一种考虑路面附着条件的大型营运车辆防碰撞决策方法技术

本发明专利技术公开了一种考虑路面附着条件的大型营运车辆防碰撞决策方法。首先，建立三自由度的营运车辆运动模型。其次，建立基于交互多模型的路面附着条件估计模型，对路面附着系数进行准确识别。最后，将防碰撞决策问题描述为马尔科夫决策过程，建立基于强化学习的防碰撞驾驶决策模型，得到准确、可靠、自适应路面条件的防碰撞决策策略。本发明专利技术提出的方法，综合考虑路面附着条件、前向和后向障碍物对车辆碰撞的影响，为驾驶员提供节气门开度、方向盘转角控制量等精确量化的防碰撞策略，克服了现有的大型营运车辆防碰撞驾驶策略缺乏准确性和路面条件适应性的不足。面条件适应性的不足。面条件适应性的不足。

【技术实现步骤摘要】
一种考虑路面附着条件的大型营运车辆防碰撞决策方法


[0001]本专利技术涉及一种车辆防碰撞驾驶策略，尤其涉及一种考虑路面附着条件的大型营运车辆防碰撞决策方法，属于汽车安全


技术介绍

[0002]营运车辆作为道路运输的主要承担者，其安全状况直接影响道路交通运输安全。不同于小型乘用车辆，营运客、货运输车辆多为大、中型车辆，具有总质量大、轮距较窄等特点，且车辆运营强度大、运行时间长、运行环境复杂。运输过程中一旦发生交通事故，易导致群死群伤等严重后果，造成财产损失、环境污染、生态破坏等恶劣影响，且极易诱发大型、特大型安全事故，严重威胁社会公共安全。
[0003]相关研究表明，碰撞类事故是营运车辆的主要事故形态，更是导致群死群伤事故发生的罪魁祸首。在营运车辆发生碰撞事故前，如果能够及时、准确地为驾驶员提供防碰撞驾驶建议，可以有效降低甚至避免碰撞导致的群死群伤事故，大幅度提升道路运输安全水平。因此，研究准确、可靠的防碰撞驾驶决策策略，对于保障营运车辆在途运行安全具有重要的作用。
[0004]道路附着系数是影响防碰撞决策准确性和可靠本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑路面附着条件的大型营运车辆防碰撞决策方法，其特征在于：该方法包括如下步骤：步骤一：建立车辆运动的动态模型采用三自由度模型，即考虑纵向、侧向和横摆转动，进行车辆动力学建模；其中，O点为车辆的质心，将前轴的左、右侧车轮合并为一个点记为C点，将后轴的左、右侧车轮合并为一个点记为D点；车辆的动力学模型描述为：式中，上标“·”表示微分，如表示v
x
的微分，ω
s
,v
x
,v
y
,a
x
,a
y
分别表示领航车的横摆角速度、纵向速度、侧向速度、纵向加速度和侧向加速度，M,δ,I
z
分别表示领航车的质量、前轮转向角、绕车身坐标系垂向轴的转动惯量，l
f
,l
r
分别表示车辆质心到前轴、后轴的距离，F
xf
,F
xr
,F
yf
,F
yr
分别表示前轮、后轮受到的纵向力、侧向力；其中，轮胎的侧向力表示为：F
yf
＝C
αf
·
α
f F
yr
＝C
αr
·
α
r
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，C
αf
,C
αr
分别表示前、后轮胎的侧偏刚度，α
f
,α
r
分别表示前、后轮胎的侧偏角，且α
f
＝δ
‑
(v
y
+l
f
r
s
)/v
x
,α
r
＝(l
r
r
s
‑
v
y
)/v
x
；轮胎的纵向力表示为：式中，F
xf
,F
xr
分别表示作用于前、后轮胎的纵向力，C
xf
,C
xr
分别表示前、后轮胎的纵向刚度，μ为路面附着系数，F
zf
,F
zr
分别表示前、后轮胎的垂向载荷，s
xf
,s
xr
分别表示前、后轮胎的纵向滑移率，通过式(4)、式(5)获得：纵向滑移率，通过式(4)、式(5)获得：式中，R
tyre
为轮胎半径，ω
f
,ω
r
分别表示前、后轮的旋转角速度，可通过轮速传感器测量的线速度计算获得，v
xf
,v
xr
分别表示前、后轮轴上沿轮胎方向的速度，且v
xr
＝v
x
，v
xf
＝v
x
cosδ+(v
y
+l
f
ω
s
)sinδ；步骤二：建立基于交互多模型的路面附着系数估计模型采用UKF算法对路面附着系数、车辆的横摆角速度、横向和纵向速度进行递推估计，具体地：
利用式(1)、式(2)和式(3)所述的车辆与轮胎模型，针对路面附着系数分别为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9和1.0的10种情况，建立10个不同的UKF滤波模型；因此，所建立的滤波状态方程也应有10个；而这10个模型具有相同的形式，其区别仅在于路面附着系数取值的不同；首先，对于车辆的运动过程，取系统状态向量X
l
＝[v
x v
y ω
s
]
T
，其中，矩阵上角标T表示对矩阵转置，T为离散的周期；根据式(1)描述的动力学模型，建立系统状态方程：X
l
＝f
l
(X
l
,U
l
,W
l
,γ
l
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)式中，下标l表示第l个模型，f(
·
)为3维向量函数，W
l
为零均值的系统高斯白噪声，γ
l
为系统外输入对应的零均值高斯白噪声，U
l
为系统外部输入向量且U
l
＝[δ F
l_xf F
l_xr
]
T
，其中，δ为前轮转向角，且δ＝ε
s
/ρ
s
，ε
s
为方向盘转角，可通过车身CAN总线获取，ρ
s
为转向系的传动比，F
l_xf
和F
l_xr
分别表示第l个模型中前、后轮胎的纵向力，可通过刷子轮胎模型确定；γ
l
表示系统外部输入向量对应的零均值高斯白噪声向量其中，ω
δ
表示系统外输入δ对应的零均值高斯白噪声，和表示F
l_xf
和F
l_xr
对应的零均值高斯白噪声，这些白噪声隐含在状态方程的系统外输入里面；其次，选择惯性测量单元作为车辆运动的测量传感器，以车辆的纵向前进速度和横摆角速度作为系统观测向量，则系统的观测方程可表示为：Z(t)＝h(X(t),V(t))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式中，h为观测方程，t表示时间，系统观测向量Z＝[v
x_m ω
z_m
]
T
，其中，v
x_m
,ω
z_m
分别表示车辆的纵向前进速度和横摆角速度测量值，可通过惯性测量单元测量获得；对式(7)和式(8)进行离散化处理，离散化后的系统状态方程和观测方程分别为：式中，k为离散化时刻，系统过程噪声W
l
＝[w
1 w
2 w3]
T
，其中，w1,w2,w3分别表示3个系统高斯白噪声分量，W
l
(k
‑
1)对应的高斯白噪声协方差阵其中，分别表示高斯白噪声w1,w2,w3对应的方差；U
l
(k
‑
1)表示k
‑
1时刻第l个模型的系统外部输入向量；V
l
为系统观测噪声，且V
l
＝[v
1 v2]
T
，其中，v1,v2分别表示两个系统高斯白噪声分量，V
l
(k)对应的测量高斯白噪声协方差阵其中，分别表示高斯白噪声v1,v2对应的方差，根据传感器的位置、速度、横摆角速度测量噪声的统计特性来确定；系统外输入噪声其中，分别表示δ,F
xf
,F
xr
对应的零均值高斯白噪声分量，这些白噪声隐含在系统状态函数f
l
的三个系统外输入中；系统状态函数为：其中，
最后，根据式(8)描述的系统状态方程和观测方程，运用交互多模型滤波理论，建立基于交互多模型的滤波递推过程，利用时间更新和测量更新进行参数估计：(1)交互估计计算上述10个UKF滤波模型之间的转移概率为p
jl
，下标j、l(j＝1,2,
…
,10,l＝1,2,
…
,10)表示从状态j转移到状态l的概率，则预测第l个模型的模型概率ρ
l
(k,k
‑
1)和预测混合概率ρ
jl
(k
‑
1)分别为：1)分别为：则交互估计后第l个滤波器在k时刻的输入为：则交互估计后第l个滤波器在k时刻的输入为：(2)模型条件滤波对于式(6)和式(7)所描述的状态方程和观测方程，运用卡尔曼滤波理论，分别对每个滤波器进行UKF滤波递推，第l个模型的滤波过程如下：1)对输入变量进行初始化并进行参数计算式中，P0为初始误差方差矩阵，本发明中，带有上标符号^的变量表示该变量的滤波估计值，如为表示输入变量初始值X0的滤波估计值；2)状态估计
式中，ξ
i
(k
‑
1)为Sigma点，为加权协方...

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