CN110379203A - 一种行车转向碰撞预警方法 - Google Patents
一种行车转向碰撞预警方法 Download PDFInfo
- Publication number
- CN110379203A CN110379203A CN201910540559.6A CN201910540559A CN110379203A CN 110379203 A CN110379203 A CN 110379203A CN 201910540559 A CN201910540559 A CN 201910540559A CN 110379203 A CN110379203 A CN 110379203A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- risk
- collision
- surrounding vehicles
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
Abstract
本发明公开了一种行车转向碰撞预警方法,首先构建描述行驶车辆位置信息的道路坐标系和车辆坐标系,然后按自车与周围车辆之间的边界位置关系定义行驶车辆的碰撞判别函数,接着在t时刻车辆坐标系中,根据碰撞判别函数计算在t+τ时刻自车转向域范围内与周围车辆发生碰撞的风险分布,预测未来τ时间内自车的转向角,最后根据碰撞风险分布制定避撞策略。本发明构建了可反映车辆轨迹特征实时变化的且具有时空连续性的行车转向碰撞风险指标,为驾驶员提供了更精准的避撞方案。
Description
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,特别是一种行车转向碰撞预警方法。
背景技术
换道转向是道路行车驾驶过程中最常见的驾驶行为,同时由于换道转向操作较为复杂,加上驾驶员心理和生理的固有局限性(如换道盲区等),换道转向也是危险程度较高的车辆操纵行为。美国高速公路安全管理局研究数据表明,由于换道过程引发的交通事故在所有统计的交通事故中占比高达27%。而根据多项研究报告表明,若驾驶员能提早0.5s意识到有事故危险并采取相应的正确措施,可有望避免50%的事故;若提早至1s则可以避免90%的事故。因此,有必要针对换道转向过程中可能发生的碰撞进行预警方法研究。
目前行车防碰撞预警主要将行车场景划分为纵向和横向场景,然后分别选用纵向行车指标(如车头时距和碰撞时间等)和横向行车指标(如后侵入时间和越线时间等)为预警变量,通过实时计算选定的预警变量并与预设的不同风险等级阈值进行比较判断,最终建立不同比较关系下的控制策略。而换道转向过程实际综合了纵向行车和横向行车两种行为特征,目前这种人为的行车场景纵向/横向划分方法导致行车转向碰撞风险难以用时空连续的指标进行描述,因此需要对面向全转向域的行车转向碰撞风险连续指标进行进一步探索研究。
发明内容
针对现有技术中存在不足,本发明提供了一种行车转向碰撞预警方法,碰撞风险指标具有时空连续性,避撞方案更精准。
本发明是通过以下技术方案实现上述技术目的的。
一种行车转向碰撞预警方法,构建描述行驶车辆位置信息的道路坐标系和车辆坐标系,按自车与周围车辆之间的边界位置关系定义行驶车辆的碰撞判别函数,在t时刻车辆坐标系中,根据碰撞判别函数计算在t+τ时刻自车转向域范围内与周围车辆发生碰撞的风险分布,预测未来τ时间内自车的转向角δs,根据碰撞风险分布制定行车转向预警策略。
进一步,所述碰撞判别函数为s表示自车,i表示周围车辆,为自车和周围车辆相对航向角。
进一步,所述s与i的边界有重合的具体条件为:
当相邻车辆i相对自车s为逆时针方向:
其中
当相邻车辆i相对自车s为顺时针方向:
其中
式中:L为车辆长度,W为车辆宽度,为车头相对于道路坐标系X轴的偏角, 为周围车辆i的左前边角点在车辆坐标系中的横、纵坐标,为自车的左前边角点在车辆坐标系中的横、纵坐标,为自车的右后边角点在车辆坐标系中的横、纵坐标。
进一步,所述发生碰撞的风险分布的获取过程为:
S1,根据车辆行驶样本标定周围车辆i在不同行驶区域内纵向和横向加速度的联合概率密度函数为:
其中Rl代表车辆周围的六个区域,AX为车辆纵向加速度、AY为车辆横向加速度,μ1l,μ2l,σ1l,σ2l,ρl分别为区域l内联合正态分布的纵向加速度均值、横向加速度均值、纵向加速度标准差、横向加速度标准差、纵向和横向加速度的相关系数,l=1,2,…,6;
S2,根据碰撞判别函数得到t+τ时刻自车和周围车辆发生碰撞的概率表达式为:
其中,和为周围车辆i相对t时刻自车s的纵向和横向加速度;参数cjk,j=1,2,...,5,k=1,2,...,6,根据车辆i相对自车s方向不同取不同值;
根据周围车辆i相对于自车s的区域位置关系,选择相应区域的纵、横加速度(AX,AY)的联合概率密度函数按发生碰撞的概率表达式获得在自车采取δs转向角操控条件下,自车s与车辆i在t+τ时刻发生碰撞的概率值公式为:
S3,根据t+τ时刻自车s和相邻车辆i发生碰撞的概率值公式,计算自车转向域内的车辆碰撞风险分布
S3.1,根据一般行驶过程中车辆转向角的临界值|δs|≤δmax,将自车转向域划分为K个等弧度的转向区间:
δs∈[-δmax+(k-1)·Δδ,-δmax+k·Δδ],k=1,2,...,K
其中
S3.2,以各个转向区间的中值为关键转向角:
根据发生碰撞的概率值公式,得到与各关键转向角{δc,1,δc,2,...,δc,K}对应的自车s与周围车辆i发生碰撞的概率i=1,2,..,n;k=1,2,...,K;定义在δs=δc,k下自车s与周围行驶车辆i=1,2,..,n的碰撞风险指标为:
其中Ms和Mi分别为自车s与周围车辆i的质量,vs和vi分别为自车s与周围车辆i的行驶速度,α为修正系数;
得到在t+τ时刻自车转向域内所有关键转向角下的车辆碰撞风险分布集合为{Risk(δc,k),k=1,2,...,K}。
进一步,所述制定避撞策略具体方法为:根据隐马尔科夫模型预测未来τ时间内自车的转向角为δ′s,根据碰撞风险指标计算方法,确定t+τ时刻自车转向角δs=δ′s时的自车碰撞风险Risk(δ′s),并得到自车转向域内的车辆碰撞风险最小值Riskmin=min{Risk(δc,k),k=1,2,...,K},通过自然驾驶实验确定预警风险阈值Rwarn和主动干预风险阈值Rbrake,由Risk(δs)、Riskmin、Rwarn和Rbrake的大小关系,制定行车转向预警策略。
更进一步,所述车辆碰撞风险最小值Riskmin对应的关键转向角为
更进一步,所述行车转向预警策略具体为:
当Riskmin≤Risk(δ′s)<Rwarn<Rbrake时,自车驾驶员无需采取任何处理措施;
当Riskmin<Rwarn≤Risk(δ′s)<Rbrake时,提醒自车驾驶员采取转向角为δriskmin的转向避让措施;
当Rwarn≤Riskmin≤Risk(δ′s)<Rbrake时,提醒自车驾驶员应采取减速措施;
当Riskmin<Rwarn<Rbrake≤Risk(δ′s)时,自车主动采取转向角为δriskmin的紧急转向避让措施;
当Rwarn≤Riskmin<Rbrake≤Risk(δ′s)时,自车主动采取转向角为δriskmin的紧急转向避让措施并同时提醒驾驶员采取减速措施;
当Rwarn<Rbrake≤Riskmin≤Risk(δ′s)时,自车主动采取转向角为δriskmin的紧急转向避让措施并同时采取紧急制动措施。
本发明的有益效果在于:
1.本发明充分考虑了自车和周围车辆的可能行车轨迹,构造了具有时空连续性的行车转向碰撞风险指标,可以获得自车全转向域内车辆发生碰撞的风险分布;
2.本发明实现实时行车转向碰撞风险预测所需参数在车联网条件下通过信息采集和传输设备即可获取,可实施性强;
3.本发明提出的行车转向碰撞风险分层预警策略综合考虑了车辆转向域内的所有避撞转向,为驾驶员提供了更精准的避撞方案。
附图说明
图1为本发明一种行车转向碰撞预警方法流程图;
图2为道路与车辆坐标系示意图;
图3为相邻车辆i相对自车s为逆时针方向时碰撞集合边界条件示意图;
图4为相邻车辆i相对自车s为顺时针方向时碰撞集合边界条件示意图;
图5为本发明的实现车辆碰撞概率预测所需自车周围区域划分示意图。
具体实施方式
下面将结合附图对本发明的具体方案作进一步的说明,但是本发明的保护范围并不限于此。
如图1所示,一种行车转向碰撞预警方法,包括以下步骤:
步骤一:构建描述行驶车辆位置信息的道路坐标系和车辆坐标系(图2)
具体如下:
步骤1:以车道线上任意一点为坐标原点,车辆沿车道前进的方向为X轴,与X轴呈90°的方向(沿逆时针旋转)为Y轴,建立道路坐标系[X,Y],记为全局坐标;将任意车辆i的四个边角点分别记为i1、i2、i3、i4,车辆长度为L、宽度为W,车头与X轴的偏角为(逆时针方向为正),若车辆左前方边角i1的坐标表示为(X1,Y1),则其它三个边角的坐标可以分别表示为i2:i3:i4:
步骤2:以自车左前方边角s1为坐标原点,车辆纵向方向为x轴(车辆前进方向为正),横向方向为y轴,建立自车坐标系[x,y],记为车辆坐标;按如下坐标转换公式将车辆i的道路坐标(Xi,Yi)转化为车辆坐标(xi,yi):
其中,Xs、Ys分别表示自车在道路坐标系中点的横、纵坐标;
此时自车s四个边角点的坐标(c∈{1,2,3,4})分别为(0,0),(0,-W),(-L,-W),(-L,0)。
步骤二:按自车与相邻车辆之间的边界位置关系定义行驶车辆的碰撞判别函数
将自车s与周围车辆i(两者相对航向角为)之间是否发生了碰撞定义为函数若两者边界没有发生重合,则s与i未发生碰撞若有重合,则s与i发生了碰撞即碰撞判别函数定义如下:
对于宽度同为W、长度同为L,航向角夹角(夹角的具体数值)的自车s与周围车辆i,按s与i相对位置的不同,碰撞函数(s与i发生碰撞)的几何边界条件分别如下(由周围车辆i左前边角坐标的取值范围表示,即下图中圆点所示范围):
如图2所示,周围车辆i相对自车s为逆时针方向,此时碰撞集合边界条件(s与i的边界有重合)为:
其中
如图3所示,周围车辆i相对自车s为顺时针方向,此时碰撞集合边界条件(s与i的边界有重合)为:
其中
步骤三:在t时刻车辆坐标系基础上(步骤一),根据碰撞判别函数(步骤二)计算在t+τ时刻自车转向域范围内与周围车辆发生碰撞的风险分布;
步骤1:根据车辆行驶样本标定周围车辆i在不同行驶区域内纵向和横向加速度的联合概率密度函数:
步骤1.1:将自车周围区域划分为6个次区域,分别为:同车道前方(Region1)、同车道后方(Region2)、左相邻车道前方(Region3)、左相邻车道后方(Region4)、右相邻车道前方(Region5)、右相邻车道后方(Region6)(见图3,其中ds,max是指自车雷达传感器可探测到的最远距离);
步骤1.2:在自然驾驶研究数据基础上,分别提取位于Region1~6六个区域内车辆的纵向和横向加速度观测值其中Rl(l=1,2,…,6)代表Region1~6六个区域,AX为车辆纵向加速度、AY为车辆横向加速度、为区域l(即Rl)内纵向和横向加速度样本的观测序列号(总观测样本量为);在观测值基础上,假设区域l内纵向和横向加速度变量服从参数为μ1l,μ2l,σ1l,σ2l,ρl的二维正态分布,即通过二维正态分布拟合方法得到六个区域内车辆的纵向和横向加速度联合概率密度函数:
其中μ1l,μ2l,σ1l,σ2l,ρl分别为区域l(即Rl)内二维正态分布的纵向加速度均值、横向加速度均值、纵向加速度标准差、横向加速度标准差、纵向和横向加速度的相关系数。
步骤2:根据碰撞判别函数计算t+τ时刻自车和周围车辆发生碰撞的概率
当周围车辆i相对自车s为逆时针方向时,t+τ时刻自车s和周围车辆i发生碰撞的概率:
当周围车辆i相对自车s为顺时针方向时,t+τ时刻自车s和周围车辆i发生碰撞的概率:
其中′表示t+τ时刻相应的变量取值,具体计算方法按如下步骤:
步骤2.1:假设未来τ时间内自车s保持当前t时刻速度vs(匀速行驶),同时进行了转向角为δs的转向操作(逆时针为正,顺时针为负),则t+τ时刻自车s相对t时刻车辆坐标系的坐标变量如下:
其中表示t时刻自车s各边角点的坐标值,Δxs、Δys是由自车转向操作形成的弧度生成的自车s相对于t时刻车辆坐标系的横向和纵向位移,Rs为自车在τ时间内的转弯半径,可按自车模型计算如下:
其中Ks为车辆稳定系数,L为自车轴距。
步骤2.2:根据步骤二所述碰撞判别函数,将t+τ时刻的代入公式(4)、(5)中的a1~a6以及b1~b2等式计算,即可获得t+τ时刻的a1'~a6'以及b1'~b2'。
步骤2.3:假设τ时间内周围车辆i进行了的加减速操作(航向角保持不变),由于自车s在τ时间内保持匀速(即τ时间内),设和为周围车辆i相对t时刻自车s的纵向和横向加速度,则:
根据速度-位移公式,可以得到t+τ时刻周围车辆i相对t时刻车辆坐标系的坐标变量如下:
其中表示t时刻周围车辆i各边角点的坐标值,Δxi,Δyi为由周围车辆i在t时刻车辆坐标系x方向和y方向的相对加速运动形成的纵向和横向位移,和为周围车辆i的相对纵向和横向速度。
步骤2.4:t+τ时刻周围车辆i与自车s的航向角夹角为:
ΔHs为自车转向操作形成的自车s相对于t时刻自车行驶方向的航向角夹角(弧度)。
将t+τ时刻相应的变量取值代入碰撞概率公式(7)、(8),通过等式转换可以得到碰撞概率表达式如下:
当周围车辆i相对自车s为逆时针方向时,参数cjk,j=1,2,...,5,k=1,2,...,6取值如下:
c23=0
c33=0
c35=0
c45=0
当周围车辆i相对自车s为顺时针方向时,参数cjk,j=1,2,...,5,k=1,2,...,6取值如下所示:
c25=0
c33=0
c35=0
c43=0
由参数cjk,j=1,2,...,5,k=1,2,...,6取值可以看出,t+τ时刻车辆发生碰撞的概率与两车航向角夹角相关,而由自车的转向角δs决定(公式(15)),因此可以将碰撞概率Pcrash视为随自车转向角δs变化的函数。根据周围车辆i相对于自车s的区域位置关系,选择相应区域的纵、横加速度(AX,AY)的联合概率密度函数(Rl=R1,R2,…,R6代表步骤1划分的6个次区域;在自车匀速行驶条件下满足按上述Pcrash碰撞概率表达式(公式(16))最终获得在自车采取δs转向角操控条件下,自车s与周围车辆i在t+τ时刻发生碰撞的概率值公式如下:
步骤3:根据t+τ时刻自车s和周围车辆i发生碰撞的概率值公式,计算自车转向域内的车辆碰撞风险分布:
步骤3.1:根据一般行驶过程中车辆转向角的临界值|δs|≤δmax(一般小汽车δmax=π/4),将自车转向域划分为K个等弧度的转向区间:
δs∈[-δmax+(k-1)·Δδ,-δmax+k·Δδ],k=1,2,...,K (18)
其中
步骤3.2:以各个转向区间的中值为关键转向角(共K个关键转向角):
根据公式(17),得到与各关键转向角{δc,1,δc,2,...,δc,K}对应的自车s与周围车辆i发生碰撞的概率i=1,2,..,n;k=1,2,...,K(i=1,2,..,n代表在自车雷达传感器可探测到的最远距离范围内周围行驶的其它车辆);定义在δs=δc,k,k=1,2,...,K(各关键转向角)下自车s与周围行驶车辆i=1,2,..,n的碰撞风险指标为:
其中Ms和Mi分别为自车s与周围车辆i的质量(kg),vs和vi分别为自车s与周围车辆i的行驶速度,α为修正系数。一般来说,K的取值越大,碰撞风险预测越准确,但计算复杂度亦越高,可以根据实际预测精度要求进行选择(参考推荐值为K=20)。至此得到在t+τ时刻,自车转向域内所有关键转向角下的车辆碰撞风险分布集合为{Risk(δc,k),k=1,2,...,K}。
步骤四:预测未来τ时间内自车的转向角δs,根据步骤三得到的转向碰撞风险分布制定避撞策略
具体如下:
步骤1:根据隐马尔科夫模型预测未来τ时间内自车的转向角δs
步骤1.1:在自然驾驶研究数据(通过摄像头及各种传感器记录自车及周围车辆的运动参数时间序列数据)基础上,以自车与前方车辆(包括同车道前方、左车道前方、右车道前方车辆)t时刻的车头时距(THW1、THW2、THW3)、相对速度(Δv1、Δv2、Δv3)为系统可直接观测的输出变量,以t+τ时刻自车的转向角δs为系统不可直接观测的隐含状态,训练得到转向角δs的高斯隐马尔可夫模型λ={П,A,C,M,U},其中Π={πi},i=1,2,...,K′为隐含状态{S1,S2,...,SK′}(同步骤三的步骤3.1所述方法,划分为K’个等弧度的转向区间状态δs∈[-δmax+(k-1)·Δδ,-δmax+k·Δδ],k=1,2,...,K',其中)的概率分布,A={aij},i,j=1,2,...,5为状态转移概率矩阵,C={cjm}为高斯混合系数(权重),其中j表示转向状态类别,m=1,...,Mj表示转向状态类别Sj下的高斯混合数,M={μjm}表示高斯混合均值向量,U={∑jm}表示高斯混合协方差矩阵。
步骤1.2:将观测时刻(t时刻)的车头时距(THW1,2,3)、相对速度(Δv1,2,3)输入步骤1.1构建的高斯隐马尔可夫模型λ={Π,A,C,M,U})中,利用Viterbi算法预测得到未来τ时间内自车转角为第k′个状态类别(k′∈{1,2,...,K′}),即δ′s∈[-δmax+(k′-1)·Δδ,-δmax+k′·Δδ],取该类别区间上下限的平均值为t+τ时刻的预测自车转向角,即
步骤2:根据步骤三得到的转向碰撞风险计算方法,确定t+τ时刻自车转向角δs=δ′s时的自车碰撞风险Risk(δ′s),并得到自车转向域内的车辆碰撞风险最小值为:
Riskmin=min{Risk(δc,k),k=1,2,...,K} (21)
其中δc,k,k=1,2,...,K为步骤三定义的各关键转向角。
此时Riskmin对应的关键转向角为:
定义预警风险阈值Rwarn和主动干预风险阈值Rbrake(满足Rwarn<Rbrake),并制定如表1行车转向预警策略:
表1车辆转向预警策略
其中O表示不采取相应措施,√表示采取相应措施。
当Riskmin≤Risk(δ′s)<Rwarn<Rbrake时,车辆处于低风险状态,此时自车驾驶员无需采取任何处理措施;
当Riskmin<Rwarn≤Risk(δ′s)<Rbrake时,车辆处于临近碰撞风险状态,此时应提醒自车驾驶员采取转向角为δriskmin的转向避让措施;
当Rwarn≤Riskmin≤Risk(δ′s)<Rbrake时(转向域内碰撞风险均高于或等于预警风险阈值),车辆处于临近碰撞风险状态且所有转向操作均无法化解临近碰撞风险状态,此时应提醒自车驾驶员应采取减速措施;
当Riskmin<Rwarn<Rbrake≤Risk(δ′s)时,两车处于紧急碰撞风险状态但δriskmin转向操作可以化解紧急碰撞风险状态,此时自车应主动采取转向角为δriskmin的紧急转向避让措施;
当Rwarn≤Riskmin<Rbrake≤Risk(δ′s)时,两车处于紧急碰撞风险状态但δriskmin转向操作可以将紧急碰撞风险状态降低为临近碰撞风险状态,此时自车应主动采取转向角为δriskmin的紧急转向避让措施并同时提醒驾驶员应采取减速措施;
当Rwarn<Rbrake≤Riskmin≤Risk(δ′s)时(转向域内碰撞风险均高于主动干预风险阈值),两车处于紧急碰撞风险状态且所有转向操作均无法化解或降低紧急碰撞风险状态,此时自车应主动采取转向角为δriskmin的紧急转向避让措施并同时采取紧急制动措施。
以上策略分别对应的预警风险阈值Rwarn和主动干预风险阈值Rbrake的最终取值应由驾驶员行为特性和用户接受度特性决定,可通过开展自然驾驶实验最终确定。
以上所述对本发明进行了简单说明,并不受上述工作范围限值,只要采取本发明思路和工作方法进行简单修改运用到其他设备,或在不改变本发明主要构思原理下做出改进和润饰的等行为,均在本发明的保护范围之内。
Claims (7)
1.一种行车转向碰撞预警方法,其特征在于,构建描述行驶车辆位置信息的道路坐标系和车辆坐标系,按自车与周围车辆之间的边界位置关系定义行驶车辆的碰撞判别函数,在t时刻车辆坐标系中,根据碰撞判别函数计算在t+τ时刻自车转向域范围内与周围车辆发生碰撞的风险分布,预测未来τ时间内自车的转向角δs,根据碰撞风险分布制定避撞策略。
2.根据权利要求1所述的行车转向碰撞预警方法,其特征在于,所述碰撞判别函数为s表示自车,i表示周围车辆,为自车和周围车辆相对航向角。
3.根据权利要求2所述的行车转向碰撞预警方法,其特征在于,所述s与i的边界有重合的具体条件为:
当周围车辆i相对自车s为逆时针方向:
其中
当周围车辆i相对自车s为顺时针方向:
其中
式中:L为车辆长度,W为车辆宽度,为车头相对于道路坐标系X轴的偏角, 为周围车辆i的左前边角点在车辆坐标系中的横、纵坐标,为自车的左前边角点在车辆坐标系中的横、纵坐标,为自车的右后边角点在车辆坐标系中的横、纵坐标。
4.根据权利要求1或3所述的行车转向碰撞预警方法,其特征在于,所述发生碰撞的风险分布的获取过程为:
S1,根据车辆行驶样本标定周围车辆i在不同行驶区域内纵向和横向加速度的联合概率密度函数为:
其中Rl代表车辆周围的六个区域,AX为车辆纵向加速度、AY为车辆横向加速度,μ1l,μ2l,σ1l,σ2l,ρl分别为区域l内联合正态分布的纵向加速度均值、横向加速度均值、纵向加速度标准差、横向加速度标准差、纵向和横向加速度的相关系数,l=1,2,…,6;
S2,根据碰撞判别函数得到t+τ时刻自车和周围车辆发生碰撞的概率表达式为:
其中,和为周围车辆i相对t时刻自车s的纵向和横向加速度;参数cjk,j=1,2,...,5,k=1,2,...,6,根据周围车辆i相对自车s方向不同取不同值;
根据周围车辆i相对于自车s的区域位置关系,选择相应区域的纵、横加速度(AX,AY)的联合概率密度函数按发生碰撞的概率表达式获得在自车采取δs转向角操控条件下,自车s与车辆i在t+τ时刻发生碰撞的概率值公式为:
S3,根据t+τ时刻自车s和周围车辆i发生碰撞的概率值公式,计算自车转向域内的车辆碰撞风险分布
S3.1,根据一般行驶过程中车辆转向角的临界值|δs|≤δmax,将自车转向域划分为K个等弧度的转向区间:
δs∈[-δmax+(k-1)·Δδ,-δmax+k·Δδ],k=1,2,...,K
其中
S3.2,以各个转向区间的中值为关键转向角:
根据发生碰撞的概率值公式,得到与各关键转向角{δc,1,δc,2,...,δc,K}对应的自车s与周围车辆i发生碰撞的概率定义在δs=δc,k下自车s与周围车辆i=1,2,..,n的碰撞风险指标为:
其中Ms和Mi分别为自车s与周围车辆i的质量,vs和vi分别为自车s与周围车辆i的行驶速度,α为修正系数;
得到在t+τ时刻自车转向域内所有关键转向角下的车辆碰撞风险分布集合为{Risk(δc,k),k=1,2,...,K}。
5.根据权利要求1所述的行车转向碰撞预警方法,其特征在于,所述制定避撞策略具体方法为:根据隐马尔科夫模型预测未来τ时间内自车的转向角为δ's,根据碰撞风险指标计算方法,确定t+τ时刻自车转向角δs=δ's时的自车碰撞风险Risk(δ's),并得到自车转向域内的车辆碰撞风险最小值Riskmin=min{Risk(δc,k),k=1,2,...,K},通过自然驾驶实验确定预警风险阈值Rwarn和主动干预风险阈值Rbrake,由Risk(δs')、Riskmin、Rwarn和Rbrake的大小关系,制定行车转向预警策略。
6.根据权利要求5所述的行车转向碰撞预警方法,其特征在于,所述车辆碰撞风险最小值Riskmin对应的关键转向角为
7.根据权利要求5或6所述的行车转向碰撞预警方法,其特征在于,所述行车转向预警策略具体为:
当Riskmin≤Risk(δ's)<Rwarn<Rbrake时,自车驾驶员无需采取任何处理措施;
当Riskmin<Rwarn≤Risk(δ's)<Rbrake时,提醒自车驾驶员采取转向角为δriskmin的转向避让措施;
当Rwarn≤Riskmin≤Risk(δ's)<Rbrake时,提醒自车驾驶员应采取减速措施;
当Riskmin<Rwarn<Rbrake≤Risk(δ's)时,自车主动采取转向角为δriskmin的紧急转向避让措施;
当Rwarn≤Riskmin<Rbrake≤Risk(δ's)时,自车主动采取转向角为δriskmin的紧急转向避让措施并同时提醒驾驶员采取减速措施;
当Rwarn<Rbrake≤Riskmin≤Risk(δ's)时,自车主动采取转向角为δriskmin的紧急转向避让措施并同时采取紧急制动措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540559.6A CN110379203B (zh) | 2019-06-21 | 2019-06-21 | 一种行车转向碰撞预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540559.6A CN110379203B (zh) | 2019-06-21 | 2019-06-21 | 一种行车转向碰撞预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110379203A true CN110379203A (zh) | 2019-10-25 |
CN110379203B CN110379203B (zh) | 2021-08-03 |
Family
ID=68250641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910540559.6A Active CN110379203B (zh) | 2019-06-21 | 2019-06-21 | 一种行车转向碰撞预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110379203B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111613092A (zh) * | 2020-05-09 | 2020-09-01 | 腾讯科技(深圳)有限公司 | 车辆碰撞预警方法、装置、设备及计算机可读存储介质 |
CN111724598A (zh) * | 2020-06-29 | 2020-09-29 | 北京百度网讯科技有限公司 | 用于规划路径的方法、装置、设备以及存储介质 |
CN111898835A (zh) * | 2020-08-11 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 一种智能交通管理方法、装置、计算机及可读存储介质 |
CN112150816A (zh) * | 2020-10-26 | 2020-12-29 | 哈尔滨工业大学 | 一种多车交互风险评估系统 |
CN112991815A (zh) * | 2019-12-02 | 2021-06-18 | 上海汽车集团股份有限公司 | 一种避障安全距离计算方法及装置 |
CN113253219A (zh) * | 2021-07-05 | 2021-08-13 | 天津所托瑞安汽车科技有限公司 | 毫米波雷达的无参照物自标定方法、装置、设备和介质 |
CN113343436A (zh) * | 2021-05-20 | 2021-09-03 | 中国科学院国家空间科学中心 | 一种高斯混合协方差演化的碰撞概率计算方法及系统 |
CN113793534A (zh) * | 2021-09-09 | 2021-12-14 | 清华大学 | 一种确定车路协同环境下行车风险场的方法和装置 |
CN114038239A (zh) * | 2021-11-08 | 2022-02-11 | 青岛海信网络科技股份有限公司 | 一种车辆碰撞预警方法及装置 |
CN114261389A (zh) * | 2021-11-29 | 2022-04-01 | 东风商用车有限公司 | 自动驾驶商用车的行驶轨迹碰撞风险分析方法 |
TWI766254B (zh) * | 2020-03-18 | 2022-06-01 | 崑山科技大學 | 車輛警示方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040024527A1 (en) * | 2002-07-30 | 2004-02-05 | Patera Russell Paul | Vehicular trajectory collision conflict prediction method |
JP2008195293A (ja) * | 2007-02-14 | 2008-08-28 | Toyota Motor Corp | 衝突予測装置 |
CN103318181A (zh) * | 2013-06-19 | 2013-09-25 | 电子科技大学 | 一种驾驶员意图识别方法 |
CN104882025A (zh) * | 2015-05-13 | 2015-09-02 | 东华大学 | 一种基于车联网技术的碰撞检测预警方法 |
CN105579320A (zh) * | 2013-09-05 | 2016-05-11 | 李斯特内燃机及测试设备公司 | 一种用于优化驾驶员辅助系统的方法和设备 |
US20170016734A1 (en) * | 2015-07-17 | 2017-01-19 | Honda Motor Co., Ltd. | Turn predictions |
CN107146412A (zh) * | 2017-06-07 | 2017-09-08 | 江苏大学 | 一种基于车联网的高速公路车辆防碰撞预警综合变量构建方法 |
CN107958269A (zh) * | 2017-11-28 | 2018-04-24 | 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 |
CN108263380A (zh) * | 2016-12-30 | 2018-07-10 | 现代自动车株式会社 | 考虑行人注视方式的行人碰撞预防装置和方法 |
CN109542081A (zh) * | 2018-11-14 | 2019-03-29 | 江苏大学 | 一种基于线下车辆减速度曲线的线上行车危险估计方法 |
-
2019
- 2019-06-21 CN CN201910540559.6A patent/CN110379203B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040024527A1 (en) * | 2002-07-30 | 2004-02-05 | Patera Russell Paul | Vehicular trajectory collision conflict prediction method |
JP2008195293A (ja) * | 2007-02-14 | 2008-08-28 | Toyota Motor Corp | 衝突予測装置 |
CN103318181A (zh) * | 2013-06-19 | 2013-09-25 | 电子科技大学 | 一种驾驶员意图识别方法 |
CN105579320A (zh) * | 2013-09-05 | 2016-05-11 | 李斯特内燃机及测试设备公司 | 一种用于优化驾驶员辅助系统的方法和设备 |
CN104882025A (zh) * | 2015-05-13 | 2015-09-02 | 东华大学 | 一种基于车联网技术的碰撞检测预警方法 |
US20170016734A1 (en) * | 2015-07-17 | 2017-01-19 | Honda Motor Co., Ltd. | Turn predictions |
CN108263380A (zh) * | 2016-12-30 | 2018-07-10 | 现代自动车株式会社 | 考虑行人注视方式的行人碰撞预防装置和方法 |
CN107146412A (zh) * | 2017-06-07 | 2017-09-08 | 江苏大学 | 一种基于车联网的高速公路车辆防碰撞预警综合变量构建方法 |
CN107958269A (zh) * | 2017-11-28 | 2018-04-24 | 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 |
CN109542081A (zh) * | 2018-11-14 | 2019-03-29 | 江苏大学 | 一种基于线下车辆减速度曲线的线上行车危险估计方法 |
Non-Patent Citations (2)
Title |
---|
XIAOXIAXIONG等: "A new framework of vehicle collision prediction by combining SVM and HMM", 《IEEE TRANSACTION ON INTELLIGENT TRANSPORTATION》 * |
熊晓夏等: "危险换道驾驶行为预测方法研究", 《汽车工程》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991815A (zh) * | 2019-12-02 | 2021-06-18 | 上海汽车集团股份有限公司 | 一种避障安全距离计算方法及装置 |
TWI766254B (zh) * | 2020-03-18 | 2022-06-01 | 崑山科技大學 | 車輛警示方法 |
CN111613092B (zh) * | 2020-05-09 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 车辆碰撞预警方法、装置、设备及计算机可读存储介质 |
CN111613092A (zh) * | 2020-05-09 | 2020-09-01 | 腾讯科技(深圳)有限公司 | 车辆碰撞预警方法、装置、设备及计算机可读存储介质 |
CN111724598B (zh) * | 2020-06-29 | 2022-04-05 | 北京百度网讯科技有限公司 | 用于自动驾驶规划路径的方法、装置、设备以及存储介质 |
CN111724598A (zh) * | 2020-06-29 | 2020-09-29 | 北京百度网讯科技有限公司 | 用于规划路径的方法、装置、设备以及存储介质 |
CN111898835B (zh) * | 2020-08-11 | 2022-02-22 | 腾讯科技(深圳)有限公司 | 一种智能交通管理方法、装置、计算机及可读存储介质 |
CN111898835A (zh) * | 2020-08-11 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 一种智能交通管理方法、装置、计算机及可读存储介质 |
CN112150816A (zh) * | 2020-10-26 | 2020-12-29 | 哈尔滨工业大学 | 一种多车交互风险评估系统 |
CN113343436A (zh) * | 2021-05-20 | 2021-09-03 | 中国科学院国家空间科学中心 | 一种高斯混合协方差演化的碰撞概率计算方法及系统 |
CN113253219A (zh) * | 2021-07-05 | 2021-08-13 | 天津所托瑞安汽车科技有限公司 | 毫米波雷达的无参照物自标定方法、装置、设备和介质 |
CN113793534A (zh) * | 2021-09-09 | 2021-12-14 | 清华大学 | 一种确定车路协同环境下行车风险场的方法和装置 |
CN113793534B (zh) * | 2021-09-09 | 2023-02-24 | 清华大学 | 一种确定车路协同环境下行车风险场的方法和装置 |
CN114038239A (zh) * | 2021-11-08 | 2022-02-11 | 青岛海信网络科技股份有限公司 | 一种车辆碰撞预警方法及装置 |
CN114038239B (zh) * | 2021-11-08 | 2022-11-25 | 青岛海信网络科技股份有限公司 | 一种车辆碰撞预警方法及装置 |
CN114261389A (zh) * | 2021-11-29 | 2022-04-01 | 东风商用车有限公司 | 自动驾驶商用车的行驶轨迹碰撞风险分析方法 |
CN114261389B (zh) * | 2021-11-29 | 2023-05-12 | 东风商用车有限公司 | 自动驾驶商用车的行驶轨迹碰撞风险分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110379203B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110379203A (zh) | 一种行车转向碰撞预警方法 | |
CN110136254B (zh) | 基于动态概率驾驶地图的驾驶辅助信息显示方法 | |
US8112225B2 (en) | Method and system for collision avoidance | |
CN113291308B (zh) | 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法 | |
CN106133805B (zh) | 用于碰撞回避的驾驶辅助方法和系统 | |
US20140257686A1 (en) | Vehicle lane determination | |
US20200238980A1 (en) | Vehicle control device | |
EP3715204A1 (en) | Vehicle control device | |
CN107346612A (zh) | 一种基于车联网的车辆防碰撞方法和系统 | |
CN109249930B (zh) | 一种智能车碰撞安全预测方法 | |
Kim et al. | Probabilistic threat assessment with environment description and rule-based multi-traffic prediction for integrated risk management system | |
EP3456596A1 (en) | Method and device of predicting a possible collision | |
CN109353337B (zh) | 一种智能车换道阶段碰撞概率安全预测方法 | |
JP2014232508A (ja) | 回避軌道予測装置 | |
CN105810013A (zh) | 一种基于车群风险的车辆防撞控制方法和装置 | |
Liebner et al. | Generic driver intent inference based on parametric models | |
Sivaraman et al. | Merge recommendations for driver assistance: A cross-modal, cost-sensitive approach | |
US20220105963A1 (en) | Systems and methods for imminent collision avoidance | |
EP3886076A1 (en) | Warning system for a host automotive vehicle | |
Zhang et al. | A scene comprehensive safety evaluation method based on binocular camera | |
CN115092131A (zh) | 一种车辆巡航系统及方法 | |
Tomar et al. | SVM based trajectory predictions of lane changing vehicles | |
CN113879211A (zh) | 预防渣土车右转过程与非机动车发生冲突的提醒方法及系统 | |
Tomar et al. | Neural network based lane change trajectory predictions for collision prevention | |
Scanlon | Evaluating the Potential of an Intersection Driver Assistance System to Prevent US Intersection Crashes |
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 |