基于碰撞行為預(yù)測(cè)的智能網(wǎng)聯(lián)汽車狀態(tài)控制的研究

陳欣宇 李沁穎

摘要：智能網(wǎng)聯(lián)汽車狀態(tài)控制是網(wǎng)聯(lián)汽車自動(dòng)化駕駛的關(guān)鍵技術(shù)，目前受到了廣泛的關(guān)注，但存在無(wú)法準(zhǔn)確預(yù)測(cè)汽車碰撞行為以及無(wú)法對(duì)網(wǎng)聯(lián)汽車狀態(tài)進(jìn)行控制的研究難點(diǎn)。針對(duì)上述問(wèn)題，本文結(jié)合大數(shù)據(jù)技術(shù)、碰撞行為預(yù)測(cè)、智能網(wǎng)聯(lián)汽車的狀態(tài)控制，以實(shí)現(xiàn)車輛的安全駕駛。構(gòu)建萬(wàn)車事故率、夜間事故比例、人為因素事故三維路面危險(xiǎn)程度分析模型對(duì)智能網(wǎng)聯(lián)汽車的碰撞行為進(jìn)行危險(xiǎn)程度劃分。同時(shí)，通過(guò)車輛傳感器獲取車輛當(dāng)前駕駛狀態(tài)信息并結(jié)合危險(xiǎn)程度劃分結(jié)果，應(yīng)用蒙特卡洛模型分析車輛實(shí)際行駛過(guò)程中的碰撞風(fēng)險(xiǎn)率，根據(jù)風(fēng)險(xiǎn)值及危險(xiǎn)程度對(duì)當(dāng)前車輛做控制決策，從而有效地降低交通事故發(fā)生率，提高車輛駕駛的安全性和有效性。

關(guān)鍵詞：智能網(wǎng)聯(lián)汽車;碰撞行為預(yù)測(cè);狀態(tài)控制

中圖分類號(hào)：TP311 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）35-0077-03

Research on Intelligent Networked Vehicle State Control based on Collision Behavior Prediction

CHEN Xin-yu， LI Qin-ying

（ Jiangxi University of Technology ，Nanchang 330200，China）

Abstract：The state control of intelligent connected vehicle is the key technology for the automatic driving of connected vehicle， which has received extensive attention at present， but there are some difficulties in the research， such as the inability to accurately predict the collision behavior and the inability to control the state of connected vehicle. Aiming at the above problems， this paper combines big data technology， collision behavior prediction and state control of intelligent networked cars to realize safe driving of vehicles. A three-dimension road hazard analysis model， including the accident rate of 10，000 vehicles， the proportion of accidents at night and the human factors， was constructed to divide the collision behaviors of intelligent connected vehicles into hazard degrees. At the same time， through the vehicle sensors vehicle state information and combining with the current driving dangerous levels as a result， the application of monte carlo model analysis in the process of vehicle real driving collision risk， according to the risk value and the danger degree to the current vehicle control decisions， effectively reduce the incidence of traffic accidents， improve the driving safety and effectiveness.

Key words： intelligent network vehicle; collision behavior prediction; state control

1引言

隨著“互聯(lián)網(wǎng)+”時(shí)代的到來(lái)，物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算等新一代信息技術(shù)迅速成長(zhǎng)，汽車的智能化，車聯(lián)網(wǎng)的構(gòu)建、智能道路交通系統(tǒng)的形成和智慧城市的建設(shè)是人民日益增長(zhǎng)的美好生活需要的迫切要求。文獻(xiàn)[1]指出要推動(dòng)智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)的發(fā)展，就要符合中國(guó)國(guó)民的需求，同時(shí)要在關(guān)鍵技術(shù)、車輛安全等方面進(jìn)行突破。文獻(xiàn)[2]提出隨著智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)的發(fā)展，人為因素是導(dǎo)致交通事故發(fā)生的重要原因之一。文獻(xiàn)[3]則提出道路交通事故率也是交通事故發(fā)生的重要因素。因此，文獻(xiàn)[4]指出智能網(wǎng)聯(lián)汽車技術(shù)和車輛風(fēng)險(xiǎn)碰撞受到了廣泛的關(guān)注。碰撞行為預(yù)測(cè)作為智能網(wǎng)聯(lián)汽車狀態(tài)控制的未來(lái)發(fā)展趨勢(shì)，起著不可或缺的作用，文獻(xiàn)[5]提出傳統(tǒng)車輛的碰撞行為預(yù)警只能預(yù)警是否會(huì)發(fā)生碰撞，而無(wú)法判別即將發(fā)生碰撞的嚴(yán)重程度，并且也無(wú)法提前提醒駕駛員去做出反應(yīng)。本文利用大數(shù)據(jù)等技術(shù)構(gòu)建三維路面危險(xiǎn)程度分析模型，同時(shí)應(yīng)用蒙特卡洛模型分析車輛實(shí)際行駛過(guò)程中的碰撞風(fēng)險(xiǎn)，根據(jù)風(fēng)險(xiǎn)值及危險(xiǎn)程度對(duì)當(dāng)前車輛狀態(tài)做出控制決策。

2智能網(wǎng)聯(lián)汽車危險(xiǎn)碰撞分析模型

2.1智能網(wǎng)聯(lián)汽車碰撞行為

碰撞行為是指兩個(gè)或多個(gè)物體發(fā)生相對(duì)運(yùn)動(dòng)時(shí)，它們的運(yùn)動(dòng)狀態(tài)在極短時(shí)間內(nèi)發(fā)生了顯著變化的行為過(guò)程。汽車在高速行駛的過(guò)程中，由于駕駛員反應(yīng)不及時(shí)、周圍環(huán)境變化、路況突變等各種原因，使得車輛的運(yùn)動(dòng)狀態(tài)發(fā)生改變，從而導(dǎo)致碰撞行為的產(chǎn)生[6]。碰撞行為產(chǎn)生的原因有三種：一是由于汽車行進(jìn)的路段是事故常發(fā)生路段;其次是汽車行駛的時(shí)間范圍;最后則是由于駕駛?cè)藢?duì)危險(xiǎn)作出反應(yīng)不及時(shí)。為了綜合考慮這三類使得汽車產(chǎn)生碰撞行為的原因，本文通過(guò)車輛傳感器來(lái)獲取車輛當(dāng)前駕駛狀態(tài)信息以及事故路段信息。

2.2獲取事故路段信息

信息感知是智能網(wǎng)聯(lián)汽車的關(guān)鍵，要真正實(shí)現(xiàn)無(wú)人駕駛的目標(biāo)，就要對(duì)車輛的狀態(tài)參數(shù)和周圍環(huán)境有一個(gè)非常清晰的控制，而信息的獲取也依賴先進(jìn)的傳感器。車載電腦通過(guò)接收傳感器獲取的車輛周圍的路段信息以及駕駛狀態(tài)信息，連接互聯(lián)網(wǎng)從云服務(wù)臺(tái)獲取大量萬(wàn)車公里事故率、夜間事故率及人為原因事故比例等相關(guān)信息，同時(shí)利用大數(shù)據(jù)技術(shù)對(duì)數(shù)據(jù)進(jìn)行清理和處理，并存入磁盤中以方便瞬時(shí)調(diào)用數(shù)據(jù)檢測(cè)，為發(fā)明提供建立模型分析路段危險(xiǎn)程度的資料做好前期工作。圖1為獲取事故路段信息的基本流程圖。

2.3建立危險(xiǎn)程度分析模型

2.3.1模型危險(xiǎn)參數(shù)的確定

碰撞危險(xiǎn)度是碰撞危險(xiǎn)的一種定量化反映[7]。通過(guò)安裝在車上的傳感器，來(lái)獲取車輛行駛中速度、加速度等車輛屬性，并將這些屬性對(duì)于碰撞風(fēng)險(xiǎn)的危險(xiǎn)程度進(jìn)行數(shù)據(jù)融合，同時(shí)建立蒙特卡羅模型定性分析車速，加速度等因素對(duì)于碰撞風(fēng)險(xiǎn)的危險(xiǎn)程度，最后將對(duì)車輛碰撞風(fēng)險(xiǎn)程度的相關(guān)計(jì)算輸入到車載電腦，圖2是危險(xiǎn)程度分析模型圖。

2.3.2模型危險(xiǎn)程度的計(jì)算方法

綜合考慮如圖3的各影響因素，為計(jì)算方便，對(duì)各影響因素進(jìn)行歸一化：

（1）

其中，R為各因素歸一化的結(jié)果;x為各因素的取值。同時(shí)，由上述歸一化處理結(jié)果建立以下危險(xiǎn)度計(jì)算公式：

由于本文研究的危險(xiǎn)度計(jì)算是由多個(gè)相互關(guān)聯(lián)、相互制約的因素組成，且影響因素的比重難以量化。為了解決這一問(wèn)題，本研究采用層次分析法（AHP）計(jì)算權(quán)重，具體方法如下：

設(shè)R1為萬(wàn)車公里事故率歸一結(jié)果;R2為夜間事故比例歸一結(jié)果;R3為人為原因?qū)е率鹿时壤龤w一結(jié)果;Cmn為任意兩個(gè)因素Rm和Rn影響程度比的標(biāo)度值;A為比較矩陣。

1）根據(jù)各因素的相對(duì)重要性，進(jìn)行兩兩比較，經(jīng)比較R12比R2的影響稍強(qiáng)，C12取3;R1比R3的影響強(qiáng)，C13取5;R2比R3的影響介于影響稍強(qiáng)和強(qiáng)之間，C23取4;Cnm取Cmn的倒數(shù)，可得成對(duì)比較矩陣A：

[A=R1R2R3R1135R21314R315141] ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

2）采用“和法”計(jì)算各因素權(quán)重，計(jì)算得到權(quán)向量w為：

（3）

3）對(duì)矩陣A進(jìn)行一致性檢驗(yàn)。首先計(jì)算出矩陣A的最大特征值λmax以及一致性指標(biāo)CI值，然后將CI值除以平均一致性指標(biāo)RI，得到CR值，如果CR值小于0.1，則矩陣一致性檢驗(yàn)合格?？筛鶕?jù)下式計(jì)算CI值：

（4）

根據(jù)矩陣A，可得λmax=4.11，n=4，R1=0.9，易算出

因?yàn)镃R小于0.1，所以可以將矩陣W作為各因素的權(quán)向量。由上述權(quán)值的計(jì)算結(jié)果可得危險(xiǎn)度計(jì)算公式為：

[f=0.58R+0.31R2=0.11R3] ? ? ? ? ? ? ? ? ? ? ? ?（5）

f表示危險(xiǎn)度;R1，R2，R3表示各因素歸一化結(jié)果。將上述建模方法及相關(guān)公式所得出計(jì)算結(jié)果導(dǎo)入車載電腦中。

3 智能網(wǎng)聯(lián)汽行為預(yù)測(cè)

3.1數(shù)據(jù)處理

利用交通信息中心TIC計(jì)算路側(cè)單元RSU所轄通信區(qū)域內(nèi)車道上任意兩車Ti、Tj;之間的碰撞概率p= f（Ti，Tj）;并設(shè)定：絕對(duì)安全距離（Sa）;前方車輛突然制動(dòng)時(shí)，即速度瞬時(shí)為零，保證后方車輛不與之發(fā)生碰撞的安全距離;相對(duì)安全距離（Sr）：前方車輛遇到危險(xiǎn)情況減速，后車隨之減速，保證后方車輛不與之發(fā)生碰撞的安全距離;因此，車輛碰撞風(fēng)險(xiǎn)為：

[p=number（Sr<dist<Sa）/number] ? ? ? ? ? ? ? ? ?（6）

式中：number（Sr<dist<Sa）表示二維平面上車間安全距離dist落于絕對(duì)安全距離Sa和相對(duì)安全距離Sr的次數(shù)，number為總次數(shù)。同時(shí)采用蒙特卡洛模擬的方法對(duì)上述p進(jìn)行求解：

[Pi，j=f（Ti，Tj）={0dist>SaCLSr≤dist≤Sa1dist<Sr}] ? ? ? ? ? ? ? ? ? ? ? （7）

3.2行為預(yù)測(cè)

針對(duì)危險(xiǎn)程度的分析以及綜合考慮（2.2）影響因素，為計(jì)算方便，借用LEC安全評(píng)估法的思想，本文確定風(fēng)險(xiǎn)程度為D ，[D=f*Pia]，其中：f是路線危險(xiǎn)程度，Pia是車輛碰撞風(fēng)險(xiǎn)程度。

由計(jì)算結(jié)果可知，D值越大，則說(shuō)明風(fēng)險(xiǎn)程度越大，其基于概率分布在0-1之間，本文對(duì)風(fēng)險(xiǎn)程度進(jìn)行分級(jí)，0～0.04：可接受的風(fēng)險(xiǎn);0.04～0.16：可能的風(fēng)險(xiǎn);0.16～0.36：中等風(fēng)險(xiǎn);0.36～0.64：高風(fēng)險(xiǎn);0.64～1：極高的風(fēng)險(xiǎn)。但值得注意的是，LEC風(fēng)險(xiǎn)評(píng)價(jià)法對(duì)危險(xiǎn)等級(jí)的劃分，一定程度上憑經(jīng)驗(yàn)判斷，根據(jù)實(shí)際情況予以修改。

3.3智能網(wǎng)聯(lián)汽車狀態(tài)控制

當(dāng)汽車碰撞風(fēng)險(xiǎn)處于不同的風(fēng)險(xiǎn)程度時(shí)，車載電腦可以根據(jù)實(shí)時(shí)的智能網(wǎng)聯(lián)汽車行為預(yù)測(cè)提出相應(yīng)的警示，而對(duì)于不同程度的危險(xiǎn)，車載電腦也會(huì)給出不同的應(yīng)對(duì)策略。在可接受的風(fēng)險(xiǎn)范圍內(nèi)，由車載電腦根據(jù)智能網(wǎng)聯(lián)汽車的碰撞行為預(yù)測(cè)自動(dòng)對(duì)其狀態(tài)進(jìn)行控制;相反，在超出可接受風(fēng)險(xiǎn)范圍時(shí)，車載電腦發(fā)出警報(bào)提示并對(duì)汽車的四輪轉(zhuǎn)角進(jìn)行全方位的嚴(yán)密監(jiān)控，同時(shí)通過(guò)對(duì)汽車碰撞行為的實(shí)時(shí)預(yù)測(cè)，不斷對(duì)汽車的四輪轉(zhuǎn)角進(jìn)行操控以達(dá)到對(duì)汽車狀態(tài)的控制。

4小結(jié)

在大數(shù)據(jù)技術(shù)背景下，將碰撞行為預(yù)測(cè)、智能網(wǎng)聯(lián)汽車狀態(tài)控制結(jié)合起來(lái)，以實(shí)現(xiàn)車輛的安全駕駛，從云服務(wù)器中獲取大量萬(wàn)車公里事故率、夜間事故率及人為原因事故比例等相關(guān)信息構(gòu)建路面危險(xiǎn)程度分析模型，通過(guò)車輛傳感器獲取車輛當(dāng)前駕駛狀態(tài)信息，存入磁盤中進(jìn)行瞬時(shí)數(shù)據(jù)檢測(cè)，并應(yīng)用蒙特卡洛模型分析車輛實(shí)際行駛過(guò)程中的碰撞風(fēng)險(xiǎn)率，提前對(duì)汽車的行為進(jìn)行預(yù)測(cè)，同時(shí)根據(jù)危險(xiǎn)度標(biāo)準(zhǔn)對(duì)智能網(wǎng)聯(lián)汽車的狀態(tài)進(jìn)行控制，進(jìn)而有效降低交通事故的發(fā)生率，并減少人員傷亡及財(cái)產(chǎn)損失。

參考文獻(xiàn)：

[1] 黎宇科，劉宇.國(guó)外智能網(wǎng)聯(lián)汽車發(fā)展現(xiàn)狀及啟示[J].汽車工業(yè)研究，2016（10）：30-36.

[2] 孔令錚.交通事故致因中的人為因素分析[J].中國(guó)安全科學(xué)學(xué)報(bào)，2013，23（1）：28-34.

[3] 鐘茂華，劉鐵民，韋星，等.中國(guó)道路交通事故初步統(tǒng)計(jì)分析[C].中國(guó)國(guó)際安全生產(chǎn)論壇，2002.

[4] 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(shì)[J].汽車安全與節(jié)能學(xué)報(bào)，2017，8（1）：1-14.

[5] 郭道一.基于深度學(xué)習(xí)和仿真的汽車碰撞損傷預(yù)測(cè)方法[D].大連：大連理工大學(xué)，2019.

[6] 鄧婕.淺談汽車碰撞過(guò)程分析及安全設(shè)計(jì)要點(diǎn)[J].中國(guó)戰(zhàn)略新興產(chǎn)業(yè)，2018（44）：233.

[7] 陳天德，黃炎焱，張永亮.基于碰撞危險(xiǎn)度的無(wú)陷阱動(dòng)態(tài)航路規(guī)劃[J].系統(tǒng)工程與電子技術(shù)，2019，41（11）：2496-2506.

【通聯(lián)編輯：李雅琪】