基于灰色預測模型的智能車輛主動避撞方法與流程

本發明屬于車輛主動安全技術領域，具體涉及基于灰色預測模型的智能車輛主動避撞方法。

背景技術：

近年來，交通事故頻繁發生，交通安全問題成為了現代社會的一大公害，而中國是世界上交通事故死亡人數最多的國家之一。據統計，在所有的交通事故中，汽車碰撞事故是主要形式，占交通事故的60％～70％。為了減少交通事故，碰撞避免系統應運而生，它們主要是通過搜集道路上鄰近車輛的信息，判斷是否有不安全行駛的車輛，并提醒司機避免與其碰撞。典型的碰撞避免系統是車輛通過雷達、聲音或視覺傳感器等主動的測量道路信息，這些信息主要包括主車輛與測量車輛之間的相對位置及相對速度信息。將這些相對運動信息與主車輛從移動傳感器獲取的信息相結合，從而可估計出碰撞時間。汽車主動避撞系統能在事故發生前提醒駕駛員注意并能采取干預措施，可以有效減少汽車碰撞事故的發生。

但是基于傳感器的避撞控制系統只能實時監測周圍車輛行駛狀態，并不能有效預測周圍車輛行駛狀態，它的經濟性、精確性、實效性和魯棒性沒有得到很好的保障和控制。

技術實現要素：

為了克服上述現有技術的不足，本發明提供了基于灰色預測模型的智能車輛主動避撞方法。

本發明的技術方案采用以下步驟：

步驟一，避撞控制器中的單片機接收到車輛vi的gps時間序列作為原始序列，表示為

步驟二，計算時間序列的級比λ(k)，并判斷級比λ(k)是否落在可容覆蓋內，若落在可容覆蓋內，則序列可以作為模型gm(1，1)的數據進行灰色預測；否則，需要對序列做變換處理，使其落入可容覆蓋內；

步驟三，對原始序列做1次累加生成累加序列

步驟四，令為累加序列的緊鄰均值序列，表示為

步驟五，對建立微分方程及相應的白化微分方程分別為：令為待估參數向量，將微分方程寫成矩陣形式，由最小二乘法估計u，將帶入白化微分方程得出k+1時刻車輛vi位置的預測值，其中k＝2、···、n，a為發展系數，b為灰色作用量；

步驟六，根據步驟五中k+1時刻車輛vi位置的預測值，周圍車輛進行瞬時速度和瞬時加速度估計，周圍車輛將估算出的速度及采集的gps時間序列發給主車輛，主車輛可以預測周圍車輛及自身下一時刻的位置及速度，從而計算出主車輛與周圍車輛的相對距離l及相對速度v，判斷周圍車輛是否為危險車輛，提醒主車輛司機遠離危險源。

進一步，所述步驟二中計算時間序列的級比λ(k)的公式為

進一步，所述步驟二中的可容覆蓋為

進一步，所述步驟五中微分方程的矩陣形式為

進一步，所述步驟五中由最小二乘法估計u的公式為：其中

進一步，所述步驟五中k+1時刻車輛vi位置的預測值為：

本發明的有益效果為：本發明利用灰色預測模型預測主車輛和周圍車輛未來時刻的位置，以此計算出未來時刻主車輛和周圍車輛的速度和加速度，判斷是否存在碰撞危險車輛，并提醒主車輛司機遠離危險源。本發明所需數據少，短期預測精度較高，實時性好；同時避免了基于傳感器的避撞控制系統的復雜性，提高了精確性和魯棒性。由于減少了傳感器數量，成本降低，提高了經濟性。

附圖說明

圖1為本發明基于灰色預測模型的智能車輛主動避撞方法的結構框圖；

圖2為本發明進行灰色預測的流程圖；

圖3車輛在每個采樣周期內行駛距離示意圖；

圖4為不同避撞方式和不同速度區間與安全時間距ttc值的線性關系圖。

具體實施方式

為使本發明的目的、技術方案以及效果更加清楚、明確，下面將結合附圖及具體實施例對本發明作進一步說明。

灰色預測是對系統行為特征的發展變化規律進行估計預測，同時也可以對行為特征的異常情況發生的時刻進行估計計算，以及對在特定時區內發生事件的未來事件分布情況做出研究的方法。灰色模型是利用離散隨機數經過生產變為隨機性被顯著削弱而且較有規律的生成數，建立起的微分方程形式的模型來描述其變化過程。灰色系統理論的模型有很多種，但灰色預測主要用灰色系統理論中一階單變量gm(1，1)模型。

如圖1、2所示，基于灰色預測模型的智能車輛主動避撞方法，包括步驟：

1)避撞控制器中的單片機接收到車輛vi的gps時間序列作為原始序列，表示為：

其中：i＝1，2，3···n；

2)計算時間序列的級比λ(k)：

如果計算的時間序列的級比λ(k)都落在可容覆蓋內，則原始序列可以作為模型gm(1，1)的數據進行灰色預測；否則，需要對原始序列做變換處理，使其落入可容覆蓋內；取適當的常數c做平移變換，使得級比λ(k)落在可容覆蓋內：

其中：k＝1，2···n；

原始序列生成新的序列：

3)對原始序列做1次累加(ago)生成累加序列：

其中：

4)令為累加序列的緊鄰均值(mean)序列：

其中：

5)對建立微分方程：

相應的白化微分方程為：

其中:a為發展系數，b為灰色作用量；

令為待估參數向量，則方程(9)的矩陣形式為：

令則由最小二乘法估計u：

將帶入方程(10)，得：

因此，k+1時刻車輛vi位置的預測值為：

6)根據步驟5)中k+1時刻車輛vi位置的預測值，估計是否有危險行駛的事件將要發生；

假設車輛vi從一開始采集到gps序列為采樣周期為t，則每個周期內車輛vi行駛距離為兩個gps時間序列點的差值δlm，如圖3所示；假設車輛vi在第i個采樣周期內的加速度及初速度分別為ai、vi，則有：

根據推導出的公式(21)和(22)，主車輛和周圍車輛進行瞬時速度和瞬時加速度估計，周圍車輛將估算出的速度及采集的gps時間序列發給主車輛，主車輛可以預測周圍車輛及自身下一時刻的位置及速度；因此，可以通過式(21)、(22)計算出主車輛與周圍車輛的相對距離l及相對速度v，當有車輛速度超過道路速度限制，或l/v大于安全時間距ttc時，ttc指同一路徑上同向行駛的兩車保持當前速度直到碰撞發生所需要的時間，如圖4所示，判斷其為危險車輛，并提醒司機遠離危險源。

ttc＝xr/vr(23)

其中：xr為兩車間的相對距離，vr為兩車間的相對速度。

以上所述對本發明進行了簡單說明，并不受上述工作范圍限值，只要采取本發明思路和工作方法進行簡單修改運用到其他設備，或在不改變本發明主要構思原理下做出改進和潤飾的等行為，均在本發明的保護范圍之內。