CN116714579B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116714579B CN116714579B CN202310974024.6A CN202310974024A CN116714579B CN 116714579 B CN116714579 B CN 116714579B CN 202310974024 A CN202310974024 A CN 202310974024A CN 116714579 B CN116714579 B CN 116714579B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- braking
- safety
- distance
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000008447 perception Effects 0.000 claims abstract description 18
- 230000009471 action Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 15
- 230000035484 reaction time Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 239000000428 dust Substances 0.000 claims description 2
- 239000003897 fog Substances 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 230000001960 triggered effect Effects 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- FXNSVEQMUYPYJS-UHFFFAOYSA-N 4-(2-aminoethyl)benzenesulfonamide Chemical compound NCCC1=CC=C(S(N)(=O)=O)C=C1 FXNSVEQMUYPYJS-UHFFFAOYSA-N 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 238000005286 illumination Methods 0.000 description 10
- 238000002922 simulated annealing Methods 0.000 description 10
- 230000007704 transition Effects 0.000 description 9
- 230000002068 genetic effect Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 238000011217 control strategy Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000010355 oscillation Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 3
- 230000000087 stabilizing effect Effects 0.000 description 3
- 241001091433 Itea Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000000137 annealing Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
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
- 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
- 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
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- 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
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- 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
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
-
- 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)
- Regulating Braking Force (AREA)
Abstract
本发明公开了一种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,包括:获取自动驾驶车辆的感知信息;将所述感知信息输入预先训练好的基于车路协同的预见性分层精准控制安全模型,输出决策信息;根据决策信息与各级触发阈值进行比较,根据比较结果触发限速预警、部分制动、紧急制动中的至少一种执行动作。根据动态计算各级触发阈值,分级触发“限速预警”、“部分制动”、“紧急制动”,对自动驾驶车辆实现精准的安全控制,避免出现碰撞。
Description
技术领域
本发明涉及车辆控制技术领域,特别涉及一种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。
背景技术
目前国内外对于碰撞事故的防控系统从策略层面主要采用对驾驶员预警和车辆控制两种方式相结合,按照避撞的模式可进行如下分类: 纵向制动避撞系统,主要是对车辆进行纵向制动控制以达到避免碰撞的目的; 转向换道避撞系统,能自动控制车辆转向或避开障碍物和车辆,避免车辆发生侧面碰撞。
目前,使用传统AEBS进行控制,传统的AEBS主要依靠自身的传感器获取交通环境信息,因此受到感知范围及信息多样性范围的限制,主要采用两级预警与紧急制动结合的策略,如图1所示,主要采用碰撞距离时间作为碰撞程度的判定指标,随着TTC的降低碰撞风险程度也随之上升。 t1时刻车辆进入二级预警,此时车辆向驾驶员进行声音或视觉预警,提醒驾驶员进行避撞措施;若驾驶员未对车辆进行转向避撞措施或采取制动措施使TTC的值超出触发阈值,则进入t2时刻触发一级预警,本阶段除向驾驶员进行声音或视觉的预警外,车辆还可采取点刹或预警减速对车辆进行预制动,但驾驶员仍然可进行紧急避撞或制动措施;在t3时刻,若车辆TTC达到触发紧急制动阈值,车辆触发紧急制动,由于驾驶员此刻介入由于反应时间与制动力协调时延已无法避免碰撞事故发生,通过自动触发紧急制动达到避撞或减轻碰撞程度的目的。
考虑到驾驶员驾驶习惯与车辆触发的最大紧急制动减速度以及避撞效果等因素,目前主机厂与系统供应商主要对触发预警及紧急制动的TTC阈值进行静态标定的方法TTC的是对碰撞风险程度表征。如果设定TTC触发过大会造成频繁预警与制动,对驾驶员的行车造成影响,如果设定TTC触发值过小,会造成碰撞紧急制动系统不能达到预期使用效果。
传统AEBS的两级预警与紧急制动的控制策略建立可根据碰撞风险程度逐级触发机制,但是存在对实际车辆运行条件考虑不足、速度控制不够精准等问题,例如在道路具有坡度的条件下,下坡车辆的制动距离相对增加,车辆沿用传统AEB触发会造成制动介入时机过晚,导致无法达到预期避撞;在雨雪雾天气条件下往往存在车辆路面附着系数降低的情况,车辆触发紧急制动时速已经超过了该阶段的安全车速阈值,造成紧急制动的制动减速度无法达到预期的设定值,导致无法达到预期避撞。综上,存在无法实现精准控制,以及出现碰撞的安全隐患。
发明内容
本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此,本发明的第一个目的在于提出基于车路协同的自动驾驶车辆预见性安全控制方法,根据动态计算各级触发阈值,分级触发“限速预警”、“部分制动”、“紧急制动”,对自动驾驶车辆实现精准的安全控制,避免出现碰撞。
本发明的第二个目的在于提出基于车路协同的自动驾驶车辆预见性安全控制系统。
为达到上述目的,本发明第一方面实施例提出了一种基于车路协同的自动驾驶车辆预见性安全控制方法,包括:
获取自动驾驶车辆的感知信息;
将所述感知信息输入预先训练好的基于车路协同的预见性分层精准控制安全模型,输出决策信息;
根据决策信息与各级触发阈值进行比较,根据比较结果触发限速预警、部分制动、紧急制动中的至少一种执行动作;
所述基于车路协同的预见性分层精准控制安全模型,包括:上层期望决策层与下层控制决策层;其中,
上层期望决策层,包括:
基于V2X的预见性上层限速安全模型,用于对感知信息进行识别,输出限速预警信息,作为第一上层期望;
基于V2X的预见性上层紧急制动安全模型,用于对感知信息进行识别,输出制动信息,作为第二上层期望;
下层控制决策层,用于基于车辆逆动力学模型和车辆验证模型通过PID误差控制器,根据第一上层期望和第二上层期望计算得到触发时机与触发制动减速期望值,作为决策信息。
为达到上述目的,本发明第二方面实施例提出了一种基于车路协同的自动驾驶车辆预见性安全控制系统,包括:
感知模块,用于获取自动驾驶车辆的感知信息;
决策模块,用于将所述感知信息输入预先训练好的基于车路协同的预见性分层精准控制安全模型,输出决策信息;
执行模块,用于根据决策信息与各级触发阈值进行比较,根据比较结果触发限速预警、部分制动、紧急制动中的至少一种执行动作;
所述基于车路协同的预见性分层精准控制安全模型,包括:上层期望决策层与下层控制决策层;其中,
上层期望决策层,包括:
基于V2X的预见性上层限速安全模型,用于对感知信息进行识别,输出限速预警信息,作为第一上层期望;
基于V2X的预见性上层紧急制动安全模型,用于对感知信息进行识别,输出制动信息,作为第二上层期望;
下层控制决策层,用于基于车辆逆动力学模型和车辆验证模型通过PID误差控制器,根据第一上层期望和第二上层期望计算得到触发时机与触发制动减速期望值,作为决策信息。
本发明提出了一种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,根据动态计算各级触发阈值,分级触发“限速预警”、“部分制动”、“紧急制动”,对自动驾驶车辆实现精准的安全控制,避免出现碰撞。
本发明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,或者通过实施本发明而了解。本发明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,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是现有技术中传统AEBS控制策略示意图;
图2是根据本发明一个实施例的基于车路协同的自动驾驶车辆预见性安全控制方法的流程图;
图3是根据本发明一个实施例的基于车路协同的控制策略示意图;
图4是根据本发明一个实施例的基于车路协同的分层精准控制安全模型的示意图;
图5是根据本发明一个实施例的安全车速算法架构示意图;
图6是根据本发明一个实施例的车辆制动还原过程示意图;
图7是根据本发明一个实施例的不同工况类型下的驾驶员反应时间箱体区间示意图;
图8是根据本发明一个实施例的车辆上下坡受力示意图;
图9是根据本发明一个实施例的不同路面附着系数变化曲线图;
图10是根据本发明一个实施例的横向制动控制策略示意图;
图11是根据本发明一个实施例的模糊控制隶属函数划分示意图;
图12是根据本发明一个实施例的横向稳定会自动控制关系图;
图13是根据本发明一个实施例的基于TTC的紧急制动控制模型示意图;
图14是根据本发明一个实施例的BP神经网络拓扑结构图;
图15是根据本发明一个实施例的PID控制系统结构图;
图16是根据本发明一个实施例的比例参数整定效果图;
图17是根据本发明一个实施例的比例参数整定效果图;
图18是根据本发明一个实施例的比例参数KD整定效果;
图19是根据本发明一个实施例的局部最优解与全局最优解关系示意图;
图20是根据本发明一个实施例的建立的模拟退火遗传算法流程图。
具体实施方式
以下结合附图对本发明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发明,并不用于限定本发明。
根据附图2-20对本发明提出的一种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进行说明。
为达到上述目的,本发明第一方面实施例提出了一种基于车路协同的自动驾驶车辆预见性安全控制方法,包括:
获取自动驾驶车辆的感知信息;
将所述感知信息输入预先训练好的基于车路协同的预见性分层精准控制安全模型,输出决策信息;
根据决策信息与各级触发阈值进行比较,根据比较结果触发限速预警、部分制动、紧急制动中的至少一种执行动作;
所述基于车路协同的预见性分层精准控制安全模型,包括:上层期望决策层与下层控制决策层;其中,
上层期望决策层,包括:
基于V2X的预见性上层限速安全模型,用于对感知信息进行识别,输出限速预警信息,作为第一上层期望;
基于V2X的预见性上层紧急制动安全模型,用于对感知信息进行识别,输出制动信息,作为第二上层期望;
下层控制决策层,用于基于车辆逆动力学模型和车辆验证模型通过PID误差控制器,根据第一上层期望和第二上层期望计算得到触发时机与触发制动减速期望值,作为决策信息。
如图2所示,根据本发明的一些实施例,所述感知信息包括V2X信息和自车信息;其中,所述V2X信息包括碰撞目标信息、气象环境信息、道路信息;
所述碰撞目标信息,包括前方道路存在的碰撞风险的坐标定位、速度信息;
所述气象环境信息包括,前方道路的能见度、雨雪雾沙尘的恶劣天气等级;
所述道路信息,包括前方道路的坡度、曲率半径、路面附着系数、重点路段类型信息;
所述自车信息,包括车辆动力学模型;所述车辆动力学模型包括车辆的载质量、轴距及质心高度。
上述技术方案的工作原理及有益效果:第一上层期望是根据获取的雨雪雾等级、能见度、道路类型信息,同时参照标准法规要求计算安全车速上限阈值发出车辆限速请求。第二上层期望是根据计算得到的自车与碰撞风险相对速度、相对距离、相对制动减速度参数,结合道路坡度、曲率半径、路面附着系数动态计算车辆可触发的最大制动减速度上限阈值与车辆动态TTC数值,根据制动控制安全模型计算得到触发部分制动的距离临界阈值与触发紧急制动的距离临界阈值以及各阶段触发制动减速度预期值,将触发部分制动与紧急制动的距离与预期速度计算真值TTC,将真值TTC与预设值TTC相比较,当触发真值TTC大于预设标定TTC值时采用基于距离的安全模型进行制动控制决策,当触发真值TTC小于预设标定TTC值时沿用基于时距的安全模型,通过基于距离的安全模型和/或基于时距的安全模型输出的信息。便于最大发挥两类安全模型对于碰撞防控的优势。
执行环节根据决策环节触发阈值,分别触发限速预警、部分制动、紧急制动。
预警主要通过车内布设的HMI驾驶员显示器,对气象、道路、碰撞风险进行精准语音和图像警报;
制动控制主要由制动缸通过PID误差控制器通过调整制动缸制动压力实时对制动减速度误差进行控制调整。
如图3所示,经过优化改良后的完整基于车路协同多层级精准控制策略如图3所示,与传统AEB制动控制策略相比,将一级预警优化升级为限速预警,在紧急制动触发前将车辆速度控制在安全车速阈值范围内,同时实现T1 T2 T3触发阈值与制动减速度的动态调整控制。
限速预警阶段,T3时刻车辆达到触发限速预警阈值,对驾驶员进行声音与视觉预警,实现前方的道路、气象、碰撞风险要素的警告;对车辆进行限速,根据V2X信息(气象、道路、碰撞风险)以及紧急制动距离的超量补偿,触发限速,在T2时刻前车辆达到预期安全车速阈值。此阶段驾驶员可根据预警信息进行转向切换车道或制动减速措施退出预警。
部分制动阶段,若T3-T2限速预警阶段,驾驶员对于车辆未进行避撞措施,T2时刻除对驾驶员进行声音与视觉预警外,车辆触发部分制动。主要目的一是对车辆进行第二次降速对驾驶员进一步预警;二是是对车辆制动力预触发,减少即将进行紧急制动阶段制动力上升的时间延迟;
紧急制动阶段,与传统AEBS基本相同,在T1时刻车辆达到触发紧急制动阈值,车辆触发紧急制动降速。
在预警性能方面距离安全模型相较于时距安全模型的表现较好,避撞性能方面时距安全模型相较于距离安全模型的表现较好。由于时距安全控制模型在系统标定及车辆适配方面可根据不同车辆的制动系统条件以及车型进行TTC触发阈值标定,因此目前国内外车企及系统供应商主要采用时距避撞安全模型。但两类安全模型都未充分考虑车辆触发紧急制动情况下的道路类型、路面条件、车辆制动稳定性等关键因素,导致在实际应用过程中安全模型无法达到精准避撞的预期目标。本项目提出一种基于车路协同分层动态优化控制安全模型。
如图4-5所示,根据本发明的一些实施例,所述基于V2X的预见性上层限速安全模型的构建方法,包括:
基于安全车速算法架构进行限速速度阈值测算,得到第一测算结果;
进行限速制动减速度测算,得到第二测算结果;
根据第一测算结果及第二测算结果,构建基于V2X的预见性上层限速安全模型。
上述技术方案的工作原理及有益效果:限速速度阈值测算,基础安全速度定义为道路综合环境提供的最大安全车速,在道路几何线形因素决定的安全车速Vg 和道路环境因素决定的安全车速Ve中选取数值较小的车速,将基础安全速度作为限速值的依据标准。运行速度V85 是指驾驶员在天气和交通状况良好的情况下持续行驶的安全速度,而设计速度Vd 更多侧重于道路条件对汽车运行的影响,在天气良好、交通流密度小的情况下驾驶人员能保持安全出行的最大速度。因此天气良好时,受道路线形影响较大的V85 和Vd 可以作为限速值的依据标准。气象条件发生变化导致路面状况也发生改变。在浓雾天气下,能见度和路面摩阻系数降低,会对行驶车辆产生影响。在道路环境状况改变后,基础安全速度将由与路面状况相关的安全速度Vs和与气象条件相关的安全速度Vt 决定。此时,基础安全速度Vp应为由道路环境状况,即路面状况和气象条件决定的安全允许速度Ve。
参照雨雾低能见度与道路摩阻的关系式:
式中:μ为路面摩阻系数;ν为浓雾下道路能见度(m)。
路面摩阻系数和停车视距等路面状态,会对道路允许速度Vs产生影响;
式中:S为停车安全视距(m);Vs为道路允许速度(m/s);G为道路纵坡坡度;ηb 为制动效率,考虑到目前防抱死制动装置已经普及,故取值可为100%。
参照能见度和气象允许速度Vt之间的定量关系式:
综上,结合道路状况和气象条件,得出低能见度下行车以基础安全速度为计算标准的限速值:
限速制动减速度测算,根据国内外自然驾驶数据的相关研究表明绝大多数驾驶员行车减速度不会超过-2.17m/s2,当减速度达到-3m/s2时人体将感到不适。我国《汽车智能限速系统性能要求》标准中明确要求在限速期间车辆制动减速度不应大于3 m/s2。考虑到过大的制动减速度会造成交通流的阻塞增加后车碰撞安全,限速区间车辆制动减速度期望值取2m/s2。
根据本发明的一些实施例,所述基于V2X的预见性上层紧急制动安全模型,包括:基于时距的安全控制模型、基于距离的安全控制模型及判断模块;
所述判断模块,用于:
确定车辆可触发的最大制动减速度上限阈值与车辆动态TTC数值;
根据制动控制安全模型计算得到触发部分制动的距离临界阈值与触发紧急制动的距离临界阈值以及各阶段触发制动减速度预期值,将触发部分制动与紧急制动的距离与预期速度计算真值TTC,将真值TTC与预设值TTC相比较,当触发真值TTC大于预设标定TTC值时,判断采用基于距离的安全控制模型进行制动控制决策;当触发真值TTC小于预设标定TTC值时判断采用基于时距的安全控制模型。
根据本发明的一些实施例,基于时距的安全控制模型,包括:
基于两车时距安全距离模型,用于在两车相对速度小于预设速度阈值时进行安全控制,适用于非紧急制动时机;
基于碰撞时间安全模型,适用于紧急制动时机;
基于距离的安全控制模型的构建方法,包括:
确定驾驶员对车辆制动全过程,包括驾驶员意识阶段、油门刹车切换阶段/>、制动系统协调阶段/>、制动减速度增加阶段/>、持续制动阶段/>、结束制动阶段/>;
计算对车辆制动全过程中各个阶段的制动距离;
根据各个阶段的制动距离建立基于距离的安全控制模型。
上述技术方案的工作原理及有益效果:基于时距的安全控制模型构建,通过前期车企对于车辆自动紧急会自动系统的制动减速度预估与车型适配,最终将一级预警TTC标定为3.5s,部分制动TTC标定为2.5s,紧急制动标定为1.2s。最终相对距离的参数保持与安全距离的制动控制模型保持一致。
如图6所示,基于距离的安全控制模型构建与参数标定
(1)基于距离的安全控制模型构建
一般驾驶员对车辆制动全过程可简化为如下几个部分,驾驶员意识阶段;油门刹车切换阶段/>;制动系统协调阶段/>;制动减速度增加阶段/>;持续制动阶段/>;结束制动阶段/>。
根据上述各阶段对制动过程进行分析,假设本车初始车速为V1 ,单位 m/s;制动阶段的速度V ,m/s;驾驶员输入车辆的期望减速度a1 ,单位 m/s2,这里默认车辆最大制动减速度。
①驾驶员意识阶段,在车道上出现任何诱导刹车要素,例如前车紧急制动、旁侧车道并道、前方红绿灯等,驾驶员大脑意识到此类信息,完成决策处理,并操控身体准备采取制动动作的阶段。此阶段经历时间较短,可以认为车辆匀速行驶,则此阶段车辆驶过的距离为:
②油门刹车切换阶段,驾驶员在收到采取制动动作的信号后,将惯用脚离开油门踏板,进而移动到制动踏板上的阶段。此阶段处于车内空间驾驶员操作,同驾驶员意识阶段默认车辆进行匀速行驶,则此阶段车辆驶过的距离为:
③制动系统协调阶段,制动踏板与车身水平角度减小,制动器通过减小制动踏板间隙,并消除与车辆制动结构和制动方式相关部件的间隙与摩擦,刹车片开始紧贴制动盘上,开始产生制动力的阶段。此阶段处于车辆内部机械响应,同以上两个阶段默认车辆处于匀速状态,则此阶段车辆驶过的距离为:
④制动减速度增加阶段,制动系统完成内部协调后,制动主缸压力不断增加,到达驾驶员所期望的加速度的阶段,此阶段受驾驶员踩制动踏板的速度和深度影响。设其加速度的增长斜率为k ,则此阶段的加速度可表示为:
上式可变为
求解上式中的积分可得出制动阶段的速度为:
两边同时积分:
可以得到此阶段的制动距离为:
⑤持续制动阶段,在车辆达到驾驶员根据危险情况所判定的期望制动减速度后,持续保持该减速度,车辆速度急速降低,直至下一阶段。设末速度为V′,则
从而可以得到此阶段的制动距离为:
⑥结束制动阶段,当车辆处于绝对停止状态,驾驶员开始松开制动踏板,车辆制动主缸内的压力迅速降低以至于完全消失的阶段。此阶段车辆状态已处于完全静止状态,则此阶段的制动距离为:
因此车辆制动过程的总距离可描述为:
由于t4的平方数值很小,可以忽略不计,则车辆制动过程最终的制动距离可简化为:
根据对驾驶员制动和汽车制动过程的分析,是由驾驶员主观采取制动计算的最终相对距离,对于AEB控制安全模型,驾驶员意识/>阶段——驾驶员反应/>阶段的时间可由系统自动触发取代,因此AEB理论上触发紧急制动的制动距离/>如下式所示:
根据以上对驾驶员制动和汽车制动过程的分析,制动距离是常规车辆行驶状态下的极限紧急制动最短制动距离边界,制动距离/>是常规驾驶员反应触发的常规车辆行驶状态下的极限紧急制动最短距离边界。
根据本发明的一些实施例,还包括对基于距离的安全控制模型进行参数标定,包括:
驾驶员反应阶段参数的标定,通过驾驶员反应时间的评估函数计算得到关于营运车辆驾驶员反应时间标定参数;
对和/>阶段时延参数标定;
最终相对距离d0的参数的标定;
部分制动阶段的参数的标定;
确定基于距离的各控制阶段安全控制模型表达式:
将标定的参数代入基于距离的安全控制模型表达式,可得到最终标定后的基于距离的安全控制模型。
上述技术方案的工作原理及有益效果:对于构建一个完整的AEB安全模型,还需要引入最终相对距离余量,完成对/>各个阶段的时间参数标定。
驾驶员反应阶段参数的标定:
基于国家重点研发项目危险货物运输车辆项目构建的数据采集系统对营运车辆驾驶员的反应时间进行数据采集,并根据典型的运行工况对驾驶员反应时间进行筛选分类, Tr-d在各类工况下的箱体区间,如图7所示。
通过驾驶员反应时间的评估函数计算得到关于营运车辆驾驶员反应时间标定参数。驾驶员反应时间的评估函数如下式所示:
式中自车驾驶员反应时间评价状态向量取值为X=(80,40,40),对应权重取w=(0.4,0.2,0.2)。通过样本测算,营运车辆驾驶员平均反应时间值为Tr-d=1.36s。
关于和/>阶段时延参数标定:
关于系统触发的时延主要包括通信模块和执行模块两个部分,通信模块时延主要来自于车路协同的信息交互,目前可满足车辆控制要求的车路协同信息交互时延可控制在100ms内,在实际应用过程中车辆从200m范围以外开始进行数据交互,数据交互频率达20HZ,为保证通信时延对精准制动控制的最小影响,项目通过根据通信时延补偿触发时机的方法进行提前量补偿,消除通信误差对于制动控制安全模型的影响。因此本项目信息通信时延参数标定为0.1s
制动系统时延主要来自于用气压制动系统,该系统在工作过程中,因为气动回路压力响应与执行机构动作需要时间,即制动系统时延。覃涛等人通过对商用车气压制动系统时延分析及控制技术研究得出目前商用车的制动系统平均时延约为0.6s。对于安全控制模型的精准性考虑,在JT/T 1242-2019《营运车辆自动紧急制动系统性能要求和测试规程》中也对AEBS适配的车辆进行了明确要求:“规定AEBS应安装在配置防抱制动装置、电子稳定性控制系统及所有车轮安装盘式制动器的营运车辆上。”气压的制动时延高稳定性差,容易造成最终制动相对距离误差较大,因此本项目车辆均配置EBS和盘式制动器,在制动协调时间、制动距离、制动热衰退方面均有良好表现,安装EBS的营运车辆制动时延可有效降低至10~100ms范围内,取范围内的最大时延值。因此关于和/>阶段系统触发时延参数最终标定为0.8s。
最终相对距离的参数的标定:
最终相对距离表示车辆状态完全停止或脱离碰撞危险后与前车的距离。一般国外推荐此距离为2-5m,在基于距离与时距的经典安全模型中最终相对距离的取值一般为1-3m,考虑到营运车辆制动系统的热衰退和风阻等制动误差冗余,最终相对距离取有效范围内最大值,即安全模型中最终相对距离的参数。
部分制动阶段的参数的标定:
部分制动阶段主要目的一是对车辆进行部分降速;二是是对车辆制动力预触发,预提升制动缸压力减少即将进行紧急制动阶段制动力协调上升的时间延迟;因此部分制动阶段的制动减速度相较于紧急制动阶段的预期减速度较小,但需要大于驾驶员的一般制动减速度平均值。美国NTHSA研究表明绝大多数驾驶员行车减速度不会超过-2.17m/s2,因此部分制动阶段制动减速度期望值标定为-3m/s2。关于减速量的参数标定,参照JT/T 1242-2019中《营运车辆自动紧急制动系统性能要求及测试规程》要求,二级碰撞预警减速量指标要求自车减速量不应超过15 km/h与总减速量30%两者间的最大值。
综上可得基于距离的各控制阶段安全控制模型表达式:
将标定的参数代入上述基于距离的安全控制模型表达式,可得到最终标定后的基于安全距离控制模型:
根据本发明的一些实施例,还包括针对各类场景对基于距离的安全模型控制参数进行优化计算,包括:
基于路面附着系数与坡度工况下的控制参数优化计算;
基于弯道工况下的模型控制参数优化计算;
基于隧道工况下的车路一体化解决方案与控制参数优化计算。
上述技术方案的工作原理及有益效果:如图8所示,由于基于距离的安全模型在触发各级预警及制动主要依赖与自车与碰撞风险相对距离D与制动控制触发距离阈值进行对比,因此制动控制的触发距离阈值的准确性是基于距离的安全模型制动控制避撞的关键。但在车辆实际运行工况下,往往存在着复杂多变的道路条件和气象条件,因此需要针对各类场景对基于距离的安全模型控制参数进行优化计算。
根据坡道车辆受力分析可知,车辆制动减速度关于路面附着系数与坡度角度相关的表达式如下:
Burckhardt等人通过大量试验,获得了一些常用路面的“轮胎系数-路面摩擦系数-滑移率”关系曲线,如图9所示。
在同样的路面附着系数条件下,车辆上坡制动的实际制动减速度大于平直路面的制动减速度,制动距离相较平直路面制动距离更短;车辆下坡制动的实际制动减速度小于平直路面制动减速度,制动距离相较平直路面制动距离更长,将代入基于安全时距安全模型表达式,得到/>
基于弯道工况下的模型控制参数优化:
基于弯道工况下的制动控制参数主要从以下两个方面进行优化,一是由于车辆相较于平直道路行驶状态下,自车与碰撞风险点位的实际相对位置关系发生变化,需要重新计算相对距离,判定碰撞风险是否在本车道内;二是车辆转向制动过程中,由于车辆系统的非线性和耦合性使其在高速、弯道或者在湿滑路面下容易发生侧滑、侧翻、车道偏离等危险,需要对自车质心侧偏角和车辆横摆角速度参数进行优化控制,保障车辆弯道制动的横向稳定。
自车与碰撞风险点位同车道判定:
自车行驶与曲率半径为的弯道中,弯道单车道宽度为W自车当前位置坐标为,上一历史轨迹位置为/>,碰撞风险位置为/>。
第一步,结合曲率半径R,计算圆心坐标
/>
第二步,计算碰撞风险曲率半径位置:
第三步,根据车道宽W计算判定,碰撞风险是否与自车处于同车道。
当时,碰撞风险与自车处于不同车道。当/>时,碰撞风险与自车处于同车道。
相对距离的优化计算:
第一步,通过自车与碰撞风险计算两点直线距离
第二步,计算自车与碰撞风险点位圆心角度
第三步,计算实际相对距离
代入考虑路面附着系数与坡度条件的基于V2X的距离安全模型函数表达式:。
车辆弯道制动横向稳定控制:
通过将得到的补偿横摆力矩进行精准的分配,使得四个车轮得到合适的制动力来让失稳状态下的车辆在补偿力矩的作用下回到稳定状态。因此在本文中用模糊控制和 DYC控制结合的方法控制车辆行驶从而达到回稳控制的目的,控制策略总体结构如图10所示。由图10可以看出,该系统是将参考值误差作为输入变量,通过模糊控制系统和力矩分配系统最终控制横向稳定性,如图10所示。
在制动过程中对施加在4个车轮制动轮毂上的制动力进行重新分配。在得到施加在车辆前后轮的垂直载荷压力之后,可以根据车辆前后垂直载荷之比以及车辆左右车轮的轮距来分配车辆前后车轮的制动力和/>。
/>
式中:和/>分别为车辆前后车轮距离;/>为车辆失稳后所需的回稳力矩。采用同侧车轮制动回稳控制方法,因此所控制车轮前后回稳力矩分别表示为:
式中:作为车辆制动力分配模块的输入参数,输出参数为牵引车和挂车制动车轮所受的制动压力,由制动轮缸提供制动力。影响补偿横摆力矩/>的关键因素是车辆横摆角速度、质心侧偏角的期望值和实际值的偏差值。
通过对车辆2自由度方程的推导,模型的起始状态参数得到不包含质心侧偏角的稳态条件下横摆角速度/>的理想结果。
式中:为车辆在行驶过程中的稳态参数。/>时为中性转向,/>时为不足转向,/>时为过度转向。车辆的最大侧向加速度不能超过当前路面所提供的能保持车辆不发生侧滑的横向加速度,即/>。又因为弯道上的车辆行驶状态接近圆周运动,所以车辆的侧向加速度可通过圆周运动原理近似表示为:
因此,车辆模型的横摆角速度理论值和最大值的关系是
选取最大值和稳态值中的最小值作为理想值
/>
同理到一个不存在横摆角速度的方程,即稳态行驶下的质心侧偏角理想值:
引入稳态条件下的,得出与横摆角速度/>相关联的质心偏侧角/>,即
车辆质心侧偏角受自身横摆角速度影响,同时车辆产生的横摆力矩也会影响到质心位置的变化,因此在最大横摆角速度的影响下质心侧偏角的范围为:
根据车辆在弯道上行驶过程所得到的理想值和为了避免车辆在特殊路面行驶发生失稳所设定的最大侧向加速度值,即中最大质心侧偏角和理论质心侧偏角中最小值得出。
将输入参数分别进行模糊等级设置,第一个集合元素分为5个阶梯,第二个集合元素分为7个阶梯。在MATLAB中使用模糊控制工具箱进行隶属度函数的设置,其隶属度函数和论域以及各元素和隶属度函数的关系,如图11所示。
模糊规则的制定同样是根据一定的工程经验将模糊控制中的模糊输入变量和模糊输出变量进行匹配然后进行规则化。在控制系统中模糊规则语句可以划分输入条件为单一变量的简单模糊规则语句和输入变量为多个多重模糊规则。在本文中输入变量为质心侧偏角和车辆横摆角速度的实际值和期望值的偏差和/>,为两个输入变量因此将模糊规则设置成多重模糊规则,其规则结构形式可表示成 if A and B ,then C,同时根据车辆在路面上制动失稳的具体情况进行规则制定,如图12所示。
基于隧道工况下的车路一体化解决方案与控制参数优化:
由于隧道结构的特殊性和隧道系统的复杂性,使得隧道成为交通事故的高发点,且事故后果往往很严重,隧道运营安全的重要性可见一斑。隧道内外视线条件、通风等差异大,其特殊的行车环境对交通安全有较大的影响,因此隧道的运营安全一直是安全管理的重点和难点。根据隧道结构可划分为进口过渡段、隧道内部段及出口过渡段,根据目前国内外研究发现,隧道内部事故频次最高,其次是隧道入口处,隧道出口过渡段事故发生较少,因此该部分研究需根据隧道结构的特点进行划分,隧道各段划分示意图如图13所示。
目前应用AEBS在隧道对于碰撞防控主要存在以下两个关键问题,一是在隧道入口过度端与出口过渡段由于光照的突变影响,AEBS视觉传感器因“黑洞”、“白洞”效应导致失效;二是隧道内部由于密闭结构与金属构造物的特征,毫米波雷达回波受到影响;目前针对隧道碰撞事故防控解决方案主要存在如下两个痛点:一是如果采用路侧感知的方式对隧道内的碰撞风险进行感知,目前自车在隧道内定位问题无法有效解决,导致自车无法根据碰撞位置等信息进行有效的制动控制;二是激光雷达可成为车辆除摄像头和雷达以外的感知补充方案,已经广泛搭载应用于智能网联乘用车,但受到成本、容易污浊等问题限制,无法投放到营运车辆中实际应用。
目前我国高速公路隧道路段传统的防控技术主要包括隧道出入口视觉改造、灯光照明设计、特殊标线应用等一系列主动安全措施。隧道的照明分段进行设计:
“入口段”采用照明智能控制与入口段光照传感器相结合的方式,调节隧道入口段照度,消除驾驶员刚刚进入隧道时的“黑洞”现象,提升驾驶员进入隧道的视觉舒适性;
“中间段”,采用照明控制与过渡段光照传感器、能见度检测器相结合的方式,稳定隧道内光照,同时降低隧道内汽车排放气体造成的能见度降低的影响;
“出口段”,采用照明控制与中间段光照传感器、出口洞外光照传感器相结合的方式,实现隧道内外亮度平滑过渡,消除白天隧道外强光造成的炫目效应,夜晚隧道出口低亮度造成的“黑洞效应”。
本研究项目基于隧道工况的制动控制参数优化在道路几何线形与路面附着系数的制动控制参数优化基础上,需要结合隧道结构的特点主要从以下几个方面进行优化,一是在隧道出入口过渡路段利用隧道布设激光雷达与摄像头联合测距解决方案,通过基于安全行车距离的模型参数控制帮助车辆在致盲区域内保持车速与车间距,避免碰撞事故;二是在隧道内,降低车辆毫米波雷达传感器置信度,提高摄像头传感器置信度解决追尾碰撞问题。
因此基于隧道工况下的制动控制参数主要从以下两个方面进行优化,一是在雨雪气象条件下隧道洞内外的路面条件差异性较大,需要考虑可变路面附着系数、坡度重新计算最大触发制动减速度与相对距离。二是营运车辆包括危化品运输车辆、载客车辆,一旦在隧道中发生事故容易造成群死群伤的恶劣事故,因此不仅要对自车对于前方碰撞风险进行防控,还需要考虑后方车辆碰撞自车造成的事故,触发紧急制动的制动减速度不宜过大,需要重新优化计算。
基于隧道过渡段的安全车距算法优化:
隧道路段客货运车辆在跟驰行驶时,载重车最小安全行车间距和车辆制动距离有关,行车过程描述为:在跟驰状态下的前后两车,前车采取紧急制动,后车反应后也采取紧急制动。基于考虑道路几何线形与路面附着系数的紧急制动控制优化模型,参考隧道路段驾驶员反应时间相关研究成果,发现驾驶员反应时间和其相关影响因素成高度线形相关,隧道进口过渡段、隧道内部段、出口过渡段驾驶员反应时间比普通路段分别延长 0.6s、0.1s、0.4s 左右。良好天气及与雨雾天气下驾驶员在隧道各段驾驶员反应时间。
雨天时,根据降雨强度不同,驾驶员能见度的不同,最终导致驾驶员在不同能见度反应时间也不同。根据相关研究,雨天能见度 50~200m、200~500m、500~1000m 时反应时间比良好天气时分别延长 1.2s、0.8s、0.4s 左右,因此根据雨天能见度的不同,隧道进口过渡段、出口过渡段驾驶员反应时间应进行修正。
基于隧道过渡段的激光雷达与摄像头融合测距:
针对热点区域隧道中存在感知环境问题导致部分传感器功能失效,卫星环境盲区问题导致 GPS 无法准确判定在隧道里车辆的位置信息。使得 V2X 技术在隧道中的信息交互存在极大数据失真现象,给 V2X 技术安全问题带来极大隐患。因此选用单目摄像机测距和激光雷达测距,通过多元传感器数据融合可以弥补单一传感器先天性不足,以提高感知系统在隧道里的鲁棒性。
根据本发明的一些实施例,还包括,对基于V2X的预见性上层紧急制动安全模型进行误差修正,包括:
基于V2X的预见性上层紧急制动安全模型先将实际的制动过程分成多个阶段,确定各个阶段的制动距离;
采用BP 神经网络预测汽车的制动距离,对误差进行实时修正。
上述技术方案的工作原理及有益效果:BP网络是是一种多层次反馈型网络它在输入和输出之间采用多层映射方式,网络按层排列,只有相邻层的节点直接相互连接,传递之间信息。在正向传播中,输入信息从输入层经隐含层逐层处理,并传向输出层,每层神经元的状态只影响下一层神经元的状态。如果输出层不能得到期望的输出结果,则转入反向传播,将误差信号沿原来的连同通路返回,通过修改各层神经元的权值,使误差信号最小。基于V2X的预见性上层紧急制动安全模型是采用车辆制动距离的计算方法,即先将实际的制动过程分成多个阶段,然后简化为易于分析的理论过程进行计算,但简化的各阶段累积计算会产生较大误差。因此需要再规划各段制动距离后,采用BP 神经网络预测汽车的制动距离,对误差进行实时修正,BP神经网络拓扑结构如图14所示。
BP神经网络使用输入变量为 ,/> 隐含层单元包含15个输入信号,每个隐含单元的激励/>方程如下:
式中: 为隐含层中的神经元激励函数,表达式如下
输出层单元函数为:/>
式中: ; />为输出层神经元的激励函数/>函数/>; />为隐含层的第/>个节点;/>为第/>个输入变量; />为输入层到隐含层之间的权值系数;/>为隐含层与输出层之间的权系数; />和/>为隐含层与输出层的阈值。
在一实施例中,PID( Proportional Integral Derivative)控制适用于可建立精确数学模型的确定性控制系统。
进一步提高实际车辆控制精度,减小与上层算法与实际执行的误差和系统干扰,本文采用PID控制器进行整车减速度的反馈控制,具体以整车期望的减速度与实际减速度的偏差为输入,通过PID反馈调节,得到各轴车轮的制动力分配,PID控制系统结构如图15所示。
PID控制系统有PID控制器和被控对象组成,控制误差为上层控制器输出的期望制定减速度/>和实际输出制动减速度/>的差值,如下式所示。
PID的控制规律为:
传递函数的形式为:
其中:为比例系数;/>为积分系数;/>为微分系数;/>为积分时间常数;/>为微积分时间常数。
PID 控制器的三个关键参数对系统的结果输出量的优化程度起着决定性的作用,调整控制器实质就是对参数进行不断调优,以达到理想状态。如下表1所示,分别单独增大比例系数/>,积分系数/>,微分系数/>,可以得到系统各个指标的变化趋势,为后面优化系统指出方向。/>
PID 控制器参数采用试凑的方法得到,不断调整 PID 控制器的比例系数、积分时间常数与微分时间常数三个变量使系统输出结果达到最优。试凑法整定PID 参数详细的整定步骤如下:
(1)对比例参数进行调整
如图16所示,在确定比例系数时,采用单参数法,先将 PID 控制器中的积分项和微分项设置为/>,即令/>,使 PID 控制成为纯P控制。将控制器的输入值设定为允许最大输入值的 60%-70%,/>初始值设置为/>,然后渐渐增大,直到控制系统出现明显的振荡,如图16所示;从出现震荡时的/>开始再逐渐减小其值,直到系统的振荡消失,记录下该时刻的比例参数/>值。设定 PID 控制的比例参数/>为该值的 60%~70%。
(2)确定积分时间常数
如图17所示,在比例系数确定以后,接下来确定积分时间常数/>,本文将/>的初始值设为一个较大的数值,然后逐渐减小其值,直到系统出现明显的振荡,随后再逐渐增大/>的值,直到系统振荡消失,记录下该时刻的/>值,设定 PID 的积分时间常数为振荡消失时的/>值的 150%-180%。
(3)确定微分时间常数
如图18所示,在都确定以后,对微分时间常数/>进行整定,本文将/> 的初始值设为一个较大的数值,然后逐渐减小其值,直到系统出现明显的振荡;然后再逐渐增大/>的值,直到系统振荡消失。记录下该时刻的/>,设定值为该时刻/>值的 30%。
但PID容易受到参数整定方法烦杂的困扰,常规PID控制器参数往往整定不良、效果欠佳,对运行工况的适应能力差,调优存在一定的视野局限性,即求得的为局部最优解,而非全局最优解,同时整定过程耗费时间与人力巨大,优化三者控制参数过程中受初值的选取影响较大,如整定参数存在唯一的最小值C,如果网络初值选在e 点或者f点,则根据梯度下降算法可以得到最优解,但是如果网络初始值选在a、b、c、d 点,则最终会陷入局部极小值A 和B 点,无法实现最优的控制,如图19所示。/>
为了解决上述局部最优解与全局最优解的困境,引入遗传算法( GeneticAlgorithm,GA) 引入模拟退火( Simulated Annealing,SA) 模型,将GA 的全局搜索能力和SA 的局部搜索能力相结合,在获取全局最优解的同时提升算法的稳定性和收敛速度。
GA是一种模拟大自然中生物自然选择和进化过程的随机搜索计算模型,在算法的每次迭代过程中,通过选择、交叉和变异等操作对生物个体进行筛选,产生更适应于自然环境的生物集合,通过多轮迭代更新直至获取最优解,具有较强的全局寻优能力,但是局部搜索能力较弱并且收敛速度慢。
SA算法是一种描述固体物质退火过程的随机优化算法,理论上能够以概率1 收敛于全局最优解。根据Metropolis 准则,SA 算法在迭代过程中如果寻找到
一个局部最优解时,会赋予它一个跳出该局部最优解的概率,从而保证其能够最终趋近于全局最优。SA 算法的优点是局部搜索能力强,收敛时间短,但是全局搜索能力差。
本文将GA 和SA 算法的优势相结合,提出遗传模拟退火算法(annealingevolution algorithm,AEA) ,基本思想是首先利用GA 进行全局搜索,将当前条件下得到的最优解作为SA算法的初始值,然后利用SA 算法进行局部搜索,并将获得的满足Metropolis 准则的解作为下一轮迭代中GA 的初始种群,依次往复迭代,全局搜索和局部搜索交替进行,直至满足终止条件。
确定目标函数后,下一步需要确定适度函数。时间乘以误差绝对值积分(ITAE)的性能指标是一种具有很好工程实用性和选择性的控制系统性能评价指标,因此选取ITAE指标作为适度函数以评估PID误差控制的效果,表达式如下所示:
选取G(s)作为被控对象并建立MATLAB模型:
将模拟退火算法融合到遗传算法中建立的模拟退火遗传算法流程如图20所示:
计算步骤如下:
a、进行编码并产生初始种群;
b、对种群的适应度进行评价;
c、判断是否满足终止条件,如果满足则解码得到最优个体并退出算法,否则进入下一步骤;
d、选择下一代种群保留其中的若干精英个体;进行交叉和变异,生成交叉后代和变异后代;
e、将步骤d 生成的交叉后代和变异后代中的每个个体都作为模拟退火算法的初始点进行模拟退火产生新的个体与保留的精英个体一起组成新的种群转至步骤b。
针对PID 控制器的参数优化问题模拟退火遗传算法的参数设置如下表2所示:
根据传统试凑法求出的PID控制器的三个比例、积分和微分参数值为:,ITEA指标计算结果为4.837,通过AEA的遗传模拟退火算法求出的PID控制器的三个比例、积分和微分参数值为:/>,ITEA指标计算结果为1.093。
为达到上述目的,本发明第二方面实施例提出了一种基于车路协同的自动驾驶车辆预见性安全控制系统,包括:
感知模块,用于获取自动驾驶车辆的感知信息;
决策模块,用于将所述感知信息输入预先训练好的基于车路协同的预见性分层精准控制安全模型,输出决策信息;
执行模块,用于根据决策信息与各级触发阈值进行比较,根据比较结果触发限速预警、部分制动、紧急制动中的至少一种执行动作;
所述基于车路协同的预见性分层精准控制安全模型,包括:上层期望决策层与下层控制决策层;其中,
上层期望决策层,包括:
基于V2X的预见性上层限速安全模型,用于对感知信息进行识别,输出限速预警信息,作为第一上层期望;
基于V2X的预见性上层紧急制动安全模型,用于对感知信息进行识别,输出制动信息,作为第二上层期望;
下层控制决策层,用于基于车辆逆动力学模型和车辆验证模型通过PID误差控制器,根据第一上层期望和第二上层期望计算得到触发时机与触发制动减速期望值,作为决策信息。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于车路协同的自动驾驶车辆预见性安全控制方法,其特征在于,包括:
获取自动驾驶车辆的感知信息;
将所述感知信息输入预先训练好的基于车路协同的预见性分层精准控制安全模型,输出决策信息;
根据决策信息与各级触发阈值进行比较,根据比较结果触发限速预警、部分制动、紧急制动中的至少一种执行动作;
所述基于车路协同的预见性分层精准控制安全模型,包括:上层期望决策层与下层控制决策层;其中,
上层期望决策层,包括:
基于V2X的预见性上层限速安全模型,用于对感知信息进行识别,输出限速预警信息,作为第一上层期望;
基于V2X的预见性上层紧急制动安全模型,用于对感知信息进行识别,输出制动信息,作为第二上层期望;
下层控制决策层,用于基于车辆逆动力学模型和车辆验证模型通过PID误差控制器,根据第一上层期望和第二上层期望计算得到触发时机与触发制动减速期望值,作为决策信息;
所述基于V2X的预见性上层紧急制动安全模型,包括:基于时距的安全控制模型、基于距离的安全控制模型及判断模块;
所述判断模块,用于:
确定车辆可触发的最大制动减速度上限阈值与车辆动态TTC数值;
根据所述制动安全模型计算得到触发部分制动的距离临界阈值、触发紧急制动的距离临界阈值以及各阶段触发制动减速期望值,根据触发部分制动的距离临界阈值、触发紧急制动的距离临界阈值以及各阶段触发制动减速期望值计算真值TTC,将真值TTC与预设标定TTC值相比较,当触发真值TTC大于预设标定TTC值时,判断采用基于距离的安全控制模型进行制动控制决策;当触发真值TTC小于预设标定TTC值时判断采用基于时距的安全控制模型。
2.如权利要求1所述的基于车路协同的自动驾驶车辆预见性安全控制方法,其特征在于,所述感知信息包括V2X信息和自车信息;其中,所述V2X信息包括碰撞目标信息、气象环境信息、道路信息;
所述碰撞目标信息,包括前方道路存在的碰撞风险的坐标定位、速度信息;
所述气象环境信息,包括前方道路的能见度、雨雪雾沙尘的恶劣天气等级;
所述道路信息,包括前方道路的坡度、曲率半径、路面附着系数、重点路段类型信息;
所述自车信息,包括车辆动力学模型;所述车辆动力学模型包括车辆的载质量、轴距及质心高度。
3.如权利要求1所述的基于车路协同的自动驾驶车辆预见性安全控制方法,其特征在于,所述基于V2X的预见性上层限速安全模型的构建方法,包括:
基于安全车速算法架构进行限速速度阈值测算,得到第一测算结果;
进行限速制动减速度测算,得到第二测算结果;
根据第一测算结果及第二测算结果,构建基于V2X的预见性上层限速安全模型。
4.如权利要求1所述的基于车路协同的自动驾驶车辆预见性安全控制方法,其特征在于,基于时距的安全控制模型,包括:
基于两车时距安全距离模型,用于在两车相对速度小于预设速度阈值时进行安全控制,适用于非紧急制动时机;
基于碰撞时间安全模型,适用于紧急制动时机;
基于距离的安全控制模型的构建方法,包括:
确定驾驶员对车辆制动全过程,包括驾驶员意识阶段、油门刹车切换阶段/>、制动系统协调阶段/>、制动减速度增加阶段/>、持续制动阶段/>、结束制动阶段/>;
计算对车辆制动全过程中各个阶段的制动距离;
根据各个阶段的制动距离建立基于距离的安全控制模型。
5.如权利要求4所述的基于车路协同的自动驾驶车辆预见性安全控制方法,其特征在于,还包括对基于距离的安全控制模型进行参数标定,包括:
驾驶员反应阶段参数的标定,通过驾驶员反应时间的评估函数计算得到关于营运车辆驾驶员反应时间标定参数;
对和/>阶段时延参数标定;
最终相对距离d0的参数的标定;
部分制动阶段的参数的标定;
确定基于距离的各控制阶段安全控制模型表达式:
将标定的参数代入基于距离的安全控制模型表达式,可得到最终标定后的基于距离的安全控制模型。
6.如权利要求5所述的基于车路协同的自动驾驶车辆预见性安全控制方法,其特征在于,还包括针对各类场景对基于距离的安全控制模型控制参数进行优化计算,包括:
基于路面附着系数与坡度工况下的控制参数优化计算;
基于弯道工况下的模型控制参数优化计算;
基于隧道工况下的车路一体化解决方案与控制参数优化计算。
7.如权利要求1所述的基于车路协同的自动驾驶车辆预见性安全控制方法,其特征在于,还包括,对基于V2X的预见性上层紧急制动安全模型进行误差修正,包括:
基于V2X的预见性上层紧急制动安全模型先将实际的制动过程分成多个阶段,确定各个阶段的制动距离;
采用BP 神经网络预测汽车的制动距离,对误差进行实时修正。
8.一种基于车路协同的自动驾驶车辆预见性安全控制系统,其特征在于,包括:
感知模块,用于获取自动驾驶车辆的感知信息;
决策模块,用于将所述感知信息输入预先训练好的基于车路协同的预见性分层精准控制安全模型,输出决策信息;
执行模块,用于根据决策信息与各级触发阈值进行比较,根据比较结果触发限速预警、部分制动、紧急制动中的至少一种执行动作;
所述基于车路协同的预见性分层精准控制安全模型,包括:上层期望决策层与下层控制决策层;其中,
上层期望决策层,包括:
基于V2X的预见性上层限速安全模型,用于对感知信息进行识别,输出限速预警信息,作为第一上层期望;
基于V2X的预见性上层紧急制动安全模型,用于对感知信息进行识别,输出制动信息,作为第二上层期望;
下层控制决策层,用于基于车辆逆动力学模型和车辆验证模型通过PID误差控制器,根据第一上层期望和第二上层期望计算得到触发时机与触发制动减速期望值,作为决策信息;
所述基于V2X的预见性上层紧急制动安全模型,包括:基于时距的安全控制模型、基于距离的安全控制模型及判断模块;
所述判断模块,用于:
确定车辆可触发的最大制动减速度上限阈值与车辆动态TTC数值;
根据所述制动安全模型计算得到触发部分制动的距离临界阈值、触发紧急制动的距离临界阈值以及各阶段触发制动减速期望值,根据触发部分制动的距离临界阈值、触发紧急制动的距离临界阈值以及各阶段触发制动减速期望值计算真值TTC,将真值TTC与预设标定TTC值相比较,当触发真值TTC大于预设标定TTC值时,判断采用基于距离的安全控制模型进行制动控制决策;当触发真值TTC小于预设标定TTC值时判断采用基于时距的安全控制模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310974024.6A CN116714579B (zh) | 2023-08-04 | 2023-08-04 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310974024.6A CN116714579B (zh) | 2023-08-04 | 2023-08-04 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116714579A CN116714579A (zh) | 2023-09-08 |
CN116714579B true CN116714579B (zh) | 2023-10-24 |
Family
ID=87868230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310974024.6A Active CN116714579B (zh) | 2023-08-04 | 2023-08-04 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116714579B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102745194A (zh) * | 2012-06-19 | 2012-10-24 | 东南大学 | 一种高速公路汽车防追尾前车的自适应报警方法 |
CN110155046A (zh) * | 2019-05-09 | 2019-08-23 | 武汉理工大学 | 自动紧急制动分级控制方法与系统 |
CN111913389A (zh) * | 2020-08-20 | 2020-11-10 | 襄阳达安汽车检测中心有限公司 | 一种基于车-车通信的车辆编队纵向控制方法 |
CN112230651A (zh) * | 2020-07-06 | 2021-01-15 | 湖南工业大学 | 一种基于分层控制理论的分布式无人车路径跟踪控制方法 |
CN113190055A (zh) * | 2021-05-28 | 2021-07-30 | 北京理工大学 | 一种电动汽车速度跟踪控制方法 |
CN114228715A (zh) * | 2021-11-30 | 2022-03-25 | 武汉理工大学 | 一种车辆队列联合控制方法、装置、设备及存储介质 |
CN115689259A (zh) * | 2023-01-04 | 2023-02-03 | 交通运输部公路科学研究所 | 路段车路协同场景优先级确定方法、装置、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230093126A (ko) * | 2021-12-17 | 2023-06-27 | 현대자동차주식회사 | 차량 운동 제어 장치 및 그 방법 |
-
2023
- 2023-08-04 CN CN202310974024.6A patent/CN116714579B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102745194A (zh) * | 2012-06-19 | 2012-10-24 | 东南大学 | 一种高速公路汽车防追尾前车的自适应报警方法 |
CN110155046A (zh) * | 2019-05-09 | 2019-08-23 | 武汉理工大学 | 自动紧急制动分级控制方法与系统 |
CN112230651A (zh) * | 2020-07-06 | 2021-01-15 | 湖南工业大学 | 一种基于分层控制理论的分布式无人车路径跟踪控制方法 |
CN111913389A (zh) * | 2020-08-20 | 2020-11-10 | 襄阳达安汽车检测中心有限公司 | 一种基于车-车通信的车辆编队纵向控制方法 |
CN113190055A (zh) * | 2021-05-28 | 2021-07-30 | 北京理工大学 | 一种电动汽车速度跟踪控制方法 |
CN114228715A (zh) * | 2021-11-30 | 2022-03-25 | 武汉理工大学 | 一种车辆队列联合控制方法、装置、设备及存储介质 |
CN115689259A (zh) * | 2023-01-04 | 2023-02-03 | 交通运输部公路科学研究所 | 路段车路协同场景优先级确定方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116714579A (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11161502B2 (en) | Cost-based path determination | |
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 | |
CN113386795A (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 | |
KR102301093B1 (ko) | 운전자 지원 시스템 최적화를 위한 방법 및 장치 | |
CN107993453B (zh) | 一种基于车路协同的弯道安全车速计算方法 | |
CN111583693B (zh) | 一种城市道路智能交通协同运行系统及智能车辆控制方法 | |
CN109727469B (zh) | 一种多车道下自动驾驶车辆综合危险度评估方法 | |
CN110155046A (zh) | 自动紧急制动分级控制方法与系统 | |
US10793123B2 (en) | Emergency braking for autonomous vehicles | |
US20200238980A1 (en) | Vehicle control device | |
CN109270938B (zh) | 一种矿用车方阵编队控制系统 | |
US11703875B2 (en) | Braking control behaviors for autonomous vehicles | |
CN110816529A (zh) | 基于可变时距间距策略的车辆协同式自适应巡航控制方法 | |
CN103718220A (zh) | 交通控制系统、车辆控制系统、交通管理系统及交通控制方法 | |
CN103906673A (zh) | 用于引导车辆的方法和驾驶员辅助系统 | |
CN110103959A (zh) | 一种自适应巡航控制方法 | |
US20200180614A1 (en) | Vehicle control device | |
CN102166982A (zh) | 自适应前照灯系统的车灯控制方法 | |
CN116946137A (zh) | 一种基于驾驶意图的车路协同智能车辆换道防碰撞系统 | |
CN115432009A (zh) | 一种自动驾驶车辆轨迹跟踪控制系统 | |
Wang et al. | Impacts of different driving automation levels on highway geometric design from the perspective of trucks | |
CN114987539A (zh) | 一种基于风险场模型的自动驾驶汽车个性化碰撞分级预警方法及系统 | |
CN116605188B (zh) | 一种电动车-两轮车自动紧急制动控制系统 | |
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 | |
Alan et al. | Integrating safety with performance in connected automated truck control: Experimental validation |
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 |