面向组合试验路面的智能驾驶自动紧急制动性能测试方法技术

本发明专利技术公开了一种面向组合试验路面的智能驾驶自动紧急制动性能测试方法。首先，针对我国存在的缺乏多种路面附着条件下制动性能测评的问题，构建了面向组合试验路面的自动紧急制动性能测试场景。其次，为了准确、实时的辨识被测车辆行驶过程中的试验路面条件，建立了基于深度卷积神经网络的试验路面识别模型。最后，量化不同路面附着条件下的自动紧急制动性能指标，建立多维度的智能驾驶自动紧急制动性能指标体系。相比于现有的单一环境条件的制动性能测试，本发明专利技术提出的方法实现了湿滑路面、冰雪路面、搓板路面等多种极限试验条件下的自动紧急制动性能的科学定量测评。

Test method of intelligent driving automatic emergency braking performance for combination test road

【技术实现步骤摘要】
面向组合试验路面的智能驾驶自动紧急制动性能测试方法
本专利技术属于智能驾驶测试评估
，尤其涉及一种面向组合试验路面的智能驾驶自动紧急制动性能测试方法。
技术介绍
智能驾驶是提升道路交通运输安全和智能化水平、推动交通运输行业转型升级的重要技术途径。在实施推进智能驾驶发展的相关行动计划过程中，我国交通运输发展面临着高安全、高效能、高品质服务的挑战，当前以预防事故危险发生为核心的主动安全技术成为了智能驾驶发展的重要方向。作为智能驾驶车载功能的重要组成部分，自动紧急制动(AutonomousEmergencyBraking,AEB)很大程度地提高了汽车的主动安全性。汽车界最具权威的安全认证机构Euro-NCAP的研究表明，AEB可以避免27％的交通事故，同时能大幅降低碰撞事故中人员受伤害的程度。因此，针对AEB功能性能的测评受到了各国政府和评价机构的高度重视。为此，西方发达国家出台了一系列政策法规，以保证车辆制动系统的安全性。美国公路安全保险协会(InsuranceInstituteforHighwaySafety,IIHS)、欧本文档来自技高网...

【技术保护点】
1.面向组合试验路面的智能驾驶自动紧急制动性能测试方法，其特征在于，包括如下步骤：/n步骤一：构建面向组合试验路面的自动紧急制动性能测试场景/n首先，选取双车道的环形组合试验路作为试验场地，其中外侧车道为干燥的沥青路面，内侧车道为分段的可靠性强化试验路，包括若干典型路面，所述典型路面包括：搓板路面、冰雪路面、湿滑路面、卵石路面；/n被测车辆是指进行自动紧急制动性能测试的智能驾驶汽车；目标车辆是指位于被测车辆行驶轨迹前方，与被测车辆运动方向相同、距离最近的车辆；/n步骤二：设计基于深度卷积神经网络的试验路面识别模型/n在面向组合试验路面的自动紧急制动性能测试过程中，实时、准确的识别被测车辆行驶过...

【技术特征摘要】
1.面向组合试验路面的智能驾驶自动紧急制动性能测试方法，其特征在于，包括如下步骤：
步骤一：构建面向组合试验路面的自动紧急制动性能测试场景
首先，选取双车道的环形组合试验路作为试验场地，其中外侧车道为干燥的沥青路面，内侧车道为分段的可靠性强化试验路，包括若干典型路面，所述典型路面包括：搓板路面、冰雪路面、湿滑路面、卵石路面；
被测车辆是指进行自动紧急制动性能测试的智能驾驶汽车；目标车辆是指位于被测车辆行驶轨迹前方，与被测车辆运动方向相同、距离最近的车辆；
步骤二：设计基于深度卷积神经网络的试验路面识别模型
在面向组合试验路面的自动紧急制动性能测试过程中，实时、准确的识别被测车辆行驶过程中的路面条件，从而准确测量和记录不同路面附着条件下的车辆运动状态参数；利用卷积神经网络，设计试验路面识别模型，具体包括以下子步骤：
子步骤1：建立自动紧急制动性能测试的试验路面数据集
在智能驾驶汽车的前车牌架下方安装前置视觉传感器，镜头角度设置为俯视；对视觉传感器采集的k类试验路面样本进行标注，然后将样本尺寸调整为Q×Q像素，并记为
其中，k为样本中路面类别的数量，Q为样本的像素，i为样本序号，xi为第i个样本的大小，分别表示第i个样本的高度、宽度和通道数；
子步骤2：设计试验路面识别的深度卷积神经网络架构
设计基于深度卷积神经网络的试验路面识别模型，该模型为串行的卷积神经网络结构；具体包括：
(1)设计卷积层
设置卷积核大小为5×5的卷积层数量为用于提取边缘、线条等低级特征，其中，卷积核数量为步长均为1；设置卷积核大小为3×3的卷积层数量为其中，取卷积核数量为步长均为1；设置卷积核大小为1×1的卷积层数量为用于提取试验路面的局部细节特征，其中，卷积核数量为步长均为1；
(2)设计最大池化层
设计池化层结构，利用下采样减小特征图的尺寸，采用能够保留更多纹理信息的最大池化层；设置最大池化层数量为取下采样尺寸均为2×2，步长均为2；
(3)设计全局平均池化层
使用全局平均池化层代替全连接层，压缩模型大小；
(4)设计Softmax多分类器
训练集由i个已标记的样本构成：{(x1,y1),(x2,y2),...,(xi,yi)}，其中xi表示第i个样本的向量，yi表示第i个样本的标签；利用Softmax分类器，将样本在各个类别的评分值转化为一组分类概率；



式(1)中，P(Y＝k|X＝xi)表示样本xi对应的各类别概率，fk(xi)表示第k个特征图在xi处的输出，e为自然常数；特征图由全局平均池化层输出得到；
(5)确定网络结构
根据(1)、(2)中各变量的取值范围，建立不同的试验路面识别模型，利用子步骤1建立的试验路面数据集对这些模型进行测试和验证，在同时考虑路面识别精度和速度的情况下，确定性能最优的网络模型；
池化层数量卷积层数量为4，其中，卷积核大小为5×5的卷积层数量对应的卷积核数量分别为6、16；卷积核大小为3×3的卷积层数量对应的卷积核卷积核大小为1×1的卷积层数量对应的卷积核基于深度卷积神经网络的试验路面识别模型的具体结构描述如下：
1)第一层，卷积层Conv1
第一层的输入是原始图像，像素为Q×Q，用6个5×5的卷积核与原始输入图像做卷积，步长为1将指数线性单元作为神经元的激活函数，经过ELU激活，输出维度为(Q-4)×(Q-4)×6的特征图；
2)第二层，最大池化层Pool1
用6个2×2的核与第一层输出的特征图做最大池化，步长为2，输出维度为的特征图；
3)第三层，卷积层Conv2
用16个5×5的卷积核与第二层输出的特征图做卷积，步长为1；将网络第三层与第二层设置为部分连接的结构；部分连接的结构描述如下：
用6个5×5的卷积核与第二层输出的3个特征图做卷积，经过ELU激活；用后面6个5×5的卷积核与第二层输出的4个特征图做卷积，经过ELU激活；用后面4个5×5的卷积核与第二层输出的4个特征图做卷积，经过ELU激活；用最后1个5×5的卷积核与第二层输出的所有特征图做卷积，经过ELU激活；最终输出维度为的特征图；
4)第四层，池化层Pool2
用16个2×2的核与第三层输出的特征图做最大池化，步长为1，输出维度为的特征图；
5)第五层，卷积层Conv3
用16个3×3的卷积核与第四层输出的特征图做卷积，步长为1，经过ELU激活，输出维度为的特征图；
6)第六层，池化层Pool3
用16个2×2的核与第五层输出的特征图做最大池化，步长为2，输出维度为的特征图；
7)第七层，卷积层Conv4...

【专利技术属性】
技术研发人员：李旭，胡玮明，徐启敏，胡锦超，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32