CN109063940B - 基于变结构贝叶斯网络的智能车辆威胁估计系统及方法 - Google Patents
基于变结构贝叶斯网络的智能车辆威胁估计系统及方法 Download PDFInfo
- Publication number
- CN109063940B CN109063940B CN201810113510.8A CN201810113510A CN109063940B CN 109063940 B CN109063940 B CN 109063940B CN 201810113510 A CN201810113510 A CN 201810113510A CN 109063940 B CN109063940 B CN 109063940B
- Authority
- CN
- China
- Prior art keywords
- threat
- factors
- target
- factor
- influence
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims 2
- 230000019771 cognition Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明请求保护一种基于变结构贝叶斯网络的智能车辆威胁估计系统及方法,用于评估运动目标对车辆的威胁程度,涉及智能车辆认知技术领域。该系统包括威胁建模、数据采集与威胁估计模块。威胁建模阶段,确定影响智能车辆威胁估计的因素,包括外部环境因素、目标特征及驾驶员因素,然后构造贝叶斯网络模型的拓扑结构,再确定模型的局部条件概率表。车辆行驶过程中,数据采集模块利用传感器采集各影响因素的实时数据,威胁估计模块根据各因素变化率,只针对快速变化的因素重构其对应的变量节点,得到变结构贝叶斯网络模型,再进行推理计算得到目标威胁指数。本发明能有效改善智能车辆威胁估计的性能。
Description
技术领域
本发明属于智能车辆技术领域,特别是智能车辆的态势估计技术领域,具体涉及一种基于变结构贝叶斯网络的智能车辆威胁估计方法。
背景技术
对外部环境中的各类目标进行威胁估计是智能车辆环境认知的关键技术之一。在辅助驾驶系统中,通过威胁估计能有效分辨出危险目标并提醒驾驶员避免碰撞。在自动驾驶系统中,威胁估计是安全的路径规划的基础。
在现有的威胁估计方法中,中国专利申请:一种语音播报式智能车辆路径规划装置与实施方法(申请号:2014100504696)中仅考虑了障碍物的距离、角度,并未考虑其运动状态、身份特征、尺寸等因素。中国专利申请:基于动态贝叶斯网络的威胁估计方法(申请号:CN201710227379.3)利用动态贝叶斯网络模型分析作战双方、环境、天气等因素学习推理得到威胁等级,不属于智能车辆威胁估计。中国专利申请:基于威胁估计的智能车辆路径规划方法(申请号:CN201610050880.2),根据目标的速度、距离以及环境、天气等威胁因素构造车辆威胁估计的贝叶斯网络模型,并通过推理算法推理得到威胁指数,但并未考虑驾驶员因素对威胁的影响。
本发明针对智能车辆威胁估计问题,提出一种基于变结构贝叶斯网络的智能车辆威胁估计方法,构造包含多种影响因素的贝叶斯网络模型,并通过变结构化处理提高计算效率,实现有效改善智能车辆威胁估计的性能。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种有效改善智能车辆威胁估计的性能的基于变结构贝叶斯网络的智能车辆威胁估计系统及方法。本发明的技术方案如下:
一种基于变结构贝叶斯网络的智能车辆威胁估计系统,其包括威胁建模模块、数据采集模块及威胁估计模块,其中
威胁建模模块:用于分析并确定智能车辆威胁估计的影响因素,包括外部环境因素、目标特征以及驾驶员因素在内的影响因素;根据影响因素之间的相互关系,构造出用于威胁估计的基于贝叶斯网络的威胁估计模型;分析各影响因素对智能车辆威胁估计模型的影响程度,确定局部条件概率表;
数据采集模块:用于在车辆行驶过程中,利用传感器采集各影响因素的实时数据;
威胁估计模块:根据数据采集模块获得的各影响因素的实时数据,计算各因素变化率,只针对快速变化的因素重构其对应的变量节点,得到变结构贝叶斯网络模型;再根据新的贝叶斯网络模型进行推理计算得到目标威胁指数。
进一步的,所述威胁建模模块提取影响车辆威胁指数的因素,主要包括目标特征、环境因素以及驾驶员因素,目标特征的子因素包括目标的速度、目标与本车辆的距离以及目标类型;环境因素的子因素包括路面状况和能见度;驾驶员因素的子因素包括心理因素和生理因素。
一种基于变结构贝叶斯网络的智能车辆威胁估计方法,其包括以下阶段:
(1)威胁建模阶段:分析并确定智能车辆威胁估计的影响因素,包括外部环境因素、目标特征以及驾驶员因素等;根据影响因素之间的相互关系,构造出用于威胁估计的贝叶斯网络模型的拓扑结构;分析各因素对智能车辆威胁估计的影响程度,确定局部条件概率表;
(2)威胁估计阶段:在车辆行驶过程中,利用传感器采集各影响因素的实时数据;根据各因素变化率,对模型作变结构化处理,更新数据发生变化的模型节点;确定新的网络模型后,通过网络推理计算出目标的威胁指数。
进一步的,威胁建模阶段构造车辆威胁估计模型的步骤主要包括:
(1)提取影响车辆威胁指数的因素,主要包括目标特征、环境因素以及驾驶员因素。目标特征的子因素包括目标的速度、目标与本车辆的距离以及目标类型;环境因素的子因素包括路面状况和能见度;驾驶员因素的子因素包括心理因素和生理因素。
(2)根据以上各因素及其关系,构造贝叶斯网络拓扑结构。
(3)根据各威胁因素对威胁指数的影响程度的不同,确定局部条件概率表。
进一步的,所述威胁建模阶段构造车辆威胁估计模型时局部条件概率表的确定过程包括以下步骤:
(1)初始值设定:根据经验初始化局部条件概率表,并设计一组场景,根据已有文献和专家经验构造训练数据;
(2)威胁指数评估:选择一个场景,选取单个威胁因素作为变量,计算在该威胁因素影响下智能车辆的威胁指数;
(3)参数比较和修正:将步骤(2)中的威胁指数与训练数据进行对比,逐步调整对应的局部条件概率表,得到可信度较高的条件概率数据;
(4)在步骤(2)简单模型中逐步添加其他的威胁因素节点形成新的评估模型,重复步骤(2)、(3),直至整个网络的条件概率得到修正。
进一步的,所述威胁估计过程包括以下步骤:
(1)模型节点证据更新:根据传感器采集的各影响因素的实时数据,计算各因素变化率,将其分为有变化与无变化两类;对模型作变结构化处理,对有变化的因素,重新构造对应的节点,对无变化的因素则不重复构造;
(2)网络推理:将传感器采集的各影响因素的实时数据模糊化,根据重构的贝叶斯网络模型,结合局部条件概率表,计算各证据节点的后验概率;更新证据节点后,通过推理计算实现整个网络节点的后验概率更新,直至威胁指数节点,威胁指数节点的后验概率即为目标对智能车辆的威胁指数。
进一步的,网络推理的步骤主要包括:
(1)模糊化:根据采集到的威胁因素的实时数据,构造隶属度函数,进行模糊化处理,使其符合贝叶斯网络模型各输入节点数据类型要求,作为更新的各节点证据信息。
(2)更新证据节点:对有变化的因素对应的证据变量,计算对应节点的后验概率。
(3)更新网络节点:根据模糊化后的证据变量与局部条件概率表,计算证据节点的后验概率,作为下一次网络更新的条件概率。
(4)威胁估计:对全部网络节点,重复步骤(3),直到网络根节点,即威胁指数节点的后验概率,作为目标的威胁指数。
进一步的,所述判断证据节点是否发生的方法是为证据变量的变化率设定一个阈值,超过这个阈值则判定证据变量发生变化,否则未发变化,在时刻k判断影响因素C是否有变化的准则是:
其中Cn,Cn-1为因素C在时刻k及k-1的值,LC为阈值。
本发明的优点及有益效果如下:
本发明针对智能车辆的威胁估计,构造包含目标、环境及驾驶员在内的多种影响因素的贝叶斯网络模型,能提供对智能车辆驾驶环境的更为充分、有效的认知。
同时,通过对各影响因素的变化特征,对网络模型进行变结构化处理,只重构发生变化的因素对应的网络节点,对无变化或缓慢变化的因素不重复构造网络节点,来提高贝叶斯网络推理计算的效率。本发明实现有效改善智能车辆威胁估计的性能。
附图说明
图1是本发明提供优选实施例本发明基于变结构贝叶斯网络的智能车辆威胁估计系统总体框架;
图2本发明基于贝叶斯网络的智能车辆威胁估计模型;
图3本发明智能车辆威胁估计的变结构贝叶斯网络模型示例。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
如图1所示为本发明基于变结构贝叶斯网络的智能车辆威胁估计系统总体框架,系统包括威胁建模模块、数据采集模块及威胁估计模块。
(1)威胁建模模块:用于构造智能车辆威胁估计的贝叶斯网络模型。威胁建模过程如下:
1)提取影响车辆威胁指数的因素,主要包括目标特征、环境因素以及驾驶员因素。目标特征的子因素包括目标的速度、目标与本车辆的距离以及目标类型;环境因素的子因素包括路面状况和能见度;驾驶员因素的子因素包括心理因素和生理因素。
2)网络拓扑结构建模:根据上述步骤确定的威胁影响因素,以及因素之间的关系确定贝叶斯网络拓扑结构。
3)局部条件概率表确定:分析各威胁因素对智能车辆的影响程度,确定局部条件概率表。
(2)数据采集模块:用于在车辆行驶过程中,利用传感器采集各影响因素的实时数据。
(3)威胁估计模块:用于在车辆行驶过程中,根据数据采集模块获得的各影响因素的实时数据,计算得到目标威胁指数。威胁估计过程如下:
1)数据采集与预处理:通过传感器采集各影响因素的实时数据,计算各因素变化率,并将其分为有变化与无变化两类。
2)模型重构:对模型作变结构化处理,对有变化的因素,重新构造对应的节点,对无变化的因素则不重复构造。
3)网络推理:将传感器采集的各影响因素的实时数据模糊化,根据重构的贝叶斯网络模型,结合局部条件概率表,计算各证据节点的后验概率;更新证据节点后,通过推理计算实现整个网络节点的后验概率更新,直至威胁指数节点,威胁指数节点的后验概率即为目标对智能车辆的威胁指数。
如图2所示为本发明基于贝叶斯网络的智能车辆威胁估计模型拓扑结构。
在该网络模型中,影响目标威胁指数的因素分为三类,即目标特征、环境因素和驾驶员因素,目标特征包括目标速度、目标与本车辆的距离和目标类型;环境威胁因素包括路面状况和能见度;驾驶员因素包括心理因素和生理因素。
定义威胁指数节点为TL,定义威胁等级的影响因素集Xb为
Xb={目标特征(TC),环境影响(EF),驾驶员影响(DF)}
定义目标特征的影响因素集Xc:
Xc={目标类型(VT),距离(RD),速度(RV)}
其中,目标特征对智能车辆的影响模糊化为威胁大(HC)、威胁适中(MC)和威胁小(LC)。目标类型模糊化为大型目标(BC),中型目标(MC)和小型目标(SC),目标越大,其对智能车辆的威胁能力越高。距离模糊化为危险距离(HD)、适中距离(MD)和安全距离(LD)。速度模糊化为高速(HS)、正常速度(MS)和低速(LS)。
定义环境影响因素集Xd:
Xd={能见度(VC),路面状况(RC)}
其中,环境影响能力划分为影响能力大(HE),影响能力适中(ME)和影响能力低(LE)。能见度分为能见度远(HV)、能见度一般(MV)和能见度较近(LV),路况分为冰雪路面(IR)、雨水路面(RR)和干燥路面(DR)。可见度越低,路面越湿滑则智能车辆行车环境越恶劣。
定义驾驶员影响因素集为Xf:
Xf={心理因素威胁能力(PS),生理因素威胁能力(PH)}
驾驶员影响因素模糊化为综合因素好(HF),一般(MF),差(LF)。驾驶员心理素质和生理素质越好,对车辆的威胁就越小,反之对车辆的威胁越大,将心理因素模糊化为心理因素好(HP),一般(MP),差(LP),并将生理素质模糊化为生理因素好(HH),一般(MH),差(LH)。
如图3所示为本发明智能车辆威胁估计的变结构贝叶斯网络模型示例,以环境因素变量未变化为例说明。
以环境因素为例,设道路状况与能见度没有发生变化,则在网络更新时对这两个变量对应的节点不进行构造,从而得到图3所示的网络模型。在计算目标的威胁指数时,以消息传递算法为例,该变结构贝叶斯网络的推理过程如下。
根据贝叶斯网络条件独立性假设和拓扑模型的节点定义,有:
其中,TLi表示目标对车辆的威胁能力指数TL的状态,节点TL的父节点子集和子节点子集传入的证据变量分别表示为和/>则更新证据变量后得到的后验概率可表示为α为归一化常数,对式(2)中/> 作进一步变换可得
由于节点{VC,RC,RV,RD,VT}均值为证据节点,对式(3)-(5)中的分子式作进一步推导变换可得
λRV(TCk)=λ(HS)·P(HS|TCk)+λ(MS)·P(MS|TCk) (6)
+λ(LS)·P(LS|TCk)
λRD(TCk)=λ(HD)·P(HD|TCk)+λ(MD)·P(MD|TCk) (7)
+λ(LD)·P(LD|TCk)
λVT(TCk)=λ(BC)·P(BC|TCk)+λ(MC)·P(MC|TCk) (8)
+λ(SC)·P(SC|TCk)
λRC(EFk)=λ(IR)·P(IR|EFk)+λ(RR)·P(RR|EFk) (9)
+λ(DR)·P(DR|EFk)
λVC(EFk)=λ(HV)·P(HV|EFk)+λ(MV)·P(MV|EFk)
+λ(LV)·P(LV|EFk)(10)
λPS(DFk)=λ(HP)·P(HP|DFk)+λ(MP)·P(MP|DFk) (11)
+λ(LP)·P(LP|DFk)
λPH(DFk)=λ(HH)·P(HH|DFk)+λ(MH)·P(MH|DFk) (12)
+λ(LH)·P(LH|DFk)
因为节点TL为根节点,式(2)中的可变换为
结合等式(2)-(13),可得更新证据变量后目标的威胁指数,即后验概率为
最后,对威胁指数的三种可能取值进行加权和归一化处理后,可到目标的威胁指数为
本发明智能车辆威胁估计的贝叶斯网络模型的局部条件概率表确定流程。局部条件概率表的获得通过参数学习获得,具体步骤如下:
(1)初始值设定:根据经验初始化局部条件概率表,并设计一组场景,根据已有文献和专家经验构造训练数据;
(2)威胁指数评估:选择一个场景,选取单个威胁因素作为变量,计算在该威胁因素影响下智能车辆的威胁指数;
(3)参数比较和修正:将步骤(2)中的威胁指数与训练数据进行对比,逐步调整对应的局部条件概率表,得到可信度较高的条件概率数据;
(4)在步骤(2)简单模型中逐步添加其他的威胁因素节点形成新的评估模型,重复步骤(2)、(3),直至整个网络的条件概率得到修正。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种基于变结构贝叶斯网络的智能车辆威胁估计系统,其特征在于,包括威胁建模模块、数据采集模块及威胁估计模块,其中
威胁建模模块:用于分析并确定智能车辆威胁估计的影响因素,包括外部环境因素、目标特征以及驾驶员因素在内的影响因素;根据影响因素之间的相互关系,构造出用于威胁估计的基于贝叶斯网络的威胁估计模型;分析各影响因素对智能车辆威胁估计模型的影响程度,确定局部条件概率表;
数据采集模块:用于在车辆行驶过程中,利用传感器采集各影响因素的实时数据;
威胁估计模块:根据数据采集模块获得的各影响因素的实时数据,计算各因素变化率,只针对快速变化的因素重构其对应的变量节点,得到变结构贝叶斯网络模型;再根据新的贝叶斯网络模型进行推理计算得到目标威胁指数;
当环境因素变量未变化时,设道路状况与能见度没有发生变化,则在网络更新时对这两个变量对应的节点不进行构造,在计算目标的威胁指数时,采用消息传递算法,变结构贝叶斯网络的推理过程如下:
根据贝叶斯网络条件独立性假设和拓扑模型的节点定义,有:
其中,定义威胁指数节点为TL,定义威胁等级的影响因素集Xb为Xb={目标特征TC,环境影响EF,驾驶员影响DF}
定义目标特征的影响因素集Xc:
Xc={目标类型VT,距离RD,速度RV}
其中,目标特征对智能车辆的影响模糊化为威胁大HC、威胁适中MC和威胁小LC;目标类型模糊化为大型目标BC,中型目标MC和小型目标SC,目标越大,其对智能车辆的威胁能力越高;距离模糊化为危险距离HD、适中距离MD和安全距离LD;速度模糊化为高速HS、正常速度MS和低速LS;
定义环境影响因素集Xd:
Xd={能见度VC,路面状况RC}
其中,环境影响能力划分为影响能力大HE,影响能力适中ME和影响能力低LE;能见度分为能见度远HV、能见度一般MV和能见度较近LV,路况分为冰雪路面IR、雨水路面RR和干燥路面DR;可见度越低,路面越湿滑则智能车辆行车环境越恶劣;
定义驾驶员影响因素集为Xf:
Xf={心理因素威胁能力PS,生理因素威胁能力PH}
驾驶员影响因素模糊化为综合因素好HF,一般MF,差LF;驾驶员心理素质和生理素质越好,对车辆的威胁就越小,反之对车辆的威胁越大,将心理因素模糊化为心理因素好HP,一般MP,差LP,并将生理素质模糊化为生理因素好HH,一般MH,差LH;
节点{VC,RC,RV,RD,VT}均值为证据节点;
TLi表示目标对车辆的威胁能力指数TL的状态,节点TL的父节点子集和子节点子集传入的证据变量分别表示为和/>则更新证据变量后得到的后验概率可表示为α为归一化常数,对式(2)中/> 作进一步变换可得
由于节点{VC,RC,RV,RD,VT}均值为证据节点,对式(3)-(5)中的分子式作进一步推导变换可得
λRV(TCk)=λ(HS)·P(HS|TCk)+λ(MS)·P(MS|TCk)+λ(LS)·P(LS|TCk) (6)
λRD(TCk)=λ(HD)·P(HD|TCk)+λ(MD)·P(MD|TCk)+λ(LD)·P(LD|TCk) (7)
λVT(TCk)=λ(BC)·P(BC|TCk)+λ(MC)·P(MC|TCk)+λ(SC)·P(SC|TCk) (8)
λRC(EFk)=λ(IR)·P(IR|EFk)+λ(RR)·P(RR|EFk)+λ(DR)·P(DR|EFk) (9)
λVC(EFk)=λ(HV)·P(HV|EFk)+λ(MV)·P(MV|EFk)+λ(LV)·P(LV|EFk) (10)
λPS(DFk)=λ(HP)·P(HP|DFk)+λ(MP)·P(MP|DFk)+λ(LP)·P(LP|DFk) (11)
λPH(DFk)=λ(HH)·P(HH|DFk)+λ(MH)·P(MH|DFk) +λ(LH)·P(LH|DFk) (12)
因为节点TL为根节点,式(2)中的可变换为
结合等式(2)-(13),可得更新证据变量后目标的威胁指数,即后验概率为
最后,对威胁指数的三种可能取值进行加权和归一化处理后,可到目标的威胁指数为
2.根据权利要求1所述的基于变结构贝叶斯网络的智能车辆威胁估计系统,其特征在于,所述威胁建模模块选择并确定影响车辆威胁指数的因素,主要包括目标特征、环境因素以及驾驶员因素,目标特征的子因素包括目标的速度、目标与本车辆的距离以及目标类型;环境因素的子因素包括路面状况和能见度;驾驶员因素的子因素包括心理因素和生理因素。
3.一种基于变结构贝叶斯网络的智能车辆威胁估计方法,其特征在于,包括以下步骤:
(1)威胁建模阶段:分析并确定智能车辆威胁估计的影响因素,包括外部环境因素、目标特征以及驾驶员因素;根据影响因素之间的相互关系,构造出用于威胁估计的贝叶斯网络模型的拓扑结构;分析各因素对智能车辆威胁估计的影响程度,确定局部条件概率表;
(2)威胁估计阶段:在车辆行驶过程中,利用传感器采集各影响因素的实时数据;根据各因素变化率,对模型作变结构化处理,更新数据发生变化的模型节点;确定新的网络模型后,通过网络推理计算出目标的威胁指数;
当环境因素变量未变化时,设道路状况与能见度没有发生变化,则在网络更新时对这两个变量对应的节点不进行构造,在计算目标的威胁指数时,采用消息传递算法,变结构贝叶斯网络的推理过程如下:
根据贝叶斯网络条件独立性假设和拓扑模型的节点定义,有:
其中,定义威胁指数节点为TL,定义威胁等级的影响因素集Xb为Xb={目标特征TC,环境影响EF,驾驶员影响DF}
定义目标特征的影响因素集Xc:
Xc={目标类型VT,距离RD,速度RV}
其中,目标特征对智能车辆的影响模糊化为威胁大HC、威胁适中MC和威胁小LC;目标类型模糊化为大型目标BC,中型目标MC和小型目标SC,目标越大,其对智能车辆的威胁能力越高;距离模糊化为危险距离HD、适中距离MD和安全距离LD;速度模糊化为高速HS、正常速度MS和低速LS;
定义环境影响因素集Xd:
Xd={能见度VC,路面状况RC}
其中,环境影响能力划分为影响能力大HE,影响能力适中ME和影响能力低LE;能见度分为能见度远HV、能见度一般MV和能见度较近LV,路况分为冰雪路面IR、雨水路面RR和干燥路面DR;可见度越低,路面越湿滑则智能车辆行车环境越恶劣;
定义驾驶员影响因素集为Xf:
Xf={心理因素威胁能力PS,生理因素威胁能力PH}
驾驶员影响因素模糊化为综合因素好HF,一般MF,差LF;驾驶员心理素质和生理素质越好,对车辆的威胁就越小,反之对车辆的威胁越大,将心理因素模糊化为心理因素好HP,一般MP,差LP,并将生理素质模糊化为生理因素好HH,一般MH,差LH;
节点{VC,RC,RV,RD,VT}均值为证据节点;
TLi表示目标对车辆的威胁能力指数TL的状态,节点TL的父节点子集和子节点子集传入的证据变量分别表示为和/>则更新证据变量后得到的后验概率可表示为α为归一化常数,对式(2)中/> 作进一步变换可得
由于节点{VC,RC,RV,RD,VT}均值为证据节点,对式(3)-(5)中的分子式作进一步推导变换可得
λRV(TCk)=λ(HS)·P(HS|TCk)+λ(MS)·P(MS|TCk)+λ(LS)·P(LS|TCk) (6)
λRD(TCk)=λ(HD)·P(HD|TCk)+λ(MD)·P(MD|TCk)+λ(LD)·P(LD|TCk) (7)
λVT(TCk)=λ(BC)·P(BC|TCk)+λ(MC)·P(MC|TCk)+λ(SC)·P(SC|TCk) (8)
λRC(EFk)=λ(IR)·P(IR|EFk)+λ(RR)·P(RR|EFk)+λ(DR)·P(DR|EFk) (9)
λVC(EFk)=λ(HV)·P(HV|EFk)+λ(MV)·P(MV|EFk)+λ(LV)·P(LV|EFk) (10)
λPS(DFk)=λ(HP)·P(HP|DFk)+λ(MP)·P(MP|DFk)+λ(LP)·P(LP|DFk) (11)
λPH(DFk)=λ(HH)·P(HH|DFk)+λ(MH)·P(MH|DFk)+λ(LH)·P(LH|DFk) (12)
因为节点TL为根节点,式(2)中的可变换为
结合等式(2)-(13),可得更新证据变量后目标的威胁指数,即后验概率为
最后,对威胁指数的三种可能取值进行加权和归一化处理后,可到目标的威胁指数为
4.根据权利要求3所述的基于变结构贝叶斯网络的智能车辆威胁估计方法,其特征在于,所述局部条件概率表确定过程包括以下步骤:
(1)初始值设定:根据经验初始化局部条件概率表,并设计一组场景,根据已有文献和专家经验构造训练数据;
(2)威胁指数评估:选择一个场景,选取单个威胁因素作为变量,计算在该威胁因素影响下智能车辆的威胁指数;
(3)参数比较和修正:将步骤(2)中的威胁指数与训练数据进行对比,逐步调整对应的局部条件概率表,得到可信度较高的条件概率数据;
(4)在步骤(2)简单模型中逐步添加其他的威胁因素节点形成新的评估模型,重复步骤(2)、(3),直至整个网络的条件概率得到修正。
5.根据权利要求3所述的基于变结构贝叶斯网络的智能车辆威胁估计方法,其特征在于,所述威胁估计过程包括以下步骤:
(1)模型节点证据更新:根据传感器采集的各影响因素的实时数据,计算各因素变化率,将其分为有变化与无变化两类;对模型作变结构化处理,对有变化的因素,重新构造对应的节点,对无变化的因素则不重复构造;
(2)网络推理:将传感器采集的各影响因素的实时数据模糊化,根据重构的贝叶斯网络模型,结合局部条件概率表,计算各证据节点的后验概率;更新证据节点后,通过推理计算实现整个网络节点的后验概率更新,直至威胁指数节点,威胁指数节点的后验概率即为目标对智能车辆的威胁指数。
6.根据权利要求3或5所述的基于变结构贝叶斯网络的智能车辆威胁估计方法,其特征在于,判断影响因素是否有变化的方法是为该因素的变化率设定一个阈值,超过阈值则判定该因素发生变化,否则未发变化;在时刻n判断影响因素C是否有变化的准则是:
其中Cn,Cn-1为因素C在时刻n及n-1的值,LC为阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113510.8A CN109063940B (zh) | 2018-02-05 | 2018-02-05 | 基于变结构贝叶斯网络的智能车辆威胁估计系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113510.8A CN109063940B (zh) | 2018-02-05 | 2018-02-05 | 基于变结构贝叶斯网络的智能车辆威胁估计系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063940A CN109063940A (zh) | 2018-12-21 |
CN109063940B true CN109063940B (zh) | 2024-01-26 |
Family
ID=64819918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810113510.8A Active CN109063940B (zh) | 2018-02-05 | 2018-02-05 | 基于变结构贝叶斯网络的智能车辆威胁估计系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063940B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110260871A (zh) * | 2019-04-17 | 2019-09-20 | 太原理工大学 | 一种面向区域威胁的兵力机动环境建模方法 |
CN111121804B (zh) * | 2019-12-03 | 2023-09-26 | 重庆邮电大学 | 一种具有安全性约束的智能车辆路径规划方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005124580A1 (en) * | 2004-06-15 | 2005-12-29 | The University Of Melbourne | A threat assessment system and process |
CN101327795A (zh) * | 2008-06-27 | 2008-12-24 | 中国科学院合肥物质科学研究院 | 一种车辆行驶智能预警系统 |
CN102170648A (zh) * | 2011-01-28 | 2011-08-31 | 北京浩阳华夏科技有限公司 | 无线传感器网络的被动诊断方法 |
CN102303606A (zh) * | 2011-06-17 | 2012-01-04 | 清华大学 | 基于本车所需减速度的危险评估方法 |
CN103488886A (zh) * | 2013-09-13 | 2014-01-01 | 清华大学 | 基于模糊动态贝叶斯网络的态势威胁评估方法 |
EP2804119A2 (en) * | 2013-05-17 | 2014-11-19 | Hitachi Ltd. | Analysis System and Health Business Support Method |
CN104298881A (zh) * | 2014-10-15 | 2015-01-21 | 南通大学 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
CN104867356A (zh) * | 2015-06-04 | 2015-08-26 | 重庆邮电大学 | 一种基于DSRC和Telematics的车辆威胁评估系统 |
CN105045975A (zh) * | 2015-06-30 | 2015-11-11 | 北京师范大学 | 基于贝叶斯网络模型的道路运输事故的风险评估方法 |
CN105189241A (zh) * | 2013-02-04 | 2015-12-23 | 英特尔公司 | 评估和管理车辆操作者的情绪状态 |
CN106952471A (zh) * | 2016-01-06 | 2017-07-14 | 通用汽车环球科技运作有限责任公司 | 交叉路口处驾驶员意图的预测 |
CN107016464A (zh) * | 2017-04-10 | 2017-08-04 | 中国电子科技集团公司第五十四研究所 | 基于动态贝叶斯网络的威胁估计方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1592852A (zh) * | 2001-09-26 | 2005-03-09 | Gni株式会社 | 应用产生自多重破坏表达文库的基因调控网络的生物发现 |
US6871145B2 (en) * | 2002-11-26 | 2005-03-22 | General Motors Corporation | Method and system for vehicle impact assessment using driver braking estimation |
US7860813B2 (en) * | 2008-01-24 | 2010-12-28 | Nec Laboratories America, Inc. | Monitoring driving safety using semi-supervised sequential learning |
US10467824B2 (en) * | 2016-04-26 | 2019-11-05 | Walter Steven Rosenbaum | Method for determining driving characteristics of a vehicle and vehicle analyzing system |
-
2018
- 2018-02-05 CN CN201810113510.8A patent/CN109063940B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005124580A1 (en) * | 2004-06-15 | 2005-12-29 | The University Of Melbourne | A threat assessment system and process |
CN101327795A (zh) * | 2008-06-27 | 2008-12-24 | 中国科学院合肥物质科学研究院 | 一种车辆行驶智能预警系统 |
CN102170648A (zh) * | 2011-01-28 | 2011-08-31 | 北京浩阳华夏科技有限公司 | 无线传感器网络的被动诊断方法 |
CN102303606A (zh) * | 2011-06-17 | 2012-01-04 | 清华大学 | 基于本车所需减速度的危险评估方法 |
CN105189241A (zh) * | 2013-02-04 | 2015-12-23 | 英特尔公司 | 评估和管理车辆操作者的情绪状态 |
EP2804119A2 (en) * | 2013-05-17 | 2014-11-19 | Hitachi Ltd. | Analysis System and Health Business Support Method |
CN103488886A (zh) * | 2013-09-13 | 2014-01-01 | 清华大学 | 基于模糊动态贝叶斯网络的态势威胁评估方法 |
CN104298881A (zh) * | 2014-10-15 | 2015-01-21 | 南通大学 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
CN104867356A (zh) * | 2015-06-04 | 2015-08-26 | 重庆邮电大学 | 一种基于DSRC和Telematics的车辆威胁评估系统 |
CN105045975A (zh) * | 2015-06-30 | 2015-11-11 | 北京师范大学 | 基于贝叶斯网络模型的道路运输事故的风险评估方法 |
CN106952471A (zh) * | 2016-01-06 | 2017-07-14 | 通用汽车环球科技运作有限责任公司 | 交叉路口处驾驶员意图的预测 |
CN107016464A (zh) * | 2017-04-10 | 2017-08-04 | 中国电子科技集团公司第五十四研究所 | 基于动态贝叶斯网络的威胁估计方法 |
Non-Patent Citations (3)
Title |
---|
Attention Assist: A High-Level Information Fusion Framework for Situation and Threat Assessment in Vehicular Ad Hoc Networks;Keyvan Golestan等;《IEEE Transactions on Intelligent Transportation Systems》;20151217;第1271-1285页 * |
Bayesian Network Based Threat Assessment Method for Vehicle;Ming Cen等;《Journal of Computers》;20120731;第1726-1732页 * |
青岛港船舶航行风险评估和预测研究;王文晋;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160215;C034-870 * |
Also Published As
Publication number | Publication date |
---|---|
CN109063940A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100581119C (zh) | 无线传感器网络分布式融合识别方法 | |
CN103259962B (zh) | 一种目标追踪方法和相关装置 | |
CN111505632B (zh) | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 | |
CN107607954B (zh) | 一种基于t-s模型的fnn降水粒子相态识别方法 | |
CN107153846A (zh) | 一种基于模糊c均值聚类算法的道路交通状态建模方法 | |
CN112016237B (zh) | 锂电池寿命预测的深度学习方法、装置及系统 | |
CN112784954A (zh) | 确定神经网络的方法和装置 | |
CN109063940B (zh) | 基于变结构贝叶斯网络的智能车辆威胁估计系统及方法 | |
CN113467851B (zh) | 一种基于车辆聚类的动态车辆计算任务卸载方法和装置 | |
CN102073853A (zh) | 基于马尔可夫蒙特卡洛算法的多目标车辆跟踪方法 | |
CN105405136A (zh) | 一种基于粒子群算法的自适应脊柱ct图像分割方法 | |
CN101877125B (zh) | 一种基于小波域统计信号的图像融合处理方法 | |
CN112489072B (zh) | 一种车载视频感知信息传输负载优化方法及装置 | |
CN110555870A (zh) | 基于神经网络的dcf跟踪置信度评价与分类器更新方法 | |
CN111612130B (zh) | 一种频移键控通信信号调制方式识别方法 | |
CN113033687A (zh) | 一种雨雪气候条件下的目标检测识别方法 | |
CN115565161A (zh) | 一种基于统一融合特征的多模态车辆驾驶风格识别方法 | |
CN110706270A (zh) | 一种基于卷积神经网络的自适应场景双目立体匹配方法 | |
CN109448024B (zh) | 利用深度数据构建约束相关滤波器的视觉跟踪方法、系统 | |
CN116244647A (zh) | 一种无人机集群的运行状态估计方法 | |
CN111062421A (zh) | 基于相关性分析的网络节点多维数据社团划分算法 | |
CN104504934A (zh) | 一种航海交通管制方法 | |
Duan | [Retracted] Deep Learning‐Based Multitarget Motion Shadow Rejection and Accurate Tracking for Sports Video | |
CN112068088A (zh) | 一种基于优化bp神经网络的雷达辐射源威胁评估方法 | |
CN114202746B (zh) | 路面状态识别方法、装置、终端设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |