车联网环境下考虑前方车辆驾驶人意图的汽车主动预警防撞模型

前方车辆驾驶人意图信息对后方车辆预警防撞模型危险判断至关重要,针对传统防撞模型误警率高、制动不及时等问题,设计了一种考虑前方车辆驾驶人意图的汽车主动预警防撞模型.首先,选择BP神经网络(Back-propagation neural network,BPNN)和隐马尔可夫模型(Hidden Markov model,HMM)作为驾驶行为层与驾驶意图层的主体模型,并利用驾驶模拟器采集的前车制动踏板、加速踏板和车速等意图观测数据作为输入构建意图识别模型,从而实现对前车驾驶人加速驾驶、匀速驾驶、正常制动和紧急制动意图的识别;其次,利用车联网将前车驾驶人意图识别结果与路面附着信息传递给后方车辆,建立考虑前车驾驶人意图的汽车主动预警防撞模型,动态判断碰撞危险并调整预警及制动执行逻辑;最后,为验证所提出的意图识别模型准确性和主动预警防撞模型的有效性,搭建基于Simulink、Carsim及PreScan的联合仿真平台,并进行多工况试验测试.结果表明,所提出的BP-HMM模型对前车驾驶人意图的平均识别准确率为94.17％,优于传统BP或HMM识别模型;主动预警防撞模型在预警测试中的平均正警率为93.43％,与TTC、Mazda及考虑后车驾驶人意图的三种模型相比,平均误警率分别降低了 16.12％、23.43％和26.67％,且在自动紧急制动测试工况中均能成功避免碰撞,两车最短相对距离大多保持在2～8 m范围内,平均值为3.698 m,具有更高的安全性和稳定性.