避撞行人主动制动决策算法的设计探究,硕士论文.docx

《避撞行人主动制动决策算法的设计探究,硕士论文.docx》由会员分享，可在线阅读，更多相关《避撞行人主动制动决策算法的设计探究,硕士论文.docx（16页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、避撞行人主动制动决策算法的设计探究,硕士论文智能汽车的发展日益迅速，随之而来的智能驾驶功能也越来越丰富，针对驾驶员的主被动安全功能开发一直备受关注，而关乎弱势道路使用者的安全问题也逐步被重视。在繁忙的交通环境中，汽车配备的主动安全功能在很大程度上能够避免交通事故的发生，而驾驶员和交通环境中的弱势道路使用者均属于被防护的对象。本文研究的主题是在典型的城市工况下，讨论实时评估碰撞风险指数和决策主动制动机会的方式方法。本文研究的主要内容包括：主车和行人运动状态估计算法，主车行人碰撞风险评估算法，主动制动决策算法和制动系统响应特性等，重点研究碰撞风险评估和行人运动状态估计。 针对主车和行人的运动状态估

2、计主要运用了基于运动学模型推导的 Kalman 滤波算法，主车运动学模型是参考恒转率匀速运动模型，行人运动学模型是参考匀变速运动模型，然后通过坐标变换，基于当下时刻车辆坐标系推导系统状态向量的关系映射矩阵，进而构建 Kalman 滤波算法中的相关系数矩阵。结合对行人和主车的运动状态估计结果，设计了基于运动学和几何学的碰撞风险评估算法，计算碰撞风险特征参数 碰撞时间，基于该特征参数，设计了模糊逻辑决策算法，根据当下的碰撞时间来输出期望的制动减速度。为了匹配仿真系统中制动系统的控制接口，基于实车制动实验数据搭建了一阶惯性纯滞后的制动系统响应模型，并通过数据拟合手段建立制动减速度与制动主缸压力之间的

3、近似关系，进而将决策期望与制动执行贯穿。 借鉴 E-NCAP 中针对行人避撞的相关测试规范，本文基于 PreScan 场景建模软件搭建了相关的测试场景，并结合 Matlab/Simulink 开发相关算法模块，构建场景 算法联合仿真平台，最终完成了相关的仿真测试。 本文一共设计了五种典型测试工况CPFA、CPNA、CPNC、CPLA 和 CPTA，主动制动决策算法采用模糊逻辑决策，从仿真测试结果来看，行人主车运动状态估计算法效果良好，碰撞风险评估算法也能及时反应当下的紧急状态，主动制动决策II算法能够连续请求合理的减速度，在完好的仿真测试工况下，本文设计的避撞行人的主动制动决策算法能够完全避撞

4、行人。 本文关键词语：主动制动，运动预测，Kalman 滤波，碰撞风险评估，模糊逻辑 ABSTRACT The development of smart cars is increasing rapidly, and the accompanying smartdriving functions are becoming more and more abundant. The development of active andpassive safety functions for drivers has always attracted much attention, and safety

5、issuesrelated to Vulnerable Road Users have gradually been paid attention to. In busy traffic,active safety functions equipped with cars can largely avoid traffic accidents, actually,Both drivers and vulnerable road users in the traffic environment need to be protected. The subject of this paper is

6、to discuss the method of real-time assessment of collision riskindex and decision of active braking timing under typical urban conditions. The maincontents of this paper include: the estimation algorithm of the motion status of the hostvehicle and pedestrian, the evaluation algorithm of the collisio

7、n risk of the host vehicle,the active braking decision algorithm, and the response characteristics of the brakingsystem. The Kalman filter algorithm based on the kinematics model is used to estimate themotion state of the host vehicle and pedestrians. The kinematic model of the host vehiclerefers to

8、 the Constant Turn Rate and Acceleration motion model, and the pedestriankinematic model refers to the Constant Velocity motion model. The transformation, basedon the current coordinate system of the vehicle, derives the relational mapping matrix ofthe system state vector, and then constructs the co

9、rrelation coefficient matrix in theKalman filtering algorithm. Based on the results of estimating the pedestrian and hostvehicle s motion, a collision risk assessment algorithm based on kinematics and geometryis designed to calculate the collision risk characteristic parameter Time ToCollision(TTC).

10、 Based on this characteristic parameter, a fuzzy logic decision algorithmis designed. Calculating the desired braking deceleration according to TTC at the presenttime. In order to match the control interface of the braking system in the simulation system,IVa first-order inertial pure hysteresis brak

11、ing system response model was built based on theactual vehicle braking experimental data, and the braking deceleration and brake mastercylinder pressure were established by data fitting The approximate relationship betweenthem, thus linking decision expectations with brake execution. Drawing on the

12、relevant test specifications for pedestrian collision avoidance in E-NCAP, this article builds relevant test scenarios based on PreScan scenario modelingsoftware, and develops related algorithm modules in conjunction with Matlab / Simulinkto build a scenario-algorithm joint simulation platform, and

13、finally completes Simulationtest. In this paper, five typical test conditions (CPFA, CPNA, CPNC, CPLA, and CPTA)are designed. The active braking decision algorithm uses fuzzy logic decision. From theresults of the simulation test, the pedestrian vehicle movement state estimation algorithmworks well,

14、 the collision risk assessment algorithm can also feedback the currentemergency state in time, and the active braking decision algorithm can continuouslyrequest a reasonable deceleration in the complete simulation test conditions. Next, theactive braking decision algorithm for pedestrian collision a

15、voidance designed in this papercan completely avoid collision. Key Word：Active braking, motion state predicting, Kalman filtering, collision risk assessment,fuzzy logic 目 录 摘 要 I ABSTRACT III 幅较长,部分内容省略,具体全文见文末附件 第 6 章 总结与瞻望 6.1 全文总结 随着科学技术的发展，智能车的应用场合日益广泛，无人驾驶汽车的相关研究也遭到极大地追捧，固然短期内无法到达完全的无人驾驶水平，但是正在

16、向最终目的进步，智能辅助驾驶系统的研发和应用正在缩小这一差距。华而不实至关重的一项内容则是关乎生命安全的主动安全功能，智能车的研发应用无法避开安全驾驶问题，只要配备了足够可信耐的主被动安全功能的智能车才会被群众所接受，因而，本文研究的避撞行人主动制动功能是智能车研究领域的热门。 本文研究的重点在于对人车环境的碰撞风险评估和主动制动决策，基于传感器组件的环境感悟和基于底层执行器动态响应特性不作深切进入研究，在已经知道行人当下的位置信息后，在当下车辆坐标系下相对坐标系基于运动学模型通过改良的Kalman 预测算法来估计行人和主车的运动状态及轨迹，以此为基础进行运动学碰撞风险评估，基于评估结果来量化

17、碰撞风险等级，然后通过模糊逻辑决策算法输出期望制动减速度，最后通过搭建的制动系统响应模型输出执行器实际的控制量制动主缸压力。华而不实针对行人运动状态估计分别从两类运动学模型作仿真比照，最终基于匀变速运动模型CA 模型的估计效果更优。主动制动决策算法比拟了传统分级制动和基于模糊逻辑的连续制动算法，从制动减速度请求经过而言，模糊逻辑决策的期望减速度更符合驾驶员的制动感受。 本文基于算法理论的推导，在 PreScan 和 Matlab/Simulink 联合仿真环境下搭建了简易的测试场景进行验证，根据仿真结果来指导算法的优化方向，同时也参考了E-NCAP 针对行人避撞的测试规范，搭建类似测试场景进行

18、全工况的功能验证，另外也扩大了其测试类别，针对碰撞风险评估算法，个性化设计了多人横穿人行道的测试场景，相关的仿真结果详见第 5 章。 由于行人避撞的实车试验要求非常高，实验室的条件受限，并不能进行相关的实车实验，因而在仿真环境下作了大量的仿真实验，依托 PreScan 强大的场景建模功能能够基本实现实车试验中的类似测试场景。 本文的创新点如下： 1基于当下车辆坐标系相对坐标系下搭建基于运动学的 Kalman 滤波算法，与全局坐标系下的运动状态估计方式方法相比，在相对坐标系下能够有效减小累计误差，提高估计精度。 2针对多目的行人工况，提出了挑选最危险目的行人算法，评估多目的场景下的碰撞风险。 3

19、提出的基于模糊逻辑的制动决策算法改善了传统的分级制动决策算法制动请求经过的顿挫感和不连续性。 6.2 工作瞻望 基于有限的研究平台，本文在下面地方还存在缺乏，在以后的学习工作中将继续深切进入研究： 1、行人运动估计算法仅输入了行人在车辆坐标系下的 XY 值，没有用到传感器输出的相对速度信息，从算法原理上看，输入的测量信息维度越多，其估计精度也会越高，后期能够将相对速度引入该运动估计算法中。 2、主车运动状态估计是参考 CTRV 模型，在实际的车辆运动中，主车的加速度是不能忽略的，十分是在进行主动制动时，因而，后期能够采用基于 CTRA 模型替代，并提供实际的加速度来修正 CTRA 模型。 3、

20、当目的行人的非线性极强时行人在穿行经过中急停，Kalman 算法的估计精度会比拟低，在危急时刻会直接影响主动制动功能，后期针对完全非线性的目的输入情况，能够开展基于马尔科夫经过的非线性运动状态估计算法研究。 4、针对行人避撞测试，E-NCAP 对传感器、环境等都有相应的测试评价体系，本文由于实车试验限制均无法实现，因而，后期有条件能够进行相关的传感器在环、执行器在环试验，在实际的传感器和执行器上验证算法的效果。 以下为参考文献 1 . 2 SINGH S. Critical Reasons for Crashes Investigated in the National Motor Vehic

21、leCrash Causation SurveyR.Washington DC: National Highway Traffic SafetyAdministration,2021. 3 S. Gidel, P. Checchin, C. Blanc, T. Chateau and L. Trassoudaine, PedestrianDetection and Tracking in an Urban Environment Using a Multilayer LaserScanner, in IEEE Transactions on Intelligent Transportation

22、 Systems. 2018. 4 Y. Abramson and B. Steux, Hardware-friendly pedestrian detection and impactprediction, IEEE Intelligent Vehicles Symposium, 2004. 5 F. Large, D. Vasquez, T. Fraichard and C. Laugier, Avoiding cars and pedestriansusing velocity obstacles and motion prediction, IEEE Intelligent Vehic

23、lesSymposium, 2004. 6 T. Osaragi, Modeling of pedestrian behavior and its applications to spatialevaluation, Proceedings of the Third International Joint Conference onAutonomous Agents and Multiagent Systems, 2004. AAMAS 2004., New York, NY,USA, 2004. 7 E.?lvaro, A.Andr s,B.S bastien,S.Laura. Study

24、of the application of steeringsupport systems to complement autonomous emergency braking systems for activecollision avoidance strategies, Proceedings of the 25th International TechnicalConference on the Enhanced Safety of Vehicles (ESV). 8 J. Hillenbrand, A. M. Spieker and K. Kroschel, A Multilevel

25、 Collision MitigationApproach Its Situation Assessment, Decision Making, and PerformanceTradeoffs, in IEEE Transactions on Intelligent Transportation Systems, 2006. 9 Aoyagi, S., Hayashi, R., and Nagai, M., Modeling of Pedestrian Behavior inCrossing Urban Road for Risk Prediction Driving Assistance

26、System, SAETechnical Paper 2018. 10 M. Park, S. Lee, C. Kwon and S. Kim, Design of Pedestrian Target Selection WithFunnel Map for Pedestrian AEB System, in IEEE Transactions on VehicularTechnology,2021. 11 E. Coelingh, A. Eidehall and M. Bengtsson, Collision Warning with Full AutoBrake and Pedestria

27、n Detection - a practical example of Automatic Emergency 吉林大学硕士学位论文88Braking, 13th International IEEE Conference on Intelligent TransportationSystems, Funchal, 2018. 12 Erik Ros n, Ulrich Sander, Pedestrian fatality risk as a function of car impact speed,Accident Analysis Prevention,2018. 13 杨娜,张臻,赵

28、桂范,王剑锋,王大方.自动制动系统行人保卫效果的研究J.汽车工程,2021. 14 李霖,朱西产,董小飞,马志雄.自主紧急制动系统避撞策略的研究J.汽车工程,2021. 15 胡远志,吕章洁,刘西.基于 Pre Scan 的 AEB 系统纵向避撞算法及仿真验证J.汽车安全与节能学报,2021. 16 黄恒. 基于事故重建的自动紧急制动系统对行人保卫效果研究D.上海工程技术大学,2021. 17 李霖,朱西产.智能汽车自动紧急控制策略J.同济大学学报(自然科学版),2021. 18 杨为,赵胡屹,舒红.自动紧急制动系统行人避撞策略及仿真验证J.重庆大学学报,2022. 19 何颖. 基于概率方式

29、方法的人车冲突中行人伤害的预测D.湖南大学,2021. 20 刘召,宋立滨,于涛,耿美晓.基于行人轨迹预测的全向移动机器人途径规划J.计算机仿真,2021. 21 Euro NCAP VULNERABLE ROAD USER (VRU) PROTECTIONV3.0.2，2022. 22 中 国 新 车 评 价 规 程 C-NCAP 2021 年 版 管 理 规 则 .httpc-ncap.org/cms/files/cncap-regulation-2021.pdf. 23 P. J. Hargrave, A tutorial introduction to Kalman filtering

30、, IEE Colloquium onKalman Filters: Introduction, Applications and Future Developments, London, UK,1989. 24 R. Schubert, C. Adam, M. Obst, N. Mattern, V. Leonhardt and G. Wanielik, Empirical evaluation of vehicular models for ego motion estimation, 2018 IEEEIntelligent Vehicles Symposium (IV), Baden-

31、Baden, 2018. 25 Alfred Eckert, Andree Hohm, Stefan Lueke. An Integrated ADAS Solution ForPedestrian Collision Avoidance. Cassis Safety Division, Continental,2020. 26 余志生. 汽车理论M. 机械工业出版社, 2018. 27 李霖,朱西产,陈海林.驾驶员制动和转向避撞极限J.同济大学学报(自然科学版),2021. 28 W.Hugemann,M.Nickel. Longitudinal and Lateral Accelerati

32、ons in Normal DayDriving.2003. 29 胡远志,吕章洁,刘西.基于 Pre Scan 的 AEB 系统纵向避撞算法及仿真验证J.汽车安全与节能学报,2021. 30 Kondoh T,Yamamura T,Kitazaki S,et al. Identification of Visual Cues andQuantification of Drivers Perception of Proximity Risk to the Lead Vehicle in Car-Following SituationsJ. Journal of Mechanical Syste

33、ms for Transportation andLogistics, 2008. 31 John D.Lee,Daniel V.McGehee etal. Collision Warning Timing,DriverDistraction,and Driver Response to Imminent Rear-end Collisions in a High-fidelityDriving SimulatorJ.Human Factors,2002. 32 Zhang Y , Antonsson E K , Grote K . A new threat assessment measur

34、e for collisionavoidance systemsC/ Intelligent Transportation Systems Conference, 2006. ITSC 06. IEEE. IEEE, 2006. 33 刘普寅. 模糊理论及其应用M. 国防科技大学出版社, 1998. 34 Yager R R,Zadeh L A ,Pub K A. Introduction to fuzzy logic applications inintelligent systemsM. Kluwer Academic, 1992. 35 Llorca D F , Milanes V ,

35、Alonso I P , et al. Autonomous Pedestrian CollisionAvoidance Using a Fuzzy Steering ControllerJ. IEEE Transactions on IntelligentTransportation Systems, 2018. 36 Winkler S, Werneke J, Vollrath M. Timing of early warning stages in a multi stagecollision warning system: drivers evaluation depending on

36、 situational influencesJ. 2021. 37 Shimizu T , Raksincharoensak P . Motion planning via optimization of riskquantified by collision velocity accompanied with AEB activationC/ 2021 IEEEInternational Conference on Vehicular Electronics and Safety (ICVES). IEEE, 2021. 38 Yager R R , Zadeh L A , Pub K A

37、 . Introduction to fuzzy logic applications inintelligent systemsM. Kluwer Academic, 1992. 39 罗逍. 面向正面碰撞工况的碰撞预判系统关键技术研究D.清华大学,2021. 40 Lee J D , Mcgehee D V , Brown T L , et al. Collision Warning Timing, DriverDistraction, and Driver Response to Imminent Rear-End Collisions in a High-Fidelity Drivin

38、g SimulatorJ. Human Factors: The Journal of the Human Factorsand Ergonomics Society, 2002. 41 叶一凡. 智能汽车纵横向主动避撞控制策略研究D.吉林大学,2022. 42 张金旺,章永进,徐友春.基于概率统计的车辆运动轨迹预测方式方法J.军事交通学院学报,2021. 43 刘象祎. 行人机动不确定下的人车碰撞概率预测D.湖南大学,2021. 44 李霖,朱西产,陈海林.驾驶员制动和转向避撞极限J.同济大学学报(自然科学版),2021. 45 李肖含. 汽车自适应巡航控制系统模糊控制策略研究D.北京理工大

39、学,2021. 46 刘凡. 智能车辆前方机动目的的运动状态辨别方式方法研究D.吉林大学,2020. 47 韩东鑫.汽车 AEB 系统测试方式方法国内外研究现在状况分析J.西部皮革,2021. 48 陈强,连晓威,李旭东.通过真实交通事故数据验证 AEB 行人系统的有效性J. 质量与认证,2021. 49 黄如林. 无人驾驶汽车动态障碍物避撞关键技术研究D.中国科学技术大学,2021. 50 王戡,张仪栋,徐建勋. 自动紧急刹车系统(AEB)测试场景研究C. .西南汽车信息：2021 年第 6 期总第 363 期.:重庆汽车工程学会,2021:2-9. 51 黄丽琼. 基于制动/转向的汽车主动避撞控制系统研究D.南京航空航天大学,2021. 52 武冬梅. 分布式驱动电动汽车动力学控制机理和控制策略研究D.吉林大学,2021.