一种汽车巡航系统关键目标识别方法与流程

技术特征：

1.一种汽车巡航系统关键目标识别方法，其特征在于，包括：

在直道行驶中，采用模糊控制方法对前方车辆进行预换道预测：分别将相邻车道前方车辆与本车侧向相对距离、相对速度以及换道概率转换为模糊论域中的量化等级；

将所述相对距离以及相对速度输入模糊控制模型，所述相对距离分为5个等级，所述相对速度分为5个等级；

模糊控制模型输出为换道概率，将所述换道概率分为5个等级；

在本车车道内前方车辆和在相邻车道内前方车辆换道概率达到设定阈值的车辆中与本车纵向距离最近的车辆为关键目标；

在弯道行驶中，根据前方车辆相对本车车道中心侧向距离d_{off_i}，确定前方车辆是否位于本车车道内，其判别依据如下：

若d_{off_i}＞0且|d_{off_i}|＞d_th，前方车辆位于本车左侧车道内；

若d_{off_i}＜0且|d_{off_i}|＞d_th，前方车辆位于本车右侧车道内；

若|d_{off_i}|≤d_th，前方车辆位于本车道内；

式中，d_th为设定的阈值，取半车道宽；

前方车辆中在本车车道内并且与本车纵向距离最近的车辆为关键目标。

2.如权利要求1所述的汽车巡航系统关键目标识别方法，其特征在于，所述相对距离的论域为{0，4}，所述相对速度的论域为{0，1.4}，所述换道概率的论域为{0，1}，所述阈值为0.51。

3.如权利要求2所述的汽车巡航系统关键目标识别方法，其特征在于，所述相对距离分为5个等级，模糊集为{N，NM，M，ML，L}；所述相对速度分为5个等级，模糊集为{L，LM，M，MH，H}；所述换道概率分为5个等级，模糊集为{S，SM，M，MB，B}；隶属函数均选用梯形隶属函数。

4.如权利要求3所述的汽车巡航系统关键目标识别方法，其特征在于，所述模糊控制模型中控制规则为：

当目标车与本车的相对距离输入为N，相对速度输入为MH，则目标车换道概率输出为B，即目标车换道；

当目标车与本车的相对距离输入为L，相对速度输入为LM，则目标车换道概率输出为S，即目标车未换道；

当目标车换道概率输出为S或SM，则该目标车未实现换道；当目标车换道概率输出为B或MB，则该目标车实现换道；当目标车换道概率输出为M，即该目标车换道概率为换道阈值。

5.如权利要求1所述的汽车巡航系统关键目标识别方法，其特征在于，包括如下步骤：

建立非线性三自由度汽车运动微分方程；

将非线性三自由度微分方程进行线性化；

建立关于质心偏向角和横摆角速度的状态方程与量测方程，将质心侧偏角与横摆角速度进行线性化并迭代至扩展卡尔曼滤波方程，获得质心偏向角和横摆角速度的最优估计值，进而得到道路曲率半径；

根据所述道路曲率得到所述目标车辆相对本车车道中心侧向距离d_{off_i}；

其中，所述目标车辆相对本车车道中心侧向距离其中，式中，d_ri为本车与目标车辆的雷达测量距离；θ_i为本车与目标车辆各自中轴线间的夹角，设定θ_i在右转弯道时，雷达中轴线向回转中心一侧方向为正，背离回转中心一侧方向为负，左转弯道时与规定方向相反；为巡航车所在道路曲率半径；d_VW为巡航车宽度。

6.如权利要求5所述的汽车巡航系统关键目标识别方法，其特征在于，所述卡尔曼滤波器的状态方程为：

x_k＝x_k-1+[M]^-1[K]x_k-1·Δk+[M]^-1[N]δ_k-1Δk+[M]^-1w_k-1·Δk，式中，x_k为实际的状态变量；w_k为过程噪声，I_z为整车绕z轴的转动惯量，I_xz为悬架质量绕x、z两轴的惯性积、Δk为采样时间。

7.如权利要求6所述的汽车巡航系统关键目标识别方法，其特征在于，所述卡尔曼滤波方程的量测方程为y_k＝Cx_k-1+Iν_k-1，式中，y_k为观测变量，v_k为观测噪声，w_k和v_k二者为相互独立且具有正态分布的高斯白噪声序列，I为单位矩阵，C＝I_4×4。

8.如权利要求7所述的汽车巡航系统关键目标识别方法，其特征在于，所述卡尔曼滤波方程中还包括：

状态预测方程：

误差协方差预测方程：

式中，A_k为k时刻的状态转移矩阵，u_k-1为控制变量，A_k＝[M]^-1[K]，B_k＝[M]^-1[N]，Q_k为k时刻过程噪声的协方差矩阵。

9.如权利要求8所述的汽车巡航系统关键目标识别方法，其特征在于，还包括误差校正过程：

增益矩阵：

由观测变量更新估计：

误差协方差更新方程：

式中，H_k和V_k是k时刻测量的雅可比矩阵，R_k为k时刻观测噪声的协方差矩阵。