CN116605188B - 一种电动车-两轮车自动紧急制动控制系统 - Google Patents
一种电动车-两轮车自动紧急制动控制系统 Download PDFInfo
- Publication number
- CN116605188B CN116605188B CN202310787018.XA CN202310787018A CN116605188B CN 116605188 B CN116605188 B CN 116605188B CN 202310787018 A CN202310787018 A CN 202310787018A CN 116605188 B CN116605188 B CN 116605188B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- model
- braking
- electric vehicle
- collision
- 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
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 18
- 239000002245 particle Substances 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 12
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 230000035484 reaction time Effects 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000005489 elastic deformation Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 239000003638 chemical reducing agent Substances 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- FXNSVEQMUYPYJS-UHFFFAOYSA-N 4-(2-aminoethyl)benzenesulfonamide Chemical compound NCCC1=CC=C(S(N)(=O)=O)C=C1 FXNSVEQMUYPYJS-UHFFFAOYSA-N 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000005295 random walk Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T7/00—Brake-action initiating means
- B60T7/12—Brake-action initiating means for automatic initiation; for initiation not subject to will of driver or passenger
-
- 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
- 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
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0008—Feedback, closed loop systems or details of feedback error signal
- B60W2050/0011—Proportional Integral Differential [PID] controller
-
- 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
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Regulating Braking Force (AREA)
Abstract
本技术方案提供了一种电动车‑两轮车自动紧急制动控制系统，包括车辆动力学模型、目标检测与数据融合模型、分级预警模型和分层控制模型；车辆动力学模型根据某款纯电动SUV的参数建立；目标检测与数据融合模型由单目摄像头和毫米波雷达构成，获取行车信息并传递给车辆控制器；分级预警模型包括安全行驶级、碰撞预警级、紧急制动级三个层级，通过碰撞时间理论和车辆制动过程，确定不同车速下的碰撞时间取值范围和行驶安全等级；分层控制模型包括上层单隐藏层神经网络模型和下层PID控制模型。本发明建立了精确的车辆动力学模型，实现了目标检测与多传感器数据的统一，且控制算法在实时性、鲁棒性、控制精度、工况适应性上具有很大改进。
Description
技术领域
本技术方案涉及智能车主动安全技术领域，具体涉及一种电动车-两轮车自动紧急制动控制系统。
背景技术
随着国家相关政策的颁布和汽车产业的升级，研究自动紧急制动系统顺应了汽车领域电气化、智能化的发展趋势。配备自动紧急制动系统，提高车辆的智能化水平，能够有效避免部分碰撞事故。为了降低机动车交通事故数量，保护驾乘人员的生命财产，避免人为制动过程中制动不及时、不准确等不足，研发自动紧急制动系统成为了汽车行业潮流。
现有技术中，自动紧急制动系统方面的研究主要集中目标检测算法、传感器数据融合以及自动紧急制动系统控制策略的研发等单一的方面，但是AEBS作为整车的局部系统，亟需一种综合性强、鲁棒性强的电动车-两轮车自动紧急制动控制系统。
发明内容
有鉴于此，本技术方案提供了一种电动车-两轮车(自行车、两轮摩托车)自动紧急制动控制系统；建立了精确的车辆动力学模型，通过考虑环境与自车因素实现了目标检测与多传感器数据的统一，且该控制算法在实时性、鲁棒性、控制精度、工况适应性上对于经典算法来说具有较大改进，特别适用于对象为两轮车(自行车、两轮摩托车)的电动汽车紧急制动控制，有效提升了汽车的行驶安全性。
具体的，本技术方案提供一种电动车-两轮车自动紧急制动控制系统，包括：
车辆动力学模型，用于建立电动车车辆动力学模型；其中，
所述电动车车辆动力学模型包括电动车辆动力学模型和电动汽车纵向逆动力学与逻辑切换模型；
目标检测与数据融合模型，由单目摄像头和毫米波雷达构成，用于对周围的行车环境进行检测和识别，获取行车信息并传递给车辆控制器；
分级预警模型，用于基于碰撞时间理论和车辆制动机制，确定不同车速下的碰撞时间取值范围和行驶安全等级；
分层控制模型，包括单隐藏层前馈神经网络上层控制模型和下层PID控制模型；其中，
所述单隐藏层前馈神经网络上层控制模型用于根据车辆与目标两轮车对象之间的相对距离和速度，得出车辆期望加速度；所述下层PID控制模型用于实现对上层输入减速度的精确跟随控制。
作为本技术方案的一种实施例，所述车辆动力学模型的建模过程具体为：
以某款小型纯电动SUV为研究对象，基于CarSim2019.1版软件完成对电动车辆动力学模型的建模；
引入车辆逆动力学模型，将期望加速度转化成电动机期望扭矩和期望制动压力控制量，实现对车辆运动的控制；
在所述车辆逆动力学模型之间加入逻辑切换模型，实现制动踏板和加速踏板间的平稳切换。
作为本技术方案的一种实施例，所述电动机期望扭矩和期望制动压力的转化过程具体为：
由汽车行驶方程式并且忽略行驶过程中的坡度阻力和加速阻力，将车辆运动方程简化为：
mades＝Ft-Fxb-0.5CDAρv2-mgf (1)
其中Ft代表汽车驱动力，m是汽车的质量，ades表示车辆期望加速度，Fxb表示地面制动力，CD是空气阻力系数，f是滚动阻力系数，A是车辆的迎风面积，ρ是空气密度，v是车速，g是重力加速度；
忽略车辆中连接部位的弹性变形，得到驱动力表达式：
式中Te是电动机的转矩，Rg是变速器速比，Rm是主减速器速比，r是车轮滚动半径，η是车辆传动系的机械效率；
忽略汽车加速时制动系统的影响，可得电动机的期望扭矩：
当车辆处于制动工况时，不考虑电机的制动能量回收，此时电动机的输出扭矩为零，因此公式(1)可变更为：
式中Kb是制动力和制动压力的比值，Tbf和Tbr分别是前轮和后轮的制动力矩，Pdes表示实际制动压力；
将式(3)和(4)联立可得期望制动压力为：
作为本技术方案的一种实施例，所述行车信息包括但不仅限于自车速度、加速度，交通参与者属性、相对距离和相对速度和角度。
作为本技术方案的一种实施例，所述分级预警模型，包括：
第一分析单元，用于基于碰撞时间理论和车辆制动机制，分析所述行车信息，确定目标车辆的不同的行驶状态；
第二分析单元，用于基于所述行驶状态，分析碰撞风险程度、碰撞时间和反应时间的阈值；
等级划分单元，用于针对车辆不同的行驶状态，按照碰撞风险程度以及碰撞时间、反应时间的阈值，将车辆预警模型分为安全行驶级、碰撞预警级、紧急制动级三个等级。
作为本技术方案的一种实施例，所述等级划分单元，包括：
碰撞预警级子单元，用于当碰撞时间小于预设的碰撞预警的阈值并大于紧急制动阈值时，采用执行装置向驾驶员报警；其中，
所述执行装置至少包括警示灯和蜂鸣报警器；
紧急制动级子单元，用于当碰撞时间小于紧急制动阈值时，自动紧急制动系统触发并进行车辆制动。
作为本技术方案的一种实施例，所述碰撞时间(TTC)指本车在当前运动状态下，继续行驶直到与目标物体发生碰撞的时间，用来评估汽车纵向行驶过程中的危险程度，计算公式为：
式中Δs和vrel分别为本车与目标物的纵向相对距离和相对速度。
作为本技术方案的一种实施例，所述单隐藏层前馈神经网络上层控制模型具体设计如下：
单隐藏层前馈神经网络由输入层、隐含层和输出层组成；其中，
所述输入层的输入为目标车辆与目标物体之间的相对距离和速度；所述输出层的输出是车辆期望加速度；
确定输入层节点数量为2，输出层节点数量为1，使用梯度下降法更新网络中的权值和阈值，寻找损失函数的最优解。
作为本技术方案的一种实施例，所述使用梯度下降法更新网络中的权值和阈值，寻找损失函数的最优解的过程具体为：
根据经验公式(7)确定隐含层节点数量：
式中m、h和n分别为输入层、隐含层以及输出层的节点数目，a为[1,10]之间的调节常数，定义隐含层节点数10；
在网络结构中，对于输入数量为N的样本(Xj,ti)，输入向量表示成Xj＝[xj1,xj2,…,xjn]T∈Rn，输出向量为tj＝[tj1,tj2,…,tjm]T∈Rm，j＝1,2···,N，隐含层节点数量为L的神经网络输出为：
g()为激活函数，Wji (1)和Wi1 (2)分别为输入权重和输出权重，bi (1)是第i个隐含层节点的偏置，Wji (1)·Xj表示Wji (1)和Xj的内积，定义损失函数Ek：
使用梯度下降法更新网络中的权值和阈值，寻找损失函数的最优解。
作为本技术方案的一种实施例，所述下层PID控制模型具体设计如下：
采用粒子群优化算法对PID控制参数进行自动优化；
选取时间乘以误差绝对值的积分作为所述粒子群优化算法的评价指标，实现对上层输入减速度的精确跟随控制。
进一步的，PID控制的原理是：
式中r(t)和y(t)分别为期望输出和实际输出，kp为比例常数，TI为积分时间系数，TD为微分时间系数。
粒子群优化算法是一种自动寻优技术，通过个体思考和团队协作寻找最优解，PSO的核心是速度更新公式(11)和位置更新公式(12)。
xi(k+1)＝xi(k)+vi(k+1) (12)
式中，pi(k)和pg(k)分别表示k次迭代后的个体和种群最优值；和/>代表速度和位置分量；c1和c2表示个体认知和群体信息的比重，用于调节学习的步长；Rand产生[0,1]之间的随机数，增加算法随机性和多样性；w是权重系数，用于调节解空间的范围。
由公式(11)可得，PSO的优化方向主要是对惯性权重w和学习因子c1，c2的改进。惯性权重越大，全局寻优能力越强，并且动态惯性权重能获得比固定值更好的寻优结果。因此，惯性权重按照以下公式更新：
w(k)＝wstart-(wstart-wend)(k/Tmax)2 (13)
式中wstart和wend分别是初始权重和最终权重，根据经验取wstart＝0.9，wend＝0.4；k和Tmax分别是当前迭代次数和最大迭代次数。
研究表明，随着c2的递增，寻优精度提高。因此，学习因子采用随机漫步(RandomWalk)的方法更新：
选取时间乘以误差绝对值的积分ITAE(Integral of Time and Absolute Error)作为粒子群算法的评价指标：
粒子群算法原理部分通过MTALAB编程实现，评价指标在Simulink中建模，设置粒子群规模20，最大迭代次数70。
本技术方案的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术方案而了解。本技术方案的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本技术方案的技术方案做进一步的详细描述。
附图说明
附图用来提供对本技术方案的进一步理解，并且构成说明书的一部分，与本技术方案的实施例一起用于解释本技术方案，并不构成对本技术方案的限制。在附图中：
图1为本技术方案的原理图；
图2为本技术方案的汽车自动紧急制动系统整体方案设计框架图；
图3为本技术方案的FTP-75测试工况结果示意图；
图4为本技术方案的HWFET测试工况结果示意图；
图5为本技术方案的油门踏板和制动踏板控制逻辑切换曲线示意图；
图6为本技术方案的单隐藏层前馈神经网络结构示意图；
图7为本技术方案的单隐藏层神经网络模型训练、验证以及测试结果示意图；其中，(a)为样本误差分布柱状图；(b)为样本均方误差变化图；(c)为样本输出及误差分布图；
图8为本技术方案的自动紧急制动系统下层控制框架图；
图9为本技术方案的自动紧急制动系统下层控制模型示意图；
具体实施方式
以下结合附图对本技术方案的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本技术方案，并不用于限定本技术方案。
下面将结合附图和实例对本技术方案作进一步的详细说明。
根据图1所示，本技术方案提供的一种电动车-两轮车自动紧急制动控制系统，包括车辆动力学模型、目标检测与数据融合模型、分级预警模型和分层控制模型；车辆动力学模型根据某款纯电动SUV的参数建立；目标检测与数据融合模型由单目摄像头和毫米波雷达构成，获取行车信息并传递给车辆控制器；分级预警模型包括安全行驶级、碰撞预警级、紧急制动级三个层级，通过碰撞时间理论和车辆制动过程，确定不同车速下的碰撞时间取值范围和行驶安全等级；分层控制模型包括上层单隐藏层神经网络模型和下层PID控制模型，原理如图1所示。本技术方案建立了精确的车辆动力学模型，通过考虑环境与自车因素实现了目标检测与多传感器数据的统一，且该控制算法在实时性、鲁棒性、控制精度、工况适应性上对于经典算法来说具有较大改进，有效提升了汽车的行驶安全性。
作为本技术方案的一种实施例，车辆自动紧急制动的核心部分在于车辆动力学模型建模和控制算法模型设计，精确的车辆动力学模型能够更加准确地表征对标车辆的运动特性，是系统控制的前提和基础；良好的控制模型能够准确的触发车辆的避障功能，避免频繁制动导致驾乘人员行车体验感变差，因此设计的AEBS需要具备实时性好、鲁棒性强、控制精度高、工况适应性强等特点。为了实现汽车自动紧急制动系统功能需求，设计的电动汽车自动紧急制动系统由目标检测与数据融合模型、分级预警模型、分层控制模型以及车辆动力学模型等四部分组成，系统整体框架如图2所示。
本实施例中，所述的车辆动力学模型具体为：
建立与验证电动车车辆动力学模型(1)；
建立电动汽车纵向逆动力学与逻辑切换模型(2)；
所述建立与验证电动车车辆动力学模型(1)以某款小型纯电动SUV为研究对象，基于CarSim2019.1版软件完成对电动车辆动力学模型的建模与验证，部分车辆参数见表1；
通过美国EPA(Environmental ProtectionAgency)测试工况中的FTP-75城市工况和HWFET高速工况完成对电动汽车动力学模型的有效性与可靠性验证。FTP-75测试工况结果如图3所示，HWFET测试工况结果如图4所示。图示可知，在城市工况和高速工况下，车辆的实际车速均能够稳定跟随目标车速，其中FTP-75测试工况只用了冷启动阶段和稳定阶段，总共1372s，最大车速误差-2.75km/h，HWFET工况下最大车速误差-12km/h，表明建立的电动车辆模型可以按照驾驶员需求输出转矩和主缸压力，实现对期望速度的稳定跟随，并且在城市工况下的控制精度要优于高速路段，在城市工况下的车辆自动紧急制动系统及其控制算法仿真测试提供了比较精准的动力学模型，同时也验证了电动车辆动力学模型的有效性和可靠性。
所述建立电动汽车纵向逆动力学与逻辑切换模型(2)
表1车辆参数
由于CarSim中的汽车动力学模型并不能直接输入车辆的期望加速度，为了解决这一问题，引入车辆逆动力学模型，其本质是控制量间的转化模型，主要作用是将期望加速度转化成电机扭矩和制动主缸压力等控制量，实现对车辆运动的控制。但是，在实际的车辆行驶过程中，制动踏板和油门踏板的衔接并不是连贯的，通常在车辆减速时，首先利用空气阻力和道路摩擦阻力实现车辆的初步减速，然后再结合制动踏板进行制动。因此，在车辆逆动力学模型之间还需要加入逻辑切换模型，以实现制动踏板和加速踏板间的平稳切换，保证驾乘人员的乘坐舒适性。
油门踏板和制动踏板控制逻辑切换如图5所示，图中区域①为油门踏板控制区域，区域②为过渡区域，过渡区域高度设置为0.02g(1g＝9.81m/s2)，表示节气门开度为0时，不同车速下车辆能够获得的最大减速度值，区域③为制动控制区域。
由汽车行驶方程式并且忽略行驶过程中的坡度阻力和加速阻力，将车辆运动方程简化为：
mades＝Ft-Fxb-0.5CDAρv2-mgf (1)
其中Ft代表汽车驱动力，m是汽车的质量，ades表示车辆期望加速度，Fxb表示地面制动力，CD是空气阻力系数，f是滚动阻力系数，A是车辆的迎风面积，ρ是空气密度，v是车速，g是重力加速度。
忽略车辆中连接部位的弹性变形，得到驱动力表达式：
式中Te是电动机的转矩，Rg是变速器速比，Rm是主减速器速比，r是车轮滚动半径，η是车辆传动系的机械效率。
忽略汽车加速时制动系统的影响，可得电动机的期望扭矩：
当车辆处于制动工况时，不考虑电机的制动能量回收，此时电动机的输出扭矩为零，因此公式(1)可变更为：
式中Kb是制动力和制动压力的比值，Tbf和Tbr分别是前轮和后轮的制动力矩，Pdes表示实际制动压力。将式(3)和(4)联立可得期望制动压力为：
Kb的求取：在CarSim中建立车辆模型以及平直道路模型，设置车辆初速度为50km/h，对车辆施加0.3Mpa恒定制动压力，得到车辆前轮和后轮的制动力矩，代入式(4)中计算得Kb＝936.07。
本设计实例中，所述目标检测与数据融合模型具体为：
目标检测与数据融合模型通过毫米波雷达、单目摄像头对周围的行车环境进行检测和识别，主要包括自车速度、加速度，交通参与者属性(行人、自行车、车辆等)、相对距离和相对速度、角度等信息，为了避免单一传感器的不足，引入毫米波雷达和摄像头的融合模型实现多传感器数据的统一。
本实施例中，所述的分级预警模型具体为：
碰撞时间(Time-To-Collision，TTC)指本车在当前运动状态下，继续行驶直到与目标物体发生碰撞的时间，用来评估汽车纵向行驶过程中的危险程度，是衡量AEBS控制算法有效性的重要参数，计算公式为：
式中Δs和vrel分别为本车与目标物的纵向相对距离和相对速度。TTC算法的工作原理是将计算的数值与事先设定好的阈值进行比较，当TTC小于碰撞预警的阈值并大于紧急制动阈值时，采用警示灯、蜂鸣报警器等执行装置向驾驶员报警；当TTC小于紧急制定阈值时，自动紧急制动系统触发并进行车辆制动。
针对车辆不同的行驶状态，按照碰撞风险程度以及碰撞时间、反应时间的阈值，将车辆预警模型分为三级，碰撞时间通过定义确定，反应时间根据车辆制动过程确定。反应时间分为驾驶员反应时间和制动器作用时间，其中制动器作用时间范围为0.3s-0.9s。本技术方案选取蜂鸣报警器为执行器，确定总的预警时间1.5s。不同车辆速度下碰撞时间数值和安全等级如表2所示。
表2不同车速工况下TTC取值范围和对应安全等级
本实施例中，所述的分层控制模型具体为：
(1)单隐藏层前馈神经网络上层控制器设计
单隐藏层前馈神经网络(Single-hidden Layer Feed forward Network，SLFN)由单向多层结构组成，同层神经元间无连接，各层神经元之间的信息传递沿着固定方向进行，整个网络中没有反馈单元，具有良好的非线性拟合能力，广泛运用在模式识别、模型预测、医学诊断等领域的回归与分类问题中。SLFN算法通过随机设定网络中的权值和阈值，然后利用随机梯度下降法(Stochastic gradient descent，SGD)、AdaGrad、Momentum等算法优化网络的损失函数，进而寻找各层权值和阈值的最优解，避免了多层神经网络反复迭代的过程，极大地减少训练时间；此外，单隐藏层前馈神经网络具有良好的非线性拟合能力以及自学习能力，能够提高模型的泛化能力。
单隐藏层前馈神经网络的结构如图6所示，由输入层、隐含层和输出层组成。AEBS上层控制器的输入为车辆与目标物体之间的相对距离和速度，输出是车辆期望加速度，确定输入层节点数量为2，输出层节点数量为1，根据经验公式(7)确定隐含层节点数量：
式中m、h和n分别为输入层、隐含层以及输出层的节点数目，a为[1,10]之间的调节常数，定义隐含层节点数10。在网络结构中，对于输入数量为N的样本(Xj,ti)，输入向量表示成Xj＝[xj1,xj2,…,xjn]T∈Rn，输出向量为tj＝[tj1,tj2,…,tjm]T∈Rm，j＝1,2···,N，隐含层节点数量为L的神经网络输出为：
g()为激活函数，Wji (1)和Wi1 (2)分别为输入权重和输出权重，bi (1)是第i个隐含层节点的偏置，Wji (1)·Xj表示Wji (1)和Xj的内积，定义损失函数Ek：
使用梯度下降法更新网络中的权值和阈值，寻找损失函数的最优解。
为了获得神经网络的训练样本，由专业车辆驾驶员操纵装载数据采集和信号处理设备的试验车辆，在路面情况良好、天气状况优良、光线充足的白天进行制动试验，采集制动过程相关数据。鉴于目前国内外对专业和非专业驾驶人的划分没有统一的标准，根据相关文献，定义驾龄大于7年、累计行程大于10万公里且近2年累计行程大于4万公里的驾驶人为专业驾驶人。
实验主要采集纵向相对速度、相对距离以及自车加速度信息，数据采集设备选择77GHZ FR-51F型毫米波雷达，安装在车辆进气格栅中心位置，采样频率30fps。实验完成后，对获得的原始数据进行处理，最终获得357组实验数据，分别以18：1：1的比例随机选取训练样本、验证样本和测试样本，部分样本数据见表3，此外，文中样本数值均缩小了10倍，以提高模型的处理效率。
表3部分训练、验证、测试数据样本
/>
样本数据的误差分布统计见图7(a)，所有训练样本的误差分布在[-0.1，0.07]之间，其中约220个训练样本误差集中在[-0.017，0.02]区间，占总训练样本的68％，样本分布符合正态分布原则；验证样本和测试样本误差主要集中在[-0.008，0.011]之间，误差比较小，说明神经网络的训练效果较好，能够运用到自动紧急制动系统的上层控制器中；在样本均方误差(Mean Squared Error，MSE)变化图上(图7(b))，经过15次迭代训练，训练集，验证集以及测试集误差均趋于稳定，训练集的均方误差稳定在3.38×10-3，验证集和测试集的均方误差分别降至8.87×10-4和8.47×10-4；所有样本输出及误差分布见图7(c)，可以看到多数误差集中在[-0.003，0.003]区间，控制模型的准确度和鲁棒性较高。
(2)基于粒子群优化的下层PID控制器设计
下层控制器的设计目的是实现对上层输入减速度的精确跟随控制，同时保证整个控制系统的时效性与稳定性。实际过程中，汽车自动紧急避障系统的是一个复杂的、时变的非线性系统，再加上行车环境的复杂多变，很难建立出精确的数学模型；此外，研究最终以工业运用为导向，因此需要着重考虑所用控制算法在工业领域的实用程度。PID控制具有结构简单、工作可靠、鲁棒性好等特点，是工业领域应用最广泛的控制器之一，因此选取PID控制器作为AEB系统的下层控制器。
目前，PID参数整定方向更加趋于智能化，以实现比例、积分、微分参数的自动调整，常用的方法包括神经网络PID、模糊PID、遗传PID、粒子群PID、差分进化PID等。其中，粒子群算法(Particle Swarm Optimization algorithm，PSO)收敛速度快、稳定性好，能够很好地满足车辆控制的响应时间和精度要求，因此，选取粒子群优化算法对PID控制参数进行自动优化。
PID控制的原理是：
式中r(t)和y(t)分别为期望输出和实际输出，kp为比例常数，TI为积分时间系数，TD为微分时间系数。不同车速下人工整定的PID参数见表4。
表4不同车速下PID参数取值
粒子群优化算法是一种自动寻优技术，通过个体思考和团队协作寻找最优解，PSO的核心是速度更新公式(11)和位置更新公式(12)。
xi(k+1)＝xi(k)+vi(k+1) (12)
式中，pi(k)和pg(k)分别表示k次迭代后的个体和种群最优值；和/>代表速度和位置分量；c1和c2表示个体认知和群体信息的比重，用于调节学习的步长；Rand产生[0,1]之间的随机数，增加算法随机性和多样性；w是权重系数，用于调节解空间的范围。
由公式(11)可得，PSO的优化方向主要是对惯性权重w和学习因子c1，c2的改进。惯性权重越大，全局寻优能力越强，并且动态惯性权重能获得比固定值更好的寻优结果。因此，惯性权重按照以下公式更新：
w(k)＝wstart-(wstart-wend)(k/Tmax)2 (13)
式中wstart和wend分别是初始权重和最终权重，根据经验取wstart＝0.9，wend＝0.4；k和Tmax分别是当前迭代次数和最大迭代次数。
研究表明，随着c2的递增，寻优精度提高。因此，学习因子采用随机漫步(RandomWalk)的方法更新：
选取时间乘以误差绝对值的积分ITAE(Integral of Time and Absolute Error)作为粒子群算法的评价指标：
粒子群算法原理部分通过MTALAB编程实现，评价指标在Simulink中建模，设置粒子群规模20，最大迭代次数70。自动紧急制动系统下层控制结构如图8所示。
基于Simulink搭建的AEBS下层控制模型如图9所示。
上述实施例提供的电动车-两轮车(自行车、两轮摩托车)自动紧急制动控制系统；建立了精确的车辆动力学模型，通过考虑环境与自车因素实现了目标检测与多传感器数据的统一，且该控制算法在实时性、鲁棒性、控制精度、工况适应性上对于经典算法来说具有较大改进，特别适用于对象为两轮车(自行车、两轮摩托车)的电动汽车紧急制动控制，有效提升了汽车的行驶安全性。
显然，本领域的技术人员可以对本技术方案进行各种改动和变型而不脱离本技术方案的精神和范围。这样，倘若本技术方案的这些修改和变型属于本技术方案权利要求及其等同技术的范围之内，则本技术方案也意图包含这些改动和变型在内。
Claims (10)
1.一种电动车自动紧急制动控制系统，其特征在于, 包括：
车辆动力学模型，用于建立电动车车辆动力学模型；其中，
所述电动车车辆动力学模型包括电动车辆动力学模型和电动车车辆纵向逆动力学模型与逻辑切换模型；
目标检测与数据融合模型，由单目摄像头和毫米波雷达构成，用于对周围的行车环境进行检测和识别，获取行车信息并传递给车辆控制器；
分级预警模型，用于基于碰撞时间理论和车辆制动机制，确定不同车速下的碰撞时间取值范围和行驶安全等级；
分层控制模型，包括单隐藏层前馈神经网络上层控制模型和下层PID控制模型；其中，
所述单隐藏层前馈神经网络上层控制模型用于根据车辆与目标两轮车对象之间的相对距离和速度，得出车辆期望减速度；所述下层PID控制模型用于实现对上层输入减速度的精确跟随控制。
2.如权利要求1所述的一种电动车自动紧急制动控制系统，其特征在于, 所述电动车车辆动力学模型的建模过程具体为：
以小型纯电动SUV为研究对象，基于CarSim2019.1版软件完成对电动车辆动力学模型的建模；
引入电动车车辆纵向逆动力学模型，将期望减速度转化成电动机期望扭矩和期望制动压力控制量，实现对车辆运动的控制；
在所述电动车车辆纵向逆动力学模型中加入逻辑切换模型，实现制动踏板和加速踏板间的平稳切换。
3.如权利要求2所述的一种电动车自动紧急制动控制系统，其特征在于, 所述电动机期望扭矩和期望制动压力的转化过程具体为：
由车辆行驶方程式并且忽略行驶过程中的坡度阻力和加速阻力，将车辆行驶方程简化为：
（1）
其中代表车辆驱动力，/>是车辆的质量，/>表示车辆期望减速度，/>表示地面制动力，/>是空气阻力系数，/>是滚动阻力系数，/>是车辆的迎风面积，/>是空气密度，/>是车速，是重力加速度；
忽略车辆中连接部位的弹性变形，得到驱动力表达式：
（2）
式中是电动机的转矩，/>是变速器速比，/>是主减速器速比，/>是车轮滚动半径，/>是车辆传动系的机械效率；
忽略车辆加速时制动系统的影响，可得电动机的期望扭矩：
（3）
当车辆处于制动工况时，不考虑电机的制动能量回收，此时电动机的输出扭矩为零，因此公式（1）可变更为：
（4）
式中是制动力和制动压力的比值，/>和/>分别是前轮和后轮的制动力矩，/>表示期望制动压力；
将式（3）和（4）联立可得期望制动压力为：
（5）。
4.根据权利要求1所述的一种电动车自动紧急制动控制系统，其特征在于, 所述行车信息包括但不仅限于自车的速度、加速度以及交通参与者的属性、相对距离、相对速度和相对角度。
5.如权利要求1所述的一种电动车自动紧急制动控制系统，其特征在于, 所述分级预警模型，包括：
第一分析单元，用于基于碰撞时间理论和车辆制动机制，分析所述行车信息，确定目标两轮车的不同的行驶状态；
第二分析单元，用于基于所述行驶状态，分析碰撞风险程度、碰撞时间和反应时间的阈值；
等级划分单元，用于针对车辆不同的行驶状态，按照碰撞风险程度以及碰撞时间、反应时间的阈值，将车辆预警模型分为安全行驶级、碰撞预警级、紧急制动级三个等级。
6.如权利要求5所述的一种电动车自动紧急制动控制系统，其特征在于, 所述等级划分单元，包括：
碰撞预警级子单元，用于当碰撞时间小于预设的碰撞预警的阈值并大于紧急制动阈值时，采用执行装置向驾驶员报警；其中，
所述执行装置至少包括警示灯和蜂鸣报警器；
紧急制动级子单元，用于当碰撞时间小于紧急制动阈值时，触发自动紧急制动系统并进行车辆制动。
7.如权利要求6所述的一种电动车自动紧急制动控制系统，其特征在于，所述碰撞时间指本车在当前运动状态下，继续行驶直到与目标两轮车发生碰撞的时间，用来评估车辆纵向行驶过程中的危险程度，计算公式为：
（6）
式中和/>分别为本车与目标两轮车的纵向相对距离和相对速度。
8.如权利要求1所述的一种电动车自动紧急制动控制系统，其特征在于, 所述单隐藏层前馈神经网络上层控制模型具体设计如下：
单隐藏层前馈神经网络由输入层、隐含层和输出层组成；其中，
所述输入层的输入为本车与目标两轮车之间的相对距离和相对速度；所述输出层的输出是车辆期望减速度；
确定输入层节点数量为2，输出层节点数量为1，使用梯度下降法更新网络中的权值和阈值，寻找损失函数的最优解。
9.如权利要求8所述的一种电动车自动紧急制动控制系统，其特征在于, 所述使用梯度下降法更新网络中的权值和阈值，寻找损失函数的最优解的过程具体为：
根据经验公式（7）确定隐含层节点数量：
（7）
式中、/>和/>分别为输入层、隐含层以及输出层的节点数目，/>为/>之间的调节常数；
在网络结构中，对于输入数量为的样本/>，输入向量表示成，输出向量为/>，/>，隐含层节点数量为的神经网络输出为：
（8）
为激活函数，/>和/>分别为输入权重和输出权重，/>是第/>个隐含层节点的偏置，/>表示/>和/>的内积，定义损失函数/>：
（9）；
使用梯度下降法更新网络中的权值和阈值，寻找损失函数的最优解。
10.如权利要求1所述的一种电动车自动紧急制动控制系统，其特征在于, 所述下层PID控制模型具体设计如下：
采用粒子群优化算法对PID控制参数进行自动优化；
选取时间乘以误差绝对值的积分作为所述粒子群优化算法的评价指标，实现对上层输入减速度的精确跟随控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310787018.XA CN116605188B (zh) | 2023-06-30 | 2023-06-30 | 一种电动车-两轮车自动紧急制动控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310787018.XA CN116605188B (zh) | 2023-06-30 | 2023-06-30 | 一种电动车-两轮车自动紧急制动控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116605188A CN116605188A (zh) | 2023-08-18 |
| CN116605188B true CN116605188B (zh) | 2024-01-30 |
Family
ID=87674908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310787018.XA Active CN116605188B (zh) | 2023-06-30 | 2023-06-30 | 一种电动车-两轮车自动紧急制动控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116605188B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117533336A (zh) * | 2023-12-15 | 2024-02-09 | 重庆大学 | 一种融合制动距离、驾驶员反应时间和预警时间的电动车纵向紧急制动避撞控制方法 |
| CN117755260A (zh) * | 2024-01-29 | 2024-03-26 | 重庆大学 | 一种面向弱势道路使用者的自动紧急制动控制方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5586028A (en) * | 1993-12-07 | 1996-12-17 | Honda Giken Kogyo Kabushiki Kaisha | Road surface condition-detecting system and anti-lock brake system employing same |
| CN104002808A (zh) * | 2014-06-05 | 2014-08-27 | 大连理工大学 | 一种汽车主动防碰撞自动制动控制系统及工作方法 |
| CN105151024A (zh) * | 2015-08-20 | 2015-12-16 | 奇瑞汽车股份有限公司 | 车辆的制动控制方法和装置 |
| KR102025491B1 (ko) * | 2018-04-03 | 2019-09-25 | 순천향대학교 산학협력단 | 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법 |
| CN110733480A (zh) * | 2019-10-18 | 2020-01-31 | 上海格陆博实业有限公司 | 一种基于反馈增量pid控制的刹车控制系统下层控制器 |
| CN113044012A (zh) * | 2021-04-12 | 2021-06-29 | 东风商用车有限公司 | 半挂汽车列车的制动控制方法、装置、设备及存储介质 |
| CN113246976A (zh) * | 2021-07-05 | 2021-08-13 | 天津所托瑞安汽车科技有限公司 | 车辆制动方法、装置、设备和存储介质 |
-
2023
- 2023-06-30 CN CN202310787018.XA patent/CN116605188B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5586028A (en) * | 1993-12-07 | 1996-12-17 | Honda Giken Kogyo Kabushiki Kaisha | Road surface condition-detecting system and anti-lock brake system employing same |
| CN104002808A (zh) * | 2014-06-05 | 2014-08-27 | 大连理工大学 | 一种汽车主动防碰撞自动制动控制系统及工作方法 |
| CN105151024A (zh) * | 2015-08-20 | 2015-12-16 | 奇瑞汽车股份有限公司 | 车辆的制动控制方法和装置 |
| KR102025491B1 (ko) * | 2018-04-03 | 2019-09-25 | 순천향대학교 산학협력단 | 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법 |
| CN110733480A (zh) * | 2019-10-18 | 2020-01-31 | 上海格陆博实业有限公司 | 一种基于反馈增量pid控制的刹车控制系统下层控制器 |
| CN113044012A (zh) * | 2021-04-12 | 2021-06-29 | 东风商用车有限公司 | 半挂汽车列车的制动控制方法、装置、设备及存储介质 |
| CN113246976A (zh) * | 2021-07-05 | 2021-08-13 | 天津所托瑞安汽车科技有限公司 | 车辆制动方法、装置、设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 考虑预碰撞时间的自动紧急制动系统分层控制策略研究;兰凤崇;余蒙;李诗成;陈吉清;;汽车工程(02);第206页至第214页 * |
| 行人防碰撞系统制动控制建模与联合仿真;葛平淑;徐国凯;郭烈;任泽建;;大连民族学院学报(05);第472页至第477页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116605188A (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116605188B (zh) | 一种电动车-两轮车自动紧急制动控制系统 | |
| CN113386795B (zh) | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统 | |
| CN110531740B (zh) | 一种智能车智能化程度量化测评方法 | |
| CN108819951B (zh) | 一种考虑驾驶员驾驶技能的人机共驾横向驾驶权分配方法 | |
| CN111422196A (zh) | 一种适用于微巴的智能网联自动驾驶系统及方法 | |
| CN112622886A (zh) | 一种综合考虑前后障碍物的重型营运车辆防碰撞预警方法 | |
| CN112896169B (zh) | 一种智能驾驶多模式控制系统及方法 | |
| Zhang et al. | A multi-vehicle longitudinal trajectory collision avoidance strategy using AEBS with vehicle-infrastructure communication | |
| CN110794851A (zh) | 车辆远程控制安全防护方法、装置和无人驾驶车辆 | |
| Moten et al. | X-in-the-loop advanced driving simulation platform for the design, development, testing and validation of ADAS | |
| CN115432009B (zh) | 一种自动驾驶车辆轨迹跟踪控制系统 | |
| Chen et al. | ES-DQN: A learning method for vehicle intelligent speed control strategy under uncertain cut-in scenario | |
| CN109878339A (zh) | 用于操作机动车辆的方法 | |
| CN115662131B (zh) | 网联环境下道路事故路段的多车道协同换道方法 | |
| CN115339437A (zh) | 自主车辆的远程对象检测、定位、跟踪和分类 | |
| CN115593433A (zh) | 一种自动驾驶车辆远程接管方法 | |
| CN116714579B (zh) | 基于车路协同的自动驾驶车辆预见性安全控制方法及系统 | |
| CN113112022A (zh) | 智能汽车队列人-车-路系统多智能体联合建模方法 | |
| US20230382400A1 (en) | Extracting agent intent from log data for running log-based simulations for evaluating autonomous vehicle software | |
| CN110426215B (zh) | 一种用于车辆平顺性测试的模型建立方法及智能驾驶系统 | |
| Liang et al. | Shared steering control with predictive risk field enabled by digital twin | |
| CN116382150A (zh) | 一种基于深度强化学习决策系统的远程驾驶方法和装置、电子设备 | |
| US20220080968A1 (en) | Adaptive cruise control | |
| Aparow et al. | Scenario based simulation testing of autonomous vehicle using Malaysian road | |
| Zhang et al. | Lane Change Decision Algorithm Based on Deep Q Network for Autonomous Vehicles |
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 |