一种基于新型行车安全场的智能车安全决策方法

1.本发明属于智能驾驶技术领域，特别是涉及一种基于新型行车安全场的智能车安全决策方法。


背景技术：

2.近年来，随着人均生活水平的不断提高，汽车保有量也在不断攀升。但同时汽车在交通安全方面带给我们的负面影响也不容小觑。传统的交通安全控制建立在车辆动力学或道路规划的基础上，并没有充分考虑车辆行驶环境中人
‑
车
‑
路各要素对行车安全的影响，尤其是驾驶员行为特性对行车安全的影响。对于汽车的智能化控制是汽车产业未来的重要变革方向，因此，如何将二者相互协调统一，对决策行为进行合理的建模，对于加快推进智能汽车创新发展具有重要意义，对于实现无车道线环境下的自动驾驶至关重要。
3.智能车面对的行驶环境是复杂多样的，作为智能汽车架构中的重要一环，智能安全决策负责接收感知层处理融合后的信息，进行综合决策和规划，给出符合规范的操作指令及期望轨迹，并交由执行层控制执行，从而引导车辆行驶。
4.目前对人
‑
车
‑
路各要素对行车安全的影响已经有了一定的研究，例如中国发明专利申请号为cn20181043346.x，专利名称为“基于行车安全场的车辆智能安全决策方法”中提出的在自车的电子控制单元中或在智能交通管理系统的中央计算机系统中预先设置行车安全场模型和行车风险辨识模型，进而得到行车最优速度和安全行驶距离，从而有效降低道路碰撞交通事故发生率。中国发明专利申请号为cn201910015069.4，专利名称为“一种分布式智能网联汽车交叉路口复杂场景通行决策方法”中提出的车辆违反交通规则检测机制，实现了规则与强化学习方法的融合，为提高复杂环境下的交通安全和交叉路口通行效率提供技术支撑。
5.综上所述，虽然现在对车辆行驶环境中人
‑
车
‑
路各要素对行车安全的影响已经有了一定的研究，但是对于道路上物体势能场的分析并未细化，无法细致化道路上不同物体对周围道路的影响，然而任何一个影响因素被忽略都会在行车过程中产生危险。因此，在当前情况下迫切地需要一种可以应用于智能驾驶并提供风险识别的车辆智能安全决策方法，在保证安全性的基础上充分考虑驾乘人员的习性差异以及道路物体对周围影响的各向互异性，从而提高智能决策精度，降低交通事故的发生率，提高用户对智能汽车的接受度，促进智能汽车的推广。


技术实现要素：

6.针对于上述现有技术的不足，本发明的目的在于提供一种基于新型行车安全场的智能车安全决策方法，以解决现有技术中的智能安全决策方法，未充分考虑驾乘人员的习性差异和道路物体对周围影响的各向互异性，导致智能决策精度低、可靠性差等问题。本发明在保证安全性的基础上充分考虑了驾乘人员的习性差异以及道路物体的各向互异性，从而提高智能决策精度，降低交通事故的发生率，提高用户对智能汽车的接受度。
7.为达到上述目的，本发明采用的技术方案如下：
8.本发明的一种基于新型行车安全场的智能车安全决策方法，步骤如下：
9.(1)在智能车行驶时，采集车辆智能决策所需要的自车信息和环境信息；
10.(2)建立新型行车安全场模型，将步骤(1)采集到的信息代入模型中，实时生成实际道路的行车安全场；
11.(3)根据车辆所在位置行车安全场的场值及其变化情况，制定车辆是否换道的初步决策，再根据道路左右两侧的行车安全场的场值决定换道方向。
12.进一步地，上述步骤(1)中通过毫米波雷达、激光雷达、摄像头、imu、gps和车速传感器采集数据。
13.进一步地，上述步骤(1)中采集的信息包括：第一类静止物体、第二类静止物体、移动物体的状态、类型和位置信息以及智能车自身状态和位置信息；第一类静止物体指发生碰撞时会造成极大损失的物体；第二类静止物体指不会与车辆发生碰撞，但是会约束驾驶员的驾驶行为的物体；移动物体指道路上移动的车辆或行人。
14.进一步地，所述步骤(2)中新型行车安全场模型建立的具体步骤如下：
15.(21)静止物体势能场建模；
16.(211)第一类静止物体势能场建模：
[0017][0018][0019][0020]
式中，e
so1_q
为在(x
p
,y
p
)处的物体p在道路点(x
q
,y
q
)处形成的势能场矢量，方向与标准距离矢量r
pq
相同；k和k1为大于零的常数；m
p
为物体p的虚拟质量；r
p
为(x
p
,y
p
)处的道路影响因子；为修正距离矢量；ξ1和ξ2为椭圆参数；为静止物体所在车道行车方向与的夹角(逆时针为正)；v
max
为静止物体所在道路所允许的最高时速；e为自然常数；
[0021]
上述椭圆参数ξ1表达式为：
[0022][0023]
式中，s为静止物体的影响范围；t
b
为影响范围边界的碰撞时间；τ1为与v
max
有关的大于零的调整因子；
[0024]
上述椭圆参数ξ2表达式为：
[0025][0026]
式中，d为单个车道的宽度、τ2为与v
max
有关的大于零的调整因子；
[0027]
上述虚拟质量m
p
表达式为：
[0028][0029]
式中，t
p
为物体类型，具体为该类型碰撞损失与标准类型碰撞损失之比；m
p
为物体p的实际质量；α
k
、β
k
为待定常数；v
p
为物体p的速度(静止物体为0)；
[0030]
上述道路影响因子r
p
表达式为：
[0031][0032]
式中，o
p
为(x
p
,y
p
)处的能见度；μ
p
为(x
p
,y
p
)处的道路附着系数；ρ
p
为(x
p
,y
p
)处的道路曲率；s
p
为(x
p
,y
p
)处的道路坡度；γ1、γ2、γ3、γ4为待定系数，γ1，γ2＜0,γ3，γ4＞0；o
*
、μ
*
、ρ
*
、s
*
为o、μ、ρ、s的标准值；
[0033]
(212)第二类静止物体势能场建模：
[0034][0035]
式中，e
so2_q
为(x
q
,y
q
)处道路标线g的场强矢量，方向与r
gq
相同；lt
g
为道路标线类型；d为道路宽度；k2为大于零的待定常数；r
gq
＝(x
q
‑
x
g
,y
q
‑
y
g
)为距离矢量；g∈[0,1]为势场值调整因子，与综合势场值有关；
[0036]
(22)移动物体动能场建模：
[0037][0038]
(x
q
≤x
c
‑
v
c or x
q
≥x
c
+v
c
)
[0039][0040]
式中，e
v_q
为在(x
c
,y
c
)处的移动物体c在道路点(x
q
,y
q
)处形成的动能场矢量，方向与r
cq
相同；和为椭圆参数；r
c
为(x
c
,y
c
)处的道路影响因子；m
c
为移动物体c的虚拟质量；为动能场调整距离矢量；v
c
为移动物体c的速度；为v
c
和的夹角(逆时针为正)；
[0041]
上述椭圆参数表达式为：
[0042][0043]
式中，为与运动物体车速有关的大于零的调整因子；
[0044]
上述椭圆参数表达式为：
[0045][0046]
式中，为与运动物体车速有关的大于零的调整因子；
[0047]
(23)行为场建模：
[0048]
e
d_q
＝e
v_q
.dr
d
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0049]
式中，e
d_q
为在(x
d
,y
d
)处的运动车辆d的驾驶员在(x
q
,y
q
)处形成的行为场矢量，方向与e
v_q
相同；dr
d
为跟d车驾驶员驾驶风格相关的驾驶员风险因素；
[0050][0051]
(24)行车安全场建模：
[0052][0053]
式中，e
s_q
为(x
q
,y
q
)处的行车安全场；e
so_q
为(x
q
,y
q
)处的势能场；e
v_q
为(x
q
,y
q
)处的动能场矢量；e
d_q
为(x
q
,y
q
)处的行为场矢量。
[0054]
进一步地，所述步骤(3)中智能车换道决策的具体步骤为：
[0055]
(31)将组成安全场的各势场分别进行局部归一化，局部归一化后(x
q
,y
q
)处的安全场模型为：
[0056][0057]
式中，为(x
q
,y
q
)处的局部归一化后的行车安全场，除数值归一化外，其他各特性不发生变化；e
so1_qmax
为第一类静止物体势场最大值；e
so2_qmax
为第二类静止物体势场最大值；e
v_qmax
为动能场的最大值；e
d_qmax
为行为场的最大值；
[0058]
(32)在局部归一化的基础上，考虑各部分的相互影响进一步将归一化的安全场进行全局归一化；全局归一化后(x
q
,y
q
)处的安全场模型为：
[0059][0060]
式中，e
n_q
为(x
q
,y
q
)处的全局归一化后的行车安全场场值；为局部归一化后的行车安全场的最大值；
[0061]
(33)在决策周期内，智能车利用车载传感设备获取的周边车辆的状态信息，并通过计算该智能车所处位置的全局归一化后的安全场场值及其变化率判断是否进行换道决策。
[0062]
进一步地，所述换道决策规则如下：
[0063]
(331)设置智能车的换道触发阈值为a，其变化率阈值设为b1和b2，b2>b1；
[0064]
(332)智能车是否进行换道的判断条件为：1.e
n
<a且de
n
/dt>b2；2.e
n
>a且de
n
/dt>b1；
[0065]
满足上述条件之一，智能车触发换道指令，进行换道方向的选择；
[0066]
(333)随机在智能车左前方区域内和车辆右前方区域内选取五十个位置点，计算所述位置点所处位置的全局归一化后的安全场场值，并计算其平均值，得到左右车道的平均安全场值和具体换道方向的选择规则如下：
[0067]
智能车处于中间车道：若则左换道；若则右换道；若则无法换道，减速保持当前车道；
[0068]
车辆处于最左侧车道：若则右换道；若则无法换道，减速保持当前车道；
[0069]
车辆处于最右侧车道：若则右换道；若则无法换道，减速保持当前车道。
[0070]
进一步地，所述步骤(333)中智能车左前区域为x∈[x0‑
v,x0+v],y∈[y0,y0+d]；右前区域为x∈[x0‑
v,x0+v],y∈[y0‑
d,y0]，(x,y)为道路上的点的坐标，(x0,y0)为智能车位置坐标，v为智能车车速。
[0071]
本发明的有益效果：
[0072]
本发明充分考虑驾乘人员的习性差异和道路物体对周围影响的各向互异性，提出了一种新型行车安全场，提高了智能车决策的精准性和行车安全场实际应用的可行性，减少了车辆的碰撞风险。
[0073]
本发明充分考虑了人
‑
车
‑
路等多方面因素，可以更好的保证车辆的行驶安全，使车辆适应各种复杂的行车环境。
附图说明
[0074]
图1为本发明方法的原理图。
[0075]
图2为行车安全场示意图。
[0076]
图3为全局归一化后的行车安全场示意图。
具体实施方式
[0077]
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
[0078]
参照图1所示，本发明的一种基于新型行车安全场的智能车安全决策方法，步骤如下：
[0079]
(1)在智能车行驶时，通过毫米波雷达、激光雷达、摄像头、imu、gps和车速传感器采集车辆智能决策所需要的自车信息和环境信息；
[0080]
上述步骤(1)中采集的信息包括：第一类静止物体、第二类静止物体、移动物体的状态、类型和位置信息以及智能车自身状态和位置信息；第一类静止物体指发生碰撞时会造成极大损失的物体，如停放的汽车、路障等。第二类静止物体一般指不会与车辆发生碰
撞，但是会约束驾驶员的驾驶行为的物体，如交通标志、车道标志等。移动物体一般指道路上移动的车辆或行人。
[0081]
(2)建立新型行车安全场模型，将步骤(1)采集到的信息代入模型中，实时生成实际道路的行车安全场；参照图2所示，
[0082]
所述新型行车安全场模型建立的具体步骤如下：
[0083]
(21)静止物体势能场建模；
[0084]
(211)第一类静止物体势能场建模：
[0085][0086][0087][0088]
式中，e
so1_q
为在(x
p
,y
p
)处的物体p在道路点(x
q
,y
q
)处形成的势能场矢量，方向与标准距离矢量r
pq
相同；k和k1为大于零的常数；m
p
为物体p的虚拟质量；r
p
为(x
p
,y
p
)处的道路影响因子；为修正距离矢量；ξ1和ξ2为椭圆参数；为静止物体所在车道行车方向与的夹角(逆时针为正)；v
max
为静止物体所在道路所允许的最高时速；e为自然常数；
[0089]
上述椭圆参数ξ1表达式为：
[0090][0091]
式中，s为静止物体的影响范围；t
b
为影响范围边界的碰撞时间；τ1为与v
max
有关的大于零的调整因子；
[0092]
上述椭圆参数ξ2表达式为：
[0093][0094]
式中，d为单个车道的宽度、τ2为与v
max
有关的大于零的调整因子；
[0095]
上述虚拟质量m
p
表达式为：
[0096][0097]
式中，t
p
为物体类型，具体为该类型碰撞损失与标准类型碰撞损失之比；m
p
为物体p的实际质量；α
k
、β
k
为待定常数；v
p
为物体p的速度(静止物体为0)；
[0098]
上述道路影响因子r
p
表达式为：
[0099][0100]
式中，o
p
为(x
p
,y
p
)处的能见度；μ
p
为(x
p
,y
p
)处的道路附着系数；ρ
p
为(x
p
,y
p
)处的道
路曲率；s
p
为(x
p
,y
p
)处的道路坡度；γ1、γ2、γ3、γ4为待定系数，γ1，γ2＜0,γ3，γ4＞0；o
*
、μ
*
、ρ
*
、s
*
为o、μ、ρ、s的标准值；
[0101]
(212)第二类静止物体势能场建模：
[0102][0103]
式中，e
so2_q
为(x
q
,y
q
)处道路标线g的场强矢量，方向与r
gq
相同；lt
g
为道路标线类型；d为道路宽度；k2为大于零的待定常数；r
gq
＝(x
q
‑
x
g
,y
q
‑
y
g
)为距离矢量；g∈[0,1]为势场值调整因子，与综合势场值有关；
[0104]
(22)移动物体动能场建模：
[0105][0106]
(x
q
≤x
c
‑
v
c or x
q
≥x
c
+v
c
)
[0107][0108]
式中，e
v_q
为在(x
c
,y
c
)处的移动物体c在道路点(x
q
,y
q
)处形成的动能场矢量，方向与r
cq
相同；和为椭圆参数；r
c
为(x
c
,y
c
)处的道路影响因子；m
c
为移动物体c的虚拟质量；为动能场调整距离矢量；v
c
为移动物体c的速度；为v
c
和的夹角(逆时针为正)；
[0109]
上述椭圆参数表达式为：
[0110][0111]
式中，为与运动物体车速有关的大于零的调整因子；
[0112]
上述椭圆参数表达式为：
[0113][0114]
式中，为与运动物体车速有关的大于零的调整因子；
[0115]
(23)行为场建模：
[0116]
e
d_q
＝e
v_q
.dr
d
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0117]
式中，e
d_q
为在(x
d
,y
d
)处的运动车辆d的驾驶员在(x
q
,y
q
)处形成的行为场矢量，方向与e
v_q
相同；dr
d
为跟d车驾驶员驾驶风格相关的驾驶员风险因素；
[0118]
[0119]
(24)行车安全场建模：
[0120][0121]
式中，e
s_q
为(x
q
,y
q
)处的行车安全场；e
so_q
为(x
q
,y
q
)处的势能场；e
v_q
为(x
q
,y
q
)处的动能场矢量；e
d_q
为(x
q
,y
q
)处的行为场矢量。
[0122]
(3)根据车辆所在位置行车安全场的场值及其变化情况，制定车辆是否换道的初步决策，再根据道路左右两侧的行车安全场的场值决定换道方向；
[0123]
参照图3所示，智能车换道决策的具体步骤为：
[0124]
(31)将组成安全场的各势场分别进行局部归一化，局部归一化后(x
q
,y
q
)处的安全场模型为：
[0125][0126]
式中，为(x
q
,y
q
)处的局部归一化后的行车安全场，除数值归一化外，其他各特性不发生变化；e
so1_qmax
为第一类静止物体势场最大值；e
so2_qmax
为第二类静止物体势场最大值；e
v_qmax
为动能场的最大值；e
d_qmax
为行为场的最大值；
[0127]
(32)在局部归一化的基础上，考虑各部分的相互影响进一步将归一化的安全场进行全局归一化；全局归一化后(x
q
,y
q
)处的安全场模型为：
[0128][0129]
式中，e
n_q
为(x
q
,y
q
)处的全局归一化后的行车安全场场值；为局部归一化后的行车安全场的最大值；
[0130]
(33)在决策周期内，智能车利用车载传感设备获取的周边车辆的状态信息，并通过计算该智能车所处位置的全局归一化后的安全场场值及其变化率判断是否进行换道决策。
[0131]
所述换道决策规则如下：
[0132]
(331)设置智能车的换道触发阈值为a，其变化率阈值设为b1和b2，b2>b1；
[0133]
(332)智能车是否进行换道的判断条件为：1.e
n
<a且de
n
/dt>b2；2.e
n
>a且de
n
/dt>b1；
[0134]
满足上述条件之一，智能车触发换道指令，进行换道方向的选择；
[0135]
(333)随机在智能车左前方区域内和车辆右前方区域内选取五十个位置点，计算所述位置点所处位置的全局归一化后的安全场场值，并计算其平均值，得到左右车道的平均安全场值和具体换道方向的选择规则如下：
[0136]
智能车处于中间车道：若则左换道；若则右换道；若则无法换道，减速保持当前车道；
[0137]
车辆处于最左侧车道：若则右换道；若则无法换道，减速保持当前车道；
[0138]
车辆处于最右侧车道：若则右换道；若则无法换道，减速保持当前车道。
[0139]
所述步骤(333)中智能车左前区域为x∈[x0‑
v,x0+v],y∈[y0,y0+d]；右前区域为x∈[x0‑
v,x0+v],y∈[y0‑
d,y0]，(x,y)为道路上的点的坐标，(x0,y0)为智能车位置坐标，v为智能车车速。
[0140]
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。