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

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

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

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d_xi(i＝1,2,......,n)，每个目标与自车的纵向距离d_yi(i＝1,2,......,n)，每个目标与自车的方向角θ_i(i＝1,2,......,n)，每个目标与自车的相对速度v_rel,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，w_r为横摆角速度；β为质心侧偏角；δ为前轮转角；v_x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；I_z为绕z轴转动惯量；m为车辆质量；a_x为纵向加速度；a_y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：

建立***的状态方程与量测方程：

式中f(x_t,u_t,w_t)、h(x_t,v_t)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)＝e^F(t)Δt≈I+F(t)·Δt

式中:F(t)、H(t)分别为非线性函数f(x_t,u_t,w_t)与h(x_t,v_t)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：

状态预测方程：

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)H^T(t)(H(t)P'(t)H^T(t)+R)^-1

式中:

为t+1时刻的预测变量；A、B为预测方程离散化的状态变量系数矩阵；K(t)为t时刻的转换变量；H(t)为h(x(t),v(t))对状态变量求偏导的雅克比矩阵；R为观测噪声的协方差矩阵；

通过测量更新估计：

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＝[w_r,β,δ]^T；输出变量为y＝[a_y]，控制变量为u＝[δ,a_x]^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；

弯道行驶时，曲率半径可经由滤波器的w_r得出：

以车道前方目标i为例，己知车辆弯道行驶，目标i相对自车车道中心线的侧向偏移距离d_off,i：

式中:d_xi、d_yi(i＝1,2,......,n)同上，由M1获取；

为目标车i(i＝1,2,......,n)处道路曲率的倒数，该值己由扩展卡尔曼滤波器建立的横摆角速度滤波模型实时在线估计获取；

根据目标i相对本车道中心线侧向距离d_off,i，确定目标i是否位于本车道内，判断依据如下：

若

且d_off,i＞0且|d_off,i|＞d_threshold：目标车位于本车道右侧；

若

且d_off,i＜0且|d_off,i|＞d_threshold：目标车位于本车道左侧；

若

且d_off,i＞0且|d_off,i|＞d_threshold：目标车位于本车道左侧；

若

且d_off,i＜0且|d_off,i|＞d_threshold：目标车位于本车道右侧；

若|d_off,i|≤d_threshold，则：目标车位于本车道内；

以上判断依据中，d_threshold(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d_xi(i＝1,2,......,n)，每个目标与自车的纵向距离d_yi(i＝1,2,......,n)，每个目标与自车的方向角θ_i(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；

4.2：危险等级判断，通过计算目标的纵向距离和纵向车间时距τ_ttc：

以此为依据划分危险等级；相对距离与纵向车间时距越小，危险等级越高；

正前方区域：

d_xi∈(180,+∞)m，0级；d_xi∈(150,180]m,1级；d_xi∈(90,150]m，2级；v_rel,i＜-30(m/s)或τ_ttc＜2.5s，3级；τ_ttc＜1.5s，4级；

左前方和右前方区域：

d_xi∈(100,+∞)m，0级；d_xi∈(90,+∞)m，1级；v_rel,i＜-30(m/s)或τ_ttc＜2.5s，2级；且τ_ttc＜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d_xi(i＝1,2,......,n)，每个目标与自车的纵向距离d_yi(i＝1,2,......,n)，每个目标与自车的方向角θ_i(i＝1,2,......,n)，每个目标与自车的相对速度v_rel,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，w_r为横摆角速度；β为质心侧偏角；δ为前轮转角；v_x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；I_z为绕z轴转动惯量；m为车辆质量；a_x为纵向加速度；a_y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：

建立***的状态方程与量测方程：

式中f(x_t,u_t,w_t)、h(x_t,v_t)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)＝e^F(t)Δt≈I+F(t)·Δt

式中:F(t)、H(t)分别为非线性函数f(x_t,u_t,w_t)与h(x_t,v_t)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：

状态预测方程：

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)H^T(t)(H(t)P'(t)H^T(t)+R)^-1

式中:

为t+1时刻的预测变量；A、B为预测方程离散化的状态变量系数矩阵；K(t)为t时刻的转换变量；H(t)为h(x(t),v(t))对状态变量求偏导的雅克比矩阵；R为观测噪声的协方差矩阵；

通过测量更新估计：

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＝[w_r,β,δ]^T；输出变量为y＝[a_y]，控制变量为u＝[δ,a_x]^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；

弯道行驶时，曲率半径可经由滤波器的w_r得出：

以车道前方目标i为例，己知车辆弯道行驶，目标i相对自车车道中心线的侧向偏移距离d_off,i：

式中:d_xi、d_yi(i＝1,2,......,n)同上，由M1获取；

为目标车i(i＝1,2,......,n)处道路曲率的倒数，该值己由扩展卡尔曼滤波器建立的横摆角速度滤波模型实时在线估计获取；

根据目标i相对本车道中心线侧向距离d_off,i，确定目标i是否位于本车道内，判断依据如下：

若

且d_off,i＞0且|d_off,i|＞d_threshold：目标车位于本车道右侧；

若

且d_off,i＜0且|d_off,i|＞d_threshold：目标车位于本车道左侧；

若

且d_off,i＞0且|d_off,i|＞d_threshold：目标车位于本车道左侧；

若

且d_off,i＜0且|d_off,i|＞d_threshold：目标车位于本车道右侧；

若|d_off,i|≤d_threshold，则：目标车位于本车道内；

以上判断依据中，d_threshold(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d_xi(i＝1,2,......,n)，每个目标与自车的纵向距离d_yi(i＝1,2,......,n)，每个目标与自车的方向角θ_i(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；

4.2：危险等级判断，通过计算目标的纵向距离和纵向车间时距τ_ttc：

以此为依据划分危险等级；相对距离与纵向车间时距越小，危险等级越高；

正前方区域：

d_xi∈(180,+∞)m，0级；d_xi∈(150,180]m,1级；d_xi∈(90,150]m，2级；v_rel,i＜-30(m/s)或τ_ttc＜2.5s，3级；τ_ttc＜1.5s，4级；

左前方和右前方区域：

d_xi∈(100,+∞)m，0级；d_xi∈(90,+∞)m，1级；v_rel,i＜-30(m/s)或τ_ttc＜2.5s，2级；且τ_ttc＜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d_xi(i＝1,2,......,n)，每个目标与自车的纵向距离d_yi(i＝1,2,......,n)，每个目标与自车的方向角θ_i(i＝1,2,......,n)，每个目标与自车的相对速度v_rel,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，w_r为横摆角速度；β为质心侧偏角；δ为前轮转角；v_x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；I_z为绕z轴转动惯量；m为车辆质量；a_x为纵向加速度；a_y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：

建立***的状态方程与量测方程：

式中f(x_t,u_t,w_t)、h(x_t,v_t)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)＝e^F(t)Δt≈I+F(t)·Δt

式中:F(t)、H(t)分别为非线性函数f(x_t,u_t,w_t)与h(x_t,v_t)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：

状态预测方程：

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)H^T(t)(H(t)P'(t)H^T(t)+R)^-1

式中:

为t+1时刻的预测变量；A、B为预测方程离散化的状态变量系数矩阵；K(t)为t时刻的转换变量；H(t)为h(x(t),v(t))对状态变量求偏导的雅克比矩阵；R为观测噪声的协方差矩阵；

通过测量更新估计：

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＝[w_r,β,δ]^T；输出变量为y＝[a_y]，控制变量为u＝[δ,a_x]^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；

弯道行驶时，曲率半径可经由滤波器的w_r得出：

以车道前方目标i为例，己知车辆弯道行驶，目标i相对自车车道中心线的侧向偏移距离d_off,i：

式中:d_xi、d_yi(i＝1,2,......,n)同上，由M1获取；

为目标车i(i＝1,2,......,n)处道路曲率的倒数，该值己由扩展卡尔曼滤波器建立的横摆角速度滤波模型实时在线估计获取；

根据目标i相对本车道中心线侧向距离d_off,i，确定目标i是否位于本车道内，判断依据如下：

若

且d_off,i＞0且|d_off,i|＞d_threshold：目标车位于本车道右侧；

若

且d_off,i＜0且|d_off,i|＞d_threshold：目标车位于本车道左侧；

若

且d_off,i＞0且|d_off,i|＞d_threshold：目标车位于本车道左侧；

若

且d_off,i＜0且|d_off,i|＞d_threshold：目标车位于本车道右侧；

若|d_off,i|≤d_threshold，则：目标车位于本车道内；

以上判断依据中，d_threshold(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d_xi(i＝1,2,......,n)，每个目标与自车的纵向距离d_yi(i＝1,2,......,n)，每个目标与自车的方向角θ_i(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；

4.2：危险等级判断，通过计算目标的纵向距离和纵向车间时距τ_ttc：

以此为依据划分危险等级；相对距离与纵向车间时距越小，危险等级越高；

正前方区域：

d_xi∈(180,+∞)m，0级；d_xi∈(150,180]m,1级；d_xi∈(90,150]m，2级；v_rel,i＜-30(m/s)或τ_ttc＜2.5s，3级；τ_ttc＜1.5s，4级；

左前方和右前方区域：

d_xi∈(100,+∞)m，0级；d_xi∈(90,+∞)m，1级；v_rel,i＜-30(m/s)或τ_ttc＜2.5s，2级；且τ_ttc＜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。

Images