CN102745194B - 一种高速公路汽车防追尾前车的自适应报警方法 - Google Patents

Abstract

本发明公开了一种高速公路汽车防追尾前车的自适应报警方法，该方法基于安全时间逻辑算法，能够适应驾驶员特性及行驶环境，对安全时间门限值即报警阈值进行实时自适应调整，从而有效的避免了虚警和误警。该算法通过初始模式选择和车载传感器采集车辆行驶相关信息，首先通过判别驾驶员意图设置报警抑制策略以减少虚警率，进而计算出自车与前车碰撞时间TTC,并根据驾驶员特性和当前行驶环境实时计算出当前报警安全门限值T_W，最后依据所计算出的自车与前车的碰撞时间TTC和报警安全门限值T_W，判别当前是否存在潜在的追尾前车的危险，当判别存在潜在危险时，发出报警指令。本发明可依据驾驶员驾龄与具体行驶环境、车辆制动类型等，实时、准确的发现潜在的追尾危险，并给予驾驶员以警告，从而有效预防高速公路上自车与前车追尾事故的发生。

Description

一种高速公路汽车防追尾前车的自适应报警方法

技术领域

本发明涉及一种高速公路汽车行驶防追尾前车的自适应报警方法的研究，尤其涉及一种基于安全时间逻辑算法的能反应驾驶员及行驶环境特性的高速公路汽车行驶追尾碰撞预警模型的建立，其目的在于在汽车行驶过程中，能及时的发现潜在的追尾碰撞危险，并给予驾驶员以警告，从而避免自车追尾前车，属于交通安全领域。

背景技术

交通事故的统计资料表明，高速公路上车辆的追尾碰撞事故是最主要的事故形态。戴姆勒-奔驰（Daimler-Benz）公司的研究表明，驾驶员如果能在碰撞发生前0.5秒得到预警，就能避免50%的碰撞事故；若在1秒前得到预警，则可避免90%的碰撞事故。因此，开发研制汽车防追尾碰撞报警装置，在追尾碰撞发生之前给予驾驶员警示，提醒驾驶员采取制动或换道等措施，防止自车追尾前车，对于提高汽车行驶安全，减少追尾事故的发生，具有重要的意义。而建立科学的追尾碰撞的报警方法与模型则是追尾碰撞报警装置研究的核心和关键技术所在。只有在理论上建立起较为准确、合理和全面的数学模型，报警装置才能与车辆的实际运行情况相符，才具有实用性。

目前，国内外的防追尾碰撞报警方法与模型主要包括安全距离逻辑算法与安全时间逻辑算法两类。安全距离逻辑算法是指通过计算汽车行驶的当前条件下，车辆避开追尾碰撞需要保持的车辆与障碍物间的最小距离，并与安全距离门限值进行比较，确定安全状态。安全时间逻辑算法是通过计算两车间的碰撞时间与安全时间门限值进行比较，确定安全状态。国内外对于安全距离模型的研究较多，也形成了固定车距模型，固定车间时距模型和运动学模型等不同形式的模型。但在影响追尾碰撞的两个重要参数相对距离和相对速度中，安全距离模型关注的是相对距离这个参数，而忽略了相对速度这个关键参数，从而在很大程度上影响了预警模型的准确性。同时，安全距离模型在对于驾驶员个体的适应性上也存在着很大的不足。

基于这样的考虑，本发明采用的是基于安全时间逻辑算法的追尾碰撞报警方法。但现有的安全时间逻辑算法报警方法与模型存在着较大的问题和不足。首先，安全时间逻辑算法是通过计算两车间的碰撞时间与安全时间门限值进行比较以确定危险状态，而在国内外现有研究中，无论是采取几级报警，选取几个安全时间门限值，其安全时间门限值都采用经验值即常数，无法体现不同驾驶环境以及不同驾驶员个体的差异，在某些无需报警的驾驶工况下误报警，而在另一些需报警的驾驶工况下却不报警，导致虚警率和误警率较高。其次，现有的安全时间逻辑算法无法察觉驾驶员的驾驶意图，即使在驾驶员对碰撞危险已经有所察觉，并已采取制动或换道等行为的情况下，依然进行报警，这在一定程度上对驾驶员的正常操作产生了影响，容易引起驾驶员的反感，起到了适得其反的作用。再者，现有的安全时间逻辑算法在计算两车的碰撞时间时，所采取的计算方法是用相对距离除以两车相对速度，在两车相对速度较小趋向于零时，所计算得出的碰撞时间值较大，不会产生报警，但此时若两车相对间距较小，则会给驾驶员一种不安全的感觉，同样处于较为危险的状况，应提醒驾驶员予以注意。最后，现在的安全时间逻辑算法无法保证驾驶员在接受报警后，有充足的时间正确操作车辆，防止追尾事故的发生。

发明内容

针对上述问题与不足，本发明的目的是提供一种基于安全时间逻辑算法的高速公路汽车防追尾前车的自适应报警方法，监测本车与同车道内前车的相对运动状态，有效预防自车追尾前车。该算法能适应不同行驶环境和不同驾驶员个体，实时的调整安全时间门限值，并结合驾驶员驾驶意图制定报警屏蔽策略，有效减少虚警率和误警率。在两车间相对速度为零时，保持一定的行车间距以减少驾驶员的不安全感，同时保证驾驶员在接受报警后，有充足的时间正确操作车辆以防止追尾的发生。

为实现上述目的，本发明采取以下技术方案，一种高速公路汽车防追尾前车的自适应报警方法，其特征在于，包括以下步骤：

1）选择当前车辆制动类型、路面类型以及驾驶员驾龄

行车前，选择当前车辆制动类型、路面类型以及驾驶员驾龄，其中，车辆制动类型包括气压式和液压式，路面类型包括干燥路面、潮湿路面、积雪路面和结冰路面，驾驶员驾龄为驾驶员实际驾龄，选项划分为小于1年,1～3年以及大于3年三类；

2）采集前车相对于自车的相对距离、相对速度以及自车的速度，油门踏板信号，转向灯信号，制动踏板信号和当前能见度信号

利用毫米波雷达传感器或视觉传感器采集前车与自车相对距离和相对速度信息；自车速度信息利用自车速度传感器采集；分别利用油门踏板力传感器和制动踏板力传感器获取油门踏板和制动踏板信号，并通过汽车CAN总线实时获取转向灯是否开启的信息；利用能见度传感器获取当前能见度信息；

3）依据步骤2中所采集的信息，设定屏蔽报警策略

依据步骤2中所采集的自车相对于前车的速度V_r，单位：m/s，若V_r≤0，则无碰撞危险，屏蔽报警，否则，依据步骤2中所采集的制动踏板、油门踏板及转向灯信号，判断驾驶员驾驶意图,设置如下报警屏蔽策略：驾驶员踩制动时，报警屏蔽；驾驶员松油门时，报警屏蔽；驾驶员开启转向灯时，报警屏蔽；

4）依据步骤2与步骤1中所采集的信息，当自车相对于前车速度V_r＞0时，计算自车与前车的碰撞时间TTC和报警安全门限值T_W

所述自车与前车的碰撞时间TTC的计算如下：

$\mathrm{TTC}=\frac{L}{V_r}$

式中，L为前车相对于自车的距离，单位：m，V_r为自车相对于前车的速度，单位：m/s，两者均由步骤2获取；

所述报警安全门限值T_W的计算如下：

T_W=T₁+T₂+T₃+T₄

式中，T₁为驾驶员反应时间，即从驾驶员接受预警到其采取制动措施所经历的时间，单位：s；

T₂为制动协调时间，即从驾驶员采取制动措施到制动***产生制动力所经历的时间，单位：s；

T₃为减速度增长时间，即制动减速度从0增长到最大制动减速度的时间，单位：s；

T₄为持续制动时间，即制动减速度达到最大值时到本车与前车相对静止所需时间，单位：s；

所述的驾驶员反应时间T₁的取值范围统计值为0.3～1s，其计算如下：

通过建立一个驾驶员反应时间识别BP人工神经网络的方法来确定驾驶员的反应时间，人工神经网络包括输入层、隐含层和输出层，其中输入层接收计算驾驶员反应时间所需要的输入向量，该输入向量为4维向量，各维度分别为自车车速、能见度、路面类型以及驾驶员驾龄；

隐含层包括6个神经元节点，每个神经元节点可以根据输入层的输入向量进行计算，计算的输出值作为输出层计算驾驶员反应时间的输入值；神经元节点根据输入向量进行计算的函数为tansig函数：tansig(x)＝1/(1+e^-x)，具体的，该tansig函数的表达式如下式：

$m^j=\tan \mathrm{sig}[\underset{i=1}{\overset{4}{\mathrm{\Σ}}}(w^i\×p^i)+b^j]$

上式中，i=1,2…4,为输入向量维数，pⁱ为第i个输入向量；j=1,2…6,为隐含层神经元的个数，m^j为隐含层第j个神经元的输出值，wⁱ为隐含层内对应pⁱ的网络权系数，b^j为隐含层第j个阈值系数；

输出层包括一个输出层神经元节点，该神经元节点根据隐含层计算的结果计算驾驶员反应时间，输出层神经元节点函数为purelin函数：purelin(x)＝kx；具体的，输出层神经元节点计算驾驶员反应时间的函数见下式：

$m=\mathrm{purelin}[\underset{j=1}{\overset{6}{\mathrm{\Σ}}}(w^j\×m^j)+b]$

式中，m^j为隐含层第j个神经元的输出值，w^j为输出层内对应m^j的网络权系数，

b为输出层的阈值系数，m为输出层神经元的输出值，即输出向量；

整个BP人工神经网络的建立采用了matlab函数newff，见下式：

net＝newff(min max(p),[6,1],{′tansig′,′purlin′},′trainlm′)

上式中，net为神经网络，p为输入向量，minmax为matlab获取向量极值函数，trainlm为学习算法；

根据上述人工神经网络的输入向量p进行采集，包括测量不同自车车速，不同能见度，不同路面类型，不同驾驶员驾龄以及驾驶员反应时间；利用上述的采集值离线训练驾驶员反应时间识别BP人工神经网络，获得隐含层的网络权系数wⁱ和阈值系数b^j，以及输出层的网络权系数w^j和阈值系数b；

驾驶员反应时间识别BP人工神经网络的输入向量定义如下：自车车速输入值为实际测量值；能见度输入值也为实际测量值；路面类型分为干燥路面、潮湿路面、积雪路面和结冰路面；干燥路面输入值为1，潮湿路面输入值为2，积雪路面输入值为3，结冰路面输入值为4；驾驶员驾龄划分为小于1年,1～3年以及大于3年；小于1年输入值为1,1～3年输入值为2,大于3年输入值为3；

BP人工神经网络的输出向量定义如下：输出向量值范围为0～3，代表驾驶员反应时间的统计值0.3～1.0s，0代表驾驶员实际反应时间短，取0.3s，1代表驾驶员反应时间较短，取0.5s，2代表驾驶员反映实际较长，取0.8s，3代表驾驶员反应时间长，取1s；

BP人工神经网络训练的主要目的是获取网络权系数wⁱ、w^j和阈值系数b^j、b，使得输出向量满足一定的精度；BP人工神经网络训练直接采用matlab函数train进行离线训练，见下式：

net＝train(net,p,t)

上式中：net为BP人工神经网络，p为训练样本输入向量，t为训练样本输出向量；

将上述训练获得的网络权系数wⁱ、w^j和阈值系数b^j、b代入神经网络中，根据实际输入的自车车速、能见度、路面类型以及驾驶员驾驶员驾龄，计算输出向量；

根据计算出的输出向量，并依据所定义的输出向量，判断驾驶员反应时间。BP神经网络1输出向量接近0，则判断驾驶员反应时间为0.3s；输出向量接近1，则判断驾驶员反应时间为0.5s；输出向量接近2，则判断驾驶员反应时间为0.8s；输出向量接近3，则判断驾驶员反应时间为1s；

所述的制动协调时间T₂，根据相关资料，取经验值为0.2s；

所述的减速度增长时间T₃依据步骤1中驾驶员所选择的制动类型，液压制动***和气压制动***分别取0.2s、0.7s；

所述的持续制动时间T₄的计算如下：

$T_4=\frac{V_r}{\mathrm{\μ}\×g}$

式中，V_r为自车相对于前车的速度，单位：m/s，由步骤2中获取；g为重力加速度，其值为9.8m/s²；μ为路面附着系数，依据步骤1中路面类型来确定：干燥路面的附着系数取0.61，潮湿路面的附着系数取0.46，积雪路面的附着系数取0.20，结冰路面的附着系数取0.07；

5）依据所计算出的自车与前车的碰撞时间TTC和报警安全门限值T_W，判别是否存在潜在的追尾碰撞危险，从而确定是否需要报警

所述的判别策略如下，当TTC＞T_W+τ时，判别为安全，不发出报警指令；当TTC≤T_W+τ时，判别为危险，发出报警指令提醒驾驶员；报警方式可以采取语音提示报警等不同报警方式，在此不做限制；

其中，TTC为自车与前车的碰撞时间，单位：s，T_W为报警安全门限值单位：s，τ为提前预警时间[s]；所述的提前预警时间τ计算如下：

τ＝d/V

式中，d为安全停车距离[m],取经验值为3m；V为本车速度[m/s],由步骤2中获取。

本发明由于采用以上技术方案，其具有以下优点：

（1）本发明采用基于安全时间逻辑的防追尾碰撞算法，充分考虑影响追尾碰撞的两个关键因素：相对距离和相对速度，能实时对本车与前车相对运动状态进行计算并判断危险状态，从而在存在潜在的追尾前车的危险时，生成报警指令，有效的预防了自车追尾前车。

（2）本发明采用BP神经网络的方法，确定驾驶员的反应时间，适应不同的驾驶员和不同驾驶工况，有效避免了反应时间取得过长或过短，避免了误警和虚警。

（3）本发明依据驾驶员驾龄与具体行驶环境、车辆制动类型等，实时计算安全时间门限值，实现了对不同驾驶员个体与不同行驶环境的适应，解决了传统方法采用常数阈值适应性不足的问题。

（4）本发明根据判断驾驶员的驾驶意图设定屏蔽报警策略，在判断驾驶员已察觉危险并采取措施的工况下，屏蔽报警，有效的避免了虚警。

（5）安全停车距离的设置，有效的避免了相对速度较小的情况下两车相对距离较小的危险工况。同时，提前预警时间的设置，也保证驾驶员在接受预警后，有充足的时间正确操作车辆。

附图说明

图1为本发明报警方法法的工作流程图。

图2为本发明报警方法的结构框图。

图3为驾驶员反应时间识别BP人工神经网络结构。

具体实施方式

高速公路防追尾前车预警报警方法是高速公路防追尾报警装置的核心技术，只有在理论上建立起较为准确、合理和全面的报警方法和数学模型，防追尾报警装置才能与车辆的实际运行情况相符，才具有实用性，才能真正起到防止自车追尾前车，提高汽车行驶安全，减少交通事故，改善交通安全的作用。

下面结合实施例，对本发明进行详细的描述。

如图1所示，本发明包括以下步骤：

1）驾驶员手动选择当前车辆制动类型、路面类型以及驾驶员驾龄。

如图2所示，预设的初始模式模块21在驾驶之前，由驾驶员手动选择当前车辆制动类型、路面类型以及驾驶员驾龄。车辆制动类型包括气压式和液压式，路面类型包括干燥路面、潮湿路面、积雪路面和结冰路面，由驾驶员进行判别，驾驶员驾龄为驾驶员实际驾龄，选项划分为小于1年,1～3年以及大于3年三类；都由驾驶员在开始驾驶之前手动选择相应的模式。并将所选择的模式信息传送至图2所示的预警判别模块23。

2）采集前车相对于自车的相对距离、相对速度以及自车的速度、油门踏板信号、转向灯信号、制动踏板信号和能见度信息。

如图2所示，车载信息采集模块22，利用毫米波雷达传感器或视觉传感器采集前车与自车相对距离和相对速度信息，在此不限。雷达传感器可采用德尔福（delphi）公司所生产的ESR型毫米波雷达，视觉传感器可采用维视（Microvision）公司所生产的VS078FC型数字摄像机，自车速度信息利用自车速度传感器采集，可采用JK08/NS43NCT1光电车速传感器。分别利用油门踏板力传感器和制动踏板力传感器获取油门踏板和制动踏板信号，并通过CAN总线实时获取转向灯是否开启的信息。能见度信息可由FYG11型能见度传感器获取。将所采集的车载信息传送至图2所示的预警判别模块23。

3）依据步骤2中所采集的信息，设定屏蔽报警策略

在图2所示的预警判别模块23中，依据步骤2中所采集的自车相对于前车的速度V_r[m/s]，若V_r≤0，则无碰撞危险，屏蔽报警，若V_r＞0，则开始启动报警逻辑（步骤4,5）。

同时，依据步骤2中所采集的制动踏板、油门踏板及转向灯信号，判断驾驶员驾驶意图，设置如下报警屏蔽策略：驾驶员踩制动时，反应驾驶员驾驶精力集中，正采取制动措施避免追尾，报警屏蔽；驾驶员松油门时，反应驾驶员驾驶精力集中，正采取减速措施避免追尾，报警屏蔽；驾驶员开启转向灯时，反应驾驶员驾驶精力集中，正进行有意识的换道，报警屏蔽。

4）依据步骤2与步骤1中所采集的信息，当自车相对于前车速度V_r＞0时，计算自车与前车的碰撞时间TTC和报警安全门限值T_W。

所述自车与前车的碰撞时间TTC的计算如式（1）:

$\mathrm{TTC}=\frac{L}{V_r}---\left(1\right)$

式（1）中，L为前车相对于自车的距离[m],V_r为自车相对于前车的速度[m/s]。

两者均由步骤2获取。

所述报警安全门限值T_W的计算如式（2）：

T_W=T₁+T₂+T₃+T₄            （2）

式（2）中，T₁为驾驶员反应时间，即从驾驶员接受预警到驾驶员采取制动措施所经历的时间[s]。

T₂为制动协调时间，即从驾驶员采取制动措施到制动***产生制动力所经历的时间[s]。T₃为减速度增长时间，即制动减速度从0增长到最大制动减速度的时间[s]。T₄为持续制动时间，即制动减速度达到最大值时到本车与前车相对静止所需时间[s]。

①所述的驾驶员反应时间T₁的计算如下：

驾驶员反应时间与驾驶员的熟练程度、疲劳程度等息息相关，并且受车速、天气、能见度等因素的影响，因此是一个不确定的值，大量的实验资料表明，驾驶员的反应动作时间的统计值为0.3～1.0s。根据这个反应时间范围，本发明通过建立一个驾驶员反应时间识别BP人工神经网络1来确定驾驶员的反应时间。

考虑到影响驾驶员反应时间的因素为自车车速、能见度、路面类型以及驾驶员熟练度，而驾驶员熟练度是一个不好度量的因素，一般认为，驾龄越长的驾驶员往往拥有更好的熟练度和更快的反应时间，因此，本发明选取自车车速、能见度、路面类型以及驾驶员驾龄来判别驾驶员反应时间。

如图3所示，人工神经网络1包括输入层11、隐含层12和输出层13。

其中输入层11接收计算驾驶员反应时间所需要的输入向量，该输入向量为4维向量，各维度分别为自车车速U1、能见度U2、路面类型U3以及驾驶员驾龄U4。

隐含层12包括6个神经元节点121，该神经元节点121可以根据输入层11的输入向量进行计算，计算的输出值作为输出层13计算驾驶员反应时间的输入值；神经元节点121根据输入向量进行计算的函数为tansig函数：

tansig(x)＝1/(1+e^-x)，具体的，该tansig函数的表达式见式（3）

$m^j=\tan \mathrm{sig}[\underset{i=1}{\overset{4}{\mathrm{\Σ}}}(w^i\×p^i)+b^j]---\left(3\right)$

式（3）中，i=1,2…4,为输入向量维数，pⁱ为第i个输入向量；j=1,2…6,为隐含层神经元121的个数，m^j为隐含层12第j个神经元121的输出值，wⁱ为隐含层12内对应pⁱ的网络权系数，b^j为隐含层12第j个阈值系数。

输出层13包括一个输出层神经元节点131，该神经元节点131根据隐含层12计算的结果计算驾驶员反应时间，输出层神经元节点131函数为purelin函数：purelin(x)＝kx。具体的，输出层神经元节点131计算驾驶员反应时间的函数见式（4）

$m=\mathrm{purelin}[\underset{j=1}{\overset{6}{\mathrm{\Σ}}}(w^j\×m^j)+b]---\left(4\right)$

式（4）中，m^j为隐含层12第j个神经元121的输出值，w^j为输出层13内对应m^j的网络权系数，b为输出层13的阈值系数，m为输出层神经元131的输出值，即输出向量。

整个BP人工神经网络1的建立采用了matlab函数newff，见式（5）

net＝newff(min max(p),[6,1],{′tansig′,′purlin′},′trainlm′)  （5）

式（5）中，net为神经网络，p为输入向量，min max为matlab获取向量极值函数，trainlm为学习算法。

根据上述人工神经网络1的输入向量p进行测量，包括测量不同自车车速，不同能见度，不同路面类型，不同驾驶员驾龄以及驾驶员反应时间。

其中，路面类型和驾驶员驾龄通过驾驶员在驾驶前手动输入，自车车速利用JK08/NS43NCT1光电车速传感器测量，能见度利用FYG11型能见度传感器获取，驾驶员反应时间通过计数器74LS190测量，也可通过专家问卷获取。

利用上述的测量值离线训练驾驶员反应时间识别BP人工神经网络1，获得隐含层12的网络权系数wⁱ和阈值系数b^j，以及输出层13的网络权系数w^j和阈值系数b。

驾驶员反应时间识别BP人工神经网络1的输入向量定义如下：自车车速输入值为实际测量值；能见度输入值也为实际测量值；路面类型分为干燥路面、潮湿路面、积雪路面和结冰路面。干燥路面输入值为1，潮湿路面输入值为2，积雪路面输入值为3，结冰路面输入值为4；驾驶员驾龄划分为小于1年,1～3年以及大于3年。小于1年输入值为1,1～3年输入值为2,2大于3年输入值为3。

BP人工神经网络1的输出向量定义如下：输出向量值范围为0～3，代表驾驶员反应时间的统计值0.3～1.0s，0代表驾驶员实际反应时间短，取0.3s，1代表驾驶员反应时间较短，取0.5s，2代表驾驶员反映实际较长，取0.8s，3代表驾驶员反应时间长，取1s。

BP人工神经网络1训练的主要目的是获取网络权系数wⁱ、w^j和阈值系数b^j、b，使得输出向量满足一定的精度。BP人工神经网络训练直接采用matlab函数tranin进行离线训练，见式（6）

net＝train(net,p,t)              （6）

式（6）中：net为BP人工神经网络1，p为训练样本输入向量，t为训练样本输出向量。

将上述训练获得的网络权系数wⁱ、w^j和阈值系数b^j、b代入神经网络中，根据实际输入的自车车速、能见度、路面类型以及驾驶员驾驶员驾龄，并结合式（3）和（4），计算输出向量。

根据计算出的输出向量，并依据所定义的输出向量，判断驾驶员反应时间。BP神经网络1输出向量接近0，则判断驾驶员反应时间为0.3s；输出向量接近1，则判断驾驶员反应时间为0.5s；输出向量接近2，则判断驾驶员反应时间为0.8s；输出向量接近3，则判断驾驶员反应时间为1s。

②所述的制动协调时间T₂，根据资料，取统计值为0.2s。

③所述的减速度增长时间T₃取决于制动类型，液压制动***大约为0.15～0.3s，气压式制动***大约为0.3～0.9s。本发明中，依据步骤1中驾驶员所选择的制动类型，液压制动***和气压制动***分别取值0.2s、0.7s。

④所述的持续制动时间T₄的计算如下：

$T_4=\frac{V_r}{\mathrm{\μ}\×g}---\left(7\right)$

式（7）中，V_r为自车相对于前车的速度[m/s]，由步骤2中获取。g为重力加速度，其值为9.8m/s²。μ为路面附着系数，依据步骤1中路面类型来确定：干燥路面的附着系数取0.61，潮湿路面的附着系数取0.46，积雪路面的附着系数取0.20，结冰路面的附着系数取0.07。事实上，μ×g所计算得出的值为当前路面附着系数下车辆最大制动减速度[m/s²]。

依据上述计算得出的T₁，T₃和T₄，再代入T₂所取的经验值0.2s,利用式（2）计算出报警安全门限值T_W。

5）依据所计算出的自车与前车的碰撞时间TTC和报警安全门限值T_W，判别是否存在潜在的追尾碰撞危险，从而确定是否需要报警。

对上述各个运动特征参数进行分析，可以得出如下结论：当本车速度小于等于前车速度时，即V_r≤0时，即使不实施制动也不会发生碰撞，因此本算法仅当V_r＞0启动报警；若本车速度大于前车速度，即V_r＞0，只要预留充分的驾驶员制动时间，即在TTC≥T_W时制动，则制动后不会发生碰撞。

可见，实施制动的极限条件是TTC=T_W。此时制动后的跟车行驶是一种本车紧挨着前车的状态，为了不使驾驶员产生心有余悸的精神负担，制动后两车之间应当保持必要的间距d，即安全停车距离d[m]。体现在时间量上，即提前时间τ进行预警。

提前预警时间τ的计算公式为：

τ＝d/V                 （8）

式(8)中，d为安全停车距离[m],取经验值为3m。V为本车速度[m/s],由步骤2中获取。

τ的设定，能保证驾驶员在接受预警后，有充足的时间正确操作车辆。此时，实施制动的极限条件为TTC＝T_W+τ。

因此，所述的判别策略如下，当TTC＞T_W+τ时，判别为安全，不发出报警指令；当TTC≤T_W+τ时，判别为危险，发出报警指令提醒驾驶员。

本实施例中，报警方式可以采取语音提示报警等不同报警方式，在此不做限制。

Claims (1)

1.一种高速公路汽车防追尾前车的自适应报警方法，其特征在于，包括以下步骤：

1)选择当前车辆制动类型、路面类型以及驾驶员驾龄

行车前，选择当前车辆制动类型、路面类型以及驾驶员驾龄，其中，车辆制动类型包括气压式和液压式，路面类型包括干燥路面、潮湿路面、积雪路面和结冰路面，驾驶员驾龄为驾驶员实际驾龄，选项划分为小于1年,1～3年以及大于3年三类；

2)采集前车相对于自车的相对距离、相对速度以及自车的速度，油门踏板信号，转向灯信号，制动踏板信号和当前能见度信号

利用毫米波雷达传感器或视觉传感器采集前车与自车相对距离和相对速度信息；自车速度信息利用自车速度传感器采集；分别利用油门踏板力传感器和制动踏板力传感器获取油门踏板和制动踏板信号，并通过汽车CAN总线实时获取转向灯是否开启的信息；利用能见度传感器获取当前能见度信息；

3)依据步骤2中所采集的信息，设定屏蔽报警策略

依据步骤2中所采集的自车相对于前车的速度V_r，单位：m/s，若V_r≤0，则无碰撞危险，屏蔽报警，否则，依据步骤2中所采集的制动踏板、油门踏板及转向灯信号，判断驾驶员驾驶意图,设置如下报警屏蔽策略：驾驶员踩制动时，报警屏蔽；驾驶员松油门时，报警屏蔽；驾驶员开启转向灯时，报警屏蔽；

4)依据步骤2与步骤1中所采集的信息，当自车相对于前车速度V_r＞0时，计算自车与前车的碰撞时间TTC和报警安全门限值T_W

所述自车与前车的碰撞时间TTC的计算如下：

$\mathrm{TTC}=\frac{L}{V_r}$

式中，L为前车相对于自车的距离，单位：m，V_r为自车相对于前车的速度，单位：m/s，两者均由步骤2获取；

所述报警安全门限值T_W的计算如下：

T_W＝T₁+T₂+T₃+T₄

式中，T₁为驾驶员反应时间，即从驾驶员接受预警到其采取制动措施所经历的时间，单位：s；

T₂为制动协调时间，即从驾驶员采取制动措施到制动***产生制动力所经历的时间，单位：s；

T₃为减速度增长时间，即制动减速度从0增长到最大制动减速度的时间，单位：s；

T₄为持续制动时间，即制动减速度达到最大值时到本车与前车相对静止所需时间，单位：s；

所述的驾驶员反应时间T₁的取值范围统计值为0.3～1s，其计算如下：

通过建立一个驾驶员反应时间识别BP人工神经网络的方法来确定驾驶员的反应时间，人工神经网络包括输入层、隐含层和输出层，其中输入层接收计算驾驶员反应时间所需要的输入向量，该输入向量为4维向量，各维度分别为自车车速、能见度、路面类型以及驾驶员驾龄；

隐含层包括6个神经元节点，每个神经元节点可以根据输入层的输入向量进行计算，计算的输出值作为输出层计算驾驶员反应时间的输入值；神经元节点根据输入向量进行计算的函数为tansig函数：tansig(x)＝1/(1+e^-x)，具体的，该tansig函数的表达式如下式：

$m^j=\tan \mathrm{sig}[\underset{i=1}{\overset{4}{\mathrm{\Σ}}}(w^i\×p^i)+b^j]$

上式中，i＝1,2…4,为输入向量维数，pⁱ为第i个输入向量；j＝1,2…6,为隐含层神经元的个数，m^j为隐含层第j个神经元的输出值，wⁱ为隐含层内对应pⁱ的网络权系数，b^j为隐含层第j个阈值系数；

输出层包括一个输出层神经元节点，该神经元节点根据隐含层计算的结果计算驾驶员反应时间，输出层神经元节点函数为purelin函数：purelin(x)＝kx；具体的，输出层神经元节点计算驾驶员反应时间的函数见下式：

$m=\mathrm{purelin}[\underset{j=1}{\overset{6}{\mathrm{\Σ}}}(w^j\×m^j)+b]$

式中，m^j为隐含层第j个神经元的输出值，w^j为输出层内对应m^j的网络权系数，b为输出层的阈值系数，m为输出层神经元的输出值，即输出向量；

整个BP人工神经网络的建立采用了matlab函数newff，见下式：

net＝newff(min max(p),[6,1],{'tansig','purlin'},'trainlm')

上式中，net为神经网络，p为输入向量，min max为matlab获取向量极值函数，trainlm为学习算法；

根据上述人工神经网络的输入向量p进行采集，包括测量不同自车车速，不同能见度，不同路面类型，不同驾驶员驾龄以及驾驶员反应时间；利用上述的采集值离线训练驾驶员反应时间识别BP人工神经网络，获得隐含层的网络权系数wⁱ和阈值系数b^j，以及输出层的网络权系数w^j和阈值系数b；

驾驶员反应时间识别BP人工神经网络的输入向量定义如下：自车车速输入值为实际测量值；能见度输入值也为实际测量值；路面类型分为干燥路面、潮湿路面、积雪路面和结冰路面；干燥路面输入值为1，潮湿路面输入值为2，积雪路面输入值为3，结冰路面输入值为4；驾驶员驾龄划分为小于1年,1～3年以及大于3年；小于1年输入值为1,1～3年输入值为2,大于3年输入值为3；

BP人工神经网络的输出向量定义如下：输出向量值范围为0～3，代表驾驶员反应时间的统计值0.3～1.0s，0代表驾驶员实际反应时间短，取0.3s，1代表驾驶员反应时间较短，取0.5s，2代表驾驶员反映实际较长，取0.8s，3代表驾驶员反应时间长，取1s；

BP人工神经网络训练的主要目的是获取网络权系数wⁱ、w^j和阈值系数b^j、b，使得输出向量满足一定的精度；BP人工神经网络训练直接采用matlab函数train进行离线训练，见下式：

net＝train(net,p,t)

上式中：net为BP人工神经网络，p为训练样本输入向量，t为训练样本输出向量；

将上述训练获得的网络权系数wⁱ、w^j和阈值系数b^j、b代入神经网络中，根据实际输入的自车车速、能见度、路面类型以及驾驶员驾驶员驾龄，计算输出向量；

根据计算出的输出向量，并依据所定义的输出向量，判断驾驶员反应时间，BP神经网络1输出向量接近0，则判断驾驶员反应时间为0.3s；输出向量接近1，则判断驾驶员反应时间为0.5s；输出向量接近2，则判断驾驶员反应时间为0.8s；输出向量接近3，则判断驾驶员反应时间为1s；

所述的制动协调时间T₂，根据相关资料，取经验值为0.2s；

所述的减速度增长时间T₃依据步骤1中驾驶员所选择的制动类型，液压制动***和气压制动***分别取0.2s、0.7s；

所述的持续制动时间T₄的计算如下：

$T_4=\frac{V_r}{\mathrm{\μ}\×g}$

式中，V_r为自车相对于前车的速度，单位：m/s，由步骤2中获取；g为重力加速度，其值为9.8m/s²；μ为路面附着系数，依据步骤1中路面类型来确定：干燥路面的附着系数取0.61，潮湿路面的附着系数取0.46，积雪路面的附着系数取0.20，结冰路面的附着系数取0.07；

5)依据所计算出的自车与前车的碰撞时间TTC和报警安全门限值T_W，判别是否存在潜在的追尾碰撞危险，从而确定是否需要报警

所述的判别策略如下，当TTC＞T_W+τ时，判别为安全，不发出报警指令；当TTC≤T_W+τ时，判别为危险，发出报警指令提醒驾驶员；报警方式采取语音提示报警；

其中，TTC为自车与前车的碰撞时间，单位：s，T_W为报警安全门限值单位：s，τ为提前预警时间[s]；所述的提前预警时间τ计算如下：

τ＝d/V

式中，d为安全停车距离[m],取经验值为3m；V为本车速度[m/s],由步骤2中获取。