The invention discloses an intelligent driving autonomous lane keeping performance detection method for multiple scenes. In this method, \u03b2 - spline curve is introduced to build a road model for intelligent driving vehicle test scene. Secondly, using the improved strong tracking Kalman filter algorithm, the vehicle motion model based on multi-source information fusion is established, so as to accurately calculate the key basic performance parameters of vehicle motion. Finally, based on the road network and vehicle motion information, the evaluation indexes of the maintenance performance of the autonomous lane are quantified and output: lateral deviation, yaw stability and path tracking accuracy. The intelligent driving independent lane maintenance performance detection method of the invention overcomes the shortcomings of the existing test methods, such as low efficiency, poor adaptability and relatively single test condition, and realizes the evaluation of the intelligent driving vehicle independent lane maintenance performance with high accuracy and high frequency under various test scenarios.
【技术实现步骤摘要】
一种面向多场景的智能驾驶自主车道保持性能检测方法
本专利技术属于智能驾驶汽车道路试验与测试
,尤其涉及一种面向多场景的智能驾驶自主车道保持性能检测方法。
技术介绍
随着我国通车里程的不断增加和汽车保有量的爆发性增长,加之我国道路条件和交通状况复杂,致使交通事故频发,导致交通中断、财产损失和人员伤亡。因此,如何采取有效的手段与措施,减少交通事故的发生是一个亟待解决的问题,这不仅是政府和人民普遍关注的社会问题,同时也是科学技术进步所面临的重要研究之一。在这样的背景下,研发提升汽车主动安全性的高级驾驶辅助系统、研究面向自主驾驶乃至无人驾驶的智能驾驶技术,是有效降低交通事故发生率,提高道路交通运输安全的重要手段。交通事故发生的根本原因是日益突出的人、车、路、环境之间的矛盾,据统计,因车辆偏离行驶路线造成的交通事故占全部交通事故的比例高达百分之五十。为有效减少因车道偏离导致的交通事故的发生,在GB7258-2017《机动车运行安全技术条件》中,已明确规定车长大于11米的公路客车和旅游客车应装备符合标准规定的车道保持辅助系统。车道保持辅助作为智能驾驶技术的重要组成部分,是智能驾驶汽车驾驶能力测评的重要环节,也是保障智能驾驶汽车走向公共道路不可或缺的前提。为此,国内外制定了相关标准、规范对车道保持性能进行测试评价,如ISO11270-2014标准《智能运输系统—车道保持辅助系统性能要求和试验过程》、E-NCAP(欧洲新车安全评鉴协会)性能测试和评分标准等。我国的GB/T17993-2017《汽车综合性能检验机构能力的 ...
【技术保护点】
1.一种面向多场景的智能驾驶自主车道保持性能检测方法,其特征在于,该方法包括如下步骤:/n步骤一:建立面向智能驾驶汽车测试场景的道路模型;/n步骤二:建立智能驾驶车辆运动模型;/n步骤三:根据步骤一和步骤二两种模型计算量化自主车道保持性能的指标。/n
【技术特征摘要】
1.一种面向多场景的智能驾驶自主车道保持性能检测方法,其特征在于,该方法包括如下步骤:
步骤一:建立面向智能驾驶汽车测试场景的道路模型;
步骤二:建立智能驾驶车辆运动模型;
步骤三:根据步骤一和步骤二两种模型计算量化自主车道保持性能的指标。
2.根据权利要求1所述的一种面向多场景的智能驾驶自主车道保持性能检测方法,其特征在于,步骤一,建立面向智能驾驶汽车测试场景的道路模型的方法具体如下:
子步骤1:采集原始数据,利用厘米级高精度差分GPS采集智能驾驶汽车测试场景下的道路轨迹数据并进行存储;
子步骤2:道路信息投影变换,根据真实道路场景的路网结构对子步骤1中采集的原始数据进行分段;所述分段是指根据道路形状,即直道或弯道形状,将采集的原始数据分为每一段独立的道路数据块,利用坐标变换,将分段后数据的经纬度坐标转换为局部切平面直角坐标系坐标,转换后得到的道路全部轨迹数据为T={T0(c0,z0),T1(c1,z2),...,Tn(cn,zn)},其中,cn,zn分别为道路轨迹点的北向位置坐标和东向位置坐标,n为轨迹数据点的个数;
子步骤3:建立面向智能驾驶汽车测试的道路模型;利用β样条曲线对子步骤2中每个道路数据块的轨迹数据进行插值,β样条曲线受坐标集T={T0(c0,z0),T1(c1,z2),...,Tn(cn,zn)}中的控制点控制,利用n-2个控制点组成控制多边形,第l段曲线的3个控制点为Tl+r,r=-1,0,1,产生的3段样条曲线为:
式(1)、(2)中,Gl(u)为控制多边形产生的曲线,其中,l=1,2,...,n-2,β1,β2分别为偏移参量和张力参量,用于确定样条曲线的形状,其中,β1和β2均大于零,br(β1,β2,u)为β样条的基函数,为样条曲线参数;
β样条曲线写成矩阵型式为:
Tl为子步骤2输出的车辆运动轨迹所必经的关键点,则有:
式(4),(5)中,Tl-1(cl-1,zl-1),Tl(cl,zl),Tl+1(cl+1,zl+1)分别为第l段曲线的3个控制点坐标,第l段曲线上任意点的横、纵坐标分别为:
子步骤4:设置约束条件使样条曲线产生期望运行的轨迹,由车辆运动特性确定的轨迹起点G1”(0)和终点Gn-2”(1)处曲率为:
G1”(0)=Gn-2”(1)=0(8)
得到边界条件:
将式(6),(7),(9)联立求解,进而得到该模型的几何结构,输出的J={J0(x0,y0),J1(x1,y2),...,Jn(xn,yn)}为道路模型的车道中心线坐标集。
3.根据权利要求1所述的一种面向多场景的智能驾驶自主车道保持性能检测方法,其特征在于,步骤二,建立智能驾驶车辆运动模型的具体方法如下:
(2.1)对于智能驾驶汽车的自主车道保持过程,取系统状态向量为X=[pE,pN,vE,vN,aE,aN]T,其中,pE,pN分别为智能驾驶汽车的东向位置分量和北向位置分量,vE,vN分别为智能驾驶汽车的东向速度分量和北向速度分量,aE,aN分别为智能驾驶汽车的东向加速度分量和北向加速度分量,矩阵上角标T表示对矩阵转置,T表示离散的周期,根据常加速模型,系统状态方程为:
X=Φ·X+W(10)
式(10)中,X为系统状态序列,W是零均值的系统过程白噪声向量,对应的噪声协方差矩阵为Q,且W~N(0,Q),Φ为状态转移矩阵;
(2.2)选择厘米级高精度差分GPS作为汽车运动的测量传感器,同时利用车内CAN总线信息,则系统的观测方程可表示为:
Z=H·X+V(11)
式(11)中,系统观测向量为Z=[pEG,pNG,vd,A]T,其中pEG,pNG,A分别为厘米级高精度差分GPS获得的东向位置分量、北向位置分量和航迹角,vd是通过C...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。