CN109871738A - 一种适应人自混行环境的行人运动意图辨识方法 - Google Patents
一种适应人自混行环境的行人运动意图辨识方法 Download PDFInfo
- Publication number
- CN109871738A CN109871738A CN201811551705.7A CN201811551705A CN109871738A CN 109871738 A CN109871738 A CN 109871738A CN 201811551705 A CN201811551705 A CN 201811551705A CN 109871738 A CN109871738 A CN 109871738A
- Authority
- CN
- China
- Prior art keywords
- subregion
- pedestrian
- target pedestrian
- traffic entity
- target
- 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.)
- Granted
Links
- 238000012850 discrimination method Methods 0.000 title claims abstract description 17
- 230000006698 induction Effects 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 5
- 238000005290 field theory Methods 0.000 claims abstract description 4
- 239000013589 supplement Substances 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 16
- 230000035484 reaction time Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000006978 adaptation Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000001459 mortal effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种适应人自混行环境的行人运动意图辨识方法,包括以下步骤:S1、根据目标行人的状态参数、目标行人所在环境指定区域内的交通实体的状态参数和兴趣感应区域的划分规则,获取每一个兴趣感应子区域内的交通实体的状态参数,根据子区域内交通实体代表获取规则,获取每一个兴趣感应子区域内的交通实体代表的状态参数;S2、依据基于相场理论与模糊逻辑方法构建的行人运动意图辨识模型,对目标行人的状态参数、目标行人的所有兴趣感应子区域内的交通实体代表及该交通实体代表的状态参数进行分析处理,获取目标行人的运动意图辨识结果。能够及时对行人运动动作进行识别,判定当前行人运动意图,还能够为行人主动安全预警提供技术支撑。
Description
技术领域
本发明涉及行人交通与主动安全技术领域,尤其涉及一种适应人自混行环境的行人运动意图辨识方法。
背景技术
行人是路段人自混行环境中影响交通安全和通行能力的重要因素,准确辨识人自混行环境中行人的运动意图并预知危险,适时实施安全预警,对提高行人和自行车出行的安全性和舒适性均具有非常重要的意义。
行人和自行车作为交通系统中的低速、弱势群体,二者的冲突极少会造成致命伤害,且限于行人及自行车骑行者生理、心理、物理参数实时获取的难度和复杂性,国内外学者对人自混行环境中的行人、自行车的安全问题重视不够,鲜见对人自混行环境中交通实体运动特性及交通实体间交互机理的研究。
配备GPS等移动传感装置(如智能手机等)的广泛应用和物联网技术的蓬勃发展,使得实时获取人自混行路段上行人及自行车的运动数据、即时进行分析处理成为了可能,为研究人自路段混行环境中的行人意图提供了坚实的数据和技术基础,可以为研究人-自协同、适时预警、提高人的主动安全提供有力保障。
因此,亟需一种适应人自混行环境的行人运动意图辨识方法。
发明内容
(一)要解决的技术问题
为了解决现有技术的上述问题,本发明提供一种适应人自混行环境的行人运动意图辨识方法。不仅能够及时对行人运动动作进行识别,判定当前行人运动意图,还能够为行人主动安全预警提供技术支撑。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
一种适应人自混行环境的行人运动意图辨识方法,包括以下步骤:
S1、获取目标行人的状态参数及目标行人所在环境指定区域内的交通实体的状态参数;
S2、根据目标行人的状态参数和兴趣感应区域的划分规则,获取目标行人的兴趣感应子区域,以及
依据目标行人所在环境指定区域内的交通实体的状态参数和目标行人的兴趣感应子区域,获取每一个兴趣感应子区域内的交通实体的状态参数,根据每一个兴趣感应子区域内的交通实体的状态参数和子区域内交通实体代表获取规则,获取每一个兴趣感应子区域内的交通实体代表及该交通实体代表的状态参数;
S3、依据基于相场理论与模糊逻辑方法构建的行人运动意图辨识模型,对目标行人的状态参数、目标行人的所有兴趣感应子区域内的交通实体代表及该交通实体代表的状态参数进行分析处理,获取目标行人的运动意图辨识结果;
其中,目标行人的状态参数包括:目标行人的位置、当前速度;
交通实体的状态参数包括:交通实体的类型、交通实体的当前速度和位置。
进一步地,步骤S2中的根据目标行人的状态参数和兴趣感应区域的划分规则,获取所述目标行人的兴趣感应子区域,包括:
选取目标行人的第一检测框,兴趣感应区域的第二检测框;
以目标行人的行进方向为前方,依照第一检测框和第二检测框对目标行人所在环境进行划分,获取目标行人的左前侧、正前侧、右前侧、左后侧、正后侧、右后侧6个兴趣感应子区域。
进一步地,选取目标行人的第一检测框,包括:确定行人简化模型;根据行人简化模型对目标行人进行同质化处理,获得目标行人简化模型;选取目标行人简化模型的外接矩形作为目标行人的第一检测框;行人简化模型为短半轴为a0、长半轴为b0的椭圆。
进一步地,步骤S2中的依据目标行人所在环境指定区域内的交通实体的状态参数和目标行人的兴趣感应子区域,获取每一个兴趣感应子区域内的交通实体的状态参数,包括:以目标行人中心位置为原点建立坐标系,以目标行人行走方向为纵向y轴,垂直于行走方向为横向x轴,并标记目标行人所在环境指定区域内的交通实体的中心坐标;根据目标行人的每一个兴趣感应子区域,获得表示每一个兴趣感应子区域的坐标区间;根据表示每一个兴趣感应子区域的坐标区间和所述目标行人所在环境指定区域内的交通实体的中心坐标,选取每一个兴趣感应子区域内的交通实体的状态参数。
进一步地,步骤S2中的根据每一个兴趣感应子区域内的交通实体的状态参数和子区域内交通实体代表获取规则,获取每一个兴趣感应子区域内的交通实体代表及该交通实体代表的状态参数,包括:确定目标行人步长;针对每一个兴趣感应子区域,判断该子区域内的交通实体密度是否小于第一预设阈值,若小于,则根据所述目标行人步长,选取此子区域中目标行人一步可达范围内存在的一个交通实体作为此子区域的交通实体代表;若目标行人一步可达范围内不存在交通实体,则选取此子区域内距目标行人横向距离最近的一个交通实体作为此子区域的交通实体代表;若子区域内的交通实体密度大于等于第一预设阈值,则以此子区域内分别距目标行人纵向距离最近、横向距离最近的两个交通实体和目标行人构成的三角形重心作为此子区域内交通实体代表的虚拟中心,若此子区域内分别距目标行人纵向距离最近、横向距离最近的交通实体为同一个,以该交通实体作为此子区域的交通实体代表。
和/或,
若左前侧、正前侧、右前侧兴趣感应子区域中任一子区域内无交通实体,则补充一个自行车作为交通实体代表,该补充的交通实体代表的速度大于第二预设阈值,且与目标行人的距离大于第四预设阈值;若左后侧、正后侧、右后侧兴趣感应子区域中任一子区域内无交通实体,则补充一个交通实体代表,该补充的交通实体代表的速度小于预设第三阈值,且与目标行人的距离大于第四预设阈值。
和/或,
若左前侧和右前侧兴趣感应子区域中任一子区域为道路边缘,则补充一个行人作为交通实体代表,该补充的交通实体代表的速度小于预设第三阈值,且与目标行人的距离小于第五预设阈值;若左后侧和右后侧兴趣感应子区域中任一子区域为道路边缘,则补充一个自行车作为交通实体代表,该补充的交通实体代表的速度大于预设第二阈值,且与目标行人的距离小于第五预设阈值。
进一步地,步骤S3包括:S31、根据目标行人的状态参数、目标行人的所有子区域内的交通实体代表及该交通实体代表的状态参数,获得目标行人的行为倾向类型、目标行人与其每一个子区域内的交通实体代表的纵向相对距离、目标行人与其每一个子区域内的交通实体代表的相对速度。
S32、依据预先确定的子区域激励力强度计算模型,将所述目标行人的行为倾向类型、目标行人每一个子区域内的交通实体代表类型、目标行人的当前速度、目标行人与其每一个子区域内的交通实体代表的纵向相对距离、目标行人与其每一个子区域内的交通实体代表的相对速度作为所述子区域激励力强度计算模型的输入变量,获取输入变量模糊集合的隶属度,以确定每个子区域对目标行人产生的激励力强度。
S33、根据预先收集的每个方向激励力强度的模糊推理规则和所述每个子区域对目标行人产生的激励力强度,确定每个方向对目标行人产生的激励力强度,以获取瞬时人自交通相态类型。
S34、根据瞬时人自交通相态类型、当前方向对目标行人产生的激励力强度、目标行人当前速度的模糊集合隶属度以及预先收集的行人运动意图辨识规则,输出目标行人的作为运动意图辨识结果的运动方向和速度。
进一步地,在步骤S31之前还包括构建所述子区域激励力强度计算模型:
确定所述子区域激励力强度计算模型中的模糊集合:目标行人的行为倾向类型构成的模糊集合{效率型,安全型,舒适型},目标行人每一个子区域内的交通实体代表类型构成的模糊集合{行人,自行车},目标行人与其每一个子区域内的交通实体代表的纵向相对距离构成的模糊集合{危险,近,中,远},目标行人与其每一个子区域内的交通实体代表的的相对速度构成的模糊集合{负大,负小,零,正小,正大};每个子区域对目标行人产生的激励力强度构成的模糊集合{很弱,弱,一般,强,很强}。
确定每个子区域对目标行人产生的激励力强度的模糊推理规则,得到子区域激励力强度计算模型。
每个子区域对目标行人产生的激励力强度的模糊推理规则是根据预先收集的输入变量模糊集合的隶属度与每个子区域对目标行人产生的激励力强度的对应信息来确定的。
进一步地,
确定行人简化模型为短半轴为a0、长半轴为b0的椭圆,自行车简化模型为短半轴为m0、长半轴为n0的椭圆。
模糊集合{慢,居中,快}的划分标准为:门限值“慢”、“居中”“快”分别为0、目标行人期望速度和最大速度。
模糊集合{危险,近,中,远}中目标行人与正后侧兴趣感应子区域内交通实体代表的纵向相对距离的门限值划分标准为:
从“近”到“危险”的门限值d1,若正后侧兴趣感应子区域内交通实体代表为行人:
若正后侧兴趣感应子区域内的交通实体代表为自行车:
其中,b0为行人简化模型的长半轴,n0为自行车简化模型的长半轴,λ1为第一待定参数。
从“危险”到“近”的门限值d2,若正后侧兴趣感应子区域内交通实体代表为行人:
d2=2b0+λ2
若正后侧兴趣感应子区域内交通实体代表为自行车:
d2=n0+b0+λ2
其中,λ2为第二待定参数。
从“近”到“中”的门限值d3,若正后侧兴趣感应子区域内交通实体代表为行人:
d3=2b0+vpτ+λ3
若正后侧兴趣感应子区域内交通实体代表为自行车:
其中,vp为行人的期望速度,vb为骑行者的期望速度,τ为人的反应时间,λ3为第三待定参数,Bmax为骑行者减速时的最大加速度。
从“中”到“远”的门限值d4,若正后侧兴趣感应子区域内的交通实体代表为行人:
d4=2b0+vpmaxτ+λ4
若正后侧兴趣感应子区域内的交通实体代表为自行车:
其中,vpmax、vbmax分别为行人和自行车能够达到的最大速度,λ4为第四待定参数。
模糊集合{负大,负小,零,正小,正大}的划分标准为:
门限值“负大v1”为:
门限值“负小v2”为:
门限值“正大v4”、“正小v3”分别是门限值“负大v1”和“负小v2”的相反数。
(三)有益效果
本发明的有益效果是:
提供了一种适应人自混行环境的行人运动意图辨识方法,不仅能够及时对行人运动动作进行识别,判定当前行人运动意图,还能够为行人主动安全预警提供技术支撑。
附图说明
本发明借助于以下附图进行描述:
图1为本发明实施例中目标行人兴趣感应区域划分示意图;
图2为本发明实施例中相态获取基础坐标系;
图3为本发明实施例中行人简化模型和自行车简化模型示意图;
图4为本发明实施例中行人运动意图辨识流程图;
图5为本发明实施例中目标行人当前速度的隶属度函数图;
图6为本发明实施例中目标行人与其每一个子区域内的交通实体代表的纵向相对距离的隶属度函数图;
图7为本发明实施例中目标行人与其每一个子区域内的交通实体代表的的相对速度的隶属度函数图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
一种适应人自混行环境的行人运动意图辨识方法,包括以下步骤:
步骤S1、获取目标行人的状态参数及目标行人所在环境指定区域内的交通实体的状态参数;
其中,目标行人的状态参数包括:目标行人的位置、当前速度;交通实体的状态参数包括:交通实体的类型、交通实体的当前速度和位置。
步骤S2、根据目标行人的状态参数和兴趣感应区域的划分规则,获取目标行人的兴趣感应子区域,依据目标行人所在环境指定区域内的交通实体的状态参数和目标行人的兴趣感应子区域,获取每一个兴趣感应子区域内的交通实体的状态参数,根据每一个兴趣感应子区域内的交通实体的状态参数和子区域内交通实体代表获取规则,获取每一个兴趣感应子区域内的交通实体代表及该交通实体代表的状态参数。
根据目标行人的状态参数和兴趣感应区域的划分规则,获取目标行人的兴趣感应子区域,包括:确定行人简化模型为短半轴为a0、长半轴为b0的椭圆,如图3所示;根据行人简化模型对目标行人进行同质化处理,获得目标行人简化模型;选取目标行人简化模型的外接矩形作为目标行人的第一检测框;根据兴趣感应区域的第二检测框,以目标行人的行进方向为前方,依照第一检测框和第二检测框对目标行人所在环境进行划分,获取目标行人的左前侧、正前侧、右前侧、左后侧、正后侧、右后侧6个兴趣感应子区域,如图1所示。根据行人的平均肩宽、步幅及运动特征确定行人简化模型的短半轴a0=35cm,长半轴b0=35cm。
依据目标行人所在环境指定区域内的交通实体的状态参数和目标行人的兴趣感应子区域,获取每一个兴趣感应子区域内的交通实体的状态参数,包括:以目标行人中心位置为原点建立坐标系,以目标行人行走方向为纵向y轴,垂直于行走方向为横向x轴,如图2所示,并标记目标行人的中心坐标和目标行人所在环境指定区域内的交通实体的中心坐标;根据目标行人的每一个兴趣感应子区域,获得表示每一个兴趣感应子区域的坐标区间;根据表示每一个兴趣感应子区域的坐标区间和目标行人所在环境指定区域内的交通实体的中心坐标,选取每一个兴趣感应子区域内的交通实体的状态参数。行人中心指行人行走时身体投影外轮廓中行人头部所在的位置,即行人简化模型的中心,自行车中心指自行车运动时人车投影外轮廓中骑者头部所在的位置。
根据每一个兴趣感应子区域内的交通实体的状态参数和子区域内交通实体代表获取规则,获取每一个兴趣感应子区域内的交通实体代表及该交通实体代表的状态参数,包括:
确定目标行人步长;针对每一个兴趣感应子区域,判断该子区域内的交通实体密度是否小于第一预设阈值,若小于,则根据所述目标行人步长,选取此子区域中目标行人一步可达范围内存在的一个交通实体作为此子区域的交通实体代表;若目标行人一步可达范围内不存在交通实体,则选取此子区域内距目标行人横向距离最近的一个交通实体作为此子区域的交通实体代表;若子区域内的交通实体密度大于等于第一预设阈值,则以此子区域内分别距目标行人纵向距离最近、横向距离最近的两个交通实体和目标行人构成的三角形重心作为此子区域内交通实体代表的虚拟中心,若此子区域内分别距目标行人纵向距离最近、横向距离最近的交通实体为同一个,以该交通实体作为此子区域的交通实体代表。
和/或,
若左前侧、正前侧、右前侧兴趣感应子区域中任一子区域内无交通实体,则补充一个自行车作为交通实体代表,该补充的交通实体代表的速度大于第二预设阈值,且与目标行人的距离大于第四预设阈值;若左后侧、正后侧、右后侧兴趣感应子区域中任一子区域内无交通实体,则补充一个交通实体代表,该补充的交通实体代表的速度小于预设第三阈值,且与目标行人的距离大于第四预设阈值。
和/或,
若左前侧和右前侧兴趣感应子区域中任一子区域为道路边缘,则补充一个行人作为交通实体代表,该补充的交通实体代表的速度小于预设第三阈值,且与目标行人的距离小于第五预设阈值;若左后侧和右后侧兴趣感应子区域中任一子区域为道路边缘,则补充一个自行车作为交通实体代表,该补充的交通实体代表的速度大于预设第二阈值,且与目标行人的距离小于第五预设阈值。
其中,交通实体距目标行人的横向距离为交通实体在垂直于目标行人行走方向上与目标行人的距离;交通实体距目标行人的纵向距离为交通实体在目标行人行走方向上与目标行人的距离。
步骤S3、依据基于相场理论与模糊逻辑方法构建的行人运动意图辨识模型,对所述目标行人的状态参数、目标行人的所有兴趣感应子区域内的交通实体代表及该交通实体代表的状态参数进行分析处理,获取目标行人的运动意图辨识结果。具体包括以下步骤:
S31、根据目标行人的状态参数、目标行人的所有子区域内的交通实体代表及该交通实体代表的状态参数,获得目标行人的行为倾向类型、目标行人与其每一个子区域内的交通实体代表的纵向相对距离、目标行人与其每一个子区域内的交通实体代表的相对速度。
S32、依据预先确定的子区域激励力强度计算模型,将所述目标行人的行为倾向类型、目标行人每一个子区域内的交通实体代表类型、目标行人的当前速度、目标行人与其每一个子区域内的交通实体代表的纵向相对距离、目标行人与其每一个子区域内的交通实体代表的相对速度作为所述子区域激励力强度计算模型的输入变量,获取输入变量模糊集合的隶属度,以确定每个子区域对目标行人产生的激励力强度。
子区域激励力强度计算模型的构建,包括:
获取子区域激励力强度计算模型中的模糊集合:目标行人的行为倾向类型构成的模糊集合{效率型,安全型,舒适型},目标行人每一个子区域内的交通实体代表类型构成的模糊集合{行人,自行车},目标行人的当前速度构成的模糊集合{慢,居中,快},目标行人与其每一个子区域内的交通实体代表的纵向相对距离构成的模糊集合{危险,近,中,远},目标行人与其每一个子区域内的交通实体代表的的相对速度构成的模糊集合{负大,负小,零,正小,正大};每个子区域对目标行人产生的激励力强度构成的模糊集合{很弱,弱,一般,强,很强}。
确定行人简化模型为短半轴为a0、长半轴为b0的椭圆,自行车简化模型为短半轴为m0、长半轴为n0的椭圆,如图3所示。
确定模糊集合{慢,居中,快}的划分标准:
对于模糊集合{慢,居中,快},门限值“慢”、“居中”“快”分别为0、目标行人期望速度和最大速度。如图5所示。
确定模糊集合{危险,近,中,远}的划分标准:
由于行人和自行车减速时没有明显的标志,因此目标行人与前侧兴趣感应区域内交通实体代表的纵向相对距离的门限值主要由目标行人的当前速度决定,而目标行人与后侧兴趣感应区域内交通实体代表的纵向相对距离的门限值受后侧交通实体代表的当前速度影响更大。前侧兴趣感应区域由左前侧兴趣感应子区域、正前侧兴趣感应子区域和右前侧兴趣感应子区域组成,后侧兴趣感应区域由左后侧兴趣感应子区域、正后侧兴趣感应子区域和右后侧兴趣感应子区域组成。
下面以目标行人与正后侧兴趣感应子区域内交通实体代表的纵向相对距离的门限值划分为例,说明模糊集合{危险,近,中,远}的划分标准:
对于模糊集合{危险,近,中,远}中目标行人与正后侧兴趣感应子区域内交通实体代表的纵向相对距离从“近”到“危险”的门限值d1,若正后侧兴趣感应子区域内交通实体代表为行人:
若正后侧兴趣感应子区域内的交通实体代表为自行车:
其中,b0为行人简化模型的长半轴,n0为自行车简化模型的长半轴,λ1为第一待定参数,d1表示目标行人与正后侧兴趣感应子区域内交通实体代表在同一侧区域以相同速度运动且可以不发生物理接触的最小纵向距离。
从“危险”到“近”的门限值d2,若正后侧兴趣感应子区域内交通实体代表为行人:
d2=2b0+λ2
若正后侧兴趣感应子区域内交通实体代表为自行车:
d2=n0+b0+λ2
其中,λ2为第二待定参数,d2为使得在同一侧区域内目标行人与正后侧兴趣感应子区域内交通实体代表以相同速度运动时一定可以保证不发生物理接触的最小纵向距离。
从“近”到“中”的门限值d3,若正后侧兴趣感应子区域内交通实体代表为行人:
d3=2b0+vpτ+λ3
若正后侧兴趣感应子区域内交通实体代表为自行车:
其中,vp为行人的期望速度,vb为骑行者的期望速度,τ为人的反应时间,λ3为第三待定参数,Bmax为骑行者减速时的最大加速度,d3为目标行人需要预留出来的当正后侧兴趣感应区域内行人或者自行车感知到目标行人的停止行为并以最大加速度减速而避免撞上目标行人的最小纵向间距。
从“中”到“远”的门限值d4,若正后侧兴趣感应子区域内的交通实体代表为行人:
d4=2b0+vpmaxτ+λ4
若正后侧兴趣感应子区域内的交通实体代表为自行车:
其中,vpmax、vbmax分别为行人和自行车能够达到的最大速度,λ4为第四待定参数,d4为即使正后侧兴趣感应区域交通实体代表以最大速度运动,目标行人也可以避免与其实体相撞的最小纵向间距。如图6所示。
上述目标行人与正后侧兴趣感应子区域内交通实体代表的纵向相对距离的门限值划分标准,同样适用于目标行人与正前侧、右前侧、右后侧、左前侧、左后侧兴趣感应子区域内交通实体代表的纵向相对距离的门限值划分。
确定模糊集合{负大,负小,零,正小,正大}的划分标准:
对于模糊集合{负大,负小,零,正小,正大}中门限值“负大v1”为目标行人与后侧交通实体的速度差在反应时间内缩小的相对纵向距离为“远”到“近”的间距:
门限值“负小v2”为目标行人与后侧交通实体的速度差在反应时间内缩小的相对纵向距离为“中”到“近”的间距:
门限值“正大v4”、“正小v3”分别是门限值“负大v1”和“负小v2”的相反数。如图7所示。
确定模糊集合{很弱,弱,一般,强,很强}的划分标准:
每个子区域对目标行人产生的激励力为每个子区域内的交通实体使得目标行人换向至该方向的作用,如果某一子区域对目标行人选择该子区域所在一侧的方向起到了正面影响(即吸引或诱导),那么激励力强度为“强”及以上,如果起到负面影响(即排斥或阻碍),则激励力强度为“弱”或更低评价。
将每个子区域对目标行人产生的激励力强度用数值评分表示:很弱用-5分表示,很强用5分表示,不同强度用[-5,5]区间内的实数表示。因此,很弱、弱、一般、强、很强激励力对应的数值评分为[-5,-3),[-3,-1),[-1,1],(1,3],(3,5]。
根据获取的子区域激励力强度计算模型中的模糊集合及预先确定的每个子区域对目标行人产生的激励力强度的模糊推理规则,获取子区域激励力强度计算模型。其中,每个子区域对目标行人产生的激励力强度的模糊推理规则是根据预先收集的输入变量模糊集合的隶属度与每个子区域对目标行人产生的激励力强度的评分信息来确定的。如附表1所示,为左前侧子区域对目标行人产生的激励力强度数值评分的规则,在具体实现中,任何一个子区域对目标行人产生的激励力强度数值评分都是预先划分的,本实施例中不再一一说明。
S33、根据预先收集的每个方向激励力强度的模糊推理规则和所述每个子区域对目标行人产生的激励力强度,确定每个方向对目标行人产生的激励力强度,以获取瞬时人自交通相态类型。如附表2所示,为左侧方向对目标行人产生的激励力强度的模糊推理规则。
瞬时人自交通相态类型表示目标行人3个方向上激励力强度的大小关系,包括当前=左侧=右侧、当前=左侧>右侧、当前=右侧>左侧、当前>左侧=右侧、当前>左侧>右侧、当前>右侧>左侧、右侧>当前=左侧、右侧>当前>左侧、右侧>左侧>当前、左侧>当前=右侧、左侧>当前>右侧、左侧>右侧>当前、左侧=右侧>当前13种类型。
S34、根据瞬时人自交通相态类型、当前方向对目标行人产生的激励力强度、目标行人当前速度的模糊集合隶属度以及预先收集的行人运动意图辨识规则,输出目标行人的作为运动意图辨识结果的运动方向和速度。如附表3所示,为预先收集的行人运动意图辨识规则,其中,表示行人运动意图的双字母组合中,第一个字母是速度项,包括D(减速),R(加速),A(保持速度);第二个字母是方向项,包括F(直行),R(右转),L(左转);表示行人运动意图的单字母组合中,包括S(停止)。
作为运动意图辨识结果的运动方向和速度包括止步等待、加速向左换向、减速向左换向、保持速度向左换向、加速向右换向、减速向右换向、保持速度向右换向、加速跟随、减速跟随、保持速度跟随10种类型。
附表1左前侧子区域对目标行人产生的激励力强度数值评分的规则
附表2左侧方向对目标行人产生的激励力强度的模糊推理规则
附表3行人运动意图辨识规则
需要理解的是,以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点,其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施,但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰,都应涵盖在本发明的保护范围内。
Claims (8)
1.一种适应人自混行环境的行人运动意图辨识方法,其特征在于,包括以下步骤:
S1、获取目标行人的状态参数及目标行人所在环境指定区域内的交通实体的状态参数;
S2、根据目标行人的状态参数和兴趣感应区域的划分规则,获取目标行人的兴趣感应子区域,以及
依据所述目标行人所在环境指定区域内的交通实体的状态参数和所述目标行人的兴趣感应子区域,获取每一个兴趣感应子区域内的交通实体的状态参数,根据每一个兴趣感应子区域内的交通实体的状态参数和子区域内交通实体代表获取规则,获取每一个兴趣感应子区域内的交通实体代表及该交通实体代表的状态参数;
S3、依据基于相场理论与模糊逻辑方法构建的行人运动意图辨识模型,对所述目标行人的状态参数、目标行人的所有兴趣感应子区域内的交通实体代表及该交通实体代表的状态参数进行分析处理,获取目标行人的运动意图辨识结果;
其中,所述目标行人的状态参数包括:目标行人的位置、当前速度;
所述交通实体的状态参数包括:交通实体的类型、交通实体的当前速度和位置。
2.根据权利要求1所述的适应人自混行环境的行人运动意图辨识方法,其特征在于,
所述步骤S2中的根据目标行人的状态参数和兴趣感应区域的划分规则,获取所述目标行人的兴趣感应子区域,包括:
选取目标行人的第一检测框,兴趣感应区域的第二检测框;
以所述目标行人的行进方向为前方,依照第一检测框和第二检测框对所述目标行人所在环境进行划分,获取所述目标行人的左前侧、正前侧、右前侧、左后侧、正后侧、右后侧6个兴趣感应子区域。
3.根据权利要求2所述的适应人自混行环境的行人运动意图辨识方法,其特征在于,选取目标行人的第一检测框,包括:
确定行人简化模型;
根据行人简化模型对目标行人进行同质化处理,获得目标行人简化模型;
选取目标行人简化模型的外接矩形作为所述目标行人的第一检测框;
所述行人简化模型为短半轴为a0、长半轴为b0的椭圆。
4.根据权利要求1至3任一项所述的适应人自混行环境的行人运动意图辨识方法,其特征在于,所述步骤S2中的依据所述目标行人所在环境指定区域内的交通实体的状态参数和所述目标行人的兴趣感应子区域,获取每一个兴趣感应子区域内的交通实体的状态参数,包括:
以目标行人中心位置为原点建立坐标系,以所述目标行人行走方向为纵向y轴,垂直于行走方向为横向x轴,并标记所述目标行人所在环境指定区域内的交通实体的中心坐标;
根据目标行人的每一个兴趣感应子区域,获得表示每一个兴趣感应子区域的坐标区间;
根据表示每一个兴趣感应子区域的坐标区间和所述目标行人所在环境指定区域内的交通实体的中心坐标,选取每一个兴趣感应子区域内的交通实体的状态参数。
5.根据权利要求1至3任一项所述的适应人自混行环境的行人运动意图辨识方法,其特征在于,所述步骤S2中的根据每一个兴趣感应子区域内的交通实体的状态参数和子区域内交通实体代表获取规则,获取每一个兴趣感应子区域内的交通实体代表及该交通实体代表的状态参数,包括:
确定目标行人步长;
针对每一个兴趣感应子区域,判断该子区域内的交通实体密度是否小于第一预设阈值,若小于,则根据所述目标行人步长,选取此子区域中目标行人一步可达范围内存在的一个交通实体作为此子区域的交通实体代表;若目标行人一步可达范围内不存在交通实体,则选取此子区域内距目标行人横向距离最近的一个交通实体作为此子区域的交通实体代表;
若子区域内的交通实体密度大于等于第一预设阈值,则以此子区域内分别距目标行人纵向距离最近、横向距离最近的两个交通实体和目标行人构成的三角形重心作为此子区域内交通实体代表的虚拟中心,若此子区域内分别距目标行人纵向距离最近、横向距离最近的交通实体为同一个,以该交通实体作为此子区域的交通实体代表;
和/或,
若左前侧、正前侧、右前侧兴趣感应子区域中任一子区域内无交通实体,则补充一个自行车作为交通实体代表,该补充的交通实体代表的速度大于第二预设阈值,且与目标行人的距离大于第四预设阈值;
若左后侧、正后侧、右后侧兴趣感应子区域中任一子区域内无交通实体,则补充一个交通实体代表,该补充的交通实体代表的速度小于预设第三阈值,且与目标行人的距离大于第四预设阈值;
和/或,
若左前侧和右前侧兴趣感应子区域中任一子区域为道路边缘,则补充一个行人作为交通实体代表,该补充的交通实体代表的速度小于预设第三阈值,且与目标行人的距离小于第五预设阈值;
若左后侧和右后侧兴趣感应子区域中任一子区域为道路边缘,则补充一个自行车作为交通实体代表,该补充的交通实体代表的速度大于预设第二阈值,且与目标行人的距离小于第五预设阈值。
6.根据权利要求1至3任一项所述的适应人自混行环境的行人运动意图辨识方法,其特征在于,所述步骤S3包括:
S31、根据目标行人的状态参数、目标行人的所有子区域内的交通实体代表及该交通实体代表的状态参数,获得目标行人的行为倾向类型、目标行人与其每一个子区域内的交通实体代表的纵向相对距离、目标行人与其每一个子区域内的交通实体代表的相对速度;
S32、依据预先确定的子区域激励力强度计算模型,将所述目标行人的行为倾向类型、目标行人每一个子区域内的交通实体代表类型、目标行人的当前速度、目标行人与其每一个子区域内的交通实体代表的纵向相对距离、目标行人与其每一个子区域内的交通实体代表的相对速度作为所述子区域激励力强度计算模型的输入变量,获取输入变量模糊集合的隶属度,以确定每个子区域对目标行人产生的激励力强度;
S33、根据预先收集的每个方向激励力强度的模糊推理规则和所述每个子区域对目标行人产生的激励力强度,确定每个方向对目标行人产生的激励力强度,以获取瞬时人自交通相态类型;
S34、根据瞬时人自交通相态类型、当前方向对目标行人产生的激励力强度、目标行人当前速度的模糊集合隶属度以及预先收集的行人运动意图辨识规则,输出目标行人的作为运动意图辨识结果的运动方向和速度。
7.根据权利要求6所述的适应人自混行环境的行人运动意图辨识方法,其特征在于,在所述步骤S31之前还包括构建所述子区域激励力强度计算模型:
获取所述子区域激励力强度计算模型中的模糊集合:
目标行人的行为倾向类型构成的模糊集合{效率型,安全型,舒适型},
目标行人每一个子区域内的交通实体代表类型构成的模糊集合{行人,自行车},
目标行人与其每一个子区域内的交通实体代表的纵向相对距离构成的模糊集合{危险,近,中,远},
目标行人与其每一个子区域内的交通实体代表的的相对速度构成的模糊集合{负大,负小,零,正小,正大};
每个子区域对目标行人产生的激励力强度构成的模糊集合{很弱,弱,一般,强,很强};
根据获取的所述子区域激励力强度计算模型中的模糊集合及预先确定的每个子区域对目标行人产生的激励力强度的模糊推理规则,获取子区域激励力强度计算模型;
其中,所述每个子区域对目标行人产生的激励力强度的模糊推理规则是根据预先收集的输入变量模糊集合的隶属度与每个子区域对目标行人产生的激励力强度的对应信息来确定的。
8.根据权利要求7所述的适应人自混行环境的行人运动意图辨识方法,其特征在于,
确定行人简化模型为短半轴为a0、长半轴为b0的椭圆,自行车简化模型为短半轴为m0、长半轴为n0的椭圆;
所述模糊集合{慢,居中,快}的划分标准为:门限值“慢”、“居中”“快”分别为0、目标行人期望速度和最大速度;
所述模糊集合{危险,近,中,远}中目标行人与正后侧兴趣感应子区域内交通实体代表的纵向相对距离的门限值划分标准为:
从“近”到“危险”的门限值d1,若正后侧兴趣感应子区域内交通实体代表为行人:
若正后侧兴趣感应子区域内的交通实体代表为自行车:
其中,b0为行人简化模型的长半轴,n0为自行车简化模型的长半轴,λ1为第一待定参数。
从“危险”到“近”的门限值d2,若正后侧兴趣感应子区域内交通实体代表为行人:
d2=2b0+λ2
若正后侧兴趣感应子区域内交通实体代表为自行车:
d2=n0+b0+λ2
其中,λ2为第二待定参数。
从“近”到“中”的门限值d3,若正后侧兴趣感应子区域内交通实体代表为行人:
d3=2b0+vpτ+λ3
若正后侧兴趣感应子区域内交通实体代表为自行车:
其中,vp为行人的期望速度,vb为骑行者的期望速度,τ为人的反应时间,λ3为第三待定参数,Bmax为骑行者减速时的最大加速度。
从“中”到“远”的门限值d4,若正后侧兴趣感应子区域内的交通实体代表为行人:
d4=2b0+vpmaxτ+λ4
若正后侧兴趣感应子区域内的交通实体代表为自行车:
其中,vpmax、vbmax分别为行人和自行车能够达到的最大速度,λ4为第四待定参数。
所述模糊集合{负大,负小,零,正小,正大}的划分标准为:
门限值“负大v1”为:
门限值“负小v2”为:
门限值“正大v4”、“正小v3”分别是门限值“负大v1”和“负小v2”的相反数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811551705.7A CN109871738B (zh) | 2018-12-18 | 2018-12-18 | 一种适应人自混行环境的行人运动意图辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811551705.7A CN109871738B (zh) | 2018-12-18 | 2018-12-18 | 一种适应人自混行环境的行人运动意图辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871738A true CN109871738A (zh) | 2019-06-11 |
CN109871738B CN109871738B (zh) | 2021-08-06 |
Family
ID=66917136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811551705.7A Active CN109871738B (zh) | 2018-12-18 | 2018-12-18 | 一种适应人自混行环境的行人运动意图辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871738B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415561A (zh) * | 2019-06-14 | 2019-11-05 | 青岛科技大学 | 一种非冲突会遇局面下船舶集群态势分析方法 |
CN110414042A (zh) * | 2019-06-14 | 2019-11-05 | 青岛科技大学 | 一种冲突会遇局面下船舶集群态势分析方法 |
CN110411448A (zh) * | 2019-06-14 | 2019-11-05 | 青岛科技大学 | 一种船舶感知区域动态网格内代表船的选取方法 |
CN110415562A (zh) * | 2019-06-14 | 2019-11-05 | 青岛科技大学 | 一种受限水域冲突会遇船舶集群态势分析方法 |
CN110444046A (zh) * | 2019-06-14 | 2019-11-12 | 青岛科技大学 | 一种受限水域非冲突会遇船舶集群态势分析方法 |
CN110443368A (zh) * | 2019-06-14 | 2019-11-12 | 青岛科技大学 | 一种冲突状态下船舶集群态势分析方法 |
CN110444045A (zh) * | 2019-06-14 | 2019-11-12 | 青岛科技大学 | 一种非冲突状态船舶集群态势分析方法 |
CN110703759A (zh) * | 2019-10-29 | 2020-01-17 | 青岛科技大学 | 一种多船博弈的船舶避碰处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6411896B1 (en) * | 1999-10-04 | 2002-06-25 | Navigation Technologies Corp. | Method and system for providing warnings to drivers of vehicles about slow-moving, fast-moving, or stationary objects located around the vehicles |
JP2005128645A (ja) * | 2003-10-21 | 2005-05-19 | Sumitomo Electric Ind Ltd | 位置情報提供による特典付与システム |
CN101604479A (zh) * | 2009-07-14 | 2009-12-16 | 北京交通大学 | 混合交通环境下平面信号交叉口服务水平的评价方法 |
CN106056631A (zh) * | 2016-06-06 | 2016-10-26 | 中国矿业大学 | 基于运动区域的行人检测方法 |
CN107221175A (zh) * | 2017-05-31 | 2017-09-29 | 深圳市鸿逸达科技有限公司 | 一种行人意图检测方法和系统 |
CN107423679A (zh) * | 2017-05-31 | 2017-12-01 | 深圳市鸿逸达科技有限公司 | 一种行人意图检测方法和系统 |
-
2018
- 2018-12-18 CN CN201811551705.7A patent/CN109871738B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6411896B1 (en) * | 1999-10-04 | 2002-06-25 | Navigation Technologies Corp. | Method and system for providing warnings to drivers of vehicles about slow-moving, fast-moving, or stationary objects located around the vehicles |
JP2005128645A (ja) * | 2003-10-21 | 2005-05-19 | Sumitomo Electric Ind Ltd | 位置情報提供による特典付与システム |
CN101604479A (zh) * | 2009-07-14 | 2009-12-16 | 北京交通大学 | 混合交通环境下平面信号交叉口服务水平的评价方法 |
CN106056631A (zh) * | 2016-06-06 | 2016-10-26 | 中国矿业大学 | 基于运动区域的行人检测方法 |
CN107221175A (zh) * | 2017-05-31 | 2017-09-29 | 深圳市鸿逸达科技有限公司 | 一种行人意图检测方法和系统 |
CN107423679A (zh) * | 2017-05-31 | 2017-12-01 | 深圳市鸿逸达科技有限公司 | 一种行人意图检测方法和系统 |
Non-Patent Citations (3)
Title |
---|
张敬磊,等: "《三车道动态环境下汽车驾驶倾向性的》", 《交通运输系统工程与信息》 * |
王方,等: "《基于完全信息多人动态博弈的车道选择模型》", 《计算机工程与应用》 * |
王晓原,等: "《基于混合模糊多人多目标非合作博弈的车道选择模型》", 《自动化学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110444045A (zh) * | 2019-06-14 | 2019-11-12 | 青岛科技大学 | 一种非冲突状态船舶集群态势分析方法 |
CN110444046B (zh) * | 2019-06-14 | 2021-03-02 | 青岛科技大学 | 一种受限水域非冲突会遇船舶集群态势分析方法 |
CN110411448A (zh) * | 2019-06-14 | 2019-11-05 | 青岛科技大学 | 一种船舶感知区域动态网格内代表船的选取方法 |
CN110415562A (zh) * | 2019-06-14 | 2019-11-05 | 青岛科技大学 | 一种受限水域冲突会遇船舶集群态势分析方法 |
CN110444046A (zh) * | 2019-06-14 | 2019-11-12 | 青岛科技大学 | 一种受限水域非冲突会遇船舶集群态势分析方法 |
CN110443368A (zh) * | 2019-06-14 | 2019-11-12 | 青岛科技大学 | 一种冲突状态下船舶集群态势分析方法 |
CN110414042A (zh) * | 2019-06-14 | 2019-11-05 | 青岛科技大学 | 一种冲突会遇局面下船舶集群态势分析方法 |
CN110414042B (zh) * | 2019-06-14 | 2023-05-05 | 青岛科技大学 | 一种冲突会遇局面下船舶集群态势分析方法 |
CN110415561A (zh) * | 2019-06-14 | 2019-11-05 | 青岛科技大学 | 一种非冲突会遇局面下船舶集群态势分析方法 |
CN110444045B (zh) * | 2019-06-14 | 2021-03-02 | 青岛科技大学 | 一种非冲突状态船舶集群态势分析方法 |
CN110415562B (zh) * | 2019-06-14 | 2021-03-02 | 青岛科技大学 | 一种受限水域冲突会遇船舶集群态势分析方法 |
CN110443368B (zh) * | 2019-06-14 | 2021-05-28 | 青岛科技大学 | 一种冲突状态下船舶集群态势分析方法 |
CN110415561B (zh) * | 2019-06-14 | 2021-07-02 | 青岛科技大学 | 一种非冲突会遇局面下船舶集群态势分析方法 |
CN110703759B (zh) * | 2019-10-29 | 2022-08-09 | 青岛科技大学 | 一种多船博弈的船舶避碰处理方法 |
CN110703759A (zh) * | 2019-10-29 | 2020-01-17 | 青岛科技大学 | 一种多船博弈的船舶避碰处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109871738B (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871738A (zh) | 一种适应人自混行环境的行人运动意图辨识方法 | |
CN106103232B (zh) | 行驶控制装置、车载用显示装置和行驶控制系统 | |
CN105745131B (zh) | 行驶控制装置、服务器、车载装置 | |
CN108595823B (zh) | 一种联合驾驶风格和博弈理论的自主车换道策略计算方法 | |
CN104897168B (zh) | 基于道路危险评估的智能车路径搜索方法及系统 | |
CN106218638B (zh) | 一种智能网联汽车协同换道控制方法 | |
CN105118329B (zh) | 一种消解无信号交叉口两车交通冲突的方法 | |
Schönauer et al. | Modeling concepts for mixed traffic: Steps toward a microscopic simulation tool for shared space zones | |
CN110187639A (zh) | 一种基于参数决策框架的轨迹规划控制方法 | |
CN107792065A (zh) | 道路车辆轨迹规划的方法 | |
CN107272687A (zh) | 一种自动驾驶公交车辆的驾驶行为决策系统 | |
CN103985268B (zh) | 一种基于最优泊位模型的智能停车场车位诱导机制算法 | |
CN105912814A (zh) | 智能驾驶车辆换道决策模型 | |
CN107507430A (zh) | 一种城市路口交通控制方法及系统 | |
CN106985668B (zh) | 车辆控制系统 | |
CN109637136A (zh) | 一种适应人自混杂环境的骑行意图辨识方法 | |
CN109978260A (zh) | 混合交通流下网联车跟驰行为预测方法 | |
CN108216236A (zh) | 车辆控制方法、装置、车辆及存储介质 | |
CN112233413A (zh) | 一种面向智能网联车辆的多车道时空轨迹优化方法 | |
CN109948830B (zh) | 面向人自混杂环境的自行车轨迹预测方法、设备和介质 | |
CN106843210A (zh) | 一种基于仿生学的自动驾驶车辆运行控制方法 | |
Lovellette et al. | Automated argumentation for collaboration among cyber-physical system actors at the edge of the Internet of Things | |
Wang | A framework of the non-critical spontaneous intervention in highly automated driving scenarios | |
Wu et al. | A V2I communication-based pipeline model for adaptive urban traffic light scheduling | |
CN108733063A (zh) | 一种自动驾驶车辆的自主协同行驶决策方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |