CN106184220A - 一种基于车辆定位轨迹的车道内异常驾驶检测方法 - Google Patents

Abstract

本发明公开一种基于车辆定位轨迹的车道内异常驾驶检测方法，步骤是：采集车辆的状态向量，包含车辆在本地坐标系统中的X‑Y轴坐标，车辆前进方向的速度，车辆的角速率，及车辆的横向位移，以预设的误差范围为半径，设计基于粒子滤波的算法，在预设误差范围内随机产生n个粒子，通过对生成的粒子进行预测和估计，最终得到状态向量估计值；对估计值进行移动视窗平滑处理，并将处理后的数据定义为V指标、W指标和D指标，对这三个指标输入基于模糊逻辑的算法，根据异常驾驶检测模型输出驾驶类型。此种方法可准确识别异常驾驶的类型。

Description

一种基于车辆定位轨迹的车道内异常驾驶检测方法

技术领域

本发明属于智能交通领域，特别涉及一种基于车辆定位轨迹的车道内异常驾驶检测方法。

背景技术

近些年随着卫星定位技术在智能交通应用的发展，人们对于定位技术精度的需求在不断地提高。目前，大部分米级别的应用都可以被目前的定位精度满足。然而，对于一些特别的安全相关的应用，我们需要分米甚至厘米级别的定位精度才能够被满足。这些应用包括车道控制、碰撞预防还有智能速度协助等。检测车道内的早期各种不规则驾驶的形态对于这些应用至关重要。在目前的研究中，有两个主要的因素决定了车道内不规则驾驶的检测技术的效果，其中，第一个因素包括高精度的定位数据的获取和车辆动态参数的获得；第二个因素包括从这些检测出来的车辆位置信息和动态参数里面提取出各种不规则驾驶的形态。

近些年来，国内外关于不规则驾驶的检测进行了一定的研究，主要研究包括两个研究方向：第一个方向是基于车辆实时轨迹的样式的检测；第二个方向是对于驾驶员在驾驶过程中的身体行为的监控。

对于车辆实时轨迹样式检测的这个研究方向，研究者们主要采用了各种不同的传感器，包括定位仪器、转向仪、测速仪，以及视频采集仪等设备来检测出车辆的运动信息数据，然后对采集出来的信息用相应的匹配算法进行分析，从而发现不规则驾驶。在国外，Leece and Calabrese(2008)提出了一种基于GPS和特殊数据采集器的方法来获取汽车的驾驶信息，然后采用样式匹配的方法对驾驶方式进行了分类。不过他们只是一些初步的研究，也没有做出任何的模拟和实验结果。Chang et al.(2008)提出了一种基于视觉传感器和神经网络的机器学习的方法，通过采集汽车的轨迹和速度信息，来分辨驾驶轨迹的不同安全级别，然而他的方法只是粗略地划分了不规则驾驶的安全级别，比如安全、警示和危险。此外，他的方法采用的视频传感器的表现高度依赖于天气条件，难以适应雨天等复杂的工作环境。之后，Imkamon et al.(2008)和Krajewski et al.(2009)也采用了类似的方法，同样他们也只是粗略地划分了危险驾驶的级别，同样也没有量化分析不规则驾驶的表现。Saruwatari et al.(2012)提出来一种基于检测不规则驾驶的方法，他们认为可以通过对空间时序图片多线性关系的分析，来抽取出一组驾驶行为中的某个车辆的不规则驾驶的行为。但是他们并没有进行模拟更没有实地的实验测试。在我国，陈清阳等(2008)，王也(2012)，彭金栓等(2013)，刘永涛等(2014)采用了图像或者角度传感器对不规则驾驶以及预警进行了一定的研究。然而他们的研究也只是停留在初步阶段，缺乏详细的论证和分析。Dai et al.(2010)结合了手机，加速度计还有转向的传感器来检测出汽车的驾驶行为，加速度计检测出来的样式图形和典型的图形进行匹配。虽然研究指出如果整合入GPS，那么系统的表现可以被提高，然而他们的研究也并没有量化检测的结果。总体来说，根据国内外的文献分析，基于车辆轨迹的不规则驾驶的研究是一个潜在可行的方法，但是目前还是存在一些技术上的壁垒，比如不同的天气情况会影响视频采集仪器的表现；而且大部分的研究只是处于初级阶段，许多研究并没有提出可靠的算法来检测各种形态的不规则驾驶，而且也没有做具体的实验和分析。因此，对于基于车辆实时轨迹样式的不规则驾驶检测的效率和可靠性有待进一步的研究。

针对驾驶员在驾驶过程中的身体行为的监控的这个研究方向，研究者们主要采用了视觉传感器或者辅助系统来监控驾驶员在驾驶过程中的身体行为。在国外，很多学者采用了视频辅助系统来监控驾驶人员的身体行为，比如通过监控驾驶人员的眨眼频率，眼皮移动的情况，头部动作以及面部表情等来获得其疲倦状态的信号，从而发出警示指令(Eriksson and Papanikolopoulos,2001；Lee et al.,2006；Omidyeganeh et al.,2001)。此外很多学者采取了一些辅助系统来对驾驶人员进行检测，比如通过采用视频系统结合辅助的油门力度传感器通过评估传感器输出的力度，以及眼动情况来检测出疲劳驾驶(Heitmann et al.,2001；Desai and Haque,2006，Albu et al.,2008)。还有的学者采用了电脑图探测仪来检测驾驶员的脑部活动，从而获得疲劳驾驶的信息(Sandberg et al.,2011)。在国内，也有一些类似的研究。Zhu和Ji(2009)提出了一种基于眼皮运动，眨眼频率，头部运动，以及面部表情的视频采集系统来获取驾驶人员疲劳驾驶的信息，并进行了初步的评估。孙伟等(2009)概略的总结了疲劳驾驶预警系统的研究，并没有提出具体的解决方案和评估结果。詹彤等(2011)提出了包括视觉，加速度和酒精气体等传感器的来检测驾驶员身体变化的行为检测。总体来说，虽然通过对国内外研究的分析，对驾驶员身体行为的监控从而检测不规则驾驶的这个方向是个潜在可行的方案，但是由于检测通常会使用到视频或者图像采集仪器，这些也容易导致驾驶员驾驶的分心从而形成安全隐患。对于采用辅助系统进行驾驶员行为的监控，系统的兼容性是一个非常值得关注的问题，并且整合系统的昂贵的费用使得它很难以得到广泛的应用。

所以通过探讨实现不规则驾驶检测的两种方案：驾驶轨迹的检测和驾驶员身体行为的检测，我们可以发现，对驾驶员身体行为的检测的实际应用可行性比较差。反而，通过对驾驶轨迹的检测相对比较可行，并且有可供提高的空间。并且在目前的研究中，没有一种算法能够比较可靠地检测出各种不同形态的不规则驾驶，主要由于受到定位精度的限制和精确的驾驶信息的限制。如果能够有效地提高精度精度并且可靠地检测出不规则驾驶的轨迹，这将对碰撞防制等安全相关的智能交通的应用产生深远的影响。

发明内容

本发明的目的，在于提供一种基于车辆定位轨迹的车道内异常驾驶检测方法，其可准确识别异常驾驶的类型。

为了达成上述目的，本发明的解决方案是：

一种基于车辆定位轨迹的车道内异常驾驶检测方法，包括如下步骤：

(1)采集待检测车辆的状态向量X(t)＝[x y v ω d]^T，其中，(x,y)表示车辆在本地坐标系统中的X-Y轴坐标，v表示车辆前进方向的速度，ω表示车辆的角速率，d表示车辆的横向位移，设计基于粒子滤波的算法，以预设的误差范围为半径，在该范围内随机产生n个粒子，并通过对粒子的预测和估计，得到v、ω、d的估计值

(2)对估计值进行移动视窗平滑处理，并将处理后的数据定义为V指标、W指标和D指标，将这三个指标输入基于模糊逻辑的算法，根据异常驾驶检测模型得出驾驶类型。

上述步骤(1)中，(x,y)利用GPS或北斗卫星系统来获得，v通过GPS或北斗卫星系统获得，ω通过安装在车身轴线上的IMU中的陀螺仪获得，d利用坐标(x,y)和车道中心线的最短距离来计算获得。

上述步骤(1)中，对随机产生的n个粒子进行预测和估计的过程是：

(a)设n个粒子P₁,P₂,…,P_n的状态向量分别为X₁(t),X₂(t),…,X_n(t)，对这n个粒子P₁(t),P₂(t),…,P_n(t)采用运动模型进行预测，得到预测周期T后的状态向量X₁(t+T),X₂(t+T),…,X_n(t+T)；

(b)对预测得到的t+T时刻的粒子P₁(t+T),P₂(t+T),…,P_n(t+T)进行滤波更新，根据粒子的有效性进行取舍；

(c)测试卫星定位系统的有效性，调整粒子滤波的估计值为

(d)结合调整后的估计值，对粒子的权重进行标准化处理，重新随机生成n个粒子，然后重复步骤(a)-(d)，直至驾驶过程结束，得到数组估计值。

上述步骤(a)中，利用匀速直线运动模型对n个粒子P₁(t),P₂(t),…,P_n(t)进行预测，t+T时刻的状态向量的计算公式是：

$\left[\begin{array}{c}{x}_{t+1}\\ y_{t+1}\\ v_{t+1}\\ {\mathrm{\ω}}_{t+1}\\ d_{t+1}\end{array}\right]=\left[\begin{array}{c}{x}_t\\ y_t\\ v_t\\ {\mathrm{\ω}}_t\\ d_t\end{array}\right]+\left[\begin{array}{c}vT\\ vT\\ 0\\ 0\\ 0\end{array}\right]$

其中，[x_t+1 y_t+1 v_t+1 ω_t+1 d_t+1]^T表示t+T时刻的状态向量，[x_t y_t v_t ω_t d_t]^T表示t时刻的状态向量，v表示车辆的运动速度。

上述步骤(b)中，判断粒子有效性的判据是该粒子是否在车道宽度1.5倍的半径范围内，若预测t+T时刻的粒子P_i(t+T)仍在车道宽度1.5倍的半径范围内，i＝1,2,…,n，则认为该粒子有效，同时t时刻的粒子P_i(t)也有效，反之，若预测P_i(t+T)不在所述范围内，则认为该粒子P_i(t+T)无效，前一时刻的该粒子P_i(t)也被认为无效，将该粒子的权重设为0。

上述步骤(c)中，测试卫星定位系统的有效性的方法是：检测卫星定位系统的颗数，当颗数大于4时，认为系统有效。

上述步骤(2)中，异常驾驶检测模型的构建过程是：定义模糊逻辑输出的危险等级指标，用来表示车辆运动的危险级别，并且对模糊逻辑的规则进行制定，分别定义四种模糊值：Ⅰ、Ⅱ、Ⅲ、Ⅳ，危险等级从Ⅰ到Ⅳ递增，然后统计各种驾驶类型包含的从Ⅰ到Ⅳ的百分比，确定各种驾驶类型所对应的四种模糊值的百分比。

采用上述方案后，本发明的重点在于基于多源信息融合的车道高精度定位方法和基于模糊逻辑的异常驾驶检测方法，具有以下特点：

(1)对采集到的初始位置设计基于粒子滤波(PF)的高精度融合算法，对观测到的车辆位置信息，采集到的车道几何信息，以及建立精确的车辆运动模型，在下一时段进行迭代，从而提供预计位置和姿态参数；

(2)对W,D,V使用移动平滑算法，并对移动平滑算法之后的数据输入基于模糊逻辑(FIS)的异常检测算法，FIS输出危险类型指标，从而减少算法估计中的噪声并提取出动态参数随着时间序列的变化趋势。

附图说明

图1是本发明的流程图；

图2是本发明中车辆与车道的几何关系示意图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

根据美国公路局的研究表明，公路上最普遍的异常驾驶类型有S形驾驶、抖动驾驶、超速驾驶和回撤驾驶，其中，S形驾驶主要由醉酒等原因引起，抖动驾驶经常由于司机是新手，操作不稳导致，超速驾驶是由于速度超过某一个特定的阈值，回撤驾驶是司机因为疲劳困倦等原因导致车辆偏离车道，然后猛然回撤导致的一个驾驶过程。与异常驾驶相对于，正常驾驶是指车辆沿着车道中心线进行行驶。

如图1所示，本发明提供一种基于车辆定位轨迹的车道内异常驾驶检测方法，该方法主要包括两个方面的内容：采集状态向量，设计基于粒子滤波的算法，得出高精度估计的参数；设计基于模糊逻辑的算法，构建异常驾驶检测模型，判断当前驾驶类型，具体包括如下步骤：

第一部分，基于粒子滤波的算法

(1)定义车辆的状态向量X(t)＝[x y v ω d]^T，其中，(x,y)表示车辆在本地坐标系统中的X-Y轴坐标，可利用GPS或北斗卫星系统来获得；v表示车辆前进方向的速度，ω表示车辆的角速率，d表示车辆的横向位移，v、ω、d均为车辆的高精度动态参数，v可通过GPS或北斗卫星系统来获得，ω可通过安装在车身轴线上的IMU中的陀螺仪来获得，而d可以利用坐标(x,y)和车道中心线的最短距离来计算获得，其中，车道中心线的位置可以由事先测绘的车道数据库信息获得；

(2)对前述状态向量进行初始化，并以预设的误差范围为半径，在该范围内随机产生n个粒子P₁,P₂,…,P_n，其状态向量分别为X₁(t),X₂(t),…,X_n(t)，对这n个粒子P₁(t),P₂(t),…,P_n(t)采用运动模型进行预测，得到预测周期T后的状态向量X₁(t+T),X₂(t+T),…,X_n(t+T)；在本实施例中，可以利用匀速直线运动模型进行预测，t+T时刻的状态向量的计算公式是：

$\left[\begin{array}{c}{x}_{t+1}\\ y_{t+1}\\ v_{t+1}\\ {\mathrm{\ω}}_{t+1}\\ d_{t+1}\end{array}\right]=\left[\begin{array}{c}{x}_t\\ y_t\\ v_t\\ {\mathrm{\ω}}_t\\ d_t\end{array}\right]+\left[\begin{array}{c}vT\\ vT\\ 0\\ 0\\ 0\end{array}\right]$

其中，[x_t+1 y_t+1 v_t+1 ω_t+1 d_t+1]^T表示t+T时刻的状态向量，[x_t y_t v_t ω_t d_t]^T表示t时刻的状态向量，v表示车辆的运动速度。

(3)对预测得到的t+T时刻的粒子P₁(t+T),P₂(t+T),…,P_n(t+T)进行滤波更新，根据粒子的有效性进行取舍：判断粒子有效性的判据是该粒子是否在车道宽度1.5倍的半径范围内，若预测t+T时刻的粒子P_i(t+T)仍在车道宽度1.5倍的半径范围内，i＝1,2,…,n，则认为该粒子有效，可以继续使用，同时t时刻的粒子P_i(t)也有效，反之，若预测P_i(t+T)不在所述范围内，则认为该粒子P_i(t+T)无效，前一时刻的该粒子P_i(t)也被认为无效，将该粒子的权重设为0；

(4)检测卫星定位系统的颗数，当颗数大于4时，认为系统有效，调整粒子滤波的估计值为

(5)结合调整后的估计值，对粒子的权重进行标准化处理，重新随机生成n个粒子，然后重复步骤(2)-(5)，直至驾驶过程结束，得到数组估计值。

第二部分，基于模糊逻辑的算法

对在第一部分得到的估计值：进行移动视窗平滑处理，并将处理后的数据定义为V指标、W指标和D指标，对这三个指标输入基于模糊逻辑的算法，并定义模糊逻辑输出的危险等级指标，用来表示车辆运动的危险级别，并且对模糊逻辑的规则进行制定，规则来源于大量训练历史的异常驾驶数据中抽取的异常驾驶的形态，分别定义四种模糊值：Ⅰ、Ⅱ、Ⅲ、Ⅳ，危险等级从Ⅰ到Ⅳ递增，模糊值Ⅰ意味着最低的危险类型，模糊值Ⅳ意味着最高的危险类型；然后通过统计各种驾驶类型包含的从Ⅰ到Ⅳ的百分比，确定各种驾驶类型所对应的四种模糊值的百分比。将前述估计值输入前述基于模糊逻辑的算法后，得到四种模糊值Ⅰ、Ⅱ、Ⅲ、Ⅳ分别对应的百分比，再据此输出驾驶类型。

其中，在第一部分进行训练的过程中，通过安装在车身轴线上的IMU中的陀螺仪来输出车辆的前进方向的角速率和前进方向的前进角，并通过安装在车身轴线上的加速计用来输出加速度，通过RTK GPS来采集车辆位置坐标和前进速度，并且通过高精度RTK GPS测绘出道路中的车道线数据，获得精确的车道信息坐标。设置五种驾驶场景，具体的异常驾驶的场景分为S形驾驶、抖动驾驶、超速驾驶和回撤驾驶和正常驾驶。对这五种场景，用10HZ的采样频率进行记录，并且记录采样的时间，对每个场景记录开始时间，结束时间，每个时刻的前进方向转向角，角速率，位置坐标信息，前进速度信息。

本发明能够有效克服现有技术存在的缺陷：

(1)现有技术异常驾驶检测受到天气影响，以及检测的精度低可靠性差的问题

本发明通过结合系统RTK GPS系统和IMU传感器以及车道信息，提出实现低成本、高精度的定位信息和动态参数估计的算法，并且具有不受天气、环境、全天候，实时性，可靠性高的优点。GPS和IMU系统联合使用增强无线定位系统的鲁棒性，可靠性和精度。通过无线定位系统和惯性导航系统的结合，对系统进行取长补短，组合系统的连续性和精度又可以得到很大的提高。因此，通过设计PF算法结合车辆高精度动态模型，可以有效的实现组合定位系统在复杂城市环境中的运行，为不规则驾驶提供全天候高精度的数据源。

(2)目前没有可靠的对车道内时间序列的异常形态检测的方法

由于目前存在的研究都没有一种有效可靠的方法对车道内事件序列的异常驾驶进行高效，可靠的检测，因此，本发明通过设计基于模糊逻辑的异常驾驶检测算法，用来提高基于模糊逻辑的不规则驾驶检测算法判断的准确性和有效性和及时性。基于分米级别的高完好性，高精确性的定位技术，车辆的异常驾驶的轨迹可以准确的被检测出来，从而进行异常驾驶的类别的识别。

综合上述，本发明一种基于车辆定位轨迹的车道内异常驾驶检测方法，首先通过卫星定位系统和惯性导航单元(IMU)对车辆动态参数进行采集，然后设计基于粒子滤波PF算法，对采集的车辆位置和动态信息和车道信息进行融合，从而进行得出高精度估计；最后基于高精度估计的信息，定义V指标、W指标和D指标进行建模并得出异常驾驶的检测结果。本发明通过利用RTK GPS和低成本IMU,就能实现车道内各种异常驾驶检测，成本低并且实用性强，并且是实现将来车道级别上的控制、防撞和智能加速等应用的基础。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (7)

1.一种基于车辆定位轨迹的车道内异常驾驶检测方法，其特征在于包括如下步骤：

(1)采集待检测车辆的状态向量X(t)＝[x y v ω d]^T，其中，(x,y)表示车辆在本地坐标系统中的X-Y轴坐标，v表示车辆前进方向的速度，ω表示车辆的角速率，d表示车辆的横向位移，设计基于粒子滤波的算法，以预设的误差范围为半径，在该范围内随机产生n个粒子，并通过对粒子的预测和估计，得到v、ω、d的估计值

(2)对估计值进行移动视窗平滑处理，并将处理后的数据定义为V指标、W指标和D指标，将这三个指标输入基于模糊逻辑的算法，根据异常驾驶检测模型得出驾驶类型。

2.如权利要求1所述的一种基于车辆定位轨迹的车道内异常驾驶检测方法，其特征在于：所述步骤(1)中，(x,y)利用GPS或北斗卫星系统来获得，v通过GPS或北斗卫星系统获得，ω通过安装在车身轴线上的IMU中的陀螺仪获得，d利用坐标(x,y)和车道中心线的最短距离来计算获得。

3.如权利要求1所述的一种基于车辆定位轨迹的车道内异常驾驶检测方法，其特征在于：所述步骤(1)中，对随机产生的n个粒子进行预测和估计的过程是：

(a)设n个粒子P₁,P₂,…,P_n的状态向量分别为X₁(t),X₂(t),…,X_n(t)，对这n个粒子P₁(t),P₂(t),…,P_n(t)采用运动模型进行预测，得到预测周期T后的状态向量X₁(t+T),X₂(t+T),…,X_n(t+T)；

(b)对预测得到的t+T时刻的粒子P₁(t+T),P₂(t+T),…,P_n(t+T)进行滤波更新，根据粒子的有效性进行取舍；

(c)测试卫星定位系统的有效性，调整粒子滤波的估计值为

(d)结合调整后的估计值，对粒子的权重进行标准化处理，重新随机生成n个粒子，然后重复步骤(a)-(d)，直至驾驶过程结束，得到数组估计值。

4.如权利要求3所述的一种基于车辆定位轨迹的车道内异常驾驶检测方法，其特征在于：所述步骤(a)中，利用匀速直线运动模型对n个粒子P₁(t),P₂(t),…,P_n(t)进行预测，t+T时刻的状态向量的计算公式是：

$\left[\begin{array}{c}{x}_{t+1}\\ y_{t+1}\\ v_{t+1}\\ {\mathrm{\ω}}_{t+1}\\ d_{t+1}\end{array}\right]=\left[\begin{array}{c}{x}_t\\ y_t\\ v_t\\ {\mathrm{\ω}}_t\\ d_t\end{array}\right]+\left[\begin{array}{c}vT\\ vT\\ 0\\ 0\\ 0\end{array}\right]$

其中，[x_t+1 y_t+1 v_t+1 ω_t+1 d_t+1]^T表示t+T时刻的状态向量，[x_t y_t v_t ω_t d_t]^T表示t时刻的状态向量，v表示车辆的运动速度。

5.如权利要求3所述的一种基于车辆定位轨迹的车道内异常驾驶检测方法，其特征在于：所述步骤(b)中，判断粒子有效性的判据是该粒子是否在车道宽度1.5倍的半径范围内，若预测t+T时刻的粒子P_i(t+T)仍在车道宽度1.5倍的半径范围内，i＝1,2,…,n，则认为该粒子有效，同时t时刻的粒子P_i(t)也有效，反之，若预测P_i(t+T)不在所述范围内，则认为该粒子P_i(t+T)无效，前一时刻的该粒子P_i(t)也被认为无效，将该粒子的权重设为0。

6.如权利要求3所述的一种基于车辆定位轨迹的车道内异常驾驶检测方法，其特征在于：所述步骤(c)中，测试卫星定位系统的有效性的方法是：检测卫星定位系统的颗数，当颗数大于4时，认为系统有效。

7.如权利要求1所述的一种基于车辆定位轨迹的车道内异常驾驶检测方法，其特征在于：所述步骤(2)中，异常驾驶检测模型的构建过程是：定义模糊逻辑输出的危险等级指标，用来表示车辆运动的危险级别，并且对模糊逻辑的规则进行制定，分别定义四种模糊值：Ⅰ、Ⅱ、Ⅲ、Ⅳ，危险等级从Ⅰ到Ⅳ递增，然后统计各种驾驶类型包含的从Ⅰ到Ⅳ的百分比，确定各种驾驶类型所对应的四种模糊值的百分比。