[发明专利]一种基于车路/车车通讯的车辆弯道通行辅助系统

权利要求书

1.一种基于车路/车车通讯的车辆弯道通行辅助系统，其特征在于：它包括若干驶过弯道的车辆、一信息通讯和处理基站和一即将驶入弯道的车辆；其中，每一所述驶过弯道的车辆上设置有一车载传感系统和一车载通讯模块，所述即将驶入弯道的车辆上也设置有一车载通讯模块，所述信息通讯和处理基站设置在弯道一侧，它包括一路侧通讯设备、一路侧存储设备和一路侧信息处理单元；所述车载传感系统采集所述驶过弯道的车辆的行驶状态信息并通过自车的车载通讯模块发送到所述路侧通讯设备，所述路侧通讯设备将接收的驶过弯道的车辆行驶状态信息传送给到所述路侧存储设备进行存储，所述路侧信息处理单元获取所述路侧存储设备中的数据并根据不同车辆类型将数据进行分类，并对同一类型的车辆行驶状态数据进行无监督式聚类和统计学习，得到最优速度序列和轨迹序列，所述路侧信息处理单元将得到的最优速度序列和轨迹序列发送到所述路侧存储设备进行存储，所述路侧通讯设备获取所述路侧存储设备中的最优速度序列和轨迹序列通过所述车载通讯模块传送给所述即将驶入弯道的车辆，所述即将驶入弯道的车辆根据车辆类型通过最优速度序列和轨迹序列对过弯道进行车速建议或辅助控制，使得车辆能够安全、畅通地通过弯道。

2.如权利要求1所述的一种基于车路/车车通讯的车辆弯道通行辅助系统，其特征在于：所述路侧通讯设备采用DSRC通信设备，所述DSRC通信设备采用专用短程通信技术。

3.如权利要求1或2所述的一种基于车路/车车通讯的车辆弯道通行辅助系统，其特征在于：所述路侧信息处理单元包括一数据预处理模块、一无监督式学习分类模块和一统计学习最优速度序列及轨迹序列模块；所述数据预处理模块用于对接收的所述驶过弯道车辆行驶状态数据进行Kalman滤波，滤除噪声；所述无监督式学习分类模块用于采用无监督式学习方法判断个体车辆中的驾驶员类型，以确定后续统计学习的权重；所述统计学习最优速度序列及轨迹序列模块用于对每一类型车辆采用统计学习的方法，学习得到统计意义上的最优速度序列和轨迹序列。

4.如权利要求3所述的一种基于车路/车车通讯的车辆弯道通行辅助系统，其特征在于：所述无监督式学习分类模块的工作过程为：

1)根据滤波后的各序列数据，对于同一类型的车辆行驶状态数据序列提取其特殊数据点，并将上述特殊数据点的值组成一个向量，用于表征车辆通过弯道的行驶特征：

x_T,i＝[v_s,i,L_s,i,P_m,i,a_x,i,v_I,i,v_O,i,v_max,i,v_min,i,a_y,i,ω_max,i,Δ_max,i,λ_max,i]^T   (1)

式中，v_s,i为开始制动时的车速、L_s,i为开始制动时相对弯道入口的距离、P_m,i为最大制动强度、a_x,i为最大制动减速度、v_I,i为进入弯道的速度、v_O,i为离开弯道的速度、v_max,i为通过弯道过程中的最大速度、v_min,i为通过弯道过程中的最小速度、a_y,i为通过弯道过程中的最大横向加速度、ω_max,i为通过弯道过程中的最大横摆角速度、Δ_max,i为过弯轨迹与实际轨迹的最大差别量、λ_max,i为四个车轮出现的最大滑移率；

2)对已经驶过弯道的同一车辆类型的N辆车行驶状态的特征向量进行k-means聚类，聚成三类；

聚类的目标是使得式(2)的目标函数最小，式(2)中x为每个样本的特征向量，每个样本代表驶过弯道的一个车辆的状态数据，样本的特征向量x即为表征车辆通过弯道的行驶特征x_T,i，Γ_j∈{Γ₁,Γ₂,Γ₃}表示聚成的三类数据集，m_j是每类数据集的均值即中心点：

J(e)=Σj=13Σx∈Γj||x-mj||2---(2)]]>

式(2)中，J(e)表示聚成三类数据集的类内离散程度；

3)统计每一类数据集中的每个样本最大纵向加速度a_x,i的均值a_x,average(Γ_j)、最大横向加速度a_y,i的均值a_y,average(Γ_j)、最大横摆角速度ω_max,i的均值ω_average(Γ_j)以及最大过弯轨迹偏差绝对值Δ_max,i的均值Δ_average(Γ_j)，计算公式如下：

ax,average(Γj)=1NjΣi∈Γjax,iay,average(Γj)=1NjΣi∈Γjay,iωaverage(Γj)=1NjΣi∈Γjωmax,iΔaverage(Γj)=1NjΣi∈ΓjΔmax,ij=1,2,3---(3)]]>

式(3)中，{Γ_j}_j＝1,2,3为无监督k-means聚类的结果，N_j为子数据集Γ_j的样本个数，i∈Γ_j表示属于类别Γ_j的样本；

4)计算聚类三个子数据集的驾驶员类型因子Index(Γ_j)，将驾驶员类型因子{Index(Γ_j)}_j＝1,2,3由大到小排序，依次将对应的无监督的聚类结果表示为激进、普通和保守三种驾驶员类型，其中，驾驶员类型因子Index(Γ_j)的计算过程为：

Index(Γj)=|ax,average(Γj)|max{|ax,average(Γj)|}+|ay,average(Γj)|max{|ay,average(Γj)|}+|ωaverage(Γj)|max{|ωaverage(Γj)|}+|Δaverage(Γj)|max{|Δaverage(Γj)|},j=1,2,3.]]>

5.如权利要求3所述的一种基于车路/车车通讯的车辆弯道通行辅助系统，其特征在于：所述统计学习最优速度序列及轨迹序列模块对于速度序列的统计学习方法如下：

1)将速度时间序列和轨迹时间序列离散为弯道的空间序列，即将不同车辆的速度-时间序列转化为速度-距离序列，并将行车轨迹序列转化为轨迹-距离序列；

2)对速度-距离序列采用带时间因子的加权最小二乘估计方法得到最优的速度序列；

3)对轨迹-距离序列采用带时间因子的加权最小二乘估计方法得到最优的轨迹序列。