CN108320513A - 一种绿灯闪烁信号时行人过街行为分析方法 - Google Patents
一种绿灯闪烁信号时行人过街行为分析方法 Download PDFInfo
- Publication number
- CN108320513A CN108320513A CN201810294895.2A CN201810294895A CN108320513A CN 108320513 A CN108320513 A CN 108320513A CN 201810294895 A CN201810294895 A CN 201810294895A CN 108320513 A CN108320513 A CN 108320513A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- crossing
- street
- green light
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种绿灯闪烁信号时行人过街行为分析方法,包括步骤为:第一建立行人在接收到绿灯闪烁信号后的过街行为选择框架,确定行人在后续过街过程中的期望运动速度;第二基于社会力模型,考虑行人过街所有内外环境要素展开行人行为建模;第三利用视频处理软件获取基础数据,对模型参数进行标定;第四构建行人仿真系统,利用自定义算法仿真行人运动过程,记录位于人行横道不同位置行人的受力、位置、速度数据,得到影响行人在绿灯闪烁信号后过街行为的影响因素排序和相应的轨迹及速度分布。本发明不仅可以仿真行人运动过程,提取行人轨迹与速度分布,而且能够对影响行人过街行为的环境因素进行排序。
Description
技术领域
本发明涉及行人行为分析领域,特别是一种绿灯闪烁信号时行人过街行为分析方法。
背景技术
行人步行交通是城市交通的重要组成部分。相比在商场、交通枢纽内部等设施中的行人运动,城市道路环境中,在信号控制交叉口过街行人更易受到外部攻击。特别地,在绿灯闪烁行人信号下的过街运动。原因在于:第一,我国《道路交通安全法》中缺乏对绿灯闪烁信号时长设置的量化规定。在大多数信号控制交叉口,绿灯闪烁信号一般设置为6s,忽略了交叉口尺寸与行人流量等实际重要信息;第二,行人交通安全意识薄弱。对于绿灯闪烁信号时的通行优先权问题,过街行人与机动车驾驶人存在分歧。因此,如何保障行人在绿灯闪烁时过街的安全,是一个值得深入研究的课题。而研究的出发点在于分析行人运动的内在机理,具体认识行人在绿灯闪烁信号时的过街行为。
目前对于行人在绿灯闪烁信号时过街行为分析的主要方法有两种,一种是视频监控行人的过街运动过程,获取行人在绿灯闪烁信号时的走停选择行为,然后对选择继续过街的行人进行追踪,获取行人速度,轨迹等信息。(参见:M.Iryo-Asano,WKM.Alhajyaseen,H.Nakamura.Analysis and modeling of pedestrian crossing behavior during thepedestrian flashing green interval[J].IEEE Transactions on IntelligentTransportation Systems,2015,16(2):958-969.)但这种方法普适性不高,只能对特定交叉口的行人行为进行分析,且非常依赖于视频处理技术精度。另一种是通过建立行人运动模型来研究行人行为。在长达几个世纪的行人行为研究后,微观建模方法成为分析行人运动行为最有利的工具。但此种方法受限于建模者对行人与环境交互作用的理解程度与模型算法规则的计算复杂度,且微观仿真模型能否对描述宏观行人流状态是使模型能否令人信服的另一问题。现有的倍受认可的行人运动模型以元胞自动机与社会力模型为主流,但模型应用未涉及对行人过街行为分析。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种绿灯闪烁信号时行人过街行为分析方法,本发明基于社会力模型,结合信号交叉口行人、信号、转弯机动车等环境要素,提出一种行人在绿灯闪烁信号时过街运动模型,然后利用简单的视频处理技术,获取模型参数。最后通过Matlab建立微观仿真平台,通过对人行横道进行区段划分,可以实现对位于不同区段内行人在绿灯闪烁信号后的过街运动仿真,识别对行人行为作用的高影响力因子,获取不同区段内行人的轨迹、速度等数据。
本发明为解决上述技术问题采用以下技术方案:
根据本发明提出的一种绿灯闪烁信号时行人过街行为分析方法,包括以下步骤:
步骤1,建立行人在接收到绿灯闪烁(Pedestrian Flashing Green,PFG)信号后的过街行为选择框架,确定行人在后续过街过程中的期望运动速度;
步骤2,考虑行人过街所有内外环境要素,包括自身期望运动速度、人行横道边界、周围行人与右转弯机动车影响,基于社会力模型,对行人在PFG信号后的运动展开行为建模。
步骤3,利用视频处理软件获取基础数据,对模型参数进行标定。
步骤4,构建行人仿真系统,通过划分人行横道区段,利用自定义算法仿真行人在PFG信号后的运动过程,记录位于人行横道不同位置的行人在每个时间步内的受力、位置、速度数据,从而得到影响行人在PFG信号后过街行为的影响因素排序和相应的轨迹及速度分布。
进一步地,步骤1中所述的行人在接收到PFG信号后的过街行为选择框架如图1所示,能确定行人在后续过街过程中的期望运动速度,包括以下步骤:
1)估计行人期望穿越时间
其中,Pd表示行人i在过街前确定的人行横道期望离开位置;Pi表示行人i在PFG信号起动时的当前位置;vi(0)表示行人i在PFG信号起动时的当前速度。cos<vi(0),Pd-Pi>表示速度矢量vi(0)与位移矢量Pd-Pi的夹角余弦;
2)比较行人期望穿越时间与PFG信号时长tPFG。若结果为说明行人i能在PFG信号内完成穿越,此时认为PFG信号对行人i的影响很小,可以忽略。行人i以当前速度继续过街。反之,若结果为则转步骤3);
3)计算期望运动速度
其中,Δv=Normal(μv,σv),表示行人i的速度大小变化量,由正态分布函数产生的随机数,μv为速度大小均值参数,σv为速度大小标准差参数;ψ=Normal(μψ,σψ),表示行人i的速度矢量角度变化量,由正态分布函数产生的随机数,μψ为角度均值参数,σψ为角度标准差参数;表示一个逆时针旋转矩阵,功能是将速度矢量逆时针旋转ψ角度。
进一步地,步骤2中所述的对行人过街所有内外环境要素,包括自身期望运动速度、人行横道边界、周围行人以及右转弯车辆影响,基于社会力模型,对行人在PFG信号后的运动展开建模,包括以下步骤:
1)针对行人自身期望运动速度的影响,建立模型如图2所示,行人的实时运动速度vi在松弛时间τ内向期望运动速度调整,由牛顿运动定律计算自身驱动力Fs:
2)针对人行横道边界的影响,建立模型如图3所示,当行人位于人行横道范围内,认为边界对行人产生向内的排斥;对于位于人行横道外的行人,认为边界对行人产生向内的吸引,两种作用力都表示人行横道对过街行人的约束作用:
其中,diB=||Pi-PB||表示行人i当前位置Pi与最近的边界位置点PB之间的距离;表示排斥力强度参数,表示排斥力作用范围参数,nBi表示排斥力的正规化方向向量;表示吸引力强度参数,表示吸引力作用范围参数,niB表示吸引力的正规化方向向量;表示人行横道边界作用力FB与diB呈现指数递减关系;
3)针对周围行人的影响,建立模型如图4所示,主体行人i受到距离其最近的行人j的排斥:
其中,表示由行人j产生的椭圆形力场的短半轴长度的一半,Pj表示行人j的当前位置,vj表示行人j的当前运动速度,Δt表示一个迭代时间;表示排斥力Fij与bij呈现指数递减关系;Aj表示排斥力强度参数,Bj表示排斥力作用范围参数,nij表示排斥力的正规化方向向量。
4)针对右转弯车辆的影响,建立模型如图5所示,过街行人i受到交叉口不受信号控制的右转弯机动车的排斥:
其中,表示由右转弯机动车产生的椭圆形力场的短半轴长度的一半,Pv表示机动车车头位置,vv表示机动车速,l表示车身长度;表示排斥力Fij与bij呈现指数递减关系;Av表示排斥力强度参数,Bv表示排斥力作用范围参数,nvi表示排斥力的正规化方向向量。
5)计算主体行人i在运动过程中的合力:
F(t)=FS+FB+FP+FV
6)计算主体行人i下一时刻的速度:
vi(t+Δt)=vi(t)+F(t)·Δt+εi(t)
其中,εi(t)表示行人运动过程中的误差项,用于模型参数标定。
进一步地,步骤3中所述的利用视频处理软件获取基础数据,对模型参数进行标定,包括以下步骤:
1)获取某交叉口人行横道处PFG信号时行人过街视频;
2)利用视频处理技术标定可测量参数,包括有:PFG时刻行人运动速度vi(0),速度大小变化量Δv的正态分布参数μv、σv,速度矢量角度变化量ψ的正态分布参数μψ,σψ,松弛时间τ,右转弯机动车车速vV,车身长度l。
3)利用误差项εi(t),使用极大似然估计方法标定模型中各力的强度与作用范围系数,包括有:Aj,Av,Bv。具体如下:
首先,建立误差项εi(t)=(εix,εiy)′的二维概率密度函数:
其中,为方差-协方差矩阵。
然后,n个样本的极大似然函数为:
最后,在95%置信度下,取使得L取最大值的参数值。
进一步地,步骤4中所述的构建行人仿真平台,包括仿真数据管理、仿真初始化管理、仿真控制和仿真结果输出四个模块,如图6所示。通过划分人行横道区段,定义仿真算法流程,如图7所示,仿真行人在PFG信号后的运动过程,记录位于人行横道不同位置的行人在每个时间步内的受力、位置、速度数据,得到相应的对行人在PFG信号后过街行为作用的影响因素排序、轨迹及速度分布。
本发明与现有技术相比,其显著优点为:(1)传统通过视频监控与视频处理方法非常依赖于视频质量,仅能在行人完成过街运动后对行人行为进行分析,本方法只需要一次对某个交叉口的行人过街数据进行提取,代入模型进行参数标定,就能为后续的行人行为研究服务;(2)行人运动建模方法具有普适性,对于每个不同尺寸与行人流量的交叉口,只需要用对模型参数进行一次重新标定就可以适用任意交叉口完成行人行为分析;(3)传统视频处理方法需要对每个行人进行跟踪处理,本方法可以通过仿真平台,自定义划分人行横道区段,一次性获取每个区段内的行人轨迹、速度等数据,同时得到对行人行为作用的影响因素排序。
附图说明
图1是行人在接收PFG信号时过街行为选择框架流程图。
图2是自身驱动力模型。
图3是来自人行横道边界约束力模型。
图4是来自周围行人排斥力模型。
图5是来自右转弯机动车排斥力模型。
图6是仿真系统模块组成框架。
图7是仿真系统运算流程图。
图8是行人过街仿真场景。
图9是行人轨迹随时间变化图。
图10是行人速度随时间变化图。
具体实施方法
下面对本发明方案进行详细说明。
本发明在对绿灯闪烁信号时行人过街行为进行分析的时候,主要分为三个部分,第一个部分是建立PFG信号后行人过街行为模型,第二部分是利用一次视频数据对模型参数进行标定,第三部分是将模型并入仿真系统对不同人行横道区段内的行人行为进行分析。
下面将通过具体的实施例来说明本发明的具体实施方法。
实施例
本发明中建立PFG信号后行人过街行为模型,具体过程分为以下步骤:
步骤1,建立行人在接收到PFG信号后的过街行为选择框架,确定行人在后续过街过程中的期望运动速度,包括以下步骤:
1)估计行人期望穿越时间
其中,Pd表示行人i在过街前确定的人行横道期望离开位置;Pi表示行人i在PFG信号起动时的当前位置;vi(0)表示行人i在PFG信号起动时的当前速度。cos<vi(0),Pd-Pi>表示速度矢量vi(0)与位移矢量Pd-Pi的夹角余弦;
2)比较行人期望穿越时间与PFG信号时长tPFG。若结果为说明行人i能在PFG信号内完成穿越,此时认为PFG信号对行人i的影响很小,可以忽略。行人i以当前速度继续过街。反之,若结果为则转步骤3);
3)计算期望运动速度
其中,Δv=Normal(μv,σv),表示行人i的速度大小变化量,由正态分布函数产生的随机数,μv为速度大小均值参数,σv为速度大小标准差参数;ψ=Normal(μψ,σψ),表示行人i的速度矢量角度变化量,由正态分布函数产生的随机数,μψ为角度均值参数,σψ为角度标准差参数;表示一个逆时针旋转矩阵,功能是将速度矢量逆时针旋转ψ角度。
步骤2,针对行人过街所有内外环境要素,包括自身期望运动速度、人行横道边界、周围行人以及右转弯车辆影响,基于社会力模型,对行人在PFG信号后的运动展开建模,包括以下步骤:
1)针对行人自身期望运动速度的影响建立模型,行人的实时运动速度vi在松弛时间τ内向期望运动速度调整,由牛顿运动定律计算自身驱动力Fs:
2)针对人行横道边界的影响建立模型,当行人位于人行横道范围内,认为边界对行人产生向内的排斥;对于位于人行横道外的行人,认为边界对行人产生向内的吸引,两种作用力都表示人行横道对过街行人的约束作用:
其中,diB=||Pi-PB||表示行人i当前位置Pi与最近的边界位置点PB之间的距离;表示排斥力强度参数,表示排斥力作用范围参数,nBi表示排斥力的正规化方向向量;表示吸引力强度参数,表示吸引力作用范围参数,niB表示吸引力的正规化方向向量;表示人行横道边界作用力FB与diB呈现指数递减关系;
3)针对周围行人的影响建立模型,主体行人i受到距离其最近的行人j的排斥:
其中,表示由行人j产生的椭圆形力场的短半轴长度的一半,Pj表示行人j的当前位置,vj表示行人j的当前运动速度,Δt表示一个迭代时间;表示排斥力Fij与bij呈现指数递减关系;Aj表示排斥力强度参数,Bj表示排斥力作用范围参数,nij表示排斥力的正规化方向向量。
4)针对右转弯车辆的影响建立模型,过街行人i受到交叉口不受信号控制的右转弯机动车的排斥:
其中,表示由右转弯机动车产生的椭圆形力场的短半轴长度的一半,Pv表示机动车车头位置,vv表示机动车速,l表示车身长度;表示排斥力Fij与bij呈现指数递减关系;Av表示排斥力强度参数,Bv表示排斥力作用范围参数,nvi表示排斥力的正规化方向向量。
5)计算主体行人i在运动过程中的合力:
F(t)=FS+FB+FP+FV
6)计算主体行人i下一时刻的速度:
vi(t+Δt)=vi(t)+F(t)·Δt+εi(t)
其中,εi(t)表示行人运动过程中的误差项,用于模型参数标定。
本发明中利用一次视频数据对模型参数进行标定,具体过程分为以下步骤:
步骤1,获取某交叉口人行横道处PFG信号时行人过街视频。本实施例采用的视频序列为南京市太平北路-长江路交叉口东人行横道,2017年6月1日上午10:00~12:00、16:00~18:00的PFG信号期间行人过街视频。
步骤2,利用视频处理技术标定可测量参数。本实施例采用Tracker视频处理软件,由人行横道边界建立直角坐标系,每隔0.1s对行人运动速度、位置数据进行提取标定参数。本实施例中vi(0)=1.325m/s,μv=0.481m/s,σv=0.214m/s,μψ=0.03°,σψ=2.14°,τ=1.851s,vV=2.58m/s,l=4.5m。
步骤3,利用误差项εi(t),使用极大似然估计方法标定模型中各力的强度与作用范围系数,包括有:Aj,Av,Bv。具体如下:
1)建立误差项εi(t)=(εix,εiy)′的二维概率密度函数:
其中,为方差-协方差矩阵。
2)n个样本的极大似然函数为:
3)在95%置信度下,取使得L取最大值的参数值。本实施例中 Aj=0.73m/s2,Bj=1.41m,Av=1.42m/s2,Bv=1.35m。
本发明中将模型及参数输入仿真系统对不同人行横道区段内的行人行为进行分析,具体过程分为以下步骤:
步骤1,将模型及参数输入仿真系统。
步骤2,划分人行横道区段,将行人按所处区段位置分类。本实施例中将人行横道等分成四段,相应的行人分为四类,如图8所示。
步骤3,按仿真算法流程,仿真行人在PFG信号后的运动过程,记录位于人行横道不同位置的行人在每个时间步内的受力、位置、速度数据,得到影响行人在PFG信号后过街行为的影响因素排序和相应的轨迹及速度分布。
本实施例中计算得到每个力的大小排序为:FS>FP>FV>FB,由此推出对行人在PFG信号后过街行为作用的影响因素排序为:自身期望运动速度>周围行人>右转弯机动车>人行横道边界。从四类行人中分别提取一人的轨迹如图9所示,相应的速度变化如图10所示。
综上所述,本发明较之以前方法能很好地分析行人在PFG信号时的过街行为,并能对影响行人过街行为的因素进行排序,识别高影响力因子。本发明不仅仅提供行人微观仿真运动模型,更能对整个行人运动过程中的速度、轨迹进行提取,对影响行人在穿越时所受内外环境因素作出影响力排序,识别高影响力因素,对于提升行人设施服务水平与行人过街安全有很好的作用;其次本发明使用微观建模方法,具有普适性,可以对任意交叉口上PFG信号间行人过街行为相应建模;并且本发明方法简单高效,易于实现。
Claims (5)
1.一种绿灯闪烁信号时行人过街行为分析方法,其特征在于,包括:
步骤1,建立行人在接收到绿灯闪烁,即Pedestrian Flashing Green,PFG信号后的过街行为选择框架,确定行人在后续过街过程中的期望运动速度;
步骤2,考虑行人过街内外环境要素,包括自身期望运动速度、人行横道边界、周围行人与右转弯机动车影响,基于社会力模型,对行人在所述PFG信号后的运动展开行为建模;
步骤3,利用视频处理软件获取基础数据,对模型参数进行标定;
步骤4,构建行人仿真系统,通过划分人行横道区段,利用自定义算法仿真行人在PFG信号后的运动过程,记录位于人行横道不同位置的行人在每个时间步内的受力、位置、速度数据,从而得到影响行人在PFG信号后过街行为的影响因素排序和相应的轨迹及速度分布。
2.根据权利要求1所述的一种绿灯闪烁信号时行人过街行为分析方法,其特征在于,步骤1中所述的建立行人在接收到PFG信号后的过街行为选择框架,包括以下步骤:
步骤1,估计行人期望穿越时间;
步骤2,比较行人期望穿越时间与绿灯闪烁信号时长;
步骤3,确定行人在后续过街过程中的期望运动速度。
3.根据权利要求1所述的一种绿灯闪烁信号时行人过街行为分析方法,其特征在于,步骤2中所述考虑行人过街所有内外环境要素,基于社会力模型,对行人在PFG信号后的运动展开行为建模,包括以下步骤:
步骤1,考虑自身期望运动速度影响,建立自身驱动力模型;
步骤2,考虑人行横道边界影响,建立来自人行横道边界约束力模型;
步骤3,考虑周围行人影响,建立来自周围行人的排斥力模型;
步骤4,考虑右转弯机动车影响,建立来自右转弯机动车排斥力模型;
步骤5,计算所有社会力合力;
步骤6,计算行人下一时刻运动速度。
4.根据权利要求1所述的一种绿灯闪烁信号时行人过街行为分析方法,其特征在于,步骤3中所述利用视频处理软件获取基础数据,对模型参数进行标定,包括以下步骤:
步骤1,获取一次某交叉口人行横道处绿灯闪烁信号时行人过街视频;
步骤2,利用视频处理技术标定模型中可测量参数;
步骤3,使用极大似然估计方法标定模型中不可测量参数。
5.根据权利要求1所述的一种绿灯闪烁信号时行人过街行为分析方法,其特征在于,步骤4中所述利用自定义算法仿真行人运动过程,记录位于人行横道不同位置行人的受力、位置、速度数据,包括以下步骤:
步骤1,将模型及参数输入仿真系统;
步骤2,划分人行横道区段,将行人按所处区段位置分类;
步骤3,按仿真算法流程,仿真行人在PFG信号后的运动过程,记录位于人行横道不同位置的行人在每个时间步内的受力、位置、速度数据,得到影响行人在绿灯闪烁信号后过街行为的影响因素排序和相应的轨迹及速度分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810294895.2A CN108320513A (zh) | 2018-03-30 | 2018-03-30 | 一种绿灯闪烁信号时行人过街行为分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810294895.2A CN108320513A (zh) | 2018-03-30 | 2018-03-30 | 一种绿灯闪烁信号时行人过街行为分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108320513A true CN108320513A (zh) | 2018-07-24 |
Family
ID=62896457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810294895.2A Pending CN108320513A (zh) | 2018-03-30 | 2018-03-30 | 一种绿灯闪烁信号时行人过街行为分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108320513A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584556A (zh) * | 2018-12-13 | 2019-04-05 | 河海大学 | 一种基于困境区理论的交叉口绿闪信号时间确定方法 |
CN110765653A (zh) * | 2019-11-14 | 2020-02-07 | 北京京航计算通讯研究所 | 城市地下综合管廊突发事件应急仿真方法 |
CN112418421A (zh) * | 2020-11-06 | 2021-02-26 | 常州大学 | 一种基于图注意力自编码模型的路侧端行人轨迹预测算法 |
CN112585616A (zh) * | 2018-08-29 | 2021-03-30 | 罗伯特·博世有限公司 | 用于预测行人的至少一个将来的速度矢量和或将来的姿态的方法 |
CN113420415A (zh) * | 2021-05-27 | 2021-09-21 | 东南大学 | 基于感知区域舒适度的交叉口双向行人仿真方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104157148A (zh) * | 2014-07-28 | 2014-11-19 | 北京易华录信息技术股份有限公司 | 利用视频跟踪技术的人行横道信号灯自适应控制方法及系统 |
CN205194066U (zh) * | 2015-10-08 | 2016-04-27 | 东北林业大学 | 行人绿灯放行系统 |
CN106297330A (zh) * | 2016-08-29 | 2017-01-04 | 安徽科力信息产业有限责任公司 | 减少行人过街对平面感知信号控制效率影响的方法及系统 |
CN107305626A (zh) * | 2016-04-25 | 2017-10-31 | 孙久耕 | 行人运动轨迹检测及违章分析系统 |
-
2018
- 2018-03-30 CN CN201810294895.2A patent/CN108320513A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104157148A (zh) * | 2014-07-28 | 2014-11-19 | 北京易华录信息技术股份有限公司 | 利用视频跟踪技术的人行横道信号灯自适应控制方法及系统 |
CN205194066U (zh) * | 2015-10-08 | 2016-04-27 | 东北林业大学 | 行人绿灯放行系统 |
CN107305626A (zh) * | 2016-04-25 | 2017-10-31 | 孙久耕 | 行人运动轨迹检测及违章分析系统 |
CN106297330A (zh) * | 2016-08-29 | 2017-01-04 | 安徽科力信息产业有限责任公司 | 减少行人过街对平面感知信号控制效率影响的方法及系统 |
Non-Patent Citations (1)
Title |
---|
周泱 等: "交叉口绿闪信号行人过街行为模型", 《交通信息与安全》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112585616A (zh) * | 2018-08-29 | 2021-03-30 | 罗伯特·博世有限公司 | 用于预测行人的至少一个将来的速度矢量和或将来的姿态的方法 |
US11958482B2 (en) | 2018-08-29 | 2024-04-16 | Robert Bosch Gmbh | Method for predicting at least one future velocity vector and/or a future pose of a pedestrian |
CN109584556A (zh) * | 2018-12-13 | 2019-04-05 | 河海大学 | 一种基于困境区理论的交叉口绿闪信号时间确定方法 |
CN110765653A (zh) * | 2019-11-14 | 2020-02-07 | 北京京航计算通讯研究所 | 城市地下综合管廊突发事件应急仿真方法 |
CN112418421A (zh) * | 2020-11-06 | 2021-02-26 | 常州大学 | 一种基于图注意力自编码模型的路侧端行人轨迹预测算法 |
CN112418421B (zh) * | 2020-11-06 | 2024-01-23 | 常州大学 | 一种基于图注意力自编码模型的路侧端行人轨迹预测算法 |
CN113420415A (zh) * | 2021-05-27 | 2021-09-21 | 东南大学 | 基于感知区域舒适度的交叉口双向行人仿真方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320513A (zh) | 一种绿灯闪烁信号时行人过街行为分析方法 | |
Xin et al. | Intention-aware long horizon trajectory prediction of surrounding vehicles using dual LSTM networks | |
Al-Qizwini et al. | Deep learning algorithm for autonomous driving using googlenet | |
Tan et al. | Scenegen: Learning to generate realistic traffic scenes | |
CN103593535B (zh) | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 | |
CN111243271A (zh) | 一种基于深度循环q学习的单点交叉口信号控制方法 | |
CN107421752B (zh) | 一种智能汽车测试场景加速重构方法 | |
Pei et al. | Velocity forecasts using a combined deep learning model in hybrid electric vehicles with V2V and V2I communication | |
WO2022156181A1 (zh) | 一种运动轨迹的预测方法及装置 | |
CN111626097A (zh) | 一种障碍物未来轨迹的预测方法、装置、电子设备及存储介质 | |
WO2024027027A1 (zh) | 一种人工驾驶车辆换道意图识别方法和系统 | |
CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN112785842B (zh) | 一种在线交通流仿真系统 | |
CN111625989A (zh) | 一种基于a3c-sru的智能车汇入车流方法及系统 | |
CN102682155A (zh) | 城市道路交通网络分析微观仿真系统 | |
Zhao et al. | Traffic signal control with deep reinforcement learning | |
CN111369053A (zh) | 一种人车交互场景下行人与车辆的轨迹预测方法 | |
CN109410608A (zh) | 基于卷积神经网络的图片自学习交通信号控制方法 | |
CN115203062B (zh) | 自动驾驶测试系统、方法、电子设备及存储介质 | |
Li et al. | Driver behavior modelling at the urban intersection via canonical correlation analysis | |
Bai et al. | Cyber mobility mirror for enabling cooperative driving automation: A co-simulation platform | |
Miao et al. | A queue hybrid neural network with weather weighted factor for traffic flow prediction | |
Fei et al. | The Driver Time Memory Car‐Following Model Simulating in Apollo Platform with GRU and Real Road Traffic Data | |
RU2742394C1 (ru) | Способ построения интеллектуальной системы определения областей маршрутов полета беспилотного летательного аппарата в моделирующих комплексах | |
CN113657036A (zh) | 基于神经网络和物理模型的车辆动力学模拟实现方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180724 |
|
RJ01 | Rejection of invention patent application after publication |