详情

原文传递车联网环境下的人-车-路协同自适应分级碰撞预警算法研究

论文题名：	车联网环境下的人-车-路协同自适应分级碰撞预警算法研究
关键词：	自动驾驶;车联网环境;自适应分级碰撞预警;人-车-路协同
摘要：	当前新一轮科技革命和产业变革正处于蓬勃发展的新时期，智能网联汽车作为汽车与交通、能源、信息通信等领域创新融合的关键载体，正逐渐成为全球汽车产业发展的战略制高点。同时，随着人工智能、视觉计算、雷达感知、全球定位系统等技术的协同合作与发展，智能网联汽车正朝着驾驶自动化、无人化大步跨进。然而，车联网环境下的自动驾驶技术依旧处于实验阶段，复杂交通行驶环境下的车辆主动安全问题始终是研究的热点和难点。因此，本文基于车联网环境下的智能汽车主动安全技术发展背景，考虑复杂行驶工况下的车辆状态估计、不同道路条件下的轮胎-路面附着系数估计以及不同相对行驶状态下的驾驶员驾驶意图辨识，提出了一种车联网环境下的人-车-路协同自适应分级碰撞预警算法，有助于提高具有干预辅助类主动安全系统的智能汽车的行驶安全行性及舒适性。全文主要内容如下：　　（1）为了准确获取车联网环境下前车与自车的纵向速度、车身位置等运动状态信息，提出了一种复杂交通行驶环境下基于车辆非线性运动学模型的车辆运动状态估计算法。考虑到车联网环境下可以实现车车信息实时交互，通过两车相对距离、相对速度等车辆状态信息可以表征前车与自车的相对运动状态，建立包含车辆前轴和后轴中点位置的车辆非线性运动学模型，通过设计基于扩展Kalman滤波的过程噪声和观测噪声自适应算法，有效补偿了复杂交通行驶环境下车载传感器信息采集误差的干扰，同时也避免了先验噪声统计特性难以准确获取的现实问题。由于建立的车辆运动学模型与实际物理过程可能存在差异，会影响扩展 Kalman 滤波算法在处理车辆数据信息时的滤波能力，甚至导致滤波发散。所以，在传统扩展Kalman滤波算法的基础上融合限定记忆滤波并引入随机加权理论，提出了一种限定记忆随机加权扩展Kalman滤波算法。选取一定长度记忆区间的观测量以及增加调节观测噪声R阵的加权系数σi，通过对观测噪声进行实时检测与调整，忽略旧测量数据对估计精度的影响，增强测量新息在下一时刻的修正作用，降低滤波过程中估计算法对模型参数的依赖，从而抑制滤波结果发散。同时，为验证算法的有效性和准确性，搭建MATLAB/Simulink和Carsim的联合仿真平台进行复杂交通行驶环境下车辆关键状态信息估计的仿真实验。　　（2）针对车辆主动安全技术中，自动紧急制动系统执行时，需要对车辆可以达到的最大减速度进行估计，从而准确判断两车之间的安全距离，提出了一种不同道路条件下基于车辆非线性动力学模型的轮胎-路面附着系数估计算法。建立包含纵向、侧向和横摆方向的车辆非线性动力学模型，通过分析现有的 Dugoff 车辆轮胎模型，对模型中的轮胎纵向力和轮胎侧向力进行归一化处理，同时考虑算法复杂度，采用融合限定记忆滤波和随机加权理论的改进无迹 Kalman 滤波算法对车辆正常行驶过程中的轮胎-路面附着系数进行估计。并通过搭建MATLAB/Simulink和Carsim的联合仿真平台，设定高附着路面、低附着路面、对开（split?μ）路面以及高低附着对接路面进行算法有效性和准确性验证。　　（3）考虑驾驶员主体驾驶意图对车辆行驶安全的影响，将车辆纵向行驶过程描述成一个不确定的、符合时间序列的隐马尔可夫随机过程，并将驾驶意图划分为匀速行驶、加速行驶、减速行驶以及紧急制动4种，同时根据前车与自车之间相对距离、相对速度的变化关系进行排列组合，组合出9种车辆相对行驶状态，并采用隐马尔可夫模型建立可观测车辆相对行驶状态与隐藏驾驶意图之间的映射关系。通过搭建驾驶员在环的联合仿真实验平台进行数据采集，利用T-test算法对数据进行预处理，将处理好的样本数据进行分类，分别用于驾驶意图识别模型的训练和测试。同时基于车辆安全距离理论，将车辆运动状态、轮胎-路面附着系数以及驾驶员驾驶意图引入碰撞预警算法的构建，设计了车联网环境下的人-车-路协同自适应分级碰撞预警算法。最后，针对前车匀速、加速、减速以及紧急制动 4种驾驶意图，通过与传统Mazda 模型的对比实验，验证算法的有效性和准确性。
作者：	胡敬宇
专业：	机械工程;车辆工程
导师：	殷国栋
授予学位：	硕士
授予学位单位：	东南大学
学位年度：	2022