物流車輛行駛狀態檢測與車距預警算法研究

唐榮芳,張曉玲,程榮波

(廣西工業職業技術學院,廣西 南寧 530001)

0 引言

近年來,隨著物流行業的快速發展,物流車輛數量不斷增加,車輛行駛的復雜程度也日益增加。現有物流車輛行駛狀態檢測和車距預警方法主要有2種:傳統方法和基于機器學習的方法。傳統方法主要采用傳感器等硬件設備來進行檢測,存在數據量大、計算量大、魯棒性差等問題[1-2]。基于機器學習的方法具有較強的魯棒性和適應性,但算法復雜、訓練數據量大[3-4]。

針對上述問題,本文提出了一種基于狀態估計和目標識別的物流車輛行駛狀態檢測和車距預警方法。本文首先介紹了物流車輛行駛狀態檢測和車距預警的相關研究并提出了系統框架。其次,本文對狀態估計方法和基于目標識別的車距預警算法進行了細致研究。最后,實驗結果證明了方法的有效性。

1 物流車輛行駛狀態與車距預警系統框架

本研究設計的物流車輛行駛狀態與車距預警系統框架,如圖1所示。傳感器采集層使用了慣性測量單元來實時采集車輛的傳感器數據;狀態估計模塊能根據慣性測量單元的數據采用先進的狀態估計算法對車輛的當前狀態進行估計;測距模塊使用雷達數據對車輛之間的距離進行測量;車輛距離估計部分能結合狀態估計和雷達測距的結果計算與前方車輛或障礙物的距離;在確定車輛與前方障礙物的距離后,距離預警系統使用事先設定的安全距離閾值來評估潛在的碰撞風險。

圖1 預警系統的總體框架

2 行駛狀態估計與車距測量算法研究

2.1 狀態估計方法研究

在使用慣性測量單元測量物流車輛的狀態后,系統采用卡爾曼濾波器[5-6]來綜合評估車輛的狀態,該過程為:

(1)預測步驟。首先,該方法利用狀態方程估計車輛的狀態x(k|k-1)和狀態協方差P(k|k-1),其中k|k-1表示在時刻k-1對時刻k的預測。

x(k|k-1)=A×x(k-1|k-1)+B×u(k)

(1)

P(k|k-1)=A×P(k-1|k-1)×AT+Q

(2)

其中,Q表示過程噪聲的協方差矩陣;A是狀態轉移矩陣;B是控制輸入矩陣;u(k)是控制輸入。

(2)更新步驟。該方法能利用測量方程和測量值來修正狀態估計,并計算更新后的狀態x(k|k)和狀態協方差P(k|k)。

K(k)=P(k|k-1)×HT×(H×P(k|k-1)×HT+R)-1

(3)

x(k|k)=x(k|k-1)+K(k)×(z(k)-H×x(k|k-1))

(4)

P(k|k)=(I-K(k)×H)×P(k|k-1)

(5)

其中,K(k)是卡爾曼增益;R是測量噪聲的協方差矩陣;I是單位矩陣;H是測量矩陣。

2.2 基于雷達測距的車距估計算法

在雷達測距領域,常用的實現距離測量的方法有:最小均方根誤差[7]、匹配濾波法[8]和到達時間法[9]。最小均方根誤差法通過優化估計值與真實值之間的均方根誤差來實現距離測量。該方法在處理噪聲時效果較好。匹配濾波法是一種特定于信號的處理方法。它嘗試將接收到的信號與已知信號進行匹配,以找到最佳匹配點。到達時間法基于信號的傳播時間來測量距離。該方法簡單但對于高精度測量要求和復雜環境下的距離估計可能存在一些限制。綜合來看,本研究采用最小均方根誤差進行車距估計。

假設,有一個車載雷達系統被用于測量車輛到前方目標的距離,設d為真實的車輛與目標之間的距離,z為雷達測量的距離值,則距離估計模型可以表示為:

z=d+n

(6)

其中,n是測量誤差和噪聲,通常假設均值為零的高斯分布,即n～N(0,σ2),σ2表示方差。最小均方根誤差估計的目標是通過最小化均方誤差來估計距離n:

(7)

(8)

其中,E(d)是距離的先驗期望(可以根據歷史數據估計);Cov[d,z]是距離和測量值之間的協方差;Var(z)是測量值的方差。

2.3 車距預警方法

當已經獲得物流車輛的狀態估計信息和前方目標距離估計信息時,系統根據這些信息來判斷是否需要觸發距離預警。該邏輯模型為:

(1)安全距離模型。首先,定義一個安全距離(Safe Distance, SD )。該距離表示車輛在當前速度下需要保持的最小安全距離,可以根據車輛的動態特性和道路條件來確定:

SD=f(v,a,μ)

(9)

其中,v表示車輛速度;a表示車輛加速度;μ表示摩擦系數;f是一個安全距離計算函數。

(2)距離與安全距離比較。該方法對比前方目標與安全距離之間的距離(Distance, D)和速度(Relative Speed, RS)。可以使用以下關系來表達:

D=dtarget-dvehicle

(10)

其中,dtarget表示前方目標與車輛的距離估計;dvehicle表示車輛自身的長度。

(3)距離預警觸發條件。如果D0,則觸發距離預警。其中,RS表示車輛與前方目標的相對速度。

(4)預警觸發概率。為了增加預測的穩定性,本研究使用貝葉斯框架[10]來計算觸發距離預警的概率:

P(Warning)=P(D0|D

(11)

其中,P(D0|D

3 實驗與分析

3.1 實驗方案

本研究使用MATLAB的Simulink構建車輛距離測量的仿真實驗環境,按照以下步驟進行。

步驟一:創建仿真模型。本實驗在Simulink中創建一個新的仿真模型。該模型將用于模擬車輛距離測量。

步驟二:添加模塊。在Simulink模型中,車輛模塊和目標模塊使用“Vehicle Dynamics Blockset”來添加,并設置距離測量模塊和控制邏輯模塊。

步驟三:連接模塊。在Simulink中,各個模塊被連接起來以建立仿真系統的數據流,確保數據正確傳遞和處理以模擬車輛距離測量。

步驟四:設置仿真參數并運行。

3.2 實驗結果與分析

不同車輛距離測量算法以及在不同車輛距離條件下的實驗結果,如表1所示。該結果包含了車輛距離、相對誤差、絕對誤差等數據。

表1 實驗結果數據

表1中,算法A為本文所提方法,算法B為匹配濾波法,算法C為到達時間法。從實驗結果來看,本文所提方法在測量距離方面相對誤差較小,這表明它在準確性方面可能較優。相比之下,到達時間法在50 m和150 m車輛距離條件下的相對誤差較大,可能需要進一步改進。從絕對誤差可以得出,不同算法在不同車輛距離條件下的性能波動較小,絕對誤差為1～5 m。相對誤差用來評估測量的相對準確性,從表1可以看到相對誤差一般為2%～6%。總體來看,本文所提方法在3種距離的情況下都表現出了更好的性能。

4 結語

本研究在物流車輛領域探索了關鍵的駕駛狀態檢測和車輛距離預警問題。通過提出基于IMU的狀態估計框架和針對雷達測距的距離測量算法,本方法能夠有效地獲得車輛狀態和距離信息,為提高道路安全性提供了有力工具。實驗結果表明,不同的車輛距離測量算法在不同條件下表現出不同的性能,證明了文章所提方法的有效性。綜合而言,本研究為物流車輛駕駛狀態檢測和距離預警系統的發展提供了有益的見解和方法。