一种用于冰雪路面下自动驾驶车辆自适应避障方法

技术领域

本发明属于自动驾驶车辆传感器系统领域，尤其是涉及一种用于冰雪路面下自动驾驶车辆自适应避障方法。

背景技术

自动驾驶车辆的兴起，使得现代汽车上搭载了如防抱死制动系统等，自动紧急制动等，自适应巡航系统等多种高级驾驶员辅助系统。辅助系统能在单独制动不足以避免碰撞的情况下的转向和制动的联合控制。但是，在冬季冰雪路面的情况下，车辆自适应其表现明显下降，使得遭遇冰雪将带来感知挑战。改善自动驾驶车辆自适应是提高车辆安全性的一个机会，这些系统可以根据道路客观条件来调整车辆的行驶方式。在冰雪路面上，道路动力学模型建模也很难建立模型，因此很难在实时控制器中直接使用该方法。此外，由于传感器的信号是高维数据，需要巨大的数据量。

发明内容

有鉴于此，本发明旨在提出一种用于冰雪路面下自动驾驶车辆自适应避障方法，基于模型通过表征车辆与地面相互作用的相关参数的实时估计，以允许数据驱动的预测器确定执行最佳紧急机动。在冰雪路面的低附着条件下，利用描述地面特征来估计信息的新的自动驾驶车辆自适应避障方法。通过根据估计地面参数优化自动避障，基于不断预测估计地面参数预测控制方案，并且在内部估计预测更新他们，并且提出一种基于模型的估计器，并且在该估计器中提供了一个减少的输入空间，描述车辆和道路之间的相互作用，通过训练数据驱动方法来调整最优。

为达到上述目的，本发明的技术方案是这样实现的：

一种用于冰雪路面下自动驾驶车辆自适应避障方法，包括以下步骤：

S1：在水平的坚硬的表面，研究了车辆初始速度和地面类型的变化情况，获得车辆和路面之间的自适应避障制动的相关参数；

S2：基于模型估计器，根据车辆状态预估摩擦系数，内聚力和内摩擦角；

S3：在数据驱动预测器中，基于增广输入空间的线性回归方法预测，选择最优机动，独立预测每次机动的最小距离d,通过实时估计每次机动的最小距离，从而使数据驱动预测器能够决定进行最优紧急机动。

进一步的，在步骤S1中，相关参数包括车辆惯性速度v、摩擦系数μ、车轮下沉量z、粘聚力c、内剪切角中间变量

进一步的，在步骤S2中，

通过状态观测器估计车辆状态，作用是对冰雪路面下自动驾驶车辆跟踪性能和输出噪声之间选值折中；

通过基于断面上的滑动斜坡之间的关系估计摩擦系数，计算最大牵引力ρ；

通过采用线性最小二乘法的估算方法对内聚力与内摩擦角进行了估算。

进一步的，

在坚硬的表面，车辆与路面之间的归一化牵引力ρ、滑移率s

其中，m为汽车质量，引力常数g，摩擦系数μ，车辆惯性速度v，车轮角速度ω，车轮半径r；

在存在变形的地形的情况下，在车轮前方很可能形成颗粒的堆积，车轮和地形之间界面产生一个应力区，影响车辆的行为；

其中，利用内剪切角中间变量

进一步的，基于模型的估计器，提出了车辆状态V，ω和A的估计算法，摩擦系数μ的估计算法，以及地力学性质c和

在车辆状态估计器中，通过状态观测器来估计速度

进一步的，摩擦系数的估算算法是基于断面上的滑动斜坡之间的关系，仅估算最大牵引力ρ：

首先，根据方程计算了s

其中，

进一步的，在存在可变形地形冰雪路面的情况下，使用估算算法获得内聚力c和内剪切角中间变量

其中，矩阵K

其中，定义如下:

式中，α，β，ζ是中间变量；

进一步的，在数据驱动预测器中，基于模型的估计器提出的减少的输入空间来选择执行的最优机动，数据驱动预测器的目标是选择一个使车辆轨迹与位于车辆前方5米处的固定正点障碍物之间的最小距离d最大的机动，为了选择最优机动，独立预测每次机动的最小距离d，采用基于增广输入空间的线性回归用于进行此预测：

其中，γ和λ是回归系数，在两个离散的坚硬的表面z＝0或者可变形的地面z>0的情况下，通过测试多个选项，并且保留对预测输出影响最大的来选择术语，然后选择并由车辆执行最优最佳机动i

进一步的，本方案公开了一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，所述处理器用于执行一种用于冰雪路面下自动驾驶车辆自适应避障方法。

进一步的，本方案公开了一种计算机可读取存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现一种用于冰雪路面下自动驾驶车辆自适应避障方法。

相对于现有技术，本发明所述的一种用于冰雪路面下自动驾驶车辆自适应避障方法具有以下有益效果：

(1)本发明所述的一种用于冰雪路面下自动驾驶车辆自适应避障方法，提供一种用于极寒条件下智能驾驶车辆激光雷达静态测试方法，这种方法可对相关地面参数进行实时估算，并可依据估算出的参数，确定冰雪路面条件下最优避碰机动，继而使自动驾驶车辆实现自适应避障。在冬季冰雪路面的情况下，利用地面参数来选择最优机动是有意义的，并所提出的混合方法在自动驾驶车辆上自适应避障方面的潜力；

(2)本发明所述的一种用于冰雪路面下自动驾驶车辆自适应避障方法，以测试每个智能驾驶车辆激光雷达在极寒条件下的准确度和精度。帮助工程师它们的设计到未来的智能驾驶车辆激光雷达传感器算法模型上。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的一种用于冰雪路面下自动驾驶车辆自适应避障方法示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本发明。

本专利提出一种用于冰雪路面下自动驾驶车辆自适应避障方法，该方法能够实时估计有关的地面参数是可能的，并且根据估计的参数能在冰雪路面下确定最优避碰机动，进而使得自动驾驶车辆自适应避障。

步骤1：在水平的坚硬的表面，研究了车辆初始速度和地面类型的变化情况，获得车辆和路面之间的自适应避障制动的相关参数这些参数包括车辆惯性速度v，摩擦系数μ，车轮下沉量z，粘聚力c，内剪切角中间变量

在坚硬的表面，车辆与路面之间的归一化牵引力ρ、滑移率s

其中，m为汽车质量，引力常数g，摩擦系数μ，车辆惯性速度v，车轮角速度ω，车轮半径r

然而，在存在变形的地形的情况下，在车轮前方很可能形成颗粒的堆积。车轮和地形之间界面产生一个应力区，影响车辆的行为。

其中，内剪切角中间变量

步骤2：基于模型估计器，估计车辆状态估计，摩擦系数，内聚力和内摩擦角。其中，通过状态观测器估计车辆状态，作用是对冰雪路面下自动驾驶车辆跟踪性能和输出噪声之间选值折中。通过基于断面上的滑动斜坡之间的关系估计摩擦系数，算最大牵引力ρ。通过采用线性最小二乘法的估算方法对内聚力与内摩擦角进行了估算。

优先地，基于模型的估计器，提出了车辆状态V，ω和A的估计算法，摩擦系数μ的估计算法，以及地力学性质c和

在车辆状态估计器中，通过状态观测器来估计速度

优先地，摩擦系数的估算算法是基于断面上的滑动斜坡之间的关系，这里仅估算最大牵引力ρ。首先，根据方程计算了s

其中，

优先地，在存在可变形地形冰雪路面的情况下，而不是计算摩擦系数系数，使用其他估算算法获得内聚力c和内剪切角中间变量

其中，矩阵K

其中，定义如下:

式中，α，β，ζ是中间变量。

/>

在本专利中，假定可变形层的存在是预先已经知道的，并且将车轮下沉z，提供给估计器。

步骤3：在数据驱动预测器中，基于增广输入空间的线性回归方法预测，选择最优机动，独立预测每次机动的最小距离d,通过实时估计每次机动的最小距离，从而使数据驱动预测器能够决定进行最优紧急机动。

优先地，在数据驱动预测器中的任务是根据基于模型的估计器提出的减少的输入空间来选择执行的最优机动。数据驱动预测器的目标是选择一个使车辆轨迹与位于车辆前方5米处的固定正点障碍物之间的最小距离d最大的机动，为了选择最优机动，独立预测每次机动的最小距离d，采用基于增广输入空间的线性回归用于进行此预测：

其中，γ和λ是回归系数，在两个离散的坚硬的表面z＝0或者可变形的地面z>0的情况下，通过测试多个选项，并且保留对预测输出影响最大的来选择术语。然后，选择并由车辆执行最优最佳机动i

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。上述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。