·756· 智能系统学报 第14卷 3碰撞风险评估 车辆间的纵向距离(Y_distance)和横向距离 (Y distance),驾驶员注意方向信息表现在头部垂 碰撞保护系统通常根据传感器获取的道路障 直方向转角(pitch)和水平方向转角(yaw)。模糊 碍物距离和速度信息计算碰撞时间(time to colli- 推理使用Mamdani规则,如式(11)所示: sion,TTC),当碰撞时间小于阈值时做出警告。然 R:if xi is Ai,x is A,....xi A 而受到行车环境、驾驶员精神及身体状态的影 (11) then yi=B 响,驾驶员对道路危险的反应时间存在差异,精 式中:为输入变量;y为第i条规则对应的输 确的数值分析有时反而会引起错误的预警。实际 出;A和B为模糊集。 道路中,经验丰富的驾驶员并不会精确计算距离 为了降低论证的复杂性,取行人的纵向距离 或碰撞时间,而是使用语义信息表达路况,例如 Y_distance与横向距离Y distance,驾驶员头部水 用远、中、近、很近表示前方物体距离,用很快、 平转角yaw3个输入参数构建模糊推理系统。输 快、适中、慢表示当前车速等。可以近似认为,驾 入参数Y distance与Y distance模糊化使用三角 驶员对于车辆前方潜在碰撞风险的估计都是基于 隶属度函数,其中Y distance的模糊集论域为[O, 一系列if-then规则做出的决策,并且判断结果在 20],Y distance的模糊集论域为[0,5],在论域上 大部分情况下已足够准确。 的取值均为{close,.mid,far},如图6(a)和图6(b)所 本文构建一种基于道路和驾驶员信息的模糊 示。输入参数yaw模糊化使用高斯隶属度函数 推理系统,对输入信息进行决策级融合输出碰撞 模糊集论域为[-30,30],在论域上的取值为{left, 风险估计,包括低风险(low-risk)、中等风险(mid- center,right},如图6(c)所示。系统输出参数 risk)、高风险(high-risk)和极高风险(very-high- Risk设置{low,mid,high,veryhigh}4个等级,模糊 rsk)4个等级。系统的输入为道路状态信息和驾 集论域设为0,1],使用高斯隶属度函数,如图6(d) 驶员状态信息,式中道路状态信息表现在行人与 所示。 1.0 close far 1.0 close mid 0.8 0.8 0.6 0.6 0.4 0.4 0.2 0.2 0 0 10 15 20 2 3 y distance Y distance (a)行人纵而距离Y_distance (b)行人纵向距离Y distance left center 1.0 right 1.0ow mid high veryhigh 0.8 0.8 6 0.4 积0.4 0.2 0.2 0 -30-20-100102030 0 0.2 0.4 0.6 0.8 1.0 Yaw Risk (c)驾驶员头部水平转角Yaw (d风险程度Risk 图6模糊系统输入输出隶属度函数 Fig.6 Input/output membership functions of fuzzy system 根据Mamdani规则构建模糊推理规则,共设 数值可以判断出对应的碰撞风险等级。由此构建 置27条模糊规则,涵盖了输入输出参数在论域上 的模糊推理系统通过对车内外环境下的多种输入 的所有取值,具体如表1所示。 参数的模糊融合,可以为人车碰撞事故的预警提 利用重心法进行解模糊化,根据系统输出的 供一定的指导。3 碰撞风险评估 碰撞保护系统通常根据传感器获取的道路障 碍物距离和速度信息计算碰撞时间 (time to collision, TTC),当碰撞时间小于阈值时做出警告。然 而受到行车环境、驾驶员精神及身体状态的影 响,驾驶员对道路危险的反应时间存在差异,精 确的数值分析有时反而会引起错误的预警。实际 道路中,经验丰富的驾驶员并不会精确计算距离 或碰撞时间,而是使用语义信息表达路况,例如 用远、中、近、很近表示前方物体距离,用很快、 快、适中、慢表示当前车速等。可以近似认为,驾 驶员对于车辆前方潜在碰撞风险的估计都是基于 一系列 if-then 规则做出的决策,并且判断结果在 大部分情况下已足够准确。 本文构建一种基于道路和驾驶员信息的模糊 推理系统,对输入信息进行决策级融合输出碰撞 风险估计,包括低风险 (low-risk)、中等风险 (midrisk)、高风险 (high-risk) 和极高风险 (very-highrisk) 4 个等级。系统的输入为道路状态信息和驾 驶员状态信息,式中道路状态信息表现在行人与 车辆间的纵向距 离 (Y_distance ) 和横向距 离 (X_distance),驾驶员注意方向信息表现在头部垂 直方向转角 (pitch) 和水平方向转角 (yaw)。模糊 推理使用 Mamdani 规则,如式 (11) 所示: R i : if x1 is A i 1 , x2 is A i 2 , ··· , xk is A i k then y i = B i (11) xk y i A i B i 式中: 为输入变量; 为第 i 条规则对应的输 出; 和 为模糊集。 为了降低论证的复杂性,取行人的纵向距离 Y_distance 与横向距离 X_distance,驾驶员头部水 平转角 yaw 3 个输入参数构建模糊推理系统。输 入参数 Y_distance 与 X_distance 模糊化使用三角 隶属度函数,其中 Y_distance 的模糊集论域为 [0, 20],X_distance 的模糊集论域为 [0, 5],在论域上 的取值均为{close, mid, far},如图 6(a) 和图 6(b) 所 示。输入参数 yaw 模糊化使用高斯隶属度函数, 模糊集论域为 [-30, 30],在论域上的取值为{left, center, right},如图 6(c) 所示。系统输出参数 Risk 设置{low, mid, high, veryhigh}4 个等级,模糊 集论域设为 [0, 1],使用高斯隶属度函数,如图 6(d) 所示。 (a) 行人纵向距离 Y_distance 0 10 15 20 5 Y_distance 0 0.2 0.4 0.6 0.8 1.0 隶属度 close mid far (b) 行人纵向距离 X_distance 0 2 3 4 5 1 X_distance 0 0.2 0.4 0.6 0.8 1.0 隶属度 close mid far (c) 驾驶员头部水平转角 Yaw −30 −20 −10 0 10 20 30 Yaw 0 0.2 0.4 0.6 0.8 1.0 隶属度 left center right (d) 风险程度 Risk 0 0.4 0.6 0.8 1.0 0.2 Risk 0 0.2 0.4 0.6 0.8 1.0 隶属度 low mid high veryhigh 图 6 模糊系统输入输出隶属度函数 Fig. 6 Input/output membership functions of fuzzy system 根据 Mamdani 规则构建模糊推理规则,共设 置 27 条模糊规则,涵盖了输入输出参数在论域上 的所有取值,具体如表 1 所示。 利用重心法进行解模糊化,根据系统输出的 数值可以判断出对应的碰撞风险等级。由此构建 的模糊推理系统通过对车内外环境下的多种输入 参数的模糊融合,可以为人车碰撞事故的预警提 供一定的指导。 ·756· 智 能 系 统 学 报 第 14 卷