CN117246333B - 一种基于近场预知信息的车辆驱制动需求预测方法 - Google Patents
一种基于近场预知信息的车辆驱制动需求预测方法 Download PDFInfo
- Publication number
- CN117246333B CN117246333B CN202311523343.1A CN202311523343A CN117246333B CN 117246333 B CN117246333 B CN 117246333B CN 202311523343 A CN202311523343 A CN 202311523343A CN 117246333 B CN117246333 B CN 117246333B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- driving
- curve
- overtaking
- 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 66
- 230000001133 acceleration Effects 0.000 claims abstract description 84
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 claims abstract description 27
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 claims abstract description 27
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 11
- 238000005452 bending Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 abstract description 3
- 230000007704 transition Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research 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
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18145—Cornering
-
- 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
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- 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
- B60W50/0097—Predicting future conditions
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及车辆动力系统智能控制技术领域,尤其涉及一种基于近场预知信息的车辆驱制动需求预测方法。首先,采集不同类型驾驶人的驾驶数据;其次,利用场景识别模块,基于ADAS v2地图和环境感知传感器获取的近场预知信息进行解析与参数提取;随后,针对弯道信息,结合驾驶员的习惯操作,完成预知路段的线形识别、弯道场景下的驱制动需求时机预测和弯道场景下的驱制动加速度预测;针对环境感知传感器预知的周车状态信息,完成超车事件发生的可能性判断、超车场景下的驱制动需求时机预测和超车场景下的驱制动加速度大小预测;最后,将两种场景下的驱制动需求预测输出到车辆动力控制系统,从而实现实时动力智能控制。
Description
技术领域
本发明涉及车辆动力系统智能控制技术领域,尤其涉及一种基于近场预知信息的车辆驱制动需求预测方法。
背景技术
通过对车辆运动状态的预测,实现对车辆动力系统的智能控制,例如提前换挡或提前启机,防止模式频繁切换,或者智能调节动能回收力度等,可以提升车辆的动力响应和平顺性,因此如何实现车辆动力系统控制的预测已经成为智能车辆的研究重点之一。
目前有很多种预测方法与控制方法的组合,但由于车辆运动状态有着较强的不确定性,且大部分优化模型对算力要求较高,难以在实车上应用。其中一种主流的预测型动力系统控制方法是使用短时车速预测加上模型预测控制算法进行动力系统工作模式的选择。但这种方法是通过历史车速预测未来的车速,因此难以预测到加速/减速的转换或者突然出现的较大减速度和加速度,无法保证预测的车速趋势准确,可能导致控制不是最优选择,甚至产生负优化。而且通过预测值再进行模型预测控制,会导致消耗算力过大,甚至无法满足控制的实时性要求。
近年来,随着地图技术和感知技术的发展,可以通过多元信息的融合,精确的描述出自车在未来或者当前所处的道路或者交通场景。弯道和超车作为两种典型的大幅加减速场景,有着较高的驱制动需求。本发明提出可以通过ADAS地图数据预知弯道信息,采用感知系统识别前车,根据这些近场预知信息,结合经验和实车采集的数据,预测车辆驱制动需求的时机和需求的驱制动加速度大小。
发明内容
针对现有技术中的不足,本发明提出了一种基于近场预知信息的车辆驱制动需求预测方法,能够预测出车辆弯道减速或加速、超车加速两种大幅加减速场景,以及能够预测这两种场景下驱动或制动的需求。一方面,本发明基于ADAS地图的预知信息,识别出未来一段时间内自车所处的弯道场景,结合自车当前的状态,估计出自车入弯减速和出弯加速的时机和加速度大小;另一方面,本发明根据环境感知传感器识别到的周车状态,判断自车超车的需求,并估计加速时机和加速度大小。
本发明的技术方案具体如下:
一种基于近场预知信息的车辆驱制动需求预测方法,包括以下步骤:
步骤1、使用自车进行实车驾驶数据采集,并进行预处理得到近场数据集;
步骤2、利用场景识别模块实现对ADAS地图数据解析和周车状态识别;
步骤3、利用弯道场景下的驱制动需求预测模块实现预知路段的线形识别、弯道场景下的驱制动需求时机预测和弯道场景下的驱制动加速度预测;
步骤4、利用超车场景下的驱制动需求预测模块实现超车事件发生的可能性判断、超车场景下的驱制动需求时机预测和超车场景下的驱制动加速度大小预测;
步骤5、利用驱制动需求预测结果输出模块输出驱制动需求时机和驱制动加速度;
步骤6、实时驾驶过程中,设定驾驶数据采样频率,基于所述场景识别模块、弯道场景下的驱制动需求预测模块、超车场景下的驱制动需求预测模块和驱制动需求预测结果输出模块,对自车驱制动需求进行预测。
优选的,所述步骤1中采集的实车驾驶数据包括ADAS地图信息和环境感知传感器信息,并满足以下要求:
(1)驾驶路线包含弯道有前车、弯道无前车、直道有前车和直道无前车的场景,总里程不少于1000km;
(2)采用性别、驾龄和风格各不相同的至少10名驾驶员分别完成所述驾驶路线;
(3)采集的实车驾驶数据包括:自车车速、自车加速度、车道曲率、交通流速、自车与左车道线距离、左车道线类型、左车道前车存在状态、左车道前车相对距离、左车道前车相对速度、左车道前车绝对速度、当前车道前车存在状态、当前车道前车相对距离、当前车道前车相对速度和当前车道前车绝对速度。
优选的,所述步骤1中预处理如下:
(1)通过选取相同的时间范围,将采集的实车驾驶数据中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;
(3)从实车驾驶数据中提取弯道场景和超车场景产生的数据,组成由两类数据片段构成的近场数据集。
优选的,(1)ADAS地图数据解析
对驾驶数据中的ADAS地图进行数据解析,得到由道路位置、道路曲率和交通流速构成的三维矩阵,记为;
(2)周车状态识别
a)从驾驶数据中提取左车道前车存在状态、左车道前车相对距离、左车道前车相对速度、左车道前车绝对速度、当前车道前车存在状态、当前车道前车相对距离、当前车道前车相对速度和当前车道前车绝对速度;
b)判断当前车道前车是否对自车车速构成影响
当前车道存在前车时,记,若,则认为当前车道前车对自车车速有影响,标记为
当前车道不存在前车时,记或当前车道存在前车时,记,若,则认为当前车道前车对自车车速无影响,标记为;
其中,为车头时距阈值,为车头时距,计算方式如下:
优选的,所述步骤3中弯道场景下的驱制动需求预测模块具有以下三部分:
(1)弯道路段的线形识别
a)依据道路曲率及道路曲率变化,将弯道路段划分为直线段、缓和曲线段和圆弧段,分别记为;
b)分别提取直线段、缓和曲线段和圆弧段的长度和始末点道路位置;
(2)弯道场景下的驱制动需求时机预测
建立并训练驱制动需求时机预测模型,所述驱制动需求时机预测模型以自车当前位置距缓和曲线段起点距离、缓和曲线段长度、圆弧段长度、入弯前的车速、弯道中最低车速、弯道通过后车速以及车道曲率为输入,以减速点位置、车速最低点位置和加速完成点位置为输出;
(3)弯道场景下的驱制动加速度预测
基于减速点位置、车速最低点位置、加速完成点位置、入弯前的车速、弯道中最低车速和弯道通过后车速计算减速或加速过程中的加速度。
优选的,所述步骤4中超车场景下的驱制动需求预测模块具有以下三部分:
(1)超车事件发生的可能性判断
基于当前车道前车绝对速度和交通流速的比值、自车距入弯点距离与超车所需距离大小、左车道前车相对距离与超车所需距离大小和左车道线类型,判断是否超车;
(2)超车场景下的驱制动需求时机预测
根据自车车速与当前车道前车相对距离和前车道前车相对速度,计算距超车发生的剩余时间,记为;
(3)超车场景下的驱制动加速度大小预测
通过分析近场数据集,建立查表矩阵,所述查表矩阵中的元素为不同当前车道前车绝对速度下,预期发生超车时所需的自车加速度;通过查表可对超车过程自车加速度进行预测。
优选的,所述步骤5中驱制动需求预测结果输出模块输出的驱制动需求时机和驱制动加速度包括以下内容;
对于弯道场景,输出弯道存在状态、减速点位置、车速最低点位置、入弯减速度和出弯加速度;
对于超车场景,输出是否超车、距超车发生的剩余时间和超车过程自车加速度。
相比于现有技术,本发明的有益效果在于:
(1)本发明提出的一种基于近场预知信息的车辆驱制动需求预测方法,采集了ADAS地图信息和环境感知传感器信息,相比于基于数据驱动的方法使用历史数据预测未来信息,提升了预测的可解释性和预测值的可信度。
(2)本发明提出的一种基于近场预知信息的车辆驱制动需求预测方法,能够解析出车辆行进路径前方的弯道情况,通过解析出的弯道参数,可以预测出车辆在弯道时可能的减速点和加速点,以及加速度和减速度,改善了基于数据驱动的车速预测在加减速趋势变化时预测效果不佳的问题。
(3)本发明提出的一种基于近场预知信息的车辆驱制动需求预测方法,能够根据交通环境识别,分析出超车事件是否可能发生,并在可能发生超车事件的情况下,预测出超车的时机和超车的加速度大小,改善了基于数据驱动的车速预测在急加速场景下对驱制动需求预测不准确的问题。
(4)本发明提出的一种基于近场预知信息的车辆驱制动需求预测方法,相比于基于数据驱动的车速预测方法,避免了在没有驱制动需求时预测模型持续的输出,也避免了使用大型时序预测模型,提升了预测效率。
(5)本发明提出的一种基于近场预知信息的车辆驱制动需求预测方法,对有较大驱制动加速度需求场景,进行了驱制动需求时机和加速度的预测,能够作用于车辆动力系统的智能控制,例如提前换挡、发动机提前启机、避免模式频繁切换、智能动能回收力度调节等,提升车辆的动力响应和平顺性。
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为本发明提出的一种基于近场预知信息的车辆驱制动需求预测方法的工作原理图。
图2为弯道场景中三种线形的车道曲率及其变化率。
图3为弯道场景中减速点、车速最低点和加速完成点的位置示意图。
图4为弯道场景中的车速曲线。
图5为超车场景中各点位及各限制条件示意图。
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。
本发明提出的一种基于近场预知信息的车辆驱制动需求预测方法,具体流程如图1所示:
步骤1:使用自车进行实车驾驶数据采集,并进行预处理得到近场数据集
采集的实车驾驶数据包括ADAS地图信息和环境感知传感器信息,并满足以下要求:
(1)驾驶路线包含弯道有前车、弯道无前车、直道有前车和直道无前车的场景,总里程不少于1000km;
(2)采用性别、驾龄和风格各不相同的至少10名驾驶员分别完成所述驾驶路线;
(3)采集的实车驾驶数据包括:自车车速、自车加速度、车道曲率、交通流速、自车与左车道线距离、左车道线类型、左车道前车存在状态、左车道前车相对距离、左车道前车相对速度、左车道前车绝对速度、当前车道前车存在状态、当前车道前车相对距离、当前车道前车相对速度和当前车道前车绝对速度。
数据采集完成后,对采集到的实车驾驶数据进行预处理,内容包括:
(1)通过选取相同的时间范围,将采集的实车驾驶数据中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;
(3)从实车驾驶数据中提取弯道场景和超车场景产生的数据,组成由两类数据片段构成的近场数据集。
步骤2:利用场景识别模块实现对ADAS地图数据解析和周车状态识别;
场景识别主要包括ADAS地图数据解析和周车状态识别两部分。
(1)ADAS地图数据解析
ADAS地图数据以报文的形式发送,报文内容包括:数据类型(指示该报文表示什么类型的数据)、位置(表示该数据对应的在路径上的位置)、值(该类型对应参数的具体数值)。ADAS地图在有新数据可用时,将新数据以报文的形式发送,其最大视距为2 km。
本发明主要使用ADAS地图数据中车道曲率和交通流速两种类型,数据解析后,得到由道路位置、道路曲率和交通流速构成的三维矩阵,记为。包括视距内的道路每个点的参数,并且在ADAS地图发送新报文时该矩阵实时更新。该矩阵在每一时刻都保存有视距内的全部信息,且信息点间等间距,间距定位10m。
的第一列为道路位置,记为,设定每10m一个信息点;第二列为该道路位置上的道路曲率,记为;第三列为该道路位置上的交通流速,记为。
的形式如下表所示:
表1
由于ADAS地图发送信息点的不固定间距,因此采用如下方法将ADAS地图报文填入矩阵:首先将某时刻发送的除以10之后取整,作为的横坐标;再将根据其填入对应的列;当ADAS地图发送的全部报文都填入矩阵后,对所有空白值进行插值处理。例如根据报文填入了时和时,而和没有对应的数据,则插值计算出,。
(2)周车状态识别
周车状态识别的目的是确定左车道和当前车道前车的位置和运动状态。
a)从驾驶数据中提取左车道前车存在状态、左车道前车相对距离、左车道前车相对速度、左车道前车绝对速度、当前车道前车存在状态、当前车道前车相对距离、当前车道前车相对速度和当前车道前车绝对速度;
b)判断当前车道前车是否对自车车速构成影响
当前车道存在前车时,记,若,则认为当前车道前车对自车车速有影响,标记为;
当前车道不存在前车时,记或当前车道存在前车时,记,若,则认为当前车道前车对自车车速无影响,标记为;
其中,为车头时距阈值,为车头时距,计算方式如下:
式中的系数3.6,表示车速采用的惯用单位,需要转换为标准单位进行计算。
对采集到的数据进行分析,并结合经验值,设置车头时距阈值。
即,当环境感知传感器识别到前车,且车头时距时,则认为当前车道前车对自车车速有影响,标记为;
当前车道不存在前车时,记或当前车道存在前车时,记,若,则认为当前车道前车对自车车速无影响,标记为;
步骤3:利用弯道场景下的驱制动需求预测模块实现预知路段的线形识别、弯道场景下的驱制动需求时机预测和弯道场景下的驱制动加速度预测;
弯道场景下的驱制动需求预测模块仅针对车辆自由行驶通过弯道的场景,即当前车道无前车或当前车道前车对自车车速无影响的情况下(时),进行预测。
弯道场景下的驱制动需求预测模块具有以下三部分:
(1)弯道路段的线形识别
线形识别的目的在于,首先根据离散的车道曲率数据,识别出直线段、缓和曲线段、圆弧段三种线形;然后根据线形分类结果提取两个缓和曲线段和一个圆弧段的起点终点的位置,及各段的长度。
a)首先通过ADAS地图视距内每一点的车道曲率及其变化进行线形分类:
车道曲率的变化定义为中两个采样点之间(相隔10m的两个点)的车道曲率变化量。中第个点的车道曲率变化量记为:
三种线形的车道曲率及其变化率如图2所示,直线段车道曲率接近于0;圆弧段的车道曲率为大于0的定值;而缓和曲线段则是一端车道曲率近似于0(与直线段相同),另一端车道曲率与其连接的圆弧段相同,中间各点的车道曲率平稳变化。
通过设定车道曲率阈值,可区分弯道(圆弧段或者缓和曲线段)和直线段;通过设定曲率变化阈值,可在识别为弯道的情况下区分缓和曲线段和圆弧段。一般的,;。
对中的每个点进行识别,并分别输出线形分类标签,表示直线段,表示缓和曲线段,表示圆弧段。以中第个点(处)为例,和有以下三种情况:
情况1:
此时车道曲率接近于0,判定为直线段,即。
情况2:且
此时车道曲率不为0且正在变化,判定为缓和曲线段,即。
情况3:且
此时车道曲率不为0且几乎不变,判定为圆弧段,即。
中全部点识别完成后,在中加入线形分类结果并更新为表2。
表2
b)根据线形分类结果提取直线段、缓和曲线段和圆弧段的长度和始末点道路位置:
将中第3列即线形类型信息中,首个从0变为1的点记为第一段缓和曲线起点,也是入弯点,其位置记为;入弯点之后的首个1变为2的点标记为圆弧段起点,也是第一段缓和曲线终点,记为;圆弧段起点之后的首个2变为1的点标记为第二段缓和曲线起点,也是圆弧段终点,记为;第二段缓和曲线起点之后的首个1变为0的点标记为第二段缓和曲线终点,也是出弯点,记为。
当当中同时存在和时,记作有弯道,输出标志位,否则视距内没有弯道,输出。
分别计算自车当前位置距第一段缓和曲线起点距离,第一段过渡曲线、圆弧、第二段过渡曲线的长度,分别记为、、、:
将圆弧段的车道曲率平均值视为该弯道的车道曲率,记为。
(2)弯道场景下的驱制动需求时机预测
当ADAS地图视距内存在弯道时,即时,对弯道的驱制动需求进行预测。
本发明将弯道简化为先恒减速,后恒加速的过程。其中包括减速点、车速最低点、加速完成点一共三个点;以及减速段、加速段一共两段。
各点的车速分别记作:入弯前车速、弯道中最低车速、弯道通过后的车速;位置分别记作:、、,入弯减速点与的距离、车速最低点与的距离、加速完成点与的距离。各点位和各距离如图3所示。
当确定减速点、车速最低点、加速完成点分别的车速和位置后,即可确定该弯道的车速曲线,如图4所示。
入弯前车速可使用当前自车车速(认为当前车速保持到入弯之前),即;出弯认为会加速度到加速完成点的交通流速(不考虑其他限制),即。
弯道中最低车速与弯道的车道曲率相关,采用经验公式:
为预测、、三个点的位置,建立一种数据驱动的驱制动需求时机预测模型,例如可采用BP神经网络算法,网络的输入为、、、、、、以及;输出为、、。
其中训练数据来自近场数据集。由于训练时需要、、的标签作为训练的响应,训练数据中,每个片段的、、的确定方法如下:
对于,由于仅根据加速度无法区分平稳驾驶的速度波动和主动减速的情况,因此需要标定减速加速度阈值。当实时自车加速度超过阈值时,即时,认为车辆开始入弯减速,此时的位置即为。将标定为车辆的不踩制动踏板时的滑行加速度,采用;
直接选取弯道当中的车速最小的点的位置;
直接选取车速最低点之后首次车速不再增加的点的位置。
(3)弯道场景下的驱制动加速度预测
由于弯道中减速点、车速最低点、加速完成点三个点所对应的、、和、、都已确定,可以根据位置变化量和速度变化量计算出减速或加速过程的平均加速度(即驱制动加速度)。
实时预测时,当、、和、、都已确定后,计算减速过程的入弯减速度和加速过程的出弯加速度,分别记为和,计算方法为:
步骤4:利用超车场景下的驱制动需求预测模块实现超车事件发生的可能性判断、超车场景下的驱制动需求时机预测和超车场景下的驱制动加速度大小预测
该模块仅针对当前车道前车对自车车速有影响的场景,因此当时,使用该模块进行预测。首先识别出可能发生超车的场景,再预测超车场景驱制动需求。
(1)超车事件发生的可能性判断
采用四个条件判断有无超车意图。即在满足的条件下,同时满足以下四个条件即判别为有可能超车,记为;反之四个条件不能同时满足则不可能超车,记为。四个判别条件为:当前车道前车绝对速度和交通流速的比值、自车距入弯点距离与超车所需距离大小、左车道前车相对距离与超车所需距离大小和左车道线类型。
超车过程中各点位及各限制条件示意图如图5所示。
条件1:当前车道前车绝对速度和交通流速的比值
当前车道前车绝对速度和交通流速比值较小时,即前车车速明显慢于交通流速,此时自车可能有超过前车的意图。
某一时刻当前车道前车绝对速度和交通流速的比值记为:
式中为时刻当前车道前车绝对速度,为ADAS地图信息中第一个点的交通流速。
小于阈值时,即时,自车有超车的需求,即存在超车的可能,记为。反之则不是超车场景,记为。
阈值的标定方法为,根据采集的近场数据集,在每个超车事件片段中,以自车到左车道线距离为0的点为超车事件发生的起点,计算出该片段起点处的值。统计出全部超车片段的值后进行从小到大的排序,选取第95%位置的值作为。
条件2:自车距入弯点距离与超车所需距离大小
自车距入弯点距离为当前自车位置和ADAS地图视距中第一个弯道的第一段过度曲线起点的距离,即。
某一时刻超车所需距离为:
式中为该时刻当前车道前车绝对速度,即被超车辆绝对速度,为超车时自车车速和当前车道前车绝对速度之差估计值,为完整超车过程估计耗时。根据经验值标定,。
当自车距入弯点距离大于超车所需距离时,即时,自车在弯道场景下有足够的空间进行超车,此时有超车的可能,记为记为;反之则不可能超车,记为。
条件3:左车道前车相对距离和超车所需距离进行比较
通过周车状态识别获得某一时刻左车道前车相对距离和左车道前车绝对速度。计算超车所需距离,如下
计算超车过程中左车道前车行驶距离:
其中当左车道为同向行驶的车道时,左车道前车绝对速度值为正;而左车道为对向车道时,左车道前车绝对速度为负。
当左车道前车相对距离大于超车所需距离与左车道前车行驶距离之差,并留有一定的安全裕度时,即时,此时有超车的可能,记为;反之则不可能超车,记为。根据采集数据分析并结合经验值,标定为。
条件4:左车道线类型
由于交通规则的限制,当左车道线为实线时,无论左侧为对向车道或是同向车道,均不可向左车道超车。因此根据环境感知传感器输出的左车道线类型实时识别结果,当识别为单实线或双实线时,不可能超车,记为;其他情况均为可能超车,记为。
综上所述,当时刻且且且时,时刻可能超车,输出,否则时刻不可能超车,输出。
(2)超车场景下的驱制动需求时机预测
通过距超车事件发生时间表述超车场景下的驱制动需求的时机。
由于超车开始发生的时机与当前车道前车相对距离最为相关,因此标定预期超车发生时与当前车道前车距离。的标定方法为,根据采集的近场数据集,在每个超车事件片段中,记录该片段自车到左车道线距离为0时当前车道前车相对距离,统计出全部超车事件片段的值后取平均值记为。
根据当前车道前车相对距离和相对速度,计算距超车事件发生剩余时间,记为:
(3)超车场景下的驱制动加速度大小预测
当左车道为同向车道时和左车道为对向车道时的超车加速度明显不同,因此将超车场景分为两种情况,即左车道为同向车道和左为对向车道。针对左车道为同向车道的情况,预期加速度记为;针对左车道为对向车道的情况,预期加速度记为。超车场景下的超车过程加速度总输出记为。
区分左车道行车方向的方法为:根据左车道前车绝对速度的正负。当左车道存在前车时,当时,左车道为同向车道,记为,反之则为对向车道,记为。当左车道未识别到前车时,由于该场景为安全场景,即使左车道为对向车道,也无需采取过大的加速度,因此将左车道视为等效于同向车道,即。
通过分析采集的近场数据集,建立查表矩阵和。和均为的矩阵,其横坐标记为,表示当前车道前车绝对速度级别(将前车绝对速度分为20以下、20至30、…、90至100、100以上共10种情况,对应矩阵的10个行),查表矩阵的元素则表示在当前车道前车绝对速度下,预期发生超车时所需的自车加速度。
和两个查表矩阵标定的方法为,将近场数据集中的超车片段分为左车道同向和左车道对向两部分,对两部分分别进行分析,数据分别填入对应的查表矩阵。以为例,在所有超车事件数据片段中,筛选出左车道为同向车道的片段,再将这些片段按照当前车道前车绝对速度的级别分为十个集合。在每个集合中,对每段数据,以到左车道线距离为0的点为起点,直至起点之后首个自车车速不再增加的点为止,记录开始时间点和结束时间点,再找到相应的时间片段中的自车车速变化量和时间长度,相除得到该片段加速过程的平均加速度。将该集合中所有加速过程的进行平均,得到左车道为同向车道时,当前车道前车在该绝度速度级别的情况下,预期的自车超车加速度,填入矩阵中对应的行。与的标定方法相同。
实时预测时,当识别到,则在矩阵中进行查表,将实时的当前车道前车绝对速度转化为矩阵中对应的行,其中的元素值就是当前超车场景下预期的加速度,即输出;当识别到时同理,输出。
步骤5:利用驱制动需求预测结果输出模块输出驱制动需求时机和驱制动加速度
通过预测驱制动需求时机和驱制动加速度,从而可实现对动力系统的精确控制。对于弯道场景,时机表示为自车当前位置距入弯点的剩余距离;对于超车场景,时机表示为距超车事件发生的剩余时间。驱制动加速度大小则为预测加速度的值。
具体而言,主要涉及两种场景,即弯道和超车,分别是在当前车道前车对自车无影响和有影响的条件下进行预测,因此两种预测结果不存在冲突。
步骤6:实时驾驶过程中,采集驾驶数据,对车辆驱制动需求进行实时预测
情况1:时,进行弯道驱制动需求预测
弯道场景下的驱制动需求预测模块持续工作,以1Hz的频率计算,每个采样时刻均输出弯道存在状态、入弯减速点与的距离、车速最低点与的距离、入弯减速度和出弯加速度;
情况2:时,进行超车驱制动需求预测
超车场景下的驱制动需求预测模块同样以1Hz的频率持续工作,输出是否超车、距超车事件发生剩余时间、超车过程加速度。
本发明的预测输出结果能够作用于汽车动力系统智能控制,包括但不限于提前换挡、发动机提前启机、避免模式频繁切换、智能动能回收力度调节等。
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 (7)
1.一种基于近场预知信息的车辆驱制动需求预测方法,其特征在于,包括以下步骤:
步骤1、使用自车进行实车驾驶数据采集,并进行预处理得到近场数据集;
步骤2、利用场景识别模块实现对ADAS地图数据解析和周车状态识别;
步骤3、利用弯道场景下的驱制动需求预测模块实现预知路段的线形识别、弯道场景下的驱制动需求时机预测和弯道场景下的驱制动加速度预测;
步骤4、利用超车场景下的驱制动需求预测模块实现超车事件发生的可能性判断、超车场景下的驱制动需求时机预测和超车场景下的驱制动加速度大小预测;
步骤5、利用驱制动需求预测结果输出模块输出驱制动需求时机和驱制动加速度;
步骤6、实时驾驶过程中,设定驾驶数据采样频率,基于所述场景识别模块、弯道场景下的驱制动需求预测模块、超车场景下的驱制动需求预测模块和驱制动需求预测结果输出模块,对自车驱制动需求进行预测。
2.根据权利要求1所述的车辆驱制动需求预测方法,其特征在于,所述步骤1中采集的实车驾驶数据包括ADAS地图信息和环境感知传感器信息,并满足以下要求:
(1)驾驶路线包含弯道有前车、弯道无前车、直道有前车和直道无前车的场景,总里程不少于1000km;
(2)采用性别、驾龄和风格各不相同的至少10名驾驶员分别完成所述驾驶路线;
(3)采集的实车驾驶数据包括:自车车速、自车加速度、车道曲率、交通流速、自车与左车道线距离、左车道线类型、左车道前车存在状态、左车道前车相对距离、左车道前车相对速度、左车道前车绝对速度、当前车道前车存在状态、当前车道前车相对距离、当前车道前车相对速度和当前车道前车绝对速度。
3.根据权利要求1所述的车辆驱制动需求预测方法,其特征在于,所述步骤1中预处理如下:
(1)通过选取相同的时间范围,将采集的实车驾驶数据中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;
(3)从实车驾驶数据中提取弯道场景和超车场景产生的数据,组成由两类数据片段构成的近场数据集。
4. 根据权利要求2所述的车辆驱制动需求预测方法,其特征在于,所述步骤2中场景识别模块具有以下两部分:
(1)ADAS地图数据解析
对驾驶数据中的ADAS地图进行数据解析,得到由道路位置、道路曲率和交通流速构成的三维矩阵,记为;
(2)周车状态识别
a)从驾驶数据中提取左车道前车存在状态、左车道前车相对距离、左车道前车相对速度、左车道前车绝对速度、当前车道前车存在状态、当前车道前车相对距离、当前车道前车相对速度和当前车道前车绝对速度;
b)判断当前车道前车是否对自车车速构成影响
当前车道存在前车时,记,若,则认为当前车道前车对自车车速有影响,标记为;
当前车道不存在前车时,记或当前车道存在前车时,记,若,则认为当前车道前车对自车车速无影响,标记为;
其中,为车头时距阈值,为车头时距,计算方式如下:
5. 根据权利要求4所述的车辆驱制动需求预测方法,其特征在于,所述步骤3中弯道场景下的驱制动需求预测模块具有以下三部分:
(1)弯道路段的线形识别
a)依据道路曲率及道路曲率变化,将弯道路段划分为直线段、缓和曲线段和圆弧段,分别记为;
b)分别提取直线段、缓和曲线段和圆弧段的长度和始末点道路位置;
(2)弯道场景下的驱制动需求时机预测
建立并训练驱制动需求时机预测模型,所述驱制动需求时机预测模型以自车当前位置距缓和曲线段起点距离、缓和曲线段长度、圆弧段长度、入弯前的车速、弯道中最低车速、弯道通过后车速以及车道曲率为输入,以减速点位置、车速最低点位置和加速完成点位置为输出;
(3)弯道场景下的驱制动加速度预测
基于减速点位置、车速最低点位置、加速完成点位置、入弯前的车速、弯道中最低车速和弯道通过后车速计算减速或加速过程中的加速度。
6. 根据权利要求5所述的车辆驱制动需求预测方法,其特征在于,所述步骤4中超车场景下的驱制动需求预测模块具有以下三部分:
(1)超车事件发生的可能性判断
基于当前车道前车绝对速度和交通流速的比值、自车距入弯点距离与超车所需距离大小、左车道前车相对距离与超车所需距离大小和左车道线类型,判断是否超车;
(2)超车场景下的驱制动需求时机预测
根据自车车速与当前车道前车相对距离和前车道前车相对速度,计算距超车发生的剩余时间,记为;
(3)超车场景下的驱制动加速度大小预测
通过分析近场数据集,建立查表矩阵,所述查表矩阵中的元素为不同当前车道前车绝对速度下,预期发生超车时所需的自车加速度;通过查表对超车过程自车加速度进行预测。
7.根据权利要求6所述的车辆驱制动需求预测方法,其特征在于,所述步骤5中驱制动需求预测结果输出模块输出的驱制动需求时机和驱制动加速度包括以下内容;
对于弯道场景,输出弯道存在状态、减速点位置、车速最低点位置、入弯减速度和出弯加速度;
对于超车场景,输出是否超车、距超车发生的剩余时间和超车过程自车加速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523343.1A CN117246333B (zh) | 2023-11-16 | 2023-11-16 | 一种基于近场预知信息的车辆驱制动需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523343.1A CN117246333B (zh) | 2023-11-16 | 2023-11-16 | 一种基于近场预知信息的车辆驱制动需求预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117246333A CN117246333A (zh) | 2023-12-19 |
CN117246333B true CN117246333B (zh) | 2024-01-16 |
Family
ID=89126745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311523343.1A Active CN117246333B (zh) | 2023-11-16 | 2023-11-16 | 一种基于近场预知信息的车辆驱制动需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117246333B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118366328B (zh) * | 2024-06-14 | 2024-08-20 | 云南省交通科学研究院有限公司 | 一种轻污染车辆速度自适应控制方法、系统、终端及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009205358A (ja) * | 2008-02-27 | 2009-09-10 | Nissan Motor Co Ltd | 走行支援装置および走行支援方法 |
CN107272687A (zh) * | 2017-06-29 | 2017-10-20 | 深圳市海梁科技有限公司 | 一种自动驾驶公交车辆的驾驶行为决策系统 |
CN113044021A (zh) * | 2021-04-28 | 2021-06-29 | 东风汽车集团股份有限公司 | 一种基于道路场景和驾驶意图的节油系统和控制方法 |
JP2022098989A (ja) * | 2020-12-22 | 2022-07-04 | 株式会社Subaru | 運転支援装置 |
CN114906146A (zh) * | 2022-06-20 | 2022-08-16 | 岚图汽车科技有限公司 | 一种自动驾驶超车变道自适应控制方法及系统 |
CN115743172A (zh) * | 2022-11-09 | 2023-03-07 | 安徽酷哇机器人有限公司 | 模仿前车进行博弈的高交互场景自动驾驶决策方法及系统 |
CN115892024A (zh) * | 2022-11-29 | 2023-04-04 | 重庆长安汽车股份有限公司 | 汽车行驶场景识别控制系统、方法及存储介质 |
DE102022108677B3 (de) * | 2022-04-11 | 2023-06-01 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren, System und Computerprogrammprodukt zur Ermittlung von objektiven Kenngrößen für die Prädiktion einer subjektiven Bewertung eines Fahrassistenzsystems und/oder einer automatisierten Fahrassistenzfunktion |
WO2023213018A1 (zh) * | 2022-05-06 | 2023-11-09 | 苏州大学 | 一种车辆跟驰控制方法和系统 |
-
2023
- 2023-11-16 CN CN202311523343.1A patent/CN117246333B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009205358A (ja) * | 2008-02-27 | 2009-09-10 | Nissan Motor Co Ltd | 走行支援装置および走行支援方法 |
CN107272687A (zh) * | 2017-06-29 | 2017-10-20 | 深圳市海梁科技有限公司 | 一种自动驾驶公交车辆的驾驶行为决策系统 |
JP2022098989A (ja) * | 2020-12-22 | 2022-07-04 | 株式会社Subaru | 運転支援装置 |
CN113044021A (zh) * | 2021-04-28 | 2021-06-29 | 东风汽车集团股份有限公司 | 一种基于道路场景和驾驶意图的节油系统和控制方法 |
DE102022108677B3 (de) * | 2022-04-11 | 2023-06-01 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren, System und Computerprogrammprodukt zur Ermittlung von objektiven Kenngrößen für die Prädiktion einer subjektiven Bewertung eines Fahrassistenzsystems und/oder einer automatisierten Fahrassistenzfunktion |
WO2023213018A1 (zh) * | 2022-05-06 | 2023-11-09 | 苏州大学 | 一种车辆跟驰控制方法和系统 |
CN114906146A (zh) * | 2022-06-20 | 2022-08-16 | 岚图汽车科技有限公司 | 一种自动驾驶超车变道自适应控制方法及系统 |
CN115743172A (zh) * | 2022-11-09 | 2023-03-07 | 安徽酷哇机器人有限公司 | 模仿前车进行博弈的高交互场景自动驾驶决策方法及系统 |
CN115892024A (zh) * | 2022-11-29 | 2023-04-04 | 重庆长安汽车股份有限公司 | 汽车行驶场景识别控制系统、方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117246333A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109727469B (zh) | 一种多车道下自动驾驶车辆综合危险度评估方法 | |
JP5263312B2 (ja) | 渋滞判定装置、及び車両制御装置 | |
CN107346612B (zh) | 一种基于车联网的车辆防碰撞方法和系统 | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
CN117246333B (zh) | 一种基于近场预知信息的车辆驱制动需求预测方法 | |
Berndt et al. | Driver intention inference with vehicle onboard sensors | |
CN113190921A (zh) | 用于智能汽车驾乘性能测试的自动评价方法及系统 | |
CN109448408B (zh) | 一种红绿灯处车辆行驶状态优化方法 | |
CN105788360A (zh) | 一种车辆防碰撞的方法、装置和系统 | |
JP2013242615A (ja) | 運転シーン遷移予測装置および車両用推奨運転操作提示装置 | |
CN116466644B (zh) | 一种基于plc控制的车辆性能监管系统及方法 | |
CN112249008A (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
CN115662131B (zh) | 网联环境下道路事故路段的多车道协同换道方法 | |
CN112508054A (zh) | 一种驾驶模型训练方法、装置、设备和介质 | |
CN113511204A (zh) | 一种车辆换道行为识别方法及相关设备 | |
CN116957345A (zh) | 用于无人驾驶系统中的数据处理方法 | |
CN117131955B (zh) | 一种考虑多约束条件的短时车速预测方法 | |
CN113240901B (zh) | 一种智能车换道行为风险等级确定方法及装置 | |
CN111754774B (zh) | 一种高速路匝道口智能网联汽车安全自组织通行控制方法 | |
CN116909202A (zh) | 车云协同自动驾驶车辆控制方法、装置、设备及介质 | |
CN111402627A (zh) | 一种基于车联网的多工况换道安全预警系统及预警方法 | |
CN114613131B (zh) | 一种基于安全裕度的个性化前向碰撞预警方法 | |
CN115169908A (zh) | 网联环境下基于知觉风险场的车辆行驶状态安全评估方法 | |
CN112351407A (zh) | 一种基于5g分级决策的aeb策略方法 | |
CN113205681A (zh) | 碰撞预警方法及装置、电子设备和计算机可读存储介质 |
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 |