一种基于车车通信的弯道风险预估计算方法与流程

文档序号:16189955发布日期:2018-12-08 05:35阅读:362来源:国知局
一种基于车车通信的弯道风险预估计算方法与流程

本发明涉及的是一种用于车辆控制和交通安全技术领域的方法,具体是在车车通信的环境下,感知获取车辆在弯道跟车过程中车辆状态信息及环境信息,分析驾驶人的危险感知量化,提出一种弯道风险预估计算方法,为弯道工况下行驶的车辆提供实时的风险判断,此方法可广泛应用于自适应巡航控制、自动驾驶等领域。



背景技术:

随着我国公路交通的快速发展,公路交通安全问题日益严重,安全研究受到人们越来越多的重视,交通事故的发生与所在的道路、交通条件是密不可分的。相比于直线路段,弯道是交通事故的多发路段,其事故的发生概率大,事故严重程度高。单位里程的公路,在弯道上发生的事故数明显高于直线路段上事故次数,特别是弯道与纵坡结合在一起的路段,发生事故的概率更大。根据我国交通事故统计年报,2005年,我国弯道路段发生的交通事故占全部事故的7.84%,从发生事故的严重程度来看,在全部的交通事故中,弯道死亡事故占有全部死亡事故的16.3%。由此可以看出,在公路弯道路段安全面临着严峻的挑战。道路交通系统是一个由“人、车、路、环境”组成的复杂的人机系统,交通事故是人、车、路、环境系统的不协调导致发生的,而在这个系统中,“人”是一个最为复杂的因素。但是,目前国内对于弯道安全的分析主要集中在道路设计、安全设施等方面,或者针对驾驶人超速、醉驾等违规行为提出一些改进发明,或者根据车辆动力学特征进行行驶安全判断,或多或少地忽略了人的心理生理因素。比如一种基于车路协同的弯道安全车速计算方法,专利号为CN107993453A,该发明专利主要考虑车辆的侧滑侧翻情况来建立安全车速,即便引入了驾驶风格来表征不同驾驶人的异质性,但没有涉及驾驶人在弯道驾驶过程中的危险感知与自我驾驶调节。风险动态平衡理论,认为驾驶人在驾驶过程中企图把危险水平保持在一个主观可接受的水平内。人具有一个主观的风险接受水平,这一水平是人们对其行为获利的期望与该行为对健康与安全的影响进行综合判断后的结果。风险动态平衡理论认为驾驶人在驾驶过程中企图把危险水平保持在一个主观可接受的水平内。在行车中,驾驶人不断感知和评估他们所面临的危险程度,将危险程度与自己期望水平进行比较,并尝试将两者之间的差异降至零。如果主观风险水平低于可接受水平,人们倾向于采取增加风险的行动。但是,如果主观风险水平高于可接受水平,他们会尝试更加谨慎。根据风险动态平衡理论,驾驶人应该尝试在驾驶活动中对风险进行优化,在这种情况下,最优意味着驾驶人的驾驶需求能够达到最佳的风险程度,不仅仅是消除风险为目标。驾驶过程中的危险可分为客观危险和主观危险。主观危险实际上是驾驶人感知到的危险、主观危险和客观危险有时候一致,但有时候又不同。比如,驾驶人在驾驶模拟器里开车所感受到的危险主要是指主观危险,客观危险实际并不存在;驾驶人从比较窄的道路开车到比较宽的道路上时,因为主观感觉到的危险减少而提高车速。所以,在驾驶行为分析过程中既需要考虑客观危险,也需要考虑主观危险,相比于客观危险,主观危险更难于量化。随着通信技术、信息技术、传感器技术的快速发展,车车通信、车联网、车路协同成为了可能,为交通安全问题的解决提供了更多的可能。特别是自动驾驶是当前一大热点,各大公司也陆续推出自动驾驶车辆,然而在自动驾驶的前期阶段,需要更多的考虑驾驶人的因素。自动驾驶的优势在于可以避免人类感知和判断能力的局限性,从而减少甚至消除交通事故的发生,这就要求自动巡航控制系统能充分考虑“人-车-环境”等多因素对弯道跟车的影响,保证其行车安全性。因此,在车车通信的基础上,通过车载传感器可以获知车辆信息及交通环境信息,对车辆在弯道风险感知作出预估,为弯道安全提供合理判断是一件非常重要事情。



技术实现要素:

针对以上技术的不足,本发明给出了一种基于车车通信的弯道风险预估计算方法。车辆在弯道跟车行驶过程中,设计风险状态预估计算方法,判断车辆在弯道过程中的风险状态,在我们设计的弯道风险预估计算方法,能够为弯道工况下行驶的车辆提供实时的风险判断,使得车辆能够提前得知到所处环境中的风险状态,并能够按照驾驶人的驾驶习惯提前对车辆进行操作,保证车辆通过弯道时的安全性与舒适性,进一步提高了弯道安全性。

本发明通过以下技术方案实现,具体步骤如下:

(1)交通情景设定,典型的弯道,道路上的交通流量较少,交通畅通,环境干扰较小,路面干燥,道路平整,天气晴朗。

(2)实时获取车辆状态及环境状态信息,主要是通过满足车车通信条件的两辆车辆来实现。车辆安装数据采集系统和车车通信系统,其中数据采集系统包括若干传感器和线路,比如双天线GPS、惯性测量单元、CAN智能转换协议、毫米波雷达、Mobileye等。数据采集系统需要采集的信息主要包括航向角信息、经纬度、GPS坐标信息、速度、加速度、转向灯、是否刹车等。

(3)选取危险量化指标,弯道行驶过程中的危险包括客观危险和主观危险,所以危险的量化指标也分为客观指标和主观指标。其中,车头时距TH和距离碰撞时间TTC是两个常用来进行量化客观危险感知的指标,为了避免两车速度相等的时候,计算公式出现零除,可以用TTC的倒数(即1/TTC)来代替TTC,在本文中采用了安全裕度作为主观危险感知水平量化指标。

(4)计算危险量化指标值,基于车车通信,利用驾驶员亲自驾驶过多个弯道时收集到的车辆状态和道路环境状态信息计算危险量化指标。对计算结果进行分析,确定危险指标的安全阈值。

(5)风险预估系统充分考虑“人-车-环境”等多因素对弯道驾驶风险的影响,根据所处环境实时作出预估,判断风险水平。

(6)设计弯道风险预估计算方法,确定弯道危险事件表示方法,定义危险事件发生的概率,使用多指标自适应加权融合算法求得危险事件的最优加权因子。

(7)计算弯道风险预估值,设计分级危险判断规则。

所述的一种基于车车通信的弯道风险预估计算方法,其函数表达方程:

其中,i是指危险事件,共有n个危险事件;Pi是指车辆在弯道上行驶时危险事件i发生的概率,0≤Pi≤1;Gi指危险事件i的权重,弯道上的车辆发生危险事件i所造成的影响程度。

本发明选用三个危险事件,分别通过危险量化指标来进行判断,当n=3时,弯道风险预估函数R可以表示为:

式中,TTCS、THS、SMnS分别为危险量化指标的安全阈值,基于车车通信,利用驾驶员亲自驾驶过多个弯道时收集到的车辆状态和道路环境状态信息计算危险量化指标。对计算结果进行分析,确定危险指标的安全阈值Y=[TTCS,THS,SMnS]T=[9.0,2.67,0.92]。

接下来,应用多指标自适应加权融合算法寻求最优加权因子。其中,假设条件是危险事件发生概率Pi的方差σi,i=1,2,3,它们彼此之间相互独立,且R的无偏估计。模型中最终融合值需要满足一定的约束条件。

总方差σ2

应用多元函数求极值理论,求得总方差最小时所对应的最优加权因子为Gi*,对应的总方差的最小值为

设Rii为Pi的自协方差函数,Rij为Pi和Pj的互协方差函数,当测量次数为k时,Rii的时间域估计值为Rii(k),Rij的时间域估计值为Rij(k),则Rij的估计值利用Rij(k)的均值求得,最终估计出σi2

风险预估值R计算完成后,可根据其大小分级别判断当前行车的安全状态。制定弯道风险判断规则为:

与传统的风险预估函数相比,本发明基于车车通信的弯道风险预估计算方法加入了与驾驶员特性相关的危险量化指标,更加符合驾驶人习惯。特别是安全裕度指标,安全裕度越高,意味着后车驾驶员会有更多的反应时间来应对前车的制动操作。在计算风险与估值后,制定的弯道风险判断规则,可以选择多种多样的提醒方式实现安全预警,比如:声音提醒、不同灯光颜色提醒。在通信技术和传感器技术不断完善发展的环境下,保证了信息感知模块更加准确,车车通信保证了信息的完整高效传输,特别是随着科技的更新换代,未来5G将为车车通信提供更优的传输。本发明能够为弯道工况下行驶的车辆提供实时的风险预估,根据风险判断规则得出具体的安全状态,使得车辆能够提前得知到所处环境中的风险状态,保证车辆在弯道时的安全性。

附图说明

图1本发明技术路线结构图;

图2本发明实施例中车辆弯道跟车运动示意图;

图3车车通信数据采集过程示意图;

图4事故风险的最佳水平图;

图5弯道行驶过程中的危险感知量化结构图;

图6危险指标的频率分布直方图:(a)在弯道工况下车辆的车头时距TH的频率分布直方图;(b)在弯道工况下车辆的距离碰撞时间1/TTC的频率分布直方图;(c)在弯道工况下车辆的安全裕度SM的频率分布直方图;

图7多指标自适应加权融合算法图。

具体实施方式

下面将结合附图及实施例对本发明做进一步的详细说明。

本发明是在车车通信的基础上,选择危险量化指标,设计风险状态预估计算方法,判断车辆在弯道过程中的风险状态,为弯道工况下行驶的车辆提供实时的风险判断,具体步骤如下:

(1)确定跟车危险量化指标集:

RQI=(THn(t),1/TTCn(t),SM(t))

式中,RQI指危险量化指标(Risk quantification indicator)。

(2)引用危险度ξ(τ,t)和安全裕度SM(t)计算公式:

为保障安全,要保证ξ(τ,t)≤1.0,因此有:

所以,安全裕度为:

SM(t)=1.0-ξ(τ2,t)

式中,τ为制动反应时间,包括驾驶人反应时间(τ1)和制动器反应时间(τ2),τ=τ1+τ2,dn(t)为后车减速

度,dn-1(t)为前车减速度。

(3)计算弯道跟车危险量化指标TH、1/TTC、SM:

设计驾驶员开车经过多个弯道的实验,通过数据采集系统和车车通信系统获取车辆状态及环境状态信息,根据所得信息计算弯道跟车危险量化指标。

式中,Dn(t)是两车间隙(后车前端到前车后端的距离),Ln-1是前方车辆n-1的车长,Vn(t)是后车车辆n在t时刻的速度,Vn-1(t)是前车车辆n-1在t时刻的速度。

(4)确定风险安全阈值:

Y=[TTCS,THS,SMnS]T=[9.0,2.67,0.92]

式中,通过弯道实验采集数据后进行公式计算,分析弯道驾驶行为特性并绘制频率分布直方图,经过分析得到危险指标的安全阈值Y。

(5)构建弯道风险预估计算方法,函数表示为:

式中,i是指弯道上的危险事件,共有3个危险事件;Pi是指车辆在弯道上行驶时危险事件i发生的概率;Gi指危险事件的权重。

(6)应用多指标自适应加权融合算法:

在保证总方差最小的条件下,根据各测量值的大小,通过自适应方式寻找与之对应的最优加权因子,从而使融合后的估计值最优。

(7)制定弯道风险判断规则为:

弯道风险判断规则分为三个级别:安全、注意、危险;可以根据不同级别为驾驶人提供个性化提示语,或者通过车辆控制确保安全。

图3车车通信数据采集过程示意图,前车和后车是通过车车通信系统进行通信传输,GPS设备是通过卫星采集车辆的位置、速度等信息;惯性测量单元可以得到加速度与角加速度等数据,与GPS进行组合导航使得定位精度更高;CAN智能协议转换器可以实现CAN总线与工控机通讯;毫米波雷达主要是采集前车的距离;Mobileye负责采集车头时距、车道偏移等信息。

图4事故风险的最佳水平图,随着驾驶风险水平的增加,驾驶人的预期收益和预期损失都会增加。预期净收益等于预期收益减去相应的预期损失的绝对值,二者之间存在一个最佳状态使得预期净收益最大。比如,驾驶人在道路上以较高速度行驶,会减少路途的行程时间,他将获得更多的驾驶刺激和兴奋感,同时高速策略会使驾驶人付出更多的运营成本,并且当发生交通事故时会造成更严重的后果。

图5弯道行驶过程中的危险感知量化结构图,弯道行驶过程中的危险包括客观危险和主观危险,所以危险的量化指标也分为客观指标和主观指标。其中,车头时距和距离碰撞时间是两个常用来进行量化客观危险感知的指标,这两个指标是很常用的。相比于客观危险,主观危险更难于量化。根据风险动态平衡理论,主观危险感知指标应该具备四个特征,分别是,危险感知指标不仅能表达主观危险水平,也能表征客观危险水平;在一定的交通环境下,驾驶人具有固定的危险可接受水平,并根据这一水平来确定其行为;驾驶人会根据感知到的危险变化调整车速,因此在行驶过程中,该指标应该围绕一个固定的值波动;经过训练,在相同的环境下,人们具有相似的危险可接受水平。所以本发明选用了安全裕度作为主观危险感知水平量化指标。安全裕度中包含了前车速度、后车速度、两车距离以及反应时间,计算公式中的大括号中的第一项与车头时距有关,第二项与距离碰撞时间有关,因此安全裕度参数包含了行驶过程中的TTC和TH的信息,更能全面的表现危险状态。

图6危险指标的频率分布直方图,在弯道工况下车辆的车头时距TH的频率分布直方图中,TH主要集中在区间(2.2,2.7),均值保持在2.67s;在弯道工况下车辆的距离碰撞时间1/TTC的频率分布直方图中,1/TTC主要集中在区间(-0.11,0.12)中,也就是说驾驶人的距离碰撞时间(TTC)主要保持在9s以上;在弯道工况下车辆的安全裕度SM的频率分布直方图说明了在弯道稳态跟车过程中,安全裕度具有正态分布的特征,SM主要集中在区间(0.90,0.97),均值为0.919。相比于直道,弯道工况下的车头时距、距离碰撞时间、安全裕度均会增大,说明在弯道行驶时,驾驶人保持稳态跟车需要更大的跟车距离,同时,驾驶人所感受到的危险水平发生了变化,驾驶人会提高危险判断阈值,当达到该阈值的上下限时进行相应的速度调整。

图7多指标自适应加权融合算法的模型,本发明使用多指标自适应加权融合算法来计算危险事件Gi的权重值。自适应加权融合算法不需要测量数据的任何先验知识,即可融合出方差最小的指标数据融合值,且估计后的方差小于单个指标数据估计的方差,也小于用多指标数据均值做估计的方差,适用于风险预估函数。在图中,输入量也就是测量值是上文提到的危险指标值,输出量为最优的加权因子。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1