CN117131955B - 一种考虑多约束条件的短时车速预测方法 - Google Patents
一种考虑多约束条件的短时车速预测方法 Download PDFInfo
- Publication number
- CN117131955B CN117131955B CN202311401965.7A CN202311401965A CN117131955B CN 117131955 B CN117131955 B CN 117131955B CN 202311401965 A CN202311401965 A CN 202311401965A CN 117131955 B CN117131955 B CN 117131955B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicle speed
- speed
- acceleration
- time
- 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 76
- 230000001133 acceleration Effects 0.000 claims abstract description 84
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000033001 locomotion Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 230000000670 limiting effect Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 239000004973 liquid crystal related substance Substances 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及车辆速度预测技术领域,尤其涉及一种考虑多约束条件的短时车速预测方法。所述短时车速预测方法在低速跟车和在驾驶员有强加减速意图的场景下,估计加速度并转换为估计车速;考虑到在限速、弯道、跟车场景下以及自车速度可达能力下的速度约束条件,计算预测车速的约束范围;最后,结合速度约束范围和估计车速,对基于数据驱动的短时车速预测序列进行修正,从而获取符合车辆能力、驾驶场景、驾驶意图下的短时车速预测结果。本发明的短时车速预测方法有效解决了数据驱动模型预测存在偏差,以及车速预测中车速变化趋势预测错误的问题。
Description
技术领域
本发明涉及车辆速度预测技术领域,尤其涉及一种考虑多约束条件的短时车速预测方法。
背景技术
对车辆未来时段车速的精准预测,可以用于车辆动力系统的智能控制,例如模式智能切换、智能动能回收力度等,可以显著提升汽车的节能效果和动力响应性,因此车速预测方法已经成为智能汽车领域的研究重点之一。随着计算机等相关技术的发展,数据驱动方法在时序预测方面性能表现优异,在车速预测领域得到了广泛的应用。
现有的车速预测方法主要基于数据驱动的模型,向模型输入过去一段时间的状态序列,输出未来一段时间的预测车速序列。但是由于车速受到驾驶员、周围环境等多种因素影响,因此上述预测方法的准确精度不足。目前提高车速预测精度主要有两种途径:一种是使用更加深度的网络或者引入更强的时序记忆,以增强模型对车速的拟合能力,但这种方法在训练时和实时预测时的算力消耗大幅增加;另一种是使用多个模型对不同场景分别进行预测,以保证全部场景下均达到最优,但这种方法不仅需要消耗更多算力,而且训练时训练集被划分而导致每个模型训练数据减少,更容易过拟合。
除此之外,所有使用历史数据预测未来车速的模型,都存在无法预测车辆加减速趋势变化的问题。而当加减速趋势变化时,如果预测出错误的车速趋势,可能导致完全相反的动力系统控制操作,不仅影响动力性和平顺性,甚至可能影响安全性。
发明内容
近年来,量产车已经搭载多种感知周围环境的传感器以及高精地图,通过这些多源信息的融合,可以精准地描述出当前和未来自车所处的场景。在限速、弯道、有前车等场景下,使用多源信息可以计算出自车车速可达范围,也可以估计出未来的车速变化趋势。基于此,本发明提出了在数据驱动的车速预测模型中,引入融合多源信息考虑多约束条件的车速预测方法,从而有效解决了数据驱动模型预测存在偏差,以及车速预测中车速变化趋势预测错误的问题。
本发明的技术方案具体如下:
一种考虑多约束条件的短时车速预测方法,包括以下步骤:
步骤1:收集车辆的行车历史信息,并对行车历史信息进行离线处理得到原始数据;
步骤2:对原始数据进行场景识别,并赋予场景标签;
步骤3:建立并训练车速预测模型,采用车速预测模型预测,输出预测车速序列;
步骤4:基于场景或驾驶员意图估计加速度和估计车速;
步骤5:使用估计车速对步骤3输出的预测车速序列进行修正,获得第一修正预测车速序列;
步骤6:基于场景和自车运动状态的车速约束,计算车速上限和下限;
步骤7:使用车速上限和下限对步骤5获得的第一修正预测车速序列进行修正,获得短时车速预测结果。
优选的,所述行车历史信息满足以下条件:
(1)行车路线至少包括弯道、直道、限速、有前车和无前车的场景;
(2)包括性别、驾龄和风格各不相同的至少10名驾驶员,总行车里程不少于1000km;
(3)包括自车车速、自车加速度、油门开度、刹车踏板开度、道路限速、车道曲率、前车存在状态、前车相对距离、前车相对速度、前车绝对速度、前车运动状态和距离发生碰撞的时间。
优选的,所述步骤2具体包括以下步骤:
步骤2-1:从原始数据中提取车道曲率、前车存在状态/>、前车相对距离/>和前车绝对速度/>;
步骤2-2:设定车道曲率阈值,/>时,位置记为弯道,时,位置记为直道;
步骤2-3:前车相对距离阈值,/>时,记为有前车,时,记为无前车;
步骤2-4:基于步骤2-2和步骤2-3对场景识别,并对场景标签进行赋值,直道无前车记为/>,弯道无前车记为/>,直道有前车记为/>,弯道有前车记为。
优选的,所述步骤3中的预测车速序列包括未来3个时刻的预测车速,分别为,/>,/>。
优选的,所述步骤4具体包括:
当自车处于低速跟车场景时,根据前车运动状态得到估计加速度,并结合当前自车速度计算得到预测时域内的估计车速/>;
当驾驶员有强加减速意图时,直接使用强加减速意图得到估计加速度,并结合当前自车速度计算得到预测时域内的估计车速/>。
优选的,所述步骤5具体包括:
当满足步骤4中的场景或驾驶员意图时,使用步骤4得到的估计车速替代预测车速序列中的预测车速,当不满足步骤4中的场景或驾驶员意图时,维持预测车速序列。
优选的,所述步骤6具体包括:
步骤6-1:分别计算限速、弯道和有前车三种场景下的车速上限;
步骤6-2:基于自车运动学约束,分别计算车速下限和车速上限;
步骤6-3:融合步骤6-1和步骤6-2中的车速约束,确定预测时域内的车速上限和车速下限。
优选的,所述步骤7具体包括:
当预测车速序列中的预测车速大于车速上限时,将该预测车速替换为车速上限;当预测车速序列中的预测车速小于车速下限时,将该预测车速替换为车速下限。
相比于现有技术,本发明的有益效果在于:
1. 本发明提出的一种考虑多约束条件的短时车速预测方法,有效地对模型输出的预测车速序列进行了修正,且在不明显增加算力消耗的同时,达到了提升预测精度的目的。
2. 本发明提出的一种考虑多约束条件的短时车速预测方法,考虑了限速、弯道、与前车的安全车距,以及车辆运动学等多种对车速有限制作用的因素,计算了相应的车速约束范围,并对超出约束范围的预测车速进行修正,可以提升车速预测的稳定性和可信度。
3. 本发明提出的一种考虑多约束条件的短时车速预测方法,利用对驾驶员驾驶意图的识别以及驾驶意图下对加速度的估计,解决了数据驱动的车速预测在驾驶意图突变时车速难以预测的问题,同时可以减小预测车速趋势不准确对动力系统控制产生的影响。
4. 本发明提出的一种考虑多约束条件的短时车速预测方法,无需对预测模型进行更改,而且可以适用于多种情形的车速预测,均能提高车速预测的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,通过参考附图可以更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他的附图。
图1本发明提出的一种考虑多约束条件的短时车速预测方法的流程图。
图2本发明提出的一种考虑多约束条件的短时车速预测方法的预测结果展示图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明的目的在于提出一种考虑多约束条件的短时车速预测方法。该方法在低速跟车和在驾驶员有强加减速意图的场景下,估计加速度并转换为估计车速;考虑到在限速、弯道、跟车场景下以及自车速度可达能力下的速度约束条件,计算预测车速的约束范围;最后,结合速度约束范围和估计车速,对基于数据驱动的短时车速预测序列进行修正,从而获取符合车辆能力、驾驶场景、驾驶意图下的短时车速预测结果。如图1所示,具体步骤如下:
步骤1、收集实车的行车历史信息并进行预处理,得到原始数据。
采集大量实车的行车历史信息用于车速预测模型训练,采集的要求包括:
(1)行车路线至少包括弯道、直道、限速、有前车和无前车的场景;
(2)包括性别、驾龄和风格各不相同的至少10名驾驶员,总行车里程不少于1000km;
(3)包括自车车速、自车加速度、油门开度、刹车踏板开度、道路限速、车道曲率、前车存在状态、前车相对距离、前车相对速度、前车绝对速度、前车运动状态和距离发生碰撞的时间(AEB系统里的TTC)等。
采集完成后,对采集到的行车历史信息进行预处理,内容包括:
(1)通过选取相同的时间范围,将采集的各类参数进行时间对齐;
(2)通过将高频参数取相应时间段内的均值,使不同频率的各类参数频率统一。
步骤2、对原始数据进行场景识别,并赋予场景标签。
场景识别的目的是识别出弯道和前车存在状态的标签。
有无弯道的识别方法是设定标记为弯道的车道曲率阈值,即实时识别到的/>时,该位置为弯道,记为/>;反之则为直道,记为。其中,/>可采用经验值,例如/>。
有无前车的识别方法是通过设定前车相对距离阈值。当时,为有前车,记为/>;反之则为无前车,记为。其中,/>可采用经验值,例如/>。
提取车道曲率、前车存在状态/>、前车相对距离/>、前车相对速度/>、前车的绝对速度/>的原始数据,采用上述弯道和前车的识别方法,识别场景标签,其中直道无前车记为/>,弯道无前车记为/>,直道有前车记为,弯道有前车记为/>。
步骤3:建立并训练车速预测模型,采用车速预测模型预测,输出预测车速序列。
数据驱动的车速预测模型可采用多种算法,包括但不限于RNN、CNN、RBF、SVR等机器学习方法,或者ARIMA、MC、GPR等方法。此处以LSTM神经网络为例,车速预测模型的输入为过去20个时刻的实时的自车车速、自车加速度、油门开度和刹车踏板开度;输出的是预测时域(未来3个时刻)内的预测车速。未来第1时刻,第2时刻和第3时刻的预测车速分别记为,/>,/>。/>,/>,/>作为预测车速序列,在此基础上进行后续修正。
步骤4:基于场景或驾驶员意图估计加速度和估计车速;
在低速跟车和在识别到驾驶员有强加减速意图的情况下,场景和驾驶员意图是相对确定且高度可信的,此时无需采用神经网络等方法预测车速,可以直接采用场景或驾驶意图估计加速度。当估计出预测时域内的加速度后,结合当前自车车速可以直接转化为估计车速,用于直接修正预测车速序列。
第一步:根据场景和驾驶意图的加速度估计
加速度估计模块包含低速跟车场景和驾驶员强加减速意图两种场景:
(1)低速跟车场景
由于在低速状态下(例如速度低于20时)有前车时,自车车速明显跟随前车车速,因此可以直接采用前车绝对速度作为参考,结合当前自车车速,计算得到估计加速度。
根据前车运动状态分为前车未停车和前车停车种情况:
情况1:前车未停车:
其中,为/>时刻的前车绝对速度,/>为/>时刻的自车车速。
当前车加速即时,预测时域内的估计车速,记为,计算方法如下:
其中,为/>时刻(即当前时刻)的前车绝对速度,/>为/>时刻的前车绝对速度,/>为/>时刻(即未来第1时刻)的估计车速,为/>时刻(即未来第2时刻)的估计车速,/>为/>时刻(即未来第3时刻)的估计车速。
情况2:前车停车(即前车绝对速度为0):
此时,
其中,为/>时刻(即当前时刻)的前车相对距离,/>为/>时刻(即当前时刻)的自车车速。
结合当前时刻自车车速将估计加速度转化为预测时域内的估计车速:
其中,3.6为通过加速度(单位)计算速度变化量(单位/>)时的单位转换系数。
(2)驾驶员有强加减速意图。
车辆可搭载驾驶意图识别模块,该模块输入自车车速、自车加速度、油门开度和刹车踏板开度及其变化率,输出驾驶意图识别结果,记为,其中强制动意图为/>、强加速意图为/>。
由于数据驱动的预测车速模型通常很难预测驾驶员意图的改变,因此当驾驶意图识别模块输出强制动意图或强加速意图时,可直接使用驾驶意图进行加速度估计,记为。
的计算方法为,分别建立强加速和强制动两个加速度查表矩阵,矩阵的行数表示当前自车车速所处的车速段,矩阵第一列的元素表示在该车速下强加速时平均的加速度值,第二列表示在该车速下强加速的平均时长。两个查表矩阵的标定方法为,使用采集的实车原始数据中强加减速片段,分别存储在不同车速下,各片段的平均加速度和驾驶意图片段的平均时长。
实时预测时,根据驾驶意图识别的输出,再根据当前自车车速,查询相应的查表矩阵,获得当前自车车速该驾驶意图下加速度的均值作为估计加速度,记为,以及片段长度估计值,记为/>。
因此,当预测时间步(记为)小于等于/>时,估计车速为:
其中,。
当预测时间步大于时,即预测到该时刻加速行为已经结束,此时继承上一时刻的预测值,估计车速为:
。
综上,在低速跟车场景(自车车速低于20时)时,采用低速跟车场景的估计结果,即当/>且/>时,估计速度取/>,/>;非低速情况(自车车速高于20/>时)下有强加减速意图时,采用驾驶员强加速意图的估计结果,即当/>,且/>或/>时,估计速度取,/>。
步骤5:使用估计车速对步骤3输出的预测车速序列进行修正,获得第一修正预测车速序列;
当满足步骤4中的场景或驾驶员意图时,使用步骤4得到的估计车速替代预测车速序列中的预测车速,当不满足步骤4中的场景或驾驶员意图时,维持预测车速序列。
步骤6:基于场景和自车运动状态的车速约束,计算车速上限和下限。
一方面,在限速、弯道、有前车的场景下,自车在未来短时内的车速受到场景的限制而存在上限,而且车辆作为有质量的物体,应满足动力学和运动学规律,车速不可能发生突变;另一方面,将场景对车速的限制和自车的运动限制融合,可以得到预测时域内的车速可达范围,可以用于修正预测速度序列中车速在可达范围之外的部分,从而提升车速预测的可信度和稳定性。
在速度约束范围计算中考虑到场景是时变的,因此可以对预测速度序列中的多个时刻的预测速度分开进行约束计算。
(1)场景对车速的约束
限速、弯道和有前车三种场景下车速上限的计算方法分别如下:
场景1:限速
限速信息对预测车速序列里的每个时刻均适用。考虑到交通规则和安全性,车速不会超过限速的20%。时刻限速约束的车速上限记/>为:
式中,为当前道路限速。
场景2:弯道
当场景为弯道,即时,弯道对车速主要有两种约束,一种是弯道当中车辆和人承受的最大侧向加速度对车速有限制;另一种是当车辆在入弯过程中车道曲率增大时,车辆不会加速。/>时刻弯道约束的车速上限记为/>:
式中,表示/>时刻弯道曲率增大时的车速限制,/>表示弯道中最大侧向加速度对车速的限制。
、/>的计算方法如下:
(a)时刻弯道曲率增大时的车速限制/>:
首先判断是否为弯道曲率增大的情况,判断依据为标定的曲率变化最小值,记为。该标定值通过实车数据,计算每个点的曲率变化量/>,再筛选出驾驶员未踩下制动踏板的时刻,将筛选出的所有数据按照/>从小到大排序,选取第95%位置的/>值标定为。/>的计算方法为:
因此,当时刻的曲率变化量/>时,判定为弯道曲率显著增大的情况,此时车速不会超过上一时刻车速,即:
式中,表示/>时刻自车车速。
(b)弯道中最大侧向加速度对车速的限制
式中,为/>时刻弯道曲率(即当前车道曲率);/>为弯道中最大侧向加速度。
由以下三个侧向加速度取最小值确定:
分别表示侧滑侧向加速度、侧翻侧向加速度、人主观承受的最大侧向加速度。三者计算方法分别为:
;
式中为路面附着系数,/>为路面超高,/>为重力加速度。
;
式中为车辆轮距,/>为车辆重心高度。
采用经验值,通常/>。
场景3:前车
使用AEB系统里的TTC值作为前车对自车车速约束的参考。将安全距离约束记为。
TTC有两个重要的阈值:
(a)TTC<1.0s时采取辅助制动,即制动系统预充油,此时已不可能再加速:
(b)TTC<0.6s时将紧急制动,即车辆以最大制动加速度减速:
式中为当前时刻与上一时刻的时间差,例如/>;/>为最大制动加速度,采用/>。式中的系数3.6为单位转换系数。
(2)自车运动学约束
自车运动学约束的上限记作,下限记作/>。
约束1:车速下限
分为踩下刹车踏板和未踩下刹车踏板两种情况:
(a)踩下刹车踏板时:
(b)未踩下刹车踏板时:
式中,为滑行减速度,对于新能源车,/>,对于燃油车,。
约束2:车速上限
为车辆最大加速度,由车辆动力系统决定,可采用常用值/>。
(3)车速约束范围合成
限速约束和自车运动学约束对于预测时域中的每个时刻均适用。由于弯道约束和前车约束是瞬时数据,无法确定未来的情况,故仅对当前时刻的下一时刻的预测车速进行约束。
综上所述综合考虑场景对车速的约束和自车运动学约束,设计约束规则如下:
式中,为/>时刻的车速上限,/>为/>时刻的车速上限,/>为/>时刻的车速上限,/>为/>时刻的车速下限,为/>时刻的车速下限,/>为/>时刻的车速下限。
步骤7:使用车速上限和下限对步骤5获得的第一修正预测车速序列进行修正,获得短时车速预测结果。
当预测车速序列中的预测车速大于车速上限时,将该预测车速替换为车速上限;当预测车速序列中的预测车速小于车速下限时,将该预测车速替换为车速下限。
图2中以任意时间段内的数据为例。真实车速是该时间段内采集的车速原始数据;机器学习模型预测车速是某一时刻,使用该时刻之前20s的数据,输入预测模型,输出的预测车速曲线;加速度估计输出、速度约束上限、速度约束下限均为按照本发明的方法输出的曲线。关于修正后的预测车速序列,首先由于加速度估计有输出,使用加速度估计输出的车速曲线替换机器学习模型预测车速曲线,然后由于第一修正预测车速序列超出速度约束下限,将第一修正预测车速序列中低于速度约束下限曲线的部分直接赋值为对应的下限值,形成最终的修正后的预测车速序列。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、 “上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本发明中,术语“第一”、“第二”、“第三”、“第四”仅用于描述目的,不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上,除非另有明确的限定。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种考虑多约束条件的短时车速预测方法,其特征在于,包括以下步骤:
步骤1:收集车辆的行车历史信息,并对行车历史信息进行预处理得到原始数据;
步骤2:对原始数据进行场景识别,并赋予场景标签;
步骤3:建立并训练车速预测模型,采用车速预测模型预测,输出预测车速序列;
步骤4:基于场景或驾驶员意图估计加速度和估计车速;
在低速跟车和在识别到驾驶员有强加减速意图的情况下,场景和驾驶员意图是相对确定且高度可信的,此时无需采用神经网络等方法预测车速,直接采用场景或驾驶意图估计加速度,当估计出预测时域内的加速度后,结合当前自车车速直接转化为估计车速,用于直接修正预测车速序列;
第一步:根据场景和驾驶意图的加速度估计
加速度估计模块包含低速跟车场景和驾驶员强加减速意图两种场景:
(1)低速跟车场景
由于在低速状态下有前车时,自车车速明显跟随前车车速,因此直接采用前车绝对速度作为参考,结合当前自车车速,计算得到估计加速度;
根据前车运动状态分为前车未停车和前车停车种情况:
情况1:前车未停车:
其中,为/>时刻的前车绝对速度,/>为/>时刻的自车车速;
当前车加速即时,预测时域内的估计车速,记为/>,计算方法如下:
其中,为/>时刻的前车绝对速度,/>为/>时刻的前车绝对速度,为/>时刻的估计车速,/>为/>时刻的估计车速,为/>时刻的估计车速;
情况2:前车停车:
此时,
其中,为/>时刻的前车相对距离,/>为/>时刻的自车车速;
结合当前时刻自车车速将估计加速度转化为预测时域内的估计车速:
其中,3.6为通过加速度计算速度变化量时的单位转换系数;
(2)驾驶员有强加减速意图
车辆搭载驾驶意图识别模块,该驾驶意图识别模块输入自车车速、自车加速度、油门开度和刹车踏板开度及其变化率,输出驾驶意图识别结果,记为,其中强制动意图为、强加速意图为/>;
由于数据驱动的预测车速模型通常很难预测驾驶员意图的改变,因此当驾驶意图识别模块输出强制动意图或强加速意图时,直接使用驾驶意图进行加速度估计,记为;
的计算方法为,分别建立强加速和强制动两个加速度查表矩阵,矩阵的行数表示当前自车车速所处的车速段,矩阵第一列的元素表示在该车速下强加速时平均的加速度值,第二列表示在该车速下强加速的平均时长,两个查表矩阵的标定方法为,使用采集的实车原始数据中强加减速片段,分别存储在不同车速下,各片段的平均加速度和驾驶意图片段的平均时长;
实时预测时,根据驾驶意图识别的输出,再根据当前自车车速,查询相应的查表矩阵,获得当前自车车速该驾驶意图下加速度的均值作为估计加速度,记为,以及片段长度估计值,记为/>;
因此,当预测时间步小于等于/>时,估计车速为:
其中,;
当预测时间步大于/>时,即预测到该时刻加速行为已经结束,此时继承上一时刻的预测值,估计车速为:
;
综上,在低速跟车场景时,采用低速跟车场景的估计结果,即当且/>时,估计速度取/>,/>;非低速情况下有强加减速意图时,采用驾驶员强加速意图的估计结果,即当/>,且/>或时,估计速度取/>,/>;
步骤5:使用估计车速对步骤3输出的预测车速序列进行修正,获得第一修正预测车速序列;
步骤6:基于场景和自车运动状态的车速约束,计算车速上限和下限;
一方面,在限速、弯道、有前车的场景下,自车在未来短时内的车速受到场景的限制而存在上限,而且车辆作为有质量的物体,应满足动力学和运动学规律,车速不可能发生突变;另一方面,将场景对车速的限制和自车的运动限制融合,得到预测时域内的车速可达范围,用于修正预测速度序列中车速在可达范围之外的部分,从而提升车速预测的可信度和稳定性;
在速度约束范围计算中考虑到场景是时变的,因此对预测速度序列中的多个时刻的预测速度分开进行约束计算;
(1)场景对车速的约束
限速、弯道和有前车三种场景下车速上限的计算方法分别如下:
场景1:限速
限速信息对预测车速序列里的每个时刻均适用,考虑到交通规则和安全性,车速不会超过限速的20%,时刻限速约束的车速上限记/>为:
式中,为当前道路限速;
场景2:弯道
当场景为弯道,即时,弯道对车速有两种约束,一种是弯道当中车辆和人承受的最大侧向加速度对车速有限制;另一种是当车辆在入弯过程中车道曲率增大时,车辆不会加速,/>时刻弯道约束的车速上限记为/>:
式中,表示/>时刻弯道曲率增大时的车速限制,/>表示弯道中最大侧向加速度对车速的限制;
、/>的计算方法如下:
(a)时刻弯道曲率增大时的车速限制/>
首先判断是否为弯道曲率增大的情况,判断依据为标定的曲率变化最小值,记为,该标定值通过实车数据,计算每个点的曲率变化量/>,再筛选出驾驶员未踩下制动踏板的时刻,将筛选出的所有数据按照/>从小到大排序,选取第95%位置的/>值标定为/>;
因此,当时刻的曲率变化量/>时,判定为弯道曲率显著增大的情况,此时车速不会超过上一时刻车速,即:
式中,表示/>时刻自车车速;
(b)弯道中最大侧向加速度对车速的限制
式中,为/>时刻弯道曲率;/>为弯道中最大侧向加速度;
由以下三个侧向加速度取最小值确定:
分别表示侧滑侧向加速度、侧翻侧向加速度、人主观承受的最大侧向加速度,三者计算方法分别为:
;
式中为路面附着系数,/>为路面超高,/>为重力加速度;
;
式中为车辆轮距,/>为车辆重心高度;
采用经验值,通常/>;
场景3:前车
使用AEB系统里的TTC值作为前车对自车车速约束的参考,将安全距离约束记为;
TTC有两个重要的阈值:
(a)TTC<1.0s时采取辅助制动,即制动系统预充油,此时已不可能再加速:
(b)TTC<0.6s时将紧急制动,即车辆以最大制动加速度减速:
式中为当前时刻与上一时刻的时间差,/>为最大制动加速度,式中的系数3.6为单位转换系数;
(2)自车运动学约束
自车运动学约束的上限记作,下限记作/>;
约束1:车速下限
分为踩下刹车踏板和未踩下刹车踏板两种情况:
(a)踩下刹车踏板时:
(b)未踩下刹车踏板时:
式中,为滑行减速度;
约束2:车速上限
为车辆最大加速度,由车辆动力系统决定;
(3)车速约束范围合成
限速约束和自车运动学约束对于预测时域中的每个时刻均适用,由于弯道约束和前车约束是瞬时数据,无法确定未来的情况,故仅对当前时刻的下一时刻的预测车速进行约束;
综上所述综合考虑场景对车速的约束和自车运动学约束,设计约束规则如下:
式中,为/>时刻的车速上限,/>为/>时刻的车速上限,为/>时刻的车速上限,/>为/>时刻的车速下限,/>为/>时刻的车速下限,/>为/>时刻的车速下限;
步骤7:使用车速上限和下限对步骤5获得的第一修正预测车速序列进行修正,获得短时车速预测结果。
2.根据权利要求1所述的短时车速预测方法,其特征在于,所述行车历史信息满足以下条件:
(1)行车路线至少包括弯道、直道、限速、有前车和无前车的场景;
(2)包括性别、驾龄和风格各不相同的至少10名驾驶员,总行车里程不少于1000km;
(3)包括自车车速、自车加速度、油门开度、刹车踏板开度、道路限速、车道曲率、前车存在状态、前车相对距离、前车相对速度、前车绝对速度、前车运动状态和距离发生碰撞的时间。
3.根据权利要求2所述的短时车速预测方法,其特征在于,所述步骤2具体包括以下步骤:
步骤2-1:从原始数据中提取车道曲率、前车存在状态/>、前车相对距离和前车绝对速度/>;
步骤2-2:设定车道曲率阈值,/>时,位置记为弯道,时,位置记为直道;
步骤2-3:前车相对距离阈值,/>时,记为有前车,时,记为无前车;
步骤2-4:基于步骤2-2和步骤2-3对场景识别,并对场景标签进行赋值,直道无前车记为/>,弯道无前车记为/>,直道有前车记为/>,弯道有前车记为/>。
4.根据权利要求1所述的短时车速预测方法,其特征在于,所述步骤3中的预测车速序列包括未来3个时刻的预测车速,分别为,/>,/>。
5.根据权利要求1所述的短时车速预测方法,其特征在于,所述步骤5具体包括:
当满足步骤4中的场景或驾驶员意图时,使用步骤4得到的估计车速替代预测车速序列中的预测车速,当不满足步骤4中的场景或驾驶员意图时,维持预测车速序列。
6.根据权利要求1所述的短时车速预测方法,其特征在于,所述步骤7具体包括:
当预测车速序列中的预测车速大于车速上限时,将该预测车速替换为车速上限;当预测车速序列中的预测车速小于车速下限时,将该预测车速替换为车速下限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311401965.7A CN117131955B (zh) | 2023-10-27 | 2023-10-27 | 一种考虑多约束条件的短时车速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311401965.7A CN117131955B (zh) | 2023-10-27 | 2023-10-27 | 一种考虑多约束条件的短时车速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117131955A CN117131955A (zh) | 2023-11-28 |
CN117131955B true CN117131955B (zh) | 2024-01-16 |
Family
ID=88856800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311401965.7A Active CN117131955B (zh) | 2023-10-27 | 2023-10-27 | 一种考虑多约束条件的短时车速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131955B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117325875B (zh) * | 2023-12-01 | 2024-02-02 | 北京航空航天大学 | 一种基于个性驾驶特征的车辆长时速度预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106502098A (zh) * | 2016-11-19 | 2017-03-15 | 合肥工业大学 | 一种基于车联网的最优车速闭环快速预测控制方法及装置 |
JP2017053768A (ja) * | 2015-09-10 | 2017-03-16 | 株式会社明電舎 | 車両速度制御装置 |
CN109360409A (zh) * | 2018-09-26 | 2019-02-19 | 江苏大学 | 一种基于驾驶风格的智能网联混合动力汽车编队控制方法 |
CN112466119A (zh) * | 2020-11-26 | 2021-03-09 | 清华大学 | 一种利用车路协同数据的汽车跟车车速预测方法及系统 |
CN112731806A (zh) * | 2020-12-08 | 2021-04-30 | 合肥工业大学 | 智能网联汽车随机模型预测控制实时性优化方法 |
WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京理工大学 | 一种基于前车与自车互动的短期车速工况实时预测方法 |
CN113911129A (zh) * | 2021-11-23 | 2022-01-11 | 吉林大学 | 一种基于驾驶行为生成机制的交通车意图识别方法 |
CN113947259A (zh) * | 2021-11-09 | 2022-01-18 | 吉林大学 | 一种基于gru神经网络的不同风格驾驶员车速预测方法 |
-
2023
- 2023-10-27 CN CN202311401965.7A patent/CN117131955B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017053768A (ja) * | 2015-09-10 | 2017-03-16 | 株式会社明電舎 | 車両速度制御装置 |
CN106502098A (zh) * | 2016-11-19 | 2017-03-15 | 合肥工业大学 | 一种基于车联网的最优车速闭环快速预测控制方法及装置 |
CN109360409A (zh) * | 2018-09-26 | 2019-02-19 | 江苏大学 | 一种基于驾驶风格的智能网联混合动力汽车编队控制方法 |
WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京理工大学 | 一种基于前车与自车互动的短期车速工况实时预测方法 |
CN112466119A (zh) * | 2020-11-26 | 2021-03-09 | 清华大学 | 一种利用车路协同数据的汽车跟车车速预测方法及系统 |
CN112731806A (zh) * | 2020-12-08 | 2021-04-30 | 合肥工业大学 | 智能网联汽车随机模型预测控制实时性优化方法 |
CN113947259A (zh) * | 2021-11-09 | 2022-01-18 | 吉林大学 | 一种基于gru神经网络的不同风格驾驶员车速预测方法 |
CN113911129A (zh) * | 2021-11-23 | 2022-01-11 | 吉林大学 | 一种基于驾驶行为生成机制的交通车意图识别方法 |
Non-Patent Citations (1)
Title |
---|
车联网环境下四驱混合动力汽车队列能量管理全局优化;钱立军;邱利宏;司远;王金波;;中国科学:技术科学(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117131955A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108995653B (zh) | 一种驾驶员驾驶风格识别方法及系统 | |
US10286900B2 (en) | Intelligent driving system with an embedded driver model | |
CN110155046B (zh) | 自动紧急制动分级控制方法与系统 | |
CN108995655B (zh) | 一种驾驶员驾驶意图识别方法及系统 | |
CN117131955B (zh) | 一种考虑多约束条件的短时车速预测方法 | |
CN109727469B (zh) | 一种多车道下自动驾驶车辆综合危险度评估方法 | |
CN109311482B (zh) | 用于确定未来路径点处的安全速度的方法 | |
CN107067753B (zh) | 一种基于行车安全距离的跟车自动驾驶方法 | |
CN101031462B (zh) | 用于辅助驾驶员的方法及装置 | |
JP5385056B2 (ja) | 運転状況推定装置,運転支援装置 | |
JP7068770B2 (ja) | ライダーの能力を分析するための方法、システム、及び、車両 | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
JP5643386B2 (ja) | 運転状況推定装置,運転支援装置 | |
CN113744563B (zh) | 一种基于轨迹数据的路-车风险实时估计方法 | |
CN110239558B (zh) | 一种基于识别系数的驾驶风格分层模糊识别系统 | |
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 | |
CN113370996B (zh) | 自动驾驶换道跟驰决策方法及系统、自动驾驶车辆 | |
JP2009157606A (ja) | ドライバ状態推定装置及びプログラム | |
CN111783943B (zh) | 一种基于lstm神经网络的驾驶员制动强度预测方法 | |
CN116466644B (zh) | 一种基于plc控制的车辆性能监管系统及方法 | |
CN116001795A (zh) | 一种换道风险评估及个性化换道决策方法 | |
JP4486897B2 (ja) | 運転行動認識装置 | |
CN112026767B (zh) | 自适应巡航对护栏误识别的处理方法、系统及车辆 | |
CN105329239A (zh) | 攻击性驾驶行为的检测和处理 | |
CN114613131B (zh) | 一种基于安全裕度的个性化前向碰撞预警方法 |
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 |