行车风险辨识模型的标定方法和系统转让专利
申请号 : CN201810433365.1
文献号 : CN108622103B
文献日 : 2019-02-19
发明人 : 王建强 , 黄荷叶 , 郑讯佳 , 李克强 , 许庆 , 李升波 , 王礼坤 , 谷子青 , 王嘉伟
申请人 : 清华大学
摘要 :
权利要求 :
1.一种行车风险辨识模型的标定方法,其特征在于,包括:S1,通过在试验车上安装信息采集装置,建立车辆平台;
S2,通过不同驾驶人驾驶所述车辆平台在不同环境中进行自由行驶试验,采集与时间同步的试验车和环境相关的试验数据;
S3,根据所述试验数据,提取不同驾驶人在不同环境中开始踩下加速踏板的第一时刻、开始释放加速踏板的第二时刻、开始踩下制动踏板的第三时刻和开始释放制动踏板的第四时刻,以定义所述第一时刻、第二时刻、第三时刻和第四时刻分别对应的风险等级值;
S4,根据定义好的各所述风险等级值,通过曲线拟合获得驾驶人在不同场景中的风险辨识曲线,该风险辨识曲线表示随时间的变化驾驶人对风险等级的判断;以及S5,利用所述风险辨识曲线标定行车风险辨识模型。
2.如权利要求1所述的行车风险辨识模型的标定方法,其特征在于,S5具体包括:S51,根据所述试验数据,利用行车风险辨识模型计算所述第一时刻、第二时刻、第三时刻和第四时刻对应的辨识风险值,该辨识风险值包括待标定的参数;以及S52,通过调整所述待标定的参数,使通过行车风险辨识模型获得的辨识风险值随时间的变化曲线无限趋近于所述风险辨识曲线。
3.如权利要求2所述的行车风险辨识模型的标定方法,其特征在于,S5中使用的试验数据包括试验车的CAN数据;
S51中行车风险辨识模型表示为:
U[x(t)]=Uatt[x(t)]+Urep[x(t)];
式中,
U[x(t)]为利用行车风险辨识模型计算得到的辨识风险值;
Uatt[x(t)]为目标的吸引力模型,其表达式为:Ur ep [x (t) ] 为障 碍物的 排 斥力 模型 ,其 表达 式为 :ε代表吸引力的尺度因子,为所述待标定的参数;
τ代表排斥力的尺度因子,为所述待标定的参数;
xgoal为目标的坐标;
x为试验车的坐标;
xobs为障碍物的坐标;
x0为障碍物的影响半径。
4.如权利要求2所述的行车风险辨识模型的标定方法,其特征在于,S51中需要确定的所述待标定的参数有n个;
S52具体包括:
S521,依据经验预先设置(n-1)个所述待标定的参数的值;
S522,利用for循环,通过改变剩下的第n个所述待标定的参数的值,比较同一时刻的所述辨识风险值与所述风险辨识曲线上的风险等级值,在两者的差值的平方和为最小时,确定所述第n个待标定的参数的值。
5.如权利要求1至4中任一项所述的行车风险辨识模型的标定方法,其特征在于,S3中使用的试验数据包括所述试验车的试验数据中的由所述信息采集装置采集到的试验车的加速踏板转角信号和制动踏板转角信号;
S3具体包括:
S31,根据试验车的加速踏板转角信号和制动踏板转角信号,提取驾驶人di的开始踩下加速踏板的第一时刻ti,acc,s、开始释放加速踏板的第二时刻ti,acc,e、开始踩下制动踏板的第三时刻ti,bra,s和开始释放制动踏板的第四时刻ti,bra,e的分布;
S32,根据S31获得的ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e的分布,结合ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e各时刻对应的环境sj,利用聚类算法,获得ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e上的散点的聚类中心Lij,acc,s、Lij,acc,e、Lij,bra,s、Lij,bra,e,Lij,acc,s表示所述第一时刻的风险等级,Lij,acc,e表示所述第二时刻的风险等级,Lij,bra,s表示所述第三时刻的风险等级,Lij,bra,e表示所述第四时刻的风险等级;
S33,定义最大风险等级值Lmax,Lmax对应TTC=0;
S34,在[0,Lmax]范围内分别对Lij,acc,s、Lij,acc,e、Lij,bra,s、Lij,bra,e赋值;
其中,i表示驾驶人的样本数,i=1~n;j表示环境种类,j=1~m。
6.如权利要求1至4中任一项所述的行车风险辨识模型的标定方法,其特征在于,S1具体包括:
在试验车上安装用于获得目标物位置信息和运动信息的雷达和视觉传感器,在试验车的加速踏板轴处安装用于获得加速踏板转角信号的角度传感器,在试验车的制动踏板轴处安装用于获得制动踏板转角信号的角度传感器;
S2具体包括:
将各所述雷达和视觉传感器采集的数据进行数据融合,获得准确的目标物位置信息、运动信息即坐标和速度、加速度。
7.如权利要求6所述的行车风险辨识模型的标定方法,其特征在于,所述加速踏板转角信号为0,但下一时刻记录的所述加速踏板转角信号大于0的时刻视为所述第一时刻ti,acc,s;
所述加速踏板转角信号为0,但上一时刻记录的所述加速踏板转角信号大于0的时刻视为所述第二时刻ti,acc,e;
所述制动踏板转角信号为0,但下一时刻记录的所述制动踏板转角信号大于0的时刻视为第三时刻ti,bra,s;
所述制动踏板转角信号为0,但上一时刻记录的所述制动踏板转角信号大于0的时刻视为第四时刻ti,bra,e。
8.一种行车风险辨识模型的标定系统,其特征在于,包括:信息采集装置,所述信息采集装置设在试验车上,形成车辆平台,用于采集与时间同步的试验车和环境相关的试验数据,所述试验车试验数据包括目标物位置信息和运动信息、加速踏板转角信号和制动踏板转角信号;所述环境试验数据包括环境类型、交通参与者、交通标志和道路标志;
时刻提取装置,所述时刻提取装置用于根据所述试验数据,提取不同驾驶人在不同环境中开始踩下加速踏板的第一时刻、开始释放加速踏板的第二时刻、开始踩下制动踏板的第三时刻和开始释放制动踏板的第四时刻;
风险等级定义装置,所述风险等级定义装置用于定义所述第一时刻、第二时刻、第三时刻和第四时刻分别对应的风险等级值;
风险辨识曲线获取装置,所述风险辨识曲线获取装置根据定义好的各所述风险等级值,通过曲线拟合获得驾驶人在不同场景中的风险辨识曲线,该风险辨识曲线表示随时间的变化驾驶人对风险等级的判断;和标定装置,所述标定装置利用所述风险辨识曲线标定行车风险辨识模型。
9.如权利要求8所述的行车风险辨识模型的标定系统,其特征在于,所述标定装置具体包括:
行车风险辨识计算单元,所述行车风险辨识计算单元根据所述试验数据,利用行车风险辨识模型计算所述第一时刻、第二时刻、第三时刻和第四时刻对应的辨识风险值,该辨识风险值包括待标定的参数;和参数标定单元,所述参数标定单元通过调整所述待标定的参数,使通过行车风险辨识模型获得的辨识风险值随时间的变化曲线无限趋近于所述风险辨识曲线。
说明书 :
行车风险辨识模型的标定方法和系统
技术领域
背景技术
术发展现状已不能满足智能汽车逐渐商业化的需要,而相比传统汽车的商业化,实现智能
汽车的大规模商业化,其行车安全性面临着更高的要求。
的辅助控制或直接控制,以保障智能汽车的行车安全。其中,行车风险辨识模型所运行的方
法不仅是行车风险辨识系统的核心控制逻辑,而且也决定了行车风险辨识系统的安全性能
和接受度。由于在实际驾驶过程中,驾驶人的生理和心理状态随着时间、空间而变化,且驾
驶人存在个体差异,这都要求行车风险辨识模型的参数具有可变性和可适应性,因此导致
行车风险辨识系统与驾驶人正常驾驶之间出现频繁的干扰和冲突,继而使得驾驶人和乘客
对行车风险辨识系统的接受度降低,难以保证车辆在复杂多变的交通环境下的行车安全。
发明内容
通过不同驾驶人驾驶所述车辆平台在不同环境中进行自由行驶试验,采集与时间同步的试
验车和环境相关的试验数据;S3,根据所述试验数据,提取不同驾驶人在不同环境中开始踩
下加速踏板的第一时刻、开始释放加速踏板的第二时刻、开始踩下制动踏板的第三时刻和
开始释放制动踏板的第四时刻,以定义所述第一时刻、第二时刻、第三时刻和第四时刻分别
对应的风险等级值;S4,根据定义好的各所述风险等级值,通过曲线拟合获得驾驶人在不同
场景中的风险辨识曲线,该风险辨识曲线表示随时间的变化驾驶人对风险等级的判断;S5,
利用所述风险辨识曲线标定行车风险辨识模型。
参数;S52,通过调整所述待标定的参数,使通过行车风险辨识模型获得的辨识风险值随时
间的变化曲线无限趋近于所述风险辨识曲线。
述待标定的参数的值,比较同一时刻的所述辨识风险值与所述风险辨识曲线上的风险等级
值,在两者的差值的平方和为最小时,确定所述第n个待标定的参数的值。
试验车的加速踏板转角信号和制动踏板转角信号,提取驾驶人di的ti,acc,s、ti,acc,e、ti,bra,s
和ti,bra,e的分布;S32,根据S31获得的ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e的分布,结合ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e各时刻对应的环境sj,利用聚类算法,获得ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e上的散点的聚类中心Lij,acc,s、Lij,acc,e、Lij,bra,s、Lij,bra,e,Lij,acc,s表示所述第一时刻的风险等级,Lij,acc,e表示所述第二时刻的风险等级,Lij,bra,s表示所述第三时刻的风险等级,
Lij,bra,e表示所述第四时刻的风险等级;S33,定义最大风险等级值Lmax,Lmax对应TTC=0;S34,在[0,Lmax]范围内分别对Lij,acc,s、Lij,acc,e、Lij,bra,s、Lij,bra,e赋值;其中,i表示驾驶人的样本数,i=1~n;j表示环境种类,j=1~m。
器,在试验车的制动踏板轴处安装用于获得制动踏板转角信号的角度传感器;S2具体包括:
将各所述雷达和视觉传感器采集的数据进行数据融合,获得准确的目标物位置信息、运动
信息即坐标和速度、加速度。
述加速踏板转角信号大于0的时刻视为所述第二时刻ti,acc,e;所述制动踏板转角信号为0,
但下一时刻记录的所述制动踏板转角信号大于0的时刻视为第三时刻ti,bra,s;所述制动踏
板转角信号为0,但上一时刻记录的所述制动踏板转角信号大于0的时刻视为第四时刻
ti,bra,e。
间同步的试验车和环境相关的试验数据,所述试验车试验数据包括目标物位置信息和运动
信息、加速踏板转角信号和制动踏板转角信号;所述环境试验数据包括环境类型、交通参与
者、交通标志和道路标志;时刻提取装置,所述时刻提取装置用于根据所述试验数据,提取
不同驾驶人在不同环境中开始踩下加速踏板的第一时刻、开始释放加速踏板的第二时刻、
开始踩下制动踏板的第三时刻和开始释放制动踏板的第四时刻;风险等级定义装置,所述
风险等级定义装置用于定义所述第一时刻、第二时刻、第三时刻和第四时刻分别对应的风
险等级值;风险辨识曲线获取装置,所述风险辨识曲线获取装置根据定义好的各所述风险
等级值,通过曲线拟合获得驾驶人在不同场景中的风险辨识曲线,该风险辨识曲线表示随
时间的变化驾驶人对风险等级的判断;和标定装置,所述标定装置利用所述风险辨识曲线
标定行车风险辨识模型。
和第四时刻对应的辨识风险值,该辨识风险值包括待标定的参数;和参数标定单元,所述参
数标定单元通过调整所述待标定的参数,使通过行车风险辨识模型获得的辨识风险值随时
间的变化曲线无限趋近于所述风险辨识曲线。
来的行车风险辨识模型能适应不同驾驶人的驾驶习惯,有利于提高行车风险辨识系统的接
受度。需要说明的是,除了行车风险辨识模型以外,传统的依靠TTC(Time to Collision;碰
撞时间)或THW(Time Headway;车头时距)对车辆进行主动控制的方法实际上也可称之为行
车风险辨识模型,这种模型的参数标定依旧可以利用本实施例所提供的风险辨识曲线来标
定。
附图说明
具体实施方式
的第四时刻,以定义所述第一时刻、第二时刻、第三时刻和第四时刻分别对应的风险等级
值;
出来的行车风险辨识模型能适应不同驾驶人的驾驶习惯,有利于提高行车风险辨识系统的
接受度。需要说明的是,除了行车风险辨识模型以外,传统的依靠TTC或THW对车辆进行主动
控制的方法实际上也可称之为行车风险辨识模型,这种模型的参数标定依旧可以利用本实
施例所提供的风险辨识曲线来标定。
速踏板转角信号的角度传感器,在试验车的制动踏板轴处安装用于获得与时间同步的制动
踏板转角信号的角度传感器。如图1a和图1b所示,S1具体包括:
3b、第三视觉传感器3c、第四视觉传感器3d,通过各视觉传感器和毫米波雷达获取目标物的
速度、加速度、纵横向位置信息。
一时刻ti,acc,s以及开始释放加速踏板的第二时刻ti,acc,e。具体地,加速踏板转角信号为0,但
下一时刻记录的加速踏板转角信号大于0的时刻视为第一时刻ti,acc,s;加速踏板转角信号
为0,但上一时刻记录的加速踏板转角信号大于0的时刻视为第二时刻ti,acc,e。
三时刻ti,bra,s以及开始释放制动踏板的第四时刻ti,bra,e。具体地,制动踏板转角信号为0,但
下一时刻记录的制动踏板转角信号大于0的时刻视为第三时刻ti,bra,s;制动踏板转角信号
为0,但上一时刻记录的制动踏板转角信号大于0的时刻视为第四时刻ti,bra,e。
光雷达扫描到的点云;毫米波雷达接收到的毫米波信号。目标数据:把上述三种传感器的原
始数据融合之后,获得行人、骑车人、车辆等目标的速度、位置数据。“数据融合”的方法如
下:
信息;毫米波雷达识别动态目标并提供准确的目标速度与位置信息。通过数据关联方法,匹
配各传感器检测的相同目标信息;最终获得准确的目标物位置信息、运动信息即坐标和速
度、加速度。
性,有利于提高驾驶人对行车风险辨识的接受度。
感器获得的与时间同步的制动踏板转角信号以及试验车CAN数据。试验车CAN数据包括:发
动机转速、方向盘转角、车速、档位、加速度和加减速度。各所述雷达和视觉传感器采集的数
据进行数据融合,获得准确的目标物位置信息、运动信息即坐标和速度、加速度。
人、两轮车、其它非机动车;固定物体包括:锥形桶、栅栏等;
体包括:
人做了m组数据采集,这将获得4*m个或4*m*n个数据点,通过对这4组数据点进行聚类,再得
到本步骤需要的这4个点。
最小二乘法进行曲线拟合是曲线拟合种早期的一种常用方法,最小二乘法理论简单,计算
量小,即便是在使用三次样条曲线进行曲线拟合大行其道的今天,最小二乘法在多项式曲
线或直线的拟合问题上,仍然得到广泛的应用。
代表一个驾驶人在不同环境下的风险辨识曲线图,也可以代表一个驾驶人在一个环境下的
风险辨识曲线,还可代表多个驾驶人在一个环境下的风险辨识曲线;取决于使用的拟合数
据。
趋近于”可以理解为常用到的数学符号“→”,也就是说,由行车风险辨识模型得到的辨识风
险值与所述风险辨识曲线在同一时刻的风险等级值无限趋近。
车道中央行驶,因此在这个系统中,只需要车道线的信息即可,而对应的人工势能场模型也
是只考虑车道线的模型。
险辨识模型,道路交通环境对试验车造成的势能场辨识风险值越大表明风险越大。由于所
使用的环境试验数据的需求不一样,行车风险辨识模型越复杂,需要的试验数据就越多,但
所需要标定的待定系数也就越多了。所以,S2要求采集大量试验数据存储在数据库里,实际
上是为了满足更多的行车风险辨识模型对数据的要求。也存在不需要使用环境试验数据的
行车风险辨识模型,如下面的行车风险辨识模型所示:
型而言,该目的地随试验车的前行而始终在前行,始终位于试验车前方的30米处;
位置信息,因为案例中的行车风险辨识只考虑了位置信息;标定好了的行车风险辨识模型,
可以进行无人驾驶路径规划、先进驾驶辅助系统ADAS的智能决策,比如AEB系统可以通过标
定好的行车风险辨识进行紧急制动,LKW可以通过识别到的车道线位置进行车道偏离报警,
FCW可以通过识别到的障碍物位置进行前撞预警,诸如此类。
第三时刻tij,bra,s和第四时刻tij,bra,e代入待标定的行车风险辨识模型U=U[X(t),η1,η2,…,
ηk],其中η表示行车风险辨识模型中的待定参数。
方和为最小时,确定所述第n个待标定的参数的值,结束调整所述待标定的参数。也就是说,
由S22确定的所述第n个待标定的参数的值对应为“同一时刻的所述辨识风险值A与所述风
险辨识曲线上的风险等级值B的差值(A-B)的平方和为最小”。
乘法可以简便地求得所述待标定的参数的值,并使得求得的所述待标定的参数的值与实际
数据之间误差的平方和为最小。当然,也可以采用多项式插值、指数函数拟合、幂函数拟合、
双曲型拟合等来替代最小二乘法。
定装置,其中:
转角信号和制动踏板转角信号;所述环境试验数据包括环境类型、交通参与者、交通标志和
道路标志。
开始释放制动踏板的第四时刻。
级的判断。
出来的行车风险辨识模型能适应不同驾驶人的驾驶习惯,有利于提高行车风险辨识系统的
接受度。需要说明的是,除了行车风险辨识模型以外,传统的依靠TTC或THW对车辆进行主动
控制的方法实际上也可称之为行车风险辨识模型,这种模型的参数标定依旧可以利用本实
施例所提供的风险辨识曲线来标定。
参数。
Control Unit,电子控制单元)中。
其中部分技术特征进行等同替换;这些修改或者替换,并不使相应技术方案的本质脱离本
发明各实施例技术方案的精神和范围。