一种基于路面状态识别的车辆防碰撞方法与流程

1.本发明涉及车辆行驶安全技术领域，具体涉及一种基于路面状态识别的车辆防碰撞方法。


背景技术：

2.随着汽车的大量普及，研究如何主动防止汽车发生碰撞对减少交通事故造成的损失具有重要意义。国内对路面特征及状态识别的研究还处于起步阶段，对于防撞预警系统规避控制的研究较少。路面识别子系统是汽车主动防撞预警系统中一个重要组成部分，国内目前路面识别的方法中可行性较高的一种是基于利用车轮角减速度、制动缸压力以及滑移率的变化来进行路面识别，此种方法具有良好的实时性，但是该方法所使用的是神经网络控制器，需要反复学习记忆标准信号，建立识别样本库，需要大量采样训练样本，因此该方法识别标准路面虽然具有准确率高、快速、实时性好的特点，但是对于未被处理过的非标准路面的识别则是其软肋。
3.由于同类型的路面，即使是同一路面但处于不同路面湿滑状态时，其最佳附着系数也是不尽相同的，而最佳附着系数的获得是必须要对汽车滑移率进行控制的，而汽车最佳制动效果的保证，需使汽车滑移率保持在最佳滑移率附近，但是目前汽车缺乏实时路面特征识别，并不能确定路面最佳附着系数，因而不能准确确定最佳滑移率，只能以滑移率作为控制目标，或通过比较的方法在刹车过程中寻找最佳滑移率，由此可见路面特征和湿滑状态的识别是非常关键的。
4.公开号为cn101609606a，公开日为2009年12月23日，发明名称为“一种路面湿滑状态识别方法”的发明专利，其具体的技术方案为：本发明涉及一种路面湿滑状态识别方法，它包括以下步骤：1)建立一包括输入层、隐含层和输出层的路面湿滑状态识别bp人工神经网络；2)测量不同月份、不同地区和不同时刻的空气湿度、路面温度、路面温度与气温温差以及路面湿滑状态，并定义输入向量和输出向量；3)利用步骤2)中的测量值离线训练人工神经网络，以获得iwi、bj、iwj和b；4)将步骤3)中训练获得的iwi、iwj和bj、b嵌入车载ecu内，根据实际输入的月份、地区、时刻、湿度、路面温度及路面温度与气温温差，计算输出向量；5)根据步骤4)计算得出的输出向量，并依据步骤2)中定义的输出向量，判断出路面湿滑状态，并通过显示装置向驾驶员提供相应路面湿滑信息。本发明能够准确识别出路面湿滑状态，便于车载ecu计算出路面最大附着系数，为行车安全提供了有力保障。
5.上述现有技术主要是实现了路面湿滑状态的检测及推断路面最大附着系数和最大刹车距离等，其考虑的因素较少，并没有将天气情况、车速对人反应时间的影响以及路面状态和速度对刹车最大减速度的影响考虑到车辆防碰撞中，不能够很好的提高车辆的防碰撞精度和可靠性。


技术实现要素：

6.为了解决上述现有技术存在的问题和缺陷，本发明提出了一种基于路面状态识别
的车辆防碰撞方法，利用识别的路面类型和湿滑状态，通过模糊算法和安全距离模型，相对于不同的路面类型和湿滑状态计算出车辆间的安全距离，并及时向行驶中的车辆发出预警，实现主动防撞，保障了行车安全。
7.为了实现上述发明目的，本发明的技术方案如下：一种基于路面状态识别的车辆防碰撞方法，包括以下步骤：步骤s1.路面特征识别；步骤s11.加速度传感器采集车轮振动信号，分别以相同的时速在水泥路面以及沥青路面进行数据采集，然后对两种路面产生的车轮振动信号进行频谱分析，通过大量数据统计分析得到车轮高频振动频谱特征向量；步骤s12.构造神经网络分类器对路面类型进行识别，判断当前路面类型；步骤s2.路面状况识别；步骤s21.通过湿度传感器分别采集空气温度和空气湿度信息，在通过红外温度传感器采集路面温度；步骤s22.获取地理位置信息、季节以及当前时刻信息；步骤s23.构建包括输入层、隐含层和输出层的路面湿滑状态识别bp神经网络，其中，输入层接收当前时刻、季节、地理位置、路面温度、空气温度和空气湿度的6维输入向量；步骤s24.基于构建的路面状况识别bp神经网络，判断当前路面状况；步骤s3.建立基于模糊算法的当前驾驶员反应时间和车辆最大加速度测量模型，通过车辆安全距离模型输出车辆安全防碰撞距离，最终实现车辆防碰撞；步骤s31. 选择输入变量和输出变量，基于模糊算法输出当前驾驶员的反应时间以及车辆最大加速度；步骤s32.建立车辆安全距离模型；步骤s33.结合当前驾驶员的反应时间、车辆最大加速度以及构建的车辆安全距离模型，输出得到车辆安全防碰撞距离，最终实现车辆防碰撞。
8.作为优选地，所述步骤s31中，选择输入变量和输出变量，基于模糊算法输出当前驾驶员的反应时间以及车辆最大减速度，包括：a.建立路面状况的模糊集以及隶属函数；将路面状况分为冰雪、湿滑、湿以及干燥这四种情况，定义输入量为路面状况的四个模糊子集，同时设定其隶属函数分别如下；
其中，为bp神经网络的输出；表示路面状况为冰雪；表示路面状况为湿滑；表示路面状况为湿；表示路面状况为干燥；b.建立最大加速度的模糊集以及隶属函数；根据最大加速度的大小，将最大加速度分为很小、小、较小、中等、较大、大以及很大这七种情况，定义输入量为最大减速度的七个模糊子集，同时设定其隶属函数分别如下；其中，表示车辆加速度；表示车辆加速度很小；表示车辆加速度小；表示车辆加速度较小；表示车辆加速度中等；表示车辆加速度较大；表示车辆加速度大；表示车辆加速度很大；c.建立天气状况的模糊集以及隶属函数将天气状况分为雪、雾、雨以及良好这四种情况，定义输入量为天气状况的四个模糊子集，同时设定其隶属函数分别如下
；其中，表示天气状况；表示天气状况为下雪；表示天气状况为雾天；表示天气状况为下雨；表示天气状况为良好；d.建立行车速度的模糊集以及隶属函数根据行车速度的大小，将行车速度分为低、中等、偏高、高以及很高这五种状况，定义输入量为行车速度的五个模糊子集，同时设定其隶属函数分别如下；其中，为车辆行车速度；表示行车速度低；表示行车速度中等；表示行车速度偏高；表示行车速度高；表示行车速度很高；e.建立反应时间的模糊集以及隶属函数将司机的反应时间分为慢、中等以及快这三种情况，定义输入量为反应时间的三个模糊子集，同时设定其隶属函数分别如下
；其中，表示司机反应时间；表示司机反应时间快；表示司机反应时间中等；表示司机反应时间慢；f.建立司机反应时间的模糊规则表，输入量为天气状况和行车速度，输出量为司机反应时间，其规则如下表所示；g.建立最大加速度的模糊规则表，输入量为路面状况和行车速度，输出量为最大加速度，其规则如下表所示；h.基于建立的模糊集和隶属度函数，以及构建的司机反应时间模糊规则表以和最大加速度模糊规则表，输出当前驾驶员的反应时间和车辆当前最大加速度。
9.作为优选地，所述步骤s32中，所述建立车辆安全距离模型，包括：假设当前车辆自身的制动距离为，前方车辆的制动距离为，当前车辆与前方车辆的最小车间距为，则有；
其中，为车辆安全防碰撞距离；假设当前车辆驾驶员的反应时间和动作时间为，当前车辆和前方车辆的减速度递增时间长度是相等的，均为；当前方车辆为静止状态时，则有；当前方车辆为匀速或加速运动时，则有；当前方车辆处于减速运动时，则有；其中，为前方车辆处于静止状态时，安全防碰撞距离；为前方车辆处于匀速或加速运动时，安全防碰撞距离；为前方车辆处于减速运动时，安全防碰撞距离；为车辆当前自身行驶速度；为前方车辆当前行驶速度；为车辆当前最大加速度；为前方车辆当前最大加速度。
10.作为优选地，所述步骤s1中，加速度传感器固定在车轴上。
11.本发明的有益效果：本发明提出的一种基于路面状态识别的车辆防碰撞方法，本方法通过分析实时路面特征和路面状态，将获得的实时路面状态信息作为防撞预警系统的参数输入，是一种全新的防撞系统的设计思路；同时充分考虑到车辆防碰撞过程中，涉及变量多且情况复杂，具有较大的随机性和模糊性，将路面特征、路面湿滑、天气状况、驾驶员反应速度等量定义模糊子集，编辑合适的模糊规则，采用模糊逻辑算法设定防碰撞参数，能够很好的实现安全距离准确预测及危险状态的预警，提高车辆防碰撞的精度及可靠性。
附图说明
12.本发明的前述和下文具体描述在结合以下附图阅读时变得更清楚，附图中：图1为本发明方法流程图；图2为本发明装置组成结构图；附图中：201、路面特征识别模块；202、路面状况识别模块；203、车辆防碰撞模块。
具体实施方式
13.为了使本领域的技术人员更好地理解本发明中的技术方案，下面将通过几个具体
的实施例来进一步说明实现本发明发明目的的技术方案，需要说明的是，本发明要求保护的技术方案包括但不限于以下实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
14.路面识别子系统是汽车主动防撞预警系统中一个重要组成部分，国内目前路面识别的方法中可行性较高的一种是基于利用车轮角减速度、制动缸压力以及滑移率的变化来进行路面识别，此种方法具有良好的实时性，但是该方法所使用的是神经网络控制器，需要反复学习记忆标准信号，建立识别样本库，需要大量采样训练样本，虽然该方法识别标准路面具有准确率高、快速、实时性好的特点，但是对于未被处理过的非标准路面的识别则是其软肋。
15.由于同类型的路面，即使是同一路面但处于不同路面湿滑状态时，其最佳附着系数也是不尽相同的，而最佳附着系数的获得是必须要对汽车滑移率进行控制的，而汽车最佳制动效果的保证，需使汽车滑移率保持在最佳滑移率附近，但是目前汽车缺乏实时路面特征识别，并不能确定路面最佳附着系数，因而不能准确确定最佳滑移率，只能以滑移率作为控制目标，或通过比较的方法在刹车过程中寻找最佳滑移率，由此可见路面特征和湿滑状态的识别是非常关键的。
16.基于此，本发明的实施例提出了一种基于路面状态识别的车辆防碰撞方法，本方法通过分析实时路面特征和路面状况，将获得的实时路面状态信息作为防撞预警系统的参数输入，是一种全新的防撞系统的设计思路；同时充分考虑到车辆防碰撞过程中，涉及变量多且情况复杂，具有较大的随机性和模糊性，将路面特征、路面湿滑、天气状况、驾驶员反应速度等量定义模糊子集，编辑合适的模糊规则，采用模糊逻辑算法设定防碰撞参数，能够很好的实现安全距离准确预测及危险状态的预警，提高车辆防碰撞的精度及可靠性。
17.本实施例公开了一种基于路面状态识别的车辆防碰撞方法，参照说明书附图1，所述方法具体包括以下步骤：步骤s1.路面特征识别；步骤s11.传感器（如三轴加速度传感器）固定于车轴上采集车轮的振动信号，分别以相同的时速在水泥路面以及沥青路面进行数据采集，然后对两种路面产生的车轮振动信号进行频谱分析，通过大量试验数据统计分析得到车辆高频振动频谱特征向量；步骤s12.构建神经网络分类器（如：rbf神经网络），将车辆高频振动频谱特征向量作为输入，最终通过神经网络分类器输出里面类型例如水泥路面或沥青路面，具体实现过程如下；1）将采集到的振动数据按mallat分解算法进行分解，尺度的设计可通过实际现场实验得到；2）通过分解得到各个尺度上的小波系数，然后将子带上的小波系数分别重构至原始信号的尺度（可采用逆小波变换），因为mallat算法无法避免自身局限存在着频率混淆的问题，重构后频率折叠和混淆的的问题可以改善；3）通过对各子带信号做快速傅立叶变换，通过变换之后可以得到所需的各子带时间信号的频谱；4）通过采集车轮振动信号获取路面特征引起的车轮振动频谱，先利用已知类型的路面激励和已确定轮胎型号的汽车，采集车轮振动信号提取特征向量，通过对该信号进行
频谱分析，得到路面特征和车轮振动频谱关系，通过对不同数量特征向量提取和对比，实现路面类型的识别；5）将两种特征路面的车轮振动频谱特征向量输入构建的rbf神经网络中，利用多组路面车轮高频振动频谱特征向量训练rbf神经网络，获得rbf神经网络路面分类器，将实时采集获取的车辆高频振动频谱特征向量作为输入送入rbf神经网络路面分类器中进行识别，最后设当网络输出为1时判决此时路面为典型水泥路面，而输出为0时判决此时路面为沥青路面。
18.步骤s2.路面状况识别；步骤s21.通过湿度传感器分别采集当前所处位置的空气温度和空气湿度信息，再通过红外温度传感器采集此时路面的温度；步骤s22.获取地理位置信息、季节以及当前时刻信息；步骤s23.构建包括输入层、隐含层和输出层的路面湿滑状态识别bp神经网络，其中，输入层接收当前时刻、季节、地理位置、路面温度、空气温度和空气湿度的6维输入向量；步骤s24.基于构建的路面状况识别bp神经网络，判断当前路面状况。
19.在本实施例中，需要说明的是，地理位置信息和当前时刻信息可通过gps或北斗直接获取，季节信息可通过gps或北斗获取的日期信息，进而反推出当前的季节信息。
20.在本实施例中，bp神经网络判断当前路面状况的具体方法可参照公开号为cn101609606a的发明专利，在此不再赘述。
21.在本实施例中，路面状况一般指的是路面湿滑状态，主要包括冰、湿滑、湿、干燥这四种。可以设定bp神经网络的输出范围为0-1，其中输出量为1表示路面为干燥状态，神经网络的输出量越接近0表示路面越湿滑，越接近1则路越干燥。
22.步骤s3.建立基于模糊算法的当前驾驶员反应时间和车辆最大加速度测量模型，通过车辆安全距离模型输出车辆安全防碰撞距离，最终实现车辆防碰撞；步骤s31.选择输入变量和输出变量，基于模糊算法输出当前驾驶员的反应时间以及车辆最大加速度；a.建立路面状况的模糊集以及隶属函数；将路面状况分为冰雪、湿滑、湿以及干燥这四种情况，定义输入量为路面状况的四个模糊子集，设定其隶属函数分别如下： ；其中，为bp神经网络的输出；表示路面状况为冰雪；表示路面
状况为湿滑；表示路面状况为湿；表示路面状况为干燥；b.建立最大加速度的模糊集以及隶属函数；根据最大加速度的大小（加速度大小一般为），将最大加速度分为很小、小、较小、中等、较大、大以及很大这七种情况，定义输入量为最大减速度的七个模糊子集，设定其隶属函数分别如下：；其中，表示车辆加速度；表示车辆加速度很小；表示车辆加速度小；表示车辆加速度较小；表示车辆加速度中等；表示车辆加速度较大；表示车辆加速度大；表示车辆加速度很大；c.建立天气状况的模糊集以及隶属函数将天气状况分为雪、雾、雨以及良好这四种情况，定义输入量为天气状况的四个模糊子集，设定其隶属函数分别如下：；
其中，表示天气状况；表示天气状况为下雪；表示天气状况为雾天；表示天气状况为下雨；表示天气状况为良好；在本实施例中，由天气信息如当天的气象要素（降雨量、降雪量、能见度），气温，相对湿度来确定；设定范围为0-1，越接近0越可能是降雪的天气，越接近1表示天气越良好；d.建立行车速度的模糊集以及隶属函数根据行车速度的大小（行车速度一般为），将行车速度分为低、中等、偏高、高以及很高这五种状况，定义输入量为行车速度的五个模糊子集，设定其隶属函数分别如下：；其中，为车辆行车速度；表示行车速度低；表示行车速度中等；表示行车速度偏高；表示行车速度高；表示行车速度很高；e.建立反应时间的模糊集以及隶属函数根据司机的反应时间（反应时间一般为0-1.5秒），将反应时间分为慢、中等以及快这三种情况，定义输入量为反应时间的三个模糊子集，设定其隶属函数分别如下：；其中，表示司机反应时间；表示司机反应时间快；表示司机反应时间中等；表示司机反应时间慢；f.建立司机反应时间的模糊规则表，输入量为天气状况和行车速度，输出量为司机反应时间，其规则如下表所示：
；g.建立最大加速度的模糊规则表，输入量为路面状况和行车速度，输出量为最大加速度，其规则如下表所示：；h.基于建立的以上模糊集和隶属函数，以及司机反应时间模糊规则表和最大加速度模糊规则表，输出当前驾驶员的反应时间和车辆当前最大加速度。
23.在本实施例中，步骤h具体如下：模糊推理按照标准的推理算法进行，一般包含以下四个过程：(1)计算隶属度；(2) 求激励强度；(3)应用模糊规则，产生一个定性的隶属函数；(4)进行模糊聚类，获得最终输出的隶属度。
24.解模糊目前最常用的两种方法是最大隶属度法和重心法。本发明采用重心法作为解模糊策略。
25.为了进一步解释说明本发明模糊推理的过程，本实施例以具体的例子为例进行计算推理举例，具体如下。
26.反应时间计算推理：例如当前天气状况，车辆行车速度，计算输出过程如下：（1）输入变量模糊化并激活相应规则：将代入天气状况隶属函数中，将输入变量模糊化，得到如下的隶属度表；
将代入行车速度隶属函数中，将输入变量模糊化，得到如下隶属度表；从而有如下两条规则被激活：a.速度为偏高且天气为雪，则反应时间为慢；b.速度为偏高且天气为雾，则反应时间为中；（2）计算模糊控制规则的强度 由于规则条件中连接两个条件的是“且”，故在此选用取最小值法确定两条规则的强度：规则a：速度对“偏高”隶属度为1，天气对“雪”隶属度为0.056，min(1， 0.056)=0.056；规则b：速度对“偏高”隶属度为1，天气对“雾”隶属度为0.111，min(1，0.111)=0.111；（3）确定模糊输出并去模糊化规则a的结论是反应时间为慢，对应隶属度为0.056；规则b的结论是反应时间为中，对应隶属度为0.111；使用重心法求反应时间=（1.5*0.056+0.75*0.111）/（0.056+0.111）=1秒。
27.最大加速度计算推理：例如当前路面为沥青路面，路面状态，速度，计算输出过程如下：（1）输入变量模糊化并激活相应规则 将代入路面状况隶属函数中，将输入变量模糊化，得到如下的隶属度表；将代入行车速度隶属函数中，将输入变量模糊化，得到如下隶属度表
；从而有如下四条规则被激活：a.速度为中且路面为湿滑沥青路面，则最大减速度为中；b.速度为中且路面为湿沥青路面，则最大减速度为大；c.速度为偏高且路面为湿滑沥青路面，则最大减速度为中；d. 速度为偏高且路面为湿沥青路面，则最大减速度为较大；（2）计算模糊控制规则的强度由于规则条件中连接两个条件的是“且”，故在此选用取最小值法确定四条规则的强度：规则a：速度对“中”隶属度为0.8，路面状况对“湿滑”隶属度为0.485，min(0.8，0.4856)=0.485；规则b：速度对“中”隶属度为0.8，路面状况对“湿”隶属度为0.515，min(0.8，0.515)=0.515；规则c：速度对“偏高”隶属度为0.2，路面状况对“湿滑”隶属度为0.485，min(0.2， 0.485)=0.2；规则d：速度对“偏高”隶属度为0.2，路面状况对“湿”隶属度为0.515，min(0.2， 0.515)=0.2；（3）确定模糊输出并去模糊化规则a、c的结论都是最大减速度为中，则最大减速度对中的隶属度取a、c中较小者0.2；规则b的结论是最大减速度为大，对应隶属度为0.515；规则d的结论是最大减速度为较大，对应隶属度为0.2；最后使用重心法求得最大减速度=（5*0.2+6.66*0.2+8.33*0.515）/（0.2+0.2+0.515）=7.24m/s2。
28.步骤s32.建立车辆安全距离模型；假设当前车辆自身的制动距离为，前方车辆的制动距离为，当前车辆与前方车辆的最小车间距为，则有；其中，为车辆安全防碰撞距离；假设当前车辆驾驶员的反应时间和动作时间为，当前车辆和前方车辆的减速度递增时间长度是相等的，均为；当前方车辆为静止状态时，则有
；当前方车辆为匀速或加速运动时，则有；当前方车辆处于减速运动时，则有；其中，为前方车辆处于静止状态时，安全防碰撞距离；为前方车辆处于匀速或加速运动时，安全防碰撞距离；为前方车辆处于减速运动时，安全防碰撞距离；为车辆当前自身行驶速度；为前方车辆当前行驶速度；为车辆当前最大加速度；为前方车辆当前最大加速度。
29.在本实施例中，本车速度通过车辆自身的轮速传感器获取当前车速，本车实时加速度通过本车安装的加速度传感器获取；前车速度和实时加速度通过采用车辆自身的前毫米波雷达（如acc雷达）来探测自身车辆与前车的距离s来间接获取，设雷达的采样频率为f，则可得：前车速度为：；前车实时加速度为：（注：前车实时加速度用于判断前车是匀速、加速还是减速运动）。
30.步骤s33.根据步骤s31模糊算法得到的当前驾驶员的反应时间和车辆最大加速度，以及步骤s32中的车辆安全距离模型，最终计算得到车辆安全防碰撞距离，实现车辆防碰撞。
31.在本发明中，当计算出安全距离后和当前雷达探测的两车距离进行比较，若小于计算出的安全距离则进行报警提示或让主动刹车系统介入进行减速，从而实现车辆防碰撞。
32.基于同一发明构思，本发明的实施方式中还提供了一种基于路面状态识别的车辆防碰撞装置，如下述的实施方式所述。以下所使用的，术语“单元”或“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。具体的，参照说明书附图2，该装置可以包括：路面特征识别模块201、路面状况识别模块202以及车辆防碰撞模块203。
33.下面对该结构进行具体的说明。
34.路面特征识别模块201，用于采集车轮以相同的时速在水泥路面以及沥青路面的振动信号，然后对两种路面产生的车轮振动信号进行频谱分析，通过大量数据统计分析得到车辆高频振动频谱特征向量，基于构建的神经网络分类器输出当前路面类型。
35.路面状况识别模块202，用于采集路面温度、空气温度、空气湿度、当前时刻、季节
以及地理位置信息，构建包括输入层、隐含层和输出层的路面湿滑状态识别bp神经网络，基于构建的路面湿滑状态识别bp神经网络，输出当前路面的湿滑状况。
36.车辆防碰撞模块203，用于建立基于模糊算法的当前驾驶员反应时间和车辆最大加速度测量模型，并通过车辆安全距离模型输出车辆安全防碰撞距离，最终实现车辆防碰撞。
37.需要说明的是，上述实施方式阐明的系统、装置、模型或者单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述方便，在本说明书中，描述以上装置时以功能分为各种单元分别进行描述。当然，在实施本发明时可以把各个单元的功能在同一个或多个软件和/或硬件中实现。
38.进一步地，本发明的实施方式还提供了一种计算机设备，该计算机设备包括存储器、处理器以及存储在存储器上并可在处理器中运行的计算机程序，处理器执行所述计算机程序时，实现上述任一种方法的步骤。
39.进一步地，本发明的实施方式还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，所述计算机程序在计算机处理器中执行时，实现上述任一种方法的步骤。
40.所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可包括，但不仅限于，处理器、存储器，例如所述计算机设备还可以包括输入输出设备、网络接入设备、总线等。
41.以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

技术特征：
1.一种基于路面状态识别的车辆防碰撞方法，其特征在于，包括以下步骤：步骤s1.路面特征识别；步骤s11.加速度传感器采集车轮振动信号，分别以相同的时速在水泥路面以及沥青路面进行数据采集，然后对两种路面产生的车轮振动信号进行频谱分析，通过大量数据统计分析得到车轮高频振动频谱特征向量；步骤s12.构造神经网络分类器对路面类型进行识别，判断当前路面类型；步骤s2.路面状况识别；步骤s21.通过湿度传感器分别采集空气温度和空气湿度信息，在通过红外温度传感器采集路面温度；步骤s22.获取地理位置信息、季节以及当前时刻信息；步骤s23.构建包括输入层、隐含层和输出层的路面湿滑状态识别bp神经网络，其中，输入层接收当前时刻、季节、地理位置、路面温度、空气温度和空气湿度的6维输入向量；步骤s24.基于构建的路面状况识别bp神经网络，判断当前路面状况；步骤s3.建立基于模糊算法的当前驾驶员反应时间和车辆最大加速度测量模型，通过车辆安全距离模型输出车辆安全防碰撞距离，最终实现车辆防碰撞；步骤s31. 选择输入变量和输出变量，基于模糊算法输出当前驾驶员的反应时间以及车辆最大加速度；步骤s32.建立车辆安全距离模型；步骤s33.结合当前驾驶员的反应时间、车辆最大加速度以及构建的车辆安全距离模型，输出得到车辆安全防碰撞距离，最终实现车辆防碰撞。2.根据权利要求1所述的一种基于路面状态识别的车辆防碰撞方法，其特征在于，所述步骤s31中，选择输入变量和输出变量，基于模糊算法输出当前驾驶员的反应时间以及车辆最大减速度，包括：a.建立路面状况的模糊集以及隶属函数；将路面状况分为冰雪、湿滑、湿以及干燥这四种情况，定义输入量为路面状况的四个模糊子集，同时设定其隶属函数分别如下；
其中，为bp神经网络的输出；表示路面状况为冰雪；表示路面状况为湿滑；表示路面状况为湿；表示路面状况为干燥；b.建立最大加速度的模糊集以及隶属函数；根据最大加速度的大小，将最大加速度分为很小、小、较小、中等、较大、大以及很大这七种情况，定义输入量为最大减速度的七个模糊子集，同时设定其隶属函数分别如下；其中，表示车辆加速度；表示车辆加速度很小；表示车辆加速度小；表示车辆加速度较小；表示车辆加速度中等；表示车辆加速度较大；表示车辆加速度大；表示车辆加速度很大；c.建立天气状况的模糊集以及隶属函数将天气状况分为雪、雾、雨以及良好这四种情况，定义输入量为天气状况的四个模糊子集，同时设定其隶属函数分别如下
；其中，表示天气状况；表示天气状况为下雪；表示天气状况为雾天；表示天气状况为下雨；表示天气状况为良好；d.建立行车速度的模糊集以及隶属函数根据行车速度的大小，将行车速度分为低、中等、偏高、高以及很高这五种状况，定义输入量为行车速度的五个模糊子集，同时设定其隶属函数分别如下；其中，为车辆行车速度；表示行车速度低；表示行车速度中等；
表示行车速度偏高；表示行车速度高；表示行车速度很高；e.建立反应时间的模糊集以及隶属函数将司机的反应时间分为慢、中等以及快这三种情况，定义输入量为反应时间的三个模糊子集，同时设定其隶属函数分别如下；其中，表示司机反应时间；表示司机反应时间快；表示司机反应时间中等；表示司机反应时间慢；f.建立司机反应时间的模糊规则表，输入量为天气状况和行车速度，输出量为司机反应时间，其规则如下表所示；g.建立最大加速度的模糊规则表，输入量为路面状况和行车速度，输出量为最大加速度，其规则如下表所示
；h.基于建立的模糊集和隶属度函数，以及构建的司机反应时间模糊规则表以和最大加速度模糊规则表，输出当前驾驶员的反应时间和车辆当前最大加速度。3.根据权利要求1所述的一种基于路面状态识别的车辆防碰撞方法，其特征在于，所述步骤s32中，所述建立车辆安全距离模型，包括：假设当前车辆自身的制动距离为，前方车辆的制动距离为，当前车辆与前方车辆的最小车间距为，则有；其中，为车辆安全防碰撞距离；假设当前车辆驾驶员的反应时间和动作时间为，当前车辆和前方车辆的减速度递增时间长度是相等的，均为；当前方车辆为静止状态时，则有；当前方车辆为匀速或加速运动时，则有；当前方车辆处于减速运动时，则有；其中，为前方车辆处于静止状态时，安全防碰撞距离；为前方车辆处于匀速或
加速运动时，安全防碰撞距离；为前方车辆处于减速运动时，安全防碰撞距离；为车辆当前自身行驶速度；为前方车辆当前行驶速度；为车辆当前最大加速度；为前方车辆当前最大加速度。4.根据权利要求1所述的一种基于路面状态识别的车辆防碰撞方法，其特征在于，所述步骤s1中，加速度传感器固定在车轴上。

技术总结
本发明涉及车辆行驶安全技术领域，公开了一种基于路面状态识别的车辆防碰撞方法，本方法通过识别的路面类型和湿滑状态，利用模糊算法和安全距离模型，相对于不同的路面类型和湿滑状态计算出车辆间的安全距离，并及时向行驶中的车辆发出预警，实现主动防撞，保障了行车安全。安全。安全。


技术研发人员：兰富安 邹海云 黄军 文燕 徐康 李敬阳 高玉波 李文 朱友杰 叶琳
受保护的技术使用者：四川乐西高速公路有限责任公司
技术研发日：2023.05.30
技术公布日：2023/6/28