摘要：为提高汽车紧急制动系统对复杂工况的适应能力,提出安全距离-时间模型相结合的汽车紧急制动系统分层控制策略,分析了危险目标判断控制器的判断逻辑。基于安全时间模型,采用模糊控制理论设计了以本车、相邻车辆的侧向相对距离与相对速度为输入变量,以相邻车道车辆切入本车道的概率为输出变量的车辆换道模糊判断控制器,对相邻车道换道车辆进行判断。通过安全时间模型分别计算换道车辆的“横向碰撞时间TTC_(y)”和本车道前方车辆的“纵向碰撞时间TTC_(x)”,综合判断系统前方危险目标车辆。根据本车与危险目标的相对位置,设计了安全距离和安全时间模型相结合的自动紧急制动系统上层控制器,获得本车期望加速度。构建了基于PID控制的汽车紧急制动系统下层控制器,实现期望加速度与本车制动主缸压力的转化,完成预警/分级制动功能。利用Matlab中Stateflow模块构建了本车安全行驶状态、预警状态及分级制动状态间的切换逻辑状态流模块,在CarSim中设置了车辆纵向动力学及其逆向模型,并在Matlab/Simulink中设计了节气门/制动压力控制分配逻辑仿真模块。基于C-NCAP典型测试工况,进行了控制策略的CarSim与Matlab/Simulink联合仿真验证,结果表明:该策略能够准确地判别换道行为并识别危险目标,具备预警/分级制动功能,可有效避免追尾事故。

摘要：为可靠识别汽车安全辅助驾驶系统(ADAS)前方车辆目标,提出了基于车辆尾灯特征提取的径向基神经网络车辆识别方法。构建了车辆尾灯对宽度限制、高度约束及左右尾灯面积比等约束条件,提取了车辆的尾灯信息并获取尾灯的质心位置,经过形态学运算后确定了尾灯的标记区域,再结合车辆图像与实际尺寸比例得到车辆可能存在的感兴趣标记区域。针对感兴趣标记区域进行了车辆存在性的进一步确认,提取了感兴趣区域的边缘特征与区域特征共计19个特征参数(6个独立不变矩、8个余弦变换描述子和5个区域特征参数),构建了由19维输入神经元和2个输出量组成的三层径向基神经网络车辆识别器。利用采集的车辆样本图像,分别验证了正常天气与雨天、雪天及夜间行车环境下基于尾灯特征获取车辆区域检测方法的可行性。对采集的1700张车辆正、负样本,完成了径向基神经网络的训练,通过训练误差性能曲线得知本文设计的网络达到了训练精度要求。随机选取了60%的样本,完成了径向基神经网络车辆识别器的测试,实现了检测区域内车辆的进一步确认,也针对停车场及并行车辆等情形进行了确认测试,其正确率达到94%,有效弥补单一尾灯特征实施车辆检测的漏检或误检现象,大大提高了车辆检测的可靠性。