一种基于可靠性理论与模糊贝叶斯网络的AEB风险评价方法

本发明涉及汽车主动安全风险评价，尤其涉及一种基于可靠性理论与模糊贝叶斯网络的aeb风险评价方法。

背景技术：

1、自动紧急制动系统（autonomous emergency braking，aeb）是车辆主动安全系统的重要组成部分，能够在车辆与前方目标存在潜在碰撞风险时，通过环境感知、风险判断和自动制动控制，使车辆主动减速或停车，从而避免碰撞事故发生或降低碰撞损伤程度。随着智能网联汽车和高级驾驶辅助系统的不断发展，aeb系统已逐渐成为衡量车辆主动安全性能的重要指标之一。

2、在aeb系统运行过程中，车辆是否能够及时避免碰撞，不仅与车辆和目标之间的距离、相对速度以及碰撞时间有关，还受到aeb系统响应时间、车辆制动减速度、路面附着系数、制动能力利用程度等多种因素影响。尤其在临界制动工况下，即使车辆与目标之间仍存在一定距离，若系统响应延迟较大、制动减速度不足或路面附着条件较差，车辆仍可能无法在碰撞前完成制动。因此，aeb系统风险评价不能仅依赖单一因素判断，而应综合考虑车辆运动状态、制动性能和环境条件等多源风险因素。

3、现有aeb风险评价方法多采用碰撞时间ttc作为主要判据，通过设定固定阈值判断车辆是否存在碰撞风险。该方法计算简单，易于实现，但其评价指标较为单一，主要反映车辆与目标之间的时间接近程度，难以充分描述车辆制动响应能力、路面附着条件以及系统参数随机波动对风险状态的影响，例如湿滑路与干燥路碰撞风险完全不同。在实际工况中，不同车辆即使具有相同ttc，也可能因制动减速度、系统响应时间和附着条件不同而表现出不同的避撞能力，ttc是连续数值，阈值临界工况存在判定等级跳变，无法准确评价渐变危险。因此，单纯采用ttc阈值法容易在临界工况下产生风险误判或风险低估。

4、此外，aeb试验和仿真过程中的输入参数通常并非固定不变。车辆速度、目标距离、相对速度、制动减速度以及系统响应时间等参数均可能受到传感器测量误差、控制系统响应误差、车辆制动性能波动和环境条件变化的影响，具有一定不确定性。传统确定性评价方法通常只给出某一工况下的单一判断结果，难以反映参数波动条件下车辆发生制动失效的概率，因而无法充分满足aeb系统可靠性评价和风险预警的需求。

5、本领域目前仍缺少一种能够综合考虑aeb风险因素、车辆制动可靠性、输入参数不确定性以及风险等级概率输出的评价方法。传统ttc风险评价方法难以同时实现制动失效概率计算、风险特征变量模糊化处理以及多因素条件概率推理，导致aeb风险评价结果在临界工况下准确性和解释性不足。

6、贝叶斯网络具有表达不确定性关系和进行概率推理的能力，适用于多因素耦合作用下的风险评价问题；模糊理论能够描述连续变量在不同状态之间的渐变关系，避免固定阈值划分导致的状态突变；可靠性权重可以用来量化参数可信度，可利用专家经验或历史数据，结合模糊贝叶斯网络，高可靠性的参数会被增强，低可靠性的参数会被抑制。因此，将可靠性理论、模糊理论和贝叶斯网络相结合，可解决传统ttc风险评价方法的不足。

7、综上所述，本发明方法通过构建车辆剩余碰撞时间与停车时间之间的极限状态函数，计算车辆在不同工况下的制动失效概率，并引入安全裕度和制动利用率构建模糊贝叶斯网络，能够从时间可靠性、空间安全裕度和制动能力利用程度三个方面综合评价aeb系统风险状态,实现aeb风险等级的概率化评价,以提高aeb系统风险识别的准确性、可靠性和工程适用性。

技术实现思路

1、为了克服上述现有技术的不足，本发明采用如下技术方案：

2、一种基于可靠性理论与模糊贝叶斯网络的aeb风险评价方法,该方法包括以下步骤：

3、步骤1：分析aeb试验风险因素，识别因素包括车辆速度、目标距离、相对速度、aeb系统响应时间、制动减速度和路面附着系数；

4、步骤2：建立车辆制动极限状态函数；

5、步骤3：计算极限状态函数，定义可靠指标和制动失效概率，分析得到制动失效概率与可靠指标的关系；

6、步骤4：模糊化处理风险特征变量，定义安全裕度、制动利用率，将作为模糊贝叶斯网络的输入，划分节点模糊化状态并定义隶属函数；

7、步骤5：建立模糊贝叶斯网络结构，构建模糊条件概率表与风险推理；定义模糊贝叶斯网络的节点集合：

8、

9、其中，为父节点，为子节点，划分为四个状态，其中，表示安全状态，表示提醒状态，表示危险状态，表示紧急状态；

10、设模糊贝叶斯网络三输入单输出结构图为：，其中n为节点集合，e为有向边集合，根据节点定义可得：

11、

12、risk节点条件概率表cpt的每一组状态组合均对应risk节点四个风险状态的条件概率，其中，=1,2,3,4，=1,2,3，=1,2,3,4；

13、对于任意一组父节点状态组合，其条件概率应满足：

14、

15、risk节点完整输出概率可表示为：

16、

17、根据最大后验概率原则确定风险等级：

18、。

19、优选地，所述步骤1包括以下步骤：

20、步骤1.1、识别风险影响因素，根据aeb原理，影响碰撞风险的因素包括：车辆速度、目标距离、相对速度，aeb系统响应时间、制动减速度和路面附着系数；

21、步骤1.2、分析ttc风险因素，ttc是aeb系统风险判断中最常用的时间类指标，其基本含义是在当前相对运动状态保持不变的情况下，车辆与目标发生碰撞所需的剩余时间；ttc与目标距离成正比，与相对速度成反比

22、。

23、优选地，所述步骤2包括以下步骤：

24、步骤2.1、建立停车时间模型，设车辆完成停车所需总时间为，则可表示为：

25、；

26、步骤2.2、定义车辆制动极限状态函数为：

27、

28、表示车辆与目标之间的剩余碰撞时间，表示车辆完成停车所需总时间；

29、步骤2.3、将前文建立的ttc模型和停车时间模型代入，可得：

30、

31、其中，为随机变量向量，可表示为：

32、

33、本文采用正态分布描述各输入变量的随机波动；各随机变量可表示为：

34、

35、相对速度和制动减速度均应满足物理约束：

36、；

37、其中，d为车辆与目标之间的距离，为相对速度，为车辆速度，为制动减速度，为aeb系统综合响应时间；

38、

39、表示安全状态，即：

40、

41、说明车辆剩余碰撞时间大于停车所需时间，理论上能够避免碰撞；

42、

43、表示临界状态，即：

44、

45、说明车辆刚好处于制动避撞边界；

46、

47、表示失效状态，即：

48、

49、说明车辆无法在碰撞前完成停车，存在碰撞风险；

50、简化模型计算，本文首先假设各随机变量之间相互独立，即：

51、。

52、优选地，所述步骤3包括以下步骤：

53、步骤3.1、本文采用一次二阶矩法对极限状态函数进行近似分析，首先，在均值点处计算极限状态函数的均值；令：

54、

55、则极限状态函数均值可近似表示为：

56、

57、即：

58、

59、其中，表示平均意义下的时间裕度；当时，说明车辆在平均工况下具有一定制动时间裕度；当时，说明车辆在平均工况下已经处于无法及时制动的危险状态；

60、其次，计算极限状态函数的方差；根据一次二阶矩法，若各随机变量相互独立，则(x)的方差可表示为：

61、

62、其中，各偏导数均在均值点处取值；由极限状态函数可得：

63、

64、将偏导数代入并在均值点处取值，可得：

65、

66、进而可得极限状态函数标准差：

67、；

68、步骤3.2、在获得和后，可定义可靠指标为：

69、

70、其中，为带符号可靠指标；当时，表示极限状态函数均值位于安全域内；当时，表示平均状态刚好位于失效边界上；当时，表示极限状态函数均值已经进入失效域；

71、步骤3.3、在建立可靠指标后，可进一步计算aeb制动失效概率；对于本文研究的aeb试验工况，失效事件定义为车辆无法在碰撞前完成制动，即：

72、

73、因此，制动失效概率可表示为：

74、

75、即：

76、

77、该式表明，制动失效概率表示剩余碰撞时间小于车辆停车所需时间的概率；换言之，越大，说明车辆越可能无法在碰撞前完成制动，aeb试验工况风险越高；

78、步骤3.4、为便于工程计算，本文采用一次二阶矩法近似认为极限状态函数服从正态分布，即：

79、

80、在该近似条件下，对进行标准化处理：

81、

82、则z服从标准正态分布：

83、

84、制动失效概率可写为：

85、

86、

87、由于：

88、

89、因此：

90、。

91、优选地，所述步骤4包括以下步骤：

92、步骤4.1、将制动失效概率、安全裕度、制动利用率共同作为模糊贝叶斯网络的输入风险特征变量；

93、

94、

95、其中，g为重力加速度；

96、步骤4.2、将节点模糊状态进行划分，如下:

97、

98、其中，表示低失效概率，表示中低失效概率，表示中高失效概率，表示高失效概率；

99、

100、其中，表示空间不足；表示空间临界；表示空间安全；

101、

102、其中，表示低制动利用率；表示中制动利用率；表示高制动利用率；表示制动超限；

103、步骤4.3、定义的隶属函数，将分别转化为各自的模糊状态隶属度向量：

104、

105、

106、

107、分别为的模糊状态隶属度向量,其中，分别为的隶属函数；分别为的隶属函数；分别为的隶属函数；

108、步骤4.4、设的第个模糊状态为，的第个模糊状态为，的第个模糊状态为，则该状态组合的激活权重为：

109、

110、其中，表示当前对第个模糊状态的隶属度，表示当前对第个模糊状态的隶属度，表示当前bu对第个模糊状态的隶属度，=1,2,3,4，=1,2,3，=1,2,3,4。

111、优选地，所述步骤5包括以下步骤：

112、步骤5.1、本文模糊贝叶斯网络的节点集合可定义为：

113、

114、其中，为父节点，为子节点；父节点通过不同维度描述aeb试验风险来源，子节点用于输出最终风险等级；根据aeb风险评价需求，本文将risk节点划分为四个状态：

115、

116、式中，表示安全状态,表示提醒状态，表示危险状态，表示紧急状态；

117、步骤5.2、根据上述节点关系，本文建立的模糊贝叶斯网络采用三输入单输出结构，构建的模糊贝叶斯网络属于有向无环图；设网络图为：

118、

119、其中，n为节点集合，e为有向边集合；根据节点定义可得：

120、

121、risk节点条件概率表cpt的每一组状态组合均对应risk节点四个风险状态的条件概率，即：

122、

123、其中，=1,2,3,4，=1,2,3，=1,2,3,4；该条件概率表将在后续章节中根据风险评分规则、专家经验和工程约束进行构建；

124、步骤5.3、对于任意父节点状态组合，定义综合风险指数为：

125、

126、式中，表示第()个父节点状态组合对应的综合风险指数；、、分别表示、、对应模糊状态的危险度；,,为权重系数，且满足：；

127、本文取：

128、

129、则综合风险指数为：

130、

131、本文设置安全、提醒、危险和紧急四类风险状态的中心值分别为：

132、

133、其中，分别表示安全、提醒、危险和紧急风险状态在综合风险指数空间中的中心位置；

134、对于任意风险等级(r)，定义其风险匹配度为：

135、

136、其中，为风险等级(r)对应的中心值，为风险状态分布宽度参数；本文取：

137、

138、随后对四类风险状态的匹配度进行归一化，得到risk节点条件概率：

139、

140、根据此方法构建risk节点的条件概率表cpt；

141、步骤5.4、本文建立的模糊贝叶斯网络联合概率分布可表示为：

142、

143、其中，分别表示输入节点的先验概率分布，表示在给定父节点状态组合条件下，risk节点各风险等级的条件概率分布；

144、步骤5.5、当各父节点隶属度满足归一化条件时，所有状态组合的激活权重之和为1；若隶属度函数设计或数值计算导致权重之和不严格等于1，则可对其进行归一化处理：

145、归一化后的表示第()个父节点状态组合对risk节点最终推理结果的贡献程度；

146、步骤5.6对于risk节点的任一风险等级(r)，其最终输出概率可表示为：

147、

148、其中，，分别对应安全、提醒、危险和紧急四种风险状态；

149、对于任意一组父节点状态组合，其条件概率应满足：

150、

151、即：

152、

153、进一步地，risk节点完整输出概率可表示为：

154、

155、最终风险等级可根据最大后验概率原则确定，即：

156、。

157、本发明的优点和有益效果：

158、本发明提出了一种基于可靠性理论与模糊贝叶斯网络的aeb风险评价方法，通过构建车辆制动极限状态函数，将车辆速度、目标距离、相对速度、aeb系统响应时间、制动减速度及路面附着系数等多种风险影响因素进行统一建模，并以制动失效概率、安全裕度和制动利用率作为风险特征变量，从时间可靠性、空间安全裕度和制动利用率三个维度对aeb试验工况风险进行综合评价；并且构建了以、、为输入节点、risk为输出节点的模糊贝叶斯网络，该网络不仅不需要构建包含等参数的高维条件概率表，降低了模型复杂度，而且实现了多源风险信息融合与风险等级推理，有效克服了传统ttc阈值法评价指标单一、风险识别能力不足的问题，提高了aeb风险评价的全面性、准确性和工程适用性。

159、本发明建立了基于可靠性理论与模糊贝叶斯网络的aeb试验风险量化评价方法，通过车辆制动极限状态函数计算可靠指标β和制动失效概率，实现aeb风险由定性判断向概率化、数值化评价的转变；构建以制动失效概率、安全裕度和制动利用率为核心的多维风险特征体系，实现风险影响因素的综合量化描述；结合模糊理论与贝叶斯网络推理，实现aeb试验风险等级及其概率分布的输出，提高了风险评价的客观性、准确性和工程应用价值。

160、同时，该方法适用于aeb台架试验及仿真工况下不同车辆速度、目标距离、制动能力和路面附着条件的风险识别与等级判定，可为aeb系统性能评价、风险预警策略优化及台架试验方案设计提供理论依据和技术支持，具有良好的工程应用价值。