宋海娜

【摘? 要】駕駛行為建模能判斷車輛行駛過(guò)程中是否出現(xiàn)如緊急制動(dòng)、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(jì)出基于加速度計(jì)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(shí)準(zhǔn)確地分析出車輛在駕駛過(guò)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(dòng)駕駛應(yīng)用中具有很好的實(shí)用價(jià)值。

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

中圖分類號(hào)：TN929.5

文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：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(jì)算機(jī)、微電子、自動(dòng)控制、通信與平臺(tái)、傳感器等核心技術(shù)，它是一個(gè)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(shí)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(duì)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(jì)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(jì)和全姿態(tài)測(cè)量傳感器進(jìn)行車輛自動(dòng)駕駛過(guò)程中的狀態(tài)采集和識(shí)別的方法，研究了幾種關(guān)鍵場(chǎng)景的識(shí)別技術(shù)，如緊急剎車制動(dòng)、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(cè)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(dòng)時(shí)的震動(dòng)等因素會(huì)導(dǎo)致數(shù)據(jù)的波動(dòng)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(cè)量方程分別為[2]：

2.2? 運(yùn)動(dòng)加速度的修正

車輛在水平面上行駛時(shí)，Y軸的加速度輸出表示車輛橫向移動(dòng)加速度，X軸的加速度表示車輛縱向移動(dòng)加速度。當(dāng)車身不在水平面時(shí)，傳感器輸出的X軸和Y軸的加速度值分別表示兩個(gè)軸的重力加速度的分量[3]，但是兩個(gè)軸向加速度值卻不能正確地表示該車輛在兩個(gè)方向上移動(dòng)的加速度。所以需要對(duì)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(dòng)加速度[7]。加速度修正模型如圖1所示：

重力在兩個(gè)軸向的分量依次為：

同時(shí)，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(gè)方向上的加速度，就必須先測(cè)出加速度值，然后減去各個(gè)方向上的的重力分量。當(dāng)車輛運(yùn)動(dòng)時(shí)，測(cè)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(dòng)加速度分別為asx和acy，計(jì)算公式如下[4]：

3? ?駕駛行為分析實(shí)現(xiàn)

3.1? 車輛變速識(shí)別算法

變速識(shí)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(dòng)加速度的定義為：

3.2? 車輛轉(zhuǎn)彎識(shí)別算法

行業(yè)里對(duì)車輛轉(zhuǎn)彎識(shí)別的方法一般分為以下兩種。第一種是測(cè)量車身縱軸的加速度大小（即慣性單元Y軸的加速度大?。鳼軸加速度是轉(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(shí)，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(shí)，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(shí)別車輛轉(zhuǎn)彎狀態(tài)的主要依據(jù)[6-7]。

轉(zhuǎn)彎識(shí)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(yǔ)

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(duì)各種大/中/小型汽車在行駛過(guò)程中進(jìn)行多次數(shù)據(jù)采集，通過(guò)實(shí)車測(cè)試得出各種駕駛行為狀態(tài)下的經(jīng)驗(yàn)加速度閾值，對(duì)各種車型都具有很強(qiáng)的參考價(jià)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(shì)[J]. 汽車安全與節(jié)能學(xué)報(bào)， 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(bào)， 2008，6（6）： 420-423.

[3] 白占元，徐皚冬. 基于MEMS的傾角測(cè)量?jī)x設(shè)計(jì)[C]//儀表自動(dòng)化及先進(jìn)集成技術(shù)大會(huì)， 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(cè)速技術(shù)的混動(dòng)汽車道路制動(dòng)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(shí)別與駕駛行為評(píng)估[D]. 廣州： 華南理工大學(xué)， 2015.