【技术实现步骤摘要】
本专利技术涉及车辆安全行驶，尤其涉及一种基于摄像头与车辆动力学模型的自适应紧急制动方法。
技术介绍
1、车辆自主紧急制动技术利用车载传感器(雷达，摄像头等)对周边环境实时感知检测，当发现预期可能发生的危险时向驾驶员发出报警信息，如若驾驶员未实施制动措施，车辆则会利用制动控制算法实现自动紧急制动。近年来，智能辅助驾驶技术得到了快速的发展，极大的简化了驾驶员的操作。路面附着系数作为重要参数在一定程度上决定了智驾功能的性能以及车辆的安全状态，路面附着系数表示了车辆轮胎与所行驶路面之间产生的最大作用力。当车辆行驶在湿滑路面上时，需要提醒驾驶员注意自身行驶速度，确保制动的安全性，同时预先估计出路面附着系数可以帮助紧急制动策略提前做出适应性参数调整。目前的车辆紧急制动算法大部分都没有考虑路面附着系数变化对制动距离的影响，当路面附着系数发生变化，制动距离会随之发生变化，这时如果采用固定不变的制动策略可能导致事故的发生。
技术实现思路
1、目前的车辆紧急制动算法大部分都没有考虑路面附着系数变化对制动效果的影响，针对这种情况本专利技术设计了一种基于摄像头与车辆动力学模型的自适应紧急制动方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于摄像头与车辆动力学模型的自适应紧急制动方法，包括：
3、利用摄像头获取前方路面图像信息，深度学习算法利用图像信息识别前方路面类型；
4、完成路面类型与路面附着系数的匹配，获得路面附着系数视
5、利用车辆运动信息以及车辆动力学模型、轮胎模型、结合无迹卡尔曼滤波算法获得路面附着系数动力学估计值；
6、结合视觉估计值与动力学估计值，利用时空同步融合策略以及概率密度函数截断法得到最终的路面附着系数估计值；
7、建立车辆制动模型，利用识别的路面附着系数计算出制动距离以及碰撞时间，更新制动策略。
8、进一步地，利用摄像头获取前方路面图像信息，深度学习算法利用图像信息识别前方路面类型，包括：
9、搭建深度学习算法模型，深度学习算法模型为改进的yolovx算法模型，改进的yolovx算法模型是在原有yolovx的主干网络中加入cpsa注意力机制模块，rfa残差高级特征图跳连机构；
10、利用标注的数据集训练深度学习算法模型。
11、进一步地，完成路面类型与路面附着系数的匹配，获得路面附着系数视觉估计值，还包括：
12、建立道路类型与路面附着系数对应关系表，同时取不同道路类型的附着系数上下限的均值记为uv作为相应道路类型的附着系数先验值。
13、进一步地，利用车辆运动信息以及车辆动力学模型、轮胎模型、结合无迹卡尔曼滤波算法获得路面附着系数动力学估计值，还包括：
14、建立车辆的三自由度动力学模型，车辆在x,y,z三个自由度的动力学方程分别为：
15、max＝fxflcosδ+fxfrcosδ+fxrl+fxrr-fyflsinδ-fyfrsinδ (1)；
16、may＝fxflsinδ+fxfrsinδ+fyrl+fyrr+fyflsinδ+fyfrsinδ (2)；
17、
18、其中m表示整车质量，ax,ay,r分别表示的是车辆的前向加速度，侧向加速度，以及车辆的横摆角速度，fx,fy表示的是纵向轮胎力和侧向轮胎力，fl,fr,rl,rr分别表示的是左前轮、右前轮、左后轮、右后轮。δ表示的是前轮转角，lf,lr,bf,br分别表示的是车辆质心与前轴的距离、车辆质心与后轴的距离、前轮轴距、后轮轴距，iz为绕z轴的转动惯量。
19、进一步地，包括建立dugoff车辆轮胎模型计算fx,fy，计算公式为：
20、
21、
22、
23、
24、其中，i＝fl,fr,rl,rr，μ表示的是路面附着系数，表示归一化的车轮纵向力以及横向力，fz表示的是车轮的轮胎垂向力，cx,cy分别为车辆的纵向刚度以及横向刚度，s表示的是车轮的滑移率，α表示的是车轮的侧偏角，f(λ)为过程函数，λ为过程变量因子，κ为速度影响因子，vx为车辆纵向车速。
25、进一步地，基于车辆三自由度模型，dugoff车辆轮胎模型以及车辆运动响应信息，结合无迹卡尔曼滤波算法设计附着系数估计系统。理论公式如下：
26、选择四个车轮的路面附着系数作为估计系统的状态变量，记作：x＝[μflμfrμrlμrr]；估计系统的输入u为前轮转角δ；估计系统的观测量为路面附着系数在实际应用中可视为慢变量，因此估计系统的状态方程可表示为：
27、
28、其中，测量方程h(x,u)由公式(1)、(2)、(3)组成；将公式(8)所示的非线性函数离散化后利用无迹卡尔曼滤波算法拟合非线性函数的均值和方差，从而估计出目前行驶路面的附着系数。
29、进一步地，结合视觉估计值与动力学估计值，利用时空同步融合策略以及概率密度函数截断法得到最终的路面附着系数估计值，还包括：
30、设定路面图像采集频率小于动力学信息采集频率，并记录各个时刻的行驶里程；
31、设置筛选可融合图像信息的条件，其中，条件包括：可融合图像信息处理完成时的车辆位置节点不大于当前时刻的位置，以及当前时刻位置处于图像信息的路面区域内，从而得到满足融合条件的路面类型识别结果。
32、进一步地，获取基于摄像头的路面附着系数识别结果以及基于动力学响应信息的路面附着系数识别结果进行融合；
33、视觉估计系统将路面类型，对应路面类型附着系数的上下限以及上下限的均值以向量数据的形式记录并输出，动力学估计系统将估计的路面附着系数识别结果输出；
34、利用时空同步融合策略，筛选在当前位置时刻之前距离当前位置最近的n个路面图像样本点作为识别位置，其中，识别位置距离当前位置越近，路面识别类型结果可靠性越高；
35、对每个识别位置设权重系数，识别位置距离当前位置越近权重系数越大；
36、将路面识别结果相同的识别位置权重系数作和，权重系数最大的路面类型为最可靠的识别结果；
37、设置视觉识别置信度门限值，比较视觉识别置信度门限值和最大的权重系数值大小；
38、若最大的权重系数值小于视觉识别置信度门限值,则路面附着系数以基于动力学的估计模型为准；
39、若最大的权重系数值小于视觉识别置信度门限值，且基于动力学响应信息的路面附着系数识别结果处于附着系数范围内，则输出动力学估计结果；
40、若最大的权重系数值小于视觉识别置信度门限值，且基于动力学响应信息的路面附着系数识别结果不在附着系数范围内，则以视觉估计系统的估计结果为准。
41、进一步地，建立车辆制动模型，利用识别的路面附着系数计算出制动距离以及碰撞时间，更新制动策略，包括：
本文档来自技高网...【技术保护点】
1.一种基于摄像头与车辆动力学模型的自适应紧急制动方法，其特征在于，包括：
2.根据权利要求1所述的一种基于摄像头与车辆动力学模型的自适应紧急制动方法，其特征在于，利用摄像头获取前方路面图像信息，深度学习算法利用图像信息识别前方路面类型，包括：
3.根据权利要求2所述的一种基于摄像头与车辆动力学模型的自适应紧急制动方法，其特征在于，完成路面类型与路面附着系数的匹配，获得路面附着系数视觉估计值，还包括：
4.根据权利要求1所述的一种基于摄像头与车辆动力学模型的自适应紧急制动方法，其特征在于，利用车辆运动信息以及车辆动力学模型、轮胎模型、结合无迹卡尔曼滤波算法获得路面附着系数动力学估计值，还包括：
5.根据权利要求4所述的一种基于摄像头与车辆动力学模型的自适应紧急制动方法，其特征在于，包括建立Dugoff车辆轮胎模型计算Fx,Fy，计算公式为：
6.根据权利要求5所述的一种基于摄像头与车辆动力学模型的自适应紧急制动方法，其特征在于，包括：
7.根据权利要求1所述的一种基于摄像头与车辆动力学模型的自适应紧急制动方法
8.根据权利要求7所述的一种基于摄像头与车辆动力学模型的自适应紧急制动方法，其特征在于，包括：
9.根据权利要求1所述的一种基于摄像头与车辆动力学模型的自适应紧急制动方法，其特征在于，建立车辆制动模型，利用识别的路面附着系数计算出制动距离以及碰撞时间，更新制动策略，包括：
10.根据权利要求1所述的一种基于摄像头与车辆动力学模型的自适应紧急制动方法，其特征在于，包括：
...【技术特征摘要】
1.一种基于摄像头与车辆动力学模型的自适应紧急制动方法，其特征在于，包括：
2.根据权利要求1所述的一种基于摄像头与车辆动力学模型的自适应紧急制动方法，其特征在于，利用摄像头获取前方路面图像信息，深度学习算法利用图像信息识别前方路面类型，包括：
3.根据权利要求2所述的一种基于摄像头与车辆动力学模型的自适应紧急制动方法，其特征在于，完成路面类型与路面附着系数的匹配，获得路面附着系数视觉估计值，还包括：
4.根据权利要求1所述的一种基于摄像头与车辆动力学模型的自适应紧急制动方法，其特征在于，利用车辆运动信息以及车辆动力学模型、轮胎模型、结合无迹卡尔曼滤波算法获得路面附着系数动力学估计值，还包括：
5.根据权利要求4所述的一种基于摄像头与车辆动力学模型的自适应紧急制动方法，其特征在于，包括建立dugoff车辆轮...
【专利技术属性】
技术研发人员：王亮，马文峰，王子军，孙勇，李成浩，杨媛媛，孙启越，张建刚，赵一，胡东伟，
申请(专利权)人：一汽奔腾汽车股份有限公司，
类型：发明
国别省市：
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。