基于加速度计的智能网联汽车驾驶行为建模方法

宋海娜

【摘  要】驾驶行为建模能判断车辆行驶过程中是否出现如紧急制动、紧急转弯等状况。为了更好更准确地获取这些驾驶行为，设计出基于加速度计的驾驶行为建模方法，并在北斗车载终端中实现此算法。本建模方法能实时准确地分析出车辆在驾驶过程中出现的各种状态，该方法在智能网联汽车的自动驾驶应用中具有很好的实用价值。

【关键词】自动驾驶;驾驶行为分析;加速度计;智能网联汽车

中图分类号：TN929.5

文献标志码：A      文章编号：1006-1010（2019）04-0081-04

[Abstract] Driving behavior modeling can determine whether emergency braking， sharp turn and other situations happen in the process of driving. In order to obtain these driving behaviors more accurately， a driving behavior modeling method based on the accelerometer is designed and implemented in the Beidou vehicular terminal. This modeling method can quickly and accurately analyze various states of vehicles in the process of driving in real time. The proposed method has good practical value in the application of automatic driving of intelligent connected vehicles.

[Key words]automatic driving; driving behavior analysis; accelerometer; intelligent connected vehicle

1   引言

智能网联汽车主要运用了汽车工程、人工智能、计算机、微电子、自动控制、通信与平台、传感器等核心技术，它是一个集环境感知、规划决策、控制执行和信息交互等为一体的高新技术综合体[1]。其中，车辆状态识别技术是智能交通的基础，是实现交通信息智能感知的关键技术，对于规划决策和控制执行有着极其重要的意义[7]。

驾驶行为分析的实现有多种方法，如视频、图像分析算法，加速度计算法，行车电脑数据分析方法等。本文提出了一种采用加速度计和全姿态测量传感器进行车辆自动驾驶过程中的状态采集和识别的方法，研究了几种关键场景的识别技术，如紧急刹车制动、转弯、侧翻等。目前已经搭建了一套验证系统并进了多次实车路测实验。

2   传感器输出的数据处理

2.1  卡尔曼滤波

传感器件本身的误差漂移以及车辆在运动时的震动等因素会导致数据的波动大，所以需要进行滤波处理[7]。在本文中，使用卡尔曼滤波，滤波系统的状态转移方程和测量方程分别为[2]：

2.2  运动加速度的修正

车辆在水平面上行驶时，Y轴的加速度输出表示车辆横向移动加速度，X轴的加速度表示车辆纵向移动加速度。当车身不在水平面时，传感器输出的X轴和Y轴的加速度值分别表示两个軸的重力加速度的分量[3]，但是两个轴向加速度值却不能正确地表示该车辆在两个方向上移动的加速度。所以需要对加速度值进行适当的修正，消除重力分量上的影响，使得X轴和Y轴上修正后的加速度值能够正确反应该方向上的车辆移动加速度[7]。加速度修正模型如图1所示：

重力在两个轴向的分量依次为：

同时，为了让X轴和Y轴的加速度值能够精确地表征车辆在各个方向上的加速度，就必须先测出加速度值，然后减去各个方向上的的重力分量。当车辆运动时，测得X轴的加速度为acx，Y轴的加速度为acy，车辆在X轴和Y轴上的运动加速度分别为asx和acy，计算公式如下[4]：

3   驾驶行为分析实现

3.1  车辆变速识别算法

变速识别是以车辆前进方向X轴的加速度输出作为主要依据，运动加速度的定义为：

3.2  车辆转弯识别算法

行业里对车辆转弯识别的方法一般分为以下两种。第一种是测量车身纵轴的加速度大小（即惯性单元Y轴的加速度大小），而Y轴加速度是转弯角速度和线速度的乘积，因此即使转弯幅度相同但线速度不同时，加速度值也相差很大，非常容易造成误判。第二种是根据方位角和角速度信息，车辆在XY平面上转弯时，Z轴角速度的变化最为显著。在本文中，以Z轴角速度变化作为识别车辆转弯状态的主要依据[6-7]。

转弯识别算法的大致描述如表2和图6所示。

仿真结果如图7～图9所示。

4   结束语

本文核心算法是在基于STM32处理器的北斗车载定位终端中实现了驾驶行为分析，并对各种大/中/小型汽车在行驶过程中进行多次数据采集，通过实车测试得出各种驾驶行为状态下的经验加速度阈值，对各种车型都具有很强的参考价值。

参考文献：

[1] 李克强，戴一凡，李升波，等. 智能网联汽车（ICV）技术的发展现状及趋势[J]. 汽车安全与节能学报， 2017（1）： 1-14.

[2] 戴高伟. GPS/INS组合车辆导航系统的两种卡尔曼滤波结构[J]. 太赫兹科学与电子信息学报， 2008，6（6）： 420-423.

[3] 白占元，徐皑冬. 基于MEMS的倾角测量仪设计[C]//仪表自动化及先进集成技术大会， 2007.

[4] 唐霓叶. 基于上下文感知的乘车感知算法研究和实现[D]. 成都： 电子科技大学， 2015.

[5] 徐莹，左付山，曾婷婷. 基于雷达测速技术的混动汽车道路制动性能分析[J]. 汽车实用技术， 2014（3）： 40-43.

[6] Tunick M. Privacy in Public Places： Do GPS and Video Surveillance Provide Plain Views？[J]. Social Theory & Practice， 2009，35（4）： 597-622.

[7] 邓忠. 基于车载自组织网的车辆状态识别与驾驶行为评估[D]. 广州： 华南理工大学， 2015.