首页 > 新闻 > 汽车 > 正文

综述-车辆安全应用和方法

2022-11-28 15:31:19来源:计算机视觉深度学习和自动驾驶  

综述论文“

Vehicular Safety Applications and Approaches: ATechnical Survey

”。


【资料图】

摘要:本文从传感器配置、车辆动力学建模、轮胎建模和估计方法等方面对与自动驾驶相关的安全应用和方法进行综述。首先,介绍不同的高级驾驶员辅助系统(ADAS)以及主要的传感组件和技术。然后,讨论了车辆和轮胎的不同运动学建模。最后,介绍了各种通信技术和架构以及自动驾驶模块。此外,列出了未来研究的一些有趣观点。

ADAS

被动安全措施包括安全气囊、车身结构、安全带和头部约束。主动安全措施包括电子稳定控制(ESC)、防抱死制动系统(ABS)和其他高级驾驶员辅助系统,如自动泊车辅助(APA)、自动紧急刹车(AEB)、交叉路口防撞(ICA)、前向防撞警告(FCW)、自适应巡航控制(ACC)、车道保持辅助(LKA)、变道辅助(LCA)和驾驶员监控系统(DMS)。为了避免发生事故,使用基于ICT(信息和通信技术)的ADAS应用程序,可以持续帮助驾驶员完成驾驶任务。尽管许多汽车供应商的各种ADAS解决方案在结构上存在差异,但ADAS的安装和应用在主要工作原理上是相似的。

传感器

内部传感器以轮速计为例,其他较少见。外部传感器,如图是ADAS的例子,其他还有GPS和IMU。

建模

先进车辆系统的开发需要大量的建模工作,因为建模是分解驾驶环境中物理和数学特性的最可行方法。为了建模,必须首先对要建模的目标进行分类。在道路环境中,要建模的可以是驾驶员、车辆特性、轮胎和道路之间的关系、道路几何结构以及最终控制所有建模过程的决策者(mastermind)。

车辆的运动被分解为两个部分:稳定运动和不稳定运动。稳定运动主要来自假设光滑表面情况下的操控命令;不稳定的运动是由于不规则的地形部分造成。由于运动学系统适用于流体运动建模,因此使用一个稳定的平移和旋转系统。另一方面,与理想悬架系统布局设计类似的四轮汽车模型用于定义不稳定运动,代表三个部分:弹跳(bounce)、俯仰(pitch)和滚动(roll)。

利用拉格朗日运动方程,可以很容易地得到不稳定的汽车模型运动。这使得车辆运动的描述更加清晰。和汽车刚性连接并具有可估计方位的传感器,获得可访问的图像序列,评估车辆运动以及场景重建。

基于这种方法的研究,使用该系统的动态模型,其中一些状态可以分析(如车角速度),而其他一些状态无法测量(如摩擦力、转速等)。基于动态系统模型和测量状态,可以使用不同的评估技术,如递归最小二乘法(RLS)和卡尔曼滤波器等。一些最流行的动态设计是轮圈模型、旋转(spin)动态模型、自行车模型、部分汽车模型(quarter-car model)和四轮汽车动态模型等。

车辆-道路方案可以通过将单轨(single-track)模型与线性轮胎力模型合并来构建。这种被公认为线性单轨系统的混合系统,只要车辆需求保持在较低的水平,就可以运行良好。然而,当汽车加速或公路摩擦发生变化时,汽车动力学变得非线性,因此线性单轨系统不再适用。

已经提出了许多轮胎力模型,包括经验方法和分析方法。可以把轮胎操纵行为分为三个阶段(线性、瞬态和饱和阶段)。在第一阶段,横向轮胎力相对于侧滑角是线性的。第二和第三阶段是非线性的,发生在车辆接近物理粘合极限时。本文使用标称线性模型,并提出线性自适应模型。

滑动模态观测(SMO)

用于预测汽车侧滑角,同时使用线性水平摩擦力模板,并将纵向摩擦力作为公认的观察者输入。

然而,当横向速度超过4 m/s2且轮胎侧滑角较大时,描述横向摩擦力的线性连接模型不再足够精确。

此外,在现代先进的车辆中,纵向摩擦力并不总是可以达到的。

关于车轮角速度和方向盘角度读数,重点是纵向和横向加速度以及偏航频率估计。

侧滑值也通过纵向和横向速度实现。

然而,必须在每个测试时刻确定观察者的增益。

因此,评估算法的实时效率可能会受到影响,并且测量错误可能会干扰观察者增益的选择。

轮胎模型设计通常传达轮胎力和力矩之间的联系,在许多研究中用于评估摩擦力和摩擦系数的滑移率/滑移角。假设轮胎力和力矩、滑动率(slip-ratio)和/或滑移角(slip- angle)是可用的(或可以估计),并且比较不同轮胎模型的力/力矩数据可估计模型参数和摩擦系数。根据轮胎模板和可获取的时间行为(稳态或临时),已经创建了不同的数学轮胎模型。

车辆动态变量的估计对于提高安全性至关重要,特别是对于制动和轨迹控制系统。如果汽车的动态潜力是众所周知的,那么诸如防抱死制动系统(ABS)和电子稳定程序(ESP)之类的主动安全系统可以得到改善。例如,轮胎-路面摩擦的信息意味着对潜轨迹的更准确定义,从而更好地管理车辆控制。然而,由于技术和经济原因,一些与车辆动力学相关的基本数据在标准汽车中无法测量。因此,必须观察或估计轮胎力和侧滑角等动态变量。

在先进的车辆系统中,需要一些技术来维持车辆内外不同节点之间的信息顺畅流动,收集驾驶员、环境、车辆状态等数据。这些技术分为三类:数据驱动技术处理和训练大量数据,根据当前经验预测未来的具体输出;实现安全服务的通信技术,利用道路参与者之间的各种信息交换;传感技术利用物理特性提供一些可融合、交换或用于决策的感官信息。

如今,汽车工业正朝着自动驾驶汽车的方向发展,需要大量的计算资源和自动化模块的集成。这些模块主要分为三个阶段,每个阶段负责处理下一阶段的信息:感知和数据融合模块用于将原始传感器数据处理为规划模块的有价值数据。这些原始传感器数据的范围从随机移动的车辆状态到从不同摄像头或雷达收集的图像,统称为计算机视觉。该模块处理从数据收集阶段到预处理阶段的原始传感器数据,预处理阶段为每个传感器提供一组特征、检测和分类以及这些数据的组合。然后,模块将信息传递给规划模块。

规划模块的首要路线规划是以最小的成本选择最优路径。基于生成的最佳路径,进行行为决策规划,规划车辆沿着路径的最适当行为,以确保安全跟踪并考虑其他道路参与者的行为。规划的路径随后被馈送到低级反馈控制器,确保规划被完全执行。在确保不会发生碰撞或错误变道的行为决策规划好之后,运动规划生成自车的完整轨迹。

挑战

高级车辆安全领域的挑战非常广泛,从物体检测的准确性和效率、传感数据的管理、决策技术的适当选择、软件组件的验证和测试以及这些组件的可靠性和质量、车辆通信环境中的网络性能和数据处理等。此外,高级车辆安全研究领域中的一些开放问题依赖于调查所用协议的对应网络带宽、侧滑角和轮胎-道路摩擦系数估计等。

在高级车辆安全的目标检测领域中,上下文根据目标的类型而改变,目标可以是车辆、道路车道、行人或一次碰撞,因为后者比以前的类型更复杂。采用快速来增加交通流量将给这些技术带来负担,并需要快速而关键的算法来及时做出应对这种动态环境的决策。管理传感数据的挑战主要取决于对实时处理能力的需求,以及深度学习算法是存储大和计算大的事实。从硬件扩展到通信上下文限制,非真实性和数据冗余仍然具有挑战性。数据管理方面的此类挑战可以通过多种方式解决:

增加计算和通信资源,

利用众包和众感知技术,

在不同节点之间共享感知数据,基于

传感器数量以及数据处理的效率之间的权衡


自动驾驶汽车中现有的决策机制

可以分为机器学习、深度学习、人工智能、多策略决策和马尔可夫决策过程。

主要的挑战是选择最合适的技术。此外,除了检测所述系统的故障和失灵以及在这方面做出最佳决策,周围环境和人类行为的不可预测性也给这种选择带来了负担。上下文-和情境-觉察的异议检测和决策算法可作为解决上述挑战的变通方法。高级车辆安全中的软件组件环境在验证、测试、安全、可靠性和质量方面存在各种挑战。

除了这些操作动态和非确定带来的复杂性,这些挑战可以概括为完整的需求,即允许开发人员测试-检查其组件。关于安全性和可靠性,在部署层面,立法和验证周期仍然模糊不清。同时,大量的预算需求和一些无法预见的情况仍然是软件质量面临的巨大挑战和障碍。在软件环境中应对这些挑战可以通过软件/硬件组件的功能划分、有限制的操作概念和机器学习方法来做,这些方法可以更好地实现这些组件的验证和测试。更多的方法会包括

确定短期安全任务,

为小型任务开发复杂算法

决定故障-安全,而不是估计不可预测

结果,

定义面向目标的软件质量测试。


在时间-紧要的联网车辆应用中,如安全或车辆控制等,消息传递必须具有低延迟和延迟有限,需要用最新路由信息的复杂网络架构。这种实时变化的网络条件进一步挑战了有关数据传输和处理的分散信息流。即使在精度受限的情况下处理此类数据,在需要专用处理工具的车辆通信中,该工作仍然是一项重大挑战。

预处理度量可以使数据以压缩形式变得有用,从而减少车辆数字复制的规模。这些度量可以从多个车辆中聚合,最小化存储和分析成本和复杂度。这些架构在功率、计算、数据准确性和可行性方面实现了不同的平衡。对于轮胎-道路摩擦系数估计,特别是侧滑角,由于所使用的传感器昂贵且噪声大,因此测量中仍存在挑战,这就需要通过建模进行估计。为了克服这些挑战,存储原始数据可能是可行的,但成本仍然很高;因此,地图缩减技术将是允许规模化数据分析和模式识别的必要技术。

在自动驾驶和联网车辆中,必须扩展估计范围,要能预测其他车辆的距离和相对速度,从而决定下一个位置和动态状态。更多的挑战包括处理多传感器信息冗余,其中除了最小化传感器信息之外,估计的方案还应该能够区分有价值的信息和无用的信息。现在有理由相信,扩展的状态观测器和自适应观测器,其估计策略非常有效地解决有未知输入(如丢失道路信息)的估计问题。轮胎-道路摩擦估计域也可以扩展到包括天气效应,其中面向数据驱动的方法,例如人工神经网络(ANN)和模糊逻辑(FL)将有助于被适应。这种方法需要大量的训练数据集,这些数据集仍然是研究领域中轮胎-道路摩擦估计面临的重大挑战。

标签: 摩擦系数 汽车模型 动态模型

责任编辑:hnmd003

相关阅读

资讯播报

推荐阅读