CN111845737A - 一种智能车辆的弯道目标识别方法及其危险等级判断机制 - Google Patents
一种智能车辆的弯道目标识别方法及其危险等级判断机制 Download PDFInfo
- Publication number
- CN111845737A CN111845737A CN202010552525.1A CN202010552525A CN111845737A CN 111845737 A CN111845737 A CN 111845737A CN 202010552525 A CN202010552525 A CN 202010552525A CN 111845737 A CN111845737 A CN 111845737A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- lane
- distance
- curve
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000007246 mechanism Effects 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000035484 reaction time Effects 0.000 abstract description 3
- 230000001052 transient effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 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
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/072—Curvature of the road
-
- 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
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
-
- 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
- B60W2554/802—Longitudinal distance
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种智能车辆的弯道目标识别方法,包括启动车辆、关键目标识别单元M2、弯道关键目标的识别、显示单元M3;本发明还提供一种智能车辆的弯道目标的危险等级判断机制,包括数据采集、数据处理、危险标注;本发明,克服了自车因进入弯道,前方目标出现混乱或丢失现象,造成***短暂紊乱问题;同时,给出前方目标危险等级的判断机制及其显示方案,能有效提醒驾驶员周围交通状况,给驾驶员以充足反应时间。
Description
技术领域
本发明涉及智能汽车技术领域,具体为一种智能车辆的弯道目标识别方法,同时本发明还涉及一种智能车辆的弯道目标识别方法的危险等级判断机制。
背景技术
智能汽车是一个包含环境感知、决策规划和控制执行于一体的交叉前沿科学技术,同时,也是智能交通***(IntelligentTransportationSystem,ITS)的重要组成部分。针对现有智能车辆,一般由先进传感器雷达、摄像头和控制器等设备组合而成,并融合先进的网络技术,实现人、车、路以及交通环境信息的交互。前方关键目标车辆的准确识别,作为驾驶行为中最为基本的行为之一,对道路通行效率、行车安全等都有着重要的影响。
文献1(焦新龙,米雪玉,王畅.车辆自适应巡航控制***有效目标辨识算法[J].长安大学学报(自然科学版),2014,34(3):137-144.)提出在稳定车道上,基于车辆动力学线性模型建立了横摆角速度的卡尔曼滤波器,实现了道路定曲率的在线估算。在此基础上,以前方目标车辆的后侧中心是否处于本车车道为判断依据,建立了***目标的辨识模型。但是由于车辆本身是一个复杂的非线性***,利用线性卡尔曼滤波器实现目标的估计必然会存在一定误差,同时未给出具体的前方关键目标车辆危险等级判断方法及其实现机制。
对于道路前方关键目标的辨识问题,通常在弯道行驶路段,容易出发生目标车混乱或丢失的现象,而自车为了满足跟踪性能也将急加速或急减速,这将导致自车横向稳定性急剧下降严重威胁到了车辆的行驶安全。
发明内容
本发明的目的在于提供一种智能车辆的弯道目标识别方法及其危险等级判断机制,本发明应用扩展卡尔曼滤波理论进行前方弯道关键目标识别研究。建立横向、纵向与横摆的非线性三自由度车辆模型,设计了横摆角速度的扩展卡尔曼滤波器,实现了道路曲率的在线实时估计。同时,以估计值为基础,建立了弯道关键目标识别模型并给定了关键目标判定依据。最后,设计了关键目标车辆的危险等级判断机制,预判危险车辆,以应对复杂的道路情况,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种智能车辆的弯道目标识别方法,具体包括如下步骤:
S1:启动车辆,车载传感器M1开始工作,针对自车前方区域信息进行检测,并通过汽车总线将信息传送至关键目标识别单元;
S2:关键目标识别单元M2,接收M1传送的自车前方区域存在的多个目标车辆i(i=1,2,......,n),每个目标与自车的横向距离dxi(i=1,2,......,n),每个目标与自车的纵向距离dyi(i=1,2,......,n),每个目标与自车的方向角θi(i=1,2,......,n),每个目标与自车的相对速度vrel,i(i=1,2,......,n)及自车车身状态信息;
2.1:基于非线性三自由度车辆模型,建立横摆角速度扩展卡尔曼滤波器,过程如下:
在传统线性二自由度车辆模型的基础上,引入自车纵向车速,联合横摆角速度和质心侧偏角建立非线性三自由度模型,由此得模型的状态空间方程和量测方程为:
其中,wr为横摆角速度;β为质心侧偏角;δ为前轮转角;vx为纵向车速;a为质心距前轴的距离;b为质心距后轴的距离;k1为前轴等效侧偏刚度;k2为后轴等效侧偏刚度;Iz为绕z轴转动惯量;m为车辆质量;ax为纵向加速度;ay为侧向加速度;
2.2:由此,以三自由度车辆模型为依托,通过卡尔曼滤波(EKF)算法对汽车的横摆角速度、纵向车速和质心侧偏角进行估计:
式中f(xt,ut,wt)、h(xt,vt)分别为状态空间方程和量测方程,x(t)为***的状态变量;y(t)为量测输出;u(t)为控制变量;w(t)为***激励噪声;v(t)为量测噪声;
2.3:模型线性化:
Φ(t)=eF(t)Δt≈I+F(t)·Δt
式中:F(t)、H(t)分别为非线性函数f(xt,ut,wt)与h(xt,vt)对状态变量求偏导的雅克比矩阵;Φ(t)为状态转移矩阵;I为单位矩阵;Δt为采样时间;
2.4:扩展卡尔曼滤波的预测和更新过程如下:
误差协方差预测方程:p'(t+1)=Φ(t)P(t)Φ(t)T+Q
计算卡尔曼增益:K(t)=P'(t)HT(t)(H(t)P'(t)HT(t)+R)-1
误差协方差更新过程:P(t)=[I-K(t)H(t)]P'(t)
以上,状态变量为x=[wr,β,δ]T;输出变量为y=[ay],控制变量为u=[δ,ax]T,R、P、Q、I分别根据原始定义赋予初值;
S3:弯道关键目标的识别:
利用扩展卡尔曼滤波器建立横摆角速度的滤波模型,实现车辆行驶轨迹曲率半径的实时在线估计;
根据目标i相对本车道中心线侧向距离doff,i,确定目标i是否位于本车道内,判断依据如下:
若|doff,i|≤dthreshold,则:目标车位于本车道内;
以上判断依据中,dthreshold(m)为设定阀值,通常取半车道宽或更小,可根据实际情况而设定;
S4:显示单元M3,通过汽车总线接收M2传送的自车正前,左前,右前三个方向的目标车辆i(i=1,2,......,n);然后,根据目标车车辆每个目标与自车的横向距离dxi(i=1,2,......,n),每个目标与自车的纵向距离dyi(i=1,2,......,n),每个目标与自车的方向角θi(i=1,2,......,n),及车身状态信息,决策每个车道(左车道、自车道、右车道)离自车最近的一个目标,分别置于显示器左前、正前、右前区域;
4.1:显示区域划分,当目标划分为M2范围的左车道内时,则在车载显示器显示左前,当目标划分为M2范围的右车道内时,则在车载显示器显示右前,反之,显示为正前方区域;
正前方区域:
dxi∈(180,+∞)m,0级;dxi∈(150,180]m,1级;dxi∈(90,150]m,2级;vrel,i<-30(m/s)或τttc<2.5s,3级;τttc<1.5s,4级;
左前方和右前方区域:
dxi∈(100,+∞)m,0级;dxi∈(90,+∞)m,1级;vrel,i<-30(m/s)或τttc<2.5s,2级;且τttc<1.5s,3级;
4.3:车载显示器接收目标危险等级信息,通过分层或不同颜色或声音等方式,从而达到显示目标车辆危险等级信息。
本发明还提供一种智能车辆的弯道目标的危险等级判断机制,包括以下步骤:
A、数据采集:通过车载传感器雷达获取车身前方的相关信息;
B、数据处理:接收通过来自汽车总线的雷达输出的所有目标数据,经过一系列的滤波和验证梳理,最终得到同车道内离自车最近目标,相邻车道(即本车道的左右车道)离自车最近目标;
C、危险标注:经过步骤B数据处理后,车载显示通过颜色等级或声音等级,标识从S2目标处理***得到的目标信息。
与现有技术相比,本发明的有益效果是:
1、本发明提供了一种提高智能车辆稳定性方法,克服了自车因进入弯道,前方目标出现混乱或丢失现象,造成***短暂紊乱问题;同时,给出前方目标危险等级的判断机制及其显示方案,能有效提醒驾驶员周围交通状况,给驾驶员以充足反应时间。
附图说明
图1为本发明的危险等级判断机制的结构图;
图2为本发明的识别方法的流程图;
图3为本发明的危险等级显示方法示意图。
具体实施方式
下面将结合本发明实施例中的附图1-3,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。
请参阅图2,本发明提供一种技术方案:一种智能车辆的弯道目标识别方法,具体包括如下步骤:
S1:启动车辆,车载传感器M1开始工作,针对自车前方区域信息进行检测,并通过汽车总线将信息传送至关键目标识别单元;
S2:关键目标识别单元M2,接收M1传送的自车前方区域存在的多个目标车辆i(i=1,2,......,n),每个目标与自车的横向距离dxi(i=1,2,......,n),每个目标与自车的纵向距离dyi(i=1,2,......,n),每个目标与自车的方向角θi(i=1,2,......,n),每个目标与自车的相对速度vrel,i(i=1,2,......,n)及自车车身状态信息;
2.1:基于非线性三自由度车辆模型,建立横摆角速度扩展卡尔曼滤波器,过程如下:
在传统线性二自由度车辆模型的基础上,引入自车纵向车速,联合横摆角速度和质心侧偏角建立非线性三自由度模型,由此得模型的状态空间方程和量测方程为:
其中,wr为横摆角速度;β为质心侧偏角;δ为前轮转角;vx为纵向车速;a为质心距前轴的距离;b为质心距后轴的距离;k1为前轴等效侧偏刚度;k2为后轴等效侧偏刚度;Iz为绕z轴转动惯量;m为车辆质量;ax为纵向加速度;ay为侧向加速度;
2.2:由此,以三自由度车辆模型为依托,通过卡尔曼滤波(EKF)算法对汽车的横摆角速度、纵向车速和质心侧偏角进行估计:
式中f(xt,ut,wt)、h(xt,vt)分别为状态空间方程和量测方程,x(t)为***的状态变量;y(t)为量测输出;u(t)为控制变量;w(t)为***激励噪声;v(t)为量测噪声;
2.3:模型线性化:
Φ(t)=eF(t)Δt≈I+F(t)·Δt
式中:F(t)、H(t)分别为非线性函数f(xt,ut,wt)与h(xt,vt)对状态变量求偏导的雅克比矩阵;Φ(t)为状态转移矩阵;I为单位矩阵;Δt为采样时间;
2.4:扩展卡尔曼滤波的预测和更新过程如下:
误差协方差预测方程:p'(t+1)=Φ(t)P(t)Φ(t)T+Q
计算卡尔曼增益:K(t)=P'(t)HT(t)(H(t)P'(t)HT(t)+R)-1
误差协方差更新过程:P(t)=[I-K(t)H(t)]P'(t)
以上,状态变量为x=[wr,β,δ]T;输出变量为y=[ay],控制变量为u=[δ,ax]T,R、P、Q、I分别根据原始定义赋予初值;
S3:弯道关键目标的识别:
利用扩展卡尔曼滤波器建立横摆角速度的滤波模型,实现车辆行驶轨迹曲率半径的实时在线估计;
根据目标i相对本车道中心线侧向距离doff,i,确定目标i是否位于本车道内,判断依据如下:
若|doff,i|≤dthreshold,则:目标车位于本车道内;
以上判断依据中,dthreshold(m)为设定阀值,通常取半车道宽或更小,可根据实际情况而设定;
S4:显示单元M3,通过汽车总线接收M2传送的自车正前,左前,右前三个方向的目标车辆i(i=1,2,......,n);然后,根据目标车车辆每个目标与自车的横向距离dxi(i=1,2,......,n),每个目标与自车的纵向距离dyi(i=1,2,......,n),每个目标与自车的方向角θi(i=1,2,......,n),及车身状态信息,决策每个车道(左车道、自车道、右车道)离自车最近的一个目标,分别置于显示器左前、正前、右前区域,如图3所示;
4.1:显示区域划分,当目标划分为M2范围的左车道内时,则在车载显示器显示左前,当目标划分为M2范围的右车道内时,则在车载显示器显示右前,反之,显示为正前方区域;
正前方区域:
dxi∈(180,+∞)m,0级;dxi∈(150,180]m,1级;dxi∈(90,150]m,2级;vrel,i<-30(m/s)或τttc<2.5s,3级;τttc<1.5s,4级;
左前方和右前方区域:
dxi∈(100,+∞)m,0级;dxi∈(90,+∞)m,1级;vrel,i<-30(m/s)或τttc<2.5s,2级;且τttc<1.5s,3级;
4.3:车载显示器接收目标危险等级信息,通过分层或不同颜色或声音等方式,从而达到显示目标车辆危险等级信息。
如图1所示,本发明还提供一种智能车辆的弯道目标的危险等级判断机制,包括以下步骤:
A、数据采集:通过车载传感器雷达获取车身前方的相关信息;
B、数据处理:接收通过来自汽车总线的雷达输出的所有目标数据,经过一系列的滤波和验证梳理,最终得到同车道内离自车最近目标,相邻车道(即本车道的左右车道)离自车最近目标;
C、危险标注:经过步骤B数据处理后,车载显示通过颜色等级或声音等级,标识从S2目标处理***得到的目标信息。
综上所述:本方案通过车载传感器实时获取车间状态信息;根据目标信息和自车状态,判断本车道及相邻车道目标;根据目标相对自车位置,在相应车载显示器做出相关提醒。
通过获取车间信息,建立横摆角速度扩展卡尔曼滤波器,在线估计弯道曲率半径,从而达到稳定跟踪前方目标的效果。
车载显示器作出相关提示,可以是显示器根据处理后的信息,通过同种或多种颜色,又或者蜂鸣器通过声音,对目标的危险程度作出提醒。
根据跟踪效果,给出目标位置即所在目标所在车道位置判定依据。
根据显示器得到信息,给出根据车间时距和相对距离作为目标车辆的危险等级判断方法。
本发明提供了一种提高智能车辆稳定性方法,克服了自车因进入弯道,前方目标出现混乱或丢失现象,造成***短暂紊乱问题;同时,给出前方目标危险等级的判断机制及其显示方案,能有效提醒驾驶员周围交通状况,给驾驶员以充足反应时间。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神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,本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种智能车辆的弯道目标识别方法,其特征在于,具体包括如下步骤:
S1:启动车辆,车载传感器M1开始工作,针对自车前方区域信息进行检测,并通过汽车总线将信息传送至关键目标识别单元;
S2:关键目标识别单元M2,接收M1传送的自车前方区域存在的多个目标车辆i(i=1,2,......,n),每个目标与自车的横向距离dxi(i=1,2,......,n),每个目标与自车的纵向距离dyi(i=1,2,......,n),每个目标与自车的方向角θi(i=1,2,......,n),每个目标与自车的相对速度vrel,i(i=1,2,......,n)及自车车身状态信息;
2.1:基于非线性三自由度车辆模型,建立横摆角速度扩展卡尔曼滤波器,过程如下:
在传统线性二自由度车辆模型的基础上,引入自车纵向车速,联合横摆角速度和质心侧偏角建立非线性三自由度模型,由此得模型的状态空间方程和量测方程为:
其中,wr为横摆角速度;β为质心侧偏角;δ为前轮转角;vx为纵向车速;a为质心距前轴的距离;b为质心距后轴的距离;k1为前轴等效侧偏刚度;k2为后轴等效侧偏刚度;Iz为绕z轴转动惯量;m为车辆质量;ax为纵向加速度;ay为侧向加速度;
2.2:由此,以三自由度车辆模型为依托,通过卡尔曼滤波(EKF)算法对汽车的横摆角速度、纵向车速和质心侧偏角进行估计:
式中f(xt,ut,wt)、h(xt,vt)分别为状态空间方程和量测方程,x(t)为***的状态变量;y(t)为量测输出;u(t)为控制变量;w(t)为***激励噪声;v(t)为量测噪声;
2.3:模型线性化:
Φ(t)=eF(t)Δt≈I+F(t)·Δt
式中:F(t)、H(t)分别为非线性函数f(xt,ut,wt)与h(xt,vt)对状态变量求偏导的雅克比矩阵;Φ(t)为状态转移矩阵;I为单位矩阵;Δt为采样时间;
2.4:扩展卡尔曼滤波的预测和更新过程如下:
误差协方差预测方程:p'(t+1)=Φ(t)P(t)Φ(t)T+Q
计算卡尔曼增益:K(t)=P'(t)HT(t)(H(t)P'(t)HT(t)+R)-1
误差协方差更新过程:P(t)=[I-K(t)H(t)]P'(t)
以上,状态变量为x=[wr,β,δ]T;输出变量为y=[ay],控制变量为u=[δ,ax]T,R、P、Q、I分别根据原始定义赋予初值;
S3:弯道关键目标的识别:
利用扩展卡尔曼滤波器建立横摆角速度的滤波模型,实现车辆行驶轨迹曲率半径的实时在线估计;
根据目标i相对本车道中心线侧向距离doff,i,确定目标i是否位于本车道内,判断依据如下:
若|doff,i|≤dthreshold,则:目标车位于本车道内;
以上判断依据中,dthreshold(m)为设定阀值,通常取半车道宽或更小,可根据实际情况而设定;
S4:显示单元M3,通过汽车总线接收M2传送的自车正前,左前,右前三个方向的目标车辆i(i=1,2,......,n);然后,根据目标车车辆每个目标与自车的横向距离dxi(i=1,2,......,n),每个目标与自车的纵向距离dyi(i=1,2,......,n),每个目标与自车的方向角θi(i=1,2,......,n),及车身状态信息,决策每个车道(左车道、自车道、右车道)离自车最近的一个目标,分别置于显示器左前、正前、右前区域;
4.1:显示区域划分,当目标划分为M2范围的左车道内时,则在车载显示器显示左前,当目标划分为M2范围的右车道内时,则在车载显示器显示右前,反之,显示为正前方区域;
正前方区域:
dxi∈(180,+∞)m,0级;dxi∈(150,180]m,1级;dxi∈(90,150]m,2级;vrel,i<-30(m/s)或τttc<2.5s,3级;τttc<1.5s,4级;
左前方和右前方区域:
dxi∈(100,+∞)m,0级;dxi∈(90,+∞)m,1级;vrel,i<-30(m/s)或τttc<2.5s,2级;且τttc<1.5s,3级;
4.3:车载显示器接收目标危险等级信息,通过分层或不同颜色或声音等方式,从而达到显示目标车辆危险等级信息。
2.一种根据权利要求1所述的一种智能车辆的弯道目标的危险等级判断机制,其特征在于:具体包括以下步骤:
A、数据采集:通过车载传感器雷达获取车身前方的相关信息;
B、数据处理:接收通过来自汽车总线的雷达输出的所有目标数据,经过一系列的滤波和验证梳理,最终得到同车道内离自车最近目标,相邻车道(即本车道的左右车道)离自车最近目标;
C、危险标注:经过步骤B数据处理后,车载显示通过颜色等级或声音等级,标识从S2目标处理***得到的目标信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010552525.1A CN111845737A (zh) | 2020-06-17 | 2020-06-17 | 一种智能车辆的弯道目标识别方法及其危险等级判断机制 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010552525.1A CN111845737A (zh) | 2020-06-17 | 2020-06-17 | 一种智能车辆的弯道目标识别方法及其危险等级判断机制 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111845737A true CN111845737A (zh) | 2020-10-30 |
Family
ID=72987276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010552525.1A Pending CN111845737A (zh) | 2020-06-17 | 2020-06-17 | 一种智能车辆的弯道目标识别方法及其危险等级判断机制 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111845737A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112550287A (zh) * | 2020-12-16 | 2021-03-26 | 重庆大学 | 一种面向结构化道路的驾驶风险评估方法 |
CN113428141A (zh) * | 2021-07-15 | 2021-09-24 | 东风汽车集团股份有限公司 | 一种前车紧急切入及时响应的智能检测方法及*** |
CN114463964A (zh) * | 2020-11-09 | 2022-05-10 | 刘腾腾 | 一种车辆aeb弯道障碍物筛选方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182991A (zh) * | 2014-08-15 | 2014-12-03 | 辽宁工业大学 | 一种车辆行驶状态估计方法及装置 |
CN106114511A (zh) * | 2016-07-21 | 2016-11-16 | 辽宁工业大学 | 一种汽车巡航***关键目标识别方法 |
CN106250591A (zh) * | 2016-07-21 | 2016-12-21 | 辽宁工业大学 | 一种考虑侧倾影响的汽车行驶状态估计方法 |
CN108357498A (zh) * | 2018-02-07 | 2018-08-03 | 北京新能源汽车股份有限公司 | 一种车辆状态参数确定方法、装置及汽车 |
CN109895699A (zh) * | 2019-03-11 | 2019-06-18 | 汉腾汽车有限公司 | 一种指示车辆周围目标与危险程度的***及方法 |
CN110386152A (zh) * | 2019-06-17 | 2019-10-29 | 江铃汽车股份有限公司 | 基于l2级智能领航驾驶的人机交互显示控制方法及*** |
CN110803160A (zh) * | 2019-11-14 | 2020-02-18 | 吉林大学 | 一种汽车后向防碰撞控制***及控制方法 |
CN110940981A (zh) * | 2019-11-29 | 2020-03-31 | 径卫视觉科技(上海)有限公司 | 一种用于判断车辆前方目标的位置是否处于本车道内的方法 |
-
2020
- 2020-06-17 CN CN202010552525.1A patent/CN111845737A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182991A (zh) * | 2014-08-15 | 2014-12-03 | 辽宁工业大学 | 一种车辆行驶状态估计方法及装置 |
CN106114511A (zh) * | 2016-07-21 | 2016-11-16 | 辽宁工业大学 | 一种汽车巡航***关键目标识别方法 |
CN106250591A (zh) * | 2016-07-21 | 2016-12-21 | 辽宁工业大学 | 一种考虑侧倾影响的汽车行驶状态估计方法 |
CN108357498A (zh) * | 2018-02-07 | 2018-08-03 | 北京新能源汽车股份有限公司 | 一种车辆状态参数确定方法、装置及汽车 |
CN109895699A (zh) * | 2019-03-11 | 2019-06-18 | 汉腾汽车有限公司 | 一种指示车辆周围目标与危险程度的***及方法 |
CN110386152A (zh) * | 2019-06-17 | 2019-10-29 | 江铃汽车股份有限公司 | 基于l2级智能领航驾驶的人机交互显示控制方法及*** |
CN110803160A (zh) * | 2019-11-14 | 2020-02-18 | 吉林大学 | 一种汽车后向防碰撞控制***及控制方法 |
CN110940981A (zh) * | 2019-11-29 | 2020-03-31 | 径卫视觉科技(上海)有限公司 | 一种用于判断车辆前方目标的位置是否处于本车道内的方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463964A (zh) * | 2020-11-09 | 2022-05-10 | 刘腾腾 | 一种车辆aeb弯道障碍物筛选方法 |
CN112550287A (zh) * | 2020-12-16 | 2021-03-26 | 重庆大学 | 一种面向结构化道路的驾驶风险评估方法 |
CN113428141A (zh) * | 2021-07-15 | 2021-09-24 | 东风汽车集团股份有限公司 | 一种前车紧急切入及时响应的智能检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111845737A (zh) | 一种智能车辆的弯道目标识别方法及其危险等级判断机制 | |
CN105292116B (zh) | 自动驾驶车辆的车道变换路径规划算法 | |
Winstead et al. | Estimation of road grade and vehicle mass via model predictive control | |
EP3663153A1 (en) | Vehicle control device | |
EP3663152A1 (en) | Vehicle control device | |
CN108447308A (zh) | 一种基于车路协同的交叉口车辆碰撞风险预测方法及*** | |
US20050278112A1 (en) | Process for predicting the course of a lane of a vehicle | |
CN111775949A (zh) | 一种人机共驾控制***的个性化驾驶员转向行为辅助方法 | |
US11643080B2 (en) | Trailing vehicle positioning system based on detected pressure zones | |
EP3666612A1 (en) | Vehicle control device | |
CN109878530B (zh) | 识别车辆侧向行驶工况的方法和*** | |
CN108216241A (zh) | 确定自主驾驶车辆的控制特性 | |
EP3604067A1 (en) | Preceding-vehicle determination apparatus and vehicle control system | |
CN112298179B (zh) | 一种四轮驱动车辆自动跟车的控制方法及*** | |
CN101655504A (zh) | 一种机动车辆自适应巡航***的车速估计方法 | |
CN112810619A (zh) | 基于雷达的辅助驾驶***前方目标车辆识别方法 | |
CN109436085A (zh) | 一种基于驾驶风格的线控转向***传动比控制方法 | |
CN103279675A (zh) | 轮胎-路面附着系数与轮胎侧偏角的估计方法 | |
CN115214616A (zh) | 行驶控制***和行驶控制方法 | |
US20180286222A1 (en) | Vehicle identifying device | |
CN111204331B (zh) | 汽车预防电子稳定性控制 | |
CN112793566B (zh) | 一种避撞方法及装置 | |
CN111599166B (zh) | 用于解释交通信号和协商信号化的交叉路口的方法和*** | |
CN114291071B (zh) | 一种车辆稳定性控制主动介入时机的判定方法、***、可读存储介质及车辆 | |
LeBlanc et al. | A warning and intervention system to prevent road-departure accidents |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |
|
RJ01 | Rejection of invention patent application after publication |