CN110481526A - 一种智能汽车传感器盲区行人检测及主动避撞方法 - Google Patents
一种智能汽车传感器盲区行人检测及主动避撞方法 Download PDFInfo
- Publication number
- CN110481526A CN110481526A CN201910658787.3A CN201910658787A CN110481526A CN 110481526 A CN110481526 A CN 110481526A CN 201910658787 A CN201910658787 A CN 201910658787A CN 110481526 A CN110481526 A CN 110481526A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- sensor
- intelligent automobile
- dead
- zone boundary
- 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.)
- Granted
Links
Classifications
-
- 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
- B60T7/22—Brake-action initiating means for automatic initiation; for initiation not subject to will of driver or passenger initiated by contact of vehicle, e.g. bumper, with an external object, e.g. another vehicle, or by means of contactless obstacle detectors mounted on the vehicle
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种智能汽车传感器盲区行人检测及主动避撞方法,通过车载传感器获取智能汽车行驶过程中的行驶状态信息,同时获取传感器盲区信息,检测是否有行人进入传感器盲区,并通过车载传感器采集行人处于传感器盲区边界A时刻的行人状态信息,如速度、加速度、位置信息等,用卡尔曼滤波对采集到的行人状态信息进行最优化处理,通过相关计算,预测当行人运动到传感器盲区边界B时,智能汽车是否处于危险区域,根据预测结果判断是否需要提前进行主动避撞。智能汽车在行车过程中会主动规避由于传感器盲区的存在可能引发的危险碰撞工况,在通过传感器盲区区域时更加安全,从而有效提高了智能汽车的主动安全***的性能以及车辆的行驶安全性。
Description
技术领域
本发明涉及一种智能汽车传感器盲区行人检测及主动避撞方法,属于行车安全技术领域。
背景技术
近年来,随着科技的发展,智能汽车已经逐渐走进了我们的视线。智能汽车是通过车载传感***感知道路环境,自动规划行车路线并控制车辆到达预定目标的。它是利用车载传感器来感知车辆周围环境,并根据感知所获得的道路、车辆位置和障碍物信息,控制车辆的转向和速度,从而使车辆能够安全、可靠地在道路上行驶。先进的车辆主动安全***仍然是智能汽车技术研究的重中之重。在大多数人车混杂的道路环境下,由于路旁停靠的车辆以及其他障碍物的遮挡,外界环境的不确定性、复杂多变性的特点以及传感器本身的局限性,使得智能汽车在一定范围内存在行驶环境检测盲区,即传感器盲区,且其具有潜伏性,突变性的特点。智能汽车依赖于车载传感器信息进行控制决策,传感器盲区的存在会对智能汽车的安全性造成极大的威胁,所以需要针对智能汽车行驶过程中存在的传感器盲区进行行人检测及主动避撞。现有技术中,多是对传感器盲区内的障碍物进行存在性的位置假设,通过理论安全距离模型寻求理论上最基本的、最可靠的主动安全避撞方法。本发明涉及的针对智能汽车传感器盲区进行行人检测及主动避撞的方法尚未见到报道。
发明内容
为了解决上述问题,本发明通过车载传感器获取智能汽车行驶过程中的车辆行驶状态信息,同时获取传感器盲区信息,检测是否有行人进入传感器盲区,并通过车载传感器采集行人处于传感器盲区边界A时刻的行人状态信息(比如速度、加速度、位置信息等),用卡尔曼滤波对采集到的行人状态信息进行最优化处理,通过进行相关计算,预测当行人运动到传感器盲区边界B时,智能汽车是否处于危险区域,根据预测结果判断是否需要提前进行主动避撞。智能汽车在行车过程中会主动规避由于传感器盲区的存在可能引发的危险碰撞工况,在通过传感器盲区区域时更加安全,从而有效提高了智能汽车的主动安全***的性能以及车辆的行驶安全性。
具体技术方案如下:
一种智能汽车传感器盲区行人检测及主动避撞方法,包括如下步骤:
步骤1:通过车载传感器获取车辆行车状态信息;
步骤2:通过车载传感器获取传感器盲区信息(主要包括传感器盲区边界信息),检测是否有行人进入传感器盲区;
步骤3:通过车载传感器采集行人处于传感器盲区边界A时刻的行人状态信息(比如速度、加速度、位置信息等),用卡尔曼滤波对采集到的行人状态信息进行最优化处理;
步骤4:通过相关计算,预测当行人运动到传感器盲区边界B时,智能汽车是否处于危险区域,并且根据预测结果判断是否需要对智能汽车提前进行主动避撞;
步骤5:将步骤4所要进行的动作由电子控制单元控制完成避撞,并反馈车辆状态信息给行车信息采集控制单元。
进一步,所述步骤1的具体实现包括:假设检测到的行人与障碍物的纵向距离很小,可以忽略不计。同时假设障碍物与行驶车辆的横向距离较小。利用车载传感***(包括毫米波雷达、速度传感器和加速度传感器等)获取智能汽车距离检测到的处于盲区边界A的行人的纵向距离Dy,智能汽车距离检测到的处于盲区边界A的行人的横向距离Dx,行人处于传感器盲区边界A时的智能汽车的行驶速度v0,智能汽车的最大制动减速度abmax。
进一步,所述步骤2的具体实现包括:对车载摄像装置(主要包括CCD相机等)采集的行驶环境图像、传感器检测信息、电子地图、GPS位置、智能汽车行驶任务等信息进行融合,确定行驶方向前方道路两侧由于障碍物遮挡所形成的传感器盲区边缘线,即智能汽车传感器盲区的边界,并且检测是否有行人越过传感器盲区边界A进入传感器盲区。
进一步,所述步骤3的具体实现包括:利用车载传感器(包括毫米波雷达等)获取行人处于传感器盲区边界A时的行人的运动速度v1,行人处于传感器盲区边界A时刻行人的运动加速度a1。
另外的,当行人未完全按照x方向运动时,令行人的运动速度v1和运动加速度a1在x方向上的分量大小分别为v2和a2,其中,v2略小于v1,a2略小于a1,此时工况同样适合行人完全按照x方向运动时智能汽车是否需要提前采取主动避撞的条件。
另外的,对车载传感器检测到的行人的运动速度v1和运动加速度a1作为观测值,通过使用卡尔曼滤波,对数据进行最优化处理,得到更加精确的数据。
进一步,所述步骤4的相关计算具体包括:
ua0=v0+a0 t;
式中:
Dx——智能汽车距离检测到的处于盲区边界A的行人的横向距离;
D0——理论上行人从盲区边界A运动到盲区边界B时智能汽车运动的距离;
t——理论上行人从盲区边界A运动到盲区边界B所用的时间;
a1——行人处于传感器盲区边界A时的行人的运动加速度;
a0——行人处于传感器盲区边界A时的智能汽车的运动加速度;
v1——行人处于传感器盲区边界A时的行人的运动速度;
v0——行人处于传感器盲区边界A时的智能汽车的行驶速度;
ua0——理论上行人处于传感器盲区边界B时的智能汽车的行驶速度;
s——理论上智能汽车的制动距离;
τ‘2——制动时克服蹄片与制动鼓之间的间隙需要的时间;
τ″2——制动时制动器制动力增长过程所需要的时间;
abmax——智能汽车最大制动减速度。
其中,行人从盲区边界A运动到盲区边界B所用的时间t通过第一个公式可求出。
另外,Dy——智能汽车距离检测到的处于盲区边界A的行人的纵向距离。
对上述计算所得到的结果进行分析讨论:当Dy-D0>s时,智能汽车尚未进入危险区域,此时无需提前对智能汽车进行主动避撞;当0≤Dy-D0≤s时,智能汽车处于危险区域,此时需提前对智能汽车进行主动避撞;当Dy-D0<0时,智能汽车已经驶离危险区域,此时无需提前对智能汽车进行主动避撞。
进一步,所述步骤5的具体实现包括:根据步骤4分析讨论的结果,如果需提前对智能汽车进行主动避撞,则由电子控制单元向智能汽车发出指令,向制动踏板施加一定压力,实现主动避撞;如果无需提前对智能汽车进行主动避撞,电子控制单元则不向智能汽车发出制动指令,汽车按原有状态继续行驶。
本发明的有益效果:
(1)本发明提出了一种智能汽车传感器盲区的行人检测及主动避撞方法,能够实现智能汽车及时的规避传感器盲区内行人可能给车辆带来的碰撞危险,显著提高了行车的安全系数;
(2)本发明所涉及的工况是现实中较为常见的危险工况,所以对此工况的分析讨论有一定的现实意义;
(3)本发明建立的模型类似于车辆纵向主动避撞安全距离模型,能够精确且有效的判断车辆是否需要提前进行主动避撞,以规避行车危险、保证行车安全。
附图说明
图1是本发明的方法流程图;
图2是本发明的工况说明图;
图3是本发明的数据融合模型框图;
具体实施方式
下面结合附图对本发明作进一步说明。
本发明提供一种智能汽车传感器盲区行人检测及主动避撞方法,如图1所示,包括以下几个步骤:
步骤1:通过车载传感器获取车辆行车状态信息。
车载摄像装置(包括CCD相机等)安装在车辆前保险杠上,用于将车辆前方的状况传输给电子控制单元ECU;车载毫米波雷达设置为五个,其中三个分别放置在车辆前保险杆的中间和两侧位置,另外两个分别放置在车辆两侧的中间位置,用于将车辆前方及两侧道路信息状况(盲区边界A处行人的状态信息)传输给电子控制单元ECU。利用车载传感***(包括毫米波雷达、速度传感器和加速度传感器等)获取智能汽车距离检测到的处于盲区边界A的行人的纵向距离Dy,智能汽车距离检测到的处于盲区边界A的行人的横向距离Dx,行人处于传感器盲区边界A时的智能汽车的行驶速度v0,智能汽车的最大制动减速度abmax。
步骤2:通过车载传感器获取传感器盲区信息(主要包括传感器盲区边界信息),检测是否有行人进入传感器盲区;
对车载摄像装置(包括CCD相机等)采集的行驶环境图像、传感器检测信息进行预处理,将预处理后的行驶环境图像、传感器检测信息以及电子地图、GPS位置、智能汽车行驶任务等信息数据发送给中央处理器,中央处理器对以上所有信息数据使用进行融合,确定行驶方向前方道路两侧由于障碍物遮挡所形成的传感器盲区边缘线,即智能汽车传感器盲区的边界,并且检测是否有行人越过传感器盲区边界A进入传感器盲区。
另外的,对测得信息进行数据融合具体为:首先搭建数据融合模型,所搭建的模型如图三所示,然后利用毫米波雷达坐标系、世界坐标系、相机坐标系、图像坐标系和像素坐标系之间的转换关系对采集到的信息进行坐标转换,根据像素坐标系、图像坐标系、相机坐标系和世界坐标系之间的关系,将相机采集图像在像素坐标系中的坐标转换为在世界坐标系中的坐标表示,根据毫米波雷达坐标系和世界坐标系坐标之间的关系,将毫米波雷达检测的目标遮挡物在毫米波雷达坐标系中的坐标转换为在世界坐标系中的坐标表示,并利用相机内外参数标定方法实现数据空间融合,最后通过统一采样频率实现数据时间融合。假设所使用的毫米波雷达采样频率为25Hz,即每秒采集40帧雷达数据,每帧数据时间间隔为25ms;相机的拍摄帧率为30fps,即每秒采集30帧图像数据,每帧数据时间间隔为33.3ms。则可在每隔100ms设置时间节点,当毫米波雷达在时间节点获取目标数据报文时,同时采集当前时刻的图像信息,利用坐标变换进行空间数据融合,从而完成了该时刻的毫米波雷达与相机数据融合,实现了雷达与相机数据在时间上的同步。通过信息数据融合得出较为精确的遮挡物位置信息,由此确定较为精确的盲区边界。
另外的,所搭建的数据融合模型具体为:首先用相机采集行驶环境图像,同时用毫米波雷达探测道路两旁的遮挡物(主要包括遮挡车辆),然后根据遮挡物的位置和大小,结合相机采集的图像并运用坐标转换划分出包含道路两旁遮挡物的感兴趣区域,最后由生成的感兴趣区域确定盲区边界。
另外的,本发明设置世界坐标系的三个平面分别与毫米波雷达坐标系三个平面平行,三个坐标轴的指向也与毫米波雷达坐标系坐标轴指向相同,坐标原点为车辆GPS定位点。
另外的,通过信息数据融合确定盲区边界具体为:假设盲区边界为一条可见直线,取经过世界坐标系原点的任一水平直线,使其绕原点开始旋转,遍历一周,与遮挡物恰好仅有一个交点的两条直线即为盲区边界。如图2所示,直线A和直线B分别为盲区左右边界,行人由可视区域穿过边界A进入盲区,一段时间后,行人由盲区穿过边界B进入可视区域。
步骤3:通过车载传感器采集行人位于传感器盲区边界时刻的行人状态信息(比如速度、加速度、位置信息等),用卡尔曼滤波对采集到的行人信息进行最优化处理。
利用车载传感器(包括毫米波雷达等)获取行人位于传感器盲区边界时刻的行人的运动速度v1,行人位于传感器盲区边界时刻的行人的运动加速度a1。
另外的,假设垂直于道路边缘的方向为x方向,当行人未完全按照x方向运动时,令行人的运动速度v1和运动加速度a1在x方向上的分量大小分别为v2和a2,其中,v2略小于v1,a2略小于a1,此时工况同样适合行人完全按照x方向运动时智能汽车是否需要提前采取主动避撞的条件。
另外的,对车载传感器检测到的行人的运动速度v1和运动加速度a1作为观测值,通过使用卡尔曼滤波建模,对数据进行最优化估计,得到更加精确的数据。
另外的,所述卡尔曼滤波建模的运用具体包括:
假设行人的运动速度和运动加速度所进行的变化均为线性变化,行人的初始状态信息为初始状态协方差矩阵为其中,v为行人初始速度值,a为行人初始加速度值。
将行人的运动变化过程视为一个线性***,可用以下公式对此***建立精确的线性模型。
式中:
——根据t-1时刻状态值推测得到的t时刻的状态值;
F——状态转移矩阵;
B——控制矩阵;
ut-1——控制量;
——根据t-1时刻推测得到的t时刻的协方差矩阵;
Pt-1、Pt——t-1时刻、t时刻的协方差矩阵;
Q——***过程中预测模型带来的噪声的协方差矩阵;
Kt——卡尔曼系数;
H——观测矩阵;
R——观测噪声的协方差矩阵;
——t时刻、t-1时刻的状态估计值;
Zt——各状态的实际观测值;
根据上述模型,对车载传感器检测到的行人的运动速度v1和运动加速度a1进行最优化估计,得到更加精确的数据。
另外的,如果行人的运动速度和运动加速度所进行的变化存在有非线性变化,可将上述使用的卡尔曼滤波替换为扩展卡尔曼滤波,再对数据进行最优化估计,得到更加精确的数据。
步骤4:通过相关计算,预测当行人运动到传感器盲区边界B时,智能汽车是否处于危险区域,并且根据预测结果判断是否需要对智能汽车提前进行主动避撞。
进一步,所述步骤4的相关计算具体包括:
ua0=v0+a0t;
式中:
Dx——智能汽车距离检测到的位于盲区边界的行人的横向距离;
D0——理论上行人从盲区边界A运动到盲区边界B时智能汽车运动的距离;
t——理论上行人从盲区边界A运动到盲区边界B所用的时间;
a1——行人处于传感器盲区边界A时刻的行人的运动加速度;
a0——行人处于传感器盲区边界A时刻的智能汽车的运动加速度;
v1——行人处于传感器盲区边界A时刻的行人的运动速度;
v0——行人处于传感器盲区边界A时刻的智能汽车的行驶速度;
ua0——理论上行人处于传感器盲区边界B时刻的智能汽车的行驶速度;
s——理论上智能汽车的制动距离;
τ‘2——制动时克服蹄片与制动鼓之间的间隙需要的时间;
τ″2——制动时制动器制动力增长过程所需要的时间;
abmax——智能汽车最大制动减速度。
其中,行人从盲区边界A运动到盲区边界B所用的时间t通过第一个公式可求出。
另外,Dy——智能汽车距离检测到的处于盲区边界A的行人的纵向距离。
对上述计算所得到的结果进行分析讨论:当Dy-D0>s时,智能汽车尚未进入危险区域,此时无需提前对智能汽车进行主动避撞;当0≤Dy-D0≤s时,智能汽车处于危险区域,此时需提前对智能汽车进行主动避撞;当Dy-D0<0时,智能汽车已经驶离危险区域,此时无需提前对智能汽车进行主动避撞。
步骤5:将步骤4所要进行的动作由电子控制单元控制完成避撞,并反馈车辆状态信息给电子控制单元(包括行车信息采集控制单元)。
根据步骤4分析讨论的结果,如果需提前对智能汽车进行主动避撞,则由电子控制单元向智能汽车发出指令,向制动踏板施加一定压力,实现主动避撞;如果无需提前对智能汽车进行主动避撞,电子控制单元则不向智能汽车发出任何指令,汽车按原有状态继续行驶。
该发明方法能够使汽车在行车过程中及时的规避可能由行人突然出现导致危险碰撞工况,车辆主动避撞***能够在车辆发生碰撞前的危险时刻发出报警信息,且在危急情况下实现紧急制动纵向避撞,从而能够有效地提高汽车的行驶安全性。
该发明不限于上述的实施方式,也可以采取相应的转向换道横向避撞。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (8)
1.一种智能汽车传感器盲区行人检测及主动避撞方法,其特征在于,通过车载传感器获取智能汽车行驶过程中的车辆行驶状态信息,同时获取传感器盲区信息,检测是否有行人进入传感器盲区,并通过车载传感器采集行人处于传感器盲区边界A时刻的行人状态信息,用卡尔曼滤波对采集到的行人状态信息进行最优化处理,通过计算,预测当行人运动到传感器盲区边界B时,智能汽车是否处于危险区域,根据预测结果判断是否需要提前进行主动避撞。
2.根据权利要求1所述的一种智能汽车传感器盲区行人检测及主动避撞方法,其特征在于,实现的步骤包括如下:
步骤1:通过车载传感器获取车辆行车状态信息;
步骤2:通过车载传感器获取传感器盲区信息,主要包括传感器盲区边界信息,检测是否有行人进入传感器盲区;
步骤3:通过车载传感器采集行人处于传感器盲区边界A时刻的行人状态信息,用卡尔曼滤波对采集到的行人状态信息进行最优化处理;
步骤4:通过相关计算,预测当行人运动到传感器盲区边界B时,智能汽车是否处于危险区域,并且根据预测结果判断是否需要对智能汽车提前进行主动避撞;
步骤5:将步骤4所要进行的动作由电子控制单元控制完成避撞,并反馈车辆状态信息给电子控制单元。
3.根据权利要求2所述的一种智能汽车传感器盲区行人检测及主动避撞方法,其特征在于,步骤1中,利用车载传感***获取智能汽车距离检测到的处于盲区边界A的行人的纵向距离Dy,智能汽车距离检测到的处于盲区边界A的行人的横向距离Dx,行人处于传感器盲区边界A时的智能汽车的行驶速度v0,智能汽车的最大制动减速度abmax。
4.根据权利要求3所述的一种智能汽车传感器盲区行人检测及主动避撞方法,其特征在于,所述车载传感***包括毫米波雷达、速度传感器和加速度传感器。
5.根据权利要求2所述的一种智能汽车传感器盲区行人检测及主动避撞方法,其特征在于,步骤2的实现包括:对车载摄像装置采集的行驶环境图像、传感器检测信息、电子地图、GPS位置、智能汽车行驶任务信息进行融合,确定行驶方向前方道路两侧由于障碍物遮挡所形成的传感器盲区边缘线,即智能汽车传感器盲区的边界,并且检测是否有行人越过传感器盲区边界A进入传感器盲区;
对测得信息进行数据融合具体为:首先搭建数据融合模型,然后利用毫米波雷达坐标系、世界坐标系、相机坐标系、图像坐标系和像素坐标系之间的转换关系对采集到的信息进行坐标转换,根据像素坐标系、图像坐标系、相机坐标系和世界坐标系之间的关系,将相机采集图像在像素坐标系中的坐标转换为在世界坐标系中的坐标表示,根据毫米波雷达坐标系和世界坐标系坐标之间的关系,将毫米波雷达检测的目标遮挡物在毫米波雷达坐标系中的坐标转换为在世界坐标系中的坐标表示,并利用相机内外参数标定方法实现数据空间融合,最后通过统一采样频率实现数据时间融合;通过信息数据融合得出较为精确的遮挡物位置信息,由此确定较为精确的盲区边界。
6.根据权利要求2所述的一种智能汽车传感器盲区行人检测及主动避撞方法,其特征在于,步骤3的实现包括:利用车载传感器获取行人处于传感器盲区边界A时的行人的运动速度v1,行人处于传感器盲区边界A时刻行人的运动加速度a1;并对行人的运动速度v1和运动加速度a1作为观测值,通过使用卡尔曼滤波,对数据进行最优化估计;所述卡尔曼滤波的方法为:
假设行人的运动速度和运动加速度所进行的变化均为线性变化,行人的初始状态信息为初始状态协方差矩阵为其中,v为行人初始速度值,a为行人初始加速度值。
将行人的运动变化过程视为一个线性***,可用以下公式对此***建立精确的线性模型。
式中:
——根据t-1时刻状态值推测得到的t时刻的状态值;
F——状态转移矩阵;
B——控制矩阵;
ut-1——控制量;
——根据t-1时刻推测得到的t时刻的协方差矩阵;
Pt-1、Pt——t-1时刻、t时刻的协方差矩阵;
Q——***过程中预测模型带来的噪声的协方差矩阵;
Kt——卡尔曼系数;
H——观测矩阵;
R——观测噪声的协方差矩阵;
——t时刻、t-1时刻的状态估计值;
Zt——各状态的实际观测值;
根据上述模型,对车载传感器检测到的行人的运动速度v1和运动加速度a1进行最优化估计,得到更加精确的数据;
上述卡尔曼滤波方法在针对行人的运动速度和运动加速度所进行的变化有非线性变化时替换为扩展卡尔曼滤波。
7.根据权利要求2所述的一种智能汽车传感器盲区行人检测及主动避撞方法,其特征在于,步骤4是实现包括:
首先,在采集信息之后的进行相关计算包括:
ua0=v0+a0 t;
式中:
Dx——智能汽车距离检测到的位于盲区边界的行人的横向距离;
D0——理论上行人从盲区边界A运动到盲区边界B时智能汽车运动的距离;
t——理论上行人从盲区边界A运动到盲区边界B所用的时间;
a1——行人处于传感器盲区边界A时刻的行人的运动加速度;
a0——行人处于传感器盲区边界A时刻的智能汽车的运动加速度;
v1——行人处于传感器盲区边界A时刻的行人的运动速度;
v0——行人处于传感器盲区边界A时刻的智能汽车的行驶速度;
ua0——理论上行人处于传感器盲区边界B时刻的智能汽车的行驶速度;
s——理论上智能汽车的制动距离;
τ‘2——制动时克服蹄片与制动鼓之间的间隙需要的时间;
τ″2——制动时制动器制动力增长过程所需要的时间;
abmax——智能汽车最大制动减速度。
其中,行人从盲区边界A运动到盲区边界B所用的时间t通过第一个公式可求出;
其次,对上述计算所得到的结果进行分析讨论:当Dy-D0>s时,智能汽车尚未进入危险区域,此时无需提前对智能汽车进行主动避撞;当0≤Dy-D0≤s时,智能汽车处于危险区域,此时需提前对智能汽车进行主动避撞;当Dy-D0<0时,智能汽车已经驶离危险区域,此时无需提前对智能汽车进行主动避撞。
8.根据权利要求2所述的一种智能汽车传感器盲区行人检测及主动避撞方法,其特征在于,步骤5的实现包括:根据步骤4分析讨论的结果,如果需提前对智能汽车进行主动避撞,则由电子控制单元向智能汽车发出指令,向制动踏板施加一定压力,实现主动避撞;如果无需提前对智能汽车进行主动避撞,电子控制单元则不向智能汽车发出任何指令,汽车按原有状态继续行驶;并且在车辆发生碰撞前的危险时刻发出报警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910658787.3A CN110481526B (zh) | 2019-07-22 | 2019-07-22 | 一种智能汽车传感器盲区行人检测及主动避撞方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910658787.3A CN110481526B (zh) | 2019-07-22 | 2019-07-22 | 一种智能汽车传感器盲区行人检测及主动避撞方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110481526A true CN110481526A (zh) | 2019-11-22 |
CN110481526B CN110481526B (zh) | 2021-05-25 |
Family
ID=68547845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910658787.3A Active CN110481526B (zh) | 2019-07-22 | 2019-07-22 | 一种智能汽车传感器盲区行人检测及主动避撞方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110481526B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112799098A (zh) * | 2020-12-08 | 2021-05-14 | 深兰科技(上海)有限公司 | 雷达盲区监测方法、装置、电子设备和存储介质 |
CN112859827A (zh) * | 2019-11-27 | 2021-05-28 | 深圳市大富科技股份有限公司 | 生命信号检测方法以及车载视觉设备 |
CN113655469A (zh) * | 2021-07-12 | 2021-11-16 | 之江实验室 | 基于智能驾驶的预测感知盲区中存在物体的方法及*** |
CN113859251A (zh) * | 2021-10-29 | 2021-12-31 | 广州文远知行科技有限公司 | 涉及行驶盲区的车速规划方法、驾驶控制方法及相关设备 |
CN114582132A (zh) * | 2022-05-05 | 2022-06-03 | 四川九通智路科技有限公司 | 一种基于机器视觉的车辆碰撞检测预警***及方法 |
CN115116267A (zh) * | 2021-03-18 | 2022-09-27 | 上海汽车集团股份有限公司 | 一种车辆换道处理***和车辆 |
CN115402350A (zh) * | 2022-08-01 | 2022-11-29 | 宁波大学科学技术学院 | 异质性人车交互行为虚拟仿真方法 |
CN115482679A (zh) * | 2022-09-15 | 2022-12-16 | 深圳海星智驾科技有限公司 | 一种自动驾驶盲区预警方法、装置和消息服务器 |
CN117901853A (zh) * | 2024-03-01 | 2024-04-19 | 重庆大学 | 面向弱势道路使用者的视线遮挡场景目标位置预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103587524A (zh) * | 2013-10-25 | 2014-02-19 | 江苏大学 | 一种横向主动避撞***及其控制方法 |
JP2017114405A (ja) * | 2015-12-25 | 2017-06-29 | マツダ株式会社 | 運転支援装置 |
DE102017110034A1 (de) * | 2016-05-16 | 2017-11-16 | National University Corporation Tokyo University Of Agriculture And Technology | Fahrunterstützungssteuerungsvorrichtung eines fahrzeugs |
CN108447304A (zh) * | 2018-04-18 | 2018-08-24 | 北京交通大学 | 基于车路协同的施工道路行人车辆避撞预警***及方法 |
CN108528445A (zh) * | 2018-03-29 | 2018-09-14 | 江苏大学 | 一种智能汽车传感器盲区主动避撞方法 |
KR20180111252A (ko) * | 2017-03-31 | 2018-10-11 | 삼성전자주식회사 | 센싱 정보에 기초한 주행 제어 방법 및 제어 디바이스 |
CN109085570A (zh) * | 2018-06-10 | 2018-12-25 | 南京理工大学 | 基于数据融合的车辆检测跟踪算法 |
US20190106104A1 (en) * | 2017-10-06 | 2019-04-11 | Toyota Jidosha Kabushiki Kaisha | Drive assist apparatus |
-
2019
- 2019-07-22 CN CN201910658787.3A patent/CN110481526B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103587524A (zh) * | 2013-10-25 | 2014-02-19 | 江苏大学 | 一种横向主动避撞***及其控制方法 |
JP2017114405A (ja) * | 2015-12-25 | 2017-06-29 | マツダ株式会社 | 運転支援装置 |
DE102017110034A1 (de) * | 2016-05-16 | 2017-11-16 | National University Corporation Tokyo University Of Agriculture And Technology | Fahrunterstützungssteuerungsvorrichtung eines fahrzeugs |
KR20180111252A (ko) * | 2017-03-31 | 2018-10-11 | 삼성전자주식회사 | 센싱 정보에 기초한 주행 제어 방법 및 제어 디바이스 |
US20190106104A1 (en) * | 2017-10-06 | 2019-04-11 | Toyota Jidosha Kabushiki Kaisha | Drive assist apparatus |
CN108528445A (zh) * | 2018-03-29 | 2018-09-14 | 江苏大学 | 一种智能汽车传感器盲区主动避撞方法 |
CN108447304A (zh) * | 2018-04-18 | 2018-08-24 | 北京交通大学 | 基于车路协同的施工道路行人车辆避撞预警***及方法 |
CN109085570A (zh) * | 2018-06-10 | 2018-12-25 | 南京理工大学 | 基于数据融合的车辆检测跟踪算法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112859827A (zh) * | 2019-11-27 | 2021-05-28 | 深圳市大富科技股份有限公司 | 生命信号检测方法以及车载视觉设备 |
CN112799098A (zh) * | 2020-12-08 | 2021-05-14 | 深兰科技(上海)有限公司 | 雷达盲区监测方法、装置、电子设备和存储介质 |
CN112799098B (zh) * | 2020-12-08 | 2024-04-19 | 深兰科技(上海)有限公司 | 雷达盲区监测方法、装置、电子设备和存储介质 |
CN115116267A (zh) * | 2021-03-18 | 2022-09-27 | 上海汽车集团股份有限公司 | 一种车辆换道处理***和车辆 |
CN113655469B (zh) * | 2021-07-12 | 2023-12-12 | 之江实验室 | 基于智能驾驶的预测感知盲区中存在物体的方法及*** |
CN113655469A (zh) * | 2021-07-12 | 2021-11-16 | 之江实验室 | 基于智能驾驶的预测感知盲区中存在物体的方法及*** |
CN113859251A (zh) * | 2021-10-29 | 2021-12-31 | 广州文远知行科技有限公司 | 涉及行驶盲区的车速规划方法、驾驶控制方法及相关设备 |
CN114582132A (zh) * | 2022-05-05 | 2022-06-03 | 四川九通智路科技有限公司 | 一种基于机器视觉的车辆碰撞检测预警***及方法 |
CN115402350B (zh) * | 2022-08-01 | 2023-11-07 | 宁波大学科学技术学院 | 异质性人车交互行为虚拟仿真方法 |
CN115402350A (zh) * | 2022-08-01 | 2022-11-29 | 宁波大学科学技术学院 | 异质性人车交互行为虚拟仿真方法 |
CN115482679A (zh) * | 2022-09-15 | 2022-12-16 | 深圳海星智驾科技有限公司 | 一种自动驾驶盲区预警方法、装置和消息服务器 |
CN115482679B (zh) * | 2022-09-15 | 2024-04-26 | 深圳海星智驾科技有限公司 | 一种自动驾驶盲区预警方法、装置和消息服务器 |
CN117901853A (zh) * | 2024-03-01 | 2024-04-19 | 重庆大学 | 面向弱势道路使用者的视线遮挡场景目标位置预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110481526B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110481526A (zh) | 一种智能汽车传感器盲区行人检测及主动避撞方法 | |
US10332401B2 (en) | Running vehicle alerting system and method | |
CN110304054A (zh) | 一种基于多传感器融合的自动紧急制动方法 | |
CN103455144B (zh) | 车载人机交互***及方法 | |
CN101923789B (zh) | 一种基于多传感器信息融合的飞机安全进近方法 | |
CN107499262A (zh) | 基于机器学习的acc/aeb***及车辆 | |
CN107444406A (zh) | 车辆辅助驾驶***及方法 | |
CN107544518A (zh) | 基于拟人驾驶的acc/aeb***及车辆 | |
CN110065494A (zh) | 一种基于车轮检测的车辆防碰撞方法 | |
JP5535816B2 (ja) | 移動物予測装置及びプログラム | |
CN104290753A (zh) | 一种前方车辆运动状态追踪预测装置及其预测方法 | |
CN202071799U (zh) | 智能化汽车安全警示装置 | |
DE102014219148A1 (de) | Verfahren und Vorrichtung zum Erstellen eines Bewegungsmodells eines Straßenverkehrsteilnehmers | |
CN110356325A (zh) | 一种城市交通客运车辆盲区预警*** | |
CN109823339A (zh) | 车辆红绿灯路口通行控制方法以及控制*** | |
CN109781129A (zh) | 一种基于车辆间通信的路面安全性检测***及方法 | |
US20170320492A1 (en) | Apparatus For Automatic Collision Avoidance | |
CN110816527A (zh) | 一种车载夜视安全方法和*** | |
CN108528445A (zh) | 一种智能汽车传感器盲区主动避撞方法 | |
CN114537374A (zh) | 一种基于可行驶区域的车辆前方防碰撞*** | |
CN108318884A (zh) | 基于超声波传感器实现低速紧急制动的方法 | |
Raksincharoensak et al. | Predictive braking assistance system for intersection safety based on risk potential | |
CN109754625A (zh) | 一种无人驾驶的校园外卖车的驾驶方法 | |
CN102314603B (zh) | 智能化汽车安全警示装置 | |
CN108981740A (zh) | 一种低能见度条件下的盲驾导航***及其方法 |
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 |