一种基于状态可达集的车辆跟随策略安全验证方法及系统与流程

文档序号:18945134发布日期:2019-10-23 01:30阅读:318来源:国知局
一种基于状态可达集的车辆跟随策略安全验证方法及系统与流程

本发明属于车辆跟随策略技术领域,尤其涉及一种基于状态可达集的车辆跟随策略安全验证方法及系统。



背景技术:

目前,最接近的现有技术:

跟随车辆的驾驶员通过多种速度控制策略保证其行驶安全,这些策略均遵循一定的安全准则,如与前车保持一定的安全间距,或将车速控制在前车速度以下等。诸多已有跟随模型的构建体现了这些基本观点,然而这些跟随建模仅能输出一种安全跟随控制,且基于运动模型的验证也只能输出某种单一确定控制策略的安全结论。可见这些跟随建模方法实质上属于特定跟随控制决策下的车辆行为预测,既不能反映所有可行的安全控制策略,也无法涵盖车辆所有可能的系统行为动态变化,因而无法在理论上保证对车辆跟随策略验证的完备性和准确性。

为此,本发明通过对车辆状态分布的可达性计算,实现对跟随策略下车辆行为动态的完整表述和解析。有别于传统车辆行为轨迹的表述,车辆的运动状态分布是在各种不确定扰动下对车辆行为状态轨迹动态分布的表述,是从车辆初始状态集合到规划目标位置集合的所有状态轨迹不确定性的一种把握。这种表述与把握的基本依据是由于车辆运动系统的输入、输出存在着不确定性,加之车辆是一个具有随机离散控制与实时连续行为模式混合叠加特性的复杂系统,导致了车辆的实际运行状态存在着复杂的不确定性。然而以往的建模方法完整地表述这种不确定性是困难的,因为单一轨迹的行为动态刻画不足以全面表现这种不确定性。而形式化建模方法正是通过遍历车辆行为状态的可达集建模方式,其不仅能清晰地描述车辆动态的系统结构和相关特性,且能够自动遍历系统的完整状态空间,因而从理论上保障车辆跟随策略下状态不确定性表征的完备性和可信性。

因此,车辆跟随策略的安全性验证可以转化为该策略下车辆运动状态的可达性分析,其关键在于车辆运动状态的可达集建模与有效计算。目前,可达集计算主要是通过系统状态域的过近似(over-approximation)抽象,如凸多面体、分段仿射系统、椭圆体等近似形态表现,从系统当前状态域的形态起始,迭代计算后继形态的变化来实现。由于过近似抽象计算复杂度高、成本大,无法对高维度复杂系统进行分析,因此对一般非线性混合自动机上的表现并不如人意。因此在基于凸多面体表达的可达集建模条件下,大多以多面体作为线性混合自动机基本状态域的数值表现形式,最具代表性的为althoff等人对车辆状态可达集分析方法。

安全跟随策略首先应确保跟随控制中车辆不会与前车发生碰撞,其次车速可以控制在前车速度限制以内,或者与前方车辆保留一定的车头间距。此外,在满足上述条件基础上,仍需额外验证车辆控制最终的极限安全条件,即在突发情况下前方车辆与跟随车辆同时紧急刹车直至安全停止。

综上所述,现有技术存在的问题是:

(1)传统车辆跟随建模分析只能验证车辆的单一行为的安全性,而且不能在有限次运算即可遍历车辆所有输入与运行状态的不确定性。理论上不能一次性提供完整的安全跟随控制决策。

(2)驾驶员对车辆的实际控制不是一种精确与稳定的行为模式,现有跟随模型所得控制结果是一种严格的精确控制输入序列,其操作性较差。

(3)现有基于模型计算的行为安全验证方法只能给出定性结论,如危险或安全,未能对驾驶员行为的安全性或风险性作出定量统计分析。

解决上述技术问题的难度:

短时间内无法实现对驾驶员所有计划控制方案的抽样仿真计算。

抽样仿真无法保证对车辆控制状态边缘数据的结果覆盖。

驾驶员行为习惯无法与传统跟随模型所得计划契合。

在无绝对安全通道的交通情形中无法进行控制策略最优、次优等分层次决策。

解决上述技术问题的意义:

基于严格数学定义的形式化建模方法可在有限次的计算内实现对驾驶员控制行为的全面分析验证;

突破以往对跟随决策的一次性确认,实现对安全跟随决策集合的策略表达与分析;

结合已有计算方法,可实现策略的在线快速应用,具有极高的实际效用。



技术实现要素:

针对现有技术存在的问题,本发明提供了一种基于状态可达集的车辆跟随策略安全验证方法及系统。本发明以可达集分析为基础,通过由车辆状态可达集交集判断当前控制策略的安全性,由此获得安全控制集合,为车辆安全跟随行驶提供多种可选决策。此外,为进一步表达车辆跟随行为的不确定性,将车辆跟随状态可达集近似抽象为马尔科夫链,通过对马尔科夫链的更新,表达车辆跟随状态的不确定变化规律,并验证本发明安全跟随策略建模方法的有效性。

本发明是这样实现的,一种基于状态可达集的车辆跟随策略安全验证方法,所述基于状态可达集的车辆跟随策略安全验证方法包括:

第一步,首先利用可达集的状态表现特征分析车辆行为,并通过可达集交集提供的车辆危险行为,进行预警与安全控制方案的筛选,最终获取安全跟随策略。

然后通过马尔科夫链逼近可达集的方式表达系统不确定行为状态的变化,进一步验证安全跟随策略的有效性。

进一步,第一步中,利用可达集的状态遍历表现特征分析车辆行为中,包括车辆状态可达集表征。

采用可达集近似表征的方法建立车辆不确定状态下的行为动态模型,给定一种车辆运动学模型其中表示车辆的运动状态,u∈u表示车辆的控制输入。当t=r时,精确的车辆状态可达集re(t)计算如下:

其中,x(0)为初始状态空间。采用道路纵向空间与车速构建系统连续状态空间x=[s,v],相应的连续控制输入空间为上式中x(0)∈x(0)=[s(0),v(0)],此时初始状态下车辆的可达集re(r)由纵向位置与速度的二维状态空间近似表示,即

采用超近似计算方法求得re(r)的近似值r(r),使得相应地,某一时间范围内车辆的可达集为r[0,r]=∪t∈[0,r]r(t)。

进一步,第一步,并通过可达集交集提供车辆危险行为,进行预警与安全控制方案的筛选中,将跟随策略中的限制条件设定为相应的安全判定事件,具体包括:

事件1,跟随车辆与引导车辆之间的车头间距达到预警值,体现为t时刻,两车位置状态可达集之间的关系为其中f和l分别为跟随车辆与前方引导车辆标识,d为车头间距预警值,为加和运算,表示将跟随车辆的位置可达集向前延伸d距离。

事件2,跟随车辆停止行驶,体现为当前时刻t,跟随车辆速度vf(t)=0。

事件3,跟随车速等于引导车速,体现为t时刻,vf(t)=vl(t),v(t)=center(rv(t)),center()为集合中心,rv(t)表示状态可达集中速度信息。若vl(t)-vf(t)的值由负增加为零,触发事件3为正向触发,否则为负向触发。

事件4,跟随车辆与引导车辆发生碰撞,体现为当前时刻t,两车位置可达集相交,即

进一步,第一步中,获取安全跟随策略的方法包括:

1)系统输入:{sf(0),sl(0),vf(0),vl(0),uf(0),ul(0),t}。

2)t=0:事件1是否触发:是,初始条件即为危险状态,输出风险判断p=0。否,初始条件为安全状态,进入下一检验步骤。

3)t=[0,t]:跟随车辆与引导车辆可达集计算。

4)t=t*∈[0,t]:触发事件1。若uf(0)>ul(0)(u(0)=center(u(0))),p=0。

若uf(0)<ul(0),t*=t,vf(t*)>vl(t*),p=0。

vf(t*)<vl(t*),p=1。

t*<t,t’=[t*,t],触发事件1或事件2或事件3。

p=0。触发事件4或无事件触发,p=0。

5)t=t*∈[0,t]:触发事件2,p=1。

6)t=t*∈[0,t]:触发事件3。

若t*=t,p=1;

若t*<t,t’=[t*,t],触发事件2或无事件触发,p=1。触发事件1或4,p=0。

7)t=t*∈[0,t]:触发事件4,p=0。

8)t∈[0,t]:无事件触发,令

ul(0)=-1,t’=100*t。

t=[0,t’]:跟随车辆与引导车辆可达集计算。

t∈[0,t’]:触发事件4,p=0。否则,p=1。

其中,p=0表示当前控制危险,p=1表示当前控制安全。

进一步,获取安全跟随策略的方法进一步包括:

将系统连续状态空间和输入空间离散化后,得到车辆系统离散空间xi,j=[si,vj],i=1,2,...,n,j=1,2,...,m与uα,α=1,2,...,g。关联事件中跟随车辆与引导车辆的初始状态及控制输入分别为a=(zf=(i,j),yf=α),b=(zl=(i',j'),yl=β),则跟随车辆的安全行驶概率为:

其中,p(t)表示控制输入持续时间为t的事件概率,确定安全跟随策略中跟随车辆当前时刻选择某一离散控制输入区段α的概率为:

进一步,第二步中,通过马尔科夫链逼近可达集的方式表达系统不确定行为状态的变化,进一步验证安全跟随策略的有效性中,具体包括:

步骤1,离散化车辆状态可达集,并用可预测的马尔科夫链进行逼近。通过下式估算出车辆在下一时刻与时段的马尔科夫链:

其中,γ(tk)为可行的时变控制输入转移矩阵,反映安全跟随策略中控制输入的选择统计概率。时刻状态转移矩阵φ(τ)与时间段状态转移矩阵φ(0,τ),其中τ为马尔科夫链的时间步长。

步骤2,当tk时刻车辆状态为x=(i,j)时,跟随车辆控制输入由β区段到α区段的转移概率为则车辆选择控制输入α区段的概率为:

其中,

其中,ψ为固有转变矩阵,为车辆固有行为中的控制输入变化律。参数γ取值越大,车辆控制输入调整越频繁,取值越小则车辆控制输入越少调整。λ为优先级变量,反映车辆速度受到交通环境制约从而被动地采取变速措施时,车辆对控制输入离散区段的优先选择概率。车辆控制输入优先选择在一个固有区段内,极端驾驶状态则选择在固有区段外,将控制输入优先选择区段α的概率记为μα,处在自由行驶状态的车辆控制输入选择概率为

步骤3,安全跟随策略下车辆优先选择控制输入区段α的概率以固有概率μα为基础,条件概率为上限,根据如下式变换确定:

其中,在式(8)中,为了满足条件:另有

进一步,第二步,验证安全跟随策略的有效性中,通过构建离线计算与在线验证计算框架,对车辆运动状态的随机可达集建模,表现跟驰车辆个体行为产生的不确定性。

所述离线计算中,首先以状态可达集的离散变化近似表达车辆的连续运动,对车辆运动状态的初始随机过程可达集采用马尔科夫链逼近的表现方式,将初始连续的车辆运动状态空间分割为若干栅格,进行离散化车辆运动状空间;接着计算系统状态由一列栅格转移到另一列栅格的概率,并将结果储存到马尔科夫转移矩阵中。

然后,近似抽象车辆运动状态变化的转移规律,提取车辆运动状态与状态转移矩阵。

再通过在线计算控制输入提供的安全跟驰模式下车辆之间状态关联矩阵,在引导车辆行为制约下为跟驰车辆安全决策提供模块化操作的选择依据和确认选择概率;并且通过对跟驰模式中关联车辆之间行为安全的离线仿真验证,获得车辆状态及控制输入之间的安全关联矩阵。

最终,引导车辆的踪迹分布依据所得马尔可夫链实现状态空间的更新迭代;跟随车辆依据引导车辆与自身当前状态条件,以关联矩阵为约束,得到不同操作选择的风险评价,进行安全方案的优选。

本发明的另一目的在于提供一种实施所述基于状态可达集的车辆跟随策略安全验证方法的基于状态可达集的车辆跟随策略安全验证系统。

本发明的另一目的在于提供一种实现所述基于状态可达集的车辆跟随策略安全验证方法的信息数据处理终端。

本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的基于状态可达集的车辆跟随策略安全验证方法。

综上所述,本发明的优点及积极效果为:

本发明提出的基于车辆状态可达集的马尔科夫链逼近来实现安全跟随策略建模与验证的方法。该方法利用可达集的状态遍历表现特征描述车辆行为,并通过可达集交集提供危险行为的预警与安全控制方案的筛选,从而一次性完整体现了安全跟随策略;然后通过马尔科夫链逼近可达集的方式表达系统不确定行为状态的变化,验证安全跟随策略的有效性。实验结果表明,提出的建模实现方法不仅完备地表征并检验了车辆不确定行为,还可提供完整的安全跟随控制决策方案,显著提高了跟随策略的安全性与适用性。

附图说明

图1是本发明实施例提供的基于状态可达集的车辆跟随策略安全验证方法流程图。

图2是本发明实施例提供的t∈[2-2.5]s跟随车辆可行输入、速度及位置直方图。

图3是本发明实施例提供的不同时间区段的车辆踪迹分布图。

图4是本发明实施例提供的安全跟随策略下车辆之间的碰撞概率图。

图5是本发明在实现在线应用时的技术路线图。

图6是本发明实施例在在线应用方法技术路线下的程序运行时间数据(实施例中方法应用在线计算时间(0.007s))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仅用以解释本发明,并不用于限定本发明。

传统车辆跟随建模分析只能验证车辆的单一行为的安全性,而且不能在有限次运算即可遍历车辆所有输入与运行状态的不确定性。理论上不能一次性提供完整的安全跟随控制决策。

针对现有技术存在的问题,本发明提供了一种基于状态可达集的车辆跟随策略安全验证方法,下面结合附图对本发明作详细的描述。

如图1所示,本发明实施例提供的基于状态可达集的车辆跟随策略安全验证方法,包括:

s101,利用可达集的状态遍历表现特征描述车辆行为,并通过可达集交集提供的危险行为,进行预警与安全控制方案的筛选,最终获取安全跟随策略。

s102,通过马尔科夫链逼近可达集的方式表达系统不确定行为状态的变化,进一步验证安全跟随策略的有效性。

下面结合具体实施例对本发明作进一步描述。

实施例

本发明实施例提供的基于状态可达集的车辆跟随策略安全验证方法包括:

1系统建模。

1.1建模方法。

在复杂的道路交通环境中,跟随车辆的运动状态变化存在复杂的不确定性,这些不确定性不仅来自于车辆运行过程中行为状态的随机波动,也源自于受前方车辆位置与速度影响而导致的控制选择的不确定,因此跟随车辆在跟随决策中的踪迹分布(是在各种不确定扰动下对车辆行为状态轨迹动态分布的表述,是从车辆初始状态集合到规划目标位置集合所有状态轨迹不确定性的一种把握)变化具有很强的随机性特征。为此,提出采用可达集的建模思想,完整表达与解析在各种不确定条件下的车辆跟随控制策略的安全性。

本质上讲,车辆跟随策略的安全性问题是一类多级安全判断问题,为此通过构建多层事件判定模型解析跟随控制的安全性。在此模型中,假设跟随车辆与引导车辆之间的行为相互独立,并在当前运动状态及控制输入条件下分别对跟随控制时段内两车踪迹分布的可达集建模,以及计算前后车辆踪迹分布可达集相对关系的概率,分析跟随控制策略的风险程度,验证跟随车辆的当前所有可行的控制策略的安全性及安全程度。为有效统计安全跟随策略的应用效果,按照统计学原理模拟跟随车辆所有可能的安全控制策略选择,即按照一定的统计概率选择所有可行安全控制输入,而非某一确定的控制输入。

1.2系统建模过程。

1)车辆状态可达集表征。

为表达车辆的不确定行为状态,采用可达集近似表征的方法建立车辆不确定状态下的行为动态模型,详尽建模过程参见前期研究。简要地说,给定一种车辆运动学模型其中表示车辆的运动状态,u∈u表示车辆的控制输入。当t=r时,精确的车辆状态可达集re(t)计算如下:

其中,x(0)为初始状态空间。本发明采用道路纵向空间与车速构建系统连续状态空间x=[s,v],相应的连续控制输入空间为因此上式中x(0)∈x(0)=[s(0),v(0)],此时初始状态下车辆的可达集re(r)可由纵向位置与速度的二维状态空间近似表示,即

本发明采用超近似计算方法[11-12]求得re(r)的近似值r(r),使得相应地,某一时间范围内车辆的可达集可近似为r[0,r]=∪t∈[0,r]r(t)。

2)跟随策略多级事件表述。

将跟随策略中的限制条件设定为相应的安全判定事件,具体包括:

事件5跟随车辆与引导车辆之间的车头间距达到预警值,体现为t时刻,两车位置状态可达集之间的关系为其中f和l分别为跟随车辆与前方引导车辆标识,d为车头间距预警值,为加和运算,表示将跟随车辆的位置可达集向前延伸d距离。

事件6跟随车辆停止行驶,体现为当前时刻t,跟随车辆速度vf(t)=0。

事件7跟随车速等于引导车速,体现为t时刻,vf(t)=vl(t),v(t)=center(rv(t)),“center()”为集合中心,rv(t)表示状态可达集中速度信息。若vl(t)-vf(t)的值由负增加为零,触发事件3,称之为正向触发,否则为负向触发,显然正向触发为安全控制,负向触发需进一步确认,本发明仅考虑负向触发。

事件8跟随车辆与引导车辆发生碰撞,体现为当前时刻t,两车位置可达集相交,即

依据各事件触发的逻辑顺序确定出的跟随控制安全检验流程如表1所示:

表1跟随控制安全检验流程

注:p=0表示当前控制危险,p=1表示当前控制安全。

为表达系统的不确定性,将系统连续状态空间和输入空间离散化后,得到车辆系统离散空间xi,j=[si,vj],i=1,2,...,n,j=1,2,...,m与uα,α=1,2,...,g。若定义关联事件中跟随车辆与引导车辆的初始状态及控制输入分别为a=(zf=(i,j),yf=α),b=(zl=(i',j'),yl=β),则跟随车辆的安全行驶概率为:

其中,p(t)表示控制输入持续时间为t的事件概率,其值不必通过检测获得,可依据驾驶员的平均分布情况设定其数值。由此可确定安全跟随策略中跟随车辆当前时刻选择某一离散控制输入区段α的概率为:

3)安全跟随策略验证。

为验证控制检验下的安全跟随策略的不确定性,离散化车辆状态可达集,并用可预测的马尔科夫链进行逼近。这里马尔科夫链的更新取决于两个转移矩阵:时刻状态转移矩阵φ(τ)与时间段状态转移矩阵φ(0,τ),其中τ为马尔科夫链的时间步长。为此,通过下式估算出车辆在下一时刻与时段的马尔科夫链:

其中,γ(tk)为可行的时变控制输入转移矩阵,反映安全跟随策略中控制输入的选择统计概率。当tk时刻车辆状态为x=(i,j)时,设跟随车辆控制输入由β区段到α区段的转移概率为则车辆选择控制输入α区段的概率为:

其中,

其中,ψ为固有转变矩阵,即车辆固有行为中的控制输入变化律,表现为车辆控制输入在离散区段之间的随机跳变,跳转控制输入之间差值(或控制输入区段序列数值之差)越大,其跳变可能越小;参数γ取值越大,车辆控制输入调整越频繁,取值越小则车辆控制输入越少调整;λ为优先级变量,反映车辆速度受到交通环境制约从而被动地采取变速措施时,车辆对控制输入离散区段的优先选择概率。就人类普遍驾驶习惯而言,车辆控制输入优先选择在一个固有区段内(习惯区段),只有极端驾驶状态则选择在固有区段外,将此控制输入优先选择区段α的概率记为μα,即处在自由行驶状态的车辆控制输入选择概率为

最终,安全跟随策略下车辆优先选择控制输入区段α的概率以固有概率μα为基础,条件概率为上限,根据如下变换而确定:

其中,在式(8)中,为了满足条件:另有

下面结合仿真验证对本发明作进一步描述。

仿真将车辆行为限定在指定的参考轨道上,即在假设横向轨迹偏离与纵向运动相互独立前提下,对车辆纵向(沿轨道方向)与横向行为独立建模。纵向运动用简化运动学模型进行描述,运动轨迹由踪迹分布概率f(s)表示,横向轨道偏离则用分段概率分布函数f(δ)近似表达。于是,车辆未来的踪迹分布概率可表示为f(s,δ)=f(s)·f(δ)。此外,鉴于踪迹分布可视化的目的,参照车辆实体宽度构建了车辆形体分布。

车辆纵向运动的表达式如下:

该运动模型的主要参数有车辆沿轨道的位置s、速度v以及一个标准化加速度输入控制参数u,该参数的变化区间为[-1,1],-1表示车辆全力制动,1表示全力加速,受轮胎摩擦力所限制的绝对极限加速度amax与常量v*由不同的交通参与者的特有性能所确定,本发明暂不考虑弯道行驶环境。为了更加清晰地展示车道中的车辆踪迹分布情形,将同一车道中多车跟随时的踪迹分布独立地显示在不同的车道中,以防止可视化结果中不同车辆踪迹重叠带来的视觉误差。

为验证车辆安全跟随策略的有效性,假设直行车道中a,b,c三车前后依次排列同向行驶,a车位于行进方向最前方,三车的初始速度按照行进方向的先后依次递增,即a<b<c,a车速度恒定为3m/s,且三车车型相同,均为宽2m,长5m。车辆行为特性及验证计算中的主要参数赋值见表2,初始属性见表3。

表2行为特性及主要参数

表3初始属性:均匀分布集合

对该交通情形中三辆车在8s内的行驶情况进行模拟。2-2.5s时间区段内跟随车辆在安全控制策略下的可行加速控制输入选择以及相应的速度与位置变化见图2;三车踪迹的可视化结果按时段划分见图3,图中分别对各车的分布颜色进行归一化处理,图中深色区域表示高概率分布,浅色区域表示低概率分布;三车之间的碰撞概率见图4。

由图2可看出,安全跟随策略可为跟随车辆b、c提供多种控制决策方案选择,车辆相应的安全速度与到达位置也可分布在不同的离散状态区间,而通过对图3中三车之间踪迹相交概率的计算便获得本发明安全跟随策略的有效性统计,如图4所示,由于车a运动状态稳定,车b在行驶过程中与其的碰撞概率较小,而车c状态则随车b的波动而变化,因此两车之间的碰撞风险高于前者。由此可见车辆行为的不确定性对安全跟随的极大影响,也印证了本发明基于可达集计算检验的安全跟随策略的有效性与必要性。

图4中车a与车b的碰撞概率极小,而车b与车c的碰撞概率较大,究其原因,前者引导车辆行为稳定,后者引导车辆为前者跟随车辆,其行为不确定性较前,可见当跟随车辆无法获知引导车辆的准确行为时,传统跟随决策方法已无法满足对不确定行为的分析决策,这也正是本发明跟随策略建模实现方法的设计宗旨,这一结果体现了本发明方法对确定性跟随与不确定跟随的普遍适用性。

图5是本发明在实现在线应用时的技术路线图。

为了提高车辆安全跟驰模式在线验证的效率,构建离线计算与在线验证计算框架,系统行为的模型构成及逻辑关系如图所示,图中虚线链接为数值更新及其方向。

模型框架的离线计算目的之一是为在线验证提供跟驰车辆运动状态估计所需的动态信息(离线部分一)。于是,通过对车辆运动状态的随机可达集建模,表现跟驰车辆个体行为因各种扰动而产生的不确定性。本发明以状态可达集的离散变化近似表达车辆的连续运动,为此,对车辆运动状态的初始随机过程可达集采用马尔科夫链逼近的表现方式,而这一逼近过程分两步进行:(1)将初始连续的系统状态空间分割为若干栅格,以此离散化系统状态空间;(2)计算系统状态由一列栅格转移到另一列栅格的概率,并将结果储存到马尔科夫转移矩阵中。以此近似抽象车辆运动状态变化的转移规律,提取车辆运动状态与状态转移矩阵,以便降低在线运算难度,减少在线估计时间.值得一提的是该计算仅为跟驰车辆运动状态变化规律的近似抽象,不涉及车辆之间的关联行为影响。

目的之二是为在线控制输入提供安全跟驰模式下车辆之间状态关联矩阵,以便在引导车辆行为制约下为跟驰车辆安全决策提供模块化操作的选择依据和确认选择概率(离线部分二)。为此,通过对跟驰模式中关联车辆之间行为安全的离线仿真验证,获得车辆状态及控制输入之间的安全关联矩阵。

在线分析部分中,引导车辆的踪迹分布依据所得马尔可夫链实现状态空间的更新迭代;跟随车辆依据引导车辆与自身当前状态条件,以关联矩阵为约束,可得不同操作选择的风险评价,从而进行安全方案优选。

图6是本发明实施例在在线应用方法技术路线下的程序运行时间数据(实施例中方法应用在线计算时间(0.007s))图。

下面结合具体效果对本发明作进一步描述。

传统跟随建模分析方法只能输出跟随车辆的单一轨迹信息或其安全结论,因而既无法对车辆不确定行为特性进行完整表征,也未能反映所有可行安全控制决策。为此,提出基于状态可达集的车辆安全跟随策略建模分析方法。

实验表明:提出的方法不仅能够自动遍历车辆跟随决策的完整系统状态空间,也克服了对不确定性行为表现的局限,可表现车辆跟随行驶状态、传感器测量以及车辆模型等不确定性引起的不确定行为状态,提高了模型对车辆实际行为的表现力,从理论上保障了车辆跟随策略安全性验证的完备性。

在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。

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。

当前第1页1 2 
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