物流车辆行驶状态检测与车距预警算法研究

唐荣芳,张晓玲,程荣波

(广西工业职业技术学院,广西 南宁 530001)

0 引言

近年来,随着物流行业的快速发展,物流车辆数量不断增加,车辆行驶的复杂程度也日益增加。现有物流车辆行驶状态检测和车距预警方法主要有2种:传统方法和基于机器学习的方法。传统方法主要采用传感器等硬件设备来进行检测,存在数据量大、计算量大、鲁棒性差等问题[1-2]。基于机器学习的方法具有较强的鲁棒性和适应性,但算法复杂、训练数据量大[3-4]。

针对上述问题,本文提出了一种基于状态估计和目标识别的物流车辆行驶状态检测和车距预警方法。本文首先介绍了物流车辆行驶状态检测和车距预警的相关研究并提出了系统框架。其次,本文对状态估计方法和基于目标识别的车距预警算法进行了细致研究。最后,实验结果证明了方法的有效性。

1 物流车辆行驶状态与车距预警系统框架

本研究设计的物流车辆行驶状态与车距预警系统框架,如图1所示。传感器采集层使用了惯性测量单元来实时采集车辆的传感器数据;状态估计模块能根据惯性测量单元的数据采用先进的状态估计算法对车辆的当前状态进行估计;测距模块使用雷达数据对车辆之间的距离进行测量;车辆距离估计部分能结合状态估计和雷达测距的结果计算与前方车辆或障碍物的距离;在确定车辆与前方障碍物的距离后,距离预警系统使用事先设定的安全距离阈值来评估潜在的碰撞风险。

图1 预警系统的总体框架

2 行驶状态估计与车距测量算法研究

2.1 状态估计方法研究

在使用惯性测量单元测量物流车辆的状态后,系统采用卡尔曼滤波器[5-6]来综合评估车辆的状态,该过程为:

(1)预测步骤。首先,该方法利用状态方程估计车辆的状态x(k|k-1)和状态协方差P(k|k-1),其中k|k-1表示在时刻k-1对时刻k的预测。

x(k|k-1)=A×x(k-1|k-1)+B×u(k)

(1)

P(k|k-1)=A×P(k-1|k-1)×AT+Q

(2)

其中,Q表示过程噪声的协方差矩阵;A是状态转移矩阵;B是控制输入矩阵;u(k)是控制输入。

(2)更新步骤。该方法能利用测量方程和测量值来修正状态估计,并计算更新后的状态x(k|k)和状态协方差P(k|k)。

K(k)=P(k|k-1)×HT×(H×P(k|k-1)×HT+R)-1

(3)

x(k|k)=x(k|k-1)+K(k)×(z(k)-H×x(k|k-1))

(4)

P(k|k)=(I-K(k)×H)×P(k|k-1)

(5)

其中,K(k)是卡尔曼增益;R是测量噪声的协方差矩阵;I是单位矩阵;H是测量矩阵。

2.2 基于雷达测距的车距估计算法

在雷达测距领域,常用的实现距离测量的方法有:最小均方根误差[7]、匹配滤波法[8]和到达时间法[9]。最小均方根误差法通过优化估计值与真实值之间的均方根误差来实现距离测量。该方法在处理噪声时效果较好。匹配滤波法是一种特定于信号的处理方法。它尝试将接收到的信号与已知信号进行匹配,以找到最佳匹配点。到达时间法基于信号的传播时间来测量距离。该方法简单但对于高精度测量要求和复杂环境下的距离估计可能存在一些限制。综合来看,本研究采用最小均方根误差进行车距估计。

假设,有一个车载雷达系统被用于测量车辆到前方目标的距离,设d为真实的车辆与目标之间的距离,z为雷达测量的距离值,则距离估计模型可以表示为:

z=d+n

(6)

其中,n是测量误差和噪声,通常假设均值为零的高斯分布,即n～N(0,σ2),σ2表示方差。最小均方根误差估计的目标是通过最小化均方误差来估计距离n:

(7)

(8)

其中,E(d)是距离的先验期望(可以根据历史数据估计);Cov[d,z]是距离和测量值之间的协方差;Var(z)是测量值的方差。

2.3 车距预警方法

当已经获得物流车辆的状态估计信息和前方目标距离估计信息时,系统根据这些信息来判断是否需要触发距离预警。该逻辑模型为:

(1)安全距离模型。首先,定义一个安全距离(Safe Distance, SD )。该距离表示车辆在当前速度下需要保持的最小安全距离,可以根据车辆的动态特性和道路条件来确定:

SD=f(v,a,μ)

(9)

其中,v表示车辆速度;a表示车辆加速度;μ表示摩擦系数;f是一个安全距离计算函数。

(2)距离与安全距离比较。该方法对比前方目标与安全距离之间的距离(Distance, D)和速度(Relative Speed, RS)。可以使用以下关系来表达:

D=dtarget-dvehicle

(10)

其中,dtarget表示前方目标与车辆的距离估计;dvehicle表示车辆自身的长度。

(3)距离预警触发条件。如果D0,则触发距离预警。其中,RS表示车辆与前方目标的相对速度。

(4)预警触发概率。为了增加预测的稳定性,本研究使用贝叶斯框架[10]来计算触发距离预警的概率:

P(Warning)=P(D0|D

(11)

其中,P(D0|D

3 实验与分析

3.1 实验方案

本研究使用MATLAB的Simulink构建车辆距离测量的仿真实验环境,按照以下步骤进行。

步骤一:创建仿真模型。本实验在Simulink中创建一个新的仿真模型。该模型将用于模拟车辆距离测量。

步骤二:添加模块。在Simulink模型中,车辆模块和目标模块使用“Vehicle Dynamics Blockset”来添加,并设置距离测量模块和控制逻辑模块。

步骤三:连接模块。在Simulink中,各个模块被连接起来以建立仿真系统的数据流,确保数据正确传递和处理以模拟车辆距离测量。

步骤四:设置仿真参数并运行。

3.2 实验结果与分析

不同车辆距离测量算法以及在不同车辆距离条件下的实验结果,如表1所示。该结果包含了车辆距离、相对误差、绝对误差等数据。

表1 实验结果数据

表1中,算法A为本文所提方法,算法B为匹配滤波法,算法C为到达时间法。从实验结果来看,本文所提方法在测量距离方面相对误差较小,这表明它在准确性方面可能较优。相比之下,到达时间法在50 m和150 m车辆距离条件下的相对误差较大,可能需要进一步改进。从绝对误差可以得出,不同算法在不同车辆距离条件下的性能波动较小,绝对误差为1～5 m。相对误差用来评估测量的相对准确性,从表1可以看到相对误差一般为2%～6%。总体来看,本文所提方法在3种距离的情况下都表现出了更好的性能。

4 结语

本研究在物流车辆领域探索了关键的驾驶状态检测和车辆距离预警问题。通过提出基于IMU的状态估计框架和针对雷达测距的距离测量算法,本方法能够有效地获得车辆状态和距离信息,为提高道路安全性提供了有力工具。实验结果表明,不同的车辆距离测量算法在不同条件下表现出不同的性能,证明了文章所提方法的有效性。综合而言,本研究为物流车辆驾驶状态检测和距离预警系统的发展提供了有益的见解和方法。