基于加速度計的智能網(wǎng)聯(lián)汽車駕駛行為建模方法

宋海娜

【摘? 要】駕駛行為建模能判斷車輛行駛過程中是否出現(xiàn)如緊急制動、緊急轉(zhuǎn)彎等狀況。為了更好更準(zhǔn)確地獲取這些駕駛行為，設(shè)計出基于加速度計的駕駛行為建模方法，并在北斗車載終端中實(shí)現(xiàn)此算法。本建模方法能實(shí)時準(zhǔn)確地分析出車輛在駕駛過程中出現(xiàn)的各種狀態(tài)，該方法在智能網(wǎng)聯(lián)汽車的自動駕駛應(yīng)用中具有很好的實(shí)用價值。

【關(guān)鍵詞】自動駕駛;駕駛行為分析;加速度計;智能網(wǎng)聯(lián)汽車

中圖分類號：TN929.5

文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號：1006-1010（2019）04-0081-04

[Abstract]?Driving behavior modeling can determine whether emergency braking， sharp turn and other situations happen in the process of driving. In order to obtain these driving behaviors more accurately， a driving behavior modeling method based on the accelerometer is designed and implemented in the Beidou vehicular terminal. This modeling method can quickly and accurately analyze various states of vehicles in the process of driving in real time. The proposed method has good practical value in the application of automatic driving of intelligent connected vehicles.

[Key words]automatic driving; driving behavior analysis; accelerometer; intelligent connected vehicle

1? ?引言

智能網(wǎng)聯(lián)汽車主要運(yùn)用了汽車工程、人工智能、計算機(jī)、微電子、自動控制、通信與平臺、傳感器等核心技術(shù)，它是一個集環(huán)境感知、規(guī)劃決策、控制執(zhí)行和信息交互等為一體的高新技術(shù)綜合體[1]。其中，車輛狀態(tài)識別技術(shù)是智能交通的基礎(chǔ)，是實(shí)現(xiàn)交通信息智能感知的關(guān)鍵技術(shù)，對于規(guī)劃決策和控制執(zhí)行有著極其重要的意義[7]。

駕駛行為分析的實(shí)現(xiàn)有多種方法，如視頻、圖像分析算法，加速度計算法，行車電腦數(shù)據(jù)分析方法等。本文提出了一種采用加速度計和全姿態(tài)測量傳感器進(jìn)行車輛自動駕駛過程中的狀態(tài)采集和識別的方法，研究了幾種關(guān)鍵場景的識別技術(shù)，如緊急剎車制動、轉(zhuǎn)彎、側(cè)翻等。目前已經(jīng)搭建了一套驗(yàn)證系統(tǒng)并進(jìn)了多次實(shí)車路測實(shí)驗(yàn)。

2? ?傳感器輸出的數(shù)據(jù)處理

2.1? 卡爾曼濾波

傳感器件本身的誤差漂移以及車輛在運(yùn)動時的震動等因素會導(dǎo)致數(shù)據(jù)的波動大，所以需要進(jìn)行濾波處理[7]。在本文中，使用卡爾曼濾波，濾波系統(tǒng)的狀態(tài)轉(zhuǎn)移方程和測量方程分別為[2]：

2.2? 運(yùn)動加速度的修正

車輛在水平面上行駛時，Y軸的加速度輸出表示車輛橫向移動加速度，X軸的加速度表示車輛縱向移動加速度。當(dāng)車身不在水平面時，傳感器輸出的X軸和Y軸的加速度值分別表示兩個軸的重力加速度的分量[3]，但是兩個軸向加速度值卻不能正確地表示該車輛在兩個方向上移動的加速度。所以需要對加速度值進(jìn)行適當(dāng)?shù)男拚?，消除重力分量上的影響，使得X軸和Y軸上修正后的加速度值能夠正確反應(yīng)該方向上的車輛移動加速度[7]。加速度修正模型如圖1所示：

重力在兩個軸向的分量依次為：

同時，為了讓X軸和Y軸的加速度值能夠精確地表征車輛在各個方向上的加速度，就必須先測出加速度值，然后減去各個方向上的的重力分量。當(dāng)車輛運(yùn)動時，測得X軸的加速度為acx，Y軸的加速度為acy，車輛在X軸和Y軸上的運(yùn)動加速度分別為asx和acy，計算公式如下[4]：

3? ?駕駛行為分析實(shí)現(xiàn)

3.1? 車輛變速識別算法

變速識別是以車輛前進(jìn)方向X軸的加速度輸出作為主要依據(jù)，運(yùn)動加速度的定義為：

3.2? 車輛轉(zhuǎn)彎識別算法

行業(yè)里對車輛轉(zhuǎn)彎識別的方法一般分為以下兩種。第一種是測量車身縱軸的加速度大?。磻T性單元Y軸的加速度大?。?，而Y軸加速度是轉(zhuǎn)彎角速度和線速度的乘積，因此即使轉(zhuǎn)彎幅度相同但線速度不同時，加速度值也相差很大，非常容易造成誤判。第二種是根據(jù)方位角和角速度信息，車輛在XY平面上轉(zhuǎn)彎時，Z軸角速度的變化最為顯著。在本文中，以Z軸角速度變化作為識別車輛轉(zhuǎn)彎狀態(tài)的主要依據(jù)[6-7]。

轉(zhuǎn)彎識別算法的大致描述如表2和圖6所示。

仿真結(jié)果如圖7～圖9所示。

4? ?結(jié)束語

本文核心算法是在基于STM32處理器的北斗車載定位終端中實(shí)現(xiàn)了駕駛行為分析，并對各種大/中/小型汽車在行駛過程中進(jìn)行多次數(shù)據(jù)采集，通過實(shí)車測試得出各種駕駛行為狀態(tài)下的經(jīng)驗(yàn)加速度閾值，對各種車型都具有很強(qiáng)的參考價值。

參考文獻(xiàn)：

[1] 李克強(qiáng)，戴一凡，李升波，等. 智能網(wǎng)聯(lián)汽車（ICV）技術(shù)的發(fā)展現(xiàn)狀及趨勢[J]. 汽車安全與節(jié)能學(xué)報， 2017（1）： 1-14.

[2] 戴高偉. GPS/INS組合車輛導(dǎo)航系統(tǒng)的兩種卡爾曼濾波結(jié)構(gòu)[J]. 太赫茲科學(xué)與電子信息學(xué)報， 2008，6（6）： 420-423.

[3] 白占元，徐皚冬. 基于MEMS的傾角測量儀設(shè)計[C]//儀表自動化及先進(jìn)集成技術(shù)大會， 2007.

[4] 唐霓葉. 基于上下文感知的乘車感知算法研究和實(shí)現(xiàn)[D]. 成都： 電子科技大學(xué)， 2015.

[5] 徐瑩，左付山，曾婷婷. 基于雷達(dá)測速技術(shù)的混動汽車道路制動性能分析[J]. 汽車實(shí)用技術(shù)， 2014（3）： 40-43.

[6] Tunick M. Privacy in Public Places： Do GPS and Video Surveillance Provide Plain Views？[J]. Social Theory & Practice， 2009，35（4）： 597-622.

[7] 鄧忠. 基于車載自組織網(wǎng)的車輛狀態(tài)識別與駕駛行為評估[D]. 廣州： 華南理工大學(xué)， 2015.