CN114889589A - 一种智能汽车转向与制动协同避撞控制***及方法 - Google Patents

一种智能汽车转向与制动协同避撞控制***及方法 Download PDF

Info

Publication number
CN114889589A
CN114889589A CN202210750503.5A CN202210750503A CN114889589A CN 114889589 A CN114889589 A CN 114889589A CN 202210750503 A CN202210750503 A CN 202210750503A CN 114889589 A CN114889589 A CN 114889589A
Authority
CN
China
Prior art keywords
vehicle
collision avoidance
lateral acceleration
max
cooperative
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
Application number
CN202210750503.5A
Other languages
English (en)
Inventor
耿国庆
汪鹏
杨梁
许辉
李中
张佳
李春
徐亦航
刘威
章国栋
徐兴
王旭
沈炯
王秋炅
左公政
龚晓庆
梅旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN202210750503.5A priority Critical patent/CN114889589A/zh
Publication of CN114889589A publication Critical patent/CN114889589A/zh
Pending legal-status Critical Current

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
    • 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
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • 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
    • B60W40/10—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 vehicle motion
    • B60W40/109—Lateral acceleration
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/50—Barriers
    • 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
    • B60W40/064—Degree of grip
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种智能汽车转向与制动协同避撞控制***及方法，包括感知层、决策层和执行层，决策层包括变道轨迹规划模块、期望最大侧向加速度输出模块、协同避撞期望制动减速度输出模块、协同避撞临界安全距离计算模块和避撞策略决策模块。基于自车与周边车辆实时状态信息及当前道路信息，初步规划自车匀速变道轨迹，再决策输出期望最大侧向加速度和协同避撞期望制动减速度，完成协同避撞轨迹规划；根据所规划的避撞轨迹和行车信息计算协同避撞临界安全距离；综合当前自车与障碍物间纵向距离和临界安全距离大小关系以及相邻车道交通条件完成避撞决策，最后完成相应操作。本发明综合考虑多个安全因素的影响，保证车辆行驶的安全性和乘坐舒适性。

Description

一种智能汽车转向与制动协同避撞控制***及方法
技术领域
本发明属于车辆主动安全技术领域，具体涉及一种智能汽车转向与制动协同避撞控制***及方法。
背景技术
当前随着我国机动车保有量的不断上升，人们对于车辆主动安全技术的要求也随之变高。而主动避撞控制***作为车辆主动安全技术中的一大类，目前已是各大车企以及学术工作者的关注重点。
目前车辆主动避撞控制***多数集中于单一的制动避撞控制和转向避撞控制，此两方面的研究及应用虽相对成熟，但两者仍存在各自局限性。如当车速过高时，制动避撞***所需制动距离较大，此时若道路前方突然出现障碍物或遇前方车辆突然紧急制动，车辆往往会因为车距太小而不能进行有效避撞。而转向避撞***虽可以解决这一问题，但车辆通过转向换道至其它车道时，往往会因车速过高而容易造成侧翻或与其它车道车辆发生追尾碰撞等事故。因此，为实现更为有效的避撞控制，同时充分考虑人类驾驶员面对紧急危险处理时的真实反应，有必要进一步研究转向与制动协同避撞控制***，显然，现有技术中关于此方面的研究还相对较少。
针对现有少量关于协同避撞控制的技术研究中，在对最大侧向加速度进行决策时，往往仅考虑到自车车速及完成避撞时自车所对应的纵向位移。而在实际避撞过程中，驾驶员往往也会适时地根据经验并结合对于当前车道宽、车道中心线和自车与障碍物间纵向距离的主观判断感受来进行相应操作，进而完成对最大侧向加速度的决策。显然，现有技术对此考虑较少，因此有必要进一步改进对最大侧向加速度的决策方法，使得操作过程更贴近真实驾驶员的驾驶特征，有利于提升乘坐舒适。此外，在对协同避撞制动减速度进行决策时，现有技术中大都直接假定一个具体的数值并以此规划车辆协同避撞轨迹，未充分考虑路面附着系数以及车辆碰撞时距等安全因素的影响。同时，在避撞控制执行时，鲜有研究考虑相邻车道交通条件的影响，大都直接假定相邻车道无任何干扰车辆，仅以单一的临界安全距离作为避撞控制是否执行的决策指标，导致安全性下降。由此，综合考虑诸多安全因素的影响，对于车辆转向与制动协同避撞控制***同样至关重要。
发明内容
针对现有技术中所存在的不足，本发明提出了一种智能汽车转向与制动协同避撞控制***及方法，以此进一步提高车辆紧急避撞能力，同时整个避撞过程综合考虑多个安全因素的影响，以保证车辆行驶的安全性及乘坐舒适性。
本发明所采用的技术方案如下：
一种智能汽车转向与制动协同避撞控制方法，包括如下步骤：
步骤S1，获取车辆实时状态信息及当前道路信息，以自车质心为参考点建立坐标系，基于五次多项式初步规划自车匀速变道轨迹；
步骤S2，基于自车匀速变道轨迹得到侧向加速度关于时间表达式ay(t)，对侧向加速度表达式ay(t)求极值并令其绝对值|ay-max|作为最大侧向加速度阈值；
步骤S3，基于BP神经网络构建仿优秀驾驶员理想最大侧向加速度模型，通过仿优秀驾驶员理想最大侧向加速度模型计算当前工况下乘坐最为舒适的理想最大侧向加速度并输出其绝对值|a′y-max|；
步骤S4，基于理想最大侧向加速度的绝对值|a′y-max|和最大侧向加速度阈值|ay-max|，通过比较后输出当前路况换道避撞时的期望最大侧向加速度ay-max-fine：
当|a′y-max|≤|ay-max|时，令ay-max-fine＝a′y-max；当|a′y-max|＞|ay-max|时，令ay-max-fine＝ay-max；
步骤S5，考虑当前道路路面附着系数μ0，以及车辆在紧急避撞过程中纵横向耦合力所需满足的轮胎摩擦圆约束条件：
Figure BDA0003720997280000021
结合期望最大侧向加速度ay-max-fine，计算输出协同避撞理想制动减速度a′x，其中，g为重力加速度；
步骤S6，通过引入能够反映行车状况危险程度的车辆碰撞时距TTC-1，再结合行车信息及车辆所处危险等级临界指标，由下式计算输出协同避撞制动减速度阈值ax-max：
Figure BDA0003720997280000022
上式中，vm为自车初始车速，vn为障碍物速度，S0自车与障碍物间纵向距离，0.8作为车辆处于危险等级TTC-1临界指标；
步骤S7，基于理想制动减速度a′x和制动减速度阈值ax-max，通过比较后输出当前路况协同避撞时的期望制动减速度ax-fine：当|a′x|≤|ax-max|时，令ax-fine＝a′x；当|a′x|＞|ax-max|，令ax-fine＝ax-max；
步骤S8，基于协同避撞期望制动减速度ax-fine，完成协同避撞轨迹规划，表示为：
Figure BDA0003720997280000031
上式中，x′(t)、y′(t)分别为t时刻自车坐标，vm为自车初始速度，t′m为协同避撞完成时间，X(t′m)为对应完成协同避撞时自车质心的纵向位移；
步骤S9，根据已规划的协同避撞轨迹，考虑自车平稳且有效完成避撞，对协同避撞过程中的临界碰撞场景进行分析，并计算得到协同避撞临界安全距离D协同；
步骤S10，基于协同避撞临界安全距离D协同，比较实时采集的自车与障碍物间纵向距离S0和协同避撞临界安全距离D协同两者间大小关系：
若S0＜D协同，碰撞无法避免，控制车辆尽全力制动减轻碰撞伤害；
若S0≥D协同，进一步判断相邻车道条件是否允许，判断方法为：
当相邻车道无车通过或相邻车道前方干扰车车速v邻与自车初始速度vm满足大小关系：v邻≥vm，则认为相邻车道条件允许，控制车辆完成转向与制动协同避撞操作；否则，进一步计算t′m时间内的距离值D邻：
Figure BDA0003720997280000032
上式中，X邻(t′m)为对应t′m时间内相邻车道前方干扰车所行驶的纵向位移(假定相邻车道车辆行驶速度保持稳定)，S邻为自车与相邻车道前方干扰车纵向距离，Δd0为安全间距余量。
通过比较距离值D邻与自车质心纵向位移X(t′m)两者间大小关系：若D邻≥X(t′m)，则相邻车道交通条件允许，控制车辆完成转向与制动协同避撞操作；反之则判定碰撞无法避免，控制车辆尽全力制动减轻碰撞伤害。
进一步，所述构建仿优秀驾驶员理想最大侧向加速度模型的方法为：
步骤S3.1，实验数据准备，邀请若干名经验丰富的驾驶员驾驶试验车，在不同的路段分别以不同车速、不同自车与障碍物间纵向距离多次进行避撞试验，并采集试验过程中的车辆实时状态信息和所处路段道路信息，包括自车车速vm、当前车道宽W0、避撞完成时间tm、避撞完成对应自车纵向位移X(tm)、自车与障碍物间纵向距离S0及车道中心线；
步骤S3.2，以[vm，W0，tm，X(tm)，S0]T及车道中心线作为输入量，以理想最大侧向加速度的绝对值|a′y-max|作为输出量，对仿优秀驾驶员理想最大侧向加速度模型进行训练。
进一步，所述训练仿优秀驾驶员理想最大侧向加速度模型的方法为：
1)对神经网络进行初始化；
2)确定隐含层和输出层各节点的输出，其中，隐含层各节点的输出为：
Figure BDA0003720997280000041
上式中，Hj代表第j个隐含层的输出结果，xi代表第i个输入层的输入值，ωij代表从第i个输入层节点到第j个隐含层节点的权重，aj为输入层到隐含层的偏置，n为输入层节点数，g(x)为激励函数；
输出层各节点的输出为：
Figure BDA0003720997280000042
上式中，Ok代表第k个输出层的输出结果，ωjk代表从第j个隐含层节点到第k个输出层节点的权重，bk为隐含层到输出层的偏置，l为隐含层节点数；
3)对输出结果进行误差计算，其中误差E的计算公式为：
Figure BDA0003720997280000043
上式中，Yk代表第k个输出层的期望输出值，m为输出层节点数；
4)根据流程1)至3)中所计算的结果，对各权重和偏置进行更新；
5)根据新的权重和偏置，重复步骤2)、3)、4)，直到误差小于设定的误差阈值，即认为算法收敛，完成对仿优秀驾驶员理想最大侧向加速度模型的训练。
进一步，所述对权重进行更新的计算公式为：
Figure BDA0003720997280000051
对偏置进行更新的计算公式为：
Figure BDA0003720997280000052
上式中，η为学习效率。
进一步，所述步骤S9中计算得到协同避撞临界安全距离D协同的具体方法为：
步骤S9.1，记自车与前方障碍物临界碰撞时刻为t0，该时刻自车坐标表示为：
Figure BDA0003720997280000053
对应该时刻自车航向角ψm(t0)表示为：
Figure BDA0003720997280000054
步骤S9.2，分析自车与障碍物不发生碰撞的临界情况，计算得到协同避撞临界安全距离D协同：
Figure BDA0003720997280000055
上式中，X(t0)、Y(t0)分别为临界碰撞时刻自车质心的纵向位移和横向位移，Lm为自车质心到车头距离，Bm为自车宽度，Bn为障碍物宽度，Δd0为安全间距余量；
进一步，所述步骤S1中所规划的自车匀速变道轨迹表示为：
Figure BDA0003720997280000061
上式中，t为时间变量，x(t)、y(t)分别为t时刻自车坐标，vm为自车车速，W0为当前车道宽，tm为变道完成时间，X(tm)为对应完成变道时自车质心的纵向位移；
所述步骤S2中，对自车匀速变道轨迹表达式求二阶导数得到侧向加速度关于时间的表达式为：
Figure BDA0003720997280000062
再对上式求极值并取绝对值，得到最大侧向加速度阈值：
Figure BDA0003720997280000063
一种智能汽车转向与制动协同避撞控制***，包括感知层、决策层和执行层：
所述感知层用于获取自车与周边车辆实时状态信息以及当前道路信息，并将所获取的信息输入至决策层；
所述决策层包括变道轨迹规划模块、期望最大侧向加速度输出模块、协同避撞期望制动减速度输出模块、协同避撞临界安全距离计算模块和避撞策略决策模块；所述变道轨迹规划模块基于感知层所采集的信息规划五次多项式变道轨迹，并将所规划的轨迹传递至期望最大侧向加速度输出模块；所述期望最大侧向加速度输出模块用于对车辆避撞过程中的侧向加速度进行约束，并输出期望最大侧向加速度至协同避撞期望制动减速度输出模块；所述协同避撞期望制动减速度输出模块根据输入的期望最大侧向加速度并结合相应约束条件输出期望制动减速度；所述协同避撞临界安全距离计算模块是根据所规划的协同避撞轨迹和获取的相关行车信息计算出临界安全距离，并将临界安全距离传递至避撞策略决策模块；所述避撞策略决策模块综合当前自车与障碍物间纵向距离和临界安全距离间大小关系以及相邻车道交通条件完成避撞决策；
所述执行层用于执行决策层所输出的避撞决策结果。
进一步，所述感知层具体包括GPS设备、轮速传感器、毫米波雷达、摄像头、激光雷达和路面附着系数估计器。
进一步，所述感知层采集的信息具体包括自车实时的位置信息、自车车速、自车与障碍物间纵向距离及障碍物速度、自车与相邻车道前方干扰车纵向距离及相邻车道前方干扰车车速、障碍物宽度、当前车道宽及车道中心线、当前道路路面附着系数。
本发明的有益效果：
1)本发明针对车辆单一避撞控制所存在的局限性，提出基于转向与制动协同控制的避撞策略，有利于提高车辆在紧急情况下的避撞能力，提升车辆避撞安全性。
2)本发明中在对车辆避撞最大侧向加速度进行决策时，综合考虑了对驾驶员实际操作过程影响较大的相关状态量，并通过神经网络训练进而输出乘坐最为舒适的理想最大侧向加速度，使得操作过程更接近人类驾驶员的驾驶特征，在保证车辆避撞稳定性的前提下尽可能满足乘员对舒适性的要求。
3)本发明中在决策输出协同避撞期望制动减速度时，同时考虑了路面附着系数和车辆碰撞时距两个安全因素的影响；在最终避撞执行时，结合了避撞临界安全距离和相邻车道交通条件来进行相应的决策，进一步保证了整个避撞过程的安全性。
附图说明
图1为本发明智能汽车转向与制动协同避撞控制***框图；
图2为本发明中车辆避撞时的期望最大侧向加速度及期望制动减速度输出模块具体工作流程图；
图3为本发明中车辆避撞策略决策模块及执行层具体工作流程图；
图4为本发明中车辆避撞场景示意图；
图5为本发明中车辆与障碍物临界碰撞时的场景示意图；
图6为本发明中相邻车道交通条件允许场景示意图。
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，以下结合附图及实施例，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于解释本发明，并不用于限定本发明。
如图1所示，本发明所提出的一种智能汽车转向与制动协同避撞控制***，其整体结构主要包括感知层、决策层和执行层。
感知层即是用于获取自车与周边车辆实时状态信息以及当前道路信息，主要通过GPS设备获取自车实时的位置信息，轮速传感器测量自车车速，毫米波雷达获取自车与障碍物间纵向距离及障碍物速度、自车与相邻车道前方干扰车纵向距离及相邻车道前方干扰车车速，摄像头和激光雷达用于获取障碍物宽度、当前车道宽以及车道中心线，路面附着系数估计器实时估计路面附着系数，从而将这些实时采集的信息通过CAN总线传输给避撞决策层。
决策层是由变道轨迹规划模块、期望最大侧向加速度输出模块、协同避撞期望制动减速度输出模块、协同避撞临界安全距离计算模块和避撞策略决策模块所构成。具体如下：
变道轨迹规划模块接收感知层所采集的车辆实时状态信息及当前道路信息，从而规划五次多项式变道轨迹，并将所规划的轨迹传递至期望最大侧向加速度输出模块；期望最大侧向加速度输出模块接收感知层所采集的车辆实时状态信息及当前道路信息以及变道轨迹规划模块所规划的轨迹，对车辆避撞过程中的侧向加速度进行约束，并输出期望最大侧向加速度至协同避撞期望制动减速度输出模块；协同避撞期望制动减速度输出模块接收感知层所采集的车辆实时状态信息及当前道路信息以及期望最大侧向加速度，根据输入的期望最大侧向加速度并结合相应约束条件输出期望制动减速度；协同避撞临界安全距离计算模块是根据所规划的协同避撞轨迹和获取的相关行车信息计算出临界安全距离，并将临界安全距离传递至避撞策略决策模块；避撞策略决策模块综合当前自车与障碍物间纵向距离和临界安全距离间大小关系以及相邻车道交通条件完成避撞决策。
执行层即是用于执行决策层所输出的避撞决策结果，主要包括控制车辆完成转向与制动协同避撞操作以及碰撞无法避免时控制车辆尽全力制动以减轻碰撞伤害。
如图2所示，基于上述一种智能汽车转向与制动协同避撞控制***中变道轨迹规划模块、期望最大侧向加速度输出模块以及协同避撞期望制动减速度输出模块，本申请提出了一种智能汽车转向与制动协同避撞控制方法，具体包括以下步骤：
步骤S1，如图4所示避撞场景，根据感知层所获取的行车信息及道路信息，以自车质心为参考点建立坐标系，车辆前进方向为x轴，垂直车身方向为y轴，基于五次多项式初步规划自车匀速变道轨迹可表示为：
Figure BDA0003720997280000081
上式中，t为时间变量，x(t)、y(t)分别为t时刻自车坐标，vm为自车车速，W0为当前车道宽，tm为变道完成时间，X(tm)为对应完成变道时自车质心的纵向位移；
步骤S2，在期望最大侧向加速度输出模块内对上述轨迹表达式求二阶导数得到侧向加速度关于时间表达式为：
Figure BDA0003720997280000091
再对上式求极值并取绝对值，得到最大侧向加速度阈值：
Figure BDA0003720997280000092
步骤S3，结合所获信息，以车辆实时行车信息及当前道路信息作为输入，通过基于BP神经网络的仿优秀驾驶员理想最大侧向加速度模型计算当前工况下乘坐最为舒适的理想最大侧向加速度并输出其绝对值|a′y-max|。所述基于BP神经网络的仿优秀驾驶员理想最大侧向加速度模型是利用大量熟练驾驶员操纵车辆换道避撞的实验数据进行训练，使模型达到一定的预定精度而得到，实验及训练的具体步骤为：
步骤S3.1，实验数据准备，邀请若干名经验丰富的驾驶员驾驶试验车，在不同的路段分别以不同车速、不同自车与障碍物间纵向距离多次进行避撞试验。通过装配在试验车上的各信息采集装置对行车信息及所处路段道路信息进行实时采集，包括通过GPS设备获取车辆实时位置信息并记录避撞完成时间tm及对应纵向位移X(tm)、轮速传感器测量自车车速vm、毫米波雷达获取自车与障碍物间纵向距离S0、摄像头及激光雷达获取当前车道宽W0以及车道中心线，同时在实验过程中，用于记录数据的电脑以10Hz的频率对实验数据进行实时存储记录；
步骤S3.2，利用上述实验数据，以[vm，W0，tm，X(tm)，S0]T及车道中心线作为输入量，以理想最大侧向加速度的绝对值|a′y-max|作为输出量，对仿优秀驾驶员理想最大侧向加速度模型进行训练。具体训练流程为：
1)对神经网络进行初始化，假定输入层节点数为n，隐含层节点数为l，输出层节点数为m，ωij代表从第i个输入层节点到第j个隐含层节点的权重；ωjk代表从第j个隐含层节点到第k个输出层节点的权重；输入层到隐含层的偏置为aj；隐含层到输出层的偏置为bk；学习效率为η；激励函数为g(x)。
其中，激励函数具体为：
Figure BDA0003720997280000093
2)确定隐含层和输出层各节点的输出，其中，隐含层各节点的输出为：
Figure BDA0003720997280000101
上式中，Hj代表第j个隐含层的输出结果；xi代表第i个输入层的输入值。
输出层各节点的输出为：
Figure BDA0003720997280000102
上式中，Ok代表第k个输出层的输出结果。
3)对输出结果进行误差计算，其中误差E的计算公式为：
Figure BDA0003720997280000103
上式中，Yk代表第k个输出层的期望输出值。
4)根据流程1)至3)中所计算的结果，对各权重和偏置进行更新。其中，对权重进行更新的计算公式为：
Figure BDA0003720997280000104
对偏置进行更新的计算公式为：
Figure BDA0003720997280000105
5)根据新的权重和偏置，重复步骤2)、3)、4)，直到误差小于设定的误差阈值，即认为算法收敛，完成对仿优秀驾驶员理想最大侧向加速度模型的训练。
步骤S4，基于理想最大侧向加速度的绝对值|a′y-max|和最大侧向加速度阈值|ay-max|，通过比较后输出当前路况换道避撞时的期望最大侧向加速度ay-max-fine，即：
当|a′y-max|≤|ay-max|时，令ay-max-fine＝a′y-max；当|a′y-max|＞|ay-max|时，令ay-max-fine＝ay-max；
步骤S5，在协同避撞期望制动减速度输出模块中，考虑当前道路路面附着系数μ0，以及车辆在紧急避撞过程中纵横向耦合力所需满足的轮胎摩擦圆约束条件：
Figure BDA0003720997280000106
由此结合上一步所得期望最大侧向加速度ay-max-fine，计算输出协同避撞理想制动减速度a′x，其中，g为重力加速度；
步骤S6，通过引入能够反映行车状况危险程度的车辆碰撞时距TTC-1，再结合行车信息及车辆所处危险等级临界指标，由下式计算输出协同避撞制动减速度阈值ax-max：
Figure BDA0003720997280000111
上式中，vm为自车初始车速，vn为障碍物速度，S0自车与障碍物间纵向距离，0.8作为车辆处于危险等级TTC-1临界指标；
这里，所引入的车辆碰撞时距TTC-1，由定义可知，当车辆达到安全状态时，两车相对速度趋于0，此时TTC-1趋近于0；当车辆越安全时，TTC-1值越小；当车辆碰撞危险等级越高，TTC-1值则越大。且相关研究表明，基于TTC-1的安全等级评价方法为：当TTC-1＜0.5，车辆处于安全等级；当0.5＜TTC-1＜0.8，车辆处于危险警告等级；当TTC-1＞0.8，车辆处于危险等级。因此，此处取0.8作为车辆处于危险等级TTC-1临界指标。
步骤S7，基于理想制动减速度a′x和制动减速度阈值ax-max，通过比较后输出当前路况协同避撞时的期望制动减速度ax-fine，即：当|a′x|≤|ax-max|时，令ax-fine＝a′x；当|a′x|＞|ax-max|，令ax-fine＝ax-max；
步骤S8，基于上述所求，进一步的，同样以自车质心为参考点建立坐标系，车辆前进方向为x轴，垂直车身方向为y轴，完成协同避撞轨迹规划，具体可表示为：
Figure BDA0003720997280000112
上式中，x′(t)、y′(t)分别为t时刻自车坐标，vm为自车初始速度，t′m为协同避撞完成时间，X(t′m)为对应完成协同避撞时自车质心的纵向位移。
步骤S9，如图5所示，根据已规划的协同避撞轨迹，考虑自车平稳且有效完成避撞，对协同避撞过程中的临界碰撞场景进行分析，具体步骤为：
步骤S9.1，记自车与前方障碍物临界碰撞时刻为t0，该时刻自车坐标可表示为：
Figure BDA0003720997280000121
对应该时刻自车航向角ψm(t0)可表示为：
Figure BDA0003720997280000122
步骤S9.2，进一步的，分析自车与障碍物不发生碰撞的临界情况，计算以得到协同避撞临界安全距离D协同：
Figure BDA0003720997280000123
上式中，X(t0)、Y(t0)分别为临界碰撞时刻自车质心的纵向位移和横向位移，Lm为自车质心到车头距离，Bm为自车宽度，Bn为障碍物宽度，Δd0为安全间距余量。
步骤S10，如图3所示，在避撞策略决策模块及执行层中，基于协同避撞临界安全距离D协同，比较实时采集的自车与障碍物间纵向距离S0和协同避撞临界安全距离D协同两者间大小关系：
若S0＜D协同，则碰撞无法避免，控制车辆尽全力制动减轻碰撞伤害；
若S0≥D协同，则进一步判断相邻车道条件是否允许，具体判断方法为：
基于毫米波雷达所获取的相邻车道行车信息(假定相邻车道车辆行驶速度保持稳定)，若相邻车道无车通过或相邻车道前方干扰车车速v邻与自车车速vm满足大小关系：v邻≥vm，则条件显然允许，随即控制车辆完成协同避撞操作；反之，则再作一步计算，得出t′m时间内的距离值D邻，如图6所示：
Figure BDA0003720997280000124
上式中，X邻(t′m)为对应t′m时间内相邻车道前方干扰车所行驶的纵向位移，S邻为自车与相邻车道前方干扰车纵向距离，Δd0为安全间距余量。
进而通过比较距离值D邻与自车质心纵向位移X(t′m)两者大小关系：若D邻≥X(t′m)，则相邻车道交通条件允许，控制车辆完成协同避撞操作；反之则判定碰撞无法避免，控制车辆尽全力制动以减轻碰撞伤害。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (9)

1.一种智能汽车转向与制动协同避撞控制方法，其特征在于，包括如下步骤：
步骤S1，获取车辆实时状态信息及当前道路信息，以自车质心为参考点建立坐标系，基于五次多项式初步规划自车匀速变道轨迹；
步骤S2，基于自车匀速变道轨迹得到侧向加速度关于时间表达式ay(t)，对侧向加速度表达式ay(t)求极值并令其绝对值|ay-max|作为最大侧向加速度阈值；
步骤S3，基于BP神经网络构建仿优秀驾驶员理想最大侧向加速度模型，通过仿优秀驾驶员理想最大侧向加速度模型计算当前工况下乘坐最为舒适的理想最大侧向加速度并输出其绝对值|a′y-max|；
步骤S4，基于理想最大侧向加速度的绝对值|a′y-max|和最大侧向加速度阈值|ay-max|，通过比较后输出当前路况换道避撞时的期望最大侧向加速度ay-max-fine：
当|a′y-max|≤|ay-max|时，令ay-max-fine＝a′y-max；当|a′y-max|＞|ay-max|时，令ay-max-fine＝ay-max；
步骤S5，考虑当前道路路面附着系数μ0，以及车辆在紧急避撞过程中纵横向耦合力所需满足的轮胎摩擦圆约束条件：
Figure FDA0003720997270000011
结合期望最大侧向加速度ay-max-fine，计算输出协同避撞理想制动减速度ax′，其中，g为重力加速度；
步骤S6，通过引入能够反映行车状况危险程度的车辆碰撞时距TTC-1，再结合行车信息及车辆所处危险等级临界指标，由下式计算输出协同避撞制动减速度阈值ax-max：
Figure FDA0003720997270000012
上式中，vm为自车初始车速，vn为障碍物速度，S0自车与障碍物间纵向距离，0.8作为车辆处于危险等级TTC-1临界指标；
步骤S7，基于理想制动减速度ax′和制动减速度阈值ax-max，通过比较后输出当前路况协同避撞时的期望制动减速度ax-fine：当|ax′|≤|ax-max|时，令ax-fine＝ax′；当|ax′|＞|ax-max|，令ax-fine＝ax-max；
步骤S8，基于协同避撞期望制动减速度ax-fine，完成协同避撞轨迹规划，表示为：
Figure FDA0003720997270000021
上式中，x′(t)、y′(t)分别为t时刻自车坐标，vm为自车初始速度，t′m为协同避撞完成时间，X(t′m)为对应完成协同避撞时自车质心的纵向位移；
步骤S9，根据已规划的协同避撞轨迹，考虑自车平稳且有效完成避撞，对协同避撞过程中的临界碰撞场景进行分析，并计算得到协同避撞临界安全距离D协同；
步骤S10，基于协同避撞临界安全距离D协同，比较实时采集的自车与障碍物间纵向距离S0和协同避撞临界安全距离D协同两者间大小关系：
若S0＜D协同，碰撞无法避免，控制车辆尽全力制动减轻碰撞伤害；
若S0≥D协同，进一步判断相邻车道条件是否允许，判断方法为：
当相邻车道无车通过或相邻车道前方干扰车车速v邻与自车初始速度vm满足大小关系：v邻≥vm，则认为相邻车道条件允许，控制车辆完成转向与制动协同避撞操作；否则，进一步计算t′m时间内的距离值D邻：
Figure FDA0003720997270000022
上式中，X邻(t′m)为对应t′m时间内相邻车道前方干扰车所行驶的纵向位移，S邻为自车与相邻车道前方干扰车纵向距离，Δd0为安全间距余量；
通过比较距离值D邻与自车质心纵向位移X(t′m)两者间大小关系：若D邻≥X(t′m)，则相邻车道交通条件允许，控制车辆完成转向与制动协同避撞操作；反之则判定碰撞无法避免，控制车辆尽全力制动减轻碰撞伤害。
2.根据权利要求1所述的一种智能汽车转向与制动协同避撞控制方法，其特征在于，所述构建仿优秀驾驶员理想最大侧向加速度模型的方法为：
步骤S3.1，实验数据准备，邀请若干名经验丰富的驾驶员驾驶试验车，在不同的路段分别以不同车速、不同自车与障碍物间纵向距离多次进行避撞试验，并采集试验过程中的车辆实时状态信息和所处路段道路信息，包括自车车速vm、当前车道宽W0、避撞完成时间tm、避撞完成对应自车纵向位移X(tm)、自车与障碍物间纵向距离S0及车道中心线；
步骤S3.2，以[vm，W0，tm，X(tm)，S0]T及车道中心线作为输入量，以理想最大侧向加速度的绝对值|a′y-max|作为输出量，对仿优秀驾驶员理想最大侧向加速度模型进行训练。
3.根据权利要求2所述的一种智能汽车转向与制动协同避撞控制方法，其特征在于，所述训练仿优秀驾驶员理想最大侧向加速度模型的方法为：
1)对神经网络进行初始化；
2)确定隐含层和输出层各节点的输出，其中，隐含层各节点的输出为：
Figure FDA0003720997270000031
上式中，Hj代表第j个隐含层的输出结果，xi代表第i个输入层的输入值，ωij代表从第i个输入层节点到第j个隐含层节点的权重，aj为输入层到隐含层的偏置，n为输入层节点数，g(x)为激励函数；
输出层各节点的输出为：
Figure FDA0003720997270000032
上式中，Ok代表第k个输出层的输出结果，ωjk代表从第j个隐含层节点到第k个输出层节点的权重，bk为隐含层到输出层的偏置，l为隐含层节点数；
3)对输出结果进行误差计算，其中误差E的计算公式为：
Figure FDA0003720997270000033
上式中，Yk代表第k个输出层的期望输出值，m为输出层节点数；
4)根据流程1)至3)中所计算的结果，对各权重和偏置进行更新；
5)根据新的权重和偏置，重复步骤2)、3)、4)，直到误差小于设定的误差阈值，即认为算法收敛，完成对仿优秀驾驶员理想最大侧向加速度模型的训练。
4.根据权利要求3所述的一种智能汽车转向与制动协同避撞控制方法，其特征在于，所述对权重进行更新的计算公式为：
Figure FDA0003720997270000041
所述对偏置进行更新的计算公式为：
Figure FDA0003720997270000042
上式中，η为学习效率。
5.根据权利要求1所述的一种智能汽车转向与制动协同避撞控制方法，其特征在于，所述步骤S9中计算得到协同避撞临界安全距离D协同的具体方法为：
步骤S9.1，记自车与前方障碍物临界碰撞时刻为t0，该时刻自车坐标表示为：
Figure FDA0003720997270000043
对应该时刻自车航向角ψm(t0)表示为：
Figure FDA0003720997270000044
步骤S9.2，分析自车与障碍物不发生碰撞的临界情况，计算得到协同避撞临界安全距离D协同：
Figure FDA0003720997270000045
上式中，X(t0)、Y(t0)分别为临界碰撞时刻自车质心的纵向位移和横向位移，Lm为自车质心到车头距离，Bm为自车宽度，Bn为障碍物宽度，Δd0为安全间距余量。
6.根据权利要求1所述的一种智能汽车转向与制动协同避撞控制方法，其特征在于，所述步骤S1中所规划的自车匀速变道轨迹表示为：
Figure FDA0003720997270000051
上式中，t为时间变量，x(t)、y(t)分别为t时刻自车坐标，vm为自车车速，W0为当前车道宽，tm为变道完成时间，X(tm)为对应完成变道时自车质心的纵向位移；
所述步骤S2中，对自车匀速变道轨迹表达式求二阶导数得到侧向加速度关于时间的表达式为：
Figure FDA0003720997270000052
再对上式求极值并取绝对值，得到最大侧向加速度阈值：
Figure FDA0003720997270000053
7.一种基于权利要求1所述智能汽车转向与制动协同避撞控制方法的智能汽车转向与制动协同避撞控制***，其特征在于，包括感知层、决策层和执行层；
所述感知层用于获取自车与周边车辆实时状态信息以及当前道路信息，并将所获取的信息输入至决策层；
所述决策层包括变道轨迹规划模块、期望最大侧向加速度输出模块、协同避撞期望制动减速度输出模块、协同避撞临界安全距离计算模块和避撞策略决策模块；所述变道轨迹规划模块基于感知层所采集的信息规划五次多项式变道轨迹，并将所规划的轨迹传递至期望最大侧向加速度输出模块；所述期望最大侧向加速度输出模块用于对车辆避撞过程中的侧向加速度进行约束，并输出期望最大侧向加速度至协同避撞期望制动减速度输出模块；所述协同避撞期望制动减速度输出模块根据输入的期望最大侧向加速度并结合相应约束条件输出期望制动减速度；所述协同避撞临界安全距离计算模块是根据所规划的协同避撞轨迹和获取的相关行车信息计算出临界安全距离，并将临界安全距离传递至避撞策略决策模块；所述避撞策略决策模块综合当前自车与障碍物间纵向距离和临界安全距离间大小关系以及相邻车道交通条件完成避撞决策；
所述执行层用于执行决策层所输出的避撞决策结果。
8.根据权利要求7所述的一种智能汽车转向与制动协同避撞控制***，其特征在于，所述感知层具体包括GPS设备、轮速传感器、毫米波雷达、摄像头、激光雷达和路面附着系数估计器。
9.根据权利要求7或8所述的一种智能汽车转向与制动协同避撞控制***，其特征在于，所述感知层采集的信息具体包括自车实时的位置信息、自车车速、自车与障碍物间纵向距离及障碍物速度、自车与相邻车道前方干扰车纵向距离及相邻车道前方干扰车车速、障碍物宽度、当前车道宽及车道中心线、当前道路路面附着系数。
CN202210750503.5A 2022-06-29 2022-06-29 一种智能汽车转向与制动协同避撞控制***及方法 Pending CN114889589A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210750503.5A CN114889589A (zh) 2022-06-29 2022-06-29 一种智能汽车转向与制动协同避撞控制***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210750503.5A CN114889589A (zh) 2022-06-29 2022-06-29 一种智能汽车转向与制动协同避撞控制***及方法

Publications (1)

Publication Number Publication Date
CN114889589A true CN114889589A (zh) 2022-08-12

Family

ID=82729824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210750503.5A Pending CN114889589A (zh) 2022-06-29 2022-06-29 一种智能汽车转向与制动协同避撞控制***及方法

Country Status (1)

Country Link
CN (1) CN114889589A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115817423A (zh) * 2022-12-27 2023-03-21 交通运输部公路科学研究所 营运车辆车路协同精准制动控制***及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115817423A (zh) * 2022-12-27 2023-03-21 交通运输部公路科学研究所 营运车辆车路协同精准制动控制***及方法

Similar Documents

Publication Publication Date Title
CN110298122B (zh) 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法
CN110286681B (zh) 一种变曲率弯道的动态自动驾驶换道轨迹规划方法
CN109035862B (zh) 一种基于车车通信的多车协同换道控制方法
CN109669461B (zh) 一种复杂工况下自动驾驶车辆决策***及其轨迹规划方法
CN111273668B (zh) 针对结构化道路的无人驾驶汽车运动轨迹规划***及方法
CN107315411B (zh) 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法
CN112622886B (zh) 一种综合考虑前后障碍物的重型营运车辆防碰撞预警方法
CN110827535B (zh) 非线性车辆队列协同自适应抗扰纵向控制方法
CN109649393A (zh) 一种自动驾驶变换车道的路径规划方法及装置
CN103754221A (zh) 一种车辆自适应巡航控制***
CN113276848A (zh) 一种智能驾驶换道避障轨迹规划、跟踪控制方法及***
CN112896188B (zh) 一种考虑前车遭遇的自动驾驶决策控制的***
CN110161865B (zh) 一种基于非线性模型预测控制的智能车换道轨迹规划方法
CN112046484A (zh) 一种基于q学习的车辆变道超车路径规划方法
KR102164606B1 (ko) 자율주행 차량을 위한 횡방향 제어 파라미터 보정 장치 및 방법
CN116499486B (zh) 一种复杂越野环境路径规划方法、***及电子设备
Yen et al. Proactive car-following using deep-reinforcement learning
CN114987461A (zh) 一种多车复杂交通环境下的智能客车动态变道轨迹规划方法
CN116118780A (zh) 一种车辆避障轨迹规划方法、***、车辆及存储介质
CN114194215A (zh) 一种智能车辆避障换道轨迹规划方法及***
CN114379540A (zh) 考虑前方障碍物影响的大型营运车辆防侧翻驾驶决策方法
CN114043984B (zh) 一种基于车联网环境下的智能汽车换道控制***和方法
CN114889589A (zh) 一种智能汽车转向与制动协同避撞控制***及方法
CN115593433A (zh) 一种自动驾驶车辆远程接管方法
CN115718496A (zh) 一种路径规划方法、装置和域控制器

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
CB03 Change of inventor or designer information

Inventor after: Wang Peng

Inventor after: Zhang Guodong

Inventor after: Xu Xing

Inventor after: Wang Xu

Inventor after: Shen Jiong

Inventor after: Wang Qiugui

Inventor after: Zuo Gongzheng

Inventor after: Gong Xiaoqing

Inventor after: Mei Xu

Inventor after: Geng Guoqing

Inventor after: Yang Liang

Inventor after: Xu Hui

Inventor after: Li Zhong

Inventor after: Zhang Jia

Inventor after: Li Chun

Inventor after: Xu Yihang

Inventor after: Liu Wei

Inventor before: Geng Guoqing

Inventor before: Zhang Guodong

Inventor before: Xu Xing

Inventor before: Wang Xu

Inventor before: Shen Jiong

Inventor before: Wang Qiugui

Inventor before: Zuo Gongzheng

Inventor before: Gong Xiaoqing

Inventor before: Mei Xu

Inventor before: Wang Peng

Inventor before: Yang Liang

Inventor before: Xu Hui

Inventor before: Li Zhong

Inventor before: Zhang Jia

Inventor before: Li Chun

Inventor before: Xu Yihang

Inventor before: Liu Wei

CB03 Change of inventor or designer information