基于认知风险平衡的智能汽车跟车决策和控制方法技术

本申请涉及一种基于认知风险平衡的智能汽车跟车决策和控制方法，包括：智能汽车处于跟车工况，基于车头时距和逆碰撞时间得到认知风险；判断是否位于认知风险平衡区间内，如果否，通过纵向加速度与认知风险之间的函数，预测获得人类驾驶员在相应的风险强度作用下的响应加速度，作为智能车辆应对相应的风险的拟人化响应加速度，拟人化响应加速度用于调节认知风险，使其保持平衡；基于响应加速度，通过车辆纵向逆动力性模型预测获得节气门开度和制动压力强度，以实时调节车速，实现智能汽车跟车。由此，实现了拟人化的认知风险平衡机制在智能汽车纵向驾驶行为决策上的应用，通过学习优秀驾驶员的驾驶决策规律，以指导智能汽车拟人化的跟车行驶。人化的跟车行驶。人化的跟车行驶。

【技术实现步骤摘要】
基于认知风险平衡的智能汽车跟车决策和控制方法


[0001]本申请涉及智能汽车应用
，特别涉及一种基于认知风险平衡的智能汽车跟车决策和控制方法。

技术介绍

[0002]对于智能汽车，如在智能驾驶、自动驾驶时，其纵向动力学运动决策采用的跟车行为模型主要包括：（1）刺激
‑
反应模型，如GM模型（general motor）和OVM（Optimal velocity model）模型；（2）安全距离模型，如Gipps模型；（3）社会力模型，如IDM（Intelligent driver model）模型和LCM（longitudinal control model）模型; （4）统计学习模型，如神经网络模型、深度学习模型和强化学习模型等。
[0003]现有的跟车模型通常为经验模型或半经验模型，存在物理意义不够清晰，可解释性不足，可迁移性差，未能充分挖掘人类驾驶员的跟车行为规律导致跟车模型拟人化程度不足，未能与车辆逆动力学模型结合实现实时可靠的节气门和制动压力控制等缺点，因此，现有智能汽车的跟车决策模型拟人化程度较差，导致了智能汽车的可接受程度不高，这严重制约了智能汽车的社会认可度，因此，对智能汽车拟人化跟车决策技术的深入探索具有重要的实用价值。

技术实现思路

[0004]本申请提供一种基于认知风险平衡的智能汽车跟车决策和控制方法，以解决现有的跟车模型通常为经验模型或半经验模型，存在物理意义不够清晰，可解释性不足，可迁移性差，未能充分挖掘人类驾驶员的跟车行为规律导致跟车模型拟人化程度不足，未能与车辆逆动力学模型结合实现实时可靠的节气门和制动压力控制等缺点，该方法实现了拟人化的认知风险平衡机制在智能汽车纵向驾驶行为决策上的应用，通过学习优秀驾驶员的驾驶决策规律，以指导智能汽车拟人化的跟车行驶。
[0005]本申请第一方面实施例中提供一种基于认知风险平衡的智能汽车跟车决策和控制方法，包括以下步骤：在确定智能汽车处于跟车工况的情况下，基于自车与前车的间距、自车速度以及前车速度，得到自车与前车的车头时距和逆碰撞时间，并基于所述车头时距和逆碰撞时间，通过基于认知风险平衡的纵向驾驶加速度预测模型中的认知风险函数，得到认知风险，其中，所述认知风险函数包括认知风险与车头时距和逆碰撞时间之间的对应关系；判断所述认知风险是否位于驾驶员认知风险平衡区间内，如果所述认知风险没有位于所述驾驶员认知风险平衡区间内，则通过所述基于认知风险平衡的纵向驾驶加速度预测模型中的纵向加速度与认知风险之间的函数，预测获得人类驾驶员在相应的风险强度作用下的响应加速度，作为智能车辆应对相应的风险的拟人化响应加速度，所述拟人化响应加速度用于调节认知风险，使其保持平衡，以使所述认知风险回归所述驾驶员认知风险平衡区间内；
基于拟人化响应加速度，通过车辆纵向逆动力性模型预测获得节气门开度和制动压力强度，以实时调节车速，以实现基于认知风险平衡的智能汽车跟车控制。
[0006]在一些示例中，在确定智能汽车处于跟车工况的情况下之前，还包括：利用车联网技术和车路协同技术，获得周车信息和交通信息；基于自车信息、周车信息和交通信息，确定所述智能汽车是否具备维持跟车行驶的条件和意图。
[0007]在一些示例中，所述认知风险函数为：，或者，，其中，RP为认知风险函数，所述thw为自车与前车的车头时距，所述ttc为自车与前车的碰撞时间，为常数，为常数，所述，ttc=1/ittc，，其中，s为自车与前车的间距，为自车速度，为前车速度，ittc为逆碰撞时间。
[0008]在一些示例中，所述纵向加速度与认知风险之间的函数的形式至少包括以下之一：，或者，，其中，所述tanh为双曲正切函数，所述arctan为逆正切函数。
[0009]在一些示例中，所述基于拟人化响应加速度，通过车辆纵向逆动力性模型预测获得节气门开度和制动压力强度，以实时调节车速，以实现基于认知风险平衡的智能汽车跟车控制，包括：基于拟人化响应加速度得到目标车速和目标车间距；将所述纵向加速度得到目标车速和目标车间距输入车辆纵向逆动力性模型，得到制动压力和节气门开度，其中，所述车辆纵向逆动力性模型包括目标发动机转速、目标车速和目标纵向加速度与制动压力和节气门开度之间的对应关系；基于所述制动压力和节气门开度调节车速，以实现基于认知风险平衡的智能汽车跟车控制。
[0010]本申请第二方面实施例提供一种基于认知风险平衡的智能汽车跟车决策和控制装置，包括：跟车决策模块，用于在确定智能汽车处于跟车工况的情况下，基于自车与前车的间距、自车速度以及前车速度，得到自车与前车的车头时距和逆碰撞时间，并基于所述车头时距和逆碰撞时间，通过基于认知风险平衡的纵向驾驶加速度预测模型中的认知风险函数，得到认知风险，其中，所述认知风险函数包括认知风险与车头时距和逆碰撞时间之间的对应关系，以及判断所述认知风险是否位于驾驶员认知风险平衡区间内，如果所述认知风险没有位于所述驾驶员认知风险平衡区间内，则通过所述基于认知风险平衡的纵向驾驶加
速度预测模型中的纵向加速度与认知风险之间的函数，预测获得人类驾驶员在相应的风险强度作用下的响应加速度，作为智能车辆应对相应的风险的拟人化响应加速度，所述拟人化响应加速度用于调节认知风险，使其保持平衡，以使所述认知风险回归所述驾驶员认知风险平衡区间内；车辆控制模块，用于基于拟人化响应加速度，通过车辆纵向逆动力性模型预测获得节气门开度和制动压力强度，以实时调节车速，以实现基于认知风险平衡的智能汽车跟车控制。
[0011]在一些示例中，还包括：网络感知模块，用于利用车联网技术和车路协同技术，获得周车信息和交通信息，并基于自车信息、周车信息和交通信息，确定所述智能汽车是否采取跟车工况。
[0012]在一些示例中，所述认知风险函数为：，或者，，其中，RP为认知风险函数，所述thw为自车与前车的车头时距，所述ttc为自车与前车的碰撞时间，为常数，为常数，所述，ttc=1/ittc，，其中，s为自车与前车的间距，为自车速度，为前车速度，ittc为逆碰撞时间；所述纵向加速度与认知风险之间的函数的形式至少包括以下之一：，或者，，其中，所述tanh为双曲正切函数，所述arctan为逆正切函数。
[0013]在一些示例中，所述车辆控制模块，具体用于：基于拟人化响应加速度得到目标车速和目标车间距；将所述纵向加速度得到目标车速和目标车间距输入车辆纵向逆动力性模型，得到制动压力和节气门开度，其中，所述车辆纵向逆动力性模型包括目标发动机转速、目标车速和目标纵向加速度与制动压力和节气门开度之间的对应关系；基于所述制动压力和节气门开度调节车速，以实现基于认知风险平衡的智能汽车跟车控制。
[0014]本申请第三方面实施例提供一种智能汽车跟车决策和控制设备，其上存储有计算机程序，该程序被处理器执行，以用于实现根据上述的第一方面的实施例所述的基于认知风险平衡的智能汽车跟车决策和控制方法。
[0015]本专利技术的实施例，针对现有跟车模型存在的物理意义不够清晰，可解释性不足，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于认知风险平衡的智能汽车跟车决策和控制方法，其特征在于，包括以下步骤：在确定智能汽车处于跟车工况的情况下，基于自车与前车的间距、自车速度以及前车速度，得到自车与前车的车头时距和逆碰撞时间，并基于所述车头时距和逆碰撞时间，通过基于认知风险平衡的纵向驾驶加速度预测模型中的认知风险函数，得到认知风险，其中，所述认知风险函数包括认知风险与车头时距和逆碰撞时间之间的对应关系；判断所述认知风险是否位于驾驶员认知风险平衡区间内，如果所述认知风险没有位于所述驾驶员认知风险平衡区间内，则通过所述基于认知风险平衡的纵向驾驶加速度预测模型中的纵向加速度与认知风险之间的函数，预测获得人类驾驶员在相应的风险强度作用下的响应加速度，作为智能车辆应对相应的风险的拟人化响应加速度，所述拟人化响应加速度用于调节认知风险，使其保持平衡，以使所述认知风险回归所述驾驶员认知风险平衡区间内；基于拟人化响应加速度，通过车辆纵向逆动力性模型预测获得节气门开度和制动压力强度，以实时调节车速，以实现基于认知风险平衡的智能汽车跟车控制。2.根据权利要求1所述的基于认知风险平衡的智能汽车跟车决策和控制方法，其特征在于，在确定智能汽车处于跟车工况的情况下之前，还包括：利用车联网技术和车路协同技术，获得周车信息和交通信息；基于自车信息、周车信息和交通信息，确定所述智能汽车是否具备维持跟车行驶的条件和意图。3.根据权利要求1或2所述的基于认知风险平衡的智能汽车跟车决策和控制方法，其特征在于，所述认知风险函数为：，或者，，其中，RP为认知风险函数，所述thw为自车与前车的车头时距，所述ttc为自车与前车的碰撞时间，为常数，为常数，所述，ttc=1/ittc，，其中，s为自车与前车的间距，为自车速度，为前车速度，ittc为逆碰撞时间。4.根据权利要求3所述的基于认知风险平衡的智能汽车跟车决策和控制方法，其特征在于，所述纵向加速度与认知风险之间的函数的形式至少包括以下之一：，或者，，其中，所述tanh为双曲正切函数，所述arctan为逆正切函数。5.根据权利要求1所述的基于认知风险平衡的智能汽车跟车决策和控制方法，其特征在于，所述基于拟人化响应加速度，通过车辆纵向逆动力性模型预测获得节气门开度和制动压力强度，以实时调节车速，以实现基于认知风险平衡的智能汽车跟车控制，包括：
基于拟人化响应加速度得到目标车速和目标车间距；将所述纵向加速度得到目标车速和目标车间距输入车辆纵向逆动力性模型，得到制动压力和节气门开度，其中，所述车辆纵向逆动力性模型包括目标发动机转速、目标车速和目标纵向加速度与制动压力和节气门开度之间的对应关系；基于所述制动压力和节气门开度调节车速，以实现基于认知风险平衡的智能汽车跟车控制。6.一种基于认...

【专利技术属性】
技术研发人员：刘巧斌，李克强，王建强，杨路，高铭，刘科，
申请(专利权)人：清华大学，
类型：发明
国别省市：