System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及车辆主动安全功能算法评估,尤其是涉及一种考虑横纵向安全距离的车道偏离预警算法评估方法。
技术介绍
1、美国国家公路交通安全管理署(national highway traffic stationadministration,nhtsa)统计数据表明,车道偏离事故占比超过死亡事故的三分之一(37.4%)。为了降低交通事故风险,车道偏离预警系统(lane departure warningsystems,ldws)被研发,并大量安装于车辆。
2、然而,目前市场上的ldw系统由于场景单一,预警阈值固定,算法考虑的参数不符合驾驶人的需求,因此存在大量不必要的预警。这些误报导致驾驶人对系统的接受率较低。因此亟需提出一种符合驾驶人行为特点的ldw算法评估方法,以提升ldw算法的安全性,为ldw算法的标准提供理论依据。
3、目前对ldw评估测试的方法,大部分以场地测试为主,例如euro ncap及nhtsancap的碰撞测试。该测试方法往往通过固定的阈值,设定不同场景(高速、低速、弯道等场景)的参数,对ldw系统进行测试。此类测试无法明确系统算法存在的误报、漏报的致因,不能确定影响算法的关键参数。因此,亟需提出一种定量的测试指标,对系统的安全性进行定量评估,这有助于发现算法的关键影响参数,并为算法优化提供依据。
技术实现思路
1、本专利技术的目的是为了提供一种考虑横纵向安全距离的车道偏离预警算法评估方法。
2、本专利技术的目的可以通过以下技术方案
3、一种考虑横纵向安全距离的车道偏离预警算法评估方法,包括以下步骤:
4、步骤1)从自然驾驶数据库中提取车道偏离事件,获得预警视频数据及车辆运动数据;
5、步骤2)将步骤1)中提取的车道偏离事件划分为单车车道偏离场景和多车车道偏离场景;
6、步骤3)使用k-shape-clustering聚类方法,对步骤2)所划分的单车车道偏离场景及多车车道偏离场景分别进行聚类,得到单车车道偏离高风险场景和单车车道偏离低风险场景、多车车道偏离高风险场景和多车车道偏离低风险场景;
7、步骤4)使用4类聚类后场景的车道偏离自然驾驶数据分别标定基于责任敏感安全(responsibility sensitive safe,rss)模型的横向、纵向安全距离;
8、步骤5)基于标定后的横向、纵向安全距离评估现有车道偏离预警算法的安全性。
9、所述从自然驾驶数据库中提取车道偏离事件具体为:设定提取车道偏离事件的阈值,根据阈值对自然驾驶数据中的车道偏离事件进行提取,其中,所述阈值包括距离阈值、时间阈值和速度阈值。
10、所述步骤1)中的车道偏离事件的车辆运动数据包括:自车车速,横向穿越时间(time-to-lane-crossing,tlc),相邻车道车辆车速、相对距离,前车车速、相对距离,车辆横向偏移量。
11、所述步骤2)中,划分单车车道偏离场景涉及的变量包括自车车速、车辆横向偏移距离、横向穿越时间、道路类型;划分多车车道偏离场景涉及的变量包括自车车速、车辆横向偏移距离、横向穿越时间、相邻车道车辆相对车速、相邻车道车辆相对距离、前车车速、前车相对距离、道路类型;其中,所述道路类型包括高速公路、城市快速路、城市道路、乡村道路。
12、所述步骤3)中,
13、其中,单车车道偏离高风险场景特点为:车速增加、横向距离先减小后增加再减小、tlc先减小后增加;
14、单车车道偏离低风险场景特点为:车速降低、横向距离减小、tlc减小;
15、多车车道偏离高风险场景特点为:车速增加、横向距离先减小后增加再减小、tlc先减小后增加;
16、多车车道偏离低风险场景特点为:车速降低、横向距离减小、tlc先减小再增加。
17、所述步骤4)中,基于rss模型的横向安全距离表示为:
18、
19、其中,为横向安全距离,v1为自车横向速度,v2为相邻车道横向速度,μ为最终横向安全距离,ρ为横向反应时间,为自车最小横向舒适减速度;μ、ρ、为需要标定的参数。
20、所述步骤4)中,基于rss模型的横向安全距离中参数标定的方法为nsga-ii算法,优化目标为:
21、目标1:
22、目标2:
23、
24、其中,tlc为横向穿越时间,tlc*为2.7s,tlci为第i时刻的横向穿越时间。
25、所述步骤4)中,基于rss模型的纵向安全距离表示为:
26、
27、其中,为纵向安全距离,vr为自车纵向速度,vf为前车纵向速度,ρ为横向反应时间,amax,accel为前车最大加速度,amin,brake、amax,brake分别为前车最小舒适、最大减速度。
28、所述步骤4)中,基于rss模型的纵向安全距离中参数标定的方法为nsga-ii算法,优化目标为:
29、目标1:
30、
31、目标2:
32、
33、其中,tit为纵向安全时间积分,ttc*为4.5s,titi为第i时刻的安全时间和。
34、所述步骤5)具体为:基于标定后的横向、纵向安全距离对现有车道偏离预警算法预警时刻的横、纵向真实距离进行评估,采用混淆矩阵计算车道偏离预警算法的精准度、误报率指标,评估安全性。
35、与现有技术相比,本专利技术具有以下有益效果:
36、(1)可定量评估算法:本专利技术中横纵向安全距离,可以定量评估现有ldw算法的安全性、误报率、准确率,弥补了以往算法定性评估的不足。
37、(2)评估指标全面:本专利技术中的横纵向安全距离计算模型涉及了反应时间、制动力度、车速等驾驶员行为特征,更贴近驾驶员行为特征对ldw系统的需求。
本文档来自技高网...【技术保护点】
1.一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述从自然驾驶数据库中提取车道偏离事件具体为:设定提取车道偏离事件的阈值,根据阈值对自然驾驶数据中的车道偏离事件进行提取,其中,所述阈值包括距离阈值、时间阈值和速度阈值。
3.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤1)中的车道偏离事件的车辆运动数据包括:自车车速,横向穿越时间,相邻车道车辆车速、相对距离,前车车速、相对距离,车辆横向偏移量。
4.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤2)中,划分单车车道偏离场景涉及的变量包括自车车速、车辆横向偏移距离、横向穿越时间、道路类型;划分多车车道偏离场景涉及的变量包括自车车速、车辆横向偏移距离、横向穿越时间、相邻车道车辆相对车速、相邻车道车辆相对距离、前车车速、前车相对距离、道路类型;其中,所述道路类型包括高速公路、城市快速路、城市道路
5.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤3)中,
6.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤4)中,基于RSS模型的横向安全距离表示为:
7.根据权利要求6所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤4)中,基于RSS模型的横向安全距离中参数标定的方法为NSGA-II算法,优化目标为:
8.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤4)中,基于RSS模型的纵向安全距离表示为:
9.根据权利要求8所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤4)中,基于RSS模型的纵向安全距离中参数标定的方法为NSGA-II算法,优化目标为:
10.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤5)具体为:基于标定后的横向、纵向安全距离对现有车道偏离预警算法预警时刻的横、纵向真实距离进行评估,采用混淆矩阵计算车道偏离预警算法的精准度、误报率指标,评估安全性。
...【技术特征摘要】
1.一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述从自然驾驶数据库中提取车道偏离事件具体为:设定提取车道偏离事件的阈值,根据阈值对自然驾驶数据中的车道偏离事件进行提取,其中,所述阈值包括距离阈值、时间阈值和速度阈值。
3.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤1)中的车道偏离事件的车辆运动数据包括:自车车速,横向穿越时间,相邻车道车辆车速、相对距离,前车车速、相对距离,车辆横向偏移量。
4.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤2)中,划分单车车道偏离场景涉及的变量包括自车车速、车辆横向偏移距离、横向穿越时间、道路类型;划分多车车道偏离场景涉及的变量包括自车车速、车辆横向偏移距离、横向穿越时间、相邻车道车辆相对车速、相邻车道车辆相对距离、前车车速、前车相对距离、道路类型;其中,所述道路类型包括高速公路、城市快速路、城市道路、乡村道路。
5.根据权利要求1所述的一...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。