一种坡道自动泊车安全车速控制方法与流程

1.本发明属于汽车领域，具体涉及一种坡道自动泊车安全车速控制方法。


背景技术：

2.现有技术cn112061117 a公开了一种自学习自动泊车控制方法、控制系统和车辆。提供了一种根据自学习人工泊车时驾驶员的泊车车速，判断驾驶人员的类型，在进行泊车时，车辆根据驾驶人员类型对应的速度或加速度进行泊车；并将驾驶员驾驶风格划分为缓慢、舒适和激进等类型以适应不同人群的风格；该发明通过深度学习驾驶员的泊车习惯，使泊车车速和加速度/减速度符合驾驶员的期望，避免驾驶员的不适感，使车辆表现的更加智能。但该发明没有考虑在很多特殊的泊车场景工况使用自动泊车功能无法根据驾驶员的风格进行泊车，比如山城的停车位坡道较多，上下或者左右倾斜车位较多，如果选择了轻缓模式，动力不足反而让驾驶员会有紧张感。


技术实现要素：

3.本发明的目的在于，提供一种坡道自动泊车安全车速控制方法，考虑驾驶员的驾驶风格，可以拓展自动泊车功能的使用场景，从常用的标准车库拓展到坡道居多的城市使用，让更多的人接受自动泊车功能。
4.为解决上述技术问题，本发明的技术方案为：一种坡道自动泊车安全车速控制方法，包括以下步骤：
5.s1、采集车辆姿态信息，所述车辆姿态信息至少包括俯仰角、航向角和翻滚角；
6.s2、在预设的自学习模型中选择相对应的驾驶风格模型，根据所选择的驾驶风格模型调整自车泊车的速度和加速度；
7.s3、根据预设的多种车辆在该车位进行泊车的车辆姿态信息、速度和加速度进行匹配，选取最接近的车辆情况给出至少一条泊车提示；
8.s4、对车辆姿态信息、自车泊车速度和加速度和泊车提示进行滤波融合，生成自动泊车的速度和加速度。
9.进一步地，所述s3还包括，建立泊车的最小速度至最大速度的区间范围以及最小加速度至最大加速度的区间范围。
10.更进一步地，所述s4具体为：
11.s4.1、根据车辆姿态信息计算得出车辆姿态对自动泊车速度影响的参数x；
12.s4.2、对泊车的最小速度至最大速度的区间范围以及最小加速度至最大加速度的区间范围中的数据进行滤波处理，剔除噪声；
13.s4.3、将滤波处理后的数据与自车泊车的速度和加速度进行回归计算，生成自动泊车的速度和加速度。
14.更进一步地，所述s4.1中参数x的计算公式为：
15.x＝θ*c φ*d
16.式中，θ为俯仰角，φ为翻滚角，c为当前车辆姿态下对俯仰角影响的权重系数，d为当前车辆姿态下对翻滚角影响的权重系数，其中c和d均根据预设的自学习模型生成。
17.更进一步地，所述s4.2中滤波处理的预测公式为：
18.y’＝fy u
19.p’＝fpf
t
q
20.观测到的卡尔曼增益为k＝p’h
t
s
‑121.式中，y’是预测的下一时刻的速度向量；y是当前时刻的速度向量；f是对速度变化的状态转移矩阵；u是运动噪声；p’是跟随y’预测的下一时刻协方差矩阵；p是当前协方差矩阵；q是过程噪声，此处作为单位矩阵参与运算；k为卡尔曼增益，h是测量矩阵此处测量的是速度位姿向量；s此处可以简化为测量值的噪声矩阵简单处理可以作为单位矩阵参与运算。
22.更进一步地，所述s4.3中回归计算的公式为：
[0023][0024]
式中，x
i
是云控平台滤波后的多组车辆速度姿态数据；y
i
值是一组自车速度值进行建模分析解算a、b参数。
[0025]
一种利用上述的坡道自动泊车安全车速控制方法的系统，包括：
[0026]
车辆姿态采集模块，用于采集车辆姿态信息，所述车辆姿态信息至少包括俯仰角、航向角和翻滚角；
[0027]
自学习模块，用于在预设的自学习模型中选择相对应的驾驶风格模型，根据所选择的驾驶风格模型调整自车泊车的速度和加速度；
[0028]
云端数据库，用于根据预设的多种车辆在该车位进行泊车的车辆姿态信息、速度和加速度进行匹配，选取最接近的车辆情况给出至少一条泊车提示；
[0029]
统合计算模块，用于对车辆姿态信息、自车泊车速度和加速度和泊车提示进行滤波融合，生成自动泊车的速度和加速度。
[0030]
进一步地，所述云端数据库还用于建立泊车的最小速度至最大速度的区间范围以及最小加速度至最大加速度的区间范围。
[0031]
更进一步地，所述综合计算模块的具体工作过程为：
[0032]
根据车辆姿态信息计算得出车辆姿态对自动泊车速度影响的参数x；
[0033]
对泊车的最小速度至最大速度的区间范围以及最小加速度至最大加速度的区间范围中的数据进行滤波处理，剔除噪声；
[0034]
将滤波处理后的数据与自车泊车的速度和加速度进行回归计算，生成自动泊车的速度和加速度。
[0035]
一种计算机存储介质，其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行上述任一项所述的坡道自动安全车速控制方法。
[0036]
与现有技术相比，本发明的有益效果为：
[0037]
本发明提供一种坡道安全自动泊车系统控制方法，主要通过融合自车姿态(至少包含俯仰角、航向角及翻滚角)和自车泊车速度加速度信息以及云端输出不同停车位的停
车速度加速度大数据，输出给车辆泊车控制系统最优速度加速度控制，通过融合方式最大限度满足坡道自动泊车过程中驾驶员的安全感和舒适感。
附图说明
[0038]
图1为本发明实施例的流程示意图。
具体实施方式
[0039]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0040]
本发明的技术方案为：一种坡道自动泊车安全车速控制方法，包括以下步骤：
[0041]
s1、采集车辆姿态信息，所述车辆姿态信息至少包括俯仰角、航向角和翻滚角；
[0042]
s2、在预设的自学习模型中选择相对应的驾驶风格模型，根据所选择的驾驶风格模型调整自车泊车的速度和加速度；
[0043]
s3、根据预设的多种车辆在该车位进行泊车的车辆姿态信息、速度和加速度进行匹配，选取最接近的车辆情况给出至少一条泊车提示；
[0044]
s4、对车辆姿态信息、自车泊车速度和加速度和泊车提示进行滤波融合，生成自动泊车的速度和加速度。
[0045]
进一步地，所述s3还包括，建立泊车的最小速度至最大速度的区间范围以及最小加速度至最大加速度的区间范围。
[0046]
更进一步地，所述s4具体为：
[0047]
s4.1、根据车辆姿态信息计算得出车辆姿态对自动泊车速度影响的参数x；
[0048]
s4.2、对泊车的最小速度至最大速度的区间范围以及最小加速度至最大加速度的区间范围中的数据进行滤波处理，剔除噪声；
[0049]
s4.3、将滤波处理后的数据与自车泊车的速度和加速度进行回归计算，生成自动泊车的速度和加速度。
[0050]
更进一步地，所述s4.1中参数x的计算公式为：
[0051]
x＝θ*c φ*d
[0052]
式中，θ为俯仰角，φ为翻滚角，c为当前车辆姿态下对俯仰角影响的权重系数，d为当前车辆姿态下对翻滚角影响的权重系数，其中c和d均根据预设的自学习模型生成。
[0053]
更进一步地，所述s4.2中滤波处理的预测公式为：
[0054]
y’＝fy u
[0055]
p’＝fpf
t
q
[0056]
观测到的卡尔曼增益为：k＝p’h
t
s
‑1[0057]
式中，y’是预测的下一时刻的速度向量；y是当前时刻的速度向量；f是对速度变化的状态转移矩阵；u是运动噪声；p’是跟随y’预测的下一时刻协方差矩阵；p是当前协方差矩阵；q是过程噪声，此处作为单位矩阵参与运算；k为卡尔曼增益，h是测量矩阵此处测量的是速度位姿向量；s此处可以简化为测量值的噪声矩阵简单处理可以作为单位矩阵参与运算。
更进一步地，所述s4.3中回归计算的公式为：
[0058][0059]
式中，x
i
是云控平台滤波后的多组车辆速度姿态数据；y
i
值是一组自车速度值进行建模分析解算a、b参数。
[0060]
一种利用上述的坡道自动泊车安全车速控制方法的系统，包括：
[0061]
车辆姿态采集模块，用于采集车辆姿态信息，所述车辆姿态信息至少包括俯仰角、航向角和翻滚角；
[0062]
自学习模块，用于在预设的自学习模型中选择相对应的驾驶风格模型，根据所选择的驾驶风格模型调整自车泊车的速度和加速度；
[0063]
云端数据库，用于根据预设的多种车辆在该车位进行泊车的车辆姿态信息、速度和加速度进行匹配，选取最接近的车辆情况给出至少一条泊车提示；
[0064]
统合计算模块，用于对车辆姿态信息、自车泊车速度和加速度和泊车提示进行滤波融合，生成自动泊车的速度和加速度。
[0065]
车辆姿态信息：由车载imu输出，按照100hz频率输出车辆姿态包含俯仰角、翻滚角信息，主要用于后续模块判断和仲裁车辆在坡道上的姿态影响因素。
[0066]
自车泊车速度加速度：自车泊车速度或加速度信号是通过自学习模型根据不同驾驶员风格输出不同的驾驶速度风格，提高不同驾驶员在泊车过程中的心理适应性和接受度，会作为速度融合模块的一项输入信息。
[0067]
速度加速度云数据：通过云端设备采集不同车辆停入该车位不同姿态情况下泊车的速度或加速度信息、对于泊车失败或者泊车滑坡等情况进行提出和警示，并建立泊车的最低和最高速度以及加速度区间范围。
[0068]
车辆姿态仲裁速度融合：采用对前端速度原始数据、姿态信息进行滤波深度融合的方式预测后端输出的泊车速度或加速度。主要由以下几个步骤组成：首先根据车辆姿态计算对速度影响的参数x,其中俯仰角θ影响车辆纵向控制对ems、esc协同，φ翻滚角产生离心力影响车辆侧偏对esc影响，基于控制器影响程度，车辆姿态转化成x＝θ*c φ*d(其中c、d是当前位姿下对俯仰角和滚翻角影响的权重系数，由云端数据统计得出),目的是为了得到后续速度或加速度拟合需要基于的位姿信息作为x轴信息；第二步对云数据速度进行滤波处理，剔除噪声，预测公式y’＝fy u(噪声)p’＝fpf
t
q，观测的卡尔曼增益为k＝p’h
t
s
‑
1，
通过滤波可以剔除原始速度中的不准确偏差值；第三步将滤波后的数据与自车泊车速度加速度进行回归计算，预测该x车辆姿态下最好的泊车速度和加速度。对速度线性回归公式进行梯度下降求最小二乘解，得出当前最合适的下降系数b及a的值，即可以根据目前的x信息输出速度加速度y值信号；
[0069]
作为本发明的一个具体实施实例：本发明算法会集成在mcu规划控制模块中，前端
感知及车载信息通过can信号进行输入；实际采用速度或加速度信号值根据与esc的交付信号矩阵进行转换。
[0070]
一种计算机存储介质，其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行上述任一项所述的坡道自动安全车速控制方法。
[0071]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。