CN110877612B - 一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法 - Google Patents
一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法 Download PDFInfo
- Publication number
- CN110877612B CN110877612B CN201911171802.8A CN201911171802A CN110877612B CN 110877612 B CN110877612 B CN 110877612B CN 201911171802 A CN201911171802 A CN 201911171802A CN 110877612 B CN110877612 B CN 110877612B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane change
- emergency lane
- yaw rate
- collision avoidance
- 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
- 230000008859 change Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 31
- 230000002068 genetic effect Effects 0.000 title claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims description 39
- 230000001133 acceleration Effects 0.000 claims description 18
- 238000012502 risk assessment Methods 0.000 claims description 16
- 101150004094 PRO2 gene Proteins 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000007423 decrease Effects 0.000 claims description 8
- 230000001960 triggered effect Effects 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 210000000349 chromosome Anatomy 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012938 design process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 38
- 238000010586 diagram Methods 0.000 description 5
- 230000035772 mutation Effects 0.000 description 5
- 238000009795 derivation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- ONIBWKKTOPOVIA-BYPYZUCNSA-N L-Proline Chemical compound OC(=O)[C@@H]1CCCN1 ONIBWKKTOPOVIA-BYPYZUCNSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental 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
- 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
-
- 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
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法,首先考虑车辆运动学和车辆动力学的约束,基于五次多项式的紧急换道路径规划,其次表征紧急换道过程中的车身所需要的横摆率,然后采用遗传算法搜索车身所需横摆率的全局最优,获得车身所需横摆率的等效最大值,并依据等效最大横摆率、横摆率条件约束构建危险评估函数F,然后基于前后车辆边界距离推导出优化后的危险评估函数E,最后通过设定E为0,推导得到最优危险评估函数Kc,并考虑到区间(0.8,1)上的Kc随xfl的减小和vx的增加而急剧增加,最终危险阈值Th=0.85作为主动紧急换道避撞***触发条件。
Description
技术领域
本发明涉及汽车工程学和汽车主动安全领域,特别是涉及一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法。
背景技术
在紧急行车工况下驾驶员多采取制动、换道、制动且换道三种避撞行为,相对于制动避撞,紧急变道避撞在高相对速度、低附着系数、低重叠率等工况下所需的纵向距离更小,避撞效能更高;紧急换道***设计包括:决策层、运动控制层。决策层中实现紧急换道路径规划;运动控制层是实现车辆的横向控制、纵向控制。较高车速下采取紧急换道容易引起轮胎形变、车身侧倾,从而造成换道过程不稳定;所以,车辆紧急换换道危险评估方法进行是否主动紧急换道评估是必要的。因此,一种车辆紧急换道危险评估方法具有极大的理论意义和实际价值。
目前,国内外研究学者尝试解决自动驾驶车辆紧急避撞问题时;首先,大多数研究没有讨论与自动驾驶车辆碰撞和不稳定相关的危险评估方法;其次,往往将重心放在点放在轮胎线性区域内或接近线性区域的避障技术上;最后,因为转弯响应和未知外部干扰容易引起工况条件变化,很多主动换道避撞控制方案不能确保路径跟踪能力和主动车辆的紧急避撞的稳定性。因此,目前需要一种车辆紧急换道动态危险评估方法,以评估紧急换道过程中发生车辆碰撞、行车不稳定的风险,最终生成主动紧急换道避撞***的触发条件。
发明内容
本发明的目的在于预测紧急换道发生车辆碰撞、行车不稳定的可能性。因此,紧急换道避撞决策层中需要包括:紧急换道避撞危险评估方法有利于提升紧急换道避撞过程的安全性。为实现以上目的,基于车辆运动学和遗传算法的车辆紧急换道危险评估方法,其特征在于包括以下步骤:
步骤1:基于五次多项式的紧急换道路径规划;
步骤2:对车辆车身所需横摆率进行表征;
步骤3:构建等效最大车身横摆率的表征及危险评估函数F;
步骤4:依据紧急换道过程中的前后车辆边界距离更有效的评估紧急换道风险,推导出优化后的危险评估函数E;
步骤5:确定最优危险评估函数Kc的构建及危险阈值Th。
进一步,所述步骤1基于五次多项式的紧急换道路径规划方法,考虑了车辆运动学和车辆动力学的条件约束计算推导出无碰撞紧急换道轨迹方程。
进一步,基于五次多项式的紧急换道路径规划,具体步骤如下:
Pro1:当采用紧急换道方式避免车辆碰撞时,使用五阶多项式方程描述紧急换道轨迹为:
y=ATX (1)
其中:
A=[a0 a1 a2 a3 a4 a5]T
X=[1 x x2 x3 x4 x5]T
x,y是避撞路径的纵坐标和横坐标,以及an(n=1,2,3...)是多项式系数;
Pro2:五阶多项式的边界约束条件定义为:
其中:
x0和y(x0)是初始避撞时刻车辆质心的纵向和横向坐标,xT和yT为分别为避撞轨迹的终点时刻纵向和横向坐标,K是车辆避撞轨迹的曲率;
Pro3:等式(1)代入边界约束条件,获得以下关系式:
BA=[0 yT 0 0 0 0]T (3)
其中:
推导出系数矩阵A:
Pro4:联列等式(1)和等式(4),推导出避撞轨迹为:
进一步,所述步骤2中,依据横向加速度、路面摩擦系数推导横摆率的条件约束;再依据紧急换道避撞轨迹求解避撞轨迹曲率,表征车辆所需要的横摆率。
进一步,依据紧急换道避撞轨迹求解避撞轨迹曲率,表征车辆所需的横摆率,具体步骤如下:
Pro2.1:车辆重心的横向加速度可定义为:
其中:
vy=vxtan(β)
vx是纵向速度,vv是横向速度,γ是车体的横摆率,β是车身侧滑角;
因此,横向加速度进一步描述为:
Pro2.2:横向加速度必须依据轮胎-路面摩擦系数确定数值界限,具体关系为:
vxγ+ac≤μg (8)
其中:μ是轮胎-路面摩擦系数,g是重力加速度;
文中定义以下关系式:
ac=(1-k)μg (9)
其中:k(0<k<1)是动态因子;
Pro2.3:联列等式(8)和等式(9),推导得到以下关系式:
根据运动学原理,可以给出所需的横摆率为:
γd=Kvx (11)
其中:K为轨迹曲率;
联列等式(2)、等式(5)以及等式(11)推导出所需的横摆率为:
进一步,所述步骤3中,采用遗传算法搜索横摆率表达式的全局最优,确定种群大小Np、染色体长度Lc、终止代Gt、交叉概率Pc、变异概率Pm,求解获得紧急换道所需车身横摆率的等效最大值,然后依据等效最大横摆率、横摆率条件约束构建危险评估函数F。
进一步,采用遗传算法搜索横摆率表达式的全局最优,获得紧急换道所需车身横摆率的等效最大值,再依据等效最大横摆率、横摆率条件约束构建危险评估函数F,具体步骤如下:
Pro3.1:考虑到遗传算法常用于搜索全局最优,基于优化策略获得种群大小Np、染色体长度Lc、终止代Gt分别设计为100、20、500。交叉概率Pc和变异概率Pm分别设计为0.8和0.1;
Pro3.2:当U=0.20时,可以获得所需车身横摆率的等效最大值:
其中:P1、P2是增益参数,近似值分别为5.76、0.59;
Pro3.3:所需的车身横摆率需要满足车辆动力学约束条件,因此可以推导出以下关系:
Pro3.4:联列等式(13)和等式(14),求得以下关系式:
F(vx,k,μ,xT,yT)≤0 (15)
其中:
F为紧急换道过程中的危险评估函数。
进一步,所述步骤4的具体步骤如下:
Pro4.1:考虑车辆紧急避撞期间,为了更有效地评估风险并进一步探索安全驾驶的约束条件,研究跟随车辆与引导车辆之间的横向及纵向距离。
文中定义如下关系:
其中n、m为正比例系数,其中xfl为跟随车辆雷达或摄像机到引导车辆的纵向距离,其中yfl为跟随车辆行车距离为xfl时对应的横向位移;
假设(xfl,yfl)是避撞路径上的点,并且结合等式(5)、等式(16),推导得到:
Pro4.2:联列等式(16)、等式(17)、危险评估函数F,得到优化后的危险评估函数E:
进一步,所述步骤5中,设定优化后危险评估函数E为最小值0,推导出临界动力因子Kc的表征式,Kc的表达式作为最优危险评估函数,临界动力因子Kc可以预测和分析紧急换道过程的危险程度;具体步骤如下:
Pro5.1:跟随车辆与引导车辆之间的纵向距离xfl和正比例系数n分别被视为因变量和自变量,等式(18)中的其他参数被视为常数;
当n近似等于2.2时,可以获得前后车纵向距离xfl的最小值,此外,分析等式(17),当n等于2时,m等于2,为了简化分析模型设计过程,在该部分中选择n=2,故等式(18)进一步简化为:
Pro5.2:危险评估函数为设最小值0,推导出临界动力因子:
Pro5.3:临界动力因子Kc可以预测和分析避撞过程的危险紧急程度,考虑乘用车的宽度约为1.85米,横向位移的安全边界距离为0.4米,yfl设计为2.25米;
临界动态因子Kc随着vx的增大而增大,随着xfl和μ的增大而减小,此外,区间(0.8,1)上的Kc随着xfl的减小而急剧增加,随着vx的增加而急剧增加;
Pro5.4:当Kc大于危险阈值Th时,会触发紧急换道避碰策略,否则不会触发;
考虑到区间(0.8,1)上的Kc随xfl的减小和vx的增加而急剧增加,并且考虑紧急情况下避免碰撞的情况,因此设Th至0.85。
本发明实现过程
本发明是基于车辆运动学和遗传算法的车辆紧急换道危险评估方法,首先考虑车辆运动学和车辆动力学的约束,基于五次多项式方法计算推导出无碰撞紧急换道轨迹方程,其次依据横向加速度、路面摩擦系数推导横摆率的条件约束并依据避撞轨迹求解避撞轨迹曲率,表征换道过程中的车身所需要的横摆率,然后采用遗传算法搜索横摆率表达式的全局最优,获得横摆率的等效最大值,并依据等效最大横摆率、横摆率条件约束构建危险评估函数F,然后基于前后车辆边界距离推导出优化后的危险评估函数E,最后通过设定E为0完成最优危险评估函数Kc的推导,以及危险阈值Th的确定,最终危险阈值Th作为紧急换道避撞***触发条件。
与现有技术相比,本发明的优点在于:
1、本发明考虑车辆碰撞和行驶不稳定性两方面的因素,并发明更为准确、安全的紧急换道危险评估方法。
2、本发明中的最优紧急换道危险评估方法及危险阈值Th作为主动紧急换道避撞***触发条件,上层控制器逻辑简单,实用性好。
附图说明
图1:紧急换道避撞决策逻辑图
图2:基于五次多项式的车辆紧急避撞轨迹图
图3:基于遗传算法的优化策略图
图4:车辆紧急避撞方案示意图
图5:动态因子与车距、纵向车速的关系图
具体实施方式
结合附图对本发明的具体实施方式进行描述,以便以后的研究人员更好的理解本发明。
图1是紧急换道避撞决策逻辑图。整体上介绍本发明的主体思路,首先基于五次多项式方法规划紧急换道路径,并将相关传感器数据代入最优危险评估函数Kc计算,当计算结果大于危险阈值Th时,触发紧急换道控制执行器,否则***不触发。本发明的关键点:基于五次多项式方法的紧急换道路径规划、最优危险评估函数Kc的推导及危险阈值的确定、最优危险评估函数Kc紧急换道避撞***中的应用。
步骤1:基于五次多项式的紧急换道路径规划
如图2所示,建立X-Y坐标系,坐标原点为跟随车辆重心,车辆前进方向为X轴,垂直道路方向为Y轴。基于环境感知数据获取换道起始、终止点相关数据,包括:速度、加速度、车距等。基于五次多项式的紧急换道路径规划方法,考虑了车辆运动学和车辆动力学的条件约束计算推导出无碰撞紧急换道轨迹方程。
Pro1:当采用紧急换道方式避免车辆碰撞时,使用五阶多项式方程描述紧急换道轨迹为:
y=ATX (1)
其中:
A=[a0 a1 a2 a3 a4 a5]T
X=[1 x x2 x3 x4 x5]T
x,y是避撞路径的纵坐标和横坐标,以及an(n=1,2,3...)是多项式系数。
Pro2:五阶多项式的边界约束条件定义为:
其中:
x0和y0是初始避撞时刻车辆质心的纵向和横向坐标,xT和yT为分别为避撞轨迹的终点时刻纵向和横向坐标,K是车辆避撞轨迹的曲率。
Pro3:等式1代入边界约束条件,获得以下关系式:
BA=[0 yT 0 0 0 0]T (3)
其中:
推导出系数矩阵A:
Pro4:联列等式1和等式4,推导出避撞轨迹为:
步骤2:车身所需横摆率的表征。
车身紧急避撞路径规划仅仅考虑了车辆运动学约束条件,在实际紧急换道避撞过程中,汽车轮胎由于高度形变易引起发生侧滑,会造成汽车行驶不稳定。因此,避撞过程需要考虑车辆动力学约束条件,建立紧急换道危险评估方法以持续评估碰撞、行车不稳定的风险。
依据横向加速度、路面摩擦系数推导横摆率的条件约束;再依据紧急换道避撞轨迹求解避撞轨迹曲率,表征车辆所需要的横摆率。
Pro1:车辆重心的横向加速度可定义为:
其中:
vy=vxtan(β)
vx是纵向速度,vy是横向速度,γ是车体的横摆率,β是车身侧滑角。
因此,横向加速度进一步描述为:
Pro2:横向加速度必须依据轮胎-路面摩擦系数确定数值界限,具体关系为:
vxγ+ac≤μg (8)
其中:μ是轮胎-路面摩擦系数,g是重力加速度
文中定义以下关系式:
ac=(1-k)μg (9)
其中:k(0<k<1)是动态因子
Pro3:联列等式(8)和等式(9),推导得到以下关系式:
根据运动学原理,可以给出所需的横摆率为:
γd=Kvx (11)
其中:K为轨迹曲率
联列等式2、等式5以及等式11推导出所需的横摆率为:
其中:
步骤3:等效最大横摆率的表征及危险评估函数F的构建。
考虑到遗传算法常用于搜索全局最优,并且它可以解决任何一种连续或离散优化问题,首先获得横摆率的等效最大值,再依据等效最大横摆率、横摆率条件约束构建危险评估函数F。
3.1基于遗传算法的优化策略
基于遗传算法的优化策略如图3所示,具体算法步骤如下:
Pro1:初始群体的生成;随机产生100个初始串结构数据,100个个体构成初始群体,并将100个初始串结构数据作为初始点开始迭代;
Pro2:适应性值评估检测;适应性值表明解的优劣性,通过适应性函数计算适应性值;
适应性函数为:
Pro3:轮盘法选择最佳个体;从当前群体选出优良的个体,使它们有机会作为父代为下一代繁殖子孙,选择的原则是适应性强的个体为下一代贡献一个或者多个后代的概率大,每个个体的相对适应度即为每个个体被遗传到下一代群体中的概率;
相对适应度,即遗传概率为:
Pro4:交叉;通过交叉操作得到新一代个体,新个体组合了其父辈个体的特性。交叉概率Pc为0.87,交叉体现了信息交换;
Pro5:变异;采用基本位变异的方法来进行变异运算,首先确定出各个个体的基因变异位置,确定变异概率概率Pm为0.1,取反变异点的原有基因值;
3.2危险评估函数F的构建
Pro1:基于遗传算法的优化策略,迭代优化得U=0.20时,紧急换道所需车身横摆率求得最优解;
Pro2:当U=0.20时,可以获得所需横摆率的等效最大值:
其中:P1、P2是增益参数,近似值分别为5.76、0.59;
Pro3:所需的横摆率需要满足车辆动力学约束条件,因此可以推导出以下关系:
Pro4:联列等式13和等式14,求得以下关系式:
F(vx,k,μ.xT,yT)≤0 (15)
其中:
F为紧急换道过程中的危险评估函数。
步骤4:优化后的危险评估函数E的构建。
研究换道过程中前后车辆的边界距离可以更有效地评估换道风险,定义车辆边界距离最小点的坐标(xfl,yfl),再结合换道避撞轨迹公式、危险评估函数F,推导得出优化后的危险评估函数E。
Prol:考虑车辆紧急避撞期间,为了更有效地评估风险并进一步探索安全驾驶的约束条件,研究跟随车辆与引导车辆之间的横向及纵向距离。
文中定义如下关系:
其中n、m为正比例系数。如图4车辆紧急避撞方案示意图所示,其中xfl为跟随车辆雷达或摄像机到引导车辆的纵向距离,其中yfl为跟随车辆行车距离为xfl时对应的横向位移。
假设(xfl,yfl)是避撞路径上的点,并且结合等式5、等式16,推导得到:
Pro2:联列等式16、等式17、危险评估函数F,得到优化后的危险评估函数E:
步骤5:最优危险评估函数Kc的构建及危险阈值Th的确定
设定优化后危险评估函数E为最小值0,推导出临界动力因子Kc的表征式,Kc的表达式作为最优危险评估函数,临界动力因子Kc可以预测和分析紧急换道过程的危险程度。确定危险阈值Th,并作为紧急换道避撞***触发的条件。
Pro1:跟随车辆与引导车辆之间的纵向距离xfl和正比例系数n分别被视为因变量和自变量,等式18中的其他参数被视为常数。
当n近似等于2.2时,可以获得前后车纵向距离xfl的最小值。此外,分析等式17,当n等于2时,m等于2。因此,为了简化分析模型设计过程,在该部分中选择n=2,故等式18进一步简化为:
Pro2:危险评估函数为设最小值0,推导出临界动力因子:
Pro3:临界动力因子Kc可以预测和分析避撞过程的危险紧急程度,考虑乘用车的宽度约为1.85米,横向位移的安全边界距离为0.4米,yfl设计为2.25米。
如图5所示,临界动态因子Kc随着vx的增大而增大,随着xfl和μ的增大而减小。此外,区间(0.8,1)上的Kc随着xfl的减小而急剧增加,随着vx的增加而急剧增加。
Pro3:当vx大于危险阈值Th时,会触发紧急换道避碰策略,否则不会触发。
考虑到区间(0.8,1)上的Kc随xfl的减小和vx的增加而急剧增加,并且本研究重点研究紧急情况下避免碰撞的情况,因此危险阈值Th设为0.85。
以上所述,关键点包括:基于五次多项式方法的紧急换道路径规划、最优危险评估函数Kc的推导及危险阈值的确定、最优危险评估函数Kc紧急换道避撞***中的应用。为方便方法推导,发明中车身宽度、安全边界距离等相关数据取了常见固定参数值,任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善,因此本发明只受到本发明权利要求的内容和范围的限制,其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。
综上,本发明的一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法,首先考虑车辆运动学和车辆动力学的约束,基于五次多项式方法规划出无碰撞紧急换道轨迹方程,其次依据横向加速度、路面摩擦系数推导横摆率的条件约束、避撞轨迹,求解避撞轨迹曲率,并表征紧急换道过程中的车身所需要的横摆率,然后采用遗传算法搜索车身所需横摆率的全局最优,获得车身所需横摆率的等效最大值,并依据等效最大横摆率、横摆率条件约束构建危险评估函数F,然后基于前后车辆边界距离推导出优化后的危险评估函数E,最后通过设定E为0,推导得到最优危险评估函数Kc,并考虑到区间(0.8,1)上的Kc随xfl的减小和vx的增加而急剧增加,最终危险阈值Th=0.85作为主动紧急换道避撞***触发条件。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (9)
1.一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法,其特征在于,包括如下步骤:
步骤1:基于五次多项式的紧急换道路径规划;
步骤2:对车辆车身所需横摆率进行表征;
步骤3:构建等效最大车身横摆率的表征及危险评估函数F;
步骤4:依据紧急换道过程中的前后车辆边界距离更有效的评估紧急换道风险,推导出优化后的危险评估函数E;
步骤5:确定最优危险评估函数的构建及危险阈值Th。
2.根据权利要求1所述的一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法,其特征在于:所述步骤1基于五次多项式的紧急换道路径规划方法,考虑了车辆运动学和车辆动力学的条件约束计算推导出无碰撞紧急换道轨迹方程。
3.根据权利要求2所述的一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法,其特征在于:基于五次多项式的紧急换道路径规划,具体步骤如下:
Pro1:当采用紧急换道方式避免车辆碰撞时,使用五阶多项式方程描述紧急换道轨迹为:
y=ATX (1)
其中:
A=[a0 a1 a2 a3 a4 a5]T
X=[1 x x2 x3 x4 x5]T
x,y是避撞路径的纵坐标和横坐标,以及an是多项式系数,其中n=1,2,3…;
Pro2:五阶多项式的边界约束条件定义为:
其中:
x0和y(x0)是初始避撞时刻车辆质心的纵向和横向坐标,xT和yT为分别为避撞轨迹的终点时刻车辆质心的纵向和横向坐标,K是车辆避撞轨迹的曲率;
Pro3:等式(1)代入边界约束条件,获得以下关系式:
BA=[0 yT 0 0 0 0]T (3)
其中:
推导出系数矩阵A:
Pro4:联列等式(1)和等式(4),推导出避撞轨迹为:
4.根据权利要求1所述的一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法,其特征在于:所述步骤2中,依据横向加速度、路面摩擦系数推导横摆率的条件约束;再依据紧急换道避撞轨迹求解避撞轨迹曲率,表征车辆所需要的横摆率。
5.根据权利要求4所述的一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法,其特征在于:依据紧急换道避撞轨迹求解避撞轨迹曲率,表征车辆所需的横摆率,具体步骤如下:
Pro2.1:车辆重心的横向加速度可定义为:
其中:
vy=vxtan(β)
vx是纵向速度,vy是横向速度,γ是车体的横摆率,β是车身侧滑角;
因此,横向加速度进一步描述为:
Pro2.2:横向加速度必须依据轮胎-路面摩擦系数确定数值界限,具体关系为:
vxγ+ay≤μg (8)
其中:μ是轮胎-路面摩擦系数,g是重力加速度;
文中定义以下关系式:
ay=(1-k)μg (9)
其中:k是动态因子,且0<k<1;
Pro2.3:联列等式(8)和等式(9),推导得到以下关系式:
根据运动学原理,可以给出所需的横摆率为:
γd=Kvx (11)
其中:K为轨迹曲率;
联列等式(2)、等式(5)以及等式(11)推导出所需的横摆率为:
6.根据权利要求1所述的一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法,其特征在于:所述步骤3中,采用遗传算法搜索横摆率表达式的全局最优,确定种群大小Np、染色体长度Lc、终止代Gt、交叉概率Pc、变异概率Pm,求解获得紧急换道所需车身横摆率的等效最大值,然后依据等效最大横摆率、横摆率条件约束构建危险评估函数F。
7.根据权利要求6所述的一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法,其特征在于:采用遗传算法搜索横摆率表达式的全局最优,获得紧急换道所需车身横摆率的等效最大值,再依据等效最大横摆率、横摆率条件约束构建危险评估函数F,具体步骤如下:
Pro3.1:考虑到遗传算法常用于搜索全局最优,基于优化策略获得种群大小Np、染色体长度Lc、终止代Gt分别设计为100、20、500,交叉概率Pc和变异概率Pm分别设计为0.8和0.1;
Pro3.2:当U=0.20时,可以获得所需车身横摆率的等效最大值:
其中:P1、P2是增益参数,近似值分别为5.76、0.59;
Pro3.3:所需的车身横摆率需要满足车辆动力学约束条件,因此可以推导出以下关系:
Pro3.4:联列等式(13)和等式(14),求得以下关系式:
F(vx,k,μ,xT,yT)≤0 (15)
其中:
F为紧急换道过程中的危险评估函数。
9.根据权利要求8所述的一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法,其特征在于:所述步骤5中,设定优化后危险评估函数E为最小值0,推导出临界动力因子Kc的表征式,Kc的表达式作为最优危险评估函数,临界动力因子Kc可以预测和分析紧急换道过程的危险程度;具体步骤如下:
Pro5.1:跟随车辆与引导车辆之间的纵向距离xfl和正比例系数n分别被视为因变量和自变量,等式(18)中的其他参数被视为常数;
当n近似等于2.2时,可以获得前后车纵向距离xfl的最小值,此外,分析等式(17),当n等于2时,m等于2,为了简化分析模型设计过程,在该部分中选择n=2,故等式(18)进一步简化为:
Pro5.2:危险评估函数设为最小值0,推导出临界动力因子:
Pro5.3:临界动力因子Kc可以预测和分析避撞过程的危险紧急程度,考虑乘用车的宽度约为1.85米,横向位移的安全边界距离为0.4米,yfl设计为2.25米;
临界动态因子Kc随着vx的增大而增大,随着xfl和μ的增大而减小,此外,区间(0.8,1)上的Kc随着xfl的减小而急剧增加,随着vx的增加而急剧增加;
Pro5.4:当Kc大于危险阈值Th时,会触发紧急换道避碰策略,否则不会触发;
考虑到区间(0.8,1)上的Kc随xfl的减小和vx的增加而急剧增加,并且考虑紧急情况下避免碰撞的情况,因此设Th至0.85。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911171802.8A CN110877612B (zh) | 2019-11-26 | 2019-11-26 | 一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911171802.8A CN110877612B (zh) | 2019-11-26 | 2019-11-26 | 一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110877612A CN110877612A (zh) | 2020-03-13 |
CN110877612B true CN110877612B (zh) | 2022-03-22 |
Family
ID=69729296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911171802.8A Active CN110877612B (zh) | 2019-11-26 | 2019-11-26 | 一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110877612B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112071059B (zh) * | 2020-08-20 | 2021-07-16 | 华南理工大学 | 一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法 |
CN112965489B (zh) * | 2021-02-05 | 2022-04-08 | 北京理工大学 | 一种基于碰撞检测的智能车高速换道规划方法 |
CN113008240B (zh) * | 2021-03-01 | 2021-12-14 | 东南大学 | 基于稳定域的四轮独立驱动智能电动汽车路径规划方法 |
CN113548042A (zh) * | 2021-05-17 | 2021-10-26 | 中国第一汽车股份有限公司 | 汽车防倾砸紧急避让控制方法、控制***和汽车 |
CN115447603B (zh) * | 2022-04-26 | 2024-05-24 | 重庆大学 | 一种应用于自动驾驶车辆的有限时间路径跟踪控制方法 |
CN115080450B (zh) * | 2022-08-22 | 2022-11-11 | 深圳慧拓无限科技有限公司 | 自动驾驶测试数据生成方法及***、电子设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609765A (zh) * | 2012-03-22 | 2012-07-25 | 北京工业大学 | 基于多项式及rbf神经网络的智能车辆换道路径规划方法 |
DE102013103626A1 (de) * | 2012-12-20 | 2014-06-26 | Continental Teves Ag & Co. Ohg | Verfahren und Vorrichtung zum automatisierten Bremsen und Lenken eines Fahrzeugs |
CN105857294A (zh) * | 2016-05-04 | 2016-08-17 | 常州工学院 | 一种汽车换道避撞控制方法 |
CN107315411A (zh) * | 2017-07-04 | 2017-11-03 | 合肥工业大学 | 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法 |
CN108387242A (zh) * | 2018-02-07 | 2018-08-10 | 西南交通大学 | 自动驾驶换道准备和执行一体化轨迹规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10031128B4 (de) * | 2000-06-30 | 2010-07-01 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Erkennung eines Spurwechsels |
-
2019
- 2019-11-26 CN CN201911171802.8A patent/CN110877612B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609765A (zh) * | 2012-03-22 | 2012-07-25 | 北京工业大学 | 基于多项式及rbf神经网络的智能车辆换道路径规划方法 |
DE102013103626A1 (de) * | 2012-12-20 | 2014-06-26 | Continental Teves Ag & Co. Ohg | Verfahren und Vorrichtung zum automatisierten Bremsen und Lenken eines Fahrzeugs |
CN105857294A (zh) * | 2016-05-04 | 2016-08-17 | 常州工学院 | 一种汽车换道避撞控制方法 |
CN107315411A (zh) * | 2017-07-04 | 2017-11-03 | 合肥工业大学 | 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法 |
CN108387242A (zh) * | 2018-02-07 | 2018-08-10 | 西南交通大学 | 自动驾驶换道准备和执行一体化轨迹规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110877612A (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110877612B (zh) | 一种基于车辆运动学和遗传算法的车辆紧急换道危险评估方法 | |
CN113386795B (zh) | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策*** | |
Zhou et al. | Multiobjective optimization of lane-changing strategy for intelligent vehicles in complex driving environments | |
EP3730370B1 (en) | Method and device for acquiring automatic driving track | |
CN113276848B (zh) | 一种智能驾驶换道避障轨迹规划、跟踪控制方法及*** | |
CN111845774A (zh) | 一种基于横纵向协调的自动驾驶汽车动态轨迹规划及跟踪方法 | |
CN112071059B (zh) | 一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法 | |
KR20160135265A (ko) | 전기 차량의 배터리 전력 요구량 예측 | |
CN112829742B (zh) | 乘员安全决策方法和装置 | |
CN107357168B (zh) | 一种基于机会约束模型预测控制的无人车避障方法 | |
CN115525047B (zh) | 一种具备多型避障方式的车辆局部轨迹规划方法及*** | |
CN113720346B (zh) | 基于势能场和隐马尔可夫模型的车辆路径规划方法及*** | |
CN112965476A (zh) | 一种基于多窗口抽样的高速无人车轨迹规划***及方法 | |
Liu et al. | Application of optimal control method to path tracking problem of vehicle | |
Lee et al. | Automated driving control in safe driving envelope based on probabilistic prediction of surrounding vehicle behaviors | |
CN117141489B (zh) | 一种基于最小作用量原理的智能车辆轨迹分层规划方法 | |
CN116654017A (zh) | 一种紧急工况下基于周车轨迹预测的智能汽车避撞决策与路径规划的方法、*** | |
Wasserburger et al. | A probability-based short-term velocity prediction method for energy-efficient cruise control | |
CN116758741A (zh) | 一种多维度不确定性感知的智能汽车碰撞概率预测方法 | |
CN115140048B (zh) | 一种自动驾驶行为决策与轨迹规划模型与方法 | |
CN116465427A (zh) | 一种基于时空风险量化的智能车辆换道避障路径规划方法 | |
CN115782904A (zh) | 一种基于非合作博弈的智能汽车换道轨迹规划方法 | |
Guo et al. | Research on path-tracking control method of intelligent vehicle based on adaptive two-point preview | |
Chen et al. | A robust trajectory planning method based on historical information for autonomous vehicles | |
CN117146838A (zh) | 一种路径规划方法及装置、相关产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |