[发明专利]一种高速公路汽车防追尾前车的自适应报警方法

摘要

本发明公开了一种高速公路汽车防追尾前车的自适应报警方法，该方法基于安全时间逻辑算法，能够适应驾驶员特性及行驶环境，对安全时间门限值即报警阈值进行实时自适应调整，从而有效的避免了虚警和误警。该算法通过初始模式选择和车载传感器采集车辆行驶相关信息，首先通过判别驾驶员意图设置报警抑制策略以减少虚警率，进而计算出自车与前车碰撞时间TTC，并根据驾驶员特性和当前行驶环境实时计算出当前报警安全门限值TW，最后依据所计算出的自车与前车的碰撞时间TTC和报警安全门限值TW，判别当前是否存在潜在的追尾前车的危险，当判别存在潜在危险时，发出报警指令。本发明可依据驾驶员驾龄与具体行驶环境、车辆制动类型等，实时、准确的发现潜在的追尾危险，并给予驾驶员以警告，从而有效预防高速公路上自车与前车追尾事故的发生。

主权项

一种高速公路汽车防追尾前车的自适应报警方法，其特征在于，包括以下步骤：1）选择当前车辆制动类型、路面类型以及驾驶员驾龄行车前，选择当前车辆制动类型、路面类型以及驾驶员驾龄，其中，车辆制动类型包括气压式和液压式，路面类型包括干燥路面、潮湿路面、积雪路面和结冰路面，驾驶员驾龄为驾驶员实际驾龄，选项划分为小于1年,1～3年以及大于3年三类；2）采集前车相对于自车的相对距离、相对速度以及自车的速度，油门踏板信号，转向灯信号，制动踏板信号和当前能见度信号利用毫米波雷达传感器或视觉传感器采集前车与自车相对距离和相对速度信息；自车速度信息利用自车速度传感器采集；分别利用油门踏板力传感器和制动踏板力传感器获取油门踏板和制动踏板信号，并通过汽车CAN总线实时获取转向灯是否开启的信息；利用能见度传感器获取当前能见度信息；3）依据步骤2中所采集的信息，设定屏蔽报警策略依据步骤2中所采集的自车相对于前车的速度Vr，单位：m/s，若Vr≤0，则无碰撞危险，屏蔽报警，否则，依据步骤2中所采集的制动踏板、油门踏板及转向灯信号，判断驾驶员驾驶意图,设置如下报警屏蔽策略：驾驶员踩制动时，报警屏蔽；驾驶员松油门时，报警屏蔽；驾驶员开启转向灯时，报警屏蔽；4）依据步骤2与步骤1中所采集的信息，当自车相对于前车速度Vr＞0时，计算自车与前车的碰撞时间TTC和报警安全门限值TW所述自车与前车的碰撞时间TTC的计算如下： TTC = L V r 式中，L为前车相对于自车的距离，单位：m，Vr为自车相对于前车的速度，单位：m/s，两者均由步骤2获取；所述报警安全门限值TW的计算如下：TW=T1+T2+T3+T4式中，T1为驾驶员反应时间，即从驾驶员接受预警到其采取制动措施所经历的时间，单位：s；T2为制动协调时间，即从驾驶员采取制动措施到制动系统产生制动力所经历的时间，单位：s；T3为减速度增长时间，即制动减速度从0增长到最大制动减速度的时间，单位：s；T4为持续制动时间，即制动减速度达到最大值时到本车与前车相对静止所需时间，单位：s；所述的驾驶员反应时间T1的取值范围统计值为0.3～1s，其计算如下：通过建立一个驾驶员反应时间识别BP人工神经网络的方法来确定驾驶员的反应时间，人工神经网络包括输入层、隐含层和输出层，其中输入层接收计算驾驶员反应时间所需要的输入向量，该输入向量为4维向量，各维度分别为自车车速、能见度、路面类型以及驾驶员驾龄；隐含层包括6个神经元节点，每个神经元节点可以根据输入层的输入向量进行计算，计算的输出值作为输出层计算驾驶员反应时间的输入值；神经元节点根据输入向量进行计算的函数为tansig函数：tansig(x)＝1/(1+e‑x)，具体的，该tansig函数的表达式如下式： m j = tan sig [ Σ i = 1 4 ( w i × p i ) + b j ] 上式中，i=1,2…4,为输入向量维数，pi为第i个输入向量；j=1,2…6,为隐含层神经元的个数，mj为隐含层第j个神经元的输出值，wi为隐含层内对应pi的网络权系数，bj为隐含层第j个阈值系数；输出层包括一个输出层神经元节点，该神经元节点根据隐含层计算的结果计算驾驶员反应时间，输出层神经元节点函数为purelin函数：purelin(x)＝kx；具体的，输出层神经元节点计算驾驶员反应时间的函数见下式： m = purelin [ Σ j = 1 6 ( w j × m j ) + b ] 式中，mj为隐含层第j个神经元的输出值，wj为输出层内对应mj的网络权系数，b为输出层的阈值系数，m为输出层神经元的输出值，即输出向量；整个BP人工神经网络的建立采用了matlab函数newff，见下式：net＝newff(min max(p),[6,1],{′tansig′,′purlin′},′trainlm′)上式中，net为神经网络，p为输入向量，minmax为matlab获取向量极值函数，trainlm为学习算法；根据上述人工神经网络的输入向量p进行采集，包括测量不同自车车速，不同能见度，不同路面类型，不同驾驶员驾龄以及驾驶员反应时间；利用上述的采集值离线训练驾驶员反应时间识别BP人工神经网络，获得隐含层的网络权系数 wi和阈值系数bj，以及输出层的网络权系数wj和阈值系数b；驾驶员反应时间识别BP人工神经网络的输入向量定义如下：自车车速输入值为实际测量值；能见度输入值也为实际测量值；路面类型分为干燥路面、潮湿路面、积雪路面和结冰路面；干燥路面输入值为1，潮湿路面输入值为2，积雪路面输入值为3，结冰路面输入值为4；驾驶员驾龄划分为小于1年,1～3年以及大于3年；小于1年输入值为1,1～3年输入值为2,大于3年输入值为3；BP人工神经网络的输出向量定义如下：输出向量值范围为0～3，代表驾驶员反应时间的统计值0.3～1.0s，0代表驾驶员实际反应时间短，取0.3s，1代表驾驶员反应时间较短，取0.5s，2代表驾驶员反映实际较长，取0.8s，3代表驾驶员反应时间长，取1s；BP人工神经网络训练的主要目的是获取网络权系数wi、wj和阈值系数bj、b，使得输出向量满足一定的精度；BP人工神经网络训练直接采用matlab函数train进行离线训练，见下式：net＝train(net,p,t)上式中：net为BP人工神经网络，p为训练样本输入向量，t为训练样本输出向量；将上述训练获得的网络权系数wi、wj和阈值系数bj、b代入神经网络中，根据实际输入的自车车速、能见度、路面类型以及驾驶员驾驶员驾龄，计算输出向量；根据计算出的输出向量，并依据所定义的输出向量，判断驾驶员反应时间。BP神经网络1输出向量接近0，则判断驾驶员反应时间为0.3s；输出向量接近1，则判断驾驶员反应时间为0.5s；输出向量接近2，则判断驾驶员反应时间为0.8s；输出向量接近3，则判断驾驶员反应时间为1s；所述的制动协调时间T2，根据相关资料，取经验值为0.2s；所述的减速度增长时间T3依据步骤1中驾驶员所选择的制动类型，液压制动系统和气压制动系统分别取0.2s、0.7s；所述的持续制动时间T4的计算如下： T 4 = V r μ × g 式中，Vr为自车相对于前车的速度，单位：m/s，由步骤2中获取；g为重力加速度，其值为9.8m/s2；μ为路面附着系数，依据步骤1中路面类型来确定：干燥路面的附着系数取0.61，潮湿路面的附着系数取0.46，积雪路面的附着系数取0.20，结冰路面的附着系数取0.07；5）依据所计算出的自车与前车的碰撞时间TTC和报警安全门限值TW，判别是 否存在潜在的追尾碰撞危险，从而确定是否需要报警所述的判别策略如下，当TTC＞TW+τ时，判别为安全，不发出报警指令；当TTC≤TW+τ时，判别为危险，发出报警指令提醒驾驶员；报警方式可以采取语音提示报警等不同报警方式，在此不做限制；其中，TTC为自车与前车的碰撞时间，单位：s，TW为报警安全门限值单位：s，τ为提前预警时间[s]；所述的提前预警时间τ计算如下：τ＝d/V式中，d为安全停车距离[m],取经验值为3m；V为本车速度[m/s],由步骤2中获取。