[发明专利]一种基于线性动态预测模型的无人驾驶车辆自动刹车系统

权利要求书

1.一种基于线性动态预测模型的无人驾驶车辆自动刹车系统，其特征在于包括信息采集模块、数据处理模块、执行模块；信息采集模块毫米波雷达、视觉传感器以及GPS模块采集当前车速、与障碍物的相对速度、相对距离；数据处理模块通过计算碰撞时间TTC、车速、相对速度、相对距离及执行端输出制动电压比值构建三个刹车线性预测模型，分别得到刹车时机、刹车速度、失压速度(刹车回位速度)，定义当前刹车时机所执行的碰撞时间阈值内皆为刹车区间,得到动态刹车时长；刹车执行模块执行刹车指令对刹车电机进行动作时机、动作速度、动作时长、动作方向控制，作用于液压缸实现制动，压力传感器给制动ECU实时反馈液压缸压力，实现对电机的堵转保护。

2.基于线性动态预测模型的无人驾驶车辆自动刹车系统，其特征在于采用如权利要求1所述一种基于线性动态预测模型的无人驾驶车辆自动刹车系统，系统实现包括以下步骤：

(1)将信息采集模块毫米波雷达、视觉传感器装配在车前方，GPS模块装配于车内，对车辆前方障碍物实时监控，并采集车速、与障碍物的相对速度、相对距离信息；

(2)数据处理模块将信息采集模块得到的车速、与障碍物的相对速度、相对距离信息进行计算处理，首先基于本车与前方障碍物的相对速度及相对距离计算出与障碍物的实时碰撞时间TTC，即碰撞时间TTC＝相对距离/相对速度，数据精确到0.01S；

(3)数据处理模块依据计算得到的碰撞时间TTC配合采集到的相对速度和相对距离以及执行端的制动电压比值分别构建三个不同的线性回归预测模型，其中根据车速与碰撞时间TTC构建线性预测模型1决定刹车时机，根据相对速度与制动电压比值构建线性预测模型2决定刹车速度，根据相对速度与制动电压比值构建线性预测模型3决定失压速度(刹车回位速度)，同时定义当前刹车时机所执行的预碰撞时间阈值内皆为刹车区间，超过阈值则刹车回位(电机反转)，因而得到动态的刹车时长；

(4)执行模块包括制动ECU、刹车电机、压力传感器，制动ECU实时接收数据处理模块的刹车执行数据，对刹车电机进行正反转控制，控制动作包括动作时机、动作速度、动作时长，动作方向，即系统的刹车时机、刹车速度及失压速度(刹车回位速度)、刹车时长、刹车或回位，电机作用于液压缸实现制动，压力传感器给制动ECU实时反馈液压缸压力，当超过预设压力值则制动停止，实现对电机的堵转保护。

3.如权利要求2所述一种基于线性动态预测模型的无人驾驶车辆自动刹车系统，其特征在于在步骤(3)中，所述三个线性预测模型的构建方法及数据采集方法为：

(1)线性预测模型1构建方法及所需数据采集方法：定义以某个预碰撞时间TTC阈值为刹车信号，即刹车时机，当在TTC阈值内皆为刹车状态，即刹车时长，不同车速对应不同的刹车时机，车速与预碰撞时间成正比关系，因此我们依据车速与预碰撞时间TTC构建了一个动态的线性回归预测模型，让刹车时机动态化；数据采集方法为：采集驾驶车辆在不同车速下靠近静止障碍物时我们人工脚踩踏板时所对应的刹车时机，即预碰撞时间TTC，据此我们得到以下表格数据:

车速(X)	X1、X2..........Xn
预碰撞时间TTC(Y)	Y1、Y2..........Yn

依据此数据，车速和TTC分别为自变量x和因变量y，我们要得到一个因速度变化而对应的TTC值作为系统的刹车时机，因此需要构建一个线性回归预测模型，我们设此线性回归方程为y＝bx+a,其中a、b为待定参数，b为回归系数，n为数据组数，分别为x、y的平均数，由回归系数计算公式：

我们可知参数b和a计算结果为

因此此线性回归方程具体计算公式为

其中分别为x、y的平均数，即a、b为待求参数，n为数据采样组数，把已求参数a、b代入我们的线性回归方程即可得到我们所需的线性回归方程，即我们的线性预测模型1，在实际运用中可结合车辆本身结构、制动性能、不同应用场景采集对应的数据，从而构建相适配的线性预测模型；

(2)线性预测模型2构建方法及所需数据采集方法：根据采集车辆相对速度与制动电压比值构建线性预测回归模型2，相对速度与制动电压比值成正比关系，数据采集方法为采集驾驶车辆在不同车速下靠近静止障碍物时我们人工脚踩踏板的速度对应刹车电机达到该速度时所需的工作电压，我们以制动电压的百分比值来决定该电压数据，此外车辆行驶时由于只要相对速度大于零皆需刹车，制动电压比值最大为100％，因此我们需要给线性回归模型2限定一个合理区间，即X1≤x≤Xn,据此我们采集得到以下数据：

相对速度(X)	X1、X2..........Xn
制动电压比值(Y)	Y1、Y2..........Yn

依据此数据，相对速度和制动电压比值分别为自变量x和因变量y，我们要得到一个在x₁≤x≤x_n区间内因相对速度变化而对应的制动电压比值，从而得到对应的系统刹车速度，据此我们构建线性预测模型2，我们设此线性回归方程为y＝bx+a,其中a、b为待定参数，b为回归系数，n为数据组数，由回归系数计算公式：

我们可知参数b和a计算结果为

因此此线性回归方程具体计算公式为

其中分别为x、y的平均数，即a、b为待求参数，n为数据采样组数，把已求参数a、b代入我们的线性回归方程即可得到我们所需的线性回归方程，即我们的线性预测模型2，另外定义当xx₁,xx_n时分别对应y₁和y_n,在实际运用中可结合车辆本身结构、制动性能、不同应用场景采集对应的数据，从而构建相适配的数据预测模型；

(3)线性预测模型3构建方法及所需数据采集方法：根据车辆与障碍物相对速度以及制动电压比值构建线性预测模型3，相对速度与制动电压比值成反比关系；数据采集方法：选安全测试路段，前后行驶，采集后车在不同相对速度下制动后踏板回味速度对应刹车电机达到该速度时所需的工作电压，得到以下表格数据:

相对速度(X)	X1、X2..........Xn
制动电压比值(Y)	Y1、Y2..........Yn

依据此数据，相对速度和制动电压比值分别为自变量x和因变量y，我们要得到一个在x₁≤x≤x_n区间内因相对速度变化而对应的制动电压比值，从而得到对应的系统刹车速度，据此我们构建线性预测模型3，我们设此线性回归方程为y＝bx+a,其中a、b为待定参数，b为回归系数，n为数据组数，由回归系数计算公式：

我们可知参数b和a计算结果为

因此此线性回归方程具体计算公式为

其中分别为x、y的平均数，即a、b为待求参数，n为数据采样组数，把已求参数a、b代入我们的线性回归方程即可得到我们所需的线性回归方程，即我们的线性预测模型3，另外定义当xx₁,xx_n时分别对应y₁和y_n,在实际运用中可结合车辆本身结构、制动性能、不同应用场景采集对应的数据，从而构建相适配的数据预测模型。