基于ACC系統(tǒng)的目標(biāo)車輛換道與出入彎道狀態(tài)辨識算法?

王 暢，山 巖，趙 佳，郭應(yīng)時(shí)，朱永振

基于ACC系統(tǒng)的目標(biāo)車輛換道與出入彎道狀態(tài)辨識算法?

王 暢，山 巖，趙 佳，郭應(yīng)時(shí)，朱永振

(長安大學(xué)汽車學(xué)院，西安 710064)

自適應(yīng)巡航控制(ACC)系統(tǒng)利用雷達(dá)對前方目標(biāo)進(jìn)行追蹤，當(dāng)前車進(jìn)行換道或進(jìn)出彎道時(shí)，ACC系統(tǒng)無法區(qū)分這兩種狀態(tài)，容易引發(fā)交通沖突。針對此問題，本文中通過實(shí)際駕駛試驗(yàn)，獲取了前車不同運(yùn)動狀態(tài)的數(shù)據(jù)，采用道路曲率估算值、前車行駛軌跡的斜率及其變化率和前車與自車之間橫向距離作為表征參數(shù)，結(jié)合車-路協(xié)同運(yùn)動特征，建立了前車換道與進(jìn)出彎道的識別模型，并利用實(shí)測數(shù)據(jù)對模型的有效性進(jìn)行了驗(yàn)證。結(jié)果表明:當(dāng)自車處于直道時(shí)，對前車換道和進(jìn)入彎道的識別率分別達(dá)到91.46%和89.81%；當(dāng)自車處于彎道時(shí)，對前車換道和駛出彎道的識別率分別達(dá)到87.06%和90.42%。

自適應(yīng)巡航控制系統(tǒng)；換道；進(jìn)出彎道；雷達(dá)；狀態(tài)辨識

前言

自適應(yīng)巡航控制(adaptive cruise control，ACC)系統(tǒng)利用雷達(dá)或者其他傳感器來追蹤識別前方的車輛，自動控制車速，跟隨前車保持一定距離行駛，在緊急情況下能自主制動，這在提高跟車安全性的同時(shí)也降低了駕駛?cè)说牟僮髫?fù)荷。ACC系統(tǒng)運(yùn)行過程中，主要的控制算法可分為目標(biāo)判斷和自車速度控制兩大類。當(dāng)ACC系統(tǒng)確定跟隨目標(biāo)后，根據(jù)前車的速度和加減速特性，實(shí)時(shí)調(diào)整自車的速度，這是ACC系統(tǒng)控制算法的核心問題。實(shí)際使用效果表明，目前ACC系統(tǒng)依然存在一些尚待解決的問題，其目標(biāo)判斷算法目前還存在提升的空間。裝備ACC系統(tǒng)的車(自車)與前方目標(biāo)車輛(前車)都處于直道、或都處于彎道狀態(tài)下，利用雷達(dá)傳感器所返回的相對角度和相對距離數(shù)據(jù)，結(jié)合自車的轉(zhuǎn)向盤轉(zhuǎn)角和車身橫擺角速度數(shù)據(jù)，可實(shí)現(xiàn)對前方目標(biāo)的準(zhǔn)確分類[1]，確定自車需要跟隨前方哪個(gè)目標(biāo)行駛，這類算法目前已在ACC系統(tǒng)中得到應(yīng)用[2]。

ACC系統(tǒng)工作過程中，當(dāng)前車換道離開自車車道、或前車換道進(jìn)入自車車道時(shí)，ACC系統(tǒng)須相應(yīng)地做出反應(yīng)，否則會引發(fā)嚴(yán)重的交通沖突。當(dāng)自車處于直道，前車進(jìn)入彎道、或自車處于彎道，而前車駛出彎道時(shí)，這兩種情形下的雷達(dá)數(shù)據(jù)與前車換道狀態(tài)下的數(shù)據(jù)十分相似。在這種狀況下，ACC系統(tǒng)無法有效區(qū)分前車換道和進(jìn)出彎道的行為，致使ACC系統(tǒng)的控制算法出現(xiàn)紊亂，引發(fā)自車的異常加減速，存在較大的安全隱患。針對上述問題，國內(nèi)外學(xué)者開展了研究。文獻(xiàn)[3]中提出了一種利用前車運(yùn)動狀態(tài)估計(jì)本車未來行駛軌跡的方法識別前方車輛進(jìn)出彎道和換道行為。文獻(xiàn)[4]中利用多項(xiàng)式擬合行駛軌跡的方法來區(qū)分前車換道和進(jìn)入彎道行為。文獻(xiàn)[5]和文獻(xiàn)[6]中利用相對速度和相對角度的變化規(guī)律區(qū)分前車的換道和進(jìn)入彎道行為。文獻(xiàn)[7]中設(shè)計(jì)了一種考慮交通流特性的ACC系統(tǒng)算法，文獻(xiàn)[8]中提出了考慮換道過程的ACC系統(tǒng)控制算法。

現(xiàn)有的研究中，大部分的目標(biāo)識別算法并不針對ACC自車與前方目標(biāo)車處于不同曲率半徑路段的情況，而ACC系統(tǒng)實(shí)際使用過程中經(jīng)常需要在這種場合工作。相關(guān)算法的缺失使ACC系統(tǒng)容易出現(xiàn)失誤，這對車輛的安全運(yùn)行存在不利影響。有的研究對ACC系統(tǒng)在彎道路段運(yùn)行的工況進(jìn)行了仿真。但真實(shí)道路交通環(huán)境下，車載傳感器所獲取的數(shù)據(jù)存在較大的干擾因素，基于仿真環(huán)境得到的研究結(jié)論無法直接運(yùn)用于實(shí)車環(huán)境。

針對上述需求，并考慮ACC系統(tǒng)目前對前車加減速變化的響應(yīng)算法已較成熟，本文中將研究內(nèi)容聚焦于ACC系統(tǒng)如何面對其他車輛行駛狀態(tài)切換所帶來的干擾問題。具體地說，利用自車的車速、橫擺角速度和前車與自車的相對角度、相對距離計(jì)算自車及前車的行駛軌跡。當(dāng)自車處于直道行駛時(shí)，利用前車的軌跡斜率及其變化特征識別前車的換道和進(jìn)入彎道行為。當(dāng)自車處于彎道行駛時(shí)，利用前車的橫向距離變化特征識別前車的換道和駛出彎道行為，實(shí)現(xiàn)對前車行駛狀態(tài)的準(zhǔn)確識別。

1 目標(biāo)車輛行駛軌跡計(jì)算

車輛的行駛軌跡對表征車輛行駛狀態(tài)具有重要作用，根據(jù)車輛的行駛軌跡可判斷車輛的換道和彎道行駛情況。本文中通過建立基礎(chǔ)坐標(biāo)系，利用自車的速度和橫擺角速度計(jì)算不同時(shí)刻自車在基礎(chǔ)坐標(biāo)系中的位置，以此得到自車行駛軌跡。然后利用雷達(dá)數(shù)據(jù)計(jì)算前車相對于自車的位置關(guān)系，得到前車行駛軌跡。行駛軌跡計(jì)算所需參數(shù)如表1所示。

表1 行駛軌跡需求參數(shù)

1.1 軌跡點(diǎn)坐標(biāo)計(jì)算

以自車前保險(xiǎn)杠正中心為原點(diǎn)，以垂直于車身前后軸并指向車輛前方的方向?yàn)閥軸、以垂直于y軸指向車身右側(cè)的方向?yàn)閤軸建立笛卡爾坐標(biāo)系，如圖1所示。

圖1 車輛軌跡點(diǎn)坐標(biāo)示意圖

車輛在正常行駛過程中所形成的軌跡為不規(guī)則曲線，如果把車輛行駛軌跡分割成很短的線段(例如0.1s內(nèi)的行駛軌跡)，則這些線段可以近似看作直線或者圓弧曲線，由此有

式中:v為車輛速度；ω為車身橫擺角速度；Δt為時(shí)間步長；ΔL為車輛在一個(gè)時(shí)間步長內(nèi)經(jīng)過的距離；Δ?為車身在一個(gè)時(shí)間步長內(nèi)旋轉(zhuǎn)的角度。

把曲線OA近似為圓弧曲線，所以三角形OAB為等腰三角形:

根據(jù)幾何關(guān)系，得到A點(diǎn)在第n個(gè)坐標(biāo)系中的位置:

由式(4)可計(jì)算tn＋1時(shí)刻車輛在坐標(biāo)系n中的位置，再通過式(1)可計(jì)算tn＋1時(shí)刻車輛在之前任何坐標(biāo)系中的位置。以此類推，最終得到自車第n＋1個(gè)軌跡點(diǎn)在基礎(chǔ)坐標(biāo)系中的坐標(biāo)(xH(n＋1，1)，

按照同樣的方法可獲得前方車輛在不同時(shí)刻的坐標(biāo)數(shù)據(jù)。

1.2 道路曲率的估算

前面計(jì)算得到的車輛行駛軌跡為一系列離散坐標(biāo)點(diǎn)，無法利用離散坐標(biāo)點(diǎn)直接表示道路線形。利用多項(xiàng)式擬合軌跡坐標(biāo)點(diǎn)，再求解擬合道路曲率[9]。

由于路面不平、減速帶或噪聲的影響，計(jì)算得到的行駛軌跡點(diǎn)誤差較大，所以在計(jì)算道路曲率之前先對行駛軌跡數(shù)據(jù)進(jìn)行均值濾波處理，以降低噪聲干擾。利用四次多項(xiàng)式擬合車輛行駛軌跡坐標(biāo)點(diǎn)。對于某平滑曲線y＝f(x)，曲線上某點(diǎn)處的曲率為

車輛行駛軌跡點(diǎn)的四次擬合方程為

將式(7)代入式(6)得

2 前車行駛狀態(tài)識別模型的建立

把前車在道路上的行駛狀態(tài)分為穩(wěn)定狀態(tài)和非穩(wěn)定狀態(tài)，其中穩(wěn)定狀態(tài)是指前車與自車在同一道路線形(直線或彎道)中穩(wěn)定行駛，不發(fā)生車道變換和線形切換。非穩(wěn)定狀態(tài)是指前車和自車在不同道路線形之間切換(由直道進(jìn)入彎道或由彎道進(jìn)入直道)或者前車發(fā)生換道[10]。

2.1 自車處于直道時(shí)前車行駛狀態(tài)識別模型

當(dāng)自車處于直道，前車開始換道或進(jìn)入彎道時(shí)，其行駛軌跡的斜率由零逐漸變大，并且行駛軌跡斜率會發(fā)生突變，所以利用行駛軌跡的斜率變化特征可識別前車的非穩(wěn)定行駛狀態(tài)。前車行駛軌跡斜率為

式中:X 為橫向位移；Y為縱向位移；K為行駛軌跡斜率；ρ為相鄰斜率的比值；λ為常數(shù)。若式(11)成立，則表明前車行駛軌跡斜率變化較大，有可能進(jìn)入非穩(wěn)定行駛狀態(tài)。

當(dāng)自車處于直道行駛時(shí)，前車進(jìn)入彎道軌跡的斜率成遞增趨勢，不同次數(shù)的多項(xiàng)式均有很好的擬合優(yōu)度。前車換道狀態(tài)下，前車軌跡的斜率先單調(diào)遞增，達(dá)到最高點(diǎn)后再逐漸減小，因此高次多項(xiàng)式對換道軌跡斜率有很好的擬合優(yōu)度，而低次多項(xiàng)式擬合優(yōu)度不高。因此，本文中利用高次多項(xiàng)式來擬合前車換道和進(jìn)入彎道軌跡斜率，并利用確定系數(shù)R2檢驗(yàn)擬合的質(zhì)量。

2.2 自車處于彎道時(shí)前車行駛狀態(tài)識別模型

自車處于彎道路段穩(wěn)定行駛時(shí)，若前車換道或駛出彎道，兩車在垂直于車道線方向上的橫向距離會發(fā)生變化，利用該距離的變化規(guī)律識別前車的行駛狀態(tài)。軌跡點(diǎn)無法直接計(jì)算前車與自車在垂直于車道線方向上的距離，所以利用二次多項(xiàng)式f(x)擬合自車最后記錄得到的s個(gè)軌跡點(diǎn)，計(jì)算前車當(dāng)前軌跡點(diǎn)距離二次曲線f(x)的距離d，以此代替兩車在垂直于車道線上的距離。

采用與2.1節(jié)中類似的方法，可識別出前車是否進(jìn)入非穩(wěn)定狀態(tài)。當(dāng)識別到前車進(jìn)入非穩(wěn)定狀態(tài)后，暫停坐標(biāo)系更新，計(jì)算并記錄兩車的距離d，當(dāng)記錄的軌跡點(diǎn)數(shù)據(jù)個(gè)數(shù)達(dá)到m時(shí)利用直線對橫向距離d的斜率進(jìn)行擬合，并且軌跡點(diǎn)個(gè)數(shù)每增加Δm個(gè)進(jìn)行擬合一次，直到擬合結(jié)果能識別出前車的換道和駛出彎道行為為止。

3 識別模型驗(yàn)證

3.1 驗(yàn)證數(shù)據(jù)的來源

為驗(yàn)證本文中所建立模型的有效性，基于小型乘用車設(shè)計(jì)開發(fā)了試驗(yàn)車，對20余名普通駕駛?cè)诉M(jìn)行了實(shí)際道路駕駛試驗(yàn)。試驗(yàn)過程中駕駛?cè)瞬慌宕魅魏蝺x器，駕駛過程與平常駕駛過程相同。試驗(yàn)線路主要為城市快速環(huán)道和高速公路，每名被試者試驗(yàn)時(shí)長約1h。試驗(yàn)過程中，安裝于車輛上的各種傳感器同步實(shí)時(shí)采集車輛運(yùn)動狀態(tài)參數(shù)、交通環(huán)境參數(shù)和駕駛?cè)瞬僮餍袨閰?shù)，采樣頻率為20Hz。

與本文中模型密切相關(guān)的參數(shù)中，r和α來源于安裝于車輛前保險(xiǎn)杠中央的ESR微波雷達(dá)，距離測量范圍為0～200m，精度為0.25m。角度測量范圍為±45°，精度為0.5°。橫擺角速度ω來源于安裝于車輛中央的陀螺儀，型號為IMU02，測量精度為0.01°/s；車速v來源于車身CAN總線網(wǎng)絡(luò)，測量精度為0.01km/h。轉(zhuǎn)向盤轉(zhuǎn)角θ來源于車身CAN總線網(wǎng)絡(luò)，精度為1°。

3.2 自車處于直道時(shí)前車狀態(tài)識別

(1)前車換道行為的識別

當(dāng)?shù)缆非拾霃酱笥? 000m時(shí)，彎道就會變得不明顯，所以設(shè)定當(dāng)?shù)缆非拾霃叫∮? 000m時(shí)認(rèn)為道路屬于彎道，否則屬于直道。

令n＝5，即對行駛軌跡做均值濾波時(shí)，計(jì)算相鄰5個(gè)軌跡點(diǎn)的平均坐標(biāo)值。λ設(shè)為2.4，設(shè)m＝20，Δm＝5，即從前車被識別為進(jìn)入非穩(wěn)定行駛狀態(tài)開始到進(jìn)行第一次擬合之間的時(shí)間為2.0s，并且每隔0.5s擬合一次，直到識別出前車的具體行駛狀態(tài)為止。δ值設(shè)為0.55，此時(shí)前車換道和進(jìn)入彎道的識別率基本相同。設(shè)ω＝15，即車輛橫向位移連續(xù)變化次數(shù)小于15時(shí)，認(rèn)為是車輛在車道線內(nèi)的擺動，當(dāng)橫向位移連續(xù)變化次數(shù)大于15時(shí)，則認(rèn)為前車可能發(fā)生換道或進(jìn)入彎道行為。

隨機(jī)選擇前車的某次換道過程，此過程中自車的速度為80km/h，此過程中，根據(jù)前述模型得到前車軌跡如圖2所示。

從圖中可以看出，前車在t＝3.1s時(shí)(軌跡圖a點(diǎn))開始換道，在t＝6.8s換道結(jié)束(軌跡圖b點(diǎn))，整個(gè)換道過程持續(xù)3.7s。前車狀態(tài)識別結(jié)果如圖3所示，預(yù)識別結(jié)果為0表示前車處于穩(wěn)定行駛狀態(tài)，預(yù)識別結(jié)果為1表示前車處于非穩(wěn)定行駛狀態(tài)。識別結(jié)果為0表示前車處于穩(wěn)定行駛狀態(tài)，識別結(jié)果為1表示前車換道，識別結(jié)果為2表示前車進(jìn)出彎道。

圖2 v＝80km/h前車換道軌跡

圖3 v＝80km/h前車換道識別結(jié)果

在換道開始前和換道結(jié)束后，前車軌跡斜率比值多次大于2.4，但是前車橫向距離連續(xù)變大或變小點(diǎn)數(shù)不超過15個(gè)，所以判定為前車穩(wěn)定行駛，預(yù)識別結(jié)果為0。當(dāng)t＝3.1s時(shí)，軌跡斜率比值為6.207，同時(shí)前車的橫向距離從3.0s開始持續(xù)變小，到4.5s時(shí)連續(xù)變化個(gè)數(shù)達(dá)到15個(gè)，所以在4.5s時(shí)判定前車進(jìn)入非穩(wěn)定行駛狀態(tài)，預(yù)識別結(jié)果變?yōu)?。t＝6.9s時(shí)，軌跡斜率比值再次變大，同時(shí)前車的橫向距離開始變大，說明非穩(wěn)定行駛狀態(tài)結(jié)束，預(yù)識別結(jié)果為0。

雖然在4.5s時(shí)識別為前車進(jìn)入非穩(wěn)定行駛狀態(tài)，但換道開始時(shí)間為軌跡斜率比值第一次大于λ的時(shí)間，所以從軌跡斜率比值第一次大于λ開始收集數(shù)據(jù)進(jìn)行軌跡斜率擬合。3.1至5.1s，3.1至5.6s，3.1至6.1s前車軌跡斜率對直線的擬合確定系數(shù)分別為0.955，0.533和0.172，在5.6和6.1s連續(xù)兩次的擬合確定系數(shù)均小于0.55，所以在t＝6.1s時(shí)識別為前車換道，識別結(jié)果為1，即換道識別結(jié)果延遲3.0s。當(dāng)非穩(wěn)定行駛狀態(tài)結(jié)束時(shí)，換道行為結(jié)束，識別結(jié)果同時(shí)變?yōu)?。隨機(jī)挑選的82組數(shù)據(jù)中，有75次被準(zhǔn)確識別，識別耗費(fèi)時(shí)間分布在2.0～3.0s之間，總體識別率為91.46%。

(2)前車進(jìn)入彎道的識別

當(dāng)自車以約70km/h的速度接近彎道路段時(shí)，前車進(jìn)入彎道場景如圖4所示。

圖4 R＝500m前車入彎監(jiān)控視頻

前車入彎識別結(jié)果如圖5所示。

圖5 R＝500m前車入彎識別結(jié)果

從圖中看出，前車在進(jìn)入彎道后，橫向距離開始持續(xù)變大，到達(dá)2.9s時(shí)連續(xù)變化位移達(dá)到15個(gè)。行駛軌跡斜率比值在1.6s達(dá)到最大10.78，所以t＝2.9s時(shí)判定為前車進(jìn)入非穩(wěn)定行駛狀態(tài)，預(yù)識別結(jié)果為1，比進(jìn)入彎道時(shí)間延遲1.3s。1.6至3.6s，1.6至4.1s和1.6至4.6s前車的軌跡斜率對直線的擬合確定系數(shù)分別為0.978，0.929和0.897，所以t＝4.1s前車識別為進(jìn)入彎道，識別結(jié)果為2，比前車進(jìn)入彎道延遲2.7s?？偟尿?yàn)證數(shù)據(jù)中共有108組前車進(jìn)入彎道的數(shù)據(jù)，其中97組被正確識別，識別率為89.81%。

3.3 自車處于彎道時(shí)前車狀態(tài)識別

自車處于彎道時(shí)和自車處于直道時(shí)兩車橫向距離的變化特征基本相同，所以彎道行駛時(shí)的識別模型參數(shù)和直道行駛時(shí)的識別模型參數(shù)相同，即n＝5，λ＝2.4，δ＝0.55，ω＝15。令s＝60，即利用二次多項(xiàng)式擬合自車行駛軌跡的最后60個(gè)軌跡點(diǎn)，然后計(jì)算前車到軌跡點(diǎn)擬合曲線的距離。

(1)前車換道行為的識別

自車處于彎道行駛時(shí)，某次前車換道過程中獲取的數(shù)據(jù)如圖6所示。

圖6 自車處于彎道行駛時(shí)前車換道軌跡

自車處于彎道行駛時(shí)前車換道的識別結(jié)果如圖7所示。

圖7 自車處于彎道行駛時(shí)前車換道識別結(jié)果

從圖中可以看出，兩車橫向距離在t＝2.1s時(shí)開始連續(xù)增加，達(dá)到3.6s時(shí)連續(xù)變化位移達(dá)到15個(gè)，同時(shí)橫向距離曲線的斜率比值在t＝2.2s時(shí)達(dá)到11.51，所以在3.6s識別為前車進(jìn)入非穩(wěn)定行駛狀態(tài)，預(yù)識別結(jié)果為1。2.2至4.2s和2.2至4.7s時(shí)兩車橫向距離斜率對直線的擬合確定系數(shù)分別為0.086 67，0.013 4，連續(xù)兩次小于0.55，所以前車在4.7s時(shí)被識別為換道，識別結(jié)果為1，時(shí)間延遲2.5s。在t＝7.8s時(shí)橫向距離斜率比值為2.601，前車非穩(wěn)定行駛狀態(tài)結(jié)束，預(yù)識別結(jié)果重新變?yōu)??？偟尿?yàn)證數(shù)據(jù)中共隨機(jī)挑選了85次數(shù)據(jù)，其中本文模型識別出了74次，總的準(zhǔn)確率為87.06%。

(2)前車駛出彎道的識別

自車處于彎道行駛時(shí)，某次前車駛出彎道獲取的數(shù)據(jù)如圖8所示。

自車處于彎道行駛時(shí)前車出彎識別結(jié)果如圖9所示。

圖8 自車處于彎道行駛時(shí)自車和前車出彎軌跡

圖9 自車處于彎道行駛時(shí)前車出彎識別結(jié)果

從圖中可以看出，在t＝4.6s時(shí)橫向距離斜率比值達(dá)到最大值23.7，同時(shí)橫向距離開始持續(xù)變大，到6.1s時(shí)連續(xù)變化位移達(dá)到15個(gè)，所以在6.1s識別為前車進(jìn)入非穩(wěn)定行駛狀態(tài)，預(yù)識別結(jié)果變?yōu)?。在4.6至6.6s，4.6至7.1s和4.6至7.5s橫向距離斜率對直線的擬合確定系數(shù)分別為0.767 4，0.855 1和0.844，全部大于0.55，所以前車在t＝7.1s被識別駛出彎道，識別結(jié)果變?yōu)?，比實(shí)際出彎時(shí)間延遲2.5s。當(dāng)自車駛出彎道時(shí)，前車非穩(wěn)定行駛狀態(tài)結(jié)束。驗(yàn)證數(shù)據(jù)中共有94次前車駛出彎道的數(shù)據(jù)，其中85次被準(zhǔn)確識別，總的識別率為90.42%。

4 結(jié)論

(1)利用自車運(yùn)動狀態(tài)追蹤數(shù)據(jù)，結(jié)合自車與前車的相對運(yùn)動狀態(tài)數(shù)據(jù)，可實(shí)時(shí)追蹤前車的運(yùn)動軌跡，具有良好的追蹤精度。

(2)前車換道、進(jìn)出彎道的狀態(tài)從雷達(dá)數(shù)據(jù)角度而言較相似，通過采用道路曲率估算值、前車行駛軌跡的斜率及斜率比值和前車與自車之間橫向距離作為表征參數(shù)，結(jié)合車-路協(xié)同運(yùn)動特征，實(shí)現(xiàn)了對前車狀態(tài)的識別，具有較好的精度。

(3)從車載安全系統(tǒng)的需求而言，盡早確定前車狀態(tài)可有效提升系統(tǒng)的可靠性，但如果過早地確定前車狀態(tài)又容易出現(xiàn)誤判斷，如何在實(shí)際車載環(huán)境下協(xié)調(diào)這兩者的矛盾有待今后進(jìn)一步研究。

[1] 高振海，王竣，王德平，等.汽車前方靜動目標(biāo)狀態(tài)轉(zhuǎn)移機(jī)理與分類算法[J].汽車工程，2016，38(5):638－645.

[2] 高振海，嚴(yán)偉，李紅建，等.基于模擬駕駛員多目標(biāo)決策的汽車自適應(yīng)巡航控制算法[J].汽車工程，2015，37(6):667－673.

[3] 陳達(dá)興.自適應(yīng)巡航控制系統(tǒng)中前方有效目標(biāo)識別算法研究[D].長春:吉林大學(xué)，2011.

[4] 耿石峰.基于軌跡分析的自適應(yīng)巡航系統(tǒng)目標(biāo)識別方法研究[D].長春:吉林大學(xué)，2015.

[5] 張德兆.基于彎道行駛的車輛自適應(yīng)巡航控制[D].北京:清華大學(xué)，2011.

[6] ZHANG D，LI K，WANG J.Radar-based target identification and tracking on a curved road[J].IMechE Part D:Journal of Automobile Engineering，2012，226(1):39－47.

[7] Van AREM B，Van DRIEL C J G，VISSER R.The impact of cooperative adaptive cruise control on traffic-flow characteristics[J]. IEEE Transactions on Intelligent Transportation Systems，2006，7 (4):429－436.

[8] IOANNOU P A，STEFANOVIC M.Evaluation of ACC vehicles in mixed traffic:lane change effects and sensitivity analysis[J]. IEEE Transactions on Intelligent Transportation Systems，2005，6 (1):79－89.

[9] RAJAMANI R，ZHU C.Semi-autonomous adaptive cruise control systems[J].IEEE Transactions on Vehicular Technology，2002，51 (5):1186－1192.

[10] MILANéS V，SHLADOVER S E，SPRING J，et al.Cooperative adaptive cruise control in real traffic situations[J].IEEE Transactions on Intelligent Transportation Systems，2014，15(1):296－305.

[11] RAJAMANI R，ZHU C.Semi-autonomous adaptive cruise control systems[J].IEEE Transactions on Vehicular Technology，2002，51(5):1186－1192.

An Algorithm for State Identification of Lane Change and Curve Entry/Exit of Target Vehicle Based on ACC System

Wang Chang，Shan Yan，Zhao Jia，Guo Yingshi＆Zhu Yongzhen
School of Automobile，Chang'an University，Xi'an 710064

Adaptive cruise control(ACC)system uses radar to track preceding target，but it is unable to distinguish whether the preceding vehicle is doing lane change or entering/exiting curved road，easily leading to traffic conflict.Aiming at this problem，the data of preceding vehicle in different running states are collected by driving test.The estimated values of road curvature，the slope and its changing rate of preceding vehicle trajectory，and the lateral distance between host vehicle and preceding vehicle are taken as characteristic parameters.With consideration of the cooperative characteristics between vehicle and road，an identification model for lane change and curve entry/exit of preceding vehicle is established with its effectiveness verified by road test data.The results show that when the host vehicle is on a straight road，the recognition rate of lane change and curve entry of preceding vehicle reaches 91.46%and 89.81%respectively；and when the host vehicle is on a curved road，the recognition rate of lane change and curve exit of preceding vehicle reaches 87.06%and 90.42%respectively.

ACC system；lane change；curve entry/exit；radar；state identification

10.19562/j.chinasae.qcgc.2017.08.011

?國家自然科學(xué)基金項(xiàng)目(61374196)、陜西省自然科學(xué)基金項(xiàng)目(2016JQ5096)和中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目(310822151028，310822171118，310822161009)資助。

原稿收到日期為2016年11月28日，修改稿收到日期為2017年2月13日。

王暢，副教授，E-mail:wangchang0905＠163.com。