1.多维风险场赋能的动态行车风险预警与避险方法,其特征在于,该方法包括以下步骤:步骤1.评估行车风险:
步骤1.1.从车辆感知系统获取行车环境信息;
步骤1.2.构建可能状态域;
基于步骤1.1获取的信息和车辆运动学模型与动力学模型计算状态转移;计算状态转移时,规定车辆运动学模型的控制量服从截断混合广义帕累托分布,通过离散化处理得到离散截断混合广义帕累托分布的概率分布函数,根据在离散截断混合广义帕累托分布的概率分布中出现的第n步控制量可能值计算第n+1步车辆运动学模型的状态向量可能值;之后继续计算第n+1步车辆运动学模型的控制量可能值、第n步车辆动力学模型的控制量可能值、第n+1步车辆动力学模型的状态向量可能值;
将第n+1步计算出的全部运动学和动力学的状态向量记为该步的完整可能状态域:计算第n+1步完整可能状态域中每个状态向量下的累计概率,依据概率阈值从完整可能状态域中筛选可能状态,构成可能状态域;同时对累计概率进行归一化,得到不同状态向量下的修正概率;
步骤1.3.根据步骤1.2可能状态域中的状态向量分别计算单事故的事故判别域,从而确定单事故的可能事故域和单事故的严重程度;
步骤1.4.根据每个时间步的单事故的严重程度和车辆在不同状态向量下的修正概率计算当前时间步下单个事故的风险值和单状态域风险值;同时判断是否达到时间步上限;若是,则转到步骤1.5;若否,则转到步骤 1.2;
步骤1.5.根据每个时间步的单个事故的风险值计算单事故实时风险值,根据每个时间步的单状态域风险值计算多事故实时风险值,并判断是否超过实时风险阈值;若是,则转到步骤1.6;若否,则结束;
步骤1.6.生成实时风险场,即风险场动态时间序列;
步骤2.根据单事故实时风险值、多事故实时风险值生成预警信息;
步骤3.控制车辆避险:
获取单事故实时风险值和多事故实时风险值,若任意一种实时风险值超过控制阈值,则从到逐时间步获取使每一步的实时风险场最小的状态采样点序列和与状态转移对应的运动学控制序列,根据运动学控制序列生成综合控制序列,根据综合控制序列对车辆进行控制,实现避险。
2.根据权利要求1所述的多维风险场赋能的动态行车风险预警与避险方法,其特征在于,步骤1.1中行车环境信息包括自车和附近车辆信息、附近障碍物信息、附近物理分隔信息;自车和附近车辆信息包括车辆在大地坐标X轴上的位置、车辆在大地坐标Y轴上的位置、车辆的横摆角、车辆在车身坐标X轴上的速度、车辆在车身坐标X轴上的加速度、车辆的横摆角速度、车辆的前轮转向角、车辆的质心侧偏角;附近障碍物信息包括障碍物质量,障碍物长度,障碍物宽度,障碍物在大地坐标X轴上的位置,障碍物在大地坐标Y轴上的位置,障碍物的摆放角度;附近物理分隔信息包括物理分隔在大地坐标X轴上的起始位置、物理分隔在大地坐标Y轴上的起始位置、物理分隔的摆放角度;
步骤1.2中车辆运动学模型的状态向量和控制向量分别为:;;车辆动力学模型的控制量为前轮转向角,状态向量为:;其中,上角标T代表转置符合。
3.根据权利要求2所述的多维风险场赋能的动态行车风险预警与避险方法,其特征在于,步骤1.3中单事故的事故判别域包括侧滑的事故判别域、与障碍物碰撞的事故判别域、与物理分隔碰撞的事故判别域、与其他车辆碰撞的事故判别域;单事故的可能事故域为可能状态域与单事故的事故判别域的交集,包括侧滑的可能事故域、与障碍物碰撞的可能事故域、与物理分隔碰撞的可能事故域、与其他车辆碰撞的可能事故域;单事故的严重程度包括侧滑的严重度、与障碍物的碰撞严重度、与物理分隔的碰撞严重度、与其他车辆的碰撞严重度。
4.根据权利要求3所述的多维风险场赋能的动态行车风险预警与避险方法,其特征在于,车辆运动学模型的状态转移方程为:;
其中,下标是时间步索引,是时间步长度;
动力学模型的状态转移方程为:
;
;
;
其中,为状态矩阵,为控制矩阵,为前轮当量侧偏刚度,为后轮当量侧偏刚度,和为前轮和后轮的轮胎模型参数,为质心到前轴的距离,为质心到后轴的距离,为横摆转动惯量。
5.根据权利要求4所述的多维风险场赋能的动态行车风险预警与避险方法,其特征在于,侧滑的事故判别域为:;
其中,为质心侧偏角临界值,为横摆角速度临界值,代表自车运动学和动力学的状态向量,代表自车的质心侧偏角,代表自车的横摆角速度;
侧滑的严重度为:;其中,为滑移严重度评价比例系数,代表自车的速度;
与障碍物碰撞的事故判别域为:
;
其中,为投影轴,为判别与障碍物碰撞时使用的投影轴集,为区间重叠判别函数,为投影区间函数,为自车顶点坐标矩阵,为障碍物的顶点坐标矩阵;
与障碍物的碰撞严重度为:;其中,为自车的整车质量,为障碍物j的质量;
与物理分隔碰撞的事故判别域为:
;
其中,为判别与物理分隔q碰撞时使用的投影轴集,为物理分隔q的顶点坐标矩阵;
与物理分隔的碰撞严重度为:;
与其他车辆碰撞的事故判别域为:
;
其中,为判别与车辆i碰撞时使用的投影轴集,为车辆i的顶点坐标矩阵,为车辆i的状态向量,为车辆i的可能状态域;
与其他车辆i的碰撞严重度为:
;
其中,车辆i的纵向速度和横摆角取自以车辆为主体的可能事故域中与处于状态的自车可能发生碰撞的车辆i状态,为自车的横摆角,代表车辆i的质量。
6.根据权利要求5所述的多维风险场赋能的动态行车风险预警与避险方法,其特征在于,第n步单个事故的风险值的表达式为:;
;
;
;
其中,为第步时侧滑的风险值,为第步时与车辆i碰撞的风险值,为第步时与障碍物j碰撞的风险值,为第步时与物理分隔q碰撞的风险值,、、和为第步时状态向量为情况下的侧滑的严重度和与车辆i、障碍物j、物理分隔q的碰撞严重度,代表自车状态为的修正概率,为车辆i状态为的修正概率,代表第步时侧滑的可能事故域,代表第步时与其他车辆i碰撞的可能事故域,代表第步时以车辆为主体的与自车碰撞的可能事故域,代表第步时与障碍物j碰撞的可能事故域,代表第步时与物理分隔q碰撞的可能事故域;
第n步单状态域风险值的表达式为:。
7.根据权利要求6所述的多维风险场赋能的动态行车风险预警与避险方法,其特征在于,单事故实时风险值的表达式为:;
;
;
;
其中,为折扣因子,代表侧滑事故实时风险值,代表与其他车辆i碰撞事故实时风险值,代表与障碍物j碰撞事故实时风险值,代表与物理分隔q碰撞事故实时风险值;代表时间步最大值;
多事故实时风险值的表达式为:
;
其中,代表多事故实时风险值,代表第n步单状态域风险值。
8.根据权利要求7所述的多维风险场赋能的动态行车风险预警与避险方法,其特征在于,步骤1.6中生成的实时风险场是一个6维标量场,它包含了以某一时间步可能状态域中的若干状态向量为初始状态,综合该时间步之后所有时间步的单状态域风险值得出的多事故风险值,用于反映车辆在该时间步下处于各种可能状态的实时风险情况。
9.多维风险场赋能的动态行车风险预警与避险系统,其特征在于,所述系统用于实现权利要求1至8任意一项所述的多维风险场赋能的动态行车风险预警与避险方法,该系统通过第一个外部接口与车辆感知系统连接并进行通信,通过第二各外部接口与数字仪表连接并进行通信,通过第三个外部接口与车辆控制系统连接并进行通信;所述动态行车风险预警与避险系统包括行车风险评估模块、预警信息生成模块、车辆避险控制模块;所述车辆感知系统,用于获取车辆感知信息,并将其转发给行车风险评估模块;所述行车风险评估模块,用于对行车风险进行评估,并将风险评估结果发送至预警信息生成模块和车辆避险控制模块;行车风险评估时,评估单事故实时风险值、多事故实时风险值,生成多维状态风险场动态时间序列;所述预警信息生成模块,用于从行车风险评估模块获取单事故实时风险值和多事故实时风险值,根据单事故实时风险值和多事故实时风险值生成相应的预警信息;所述车辆避险控制模块,用于从行车风险评估模块获取多维状态风险场动态时间序列,执行车辆避险控制算法;所述数字仪表,用于从预警信息生成模块接收预警信息并显示当前风险;所述车辆控制系统,用于从车辆避险控制模块接收综合控制序列,按照综合控制序列对车辆进行控制。
10.根据权利要求9所述的多维风险场赋能的动态行车风险预警与避险系统,其特征在于,所述行车风险评估模块包括物理模型、事件判别模块、事件后果评估模块、风险场计算模块;其中,所述物理模型包括车辆模型、障碍物模型、物理分隔模型,所述车辆模型用于记录自车和附近车辆的状态,计算车辆的状态转移,包括车辆的运动学模型、车辆的动力学模型;所述障碍物模型用于记录附近障碍物;所述物理分隔模型用于记录附近物理分隔;
所述事件判别模块,用于判别自车发生碰撞或侧滑的可能性,包括碰撞其他车辆判别模块、碰撞障碍物判别模块、碰撞物理分隔判别模块、侧滑判别模块;其中,所述碰撞其他车辆判别模块,用于判别自车与其他车辆发生碰撞的可能性;所述碰撞障碍物判别模块,用于判别自车与障碍物发生碰撞的可能性;所述碰撞物理分隔判别模块,用于判别自车与物理分隔发生碰撞的可能性;所述侧滑判别模块,用于判别自车发生侧滑的可能性;
所述事件后果评估模块,用于评估自车发生碰撞或侧滑的后果,包括碰撞其他车辆后果评估模块、碰撞障碍物后果评估模块、碰撞物理分隔后果评估模块、侧滑后果评估模块;其中,所述碰撞其他车辆后果评估模块,用于评估自车与其他车辆发生碰撞的后果;所述碰撞障碍物后果评估模块,用于评估自车与障碍物发生碰撞的后果;所述碰撞物理分隔后果评估模块,用于评估自车与物理分隔发生碰撞的后果;所述侧滑后果评估模块,用于评估自车发生侧滑的后果;
所述风险场计算模块,用于计算单事故实时风险值、多事故实时风险值,同时生成多维状态风险场动态时间序列。