CN106314428B - 一种避撞***、避撞方法及机动车辆 - Google Patents
一种避撞***、避撞方法及机动车辆 Download PDFInfo
- Publication number
- CN106314428B CN106314428B CN201610825831.1A CN201610825831A CN106314428B CN 106314428 B CN106314428 B CN 106314428B CN 201610825831 A CN201610825831 A CN 201610825831A CN 106314428 B CN106314428 B CN 106314428B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- state parameter
- following
- distance
- braking
- 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 28
- 230000001133 acceleration Effects 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000010606 normalization Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 19
- 230000003068 static effect Effects 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 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
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T7/00—Brake-action initiating means
- B60T7/12—Brake-action initiating means for automatic initiation; for initiation not subject to will of driver or passenger
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/801—Lateral distance
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/804—Relative longitudinal speed
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Regulating Braking Force (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种避撞***、避撞方法及机动车辆,其中,所述避撞***的预警模块用于将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理后输入到所述经训练样本预先训练的BP神经网络,从而预测出自车待制动加速度,所述预警模块根据预测的自车制动加速度判断是否需要启动跟车预警,从而实现将不同种类的驾驶员的驾驶习惯融入到跟车预警中的目的,进而满足不同驾驶习惯的驾驶员的个性预警要求,避免出现对于驾驶经验熟练且性格激进的驾驶员群体来说虚警概率偏高,而对于新手驾驶员来说可能会出现预警不及时的情况。
Description
技术领域
本申请设计安全预警技术领域,更具体地说,涉及一种避撞***、避撞方法及机动车辆。
背景技术
随着社会的不断发展,城市交通规模也在快速增长,但由于过快的机动车辆拥有量的增长使得不同规模的城镇或乡村都出现了一定程度上的交通拥堵,跟车行驶成为驾驶员在道路交通环境中遇到的最主要的工况。而由于驾驶员在跟车行驶中出现的失误而导致的追尾事故也成为交通事故的主要种类。
因此,有部分机动车辆中配备了碰撞预警***(Forward Collision WarningSystem,FCWS),该***通过雷达、摄像头等传感设备实时采集交通环境信息,辅助驾驶员识别和判断交通环境中可能存在的潜在威胁。目前,在FCWS***中主要通过建立安全车距模型辅助驾驶员避免在跟车过程中发生追尾等事故,当自车与前车间距小于安全车距时便会启动预警装置。但是这些FCWS***中对于安全距离的计算方法都是基于牛顿运动学原理确定的,通过分析前车与自车之间的跟车车距、前车车速、前车制动加速度、自车车速和自车制动加速度之间的关系来确定安全车距。但是由于驾驶员个体之间驾驶习惯和性格等的差异,他们在跟车过程中的驾驶跟驰习惯也不同,具体表现为激进性格的驾驶员跟车距离近一些,紧急制动次数会多一些,而谨慎性格的驾驶员跟车距离会远一些,即不同的驾驶员有着不同的危险感受度,而现有技术中确定安全车距的方法并没有将驾驶员因素考虑在内,这就会使得FCWS***在使用过程中出现不能满足不同驾驶习惯的驾驶员预警要求的问题,比如对于驾驶经验熟练且性格激进的驾驶员群体来说虚警概率偏高,而对于一些新手驾驶员来说可能会出现预警不及时的问题。
发明内容
为解决上述技术问题,本发明提供了一种避撞***、避撞方法及机动车辆,以实现满足不同驾驶习惯的驾驶员预警要求的目的,避免出现对于驾驶经验熟练且性格激进的驾驶员群体来说虚警概率偏高,而对于一些新手驾驶员来说可能会出现预警不及时的情况。
为实现上述技术目的,本发明实施例提供了如下技术方案:
一种避撞***,包括:
参数获取模块,用于获取自车紧急制动次数、本次驾驶时间、自车状态参数、跟车状态参数及环境状态参数,所述自车状态参数包括:自车速度和自车制动加速度,所述跟车状态参数包括:前车速度、前车制动加速度和跟车车距,所述环境状态参数包括:环境光照度和路面附着系数;
预处理模块,用于对获取的所述跟车状态参数进行预处理;
避撞模块,用于根据所述自车状态参数和预处理后的跟车状态参数确定安全车距和临界安全车距,当所述跟车车距大于所述安全车距时,进入预警模块,当所述跟车车距小于所述安全车距时,判断所述跟车车距是否小于临界安全车距,如果是,则开启自动制动;
所述预警模块,用于将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理后输入到经训练样本预先训练的BP神经网络中,从而预测出自车待制动加速度,根据所述自车待制动加速度判断是否需要启动跟车预警,所述训练样本中包括驾驶员训练参数。
优选的,所述预警模块包括:
归一化单元,用于对所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理并输入到驾驶跟驰习惯单元中;
所述驾驶跟驰习惯单元,用于根据所述归一化单元输入的参数预测出自车待制动加速度,所述驾驶跟驰习惯单元为经训练样本预先训练的BP神经网络;
计算单元,用于根据所述自车待制动加速度及自车最大制动加速度计算相对制动率;
第一判断单元,用于根据所述相对制动率判断是否需要进行跟车预警。
优选的,所述第一判断单元具体用于判断所述相对制动率所属驾驶区间,并根据所述相对制动率所属的驾驶区间采取不干涉策略、一级预警策略或二级预警策略;
所述驾驶区间包括安全驾驶区间、第一级预警区间和第二级预警区间。
优选的,所述驾驶员训练参数包括:跟车车距、前车制动加速度、前车速度、自车速度、环境光照度、路面附着系数、紧急制动次数和本次驾驶时间。
优选的,所述预处理模块为卡尔曼滤波器,用于对所述跟车状态参数进行滤波处理。
优选的,所述避撞模块包括:
状态确定单元,用于根据所述前车制动加速度和前车速度确定前车所属状态,所述前车所属状态包括:静止状态、紧急制动状态、匀减速状态和匀速状态;
第二判断单元,用于当所述前车所属状态为静止状态时,将所述自车状态参数和预处理后的跟车状态参数代入第一预设公式中确定临界安全车距;当所述前车所属状态为紧急制动状态时,将所述自车状态参数和预处理后的跟车状态参数代入第二预设公式中确定临界安全车距;当所述前车所属状态为匀减速状态时,将所述自车状态参数和预处理后的跟车状态参数代入第三预设公式中确定临界安全车距;当所述前车所属状态为匀速状态时,将所述自车状态参数和预处理后的跟车状态参数代入第四预设公式中确定临界安全车距;
安全车距确定单元,用于根据所述第二判断单元获得的临界安全车距确定安全车距;
第三判断单元,用于判断所述跟车车距是否大于所述安全车距,如果是,则进入所述预警模块;如果否,则判断所述跟车车距是否小于临界安全车距,若是,则开启自动制动;
所述第一预设公式为:Slim=St|vfinal=0;
所述第二预设公式为:
所述第三预设公式为:
所述第四预设公式为:
其中,Slim代表所述临界安全车距,v1代表所述自车速度,v2代表制动开始时的前车速度,t1代表制动***响应延迟时间,t2代表所述自车制动加速度增长到自车最大制动加速度所需要的时间,k代表自车制动加速度增长到自车最大制动加速度过程中的增长率,vfinal代表自车持续制动时的速度,vc代表前车持续制动时的速度,amax代表自车最大制动加速度。
优选的,所述安全车距确定单元具体用于将所述临界安全车距代入第五预设公式中,获得所述安全车距;
所述第五预设公式为:Ssafe=slim+S0+(v1-v2)T,其中,Ssafe表示所述安全车距,S0表示预留间距,T为预留时间。
一种避撞方法,包括:
获取自车紧急制动次数、本次驾驶时间、自车状态参数、跟车状态参数及环境状态参数,所述自车状态参数包括:自车速度和自车制动加速度,所述跟车状态参数包括:前车速度、前车制动加速度和跟车车距,所述环境状态参数包括:环境光照度和路面附着系数;
对获取的所述跟车状态参数进行预处理;
根据所述自车状态参数和预处理后的跟车状态参数确定安全车距和临界安全车距,当所述跟车车距小于所述安全车距时,判断所述跟车车距是否小于临界安全车距,如果是,则开启自动制动;当所述跟车车距大于所述安全车距时,将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理,并将归一化后的所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和预处理且归一化后的跟车状态参数输入到经训练样本预先训练的BP神经网络中,以预测出自车待制动加速度,根据所述自车待制动加速度判断是否需要启动跟车预警,所述训练样本中包括驾驶员训练参数。
优选的,所述将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理,并将归一化后的所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和预处理且归一化后的跟车状态参数输入到经训练样本预先训练的BP神经网络中以预测出自车待制动加速度,根据所述自车待制动加速度判断是否需要启动跟车预警包括:
对所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理;
向经训练样本预先训练的BP神经网络中输入归一化后的所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和预处理且归一化后的跟车状态参数以预测出自车待制动加速度;
根据所述自车待制动加速度及自车最大制动加速度计算相对制动率;
根据所述相对制动率判断是否需要进行跟车预警。
优选的,所述根据所述相对制动率判断是否需要进行跟车预警包括:
判断所述相对制动率所属驾驶区间,并根据所述相对制动率所属的驾驶区间采取不干涉策略、一级预警策略或二级预警策略;
所述驾驶区间包括安全驾驶区间、第一级预警区间和第二级预警区间。
优选的,所述根据所述自车状态参数和预处理后的跟车状态参数确定安全车距和临界安全车距,当所述跟车车距小于所述安全车距时,判断所述跟车车距是否小于临界安全车距,如果是,则开启自动制动包括:
根据所述前车制动加速度和前车速度确定前车所属状态,所述前车所属状态包括:静止状态、紧急制动状态、匀减速状态和匀速状态;
当所述前车所属状态为静止状态时,将所述自车状态参数和预处理后的跟车状态参数代入第一预设公式中确定临界安全车距;当所述前车所属状态为紧急制动状态时,将所述自车状态参数和预处理后的跟车状态参数代入第二预设公式中确定临界安全车距;当所述前车所属状态为匀减速状态时,将所述自车状态参数和预处理后的跟车状态参数代入第三预设公式中确定临界安全车距;当所述前车所属状态为匀速状态时,将所述自车状态参数和预处理后的跟车状态参数代入第四预设公式中确定临界安全车距;
根据所述临界安全车距确定安全车距;
判断所述跟车车距是否大于所述安全车距,如果是,则进入所述将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理的步骤;如果否,则判断所述跟车车距是否小于临界安全车距,若是,则开启自动制动;
所述第一预设公式为:Slim=St|vfinal=0;
所述第二预设公式为:
所述第三预设公式为:
所述第四预设公式为:
其中,Slim代表所述临界安全车距,v1代表所述自车速度,v2代表制动开始时的前车速度,t1代表制动***响应延迟时间,t2代表所述自车制动加速度增长到自车最大制动加速度所需要的时间,k代表自车制动加速度增长到自车最大制动加速度过程中的增长率,vfinal代表自车持续制动时的速度,vc代表前车持续制动时的速度,amax代表自车最大制动加速度。
一种机动车辆,包括上述任一实施例所述的避撞***。
从上述技术方案可以看出,本发明实施例提供了一种避撞***、避撞方法及机动车辆,其中,所述避撞***的预警模块用于将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理后输入到所述经训练样本预先训练的BP神经网络,从而预测出自车待制动加速度,所述预警模块根据所述自车待制动加速度判断是否需要启动跟车预警,从而实现将不同种类的驾驶员的驾驶习惯融入到跟车预警中的目的,进而满足不同驾驶习惯的驾驶员的个性预警要求,避免出现对于驾驶经验熟练且性格激进的驾驶员群体来说虚警概率偏高,而对于一些新手驾驶员来说可能会出现预警不及时的情况。使得所述避撞***更具实用性和适应性,在确定行车安全的同时也能够提升驾驶员的驾驶舒适性。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请的一个实施例提供的一种避撞***的结构示意图;
图2为本申请的另一个实施例提供的一种避撞***的结构示意图;
图3为本申请的又一个实施例提供的一种避撞***的结构示意图;
图4为本申请的再一个实施例提供的一种避撞***的结构示意图;
图5为本申请的一个实施例提供的一种避撞方法的流程示意图。
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。
本申请实施例提供了一种避撞***,如图1所示,包括:
参数获取模块100,用于获取自车紧急制动次数、本次驾驶时间、自车状态参数、跟车状态参数及环境状态参数,所述自车状态参数包括:自车速度和自车制动加速度,所述跟车状态参数包括:前车速度、前车制动加速度和跟车车距,所述环境状态参数包括:环境光照度和路面附着系数;
预处理模块200,用于对获取的所述跟车状态参数进行预处理;
避撞模块300,用于根据所述自车状态参数和预处理后的跟车状态参数确定安全车距和临界安全车距,当所述跟车车距大于所述安全车距时,进入预警模块400,当所述跟车车距小于所述安全车距时,判断所述跟车车距是否小于临界安全车距,如果是,则开启自动制动;
所述预警模块400,用于将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理后输入到经训练样本预先训练的BP神经网络中,以预测出自车待制动加速度,根据所述自车待制动加速度判断是否需要启动跟车预警,所述训练样本中包括驾驶员训练参数。
需要说明的是,一般而言,所述参数获取模块100由雷达和多个传感器等构成,其中,一般使用雷达获取所述跟车状态参数,使用路面附着系数传感器和环境光传感器获取所述环境状态参数,通过自车的CAN总线获取所述自车状态参数,通过计数器和计时器获取所述自车紧急制动次数和所述本次驾驶时间,所述自车紧急制动次数是指在机动车辆打火到熄火的一次区间内记录的驾驶员紧急制动的次数,同样的,所述本次驾驶时间是指机动车辆从打火到熄火之间的时间。但在本申请的其他实施例中,还可以通过激光测距测速***获取所述跟车状态参数,通过自车控制器获取所述自车状态参数等。本申请对所述参数获取模块100的具体构成并不做限定,具体视实际情况而定。
以利用毫米波雷达获取所述跟车状态参数为例,通过所述毫米波雷达获取的所述跟车状态参数中含有随机误差,在输入到所述避撞模块300或所述预警模块400前需要对原始数据进行预处理,以消除原始数据中的随机误差。通常采用的预处理方式为滤波处理,在本申请的一个实施例中,所述预处理模块200为卡尔曼滤波器,以实现对所述跟车状态参数中的随机误差的滤波处理。卡尔曼滤波器是一种实时滤波器,从而能够确保对所述跟车状态参数滤波处理的实时性。卡尔曼滤波算法的基本思想为:以K-1时刻的最优估计xt-1为准,预测K时刻的状态变量xkk-1,同时又对该状态进行观测,得到观察变量zK,再通过观测量对预测量进行修正,从而得到K时刻的最有效的状态估计xK。
本申请提供的所述避撞***的预警模块400用于将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理后输入到所述经训练样本预先训练的BP神经网络,从而预测出自车待制动加速度,所述预警模块400根据所述自车待制动加速度判断是否需要启动跟车预警,从而实现将不同种类的驾驶员的驾驶习惯融入到跟车预警中的目的,进而满足不同驾驶习惯的驾驶员的个性预警要求,避免出现对于驾驶经验熟练且性格激进的驾驶员群体来说虚警概率偏高,而对于一些新手驾驶员来说可能会出现预警不及时的情况。使得所述避撞***更具实用性和适应性,在确定行车安全的同时也能够提升驾驶员的驾驶舒适性。
在上述实施例的基础上,本申请的一个具体实施例提供了一种对BP神经网络进行训练的具体方法,如图2所示,在本实施例中,我们首先考虑实际驾驶过程中影响驾驶员的制动行为的因素可能包括驾驶员年龄、性别、身体状况、性格特征、教育程度、实操驾龄、肇事次数、环境光照度、交通路况、本次驾驶时间、紧急制动次数、相对速度、前车制动加速度、自车制动加速度和跟车车距等。发明人利用灰色关联理论对上述因素进行关联分析,最终确定的作为训练样本的驾驶员训练参数包括:跟车车距、前车制动加速度、前车速度、自车速度、环境光照度、路面附着系数、紧急制动次数和本次驾驶时间。
在输入到BP神经网络中之前,首先要对所述驾驶员训练参数进行归一化处理,这是因为由于输入数据的单位不一样,有些数据的范围可能会特别大,会导致BP神经网络收敛慢、训练时间长、另外,数据范围大的输入在模式分类中的作用可能就会偏大,而数据范围小的输入作用可能就会偏小。故在训练BP神经网络前一般会将所述训练样本中的数据映射到区间[0,1]或[-1,1]中。
具体的归一化方法包括:
将数据归一化至区间[0,1]的线性处理为:y=(x-min)/(max-min);
将数据归一化至区间[-1,1]的线性处理为:y=2×(x-min)/(max-min)-1;其中,x表示归一化前的数据,y表示归一化后的数据,min表示该类数据中的最小值,max表示该类数据中的最大值。
另外,由于在输入到所述BP神经网络中的数据都是经过归一化之后的数据,因此所述BP神经网络的输出层输出的数据还需要经过相应的反归一化以获得预测的自车制动加速度。
从图2中可以看出,所述BP神经网络包括输入层、隐含层和输出层,其中,隐含层的神经元数目(节点数)的选择是一个需要考虑的问题:隐含层节点数过少,可能会导致所述BP神经网络训练不理想或者失败,不能识别以前未见过的样本,泛化能力与容错性较差。而如果隐含层节点数过多,不仅增加了训练难度和训练时间,还有可能会出现过拟合的现象。训练过程中为避免出现过拟合现象,确定隐含层节点数的基本原则是:在保证足够高的网络性能和泛化能力的前提下,尽可能采用紧凑结构,即隐含层尽可能选取较少的节点数。
另外,在利用所述训练样本对所述BP神经网络进行训练过程中需要选择合适的神经网络传递函数,又称激活函数,其作用是激活各层神经元。由于反向传播算法利用梯度下降法对神经元权值进行改进学习,故要求激活函数必须一阶可微。常用的激活函数有:线性函数f(x)=x,对数S型函数f(x)=1/(1+e^(-x)),0<f(x)<1,双曲正切S型函数f(x)=2/(1+e^(-2x))-1,-1<f(x)<1。本申请对激活函数的具体种类并不做限定,具体视实际情况而定。
在上述实施例的基础上,在本申请的一个实施例中,如图3所示,所述预警模块400包括:
归一化单元410,用于对所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理并输入到驾驶跟驰习惯单元420中;
驾驶跟驰习惯单元420,用于根据所述归一化单元410输入的参数预测出自车待制动加速度,所述驾驶跟驰习惯单元420为经训练样本预先训练的BP神经网络;
计算单元430,用于根据所述自车待制动加速度及自车最大制动加速度计算相对制动率;
第一判断单元440,用于根据所述相对制动率判断是否需要进行跟车预警。
在本实施例中,我们引入了相对制动率的概念,具体的,所述相对制动率是指所述自车待制动加速度与自车最大制动加速度的比值,以此避免不同的机动车辆的自车最大制动加速度的不同以及不同机动车辆的制动能力的不同而导致判断标准的不统一。
在上述实施例的基础上,在本申请的另一个实施例中,所述第一判断单元440具体用于判断所述相对制动率所属驾驶区间,并根据所述相对制动率所属的驾驶区间采取不干涉策略、一级预警策略或二级预警策略;
所述驾驶区间包括安全驾驶区间、第一级预警区间和第二级预警区间。
具体的,采取不干涉策略是指不采取任何干扰驾驶员驾驶或感受的措施,使驾驶员可以正常驾驶;采取一级预警策略可以是指示灯闪烁或常亮和/或蜂鸣器蜂鸣;采取二级预警策略可以是座椅震动和/或蜂鸣器蜂鸣。
在本申请的一个实施例中,采取一级预警策略是指指示灯闪烁并伴有蜂鸣器蜂鸣,采取二级预警策略是指蜂鸣器蜂鸣且伴有座椅震动。在本申请的另一个实施例中,采取一级预警策略是指指示灯闪烁或蜂鸣器蜂鸣,采取二级预警策略是指座椅震动或蜂鸣器蜂鸣。本申请对此并不做限定,具体视实际情况而定。
在本申请的一个具体实施例中,所述判断所述相对制动率所属驾驶区间,并根据所述相对制动率所属的驾驶区间采取不干涉策略、一级预警策略或二级预警策略具体包括,当所述相对制动率小于η1时,采取不干涉策略;当所述相对制动率大于等于η1,且小于η2时,采取一级预警策略;当所述相对制动率大于η2时,采取二级预警策略。那么在本实施例中,所述驾驶区间分为三个区间,分别为:(0,η1),[η1,η2),[η2,1]。但本申请对η1和η2的具体取值并不做限定,具体视实际情况而定。
在上述实施例的基础上,在本申请的另一个优选实施例中,如图4所示,所述避撞模块300包括:
状态确定单元310,用于根据所述前车制动加速度和前车速度确定前车所属状态,所述前车所属状态包括:静止状态、紧急制动状态、匀减速状态和匀速状态;
第二判断单元320,用于当所述前车所属状态为静止状态时,将所述自车状态参数和预处理后的跟车状态参数代入第一预设公式中确定临界安全车距;当所述前车所属状态为紧急制动状态时,将所述自车状态参数和预处理后的跟车状态参数代入第二预设公式中确定临界安全车距;当所述前车所属状态为匀减速状态时,将所述自车状态参数和预处理后的跟车状态参数代入第三预设公式中确定临界安全车距;当所述前车所属状态为匀速状态时,将所述自车状态参数和预处理后的跟车状态参数代入第四预设公式中确定临界安全车距;
安全车距确定单元330,用于根据所述第二判断单元320获得的临界安全车距确定安全车距;
第三判断单元340,用于判断所述跟车车距是否大于所述安全车距,如果是,则进入所述预警模块400;如果否,则判断所述跟车车距是否小于临界安全车距,若是,则开启自动制动;
所述第一预设公式为:Slim=St|vfinal=0;
所述第二预设公式为:
所述第三预设公式为:
所述第四预设公式为:
其中,Slim代表所述临界安全车距,v1代表所述自车速度,v2代表制动开始时的前车速度,t1代表制动***响应延迟时间,t2代表所述自车制动加速度增长到自车最大制动加速度所需要的时间,k代表自车制动加速度增长到自车最大制动加速度过程中的增长率,vfinal代表自车持续制动时的速度,vc代表前车持续制动时的速度,amax代表自车最大制动加速度。
需要说明的是,对于电动汽车而言,开启自动制动是指越过电动车回馈制动阶段,直接开启机械制动阶段,以确保在所述跟车车距小于临界安全车距时,自车可以最快速的停下来。
在本实施例中,所述避撞模块300根据前车状态采取不同的公式计算获得所述临界安全车距,使得所述避撞***的适用性更好。
在上述实施例的基础上,在本申请的又一个优选实施例中,所述安全车距确定单元330具体用于将所述临界安全车距代入第五预设公式中,获得所述安全车距;
所述第五预设公式为:Ssafe=slim+S0+(v1-v2)T,其中,Ssafe表示所述安全车距,S0表示预留间距,T为预留时间。
需要说明的是,所述临界安全距离是指自车和前车刚好不碰撞所需的距离,那么所述安全距离是在解除碰撞险情后自车和前车还预留有一定距离的长度。所述预留时间T一般是指驾驶员的反应时间,本申请对所述预留间距和预留时间的具体取值并不做限定,具体视实际情况而定。
相应的,本申请实施例还提供了一种避撞方法,如图5所示,包括:
S101:获取自车紧急制动次数、本次驾驶时间、自车状态参数、跟车状态参数及环境状态参数,所述自车状态参数包括:自车速度和自车制动加速度,所述跟车状态参数包括:前车速度、前车制动加速度和跟车车距,所述环境状态参数包括:环境光照度和路面附着系数;
S102:对获取的所述跟车状态参数进行预处理;
S103:根据所述自车状态参数和预处理后的跟车状态参数确定安全车距和临界安全车距,当所述跟车车距小于所述安全车距时,判断所述跟车车距是否小于临界安全车距,如果是,则开启自动制动;当所述跟车车距大于所述安全车距时,将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理,并将归一化后的所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和预处理且归一化后的跟车状态参数输入到经训练样本预先训练的BP神经网络中,从而预测出自车待制动加速度,根据所述自车待制动加速度判断是否需要启动跟车预警,所述训练样本中包括驾驶员训练参数。
需要说明的是,一般而言,所述跟车状态参数一般采用雷达获取,所述环境状态参数一般使用路面附着系数传感器和环境光传感器获取,所述自车状态通过自车的CAN总线获取,通过计数器和计时器获取所述自车紧急制动次数和所述本次驾驶时间,所述自车紧急制动次数是指在机动车辆打火到熄火的一次区间内记录的驾驶员紧急制动的次数,同样的,所述本次驾驶时间是指机动车辆从打火到熄火之间的时间。但在本申请的其他实施例中,还可以通过激光测距测速***获取所述跟车状态参数,通过自车控制器获取所述自车状态参数等。本申请对获取所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境参数和跟车状态参数的具体方法并不做限定,具体视实际情况而定。
以利用毫米波雷达获取所述跟车状态参数为例,通过所述毫米波雷达获取的所述跟车状态参数中含有随机误差,在输入到所述经训练样本预先训练的BP神经网络前需要对原始数据进行预处理,以消除原始数据中的随机误差。通常采用的预处理方式为滤波处理,在本申请的一个实施例中,对所述原始数据的预处理为通过卡尔曼滤波器进行滤波,卡尔曼滤波器是一种实时滤波器,从而能够确保对所述跟车状态参数滤波处理的实时性。卡尔曼滤波算法的基本思想为:以K-1时刻的最优估计xt-1为准,预测K时刻的状态变量xkk-1,同时又对该状态进行观测,得到观察变量zK,再通过观测量对预测量进行修正,从而得到K时刻的最有效的状态估计xK。
在上述实施例的基础上,本申请的一个具体实施例提供了一种对BP神经网络进行训练的具体方法,如图2所示,在本实施例中,我们首先考虑实际驾驶过程中影响驾驶员的制动行为的因素可能包括驾驶员年龄、性别、身体状况、性格特征、教育程度、实操驾龄、肇事次数、环境光照度、交通路况、本次驾驶时间、紧急制动次数、相对速度、前车制动加速度、自车制动加速度和跟车车距等。发明人利用灰色关联理论对上述因素进行关联分析,最终确定的作为训练样本的驾驶员训练参数包括:跟车车距、前车制动加速度、前车速度、自车速度、环境光照度、路面附着系数、紧急制动次数和本次驾驶时间。
在输入到BP神经网络中之前,首先要对所述驾驶员训练参数进行归一化处理,这是因为由于输入数据的单位不一样,有些数据的范围可能会特别大,会导致BP神经网络收敛慢、训练时间长、另外,数据范围大的输入在模式分类中的作用可能就会偏大,而数据范围小的输入作用可能就会偏小。故在训练BP神经网络前一般会将所述训练样本中的数据映射到区间[0,1]或[-1,1]中。
具体的归一化方法包括:
将数据归一化至区间[0,1]的线性处理为:y=(x-min)/(max-min);
将数据归一化至区间[-1,1]的线性处理为:y=2×(x-min)/(max-min)-1;其中,x表示归一化前的数据,y表示归一化后的数据,min表示该类数据中的最小值,max表示该类数据中的最大值。
另外,由于在输入到所述BP神经网络中的数据都是经过归一化之后的数据,因此所述BP神经网络的输出层输出的数据还需要经过相应的反归一化以获得预测的自车制动加速度。
从图2中可以看出,所述BP神经网络包括输入层、隐含层和输出层,其中,隐含层的神经元数目(节点数)的选择是一个需要考虑的问题:隐含层节点数过少,可能会导致所述BP神经网络训练不理想或者失败,不能识别以前未见过的样本,泛化能力与容错性较差。而如果隐含层节点数过多,不仅增加了训练难度和训练时间,还有可能会出现过拟合的现象。训练过程中为避免出现过拟合现象,确定隐含层节点数的基本原则是:在保证足够高的网络性能和泛化能力的前提下,尽可能采用紧凑结构,即隐含层尽可能选取较少的节点数。
另外,在利用所述训练样本对所述BP神经网络进行训练过程中需要选择合适的神经网络传递函数,又称激活函数,其作用是激活各层神经元。由于反向传播算法利用梯度下降法对神经元权值进行改进学习,故要求激活函数必须一阶可微。常用的激活函数有:线性函数f(x)=x,对数S型函数f(x)=1/(1+e^(-x)),0<f(x)<1,双曲正切S型函数f(x)=2/(1+e^(-2x))-1,-1<f(x)<1。本申请对激活函数的具体种类并不做限定,具体视实际情况而定。
在上述实施例的基础上,在本申请的一个实施例中,所述将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理,并将归一化后的所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和预处理且归一化后的跟车状态参数输入到经训练样本预先训练的BP神经网络中从而预测出自车待制动加速度,根据所述自车待制动加速度判断是否需要启动跟车预警包括:
对所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理;
向经训练样本预先训练的BP神经网络中输入归一化后的所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和预处理且归一化后的跟车状态参数从而预测出自车待制动加速度;
根据所述自车待制动加速度及自车最大制动加速度计算相对制动率;
根据所述相对制动率判断是否需要进行跟车预警。
在本实施例中,我们引入了相对制动率的概念,具体的,所述相对制动率是指所述自车待制动加速度与自车最大制动加速度的比值,以此避免不同的机动车辆的自车最大制动加速度的不同以及不同机动车辆的制动能力的不同而导致判断标准的不统一。
在上述实施例的基础上,在本申请的另一个实施例中,所述根据所述相对制动率判断是否需要进行跟车预警包括:
判断所述相对制动率所属驾驶区间,并根据所述相对制动率所属的驾驶区间采取不干涉策略、一级预警策略或二级预警策略;
所述驾驶区间包括安全驾驶区间、第一级预警区间和第二级预警区间。
具体的,采取不干涉策略是指不采取任何干扰驾驶员驾驶或感受的措施,使驾驶员可以正常驾驶;采取一级预警策略可以是指示灯闪烁或常亮和/或蜂鸣器蜂鸣;采取二级预警策略可以是座椅震动和/或蜂鸣器蜂鸣。
在本申请的一个实施例中,采取一级预警策略是指指示灯闪烁并伴有蜂鸣器蜂鸣,采取二级预警策略是指蜂鸣器蜂鸣且伴有座椅震动。在本申请的另一个实施例中,采取一级预警策略是指指示灯闪烁或蜂鸣器蜂鸣,采取二级预警策略是指座椅震动或蜂鸣器蜂鸣。本申请对此并不做限定,具体视实际情况而定。
在本申请的一个具体实施例中,所述判断所述相对制动率所属驾驶区间,并根据所述相对制动率所属的驾驶区间采取不干涉策略、一级预警策略或二级预警策略具体包括,当所述相对制动率小于η1时,采取不干涉策略;当所述相对制动率大于等于η1,且小于η2时,采取一级预警策略;当所述相对制动率大于η2时,采取二级预警策略。那么在本实施例中,所述驾驶区间分为三个区间,分别为:(0,η1),[η1,η2),[η2,1]。但本申请对η1和η2的具体取值并不做限定,具体视实际情况而定。
在上述实施例的基础上,在本申请的另一个优选实施例中,
所述根据所述自车状态参数和预处理后的跟车状态参数确定安全车距和临界安全车距,当所述跟车车距小于所述安全车距时,判断所述跟车车距是否小于临界安全车距,如果是,则开启自动制动包括:
根据所述前车制动加速度和前车速度确定前车所属状态,所述前车所属状态包括:静止状态、紧急制动状态、匀减速状态和匀速状态;
当所述前车所属状态为静止状态时,将所述自车状态参数和预处理后的跟车状态参数代入第一预设公式中确定临界安全车距;当所述前车所属状态为紧急制动状态时,将所述自车状态参数和预处理后的跟车状态参数代入第二预设公式中确定临界安全车距;当所述前车所属状态为匀减速状态时,将所述自车状态参数和预处理后的跟车状态参数代入第三预设公式中确定临界安全车距;当所述前车所属状态为匀速状态时,将所述自车状态参数和预处理后的跟车状态参数代入第四预设公式中确定临界安全车距;
根据所述临界安全车距确定安全车距;
判断所述跟车车距是否大于所述安全车距,如果是,则进入所述将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理的步骤;如果否,则判断所述跟车车距是否小于临界安全车距,若是,则开启自动制动;
所述第一预设公式为:Slim=St|vfinal=0;
所述第二预设公式为:
所述第三预设公式为:
所述第四预设公式为:
其中,Slim代表所述临界安全车距,v1代表所述自车速度,v2代表制动开始时的前车速度,t1代表制动***响应延迟时间,t2代表所述自车制动加速度增长到自车最大制动加速度所需要的时间,k代表自车制动加速度增长到自车最大制动加速度过程中的增长率,vfinal代表自车持续制动时的速度,vc代表前车持续制动时的速度,amax代表自车最大制动加速度。
需要说明的是,对于电动汽车而言,开启自动制动是指越过电动车回馈制动阶段,直接开启机械制动阶段,以确保在所述跟车车距小于临界安全车距时,自车可以最快速的停下来。
在本实施例中,在计算所述临界安全距离时综合考虑了前车的不同行驶状态,使得所述避撞***的适用性更好。
在上述实施例的基础上,在本申请的又一个优选实施例中,所述安全车距通过将所述临界安全车距代入第五预设公式中计算获得;
所述第五预设公式为:Ssafe=slim+S0+(v1-v2)T,其中,Ssafe表示所述安全车距,S0表示预留间距,T为预留时间。
需要说明的是,所述临界安全距离是指自车和前车刚好不碰撞所需的距离,那么所述安全距离是在解除碰撞险情后自车和前车还预留有一定距离的长度。所述预留时间T一般是指驾驶员的反应时间,本申请对所述预留间距和预留时间的具体取值并不做限定,具体视实际情况而定。
相应的,本申请实施例还提供了一种机动车辆,包括如上述任一实施例所述的避撞***。
综上所述,本申请实施例提供了一种避撞***、避撞方法及机动车辆,其中,所述避撞***的预警模块400用于将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理后输入到所述经训练样本预先训练的BP神经网络,从而预测出自车待制动加速度,所述预警模块400根据所述自车待制动加速度判断是否需要启动跟车预警,从而实现将不同种类的驾驶员的驾驶习惯融入到跟车预警中的目的,进而满足不同驾驶习惯的驾驶员的个性预警要求,避免出现对于驾驶经验熟练且性格激进的驾驶员群体来说虚警概率偏高,而对于一些新手驾驶员来说可能会出现预警不及时的情况。使得所述避撞***更具实用性和适应性,在确定行车安全的同时也能够提升驾驶员的驾驶舒适性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种避撞***,其特征在于,包括:
参数获取模块,用于获取自车紧急制动次数、本次驾驶时间、自车状态参数、跟车状态参数及环境状态参数,所述自车状态参数包括:自车速度和自车制动加速度,所述跟车状态参数包括:前车速度、前车制动加速度和跟车车距,所述环境状态参数包括:环境光照度和路面附着系数;
预处理模块,用于对获取的所述跟车状态参数进行预处理;
避撞模块,用于根据所述自车状态参数和预处理后的跟车状态参数确定安全车距和临界安全车距,当所述跟车车距大于所述安全车距时,进入预警模块,当所述跟车车距小于所述安全车距时,判断所述跟车车距是否小于临界安全车距,如果是,则开启自动制动;
所述预警模块,用于将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理后输入到经训练样本预先训练的BP神经网络中,从而预测出自车待制动加速度,根据所述自车待制动加速度判断是否需要启动跟车预警,所述训练样本中包括驾驶员训练参数。
2.根据权利要求1所述的避撞***,其特征在于,所述预警模块包括:
归一化单元,用于对所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理并输入到驾驶跟驰习惯单元中;
所述驾驶跟驰习惯单元,用于根据所述归一化单元输入的参数预测出自车待制动加速度,所述驾驶跟驰习惯单元为经训练样本预先训练的BP神经网络;
计算单元,用于根据所述自车待制动加速度及自车最大制动加速度计算相对制动率;
第一判断单元,用于根据所述相对制动率判断是否需要进行跟车预警。
3.根据权利要求2所述的避撞***,其特征在于,所述第一判断单元具体用于判断所述相对制动率所属驾驶区间,并根据所述相对制动率所属的驾驶区间采取不干涉策略、一级预警策略或二级预警策略;
所述驾驶区间包括安全驾驶区间、第一级预警区间和第二级预警区间。
4.根据权利要求1所述的避撞***,其特征在于,所述驾驶员训练参数包括:跟车车距、前车制动加速度、前车速度、自车速度、环境光照度、路面附着系数、紧急制动次数和本次驾驶时间。
5.根据权利要求1所述的避撞***,其特征在于,所述预处理模块为卡尔曼滤波器,用于对所述跟车状态参数进行滤波处理。
6.根据权利要求1所述的避撞***,其特征在于,所述避撞模块包括:
状态确定单元,用于根据所述前车制动加速度和前车速度确定前车所属状态,所述前车所属状态包括:静止状态、紧急制动状态、匀减速状态和匀速状态;
第二判断单元,用于当所述前车所属状态为静止状态时,将所述自车状态参数和预处理后的跟车状态参数代入第一预设公式中确定临界安全车距;当所述前车所属状态为紧急制动状态时,将所述自车状态参数和预处理后的跟车状态参数代入第二预设公式中确定临界安全车距;当所述前车所属状态为匀减速状态时,将所述自车状态参数和预处理后的跟车状态参数代入第三预设公式中确定临界安全车距;当所述前车所属状态为匀速状态时,将所述自车状态参数和预处理后的跟车状态参数代入第四预设公式中确定临界安全车距;
安全车距确定单元,用于根据所述第二判断单元获得的临界安全车距确定安全车距;
第三判断单元,用于判断所述跟车车距是否大于所述安全车距,如果是,则进入所述预警模块;如果否,则判断所述跟车车距是否小于临界安全车距,若是,则开启自动制动;
所述第一预设公式为:Slim=St|vfinal=0;
所述第二预设公式为:
所述第三预设公式为:
所述第四预设公式为:
其中,Slim代表所述临界安全车距,v1代表所述自车速度,v2代表制动开始时的前车速度,t1代表制动***响应延迟时间,t2代表所述自车制动加速度增长到自车最大制动加速度所需要的时间,k代表自车制动加速度增长到自车最大制动加速度过程中的增长率,vfinal代表自车持续制动时的速度,vc代表前车持续制动时的速度,amax代表自车最大制动加速度。
7.根据权利要求6所述的避撞***,其特征在于,所述安全车距确定单元具体用于将所述临界安全车距代入第五预设公式中,获得所述安全车距;
所述第五预设公式为:Ssafe=slim+S0+(v1-v2)T,其中,Ssafe表示所述安全车距,S0表示预留间距,T为预留时间。
8.一种避撞方法,其特征在于,包括:
获取自车紧急制动次数、本次驾驶时间、自车状态参数、跟车状态参数及环境状态参数,所述自车状态参数包括:自车速度和自车制动加速度,所述跟车状态参数包括:前车速度、前车制动加速度和跟车车距,所述环境状态参数包括:环境光照度和路面附着系数;
对获取的所述跟车状态参数进行预处理;
根据所述自车状态参数和预处理后的跟车状态参数确定安全车距和临界安全车距,当所述跟车车距小于所述安全车距时,判断所述跟车车距是否小于临界安全车距,如果是,则开启自动制动;当所述跟车车距大于所述安全车距时,将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理,并将归一化后的所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和预处理且归一化后的跟车状态参数输入到经训练样本预先训练的BP神经网络中,以预测出自车待制动加速度,根据所述自车待制动加速度判断是否需要启动跟车预警,所述训练样本中包括驾驶员训练参数。
9.根据权利要求8所述的避撞方法,其特征在于,所述将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理,并将归一化后的所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和预处理且归一化后的跟车状态参数输入到经训练样本预先训练的BP神经网络中以预测出自车待制动加速度,根据所述自车待制动加速度判断是否需要启动跟车预警包括:
对所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理;
向经训练样本预先训练的BP神经网络中输入归一化后的所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和预处理且归一化后的跟车状态参数以预测出自车待制动加速度;
根据所述自车待制动加速度及自车最大制动加速度计算相对制动率;
根据所述相对制动率判断是否需要进行跟车预警。
10.根据权利要求9所述的避撞方法,其特征在于,所述根据所述相对制动率判断是否需要进行跟车预警包括:
判断所述相对制动率所属驾驶区间,并根据所述相对制动率所属的驾驶区间采取不干涉策略、一级预警策略或二级预警策略;
所述驾驶区间包括安全驾驶区间、第一级预警区间和第二级预警区间。
11.根据权利要求8所述的避撞方法,其特征在于,所述根据所述自车状态参数和预处理后的跟车状态参数确定安全车距和临界安全车距,当所述跟车车距小于所述安全车距时,判断所述跟车车距是否小于临界安全车距,如果是,则开启自动制动包括:
根据所述前车制动加速度和前车速度确定前车所属状态,所述前车所属状态包括:静止状态、紧急制动状态、匀减速状态和匀速状态;
当所述前车所属状态为静止状态时,将所述自车状态参数和预处理后的跟车状态参数代入第一预设公式中确定临界安全车距;当所述前车所属状态为紧急制动状态时,将所述自车状态参数和预处理后的跟车状态参数代入第二预设公式中确定临界安全车距;当所述前车所属状态为匀减速状态时,将所述自车状态参数和预处理后的跟车状态参数代入第三预设公式中确定临界安全车距;当所述前车所属状态为匀速状态时,将所述自车状态参数和预处理后的跟车状态参数代入第四预设公式中确定临界安全车距;
根据所述临界安全车距确定安全车距;
判断所述跟车车距是否大于所述安全车距,如果是,则进入所述将所述自车紧急制动次数、本次驾驶时间、自车状态参数、环境状态参数和所述预处理后的跟车状态参数进行归一化处理的步骤;如果否,则判断所述跟车车距是否小于临界安全车距,若是,则开启自动制动;
所述第一预设公式为:Slim=St|vfinal=0;
所述第二预设公式为:
所述第三预设公式为:
所述第四预设公式为:
其中,Slim代表所述临界安全车距,v1代表所述自车速度,v2代表制动开始时的前车速度,t1代表制动***响应延迟时间,t2代表所述自车制动加速度增长到自车最大制动加速度所需要的时间,k代表自车制动加速度增长到自车最大制动加速度过程中的增长率,vfinal代表自车持续制动时的速度,vc代表前车持续制动时的速度,amax代表自车最大制动加速度。
12.一种机动车辆,其特征在于,包括如权利要求1-7任一项所述的避撞***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610825831.1A CN106314428B (zh) | 2016-09-14 | 2016-09-14 | 一种避撞***、避撞方法及机动车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610825831.1A CN106314428B (zh) | 2016-09-14 | 2016-09-14 | 一种避撞***、避撞方法及机动车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106314428A CN106314428A (zh) | 2017-01-11 |
CN106314428B true CN106314428B (zh) | 2018-10-09 |
Family
ID=57787825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610825831.1A Active CN106314428B (zh) | 2016-09-14 | 2016-09-14 | 一种避撞***、避撞方法及机动车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106314428B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107246881B (zh) * | 2017-05-24 | 2020-12-22 | 宇龙计算机通信科技(深圳)有限公司 | 一种导航提醒方法、装置和终端 |
CN109426679B (zh) * | 2017-08-24 | 2024-02-02 | 深圳市一体数科科技有限公司 | 安全气囊的点火方法 |
CN109591811B (zh) * | 2017-09-28 | 2020-08-14 | 华为技术有限公司 | 车辆制动方法、装置及存储介质 |
CN108569268B (zh) * | 2017-12-15 | 2020-08-04 | 上海蔚来汽车有限公司 | 车辆防碰撞参数标定方法和装置、车辆控制器、存储介质 |
CN108773340A (zh) * | 2018-04-27 | 2018-11-09 | 李德祥 | 一种车辆安全保护*** |
CN109050538B (zh) * | 2018-06-20 | 2019-05-07 | 湘潭大学 | 一种安全车距估算装置及方法 |
CN108891350B (zh) * | 2018-07-27 | 2021-08-24 | 武汉理工大学 | 一种基于前车驾驶员制动习惯的防追尾预警***及方法 |
CN109552289B (zh) * | 2018-11-29 | 2020-06-02 | 辽宁工业大学 | 一种汽车自适应辅助制动***及其控制方法 |
CN109733347B (zh) * | 2019-01-28 | 2020-03-31 | 东南大学 | 一种人机耦合的纵向避撞控制方法 |
CN109910865B (zh) * | 2019-02-26 | 2021-05-28 | 临沂合力电子有限公司 | 一种基于物联网的车辆预警刹车方法 |
CN110488816B (zh) * | 2019-08-06 | 2021-12-31 | 华为技术有限公司 | 自动驾驶纵向规划方法及相关设备 |
CN110435661B (zh) * | 2019-08-19 | 2020-04-24 | 无锡物联网创新中心有限公司 | 一种车辆行驶模式的切换控制方法及相关装置 |
CN110782702B (zh) * | 2019-10-25 | 2021-02-12 | 安徽三联学院 | 一种车辆防碰撞预警***和方法 |
CN111308112A (zh) * | 2019-12-04 | 2020-06-19 | 电子科技大学 | 一种基于神经网络的温度补偿*** |
CN110979177A (zh) * | 2019-12-13 | 2020-04-10 | 武汉科技大学 | 一种机动车防追尾提示方法、***及机动车 |
CN111653126A (zh) * | 2020-05-29 | 2020-09-11 | 长安大学 | 一种车辆通行黄灯期间的防追尾方法 |
CN111791891B (zh) * | 2020-07-27 | 2022-04-12 | 吉林大学 | 一种基于驾驶员风格的直行跟车安全距离预警方法 |
CN112009397B (zh) * | 2020-07-31 | 2022-03-08 | 武汉光庭信息技术股份有限公司 | 一种自动驾驶路测数据分析方法及装置 |
CN111994074B (zh) * | 2020-08-31 | 2021-11-02 | 江铃汽车股份有限公司 | 车辆碰撞预警方法及装置 |
CN112270336A (zh) * | 2020-09-07 | 2021-01-26 | 河北工业大学 | 一种ga-bp工况识别方法及*** |
KR20220036200A (ko) * | 2020-09-15 | 2022-03-22 | 현대자동차주식회사 | 차량의 속도 예측 장치 및 그 방법 |
CN112109705A (zh) * | 2020-09-23 | 2020-12-22 | 同济大学 | 增程式分布驱动电动车辆避撞优化控制***及控制方法 |
CN112253087A (zh) * | 2020-10-20 | 2021-01-22 | 河南理工大学 | 一种基于多源测井资料的生物扰动储集层物性计算方法 |
CN112508054B (zh) * | 2020-11-12 | 2022-04-26 | 东风汽车集团有限公司 | 一种驾驶模型训练方法、装置、设备和介质 |
CN113299158B (zh) * | 2021-05-10 | 2023-04-18 | 易显智能科技有限责任公司 | 一种驾驶操稳教学方法和*** |
CN113183977A (zh) * | 2021-06-10 | 2021-07-30 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆制动控制方法、装置及电子设备 |
CN113401117A (zh) * | 2021-07-08 | 2021-09-17 | 上海追势科技有限公司 | 一种基于大数据分析的人车共享方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05278581A (ja) * | 1992-03-30 | 1993-10-26 | Mazda Motor Corp | 車両の自動制動装置 |
JP3400484B2 (ja) * | 1993-03-23 | 2003-04-28 | マツダ株式会社 | 車両の安全装置 |
JP4011711B2 (ja) * | 1998-01-13 | 2007-11-21 | 本田技研工業株式会社 | 車両走行安全装置 |
JP3671745B2 (ja) * | 1998-08-04 | 2005-07-13 | 株式会社デンソー | 車間制御装置及び記録媒体 |
JP5030734B2 (ja) * | 2007-10-19 | 2012-09-19 | Udトラックス株式会社 | 衝突被害軽減制動制御装置 |
CN201886149U (zh) * | 2010-12-05 | 2011-06-29 | 中国科学院沈阳自动化研究所 | 一种毫米波雷达防撞探测装置 |
CN102673561B (zh) * | 2011-12-20 | 2015-11-18 | 河南科技大学 | 一种汽车防追尾***及方法 |
CN103465907B (zh) * | 2013-08-27 | 2016-04-27 | 奇瑞汽车股份有限公司 | 一种汽车避撞装置及方法 |
CN103625463B (zh) * | 2013-11-29 | 2016-08-17 | 浙江吉利控股集团有限公司 | 一种车辆自动控制制动的方法及装置 |
CN104691545B (zh) * | 2013-12-04 | 2017-10-24 | 财团法人车辆研究测试中心 | 适应性车辆防碰撞方法 |
CN103935364B (zh) * | 2014-05-08 | 2016-07-06 | 吉林大学 | 基于毫米波雷达的汽车主动防撞预警*** |
CN105501220B (zh) * | 2015-11-24 | 2018-11-06 | 东软集团股份有限公司 | 车辆碰撞预警的方法、装置以及车辆 |
-
2016
- 2016-09-14 CN CN201610825831.1A patent/CN106314428B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106314428A (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106314428B (zh) | 一种避撞***、避撞方法及机动车辆 | |
CN109801511B (zh) | 一种碰撞预警方法及装置 | |
Wada et al. | Characterization of expert drivers' last-second braking and its application to a collision avoidance system | |
Peng et al. | Multi-parameter prediction of drivers' lane-changing behaviour with neural network model | |
McLaughlin et al. | A method for evaluating collision avoidance systems using naturalistic driving data | |
CN111311914B (zh) | 车辆行驶事故监控方法、装置和车辆 | |
CN110660270B (zh) | 车辆碰撞风险评价模型的建立方法和碰撞风险评价方法 | |
EP2704124B1 (en) | Driver condition assessment device | |
Peng et al. | Intelligent method for identifying driving risk based on V2V multisource big data | |
CN109740433A (zh) | 一种车辆避让方法及车载终端 | |
CN112699721A (zh) | 离开道路扫视时间的情境相关调整 | |
CN110901385A (zh) | 一种基于驾驶员疲劳状态的主动限速方法 | |
CN114987502B (zh) | 一种驾驶状态监测方法、装置、计算机设备以及存储介质 | |
CN112874515B (zh) | 利用驾驶姿态对驾驶辅助***进行安全提醒的***和方法 | |
CN118014349A (zh) | 一种隧道事故风险评估方法、***及设备 | |
JP2014085711A (ja) | 制動制御装置、制動制御方法、プログラム及び媒体 | |
CN111267801B (zh) | 一种面向智能辅助驾驶的汽车自适应制动***及其控制方法 | |
Sandblom et al. | Probabilistic threat assessment and driver modeling in collision avoidance systems | |
CN103231710B (zh) | 基于驾驶员工作负担调度驾驶员接口任务的***和方法 | |
US20200098206A1 (en) | Automatic real-time detection of vehicular incidents | |
CN114613131B (zh) | 一种基于安全裕度的个性化前向碰撞预警方法 | |
CN114155742B (zh) | 一种网联车纵向行车风险评估和预警方法 | |
Popescu et al. | Cut-in maneuver recognition and behavior generation using bayesian networks and fuzzy logic | |
CN111612140A (zh) | 基于路侧单元的自动驾驶安全判别方法、设备、存储介质 | |
CN114662967B (zh) | 基于动态贝叶斯网络的无人驾驶碰撞风险评估方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |