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

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

一种基于多传感器位置信息关联匹配的主动避撞方法

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，(x_s,y_s)为摄像头检测到最危险障碍物的位置信息，(x_di,y_di)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，v_self为车辆当前速度，v_obstacle为障碍物速度，a_self为车辆当前加速度，a_obstacle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，L_t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，h_react(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，L_a为期望减速度避撞制动力级别；

制动压力可以由L_t与L_a综合得到：

P＝k_Pmax(L_t,L_a)

其中，P为期望制动压力，k_P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，(x_s,y_s)为摄像头检测到最危险障碍物的位置信息，(x_di,y_di)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，v_self为车辆当前速度，v_obstacle为障碍物速度，a_self为车辆当前加速度，a_obstacle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，L_t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，h_react(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，L_a为期望减速度避撞制动力级别。

制动压力可以由L_t与L_a综合得到：

P＝k_Pmax(L_t,L_a)

其中，P为期望制动压力，k_P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，(x_s,y_s)为摄像头检测到最危险障碍物的位置信息，(x_di,y_di)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，v_self为车辆当前速度，v_obstacle为障碍物速度，a_self为车辆当前加速度，a_obstacle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，L_t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，h_react(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，L_a为期望减速度避撞制动力级别；

制动压力可以由L_t与L_a综合得到：

P＝k_Pmax(L_t,L_a)

其中，P为期望制动压力，k_P为期望制动压力系数。