一种考虑多约束条件的短时车速预测方法技术

本发明专利技术涉及车辆速度预测技术领域，尤其涉及一种考虑多约束条件的短时车速预测方法

【技术实现步骤摘要】
一种考虑多约束条件的短时车速预测方法


[0001]本专利技术涉及车辆速度预测
，尤其涉及一种考虑多约束条件的短时车速预测方法
。

技术介绍

[0002]对车辆未来时段车速的精准预测，可以用于车辆动力系统的智能控制，例如模式智能切换
、
智能动能回收力度等，可以显著提升汽车的节能效果和动力响应性，因此车速预测方法已经成为智能汽车领域的研究重点之一
。
随着计算机等相关技术的发展，数据驱动方法在时序预测方面性能表现优异，在车速预测领域得到了广泛的应用
。
[0003]现有的车速预测方法主要基于数据驱动的模型，向模型输入过去一段时间的状态序列，输出未来一段时间的预测车速序列
。
但是由于车速受到驾驶员
、
周围环境等多种因素影响，因此上述预测方法的准确精度不足
。
目前提高车速预测精度主要有两种途径：一种是使用更加深度的网络或者引入更强的时序记忆，以增强模型对车速的拟合能力，但这种方法在训练时和实时预测时的算力消耗大幅增加；另一种是使用多个模型对不同场景分别进行预测，以保证全部场景下均达到最优，但这种方法不仅需要消耗更多算力，而且训练时训练集被划分而导致每个模型训练数据减少，更容易过拟合
。
[0004]除此之外，所有使用历史数据预测未来车速的模型，都存在无法预测车辆加减速趋势变化的问题
。
而当加减速趋势变化时，如果预测出错误的车速趋势，可能导致完全相反的动力系统控制操作，不仅影响动力性和平顺性，甚至可能影响安全性
。

技术实现思路

[0005]近年来，量产车已经搭载多种感知周围环境的传感器以及高精地图，通过这些多源信息的融合，可以精准地描述出当前和未来自车所处的场景
。
在限速
、
弯道
、
有前车等场景下，使用多源信息可以计算出自车车速可达范围，也可以估计出未来的车速变化趋势
。
基于此，本专利技术提出了在数据驱动的车速预测模型中，引入融合多源信息考虑多约束条件的车速预测方法，从而有效解决了数据驱动模型预测存在偏差，以及车速预测中车速变化趋势预测错误的问题
。
[0006]本专利技术的技术方案具体如下：一种考虑多约束条件的短时车速预测方法，包括以下步骤：步骤1：收集车辆的行车历史信息，并对行车历史信息进行离线处理得到原始数据；步骤2：对原始数据进行场景识别，并赋予场景标签；步骤3：建立并训练车速预测模型，采用车速预测模型预测，输出预测车速序列；步骤4：基于场景或驾驶员意图估计加速度和估计车速；步骤5：使用估计车速对步骤3输出的预测车速序列进行修正，获得第一修正预测车速序列；
步骤6：基于场景和自车运动状态的车速约束，计算车速上限和下限；步骤7：使用车速上限和下限对步骤5获得的第一修正预测车速序列进行修正，获得短时车速预测结果
。
[0007]优选的，所述行车历史信息满足以下条件：（1）行车路线至少包括弯道
、
直道
、
限速
、
有前车和无前车的场景；（2）包括性别
、
驾龄和风格各不相同的至少
10
名驾驶员，总行车里程不少于
1000km
；（3）包括自车车速
、
自车加速度
、
油门开度
、
刹车踏板开度
、
道路限速
、
车道曲率
、
前车存在状态
、
前车相对距离
、
前车相对速度
、
前车绝对速度
、
前车运动状态和距离发生碰撞的时间
。
[0008]优选的，所述步骤2具体包括以下步骤：步骤2‑1：从原始数据中提取车道曲率
、
前车存在状态
、
前车相对距离和前车绝对速度；步骤2‑2：设定车道曲率阈值，时，位置记为弯道，时，位置记为直道；步骤2‑3：前车相对距离阈值，时，记为有前车，时，记为无前车；步骤2‑4：基于步骤2‑2和步骤2‑3对场景识别，并对场景标签进行赋值，直道无前车记为，弯道无前车记为，直道有前车记为，弯道有前车记为
。
[0009]优选的，所述步骤3中的预测车速序列包括未来3个时刻的预测车速，分别为，，
。
[0010]优选的，所述步骤4具体包括：当自车处于低速跟车场景时，根据前车运动状态得到估计加速度，并结合当前自车速度计算得到预测时域内的估计车速；当驾驶员有强加减速意图时，直接使用强加减速意图得到估计加速度，并结合当前自车速度计算得到预测时域内的估计车速
。
[0011]优选的，所述步骤5具体包括：当满足步骤4中的场景或驾驶员意图时，使用步骤4得到的估计车速替代预测车速序列中的预测车速，当不满足步骤4中的场景或驾驶员意图时，维持预测车速序列
。
[0012]优选的，所述步骤6具体包括：步骤6‑1：分别计算限速
、
弯道和有前车三种场景下的车速上限；步骤6‑2：基于自车运动学约束，分别计算车速下限和车速上限；步骤6‑3：融合步骤6‑1和步骤6‑2中的车速约束，确定预测时域内的车速上限和车速下限
。
[0013]优选的，所述步骤7具体包括：当预测车速序列中的预测车速大于车速上限时，将该预测车速替换为车速上限；
当预测车速序列中的预测车速小于车速下限时，将该预测车速替换为车速下限
。
[0014]相比于现有技术，本专利技术的有益效果在于：
1. 本专利技术提出的一种考虑多约束条件的短时车速预测方法，有效地对模型输出的预测车速序列进行了修正，且在不明显增加算力消耗的同时，达到了提升预测精度的目的
。
[0015]2. 本专利技术提出的一种考虑多约束条件的短时车速预测方法，考虑了限速
、
弯道
、
与前车的安全车距，以及车辆运动学等多种对车速有限制作用的因素，计算了相应的车速约束范围，并对超出约束范围的预测车速进行修正，可以提升车速预测的稳定性和可信度
。
[0016]3. 本专利技术提出的一种考虑多约束条件的短时车速预测方法，利用对驾驶员驾驶意图的识别以及驾驶意图下对加速度的估计，解决了数据驱动的车速预测在驾驶意图突变时车速难以预测的问题，同时可以减小预测车速趋势不准确对动力系统控制产生的影响
。
[0017]4. 本专利技术提出的一种考虑多约束条件的短时车速预测方法，无需对预测模型进行更改，而且可以适用于多种情形的车速预测，均能提高车速预测的精度
。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图可以更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种考虑多约束条件的短时车速预测方法，其特征在于，包括以下步骤：步骤1：收集车辆的行车历史信息，并对行车历史信息进行预处理得到原始数据；步骤2：对原始数据进行场景识别，并赋予场景标签；步骤3：建立并训练车速预测模型，采用车速预测模型预测，输出预测车速序列；步骤4：基于场景或驾驶员意图估计加速度和估计车速；步骤5：使用估计车速对步骤3输出的预测车速序列进行修正，获得第一修正预测车速序列；步骤6：基于场景和自车运动状态的车速约束，计算车速上限和下限；步骤7：使用车速上限和下限对步骤5获得的第一修正预测车速序列进行修正，获得短时车速预测结果
。2.
根据权利要求1所述的短时车速预测方法，其特征在于，所述行车历史信息满足以下条件：（1）行车路线至少包括弯道
、
直道
、
限速
、
有前车和无前车的场景；（2）包括性别
、
驾龄和风格各不相同的至少
10
名驾驶员，总行车里程不少于
1000km
；（3）包括自车车速
、
自车加速度
、
油门开度
、
刹车踏板开度
、
道路限速
、
车道曲率
、
前车存在状态
、
前车相对距离
、
前车相对速度
、
前车绝对速度
、
前车运动状态和距离发生碰撞的时间
。3.
根据权利要求2所述的短时车速预测方法，其特征在于，所述步骤2具体包括以下步骤：步骤2‑1：从原始数据中提取车道曲率
、
前车存在状态
...

【专利技术属性】
技术研发人员：徐向阳，张兆越，赵俊玮，刘学武，刘艳芳，董鹏，王书翰，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：