1.本发明属于驾驶辅助技术领域，具体涉及一种车辆自适应巡航系统及其旁车并线识别方法。


背景技术：

2.先进驾驶员辅助系统(advance driver assistance system，adas)通过车载传感器获知车辆周围环境信息并基于此辅助驾驶员对车辆行驶进行控制，因而adas能够减轻驾驶员的操控负担并有效降低由于人为失误而引发的交通事故的风险。其中自适应巡航(adaptive cruise control，acc)是adas的一种典型应用，其通过车载雷达获取车辆前部信息，并由此作出判定，进而完成对车辆的加减速或行驶方向的自主控制。
3.并线是一种常见的交通行为，然而现实中很多事故正是由并线所引发，其原因在于驾驶员较难及时察觉到旁车的并线行为，特别是并线车辆不打转向灯或者由于视野关系无法察觉到旁车转向灯，从而两车避让不及时发碰撞事故。当前市面上的acc系统主要局限在对主车道内的车辆进行识别与控制，因而只有在旁车道车辆完全进入主车道后才会引起acc识别控制，但是这势必会留下较大的安全风险。所以如果能够解决对于旁车并线意图的提前预测性识别问题，将会极大提升驾驶辅助系统的安全性，因此有必要研制一种可识别旁车并线意图的车辆自适应巡航系统。


技术实现要素：

4.针对现有技术中存在的不足，本发明提供了一种可识别旁车意图的车辆自适应巡航系统，用以解决旁车并线识别问题，提升车辆行驶的安全性。
5.本发明通过以下技术手段实现上述技术目的。
6.一种旁车并线意图识别方法，包括如下步骤：
7.步骤(1)，选取多个自车和旁车的行驶参数作为变量参数，将旁车是否并线作为结果c，以变量参数和结果c作为节点，构建出多个贝叶斯网络结构；
8.步骤(2)，利用ch评分对所构建的多个贝叶斯网络结构进行评分；
9.步骤(3)，利用mcmc抽样对评分后的多个贝叶斯网络结构进行搜索，将被抽中频率最高的网络结构作为最优网络结构；
10.步骤(4)，对最优网络结构进行贝叶斯网络参数学习，得到旁车并线意图识别模型，利用旁车并线意图识别模型识别判断是否有旁车并线。
11.进一步地，所述变量参数为7个，分别是自车车速vh、纵向相对车距δd
x
、横向相对车距δdy、纵向相对车速δv
x
、横向相对车速δvy、纵向相对加速度δa
x
、横向相对加速度δay。
12.进一步地，在步骤(2)之前对所选取的变量参数做离散化处理。
13.进一步地，所述离散化处理具体为：
14.根据预先准备的数据集，将变量参数由小到大排序，并将每个具体变量参数的值
作为一个区间；
15.区间合并：计算相邻两区间的卡方值，将卡方值最小的相邻两区间合并为一个区间，卡方计算公式为其中m＝2、k＝2、a
ij
为第i个区间第j类的样本数目，为a
ij
的期望，n为总的样本数量，为第i区间的样本数量，为第j类的样本数量；
16.循环区间合并，直至区间总数合并至5个时停止。
17.一种应用到上述旁车并线意图识别方法的车辆自适应巡航系统，包括搭载有本发明并线意图识别方法的并线意图识别器。
18.进一步地，所述并线意图识别器根据自车以及旁车的行驶情况，识别判断是否有旁车并线，并将识别结果发送给acc控制器。
19.进一步地，acc系统控制策略为：
20.根据前方有无车辆选择驾驶模式，前方无车辆时选择定速巡航驾驶模式，前方有车辆时选择跟车驾驶模式；
21.当识别出有旁车并线时，acc系统在自车前方建立虚拟前车，并将虚拟前车作为前车目标进入跟车驾驶模式。
22.进一步地，所述虚拟前车的建立参数包括虚拟前车与自车之间的纵向车距d1和虚拟前车的纵向速度v1，相应公式为：
23.d1＝d2+t*v224.t＝d3/v
2y
25.v1＝v226.其中：d2为旁车与自车之间的纵向车距，v2为旁车的纵向速度，d3为旁车与自车之间的横向车距，v
2y
为旁车的横向速度。
27.进一步地，当acc未开启处在人工驾驶时，acc系统收集行驶数据形成训练集，训练优化并线意图识别模型。
28.本发明的有益效果为：
29.(1)本发明提供了一种旁车并线意图识别方法，其通过雷达等探测设备获取到的周围车辆行驶情况，提前预测性地识别出旁车的并线意图，为车辆安全驾驶提供辅助支持。
30.(2)基于上述旁车并线意图识别方法，本发明还提供了一套acc系统，其通过在现有acc系统基础上加设并线意图识别器，以此识别是否存在有旁车并线情况，从而弥补传统acc系统对于旁车并线工况识别不足、跟车目标更新不及时的缺陷。
31.(3)在识别出存在有旁车并线情况后，本发明通过在自车前方建立虚拟前车的方式，将旁车并线这一交通状况作为决策因素，融入现有acc系统的控制策略中；为acc系统预留出充足的车辆操纵时间，也即使得车辆总体的加减速等驾驶过程更加平滑顺畅，提高了所在车辆的舒适性、安全性和燃油经济性。
附图说明
32.图1为本发明自适应巡航系统的结构图；
33.图2为本发明并线意图识别器的工作逻辑流程图；
34.图3为本发明虚拟前车位置示意图；
35.图4为本发明acc控制器控制逻辑流程图；
36.图5为本发明acc系统控制策略流程图。
具体实施方式
37.下面详细描述本发明的实施例，所示实施例的示例在附图中示出，其中自始至终相通或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
38.一、旁车并线意图识别方法
39.1.总体思想
40.本发明旁车并线意图识别方法总体基于贝叶斯网络，实现通过所选取的变量参数预测出旁车是否有并线意图。本发明共选取以下7个变量参数，分别为自车车速vh、旁车与自车的纵向(沿车辆行驶方向)相对车距δd
x
、横向(垂直于车辆行驶方向)相对车距δdy、纵向相对车速δv
x
、横向相对车速δvy、纵向相对加速度δa
x
、横向相对加速度δay，并将“是否并线”作为结果c。通过将上述7个变量参数以及1个结果作为贝叶斯网络结构的节点，构建贝叶斯网络结构；贝叶斯网络是一种有向无环图模型，由节点和连接各节点之间的有向边组成，具体到本发明中，8个节点可以随机组合生成多个不同的网络结构。之后则需要通过事先准备的数据集(数据集中包括上述7个变量参数以及车辆是否发生并线的结果)从众多网络结构中筛选并训练出一个最优的网络结构模型；本实施例中采用ngsim数据集做测试。
41.2.数据预处理
42.为提升数据处理效率，将上述所选取的7个变量参数做离散化处理。离散化的效果是将原本连续的数据划分成多个取值区间，进而再以区间号代替具体原本的各个数据。以纵向相对车速为δv
x
例，设总的车速取值范围在[0,50](单位km/h)，并划分出[0,10]、[11,15]、[16,20]、[21,50]这4个区间，则实际相对车速为13km/h所对应的离散化结果就是2，实际相对车速为22km/h对应的离散化结果就是4。
[0043]
本发明中所采用的离散化方法如下：
[0044]
1)根据事先准备好的用于训练的数据集，将变量参数由小到大排序，并将每个具体变量参数的值作为一个区间。例如纵向相对车速δv
x
中有10、11、12、15、17、18、19、25、30、32共10个具体的参数，每个参数单独设为一个区间，即初始有10个区间。
[0045]
2)区间合并。计算相邻两区间的卡方值，将卡方值最小的相邻两区间合并为一个区间。卡方计算公式为：
[0046][0047]
其中m＝2表示每次比较相邻2个区间；k为类别数，本发明中以结果c是否并线划分类别，也即类别分为类别1“并线”和类别2“不并线”，故类别数k＝2；a
ij
为第i个区间第j类的样本数目，例如第1区间[10,11,12,15]中，11,12,15这三个车速下未发生并线，则a
12
为3；eij
为a
ij
的期望，具体计算公式如下：
[0048][0049]
其中n为总的样本数量，为第i区间的样本数量，为第j类的样本数量。
[0050]
3)循环步骤2)，直至区间总数合并至5个时停止。
[0051]
分别将数据集中的7个变量参数依照上述方法作离散化处理。
[0052]
3.ch评分(cooper-herskovits)
[0053]
利用ch评分并结合事先准备的数据集对所生成的多个网络结构进行评分，所选取的8个节点能够生成了500多个贝叶斯网络结构，也即对这生成的500多个网络结构进行评分。理论上，评分最高的网络结构即为最优的网络结构，但是ch评分仅能够做到大致确定评分的分布范围，而无法精确定位到具体某一个网络结构，因而需要基于ch评分再作进一步最优网络结构的搜索。
[0054]
也即上述总结为：在确定了评分函数(ch评分)的前提下，贝叶斯网络的结构学习就变成了搜索问题，评分函数已经对所有的网络结构进行评分，接下来只需要通过确定的搜索算法寻找评分最高的网络结构就可以确定最优的网络结构，即与训练数据拟合程度最高的网络结构。而本发明则是将mcmc抽样的思想融入到相关搜索环节。
[0055]
4.mcmc抽样(markov-chain monte carlo马尔可夫蒙特卡洛抽样)
[0056]
利用mcmc抽样对上述评分后的多个网络结构进行搜索，以找到最高评分的网络结构；mcmc抽样的工作原理为在众多网络结构中抽取符合要求的网络结构，之后统计被抽中网络结构的频率；例如在500个网络结构中抽取100次，其中编号为125的网络结构被抽中30次，则输出结果中编号125的网络结构被抽中的频率就是0.3。本发明通过mcmc抽样，能够有效搜索出评分最高也即最优的网络结构。
[0057]
上述ch评分以及mcmc抽样均属于现有技术，故两者的具体内部算法结构以及工作原理等，本文中不作展开描述。
[0058]
5.贝叶斯网络参数学习
[0059]
在筛选出最优的贝叶斯网络结构后，还需要确定具体的各节点的概率函数，也即贝叶斯网络参数学习。贝叶斯网络参数学习是在已知网络结构的前提下定量地刻画各节点之间依赖关系的强弱，求解每对父子节点之间的条件概率分布。本发明利用贝叶斯估计法，基于贝叶斯公式估计网络参数，进行参数学习，进而获得各节点的条件概率分布函数；具体贝叶斯网络参数学习方法属于现有技术，故在此不做赘述。
[0060]
6.效果测试
[0061]
经上述筛选及训练得到的贝叶斯网络结构模型即为最终所需的旁车并线意图识别模型，在使用时，通过将自车与旁车的实际行驶参数(即前文所述的7个变量参数)带入识别模型中，识别模型将相应地输出旁车是否并线的识别结果；具体识别方式为通过计算结果c取值0或1时成立的概率，并以概率高低来判别是否并线。为验证实际效果，对最终训练得到的旁车并线意图识别模型进行测试；分别从ngsim数据集中另外抽选出500组并线和未并线的车辆行驶数据，对本发明网络结构模型进行检测，结果如表1所示，可见本发明旁车并线意图识别方法，通过所选取的7个参数变量，能够较为准确的判断出旁车是否并线。
[0062]
表1：旁车并线意图识别测试
[0063][0064]
二、自适应巡航系统
[0065]
1.acc系统总体结构
[0066]
如图1所示，本发明自适应巡航系统包括并线意图识别器、acc控制器、车速传感器、环境感知系统和加减速执行装置；其中除并线意图识别器外，都是属于现有自适应巡航系统的软硬件。具体的，环境感知系统包含有各型雷达等探测设备，用于感测周围旁车的行驶情况，并将感测数据发送给并线意图识别器和acc控制器，旁车行驶情况包括前文所提到的纵向相对车距δd
x
、横向相对车距δdy、纵向相对车速δv
x
、横向相对车速δvy、纵向相对加速度δa
x
、横向相对加速度δay；车速传感器用于感测自身车速，并将车速信息发送给并线意图识别器或acc控制器；acc控制器为自适应巡航系统的主控单元，负责控制车辆行驶姿态；加减速执行装置即为现有车辆的油门和制动系统，用于具体执行车辆的加减速指令。当然acc控制器还能够控制车辆的行驶方向，不过因本发明对于自适应巡航系统的创新改进并不涉及此方面，故在此省略。
[0067]
如图2所示为所述并线意图识别器的工作逻辑流程图，所述并线意图识别器为搭载了本发明并线意图识别方法的器件。并线意图识别器首先根据外部指令确定工作状态，工作状态分为训练状态和识别状态；当处于训练状态时，并线意图识别器将接收到的旁车行驶情况以及自身车速情况存入训练数据库，以此实时更新和丰富训练数据库中的训练集样本，之后基于更新后的训练集，依次经预处理、ch评分、mcmc抽样步骤确定最优网络结构，接着再经贝叶斯参数学习生成新的优化后的并线意图识别模型；而当处于识别状态时，并线意图识别器将外界输入的旁车行驶情况以及自车车速情况，带入最新训练优化后的并线意图识别模型，以此给出旁车并线的判断识别结果。所述并线意图识别器的具体硬件形式可以是各类现有能够执行数据处理任务的设备，例如单片机、plc等；并线意图识别器通过环境感知系统输入的周围旁车行驶情况，依照本发明旁车并线意图识别方法，对旁车是否并线做出提前的预测性识别判断；之后将识别判断结果发送给acc控制器，进而acc控制器将旁车并线这一要素加入其控制策略中，由此更加安全地操控车辆行驶。
[0068]
如图3所示，本发明通过引入虚拟前车的概念，在现有自适应巡航系统的控制策略中增加旁车并线这一决策要素。现有acc系统的控制策略是，通过感测自车与实际前车的相对距离、相对速度等信息，控制自车加减速，从而使自车与前车之间始终保持在一定安全距离。而本发明中，当并线意图识别器识别出有旁车并线时，则acc系统在自车前方建立虚拟前车，之后将虚拟前车作为新的前车目标，也即通过自车与所建立的虚拟前车之间的相对距离、相对速度等信息，控制自车加减速，调节前后车距，以此留出安全距离。
[0069]
本发明所建立的虚拟前车具体参数包括虚拟前车与自车之间的纵向车距d1，虚拟前车的纵向速度v1，而d1和v1具体通过如下公式得到：
[0070]
d1＝d2+t*v2[0071]
t＝d3/v
2y
[0072]
v1＝v2[0073]
其中d2为旁车与自车之间的纵向车距，v2为旁车的纵向速度，d3为旁车与自车(或虚拟前车)之间的横向车距，v
2y
为旁车的横向速度；以上旁车的行驶信息也通过环境感知系统感测得到。
[0074]
如图4所示为acc控制器的控制逻辑流程图，acc控制器内依据不同情况，设定出三种驾驶模式(控制模式)，具体为：当前方无车并且也没有旁车并线时，设定为定速巡航驾驶模式；当前方有车且无旁车并线时，设定为实际前车跟踪驾驶模式；当有旁车并线时，设定为虚拟前车跟踪驾驶模式。acc控制器依据不同驾驶模式下，求解计算相应的期望加速度，进而以此调节发动机节气门开度或制动压力，实现对车辆的自适应控制。
[0075]
2.acc系统具体控制策略步骤
[0076]
如图5所示为acc系统的控制策略流程图，具体步骤如下：
[0077]
s1，acc系统根据自适应巡航(acc)功能的开启状态确定并线意图识别器的工作模式，其中未开启自适应巡航(acc)功能时，并线意图识别器为数据训练模式，用于不断训练优化并线意图识别模型；而开启自适应巡航(acc)功能时，则并线意图识别器为数据识别模式，用于识别是否有旁车并线。
[0078]
s2，自适应巡航(acc)功能未开启时，并线意图识别器处于数据训练模式，此时环境感知系统和车速传感器实时收集数据(包括前文提到的7个变量参数以及旁车是否并线的结果)形成训练集；之后将训练集中的数据做离散化预处理，并按照前文所提方法训练旁车并线意图识别模型。
[0079]
s3自适应巡航(acc)功能开启时
[0080]
s3.1，acc系统根据环境感知系统的感测情况，判断自车前方(一定距离内)是否有车辆，进而以此选择相应的驾驶模式；其中前方无车辆时，选择定速巡航驾驶模式，而前方有车辆时，则选择跟车驾驶模式，也即实际前车跟踪驾驶模式。
[0081]
s3.2，并线意图识别器根据环境感知系统的感测情况，识别判断是否有旁车并线，当识别有旁车并线时，acc系统则在自车前方建立虚拟前车，进而以虚拟前车作为前车目标进入跟车驾驶模式，也即虚拟前车跟踪驾驶模式。
[0082]
s4车辆控制
[0083]
s4.1，当处在定速巡航驾驶模式时，acc系统基于设定的巡航速度以及车辆实时车速情况，通过相关车速控制算法，求解出期望加速度(包括加速和减速)。
[0084]
s4.2，当处在跟车驾驶模式时，acc系统以前车(实际前车或虚拟前车)为跟踪目标，通过测量得到自车车速、自车与前车的相对速度和车距等信息，进而按照相关跟车控制算法，求解出期望加速度(包括加速和减速)。
[0085]
上述定速巡航的车速控制算法和跟车控制算法都属于现有技术，例如公开号为cn112677974a的中国专利《一种自适应巡航系统的期望加速度决策方法及系统》中所公开的自适应巡航系统的期望加速度求解算法。
[0086]
s5，在得到相应的期望加速度后，acc系统操控加减速执行装置进行相应的加速或减速操作。
[0087]
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0088]
本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变形均属于本发明的保护范围。