CN109542081B - 一种基于线下车辆减速度曲线的线上行车危险估计方法 - Google Patents

一种基于线下车辆减速度曲线的线上行车危险估计方法 Download PDF

Info

Publication number
CN109542081B
CN109542081B CN201811354837.0A CN201811354837A CN109542081B CN 109542081 B CN109542081 B CN 109542081B CN 201811354837 A CN201811354837 A CN 201811354837A CN 109542081 B CN109542081 B CN 109542081B
Authority
CN
China
Prior art keywords
risk
vehicle
deceleration
state
driving
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
Application number
CN201811354837.0A
Other languages
English (en)
Other versions
CN109542081A (zh
Inventor
熊晓夏
陈龙
梁军
蔡英凤
江浩斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201811354837.0A priority Critical patent/CN109542081B/zh
Publication of CN109542081A publication Critical patent/CN109542081A/zh
Application granted granted Critical
Publication of CN109542081B publication Critical patent/CN109542081B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种基于线下车辆减速度曲线的线上行车危险估计方法，步骤1)获取自然驾驶研究中临近事故车辆减速度曲线样本作为线下风险车辆减速度数据库，通过对数据库中减速度曲线聚类分析得到车辆制动避撞开始时刻行车风险状态的不同等级类别；步骤2)在线下风险车辆减速度数据库基础上，根据线下行车风险状态类别结果对样本制动避撞开始时刻的危险估计指标值进行风险状态划分模糊规则提取，得到基于危险估计指标模糊规则的线上行车风险状态划分方法。本发明避免了单个危险估计指标可能存在的局限性问题，且反映了“驾驶员认为的碰撞无法避免”时刻，有利于增强防碰撞系统的效用和用户接受度。

Description

一种基于线下车辆减速度曲线的线上行车危险估计方法
技术领域
本发明涉及交通安全评价和智能交通系统主动安全技术领域，特别是一种基于线下车辆减速度曲线的线上行车危险估计方法。
背景技术
一般来说，行车过程中某个情景的危急程度(或冲突严重程度)可以通过基于初始冲突状态的划分指标来确定，即通过获取情景初始时刻的车辆运动参数计算危险估计指标(如基于距离和时间参数的紧急制动下最终车间距离PICUD、碰撞时间TTC和车间时间THW等，亦常被称为行车安全性指标)，并通过比较危险估计指标的计算值和指标的不同预设阈值(代表不同风险等级)的大小对情景的危险程度进行划分。这种描述初始冲突状态的危险估计指标主要用于线上实时风险等级划分，在防碰撞系统中起着核心作用，然而其难点在于不同风险等级指标阈值的确定，目前文献中尚未有公认完善的线上危险程度划分方法。考虑到车辆减速度水平往往可应用于线下行车序列样本的危险程度评估，且随着车辆信息采集设备的普遍应用有大量车辆减速度曲线数据可以用于研究，因此可以通过线下基于减速度水平的危险程度评估结果为线上危险估计提供指导。
具体从行车过程驾驶员的行为特征来看，基于线下车辆减速度水平的行车风险状态划分体系的机理可解释如下：在跟车过程中，驾驶员会根据车间距离过近或过远通过减速或加速操作调整车间距离，直至形成稳定的跟车状态(即稳态跟车)，在该状态下驾驶员无需采取紧急制动措施；若在跟车过程中前车出现制动，车辆间距离逐渐缩短，车辆间追尾碰撞风险逐渐增大(即形成险态跟车)，当碰撞风险程度超过了驾驶员的风险感知阈值，驾驶员就会立即采取紧急制动操作进行避撞。也就是说，驾驶员制动避撞行为下车辆的减速度曲线实际表征了驾驶员制动行为的紧急性，进而表征了行车风险的状态等级；其中避撞过程的车辆减速度水平愈高，驾驶员制动避撞行为亦愈紧急，避撞开始时刻的行车风险状态亦愈危险。
发明内容
针对现有技术中存在不足，本发明提供了线下车辆减速度曲线的线上行车危险估计方法，其特征在于，包括如下步骤：
一种基于线下车辆减速度曲线的线上行车危险估计方法，包括以下步骤：
S1：线下车辆减速度曲线风险聚类：由自然驾驶过程中临近事故的车辆减速度曲线样本，构成线下风险车辆减速度数据库，对数据库中减速度曲线聚类分析得到制动避撞样本的风险状态聚类类别，即行车风险状态的不同等级类别；
S1.1：获取自然驾驶中追尾冲突类型临近事故的风险车辆减速度有效样本共N组{X1，X2，...，XN}作为线下风险车辆减速度数据库；
S1.2：从所述数据库中，提取每个样本从驾驶员采取避撞制动行为开始至车辆到达最大减速度时刻的车辆减速度时间序列{Y1，Y2，...，YN}；
S1.3：以{Y1，Y2，...，YN}作为聚类对象，将线下车辆减速度时间序列样本通过谱聚类方法划分为K类，各聚类类别分别代表了在驾驶员制动避撞行为开始时刻行车风险状态的K个等级；
S1.3.1：计算所有减速度时间序列样本之间的距离{dtwij}，dtwij是动态时间规整DTW距离i、j＝1，┄，N；
S1.3.2：计算每条减速度曲线样本的平均减速度变化率jerki＝(a_maxi-a_initi)/timei，其中a_maxi指的是减速度曲线样本Yi中的最大减速度，a_initi指的是减速度曲线样本Yi中的初始减速度，timei是指减速度曲线样本Yi的持续时长；
S1.3.3：定义样本Yi和Yj之间的相似度：
Figure BDA0001865815800000021
nummetrics＝2，两个度量值dtw和jerk均归一化至0-1范围，则最终谱聚类的邻接矩阵W＝{wij}；
S1.3.4：在邻接矩阵W的基础上，按标准谱聚类方法将{Y1，Y2，...，YN}聚为K类，标准谱聚类方法具体为：由邻接矩阵W生成新的矩阵D、L、J，其中D为N×N矩阵，其对角线上的N个元素分别为W的各列元素之和，其余元素为零；矩阵L＝D-W；J为N×k矩阵，其由矩阵L的前k个特征值
Figure BDA0001865815800000022
对应的特征向量
Figure BDA0001865815800000023
组成；最后对矩阵J中N个行向量进行K-means聚类，第n行向量所属的聚类类别即为原来最初第n个数据点所属的类别，n＝1，┄，N。
S2：线上行车风险模糊划分标定：在线下风险车辆减速度数据库的基础上，根据线下行车风险状态类别对样本制动避撞开始时刻的危险估计指标值进行风险状态划分模糊规则提取，得到基于危险估计指标模糊规则的线上行车风险状态划分方法；
S2.1：制动避撞开始时刻的危险估计指标值选取；
综合考虑三种可能临界工况并按如下步骤分别为每种工况选择相应的危险估计指标：
S2.1.1：临界工况1-未来前车和自车均按当前状态继续行驶，选取指标碰撞时间
Figure BDA0001865815800000031
sn表示两车当前距离，vn和vn-1分别表示自车当前车速和前车当前车速；
S2.1.2：临界工况2-未来前车突然制动而自车仍按当前状态继续行驶，选取指标车间时间
Figure BDA0001865815800000032
S2.1.3：临界工况3-未来前车突然以最大制动力减速且自车随之亦以最大制动力减速，选取指标紧急制动下最终车间距离
Figure BDA0001865815800000033
amin为车辆加速度可达到的最小值；
最终获得用于综合评估当前行车潜在碰撞风险的危险估计指标集合{TTC，THW，PICUD}；
S2.2：按S2.1的方法计算每条车辆减速度曲线起点对应的危险估计指标集合；
S2.3：根据S1线下车辆减速度曲线风险聚类结果，对制动避撞行为开始时刻的危险估计指标值进行风险类别划分规则提取；
S2.3.1：定义模糊逻辑的输入量为制动避撞行为开始时刻的危险估计指标值集合；
S2.3.2：定义模糊逻辑的输出量为高风险行车状态、中风险行车状态和低风险行车状态三个线上行车风险状态类别，
S2.3.3：在模糊输入输出变量的基础上，定义模糊推理规则；
S2.3.4：将线下某样本车辆减速度曲线风险聚类结果视为该样本驾驶员制动避撞行为开始时刻行车风险状态的实际类别，同时将模糊逻辑输出视为该样本驾驶员制动避撞行为开始时刻的预测风险状态，定义风险状态划分结果的两个混淆矩阵Q和S；
S2.3.5：定义模糊逻辑风险状态划分结果的有效性评价指标
Figure BDA0001865815800000034
其中TPRi和Pi分别表示混淆矩阵的真正率
Figure BDA0001865815800000035
和精确度
Figure BDA0001865815800000041
S2.3.6：寻取使适应度函数F＝-PI4达到最优的模糊输入变量参数集x＝{TTC1，gap1，THW1，gap2，PICUD1，gap3}，最优参数集x所构建的模糊逻辑即为线上行车风险状态划分规则。
本发明的有益效果在于：
1)本发明克服了实际事故样本数量有限(且往往缺乏事故发生前的时间序列数据)的局限性，通过描述冲突发展过程的制动避撞减速度时间序列(即线下避撞制动减速度曲线)研究了线上行车风险状态的划分方法；
2)本发明避免了单个危险估计指标可能存在的局限性问题，如碰撞时间TTC对近距离跟车风险评价的不足和车间时间THW对高相对速度跟车风险评价的不足，采用了多个危险估计指标共同构建行车风险状态划分规则；
3)本发明基于驾驶员避撞行为的风险状态划分方法实际反映了“驾驶员认为的碰撞无法避免”时刻，更有利于提高危险估计算法的性能并增强防碰撞系统的效用和用户接受度(降低预警误报率)；
4)本发明实现实时行车风险预测所需变量参数均可在车联网条件下通过信息采集和传输设备获取，计算步骤简单，可实施性强。
附图说明
图1为本发明的基于线下车辆减速度曲线的线上行车危险估计方法示意图。
具体实施方式
下面将结合附图，对本发明的技术方案作进一步的解释说明。
如图1所示，一种基于线下车辆减速度曲线的线上行车危险估计方法，包括如下步骤：
步骤一：线下车辆减速度曲线风险聚类：通过自然驾驶研究，获取临近事故中车辆减速度曲线样本，构成线下风险车辆减速度数据库；通过对数据库中减速度曲线聚类分析得到制动避撞样本的风险状态聚类类别，并将其视为研究行车风险状态的不同等级类别(即车辆制动避撞开始时刻的行车风险状态)；
具体过程如下：
步骤1：获取自然驾驶中追尾冲突类型临近事故的制动避撞减速度时间序列样本，剔除其中含有无效行车速度和距离信息的样本(如由于传感设备信号不稳定导致车速和距离记录值缺失或为负值或零值的样本)，最后得到风险车辆减速度有效样本共N组{X1，X2，...，XN}，其中每个样本Xi(i＝1，2，...，N)是时长为Ti时间序列，每个样本分别记录了临近事故发生前30秒内本车和前方主要冲突车辆的车辆运动特征变量(包括本车和前方车辆的速度、距离和减速度等)随时间变化的序列值，最终样本集合{X1，X2，...，XN}即构成了线下风险车辆减速度数据库；
步骤2：在线下风险车辆减速度数据库的基础上，提取每个样本从驾驶员采取避撞制动行为开始至车辆到达最大减速度时刻的车辆减速度时间序列{Y1，Y2，...，YN}，其中驾驶员制动避撞行为开始的时刻指的是：制动踏板压力突然增加并导致车辆减速曲线急剧连续下降至-3～4m/s2减速度水平(即达到紧急制动水平)的减速度曲线突变时刻(减速过程可能在其之前已经开始)，它代表了驾驶员感知的追尾碰撞无法避免时刻；
步骤3：以步骤2得到的N条车辆减速度时间序列{Y1，Y2，...，YN}作为聚类对象，以基于动态时间规整距离和曲率变化差异为减速度曲线差异性指标，将线下车辆减速度时间序列样本通过谱聚类方法划分为K类，各聚类类别分别代表了在驾驶员制动避撞行为开始时刻(减速度曲线突变时刻)行车风险状态的K个等级(此处取K＝2，即划分为高风险状态类别和次高/中风险状态类别两个等级)，其中车辆减速度时间序列谱聚类可按如下步骤进行：
步骤3-1)：采用动态时间规整(Dynamic Time Warping,DTW)算法计算所有减速度时间序列样本之间的距离{dtwij}，i＝1，2，┄，N，j＝1，2，┄，N；
步骤3-2)：计算每条减速度曲线样本的平均减速度变化率jerki＝(a_maxi-a_initi)/timei，其中a_maxi指的是减速度曲线样本Yi中的最大减速度，a_initi指的是减速度曲线样本Yi中的初始减速度，timei是指减速度曲线样本Yi的持续时长；
步骤3-3)：通过高斯径向基函数RBF定义样本Yi和Yj之间的相似度：
Figure BDA0001865815800000051
Figure BDA0001865815800000052
nummetrics＝2(即差异性度量指标个数为2)，两个度量值dtw和jerk均根据最小-最大边界归一化至0-1范围，则最终谱聚类的邻接矩阵W＝{wij},i、j＝1，┄，N；
步骤3-4)：在邻接矩阵W的基础上，按标准谱聚类方法将N条车辆减速度时间序列{Y1，Y2，...，YN}聚为K类，具体方法为：生成新的矩阵D、L和J，其中①D为N×N矩阵，其对角线上的N个元素分别为W的各列元素之和，其余元素为零；②矩阵L＝D-W；③J为N×k矩阵，其由矩阵L的前k个特征值
Figure BDA0001865815800000061
对应的特征(列)向量
Figure BDA0001865815800000062
(取k＝K谱聚类分类数)组成；④最后对矩阵J中N个行向量进行K-means聚类(将每一行视为k维空间中的一个向量)，第n行向量所属的聚类类别即为原来最初第n个数据点(第n条减速度曲线样本)所属的类别，n＝1，┄，N。
步骤二：线上行车风险模糊划分标定：在线下风险车辆减速度数据库基础上，根据线下行车风险状态类别结果对样本制动避撞开始时刻的危险估计指标值进行风险状态划分模糊规则提取，得到基于危险估计指标模糊规则的线上行车风险状态划分方法。
具体过程如下：
步骤1：制动避撞开始时刻的危险估计指标值选取
综合考虑三种可能临界工况并按如下步骤分别为每种工况选择相应的危险估计指标，其中，vn和vn-1分别表示自车当前车速和前车当前车速，v′n-1和v′n-1分别表示未来时刻自车车速和前车车速，an和an-1分别表示自车和前车的加速度，an，min和an-1，min分别表示自车和前车的最大制动减速度(即车辆加速度可达到的最小值，假设an，min＝an-1，min＝amin)，sn表示两车当前距离，th代表驾驶员制动反应时间。
步骤1-1)：临界工况1-未来前车和自车均按当前状态继续行驶，选取指标碰撞时间
Figure BDA0001865815800000063
(表征了若两车继续沿当前轨迹按当前速度行驶则两车将发生碰撞的时间)；
步骤1-2)：临界工况2-未来前车突然制动而自车仍按当前状态继续行驶，选取指标车间时间
Figure BDA0001865815800000064
(假设极限情况前车突然静止，表征了若前车突然制动而自车继续沿当前轨迹按当前速度行驶则两车将发生碰撞的时间)；
步骤1-3)：临界工况3-未来前车突然以最大制动力减速且自车随之亦以最大制动力减速，选取指标紧急制动下最终车间距离
Figure BDA0001865815800000065
(表征了若前车和自车均以最大制动力减速则两车之间将达到的最终距离)；
最终获得用于综合评估当前行车潜在碰撞风险的危险估计指标集合{TTC，THW，PICUD}。
步骤2：计算每条线下减速度曲线样本中驾驶员制动避撞行为开始时刻(车辆减速度时间序列样本起点)的车辆运动参数(如自车和前车的速度、加速度和距离等)，按步骤1所述方法计算每条车辆减速度曲线起点对应的危险估计指标集合{TTC，THW，PICUD}。
步骤3：根据步骤一线下车辆减速度曲线风险聚类结果，采用模糊逻辑方法对制动避撞行为开始时刻的危险估计指标值进行风险类别(状态)划分规则提取；具体提取方法按如下步骤进行：
步骤3-1)：定义模糊逻辑的输入量为制动避撞行为开始时刻的危险估计指标值集合{TTC，THW，PICUD}，如表1所示，并定义输入变量的隶属度函数形式和相应语义标签如下，其中Z-shaped隶属度函数形式为：
Figure BDA0001865815800000071
S-shaped隶属度函数形式为：
Figure BDA0001865815800000072
式中x为变量，a、b为参数；
表1输入变量隶属度函数定义
Figure BDA0001865815800000081
步骤3-2)：定义模糊逻辑的输出量为高风险行车状态(HighRL)、中风险行车状态(MedRL)和低风险行车状态(LowRL)三个线上行车风险状态类别，并定义输入变量的隶属度函数形式和相应语义标签如表2，其中Triangular形隶属度函数形式为：
Figure BDA0001865815800000082
式中x为变量，a、b、c为参数；
表2输出变量隶属度函数定义
Figure BDA0001865815800000091
步骤3-3)：在步骤3-1)和3-2)模糊输入输出变量基础上，定义模糊推理规则如表3：
表3输出变量模糊规则
Figure BDA0001865815800000092
步骤3-4)：将线下某样本车辆减速度曲线风险聚类结果(高风险状态或中风险状态)视为该样本驾驶员制动避撞行为开始时刻(减速度曲线突变时刻)行车风险状态的实际类别(即实际观测风险类别)，同时将模糊逻辑输出视为该样本驾驶员制动避撞行为开始时刻的预测风险状态，则对于线下N条车辆减速度时间序列样本集合，定义两个混淆矩阵Q和S：其中混淆矩阵Q中TN1代表实际为低风险同时预测为低风险的样本数，FN1代表实际为中或高风险同时预测为低风险的样本数，FP1代表实际为低风险同时预测为中或高风险的样本数，TP1代表实际为中或高风险同时预测为中或高风险的样本数；相应地，混淆矩阵S中TN2代表实际为低或中风险同时预测为低或中风险的样本数，FN2代表实际为高风险同时预测为低或中风险的样本数，FP2代表实际为低或中风险同时预测为高风险的样本数，TP2代表实际为高风险同时预测为高风险的样本数。
表4混淆矩阵Q
Figure BDA0001865815800000101
表5混淆矩阵S
Figure BDA0001865815800000102
步骤3-5)：定义模糊逻辑风险状态划分结果的有效性评价指标
Figure BDA0001865815800000103
其中TPRi和Pi(i＝1,2)分别表示两个混淆矩阵Q和S的真正率
Figure BDA0001865815800000104
和精确度
Figure BDA0001865815800000105
步骤3-6)：以F＝-PI4为适应度函数，通过粒子群优化PSO算法来寻取步骤3-1)内输入变量参数集x＝{TTC1，gap1，THW1，gap2，PICUD1，gap3}的最优值；最终使适应度函数F达到最优值的参数集x所构建的模糊逻辑即为线上行车风险状态划分规则。
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换均属于本发明的保护范围。

Claims (5)

1.一种基于线下车辆减速度曲线的线上行车危险估计方法，其特征在于，包括以下步骤：
S1：线下车辆减速度曲线风险聚类：由自然驾驶过程中临近事故的车辆减速度曲线样本，构成线下风险车辆减速度数据库，对数据库中减速度曲线聚类分析得到制动避撞样本的风险状态聚类类别，即行车风险状态的不同等级类别；
S2：线上行车风险模糊划分标定：在线下风险车辆减速度数据库的基础上，根据线下行车风险状态类别对样本制动避撞开始时刻的危险估计指标值进行风险状态划分模糊规则提取，得到基于危险估计指标模糊规则的线上行车风险状态划分方法；
S2.1：制动避撞开始时刻的危险估计指标值选取；
综合考虑三种可能临界工况并按如下步骤分别为每种工况选择相应的危险估计指标：
S2.1.1：临界工况1-未来前车和自车均按当前状态继续行驶，选取指标碰撞时间
Figure FDA0002909445840000011
sn表示两车当前距离，vn和vn-1分别表示自车当前车速和前车当前车速；
S2.1.2：临界工况2-未来前车突然制动而自车仍按当前状态继续行驶，选取指标车间时间
Figure FDA0002909445840000012
S2.1.3：临界工况3-未来前车突然以最大制动力减速且自车随之亦以最大制动力减速，选取指标紧急制动下最终车间距离
Figure FDA0002909445840000013
amin为车辆加速度可达到的最小值；
最终获得用于综合评估当前行车潜在碰撞风险的危险估计指标集合{TTC，THW，PICUD}；
S2.2：按S2.1的方法计算每条车辆减速度曲线起点对应的危险估计指标集合；
S2.3：根据S1线下车辆减速度曲线风险聚类结果，对制动避撞行为开始时刻的危险估计指标值进行风险类别划分规则提取。
2.根据权利要求1所述的基于线下车辆减速度曲线的线上行车危险估计方法，其特征在于，所述S1的具体过程为：
S1.1：获取自然驾驶中追尾冲突类型临近事故的风险车辆减速度有效样本共N组{X1，X2，...，XN}作为线下风险车辆减速度数据库；
S1.2：从所述数据库中，提取每个样本从驾驶员采取避撞制动行为开始至车辆到达最大减速度时刻的车辆减速度时间序列{Y1，Y2，...，YN}；
S1.3：以{Y1，Y2，...，YN}作为聚类对象，将线下车辆减速度时间序列样本通过谱聚类方法划分为K类，各聚类类别分别代表了在驾驶员制动避撞行为开始时刻行车风险状态的K个等级。
3.根据权利要求2所述的基于线下车辆减速度曲线的线上行车危险估计方法，其特征在于，所述S1.3中车辆减速度时间序列谱聚类的具体过程为：
S1.3.1：计算所有减速度时间序列样本之间的距离{dtwij}，dtwij是动态时间规整DTW距离，其中i、j＝1，┄，N；
S1.3.2：计算每条减速度曲线样本的平均减速度变化率jerki＝(a_maxi-a_initi)/timei，其中a_maxi指的是减速度曲线样本Yi中的最大减速度，a_initi指的是减速度曲线样本Yi中的初始减速度，timei是指减速度曲线样本Yi的持续时长；
S1.3.3：定义样本Yi和Yj之间的相似度：
Figure FDA0002909445840000021
nummetrics＝2，两个度量值dtw和jerk均归一化至0-1范围，则最终谱聚类的邻接矩阵W＝{wij}；
S1.3.4：在邻接矩阵W的基础上，按标准谱聚类方法将{Y1，Y2，...，YN}聚为K类。
4.根据权利要求3所述的基于线下车辆减速度曲线的线上行车危险估计方法，其特征在于，所述步骤S1.3.4中标准谱聚类方法具体为：由邻接矩阵W生成新的矩阵D、L、J，其中D为N×N矩阵，其对角线上的N个元素分别为W的各列元素之和，其余元素为零；矩阵L＝D-W；J为N×k矩阵，其由矩阵L的前k个特征值
Figure FDA0002909445840000022
对应的特征向量
Figure FDA0002909445840000023
组成；最后对矩阵J中N个行向量进行K-means聚类，第n行向量所属的聚类类别即为原来最初第n个数据点所属的类别，n＝1，┄，N。
5.根据权利要求1所述的基于线下车辆减速度曲线的线上行车危险估计方法，其特征在于，所述S2.3包括：
S2.3.1：定义模糊逻辑的输入量为制动避撞行为开始时刻的危险估计指标值集合；
S2.3.2：定义模糊逻辑的输出量为高风险行车状态、中风险行车状态和低风险行车状态三个线上行车风险状态类别，
S2.3.3：在模糊输入输出变量的基础上，定义模糊推理规则；
S2.3.4：将线下某样本车辆减速度曲线风险聚类结果视为该样本驾驶员制动避撞行为开始时刻行车风险状态的实际类别，同时将模糊逻辑输出视为该样本驾驶员制动避撞行为开始时刻的预测风险状态，定义风险状态划分结果的两个混淆矩阵Q和S；
S2.3.5：定义模糊逻辑风险状态划分结果的有效性评价指标
Figure FDA0002909445840000031
其中TPRi和Pi分别表示混淆矩阵的真正率
Figure FDA0002909445840000032
和精确度
Figure FDA0002909445840000033
TP1代表实际为中风险或高风险同时预测为中风险或高风险的样本数，TP2代表实际为高风险同时预测为高风险的样本数，FN1代表实际为中风险或高风险同时预测为低风险的样本数，FN2代表实际为高风险同时预测为低风险或中风险的样本数，FP1代表实际为低风险同时预测为中风险或高风险的样本数，FP2代表实际为低风险或中风险同时预测为高风险的样本数；
S2.3.6：寻取使适应度函数F＝-PI4达到最优的模糊输入变量参数集x＝{TTC1，gap1，THW1，gap2，PICUD1，gap3}，最优参数集x所构建的模糊逻辑即为线上行车风险状态划分规则；其中gap1表示安全状态与临近碰撞状态指标碰撞时间TTC的差值，gap2表示安全状态与临近碰撞状态指标车间时间THW的差值，gap3表示安全状态与临近碰撞状态指标紧急制动下最终车间距离PICUD的差值。
CN201811354837.0A 2018-11-14 2018-11-14 一种基于线下车辆减速度曲线的线上行车危险估计方法 Active CN109542081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811354837.0A CN109542081B (zh) 2018-11-14 2018-11-14 一种基于线下车辆减速度曲线的线上行车危险估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811354837.0A CN109542081B (zh) 2018-11-14 2018-11-14 一种基于线下车辆减速度曲线的线上行车危险估计方法

Publications (2)

Publication Number Publication Date
CN109542081A CN109542081A (zh) 2019-03-29
CN109542081B true CN109542081B (zh) 2021-06-22

Family

ID=65847519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811354837.0A Active CN109542081B (zh) 2018-11-14 2018-11-14 一种基于线下车辆减速度曲线的线上行车危险估计方法

Country Status (1)

Country Link
CN (1) CN109542081B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110379203B (zh) * 2019-06-21 2021-08-03 江苏大学 一种行车转向碰撞预警方法
CN110335504B (zh) * 2019-07-04 2021-03-16 北京交通大学 车辆跟驰状态下基于车路协同的避撞预警系统及方法
CN111580500B (zh) * 2020-05-11 2022-04-12 吉林大学 一种针对自动驾驶汽车安全性的评价方法
WO2022040872A1 (zh) * 2020-08-24 2022-03-03 中国科学院重庆绿色智能技术研究院 一种基于Radar和IMU的行车记录仪事故数据保存方法与装置
CN112026756B (zh) * 2020-08-31 2021-08-06 重庆长安汽车股份有限公司 基于跟踪目标的危险目标选择方法、系统及车辆
CN112560279B (zh) * 2020-12-23 2023-06-02 厦门雅迅网络股份有限公司 一种车辆追撞风险概率估算方法、终端设备和存储介质
CN112699563A (zh) * 2021-01-04 2021-04-23 北京全路通信信号研究设计院集团有限公司 一种速度分段方法、装置、电子设备及存储介质
CN114170805B (zh) * 2021-12-23 2024-04-23 南京理工大学 基于aeb碰撞速度的车辆路径规划方法
CN114347985B (zh) * 2022-01-14 2023-09-15 重庆长安汽车股份有限公司 一种两级校验的自动紧急制动架构及运行方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8244458B1 (en) * 2008-06-23 2012-08-14 The United States Of America As Represented By The Secretary Of The Navy Host-centric method for automobile collision avoidance decisions
EP2388757B1 (en) * 2010-05-17 2017-08-16 Volvo Car Corporation Forward collision risk reduction
CN102303606B (zh) * 2011-06-17 2013-06-12 清华大学 基于本车所需减速度的危险评估方法
US9877692B2 (en) * 2012-11-09 2018-01-30 Baylor University Method and system of measuring anatomical features in subcutaneous images to assess risk of injury
CN104504531B (zh) * 2014-12-30 2018-08-31 大连楼兰科技股份有限公司 一种车辆驾驶风险评估方法
DE102015219465A1 (de) * 2015-10-08 2017-04-13 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zur Ermittlung der adaptiven Reaktionszeit des Fahrers eines Kraftfahrzeugs
CN105844379A (zh) * 2015-12-09 2016-08-10 东软集团股份有限公司 基于主成分分析的车辆风险评估方法和装置
CN106095963B (zh) * 2016-06-17 2019-12-06 上海经达信息科技股份有限公司 互联网+时代下的车辆驾驶行为分析大数据公共服务平台
CN108256714A (zh) * 2016-12-29 2018-07-06 得道车联网络科技（上海）有限公司 一种基于车联网大数据的行车轨迹实时风险评估模型
CN106920040A (zh) * 2017-03-01 2017-07-04 西南交通大学 基于模糊层次分析的高速公路隧道交通事故风险评估方法
CN107958269B (zh) * 2017-11-28 2020-01-24 江苏大学 一种基于隐马尔可夫模型的行车危险度预测方法
CN107742193B (zh) * 2017-11-28 2019-08-27 江苏大学 一种基于时变状态转移概率马尔可夫链的行车风险预测方法

Also Published As

Publication number Publication date
CN109542081A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN109542081B (zh) 一种基于线下车辆减速度曲线的线上行车危险估计方法
Xiong et al. A forward collision avoidance algorithm based on driver braking behavior
CN110949398B (zh) 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法
Moon et al. Design, tuning, and evaluation of a full-range adaptive cruise control system with collision avoidance
Wang et al. A forward collision warning algorithm with adaptation to driver behaviors
Deng et al. Improved driving behaviors prediction based on fuzzy logic-hidden markov model (fl-hmm)
CN103531042A (zh) 基于驾驶人类型的车辆追尾预警方法
CN110386144B (zh) 一种对驾驶人制动意图进行辨识的ghmm/ggap-rbf混合模型及辨识方法
Zhang et al. Research on traffic vehicle behavior prediction method based on game theory and HMM
CN110858312A (zh) 基于模糊c均值聚类算法的驾驶员驾驶风格分类方法
CN116466644B (zh) 一种基于plc控制的车辆性能监管系统及方法
CN113335274A (zh) 基于制动距离的车辆防撞预警方法及系统
CN114037015A (zh) 基于驾驶模式原语的驾驶行为安全性分析方法
CN111907523A (zh) 一种基于模糊推理的车辆跟驰寻优控制方法
Canale et al. Analysis and classification of human driving behaviour in an urban environment
JP2012128739A (ja) 衝突危険判定装置及びプログラム
Chandrasiri et al. Driving skill analysis using machine learning the full curve and curve segmented cases
Woo et al. Dynamic state estimation of driving style based on driving risk feature
JP2011123552A (ja) 類似運転時画像検索装置及びプログラム
CN114613131B (zh) 一种基于安全裕度的个性化前向碰撞预警方法
Xing et al. Recognizing driver braking intention with vehicle data using unsupervised learning methods
Li et al. Effects of feature selection on lane-change maneuver recognition: An analysis of naturalistic driving data
CN113823118B (zh) 一种联合紧急程度和博弈论的智能网联车辆换道方法
Popescu et al. Cut-in maneuver recognition and behavior generation using bayesian networks and fuzzy logic
Ni et al. Situation assessment for lane-changing risk based on driver’s perception of adjacent rear vehicles

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