一種基于CFD的車輛行駛狀態識別方法

彭 聰，劉秋錦，楊 克

(1. 北京航空航天大學機器人所，北京 100083；2. 奧迪(中國)企業管理有限公司，北京100015；3. 北京汽車股份有限公司汽車研究院，北京101300)

0 引 言

當前在先進汽車駕駛輔助系統的研究上，國內外已獲得不少成果[1-2]。這些成果按照適用的工況可劃分為車-路和車-車兩類。如M. SHINo等提出的利用車速和撞線時間監測車-路之間的偏離程度[3-4]；又如，基于車載視覺檢測算法，G.KIM等[5]提出的車-車間距預警系統；以及基于車輛運行特性，許倫輝等[6]提出的雙車道超車模型。但可同時適用于這兩種工況的車輛行駛安全輔助系統卻仍在探究中。究其原因是缺乏對行駛車輛周邊安全域的綜合界定和提取方法。

行駛車輛周邊安全域的邊界分為可見的和非可見的兩類。在車-路工況中，車道線為安全域的可見邊界；在車-車工況中，前車視覺盲區和車輛外流場為安全域的非可見邊界。傅立敏等[7]利用計算流體動力學(computational fluid dynamics, CFD)的數值計算，研究了并行轎車的外流場所產生的氣動阻力變化，得出在超車時兩車并行的安全車距應為0.5～1倍車寬。這表明汽車外流場的分布區域應該作為行駛安全域的非可見邊界。

車道線因其可見邊界而不難被提取，故如何獲取非可見的車輛外流場分布為難點和重點。路面工況復雜多變，現有技術無法精準地采集行駛車輛的實時外流場。為實時獲取行駛車輛的外流場分布，一種可能的方式為離線計算預存，在線近似匹配。在Fluent中計算典型工況下行駛車輛的外流場分布，并離線預存為數據庫。在車輛行駛中，根據采集的實時工況，對外流場數據庫實施在線實時檢索，從而間接地獲取車輛當前的外流場分布位點。最后依據行駛車輛的橫向位置、撞線時間、及軌跡線上流場的縱、橫向流速特征辨識出車輛當前的行駛安全狀態。

1 行駛安全域邊界的獲取

1.1 車輛周邊行駛安全域的分析與假設

眾所周知，車身正向迎風面積較小且具有流線型減阻設計，所以前車前方的氣流區及視覺盲區均較小。前車側向氣流的沖擊可能導致后車橫向操縱力失穩[7]，故前車的兩側為行駛的危險區之一。前車駕駛員的視覺盲區主要位于前車后方的大片區域，故前車后方的大片區域為后車追尾的危險區。車輛周邊危險區域的這種分布形態與汽車外流場的分布形態基本一致。因此提出以下科學假設：行駛車輛外流場的分布區能夠涵蓋車-車之間的危險區。由于行駛汽車外流場的分布難以實測，所以CFD的數值模擬[8-9]被廣泛用于行駛車輛外流場的計算和獲取。

圖1為路面上車輛行駛時周邊安全域的邊界示意圖。其中車1的行駛安全域邊界為左右兩側的車道線及前車外圍的邊界曲線ABC。車2的行駛安全域邊界則為左右兩側車道線和前車外圍的邊界曲線CDE。

圖1 車輛周邊安全域的示意Fig. 1 Diagram of the security zone around the vehicle

車道線為路面的可見邊界，由車載視覺技術可獲取。前車外流場分布區的非可見邊界ABCDE曲線，由流場中具有指定流速閾值的節點位置可確定。前車方位、車速和行駛軌跡可影響其外流場的位置及分布。筆者亦采用車載視覺系統[8-9]對前車進行定位及測速，再利用車輛動力學模型預測車輛的行駛軌跡。預先計算在典型路況下車輛外流場的分布并預存為待檢索的數據庫，然后依據車輛的方位、車速、車數及行駛軌跡等對數據庫進行在線檢索，獲取當前工況下外流場的近似分布。

沿用川崎等人提出了多傳感器融合的理念[10]，本研究的車輛行駛安全狀態識別也是一個集成系統，如圖2。由圖2可知，車道線、車輛行駛軌跡預測和車輛外流場分布的獲取是獲取行駛安全域邊界的3大首要任務。

圖2 行駛車輛安全狀態識別系統的框架Fig. 2 Schematic of identification for safety states of driving vehicle

1.2 車道線的識別

采用馬雷等[11]提出的車載單目視覺系統識別車輛周邊的車道線。依照文獻[11]中的方法，利用斜置安裝的CCD相機采集路面圖像，然后建立如圖3的車輛隨體坐標系。將路面圖像下方3/4的區域設定為車道所在區，以像素為單位對圖像進行分割，沿X軸正向，將像素在180以內的部分作為圖像處理區域。經過二值化、濾波等預處理后，依據其灰度分布的梯度特征，提取車道線的邊緣特征。以如式(1)的二次曲線擬合出圖像中的車道線[11-13]，最終獲取車道線的位置。

X=aY2+bY+c

(1)

式中：a、b、c為待定參數，由圖像處理中的設定的目標函數確定。

圖3 在路面圖像中建立的坐標系[11]Fig. 3 Coordinate system established in the pavement image[11]

1.3 車輛行駛軌跡的預測

在SIMULINK中建立如圖4的二自由度車輛動力學模型。將探測系統采集的車輛行駛車速uc和前輪轉角δ作為動力學模型的輸入。當駕駛員在感知外界信息時，其肢體基本無動作的輸出，所以車輛行駛車速uc和前輪轉角δ均將保持不變。側向速度νc和橫擺角速度r為模型的輸出。軌跡預測的預警時間Tw=2.5 s，動力學模型所需的其他參數參見文獻[14]。據此可求解出在預警時間內車輛的側向車速νc和橫擺角速度r。

圖4 二自由度車輛動力學模型Fig. 4 Model of two-degree-of-freedom vehicle dynamics

在大地坐標系中，設車輛沿X軸的速度為縱向車速Vx，沿Y軸的速度為橫向車速Vy，車輛的航向角為φ。航向角φ的值等于橫擺角速度r從0～t時刻的積分。則依據式(2)可算出縱、橫向車速Vx和Vy。

(2)

再利用式(3)對縱、橫向車速Vx和Vy進行積分，即可獲取在t時刻車輛質心的位置(X,Y)，質心經過的各點(X,Y)即為汽車在0～t內所行駛的軌跡。

(3)

當前進方向的車速為20 m/s，前輪轉角δ為0.03 rad，且預警時間Tw為2.5 s時，根據以上邏輯，預測的車輛行駛軌跡Y=f(X)如圖5。為了研究周邊環境特征相對于本車的安全狀態，需利用坐標變換獲取在車輛隨體坐標系中軌跡線的位置。

圖5 車速為20 m/s時的行駛軌跡Fig. 5 Trajectory of a vehicle at a speed of 20 m/s

1.4 車輛外流場分布的獲取

1.4.1 外流場建模與計算

建立汽車及其計算域的幾何模型。采用動網格使汽車模型運動，氣體介質靜止。將車速和兩車間的縱、橫向間距等連續型變量離散化為幾個典型的數值，例如取車速為15、20、30 m/s等。針對不同車數及其相對方位下，直線或曲線行駛等典型工況，分別計算其所對應的外流場分布。

車身外形尺寸設定為：長×寬×高=5 m×2 m×1.5 m。為防止汽車模型沖出計算域，當設定的行駛時間為2.5 s、車速為15 m/s時，計算域的尺寸取為長×寬×高=80 m×8 m×4 m，如圖6。將幾何模型導入ICEM中進行網格劃分，再導入FLUENT中，并將C++定義的車輛運動規律加載于求解器中。求解器中主要參數的設定見表1，最后求解計算。

圖6 幾何模型及其網格劃分Fig. 6 Geometric model and its meshing

表1 FLUENT主要參數的設置Table 1 Main parameter setting of FLUENT

1.4.2 外流場分布的計算結果

車-車的行駛安全域分布于車輛隨體坐標系的水平面內，故只需分析水平截面內的縱、橫向流速。在圖6的幾何建模中，在z軸上車高的尺寸范圍定為[-1,0.5]，因此z=0的水平截面可覆蓋車身的最大外輪廓。故筆者均在該平面上進行流速分布區的分析。且因所用計算平臺能力的限制，在100萬網格數的計算域中，近壁面處的精度略顯不足，故取流速大于1 m/s的區域為速度場影響區。

以15 m/s的車速直線行駛時單車外流場的流速分布如圖7。

圖7 單車外流場的流速分布云圖Fig. 7 Contours of velocity in the flow field around a vehicle

圖7的外流場中，縱、橫向流速的二維分布如圖8。由圖8可獲取車速為15 m/s時單車直線行駛時外流場在縱、橫向的分布范圍。在3個典型車速下，單車直線行駛時在水平截面內外流場的流速分布范圍如表2。隨著車速的增大，在縱、橫向上速度場的分布區也增大；反之，則縮小。其他車速下的外流場分布區域同理可得。

圖8 車速為15 m/s時縱、橫向流速的二維分布Fig. 8 Vertical and lateral velocity distribution of air flowaround a single vehicle driving at a speed of 15 m/s

表2 不同車速下氣流速度分布范圍Table 2 Flow velocity distribution range at different vehicle speeds

筆者暫時僅給出縱向間距為5 m、橫向間距為0.75 m的兩車以20 m/s車速同向直線行駛時的流速分布(如圖9)以及單車以15 m/s的車速曲線行駛時的外流場分布(如圖10)。在路面行駛時工況種類繁多，車輛外流場的形態也各異。雖然流場分布的獲取思路仍可采用，但在多車外流場耦合及曲線行駛的工況下車輛行駛安全狀態識別的準確性還有待完善。

圖9 直線行駛時兩車外圍流速分布的云圖Fig. 9 Flow velocity contours around two vehicles driving straightly

圖10 單車曲線行駛時外圍流速分布的云圖Fig. 10 Flow velocity contours around a vehicle driving deviously

1.4.3 外流場分布數據庫的建立

對不同的車速，兩車相對方位、行駛軌跡等工況及其組合，分別建模和計算，從而構建各個典型工況所對應的外流場分布的數據庫。由于采用的動網格，故利用坐標變換將以上外流場分布由大地坐標系轉換至車輛的隨體坐標系中，并以一個四維矩陣的形式預存為外流場分布數據庫。矩陣中每個元素均為一張在z=0平面內外流場的各點流速u與該點位置(x,y)一一對應的二維數表。

車輛外圍的速度場分布間接地反映了車輛周邊各點的危險分布形勢。根據實時工況，系統對數據庫的典型工況進行在線檢索，從而獲取當前外流場的分布。在外流場分布區內，任意一點的流速u與該點的位置(x,y)一一對應。由圖8可知，這兩者之間的關系為：流場中某一點處的流速u越大，該點距離車身的縱向距離x和橫向距離y越小，則該點處的危險性越大。

2 車輛行駛安全狀態特征的確定

提取了車道線和外流場共同構成的安全域邊界后，需確定車輛當前的行駛安全狀態特征。為了便于理解，分別分析在車-路和車-車兩種交通路況下，車輛的行駛安全狀態。

2.1 橫向位置和撞線時間特征

在路面僅有本車時，只需分析車-路的安全特征，如圖11。車輛質心與較近的車道線的橫向距離為w。獲取車輛行駛軌跡及車道線后，橫向位置特征w′=w/wl定義為w和車道寬度wl的比值，表征車輛當前所處的橫向位置。

圖11 只有本車時的車-路方位示意Fig. 11 Diagram of the vehicle-road condition with one vehicle

時間特征定義為抵達所偏向的車道線時車輛所需的時間，即撞線時間t。t的獲取方法如下：車輛偏離車道時，行駛軌跡將與偏向的車道線相交。故將式(2)代入式(3)，對時間t積分后，得出行駛軌跡關于時間t的參數方程，最后與式(1)聯立求解。即可獲取撞線時間t。

由圖11可知：在同一段道路上，設在時刻1，時刻2和時刻3時，車輛的撞線時間分別為t1，t2和t3，與車道線的橫向距離分別為w1，w2和w3。若t1=t2，當w2

由位置特征w′的定義可知其取值范圍為[0,1]。出于安全考慮，預留給駕駛員的反應時間[14]設為1.0 s，設定的預警時間Tw=2.5 s，限定撞線時間t的取值范圍為[1,2.5]。

2.2 外流場中縱、橫向流速特征

當路面還有其他車輛時，除了w′和t兩項特征外，還需分析車-車工況的安全特征。如圖12，灰色線封閉曲線為側前方的車輛2外流場的流速分布等值線。在車輛1的隨體坐標系X0Y中軌跡線上A點坐標為(XA,YA)，車輛2的位置為(h,k)。

根據兩車的相對車速獲取車輛2的外流場。基本假設為車輛2外流場分布區即為車輛1的行駛安全域。實際行車中，若車輛1與車輛2的相對車距減小，更易發生相碰，此時需更早預警，所以車輛2的行駛安全域即外流場分布區應更大；反之，則需推遲預警，車輛2的外流場分布區應更小。因此，檢索出的外流場分布范圍應采用相對車距，即相對車速的變化而自適應地增大或減小。為此，筆者提出相對車速u′的計算方法，如式(4)：

(4)

式中：uf和ur分別為前車速度和后車速度。對外流場的數據庫進行檢索時，利用式(4)的相對車速即可檢索出的范圍大小符合以上安全要求的外流場分布。

通過坐標變換，獲取車輛1的隨體坐標系中各點在車輛2隨體坐標中的對應坐標。利用坐標變換式(5)，獲取點A在車輛2的隨體坐標系x0y中的坐標(xA,yA)。從預存的流場分布矩陣中檢索出點A處的流速u=(ux,uy)，同理獲取軌跡線上其他各點(X,Y)的流速(ux,uy)。

(5)

再根據流場中某點的縱、橫流速，具體分析車輛行至該點時所處的安全狀態。設在點A外流場邊界上，該點處的縱、橫流速分別為4 m/s和-1.5 m/s。當車輛1經過時間t′到達A點時，就橫向位置w′和撞線時間t而言，車輛偏離程度不嚴重，但此時車輛1已進入車輛2的氣流影響區。在圖8中查找縱、橫流速分別為4 m/s和-1.5 m/s的節點位置為(32,1.5)，該點離車輛2的縱向距離為5.5 m，橫向距離為0.75 m。兩車距離已很小，比較危險。若仍沿著當前的軌跡行駛，軌跡線上后續各點的流速梯度將急劇增大，兩車急速靠近，危險性增大。故在車-車工況下，外流場的縱、橫向流速uX和uY兩項特征可表征車輛的行駛安全狀態。由于行駛軌跡可能會穿越前車的流場分布區，故選取軌跡線上各點的縱、橫向流速最大值uX=max(ux)和uY=max(uy)作為兩車距離的間接特征。

圖12 兩車的車-車方位示意Fig. 12 Diagram of the vehicle-vehicle condition with two vehicles

在流場影響區內，當某點的縱向流速uX大于5 m/s時，由圖8可知該點離車身太近，留給駕駛員做出避讓的時間很短，預警已晚。故限定uX的取值范圍為[-1,5]；同理，限定uY的取值范圍為[-2,2]。

當提取的w′、t、uX和uY超出以上取值區間時，取各自較近的閾限值。再將這4項特征組建為車輛行駛安全狀態的特征向量ξ=(w′,t,uX,uY)。

3 行駛車輛安全狀態的識別

根據狀態向量ξ的取值，辨識出車輛當前的行駛安全狀態。解決這類多特征的模式識別問題，常用的方法有模糊模式識別[15]和基于神經網絡的模式識別[16]。安全預警系統的實時性要求較高，故筆者選用結構更簡單，速度更快的概率神經網絡(probabilistic neural network, PNN)進行模式識別。

3.1 樣本數據的歸一化

利用文獻[17]中設計的車載視覺系統獲取行駛車輛的橫向位置w′和撞線時間t。從檢索的外流場中提取當前軌跡線上的縱、橫向流速特征uX和uY，組建為特征向量ξ。隨機抽取30個時刻的采樣點，其數值見表3。

對30個采樣點的原始數據進行預處理。常見的神經網絡應用中，往往固定訓練樣本，并指定網絡的目標輸出，再對網絡進行訓練。但在輔助駕駛的應用中，很難在訓練前就采集到各種工況下的樣本。神經網絡應具備根據實時的采樣自學習、自訓練和自更新的能力。因此需給予PNN網絡依據分類閾值自行確定訓練樣本的目標輸出的能力。但狀態向量的4項狀態特征的最佳取值分布方向不一致，不便于計算和類別的劃分。為此構造了一組如式(6)的壓縮變換算子。通過式(6)使特征向量ξ各個特征的取值在區間[0,1]之內，并使各特征的取值呈現出方向的一致性，即數值越大，在各維度上行駛車輛的風險也越大。

(6)

對原始數據經過以上的處理后，形成PNN網絡的訓練和待識別樣本X=(x1,x2,x3,x4)。取前20個數據樣本P=X1～20作為訓練樣本，對PNN網絡進行訓練，后10個數據樣本作為測試樣本集p=X21～30。然后，在MATLAB中采用mapminmax函數對樣本X的數據矩陣歸一化。

表3 隨機抽取30個采樣點的特征數據Table 3 Feature data of 30 samples selected randomly

3.2 神經網絡主要參數的確定

在MATLAB的PNN神經網絡工具箱中，其主要參數為擴散速度spread和目標輸出T。對這兩項參數的確定方法如下：

1)通過程序的自循環確定網絡的擴散速度spread取值。通過spread=1/i(i=1,2,…,10)的循環取值和對比，發現spread=0.6時， PNN網絡對20個訓練樣本和10個待識別樣本的計算速度最快，因此最終PNN網絡的擴散速度設定為0.6。

2)在確定網絡的目標輸出T之前，需分析在車輛行駛安全狀態中4項特征各自所占的權重。當車輛的位置特征w′變化時車仍在本車道內，而撞線時間t預示車將闖入其他車道或偏出道路，所以后者的危險性更大。橫向流速uX和縱向流速uY分別表征縱、橫向的車間距離，常用車速下縱向附著大于橫向附著，且軸距大于輪距，就碰撞的后果而言，橫向更危險。當w′和t的值偏小時，潛在后果是違章，而當uX和uY的值偏小時，潛在后果是相撞。故就危險性而言，應為橫向流速uX和縱向流速uY的取值分配更大的權重。故樣本X的4項特征所占有的權值分配設為向量G=[0.10,0.25,0.30,0.35]。

3)算法根據4項特征的權重G自行確定PNN網絡對20個訓練樣本的目標輸出T。依據權重G，將4項特征融合成一個評估車輛行駛安全狀態的綜合指標D=GXT，其值越大，車輛當前的綜合行駛狀態越危險。D的取值區間為[0,1]，以0.25為間隔，將車輛的行駛狀態均分為4個級別：非常危險，比較危險，比較安全和非常安全。為了便于計算，將這4個級別依次寫成向量的形式：[1,0,0,0]、[0,1,0,0]、[0,0,1,0]和[0,0,0,1]。計算所得的20個訓練樣本P所對應的目標輸出T為：

3.3 測試樣本的識別結果

利用訓練樣本P和目標輸出T對構建的PNN網絡進行訓練，并對測試樣本p的安全狀態進行辨識，其結果見表4。識別結果顯示：6號樣本所屬的安全狀態為比較安全，該判別不合理。因為6號樣本的撞線時間約為0.83 s，駕駛員平均反應時間約1 s，已沒有足夠的時間做出避讓操作，發生危險的可能性較大，理應歸為比較危險。其他9個測試樣本的結果均比較合理，因此測試樣本p的識別正確率為90%。這表明該網絡對車輛行駛安全狀態的識別效果比較滿意。

導致最終6號樣本的識別出現偏差的原因除了網絡的訓練樣本較少外，更可能是特征提取中的累積誤差。如車載視覺探測系統精度不高、外流場的CFD數值計算量大和實際工況多、待檢索的外流場數據庫精細程度不夠等。這些不足有望在車聯網技術普及中得以解決。車聯網技術的計算能力和大數據優勢，可使車載終端只需提供本車的位置及路面影像，圖像及CFD計算及數據共享任務則由云端的數據控制中心完成。這將使待檢索的外流場數據庫所囊括的工況更豐富，車速和車距的離散化更精細，從而使各個車輛接收的車道線、周邊車輛的方位及其外流場分布等信息更快、更精準。

4 結 論

提出了一種基于CFD的車輛行駛安全狀態識別方法。在車道線和外流場分布所圍成的安全域中，為獲取車輛的位置、撞線時間、行駛軌跡上縱、橫向的最大流速等4項行駛安全狀態特征，分別進行了車道線的擬合和車輛行駛軌跡的預測，并提出以CFD離線計算、在線檢索的方法提取典型工況下行駛車輛外流場的分布。最后利用PNN神經網絡對這4項特征的模式識別獲得了90%的正確率，即對車輛行駛安全狀態的識別效果良好。從而在理論上初步驗證了該方法在綜合交通路況下的可行性。這為輔助駕駛系統的研究提供了一種新思路。

然而本研究仍存在待改進之處。當前4項狀態指標的選取是基于假設和推理，還需更可靠的實驗依據。此外，輔助駕駛的實時性要求非常高，盡管筆者提出的流場數據庫和計算方式均為離線獲取，且對模式識別的樣本采取限量和自訓練、自更新的策略以減少計算耗時，但這種策略犧牲了準確性要求。有待車聯網技術來化解這一矛盾。