CN116901942A - 一种基于多传感器位置信息关联匹配的主动避撞方法 - Google Patents
一种基于多传感器位置信息关联匹配的主动避撞方法 Download PDFInfo
- Publication number
- CN116901942A CN116901942A CN202310858967.2A CN202310858967A CN116901942A CN 116901942 A CN116901942 A CN 116901942A CN 202310858967 A CN202310858967 A CN 202310858967A CN 116901942 A CN116901942 A CN 116901942A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- information
- vehicle
- radar
- camera
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction 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
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- 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)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多传感器位置信息关联匹配的主动避撞方法,获取车辆自身行驶信息与周围环境信息;对前方障碍物进行分类,通过摄像头初步筛选定位出预期行驶路径内风险最大的障碍物;利用雷达检测出周围危险障碍物的信息,将检测的数据进行标准化欧几里得距离处理进行关联匹配;将标准化欧式处理后的数据做筛选,得到雷达检测出的该最危险障碍物信息;建立动态双裕度模型,计算出车辆所需的制动力;本发明利用标准化欧式处理筛选得出与摄像头估计参数最为接近的雷达数据,采用精度更高的雷达数据,提高了检测前方最危险障碍物的数据精确性;同时采用ETTC强化安全距离模型与期望制动减速度安全距离模型,针对前车制定了更合理的制动措施。
Description
技术领域
本发明属于行驶安全技术领域,具体涉及一种基于多传感器位置信息关联匹配的主动避撞方法。
背景技术
随着汽车保有量的快速增长,道路交通安全问题越来越复杂。每年因交通事故受伤和死亡的人数的比例逐年升高。因此,建立合理的主动安全系统模型具有十分重要的意义。车辆的主动避撞方法设计是车辆主动安全系统的重要构成部分。现有的主动避撞方法容易出现目标障碍物危险程度区分不清晰的现象,从而导致主动避撞措施不合理,使得车辆发生危险工况。
发明内容
本发明的目的在于提供一种基于多传感器位置信息关联匹配的主动避撞方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于多传感器位置信息关联匹配的主动避撞方法,包括如下步骤:
S1:获取车辆自身行驶信息与周围环境信息;
S2:结合车辆本身行驶信息与车道线信息对前方障碍物进行分类,通过摄像头初步筛选定位出预期行驶路径内风险最大的障碍物;
S3:利用雷达检测出周围危险障碍物的信息,将雷达和摄像头检测的数据进行标准化欧几里得距离处理进行关联匹配;
S4:将标准化欧式处理后的数据做筛选,得到雷达检测出的该最危险障碍物信息;
S5:综合步骤S4和自车的行驶状态信息建立动态双裕度模型,计算出车辆所需的制动力;
S6:重复步骤S1-S5,直到周围无障碍物。
优选的,所述的步骤S1中,雷达获取车辆行驶前方障碍物的位置、速度和加速度信息,摄像头获取的信息包括车道线信息和障碍物类型、位置、速度和加速度信息,从车辆CAN总线读取的信息包括车速,车辆方向盘转角和加速度。
优选的,所述的步骤S2中,对前方最危险障碍物信息进行分类的具体方法为:当自车沿当前车道行驶时,摄像头只检测出当前车道前方最近障碍物的距离、速度、加速度与障碍物类型信息;当自车处于换道过程中时,摄像头将检测出换道过程中所涉及的两车道中离自车最近的前方障碍物的距离、速度、加速度障碍物类型信息。
优选的,所述的步骤S3中,利用雷达检测出周围障碍物的距离、速度、加速度信息,并将雷达所测得的所有障碍物位置信息分别与摄像头所测得的最危险障碍物的位置信息进行标准化欧几里得距离处理,具体的处理方法为:
式中,(xs,ys)为摄像头检测到最危险障碍物的位置信息,(xdi,ydi)为雷达检测到的第i个障碍物的位置信息,n为雷达检测到的前方障碍物总数,d(i)为雷达检测到的第i个障碍物与摄像头检测到最危险障碍物的标准化欧几里得距离,即描述数据间的相似程度。
优选的,所述的步骤S4中,将标准化欧式处理后的数据做筛选:
d(j)=min{d(1),d(2)…d(n)},0≤j≤n
由于摄像头所测的数据没有雷达的数据精确性高,因此需要用雷达所测的数据代替摄像头所测的最危险障碍物数据;当标准化欧几里得距离越小时,雷达和摄像头所测得数据的相似度越高,由上式可得雷达所测的第j个障碍物的数据为最危险障碍物。
优选的,所述的步骤S5中,计算车辆所需制动压力的具体方法为:
采用动态双裕度模型进行计算,包括:ETTC(即强化距离碰撞时间)以及期望制动减速度安全距离模型;
其中ETTC强化安全距离模型及制动力级别的计算的方法为:
式中,ETTC为车辆即将发生碰撞的时间,vself为车辆当前速度,vobstacle为障碍物速度,aself为车辆当前加速度,aobstacle为障碍物加速度,h(t)为当前自车与障碍物的距离,t0,t1,t2,t3为预碰撞时间制动力分类临界值,Lt为预碰撞时间避撞制动力级别。
优选的,期望制动减速度安全距离模型及制动力级别的计算的方法为:
式中,hreact(t)为驾驶员对报警的反应时间而造成与前车的车间距减少量,a0,a1,a2,a3为期望减速度制动力分类临界值,La为期望减速度避撞制动力级别;
制动压力可以由Lt与La综合得到:
P=kPmax(Lt,La)
其中,P为期望制动压力,kP为期望制动压力系数。
与现有技术相比,本发明的有益效果是:本发明针对不同路况对前方障碍物进行分类处理,通过摄像头初步筛选并定位出预期行驶路径内风险最大的障碍物;
提出了一种基于多传感器位置信息关联匹配的方法,利用标准化欧式处理筛选得出与摄像头估计参数最为接近的雷达数据,并用精度更高的雷达数据代替了摄像头数据,提高了检测前方最危险障碍物的数据精确性;
同时采用ETTC强化安全距离模型与期望制动减速度安全距离模型,针对前车制定了更合理的制动措施。
附图说明
图1是本发明的方法流程图。
图2是典型工况1示意图。
图3是典型工况2示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明提供一种技术方案:本发明提供了一种基于多传感器位置信息关联匹配的主动避撞方法,如图1所示,包括以下几个步骤:
S1:获取车辆自身行驶信息与周围环境信息;
车载摄像头安装在车辆前挡风玻璃底部的中间位置处,用于识别两侧车道线及周围环境信息;车载雷达安装在前保距地面60cm左右高度,用于获取车辆前方各个障碍物的参数信息。
S2:结合车辆本身行驶信息与车道线信息对前方障碍物进行分类,通过摄像头初步筛选定位出预期行驶路径内风险最大的障碍物;
不同工况下最危险障碍物障碍物的定义如下:
(1)如图2所示,当自车沿当前车道行驶时,摄像头只检测出当前车道前方最近障碍物的距离、速度、加速度等信息;
(2)如图3所示,当自车处于换道过程中时,摄像头将检测出换道过程中所涉及的两车道中离自车最近的前方障碍物的距离、速度、加速度等信息;
S3:利用雷达检测出周围危险障碍物的信息,将雷达检测的数据和步骤S2中摄像头检测的最危险障碍物信息进行标准化欧几里得距离处理,具体的处理方法为:
其中,(xs,ys)为摄像头检测到最危险障碍物的位置信息,(xdi,ydi)为雷达检测到的第i个障碍物的位置信息,n为雷达检测到的前方障碍物总数,d(i)为雷达检测到的第i个障碍物与摄像头检测到最危险障碍物的标准化欧几里得距离,即描述数据间的相似程度。
S4:将标准化欧式处理后的数据做筛选,得到雷达检测出的最危险障碍物,从而对多传感器障碍物信息进行关联匹配,筛选过程为:
d(j)=min{d(1),d(2)…d(n)}
当标准化欧几里得距离越小时,雷达和摄像头所测得数据的相似度越高,那么由上式可得雷达所测的第j个障碍物的数据为最危险障碍物。
S5:计算车辆所需的制动压力,并传输给ECU控制单元,具体方法为:
采用动态双裕度模型进行计算,包括:ETTC(即强化距离碰撞时间)以及期望制动减速度安全距离模型。
其中ETTC强化安全距离模型及制动力级别的计算的方法为:
式中,ETTC为车辆即将发生碰撞的时间,vself为车辆当前速度,vobstacle为障碍物速度,aself为车辆当前加速度,aobstacle为障碍物加速度,h(t)为当前自车与障碍物的距离,t0,t1,t2,t3为预碰撞时间制动力分类临界值,Lt为预碰撞时间避撞制动力级别。
期望制动减速度安全距离模型及制动力级别的计算的方法为:
式中,hreact(t)为驾驶员对报警的反应时间而造成与前车的车间距减少量,a0,a1,a2,a3为期望减速度制动力分类临界值,La为期望减速度避撞制动力级别。
制动压力可以由Lt与La综合得到:
P=kPmax(Lt,La)
其中,P为期望制动压力,kP为期望制动压力系数。
S6:重复步骤S1-S5,直到周围无障碍物。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于多传感器位置信息关联匹配的主动避撞方法,其特征在于:包括如下步骤:
S1:获取车辆自身行驶信息与周围环境信息;
S2:结合车辆本身行驶信息与车道线信息对前方障碍物进行分类,通过摄像头初步筛选定位出预期行驶路径内风险最大的障碍物;
S3:利用雷达检测出周围危险障碍物的信息,将雷达和摄像头检测的数据进行标准化欧几里得距离处理进行关联匹配;
S4:将标准化欧式处理后的数据做筛选,得到雷达检测出的该最危险障碍物信息;
S5:综合步骤S4和自车的行驶状态信息建立动态双裕度模型,计算出车辆所需的制动力;
S6:重复步骤S1-S5,直到周围无障碍物。
2.根据权利要求1所述的一种基于多传感器位置信息关联匹配的主动避撞方法,其特征在于:所述的步骤S1中,雷达获取车辆行驶前方障碍物的位置、速度和加速度信息,摄像头获取的信息包括车道线信息和障碍物类型、位置、速度和加速度信息,从车辆CAN总线读取的信息包括车速,车辆方向盘转角和加速度。
3.根据权利要求1所述的一种基于多传感器位置信息关联匹配的主动避撞方法,其特征在于:所述的步骤S2中,对前方最危险障碍物信息进行分类的具体方法为:当自车沿当前车道行驶时,摄像头只检测出当前车道前方最近障碍物的距离、速度、加速度与障碍物类型信息;当自车处于换道过程中时,摄像头将检测出换道过程中所涉及的两车道中离自车最近的前方障碍物的距离、速度、加速度障碍物类型信息。
4.根据权利要求1所述的一种基于多传感器位置信息关联匹配的主动避撞方法,其特征在于:所述的步骤S3中,利用雷达检测出周围障碍物的距离、速度、加速度信息,并将雷达所测得的所有障碍物位置信息分别与摄像头所测得的最危险障碍物的位置信息进行标准化欧几里得距离处理,具体的处理方法为:
式中,(xs,ys)为摄像头检测到最危险障碍物的位置信息,(xdi,ydi)为雷达检测到的第i个障碍物的位置信息,n为雷达检测到的前方障碍物总数,d(i)为雷达检测到的第i个障碍物与摄像头检测到最危险障碍物的标准化欧几里得距离,即描述数据间的相似程度。
5.根据权利要求1所述的一种基于多传感器位置信息关联匹配的主动避撞方法,其特征在于:所述的步骤S4中,将标准化欧式处理后的数据做筛选:
d(j)=min{d(1),d(2)…d(n)},0≤j≤n
由于摄像头所测的数据没有雷达的数据精确性高,因此需要用雷达所测的数据代替摄像头所测的最危险障碍物数据;当标准化欧几里得距离越小时,雷达和摄像头所测得数据的相似度越高,由上式可得雷达所测的第j个障碍物的数据为最危险障碍物。
6.根据权利要求1所述的一种基于多传感器位置信息关联匹配的主动避撞方法,其特征在于:所述的步骤S5中,计算车辆所需制动压力的具体方法为:
采用动态双裕度模型进行计算,包括:ETTC以及期望制动减速度安全距离模型;
其中ETTC强化安全距离模型及制动力级别的计算的方法为:
式中,ETTC为车辆即将发生碰撞的时间,vself为车辆当前速度,vobstacle为障碍物速度,aself为车辆当前加速度,aobstacle为障碍物加速度,h(t)为当前自车与障碍物的距离,t0,t1,t2,t3为预碰撞时间制动力分类临界值,Lt为预碰撞时间避撞制动力级别。
7.根据权利要求6所述的一种基于多传感器位置信息关联匹配的主动避撞方法,其特征在于:期望制动减速度安全距离模型及制动力级别的计算的方法为:
式中,hreact(t)为驾驶员对报警的反应时间而造成与前车的车间距减少量,a0,a1,a2,a3为期望减速度制动力分类临界值,La为期望减速度避撞制动力级别;
制动压力可以由Lt与La综合得到:
P=kPmax(Lt,La)
其中,P为期望制动压力,kP为期望制动压力系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310858967.2A CN116901942A (zh) | 2023-07-13 | 2023-07-13 | 一种基于多传感器位置信息关联匹配的主动避撞方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310858967.2A CN116901942A (zh) | 2023-07-13 | 2023-07-13 | 一种基于多传感器位置信息关联匹配的主动避撞方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116901942A true CN116901942A (zh) | 2023-10-20 |
Family
ID=88362255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310858967.2A Pending CN116901942A (zh) | 2023-07-13 | 2023-07-13 | 一种基于多传感器位置信息关联匹配的主动避撞方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116901942A (zh) |
-
2023
- 2023-07-13 CN CN202310858967.2A patent/CN116901942A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110155046B (zh) | 自动紧急制动分级控制方法与系统 | |
CN112590801B (zh) | 一种基于驾驶员疲劳程度的前方碰撞预警控制方法 | |
WO2020221123A1 (zh) | 一种基于障碍物高度的车辆控制系统及车辆 | |
CN113635897B (zh) | 一种基于风险场的安全驾驶预警方法 | |
CN102785660A (zh) | 车辆防碰撞预警装置 | |
CN108765942B (zh) | 一种智能网联汽车弯道危险预警系统及方法 | |
CN203255120U (zh) | 一种商用车安全避撞系统 | |
CN111038502A (zh) | 一种安全车距预估、修正、预警、驾驶资质评估方法及系统 | |
CN113192331B (zh) | 一种网联环境下面向骑行安全的智能预警系统及预警方法 | |
CN112365706B (zh) | 一种基于多源信息的异常车距辨识方法 | |
CN110667536A (zh) | 一种列车aeb系统弯道控制决策方法 | |
CN113470433A (zh) | 基于v2i的车辆内轮差区域危险预警方法、系统、车辆及路侧设备 | |
CN110435541A (zh) | 一种基于视觉识别和测距的车辆变道预警方法和系统 | |
CN110834587B (zh) | 一种基于激光测距的汽车纵向防碰撞系统 | |
CN112356849A (zh) | 一种危险驾驶的预警方法及装置 | |
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 | |
CN209813973U (zh) | 一种紧急变道工况下车辆线控制动辅助安全系统 | |
CN116901942A (zh) | 一种基于多传感器位置信息关联匹配的主动避撞方法 | |
CN113920734B (zh) | 一种基于logistics模型的变道预警方法 | |
Xiang et al. | Recognition model of sideslip of surrounding vehicles based on perception information of driverless vehicle | |
Zhang et al. | Research on pedestrian vehicle collision warning based on path prediction | |
CN110889409B (zh) | 汽车雷达监测优化方法、装置、设备及存储介质 | |
Zhuo | Research on Reliability of Autonomous Emergency Braking System based on Prescan | |
CN111231949A (zh) | 一种针对暴雨浓雾天气旁道车辆的防碰撞系统及方法 | |
CN117351726B (zh) | 一种高速公路事件预警系统及综合感知方法 |
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 |