本发明涉及一种防止弯道车辆前撞的自动报警方法，利用车载GPS设备采集坐标数据提供给滤波单元进行滤波处理；曲率计算单元根据滤波后的数据计算道路离散曲率值；弯道识别单元依据道路离散曲率值判断车辆是否行驶在弯道上：如果车辆行驶在弯道上，则根据车载CAN总线提供的自车车速、自车与前车的相对距离和相对车速信息，跟车安全距离计算模块计算跟车安全距离；THW和TTC计算模块计算跟车时距和避撞时间；风险状态预估模块基于上述所得参数采用风险状态预估函数计算风险状态预估值，报警模块将风险状态预估值与其预置的车辆前撞报警阈值进行比较：如果风险状态预估值大于等于车辆前撞报警阈值，则做出报警提示，提醒驾驶员进行减速；本发明可以广泛地设置于各种类型的车辆上，有效地提高车辆的行驶安全性。
1.一种防止弯道车辆前撞的自动报警方法，其包括以下步骤：
1)在车辆原有的车载控制系统中加入一包括道路曲率计算模块、跟车安全距离计算模块、跟车时距THW和避撞时间TTC计算模块的信息处理部分，以及一包括风险状态预估模块和报警模块的算法设计部分，所述道路曲率计算模块包括滤波单元、曲率计算单元和弯道识别单元；
2)利用原有车载GPS设备采集车辆位置信息，并将表征车辆位置信息的道路坐标数据提供给滤波单元进行滤波处理；
3)曲率计算单元根据滤波后的道路坐标数据计算道路离散曲率值；
4)弯道识别单元依据步骤3)所得的道路离散曲率值判断车辆是否行驶在弯道上：如果车辆未行驶在弯道上，返回步骤2)重新开始新一轮的车辆位置信息采集；
5)跟车安全距离计算模块根据原有车载CAN总线提供的自车车速、自车与前车的相对距离和相对车速信息计算跟车安全距离dw，计算公式如下：其中，τ为驾驶员制动反应时间，即从前车制动到自车制动所经历的时间，v为自车车速，vf为前车车速，a为自车减速度，af为前车减速度，且在极限工况下认为自车和前车均以地面附着力所允许的最大减速度作匀减速运动，，a＝af＝ug，u为道路附着系数，g为重力加速度，d0为自车与前车都停止后的相对距离；
6)THW和TTC计算模块根据原有车载CAN总线提供的自车车速、自车与前车的相对距离和相对车速信息计算跟车时距THW和避撞时间TTC，计算公式如下：其中，d为自车与前车的相对距离，v为自车车速，vr为自车与前车的相对速度；
7)风险状态预估模块根据步骤5)得到的跟车安全距离以及步骤6)得到的跟车时距和避撞时间，同时兼顾弯道行驶时驾驶员的驾驶行为特性，采用风险状态预估函数，其表达式如下：计算车辆于弯道行驶时发生前撞的风险状态预估值R，其中，n为导致车辆发生前撞的危险事件的数量，Gi为危险事件的权重值，Pi为危险事件发生的概率；
8)报警模块将步骤7)得到的风险状态预估值与其内部预置的弯道车辆前撞报警阈值进行比较：如果风险状态预估值小于弯道车辆前撞报警阈值，返回步骤2)重新开始新一轮的车辆位置信息采集；
如果风险状态预估值大于等于弯道车辆前撞报警阈值，报警模块做出报警提示，提醒驾驶员进行减速；此时，如果驾驶员采取了制动措施，流程结束；否则继续做出报警提示。
2.如权利要求1所述的一种防止弯道车辆前撞的自动报警方法，其特征在于：所述步骤3)中的曲率计算单元采用基于固定厚度的自适应邻域窗口生长的方法计算道路离散曲率；对于离散曲线点集上的任意一点pi，在其附近确定一个有限长度的邻域窗口Nw，定义该邻域窗口的厚度为c，计算表达式如下：c＝|hcos(arctanS)|
其中，h为邻域窗口的厚度，S为连接邻域窗口首尾两个点的直线的斜率；对于前向邻域窗口Nwf，h对应为hf，S对应为Sf，c对应为cf；对于后向邻域窗口Nwr，h对应为hr，S对应为Sr，c对应为cr；当自适应邻域窗口生长时，对点pi的选取有如下规定：i≥N，N必须满足条件：从第N个点向后进行邻域窗口生长至第一个点时，邻域窗口的厚度必须要大于等于一个预先固定的初始值c0；但是，如果离散点集所刻画的曲线为一个封闭曲线，N任意选取；此外，自适应邻域窗口生长时还必须以邻域窗口的厚度作为邻域窗口生长的约束条件，使得邻域窗口的高度能随离散曲线的切线方向的变化而变化；基于固定厚度的自适应邻域窗口的生长过程如下：
2)从pi点开始向下一点生长出直线段pipi+1，计算该直线段斜率Sf及此时邻域窗口Nwf的高度hf及此时的厚度cf：若cf＜c0，则前向邻域窗口Nwf继续向下一个邻接点生长；
若cf≥c0，则前向邻域窗口Nwf停止生长，进入步骤3)；
3)从pi点开始向上一点生长出直线段pipi-1，计算该直线段斜率Sr及此时邻域窗口Nwr的高度hr及此时的厚度cr：若cr＜c0，则后向邻域窗口Nwr继续向上一个邻接点生长；
通过以上迭代的过程，对于离散曲线点集中的任意一点pi，i≥N，向前生长出的邻域窗口Nwf由离散点集pi，pi+1，…，pi+f组成，其相应的点坐标为(xi，yi)，…，(xi+f，yi+f)；向后生长出的邻域窗口Nwr由离散点集pi，pi-1，…，pi-r组成，其相应的点坐标为(xi，yi)，…，(xi-r，yi-r)，对于离散曲线点集中的任意一点pi，i≥N，将其向前生长的邻域窗口经过的曲线弧长lf和向后生长的邻域窗口经过的曲线弧长lr分别用相应邻域窗口边界点的欧氏距离进行近似计算，即：将经过邻域窗口边界点的直线pipi+f、pi-rpi近似为该邻域窗口经过的曲线的切线，令θf＝arctan(Sf)，θr＝arctan(Sr)，则根据曲率在连续空间的定义公式，点pi处的曲率估计值ρ(pi)为：
3.如权利要求1所述的一种防止弯道车辆前撞的自动报警方法，其特征在于：所述风险状态预估模块采用风险状态预估函数，其表达式如下：计算车辆于弯道行驶时发生前撞的风险状态预估值时，对导致车辆发生前撞的危险事件采用驾驶员弯道跟车距离、跟车时距和避撞时间三个参数来描述，n值为3。
4.如权利要求2所述的一种防止弯道车辆前撞的自动报警方法，其特征在于：所述风险状态预估模块采用风险状态预估函数，其表达式如下：计算车辆于弯道行驶时发生前撞的风险状态预估值时，对导致车辆发生前撞的危险事件采用驾驶员弯道跟车距离、跟车时距和避撞时间三个参数来描述，n值为3。
5.如权利要求1或2或3或4所述的一种防止弯道车辆前撞的自动报警方法，其特征在于：所述步骤8)中的风险状态预估模块采用风险状态预估函数，其表达式如下：计算车辆于弯道行驶时发生前撞的风险状态预估值时，利用自适应加权融合算法对导致车辆发生前撞的危险事件的权重值Gi进行最优实时分配。
6.如权利要求1或2或3或4所述的一种防止弯道车辆前撞的自动报警方法，其特征在于：所述步骤8)中的报警模块利用弯道车辆前撞风险状态预估结果，并考虑驾驶员反应时间所应留出的安全余量，确定弯道车辆前撞报警阈值。
7.如权利要求5所述的一种防止弯道车辆前撞的自动报警方法，其特征在于：所述步骤8)中的报警模块利用弯道车辆前撞风险状态预估结果，并考虑驾驶员反应时间所应留出的安全余量，确定弯道车辆前撞报警阈值。
8.如权利要求1或2或3或4或7所述的一种防止弯道车辆前撞的自动报警方法，其特征在于：所述弯道车辆前撞报警阈值分为两档：初级报警阈值和高级报警阈值。
9.如权利要求5所述的一种防止弯道车辆前撞的自动报警方法，其特征在于：所述弯道车辆前撞报警阈值分为两档：初级报警阈值和高级报警阈值。
10.如权利要求6所述的一种防止弯道车辆前撞的自动报警方法，其特征在于：所述弯道车辆前撞报警阈值分为两档：初级报警阈值和高级报警阈值。
一种防止弯道车辆前撞的自动报警方法
技术领域
[0001] 本发明涉及一种车辆防撞自动报警方法，特别是关于一种防止弯道车辆前撞的自动报警方法。
背景技术
[0002] 随着汽车保有量和驾驶人数的不断增长，道路交通事故越来越受到社会的关注。根据2009年道路交通事故统计，发生在弯道行驶时的交通事故占事故总数的10％以上，而且其中90％以上的事故是由驾驶员的疲劳、疏忽、判断失误等人为因素引起的。
[0003] 作为驾驶辅助系统的重要组成部分，车辆前撞自动报警系统能够在车辆发生前撞的危险时刻发出报警信息，提醒驾驶员采取相应的措施以避免发生追尾碰撞，从而能够有效地提高车辆的行驶安全性。报警方法是车辆前撞自动报警系统中的核心技术，决定了系统的控制逻辑，关系到系统进行报警的时机，因而直接影响系统的安全性能。现有的报警方法主要是基于安全距离模型，如固定车间时距模型、固定车距模型、运动学模型、数值模型等，或利用人工智能理论等进行设计。基于安全距离模型设计的方法较为简单，但是往往不符合驾驶员的操作习惯；而利用人工智能理论等设计的方法则很难建立准确的驾驶员模型，并且难以应用到实际的车辆前撞自动报警系统中。更重要的是，现有的报警方法主要是针对直线行驶工况，而不是针对弯道行驶工况进行设计，并且很少考虑弯道行驶时驾驶员驾驶行为特性对设计的影响，因此现有的报警方法对弯道行驶工况以及驾驶员的适应性较差。
发明内容
[0004] 针对上述问题，本发明的目的是提供一种能够针对弯道行驶工况并且对驾驶员具有较好适应性，同时具有较高准确性的防止弯道车辆前撞的自动报警方法。
[0005] 为实现上述目的，本发明采取以下技术方案：一种防止弯道车辆前撞的自动报警方法，其包括以下步骤：1)在车辆原有的车载控制系统中加入一包括道路曲率计算模块、跟车安全距离计算模块、THW和TTC计算模块的信息处理部分，以及一包括风险状态预估模块和报警模块的算法设计部分，所述道路曲率计算模块包括滤波单元、曲率计算单元和弯道识别单元；2)利用原有车载GPS设备采集车辆位置信息，并将表征车辆位置信息的道路坐标数据提供给滤波单元进行滤波处理；3)曲率计算单元根据滤波后的道路坐标数据计算道路离散曲率值；4)弯道识别单元依据步骤3)所得的道路离散曲率值判断车辆是否行驶在弯道上：如果车辆未行驶在弯道上，返回步骤2)重新开始新一轮的车辆位置信息采集；如果车辆行驶在弯道上，则进入下一步；5)跟车安全距离计算模块根据原有车载CAN总线提供的自车车速、自车与前车的相对距离和相对车速信息计算跟车安全距离dw，计算公式如下：
[0006]
[0007] 其中，τ为驾驶员制动反应时间，即从前车制动到自车制动所经历的时间，v为自车车速，vf为前车车速，a为自车减速度，af为前车减速度，且在极限工况下认为自车和前车均以地面附着力所允许的最大减速度作匀减速运动，a＝af＝ug，u为道路附着系数，g为重力加速度，d0为自车与前车都停止后的相对距离；6)THW和TTC计算模块根据原有车载CAN总线提供的自车车速、自车与前车的相对距离和相对车速信息计算跟车时距THW和避撞时间TTC，计算公式如下：
[0008]
[0009] 其中，d为自车与前车的相对距离，v为自车车速，vr为自车与前车的相对速度；7)风险状态预估模块根据步骤5)得到的跟车安全距离以及步骤6)得到的跟车时距和避撞时间，同时兼顾弯道行驶时驾驶员的驾驶行为特性，采用风险状态预估函数，其表达式如下：
[0010]
[0011] 计算车辆于弯道行驶时发生前撞的风险状态预估值R，其中，n为导致车辆发生前撞的危险事件的数量，Gi为危险事件的权重值，Pi为危险事件发生的概率；8)报警模块将步骤7)得到的风险状态预估值与其内部预置的车辆前撞报警阈值进行比较：如果风险状态预估值小于车辆前撞报警阈值，返回步骤2)重新开始新一轮的车辆位置信息采集；如果风险状态预估值大于或等于车辆前撞报警阈值，报警模块做出报警提示，提醒驾驶员进行减速；此时，如果驾驶员采取了制动措施，流程结束；否则继续做出报警提示。
[0012] 所述步骤3)中的曲率计算单元采用基于固定厚度的自适应邻域窗口生长的方法计算道路离散曲率；对于离散曲线点集上的任意一点pi，在其附近确定一个有限长度的邻域窗口Nw，定义该邻域窗口的厚度为c，计算表达式如下：
[0013] c＝|hcos(arc tanS)|
[0014] 其中，h为邻域窗口的厚度，S为连接邻域窗口首尾两个点的直线的斜率；对于前向邻域窗口Nwf，h对应为hf，S对应为Sf，c对应为cf；对于后向邻域窗口Nwr，h对应为hr，S对应为Sr，c对应为cr；当自适应邻域窗口生长时，对点pi的选取有如下规定：i≥N，N必须满足条件：从第N个点向后进行邻域窗口生长至第一个点时，邻域窗口的厚度必须要大于等于一个预先固定的初始值c0；但是，如果离散点集所刻画的曲线为一个封闭曲线，N任意选取；此外，自适应邻域窗口生长时还必须以邻域窗口的厚度作为邻域窗口生长的约束条件，使得邻域窗口的高度能随离散曲线的切线方向的变化而变化；基于固定厚度的自适应邻域窗口的生长过程如下：1)初始化，选定邻域窗口的厚度c0；2)从pi点开始向下一点生长出直线段pipi+1，计算该直线段斜率Sf及此时前向邻域窗口Nwf的高度hf及此时的厚度cf：若cf＜c0，则前向邻域窗口Nwf继续向下一个邻接点生长；若cf≥c0，则前向邻域窗口Nwf停止生长，进入步骤3)；3)从pi点开始向上一点生长出直线段pipi-1，计算该直线段斜率Sr及此时后向邻域窗口Nwr的高度hr及此时的厚度cr：若cr＜c0，则后向邻域窗口Nwr继续向上一个邻接点生长；若cr≥c0，则后向邻域窗口Nwr停止生长；通过上述迭代的过程，对于离散曲线点集中的任意一点pi，i≥N，向前生长出的邻域窗口Nwf由离散点集pi，pi+1，...，pi+f组成，其相应的点坐标为(xi，yi)，...，(xi+f，yi+f)；向后生长出的邻域窗口Nwr由离散点集pi，pi-1，...，pi-r组成，其相应的点坐标为(xi，yi)，...，(xi-r，yi-r)，对于离散曲线点集中的任意一点pi，i≥N，将其向前生长的邻域窗口经过的曲线弧长lf和向后生长的邻域窗口经过的曲线弧长lr分别用相应邻域窗口边界点的欧氏距离进行近似计算，即：
[0015]
[0016]
[0017] 将经过邻域窗口边界点的直线pipi+f、pi-rpi近似为该邻域窗口经过的曲线的切线，令θf＝arctan(Sf)，θr＝arctan(Sr)，则根据曲率在连续空间的定义公式，点pi处的曲率估计值ρ(pi)为：
[0018]
[0019] 所述步骤8)中的风险状态预估模块采用风险状态预估函数，其表达式如下：
[0020]
[0021] 计算车辆于弯道行驶时发生前撞的风险状态预估值时，对导致车辆发生前撞的危险事件采用驾驶员弯道跟车距离、跟车时距和避撞时间三个参数来描述，n值为3。
[0022] 所述步骤8)中的风险状态预估模块在采用风险状态预估函数，其表达式如下：
[0023]
[0024] 计算车辆于弯道行驶时发生前撞的风险状态预估值时，利用自适应加权融合算法对导致车辆发生前撞的危险事件的权重值Gi进行最优实时分配。
[0025] 所述步骤8)中的报警模块利用弯道车辆前撞风险状态预估结果，并考虑驾驶员反应时间所应留出的安全余量，确定弯道车辆前撞报警阈值。
[0026] 所述弯道车辆前撞报警阈值分为两档：初级报警阈值和高级报警阈值。
[0027] 本发明由于采取以上技术方案，其具有以下优点：1、本发明由于采用卡尔曼滤波算法对GPS设备采集的道路坐标数据进行滤波处理，有效地降低了GPS系统随机误差的影响，因此使基于这些坐标数据计算的道路离散曲率值较为准确。2、本发明由于采用了一种基于固定厚度的自适应邻域窗口生长的离散曲率计算方法，提高了曲率计算的精度。3、本发明由于引入了风险状态预估函数，并采用自适应加权融合算法对能够导致车辆发生前撞的危险事件的权重值进行了最优实时分配，因此能够对弯道车辆发生前撞的危险状态进行较为准确地预估。4、本发明由于结合了车辆运动学模型和自车与前车状态，同时考虑了弯道行驶时驾驶员的驾驶行为特性，因此提高了自动报警方法对弯道工况以及驾驶员的适应性。5、本发明可以广泛地应用于各种类型的车辆上，有效地提高车辆的行驶安全性。
附图说明
[0028] 图1是本发明结构组成示意图
[0029] 图2是卡尔曼滤波前后基于GPS坐标数据所画道路曲线对比图
[0030] 图3是曲率在连续空间的定义示意图
[0031] 图4是本发明基于切线方向的离散曲率计算示意图
[0032] 图5是本发明抛物线曲率计算结果对比图
[0033] 图6是本发明跟车安全距离计算示意图
[0034] 图7是弯道接近跟车工况下驾驶员释放加速踏板时刻的THW累积频率分布图[0035] 图8是弯道接近跟车工况下驾驶员释放加速踏板时刻的TTC累积频率分布图[0036] 图9是本发明工作流程示意图
具体实施方式
[0037] 下面结合附图和实施例对本发明进行详细的描述。
[0038] 如图1所示，本发明由信息采集部分1、信息处理部分2和算法设计部分3组成。
[0039] 本发明的信息采集部分1包括车载GPS(Global Positioning System，全球定位系统)设备11和车载CAN(Controller Area Network)总线12。GPS设备11负责采集表征车辆位置信息的道路坐标数据；车载CAN总线12负责提供自车车速、自车与前车的相对距离、相对车速信息。
[0040] 本发明的信息处理部分2包括道路曲率计算模块21、跟车安全距离计算模块22、THW(Time Headway，跟车时距)和TTC(Time to Collision，避撞时间)计算模块23。其中，道路曲率计算模块21由滤波单元211、曲率计算单元212和弯道识别单元213组成。
[0041] 道路曲率计算模块21的滤波单元211的功能是对GPS设备11提供的坐标数据进行卡尔曼滤波，以减小各类随机误差对这些坐标数据的影响，从而提高基于这些坐标数据计算的道路离散曲率的精度。从物理意义上讲，在GPS坐标系统中，位置、速度和加速度这三个物理量在道路的x方向和y方向的分量彼此之间没有必然联系，是互相解耦的，因此可以将状态方程分解为x方向方程和y方向方程，且两方程具有相同的结构。以x方向为例，x方向的离散状态方程和测量方程如下所示：
[0042]
[0043] 其中，Xk为离散状态变量矩阵，Xk＝[xk，vxk，axk，εxk]T，该矩阵中的各元素分别表示位置、速度、加速度这三个物理量在x方向的分量以及各误差源在x方向造成的总位置误差；Zk为观测变量矩阵，Zk＝[xk]。k＝1，2，...Nc，Nc为采集坐标点数。
[0044] 为状态转移矩阵，其表示形式为：
[0045]
[0046] T为采样时间，设定T＝1/30s；τ1，τ2为时间常数，设定τ1＝1s，τ2＝0.01s；e为指数常数；H为测量传递矩阵，H＝[1 0 0 1]；Wk为过程噪声矩阵；Nk为测量噪声矩阵。
[0047] 基于卡尔曼滤波器的道路x方向参数最优计算表达式如下：
[0048]
[0049] 上式中， 为Xk的最优估计值， 为Xk的先验状态估计值，Kk为卡尔曼增益矩阵，Hk＝H＝[1 0 0 1]，递推过程如下：
[0050]
[0051]
[0052]
[0053]
[0054] 其中，Pk为最优估计值误差协方差矩阵， 为先验估计值误差协方差矩阵，Qk为过程噪声协方差矩阵，Bk为测量噪声协方差矩阵，I为单位矩阵。
[0055] 给定初始状态向量X0＝[0 0 0 0]T；
[0056] 初始最优估计值误差协方差矩阵
[0057] Bk＝[s32]，其中s12、s22为系统状态方差，s32为系统测量方差，它们的值分别为：s122 2 2
＝0.01；s2 ＝0.1；s3 ＝10。
[0058] 根据上述的卡尔曼滤波递推算法对GPS坐标系统x方向的坐标数据进行滤波，同时采用相同方法对y方向的坐标数据进行处理。如图2所示，将滤波前后基于GPS坐标数据所画的道路曲线进行对比，可知卡尔曼滤波能够有效地减小各类随机误差对GPS设备11所采集的道路坐标数据的影响。
[0059] 道路曲率计算模块21的曲率计算单元212的功能是基于经过卡尔曼滤波处理后的道路坐标数据采用基于固定厚度的自适应邻域窗口生长的方法计算道路离散曲率值，并将结果提供给弯道识别单元213。
[0060] 如图3所示，曲率在连续空间中定义如下：令pi和pj为曲线1上的点，δ为这两个点上的切线正向夹角，则pi点上的曲率ρ(pi)可定义为当|pipj|→0时，δ与|pipj|比例的极限，即：
[0061]
[0062] 如图4所示，为了利用上式实现离散曲线点集上的局部曲率计算，对于离散曲线点集上的任意一点pi，首先需要确定一个有限长度的邻域窗口Nw，然后在Nw内的有限点集上进行切线方向角和弧长计算，并利用计算值进行曲率计算。其关键点在于邻域窗口长度和切线方向的确定。现有的一些研究方法通常将邻域窗口最大高度作为邻域窗口生长的约束条件。此类方法虽然计算简单，但对曲线切线方向的变化比较敏感，无法保证在较大范围内具有较高的计算精度。为此，本发明中提出一种自适应离散曲率计算方法，通过固定邻域窗口的厚度，使得邻域窗口的长度在该约束条件下可随着切线方向的变化而变化，以改善对切线方向变化的适应能力，提高曲率计算的精度。
[0063] 假设直线pipi+f的方程为y＝Sfx+bf，其中Sf为直线pipi+f的斜率，bf为直线pipi+f和y轴交点的纵坐标，则前向邻域窗口Nwf的高度hf定义如下：
[0064] hf＝max|yj-(Sfxj+bf)|，j＝i，i+1，...，i+f
[0065] 其中，(xj，yj)，j＝i，i+1，…，i+f分别为离散点pi，pi+1，...，pi+f的坐标。后向邻域窗口Nwr的高度hr的计算式与上式类似。从图4可以看出，即使hf等于hr，由于直线pipi+f的斜率大于直线pipi-r的斜率，所以直线pipi+f和Nwf内的离散点的最大绝对距离将小于直线pipi-r和Nwr内的离散点的最大绝对距离，此时邻域窗口Nwf和Nwr的生长实际上具有不同的精度标准，因此不能将邻域窗口的高度作为邻域窗口生长的依据。因此，定义邻域窗口的厚度c为：
[0066] c＝|hcos(arc tanS)|
[0067] 上式中，S为连接邻域窗口首尾两个点的直线的斜率，对于前向邻域窗口Nwf，S对应为Sf，对于后向邻域窗口Nwr，S对应为Sr；h为邻域窗口的高度，对于前向邻域窗口Nwf，h对应为hf，对于后向邻域窗口Nwr，h对应为hr。从上式可看出，当邻域窗口的厚度固定为某一个初始值c0时，随着直线斜率的增大，邻域窗口的高度也可随着增大，这样能够保证无论离散曲线切线方向如何变化，邻域窗口的生长均有同等的精度要求，因此基于固定厚度的邻域窗口生长对切线方向变化具有一定的自适应性，能够大大提高曲率计算的能力。
[0068] 对于离散曲线点集中的任意一点pi，i≥N，N的选取必须满足条件：从第N个点向后进行邻域窗口生长至第一个点时，邻域窗口的厚度c≥c0；但是，若离散点集所刻画的曲线为一个封闭曲线，N任意选取。基于固定厚度的自适应邻域窗口的生长过程如下：
[0069] 1)初始化，选定邻域窗口的厚度c0；
[0070] 2)从pi点开始向下一点生长出直线段pipi+1，计算该直线段斜率Sf及此时邻域窗口Nwf的高度hf及此时的厚度c
[0071] 若cf＜c0，则前向邻域窗口Nwf继续向下一个邻接点生长；
[0072] 若cf≥c0，则前向邻域窗口Nwf停止生长，进入步骤3)；
[0073] 3)从pi点开始向上一点生长出直线段pipi-1，计算该直线段斜率Sr及此时邻域窗口Nwr的高度hr及此时的厚度cr：
[0074] 若cr＜c0，则后向邻域窗口Nwr继续向上一个邻接点生长；
[0075] 若cr≥c0，则后向邻域窗口Nwr停止生长。
[0076] 通过以上迭代的过程，对于离散曲线点集中的任意一点pi，i≥N，向前生长出的邻域窗口Nwf由离散点集pi，pi+1，...，pi+f组成，其相应的点坐标为(xi，yi)，...，(xi+f，yi+f)；向后生长出的邻域窗口Nwr由离散点集pi，pi-1，...，pi-r组成，其相应的点坐标为(xi，yi)，...，(xi-r，yi-r)。
[0077] 对于离散曲线点集中的任意一点pi，i≥N，将其向前生长的邻域窗口经过的曲线弧长lf和向后生长的邻域窗口经过的曲线弧长lr分别用相应邻域窗口边界点的欧氏距离进行近似计算，即：
[0078]
[0079]
[0080] 将经过邻域窗口边界点的直线pipi+f、pi-rpi近似为该邻域窗口经过的曲线的切线，令θf＝arctan(Sf)，θr＝arctan(Sr)，则根据曲率在连续空间的定义公式，点pi处的曲率计算值为：
[0081]
[0082] 如图5所示，为对上述基于固定厚度的自适应邻域窗口生长的离散曲率计算方法的有效性进行验证，选取如下式所示抛物线作为试验对象。
[0083] y＝0.5x2+2x+1
[0084] 根据曲率计算方法，此抛物线的理论曲率表达式为：
[0085]
[0086] 将抛物线表达式进行离散化，得到一组离散点，分别用固定高度的离散曲率计算方法以及本发明中提出的基于固定厚度的自适应邻域窗口生长的离散曲率计算方法对其进行离散曲率计算，同时利用上式所示的表达式对其理论曲率进行计算。当选取合适的高度阈值和厚度阈值时，基于固定高度的离散曲率计算方法以及本发明提出的基于固定厚度的自适应邻域窗口生长的离散曲率计算方法均有较高的精度，计算出的曲率误差均可保持在5％以内，但是本发明提出的基于固定厚度的自适应邻域窗口生长的离散曲率计算方法的整体精度明显高于前者。另外，由于邻域窗口的高度不能反映领域窗口生长的实际精度，因此当以固定高度作为邻域窗口生长的约束条件时，其计算出的曲率误差呈现随机的变化趋势；而基于固定厚度的自适应邻域窗口生长的离散曲率计算方法由于邻域窗口的生长精度始终保持不变，因此其曲率误差变化趋势明显，即曲线的实际曲率越大，其计算曲率的误差越大，基于固定厚度的自适应离散曲率计算方法这种误差变化趋势可预知的特点，有利于其它一些误差补偿方法的运用。
[0087] 道路曲率计算模块21的弯道识别单元213的功能是通过曲率计算单元212输出的道路离散曲率值换算出相应的道路曲率半径，并根据其大小判断车辆是否行驶在弯道上。
[0088]
[0089] 其中，r为道路曲率半径。
[0090] 确定车辆行驶在弯道上的判别条件如下：
[0091] r≤2000m
[0092] 信息处理部分2的跟车安全距离计算模块22的功能是根据信息采集部分1的车载CAN总线12提供的自车车速、自车与前车的相对距离、相对车速信息计算为了避免两车相撞自车与前车应该保持的安全距离。
[0093] 如图6所示，在自车接近前车过程中，假设自车驾驶员在t0时刻发现前车制动，并在t1时刻启动制动，且在t2时刻两车均静止。从前车制动到自车制动经过的这段时间τ称为驾驶员制动反应时间，假设自车在时间τ内以速度v匀速行驶，之后自车作匀减速运动，自车减速度为a；前车以初始速度vf作匀减速运动，前车减速度为af；停车时自车与前车的距离为d0，则在t0时刻，为了避免两车相撞自车与前车应该保持的安全距离dw，即跟车安全距离的计算公式如下：
[0094]
[0095] 同时，在极限工况下认为两车均以地面附着力所允许的最大减速度减速，且两车减速度相等，设其表达式为：
[0096] a＝af＝ug
[0097] 上式中，u为道路附着系数，g为重力加速度。
[0098] 信息处理部分2的THW和TTC计算模块23的功能是根据车载CAN总线12提供的自车车速、自车与前车的相对距离、相对车速信息计算跟车时距和避撞时间。
[0099] 跟车时距THW和避撞时间TTC的计算公式如下：
[0100]
[0101] 其中，d为自车与前车距离，v为自车车速，vr为自车与前车的相对速度。
[0102] 此外，如图7、图8所示，为了得到驾驶员在弯道驾驶时接近前车时的驾驶行为特性，本发明通过对18名驾驶员的弯道驾驶员实车实验数据进行处理与分析，得到了驾驶员在弯道接近前车工况下释放加速踏板时的跟车时距和避撞时间累积频率分布情况。由于防止车辆前撞的自动报警功能是针对紧急情况，不应该对驾驶员的正常操作造成干扰，而5％频数对应的跟车时距和避撞时间的值是其情况最紧急的区间，因此选择各分布图频数5％对应的跟车时距和避撞时间的值作为表征弯道行驶时驾驶员驾驶行为特性的安全阈值参数THWw和TTcw：
[0103] THWw＝0.5s，TTCw＝5s
[0104] 本发明的算法设计部分3包括风险状态预估模块31和报警模块32。风险状态预估模块31的功能是采用风险状态预估函数，结合由跟车安全距离计算模块22提供的跟车安全距离和THW和TTC计算模块23提供的跟车时距和避撞时间以及表征弯道行驶时驾驶员驾驶行为特性的安全阈值参数，对车辆于弯道行驶时发生前撞的可能性进行预估，输出风险状态预估值R。
[0105] 风险状态预估函数表达式如下：
[0106]
[0107] 其中，n为导致车辆发生前撞的危险事件的数量，Gi为危险事件的权重值，即危险事件发生后所能引起的破坏程度，Pi为危险事件发生的概率。在本发明中，由于危险事件是通过驾驶员弯道跟车距离、THW和TTC这三个参数来描述，因此n＝3，上式可变为：
[0108] R＝p1×G1+P2×G2+P3×G3
[0109] 为确定风险状态预估值R的值，首先需要计算三个危险事件发生概率P1、P2、P3，计算表达式如下：
[0110]
[0111] 为确定风险状态预估值R的值，还需要三个危险事件的权重值G1、G2和G3，本发明采用自适应加权融合算法对这三个危险事件的权重值进行最优实时分配。自适应加权融合算法能够在满足总方差最小的条件下，根据各测量值的大小，通过自适应方式寻找与之对应的最优权重值。
[0112] 设三个危险事件发生的概率测量值P1、P2、P3的方差分别为σ12、σ22、σ32，设它们彼此相互独立，且为无偏计算；各个危险事件的权重值分别为G1、G2、G3，和相应的概率测量值P1、P2、P3进行加权融合，融合后的 值满足下式：
[0113]*
[0114] 根据自适应加权融合算法，满足总方差最小时所对应的最优权重值Gi 计算式如下：
[0115]2
[0116] 其中，方差σi 可通过下式计算得到：2 2
[0117] σi ＝E[ei]＝qii-qij(i≠j；i，j＝1，2，3)
[0118] 上式中，qii为Pi的自协方差函数，qij为Pi、Pj的互协方差函数。若测量次数为k，则它们的时域计算值的表达式如下：
[0119]
[0120]
[0121]
[0122] 如上所述，利用危险事件发生概率的测量值求得qii和qij的时间域计算值，从而计2 2 *
算出各个测量值的方差σi。然后利用σi 求出各个危险事件相应的最优权重值Gi。
[0123] 将根据上述方法确定的三个危险事件发生的概率测量值P1、P2、P3和相应的最优权重值 代入风险状态预估函数表达式进行加权融合，即可以得出本发明判定自动报警所需的弯道车辆前撞风险状态预估值R，其表达式如下所示：
[0124]
[0125] 算法设计部分3的报警模块32的功能是将风险状态预估模块31提供的风险状态预估值R与其内部预置的车辆前撞报警阈值进行比较，决定是否做出报警提示，其具体规则如下所示：
[0126]
[0127] 在该报警规则中，由于考虑到驾驶员反应时间而留出的安全余量，预置的车辆前撞报警阈值设为0.8。
[0128] 本发明还可以将报警阈值分为两档：初级报警阈值0.8和高级报警阈值1.0。若风险状态预估值R小于初级报警阈值0.8，则不报警；若风险状态预估值R大于或等于初级报警阈值0.8且小于高级报警阈值1.0，报警提示采用在原有车辆荧屏上显示文字信息的方式进行报警；若风险状态预估值R大于或等于高级报警阈值1.0，则在显示文字信息的同时还发出语音提示进行报警。
[0129] 如图1、图9所示，本发明的工作流程是利用信息采集部分1的车载GPS设备11采集车辆位置信息，将表征车辆位置信息的道路坐标数据提供给信息处理部分2的道路曲率计算模块21的滤波单元211进行卡尔曼滤波处理，曲率计算单元212根据滤波后的道路坐标数据利用基于固定厚度的自适应邻域窗口生长的方法对道路离散曲率进行计算，输出道路离散曲率值给弯道识别单元213；弯道识别单元213依据输入的道路离散曲率值判断车辆是否行驶在弯道上：如果车辆未行驶在弯道上，返回起始处重新开始新一轮的车辆位置信息采集；如果车辆行驶在弯道上，则从信息采集部分1的车载CAN总线12上采集自车车速、自车与前车的相对距离和相对车速信息；根据这些信息信息处理部分2的跟车安全距离计算模块22计算跟车安全距离、THW和TTC计算模块23计算跟车时距和避撞时间，并将上述结果都导入算法设计部分3的风险状态预估模块31，风险状态预估模块31引入风险状态预估函数，并利用自适应加权融合算法对三个能够导致车辆发生前撞的危险事件的权重值进行最优实时分配，经加权融合后计算出弯道车辆前撞风险状态预估值，并输出给报警模块32，报警模块32将风险状态预估值与其内部预置的车辆前撞报警阈值进行比较：如果风险状态预估值小于车辆前撞报警阈值，则表示车辆处于安全状态，流程结束返回步骤2)重新开始新一轮的车辆位置信息采集；如果风险状态预估值大于等于车辆前撞报警阈值，则表示车辆处于即将发生前撞的危险状态，发出弯道车辆前撞报警提示，提醒驾驶员进行减速；此时，如果驾驶员采取了制动措施，流程结束；否则继续发出报警提示。
[0130] 本发明道路离散曲率的计算方法、导致弯道车辆发生前撞的危险事件的确定、以及其权重值的分配方法是可以有所变化的。在本发明技术方案的基础上，对个别方法进行的改善和等同变换，不应排除在本发明的保护范围之外。
