技术摘要：
本发明公开了一种自适应巡航控制系统性能测评方法。首先，面向高等级公路，建立了基于前车车速时变的自适应巡航控制系统性能测试场景。其次，为了全面、准确的获取测试过程中的车辆运动参数，在方法论层面对测试方法进行了改进，利用改进的自适应卡尔曼滤波算法对车辆  全部
背景技术：
随着我国通车里程的不断增加和汽车保有量的爆发性增长，交通运输发展面临着 既要提供覆盖面更广的均等化公共服务，又要保障道路交通安全、高效的双重压力。在这样 的背景下，以提升交通运输安全和汽车智能化水平为目的的高级驾驶辅助系统(Advanced  Driving  Assistance  System,ADAS)成为了国内外研究的重点。 作为ADAS的重要组成部分，自适应巡航控制系统(Adaptive  Cruise  Control , ACC)实现了定速巡航和跟车控制辅助功能，能够有效减轻驾驶员的负担，为驾驶员提供辅 助支持，同时保障行车安全。为了确保ACC功能的完整性和可靠性，针对ACC功能、性能的测 试评价成为了ADAS测评的重要环节，同时也是保障智能驾驶汽车安全上路的前提。 为此，国内外制定了一系列标准、规范对ACC进行测试评价。西方发达国家出台了 一系列政策法规，如ISO  15622《智能运输系统—自适应巡航控制系统—性能要求和试验规 程》、ISO  22179《智能运输系统—全速范围自动适配巡航系统—性能要求和试验规程》等标 准对ACC的测试场景、测试方法和通过标准作出了规定，但这些标准仅考虑了稳定跟车、前 车减速等相对简单的测试场景，与实际的行驶工况存在差异，不能较好的反映出实际交通 环境下ACC性能的优劣。 同时，我国也制定了相关的国家标准，GB/T  20608-2006标准《智能运输系统—自 适应巡航控制系统—性能要求与检测方法》对ACC的测试评价作出了明确的规定，但该标准 仅针对ACC的探测距离、目标识别能力和弯道适应能力进行了功能测试，未涉及复杂测试场 景下ACC性能的定量测评。在测评机构层面，i-VISTA《自适应巡航控制系统评价规程》针对 ACC的测试场景和测试方法作出了规定，并根据安全和体验两个维度计算评价等级，但该测 试规程仅利用优秀、良好、一般、较差四个等级评价ACC的性能，未针对安全、稳定性等因素 对ACC性能做定量评价。可以看出，针对ACC性能的测试评价，目前尚缺乏面向复杂测试场景 的性能测试方法和评价指标，特别是缺乏复杂测试场景下的高精度、全面、可靠的ACC性能 定量测评研究。
技术实现要素：
发明目的：针对ACC测试场景简单、测评指标相对单一的问题，本发明公开了一种 面向前车车速时变场景的ACC性能测评方法。该方法基于实际道路试验，能够高精度、全面 的测量车辆运动状态参数，量化并输出了多维度的ACC性能评价指标，实现了复杂场景下 ACC性能高精度、可靠、全面的科学定量测评。 技术方案：本发明针对自适应巡航控制系统，提出了一种面向前车车速时变场景 的ACC性能测评方法。首先，面向高等级公路，建立了基于前车车速时变的自适应巡航控制 6 CN 111595592 A 说　明　书 2/12 页 系统性能测试场景。其次，为了全面、准确的获取测试过程中的车辆运动参数，在方法论层 面对测试方法进行了改进，利用改进的自适应卡尔曼滤波算法对车辆的位置、速度等运动 状态参数进行精确估计。最后，基于准确递推的车辆运动状态参数，提出了多维度的自适应 巡航控制系统性能评价指标并进行量化，构建了自适应巡航控制系统性能评价指标体系。 包括以下步骤： 步骤一：建立基于前车车速时变的ACC性能测试场景 为了适应实际交通场景中前车速度、加速度等运动状态时变的特性，使测试场景 尽可能符合实际跟车运行特点，本发明建立了基于前车车速时变的ACC性能测试场景。 首先，选取双车道的高等级公路作为试验场地。其次，建立基于前车车速时变的 ACC性能测试场景。具体描述如下： 前车位于试验道路的中间，以一定的速度直线行驶。被测车辆以某设定速度逐渐 靠近前车，当两车间距等于设定值时，开始进行测试。在测试过程中，同步测量被测车辆、前 车的位置、速度等基础性运动状态信息。前车进行加速运动，被测车辆在ACC的控制下加速 并跟随前车行驶。随后，前车进行减速运动，再进行加速运动。最后，前车逐渐减速直至静 止，被测车辆在ACC的控制下减速并跟随前车行驶。当被测车辆静止时，则一次试验结束。 在本发明中，被测车辆是指进行ACC性能测试的车辆；前车是指与被测车辆同向、 同车道，并在本车前方行驶的车辆；设定速度是指车辆的期望行驶速度。 步骤二：基于改进自适应卡尔曼滤波的车辆运动状态估计 为了进行复杂场景下的ACC性能测试，应精确、全面的获取每一时刻前车和被测车 辆的运动状态信息。为了满足信息全、精度高的测量需求，需要建立描述车辆运动特性的动 态模型，采用常加速模型，建立被测车辆的运动学模型。 取系统状态向量为X＝[pe,p Tn,ve,vn,ae,an] ，其中，pe,pn,ve,vn,ae,an分别表示被 测车辆的东向位置、北向位置、东向速度、北向速度、东向加速度和北向加速度。本发明中矩 阵上角标T表示对矩阵转置，T为离散的周期。针对常加速模型，系统状态方程为： X＝Φ·X W    (1) 式(1)中，X为系统状态序列，W是零均值的系统过程白噪声向量，对应的噪声协方 差矩阵为Q，Φ为状态转移矩阵。 为推算测试过程中的系统各状态向量，可采用滤波递推的方法，利用较少的系统 观测量实现更多维度的参数递推。采用Sage-Husa自适应卡尔曼滤波算法，以实现车辆运动 状态全面、准确的估计。 首先，选择厘米级高精度卫星定位系统(如GPS、北斗等)作为车辆运动状态估计的 测量传感器，将东向位置、北向位置、对地平面速度、航迹角作为系统观测向量，则系统的观 测方程可表示为： Z＝H·X V    (2) 式(2)中，系统观测向量为Z＝[peg ,png ,vd ,A]T，其中peg ,png分别表示东向位置、北 向位置，由厘米级高精度卫星定位系统(如GPS、北斗等)采集的经纬度坐标转换得到，vd ,A 分别表示厘米级高精度卫星定位系统(如GPS、北斗等)输出的对地速度和航迹角，且满足 H为观测矩阵，V表示与W互不相关的零均值观测白噪声向量，对应的噪声协 7 CN 111595592 A 说　明　书 3/12 页 方差矩阵为R。 其次，对式(1)、式(2)进行离散化处理，离散化后的系统状态方程和观测方程为： 式(3)中，k为离散化时刻，X(k)为k时刻的系统状态，状态转移矩阵 和测 量阵h[k,X(k)]分别为： 且航迹角A(k)与东向速度ve(k)和北向速度vn(k)满足以下关系： 式(3)中的观测方程为非线性方程，利用泰勒级数展开对非线性的观测方程进行 线性化处理，保留到一阶泰勒余项，可得观测矩阵H(k)： 式(5)中， 分别表示根据k-1时刻得到的k时刻东向速度和北 向速度的状态估计。 再次，针对式(3)描述的状态方程和观测方程，建立基于Sage-Husa自适应卡尔曼 滤波的递推过程，利用时间更新和观测更新进行滤波递推： 8 CN 111595592 A 说　明　书 4/12 页 P(k)＝[I-K(k)H(k)]·P(k,k-1)    (11) 式中， 表示根据k-1时刻得到的k时刻的滤波计算值， 为k-1时刻 的最优估计，P(k,k-1)为k时刻的一步预测误差方差矩阵，K(k)为k时刻的滤波增益矩阵， 为k时刻的量测残差，P(k)为k时刻的估计误差方差矩阵， 分别 为观测噪声、系统噪声的均值和方差阵，d(k)为加权参数，且d(k)＝(1-ρ)/(1-ρk 1)，ρ为遗 忘因子，在本发明中，取ρ＝2。 为了避免状态估计发散，提高滤波递推的精度，本发明对滤波算法进行改进： (1)为了准确描述加速度的变化，提高速度估计精度，对过程噪声协方差矩阵进行 修正： 式(16)，qCA(k)表示改进后的过程噪声协方差矩阵，κ为系数，在本发明中，取κ＝ 0.05。 (2)为了避免因实际误差与理论估计值相差过多而影响滤波估计精度，引入加权 系数修正一步预测误差方差矩阵，可表示为： 式中，Cc为加权系数，在本发明中，trace(·)表示计算矩阵的迹。 (3)为了进一步抑制滤波的发散，添加滤波异常判断条件： 综上，式(6)和式(8-19)构成了改进后的Sage-Husa自适应卡尔曼滤波算法。 最后，经过上述改进后的滤波估计，可以准确、实时的递推被测车辆的东向位置、 9 CN 111595592 A 说　明　书 5/12 页 北向位置、东向速度、北向速度等基础性运动参数。输出的被测车辆位置坐标集PSV＝{P0(pe (0) ,pn(0)) ,P1(pe(1) ,pn(1)) ,...,Pk(pe(k) ,pn(k))}，输出的被测车辆速度、加速度信息分 别为vSV＝{(ve(0) ,vn(0)) ,(ve(1) ,vn(1)) ,...,(ve(k) ,vn(k))}，aSV＝{(ae(0) ,an(0)) ,(ae (1) ,an(1)) ,...,(ae(k) ,an(k))}。 类似地，利用同样的车辆运动模型和滤波递推方法，对前车的基础性运动参数进 行滤波递推，可以输出前车位置坐标集MTV＝{M0(me(0) ,mn(0)) ,M1(me(1) ,mn(1)) ,...,，Mk (me(k) ,mn(k))}，前车速度信息vTV＝{(be(0) ,bn(0)) ,(be(1) ,bn(1)) ,...,(be(k) ,bn(k))}， 前车加速度信息cTV＝{(ce(0) ,cn(0)) ,(ce(1) ,cn(1)) ,...,(ce(k) ,cn(k))}。 其中，me(k) ,mn(k)分别表示前车在k时刻的东向位置和北向位置，be(k) ,bn(k) ,ce (k) ,cn(k)分别表示前车在k时刻的东向速度、北向速度、东向加速度和北向加速度。 步骤三：提出并量化ACC性能评价指标 为了实现全面、可靠的ACC性能测评，本发明针对安全、跟车性能、稳定性等因素， 提出了多维度的ACC性能评价指标，并利用步骤二输出的被测车辆和前车的运动状态参数 进行量化，具体地： (1)定速巡航下的速度控制精度： 式(20)中，ξSV为被测车辆在定速巡航下的速度控制精度，vd(k)表示被测车辆在k 时刻的速度，且 表示被测车辆速度的均值，单位均为m/s，s表示测 试过程中的采样点个数。 (2)跟车稳定性： 式(21)中，ηSV为被测车辆的跟车稳定性，ω(k)表示被测车辆在k时刻的横摆角速 度，ωE(k)表示k时刻横摆角速度的期望值，单位均为rad/s，且 其中，RL为道路曲率半径，单位为m。 (3)跟车精度： 式(22)中，θSV为跟车精度，L(k)表示k时刻被测车辆与前车的质心距离，且 表示测试过程中，被测车辆与前车的质心距离 的均值，单位均为m。 (4)速度协调性： 10 CN 111595592 A 说　明　书 6/12 页 式(23)中，μSV为速度协调性，vrc(k)表示k时刻被测车辆与前车的相对速度，且 表示被测车辆与前车的相对速度的均值，单位均为 m/s。 当进行复杂场景下的ACC性能测评时，首先，在步骤一建立的ACC性能测试场景下， 利用步骤二提出的改进滤波算法对车辆位置、速度等运动状态参数进行滤波递推。其次，基 于精确输出的车辆运动状态参数，计算步骤三提出的ACC性能评价指标的量化值，从而实现 了ACC性能优劣的高精度、可靠、全面的科学定量测评。 有益效果：相比于一般的测试，本发明提出的测评方法具有更为精确、可靠、全面 的特点，具体体现在： (1)本发明提出的测评方法基于实际道路试验，相比于硬件在环仿真测试、虚拟软 件仿真测试等方法，能够更好的提高ACC运行的可靠性，更具有说服力。 (2)相比于简单的测试场景，本发明实现了复杂场景下的ACC性能测评，测试场景 与真实的车辆行驶工况更为接近，能够更好的反映实际交通环境下ACC性能的优劣。 (3)车辆运动状态参数和性能评价指标的测量精度高，速度测量精度为0.0135m/s (RMS)，实现了高精度的ACC性能测试。 (4)相比于单一的评价指标，本发明提出并量化了多维度的ACC性能评价指标，实 现了ACC性能更准确、可靠、更为全面的科学定量测评。 附图说明 图1是本发明的技术路线示意图； 图2是本发明建立的基于前车车速时变的ACC测试场景示意图； 图3中是某次ACC性能测试中被测车辆和前车的运动轨迹； 图4是图3的局部放大图； 图5是某次ACC性能测试中被测车辆的速度变化曲线图； 图6是图5的局部放大图。