CN109334661B - 基于速度障碍模型和碰撞概率密度模型的避障预判方法 - Google Patents
基于速度障碍模型和碰撞概率密度模型的避障预判方法 Download PDFInfo
- Publication number
- CN109334661B CN109334661B CN201811039259.1A CN201811039259A CN109334661B CN 109334661 B CN109334661 B CN 109334661B CN 201811039259 A CN201811039259 A CN 201811039259A CN 109334661 B CN109334661 B CN 109334661B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- obstacle
- speed
- model
- collision
- 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 26
- 230000004888 barrier function Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 40
- 238000009826 distribution Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 15
- 238000005315 distribution function Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
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
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
基于速度障碍模型/碰撞概率密度模型的避障预判方法,步骤1:自身车辆的车载感知模块监测自身车辆和以自身车辆为中心的设定范围内存在的障碍物车辆在设定时间段内的速度、相对位置信息并回传给车载控制器;步骤2:车载控制器判断自身车辆和障碍物车辆是否同时以匀速行驶,并建立相关模型;步骤3:车载控制器判定自身车辆与障碍物车辆之间是否存在发生碰撞的可能;步骤4:车载控制器发出报警提示和/或控制自身车辆进行避障操作后或者直接进入步骤5;步骤5:重复上述步骤1~4,直至设定范围内不存在障碍物车辆。本方法将三维的现实环境二维化处理,大大降低了计算的复杂程度;基于智能驾驶,减少驾驶员的疲劳程度,起到辅助驾驶的作用。
Description
技术领域
本发明涉及智能驾驶领域,尤其涉及一种基于速度障碍模型/碰撞概率密度模型的避障预判方法。
背景技术
车辆防碰撞预测是智能驾驶领域近年来的一个研究热点,为了能在复杂的道理环境中保证车辆的安全行驶,不能只靠人来识别车辆周围的突发情况,还要靠车辆通过各传感器感知周围可能会发生碰撞的车辆,从而提前预警并快速应对,及时避障。
现有的防碰撞预测研究主要是基于机器视觉以及传感器的方法,使得车辆能够在未知的复杂环境中安全自主地驶向目的地,但是,伴随着时代发展,商用是不可避免的,这就要考虑传感器以及车载计算机的成本。Fulgenzi等人的研究用贝叶斯占用滤波器(BOF)来表示障碍物车辆,在未知环境中估计障碍物车辆的速度,并使用概率速度障碍(PVOs)来找到自身的安全速度,但是相应的计算复杂度也提高了很多。
发明内容
本发明所要解决的技术问题在于提供一种基于速度障碍模型/碰撞概率密度模型的避障预判方法,能够让自身车辆在障碍物车辆体的未知环境下,获取两者速度及位置、并通过数学模型判定自身车辆与障碍物车辆发生碰撞的可能,使得自身车辆能有效避免各障碍物车辆,安全、快速、高效地平稳运行。
本发明是通过以下技术方案实现的:
基于速度障碍模型/碰撞概率密度模型的避障预判方法,包括以下步骤:
步骤1:自身车辆的车载感知模块监测自身车辆和以自身车辆为中心的设定范围内存在的障碍物车辆在设定时间段内的速度、相对位置信息并回传给车载控制器;
步骤2:车载控制器接收到上述信息后,判断自身车辆和障碍物车辆是否同时以匀速行驶,并建立相关模型:
如果自身车辆与障碍物车辆在设定时间段内同时以匀速行驶,车载控制器根据自身车辆和障碍物车辆的速度矢量及外轮廓尺寸,自身车辆与障碍物车辆之间的距离建立速度障碍模型;
如果自身车辆与障碍物车辆中的至少一方在设定时间段内以加速度行驶,车载控制器计算某一设定时间段内自身车辆和障碍物车辆的可能行驶区域并建立碰撞概率密度模型;
步骤3:车载控制器基于速度障碍模型或者碰撞概率密度模型判定自身车辆与障碍物车辆之间是否存在发生碰撞的可能;
步骤4:如果车载控制器判定自身车辆与障碍物车辆发生碰撞的可能,车载控制器发出报警提示和/或控制自身车辆进行避障操作后进入步骤5,如果如果车载控制器判定自身车辆与障碍物车辆没有发生碰撞的可能,直接进入步骤5;
步骤5:重复上述步骤1~4,直至以自身车辆为中心的设定范围内不存在障碍物车辆。
进一步的,所述速度障碍模型通过以下方法建立:设自身车辆为质点A,障碍物车辆膨化处理为圆O,圆O的半径R1为障碍物车辆长度及宽度尺寸中的较大尺寸和自身车辆长度及宽度尺寸中的较大尺寸之和,质点A和圆O之间的距离为自身车辆与障碍物车辆之间的距离,从A点引两条射线L1和L2、分别外切于圆O两侧,L1和L2所夹的锥形面形成速度障碍锥,设自身车辆的速度矢量为vA,障碍物车辆的速度矢量为vO,则自身车辆相对于障碍物车辆的相对速度矢量为vAo。
再进一步,所述车载控制器基于速度障碍模型通过以下方式判定自身车辆与障碍物车辆发生碰撞的可能:如果相对速度矢量vAO位于速度障碍锥内,车载控制器判定自身车辆与障碍物车辆存在发生碰撞的可能。
进一步的,所述碰撞概率密度模型通过以下方法建立:
Ⅰ、自身车辆加速度a的计算:当前自身车辆以加速度a行驶,记向心加速度为aN,切向加速度为aT;
自身车辆的向心加速度aN的计算公式如下:
其中:v为自身车辆的当前行驶速度,ρ(s)为自身车辆的路径轨迹弧半径,均由车载控制器通过车载感知模块获得,当ρ(s)为0时,即自身车辆当前直线行驶时,记做aN=0;
自身车辆的切向加速度aT与速度v变化率的关系公式如下:
其中:k1和k2均为给定常数值,k1为自身车辆的轮胎滚动摩擦系数,k2为自身车辆能够行驶的最高时速,对于不同车型的车辆所对应的k1和k2值不相同;w为给定的自身车辆操控状态参数,w≤|1|,w的值由车载感知模块监测自身车辆当前的速度变化规律给出:
当自身车辆当前处于制动状态时,-1≤w<0,并且车辆制动程度越大,w值越小,车辆制动程度达到最大时,w=-1;
当自身车辆当前保持原速度匀速不变时,w=0;
当自身车辆当前处于加速状态时,0<w≤1,并且车辆加速程度越大,w值越大,车辆加速程度达到最大时,w=1;
车载控制器通过上述公式①、②计算自身车辆的向心加速度为aN和切向加速度aT,并通过下述公式③获得自身车辆的加速度a:
Ⅱ、车载控制器通过车载感知模块获取道路几何以及障碍物信息,结合车辆当前速度、位置和加速度,以道路可通行域中心分割线为基准,建立类高斯分布函数,可以得到自身车辆的在道路上的横向概率分布函数f(x),公式如下:
将自身车辆在某一设定时间段内的可能行驶区域分割成若干个单位面积区域,由车辆纵向动力学和车辆操控状态参数w,可以得到自身车辆中心的纵向概率分布函数f(y),公式如下:
其中,x和y分别为表示横向与纵向的目标路径的随机变量,x和y服从位置参数μ、尺度参数σ的概率分布函数;位置参数μ是自身车辆在正常道路中设定某一时间段内行驶距离的均值,尺度参数σ2为样本方差,即各个行驶距离数据与μ之差的平方的和的平均数;由于纵、横向速度分布相互独立,最终可获得自身车辆在道路上的运动可达区域在时刻t的联合概率分布f1(x,y,t),公式如下:
f1(x,y,t)=∫f(x)·f(y)·v(x,y)dt
Ⅲ、按照上述第Ⅰ、Ⅱ步,同理得到障碍物车辆在时刻t的联合概率分布f2(x,y,t),公式如下:
f2(x,y,t)=∫f(x)·f(y)·v(x,y)dt
结合不同时刻点的自身车辆和障碍物车辆的运动可达区域联合概率分布,可以得到自身车辆—障碍物车辆碰撞的综合概率分布f(x,y,t),公式如下:
f(x,y,t)=f1(x,y,t)·f2(x,y,t)。
再进一步,所述车载控制器基于碰撞概率密度模型通过以下方式判定自身车辆与障碍物车辆是否存在发生碰撞的可能:
当f(x,y,t)=0时,自身车辆与障碍物车辆在同一设定时间段内的行驶路径不重叠,不会发生碰撞;
当0<f(x,y,t)≤1时,自身车辆与障碍物车辆在同一设定时间段内的行驶路径重叠,可能会发生碰撞。
进一步的,所述车载感知模块包括但不限于速度传感器,测距传感器,位置传感器,路径轨迹传感器中的多种,用于监测自身车辆和以自身车辆为中心的设定范围内存在的障碍物车辆的相关运动及位置信息。
本发明的有益效果在于:
1、结合了计算机图像处理技术,实现了用低成本的传感器进行车辆碰撞的检测,将三维的现实环境二维化处理,大大降低了计算的复杂程度;
2、基于智能驾驶,减少驾驶员的疲劳程度,起到辅助驾驶的作用。
附图说明
图1为本发明的整体流程示意图
图2为速度障碍法原理图
图3为基于碰撞概率密度模型进行避障预判时自身车辆的加速度分解示意图
图4为基于碰撞概率密度模型、自身车辆在某一设定时间段内、在道路上的运动可达区域内的联合概率分布函数密度示意图
图5为基于碰撞概率密度模型,自身车辆与障碍物车辆各自在道路上的运动可达区域在不同的时刻t的综合概率分布示意图
具体实施方式
下面结合附图对本发明作进一步说明。
本发明提出的车辆避障预判方法主要应用于车辆的辅助驾驶***上,目的是对车辆周围的障碍物能够提前预警,避免车辆的碰撞。本发明的方法能够满足车载移动设备实时处理的要求。
本发明提出的速度障碍模型/碰撞概率密度模型的避障预判方法具体的实现如图1所示,包括以下步骤:
步骤1:自身车辆的车载感知模块监测自身车辆和以自身车辆为中心的设定范围内存在的障碍物车辆在设定时间段内的速度、相对位置信息并回传给车载控制器;
步骤2:车载控制器接收到上述信息后,判断自身车辆和障碍物车辆是否同时以匀速行驶,并建立相关模型:
如果自身车辆与障碍物车辆在设定时间段内同时以匀速行驶,车载控制器根据自身车辆和障碍物车辆的速度矢量及外轮廓尺寸,自身车辆与障碍物车辆之间的距离建立速度障碍模型;
如果自身车辆与障碍物车辆中的至少一方在设定时间段内以加速度行驶,车载控制器计算某一设定时间段内自身车辆和障碍物车辆的可能行驶区域并建立碰撞概率密度模型;
步骤3:车载控制器基于速度障碍模型或者碰撞概率密度模型判定自身车辆与障碍物车辆之间是否存在发生碰撞的可能;
步骤4:如果车载控制器判定自身车辆与障碍物车辆发生碰撞的可能,车载控制器发出报警提示和/或控制自身车辆进行避障操作后进入步骤5,如果如果车载控制器判定自身车辆与障碍物车辆没有发生碰撞的可能,直接进入步骤5;
步骤5:重复上述步骤1~4,直至以自身车辆为中心的设定范围内不存在障碍物车辆。
其中,车载感知模块包括速度传感器,测距传感器,位置传感器,路径轨迹传感器。
实施例1
如图2所示,速度障碍模型通过以下方法建立:设自身车辆为质点A,障碍物车辆膨化处理为圆O,圆O的半径R1为障碍物车辆长度及宽度尺寸中的较大尺寸和自身车辆长度及宽度尺寸中的较大尺寸之和,质点A和圆O之间的距离为自身车辆与障碍物车辆之间的距离,从A点引两条射线L1和L2、分别外切于圆O两侧,L1和L2所夹的锥形面形成速度障碍锥,设自身车辆的速度矢量为vA,障碍物车辆的速度矢量为vO,则自身车辆相对于障碍物车辆的相对速度矢量为vAO。
车载控制器基于速度障碍模型通过以下方式判定自身车辆与障碍物车辆发生碰撞的可能:如果相对速度矢量vAO位于速度障碍锥内,车载控制器判定自身车辆与障碍物车辆存在发生碰撞的可能。
实施例2
如图3~5所示,碰撞概率密度模型通过以下方法建立:
Ⅰ、自身车辆加速度a的计算:如图3所示,当前自身车辆以加速度a行驶,记向心加速度为aN,切向加速度为aT;
自身车辆的向心加速度aN的计算公式如下:
其中:v为自身车辆的当前行驶速度,ρ(s)为自身车辆的路径轨迹弧半径,均由车载控制器通过车载感知模块获得,当ρ(s)为0时,即自身车辆当前直线行驶时,记做aN=0;
自身车辆的切向加速度aT与速度v变化率的关系公式如下:
其中:k1和k2均为给定常数值,k1为自身车辆的轮胎滚动摩擦系数,k2为自身车辆能够行驶的最高时速,对于不同车型的车辆所对应的k1和k2值不相同;w为给定的自身车辆操控状态参数,w≤|1|,w的值由车载感知模块监测自身车辆当前的速度变化规律给出:
当自身车辆当前处于制动状态时,-1≤w<0,并且车辆制动程度越大,w值越小,车辆制动程度达到最大时,w=-1;
当自身车辆当前保持原速度匀速不变时,w=0;
当自身车辆当前处于加速状态时,0<w≤1,并且车辆加速程度越大,w值越大,车辆加速程度达到最大时,w=1;
车载控制器通过上述公式①、②计算自身车辆的向心加速度为aN和切向加速度aT,并通过下述公式③获得自身车辆的加速度a:
Ⅱ、车载控制器通过车载感知模块获取道路几何以及障碍物信息,结合车辆当前速度、位置和加速度,以道路可通行域中心分割线为基准,建立类高斯分布函数,可以得到自身车辆的在道路上的横向概率分布函数f(x),公式如下:
将自身车辆在某一设定时间段内的可能行驶区域分割成若干个单位面积区域,由车辆纵向动力学和车辆操控状态参数w,可以得到自身车辆中心的纵向概率分布函数f(y),公式如下:
其中,x和y分别为表示横向与纵向的目标路径的随机变量,x和y服从位置参数μ、尺度参数σ的概率分布函数;位置参数μ是自身车辆在正常道路中设定某一时间段内行驶距离的均值,尺度参数σ2为样本方差,即各个行驶距离数据与μ之差的平方的和的平均数;由于纵、横向速度分布相互独立,最终可获得自身车辆在道路上的运动可达区域在时刻t的联合概率分布f1(x,y,t),公式如下:
f1(x,y,t)=∫f(x)·f(y)·v(x,y)dt
联合概率分布密度如图4所示,颜色越深,表示概率越大;
Ⅲ、按照上述第Ⅰ、Ⅱ步,同理得到障碍物车辆在时刻t的联合概率分布f2(x,y,t),公式如下:
f2(x,y,t)=∫f(x)·f(y)·v(x,y)dt
结合不同时刻点的自身车辆和障碍物车辆的运动可达区域联合概率分布,可以得到自身车辆—障碍物车辆碰撞的综合概率分布f(x,y,t),公式如下:
f(x,y,t)=f1(x,y,t)·f2(x,y,t);
车载控制器基于碰撞概率密度模型通过以下方式判定自身车辆与障碍物车辆是否存在发生碰撞的可能:
当f(x,y,t)=0时,自身车辆与障碍物车辆在同一设定时间段内的行驶路径不重叠,不会发生碰撞,如图5所示,在t1时间段内两车运动可达区域的行驶路径不重叠,两车不会发生碰撞;
当0<f(x,y,t)≤1时,自身车辆与障碍物车辆在同一设定时间段内的行驶路径重叠,可能会发生碰撞,如图5所示,t2时间段内两车运动可达区域的行驶路径重叠,两车不会发生碰撞,存在碰撞的可能。
Claims (6)
1.基于速度障碍模型和碰撞概率密度模型的避障预判方法,包括以下步骤:
步骤1:自身车辆的车载感知模块监测自身车辆和以自身车辆为中心的设定范围内存在的障碍物车辆在设定时间段内的速度、相对位置信息并回传给车载控制器;
步骤2:车载控制器接收到上述信息后,判断自身车辆和障碍物车辆是否同时以匀速行驶,并建立相关模型:
如果自身车辆与障碍物车辆在设定时间段内同时以匀速行驶,车载控制器根据自身车辆和障碍物车辆的速度矢量及外轮廓尺寸,自身车辆与障碍物车辆之间的距离建立速度障碍模型;
如果自身车辆与障碍物车辆中的至少一方在设定时间段内以加速度行驶,车载控制器计算某一设定时间段内自身车辆和障碍物车辆的可能行驶区域并建立碰撞概率密度模型;
步骤3:车载控制器基于速度障碍模型或者碰撞概率密度模型判定自身车辆与障碍物车辆之间是否存在发生碰撞的可能;
步骤4:如果车载控制器判定自身车辆与障碍物车辆发生碰撞的可能,车载控制器发出报警提示和/或控制自身车辆进行避障操作后进入步骤5,如果车载控制器判定自身车辆与障碍物车辆没有发生碰撞的可能,直接进入步骤5;
步骤5:重复上述步骤1~4,直至以自身车辆为中心的设定范围内不存在障碍物车辆。
2.根据权利要求1所述的基于速度障碍模型和碰撞概率密度模型的避障预判方法,其特征在于:
所述速度障碍模型通过以下方法建立:设自身车辆为质点A,障碍物车辆膨化处理为圆O,圆O的半径R1为障碍物车辆长度及宽度尺寸中的较大尺寸和自身车辆长度及宽度尺寸中的较大尺寸之和,质点A和圆O之间的距离为自身车辆与障碍物车辆之间的距离,从A点引两条射线L1和L2、分别外切于圆O两侧,L1和L2所夹的锥形面形成速度障碍锥,设自身车辆的速度矢量为vA,障碍物车辆的速度矢量为vO,则自身车辆相对于障碍物车辆的相对速度矢量为vAO。
3.根据权利要求2所述的基于速度障碍模型和碰撞概率密度模型的车辆避障预判方法,其特征在于:所述车载控制器基于速度障碍模型通过以下方式判定自身车辆与障碍物车辆发生碰撞的可能:如果相对速度矢量vAO位于速度障碍锥内,车载控制器判定自身车辆与障碍物车辆存在发生碰撞的可能。
4.根据权利要求1所述的基于速度障碍模型和碰撞概率密度模型的避障预判方法,其特征在于:
所述碰撞概率密度模型通过以下方法建立:
Ⅰ、自身车辆加速度a的计算:当前自身车辆以加速度a行驶,记向心加速度为aN,切向加速度为aT;
自身车辆的向心加速度aN的计算公式如下:
其中:v为自身车辆的当前行驶速度,ρ(s)为自身车辆的路径轨迹弧半径,均由车载控制器通过车载感知模块获得,当ρ(s)为0时,即自身车辆当前直线行驶时,记做aN=0;
自身车辆的切向加速度aT与速度v变化率的关系公式如下:
其中:k1和k2均为给定常数值,k1为自身车辆的轮胎滚动摩擦系数,k2为自身车辆能够行驶的最高时速,对于不同车型的车辆所对应的k1和k2值不相同;w为给定的自身车辆操控状态参数,w≤|1|,w的值由车载感知模块监测自身车辆当前的速度变化规律给出:
当自身车辆当前处于制动状态时,-1≤w<0,并且车辆制动程度越大,w值越小,车辆制动程度达到最大时,w=-1;
当自身车辆当前保持原速度匀速不变时,w=0;
当自身车辆当前处于加速状态时,0<w≤1,并且车辆加速程度越大,w值越大,车辆加速程度达到最大时,w=1;
车载控制器通过上述公式①、②计算自身车辆的向心加速度为aN和切向加速度aT,并通过下述公式③获得自身车辆的加速度a:
Ⅱ、车载控制器通过车载感知模块获取道路几何以及障碍物信息,结合车辆当前速度、位置和加速度,以道路可通行域中心分割线为基准,建立类高斯分布函数,可以得到自身车辆的在道路上的横向概率分布函数f(x),公式如下:
将自身车辆在某一设定时间段内的可能行驶区域分割成若干个单位面积区域,由车辆纵向动力学和车辆操控状态参数w,可以得到自身车辆中心的纵向概率分布函数f(y),公式如下:
其中,x和y分别为表示横向与纵向的目标路径的随机变量,x和服从位置参数μ、尺度参数σ的概率分布函数;位置参数μ是自身车辆在正常道路中设定某一时间段内行驶距离的均值,尺度参数σ2为样本方差,即各个行驶距离数据与μ之差的平方的和的平均数;由于纵、横向速度分布相互独立,最终可获得自身车辆在道路上的运动可达区域在时刻t的联合概率分布f1(x,y,t),公式如下:
f1(x,y,t)=∫f(x)·f(y)·v(x,y)dt
Ⅲ、按照上述第Ⅰ、Ⅱ步,同理得到障碍物车辆在时刻t的联合概率分布f2(x,y,t),公式如下:
f2(x,y,t)=∫f(x)·f(y)·v(x,y)dt
结合不同时刻点的自身车辆和障碍物车辆的运动可达区域联合概率分布,可以得到自身车辆—障碍物车辆碰撞的综合概率分布f(x,y,t),公式如下:
f(x,y,t)=f1(x,y,t)·f2(x,y,t)。
5.根据权利要求4所述的基于速度障碍模型和碰撞概率密度模型的避障预判方法,其特征在于:所述车载控制器基于碰撞概率密度模型通过以下方式判定自身车辆与障碍物车辆是否存在发生碰撞的可能:
当f(x,y,t)=0时,自身车辆与障碍物车辆在同一设定时间段内的行驶路径不重叠,不会发生碰撞;
当0<f(x,y,t)≤1时,自身车辆与障碍物车辆在同一设定时间段内的行驶路径重叠,可能会发生碰撞。
6.根据权利要求1所述的基于速度障碍模型和碰撞概率密度模型的避障预判方法,其特征在于:所述车载感知模块包括速度传感器,测距传感器,位置传感器,路径轨迹传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811039259.1A CN109334661B (zh) | 2018-09-06 | 2018-09-06 | 基于速度障碍模型和碰撞概率密度模型的避障预判方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811039259.1A CN109334661B (zh) | 2018-09-06 | 2018-09-06 | 基于速度障碍模型和碰撞概率密度模型的避障预判方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109334661A CN109334661A (zh) | 2019-02-15 |
CN109334661B true CN109334661B (zh) | 2020-05-29 |
Family
ID=65304543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811039259.1A Active CN109334661B (zh) | 2018-09-06 | 2018-09-06 | 基于速度障碍模型和碰撞概率密度模型的避障预判方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109334661B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107672525B (zh) * | 2017-11-03 | 2024-04-05 | 辽宁工业大学 | 一种逆光行车时预见前方路况的日间辅助驾驶装置及其方法 |
CN109895766B (zh) * | 2019-03-13 | 2021-08-31 | 刘乐 | 一种电动汽车的主动避障*** |
CN110837255B (zh) * | 2019-11-08 | 2022-07-15 | 哈尔滨工程大学 | 一种适用于高速水面无人艇的自主危险规避方法 |
CN111186437B (zh) * | 2019-12-25 | 2021-07-30 | 北京三快在线科技有限公司 | 一种车辆轨迹的风险确定方法及装置 |
JP7268629B2 (ja) * | 2020-03-23 | 2023-05-08 | トヨタ自動車株式会社 | 運転支援システム |
CN111427369B (zh) * | 2020-06-08 | 2020-11-03 | 北京三快在线科技有限公司 | 一种无人车控制方法及装置 |
CN114248794A (zh) * | 2020-09-23 | 2022-03-29 | 华为技术有限公司 | 车辆的控制方法、装置及车辆 |
CN113283401B (zh) * | 2021-07-20 | 2021-10-08 | 山东华力机电有限公司 | 基于云计算和图像处理的agv小车避障方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013217486A1 (de) * | 2013-09-03 | 2015-03-05 | Conti Temic Microelectronic Gmbh | Verfahren zur Repräsentation eines Umfelds eines Fahrzeugs in einem Belegungsgitter |
CN104933228A (zh) * | 2015-05-27 | 2015-09-23 | 西安交通大学 | 基于速度障碍的无人车实时轨迹规划方法 |
CN105022270A (zh) * | 2015-03-20 | 2015-11-04 | 武汉理工大学 | 基于速度矢量坐标系的船自动避碰方法 |
CN105589464A (zh) * | 2016-03-28 | 2016-05-18 | 哈尔滨工程大学 | 一种基于速度障碍法的uuv动态避障方法 |
DE102015008539A1 (de) * | 2015-07-02 | 2017-01-05 | Daimler Ag | Verfahren zur Fusion mehrerer Informationsquellen zur Objektdetektion und Verfahren zum Betrieb einer Fahrerassistenzvorrichtung |
WO2017138664A1 (en) * | 2016-02-11 | 2017-08-17 | Mitsubishi Electric Corporation | Method for controlling motion of vehicle and control system of vehicle |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014073968A2 (en) * | 2012-11-09 | 2014-05-15 | Nederlandse Organisatie Voor Toegepast-Natuurwetenschappelijk Onderzoek Tno | Vehicle spacing control |
-
2018
- 2018-09-06 CN CN201811039259.1A patent/CN109334661B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013217486A1 (de) * | 2013-09-03 | 2015-03-05 | Conti Temic Microelectronic Gmbh | Verfahren zur Repräsentation eines Umfelds eines Fahrzeugs in einem Belegungsgitter |
CN105022270A (zh) * | 2015-03-20 | 2015-11-04 | 武汉理工大学 | 基于速度矢量坐标系的船自动避碰方法 |
CN104933228A (zh) * | 2015-05-27 | 2015-09-23 | 西安交通大学 | 基于速度障碍的无人车实时轨迹规划方法 |
DE102015008539A1 (de) * | 2015-07-02 | 2017-01-05 | Daimler Ag | Verfahren zur Fusion mehrerer Informationsquellen zur Objektdetektion und Verfahren zum Betrieb einer Fahrerassistenzvorrichtung |
WO2017138664A1 (en) * | 2016-02-11 | 2017-08-17 | Mitsubishi Electric Corporation | Method for controlling motion of vehicle and control system of vehicle |
CN105589464A (zh) * | 2016-03-28 | 2016-05-18 | 哈尔滨工程大学 | 一种基于速度障碍法的uuv动态避障方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109334661A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109334661B (zh) | 基于速度障碍模型和碰撞概率密度模型的避障预判方法 | |
US11225247B2 (en) | Collision prediction and avoidance for vehicles | |
US11001256B2 (en) | Collision prediction and avoidance for vehicles | |
US11774975B2 (en) | Collision zone detection for vehicles | |
CN109131326A (zh) | 一种具有换道辅助功能的自适应巡航控制器及其工作方法 | |
CN109849908B (zh) | 基于相邻车道风险预测的车道保持辅助***及控制方法 | |
CN103359120B (zh) | 目标车辆运动分类 | |
CN109131312B (zh) | 一种智能电动汽车acc/esc集成控制***及其方法 | |
CN110794851B (zh) | 车辆远程控制安全防护方法、装置和无人驾驶车辆 | |
CN110155046A (zh) | 自动紧急制动分级控制方法与*** | |
CN110053619A (zh) | 车辆控制装置 | |
CN106882182A (zh) | 一种汽车智能避障*** | |
CN112829742B (zh) | 乘员安全决策方法和装置 | |
CN112248986B (zh) | 一种车辆自动制动方法、装置、设备和存储介质 | |
CN104192144A (zh) | 一种汽车主动防撞弯道虚警消除方法 | |
WO2020116156A1 (ja) | 車両制御装置 | |
EP3741638A1 (en) | Vehicle control device | |
CN107344552A (zh) | 动态监测全方位汽车防撞预警*** | |
EP3738849A1 (en) | Vehicle control device | |
CN113844445B (zh) | 基于预测参考线坐标系的车辆自动紧急制动***与方法 | |
CN114291116B (zh) | 周围车辆轨迹预测方法、装置、车辆及存储介质 | |
US20200331527A1 (en) | System for recognizing trailer of vehicle and method thereof | |
CN112793507A (zh) | 基于惯性器件感知车辆右转运动特性的盲区预警制动*** | |
CN207106492U (zh) | 动态监测全方位汽车防撞预警*** | |
CN115092131A (zh) | 一种车辆巡航***及方法 |
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 |