技术领域本发明属于汽车主动安全与辅助驾驶领域，特别是涉及一种基于人车协同的汽车行人防撞智能控制系统及方法。
背景技术：
汽车与行人碰撞事故是道路交通事故的主要类型之一，也是导致行人弱势群体受害的主要因素。如何发展和设计主动保护行人防撞系统，尽量避免汽车与行人发生碰撞事故，实现对汽车行驶前方行人的主动保护，提高道路安全，具有广泛的实际应用价值。文献1(BoLi,etc.PedestrianDetectionBasedonClusteredPoseletModelsandHierarchicalAnd-OrGrammar[J].IEEETransactiononVehicularTechnology,2015,64(4)：1435-1444.)提出了基于层次语法模型的行人检测及保护方法。文献2(WadaTomotaka,etc.PedestrianOrientedVehicularCollisionAvoidanceSupportSystem:P-VCASS[J].IeiceTransactionsonFundamentalsofElectronicsCommunications&ComputerSciences,2010,93-A(4):679-688.)设计了基于行人特征和最小行人终端消耗的防撞支持系统。然而，危险区域内行人和车辆间相互耦合，相互影响，且行人运动特征的随机不确定性和车辆纵向行驶动力学的非线性大大增加了行人防撞主动控制系统的设计难度。因此如何设计致力于克服上述特性的行人防撞控制系统是未来汽车智能安全驾驶系统研究的难点和热点。
技术实现要素：
本发明的目的在于为了解决现有技术中存在的上述问题，提供可有效克服行人运动特征的随机不确定性和车辆行驶动力学的非线性，快速实现危险工况下汽车自动制动控制，主动保护行人安全的一种基于人车协同的汽车行人防撞智能控制系统。本发明的另一目的在于提供及一种基于人车协同的汽车行人防撞智能控制方法。所述一种基于人车协同的汽车行人防撞智能控制系统设有车载传感器、道路信息采集模块、微处理器、预警器、危险区域差别模块、期望加速度生成模块、制动控制模块；所述车载传感器设于汽车上，车载传感器接道路信息采集模块的输入端，道路信息采集模块的输出端接微处理器的输入端，微处理器的行人特征分析处理信号输出端分别接预警器的输入端和危险区域差别模块的输入端，当检测行人在预警区时，预警器的危险信号输出端发出预警信号提示驾驶员，当检测行人在危险区时，危险区域差别模块的危险信号输出端接期望加速度生成模块的输入端，期望加速度生成模块的输出端接制动控制模块的输入端，制动控制模块的输出端为汽车输出期望加速度的跟踪控制信号，完成主动保护行人。所述一种基于人车协同的汽车行人防撞智能控制方法，包括以下步骤：1)采集汽车及其周围环境信息，提取汽车行驶前方行人信息特征；2)建立汽车与行人安全距离模型，设计危险区域判别准则，预警区内进行预警提示驾驶员，危险区内则进行辅助制动控制；3)基于汽车与行人纵向运动特征，建立人车间距纵向动力学模型和汽车加速度响应模型，综合生成人车耦合动力学模型；4)采用预测优化方法，实时动态规划出避免汽车与行人发生碰撞所需的期望加速度；5)设计神经模糊滑模制动控制器，通过该控制器调节制动压力的指令来完成对期望加速度的跟踪，实现汽车对行人的主动保护和防撞。在步骤1)中，所述采集汽车及其周围环境信息，提取汽车行驶前方行人信息特征的具体方法可为：(1)通过车载毫米波雷达传感器获取汽车与行人的纵向距离信息及行人速度信息，通过速度编码器采集车辆行驶速度；(2)利用单目CCD摄像机采集汽车周围环境信息，通过车载微处理器对采集的图像进行处理和特征提取，实时地检测和获知汽车前方可靠、准确的行人特征信息。在步骤2)中，所述建立汽车与行人安全距离模型，设计危险区域判别准则，预警区内进行预警提示驾驶员，危险区内则进行辅助制动控制的具体方法可为：(1)建立包含驾驶员识别交通情况并做出反应所需要的距离和汽车停车后驾驶员所期望的行人车辆间静止距离组成的驾驶员主观安全距离模型；(2)根据获取的汽车与行人实际纵向距离信息，设计危险区域判别准则，将汽车前方的道路区域分为预警区域和危险区域，预警区内进行预警提示驾驶员，危险区内则进行辅助制动控制。在步骤3)中，所述基于汽车与行人纵向运动特征，建立人车间距纵向动力学模型和汽车加速度响应模型，综合生成人车耦合动力学模型的具体方法可为：(1)建立以汽车与前方行人的相对距离偏差Δd，相对车速Δv为状态变量的人车纵向动力学模型，采用最小二乘法辨识汽车纵向加速度的动态响应模型，综合构建人车耦合动力学模型；(2)按采样周期0.15s将人车耦合动力学模型进行离散化处理，可得离散线性系统的状态方程。在步骤4)中，所述采用预测优化方法，实时动态规划出避免汽车与行人发生碰撞所需的期望加速度的具体方法可为：(1)设计安全性能指标函数：为了实现快速、安全的行人防撞，将人车纵向间距误差Δd和人车相对速度误差Δv的二范数作为安全性能指标L，如下：L＝ω1Δd2+ω2Δv2式中，ω1和ω2表示距离误差和速度误差的权重系数；(2)建立预测时域内性能指标离散化的预测形式；(3)建立预测优化的二次规划型，采用有效集法求解该预测优化问题，实时计算出危险区域下行人避障所需要的期望加速度。在步骤5)中，所述设计神经模糊滑模制动控制器，通过该控制器调节制动压力的指令来完成对期望加速度的跟踪，实现汽车对行人的主动保护和防撞的具体方法可为：(1)针对车辆动力学的非线性和参数不确定性，采用神经滑模控制方法，设计由等效控制和变结构控制构成的去制动压力神经滑模控制律，实现对期望加速度的跟踪控制。(2)对于上一步求出的神经滑模控制律，采用准滑动模态方法，引入饱和函数，设计边界层“实时变宽变窄”的模糊控制逻辑，有效减弱神经滑模变结构控制引起的抖振。本发明首先通过车载传感器和微处理器采集汽车本身及周围环境信息，提取前方行人特征，并进行分析处理，将处理后的信号传输至危险区域判别和预警模块中，检测行人在预警区，则进行预警提示驾驶员，检测行人在危险区，则将危险信号传输至期望加速度生成模块中，通过预测优化，动态规划出汽车与行人避免碰撞的期望加速度，最后通过制动控制模块实现期望加速度的跟踪控制，完成主动保护行人。本发明充分考虑行人和车辆间的耦合特性，通过行人特征提取、危险区域判别、期望加速度动态规划和神经模糊滑模制动控制，有效克服行人运动特征的随机不确定性和车辆行驶动力学的非线性，快速实现危险工况下汽车自动制动控制，主动保护行人安全。附图说明图1是本发明的基于人车协同的汽车行人防撞智能控制系统实施例的结构示意图。图2是本发明的汽车和行人纵向相对位置示意图。具体实施方式以下实施例将结合附图对本发明作进一步的说明。如图1所示，本发明所述一种基于人车协同的汽车行人防撞智能控制系统实施例设有车载传感器2、道路信息采集模块3、微处理器4、预警器5、危险区域差别模块6、期望加速度生成模块7、制动控制模块8。所述车载传感器2设于汽车1上，车载传感器2接道路信息采集模块3的输入端，道路信息采集模块3的输出端接微处理器4的输入端，微处理器4的行人特征分析处理信号输出端分别接预警器5的输入端和危险区域差别模块6的输入端，当检测行人在预警区时，预警器5的危险信号输出端发出预警信号提示驾驶员，当检测行人在危险区时，危险区域差别模块6的危险信号输出端接期望加速度生成模块7的输入端，期望加速度生成模块7的输出端接制动控制模块8的输入端，制动控制模块8的输出端为汽车1输出期望加速度的跟踪控制信号，完成主动保护行人。所述一种基于人车协同的汽车行人防撞智能控制方法，包括以下步骤：步骤1：检测汽车行驶前方行人，获取汽车自身状态、汽车与行人纵向距离信息。第一步：通过车载单目CCD摄像机采集汽车行驶前方信息，利用车载微处理器对采集的图像进行处理和特征提取，实时地检测和获知汽车前方可靠、准确的行人特征信息。第二步：通过毫米波雷达传感器获取汽车与行人的纵向距离信息及行人速度信息。通过车载速度编码器采集车辆纵向行驶速度。步骤2：根据汽车与行人纵向相对位置信息，建立安全距离模型，进行危险区域判别，设计防碰撞预警机制。第一步：根据步骤1获取的汽车与行人相对距离位置信息，将汽车前方的道路区域分为预警区域和危险区域。第二步：通过统计分析法建立描述驾驶员意图的最小安全距离模型，包括驾驶员识别交通情况并做出反应所需要的距离和汽车停车后驾驶员所期望的行人车辆间静止距离，如下：ddes＝τhvf+d0式中，ddes表示最小安全距离模型，τh表示人车时距，取值为1.2～2.0s,d0表示驾驶员所期望的行人和车辆间静止距离,d0取值2～5m,vf为车辆纵向速度。第三步：通过上述步骤获取的最小安全距离模型，对行人和车辆的安全状态进行判别，判别依据表示为如下d>daddes<d<dad≤ddes]]>式中，d表示汽车与行人之间的实际距离，da表示最大安全距离。若汽车与行人之间的实际距离d大于设定的最大安全距离da，则车处于安全状态。若汽车与行人之间的实际距离d大于最小安全距离ddes和小于最大安全距离da，则人车处于预警区域，系统需对驾驶人员和行人发出警示信号。若汽车与行人之间的实际距离d小于最小安全距离ddes，行人和汽车处于危险区域，需要进行智能辅助制动控制。步骤3：建立行人/车辆纵向耦合动力学模型，行人/车辆耦合动力学模型依赖于人车间距动力学模型和汽车加速度响应模型。第一步：如图2所示，x和xp分别表示车辆和前方行人纵向位置坐标，定义Δd为汽车相对于前方行人的相对距离偏差，Δv为汽车与前方行人相对车速偏差，人车间距动力学模型为：Δd＝ddes-dΔv＝vp-vf其中，vp为前方行人速度，vf为车辆纵向速度。第二步：采用最小二乘法辨识汽车纵向加速度动态响应的一阶惯性传递函数模型，如下：af=KTs+1afdes]]>式中，K表示增益系数，T表示延迟时间，s表示变量，af汽车纵向加速度，afdes表示汽车期望加速度。第三步：综合人-车间距动力学模型和汽车加速度动态响应模型，得到人车纵向耦合动力学模型，表示为状态空间表达式方程形式：x·=A1x+B1u+G1v]]>y＝C1x+w其中，x＝[ΔdΔvaf]T为系统状态向量，y为系统输出向量，u＝ades为控制输入向量，v＝ap为输入干扰向量，w为输出干扰向量，A1、B1和G1为输入系数矩阵，C1为输出系数矩阵。A1=01-τh00-100-1/T;B1=00K/T:C1=100010001]]>G1＝[010]T第四步：对由第三步建立的连续时间系统模型进行离散化处理，按采样周期0.15s将人车耦合动力学模型进行离散化处理，可得离散化线性系统的状态方程：x(k+1)＝Ax(k)+Bu(k)+Gv(k)y(k)＝Cx(k)+w(k)其中A＝TsA1+I；B＝TsB1；G＝TsG1式中，A,B和G为离散状态方程的系数矩阵，C为离散状态方程的输出系数矩阵，Ts表示采样周期。步骤4：针对人车耦合纵向动力学模型，采用预测优化控制方法，实时动态规划出危险区域内汽车避免与行人发生碰撞的期望加速度。第一步：设计行人防碰撞安全性能指标函数，为了快速、安全地实现行人防撞，将人车间距误差和人车速度误差的二范数作为安全性能指标函数L：L＝ω1Δd2+ω2Δv2式中，ω1和ω2表示距离误差和速度误差的权重系数，采用经验标定法获取。第二步：建立安全性能指标函数L的预测形式：L=Σi=1P||Δd(k+i+1|k)||ω12+Σi=1P||Δv(k+i+1|k)||ω22]]>其中，k表示当前时刻，(k+i+1|k)表示利用k时刻信息对k+i+1状态进行预测，P为预测时域长度。第三步，建立预测优化的二次规划型，采用有效集法求解预测优化问题，实时计算出危险区域下行人避障所需要的期望加速度。预测优化问题如下：mini=0:P-1L=Σi=1P||Δd(k+i+1|k)||ω12+Σi=1P||Δv(k+i+1|k)||ω22]]>s.t.x(k+1)=Ax(k)+Bu(k)+Gv(k)y(k)=Cx(k)+w(k)umin≤u(k+i|k)≤umaxΔumin≤Δu(k+i|k)≤Δumaxi=0:P-1]]>式中，umin控制输入下界，umax控制输入上界，Δumin为控制增量下界，Δumax为控制增量上界。步骤5：设计神经模糊滑模制动控制器，通过该控制器调节汽车制动压力的指令来实现对期望加速度的跟踪控制，完成汽车对行人的主动防撞。步骤5.1：根据车辆纵向行驶时特性，建立描述制动工况下车辆传动、行驶系及整车运动系统模型的汽车纵向动力学模型：v·=1J(Teminr-Tbr-Mgfcosθ-CdAav2-Mgsinθ)+ΔEτbT·b+Tb=Kp·Pb]]>式中，Temin代表油门开度为零时的发动机最小输出扭矩，Tb表示制动力矩，表示道路坡度，r表示车轮半径，J为等效转动惯量，f表示滚动阻力系数，M表示汽车质量，g为重力加速度，Cd表示风阻系数，Aa表示等效迎风面积，Pb为制动压力，Kp为制动压力比例系数，τb制动系统响应滞后时间，ΔE为有界不确定项。步骤5.2：针对汽车纵向动力学系统具有参数不确定性、非线性和外部干扰等特性，采用神经滑模控制方法设计制动力矩的等效控制律和变结构控制律。步骤5.2.1：加速度生成器输出期望加速度为ades，车载速度传感器测量实际加速度为a，则期望加速度ades与实际加速度偏差e为：e＝ades-a步骤5.2.2:首先确定滑动曲面S：S=e+λ∫0tedt]]>式中，λ表示滑模面系数。若达到理想的滑动模态控制，需满足：dSdt=a·des-a·+λ(ades-a)=0]]>滑动模态运动达到理想终点时，满足S＝0及由式可求出系统在滑动模态区内的制动力矩的等效控制。步骤5.2.4：采用神经滑模控制方法，将纵向动力学模型带入期望滑动模态，得：e·+λades-λJrTe,min+λJrTb+λJξ=0]]>其中，ξ表示时变不确定非线性函数。求出制动力矩等效控制律：式中，Tb,eq表示等效制动力矩，表示非线性函数估计值，ε1为网络的逼近误差，W1T为神经网络的权值向量，h1(x1)＝[h1j]T为网络的高斯基函数向量，表示如下：h1j=exp(||x1-c1j||22b1j2)]]>式中，x1为网络的输入信号，j为网络隐含层第j个节点，c1j为第j个节点的中心矢量，b1j为第j个节点的神经元宽度。步骤5.2.4：定义滑模曲面S1＝S，设计变结构控制律如下：Tb,vs＝K1sgn(S1)其中Tb,vs表示由变结构控制律求出的制动力矩，K1表示变结构控制增益系数，且其dr1为ΔE的上界。步骤5.2.5：综合等效控制律和变结构控制律，求出期望制动力矩控制律为：Tb,des＝Tb,eq+Tb,vs式中，Tb,des为期望制动力矩。步骤5.3：针对汽车制动压力的动态响应特性，根据步骤5.2求出的期望制动力矩，推导出汽车所需的期望制动压力。步骤5.3.1：对于制动压力响应特性，定义理想制动力矩和实际制动力矩的偏差e′：e′＝Tb,des-Tb基于上式所定义的期望制动力矩和实际力矩的控制偏差，定义滑模曲面S2：S2＝e′步骤5.3.2：针对步骤5.3.1定义的滑模曲面S2，采用神经滑模控制方法，求得由等效控制和变结构控制组成的制动压力控制律为：Pp=1Kp(τbT·b,des+Tb+τbK2sgn(S2))]]>式中，为期望制动力矩变化率，K2表示变结构控制增益系数，W2T为神经网络的权值向量，h2(x2)＝[h2j]T为网络的高斯基函数输出向量：h2j=exp(||x2-c2j||22b2j2)]]>式中，x2为网络的输入信号，c2j为第j个节点的中心矢量，b2j为节点的神经元宽度。步骤5.4:采用基于模糊逻辑调整的自适应边界层控制方法来削弱步骤4推导出的汽车纵向神经滑模控制律引起的抖振问题。步骤5.4.1：为削弱滑模变结构的抖振，采用准滑动模态方法，在制动力矩和制动压力的神经滑模控制律中引入饱和函数sat(Si/Δi)代替切换函数sgn(Si)，i＝1,2。步骤5.4.2：根据滑模面Si的大小，在遵循边界层宽度Δi在系统运动趋向稳态过程中逐渐减小的原则下，设计边界层“实时变宽变窄”的模糊控制调节器，滑模边界层的宽度Δi根据滑模面状态Si的大小来动态调节。本发明包括人车协同的期望加速度动态规划设计过程和辅助制动控制设计过程。首先，通过车载传感器和微处理器采集汽车自身及周围环境信息，提取前方行人特征，并进行分析处理。其次，将处理后的信号传输至危险区域判别和预警模块中，判断行人在预警区，则进行预警提示驾驶员，判断行人在危险区，则将危险信号传输至期望加速度动态规划模块中。然后，通过预测优化，实时动态规划出避免汽车与行人碰撞的汽车期望加速度。最后，通过神经模糊滑模制动控制模块完成对期望加速度的跟踪控制，实现主动行人保护。以上内容是结合优选技术方案对本发明所做的进一步详细说明。