CN115424472A - 一种基于模糊控制的前向碰撞预警方法及*** - Google Patents
一种基于模糊控制的前向碰撞预警方法及*** Download PDFInfo
- Publication number
- CN115424472A CN115424472A CN202210869506.0A CN202210869506A CN115424472A CN 115424472 A CN115424472 A CN 115424472A CN 202210869506 A CN202210869506 A CN 202210869506A CN 115424472 A CN115424472 A CN 115424472A
- Authority
- CN
- China
- Prior art keywords
- early warning
- fuzzy
- vehicle
- target vehicle
- front target
- 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 45
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims description 22
- 230000000007 visual effect Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000001960 triggered effect Effects 0.000 claims description 5
- 230000001629 suppression Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 206010063659 Aversion Diseases 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000003897 fog Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/40—Bus networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/40—Bus networks
- H04L2012/40208—Bus networks characterized by the use of a particular bus standard
- H04L2012/40215—Controller Area Network CAN
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/40—Bus networks
- H04L2012/40267—Bus for use in transportation systems
- H04L2012/40273—Bus for use in transportation systems the transportation system being a vehicle
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于汽车安全技术领域,本发明提供了一种基于模糊控制的前向碰撞预警方法及***,其中,方法包括:实时获取前方目标车辆信息和自车运行状态信息,计算得到自车和前方目标车辆的相对距离和相对速度;利用模糊控制算法对所述自车和前方目标车辆的相对距离和相对速度进行计算,得到预警指数;根据所述预警指数对应的取值区间分级触发人机交互预警策略。本发明噪声抑制能力强、鲁棒性好,能有效降低误报率,能提前发现危险情况,进而增加驾驶员的操作时间,通过将模糊控制算法输出的预警指数对应到预设的预警指数区间,将危险程度以及预警指数进行分级,并根据不同的危险等级给予驾驶员不同的警示策略,从而提高了驾驶员驾驶体验和安全性。
Description
技术领域
本发明属于汽车安全技术领域,特别是涉及一种基于模糊控制的前向碰撞预警方法及***。
背景技术
随着汽车保有量逐年上升,所伴随着的问题,则是交通拥堵和交通事故频发,而每年追尾事故又在交通事故中占据相当大的比例,由此可见,FCW(Forward CollisionWarning,简称:前方碰撞预警)***在汽车ADAS***(AdvancedDriving AssistanceSystem,简称:高级驾驶辅助***)中的具体应用十分重要。
FCW***是通过汽车上的感知单元来监测前方的车辆,判断本车与前车之间的距离、方位及相对速度,并通过***中的算法计算主车与前车是否存在潜在碰撞危险,当存在潜在碰撞危险时***会对驾驶者进行警告。
传统的FCW***,通过安全时间逻辑算法或安全距离逻辑算法来对驾驶员进行警示,在可能发生前向碰撞危险时发出警告信息,这种算法抗干扰能力差,无法有效抵御噪声,误报率高,过多的虚警会让驾驶员产生反感的情绪,不利于驾驶员的精神集中,近几年来还出现基于机器学习自动适配驾驶员驾驶习惯的FCW算法,这种算法既需要时间适应驾驶员习惯,在更换驾驶员时又容易出现无法快速适应等问题,无法满足需要经常更换驾驶员的车辆。
鉴于此,克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。
发明内容
本发明针对传统的FCW***算法抗干扰能力差,无法有效抵御噪声,误报率高,不利于驾驶员的精神集中的技术问题提供一种解决方案。
为了解决上述技术问题,本发明采用如下技术方案:
第一方面,本发明提供一种基于模糊控制的前向碰撞预警方法,包括:
实时获取前方目标车辆信息和自车运行状态信息,计算得到自车和前方目标车辆的相对距离和相对速度;
利用模糊控制算法对所述自车和前方目标车辆的相对距离和相对速度进行计算,得到预警指数;
根据所述预警指数对应的取值区间分级触发人机交互预警策略。
优选的,所述利用模糊控制算法对所述自车和前方目标车辆的相对距离和相对速度进行计算,得到预警指数,包括:
对所述前方目标车辆与自车的相对距离和相对速度进行模糊化处理;
利用模糊控制规则,将所述模糊化处理的结果进行推理得到模糊量输出;
将所述模糊量输出进行解模糊化后得到预警指数。
优选的,所述对所述前方目标车辆与自车的相对距离和相对速度进行模糊化处理,包括:
确定所述前方目标车辆与自车的相对距离和相对速度的基本论域和比例因子,计算所述前方目标车辆与自车的相对距离和相对速度的模糊论域;
将所述前方目标车辆与自车的相对距离和相对速度的基本论域进行划分,并根据划分后的结果确定模糊子集;
通过隶属度函数,计算所述前方目标车辆与自车的相对距离和相对速度的模糊论域隶属于各模糊子集的隶属度。
优选的,所述将所述模糊量输出进行解模糊化后得到预警指数,包括:
确定所述预警指数的模糊论域和比例因子,计算所述预警指数的基本论域;
将所述模糊量输出映射到所述预警指数的基本论域,得到所述预警指数。
优选的,所述将所述模糊量输出进行解模糊化后得到预警指数,具体为:通过加权平均法将所述模糊量输出进行解模糊化后得到预警指数。
优选的,所述根据所述预警指数对应的取值区间分级触发人机交互预警策略,包括:
当所述预警指数取值在[0,a)时,所述预警执行单元无动作;
当所述预警指数取值在[a,b)时,所述预警执行单元采用视觉警示;
当所述预警指数取值在[b,c)时,所述预警执行单元采用视觉和听觉警示;
当所述预警指数取值在[c,1]时,所述预警执行单元采用视觉、听觉和触觉警示;
其中,a、b、c为所述预警指数对应的取值区间的最值,且a<b<c。
第二方面,本发明提供一种基于模糊控制的前向碰撞预警***,包括:
数据融合单元、决策控制单元和预警执行单元,其中:
所述数据融合单元根据实时获取的前方目标车辆信息并结合自车运行状态信息,计算得到前方目标车辆与自车的相对距离和相对速度,并将所述前方目标车辆与自车的相对距离和相对速度输入到所述决策控制单元;
所述决策控制单元根据模糊控制算法对所述前方目标车辆与自车的相对距离和相对速度进行计算后得到预警指数,并将所述预警指数输入到所述预警执行单元;
所述预警执行单元的预警策略根据所述预警指数的取值区间进行分级触发,并通过人机交互与驾驶员进行交互,警示驾驶员当前危险情况。
优选的,所述所述预警执行单元的预警策略包括视觉警示、听觉警示和触觉警示中的一种或多种。
优选的,所述数据融合单元包括环境感知模块,所述环境感知模块与所述数据融合单元通信连接;其中,所述环境感知模块用于实时获取所述前方目标车辆信息。
优选的,所述前方目标车辆信息包括前方目标车辆的速度、轮廓线、方位、行驶状态和与自车的距离中的一种或多种。
优选的,还包括整车CAN网络,所述整车CAN网络与所述数据融合单元通信连接;其中,所述自车运行状态信息通过整车CAN网络分别从ESC、EMS和TCU 获取。
优选的,所述自车运行状态信息包括自车的速度、方向盘转角、主缸压力、档位信号、油门开度及发动机状态中的一种或多种。
优选的,所述决策控制单元包括模糊控制器,所述模糊控制器用于执行所述模糊控制算法,所述模糊控制器包括模糊化模块、模糊推理模块和解糊化模块,其中:
所述模糊化模块用于对所述前方目标车辆与自车的相对距离和相对速度进行模糊化处理,并将所述模糊化处理的结果输入到所述模糊推理模块;
所述模糊推理模块在模糊控制规则的影响下对所述模糊化处理的结果进行推理计算得到糊输出量;
所述解糊化模块对所述糊输出量进行解模糊化后得到预警指数。
针对现有技术中的不足,本发明所能取得的有益效果为:
本发明***结构简单,利用模糊控制算法进行车辆的前碰预警计算,噪声抑制能力强、鲁棒性好,能有效降低误报率,进而提高***性能,还能提前发现危险情况,进而增加驾驶员的操作时间,减少了追尾事故的发生率。
进一步的,本发明通过将模糊控制算法输出的预警指数对应到预设的预警指数区间,将危险程度以及预警指数进行分级,并根据不同的危险等级给予驾驶员不同的警示策略,从而提高了驾驶员驾驶体验和安全性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的一种基于模糊控制的前向碰撞预警方法流程示意图;
图2是本发明另一个实施例提供的一种基于模糊控制的前向碰撞预警方法流程示意图;
图3是本发明再一个实施例提供的一种基于模糊控制的前向碰撞预警方法流程示意图;
图4是本发明又一个实施例提供的一种基于模糊控制的前向碰撞预警方法流程示意图;
图5是隶属度函数示意图;
图6是分级警示方案示意图;
图7是本发明一个实施例提供的一种基于模糊控制的前向碰撞预警***的总体连接结构示意图;
图8是模糊控制器的内部原理示意图;
图9是本发明的基于模糊控制的前向碰撞预警***的应用场景示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,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。另外,本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合,以形成可行的技术方案,这种结合不受步骤先后次序和/或结构组成模式的约束,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时,应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
为了解决传统的FCW***算法抗干扰能力差,无法有效抵御噪声,误报率高,不利于驾驶员的精神集中的技术问题,本发明提供一种基于模糊控制的前向碰撞预警方法,如图1所示,该前向碰撞预警方法主要包括如下步骤:
S100,实时获取前方目标车辆信息和自车运行状态信息,计算得到自车和前方目标车辆的相对距离和相对速度。
在本实施例中,所述前方目标车辆信息包括前方目标车辆的速度、轮廓线、方位、行驶状态和与自车的距离等内容,所述自车运行状态信息包括自车的速度、方向盘转角、主缸压力、档位信号、油门开度及发动机状态等内容,将上述实时获取的前方目标车辆信息和自车运行状态信息经计算后最终得到自车和前方目标车辆的相对距离和相对速度这两项重要指标,其中,所述实时获取前方目标车辆信息和自车运行状态信息分别通过与数据融合单元通信连接的环境感知模块和整车CAN网络来实现。
S200,利用模糊控制算法对所述自车和前方目标车辆的相对距离和相对速度进行计算,得到预警指数。
在本实施例中,模糊控制算法位于决策控制单元,所述决策控制单元包括模糊控制器,所述模糊控制器用于执行所述模糊控制算法,所述模糊控制器包括模糊化模块、模糊推理模块和解糊化模块。
在具体实现过程中,优选的,如图2所示,所述步骤S200中利用模糊控制算法对所述自车和前方目标车辆的相对距离和相对速度进行计算,得到预警指数,包括:
S201,对所述前方目标车辆与自车的相对距离和相对速度进行模糊化处理。
在具体实现过程中,优选的,如图3所示,所述步骤S201中对所述前方目标车辆与自车的相对距离和相对速度进行模糊化处理,包括:
S2011,确定所述前方目标车辆与自车的相对距离和相对速度的基本论域和比例因子,计算所述前方目标车辆与自车的相对距离和相对速度的模糊论域。
结合日常经验和基本常识,在所述模糊控制算法中,假定所述自车和前方目标车辆的相对距离的基本论域为[0,200m],即所述自车和前方目标车辆的相对距离的实际变化范围为[0,200m],所述自车和前方目标车辆的相对距离的比例因子为K1,所述自车和前方目标车辆的相对速度的基本论域为[0,200km/h],即所述自车和前方目标车辆的相对速度实际变化范围为[0,200km/h],所述自车和前方目标车辆的相对速度的比例因子为K2,所述自车和前方目标车辆的相对距离的基本论域和所述自车和前方目标车辆的相对速度的基本论域分别经过比例因子K1和比例因子K2计算处理之后分别从基本论域映射到模糊论域,具体计算时,根据比例因子K×模糊论域=基本论域,即模糊论域=基本论域/比例因子K,在实际应用过程中,常令K1=K2=50,即可计算出所述自车和前方目标车辆的相对距离和所述自车和前方目标车辆的相对速度模糊论域均为[0,4]。
S2012,将所述前方目标车辆与自车的相对距离和相对速度的基本论域进行划分,并根据划分后的结果确定模糊子集。
以上述其中假定的所述自车和前方目标车辆的相对距离的基本论域为[0, 200m]为例,将所述自车和前方目标车辆的相对距离的基本论域进行划分时,具体是实现时,通过等比例进行划分,例如,可以将所述前方目标车辆与自车的相对距离的基本论域进行划分为0-50,50-100,100-150,150-200四段区间,划分后,可确定的模糊子集为{0,50,100,150,200},如图5所示,其中,模糊子集{0,50,100,150,200}分别对应图5所示的{PM1,PM2,PM3,PM4, PM5};同样的方式,将所述前方目标车辆与自车的相对速度的基本论域进行划分时,也可以确定所述前方目标车辆与自车的相对速度的模糊子集。
S2013,通过隶属度函数,计算所述前方目标车辆与自车的相对距离和相对速度的模糊论域隶属于各模糊子集的隶属度。
所述隶属度函数,是用于求解录属度的函数,常见的隶属度函数有三角形隶属度函数、梯形隶属度函数、抛物线型隶属度函数,如图5所示,具体以三角性隶属度函数为例,各个模糊子集{PM1,PM2,PM3,PM4,PM5}的隶属度函数均为三角形函数,其中,y轴代表所述隶属度函数的值域为[0,1],各模糊子集以隶属函数表明基本论域上的精确值属于该模糊子集的程度,模糊控制算法采用Mamdani模糊推理法,可将一个给定输入空间通过模糊逻辑的方法映射到一个特定的输出空间的计算过程,在实际应用中,应用Mamdani模糊推理法,将多条模糊规则合成后,对每个输出变量模糊集合进行解模糊化处理得到具体的结果,如图5所示,为其中一个映射后模糊论域隶属于其中的两个模糊子集的 PM3和PM4的隶属度,其中,该模糊论域隶属于模糊子集PM3的隶属度为0.6,该模糊论域隶属于模糊子集PM4的隶属度为0.4,其隶属度之和均为1。
S202,利用模糊控制规则,将所述模糊化处理的结果进行推理计算得到模糊量输出。
所述模糊控制规则,是进行模糊推理计算的规则,根据一定模糊控制规则和模糊逻辑对模糊推理计算过程进行实时的优化,所述模糊控制规则将影响所述模糊化处理的结果,在本实施例中,以上述5个模糊子集{PM1,PM2,PM3, PM4,PM5}为例,则可以生成一个包括5×5=25条模糊控制规则的阵列表。
S203,将所述模糊量输出进行解模糊化后得到预警指数。
在具体实现过程中,优选的,如图4所示,所述步骤S203中所述将所述模糊量输出进行解模糊化后得到预警指数,包括:
S2031,确定所述预警指数的模糊论域和比例因子,计算所述预警指数的基本论域。
同样的,假定所述预警指数的模糊论域均也为[0,4],所述预警指数经过比例因子K3,根据比例因子K×模糊论域=基本论域,即可计算出所述预警指数的基本论域,在实际应用过程中,常令K3=0.25,通过计算可以得到,所述预警指数的基本论域[0,1]。
S2032,将所述模糊量输出映射到所述预警指数的基本论域,得到所述预警指数。
将所述模糊量输出映射到所述预警指数的基本论域的过程,也是解模糊化的过程,去模糊是根据模糊推理得到的各输出的隶属度算出输出在论域中的哪个值,然后根据区间映射关系,进而得到具体数值的预警指数。
进一步的,在实际应用过程中,所述将所述模糊量输出进行解模糊化后得到预警指数,具体为:通过加权平均法将所述模糊量输出进行解模糊化后得到预警指数,需要说明的是,解模糊化的方法有很多种,常用的,还包括有最大隶属度法、重心法和面积平分法等。
S300,根据所述预警指数对应的取值区间分级触发人机交互预警策略。
在本实施例中,所述根据所述预警指数对应的取值区间分级触发人机交互预警策略包括视觉警示、听觉警示和触觉警示中的一种或多种,进一步的,所述视觉警示、听觉警示和触觉警事的内容和项目为事先设置,所述预警执行单元的预警策略根据所述预警指数的取值区间进行分级触发,优选的,所述根据所述预警指数对应的取值区间分级触发人机交互预警策略,包括:
当所述预警指数取值在[0,a)时,所述预警执行单元无动作;当所述预警指数取值在[a,b)时,所述预警执行单元采用视觉警示;当所述预警指数取值在[b,c)时,所述预警执行单元采用视觉和听觉警示;当所述预警指数取值在 [c,1]时,所述预警执行单元采用视觉、听觉和触觉警示;其中,a、b、c为所述预警指数对应的取值区间的最值,且a<b<c。
在实际应用过程中,如图6所示:假设a=0.2,b=0.5,c=0.8。
当所述预警指数取值在[0,0.2)时,定义为零级预警(安全),所述预警执行单元无动作;
当所述预警指数取值在[0.2,0.5)时,定义为一级预警(有点危险),所述预警执行单元仅采用视觉警示,“请注意前方车辆(黄色)”;
当所述预警指数取值在[0.5,0.8)时,定义为二级预警(比较危险),所述预警执行单元采用视觉+听觉警示,“请注意前方车辆(红色)”、蜂鸣;
当所述预警指数取值在[0.8,1]时,定义为三级预警(非常危险),所述预警执行单元采用视觉+听觉+触觉警示,“危险,请减速行驶”、急促蜂鸣、安全带收紧和座椅震动。
参见图7,提供一种基于模糊控制的前向碰撞预警***,如图7所示,该前向碰撞预警***包括数据融合单元、决策控制单元和预警执行单元,其中:所述数据融合单元根据实时获取的前方目标车辆信息并结合自车运行状态信息,计算得到前方目标车辆与自车的相对距离和相对速度,并将所述前方目标车辆与自车的相对距离和相对速度输入到所述决策控制单元;所述决策控制单元根据模糊控制算法对所述前方目标车辆与自车的相对距离和相对速度进行计算后得到预警指数,并将所述预警指数输入到所述预警执行单元;所述预警执行单元的预警策略根据所述预警指数的取值区间进行分级触发,并通过人机交互与驾驶员进行交互,警示驾驶员当前危险情况,在本实施例中,所述数据融合单元的输出端与所述决策控制单元的输入端连接,所述决策控制单元的输出端与所述预警执行单元的输入端连接,所述数据融合单元、所述决策控制单元和所述预警执行单元共同构成了整个前向碰撞预警***主体结构,预警***主体结构简单高效,便于维护,相对于传统的通过安全时间逻辑算法或安全距离逻辑算法,本实施例利用模糊控制算法进行车辆的前碰预警计算,噪声抑制能力强、鲁棒性好,能有效降低误报率,进而提高***性能。
在一种可选的实现方式中,如图7所示,所述数据融合单元包括两个输入端,即所述数据融合单元的数据来源有两部分,所述数据融合单元包括环境感知模块,所述环境感知模块与所述数据融合单元通信连接;其中,所述环境感知模块用于实时获取所述前方目标车辆信息,所述环境感知模块由毫米波雷达、视觉传感器和激光雷达中的一种或多种组成,针对不同的应用需求和应用场景,具体应用时,所述毫米波雷达工作波长在1~10mm之间,其毫米波导引头具有体积小、质量轻和空间分辨率高,能分辨识别很小的目标,其穿透雾、烟、灰尘的能力强,且能同时识别多个目标,具有全天候全天时的特点,另外,毫米波导引头的抗干扰、反隐身能力也优于其他微波导引头,机动性和隐蔽性较好;所述视觉传感器,是利用光学元件和成像装置获取外部环境图像信息的仪器,主要功能是获取足够的机器视觉***要处理的最原始图像,由一个或者两个图形传感器组成,根据需要配以光投射器及其他辅助设备;所述激光雷达,包括发射机、天线、接收机、跟踪架及信息处理等部分,可以通过发射激光束探测前方目标车辆的位置、速度等特征量。在本实施例中,通过毫米波雷达、视觉传感器和激光雷达中的一种或多种的应用,使得自车对外部环境的感知信息更为全面和准确,进而减少潜在的追尾事故,从而提升驾驶的安全性;所述前方目标车辆信息包括前方目标车辆的速度、轮廓线、方位、行驶状态和与自车的距离中的一种或多种,通过所述环境感知模块即可实时获取前方目标车辆信息,而实时获取的所述前方目标车辆信息构成了所述数据融合单元的数据来源之一;另外,所述前向碰撞预警***还包括整车CAN网络,所述整车CAN网络与所述数据融合单元通信连接;其中,所述自车运行状态信息通过整车CAN网络分别从ESC、EMS和TCU获取,所述整车CAN网络(Controller Area Network),也称控制器局域网络,所述ESC(Electronic Stability Controller,简称:车身电子稳定控制***)、所述EMS(Engine Management System,简称:发动机管理***)和所述TCU(Transmission Control Unit,简称:自动变速箱控制单元)等控制器通过所述整车CAN网络传输数据,所述从整车CAN网络获取的自车运行状态信息构成了所述数据融合单元的数据来源的另一,通过所述整车CAN网络分别从ESC、EMS和TCU获取的自车运行状态信息包括自车的速度、方向盘转角、主缸压力、档位信号、油门开度及发动机状态中的一种或多种。
在一种可选的实现方式中,如图7所示,所述决策控制单元包括模糊控制器,所述模糊控制器用于执行所述模糊控制算法,如图8所示,是模糊控制器的内部原理示意图,所述模糊控制器包括模糊化模块、模糊推理模块和解糊化模块,其中:所述模糊化模块用于对所述前方目标车辆与自车的相对距离和相对速度进行模糊化处理,并将所述模糊化处理的结果输入到所述模糊推理模块;所述模糊推理模块在模糊控制规则的影响下对所述模糊化处理的结果进行推理计算得到糊输出量;所述解糊化模块对所述糊输出量进行解模糊化后得到预警指数,所述模糊控制器,是所述模糊控制算法的主要组成部分,同时又具有模糊化和解模糊化功能的控制器,根据所述模糊控制算法的需要,既可选用***机,又可选用单板机或单片机,能将前端的输入转化成后端的输入,此处的输入和输出,均为量化的确定的数值,包括所述自车和前方目标车辆的相对距离和相对速度,或者,所述自车和前方目标车辆的相对距离和相对速度变化率,实施实现的过程中,所述自车和前方目标车辆的相对距离和相对速度是衡量两车是否会发生追尾的关键指标,通过所述自车和前方目标车辆的相对距离和相对速度,进而也可以计算得到两车发生追尾的参考时间,如图9所示,是基于模糊控制的前向碰撞预警***的应用场景示意图,以自车和前方目标车辆同向行驶为例,因自车和前方目标车辆的距离和速度时刻处于变化过程中,假设所述自车和前方目标车辆的相对距离为S0,自车行驶速度为V1,前方目标车辆行驶速度为V2,则所述自车和前方目标车辆的相对速度为V0=|V1-V2|,进一步的,两车发生追尾的参考时间可以通过T0=S0/V0计算得到,可提前发现危险情况,也即增加了驾驶员的在可能存在追尾时的操作时间,其中,与所述模糊控制器相连接的,还包括一个规则库,所述规则库主要通过人(专家)的知识和经验形成,具体应用时,所述规则库能够影响所述模糊推理模块的推理过程。
在一种可选的实现方式中,如图7所示,所述预警执行单元主要通过人机交互的方式(Human Machine Interface,简称:HMI)与驾驶员进行信息的沟通,所述HMI是交互和信息交换的媒介,具体应用时,所述所述预警执行单元的预警策略包括视觉警示、听觉警示和触觉警示中的一种或多种;所述视觉警示,是在仪表中采用图形提示或进行文字弹窗警告,触发出对话选择框;所述听觉警示,是采用声音警示,主要通过语音自动播报,可调整蜂鸣频率;所述触觉警示,是采用方向盘抖动、安全带收紧和驾驶员座椅震动中的一种或多种的组合,其中,所述视觉警示、所述听觉警示和所述触觉警示对应的危险级别呈逐步增加,针对不同的危险级别,通过上述多种交互方式,给予了驾驶员不同的预警策略,提升了驾驶员驾驶体验和安全性。
综上所述,本发明提供的一种基于模糊控制的前向碰撞预警方法及***,噪声抑制能力强、鲁棒性好,能有效降低误报率,能提前发现危险情况,进而增加驾驶员的操作时间,通过将模糊控制算法输出的预警指数对应到预设的预警指数区间,将危险程度以及预警指数进行分级,并根据不同的危险等级给予驾驶员不同的警示策略,从而提高了驾驶员驾驶体验和安全性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于模糊控制的前向碰撞预警方法,其特征在于,方法包括:
实时获取前方目标车辆信息和自车运行状态信息,计算得到自车和前方目标车辆的相对距离和相对速度;
利用模糊控制算法对所述自车和前方目标车辆的相对距离和相对速度进行计算,得到预警指数;
根据所述预警指数对应的取值区间分级触发人机交互预警策略。
2.根据权利要求1所述的基于模糊控制的前向碰撞预警方法,其特征在于,所述利用模糊控制算法对所述自车和前方目标车辆的相对距离和相对速度进行计算,得到预警指数,包括:
对所述前方目标车辆与自车的相对距离和相对速度进行模糊化处理;
利用模糊控制规则,将所述模糊化处理的结果进行推理得到模糊量输出;
将所述模糊量输出进行解模糊化后得到预警指数。
3.根据权利要求2所述的基于模糊控制的前向碰撞预警方法,其特征在于,所述对所述前方目标车辆与自车的相对距离和相对速度进行模糊化处理,包括:
确定所述前方目标车辆与自车的相对距离和相对速度的基本论域和比例因子,计算所述前方目标车辆与自车的相对距离和相对速度的模糊论域;
将所述前方目标车辆与自车的相对距离和相对速度的基本论域进行划分,并根据划分后的结果确定模糊子集;
通过隶属度函数,计算所述前方目标车辆与自车的相对距离和相对速度的模糊论域隶属于各模糊子集的隶属度。
4.根据权利要求2所述的基于模糊控制的前向碰撞预警方法,其特征在于,所述将所述模糊量输出进行解模糊化后得到预警指数,包括:
确定所述预警指数的模糊论域和比例因子,计算所述预警指数的基本论域;
将所述模糊量输出映射到所述预警指数的基本论域,得到所述预警指数。
5.根据权利要求4所述的基于模糊控制的前向碰撞预警方法,其特征在于,所述将所述模糊量输出进行解模糊化后得到预警指数,具体为:通过加权平均法将所述模糊量输出进行解模糊化后得到预警指数。
6.根据权利要求1所述的基于模糊控制的前向碰撞预警方法,其特征在于,所述根据所述预警指数对应的取值区间分级触发人机交互预警策略,包括:
当所述预警指数取值在[0,a)时,所述预警执行单元无动作;
当所述预警指数取值在[a,b)时,所述预警执行单元采用视觉警示;
当所述预警指数取值在[b,c)时,所述预警执行单元采用视觉和听觉警示;
当所述预警指数取值在[c,1]时,所述预警执行单元采用视觉、听觉和触觉警示;
其中,a、b、c为所述预警指数对应的取值区间的最值,且a<b<c。
7.一种基于模糊控制的前向碰撞预警***,其特征在于,包括:数据融合单元、决策控制单元和预警执行单元,其中:
所述数据融合单元根据实时获取的前方目标车辆信息并结合自车运行状态信息,计算得到前方目标车辆与自车的相对距离和相对速度,并将所述前方目标车辆与自车的相对距离和相对速度输入到所述决策控制单元;
所述决策控制单元根据模糊控制算法对所述前方目标车辆与自车的相对距离和相对速度进行计算后得到预警指数,并将所述预警指数输入到所述预警执行单元;
所述预警执行单元的预警策略根据所述预警指数的取值区间进行分级触发,并通过人机交互与驾驶员进行交互,警示驾驶员当前危险情况。
8.根据权利要求7所述的基于模糊控制的前向碰撞预警***,其特征在于,所述数据融合单元包括环境感知模块,所述环境感知模块与所述数据融合单元通信连接;其中,所述环境感知模块用于实时获取所述前方目标车辆信息。
9.根据权利要求8所述的基于模糊控制的前向碰撞预警***,其特征在于,还包括整车CAN网络,所述整车CAN网络与所述数据融合单元通信连接;其中,所述自车运行状态信息通过整车CAN网络分别从ESC、EMS和TCU获取。
10.根据权利要求7-9任一所述的基于模糊控制的前向碰撞预警***,其特征在于,所述决策控制单元包括模糊控制器,所述模糊控制器用于执行所述模糊控制算法,所述模糊控制器包括模糊化模块、模糊推理模块和解糊化模块,其中:
所述模糊化模块用于对所述前方目标车辆与自车的相对距离和相对速度进行模糊化处理,并将所述模糊化处理的结果输入到所述模糊推理模块;
所述模糊推理模块在模糊控制规则的影响下对所述模糊化处理的结果进行推理计算得到糊输出量;
所述解糊化模块对所述糊输出量进行解模糊化后得到预警指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210869506.0A CN115424472A (zh) | 2022-07-21 | 2022-07-21 | 一种基于模糊控制的前向碰撞预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210869506.0A CN115424472A (zh) | 2022-07-21 | 2022-07-21 | 一种基于模糊控制的前向碰撞预警方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115424472A true CN115424472A (zh) | 2022-12-02 |
Family
ID=84195588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210869506.0A Pending CN115424472A (zh) | 2022-07-21 | 2022-07-21 | 一种基于模糊控制的前向碰撞预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115424472A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0587700U (ja) * | 1992-04-24 | 1993-11-26 | クラリオン株式会社 | 車両用近接警告装置 |
JP2004249748A (ja) * | 2003-02-18 | 2004-09-09 | Univ Nihon | 自動車の追突防止制御システム |
CN103531042A (zh) * | 2013-10-25 | 2014-01-22 | 吉林大学 | 基于驾驶人类型的车辆追尾预警方法 |
CN104129377A (zh) * | 2014-07-25 | 2014-11-05 | 杭州电子科技大学 | 汽车主动防撞自适应模糊控制方法 |
CN109808685A (zh) * | 2019-01-07 | 2019-05-28 | 南京航空航天大学 | 一种基于危险评估的汽车预警自动避撞控制方法 |
CN110517486A (zh) * | 2019-08-16 | 2019-11-29 | 东南大学 | 一种基于驾驶行为状态的前向碰撞预警方法 |
CN110989568A (zh) * | 2019-11-15 | 2020-04-10 | 吉林大学 | 一种基于模糊控制器的自动驾驶车辆安全通行方法及*** |
-
2022
- 2022-07-21 CN CN202210869506.0A patent/CN115424472A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0587700U (ja) * | 1992-04-24 | 1993-11-26 | クラリオン株式会社 | 車両用近接警告装置 |
JP2004249748A (ja) * | 2003-02-18 | 2004-09-09 | Univ Nihon | 自動車の追突防止制御システム |
CN103531042A (zh) * | 2013-10-25 | 2014-01-22 | 吉林大学 | 基于驾驶人类型的车辆追尾预警方法 |
CN104129377A (zh) * | 2014-07-25 | 2014-11-05 | 杭州电子科技大学 | 汽车主动防撞自适应模糊控制方法 |
CN109808685A (zh) * | 2019-01-07 | 2019-05-28 | 南京航空航天大学 | 一种基于危险评估的汽车预警自动避撞控制方法 |
CN110517486A (zh) * | 2019-08-16 | 2019-11-29 | 东南大学 | 一种基于驾驶行为状态的前向碰撞预警方法 |
CN110989568A (zh) * | 2019-11-15 | 2020-04-10 | 吉林大学 | 一种基于模糊控制器的自动驾驶车辆安全通行方法及*** |
Non-Patent Citations (1)
Title |
---|
李少远,王景成: "《智能控制》", vol. 2, 31 July 2009, 械工业出版社, pages: 62 - 64 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moujahid et al. | Machine learning techniques in ADAS: A review | |
Donges | A conceptual framework for active safety in road traffic | |
Goerlandt et al. | A risk-informed ship collision alert system: Framework and application | |
US7102496B1 (en) | Multi-sensor integration for a vehicle | |
US7302344B2 (en) | Driver adaptive collision warning system | |
CN111231957B (zh) | 车辆控制方法、装置、设备及存储介质 | |
US10518782B2 (en) | Driving characteristics estimating device and drive assisting system | |
Zanchin et al. | On the instrumentation and classification of autonomous cars | |
CN111353471A (zh) | 安全驾驶监测方法、装置、设备和可读存储介质 | |
CN114312844A (zh) | 检测和响应警报 | |
US20170248953A1 (en) | Autonomous peril control | |
WO2020041443A1 (en) | Detecting and responding to sounds for autonomous vehicles | |
CN108657188B (zh) | 一种驾驶员驾驶技术在线评估*** | |
Sun et al. | ADAS acceptability improvement based on self-learning of individual driving characteristics: A case study of lane change warning system | |
Xu et al. | Modeling commercial vehicle drivers' acceptance of advanced driving assistance system (ADAS) | |
CN114852088A (zh) | 一种识别并警告危险及疲劳驾驶行为的驾驶员辅助***及方法 | |
Wang et al. | Cognitive competence improvement for autonomous vehicles: A lane change identification model for distant preceding vehicles | |
CN115092131A (zh) | 一种车辆巡航***及方法 | |
Rombaut | Prolab2: a driving assistance system | |
CN115424472A (zh) | 一种基于模糊控制的前向碰撞预警方法及*** | |
JP2006160032A (ja) | 運転状態判定装置及び運転状態判定方法 | |
Zhao et al. | A study on an anthropomorphic car-following strategy framework of the autonomous coach in mixed traffic flow | |
CN116662856A (zh) | 基于模糊逻辑的实时驾驶风格分类及预警方法 | |
Godbole et al. | Benefit evaluation of crash avoidance systems | |
JP2844113B2 (ja) | 車輌衝突警報方式 |
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 |