CN113335293A - 一种线控底盘的高速公路路面探测*** - Google Patents

Abstract

本发明公开了一种线控底盘的高速公路路面探测***，针对高速公路封路情况下车辆通行不便且危险、道路解封时机难以确定的问题，本探测***在高速公路封闭情况下通过无人机和装备线控底盘的探测车主动探测路面参数。管理车辆的方法是，综合车辆、驾驶员情况来预测道路可通过性，进而决定是否放行车辆、规划行驶方案。此外，车辆在行驶过程中探测当前道路的路面参数，实时地预测道路的可通过性并修正行驶方案，通过语音形式指导驾驶员行驶，提高驾驶员安全驾驶能力，保证车辆能够安全通行，以快速恢复交通，减少封路带来的通行不便。

Description

一种线控底盘的高速公路路面探测***

技术领域：

本发明涉及交通事故预防领域，具体地说涉及一种线控底盘的高速公路路面探测***及车辆管理方法，用于在高速公路封闭情况下主动探测路面条件，综合车辆、驾驶员情况来预测道路可通过性，进而决定是否放行车辆、规划行驶方案，车辆在行驶过程中探测当前道路的路面参数，实时地预测道路的可通过性并修正行驶方案，通过语音形式指导驾驶员行驶，提高驾驶员警惕性，预防交通事故的发生。

背景技术：

在雪天、雾天、雨天等条件引起高速公路封路的情况下，高速公路通行不畅，容易堵塞，大量车辆滞留等待，且通行时间往往较为模糊，不能及时疏散待通行的车辆，极大地影响了交通便利。

目前关于高速公路行车安全或者说减少交通事故的措施中，多数采用智能辅助驾驶***来提高行驶安全性，且智能驾驶辅助***需要较多的传感器信息进行环境识别，处理起来复杂耗时；目前比较成熟的辅助驾驶技术主要是关于纵向控制方面的，比如车道保持、自适应巡航等，适用的交通场景少，功能不够完善，暂时无法应对复杂的交通环境，对提高行驶安全性的作用有限。如果能够预测交通事故发生率，即评价道路安全性，就可以采取相应措施提醒驾驶员，以便驾驶员及时采取安全措施，在一定程度上帮助避免交通事故的发生，且方便应用于多种交通场景，但是关于道路总体层面的交通事故发生率预测和预防的手段少见报道。此外，针对高速公路附着条件差而导致的封路情况，现有的解决方法一般是等待至恶劣天气完全消散，等待时间长且不合理，而且，解封后任由车辆按照正常附着条件下的道路规定行驶，没有考虑到路面的特殊性和部分车辆存在特殊情况。故提出本发明。本发明通过派出无人机和搭载线控底盘的探测车队，在封闭的高速公路上探测路面参数，根据路面情况和车辆、驾驶员状态综合预测道路可通过性，并为允许通过的车辆规划路线，在行驶过程中实时播报路线，以提高安全通过率，加快疏通车辆；并在车辆行驶过程中针对当前道路实时地预测道路的可通过性，发出相应的告警信息提醒驾驶员，提高驾驶员警惕性，保障行车安全，进一步降低交通事故率。

发明内容：

本发明的目的是为了克服现有技术存在的问题，在道路附着条件不佳导致的高速公路封路情况下，派出装备航空无人机和有线控底盘的探测车队去探测高速公路全线路面参数，返回路面参数数据给车辆管理智慧平台，由车辆管理智慧平台生成全线路面状况分布库，综合驾驶员信息和车辆信息判断该车的安全通过等级，以决定是否放行和制定允许放行车辆的安全行驶路线方案，有助于避免交通事故的发生，提高高速公路通过效率，安全快速地疏通车辆。

为了实现上述目的，本发明是按如下技术方案实现的：

一种线控底盘的高速公路路面探测***包括包括路面参数探测模块、无线通讯模块、车辆管理智慧平台、车辆信息存储模块、语音提示模块、驾驶员信息输入模块和车载预测模块；其中，车辆信息存储模块、语音提示模块、驾驶员信息输入模块和车载预测模块安装在车辆上，车载预测模块包括车载路面探测子模块、可通过性预测子模块；无线通讯模块包含车载无线收发单元和智慧平台无线收发单元；路面参数探测模块负责采集路面参数信息，发送给车辆管理智慧平台；驾驶员信息输入模块获取驾驶员信息，车辆信息存储模块收集车辆信息，无线通讯模块将驾驶员信息和车辆信息发送给车辆管理智慧平台；车辆管理智慧平台根据以上信息判断能否放行，并为允许放行的车辆制定安全行驶方案，通过无线通讯模块将安全行驶方案发送到车辆的语音提示模块；由语音指导模块播放相关语音全程指导车辆行驶路线和车速；在车辆行驶过程中，车载预测模块中的车载探测子模块负责实时探测路面参数，驾驶员信息输入模块、车辆信息存储模块分别将驾驶员信息和车辆信息输入可通过性预测子模块，车辆管理智慧平台将路面参数和安全区域预测信息通过无线通讯模块发送给车载预测模块，可通过性预测子模块根据以上输入信息，实时判断当前行驶的安全区的安全级别是否降低，进而判断能否安全通过，将通行成功与否信息存储到数据存储子模块，并在高速公路出口处将该信息发送到车辆管理平台。

技术方案所述的路面参数探测模块包括探测车和航空无人机；其中，探测车是基于线控底盘的无人驾驶智能车，轴距、轮距和车身高度可在一定范围内变动，在探测过程中通过航空无人机拍摄图像识别判断出前方路面附着条件最差的区域，将轴距、车距做相应的调整，以适应路面条件最差的区域，探测最差附着系数；轮胎分为使用乘用轮胎和商用轮胎的两类探测车，各装备8个车轮、四类轮胎，前后左右各两个轮胎，并列布置，胎压可以动态调整，这样以便根据待通行的车辆轮胎类型和载荷来装备探测车的轮胎、调整胎压。乘用轮胎类型有两种扁平率的纵向花纹子午线轮胎和纵向花纹普通斜交轮胎，扁平率可选70％、65％、60％、 55％、50％，轮胎扁平率选择在高速公路入口处车辆轮胎扁平率统计占比前两名，若暂无车辆等待，则默认使用扁平率为65％、55％的轮胎；商用轮胎有纵向花纹子午线轮胎、横向花纹子午线轮胎、混合花纹子午线轮胎；

探测方案是乘用车型探测车和商用车型探测车每条车道各派一辆，按车道规定车速行驶，第一次探测时分别从一条高速公路两个行驶方向的起点同时派出探测车，即两队探测车相向行驶；两队探测车将探测到的路面附着系数上传到车辆管理智慧平台，由车辆管理智慧平台比对两个方向车道的附着条件，若相似，则第二次派探测车时，只需派出一个方向的探测车进行路面参数采集即可。

技术方案所述的路面参数探测模块中的探测车获取路面参数的方法是，探测车具有信息获取单元、道路曲率计算单元、路面附着系数计算单元、道路坡度计算单元；其中，信息获取单元分别获取悬架高度传感器、惯性测量单元、激光雷达、轮胎力传感器、车辆加速度传感器和车轮角速度传感器、全球定位***接收器的信号和电子导航地图，航空无人机在本车前方500米拍摄道路图像，通过图像识别估计道路坡度和曲率，并与探测车无线通讯模块通讯，将道路纵向坡度估计值XA0、道路横向坡度估计值YA0和曲率估计值C1发送给探测车；信息获取单元采集的以上信息供道路曲率计算单元、路面附着系数计算单元、道路坡度计算单元使用；路面附着系数计算单元根据轮胎垂直载荷和轮胎力传感器采集的轮胎受力情况计算路面附着率，由车辆加速度和车轮角速度估计滑移率，最后根据路面附着率-滑移率标定曲线得到路面附着系数估计值ac，每行驶5米计算一个附着系数估计值ac；由全球定位***接收器获取探测车位置，道路曲率计算单元从电子导航地图中提取当前所在道路位置的线形，进而计算得到一个道路曲率值C2；根据探测车位置在道路设计数据中查找相应道路位置的道路曲率设计值，得到当前位置对应的道路曲率设计值C3；将道路曲率设计值C3、航空无人机估计的道路曲率估计值C1与道路曲率估计值C2加权融合得到最终的道路曲率值C，融合权重根据天气情况设置：在雨、雪、雾、冰雹这些恶劣天气条件下，航空无人机估计的道路曲率值C1的权重为0.2，，道路曲率设计值C3的权重为0.5；其他气象条件下，航空无人机估计的道路曲率值C1的权重为0.3，道路曲率值C2的权重为0.3，道路曲率值C3的权重0.4；当定位信息无法正常获取时，航空无人机估计的道路曲率值C1的权重为1，道路曲率值C2 的权重为0，道路曲率值C3的权重为0；信息获取单元将加速度、车轮转矩和转速信号、激光雷达生成的点云数据输入坡度计算子单元，坡度计算子单元采用最小二乘法从原始加速度传感器信号中分离道路纵向坡度信息，进而得到道路纵向坡度角XA1；通过悬架高度传感器信息估计出车体相对于底盘的侧倾角，最终估计出道路侧向坡度角YA1；利用点云数据建立笛卡尔坐标系下的间隔栅格地图，在间隔内进行平面拟合得到路面法向量，利用法向量计算路面纵向坡度角XA2和侧向坡度角YA2；同时，坡度计算子单元内基于车辆纵向动力学模型的车辆纵向状态观测器根据车辆转矩、转速和加速度估计纵向坡度角XA3；基于二自由度车辆运动学模型的车辆侧向状态观测器根据前轮转角、车体横摆角速度、车体侧向加速度估计道路侧向坡度角YA3；由全球定位***接收器获取探测车位置，根据探测车位置在道路设计数据中查找坡度角设计值，得到纵向坡度角XA4和侧向坡度角YA4；将以上5类纵向坡度角 XA0、XA1、XA2、XA3、XA4加权融合得到最终的纵向坡度角XA；各类纵向坡度角融合权重固定，纵向坡度角XA1融合权重为0.05，根据加速度传感器信号估计的纵向坡度角XA1融合权重为0.1，纵向观测器估计的纵向坡度角XA3融合权重为0.2，根据激光雷达估计的坡度角 XA2融合权重为0.3，纵向坡度角XA4融合权重为0.5；将以上四类侧向坡度角YA1、YA2、YA3、 YA4加权融合，得到最终的侧向坡度角YA；当进入和驶离侧向坡时，基于悬架高度传感器信息计算的侧向坡度角YA1融合权重为0.35，侧向状态观测器估计的侧向坡度角YA3融合权重为0.15，在坡上时，侧向状态观测器估计的侧向坡度角YA3融合权重为0.35，基于悬架高度传感器信息计算的侧向坡度角YA1融合权重为0.15，侧向坡度角YA0的融合权重始终为0.05，根据激光雷达估计的侧向坡度角YA2的融合权重始终为0.2，侧向坡度角YA4的融合权重始终为0.25。

技术方案所述的驾驶员信息输入模块包括人机交互界面和数据存储装置，通过人机交互界面，以问卷形式由驾驶员输入驾驶员基本信息、同行乘客基本信息和驾驶员曾经发生的交通事故的事故特征；其中，驾驶员基本信息包括年龄、性别、身份证号码、驾龄、日平均驾驶时间、身体健康状况、精神状态和职业；驾龄以自然数0、1、2……为输入，单位是年；日平均驾驶时间允许输入0-24之间的整数，单位是小时；身体健康状况有三种选项：健康、亚健康、疾病状态，在选项下方给出相应注释以便驾驶员理解，“疾病状态”是指具有感冒、头疼、发烧这些症状其中之一，“亚健康状态”下身体其他部位疼痛或者感到不适却难以描述，“健康状态”是指身体正常、无病无痛；精神状态提供三种选项：良好、较差、很差，同样在选项下方给出相应注释以便驾驶员理解，“很差”是指感到非常困倦、很难集中注意力，“较差”是指感到困倦、有点注意力不集中，“良好”是指没有困意、能够集中注意力，以上描述主观性强，由驾驶员自评后输入；职业选项提供两大类：职业司机和非职业司机；事故特征包括事故次数、事故形态、事故严重程度、事故原因、肇事车辆类型、事故时间，其中，事故形态有追尾碰撞、刮擦、撞击固定物，事故严重程度分为无伤亡事故、伤人事故、死亡事故，事故原因有同车道行驶未按规定与前车保持安全距离、操作不当、低能见度下不按规定使用灯光或不按规定车速行驶、违法变更车道制动不当、违反交通信号、疲劳驾驶、违法上道路行驶，肇事车辆类型包括重型货车、中型货车、轻型货车、微型货车、大型客车、中型客车、轻型客车、小型客车和乘用车，事故时间具体到年月日时刻；数据存储装置存储以上信息。

技术方案所述的车辆信息存储模块存储车型参数、轮胎信息、制动***信息、驱动***信息、转向***信息、本车已使用年限、行驶里程、本车历史交通事故的事故特征，车型参数包括车辆类型、车辆长宽高尺寸、最小转弯半径、整车整备质量、最大驱动力、车辆总质量，轴距、质心高、质心至后轴距离、迎风面积、轴距、轮距、最小离地间隙、接近角、离去角、最高车速、最大输出转矩、车轮数及驱动轮数、自动驾驶级别；轮胎信息指轮胎类型、轮胎半径；制动***信息包括制动器类型及尺寸参数；驱动***信息包括动力类型及相关尺寸参数；转向***信息包括转向***类型及相关尺寸参数；车辆类型分为商用车、乘用车，商用车细分为重型货车、中型货车、轻型货车、微型货车、大型客车、中型客车、轻型客车、小型客车；本车已使用年限从行车记录仪获取，以行车记录仪第一次开始记录的时间到当前时刻这段时间作为本车已使用年限；本车历史交通事故的事故特征包括事故次数、事故形态、损坏情况和事故时间，事故形态分为追尾碰撞、刮擦、撞击固定物，损坏情况包括刮蹭部位、损坏的零部件、维修或更换的零部件，事故时间记录年、月、日。

技术方案所述的车辆管理智慧平台包括环境信息获取模块、历史交通事故信息存储模块、车辆管理核心模块；环境信息获取模块获取能见度、路面参数、时间和气象信息，气象信息有雨、雪、雾、温度、湿度；历史交通事故信息存储模块中存着交通事故有关特征信息，包括肇事车型分布特征、交通事故时间分布特征、交通事故能见度分布特征、交通事故气象特征、交通事故位置分布特征、交通事故车辆密度特征、交通事故路面特征、肇事驾驶员特征；其中，交通事故路面特征指路面附着系数、道路曲率和坡度，肇事驾驶员特征包括肇事驾驶员的年龄、性别、驾龄、职业；

车辆管理核心模块包括交通流量分配子单元、安全通过等级评估子单元和安全行驶方案规划子单元；其中，交通流量分配子单元决定放行车辆的数量、车型，利用神经网络来估计当前环境、路面条件下允许放行车辆的数量、车型，神经网络包括输入层、隐藏层和输出层，输入层有4个单元：时间、能见度、气象向量、路面参数，隐藏层分为两层，第一层隐藏层由4个单元构成，第二层隐藏层由2个单元构成，输出层有2个单元，提前用历史交通事故信息存储模块中的肇事车型分布特征、交通事故时间分布特征、交通事故位置分布特征、交通事故能见度分布特征、交通事故气象特征和交通事故车辆密度特征来训练这个神经网络，将时间、能见度、气象、路面参数信息输入神经网络，神经网络输出允许通行的车辆数量最大值和允许通行的车型；

安全通过等级评估子单元分别评估车辆在特定路面的通过性和驾驶员在特定路面的驾驶可靠性，综合这两方面的结果来评估安全通过等级；其中，车辆在特定路面的通过性的评估通过建立车辆动力学模型和道路模型进行计算，动力学模型包括轮胎模型、驱动***模型、制动***模型、车体模型、空气阻力模型，根据车辆信息存储模块存储的车型参数、轮胎信息、制动***信息、驱动***信息、转向***信息来建立车辆的动力学模型，道路模型包含 4个参数：路面附着系数、弯道曲率半径、纵向坡度和横向坡度，数据来自路面参数探测模块；道路类型有不同路面附着系数的直道、弯道、坡道及其组合，分别计算车辆在各种道路下的通过性和可通过的车速、变速器档位，得到车辆可行驶路面的位置；

驾驶员在特定路面的驾驶可靠性使用模糊神经网络预测驾驶员在可行驶路面驾驶通过的概率，所述模糊神经网络的结构为前置神经网络加模糊神经网络，前置神经网络分为3个子神经网络，分别为神经网络1、神经网络2、和神经网络3，每个子神经网络的结构都为3层：输入层、隐藏层、输出层，模糊神经网络结构共分为5层：输入层、模糊化层、模糊规则层、模糊决策层和输出层，3个子神经网络的输出层为模糊神经网络输入层的一部分；用肇事驾驶员特征数据训练神经网络1，将驾驶员基本信息、同行乘客基本信息和驾驶员曾经发生的交通事故的事故特征输入神经网络1，评估驾驶员的肇事概率，其中驾驶员曾经发生的交通事故的事故特征影响神经网络各层的权值，神经网络1最终输出0-100％之间的值；用肇事车型分布数据训练神经网络2，将车辆的车型参数输入神经网络2，评价车辆的安全等级，输出车辆发生交通事故的概率，概率值在0-100％之间；用交通事故路面特征数据训练神经网络3，依次将车辆可行驶路面的路面参数输入神经网络3，神经网络3预测这些路面引发交通事故的概率，概率值在0-100％之间；模糊神经网络的输入层包含4个单元：驾驶员的肇事概率、本车发生交通事故的概率、车辆可行驶路面引发交通事故的概率、车道限制的最高车速，分多次输入车道限制的最高车速，一次输入一条车道限制的最高车速，模糊化层的隶属度函数由神经网络根据历史交通事故数据生成，模糊规则层的模糊规则由神经网络从知识库中提取，神经网络根据交通事故信息的更新实时调整知识库，在线自动优化模糊规则的参数，模糊语言值共4条：{LPL，MPL，HPL，SPL}，含义是：{安全通过等级较低，安全通过等级中等，安全通过等级较高，安全通过等级极高}，输出层输出该路面隶属度最高的安全通过等级；

安全行驶方案规划子单元利用安全通过等级评估子单元输出的车辆可行驶路面安全通过等级，按照安全通过等级高低，优先将安全通等级高的路面位置相连，形成一条综合安全通过等级最高的行驶路径；安全通过等级较低路面占整条行驶路径所有路面的比例不超过5％、安全通过等级中等路面占整条行驶路径所有路面的比例低于10％视为有效的安全路径，允许该车通行，进入待通过区，否则视为无效安全路径，不允许该车通行，进入等待区；将能够形成有效安全路径的车辆，按照综合安全通过等级进行评分，评分规则是安全通过等级较低、安全通过等级中等、安全通过等级较高、安全通过等级极高的路面分别得25分、50分、75 分、100分，累计行驶路径中各个路面得分总和，按照总和高低进行排序，依据交通流量允许值放行排名靠前的相应数量的车辆，并通过无线通讯将安全路径数据发送给这些车辆。

技术方案所述的车载预测模块包括车载预测模块包括车载路面探测子模块、可通过性预测子模块，在行驶过程中，车载路面探测子模块会对当前路面参数进行探测，可通过性预测子模块根据探测的路面参数条件，参考平台评估的安全等级，对当前路面重新进行可通过性评估；车载路面探测子模块包含信息获取子单元、路面附着系数计算子单元、道路坡度计算子单元；其中，信息获取单元分别获取悬架高度传感器、惯性测量单元、激光雷达、轮胎力传感器、车辆加速度传感器和车轮角速度传感器的信号，供路面附着系数计算子单元、道路坡度计算子单元使用；

路面附着系数计算单元根据轮胎垂直载荷和轮胎力传感器采集的轮胎受力情况计算路面附着率，由车辆加速度和车轮角速度估计滑移率，最后根据路面附着率-滑移率标定曲线得到路面附着系数估计值ac’，在每一个特定安全等级的路面起始位置探测并计算一个附着系数估计值ac’；

信息获取子单元将加速度、车轮转矩和转速信号、激光雷达生成的点云数据输入坡度计算子单元，坡度计算子单元采用最小二乘法从原始加速度传感器信号中分离道路纵向坡度信息，进而得到道路纵向坡度角XA1’；通过悬架高度传感器信息估计出车体相对于底盘的侧倾角，最终估计出道路侧向坡度角YA1’；利用点云数据建立笛卡尔坐标系下的间隔栅格地图，在间隔内进行平面拟合得到路面法向量，利用法向量计算路面纵向坡度角XA2’和侧向坡度角YA2’；同时，坡度计算子单元内基于车辆纵向动力学模型的车辆纵向状态观测器根据车辆转矩、转速和加速度估计纵向坡度角XA3’；基于二自由度车辆运动学模型的车辆侧向状态观测器根据前轮转角、车体横摆角速度、车体侧向加速度估计道路侧向坡度角YA3’；将以上三类纵向坡度角XA1’、XA2’、XA3’加权融合得到最终的纵向坡度角XA’；各类纵向坡度角融合权重固定根据加速度传感器信号估计的坡度角XA1’融合权重为0.2，纵向观测器估计的纵向坡度角XA3’融合权重为0.3，根据激光雷达估计的坡度角XA2’融合权重始终为0.5；将以上三类侧向坡度角YA1’、YA2’、YA3’加权融合，得到最终的侧向坡度角YA’；当进入和驶离侧向坡时，基于悬架高度传感器信息计算的侧向坡度角YA1’融合权重为0.35，侧向状态观测器估计的侧向坡度角YA3’融合权重为0.15，在坡上时，侧向状态观测器估计的侧向坡度角YA3’融合权重为0.35，基于悬架高度传感器信息计算的侧向坡度角融合权重为0.15，根据激光雷达估计的侧向坡度角YA2融合权重为0.5；

若车载路面探测子模块计算得到的道路坡度和路面附着系数与探测车所测量的相应参数值差值与探测车所测量的相应参数值的比值超过10％，可通过性预测子模块将启动，对当前道路重新进行可通过性评估；可通过性预测子模块利用模糊神经网络预测模型道路可通过性，模糊神经网络预测模型结构为前置神经网络加模糊神经网络，前置神经网络分为3个子神经网络，分别为神经网络1、神经网络2、和神经网络3，每个子神经网络的结构都为3层：输入层、隐藏层、输出层，模糊神经网络结构共分为5层：输入层、模糊化层、模糊规则层、模糊决策层和输出层，3个子神经网络的输出层为模糊神经网络输入层的一部分；用肇事驾驶员特征数据训练神经网络1，将驾驶员基本信息和驾驶员曾经发生的交通事故的事故特征输入神经网络1，评估驾驶员的肇事概率，最终输出0-100％之间的值；用肇事车型分布数据训练神经网络2，将本车车型参数输入神经网络2，评价本车的安全等级，输出本车发生交通事故的概率，概率值在0-100％之间；用交通事故路面特征数据训练神经网络3，将采集到的路面参数输入神经网络3，预测某一路面引发交通事故的概率，概率值在0-100％之间；模糊神经网络的输入层含5个单元：驾驶员的肇事概率、本车发生交通事故的概率、路面引发交通事故的概率、环境引发交通事故的概率、车速，模糊化层的隶属度函数由神经网络根据历史交通事故数据生成，模糊规则层的模糊规则由神经网络从知识库中提取，神经网络根据交通事故信息的更新实时调整知识库，在线自动优化模糊规则的参数，模糊语言值共4条：{LPL， MPL，HPL，SPL}，含义是：{安全通过等级较低，安全通过等级中等，安全通过等级较高，安全通过等级极高}，输出层输出该路面隶属度最高的安全通过等级，并将该安全通过等级发送给语音提示模块。

技术方案所述的语音提示模块包括语音播放单元和决策单元；在行驶过程中，若可通过性预测子模块没有启动或输出的概率值小于60％，语音播放单元则播放车辆管理智慧平台的行驶方案，根据车辆定位播放相应路面位置的提示信息，提示信息包括合理车速和行驶车道；反之，决策单元将根据车辆管理智慧平台的行驶方案进行改进，重新规定行驶车速，并将修正后的行驶方案发送到语音播放单元实时播放；每当车辆到达高速公路出口或者中途出现无法通行的情况，通过无线通讯模块返回成功通过信息或者未安全通过信息，平台记录下车辆行驶路径上所有路面的安全通过次数、未安全通过次数，这些数据作为训练数据集用于训练车辆管理智慧平台中车辆管理核心模块的神经网络及模糊神经网络，提高预测的准确性。

特别地，在一定条件下，可以使用手机作为人机交互界面来采集驾驶员信息，以及作为车载无线通讯设备与车辆管理智慧平台进行通讯，发送驾驶员和车辆信息，接收行驶方案，并作为语音播放单元在行驶过程中播报路线信息和合理速度值。

与现有技术相比，本发明的有益效果为：

1.目前交通事故预防的手段主要以加强安全教育为主，期望通过安全教育提高驾驶员安全驾驶意识，但是这种方法实时性较差，且不同驾驶员的驾驶能力参差不齐，驾驶经验无法通过安全教育得到提高，故交通事故的发生还是无法避免，本发明能够在驾驶员驾驶过程中实时预测前方道路的可通过性，并提醒驾驶员，起到提供驾驶员安全意识的作用，具有广泛的适应性和实时性。

2.现有的提高行车安全的辅助驾驶***虽然能够一定程度上地保障行车安全，但大多数是被动地辅助行驶，主要起纠正作用，少见主动预防交通事故的，而本发明能够防患于未然，通过预测道路可通过性并提醒驾驶员，提高驾驶员的警惕性，从根本上避免交通事故的发生。

3.现有的提高行车安全的辅助驾驶***功能较为单一，暂时无法胜任复杂的交通环境，具有全面驾驶辅助功能的辅助驾驶***未见报道，而本发明所述的道路可通过性预测方法，不受复杂驾驶场景的影响，适用于各种环境。

4.现有的高速公路封路和解封管理办法智能化程度低，难以做到安全且高效快速地疏通车辆、管理车辆行驶路线，而本发明所述的装备有线控底盘路面探测***能够及时探测路面条件，进而判断是否放行，并规划安全行驶路线，如此能够快速高效疏通车辆，并保证安全性，车辆管理更便捷。

附图说明：

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明的***组成框图；

图2为本发明的道路附着系数估计方法示意图；

图3为本发明的道路曲率估计方法示意图；

图4为本发明的道路坡度估计方法示意图；

图5为本发明的车辆管理方法示意图。

具体实施方式：

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参阅图1，本发明所述的一种线控底盘的高速公路路面探测***包括路面参数探测模块、车辆上的相关模块、无线通讯模块、车辆管理智慧平台、语音提示模块；其中，车辆上共有四个模块：车辆信息存储模块、语音提示模块、驾驶员信息输入模块和车载预测模块。车载预测模块包括车载路面探测子模块、可通过性预测子模块、数据存储子模块。车载预测模块分别与车辆信息存储模块、语音提示模块、驾驶员信息输入模块相连，车辆上的四个模块分别通过无线通讯模块与车辆管理智慧平台进行通信。车辆管理智慧平台包含三个模块：车辆管理核心模块、历史交通事故信息存储模块；由探测车队和无人机组成的路面参数获取模块与车辆管理智慧平台中的环境信息获取模块相连。

路面参数探测模块负责采集路面参数信息，发送给车辆管理智慧平台，由环境信息获取模块接收信息；驾驶员信息输入模块获取驾驶员信息，车辆信息存储模块收集车辆信息，无线通讯模块将驾驶员信息和车辆信息发送给车辆管理智慧平台的车辆管理核心模块；车辆管理智慧平台根据以上信息及历史交通事故信息存储模块的信息判断车辆能否安全通行，并为允许放行的车辆制定安全行驶路线方案，通过无线通讯模块将安全行驶方案发送到车辆的语音提示模块；由语音指导模块播放相关语音全程指导车辆行驶路线和车速。在车辆行驶过程中，车载预测模块中的车载探测子模块负责实时探测路面参数，驾驶员信息输入模块、车辆信息存储模块分别将驾驶员信息和车辆信息输入可通过性预测子模块，车辆管理智慧平台将路面参数和安全区域预测信息通过无线通讯模块发送给车载预测模块，可通过性预测子模块根据以上输入信息，实时判断当前行驶的安全区的安全级别是否降低，进而判断能否安全通过，将通行成功与否信息存储到数据存储子模块，并在高速公路出口处将该信息发送到车辆管理平台。

参阅图2，本发明所述的道路附着系数估计方法是，根据轮胎垂直载荷和轮胎力传感器采集的轮胎受力情况计算路面附着率，由车辆加速度和车轮角速度估计滑移率，最后根据路面附着率-滑移率标定曲线得到路面附着系数估计值ac。

参阅图3，本发明所述的道路曲率估计方法是，航空无人机拍摄道路图像，通过图像识别估计道路曲率，并与探测车无线通讯模块通讯，将曲率估计值C1发送给探测车。由全球定位***接收器获取探测车位置，从电子导航地图中提取当前所在道路位置的线形，进而计算得到一个道路曲率值C2；根据探测车位置在道路设计数据中查找相应道路位置的道路曲率设计值，得到当前位置对应的道路曲率设计值C3；将道路曲率设计值C3、航空无人机估计的道路曲率估计值C1与道路曲率估计值C2加权融合得到最终的道路曲率值C，融合权重根据天气情况设置：在雨、雪、雾、冰雹这些恶劣天气条件下，航空无人机估计的道路曲率值C1的权重为0.2，，道路曲率设计值C3的权重为0.5；其他气象条件下，航空无人机估计的道路曲率值C1的权重为0.3，道路曲率值C2的权重为0.3，道路曲率值C3的权重0.4；当定位信息无法正常获取时，航空无人机估计的道路曲率值C1的权重为1，道路曲率值C2的权重为0，道路曲率值C3的权重为0；

参阅图4，本发明所述的道路坡度估计方法是，航空无人机拍摄道路图像，通过图像识别估计道路坡度，得到道路纵向坡度估计值XA0、道路横向坡度估计值YA0；采用最小二乘法从原始加速度传感器信号中分离道路纵向坡度信息，进而得到道路纵向坡度角XA1；通过悬架高度传感器信息估计出车体相对于底盘的侧倾角，最终估计出道路侧向坡度角YA1；利用点云数据建立笛卡尔坐标系下的间隔栅格地图，在间隔内进行平面拟合得到路面法向量，利用法向量计算路面纵向坡度角XA2和侧向坡度角YA2；基于车辆纵向动力学模型的车辆纵向状态观测器根据车辆转矩、转速和加速度估计纵向坡度角XA3；基于二自由度车辆运动学模型的车辆侧向状态观测器根据前轮转角、车体横摆角速度、车体侧向加速度估计道路侧向坡度角YA3；由全球定位***接收器获取探测车位置，根据探测车位置在道路设计数据中查找坡度角设计值，得到纵向坡度角XA4和侧向坡度角YA4；将以上5类纵向坡度角XA0、XA1、 XA2、XA3、XA4加权融合得到最终的纵向坡度角XA；各类纵向坡度角融合权重固定，纵向坡度角XA1融合权重为0.05，根据加速度传感器信号估计的纵向坡度角XA1融合权重为0.1，纵向观测器估计的纵向坡度角XA3融合权重为0.2，根据激光雷达估计的坡度角XA2融合权重为0.3，纵向坡度角XA4融合权重为0.5；将以上四类侧向坡度角YA1、YA2、YA3、YA4加权融合，得到最终的侧向坡度角YA；当进入和驶离侧向坡时，基于悬架高度传感器信息计算的侧向坡度角YA1融合权重为0.35，侧向状态观测器估计的侧向坡度角YA3融合权重为0.15，在坡上时，侧向状态观测器估计的侧向坡度角YA3融合权重为0.35，基于悬架高度传感器信息计算的侧向坡度角YA1融合权重为0.15，侧向坡度角YA0的融合权重始终为0.05，根据激光雷达估计的侧向坡度角YA2的融合权重始终为0.2，侧向坡度角YA4的融合权重始终为 0.25。

参阅图5，本发明所述的车辆管理方法为，由车辆管理智慧平台判断车辆是否能够安全通行，并为车辆制定安全行驶方案；在车辆行驶过程中由车载预测模块根据路面参数的变化情况修正安全行驶方案。车辆管理智慧平台包括环境信息获取模块、历史交通事故信息存储模块、车辆管理核心模块。环境信息获取模块获取能见度、路面参数、时间和气象信息，气象信息有雨、雪、雾、温度、湿度。历史交通事故信息存储模块中存着交通事故有关特征信息，包括肇事车型分布特征、交通事故时间分布特征、交通事故能见度分布特征、交通事故气象特征、交通事故位置分布特征、交通事故车辆密度特征、交通事故路面特征、肇事驾驶员特征。其中，交通事故路面特征指路面附着系数、道路曲率和坡度，肇事驾驶员特征包括肇事驾驶员的年龄、性别、驾龄、职业。

车辆管理核心模块包括交通流量分配子单元、安全通过等级评估子单元和安全行驶方案规划子单元。其中，交通流量分配子单元利用神经网络来估计当前环境、路面条件下允许放行车辆的车型、数量，神经网络包括输入层、隐藏层和输出层，输入层有4个单元：时间、能见度、气象向量、路面参数，隐藏层共有两层，第一层隐藏层由4个单元构成，第二层隐藏层由2个单元构成，输出层有2个单元：允许放行车辆的车型、数量。提前用历史交通事故信息存储模块中的肇事车型分布特征、交通事故时间分布特征、交通事故位置分布特征、交通事故能见度分布特征、交通事故气象特征和交通事故车辆密度特征来训练这个神经网络，将时间、能见度、气象、路面参数信息输入该神经网络，该神经网络输出允许通行的车辆数量最大值和允许通行的车型，车辆智慧平台根据此选择符合条件的车辆与之进行通讯。

安全通过等级评估子单元根据车辆信息存储模块存储的车型参数、轮胎参数、制动***参数、驱动***参数、转向***参数来建立车辆的动力学模型，车辆动力学模型包括轮胎模型、驱动***模型、制动***模型、车体模型、空气阻力模型。环境信息获取模块中存储来自路面参数探测模块的路面参数：路面附着系数、弯道曲率半径、纵向坡度和横向坡度，根据这些路面参数建立道路模型，道路类型有不同路面附着系数的直道、弯道、坡道及其组合。分别计算车辆在各种道路下的通过性和可通过的车速、变速器档位，得到车辆可行驶路面的位置，并输入到预测驾驶员可靠性的模糊神经网络。

所述模糊神经网络的结构为前置神经网络加模糊神经网络，前置神经网络分为3个子神经网络，分别为神经网络1、神经网络2、和神经网络3，每个子神经网络的结构都为3层：输入层、隐藏层、输出层，模糊神经网络结构共分为5层：输入层、模糊化层、模糊规则层、模糊决策层和输出层，3个子神经网络的输出层为模糊神经网络输入层的一部分；用肇事驾驶员特征数据训练神经网络1，将驾驶员基本信息、同行乘客基本信息和驾驶员曾经发生的交通事故的事故特征输入神经网络1，评估驾驶员的肇事概率，其中驾驶员曾经发生的交通事故的事故特征影响神经网络各层的权值，神经网络1最终输出0-100％之间的值；用肇事车型分布数据训练神经网络2，将车辆的车型参数输入神经网络2，评价车辆的安全等级，输出车辆发生交通事故的概率，概率值在0-100％之间；用交通事故路面特征数据训练神经网络3，依次将车辆可行驶路面的路面参数输入神经网络3，神经网络3预测这些路面引发交通事故的概率，概率值在0-100％之间；模糊神经网络的输入层包含4个单元：驾驶员的肇事概率、本车发生交通事故的概率、车辆可行驶路面引发交通事故的概率、车道限制的最高车速，分多次输入车道限制的最高车速，一次输入一条车道限制的最高车速，模糊化层的隶属度函数由神经网络根据历史交通事故数据生成，模糊规则层的模糊规则由神经网络从知识库中提取，神经网络根据交通事故信息的更新实时调整知识库，在线自动优化模糊规则的参数，模糊语言值共4条：{LPL，MPL，HPL，SPL}，含义是：{安全通过等级较低，安全通过等级中等，安全通过等级较高，安全通过等级极高}，输出层输出该路面隶属度最高的安全通过等级，并输入到安全行驶方案规划子单元。

安全行驶方案规划子单元利用安全通过等级评估子单元输出的车辆可行驶路面安全通过等级，按照安全通过等级高低，优先将安全通等级高的路面位置相连，形成一条综合安全通过等级最高的行驶路径；安全通过等级较低路面占整条行驶路径所有路面的比例不超过5％、安全通过等级中等路面占整条行驶路径所有路面的比例低于10％视为有效的安全路径，允许该车通行，进入待通过区，否则视为无效安全路径，不允许该车通行，进入等待区；将能够形成有效安全路径的车辆，按照综合安全通过等级进行评分，评分规则是安全通过等级较低、安全通过等级中等、安全通过等级较高、安全通过等级极高的路面分别得25分、50分、75 分、100分，累计行驶路径中各个路面得分总和，按照总和高低进行排序，依据交通流量允许值放行排名靠前的相应数量的车辆，并通过无线通讯将安全路径数据和规定车速发送给这些车辆。接收到这些信息的车辆便可有序出发。

在车辆行驶过程中，若车载路面探测子模块计算得到的道路坡度和路面附着系数与探测车所测量的相应参数值差值与探测车所测量的相应参数值的比值超过10％，将道路坡度和路面附着系数发送给车辆管理智慧平台，环境信息获取模块更新路面参数。并且通过性预测子模块将启动，对当前道路重新进行可通过性评估。若可通过性预测子模块没有启动或输出的安全通过等级不低于车辆管理智慧平台预测的安全通过等级，语音播放单元则播放车辆管理智慧平台的行驶方案，根据车辆定位播放相应路面位置的提示信息，提示信息包括合理车速和行驶车道；反之，决策单元将根据车辆管理智慧平台的行驶方案进行改进，重新规定行驶车速，并将修正后的行驶方案发送到语音播放单元实时播放；每当车辆到达高速公路出口或者中途出现无法通行的情况，通过无线通讯模块返回成功通过信息或者未安全通过信息，平台记录下车辆行驶路径上所有路面的安全通过次数、未安全通过次数，用这些数据训练车辆管理智慧平台中车辆管理核心模块的神经网络及模糊神经网络。

以上的论述仅仅是本发明的优选实施例，是为了解释和说明，并不是对本发明本身的限制。本发明并不局限于这里公开的特定实施例，而由下面的权利要求确定。另外，在前面的描述中的与特定的实施例有关的记载并不能解释为对本发明的范围或者权利要求中使用的术语的定义的限制。所公开实施例的各种其它不同的实施例和各种不同的变形对于本领域技术人员来说是显而易见的。但所有不背离本发明基本构思的这些实施例、改变和变形均在所附权利要求的范围中。

Claims (8)

1.一种线控底盘的高速公路路面探测***，其特征在于：包括路面参数探测模块、无线通讯模块、车辆管理智慧平台、车辆信息存储模块、语音提示模块、驾驶员信息输入模块和车载预测模块；其中，车辆信息存储模块、语音提示模块、驾驶员信息输入模块和车载预测模块安装在车辆上，车载预测模块包括车载路面探测子模块、可通过性预测子模块；无线通讯模块包含车载无线收发单元和智慧平台无线收发单元；路面参数探测模块负责采集路面参数信息，发送给车辆管理智慧平台；驾驶员信息输入模块获取驾驶员信息，车辆信息存储模块收集车辆信息，无线通讯模块将驾驶员信息和车辆信息发送给车辆管理智慧平台；车辆管理智慧平台根据以上信息判断能否放行，并为允许放行的车辆制定安全行驶方案，通过无线通讯模块将安全行驶方案发送到车辆的语音提示模块；由语音指导模块播放相关语音全程指导车辆行驶路线和车速；在车辆行驶过程中，车载预测模块中的车载探测子模块负责实时探测路面参数，驾驶员信息输入模块、车辆信息存储模块分别将驾驶员信息和车辆信息输入可通过性预测子模块，车辆管理智慧平台将路面参数和安全区域预测信息通过无线通讯模块发送给车载预测模块，可通过性预测子模块根据以上输入信息，实时判断当前行驶的安全区的安全级别是否降低，进而判断能否安全通过，将通行成功与否信息存储到数据存储子模块，并在高速公路出口处将该信息发送到车辆管理平台。

2.根据权利要求1所述的一种线控底盘的高速公路路面探测***，其特征在于：所述的路面参数探测模块包括探测车和航空无人机；其中，探测车是基于线控底盘的无人驾驶智能车，轴距、轮距和车身高度可在一定范围内变动，在探测过程中通过航空无人机拍摄图像识别判断出前方路面附着条件最差的区域，将轴距、车距做相应的调整，以适应路面条件最差的区域，探测最差的路面附着系数；轮胎分为使用乘用轮胎和商用轮胎的两类探测车，各装备8个车轮、四类轮胎，前后左右各两个轮胎，并列布置，胎压可以动态调整，这样以便根据待通行的车辆轮胎类型和载荷来装备探测车的轮胎、调整胎压；探测方案是乘用车型探测车和商用车型探测车每条车道各派一辆，按车道规定车速行驶，第一次探测时分别从一条高速公路两个行驶方向的起点同时派出探测车，即两队探测车相向行驶；两队探测车将探测到的路面附着系数上传到车辆管理智慧平台，由车辆管理智慧平台比对两个方向车道的附着条件，若在同一位置的路面附着系数相似，则第二次派探测车时，只需派出一个方向的探测车进行路面参数采集即可。

3.根据权利要求1所述的一种线控底盘的高速公路路面探测***，其特征在于：所述的路面参数探测模块中的探测车获取路面参数的方法是，探测车具有信息获取单元、道路曲率计算单元、路面附着系数计算单元、道路坡度计算单元；其中，信息获取单元分别获取悬架高度传感器、惯性测量单元、激光雷达、轮胎力传感器、车辆加速度传感器和车轮角速度传感器、全球定位***接收器的信号和电子导航地图，航空无人机在本车前方500米拍摄道路图像，通过图像识别估计道路坡度和曲率，并与探测车无线通讯模块通讯，将道路纵向坡度估计值XA0、道路横向坡度估计值YA0和曲率估计值C1发送给探测车；信息获取单元采集的以上信息供道路曲率计算单元、路面附着系数计算单元、道路坡度计算单元使用；路面附着系数计算单元根据轮胎垂直载荷和轮胎力传感器采集的轮胎受力情况计算路面附着率，由车辆加速度和车轮角速度估计滑移率，最后根据路面附着率-滑移率标定曲线得到路面附着系数估计值ac，每行驶5米计算一个附着系数估计值ac；由全球定位***接收器获取探测车位置，道路曲率计算单元从电子导航地图中提取当前所在道路位置的线形，进而计算得到一个道路曲率值C2；根据探测车位置在道路设计数据中查找相应道路位置的道路曲率设计值，得到当前位置对应的道路曲率设计值C3；将道路曲率设计值C3、航空无人机估计的道路曲率估计值C1与道路曲率估计值C2加权融合得到最终的道路曲率值C，融合权重根据天气情况设置：在雨、雪、雾、冰雹这些恶劣天气条件下，航空无人机估计的道路曲率值C1的权重为0.2，，道路曲率设计值C3的权重为0.5；其他气象条件下，航空无人机估计的道路曲率值C1的权重为0.3，道路曲率值C2的权重为0.3，道路曲率值C3的权重0.4；当定位信息无法正常获取时，航空无人机估计的道路曲率值C1的权重为1，道路曲率值C2的权重为0，道路曲率值C3的权重为0；信息获取单元将加速度、车轮转矩和转速信号、激光雷达生成的点云数据输入坡度计算子单元，坡度计算子单元采用最小二乘法从原始加速度传感器信号中分离道路纵向坡度信息，进而得到道路纵向坡度角XA1；通过悬架高度传感器信息估计出车体相对于底盘的侧倾角，最终估计出道路侧向坡度角YA1；利用点云数据建立笛卡尔坐标系下的间隔栅格地图，在间隔内进行平面拟合得到路面法向量，利用法向量计算路面纵向坡度角XA2和侧向坡度角YA2；同时，坡度计算子单元内基于车辆纵向动力学模型的车辆纵向状态观测器根据车辆转矩、转速和加速度估计纵向坡度角XA3；基于二自由度车辆运动学模型的车辆侧向状态观测器根据前轮转角、车体横摆角速度、车体侧向加速度估计道路侧向坡度角YA3；由全球定位***接收器获取探测车位置，根据探测车位置在道路设计数据中查找坡度角设计值，得到纵向坡度角XA4和侧向坡度角YA4；将以上5类纵向坡度角XA0、XA1、XA2、XA3、XA4加权融合得到最终的纵向坡度角XA；各类纵向坡度角融合权重固定，纵向坡度角XA1融合权重为0.05，根据加速度传感器信号估计的纵向坡度角XA1融合权重为0.1，纵向观测器估计的纵向坡度角XA3融合权重为0.2，根据激光雷达估计的坡度角XA2融合权重为0.3，纵向坡度角XA4融合权重为0.5；将以上四类侧向坡度角YA1、YA2、YA3、YA4加权融合，得到最终的侧向坡度角YA；当进入和驶离侧向坡时，基于悬架高度传感器信息计算的侧向坡度角YA1融合权重为0.35，侧向状态观测器估计的侧向坡度角YA3融合权重为0.15，在坡上时，侧向状态观测器估计的侧向坡度角YA3融合权重为0.35，基于悬架高度传感器信息计算的侧向坡度角YA1融合权重为0.15，侧向坡度角YA0的融合权重始终为为0.05，根据激光雷达估计的侧向坡度角YA2的融合权重始终为为0.2，侧向坡度角YA4的融合权重始终为为0.25。

4.根据权利要求1所述的一种线控底盘的高速公路路面探测***，其特征在于：所述的驾驶员信息输入模块包括人机交互界面和数据存储装置，通过人机交互界面，以问卷形式由驾驶员输入驾驶员基本信息、同行乘客基本信息和驾驶员曾经发生的交通事故的事故特征；其中，驾驶员基本信息包括年龄、性别、身份证号码、驾龄、日平均驾驶时间、身体健康状况、精神状态和职业；驾龄以自然数0、1、2……为输入，单位是年；日平均驾驶时间允许输入0-24之间的整数，单位是小时；身体健康状况有三种选项：健康、亚健康、疾病状态，在选项下方给出相应注释以便驾驶员理解，“疾病状态”是指具有感冒、头疼、发烧这些症状其中之一，“亚健康状态”下身体其他部位疼痛或者感到不适却难以描述，“健康状态”是指身体正常、无病无痛；精神状态提供三种选项：良好、较差、很差，同样在选项下方给出相应注释以便驾驶员理解，“很差”是指感到非常困倦、很难集中注意力，“较差”是指感到困倦、有点注意力不集中，“良好”是指没有困意、能够集中注意力，以上描述主观性强，由驾驶员自评后输入；职业选项提供两大类：职业司机和非职业司机；事故特征包括事故次数、事故形态、事故严重程度、事故原因、肇事车辆类型、事故时间，其中，事故形态有追尾碰撞、刮擦、撞击固定物，事故严重程度分为无伤亡事故、伤人事故、死亡事故，事故原因有同车道行驶未按规定与前车保持安全距离、操作不当、低能见度下不按规定使用灯光或不按规定车速行驶、违法变更车道制动不当、违反交通信号、疲劳驾驶、违法上道路行驶，肇事车辆类型包括重型货车、中型货车、轻型货车、微型货车、大型客车、中型客车、轻型客车、小型客车和乘用车，事故时间具体到年月日时刻；数据存储装置存储以上信息。

5.根据权利要求1所述的一种线控底盘的高速公路路面探测***，其特征在于：所述的车辆信息存储模块存储车型参数、轮胎信息、制动***信息、驱动***信息、转向***信息、本车已使用年限、行驶里程、本车历史交通事故的事故特征，车型参数包括车辆类型、车辆长宽高尺寸、最小转弯半径、整车整备质量、最大驱动力、车辆总质量，轴距、质心高、质心至后轴距离、迎风面积、轴距、轮距、最小离地间隙、接近角、离去角、最高车速、最大输出转矩、车轮数及驱动轮数、自动驾驶级别；轮胎信息指轮胎类型、轮胎半径；制动***信息包括制动器类型及尺寸参数；驱动***信息包括动力类型及相关尺寸参数；转向***信息包括转向***类型及相关尺寸参数；车辆类型分为商用车、乘用车，商用车细分为重型货车、中型货车、轻型货车、微型货车、大型客车、中型客车、轻型客车、小型客车；本车已使用年限从行车记录仪获取，以行车记录仪第一次开始记录的时间到当前时刻这段时间作为本车已使用年限；本车历史交通事故的事故特征包括事故次数、事故形态、损坏情况和事故时间，事故形态分为追尾碰撞、刮擦、撞击固定物，损坏情况包括刮蹭部位、损坏的零部件、维修或更换的零部件，事故时间记录年、月、日。

6.根据权利要求1所述的一种线控底盘的高速公路路面探测***，其特征在于：所述的车辆管理智慧平台包括环境信息获取模块、历史交通事故信息存储模块、车辆管理核心模块；环境信息获取模块获取能见度、路面参数、时间和气象信息，气象信息有雨、雪、雾、温度、湿度；历史交通事故信息存储模块中存着交通事故有关特征信息，包括肇事车型分布特征、交通事故时间分布特征、交通事故能见度分布特征、交通事故气象特征、交通事故位置分布特征、交通事故车辆密度特征、交通事故路面特征、肇事驾驶员特征；其中，交通事故路面特征指路面附着系数、道路曲率和坡度，肇事驾驶员特征包括肇事驾驶员的年龄、性别、驾龄、职业；

车辆管理核心模块包括交通流量分配子单元、安全通过等级评估子单元和安全行驶方案规划子单元；其中，交通流量分配子单元决定放行车辆的数量、车型，利用神经网络来估计当前环境、路面条件下允许放行车辆的车型、数量，神经网络包括输入层、隐藏层和输出层，输入层有4个单元：时间、能见度、气象向量、路面参数，隐藏层共有两层，第一层隐藏层由4个单元构成，第二层隐藏层由2个单元构成，输出层有2个单元：允许放行车辆的车型、数量，提前用历史交通事故信息存储模块中的肇事车型分布特征、交通事故时间分布特征、交通事故位置分布特征、交通事故能见度分布特征、交通事故气象特征和交通事故车辆密度特征来训练这个神经网络，将时间、能见度、气象、路面参数信息输入神经网络，神经网络输出允许通行的车辆数量最大值和允许通行的车型；

安全通过等级评估子单元分别评估车辆在特定路面的通过性和驾驶员在特定路面的驾驶可靠性，综合这两方面的结果来评估安全通过等级；其中，车辆在特定路面的通过性的评估通过建立车辆动力学模型和道路模型进行计算，动力学模型包括轮胎模型、驱动***模型、制动***模型、车体模型、空气阻力模型，根据车辆信息存储模块存储的车型参数、轮胎参数、制动***参数、驱动***参数、转向***参数来建立车辆的动力学模型，道路模型包含4个参数：路面附着系数、弯道曲率半径、纵向坡度和横向坡度，数据来自路面参数探测模块；道路类型有不同路面附着系数的直道、弯道、坡道及其组合，分别计算车辆在各种道路下的通过性和可通过的车速、变速器档位，得到车辆可行驶路面的位置；

驾驶员在特定路面的驾驶可靠性使用模糊神经网络预测驾驶员在可行驶路面驾驶通过的概率，所述模糊神经网络的结构为前置神经网络加模糊神经网络，前置神经网络分为3个子神经网络，分别为神经网络1、神经网络2、和神经网络3，每个子神经网络的结构都为3层：输入层、隐藏层、输出层，模糊神经网络结构共分为5层：输入层、模糊化层、模糊规则层、模糊决策层和输出层，3个子神经网络的输出层为模糊神经网络输入层的一部分；用肇事驾驶员特征数据训练神经网络1，将驾驶员基本信息、同行乘客基本信息和驾驶员曾经发生的交通事故的事故特征输入神经网络1，评估驾驶员的肇事概率，其中驾驶员曾经发生的交通事故的事故特征影响神经网络各层的权值，神经网络1最终输出0-100％之间的值；用肇事车型分布数据训练神经网络2，将车辆的车型参数输入神经网络2，评价车辆的安全等级，输出车辆发生交通事故的概率，概率值在0-100％之间；用交通事故路面特征数据训练神经网络3，依次将车辆可行驶路面的路面参数输入神经网络3，神经网络3预测这些路面引发交通事故的概率，概率值在0-100％之间；模糊神经网络的输入层包含4个单元：驾驶员的肇事概率、本车发生交通事故的概率、车辆可行驶路面引发交通事故的概率、车道限制的最高车速，分多次输入车道限制的最高车速，一次输入一条车道限制的最高车速，模糊化层的隶属度函数由神经网络根据历史交通事故数据生成，模糊规则层的模糊规则由神经网络从知识库中提取，神经网络根据交通事故信息的更新实时调整知识库，在线自动优化模糊规则的参数，模糊语言值共4条：{LPL，MPL，HPL，SPL}，含义是：{安全通过等级较低，安全通过等级中等，安全通过等级较高，安全通过等级极高}，输出层输出该路面隶属度最高的安全通过等级；

安全行驶方案规划子单元利用安全通过等级评估子单元输出的车辆可行驶路面安全通过等级，按照安全通过等级高低，优先将安全通等级高的路面位置相连，形成一条综合安全通过等级最高的行驶路径；安全通过等级较低路面占整条行驶路径所有路面的比例不超过5％、安全通过等级中等路面占整条行驶路径所有路面的比例低于10％视为有效的安全路径，允许该车通行，进入待通过区，否则视为无效安全路径，不允许该车通行，进入等待区；将能够形成有效安全路径的车辆，按照综合安全通过等级进行评分，评分规则是安全通过等级较低、安全通过等级中等、安全通过等级较高、安全通过等级极高的路面分别得25分、50分、75分、100分，累计行驶路径中各个路面得分总和，按照总和高低进行排序，依据交通流量允许值放行排名靠前的相应数量的车辆，并通过无线通讯将安全路径数据和规定车速发送给这些车辆。

7.根据权利要求1所述的一种线控底盘的高速公路路面探测***，其特征在于：所述的车载预测模块包括车载预测模块包括车载路面探测子模块、可通过性预测子模块，在行驶过程中，车载路面探测子模块会对当前路面参数进行探测，可通过性预测子模块根据探测的路面参数条件，参考平台评估的安全等级，对当前路面重新进行可通过性评估；车载路面探测子模块包含信息获取子单元、路面附着系数计算子单元、道路坡度计算子单元；其中，信息获取单元分别获取悬架高度传感器、惯性测量单元、激光雷达、轮胎力传感器、车辆加速度传感器和车轮角速度传感器的信号，供路面附着系数计算子单元、道路坡度计算子单元使用；

路面附着系数计算单元根据轮胎垂直载荷和轮胎力传感器采集的轮胎受力情况计算路面附着率，由车辆加速度和车轮角速度估计滑移率，最后根据路面附着率-滑移率标定曲线得到路面附着系数估计值ac’，在每一个特定安全等级的路面起始位置探测并计算一个附着系数估计值ac’；

信息获取子单元将加速度、车轮转矩和转速信号、激光雷达生成的点云数据输入坡度计算子单元，坡度计算子单元采用最小二乘法从原始加速度传感器信号中分离道路纵向坡度信息，进而得到道路纵向坡度角XA1’；通过悬架高度传感器信息估计出车体相对于底盘的侧倾角，最终估计出道路侧向坡度角YA1’；利用点云数据建立笛卡尔坐标系下的间隔栅格地图，在间隔内进行平面拟合得到路面法向量，利用法向量计算路面纵向坡度角XA2’和侧向坡度角YA2’；同时，坡度计算子单元内基于车辆纵向动力学模型的车辆纵向状态观测器根据车辆转矩、转速和加速度估计纵向坡度角XA3’；基于二自由度车辆运动学模型的车辆侧向状态观测器根据前轮转角、车体横摆角速度、车体侧向加速度估计道路侧向坡度角YA3’；将以上三类纵向坡度角XA1’、XA2’、XA3’加权融合得到最终的纵向坡度角XA’；各类纵向坡度角融合权重固定根据加速度传感器信号估计的坡度角XA1’融合权重为0.2，纵向观测器估计的纵向坡度角XA3’融合权重为0.3，根据激光雷达估计的坡度角XA2’融合权重始终为0.5；将以上三类侧向坡度角YA1’、YA2’、YA3’加权融合，得到最终的侧向坡度角YA’；当进入和驶离侧向坡时，基于悬架高度传感器信息计算的侧向坡度角YA1’融合权重为0.35，侧向状态观测器估计的侧向坡度角YA3’融合权重为0.15，在坡上时，侧向状态观测器估计的侧向坡度角YA3’融合权重为0.35，基于悬架高度传感器信息计算的侧向坡度角融合权重为0.15，根据激光雷达估计的侧向坡度角YA2融合权重为0.5；

若车载路面探测子模块计算得到的道路坡度和路面附着系数与探测车所测量的相应参数值差值与探测车所测量的相应参数值的比值超过10％，可通过性预测子模块将启动，对当前道路重新进行可通过性评估；可通过性预测子模块利用模糊神经网络预测模型道路可通过性，模糊神经网络预测模型结构为前置神经网络加模糊神经网络，前置神经网络分为3个子神经网络，分别为神经网络1、神经网络2、和神经网络3，每个子神经网络的结构都为3层：输入层、隐藏层、输出层，模糊神经网络结构共分为5层：输入层、模糊化层、模糊规则层、模糊决策层和输出层，3个子神经网络的输出层为模糊神经网络输入层的一部分；用肇事驾驶员特征数据训练神经网络1，将驾驶员基本信息和驾驶员曾经发生的交通事故的事故特征输入神经网络1，评估驾驶员的肇事概率，最终输出0-100％之间的值；用肇事车型分布数据训练神经网络2，将本车车型参数输入神经网络2，评价本车的安全等级，输出本车发生交通事故的概率，概率值在0-100％之间；用交通事故路面特征数据训练神经网络3，将采集到的路面参数输入神经网络3，预测某一路面引发交通事故的概率，概率值在0-100％之间；模糊神经网络的输入层含5个单元：驾驶员的肇事概率、本车发生交通事故的概率、路面引发交通事故的概率、环境引发交通事故的概率、车速，模糊化层的隶属度函数由神经网络根据历史交通事故数据生成，模糊规则层的模糊规则由神经网络从知识库中提取，神经网络根据交通事故信息的更新实时调整知识库，在线自动优化模糊规则的参数，模糊语言值共4条：{LPL，MPL，HPL，SPL}，含义是：{安全通过等级较低，安全通过等级中等，安全通过等级较高，安全通过等级极高}，输出层输出该路面隶属度最高的安全通过等级。

8.根据权利要求1所述的一种线控底盘的高速公路路面探测***，其特征在于：所述的语音提示模块包括语音播放单元和决策单元；在行驶过程中，若可通过性预测子模块没有启动或输出的安全通过等级不低于车辆管理智慧平台预测的安全通过等级，语音播放单元则播放车辆管理智慧平台的行驶方案，根据车辆定位播放相应路面位置的提示信息，提示信息包括合理车速和行驶车道；反之，决策单元将根据车辆管理智慧平台的行驶方案进行改进，重新规定行驶车速，并将修正后的行驶方案发送到语音播放单元实时播放；每当车辆到达高速公路出口或者中途出现无法通行的情况，通过无线通讯模块返回成功通过信息或者未安全通过信息，平台记录下车辆行驶路径上所有路面的安全通过次数、未安全通过次数，用这些数据训练车辆管理智慧平台中车辆管理核心模块的神经网络及模糊神经网络。

Images