一种用于半挂汽车列车AEBS的全面准确的测评方法技术

本发明专利技术公开了一种用于半挂汽车列车AEBS的全面准确的测评方法；首先，使用双天线差分GPS接收机、陀螺仪作为采集数据的传感器；然后建立基于无迹卡尔曼滤波算法的半挂汽车列车“当前”统计改进模型，并利用几何学关系解算半挂汽车列车的运动学状态信息；其次，建立基于递归最小二乘估计算法的目标车辆运动学模型并获取目标车辆的运动学状态信息；最后，利用获取的目标车辆和自车状态信息，计算一般性AEBS测评指标，即碰撞时间和强化碰撞时间，并提出了具有针对性的半挂汽车列车AEBS测评的指标，包括横摆稳定裕度、制动平顺性、折叠幅度。本发明专利技术解决了现在没有专门针对半挂汽车列特性的AEBS测评方法的问题，实现了对半挂汽车列车AEBS的全面准确的测评。

【技术实现步骤摘要】
一种用于半挂汽车列车AEBS的全面准确的测评方法
本专利技术属于智能驾驶测试评价方法
，具体涉及一种用于半挂汽车列车AEBS的全面准确的测评方法。
技术介绍
交通运输在我国国民经济发展中的地位和作用日趋重要。《交通运输行业智能交通发展战略(2012－2020年)》指出到2020年中国智能交通发展的总体目标之一就是实现跨区域、大规模的智能交通集成应用和协同运行。《交通运输推进物流业健康发展的指导意见》提出了我国要加快发展甩挂运输。重型半挂汽车列车具有运输效率高、运输成本低等优点，鼓励和推广使用具有甩挂运输特点的半挂汽车列车符合我国建立现代化货物运输体系的迫切要求。然而，随着半挂汽车列车的不断增加，半挂汽车列车的交通安全问题日趋严峻。半挂汽车列车吨位大、质心高，造成其制动时间长、制动距离大且容易发生横摆甚至侧翻现象。半挂汽车列车发生交通事故时造成的人员伤亡和经济损失情况比普通车辆更加严重。因此提高半挂汽车列车的运行安全性是其发展的必然要求。半挂汽车列车的智能化发展可以有效降低其事故发生率，提高运行安全性。自动紧急制动系统(AutonomousEmergencyBrakingSystem,AEBS)作为智能辅助驾驶车载功能的重要组成部分,能够实时监测车辆前方行驶环境,并在可能发生碰撞危险时自动启动车辆制动系统使车辆减速，以避免碰撞或减轻碰撞后果。据美国公路安全保险协会发布的研究报告指出，自动紧急制动系统能够将追尾事故发生率降低40％。因此作为一种有效提高车辆驾驶安全性能的技术手段，AEBS逐渐被强制要求装备在车辆上。2015年美国卡车运输协会就已经宣布，未来美国地区生产销售的卡车会加装自动紧急制动系统；2019年2月12日，联合国欧洲经济委员会宣布，日本和欧盟等40个国家将强制导入自动紧急制动系统；2019年4月1日我国交通部发布《营运车辆自动紧急制动系统性能要求和测试规程》(JT/T1242-2019)，标示着我国正式把AEBS标准全面纳入商用车市场。随着AEBS在半挂汽车列车上逐渐广泛应用，半挂汽车列车AEBS的测评方法和测评标准必须更加完善。目前关于车辆AEBS测评的公开文献涉及以下方面：利用汽车试验数据建立符合我国城市道路交通的AEBS测试场景仿真模型；对已有的多种不同的AEBS测试工况进行组合以得到尽可能符合实际的道路场景；基于JT/T1242-2019标准开发用于测试评价商用车AEBS性能的测试系统以提高测试的安全性并降低测试成本。然而，现有AEBS测试的公开文献存在以下不足：(1)现有公开文献中的AEBS测评方法为非半挂汽车列车的AEBS测评方法，而半挂汽车列车吨位大、重心高，尤其是在1242标准中规定的弯道测试场景中，其AEBS强制动过程中容易发生折叠、甩尾、横摆失稳甚至侧翻等重大安全问题。因此半挂汽车列车制动过程中的横摆稳定状态、折叠程度是AEBS测评需要考虑的关键因素。现有的公开文献并未对半挂汽车列车AEBS的特殊性进行考虑；(2)现有公开文献只关注自车关键信息的获取方法，并没有关注目标车辆。然而目标车辆的运动学状态信息也会用于计算强化距离碰撞时间等测评指标，因此目标车辆运动学状态信息的准确性对AEBS测评结果会产生影响。针对上述半挂汽车列车AEBS测评的问题及不足之处，本专利技术提出了一种更全面、更具针对性的获得半挂汽车列车AEBS核心测试性能指标的方法。
技术实现思路
为解决上述问题，本专利技术公开了一种用于半挂汽车列车AEBS的全面准确的测评方法，能够准确获得半挂汽车列车在AEBS测试过程中自车和目标车辆的状态信息，量化计算半挂汽车列车的AEBS性能评价指标，全面可靠地评价半挂汽车列车AEBS的性能。为达到上述目的，本专利技术的技术方案如下：一种用于半挂汽车列车AEBS的全面准确的测评方法，先在半挂汽车列车的牵引车和半挂车部分分别安装双天线差分GPS接收机、陀螺仪，在目标车辆上安装双天线差分GPS接收机作为采集数据的传感器；具体测评方法包括以下步骤：步骤一，建立基于无迹卡尔曼滤波算法的半挂汽车列车“当前”统计改进模型，并利用几何学关系解算半挂汽车列车的运动学状态信息；步骤二，建立基于递归最小二乘估计算法的目标车辆运动学模型并获取目标车辆的运动学状态信息；步骤三，利用获取的目标车辆和自车状态信息，计算JT/T1242-2019标准中规定的一般性AEBS测评指标，即碰撞时间和强化碰撞时间。并在此基础上，提出具有针对性的半挂汽车列车AEBS测评的指标，包括横摆稳定裕度、制动平顺性、折叠幅度，从而实现对半挂汽车列车AEBS的全面准确的测评。进一步的，步骤一在对自车建立模型时基于实际测评情况进行如下合理假设：1)只考虑纯侧偏轮胎特性，忽略轮胎力的纵横向耦合关系；2)忽略半挂牵引车和半挂车的悬架作用，即假设它们的连接为刚性连接；3)忽略半挂汽车列车在行驶过程中的载荷转移和质心的改变；4)忽略空气阻力和侧向风的作用，假设半挂汽车列车只受到来自地面的力的作用；子步骤1.建立基于无迹卡尔曼滤波算法的半挂汽车列车“当前”统计改进模型取牵引车或半挂车的位置相关的状态向量为Xxp＝[pxevxeaxepxnvxnaxn]T，横摆运动的状态向量为Xxφ＝[φxωx]T，其中φx是方位角，ωx是横摆角速度；取双天线差分GPS接收机采集的信息和陀螺仪采集到的横摆角速度Zx_Gyro＝[ωx_Gyro]为观测量；当下标中的x为h时表示相关状态量为牵引车的状态量，当x为t时表示相关状态量为半挂车的状态量；其中pxe、vxe、axe分别为东向位置、东向速度、东向加速度分量，pxn、vxn、axn分别为北向位置、北向速度、北向加速度分量，φx是方位角，ωx是横摆角速度，pxe_GPS、pxn_GPS、vxe_GPS、vxn_GPS分别为双天线差分GPS接收机采集到的主天线的东向位置、北向位置、东向速度、北向速度，φx_GPS为双天线差分GPS接收机采集到的方位角，ωx_Gyro为陀螺仪采集到的横摆角速度，T表示矩阵的转置操作；半挂汽车列车的状态方程和观测方程分别为：Xx(k)＝Φx(k,k-1)Xx(k,k-1)+Ux(k-1)+Wx(k-1)(1)Zx(k)＝hx(Xx(k))+Vx(k)(2)式(1)中，Wx的协方差矩阵为其中，k为离散化时刻，Φxp为状态转移矩阵，Uxp为系统输入矩阵，Wxp为状态白噪声向量，其协方差矩阵为Qxp，且有T为采样周期，分别为“当前”东向、北向加速度分量的均值，Wxφ为状态白噪声向量，其对应的协方差矩阵为Qxφ；式(2)中Vx的协方差矩阵为其中，观测噪声为其协方差矩阵为Rx_GPS，hx_Gyro(Xx(k))＝[ωx]，观测噪声为其协方差矩阵为Rx_Gyro；式(1)和式(2)组成了“当前”统计模型；在递推前采用对称采样策略，通过UT变换计算采样点即Sigma点χxi，i＝2n+1，UT变换过程如下：(1)计算(2n+1)个采样点<本文档来自技高网...

【技术保护点】
1.一种用于半挂汽车列车AEBS的全面准确的测评方法，其特征在于：包括以下步骤：/n步骤一，建立基于无迹卡尔曼滤波算法的半挂汽车列车“当前”统计改进模型，并利用几何学关系解算半挂汽车列车的运动学状态信息；/n步骤二，建立基于递归最小二乘估计算法的目标车辆运动学模型并获取目标车辆的运动学状态信息；/n步骤三，利用获取的目标车辆和自车状态信息，计算一般性AEBS测评指标，即碰撞时间和强化碰撞时间，并在此基础上，提出具有针对性的半挂汽车列车AEBS测评的指标，包括横摆稳定裕度、制动平顺性、折叠幅度，从而实现对半挂汽车列车AEBS的全面准确的测评。/n

【技术特征摘要】
1.一种用于半挂汽车列车AEBS的全面准确的测评方法，其特征在于：包括以下步骤：
步骤一，建立基于无迹卡尔曼滤波算法的半挂汽车列车“当前”统计改进模型，并利用几何学关系解算半挂汽车列车的运动学状态信息；
步骤二，建立基于递归最小二乘估计算法的目标车辆运动学模型并获取目标车辆的运动学状态信息；
步骤三，利用获取的目标车辆和自车状态信息，计算一般性AEBS测评指标，即碰撞时间和强化碰撞时间，并在此基础上，提出具有针对性的半挂汽车列车AEBS测评的指标，包括横摆稳定裕度、制动平顺性、折叠幅度，从而实现对半挂汽车列车AEBS的全面准确的测评。


2.根据权利要求1所述的一种用于半挂汽车列车AEBS的全面准确的测评方法，其特征在于：步骤一在对自车建立模型时基于实际测评情况进行如下合理假设：
1)只考虑纯侧偏轮胎特性，忽略轮胎力的纵横向耦合关系；
2)忽略半挂牵引车和半挂车的悬架作用，即假设它们的连接为刚性连接；
3)忽略半挂汽车列车在行驶过程中的载荷转移和质心的改变；
4)忽略空气阻力和侧向风的作用，假设半挂汽车列车只受到来自地面的力的作用；
子步骤1.建立基于无迹卡尔曼滤波算法的半挂汽车列车“当前”统计改进模型
取牵引车或半挂车的位置相关的状态向量为Xxp＝[pxevxeaxepxnvxnaxn]T，横摆运动的状态向量为Xxφ＝[φxωx]T，其中φx是方位角，ωx是横摆角速度；取双天线差分GPS接收机采集的信息和陀螺仪采集到的横摆角速度Zx_Gyro＝[ωx_Gyro]为观测量；当下标中的x为h时表示相关状态量为牵引车的状态量，当x为t时表示相关状态量为半挂车的状态量；其中pxe、vxe、axe分别为东向位置、东向速度、东向加速度分量，pxn、vxn、axn分别为北向位置、北向速度、北向加速度分量，φx是方位角，ωx是横摆角速度，pxe_GPS、pxn_GPS、vxe_GPS、vxn_GPS分别为双天线差分GPS接收机采集到的主天线的东向位置、北向位置、东向速度、北向速度，φx_GPS为双天线差分GPS接收机采集到的方位角，ωx_Gyro为陀螺仪采集到的横摆角速度，T表示矩阵的转置操作；
半挂汽车列车的状态方程和观测方程分别为：
Xx(k)＝Φx(k,k-1)Xx(k,k-1)+Ux(k-1)+Wx(k-1)(1)
Zx(k)＝hx(Xx(k))+Vx(k)(2)
式(1)中，Wx的协方差矩阵为其中，k为离散化时刻，Φxp为状态转移矩阵，Uxp为系统输入矩阵，Wxp为状态白噪声向量，其协方差矩阵为Qxp，且有
T为采样周期，分别为“当前”东向、北向加速度分量的均值，Wxφ为状态白噪声向量，其对应的协方差矩阵为Qxφ；
式(2)中Vx的协方差矩阵为其中，观测噪声为其协方差矩阵为Rx_GPS，hx_Gyro(Xx(k))＝[ωx]，观测噪声为其协方差矩阵为Rx_Gyro；
式(1)和式(2)组成了“当前”统计模型；在递推前采用对称采样策略，通过UT变换计算采样点即Sigma点χxi，i＝2n+1，UT变换过程如下：
(1)计算(2n+1)个采样点






状态向量Xx为8维向量，因此n＝8；为状态向量的均值；为状态向量的方差；是矩阵平方根第i列；
(2)计算这些采样点相应的权值



式(5)中，下标m表示均值，下标c表示协方差，上标i表示第i个采样点；式(4)和式(5)中，λ＝p2(n+κ)-n是一个缩放比例参数，此处取p＝0.01，κ＝0；
UKF递推的步骤如下：
(1)初始化，k＝0时






(2)利用式(3)～式(4)获得一组Sigma点集及其对应的权值



其中，Pxi(k)是矩阵Px(k)的第i列；
(3)计算(2n+1)个Sigma点集的一步预测
χx(k,k-1)＝Φx(k,k-1)χ(k,k-1)+Ux(k-1)(9)
(4)计算均值的预测值



其中，χxi(k,k-1...

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