[发明专利]一种利用车路协同数据的汽车跟车车速预测方法及系统

说明书

本发明公开了一种利用车路协同数据的汽车跟车车速预测方法及系统，方法包括：获取跟车场景数据；对跟车场景数据进行回归分析，建立回归模型；根据跟车场景数据对给定的时间窗口内和驾驶区域内行驶的跟车队列的车速、车头间距和前车宽度进行统计概率分析，建立参数概率分布模型；利用训练数据集，对回归模型的参数进行辨识；将模型参数辨识结果带回所述回归模型，获得给定前车速度、车头间距和车宽条件下，受到驾驶员个性和车辆的性能差异因素的影响的当前车速的预测值，计算预测值和实测值之间的误差，并建立误差概率分布模型；综合考虑参数的随机性和误差的随机性，构建跟车车速预测模型，并得到跟车车速预测结果。

技术领域

本发明涉及智能网联汽车技术领域，尤指一种利用车路协同数据的汽车跟车车速预测方法及系统。

背景技术

随着科学技术的不断进步，智能网联汽车发展的技术瓶颈正被逐步攻克。智能网联汽车要实现替代人类驾驶员实现完全自动驾驶，需满足各种复杂场景下的驾驶操纵要求，保证无人驾驶汽车能够在安全、节能、便捷和舒适性等方面不低于人类驾驶员操纵的汽车。

跟车场景是一种典型的驾驶工况，智能网联汽车在跟车场景中的路径与前车保持一致，主要任务是进行纵向的速度跟踪，在保证安全的前提下，尽量减小与前车的间距和速度差，同时避免速度的急加、急减，从而实现安全、节能、高效与舒适性的协调统一。

传统的跟车车速预测方法有安全距离法、刺激-反应模型法、全速度差模型法和智能驾驶员模型法等方法。这些方法都是确定性模型，未能考虑到驾驶员个性差异对跟车行为的影响，且未区分前车类型对跟车速度策略的影响。例如，传统的跟车车速预测方法，根据车载传感器获得的自车与前车之间的距离、速度差等信息，建立自车加速度与前车距离、速度差等变量之间的线性或非线性函数，从而建立起自车加速度的数学表达式，实现跟车车速的预测。由于车载传感器感知能力和范围的限制，现有跟车车速预测模型未能充分利用宏观交通数据。另外，传统跟车模型采用的线性函数或非线性函数所建立的自车加速度与前车距离、速度差等因素的确定性关系模型，未能充分考虑不同驾驶员的驾驶行为差异，无法实现跟车车速的个性化定制。

综上来看，亟需一种可以充分利用车辆行驶数据实现智能网联汽车拟人性驾驶特性的跟车车速预测方案。

发明内容

为克服现有技术存在的不足，本发明提出了一种利用车路协同数据的汽车跟车车速预测方法及系统，利用车路协同技术获取更为全面的汽车及周围环境其他车辆的行驶数据，能够满足智能网联汽车跟车行为的拟人性的需求，预测符合人类自然驾驶特性的跟车车速，为未来智能网联汽车跟车行为的车速规划提供有力的数据支持。

在本发明实施例的第一方面，提出了一种利用车路协同数据的汽车跟车车速预测方法，该方法包括：

获取汽车的跟车场景数据；其中，所述跟车场景数据至少包括：当前车速、前车速度、车头间距及前车轮廓参数；

对所述跟车场景数据进行回归分析，建立当前车速与前车速度、前车宽度和车头间距之间的回归模型；

根据所述跟车场景数据对给定的时间窗口内和驾驶区域内行驶的跟车队列的车速、车头间距和前车宽度进行统计概率分析，建立车速、车头间距和前车宽度的参数概率分布模型；

选取所述时间窗口内和驾驶区域内行驶车辆的跟车场景数据为训练数据集，利用所述训练数据集对所述回归模型的参数进行辨识；

将模型参数辨识结果带回所述回归模型，获得给定前车速度、车头间距和车宽条件下，受到驾驶员个性和车辆的性能差异因素的影响的当前车速的预测值，计算预测值和实测值之间的误差，并建立误差概率分布模型；

根据所述回归模型、参数概率分布模型及误差概率分布模型，综合考虑参数的随机性和误差的随机性，构建跟车车速预测模型，并得到跟车车速预测结果。

在本发明实施例的第二方面，提出了一种利用车路协同数据的汽车跟车车速预测系统，该系统包括：