CN103927895A - 一种基于车路/车车通讯的车辆弯道通行辅助系统 - Google Patents

Abstract

本发明涉及一种基于车路/车车通讯的车辆弯道通行辅助系统，它包括若干驶过弯道的车辆、信息通讯和处理基站和即将驶入弯道的车辆；每一驶过弯道的车辆上设置有车载传感系统和车载通讯模块，即将驶入弯道的车辆上也设置有车载通讯模块，信息通讯和处理基站设置在弯道一侧；车载传感系统采集驶过弯道的车辆的行驶状态信息并通过车载通讯模块发送到路侧通讯设备，路侧通讯设备将接收的驶过弯道的车辆行驶状态信息传送给到路侧存储设备，路侧信息处理单元根据不同车辆类型将数据进行分类，并对同一类型的车辆行驶状态数据进行无监督式聚类和统计学习，得到最优速度序列和轨迹序列，并将得其传送给即将驶入弯道的车辆，即将驶入弯道的车辆根据车辆类型通过最优速度序列和轨迹序列对过弯道进行车速建议或辅助控制。

Description

一种基于车路/车车通讯的车辆弯道通行辅助系统

技术领域

本发明涉及智能交通系统领域，特别是关于一种基于车路/车车通讯的车辆弯道通行辅助系统。

背景技术

随着汽车保有量增加和道路交通流量上升，道路堵塞、环境污染和交通事故等问题日益严重。在汽车行驶的路段中，弯道路段工况复杂，是行车过程中的危险路段。车辆在弯道路段行驶时，超速行驶是发生交通事故的主要原因。驾驶员难以及时准确地估计弯道的行车状况，如弯道曲率半径、道路摩擦系数、交通状况等信息，导致以过高的车速进入弯道，容易发生侧翻、驶出车道的交通事故。限制车辆在弯道路段的行驶速度，将车速控制在安全阈值，可以显著减小弯道交通事故的发生率和事故严重性。为此，交通管理部门依据不同的道路类型和道路工况制定了相应的限速标准，在道路相应路段设置限速标志牌，但多数驾驶员很少严格执行这些标准，且该限速标准也难以根据天气条件进行动态的调整。由此可看出，作为人-车-路闭环交通系统中重要的组成部分，驾驶员由于自身条件的限制，已成为这个系统中的薄弱环节。基于智能交通系统(ITS)的驾驶辅助系统(Advanced Driving Assistance Systems/ADAS)可以提升“人”对“车-路”系统的感知、决策和控制能力。驾驶辅助系统将人-车-路作为一个闭环系统，利用现代信息技术、传感技术来扩展驾驶员的环境感知能力，在路况与车况的综合信息中辨识安全隐患。因此在危险工况中，ADAS不仅为驾驶员提供危险预警信息，而且能够自动采取措施增加车辆的安全性。影响弯道安全车速的因素主要有：弯道曲率半径、道路附着系数、能见度、道路横向坡度等。早期发展的弯道安全辅助系统有车辆侧翻预警系统、车辆防侧滑预警系统、车辆电子稳定性控制系统等，这些辅助系统都依赖于对车辆和道路状态的实时感知，由于感知的准确性和实时性难以保证，始终没有特别有效的辅助系统保障车辆在弯道上行驶的安全性。

V2V(Vehicle-to-Vehicle)和V2I(Vehicle-to-Infrastructure)通讯技术的发展使得ITS技术可以有效地将人-车-路之间的信息有机地整合起来，驾驶辅助系统感知的信息内容越来越丰富、感知的范围越来越宽、感知的实时性越来越高，从而更加有效地提高车辆的行驶安全性、舒适性和经济性。因此，基于V2V和V2I通讯的协同式驾驶安全辅助系统(Cooperative Advanced Driver Assistance Systems)得到了快速发展和应用。目前，应用于弯道的驾驶安全辅助系统的基本原理是：利用路侧装置识别弯道处的路况(如交通事故)、道路条件(如路面潮湿程度)、天气条件(如雨雪)等，并将这些信息通过V2I技术发送给即将驶入弯道的车辆，使得这些车辆提前获取弯道信息，并计算出合理的通过弯道的车速，以保证行车安全。

上述现有技术存在的问题主要包括几个方面：1)获取弯道处交通状况、天气条件、道路条件等信息的手段不够成熟，获取的信息精度不高，并且实时性难以保证；2)获取弯道信息需要高精度的传感系统，成本高，难以推广应用；3)目前能够获取的信息大多是相对静态的，如弯道曲率、道路坡度等，但是对于一些动态信息如路面附着系数、弯道交通事故、天气条件等尚难以获得；4)目前弯道安全通行车速模型的建立多依据静态道路信息，难以反应动态的道路条件变化；5)目前基于车车/车路通讯的弯道通行辅助系统是从车辆动力学控制的角度建立的，没有基于历史行车数据的自学习功能，智能化程度低。

发明内容

针对上述问题，本发明的目的是提供一种基于驶过弯道的车辆的历史行车状态数据，通过无监督式学习方法聚类区分出激进、普通、保守驾驶数据集，然后采用带时间因子的加权最小二乘方法得到统计意义下最优的行车速度序列和轨迹序列，从而为不同类型的车辆通过弯道提供合理的车速建议或者辅助控制的基于车路/车车通讯的车辆弯道通行辅助系统。

为实现上述目的，本发明采取以下技术方案：一种基于车路/车车通讯的车辆弯道通行辅助系统，其特征在于：它包括若干驶过弯道的车辆、一信息通讯和处理基站和一即将驶入弯道的车辆；其中，每一所述驶过弯道的车辆上设置有一车载传感系统和一车载通讯模块，所述即将驶入弯道的车辆上也设置有一车载通讯模块，所述信息通讯和处理基站设置在弯道一侧，它包括一路侧通讯设备、一路侧存储设备和一路侧信息处理单元；所述车载传感系统采集所述驶过弯道的车辆的行驶状态信息并通过自车的车载通讯模块发送到所述路侧通讯设备，所述路侧通讯设备将接收的驶过弯道的车辆行驶状态信息传送给到所述路侧存储设备进行存储，所述路侧信息处理单元获取所述路侧存储设备中的数据并根据不同车辆类型将数据进行分类，并对同一类型的车辆行驶状态数据进行无监督式聚类和统计学习，得到最优速度序列和轨迹序列，所述路侧信息处理单元将得到的最优速度序列和轨迹序列发送到所述路侧存储设备进行存储，所述路侧通讯设备获取所述路侧存储设备中的最优速度序列和轨迹序列通过所述车载通讯模块传送给所述即将驶入弯道的车辆，所述即将驶入弯道的车辆根据车辆类型通过最优速度序列和轨迹序列对过弯道进行车速建议或辅助控制，使得车辆能够安全、畅通地通过弯道。

所述路侧通讯设备采用DSRC通信设备，所述DSRC通信设备采用专用短程通信技术。

所述路侧信息处理单元包括一数据预处理模块、一无监督式学习分类模块和一统计学习最优速度序列及轨迹序列模块；所述数据预处理模块用于对接收的所述驶过弯道车辆行驶状态数据进行Kalman滤波，滤除噪声；所述无监督式学习分类模块用于采用无监督式学习方法判断个体车辆中的驾驶员类型，以确定后续统计学习的权重；所述统计学习最优速度序列及轨迹序列模块用于对每一类型车辆采用统计学习的方法，学习得到统计意义上的最优速度序列和轨迹序列。

所述无监督式学习分类模块的工作过程为：1)根据滤波后的各序列数据，对于同一类型的车辆行驶状态数据序列提取其特殊数据点，并将上述特殊数据点的值组成一个向量，用于表征车辆通过弯道的行驶特征：

x_T,i＝[v_s,i,L_s,i,P_m,i,a_x,i,v_I,i,v_O,i,v_max,i,v_min,i,a_y,i,ω_max,i,Δ_max,i,λ_max,i]^T    (1)

式中，v_s,i为开始制动时的车速、L_s,i为开始制动时相对弯道入口的距离、P_m,i为最大制动强度、a_x,i为最大制动减速度、v_I,i为进入弯道的速度、v_O,i为离开弯道的速度、v_max,i为通过弯道过程中的最大速度、v_min,i为通过弯道过程中的最小速度、a_y,i为通过弯道过程中的最大横向加速度、ω_max,i为通过弯道过程中的最大横摆角速度、Δ_max,i为过弯轨迹与实际轨迹的最大差别量、λ_max,i为四个车轮出现的最大滑移率；2)对已经驶过弯道的同一车辆类型的N辆车行驶状态的特征向量进行k-means聚类，聚成三类；聚类的目标是使得式(2)的目标函数最小，式(2)中x为每个样本的特征向量，每个样本代表驶过弯道的一个车辆的状态数据，样本的特征向量x即为表征车辆通过弯道的行驶特征x_T,i，Γ_j∈{Γ₁,Γ₂,Γ₃}表示聚成的三类数据集，m_j是每类数据集的均值即中心点：

$J\left(e\right)=\underset{j=1}{\overset{3}{\mathrm{\Σ}}}\underset{x\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}{\left|\right|x-m_j\left|\right|}^2---\left(2\right)$

式(2)中，J(e)表示聚成三类数据集的类内离散程度；3)统计每一类数据集中的每个样本最大纵向加速度a_x,i的均值a_x,average(Γ_j)、最大横向加速度a_y,i的均值a_y,average(Γ_j)、最大横摆角速度ω_max,i的均值以及最大过弯轨迹偏差绝对值Δ_max,i的均值计算公式如下：

$\left\{\begin{array}{c}{a}_{x,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)=\frac{1}{N_j}\underset{i\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}{a}_{x,i}\\ a_{y,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)=\frac{1}{N_j}\underset{i\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}{a}_{y,i}\\ {\mathrm{\ω}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)=\frac{1}{N_j}\underset{i\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}{\mathrm{\ω}}_{\max ,i}\\ {\mathrm{\Δ}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)=\frac{1}{N_j}\underset{i\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}{\mathrm{\Δ}}_{\max ,i}\end{array}\right.j=\mathrm{1,2,3}---\left(3\right)$

式(3)中，{Γ_j}_j＝1,2,3为无监督k-means聚类的结果，N_j为子数据集Γ_j的样本个数，i∈Γ_j表示属于类别Γ_j的样本；4)计算聚类三个子数据集的驾驶员类型因子Index(Γ_j)，将驾驶员类型因子{Index(Γ_j)}_j＝1,2,3由大到小排序，依次将对应的无监督的聚类结果表示为激进、普通和保守三种驾驶员类型，其中，驾驶员类型因子Index(Γ_j)的计算过程为：

$\mathrm{Index}\left({\mathrm{\Γ}}_j\right)=\frac{\left|a_{x,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\right|}{\max \left\{\right|a_{x,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\left|\right\}}+\frac{\left|a_{y,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\right|}{\max \left\{\right|a_{y,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\left|\right\}}+\frac{\left|{\mathrm{\ω}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\right|}{\max \left\{\right|{\mathrm{\ω}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\left|\right\}}+\frac{\left|{\mathrm{\Δ}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\right|}{\max \left\{\right|{\mathrm{\Δ}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\left|\right\}},j=\mathrm{1,2,3}.$

所述统计学习最优速度序列及轨迹序列模块对于速度序列的统计学习方法如下：1)将速度时间序列和轨迹时间序列离散为弯道的空间序列，即将不同车辆的速度-时间序列转化为速度-距离序列，并将行车轨迹序列转化为轨迹-距离序列；2)对速度-距离序列采用带时间因子的加权最小二乘估计方法得到最优的速度序列；3)对轨迹-距离序列采用带时间因子的加权最小二乘估计方法得到最优的轨迹序列。

本发明由于采取以上技术方案，其具有以下优点：1、本发明通过车载传感系统采集驶过弯道的车辆的行驶状态信息并通过自车的车载通讯模块发送到路侧通讯设备，路侧通讯设备将接收的驶过弯道的车辆行驶状态信息传送给到路侧存储设备，路侧信息处理单元获取路侧存储设备的数据根据不同车辆类型将数据进行分类，并对同一类别的车辆行驶状态数据进行无监督式聚类和统计学习，得到最优速度序列和轨迹序列，并将其发送给即将驶入弯道的车辆，即将驶入弯道的车辆根据车辆类型通过最优速度序列和轨迹序列对过弯道进行车速建议或辅助控制，使得车辆能够安全、畅通地通过弯道，因此本发明首先对驶过弯道的车辆状态进行信息采集、处理、存储与共享，并对车辆通过弯道时的行驶特性、驾驶员的驾驶行为进行自动分析、智能学习，将学习结果通过车路/车车通讯技术实时发送给即将驶入弯道的车辆，在不需要采集动态交通状况信息、天气条件信息、路面条件信息等情况下，即可为不同类型的车辆安全、畅通地通过弯道提供合理的车速建议或辅助控制。2、本发明对即将进入弯道车辆的建议车速或是辅助控制由已经通过该弯道的车辆行驶状态辨识而来，具有智能学习的功能，根据通过该路段的车辆状态数据，获得合理的弯道通行车速建议或辅助控制，对即将驶入弯道的车辆的车速辅助方式一方面可以提供速度建议，使驾驶员合理地控制车速，另一方面也可以自动控制车辆，保障行车安全。3、本发明在弯道一侧设置有路侧通讯设备和路侧存储设备，路侧通讯设备可以采用DSRC通信设备，通过与车路通讯模块交互获得通过该路段的车辆状态数据，并具有数据存储、数据分析和安全车速辨识功能，随着记录数据的增加，对通过该路段车辆的辅助就更加智能化，能够为即将通过该路段的不同车型提供合理的通行速度建议，使车辆能够安全、畅通合理地通过弯道。4、本发明的路侧信息处理单元通过对驶过该路段车辆的状态数据分析，可辨识不同类型驾驶员的弯道驾驶特性，作为弯道合理通行速度的辅助依据，具有拟人化的功能；因此不需要对弯道的路况条件、天气条件进行感知，对车辆状态数据的准确性和实时性要求也没有车辆动力学控制要求的那么高，从而降低了系统成本，提高了系统的可靠性和实用性。本发明可以广泛应用于车辆弯道行驶中。

附图说明

以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。

图1是本发明的车辆弯道通行辅助系统结构示意图；

图2是本发明的弯道标记示意图；

图3是本发明的学习过程流程图；

图4是本发明的k-means聚类流程示意图；

图5是本发明的时间序列转化为沿弯道中心线位移序列示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1～3所示，本发明的基于车路/车车通讯的车辆弯道通行辅助系统包括若干驶过弯道的车辆1、一信息通讯和处理基站2和一即将驶入弯道的车辆3；其中，每一驶过弯道的车辆1上设置有一车载传感系统4和一车载通讯模块5，即将驶入弯道的车辆3上也设置有一车载通讯模块6；信息通讯和处理基站2设置在弯道一侧，具体位置不作限定，只要保证信息通讯能够覆盖车辆在弯道行驶的区域即可，它包括一路侧通讯设备21、一路侧存储设备22和一路侧信息处理单元23；车载传感系统4采集驶过弯道的车辆1的行驶状态信息并通过自车的车载通讯模块5发送路侧通讯设备21，路侧通讯设备21将接收的驶过弯道的车辆1行驶状态信息传送给路侧存储设备22进行储存，路侧信息处理单元23通过获取路侧存储设备22的数据并根据驶过弯道的不同车辆类型将数据进行分类，并对同一类别的车辆行驶状态数据进行无监督式聚类和统计学习，得到最优速度序列和轨迹序列，路侧信息处理单元23将得到的最优速度序列和轨迹序列发送到路侧存储设备22，路侧通讯设备21获取路侧存储设备中的最优速度序列和轨迹序列通过车载通讯模块6传送给即将驶入弯道的车辆3，即将驶入弯道的车辆3根据所属车辆类型通过最优速度序列和轨迹序列对过弯道进行车速建议或辅助控制，使得车辆能够安全、畅通地通过弯道。

在一个优选的实施例中，路侧通讯设备21可以采用DSRC通信设备，DSRC通信设备采用专用短程通信技术(Dedicated Short Range Communications,DSRC)，DSRC可以实现在小区域内与高速运动目标间的双向通信，通过车辆的车载通讯模块和DSRC通信设备能够实现对车辆的行驶状态信息的采集和发送。

在一个优选的实施例中，如图2、图5所示，在对驶过弯道的车辆的行驶状态信息采集时，需要预先对弯道进行标记，具体标记过程为：对于辅助车辆行驶的弯道路段，一般可认为由直线、缓和曲线和圆曲线组成，几何上标记如下的关键点：A为数据零点，即车辆驶过该点时，路侧通讯设备21接收车辆行驶状态数据的时间零点；B为弯道入口，沿车辆行驶的方向，道路曲率半径由无穷大变为刚小于某一设定值处定义为弯道入口；C为弯道出口，沿车辆行驶的方向，道路曲率半径由小于某一设定值变为刚大于此设定值处定义为弯道出口(弯道入口和弯道出口的定义中某一设定值可以根据具体的道路条件进行确定，本发明试验时此设定值取为2000m，但是不限于此，可以根据具体情况确定)；D为数据终点，即车辆驶过该点之后，路侧通讯设备21将不接受车辆的行驶状态数据，上述标记点均在路侧通讯设备21的DSRC通信覆盖范围内。另外，从数据零点A到数据终点D路段的道路中心轨迹坐标在信息通讯和处理基站2上是已知的。

在一个优选的实施例中，驶过弯道的车辆1的车载传感系统4包括有GPS定位仪和车载自主式传感器，GPS定位仪用于对车辆的位置坐标进行定位，车载自主式传感器包括设置在车辆上的车速传感器、轮速传感器、纵/横加速度传感器、横摆角速度传感器、制动压力传感器、踏板开度传感器、方向盘转角传感器，由于上述各传感器均为现有车辆中常用传感器因此对其不作赘述；采用上述车载传感系统4采集驶过弯道的车辆1的行驶状态信息包括：车辆类型T，时间戳Time_stamp、驶过弯道时车辆的速度序列v_T,i(t_k)、位置序列{x_T,i(t_k),y_T,i(t_k)}、纵向加速度序列a_Tx,i(t_k)、横向加速度序列a_Ty,i(t_k)、横摆角速度序列ω_T,i(t_k)、四个车轮的轮速序列Ω_T1,i(t_k),Ω_T2,i(t_k),Ω_T3,i(t_k),Ω_T4,i(t_k)、制动压力序列P_T,i(t_k)、加速踏板序列α_T,i(t_k)、方向盘转角序列θ_T,i(t_k)，符号下标T表示车辆的类型，取值如下表所示：

表1

其中，时间戳Time_stamp表示当前通信数据的绝对时间，符号下标i表示在每一类型中通过弯道的车辆标号，该标号在路侧存储设备22中进行记载并区分；t_k表示弯道行驶的时间序列，序列间隔为通信频率的倒数，时间序列以车辆经过弯道入口A时为零点，该标记点与路侧通讯设备21的距离保证在DSRC的通信范围内。速度序列v_T,i(t_k)、位置序列{x_T,i(t_k),y_T,i(t_k)}和纵向加速度序列a_Tx,i(t_k)用以表征车辆在弯道的行驶状态，是用于学习的主要状态量；制动压力序列P_T,i(t_k)、加速踏板序列α_T,i(t_k)和方向盘转角序列θ_T,i(t_k)用以表征驾驶员的驾驶行为；横向加速度序列a_Ty,i(t_k)、横摆角速度序列ω_T,i(t_k)、四个车轮的轮速序列Ω_T1,i(t_k),Ω_T2,i(t_k),Ω_T3,i(t_k),Ω_T4,i(t_k)、车辆过弯的轨迹{x_T,i(t_k),y_T,i(t_k)}和弯道中心轨迹的横向偏差量Δ_T,i(t_k)是用以评价车辆驶过弯道的安全和舒适程度的基本参数，后两组状态用于判断驾驶员的类型：激进、普通和保守，以确定该车辆状态信息在学习过程中的权重。

在一个优选的实施例中，如图1和图3所示，路侧信息处理单元23包括一数据预处理模块、一无监督式学习分类模块和一统计学习最优速度序列及轨迹序列模块；数据预处理模块用于对接收的若干驶过弯道的车辆1的行驶状态数据进行Kalman滤波，滤除噪声，Kalman滤波为现有的滤波方法，具体滤波过程在此不再赘述；无监督式学习分类模块用于采用无监督式学习方法判断个体车辆中的驾驶员类型，以确定后续统计学习的权重；统计学习最优速度序列及轨迹序列模块用于对每一类型车辆采用统计学习的方法，学习得到统计意义下的最优速度序列和轨迹序列。

其中，无监督式学习分类模块的工作过程为：

1)根据滤波后的各序列数据，对于同一类型(I为普通轿车、II为普通客车、III为普通货车)的车辆行驶状态数据序列提取其特殊数据点，特殊数据点包括：开始制动时的车速v_s,i、开始制动时相对弯道入口的距离L_s,i、最大制动强度P_m,i、最大制动减速度a_x,i、进入弯道的速度v_I,i、离开弯道的速度v_O,i、通过弯道过程中的最大速度v_max,i、通过弯道过程中的最小速度v_min,i、通过弯道过程中的最大横向加速度a_y,i、通过弯道过程中的最大横摆角速度ω_max,i、过弯轨迹与实际轨迹的最大差别量Δ_max,i，四个车轮出现的最大滑移率λ_max,i；在本发明中所有数据量的量纲均采用国际标准量纲，若上述特殊点并不直接对应通信时间序列t_k，则采用相邻状态点进行线性插值得到；并将上述特殊数据点的值组成一个向量，用于表征车辆通过弯道的行驶特征：

x_T,i＝[v_s,i,L_s,i,P_m,i,a_x,i,v_I,i,v_O,i,v_max,i,v_min,i,a_y,i,ω_max,i,Δ_max,i,λ_max,i]^T    (1)

2)对已经驶过弯道的同一车辆类型的N辆车行驶状态的特征向量进行k-means聚类，聚成三类；

聚类主要的目标是使得式(2)的目标函数最小，式(2)中x为每个样本的特征向量,本发明中每个样本代表驶过弯道的一个车辆的状态数据，样本的特征向量x即为表征车辆通过弯道的行驶特征x_T,i，Γ_j∈{Γ₁,Γ₂,Γ₃}表示聚成的三类数据集，m_j是每类数据集的均值即中心点：

$J\left(e\right)=\underset{j=1}{\overset{3}{\mathrm{\Σ}}}\underset{x\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}{\left|\right|x-m_j\left|\right|}^2---\left(2\right)$

式(2)中，J(e)表示聚成三类数据集的类内离散程度。k-means聚类是要使得式(2)的类内离散程度最小，反映每一类的聚集程度最好，从而将路侧通讯设备21记录的行驶状态分成的三类聚集程度较高的子数据集。其中，如图4所示的具体的k-means算法的过程为：

step1:将总体样本随机划分三类子数据集，总体样本指路侧存储设备22记录的同一车辆类型的历史行驶状态数据集；

step2:随机选择任何一个样本的特征向量，设x∈Γ_j，表示x属于子数据集Γ_j；

step3:若该子数据集Γ_j中样本个数N_j＝1，则转step2；

step4:根据式(2)计算样本的特征向量x被调整到其他各类子数据集时的J(e)；

step5:将样本的特征向量x调整到一个子数据集使J(e)最小；

step6:若step2到step5连续迭代次数Count大于等于预先设定的Num次，样本的特征向量x所处的子数据集类别不变，则迭代终止；输出聚类的结果Γ₁,Γ₂,Γ₃；否则转step2。

3)统计每一类数据集中的每个样本最大纵向加速度a_x,i的均值a_x,average(Γ_j)、最大横向加速度a_y,i的均值a_y,average(Γ_j)、最大横摆角速度ω_max,i的均值ω_average(Γ_j)以及最大过弯轨迹偏差绝对值Δ_max,i的均值Δ_average(Γ_j)，计算公式如下：

$\left\{\begin{array}{c}{a}_{x,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)=\frac{1}{N_j}\underset{i\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}{a}_{x,i}\\ a_{y,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)=\frac{1}{N_j}\underset{i\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}{a}_{y,i}\\ {\mathrm{\ω}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)=\frac{1}{N_j}\underset{i\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}{\mathrm{\ω}}_{\max ,i}\\ {\mathrm{\Δ}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)=\frac{1}{N_j}\underset{i\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}{\mathrm{\Δ}}_{\max ,i}\end{array}\right.j=\mathrm{1,2,3}---\left(3\right)$

式(3)中，{Γ_j}_j＝1,2,3为无监督k-means聚类的结果，N_j为子数据集Γ_j的样本个数，i∈Γ_j表示属于类别Γ_j的样本。

4)计算聚类三个子数据集的驾驶员类型因子Index(Γ_j)，并将驾驶员类型因子{Index(Γ_j)}_j＝1,2,3由大到小排序，依次将对应的无监督的聚类结果{Γ_j}_j＝1,2,3表示为激进、普通和保守三种驾驶员类型，三种驾驶员类型在后面统计学习过程中权重分别为λ₁,λ₂,λ₃。例如Index(Γ₂)＞Index(Γ₁)＞Index(Γ₃)，则数据集Γ₂的驾驶员类型为激进，学习权重取λ₁；数据集Γ₁的驾驶员类型为普通，学习权重取λ₂；数据集Γ₃的驾驶员类型为保守，学习权重取λ₃。其中，驾驶员类型因子的计算过程为：

$\mathrm{Index}\left({\mathrm{\Γ}}_j\right)=\frac{\left|a_{x,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\right|}{\max \left\{\right|a_{x,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\left|\right\}}+\frac{\left|a_{y,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\right|}{\max \left\{\right|a_{y,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\left|\right\}}+\frac{\left|{\mathrm{\ω}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\right|}{\max \left\{\right|{\mathrm{\ω}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\left|\right\}}+\frac{\left|{\mathrm{\Δ}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\right|}{\max \left\{\right|{\mathrm{\Δ}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\left|\right\}},j=\mathrm{1,2,3}$

式中，max{|a_x,average(Γ_j)|}表示取集合{|a_y,average(Γ₁)|，|a_y,average(Γ₂)|，|a_y,average(Γ₃)|}中最大的数，max{|a_y,average(Γ_j)|}，max{ω_average(Γ_j)|}，max{|Δ_average(Γ_j)|}含义类似，在此不再赘述。

统计学习最优速度序列及轨迹序列模块对于速度序列的统计学习方法如下：

1)将速度时间序列和轨迹时间序列离散为弯道的空间序列

如图5所示，黑色的弧形点画线表示实际的弯道中心轨迹，黑色弧形实线表示某一具体的车辆驶过弯道的行驶轨迹，s表示在弯道上沿弯道中心线到弯道起始标记点A的距离，将弯道在空间上等距离的离散化，表示为在本文中符号表示“定义为”。虚线表示垂直于s_j处道路中心轨迹的切线。在弯道中心线上的s_j处，虚线与车辆实际行驶轨迹的交点可对应车辆的行驶状态{x_T,i(t_j′),y_T,i(t_j′),v_T,i(t_j′)}，t_j′若不能直接对应某一通信的时间序列的t_j，此时则采用相近的两个状态进行线性插值得到{x_T,i(t_j′),y_T,i(t_j′),v_T,i(t_j′)}，将此时的车辆行驶状态表示为{x_T,i(s_j),y_T,i(s_j),v_T,i(s_j)}。从而，将不同车辆的速度-时间序列v_T,i(t_k)转化为速度-距离序列v_T,i(s)，且将行车轨迹序列{x_T,i(t_k),y_T,i(t_k)}转化为轨迹-距离序列{x_T,i(s),y_T,i(s)}，其中 $s\widehat{=}\{s_0,s_1,...,s_j,...,s_K\}.$

2)对速度-距离序列{v_T,i(s_k)}_i＝1,…,N采用带时间因子的加权最小二乘估计方法得到最优的v_optimal(s_k)，其中 $s_k\∈s\widehat{=}\{s_0,s_1,...,s_K\};$

对于弯道内s_k点处驶过同一车辆类型的N辆车的速度序列{v_T,i(s_k)}_i＝1,…,N，采用带时间因子的加权最小二乘估计方法得到最优的v_optimal(s_k)，即：

$v_{\mathrm{optimal}}\left(s_k\right)=\underset{\hat{x}}{\min }\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{t}_i{w}_i{[v_{T.i}\left(s_k\right)-\hat{x}]}^2---\left(4\right)$

式(4)中，表示待估计的量，在该式中表示弯道内s_k处待估计的速度值；加权系数w_i的取值是根据无监督式学习分类模块对个体车辆中的驾驶员类型的聚类结果，相应地从权重λ₁,λ₂,λ₃中取得；t_i表示时间因子系数，对于不同时间段上的数据采用不同的权重：例如可将一天分为4个时间段，加权学习时对不同时间段历史数据采用不同的权重处理，与当前驶入弯道车辆所处的时间段相同的历史数据的权重大于其他时间段的权重，比如当前驶入弯道车辆所处时间段为6:00-11:59，则令时间因子t₂＞t_i,i＝1,3,4，如下表所示：

表2

式(4)的目的是对离散化弯道的每一点s_k∈{s₀,s₁,…,s_K}处，均计算得到一个加权最小二乘意义下的最优速度量v_optimal(s_k)。对离散化弯道的每一点s_k∈{s₀,s₁,…,s_K}重复式(4)计算过程，得到弯道过程中该类型车辆在统计意义上最优的速度序列V_optimax(s_k)，k＝0，1，2，…，K本发明中的统计意义指的是带时间因子的加权最小二乘方法。

3)将轨迹-距离序列{x_T,i(s_k),y_T,i(s_k)}采用带时间因子加权最小二乘估计方法得到最优的轨迹序列：

对于轨迹-距离序列{x_T,i(s_k),y_T,i(s_k)}，在弯道内s_k点，分别对x坐标x_T,i(s)和y坐标y_T,i(s)采用带时间因子加权最小二乘估计方法：

$\left\{\begin{array}{c}{x}_{\mathrm{optimal}}\left(s_k\right)=\underset{\hat{x}}{\min }\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{t}_i{w}_i{[x_{T.i}\left(s_k\right)-\hat{x}]}^2\\ y_{\mathrm{optimal}}\left(s_k\right)=\underset{\hat{x}}{\min }\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{t}_i{w}_i{[y_{T.i}\left(s_k\right)-\hat{x}]}^2\end{array}\right.---\left(5\right)$

式中t_i与w_i的含义与式(4)中一致，从而得到最优的轨迹序列{x_optimal(s_k)，y_optimal(s_k)}，k＝O，1，2，…，K。

在一个优选的实施例中，对即将驶入弯道的车辆3的辅助过程根据车辆的类型(I代表普通轿车，II代表普通客车，III代表普通货车)利用路侧存储设备22记录的与即将驶入弯道的车辆3相同车辆类型的行车状态数据，根据上述的聚类、统计学习过程得到最优的速度序列和行车轨迹序列；本发明对即将驶入弯道的车辆3进行车速建议或者辅助控制具体是指：1)若即将驶入弯道的车辆3具有速度控制器、转向控制器，能够对油门开度、制动压力、方向盘转角进行主动控制时，车辆的车载通讯模块6从路侧通讯设备21接收最优速度序列和位置序列，车辆的控制器结合当前车辆在弯道中行驶的速度和位置进行闭环反馈控制，使得车辆通过弯道的速度和位置趋向于最优速度和位置序列，从而保证车辆以安全、畅通合理的方式通过该弯道；2)若即将驶入弯道车辆3不具备速度控制器、转向控制器，不具备主动干预油门开度、制动压力、方向盘转角的功能，则根据车辆当前的行驶速度与位置，通过适当的车载预警单元对驾驶员进行车速建议，促使车辆能够安全、畅通地通过弯道。不具备车载通信模块的车辆不在本发明方案的应用范围之内；同时对于具有车载通信模块的车辆，但是既不具有速度控制器、转向控制器，也不具有预警单元车辆也不在本发明的应用范围内。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (5)

1.一种基于车路/车车通讯的车辆弯道通行辅助系统，其特征在于：它包括若干驶过弯道的车辆、一信息通讯和处理基站和一即将驶入弯道的车辆；其中，每一所述驶过弯道的车辆上设置有一车载传感系统和一车载通讯模块，所述即将驶入弯道的车辆上也设置有一车载通讯模块，所述信息通讯和处理基站设置在弯道一侧，它包括一路侧通讯设备、一路侧存储设备和一路侧信息处理单元；所述车载传感系统采集所述驶过弯道的车辆的行驶状态信息并通过自车的车载通讯模块发送到所述路侧通讯设备，所述路侧通讯设备将接收的驶过弯道的车辆行驶状态信息传送给到所述路侧存储设备进行存储，所述路侧信息处理单元获取所述路侧存储设备中的数据并根据不同车辆类型将数据进行分类，并对同一类型的车辆行驶状态数据进行无监督式聚类和统计学习，得到最优速度序列和轨迹序列，所述路侧信息处理单元将得到的最优速度序列和轨迹序列发送到所述路侧存储设备进行存储，所述路侧通讯设备获取所述路侧存储设备中的最优速度序列和轨迹序列通过所述车载通讯模块传送给所述即将驶入弯道的车辆，所述即将驶入弯道的车辆根据车辆类型通过最优速度序列和轨迹序列对过弯道进行车速建议或辅助控制，使得车辆能够安全、畅通地通过弯道。

2.如权利要求1所述的一种基于车路/车车通讯的车辆弯道通行辅助系统，其特征在于：所述路侧通讯设备采用DSRC通信设备，所述DSRC通信设备采用专用短程通信技术。

3.如权利要求1或2所述的一种基于车路/车车通讯的车辆弯道通行辅助系统，其特征在于：所述路侧信息处理单元包括一数据预处理模块、一无监督式学习分类模块和一统计学习最优速度序列及轨迹序列模块；所述数据预处理模块用于对接收的所述驶过弯道车辆行驶状态数据进行Kalman滤波，滤除噪声；所述无监督式学习分类模块用于采用无监督式学习方法判断个体车辆中的驾驶员类型，以确定后续统计学习的权重；所述统计学习最优速度序列及轨迹序列模块用于对每一类型车辆采用统计学习的方法，学习得到统计意义上的最优速度序列和轨迹序列。

4.如权利要求3所述的一种基于车路/车车通讯的车辆弯道通行辅助系统，其特征在于：所述无监督式学习分类模块的工作过程为：

1)根据滤波后的各序列数据，对于同一类型的车辆行驶状态数据序列提取其特殊数据点，并将上述特殊数据点的值组成一个向量，用于表征车辆通过弯道的行驶特征：

x_T,i＝[v_s,i,L_s,i,P_m,i,a_x,i,v_I,i,v_O,i,v_max,i,v_min,i,a_y,i,ω_max,i,Δ_max,i,λ_max,i]^T   (1)

式中，v_s,i为开始制动时的车速、L_s,i为开始制动时相对弯道入口的距离、P_m,i为最大制动强度、a_x,i为最大制动减速度、v_I,i为进入弯道的速度、v_O,i为离开弯道的速度、v_max,i为通过弯道过程中的最大速度、v_min,i为通过弯道过程中的最小速度、a_y,i为通过弯道过程中的最大横向加速度、ω_max,i为通过弯道过程中的最大横摆角速度、Δ_max,i为过弯轨迹与实际轨迹的最大差别量、λ_max,i为四个车轮出现的最大滑移率；

2)对已经驶过弯道的同一车辆类型的N辆车行驶状态的特征向量进行k-means聚类，聚成三类；

聚类的目标是使得式(2)的目标函数最小，式(2)中x为每个样本的特征向量，每个样本代表驶过弯道的一个车辆的状态数据，样本的特征向量x即为表征车辆通过弯道的行驶特征x_T,i，Γ_j∈{Γ₁,Γ₂,Γ₃}表示聚成的三类数据集，m_j是每类数据集的均值即中心点：

$J\left(e\right)=\underset{j=1}{\overset{3}{\mathrm{\Σ}}}\underset{x\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}{\left|\right|x-m_j\left|\right|}^2---\left(2\right)$

式(2)中，J(e)表示聚成三类数据集的类内离散程度；

3)统计每一类数据集中的每个样本最大纵向加速度a_x,i的均值a_x,average(Γ_j)、最大横向加速度a_y,i的均值a_y,average(Γ_j)、最大横摆角速度ω_max,i的均值ω_average(Γ_j)以及最大过弯轨迹偏差绝对值Δ_max,i的均值Δ_average(Γ_j)，计算公式如下：

$\left\{\begin{array}{c}{a}_{x,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)=\frac{1}{N_j}\underset{i\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}{a}_{x,i}\\ a_{y,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)=\frac{1}{N_j}\underset{i\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}{a}_{y,i}\\ {\mathrm{\ω}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)=\frac{1}{N_j}\underset{i\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}{\mathrm{\ω}}_{\max ,i}\\ {\mathrm{\Δ}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)=\frac{1}{N_j}\underset{i\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}{\mathrm{\Δ}}_{\max ,i}\end{array}\right.j=\mathrm{1,2,3}---\left(3\right)$

式(3)中，{Γ_j}_j＝1,2,3为无监督k-means聚类的结果，N_j为子数据集Γ_j的样本个数，i∈Γ_j表示属于类别Γ_j的样本；

4)计算聚类三个子数据集的驾驶员类型因子Index(Γ_j)，将驾驶员类型因子{Index(Γ_j)}_j＝1,2,3由大到小排序，依次将对应的无监督的聚类结果表示为激进、普通和保守三种驾驶员类型，其中，驾驶员类型因子Index(Γ_j)的计算过程为：

$\mathrm{Index}\left({\mathrm{\Γ}}_j\right)=\frac{\left|a_{x,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\right|}{\max \left\{\right|a_{x,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\left|\right\}}+\frac{\left|a_{y,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\right|}{\max \left\{\right|a_{y,\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\left|\right\}}+\frac{\left|{\mathrm{\ω}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\right|}{\max \left\{\right|{\mathrm{\ω}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\left|\right\}}+\frac{\left|{\mathrm{\Δ}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\right|}{\max \left\{\right|{\mathrm{\Δ}}_{\mathrm{average}}\left({\mathrm{\Γ}}_j\right)\left|\right\}},j=\mathrm{1,2,3}.$

5.如权利要求3所述的一种基于车路/车车通讯的车辆弯道通行辅助系统，其特征在于：所述统计学习最优速度序列及轨迹序列模块对于速度序列的统计学习方法如下：

1)将速度时间序列和轨迹时间序列离散为弯道的空间序列，即将不同车辆的速度-时间序列转化为速度-距离序列，并将行车轨迹序列转化为轨迹-距离序列；

2)对速度-距离序列采用带时间因子的加权最小二乘估计方法得到最优的速度序列；

3)对轨迹-距离序列采用带时间因子的加权最小二乘估计方法得到最优的轨迹序列。