乘用车车道防侧滑超载报警系统的设计

乘用车车道防侧滑超载报警系统的设计

0安全车速计算式如果你开车行驶于曲线，驾驶员对道路情况不熟悉或注意力集中，汽车行驶的风险通常是非常高的。因为速度过高。为此,世界各大汽车厂商以及相关科研机构均开展了弯道超速报警系统的研究。例如,欧洲PreVent项目利用GPS接收机确定车辆的当前位置,继而通过专门开发的高精度车载GIS系统获取车辆前方的道路参数,提醒驾驶员提前减速。马自达汽车公司则通过车载传感器获取道路湿度以及温度等信息,据此对道路附着系数进行估计,进而通过离心力平衡方程式推导车辆通过弯道时的最大安全车速,并对驾驶员发出警告,但其以道路极限附着系数推导弯道最大安全车速,而实际上大部分驾驶员都不希望车辆处于侧滑或者纵向滑移的临界状态,因此该系统不易被驾驶员所接受。为弥补上述不足,通用汽车公司在弯道安全车速计算式中引入驾驶员影响因子,但其仅是利用车辆的当前运动状态进行安全状态判断,未考虑驾驶员在发生危险前总是提前一定的时间对车辆进行控制这一特性。针对上述问题,本文对乘用车弯道防侧滑超速报警系统的总体方案进行设计,基于多传感器信息融合技术对车辆前方道路曲率进行估计,结合道路曲率、驾驶员特性及车辆动力学性能等参数计算弯道最大安全车速,基于驾驶员预估时间构造风险状态预估函数提前对车辆进入弯道时的安全状态进行判断,进而对驾驶员进行分级报警提示,使得驾驶员能够按照自身的驾驶习惯提前对车辆进行操作,保证车辆通过弯道时的安全性与舒适性。1安全车速计算模块本文所设计的乘用车弯道防侧滑超速报警系统结构如图1所示,其主要包括道路曲率识别、安全车速计算、安全状态判断以及人机交互界面4个部分。道路曲率识别模块为安全车速计算模块实时提供车辆前方道路的曲率信息;安全车速计算模块结合道路曲率、驾驶员特性等信息计算车辆能够安全且舒适通过前方道路的最大车速;安全状态判断模块则结合车辆当前的运动状态判断车辆当前的安全状态,并分级别向人机交互界面发出报警信息;人机交互界面则向驾驶员发出报警提示并接收驾驶员的相关输入设置。系统控制逻辑如图2所示。系统向驾驶员提示车辆处于危险状态后,若驾驶员及时释放加速踏板或踩下制动踏板,系统即自动解除报警状态。2关键关键技术由图1、图2可知,弯道防侧滑超速报警系统所涉及的关键技术主要包括车辆前方道路曲率信息获取、最大安全车速的确定、以及安全状态判断等,本文对这几部分内容进行分别研究。2.1道路线型参数最优估计模型国外汽车厂商一般利用车载GPS系统及高精度GIS系统获取道路离散点坐标,进而计算道路曲率。但国内GIS系统精度一般相对较低,且GPS系统受各类随机误差的影响较大。为提高道路曲率识别的精度,本文在利用车载GPS/GIS系统输出的道路坐标的基础上,结合道路曲率模型以及车辆横摆角速度等动力学参数,采用基于卡尔曼滤波器的多传感器信息融合技术对车辆前方的道路曲率进行估计。现有的道路曲率模型有单回旋曲线模型,双回旋曲线模型,多回旋曲线模型等几种。其中,单回旋线模型结构简单,实际使用过程中实时性较高,且在自车前方短距离(约100m)范围内,其精度已满足使用要求,因此得到广泛采用。单回旋线模型表达式:c(x)=c0+c1x,(1)式中,x为道路曲线坐标系(非笛卡尔坐标系)的纵坐标,代表自车前方道路上的点离自车的曲线距离,如图3所示;c0为自车所在点的道路曲率;c1为道路曲率的变化系数。车辆动坐标系XOY(笛卡尔坐标系)也一同示于图3中。在道路曲率较小且离自车较近距离内,可认为x≈X,因此依据式(1)可得在道路曲线坐标系中,前方道路中的点离自车的横向距离为:y=c0x22+c1x36。(2)根据以上道路曲率模型,引入基于卡尔曼滤波器的多传感器信息融合技术对车辆前方的道路曲率进行估计。对式(1)进行离散化可得:c0(k+1)=c0(k)+c1(k)v(k)Ts,(3)式中,v为自车速度;Ts为采样时间。在直道和弯道的过渡点,系数c1的变化率为一个脉冲,而由于测量噪声的存在,该过渡点的确切位置很难确定,因此认为c1的变化率类似于白噪声。依据以上分析,结合式(2)及式(3)可得系统的离散状态方程和测量方程为:Xk+1=AkXk+Wk,(4)Yk=HkXk+Nk,(5)式中,Xk=[c0,kc1,k]T;Ak=[1v(k)Τs01];Wk=[v(k)Tsw(k)w(k)]T;Yk=[cl(k)y1?…?yN]T;Ηk=[1x21/2⋯x2Ν/2x1x31/6⋯x3Ν/6]Τ;Nk=[nc?n1?…?nN]T;Wk为过程噪声矩阵;Nk为测量噪声矩阵;w(k)为零均值白噪声序列;cl(k)为利用车辆横向动力学参数计算得出的道路曲率;(x1,y1)为车辆当前位置,且由图3可知(x1,y2)=(0,0),(x2,y2)…(xN,yN)为利用GPS/GIS系统获取的自车前方一定距离内(约100m)的道路上的N-1个点。利用车辆横向动力学参数计算cl(k)时,采用二自由度车辆模型,并假设车辆在转向时做匀速圆周运动,忽略轮胎的侧偏特性,那么cl(k)计算表达式如下:cl(k)=ωr(k)/v(k),(6)式中,ωr为横摆角速度。基于卡尔曼滤波器的道路线型参数最优估计表达式如下:∧Xk=∧X-k+Κk(Yk-Ηk∧X-k),(7)式中,∧Xk为XK的最优估计;∧X-k为Xk的先验状态估计;Kk为卡尔曼增益矩阵;Yk为现时观测变量。系统递推过程如下:∧X-k=Ak∧Xk-1,(8)P-k=AkPk-1ATk+Qk,(9)Kk=P-kHTk(HkP-kHTk+Rk)-1,(10)Pk=(I-KkHk)P-k,(11)式中,Pk为最优估计误差协方差矩阵;P-k为先验估计误差协方差矩阵;Qk为过程噪声协方差矩阵;Rk为测量噪声协方差矩阵。给定初始状态向量X0=[0m-10m-2];初始最优估计误差协方差矩阵Ρ0=[10-6m-20010-10m-4];假设w(k)的方差为σ21,则根据过程噪声矩阵Wk的表达式可得:Qk=[(v(k)Τs)2σ21v(k)Τsσ21v(k)Τsσ21σ21]。(12)本文取σ21=10-12m-4。根据测量噪声矩阵Nk的表达式可得:Rk=k-1kRk-1+1kdiag[Νk(1)2,Νk(2)2,⋯,Νk(Ν+1)2]。(13)本文取R0=zeros(N+1)。利用上述基于卡尔曼滤波器的多传感器信息融合算法进行实车道路试验,建立试验平台如图4所示。该试验平台利用一个工控机对试验数据进行实时采集及处理,同时为了试验之后能够离线对道路曲率识别结果进行准确性估计,该试验平台还利用一个摄像机对试验道路进行实时记录。试验结果如图5所示。从图5中可看出,融合算法得出的道路线形比单纯用GIS坐标得出的道路线形平滑许多,这与实际道路线型相符。2.2扩大车辆速度的横向坡度车辆途径弯道时,受到路面的力可分为纵向力Fx和横向力Fy两部分。将车辆简化为单质量系统,则车辆行驶过程中所能受到的最大地面附着力为:Fmax=μmaxmg=√F2x+F2y,(14)式中,μmax为地面最大附着系数,可利用文献介绍的观测算法获取。忽略滚动阻力、空气阻力和坡度阻力的影响,纵向力可表示如下:Fx=m·dv/dt。(15)忽略道路横向坡度的影响,横向力计算式为:Fy=m|c|v2,(16)式中,c为道路曲率。因为所设计的弯道防侧滑超速预警系统主要应用对象为轿车,不考虑侧翻的情形,因此当式(16)所表达的离心力等于最大地面附着力时,认为车辆速度已达到临界值,此时:vc=√μmaxg/|c|且dv/dt=0。(17)式(17)为传统的弯道最大安全车速的计算方法,但其存在几个问题:(1)当车辆以由式(17)计算出的速度vc在弯道中行驶时,车辆只要稍微加速或减速,即dv/dt≠0,则Fx≠0,由式(14)可知,此时路面所能提供的横向附着力必不足以和车辆此时所受的离心力平衡,从而车辆将发生侧滑危险;(2)未将驾驶员特性考虑在内,大部分驾驶员都不希望车辆处于侧滑或者纵向滑移的临界状态;(3)未考虑车辆参数和路面条件的影响。为弥补上述不足,将式(17)所示算法进行改进,具体表达式如下:vc-comfort=ΚvΚd√Ay⋅μmaxg/|c|,(18)式中,Kv的取值与车辆质心高度、轮胎特性、车辆质量、道路宽度以及道路路面条件等参数有关;Kd的取值与驾驶员的年龄、视力、舒适性要求级别以及驾驶风格有关,KvKd一般取0.6～0.9;Ay主要用于提高安全系数,可取为Ay=0.3。2.3危险事件概率p的计算为判断即将进入弯道或正处于弯道中的车辆的行车安全状态,引入风险状态预估函数R,其表达式如下:R=n∑i=1Ρi×Gi,(19)式中,n为危险事件的数量。在本文弯道防侧滑超速报警系统所针对的行驶工况中,不考虑车辆的侧翻,危险事件仅为车辆被甩出道路的情形,即n=1,从而安全状态评估函数可表示为:R=P×G,(20)式中,G为危险事件的权重,表示该危险事件发生后所能引起的破坏程度,其取值与车辆被甩出车道时的车速、路面附着条件、路侧障碍物及路侧防护措施等众多因素有关,因此难以做到精确取值。另外,考虑到留出一定的安全余量,因此一律取G=1。P为危险事件发生的概率,其传统计算方法如下:Ρ={v/vc-comfort‚1‚v<vc-comfort‚v≥vc-comfort‚(21)式中,vc-comfort为依据式(18)计算出的车辆前方某一距离处的最大安全车速;v为车辆的当前车速。但用式(21)计算危险事件概率时存在一个问题,即当车辆以加速状态或减速状态途经某一地点时,只要其当时的瞬时速度相同,利用式(21)计算出的P值便相等,但实际情况是后者发生侧滑的概率要小于前者。另外,可能发生危险情况时,驾驶员总是提前一定的时间对车辆进行控制,而不是提前一定的距离,即驾驶员往往对发生危险的时间距比较敏感。因此将车辆的加速度以及驾驶员预估时间Td引入P值的计算式,具体表达如下:Ρ={v(Τd)/vc-comfort(s)‚1‚v(Τd)<vc-comfort(s),v(Τd)≥vc-comfort(s)‚(22)式中,Td为预估时间,可依据驾驶员实际道路试验选取,一般取2～4s;vc-comfort为根据式(18)计算出的车辆前方s处的最大安全车速;v(Td)为根据车辆当前速度和加速度估计出的车辆Td时间后的速度;s为根据当前车速和加速度估计出的车辆Td时间内行驶过的距离,即:{v(Τd)=v+aΤd‚s=vΤd+aΤd2/2。(23)利用式(22)可对车辆在驾驶员预估时间Td后的安全状态进行提前估计,进而提前对驾驶员发出报警提示,这与驾驶员特性相符。风险状态预估值R计算完毕之后,可根据其大小分级别对驾驶员进行报警提示。根据实际道路试验制定报警规则如式(24)所示。{R<0.5,不报警‚0.5≤R<0.9‚初级报警‚R≥0.9,高级报警。(24)3安全载荷测试为验证所设计的弯道防侧滑超速报警系统的有效性,让驾驶员在精力集中的情况下高速驶入一个熟悉的弯道,记录其释放加速踏板时刻、制动时刻、车辆所经道路的GPS坐标、车速、加速度以及横摆角速度等信息。然后将上述所记录的数据应用于所设计的弯道防侧滑超速报警算法,离线验证系统报警时刻与驾驶员实际操作是否相符。在离线校验中,假设驾驶员在精力不集中的情况下仍高速进入弯道。试验结果如图6所示。试验结果整体上可说明所设计弯道防侧滑超速报警系统的报警算法与驾驶员实际操作较为相符。但由于驾驶员的驾驶习惯和特性是非常复杂的,对于个体驾驶员而言,还需要根据驾驶员的实际情况对报警规则的划分阈值作适当的调整。4安全车速确定(1)基