基于驾驶状态识别的自动紧急制动控制策略

针对自动紧急制动系统缺乏对驾驶员实际需求与个性化考虑的问题,提出一种基于驾驶状态识别的自动紧急制动控制策略。引入驾驶状态识别系数将驾驶状态分为激进型、标准型和保守型3类,并将其用于最小安全距离修正。结果表明,基于驾驶状态识别的自动紧急制动系统可以更好地协调车辆起始制动距离,车辆制动后与前车的最小安全距离更符合驾驶员的心理预期,提高了驾驶员的认可度与信任度。     

考虑前车制动意图的自动紧急制动策略及其测试评价方法

为提高车辆自动紧急制动（AEB）系统的避撞性能,提出了一种考虑前车制动意图的AEB策略及其测试评价方法。通过搭建“PreScan+Simulink+驾驶模拟器”联合仿真平台采集驾驶人制动数据,基于K-均值（K-Means）聚类方法对制动意图进行分类,采用滑动时间窗口提取了意图识别模型训练数据集;通过双层隐马尔可夫模型识别前车制动意图,主车根据不同制动意图计算临界安全距离阈值并制定避撞控制策略;建立PreScan+Simulink虚拟仿真测试环境,提出了基于层次分析法的AEB策略综合评价方法,通过与4种典型AEB控制模型进行对比,验证了所提出方法在不同制动程度场景下均可及时触发制动以避免碰撞,同时可减少过早制动造成的驾驶不适感。     

自动紧急制动系统控制策略仿真验证

为了在危险情况时辅助驾驶员实现纵向避撞或减小碰撞造成的伤害,文章提出了一种考虑实际制动过程与驾驶员制动行为的分级制动控制策略。通过试验得到相关参数,根据新车评价标准的AEB测试工况与评价指标,搭建测试场景并评价新车AEB功能。仿真结果表明,AEB控制策略在所有工况下都能达到新车评价规程中AEB功能的标准。提出的分级制动控制策略具有一定的参考价值。仿真模型可以方便地更改参数以适用于不同车辆,可作为新车评价AEB功能的仿真工具,减小试验成本,具有实用价值。     

基于人、车、路和环境的AEB控制策略发展研究综述

分析了经典自动紧急制动(AEB)控制策略的发展现状及局限性,从人、车、路以及环境等因素出发,总结了AEB控制策略在驾驶员特性、车辆属性、路面特性、应用场景等方面的完善与发展过程。驾驶员特性影响个性化的驾驶员需求,车辆的感知、结构与制动特性等引起车辆固有属性的差异,不断更新的路况导致路面附着系数实时变化,多样化的工况场景决定了AEB控制策略的应用条件,研究表明,上述动态变化的因素要求AEB控制策略应具有一定的适应性与鲁棒性,对AEB控制策略的发展具有十分重要的作用,综合考虑人、车、路以及环境等因素的AEB控制策略是提高AEB系统可靠性与安全性的必要条件。     

危险品运输车辆自主紧急制动控制策略研究

自主紧急制动(AEB)系统作为车辆主动避撞的有效手段之一,必将成为我国重型商用车辆强制性配备装置。在分析AEB系统工作原理的基础上,以实现危险品运输车辆AEB系统的预警和自主制动干预为目的,提出了一种基于安全距离模型的AEB系统预警算法,建立了基于危险状态因子的分级控制策略,采用Trucksim软件对提出的危险品运输车辆的AEB控制策略进行了两种仿真测试场景下制动效果的验证。仿真结果表明:所提出的AEB控制策略是有效的,满足AEB系统的相关法规及性能要求。     

基于SOM神经网络的多工况驾驶风格识别

不同的驾驶员对车辆的各项性能可能有个性化地要求,因此有必要对驾驶风格的分类与识别问题进行研究。首先在驾驶模拟器上采集不同驾驶员在多工况下的数据,利用主成分分析法选取驾驶员在各个工况下的特征参数,SOM神经网络分别对起步、加速及制动工况下的驾驶数据进行了聚类分析,然后以驾驶风格聚类分析结果为基础,建立了基于SOM神经网络的驾驶风格识别系统,该系统可根据驾驶员驾驶历史数据来判断其驾驶风格,最后以某一温和型驾驶风格识别结果为例验证了系统的合理性。     

紧急制动下的驾驶员运动姿态变化与碰撞损伤研究

为研究AEB的介入对车辆被动安全性的影响,本文中通过志愿者实车测试,借助驾驶机器人和车载高清摄像机,完成了24组不同制动减速度和不同试验速度下驾驶员的运动姿态采集,分析了AEB制动过程中驾驶员的前倾位移量的变化规律。结果表明,在相同制动初始速度下,驾驶员位移量随着制动减速度的增加而加大;当制动减速度较小时,制动初速度对驾驶员位移量的影响不大;当制动减速度较大时,随着制动初速度的增加,驾驶员的位移量波动较大,没有明显的规律。借助THUMS人体模型,通过仿真对比分析正撞工况下有无AEB作用驾驶员的伤害情况,得出了在现有的被动安全开发策略下,AEB的作用会加剧驾驶员的损伤的结论。     

基于BP神经网络算法预测的重型半挂汽车列车AEB控制策略研究

我国商用车AEB性能要求和试验方法标准的发布,推动了AEB在商用车领域的发展与应用。本文针对半挂汽车列车制动距离长、质心高等特点,结合驾驶员紧急制动的经验,提出了一种基于BP神经网络预测碰撞时间TTC的AEB控制策略。首先,设计了上层控制器,基于不同驾驶员在不同紧急制动场景下碰撞时间的数据,利用BP神经网络算法得到预测模型,从而计算出触发AEB系统的预警时间阈值和紧急制动时间阈值;再以前车与本车的相对距离、相对速度和前车的减速度为输入,通过模糊控制规则得到本车期望的减速度;接着,设计了下层控制器,采用期望减速度前馈控制和减速度偏差PID反馈控制相结合的方式,得到各车轮所需的轮缸制动压力;并基于滑移率滑模控制防止车轮抱死,提高紧急制动时的安全性、舒适性和横摆稳定性。最后,在TruckSim中建立CCRb、CCRm、CCRs 3种测试场景,对控制策略进行了验证。结果表明,本文所提出的控制策略能有效避免碰撞的发生,为半挂汽车列车AEB系统的设计和研究提供了理论依据。     

基于自然驾驶数据的危险评估算法研究

本文中提出了一种基于自然驾驶数据的汽车碰撞危险评估算法。首先分析了在自然驾驶工况下的驾驶员制动和转向的输入特性,研究了表征驾驶员的制动避撞和转向避撞紧急程度的行为特征参数,建立了紧急制动和紧急转向的驾驶员数学模型;在此基础上,分析了不同车速下制动避撞和转向避撞的特征,提出了基于自然驾驶数据的危险评估算法。仿真结果表明,本文中提出的危险评估算法可同时兼顾制动避撞和转向避撞,并与驾驶员在真实交通环境下的紧急避撞行为相对应,可用于汽车避撞系统控制策略的开发。     

基于PreScan的AEB系统纵向避撞算法及仿真验证CSCD

采用自动紧急制动(AEB)可以辅助驾驶员避免纵向碰撞。该文对比了5种AEB算法对避免纵向碰撞仿真验证制动效果。以自动制动结束时的己车与前车的距离来判断制动效果的4种安全距离(AS)算法是:Mazda、Honda、Berkeley、Seungwuk Moon;另一种是以即碰时间(TTC)为判断制动效果的TTC算法。在Simulink中运行的汽车主动安全的仿真平台Pre Scan上进行仿真验证。结果表明:在不干扰扰驾驶员正常驾驶前提下,这5种算法中,以即碰时间的TTC算法的纵向避撞性能最优。     

数据驱动的智能车个性化场景风险图构建

为实现智能车辆危险预警辅助功能，精确建立个体驾驶员的个性化辅助系统，提出一种数据驱动的智能车个性化场景风险图构建方法。构建复杂交通场景中动静态要素属性与要素之间隐含交互关系的图表征，使用图核方法对图表征数据进行相似性度量，处理分析驾驶员操作数据并获取驾驶员个性化场景危险程度评价标签。基于支持向量机训练识别模型，建立驾驶员个性化危险评价机理与场景特征之间的映射关系，以模型输出的危险程度评价标签与真实值进行实验对比。结果表明，基于场景风险图构建的驾驶员个性化危险场景识别模型识别准确率可达95.8%，比特征向量表示法提高了38.2%，能够有效地做出基于驾驶员驾驶风格的个性化场景危险程度评价。     

自动紧急制动系统控制模块的SOTIF量化评价

建立智能汽车的预期功能安全（SOTIF）评价体系，进行SOTIF设计是实现智能驾驶汽车规模应用的必由之路。为完善自动紧急制动（AEB）系统的SOTIF理论，实现AEB系统的SOTIF设计，本文采用系统理论过程分析（STPA）的方法对AEB系统控制模块进行安全分析。根据安全分析的结果提出AEB系统控制模块的SOTIF评价指标，并基于CRITIC法和优劣解距离（TOPSIS）法对提出的评价指标进行综合量化评价。进一步地，使用提出的评价方法对某型智能汽车的AEB系统控制模块进行了基于实车试验的SOTIF评价，评价结果验证了所提出的AEB系统控制模块的SOTIF评价方法的合理性和实用性。最后，对评价结果进行分析，并根据提出的SOTIF评价指标给出AEB系统的SOTIF改进建议。     

基于OpenCV的AEB系统车辆检测和预警研究

为降低汽车换道时碰撞事故发生概率,提出基于OpenO_4CV的AEB系统车辆检测和预警算法。首先利用Haar-like+Adaboost实现前方车辆的识别与检测,并结合粒子滤波原理建立车辆跟踪模型。然后基于单目视觉模型对前方车辆距离进行测量,根据障碍物与车辆的安全距离估测碰撞时间。最后,基于AEB系统进行车辆防撞预警测试,测试仿真结果表明,在不干扰驾驶员正常驾驶的前提下,即碰时间的TTC算法性能最佳,有效提升了前方车辆检测预警精确率。     

基于改进安全距离模型的人机协同纵向避撞研究

针对车辆纵向跟驰过程中的避撞问题,基于车辆运动状态和路面附着系数等因素,提出了一种改进的安全距离模型。针对驾驶员和主动制动系统的协调控制问题,采用可拓决策的方法,以两车实际间距和碰撞时间为参考变量建立二维可拓集合,划分动态安全边界,不同域中分别采用自由驾驶模式、协调制动模式和主动制动模式。基于避撞模型,对被选为主动制动控制器的径向基神经网络的模型进行训练,得出理想制动压力。通过软件仿真和台架硬件在环仿真,对所提控制策略进行验证,结果表明所提策略能有效避免车辆纵向碰撞,改善了制动平稳性和安全性。     

基于主动转向与差动制动协调的双级预警车道偏离防止预测控制

在设计车道偏离防止系统时,为充分利用差动制动控制和主动转向控制,同时兼顾车辆行驶的安全性与驾驶员驾驶自由,提出了一种双级预警的利用主动转向与差动制动协调控制的车道偏离防止策略。当车辆危险程度较低时仅采用差动制动控制,保证驾驶员对转向盘的控制;当车辆危险程度较高时,采用预测控制实现主动转向与差动制动系统的协调控制,使车辆能快速地回到车道中心线。选取跨道时间来设计车辆偏离预警算法,并根据车辆转向系统的响应分别设定预警阈值。为保证车辆的稳定性,采用模型预测控制算法添加合理的约束,设计差动制动控制和主动转向与差动制动协调控制器。仿真与硬件在环试验结果表明,所设计的基于主动转向与差动制动协调的车道偏离防止控制策略在保证车辆行驶安全性的前提下给予了驾驶员充分的驾驶自由。     

基于模糊神经网络的汽车辅助制动控制系统的研究

为保障辅助驾驶模式下汽车具备良好的制动减速性能,提出了一种基于模糊神经网络的体现驾驶员制动特点的辅助制动系统,该系统以两车的相对速度和车间距离为网络输入,以汽车制动力为网络输出.利用驾驶员在不同车况下的合理而充足的制动数据对网络参数进行离线训练,优化网络权值,建立了体现驾驶员制动特点的模糊神经网络控制器模型.进而在Matlab/Simulink中建立汽车动力学模型与基于滑移率的ABS模型进行仿真,仿真结果表明汽车辅助制动系统能很好地起到减速制动效果.     

基于安全距离模型的AEB系统仿真研究

随着智能驾驶辅助系统的迅猛发展,AEB(Autonomous Emergency Braking)作为智能驾驶辅助系统的重要组成部分已经成为各大厂商研究的热点。基于安全距离模型在Matlab/Simulink中搭建AEB控制算法模型,利用CarSim搭建整车动力学模型,实现联合仿真。仿真结果显示,文章制定的控制算法能够有效实现制动,避免车辆碰撞的发生和有效减轻碰撞强度。     

基于实车测试的AEB系统测试评价方法研究

基于对实车自动紧急制动和前向碰撞预警功能的测试数据,研究了自动紧急制动(AEB)系统的测试评价方法。通过在碰撞点偏置、夜间环境、儿童和骑车人目标物、弯道等不同的测试场景中对AEB系统进行测试,分析各场景对AEB系统的自动紧急制动功能、前向碰撞预警功能和漏识别率的影响,并根据试验中AEB系统的碰撞时间(TTC)、制动减速度峰值、制动停止后距离等参数的变化情况,研究了使用各参数评价AEB系统的合理性和必要性。     

Vehicle Rear-end Collision Warning Algorithm Based on Driver's Braking Behavior

利用图像式汽车行驶记录仪在北京市采集了大量自然行驶状态下的驾驶行为数据,基于追尾碰撞中的驾驶员制动操作行为,分析驾驶员安全与危险跟车状态和车辆状态参数之间的关系,利用Fisher判别分析法建立了符合驾驶员危险感知特性的车辆追尾预警算法.研究结果表明该算法总的判别准确率高达95％.     

行车紧急度主观判断与车辆行驶控制

在交通部试验场利用动态心电分析仪、Frecord数据采集系统及动态GPS,研究驾驶员特征对紧急状况主观评价和车辆行驶控制的影响。研究表明,具有不同驾驶经验、个性、年龄特征的驾驶员对同一紧急状况做出的紧急度主观评价和制动操纵存在差异,其中驾驶经验的影响最明显。经验丰富的驾驶员采用减速度相对较小,变化相对平缓;相对于谨慎型驾驶员而言、鲁莽型驾驶员制动减速度变化剧烈;年龄对驾驶员操纵也有一定影响,通常年轻驾驶员会进行快速制动,这与驾驶员的生理状况有很大关系。研究结果可为驾驶员安全管理提供理论依据。