智能汽车潜在交通事故风险特征辨识及复杂系统时滞协调机制研究

Intelligent vehicle is the key development direction of the automobile industry, because of its high automation and good security. In the complex dynamic environment, wet slippery surface, blind spots, time-delay and other factors which make the safety performance of intelligent vehicle deteriorate, seriously affect the promotion of intelligent vehicles..This project mainly solves the key scientific problems in the two aspects, that is the potential traffic accident risk identification and complex system time-delay coordination mechanism of intelligent vehicle. Based on the dynamic response characteristics of intelligent vehicle and road image characteristics, the hidden route of the planned route is excavated by the hidden Markov model method. Based on the fusion information, the risk characteristics of the potential traffic accident in the blind spot are excavated, and the risk evolution and circumvention mechanism of the detection blind spot are revealed. Aiming at the characteristics of intelligent vehicle path planning, decision-making dynamics, kinematic characteristics and traffic rule constraints, this project analyzes the virtual gravity and repulsion modeling methods under the condition of multiple constraints, and studies the local path planning and control decision integration algorithm. Based on the analysis of the characteristics of the complex system of intelligent vehicle, the multi-agent theory is used to solve the problems of coordinated control of intelligent vehicle, and to improve the robustness of the system under the influence of time-delay..The results of the project will provide new theories and methods for improving the safety performance of intelligent vehicles.

智能汽车自动化程度高、安全性好，是未来汽车产业转型升级的重点方向。复杂动态环境下，湿滑路面、检测盲区及时滞等因素使智能汽车安全性能恶化，严重影响智能汽车的推广应用。.本项目主要解决智能汽车潜在交通事故风险特征辨识和复杂系统时滞协调机制两个方面的关键科学问题。以车辆动力学响应特性和道路图像特征为基础，以隐马尔科夫模型为手段，挖掘规划路线的道路-轮胎附着力特性信息；以融合信息为基础，挖掘检测盲区潜在交通事故风险特征，揭示检测盲区交通事故风险演化及规避机理；针对智能汽车规划-决策受动力学、运动学特性及交通规则约束的特点，分析多类约束存在条件下的虚拟引力、斥力建模方法，研究局部路径规划与控制决策一体化算法；通过智能汽车复杂大系统时滞特性分析，提出应用Multi-agent理论解决时滞影响下的智能汽车复杂系统协调控制问题，以提升系统的鲁棒性。.项目研究成果为提升智能汽车安全提供新理论和方法。

智能汽车自动化程度高、安全性好，是未来汽车产业转型升级的重点方向。复杂动态环境下，湿滑路面、检测盲区及时滞等因素使智能汽车安全性能恶化，严重影响智能汽车的推广应用。本项目主要解决智能汽车潜在交通事故风险特征辨识和复杂系统时滞协调机制两个方面的关键科学问题。. 1.在传统的路面附着系数估计算法的基础上，针对Burckhardt轮胎模型只包含六种典型路面曲线的局限，基于类比特性对Burckhardt μ-s模型进行改进，提出了一种当前路面峰值附着系数实时估计算法。提取典型路面纹理和颜色特征参数，完成了基于隐马尔可夫模型前方道路附着力特性的估计和预测，通过对提取的图像特征参数和当前路面峰值附着系数辨识的HMM建模、训练和识别，对前方道路图像的识别率达到90%以上，且算法能够对前方突变路面的峰值附着系数实现有效预测。. 2.利用卷积神经网络实时识别传感器感知盲区的类别和位置；分析传感器感知盲区的运动趋势并且根据车辆的标准参数、行车工况等搭建传感器感知盲区潜在障碍物运动学预测模型；以自车车速、感知盲区运动状态、车辆与感知盲区的相对距离等参数为基础，研究了基于传感器感知盲区的主动避撞算法。. 3.设计了行驶安全状态判定算法，对车辆行驶过程中纵向行驶及横向换道过程中碰撞风险进行了判断，为车辆行驶安全判定提供了依据；建立了基于改进人工势场的主动避撞模型，将传统主动避撞算法中的避撞路径规划部分与轨迹跟踪部分统一起来，为复杂工况的智能车辆主动避撞规划提供低时滞，高效率的方法。. 4.建立了智能车多智能体主动避撞系统，在此系统中建立了跟车避撞智能体、紧急制动避撞智能体和紧急转向避撞智能体三个子智能体；建立了智能车多智能体主动避撞系统。引入黑板模型对以上各智能体在避撞时产生的避撞决策冲突进行协调控制，使智能车可以在不同工况下选择合理的避撞方式。. 项目研究成果为提升智能汽车在复杂动态环境下的安全性提供新理论和方法。