唐榮芳,張曉玲,程榮波

(廣西工業(yè)職業(yè)技術(shù)學院,廣西 南寧 530001)

0 引言

近年來,隨著物流行業(yè)的快速發(fā)展,物流車輛數(shù)量不斷增加,車輛行駛的復雜程度也日益增加。現(xiàn)有物流車輛行駛狀態(tài)檢測和車距預警方法主要有2種:傳統(tǒng)方法和基于機器學習的方法。傳統(tǒng)方法主要采用傳感器等硬件設備來進行檢測,存在數(shù)據(jù)量大、計算量大、魯棒性差等問題[1-2]。基于機器學習的方法具有較強的魯棒性和適應性,但算法復雜、訓練數(shù)據(jù)量大[3-4]。

針對上述問題,本文提出了一種基于狀態(tài)估計和目標識別的物流車輛行駛狀態(tài)檢測和車距預警方法。本文首先介紹了物流車輛行駛狀態(tài)檢測和車距預警的相關(guān)研究并提出了系統(tǒng)框架。其次,本文對狀態(tài)估計方法和基于目標識別的車距預警算法進行了細致研究。最后,實驗結(jié)果證明了方法的有效性。

1 物流車輛行駛狀態(tài)與車距預警系統(tǒng)框架

本研究設計的物流車輛行駛狀態(tài)與車距預警系統(tǒng)框架,如圖1所示。傳感器采集層使用了慣性測量單元來實時采集車輛的傳感器數(shù)據(jù);狀態(tài)估計模塊能根據(jù)慣性測量單元的數(shù)據(jù)采用先進的狀態(tài)估計算法對車輛的當前狀態(tài)進行估計;測距模塊使用雷達數(shù)據(jù)對車輛之間的距離進行測量;車輛距離估計部分能結(jié)合狀態(tài)估計和雷達測距的結(jié)果計算與前方車輛或障礙物的距離;在確定車輛與前方障礙物的距離后,距離預警系統(tǒng)使用事先設定的安全距離閾值來評估潛在的碰撞風險。

圖1 預警系統(tǒng)的總體框架

2 行駛狀態(tài)估計與車距測量算法研究

2.1 狀態(tài)估計方法研究

在使用慣性測量單元測量物流車輛的狀態(tài)后,系統(tǒng)采用卡爾曼濾波器[5-6]來綜合評估車輛的狀態(tài),該過程為:

(1)預測步驟。首先,該方法利用狀態(tài)方程估計車輛的狀態(tài)x(k|k-1)和狀態(tài)協(xié)方差P(k|k-1),其中k|k-1表示在時刻k-1對時刻k的預測。

x(k|k-1)=A×x(k-1|k-1)+B×u(k)

(1)

P(k|k-1)=A×P(k-1|k-1)×AT+Q

(2)

其中,Q表示過程噪聲的協(xié)方差矩陣;A是狀態(tài)轉(zhuǎn)移矩陣;B是控制輸入矩陣;u(k)是控制輸入。

(2)更新步驟。該方法能利用測量方程和測量值來修正狀態(tài)估計,并計算更新后的狀態(tài)x(k|k)和狀態(tài)協(xié)方差P(k|k)。

K(k)=P(k|k-1)×HT×(H×P(k|k-1)×HT+R)-1

(3)

x(k|k)=x(k|k-1)+K(k)×(z(k)-H×x(k|k-1))

(4)

P(k|k)=(I-K(k)×H)×P(k|k-1)

(5)

其中,K(k)是卡爾曼增益;R是測量噪聲的協(xié)方差矩陣;I是單位矩陣;H是測量矩陣。

2.2 基于雷達測距的車距估計算法

在雷達測距領域,常用的實現(xiàn)距離測量的方法有:最小均方根誤差[7]、匹配濾波法[8]和到達時間法[9]。最小均方根誤差法通過優(yōu)化估計值與真實值之間的均方根誤差來實現(xiàn)距離測量。該方法在處理噪聲時效果較好。匹配濾波法是一種特定于信號的處理方法。它嘗試將接收到的信號與已知信號進行匹配,以找到最佳匹配點。到達時間法基于信號的傳播時間來測量距離。該方法簡單但對于高精度測量要求和復雜環(huán)境下的距離估計可能存在一些限制。綜合來看,本研究采用最小均方根誤差進行車距估計。

假設,有一個車載雷達系統(tǒng)被用于測量車輛到前方目標的距離,設d為真實的車輛與目標之間的距離,z為雷達測量的距離值,則距離估計模型可以表示為:

z=d+n

(6)

其中,n是測量誤差和噪聲,通常假設均值為零的高斯分布,即n～N(0,σ2),σ2表示方差。最小均方根誤差估計的目標是通過最小化均方誤差來估計距離n:

(7)

(8)

其中,E(d)是距離的先驗期望(可以根據(jù)歷史數(shù)據(jù)估計);Cov[d,z]是距離和測量值之間的協(xié)方差;Var(z)是測量值的方差。

2.3 車距預警方法

當已經(jīng)獲得物流車輛的狀態(tài)估計信息和前方目標距離估計信息時,系統(tǒng)根據(jù)這些信息來判斷是否需要觸發(fā)距離預警。該邏輯模型為:

(1)安全距離模型。首先,定義一個安全距離(Safe Distance, SD )。該距離表示車輛在當前速度下需要保持的最小安全距離,可以根據(jù)車輛的動態(tài)特性和道路條件來確定:

SD=f(v,a,μ)

(9)

其中,v表示車輛速度;a表示車輛加速度;μ表示摩擦系數(shù);f是一個安全距離計算函數(shù)。

(2)距離與安全距離比較。該方法對比前方目標與安全距離之間的距離(Distance, D)和速度(Relative Speed, RS)?？梢允褂靡韵玛P(guān)系來表達:

D=dtarget-dvehicle

(10)

其中,dtarget表示前方目標與車輛的距離估計;dvehicle表示車輛自身的長度。

(3)距離預警觸發(fā)條件。如果D0,則觸發(fā)距離預警。其中,RS表示車輛與前方目標的相對速度。

(4)預警觸發(fā)概率。為了增加預測的穩(wěn)定性,本研究使用貝葉斯框架[10]來計算觸發(fā)距離預警的概率:

P(Warning)=P(D0|D

(11)

其中,P(D0|D

3 實驗與分析

3.1 實驗方案

本研究使用MATLAB的Simulink構(gòu)建車輛距離測量的仿真實驗環(huán)境,按照以下步驟進行。

步驟一:創(chuàng)建仿真模型。本實驗在Simulink中創(chuàng)建一個新的仿真模型。該模型將用于模擬車輛距離測量。

步驟二:添加模塊。在Simulink模型中,車輛模塊和目標模塊使用“Vehicle Dynamics Blockset”來添加,并設置距離測量模塊和控制邏輯模塊。

步驟三:連接模塊。在Simulink中,各個模塊被連接起來以建立仿真系統(tǒng)的數(shù)據(jù)流,確保數(shù)據(jù)正確傳遞和處理以模擬車輛距離測量。

步驟四:設置仿真參數(shù)并運行。

3.2 實驗結(jié)果與分析

不同車輛距離測量算法以及在不同車輛距離條件下的實驗結(jié)果,如表1所示。該結(jié)果包含了車輛距離、相對誤差、絕對誤差等數(shù)據(jù)。

表1 實驗結(jié)果數(shù)據(jù)

表1中,算法A為本文所提方法,算法B為匹配濾波法,算法C為到達時間法。從實驗結(jié)果來看,本文所提方法在測量距離方面相對誤差較小,這表明它在準確性方面可能較優(yōu)。相比之下,到達時間法在50 m和150 m車輛距離條件下的相對誤差較大,可能需要進一步改進。從絕對誤差可以得出,不同算法在不同車輛距離條件下的性能波動較小,絕對誤差為1～5 m。相對誤差用來評估測量的相對準確性,從表1可以看到相對誤差一般為2%～6%。總體來看,本文所提方法在3種距離的情況下都表現(xiàn)出了更好的性能。

4 結(jié)語

本研究在物流車輛領域探索了關(guān)鍵的駕駛狀態(tài)檢測和車輛距離預警問題。通過提出基于IMU的狀態(tài)估計框架和針對雷達測距的距離測量算法,本方法能夠有效地獲得車輛狀態(tài)和距離信息,為提高道路安全性提供了有力工具。實驗結(jié)果表明,不同的車輛距離測量算法在不同條件下表現(xiàn)出不同的性能,證明了文章所提方法的有效性。綜合而言,本研究為物流車輛駕駛狀態(tài)檢測和距離預警系統(tǒng)的發(fā)展提供了有益的見解和方法。