一种基于信息融合的车辆侧向碰撞预警系统及方法技术方案

一种基于信息融合的车辆侧向碰撞预警系统及方法，其中碰撞预警系统包括信号采集模块、车辆状态估计模块、车辆轨迹预测模块和车辆碰撞预警模块；信号采集模块检测目标车辆相对本车的相对位置，作为量测变量输出给车辆状态估计模块；车辆轨迹预测模块进行车辆相对运动轨迹估计，作为车辆碰撞预警模块的输入；车辆碰撞预警模块计算安全碰撞预警时间内，目标车辆相对本车的横向距离和纵向距离的平方和算术平方根的临界值，从而判断是否存在侧向碰撞风险。撞风险。撞风险。

【技术实现步骤摘要】
一种基于信息融合的车辆侧向碰撞预警系统及方法


[0001]本专利技术属于汽车主动安全领域，涉及一种车辆碰撞预警系统及方法，尤其涉及一种基于信息融合的车辆侧向碰撞预警系统及方法。

技术介绍

[0002]随着人们生活水平的提高及生活节奏的加快，汽车作为便捷的交通工具成为人们出行的首选，道路交通事故也逐渐成为人们生命和财产安全的严重威胁。其中，两车和多车碰撞是道路交通事故中最严重的事故类型之一。一些匝道汇入和无信号灯交叉路口极容易发生车辆碰撞事故。车辆侧向碰撞事故一旦发生，往往易导致严重的人员伤亡和重大的经济损失。因此，在汽车碰撞发生前发出预警，是避免车辆碰撞事故的汽车安全与辅助驾驶的重要措施。车辆碰撞预警系统的预警模式主要分两种：一是参考实时车速与加速度等车辆状态基于安全碰撞距离模型进行碰撞预警；二是根据运动轨迹预测碰撞时间，参考安全碰撞时间模型进行碰撞预警。两个方法都需要对车辆的行驶状态和轨迹进行预测，因此准确估计状态和预测轨迹是实现碰撞预警的关键技术。
[0003]现有研究常采用卡尔曼滤波器，基于车辆动力学模型或运动学模型，对车辆状态进行估计。比如利用无迹卡尔曼滤波对不同车辆运动学模型估计精度进行比较，证明了恒定转弯率和速度模型、恒定转弯率和加速度模型在城市和高速公路环境下都能获得较好的车辆运动状态估计精度；又比如在标准容积卡尔曼滤波算法中扩展球面积分和径向积分提出了七阶容积卡尔曼滤波算法，提高估计精度和鲁棒性，降低了计算量。甚至在标准容积卡尔曼滤波中引入平方根因子，提出一种平方根容积卡尔曼滤波，确保了误差协方差矩阵的正定性与对称性，有效增强了估计数值的鲁棒性。但在这些方法中，因所选用的状态转移方程自由度较少，且未考虑车速的时变性，因此估计精度仍有待提高。
[0004]在车辆轨迹预测方面，目前主要的方法包括基于意图识别的轨迹预测、基于驾驶行为的轨迹预测和基于物理运动模型的轨迹预测等。比如通过基于驾驶行为和高精度地图信息获取目标车辆的状态信息，由车道线曲率约束进行车辆轨迹预测，该方法对传感器的测量精度依赖较高，且需要大量的历史状态信息进行训练；通过利用恒定转弯率和加速度模型通过状态迭代来预测未来的车辆轨迹。然而，这种基于运动模型的轨迹预测精度过于依赖预测模型的精度，一旦车辆实际运行工况与运动模型不符，即工况存在不确定性时，轨迹预测精度很难保证，因此该方法对复杂工况适应性不强，无法胜任复杂驾驶行为下的车辆轨迹预测。在侧向碰撞预警中，通过碰撞预警算法计算是否存在碰撞的风险，主要为安全时间算法和安全距离算法，其中安全时间算法中，有学者提出即碰时间概念，但并未考虑驾驶员因素。
[0005]在实际使用中，现有车辆侧向碰撞预警方法存在如下不足：
[0006]1、现有技术在利用车辆运动模型进行行驶轨迹预测时，无法胜任具有复杂驾驶行为的车辆碰撞预警。
[0007]2、现有技术在持续制动时间中未考虑路面附着系数对最大减速度的影响，安全碰
撞预警时间无法准确评估碰撞风险。
[0008]3、现有技术在安全碰撞预警时间的计算时未对相对车速进行修正，无法在侧向碰撞场景中准确评估碰撞风险。
[0009]4、现有技术选用的状态转移方程自由度较少，且未考虑车速的时变性，因此估计精度仍有待提高。
[0010]5、现有技术未提出适应灰色模型预测和卡尔曼滤波进行信息融合的预警方法，车辆状态估计器进行多步相对位置预测时，会因缺少未来时刻的量测变量而无法进行量测校正，车辆状态估计精度得不到保证。

技术实现思路

[0011]为了克服上述问题，本专利技术提出同时解决上述多种问题的方案。
[0012]本专利技术解决其技术问题所采用的技术方案是：一种基于信息融合的车辆侧向碰撞预警系统及方法，其中预警系统包括信号采集模块、车辆状态估计模块、车辆轨迹预测模块和车辆碰撞预警模块；车辆状态估计模块为第一车辆状态估计器；车辆轨迹预测模块包括灰色模型预测器和第二车辆状态估计器；信号采集模块检测目标车辆相对本车的相对位置，作为量测变量输出给第一车辆状态估计器；第一车辆状态估计器进行车辆相对运动状态估计，作为灰色模型预测器的原始数据；灰色模型预测器进行相对位置预测，作为第二车辆状态估计器的输入；第二车辆状态估计器进行车辆相对运动轨迹估计，作为车辆碰撞预警模块的输入。
[0013]车辆碰撞预警模块计算安全碰撞预警时间内，目标车辆相对本车的横向距离和纵向距离的平方和算术平方根是否小于临界值；如果小于临界值，判断为存在侧向碰撞风险，对本车进行碰撞预警；如果大于临界值，判断不存在侧向碰撞风险，进入下一个预警周期。
[0014]优选的，所述车辆侧向碰撞预警方法计算的安全碰撞预警时间包括驾驶员反应时间，制动器协调时间，减速度增长时间和持续制动时间；
[0015]在持续制动时间中考虑路面附着系数对最大减速度的影响，表示为
[0016][0017]其中v
x
为车辆纵向速度，μ为路面附着系数，g为重力加速度，t3为加速度增长时间，t4为持续制动时间。
[0018]优选的，所述车辆碰撞预警模块(50)计算安全碰撞预警时间时使用相对偏航角进行修正，表示为
[0019][0020]其中k为离散的时间步，t
min,k
为第k步预警时的安全碰撞预警时间，t1和t2分别为驾驶员反应时间和制动器协调时间，为相对偏航角。
[0021]优选的，所述车辆侧向碰撞预警方法在进行车辆状态估计时，第一车辆状态估计器和第二车辆状态估计器的状态变量包括目标车辆相对本车的横向距离、纵向距离、相对速度、相对偏航角、相对偏航角速度和相对加速度；第一车辆状态估计器和第二车辆状态估计器的量测变量包括目标车辆相对本车的相对距离、相对距离变化率和方位角；第一车辆
状态估计器和第二车辆状态估计器的状态转移方程为恒定转弯率和加速度模型。
[0022]优选的，所述车辆侧向碰撞预警方法在进行多步相对位置预测时，信号采集模块采集到目标车辆相对运动状态后，首先通过第一车辆状态估计器独立进行m步状态估计，实现车辆相对运动状态估计；
[0023]然后从第m步后开始进入到车辆运动轨迹预测部分；利用k
‑
m+1，k
‑
m+2，......，k时间内的m组量测向量进行灰色模型预测，预测步数为n步，得到k+1，k+2，...，k+n时刻的量测向量预测值，并作为第二车辆状态估计器的实测量测向量；
[0024]在第一步(k+1)轨迹预测时，第二车辆状态估计器利用k步的车辆相对运动状态估计值作为初始状态，量测向量的灰色模型预测值作为实测量测向量，估计得到k+1步的车辆相对运动状态
[0025]第二车辆状态估计器利用k+1步的车辆相对运动状态估计值作为初始状态，量测向量的灰色模型预测值作为实测量测向量，估计得到k+2步的车辆相对运动状态
[0026]以此类推，第二车辆状态估计器最终估计出k+n步的车辆相对运动状态
[0027]优选的，所述车辆侧本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信息融合的车辆侧向碰撞预警系统及方法，其特征在于：预警系统包括信号采集模块(20)、车辆状态估计模块(30)、车辆轨迹预测模块(40)和车辆碰撞预警模块(50)；车辆状态估计模块(30)为第一车辆状态估计器(31)；车辆轨迹预测模块(40)包括灰色模型预测器(41)和第二车辆状态估计器(42)；信号采集模块(20)检测目标车辆(10)相对本车(60)的相对位置，作为量测变量输出给第一车辆状态估计器(31)；第一车辆状态估计器(31)进行车辆相对运动状态估计，作为灰色模型预测器(41)的原始数据；灰色模型预测器(41)进行n步车辆相对位置预测，作为第二车辆状态估计器(42)的输入；第二车辆状态估计器(42)进行车辆相对运动轨迹估计，作为车辆碰撞预警模块(50)的输入；车辆碰撞预警模块(50)计算安全碰撞预警时间内，目标车辆(10)相对本车(60)的横向距离和纵向距离的平方和算术平方根是否小于临界值；如果小于临界值，判断为存在侧向碰撞风险，对本车(60)进行碰撞预警；如果大于临界值，判断不存在侧向碰撞风险，进入下一个预警周期。2.根据权利要求1所述的一种基于信息融合的车辆侧向碰撞预警系统及方法，其特征在于：安全碰撞预警时间包括驾驶员反应时间，制动器协调时间，减速度增长时间和持续制动时间；在持续制动时间中考虑路面附着系数对最大减速度的影响，表示为其中v
x
为车辆纵向速度，μ为路面附着系数，g为重力加速度，t3为加速度增长时间，t4为持续制动时间。3.根据权利要求1所述的一种基于信息融合的车辆侧向碰撞预警系统及方法，其特征在于：车辆碰撞预警模块(50)计算安全碰撞预警时间时使用相对偏航角进行修正，表示为其中k为离散的时间步，t
min,k
为第k步预警时的安全碰撞预警时间，t1和t2分别为驾驶员反应时间和制动器协调时间，为相对偏航角。4.根据权利要求1所述的一种基于信息融合的车辆侧向碰撞预警系统及方法，其特征在于：第一车辆状态估计器(31)和第二车辆状态估计器(42)的状态变量包括目标车辆(10)相对...

【专利技术属性】
技术研发人员：黄彩霞，王宇翔，张细政，张志勇，
申请(专利权)人：湖南工程学院，
类型：发明
国别省市：