
Figure QLYQS_34
=[/>
Figure QLYQS_38
,/>
Figure QLYQS_30
,/>
Figure QLYQS_32
,/>
Figure QLYQS_36
,/>
Figure QLYQS_40
,/>
Figure QLYQS_28
,/>
Figure QLYQS_31
,/>
Figure QLYQS_35
,/>
Figure QLYQS_39
,/>
Figure QLYQS_29
]作为输入，以横向速度/>
Figure QLYQS_33
、纵向速度/>
Figure QLYQS_37
、横摆角速度/>
Figure QLYQS_41
作为输出，构建三层全连接神经网络并训练；
步骤S7：基于PINN车辆长时轨迹预测模型，得到各时刻本车及周边车辆的横向速度
Figure QLYQS_42
、纵向速度/>
Figure QLYQS_43
，获取本车及周边车辆的行驶轨迹预测数据；
步骤S8：通过实验获得碰撞风险系数的三个阈值T1、T2、T3，并设置四个碰撞风险区间：
步骤S9：根据本车及周边车辆的行驶轨迹预测数据，判定本车的碰撞风险系数；
本车的碰撞风险系数的判定方法如下：
根据行驶轨迹预测数据，将开始预测的时刻定义为0时刻，当两车在某时刻位置的欧氏距离
Figure QLYQS_44
小于等于1.5/>
Figure QLYQS_45
时，将此刻定义为冲突时刻，记为/>
Figure QLYQS_46
，即：
Figure QLYQS_47
Figure QLYQS_48
Figure QLYQS_49
Figure QLYQS_50
为碰撞风险系数，/>
Figure QLYQS_51
为最短安全时间，/>
Figure QLYQS_52
为当前车速，/>
Figure QLYQS_53
和/>
Figure QLYQS_54
分别为两车的横向位置，
Figure QLYQS_55
和/>
Figure QLYQS_56
分别为两车的纵向位置；
步骤S10：根据碰撞风险系数所属碰撞风险区间，调用相应的车辆控制方案，实现车辆避碰。
2.根据权利要求1所述的一种基于长时轨迹预测的车辆非紧急避撞方法，其特征在于，步骤S2中，通过车载传感器，记录车辆历史刹车数据与刹车片、刹车盘和轮胎的磨损数据，通过历史刹车数据得到历史制动器起作用的时间、减速度达到最大值所需的时间以及制动最大减速度共三个刹车性能参数，对磨损数据与三个刹车参数数据分别进行拟合，得出车辆磨损程度与各刹车参数的拟合关系。
3.根据权利要求2所述的一种基于长时轨迹预测的车辆非紧急避撞方法，其特征在于，步骤S6中，训练神经网络的损失函数为
Figure QLYQS_57
：
Figure QLYQS_58
Figure QLYQS_59
Figure QLYQS_60
Figure QLYQS_63
为平均绝对误差，/>
Figure QLYQS_64
为训练集中数据的数量，/>
Figure QLYQS_66
和/>
Figure QLYQS_61
分别表示训练集中横向速度、纵向速度与摇摆角速度的真值及预测值，/>
Figure QLYQS_65
为车辆三自由度动力学误差，/>
Figure QLYQS_67
、/>
Figure QLYQS_68
、
Figure QLYQS_62
表达式为：
Figure QLYQS_69
Figure QLYQS_70
、/>
Figure QLYQS_71
、/>
Figure QLYQS_72
分别为车辆在纵向、横向、侧偏三个自由度上的物理学损失。
4.根据权利要求3所述的一种基于长时轨迹预测的车辆非紧急避撞方法，其特征在于，步骤S7中，行驶轨迹预测数据的获取方法如下：
S71：假设各时间间隔内的横向速度
Figure QLYQS_73
与纵向速度/>
Figure QLYQS_74
保持不变，令/>
Figure QLYQS_75
，根据前一时刻的位置与速度，计算出下一时刻的位置，即
Figure QLYQS_76
其中，
Figure QLYQS_77
，/>
Figure QLYQS_78
为车辆横向位置，/>
Figure QLYQS_79
为车辆纵向位置，/>
Figure QLYQS_80
为行驶轨迹，/>
Figure QLYQS_81
为各轨迹预测时刻之间的时间间隔；
S72：进行迭代计算，得出车辆在长时域内各个时刻的横向位置和纵向位置，并根据最新数据不断更新计算。
5.根据权利要求4所述的一种基于长时轨迹预测的车辆非紧急避撞方法，其特征在于，步骤S8中，阈值获得方式为：构建不同碰撞风险系数下的驾驶场景，进行模拟驾驶实验，模拟结束后通过驾驶人员做风险感知问卷进行碰撞风险感知测定，确定风险阈值T1, T2,T3；
四个碰撞风险区间为：低风险区间，碰撞风险系数小于T1；一般风险区间，碰撞风险系数大于T1小于T2；较大风险区间，碰撞风险系数大于T2小于T3；重大风险区间，碰撞风险系数大于T3。
6.根据权利要求5所述的一种基于长时轨迹预测的车辆非紧急避撞方法，其特征在于，步骤S10中，当处于低风险区间时，减小油门开度为原来的五分之四；
当处于一般风险区间时，减小油门开度为原来的四分之三 ，同时提高电子液压制动系统提供电子制动力为原来的1.5倍；
当处于较大风险区间时，减小油门开度为原来的三分之二，同时提高电子液压制动系统提供电子制动力为原来的2倍；
当处于重大风险区间时，控制车辆进行急刹车操作，同时打开车辆的危险报警闪光灯。
7.一种基于长时轨迹预测的车辆非紧急避撞系统，其特征在于：该系统执行权利要求6的基于长时轨迹预测的车辆非紧急避撞方法，包括信息采集模块、轨迹预测模块、碰撞风险系数分析模块、油门控制模块、制动模块、方向盘模块以及主控模块；
所述信息采集模块用于实时获取本车及周边车辆的状态参数，并获取驾驶人的实时反应时间、驾驶车辆的刹车性能参数以及道路参数；
所述轨迹预测模块通过构建的PINN车辆长时轨迹预测模型，以及信息采集模块中所采集的信息，预测本车及周边车辆的行驶轨迹；
所述碰撞风险系数分析模块通过预测的本车及周边车辆的行驶轨迹，得到碰撞风险系数，并分析碰撞风险系数所处的阈值风险区间；
所述油门控制模块根据阈值风险区间控制油门开度；
所述制动模块根据阈值风险区间控制电子液压制动系统提供的电子助力；
所述方向盘模块根据阈值风险区间调整方向盘助力系统提供的助力力矩大小；
所述主控模块根据阈值风险区间调整驾驶参数。
CN202310405672.XA 2023-04-17 2023-04-17 一种基于长时轨迹预测的车辆非紧急避撞方法及系统 Active CN116118724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310405672.XA CN116118724B (zh) 2023-04-17 2023-04-17 一种基于长时轨迹预测的车辆非紧急避撞方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310405672.XA CN116118724B (zh) 2023-04-17 2023-04-17 一种基于长时轨迹预测的车辆非紧急避撞方法及系统

Publications (2)

Publication Number Publication Date
CN116118724A CN116118724A (zh) 2023-05-16
CN116118724B true CN116118724B (zh) 2023-06-27

Family

ID=86308529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310405672.XA Active CN116118724B (zh) 2023-04-17 2023-04-17 一种基于长时轨迹预测的车辆非紧急避撞方法及系统

Country Status (1)

Country Link
CN (1) CN116118724B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107731009A (zh) * 2017-11-28 2018-02-23 吉林大学 一种适用于无信号灯交叉路口车辆避人、避撞系统及方法
CN112109704A (zh) * 2020-09-22 2020-12-22 同济大学 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法
CN115534938A (zh) * 2022-11-03 2022-12-30 江苏大学 一种基于附加横摆力矩的人机共驾汽车紧急避撞控制方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801511B (zh) * 2017-11-16 2021-01-05 华为技术有限公司 一种碰撞预警方法及装置
US11312375B2 (en) * 2019-09-09 2022-04-26 Beijing Idriverplus Technology Co. Vehicle anti-collision forewarning method, system and in-vehicle computer device

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107731009A (zh) * 2017-11-28 2018-02-23 吉林大学 一种适用于无信号灯交叉路口车辆避人、避撞系统及方法
CN112109704A (zh) * 2020-09-22 2020-12-22 同济大学 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法
CN115534938A (zh) * 2022-11-03 2022-12-30 江苏大学 一种基于附加横摆力矩的人机共驾汽车紧急避撞控制方法及系统

Also Published As

Publication number Publication date
CN116118724A (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN110155046B (zh) 自动紧急制动分级控制方法与系统
CN109669461B (zh) 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法
US10286900B2 (en) Intelligent driving system with an embedded driver model
CN109727469B (zh) 一种多车道下自动驾驶车辆综合危险度评估方法
CN107993453B (zh) 一种基于车路协同的弯道安全车速计算方法
Schnelle et al. A feedforward and feedback integrated lateral and longitudinal driver model for personalized advanced driver assistance systems
CN109131312B (zh) 一种智能电动汽车acc/esc集成控制系统及其方法
CN113799800B (zh) 一种无人驾驶车辆自动换道超车轨迹规划方法
CN110588623B (zh) 一种基于神经网络的大型汽车安全驾驶方法及系统
CN106004873A (zh) 一种基于v2x车联网的汽车弯道避撞与稳定性系统协调控制方法
CN108717268A (zh) 基于最优控制与安全距离的自动驾驶最速操纵控制系统及其控制方法
CN113147752B (zh) 一种无人驾驶方法及系统
CN109017758B (zh) 一种先行调节的车辆稳定控制系统和方法
CN110723142B (zh) 一种智能汽车紧急避撞控制方法
CN113744563A (zh) 一种基于轨迹数据的路-车风险实时估计方法
CN110239558A (zh) 一种基于识别系数的驾驶风格分层模糊识别系统
CN113085873A (zh) 驾驶策略的获取方法、装置、计算机设备和存储介质
CN114030475A (zh) 一种车辆辅助驾驶方法、装置、车辆及存储介质
CN114987538A (zh) 一种网联自动驾驶环境下考虑多目标优化的协同换道方法
Lai et al. Simulation analysis of automatic emergency braking system under constant steer conditions
CN116495002B (zh) 车辆行驶控制方法、装置、电子设备、存储介质及车辆
CN116118724B (zh) 一种基于长时轨迹预测的车辆非紧急避撞方法及系统
CN109774709B (zh) 一种紧急变道工况下车辆线控制动辅助安全系统及其控制方法
WO2021109163A1 (zh) 用于车辆自动驾驶的数据处理方法
CN103231710B (zh) 基于驾驶员工作负担调度驾驶员接口任务的系统和方法

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