CN112319479A - 一种基于车辆信任度的车辆纵向行驶安全距离预估方法 - Google Patents
一种基于车辆信任度的车辆纵向行驶安全距离预估方法 Download PDFInfo
- Publication number
- CN112319479A CN112319479A CN202011130600.1A CN202011130600A CN112319479A CN 112319479 A CN112319479 A CN 112319479A CN 202011130600 A CN202011130600 A CN 202011130600A CN 112319479 A CN112319479 A CN 112319479A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- trust
- safety distance
- safe
- estimation method
- 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
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
- 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
-
- 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
-
- 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
- B60W2050/0034—Multiple-track, 2D vehicle model, e.g. four-wheel model
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
一种基于车辆信任度的车辆纵向行驶安全距离预估方法,属于汽车主动安全技术领域,通过引入车辆信任度概念,优化传统的车辆安全距离模型,车辆信任度的直接体现为驾驶人在驾驶车辆的过程中对车辆的操控,间接体现为保持的安全车距的远近以及能否安全超车等行为。本发明解决了现有技术中涉及计算结果不够准确,无法实时保证安全距离符合驾驶人预期、实用性不强的问题,提出了对车辆信任度的定义,即驾驶人所能发挥出的车辆性能的大小,提高了驾驶人对安全车距判断的准确性。
Description
技术领域
本发明属于汽车主动安全技术领域,特别是涉及到一种跟驰场景下基于车辆信任度的车辆安全距离预估方法。
背景技术
人车路的耦合关系体现在交通流特征上。如单车道的通行能力很大程度上取决于驾驶人对于跟驰距离的选择,这是人车路相互作用的结果,驾驶人对跟驰距离的选择直接影响车辆的通行能力。
网联环境下,驾驶人可获知的信息增多,在已知周围车辆信息的环境下,追尾事故的主要原因是驾驶人对所驾驶车辆的性能判断不足,车辆信任度过高或过低,会使驾驶人对车辆跟驰距离的选择不合理,易发生事故或影响通行效率。
现阶段的安全车距模型,主要通过基础统计方法对采集到的参数数据进行分析,由于没有进行极限驾驶工况的数据采集,无法对驾驶人能发挥出的车辆性能进行准确描述,不能体现出驾驶人的特异性,而只有体现出驾驶人特异性的安全车距模型,才更符合驾驶人的预期,为驾驶人提供最有效、最准确的安全距离信息。
因此,现有技术中亟需一种新的技术方案来解决上述问题。
发明内容
本发明所要解决的技术问题是:提供一种基于车辆信任度的车辆纵向行驶安全距离预估方法,用以解决现有技术中无法将驾驶人的特异性参数动态化、未考虑多种轮胎与路面的耦合关系、安全距离不符合驾驶人的期望的问题。
一种基于车辆信任度的车辆纵向行驶安全距离预估方法,其特征是:包括以下步骤,且以下步骤顺次进行,
步骤一、数据提取
通过CAN总线采集驾驶人自然行驶数据;提取行驶数据中直线、直角弯、S弯、U型弯路段数据,根据轮速信号和ABS数据判别行驶路面条件;
步骤二、数据分析
通过层次分析法确定各种路段的权重;通过主成分分析进行降维,得到主成分权重系数,分别为减速阶段最大制动减速度的绝对值F1,路面附着系数F2,完成一个路段所用时间F3;
步骤三、建立车辆信任度模块
根据步骤二获得的主成分权重系数,得到驾驶人在各种路面条件下的车辆信任度综合评分;以综合评分为划分指标,采用K-均值聚类分析对车辆信任度等级进行初级分类;利用BP神经网络算法训练主成分与车辆信任度之间的网络关系,获得车辆信任度模块;
步骤四、建立基于车辆信任度的安全车距模型
采用现有安全车距模型,通过步骤三获得的车辆信任度模块对安全车距模型进行优化改进,得到基于车辆信任度的安全车距模型;
步骤五、运行车辆实时更新
在车辆继续运行中收集的数据持续更新,重复所述步骤一~步骤四,获得实时更新的基于车辆信任度的安全车距模型。
所述车辆信任度通过安全车距值表达。
所述步骤三BP神经网络算法采用输入层为主成分,减速阶段最大减速度的绝对值|amax|,路面附着系数μ,完成一个路段所用时间t,输出层为车辆信任度δ,训练后得到其网络关系δ=f(|amax|,μ,t)。
所述步骤四的现有安全车距模型通过基础统计方法对采集到的参数数据进行分析获得。
通过上述设计方案,本发明可以带来如下有益效果:一种基于车辆信任度的车辆纵向行驶安全距离预估方法,解决了现有技术中涉及计算结果不够准确,无法实时保证安全距离符合驾驶人预期、实用性不强的问题,提出了对车辆信任度的定义,即驾驶人所能发挥出的车辆性能的大小,提高了驾驶人对安全车距判断的准确性。
附图说明
以下结合附图和具体实施方式对本发明作进一步的说明:
图1为本发明一种基于车辆信任度的车辆纵向行驶安全距离预估方法整体流程示意图。
图2为本发明一种基于车辆信任度的车辆纵向行驶安全距离预估方法具体流程示意图。
图3为本发明一种基于车辆信任度的车辆纵向行驶安全距离预估方法BP神经网训练示意图。
具体实施方式
一种基于车辆信任度的车辆纵向行驶安全距离预估方法,如图1和图2所述,具体实施过程包括以下步骤,
步骤1001,通过CAN总线采集自然行驶数据;
具体的,通过CAN总线采集驾驶人自然行驶数据,获取的车辆行驶数据包括但不限于:车速、节气门开度、制动压力、转向角等。
步骤1002,四种路段数据的提取;
具体的,选择能够体现车辆信任度的四种路段:直线、直角弯、S弯、U型弯,通过CAN总线采集的转向角、制动压力及节气门开度三种参数,规定参数范围,对自然驾驶数据进行四种路段数据的提取。
根据CAN总线采集的车速、转向角、制动压力、节气门开度三个参数,设定其范围,提取直线、直角弯、S弯、U型弯四种路段;
高速(80km/h≤v≤120km/h)条件下:
中速(60km/h≤v≤80km/h)条件下:
低速(20km/h≤v≤60km/h)条件下:
步骤1003,路面条件的判别;
步骤1004,通过层析分析法对四种路段进行赋权;
具体的,首先对四种路段建立层次分析矩阵;其次,根据四种路段对车辆信任度的影响程度,利用1-9比较尺构造成对比较阵;最后计算权向量并做一致性检验,一致性比率其中n为指标数,CI为一致性指标,CR为一致性比率,其中RI为随机一致性指标,可通过下表获得:
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
RI | 0 | 0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 | 1.49 | 1.51 |
得到直线、直角弯、S弯、U型弯的权重值ω=(ω1,ω2,ω3,ω4),进而得到加权后的数据库;
步骤1005,通过主成分分析法对数据进行降维;
具体的,首先对原始数据标准化处理,得到各个参数的标准差与平均值,处理使用的公式为其中,xn为待分析的样本数,m为每个样本的变量描述,为样本的均值,yn为样本的标准差。判断各个参数之间的相关性;求解矩阵特征根与特征向量;计算主成分贡献率和累积贡献率,得到降维后的数据库。降维后的数据参数选取前2个主成分,包括F1(减速阶段最大制动减速度的绝对值),F2(路面附着系数),F3(完成一个路段所需时间),根据主成分初始载荷因子求各指标的权重系数,具体做法是初始载荷因子除以初始特征值的开方值,根据权重系数可得到车辆信任度的评分模型:F=aF1+bF2+cF3,其中,a,b,c为求得的各指标的权重系数。
步骤1006,利用K-均值聚类对车辆信任度等级进行分类;
具体的,以得到的综合信任度评分为指标,分别试探1~5个分类数目,观察内部总体差异,得到当聚类数据大于3时,内部总体差异减小不大,因此,将车辆信任度等级化为3类:高、中、低。
步骤1007,利用BP神经网络训练各特征参数与车辆信任度之间的关系;
具体的,首先将输入层与输出层贴标签,将输出层的分值划分为1~10分,将该神经网络的输入层为减速阶段最大减速度的绝对值|amax|,路面附着系数μ,完成一个路段所用时间t,输出层为车辆信任度δ。训练后可得到其网络关系δ=f(|amax|,μ,t)。网络关系如图3所示。
步骤1008,建立基于车辆信任度的纵向安全车距模型;
具体的,选择经典的安全车距模型,将通过神经网络训练得到的车辆信任度模块引入到经典的安全车距模型中,构建基于车辆信任度的安全车距模型。
具体模型的运算过程为:
(1)前车匀速行驶
(2)前车减速行驶
(3)前车加速行驶
其中,两车的安全距离为d,前车行驶的距离为d1,后车行驶的距离为d2,两车停止后的最小距离为d0;驾驶员的反应时间t1,消除制动间隙时间为t'2;前车减速行驶的减速度为at1,制动初速度为vt0;自车减速度为a0,制动初速度为v0,车辆信任度为δ=f(|amax|,μ,t),制动力增长时间为t2”,前车加速行驶加速度为at2,前车制动初速度为vt0。
随着车辆继续运行,收集的数据不断更新,重复上述步骤,不断更新计算结果。
本发明提供了一种基于车辆信任度的车辆纵向行驶的安全距离预估方法,引入车辆信任度的概念,定义为驾驶人在驾驶过程中对本车的信任程度,直接体现为驾驶人在驾驶车辆的过程中对车辆的操控,间接体现为保持的安全车距的远近以及能否安全超车等行为。评估车辆信任度,可以使驾驶人更加清晰地认知车辆与道路环境,明确自己所能发挥出的车辆性能,进而明确应该与前车保持的适宜的安全距离,为网联环境下的安全距离模型的精准化提供可靠依据。另外,本发明采集的数据为车辆运行数据,采集方法已经成熟,如控制器局域网已经成为绝大多数汽车的出厂标准配置。因此,本发明具有很强的实用性和可推广性,对换道、超车等场景同样适用。
以上所述,仅为本发明方法的实施实例,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于车辆信任度的车辆纵向行驶安全距离预估方法,其特征是:包括以下步骤,且以下步骤顺次进行,
步骤一、数据提取
通过CAN总线采集驾驶人自然行驶数据;提取行驶数据中直线、直角弯、S弯、U型弯路段数据,根据轮速信号和ABS数据判别行驶路面条件;
步骤二、数据分析
通过层次分析法确定各种路段的权重;通过主成分分析进行降维,得到主成分权重系数,分别为减速阶段最大制动减速度的绝对值F1,路面附着系数F2,完成一个路段所用时间F3;
步骤三、建立车辆信任度模块
根据步骤二获得的主成分权重系数,得到驾驶人在各种路面条件下的车辆信任度综合评分;以综合评分为划分指标,采用K-均值聚类分析对车辆信任度等级进行初级分类;利用BP神经网络算法训练主成分与车辆信任度之间的网络关系,获得车辆信任度模块;
步骤四、建立基于车辆信任度的安全车距模型
采用现有安全车距模型,通过步骤三获得的车辆信任度模块对安全车距模型进行优化改进,得到基于车辆信任度的安全车距模型;
步骤五、运行车辆实时更新
在车辆继续运行中收集的数据持续更新,重复所述步骤一~步骤四,获得实时更新的基于车辆信任度的安全车距模型。
2.根据权利要求1所述的一种基于车辆信任度的车辆纵向行驶安全距离预估方法,其特征是:所述车辆信任度通过安全车距值表达。
5.根据权利要求1所述的一种基于车辆信任度的车辆纵向行驶安全距离预估方法,其特征是:所述步骤三BP神经网络算法采用输入层为主成分,减速阶段最大减速度的绝对值|amax|,路面附着系数μ,完成一个路段所用时间t,输出层为车辆信任度δ,训练后得到其网络关系δ=f|αmax|,μ,t)。
6.根据权利要求1所述的一种基于车辆信任度的车辆纵向行驶安全距离预估方法,其特征是:所述步骤四的现有安全车距模型通过基础统计方法对采集到的参数数据进行分析获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011130600.1A CN112319479B (zh) | 2020-10-21 | 2020-10-21 | 一种基于车辆信任度的车辆纵向行驶安全距离预估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011130600.1A CN112319479B (zh) | 2020-10-21 | 2020-10-21 | 一种基于车辆信任度的车辆纵向行驶安全距离预估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112319479A true CN112319479A (zh) | 2021-02-05 |
CN112319479B CN112319479B (zh) | 2021-08-24 |
Family
ID=74311806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011130600.1A Active CN112319479B (zh) | 2020-10-21 | 2020-10-21 | 一种基于车辆信任度的车辆纵向行驶安全距离预估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112319479B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913714A (zh) * | 2022-05-05 | 2022-08-16 | 中国第一汽车股份有限公司 | 确定车辆安全距离的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100209885A1 (en) * | 2009-02-18 | 2010-08-19 | Gm Global Technology Operations, Inc. | Vehicle stability enhancement control adaptation to driving skill based on lane change maneuver |
CN108891418A (zh) * | 2018-07-10 | 2018-11-27 | 湖南大学 | 一种基于驾驶员信任度的自适应巡航控制装置及方法 |
CN109624987A (zh) * | 2019-01-30 | 2019-04-16 | 长安大学 | 一种路面湿滑状态下的车辆纵向行驶安全车距计算方法 |
US20200133281A1 (en) * | 2019-12-27 | 2020-04-30 | Intel Corporation | Safety system for a vehicle |
-
2020
- 2020-10-21 CN CN202011130600.1A patent/CN112319479B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100209885A1 (en) * | 2009-02-18 | 2010-08-19 | Gm Global Technology Operations, Inc. | Vehicle stability enhancement control adaptation to driving skill based on lane change maneuver |
CN108891418A (zh) * | 2018-07-10 | 2018-11-27 | 湖南大学 | 一种基于驾驶员信任度的自适应巡航控制装置及方法 |
CN109624987A (zh) * | 2019-01-30 | 2019-04-16 | 长安大学 | 一种路面湿滑状态下的车辆纵向行驶安全车距计算方法 |
US20200133281A1 (en) * | 2019-12-27 | 2020-04-30 | Intel Corporation | Safety system for a vehicle |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913714A (zh) * | 2022-05-05 | 2022-08-16 | 中国第一汽车股份有限公司 | 确定车辆安全距离的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112319479B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111238825B (zh) | 面向组合试验路面的智能驾驶自动紧急制动性能测试方法 | |
CN109552338B (zh) | 一种纯电动汽车生态驾驶行为评估方法及*** | |
CN104008647B (zh) | 一种基于机动车行驶模式的道路交通能耗量化方法 | |
CN105034986B (zh) | 一种驾驶员转向特性在线辨识方法及装置 | |
CN110949398A (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
CN113401123B (zh) | 融合驾驶模式信息的汽车预测巡航参数自整定控制*** | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及*** | |
CN112319479B (zh) | 一种基于车辆信任度的车辆纵向行驶安全距离预估方法 | |
CN113581188A (zh) | 一种基于车联网数据的商用车驾驶员驾驶风格识别方法 | |
CN111783943A (zh) | 一种基于lstm神经网络的驾驶员制动强度预测方法 | |
CN111340074B (zh) | 基于改进的rbf神经网络的驾驶员制动意图辨识方法 | |
CN114169444A (zh) | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 | |
CN115186594A (zh) | 一种人-车-路耦合影响下的节能速度优化方法 | |
CN113743466B (zh) | 一种基于决策树的道路类型识别方法及*** | |
CN112749508B (zh) | 一种基于gmm和bp神经网络的路感模拟方法 | |
CN112124309B (zh) | 基于5g通信的城市交通流跟车控制方法及装置、车载终端 | |
CN113761715A (zh) | 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法 | |
CN116975671A (zh) | L3级自动驾驶车辆驾驶员信任度评估方法及*** | |
CN115774942A (zh) | 基于车联网实车数据和svm的驾驶风格辨识模型建模与统计方法 | |
CN109910865B (zh) | 一种基于物联网的车辆预警刹车方法 | |
CN114613131B (zh) | 一种基于安全裕度的个性化前向碰撞预警方法 | |
Wang et al. | A data-driven estimation of driving style using deep clustering | |
CN115009274A (zh) | 一种智能网联汽车风险评估方法及个性化决策方法 | |
CN112528568A (zh) | 一种基于K-Means和BP神经网络的路感模拟方法 | |
CN114162132A (zh) | 一种基于主客观评价的驾驶模式识别方法 |
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 |