劉慶華，邱修林，謝禮猛，王駿驊，方守恩

?

基于行駛車速的車輛防撞時(shí)間預(yù)警算法

劉慶華1,2，邱修林1，謝禮猛1，王駿驊2，方守恩2※

（1. 江蘇科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，鎮(zhèn)江 212013；2. 同濟(jì)大學(xué)交通運(yùn)輸工程學(xué)院，上海 201804）

針對(duì)一般車輛碰撞時(shí)間（time to collision，TTC）算法預(yù)警閾值固定造成車輛低速行駛中出現(xiàn)預(yù)警過早及高速行駛出現(xiàn)預(yù)警不及時(shí)的問題，該文提出一種基于行駛車速的車輛防撞時(shí)間預(yù)警方法。行駛車輛通過車載設(shè)備實(shí)時(shí)獲取自車與他車的狀態(tài)信息，根據(jù)車輛狀態(tài)信息建立高斯平面坐標(biāo)系獲取車輛位置坐標(biāo)，對(duì)車輛可能發(fā)生的碰撞進(jìn)行分類處理，依據(jù)車輛行駛速度設(shè)定相應(yīng)的安全防撞時(shí)間，然后將車輛發(fā)生碰撞需要的時(shí)間與安全防撞時(shí)間進(jìn)行比較，存在碰撞危險(xiǎn)則通過預(yù)警顯示提醒駕駛員。試驗(yàn)結(jié)果表明：該方法預(yù)警準(zhǔn)確率達(dá)88.89%，而一般TTC固定閾值方法則預(yù)警過早率達(dá)81.48%，預(yù)警過晚率達(dá)70.37%，故該方法對(duì)進(jìn)行車輛危險(xiǎn)預(yù)警更有效，更符合實(shí)際車輛防撞情形，提高了車輛行駛的安全性，可為車輛的及時(shí)預(yù)警提供參考。

車輛；交通；安全；防撞預(yù)警；碰撞時(shí)間（TTC）

0 引 言

隨著汽車數(shù)量的劇增，導(dǎo)致交通擁堵、交通事故頻發(fā)及交通環(huán)境惡化等問題，威脅著人的生命安全及財(cái)產(chǎn)損失。每年中國(guó)有超過10萬人因交通事故致死，造成的損失達(dá)數(shù)百億元，車輛間碰撞事故占到我國(guó)道路交通事故總量的2/3以上[1]。如何減少交通死亡人數(shù)和造成的經(jīng)濟(jì)損失成了重要的課題，關(guān)于車輛防碰撞預(yù)警系統(tǒng)的研究就應(yīng)運(yùn)而生。預(yù)警系統(tǒng)集成通信及信息處理等先進(jìn)技術(shù)，通過車載設(shè)備間的互聯(lián)可實(shí)時(shí)獲取道路和車輛狀態(tài)信息，進(jìn)行車輛防撞預(yù)警算法處理，出現(xiàn)危險(xiǎn)及時(shí)提醒駕駛員采取措施，對(duì)于保障交通安全行駛及改善交通環(huán)境有著深遠(yuǎn)的影響。

車輛防撞系統(tǒng)對(duì)其預(yù)警算法有很高要求，算法的準(zhǔn)確性與實(shí)時(shí)性是研究的重點(diǎn)[2]。近年來國(guó)內(nèi)外對(duì)車輛防撞預(yù)警算法的研究取得了一些成果，主要分為安全時(shí)間算法和安全距離算法。安全時(shí)間算法主要以距離碰撞時(shí)間為研究對(duì)象，如日本東京農(nóng)工大學(xué)的TTC模型[3]。安全距離算法主要是基于車輛的運(yùn)動(dòng)學(xué)關(guān)系確定安全車距，如Mazda制動(dòng)模型及Honda模型等[4-6]。Benamar等提出基于預(yù)定的TTC（time to collision）閾值確定所需的安全距離模型[7]。于廣鵬等提出基于縱向避撞時(shí)間的縱向碰撞預(yù)警/避撞算法[4]。裴曉飛等通過對(duì)避撞時(shí)間倒數(shù)（TTC-1）的研究建立危險(xiǎn)系數(shù)的分級(jí)預(yù)警與主動(dòng)制動(dòng)安全距離模型[8]。王建強(qiáng)等通過真實(shí)道路試驗(yàn)數(shù)據(jù)，提出適應(yīng)駕駛員特性的避撞時(shí)間TTC的報(bào)警算法[9]。早期預(yù)警系統(tǒng)算法為車輛提供預(yù)警框架，并設(shè)定默認(rèn)距離碰撞時(shí)間（TTC）的預(yù)警閾值，當(dāng)預(yù)測(cè)的碰撞時(shí)間達(dá)到設(shè)定的閾值時(shí)，則給駕駛員和車輛提供安全警報(bào)信息[10]。實(shí)中車輛運(yùn)行狀態(tài)及道路環(huán)境各不相同，若始終以默認(rèn)的TTC預(yù)警閾值來衡量是否安全，預(yù)警結(jié)果將可能不準(zhǔn)確。例如，若兩車低速行駛，即使距離較近也不存在碰撞危險(xiǎn)，不需要過早預(yù)警；若兩車高速行駛，如果閾值設(shè)定不合適容易造成預(yù)警不及時(shí)，從而發(fā)生碰撞。

針對(duì)TTC預(yù)警閾值固定這個(gè)缺點(diǎn)，本文提出一種基于車輛行駛速度的安全防撞時(shí)間預(yù)警方法。該算法依據(jù)車輛不同的行駛速度設(shè)定不同的安全防撞時(shí)間，通過與車輛發(fā)生碰撞需要的時(shí)間比較進(jìn)行危險(xiǎn)預(yù)警。

1 車輛防撞算法模型

圖1為車輛防撞預(yù)警處理過程，首先車輛通過車載設(shè)備實(shí)時(shí)獲取自車與他車的經(jīng)緯度、車速及航向角信息，根據(jù)經(jīng)緯度轉(zhuǎn)化的高斯平面坐標(biāo)系獲取車輛位置坐標(biāo)，依據(jù)車輛坐標(biāo)及航向角對(duì)可能發(fā)生的碰撞進(jìn)行分類，對(duì)分類后的直線碰撞和側(cè)面碰撞分別進(jìn)行算法處理。根據(jù)車輛的行駛速度確定不同的安全防撞時(shí)間，然后安全防撞時(shí)間與車輛發(fā)生碰撞需要的時(shí)間進(jìn)行比較，存在碰撞危險(xiǎn)則進(jìn)行預(yù)警顯示。

圖1 車輛防撞預(yù)警處理流程圖

1.1 建立高斯平面坐標(biāo)系

車載設(shè)備通常接收的位置信息是WGS-84坐標(biāo)（經(jīng)緯度形式），進(jìn)行車輛之間相對(duì)距離計(jì)算及建立車輛模型非常不方便處理，需要進(jìn)行坐標(biāo)系轉(zhuǎn)化。一般WGS-84坐標(biāo)通過高斯-呂克投影轉(zhuǎn)化為高斯平面坐標(biāo)。高斯平面坐標(biāo)系以中央子午線的投影為軸，北向?yàn)檎?，赤道的投影為軸，東向?yàn)檎齕11-12]。中國(guó)位于北半球，投影后軸坐標(biāo)都為正，軸坐標(biāo)有正有負(fù)，為避免出現(xiàn)負(fù)的橫坐標(biāo)，規(guī)定橫坐標(biāo)加500 km[13]。通過坐標(biāo)轉(zhuǎn)化公式，可將經(jīng)緯度坐標(biāo)（,）轉(zhuǎn)化高斯平面坐標(biāo)（,）。WGS-84坐標(biāo)轉(zhuǎn)化高斯平面坐標(biāo)關(guān)系為

（2）

式中0為赤道至緯度為的平行圈的子午線弧長(zhǎng)，m；為投影點(diǎn)經(jīng)度與該點(diǎn)所處經(jīng)度帶軸子午線經(jīng)度0的差，(°)；=-0，0=63，=round[(+3)/6]；；；為卯酉圈曲率半徑，m；和為高斯坐標(biāo)系的橫縱軸，m。0的公式為

式中參數(shù)0、2、4、6、8、的公式為

（4）

（6）

（7）

（9）

可得(1,1)和(2,2)分別為自車和他車在高斯平面坐標(biāo)系下的位置坐標(biāo)。將定位天線放置在每輛車的中心位置，得到車輛的中心坐標(biāo)，方便進(jìn)行車輛安全防撞預(yù)警。

1.2 車輛碰撞分類

車輛在實(shí)際行駛中無需對(duì)所有的車都進(jìn)行碰撞預(yù)警處理，通過對(duì)可能發(fā)生碰撞的車輛進(jìn)行分類，可以減少對(duì)無危險(xiǎn)車輛的處理，同時(shí)便于對(duì)不同類型的碰撞使用不同的預(yù)警算法處理[14]。高斯平面坐標(biāo)系下可以獲取自車與他車的坐標(biāo)信息及航向角，通過建立數(shù)學(xué)模型對(duì)可能發(fā)生的碰撞進(jìn)行分類：直線碰撞和側(cè)面碰撞。直線碰撞包括正面碰撞和追尾碰撞。車輛的行駛方向、速度及間距是車輛安全駕駛的關(guān)鍵，本文根據(jù)車輛行駛方向建立碰撞分類模型，兩車關(guān)系見圖2所示。

依據(jù)1和2的關(guān)系將碰撞類型分類：

4）對(duì)于其他情況，車輛不存在危險(xiǎn)。

α由車載設(shè)備可直接獲取，β通過高斯平面坐標(biāo)系下的車輛坐標(biāo)求得

通過表1可求值。此處若=1，則=2；若=2，則=1，通過可得的值。

表1 tanβi與車輛坐標(biāo)關(guān)系

注：,12,且≠。

Note:,12,and≠.

1.3 車輛碰撞類型及算法

算法依賴于相對(duì)運(yùn)動(dòng)關(guān)系，需要準(zhǔn)確獲知車輛位置信息，同時(shí)要考慮駕駛員反應(yīng)時(shí)間及制動(dòng)時(shí)間。車輛碰撞分類完成后對(duì)不同的情況進(jìn)行不同的處理。各碰撞算法參數(shù)如圖3所示。

1.3.1 對(duì)于直線碰撞

兩車中心位置連線的距離通過車輛坐標(biāo)計(jì)算可得m。自車速度為1（km/h），他車速度為2（km/h）。

2) 對(duì)于直線碰撞里的追尾碰撞，如圖3b所示，當(dāng)自車是主動(dòng)追尾時(shí)，若且，發(fā)生追尾碰撞需要的時(shí)間為

不滿足上述速度與角度條件則不進(jìn)行處理。當(dāng)自車是被動(dòng)追尾時(shí)，若且，那么他車追尾需要的時(shí)間

（12）

不滿足上述速度與角度條件則不處理。

1.3.2 對(duì)于側(cè)面碰撞

在兩車維持當(dāng)前車速及行駛方向不變情況下，依據(jù)當(dāng)前運(yùn)動(dòng)狀態(tài)預(yù)測(cè)車輛未來運(yùn)行軌跡，確定碰撞點(diǎn)及車輛碰撞時(shí)間，計(jì)算兩車距離碰撞點(diǎn)的時(shí)間差進(jìn)行判斷是否存在碰撞危險(xiǎn)。 發(fā)生側(cè)面碰撞的前提條件：兩車距離碰撞點(diǎn)的時(shí)間差，自車到達(dá)碰撞點(diǎn)的時(shí)間為，他車到達(dá)碰撞點(diǎn)所需的時(shí)間為，這里D取2 s。當(dāng)滿足條件時(shí)，將自車與他車到達(dá)碰撞點(diǎn)的時(shí)間與各自車輛的安全防撞時(shí)間進(jìn)行比較，判斷是否需要進(jìn)行預(yù)警顯示。

對(duì)于圖3c所示的側(cè)面碰撞模型來說，分3種情況：

1.4 安全防撞時(shí)間

安全防撞時(shí)間是駕駛員采取措施恰好避免危險(xiǎn)所需的最短時(shí)間，包括駕駛員反應(yīng)時(shí)間及控制車輛（轉(zhuǎn)向、制動(dòng)）所需時(shí)間[15]。通過確定這些參數(shù)可以確定車輛的安全防撞時(shí)間。

制動(dòng)系統(tǒng)響應(yīng)時(shí)間包括制動(dòng)器協(xié)調(diào)時(shí)間、制動(dòng)力增長(zhǎng)時(shí)間及持續(xù)制動(dòng)時(shí)間[4-5]。對(duì)于制動(dòng)器協(xié)調(diào)時(shí)間，即制動(dòng)踏板開始踩下到制動(dòng)生效的時(shí)間，一般液壓制動(dòng)器需要的時(shí)間為0.2 s；對(duì)于制動(dòng)力增長(zhǎng)時(shí)間，即制動(dòng)生效到液壓器產(chǎn)生制動(dòng)的時(shí)間，一般為0.15～0.3 s，本文的取0.2 s，且汽車制動(dòng)減速度線性增長(zhǎng)；持續(xù)制動(dòng)時(shí)間計(jì)算公式如下

其中為車輛的行駛速度， km/h；為重力加速度，取9.8 m/s2；為輪胎-路面附著系數(shù)，干燥路面取0.75，雨天路面取0.5，積雪路面取0.3，結(jié)冰路面取0.1[17]。持續(xù)制動(dòng)時(shí)間隨車速變化而變化，為制動(dòng)最大減速度，不同路面附著系數(shù)制動(dòng)效果不同。

行駛車輛發(fā)出碰撞危險(xiǎn)預(yù)警，從駕駛員反應(yīng)到采取制動(dòng)措施致使車輛停止需要的安全防撞時(shí)間TTC計(jì)算公式如下

由式（12）得，安全防撞時(shí)間與車輛的行駛速度有關(guān)，不同行駛速度下的安全防撞時(shí)間見圖4a所示。依據(jù)不同的車速確定不同的安全防撞時(shí)間，同時(shí)通過檢測(cè)車速的變化，及時(shí)改變車輛的安全防撞時(shí)間。系統(tǒng)通過車載設(shè)備實(shí)時(shí)且連續(xù)接收車輛狀態(tài)信息，當(dāng)滿足直線碰撞和側(cè)面碰撞的前提條件時(shí)，實(shí)時(shí)計(jì)算車輛發(fā)生碰撞需要的時(shí)間與安全防撞時(shí)間進(jìn)行比較，存在碰撞危險(xiǎn)則在應(yīng)用設(shè)備上進(jìn)行預(yù)警語言提醒。如果他車行駛速度過快，是造成碰撞危險(xiǎn)的主因，應(yīng)用設(shè)備可發(fā)送語言消息給他車提醒減速行駛。

對(duì)于一般的TTC算法，通過建立固定閾值來進(jìn)行預(yù)警。通常設(shè)定，危險(xiǎn)警告；，危險(xiǎn)提示；，無危險(xiǎn)[16]。圖4b為一般的預(yù)警算法TTC與本文的安全防撞時(shí)間TTC的預(yù)警時(shí)間比較。從圖4b可得，當(dāng)車速低于31.752 km/h時(shí)，本方法與一般的TTC算法都可以有效進(jìn)行預(yù)警，而一般的TTC算法提前至少2 s進(jìn)行危險(xiǎn)提示，容易造成駕駛員不重視預(yù)警提示；當(dāng)車速在31.752～84.672 km/h時(shí)，本文方法已經(jīng)預(yù)警的情況下，一般的TTC進(jìn)行了危險(xiǎn)提示，沒有達(dá)到危險(xiǎn)警告階段；當(dāng)車速大于84.672 km/h時(shí)，本方法已經(jīng)預(yù)警的情況下，一般的TTC無危險(xiǎn)顯示，會(huì)造成碰撞危險(xiǎn)。

2 車載通信系統(tǒng)

圖5所示的車載通信系統(tǒng)包括應(yīng)用層、車內(nèi)局域網(wǎng)和車載設(shè)備。應(yīng)用層包括防撞算法模型和預(yù)警信息顯示；局域網(wǎng)具備上網(wǎng)能力；車載設(shè)備具備高精度定位模塊、DSRC通信模塊及網(wǎng)絡(luò)接口。高精度定位模塊用于獲取自身車輛的位置，DSRC通信模塊通過DSRC實(shí)現(xiàn)與附近車輛的實(shí)時(shí)通信，網(wǎng)絡(luò)接口通過車內(nèi)局域網(wǎng)實(shí)現(xiàn)與應(yīng)用層的連接。相互通信的車載設(shè)備間通過定位模塊獲取自車經(jīng)緯度和地面航向角信息，通過速度傳感器獲取自車速度。

圖5 車載通信系統(tǒng)

2.1 定位模塊

車輛防撞預(yù)警要求車輛定位精度高，以及車輛信息獲取連續(xù)可靠。定位精度受多徑效應(yīng)、天線中心相位偏差和公共衛(wèi)星數(shù)目等因素影響[17-18]。在城市密集區(qū)，衛(wèi)星信號(hào)容易被高層建筑和立體式交通遮擋，造成信號(hào)較弱或無信號(hào)，從而定位不精確[17]。本文的車載設(shè)備采用NOVATEL和司南的板卡，配合使用協(xié)同定位及卡爾曼濾波算法，使得定位誤差減少到cm級(jí)別。對(duì)于協(xié)作定位，車載設(shè)備采用實(shí)時(shí)載波相位差分技術(shù)（real-time kinematic，RTK）定位，車輛定位可達(dá)cm級(jí)別[19-21]。車輛高速移動(dòng)導(dǎo)致定位誤差增加，可通過卡爾曼濾波對(duì)車輛位置偏差進(jìn)行修正。本文高精度定位的實(shí)現(xiàn)條件：在空曠地帶、保持四顆以上的衛(wèi)星信號(hào)及加入外網(wǎng)。本文利用衛(wèi)星導(dǎo)航系統(tǒng)和慣性導(dǎo)航系統(tǒng)的互補(bǔ)特性，將北斗/GPS定位和慣性導(dǎo)航通過信息融合方法有機(jī)結(jié)合起來，形成組合定位系統(tǒng)[22-23]。

2.2 DSRC模塊

DSRC是高效的無線通信技術(shù)，可實(shí)現(xiàn)短距離內(nèi)對(duì)高速移動(dòng)的目標(biāo)的識(shí)別和雙向通信，將車輛和道路有機(jī)連接，成為ITS（Intelligent Transport System）的重要通信平臺(tái)[24-27]。DSRC系統(tǒng)提供高速的數(shù)據(jù)傳輸，保證傳輸過程低延時(shí)及低干擾，可在智能交通體系中快速的傳播大量的實(shí)時(shí)信息[27-29]。DSRC目前還沒形成統(tǒng)一的國(guó)際標(biāo)準(zhǔn)，本文車載系統(tǒng)采用美國(guó)IEEE802.11協(xié)議，可以適應(yīng)高速移動(dòng)的車載環(huán)境，通信距離可達(dá)1 000 m，滿足車載通信的需求。

2.3 應(yīng)用層模塊

應(yīng)用設(shè)備通過局域網(wǎng)獲取車載設(shè)備IP，然后使用socket通過TCP協(xié)議與定位端口和DSRC端口建立連接可實(shí)時(shí)獲取數(shù)據(jù)，通過解析得到當(dāng)前車輛的狀態(tài)信息。車輛信息可在應(yīng)用設(shè)備上進(jìn)行計(jì)算處理，這樣安全防撞模型的開發(fā)可以不受車載設(shè)備的限制。應(yīng)用設(shè)備通過建立車輛安全防撞模型，利用獲取的車輛狀態(tài)信息進(jìn)行分析處理，存在危險(xiǎn)則通過預(yù)警顯示提醒駕駛員，實(shí)現(xiàn)輔助駕駛的功能。

3 仿真與實(shí)車試驗(yàn)及結(jié)果分析

3.1 仿真試驗(yàn)

試驗(yàn)使用交通仿真軟件VISSIM 6.0，VISSIM里面有路網(wǎng)、車輛和信號(hào)燈等組件[30-32]。仿真試驗(yàn)選擇十字交叉口為中心的路段，首先使用VISSIM構(gòu)建路網(wǎng)，然后在路網(wǎng)上添加車輛、信號(hào)燈等元素。試驗(yàn)路面選擇為干燥路面，設(shè)定行駛車輛的低速為10～30 km/h，中速為30～60 km/h，高速為60～90 km/h。試驗(yàn)通過外部駕駛員模型控制車輛的運(yùn)動(dòng)及行駛速度，通過調(diào)用COM接口里面封裝好的函數(shù)獲取車輛的位置坐標(biāo)和航向角信息進(jìn)行防撞預(yù)警算法處理，存在危險(xiǎn)預(yù)警及時(shí)通過外部駕駛員模型控制車輛制動(dòng)。仿真運(yùn)行后將車輛運(yùn)行軌跡輸入仿真沖突分析軟件SSAM進(jìn)行車輛碰撞事故的統(tǒng)計(jì)[33]。

仿真試驗(yàn)分6組，6組車輛分別對(duì)應(yīng)如表2中自車與鄰車的中、低、高速度，其中低速是10～30 km/h，中速是30～50 km/h，高速是50～70 km/h，每組情況統(tǒng)計(jì)100次，每次要求車輛在規(guī)定的速度檔內(nèi)正常行駛，試驗(yàn)路段以十字交叉路口為中心設(shè)定車輛間行駛存在直線碰撞和側(cè)面碰撞的可能，統(tǒng)計(jì)不同方法在預(yù)警顯示及采取制動(dòng)措施的情況下車輛是否發(fā)生碰撞，以及車輛未存在預(yù)警顯示時(shí)候是否發(fā)生碰撞。仿真預(yù)警試驗(yàn)的算法比較是關(guān)于一般TTC固定閾值方法與本文提出的基于車速確定安全防撞時(shí)間之間的性能比較。本文方法只要出現(xiàn)預(yù)警就控制車輛剎車；一般的TTC存在二級(jí)預(yù)警，通過外部駕駛員模型控制車輛在3～5 s之間進(jìn)行剎車，模擬現(xiàn)實(shí)情況下駕駛員面對(duì)兩級(jí)預(yù)警出現(xiàn)的狀況。

由表2可以看出，對(duì)于本文方法在預(yù)警顯示情況下可以很好的實(shí)現(xiàn)車輛防撞預(yù)警工作，有效減少交通事故的發(fā)生，僅存在個(gè)別碰撞漏報(bào)的情況。當(dāng)兩車都為高速行駛時(shí)候，存在少量誤警，是因?yàn)檫^快的車速使得本文的安全防撞時(shí)間誤差變大，從而出現(xiàn)預(yù)警有些晚的情況，同時(shí)導(dǎo)致碰撞漏報(bào)的情況發(fā)生。但是，在實(shí)際車輛行駛過程，一般道路上限速70 km/h，這樣本文提出的方法可以有效進(jìn)行一般道路上實(shí)車的防撞預(yù)警功能。

表2 本文方法與TTC固定預(yù)警閾值算法仿真結(jié)果

由表2可看出，對(duì)于TTC預(yù)警閾值固定的算法在預(yù)警顯示情況下，兩車都為低速行駛，可以有效進(jìn)行車輛避撞。其他行駛情況在預(yù)警及制動(dòng)后出現(xiàn)部分碰撞情況，而且車速越高，誤警次數(shù)就越多。原因是TTC固定閾值算法為提示與警告兩級(jí)預(yù)警，危險(xiǎn)提示區(qū)間是3～5 s，3 s以下的警告為最晚制動(dòng)時(shí)機(jī)，仿真試驗(yàn)設(shè)定制動(dòng)在3～5 s之間會(huì)出現(xiàn)制動(dòng)不及時(shí)的狀況。對(duì)于無預(yù)警顯示存在碰撞漏報(bào)情況，原因是車輛在84～90 km/h區(qū)間內(nèi)行駛無預(yù)警提示從而發(fā)生碰撞。

由表2對(duì)比可以看出，當(dāng)車輛低速行駛時(shí)，本文算法的預(yù)警顯示次數(shù)比TTC預(yù)警閾值固定算法要少很多；當(dāng)車速較高時(shí)候，本文算法預(yù)警顯示次數(shù)比TTC預(yù)警閾值固定算法又多一些，但是預(yù)警效果明顯本文方法性能更好。由此可以看出，本文算法減少了車輛低速時(shí)候的無謂預(yù)警，同時(shí)又增加了車輛高速時(shí)候的有效預(yù)警。根據(jù)表2統(tǒng)計(jì)的數(shù)據(jù)對(duì)兩種算法的性能進(jìn)行比較。

誤報(bào)率公式為

（16）

對(duì)比一般TTC預(yù)警閾值固定方法，本文方法誤報(bào)率降低至9.04%，誤報(bào)率降了18.34個(gè)百分點(diǎn)；漏報(bào)率降8.3個(gè)百分點(diǎn)，故本文方法可以更好地進(jìn)行車輛防撞預(yù)警，算法準(zhǔn)確率更高。

3.2 實(shí)車試驗(yàn)

實(shí)車試驗(yàn)選擇上海某車輛少且空曠的十字交叉路口為中心的路段，兩車分別放置車載設(shè)備，進(jìn)行安裝和配置，可獲取車輛的狀態(tài)信息。依據(jù)現(xiàn)實(shí)條件，試驗(yàn)路面為干燥瀝青路，可滿足車輛在一般道路上的行駛速度要求。試驗(yàn)應(yīng)用設(shè)備為安卓設(shè)備，通過在應(yīng)用上對(duì)采集的車輛狀態(tài)信息進(jìn)行安全防撞算法處理，若存在危險(xiǎn)則通過語言提示駕駛員。

由于現(xiàn)實(shí)條件無法實(shí)現(xiàn)車輛相撞，故本文實(shí)車試驗(yàn)采用的試驗(yàn)方法重點(diǎn)在于通過統(tǒng)計(jì)預(yù)警的準(zhǔn)確率測(cè)試防撞預(yù)警算法性能的好壞。實(shí)車試驗(yàn)分6組，每組兩輛車分別為自車和他車，分別以低、中、高速規(guī)定的速度區(qū)間內(nèi)正常行駛，每組速度下重復(fù)9次。為保證試驗(yàn)安全，本次實(shí)車試驗(yàn)的主要觀測(cè)內(nèi)容為：在駕駛員自我觀察存在危險(xiǎn)并采取制動(dòng)措施的情況下，判斷本文預(yù)警信息顯示是發(fā)生在此制動(dòng)之前還是之后。駕駛員制動(dòng)時(shí)刻的前后1 s內(nèi)顯示的預(yù)警為制動(dòng)中的預(yù)警，其他時(shí)刻則分為制動(dòng)前與制動(dòng)后的預(yù)警。預(yù)警系統(tǒng)服務(wù)于駕駛員，所以預(yù)警時(shí)機(jī)是駕駛員進(jìn)行判斷的，預(yù)警性能的好壞也由駕駛員判定。

每組試驗(yàn)包含直線碰撞和側(cè)面碰撞的情形，統(tǒng)計(jì)不同方法下的駕駛員行駛車輛時(shí)預(yù)警顯示處于采取制動(dòng)措施的時(shí)間點(diǎn)位置。不同算法在相同條件下進(jìn)行實(shí)車試驗(yàn)觀測(cè)預(yù)警時(shí)機(jī)結(jié)果如表3所示。

表3 本文方法與TTC固定閾值算法的預(yù)警時(shí)機(jī)實(shí)車試驗(yàn)結(jié)果

表3為各預(yù)警算法的預(yù)警情況統(tǒng)計(jì)，本文預(yù)警方法，兩車行駛車速為中速以下時(shí)，基本上滿足駕駛員碰撞危險(xiǎn)預(yù)警需求；其中至少一輛車高速行駛時(shí)，出現(xiàn)少量的預(yù)警過晚的情形，原因可能是過快的車速致使駕駛員保守的過早采取制動(dòng)措施。

TTC固定閾值算法，當(dāng)兩車低速行駛，危險(xiǎn)提示預(yù)警過早，危險(xiǎn)警告也存在過早情形；對(duì)于一車低速和另一車中速或者兩車都為中速行駛，危險(xiǎn)提示過早，出現(xiàn)危險(xiǎn)警告預(yù)警過晚情形；其中至少一輛車高速行駛時(shí)，危險(xiǎn)警告預(yù)警過晚，危險(xiǎn)提示存在過早的情形。一般的TTC算法是兩級(jí)固定閾值預(yù)警，如果駕駛員根據(jù)此方法進(jìn)行采取避險(xiǎn)措施，低速行駛?cè)菀讓?duì)危險(xiǎn)提示失去信任，高速行駛易對(duì)危險(xiǎn)警告失去信任。統(tǒng)計(jì)不同方法在駕駛員采取制動(dòng)時(shí)預(yù)警時(shí)機(jī)的性能比較?？梢钥闯鯰TC閾值固定算法預(yù)警，危險(xiǎn)提示預(yù)警過早達(dá)81.48%，危險(xiǎn)警告預(yù)警過晚達(dá)70.37%，而本文方法預(yù)警時(shí)機(jī)適宜高達(dá)88.89%，更符合實(shí)際車輛防撞預(yù)警。

4 結(jié) 論

本文算法依據(jù)車輛的不同行駛速度設(shè)定相應(yīng)的安全防撞時(shí)間，通過車輛發(fā)生碰撞需要的時(shí)間與安全防撞時(shí)間進(jìn)行比較，存在碰撞危險(xiǎn)則通過應(yīng)用設(shè)備語言提示駕駛員。本文在TTC（time to collision）的基礎(chǔ)上提出了基于車速的安全預(yù)警時(shí)間閾值，并進(jìn)行仿真驗(yàn)證算法效果。算法包括高斯平面坐標(biāo)系建立、車輛碰撞分類、車輛防碰撞算法處理以及安全預(yù)警時(shí)間閾值的選擇。最后通過搭建仿真平臺(tái)，驗(yàn)證本文提出的方法提升了預(yù)警效率和準(zhǔn)確度。試驗(yàn)結(jié)果表明，本文提出的基于車速確定安全防撞時(shí)間方法與一般固定閾值的TTC相比，本文方法的誤報(bào)率降了18.34個(gè)百分點(diǎn)，預(yù)警時(shí)機(jī)適宜率達(dá)88.89%，故本文方法可以更好的進(jìn)行車輛防撞預(yù)警，算法準(zhǔn)確率更高。

[1] 杜吉祥. 汽車碰撞事故的計(jì)算機(jī)模擬再現(xiàn)技術(shù)的研究[D].合肥：合肥工業(yè)大學(xué)，2002.

Du Jixiang. Research on Computer Simulation Ttechnology of Aautomobile Collision Aaccidents [D]. Hefei: HeFei University of Technology, 2002. (in Chinese with English abstract)

[2] 于廣鵬，譚德榮，馬福霞. 汽車防碰撞預(yù)警/碰撞算法研究現(xiàn)狀及分析[J]. 山東理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2014(6)：1－5. Yu Guangpeng, Tan Derong, Ma Fuxia. Analysis and research of issues related to automotive anti-collision system warning/collision algorithm[J]. Journal of Shandong University of Technology: Natural Science Edition, 2014(6): 1－5. (in Chinese with English abstract)

[3] Yoshida H, Awano S, Nagai M, et al. Target following brake control for collision avoidance assist of active interface vehicle[C]//International Joint International on Sice-Icase, 2006: 4436－4439.

[4] 于廣鵬，譚德榮，田厚杰，等. 基于縱向避撞時(shí)間的預(yù)警/制動(dòng)算法[J]. 河南科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2015(2)：30－34. Yu Guangpeng, Tan Derong, Tian Houjie, et al. The warning/braking algorithm based on longitudinal collision avoidance time[J]. Journal of Henan University of Science & Technology: Natural Science, 2015(2): 30－34. (in Chinese with English abstract)

[5] 商強(qiáng)，譚德榮，高松，等. 基于駕駛傾向性辨識(shí)的避撞-報(bào)警算法[J]. 科學(xué)技術(shù)與工程，2014，14(13)：282－285. Shang Qiang, Tan Derong, Gao Song, et al. Collision avoidance-warning algorithm based on identification of driving tendency[J]. Science Technology and Engineering, 2014, 14(13): 282－285. (in Chinese with English abstract)

[6] Lee K, Peng H. Evaluation of automotive forward collision warning and collision avoidance algorithms[J]. Vehicle System Dynamics,2005, 43(10): 735－751.

[7] Benamar F Z, Fkihi S E, Demonceaux C, et al. Estimation of time card of collision (TTC) based on the optical flot in para-cadioptric vision[J].Traitement Du Signal, 2014, 31(1/2): 197－219.

[8] 裴曉飛，劉昭度，馬國(guó)成，等. 汽車主動(dòng)避撞系統(tǒng)的安全距離模型和目標(biāo)檢測(cè)算法[J]. 汽車安全與節(jié)能學(xué)報(bào)，2012，3(1)：26－33. Pei Xiaofei, Liu Zhaodu, Ma Guocheng, et al. Safe distance model and obstacle detection algorithms for a collision warning and collision avoidance system[J]. Journal of Automotive Safety and Energy, 2012, 3(1): 26－33. (in Chinese with English abstract)

[9] 王建強(qiáng)，遲瑞娟，張磊，等. 適應(yīng)駕駛員特性的汽車追尾報(bào)警-避撞算法研究[J]. 公路交通科技，2009(增刊1)：7－12. Wang Jianqiang, Chi Ruijuan, Zhang Lei, et al. Study on forward collision warning-avoidance algorithm based on driver characteristics adaptation[J]. Journal of Highway and Transportation Research and Development, 2009(Supp.1): 7－12. (in Chinese with English abstract)

[10] 張瑞鋒. 基于自然駕駛數(shù)據(jù)及主被動(dòng)試驗(yàn)方法的人車安全行為研究[D]. 長(zhǎng)沙：湖南大學(xué)，2016.

Zhang Ruifeng. Research of Human-Vehicle Safety Behavior Based on Naturalistic Driving Data and Active-Passive Test[D]. Changsha: Hunan University, 2016. (in Chinese with English abstract)

[11] 姚建衛(wèi)，李冰，馬國(guó)元. 淺談獨(dú)立坐標(biāo)系的建立[J]. 科技創(chuàng)新與生產(chǎn)力，2010(3)：94－95. Yao Jianwei, Li Bing, Ma Guoyuan. The establish-ment of independent coordinate system[J]. Sci-tech Innovation and Productivity, 2010(3): 94－95. (in Chinese with Englishabstract)

[12] 姜楠. 坐標(biāo)轉(zhuǎn)換算法研究與軟件實(shí)現(xiàn)[D].淮南：安徽理工大學(xué)，2013.Jiang Nan. Research of Coordinate Transformation Algorithmand Software Implementation[D]. Huainan: AnHui University of Science and Technology. 2013. (in Chinese with English abstract)

[13] 蘭琛. 車聯(lián)網(wǎng)專用短程通信和定位技術(shù)的研究與應(yīng)用[D]. 杭州：浙江大學(xué)，2014. Lan Chen. Research and Application of Dedicated Short Range Communication and Positioning Technology in Internet of Vehicles[D]. Hangzhou: Zhejiang University, 2014. (in Chinese with English abstract)

[14] 王曉東. 基于場(chǎng)景建模的輔助駕駛模糊控制方法研究[D].上海：上海交通大學(xué)，2013. Wang Xiaodong. Research of Fuzzy Control for Driving Assistant System Based on Scence Modeling[D]. Shanghai: Shanghai Jiaotong University, 2013. (in Chinese with English abstract)

[15] 袁朝春，李道宇，吳飛，等. 汽車縱向主動(dòng)避撞DRV安全距離模型建模研究[J]. 重慶理工大學(xué)學(xué)報(bào)：自然科學(xué)，2015，29(10)：29－33. Yuan Chaochun, Li Daoyu, Wu Fei, et al. Analysis on safety distance model and modeling DRV safety distance model[J]. Journal of Chongqing Institute of Technology: Natural Science, 2015, 29(10): 29－33. (in Chinese with English abstract)

[16] 王暢，付銳，張瓊，等. 換道預(yù)警系統(tǒng)中參數(shù)TTC特性研究[J]. 中國(guó)公路學(xué)報(bào)，2015 (8): 91－100,108. Wang Chang, Fu Rui, Zhang Qiong, et al. Research on parameter TTC characteristics of lane change waring system[J]. Chinese Journal of Highway Engineering, 2015,(8): 91－100, 108. (in Chinese with English abstract)

[17] 陳瑜，張鐵民，孫道宗，等. 基于無線傳感器網(wǎng)絡(luò)的設(shè)施農(nóng)業(yè)車輛定位系統(tǒng)設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2015,(10):190－197.

Chen Yu, Zhang Tiemin, Sun Daozong, et al. Design and experiment of locating system for facilities agricultural vehicle based on wireless sensor network[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2015,(10):190－197. (in Chinese with English abstract)

[18] 王雪. GPS與北斗衛(wèi)星導(dǎo)航系統(tǒng)異同分析[J]. 科技創(chuàng)新導(dǎo)報(bào)，2013(9)：136 Wang Xue. Analysis of similarities and differences between GPS and Beidou satellite navigation system[J]. Science and Technology Innovation Herald, 2013(9): 136. (in Chinese with English abstract)

[19] 趙汝祺，趙祚喜，趙汝準(zhǔn). 基于多項(xiàng)式卡爾曼濾波器的車輛定位試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(18): 49－56. Zhao Ruqi, Zhao Zuoxi, Zhao Ruzhun. Experiment of vehicle localization based on polynomial Kalman filter[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2012, 28(18): 49－56. (in Chinese with English abstract)

[20] 杜利，彭濤. 我國(guó)北斗產(chǎn)業(yè)鏈發(fā)展現(xiàn)狀與趨勢(shì)[J]. 中國(guó)工業(yè)評(píng)論，2015(11)：70－76.

[21] 王秋敏，熊啟生. GPS RTK測(cè)量技術(shù)與誤差特性[J]. 民營(yíng)科技，2013(6)：70－70. Wang Qiumin, Xiong Qisheng. GPS RTK closed loop measurement technology and error characteristics of [J]. private science and technology, 2013(6): 70－70. (in Chinese with English abstract)

[22] Mahler S P, Reece J L. Global postioning systems, inertial navigation, and integration[M]. Wiley, 2007, 34(5): 365－370.

[23] 張建陽. 基于嵌入式LINUX的GPS/SINS車載組合導(dǎo)航系 統(tǒng)研究與實(shí)現(xiàn)[D]. 西安：長(zhǎng)安大學(xué)，2013. Zhang Jianyang. Research and Implementation of GPS/SINS Based on Vehicle Integrated Navigation System Based on Embedded[D]. Xi'an: Chang'an University, 2013. (in Chinese with English abstract)

[24] 周盧. 專用短程通信(DSRC)協(xié)議研究及應(yīng)用[D]. 重慶：重慶郵電大學(xué), 2013. Zhou Lu. Research and Application of Dedicated Short Range Communication (DSRC) Protocol[D]. Chongqing: Chongqing University of Posts and Telecommunications, 2013. (in Chinese with English abstract)

[25] Yin X, Ma X, K S. Trivedi. MAC and application level performance evaluation of beacon message dissemination in DSRC safety communication[J]. Performance Evaluation, 2014, 71(1): 1－24.

[26] Nwizege K S, Bottero M, Mmeah S, et al. Vehicles- to-infrastructure communication safety messaging in DSRC[J]. Procedia Computer Science, 2014, 34: 559－564.

[27] 張書僑. DSRC無線通信模式的原理及應(yīng)用[J]. 數(shù)字通信世界，2014(9)：43－45. Zhang Shuqiao. The principle and application of DSRC wireless communication mode[J]. Digital communication World, 2014(9): 43－45. (in Chinese with English abstract)

[28] 錢立軍，邱利宏，林如寧，等. 基于V2X的混合動(dòng)力汽車分層能量管理及優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào),2016,32(19):74－81.

Qian Lijun, Qiu Lihong, Lin Runing, Xin Fulong. Hierarchical energy management and optimization of hybrid electric vehicles based on V2X[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2016,32(19):74－81. (in Chinese with English abstract)

[29] Chena L, Tsengb Y, Syue K. Surveillance on-the-road: Vehicular tracking and reporting by V2V communications[J]. Computer Networks, 2014, 67(10): 154－163.

[30] Zou Y. Research on optimization of signal phase at

intersection based on VISSIM simulation software[C]// International Industrial Informatics and Computer Engineering Conference, 2015.

[31] 李飛燕，車廣俠，于慧玲. 基于Vissim的交叉口左轉(zhuǎn)待轉(zhuǎn)區(qū)設(shè)置仿真研究[J]. 黑龍江交通科技，2016，39(3)：142－143. Li Feiyan, Che Guangxia, Yu Huiling. Simulation study on left turn waiting area of intersection based on [J]. Heilongjiang Traffic Science and Technology, 2016, 39(3): 142－143. (in Chinese with English abstract)

[32] 李苗苗，王玉娜，孫葉. 基于Vissim仿真的城市交叉口信號(hào)配時(shí)優(yōu)化分析[J]. 洛陽理工學(xué)院學(xué)報(bào)：自然科學(xué)版，2016，26(4)：22－26. Li Miaomiao, Wang Yuna, Sun Ye. Analysis of signal timing optimization in urban intersection based on vissim simulation [J]. Journal of Luoyang Institute of Science and Technology (Natural Science Edition), 2016, 26(4): 22－26. (in Chinese with English abstract)

[33] 周嗣恩，李克平，孫劍，等. 道路交叉口沖突仿真分析[J]. 中國(guó)安全科學(xué)學(xué)報(bào)，2009，19(5)：32－37. Zhou Sien, Li Keping, Sun Jian, et al. Simulation and analysis of road intersection conflict[J]. Chinese Journal of Safety Science, 2009, 19(5): 32－37. (in Chinese with English abstract)

Anti-collision warning time algorithm based on driving speed of vehicle

Liu Qinghua1,2, Qiu Xiulin1, Xie Limeng1, Wang Junhua2, Fang Shouen2※

(1.212013,;2.201804,)

In order to solve the problem that the warning threshold fixation of time-to-collision (TTC) algorithm causes prematurely warning at low speed and warning with a delay at high speed, this paper presents a safety time warning method of anti-collision based on vehicle driving speed. Firstly, vehicles can get the driving status information of themselves and others timely by on-board equipment. On-board equipment can get the information about latitude, longitude, speed and heading angle of the vehicle in real time. Then, according to the driving status information, vehicle coordinates information can be obtained by Gauss plane rectangular coordinate system established. After that, the possible collisions can be classified and processed. In reality, all vehicles are not required to carry out vehicle collision warning, so it can reduce vehicle collision processing and optimize the performance of the algorithm by classifying the possible collisions of vehicles, and it also can facilitate the use of different collision warning algorithms for different types. Mathematical model can be used to classify the possible collisions. Collision is divided into linear collision and side impact, and linear collision includes frontal and rear collision. For linear collision, the precondition of collision is that the lateral distance of the 2 vehicles is less than the width of vehicle. For the side impact, vehicles maintain current speed and direction, and according to the current state of vehicles, it can predict future vehicle running track, determine vehicle collision point and calculate vehicle collision time difference, and the collision time difference is used to determine the initial conditions of side impact. Next, the initial condition of vehicle collision is met, vehicle anti-collision safety time can be set based on vehicle driving speed, and then it will be compared with the time required for vehicle collision occurring for each vehicle. If the risk of collision exists, the application equipment displays warnings to remind drivers. The safety anti-collision time is the shortest time for drivers to take measures to avoid the danger. Response time of the driver is the time when the alarm signal is received, and response time of the braking system includes the reaction time of the braking system, the braking coordination time and the continuous braking time. Based on this, it is possible to get early warning of collision risk from the driver’s reaction to braking reaction. Through the different vehicle speed, it can determine the different safety collision time, and through detecting vehicle speed changes, it can timely change vehicle anti-collision safety time threshold. Entire system can receive the vehicle status information through the on-board equipment in real time and continuously. When the precondition of linear collision and side collision is satisfied, the time needed for vehicle collision is calculated in real time, and then compared with the time threshold of safety warning. If there is a risk of collision, it will warn on the application device. Finally, experiments are carried out to verify the performance of the proposed method. In the simulation experiment, compared with the general TTC fixed threshold method, this method reduces the false alarm rate by up to 9.04%, and decreases the missing alarm rate by 8.3%. In real vehicle test, experimental results show that the suitable early warning rate of this proposed method is 88.89%, and premature warning rate of general TTC fixed threshold method reached 81.48%, and late warning rate reached 70.37%. It can be concluded that the proposed method in this paper is more effective for vehicle hazard warning, more in line with the actual situation of the vehicle anti-collision, and improves the safety of vehicle driving.

vehicles; traffic; safety; collision warning; time to collision

10.11975/j.issn.1002-6819.2017.12.013

U467.14

A

1002-6819(2017)-12-0099-08

2016-12-28

2017-05-31

國(guó)家863計(jì)劃項(xiàng)目（2013AA12A206）

劉慶華，男，同濟(jì)大學(xué)博士后，副教授，工學(xué)博士，主要研究方向?yàn)橹悄芙煌ㄅc道路安全。鎮(zhèn)江 江蘇科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，212013。Email：giant_liu@163.com

方守恩，男，教授，博士生導(dǎo)師，主要研究向?yàn)榈缆方煌ò踩?、道路?guī)劃與計(jì)算機(jī)輔助設(shè)計(jì)等。上海 同濟(jì)大學(xué)交通運(yùn)輸工程學(xué)院，201804。Email：fangsek@#edu.cn

劉慶華，邱修林，謝禮猛，王駿驊，方守恩. 基于行駛車速的車輛防撞時(shí)間預(yù)警算法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(12)：99－106. doi：10.11975/j.issn.1002-6819.2017.12.013 http://www.tcsae.org

Liu Qinghua, Qiu Xiulin, Xie Limeng, Wang Junhua, Fang Shouen. Anti-collision warning time algorithm based on driving speed of vehicle[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(12): 99－106. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.12.013 http://www.tcsae.org