CN110544380A - 一种面向道路合流区域的实时车道级安全态势评估方法 - Google Patents

一种面向道路合流区域的实时车道级安全态势评估方法 Download PDF

Info

Publication number
CN110544380A
CN110544380A CN201910874642.7A CN201910874642A CN110544380A CN 110544380 A CN110544380 A CN 110544380A CN 201910874642 A CN201910874642 A CN 201910874642A CN 110544380 A CN110544380 A CN 110544380A
Authority
CN
China
Prior art keywords
traffic safety
safety situation
vehicle
lane
area
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
Application number
CN201910874642.7A
Other languages
English (en)
Other versions
CN110544380B (zh
Inventor
李旭
胡锦超
徐启敏
胡玮明
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201910874642.7A priority Critical patent/CN110544380B/zh
Publication of CN110544380A publication Critical patent/CN110544380A/zh
Application granted granted Critical
Publication of CN110544380B publication Critical patent/CN110544380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08G1/0125—Traffic data processing
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation

Abstract

本发明公开了一种面向道路合流区域的实时车道级安全态势评估方法。针对当前合流区域的交通安全态势评估技术，其实时性及精准度无法适用于基于车路协同的智能驾驶，提出基于概率模型的交通安全态势评估方法。首先，利用智能路侧设备的全局视角优势，全面感知合流区域内车辆的速度、车辆行驶至路径冲突区域中心的位移等信息，建立交通安全态势评估的指标；然后，建立交通安全态势评估的概率模型；最后，实时计算交通安全态势的后验概率，进而评估合流区域内各车道的交通安全态势。本发明的方法直接运行在智能路侧设备中，为合流区域提供实时的、精准至车道级的交通安全态势评估，掌握道路合流区域的交通安全状况。

Description

一种面向道路合流区域的实时车道级安全态势评估方法
技术领域
本发明属于智能车路系统中道路合流区域的安全评估技术领域，尤其涉及一种面向道路合流区域的实时车道级安全态势评估方法。
背景技术
由于合流区域道路的线形连续性降低，主干道交通密度增大，道路条件和交通状况复杂，导致交通事故频发，造成交通中断、财产损失和人员伤亡。近年来，随着智能车路系统相关技术迅速发展，智能驾驶技术与车路协同技术逐步融合发展。基于车路协同的智能驾驶相较于单车智能驾驶具有获取信息更全面、可靠性更高等优点，使其能够更有效地降低合流区域交通事故率、减少人员伤亡，然而基于车路协同的智能驾驶实现该目标需要智能路侧设备能够精准、实时的评估该区域的交通安全态势，掌握道路合流区域车辆交通安全状况，服务于后续的安全决策，如跟车、换道、超车等决策。
目前在交通安全态势评估技术领域，相关技术主要有两类：一类是“中心云”类的处理方式，即交通管理中心汇聚基础道路交通参数、交通流量信息等，形成对前方交通拥堵等宏观交通状态的识别评价。以国外的“Skycomp交通态势评估系统”、国内东软集团的“交通态势评估系统”等相关系统，北京科技大学的“一种城市道路交通态势评估系统”、中设设计集团股份有限公司的“一种基于多源数据的路段交通状态判别方法”、“基于手机信令数据质量感知的高速公路交通状态识别方法”等发明专利为代表。虽然该类技术实现了对前方交通拥堵等宏观交通状态进行“分钟级”的识别评价，但是基于车路协同的智能驾驶要求交通安全态势评估达到“亚秒级”甚至“毫秒级”，“中心云”类的交通安全态势评估方法则无法适用。另一类，则是从智能车辆视角针对前方道路安全态势进行预测和评估，虽然该类方法的实时性能够达到“亚秒级”甚至“毫秒级”，但是由于智能车辆的视角仅为自车及周边相邻的车辆，难以拥有路侧的全局化视角，缺乏周边交通参与者的先验信息，仅能够实现两车间碰撞风险的评估，其安全态势评估范围有限。然而在危险多发的合流区域，基于车路协同的智能驾驶要求能够对合流区域实现车道级的交通安全态势评估，准确掌握行驶区域内各车道的安全状况。
因此，在智能车路系统的交通安全态势评估技术领域，特别是针对道路合流区域，需要发明一种交通安全态势评估方法，该方法能够满足基于车路协同的智能驾驶对安全态势评估的实时性和精准度要求。智能路侧设备直接运行该方法，能够对合流区域进行实时的、精准至车道级的交通安全态势评估。
发明内容
发明目的：由于当前合流区域的交通安全态势评估技术无法适用于智能车路系统，特别是当前合流区域的交通安全态势评估技术在实时性和精准度方面无法满足基于车路协同的智能驾驶要求，本发明旨在提供一种面向道路合流区域的实时车道级安全态势评估方法。使得智能路侧设备直接运行该方法，能够精准、实时的评估该区域的交通安全态势，掌握道路合流区域的交通安全状况，服务于后续的安全决策，如跟车、换道、超车等决策。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：首先，利用智能路侧设备的全局视角优势，全面感知合流区域内车辆的速度、车辆行驶至路径冲突区域中心的位移等信息，建立交通安全态势评估的指标，以便对合流区域交通安全态势进行定量化分析；然后，考虑交通安全态势变化的不确定性，建立交通安全态势评估的概率模型；最后，实时计算交通安全态势的后验概率，进而评估合流区域内各车道的交通安全态势，提高交通安全态势评估的精准度。本发明的方法具体包括以下步骤：
步骤一、建立交通安全态势的评估指标
子步骤(1)、将评估交通安全态势的智能路侧设备安装在龙门架上。智能路侧设备具备智能感知与边缘计算的能力，其核心单元包括毫米波雷达、视觉单元、无线通信单元、边缘计算单元。龙门架的长、宽、高分别为10.5m，3.5m，7.3m。并将道路合流区域按车道划分成若干个a×b的网格区域，a表示网格区域的长度，b表示网格区域的宽度，网格区域表示车辆间行驶路径存在冲突的区域；
子步骤(2)、依据专家经验，设定需要评估的道路合流区域的交通安全态势z的取值范围为集合Z，即设定道路合流区域存在三种交通安全态势，分别是：危险(Dangerous)、谨慎(Attentive)、安全(Safe)：
z∈Z＝{D(危险)、A(谨慎)、S(安全)}
子步骤(3)、利用智能路侧设备的全局视角优势，全面感知合流区域内车辆的速度、车辆行驶至路径冲突区域中心的位移信息，计算车辆由当前位置进入到行驶路径冲突区域所经历的时间Tr(i)：
在公式(1)中，Tr(i)表示车辆由当前位置进入到行驶路径冲突区域所经历的时间，r表示合流区域内所有车辆的集合，i表示车辆的编号，dr(i)表示车辆i在当前时刻距离路径冲突区域中心的距离，vr(i)表示车辆i的速度，由于dr(i)和vr(i)具有动态性和不确定性，故Tr(i)也具有动态性和不确定性，lane＝ego表示车辆在车道上保持直行，未发生换道行为。
步骤二、建立交通安全态势的评估模型
子步骤(1)、根据步骤一计算的当前时刻Tr(i)的大小，代入公式(2)、公式(3)、公式(4)所构造的交通安全态势评估指标的条件概率分布函数：
在公式(2)、公式(3)、公式(4)中，p(Tr(i)|D)、p(Tr(i)|A)、p(Tr(i)|S)均为交通安全态势评估指标Tr(i)的条件概率，反映合流区域交通安全态势关于Tr(i)的先验知识，k1，k2，k3均表示比例系数，σ表示Tr(i)的标准差，表示道路合流区域内车辆进入行驶路径冲突区域的不确定性，表示本发明设置的第一时间阈值，表示本发明设置的第二时间阈值。
子步骤(2)、假设交通安全态势服从均匀分布，建立基于概率的交通安全态势评估模型：
在公式(5)中，p(z(i)|Tr(i))表示交通安全态势的后验概率，p(Tr(i)|z(i))表示交通安全态势评估指标Tr(i)的条件概率，根据Tr(i)的大小，p(Tr(i)|z(i))有三种取值，分别是p(Tr(i)|D)、p(Tr(i)|A)、p(Tr(i)|S)，j＝1、2、3，Z(j)表示集合Z中的第j个元素，即Z(j)的取值范围为{D、A、S}，z(i)是一个变量，表示车辆i估计的交通安全态势。
步骤三、计算交通安全态势的评估结果。
子步骤(1)、采用最大后验分布估计方法估计合流区域内车辆所处的交通安全态势。公式(6)表示p(z(i)|Tr(i))达到最大时z(i)的取值为即表示合流区域内车辆i所估计出的具体交通安全态势等级：
其中，的取值范围为{D、A、S}。
子步骤(2)、依据合流区域内所有车辆估计的交通安全态势，按公式(7)、公式(8)、公式(9)综合估计合流区域内各条车道的交通安全态势：
p(Sq＝A)＝1-p(Sq＝D)-p(Sq＝S) (9)
在公式(7)中，q表示车道编号，p(Sq＝D)表示合流区域q车道交通安全态势为D的概率，n0表示交通安全态势估计结果为D的车辆数，表示在步骤三的子步骤(1)中，所估计的时的概率，即此时p(z(i)|Tr(i))的最大值，p(r(i)＝q)表示车辆处在q车道的先验概率，是统计合流区域车辆的车道分布情况得出的先验信息，在公式(8)中，p(Sq＝S)表示合流区域q车道交通安全态势为S的概率，n1表示交通安全态势估计结果为S的车辆数，表示在步骤三的子步骤(1)中，所估计的的概率，即此时p(z(i)|Tr(i))的最大值，在公式(9)中，p(Sq＝A)表示q车道交通安全态势为A的概率。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
(1)提高了道路合流区域交通安全态势评估的精准度，在评估的过程中充分考虑了交通安全态势变化的不确定性，利用了智能路侧设备的全局视角优势与先验信息，实现道路合流区域精准至车道级的交通安全态势评估；
(2)本发明的耗时仅为智能路侧设备处理数据的时间，无需网络远程传输，实现了“毫秒级”延时，能够满足基于车路协同的智能驾驶对安全态势评估的实时性要求；
(3)有助于基于车路协同的智能驾驶实时掌握道路合流区域的交通安全状况，服务于后续的安全决策，如跟车、换道、超车等决策。
附图说明
图1是本发明的方法流程图；
图2是干道匝道同时汇入合流区的交通场景图。图中L1、L2、L3分别表示车道1、车道2、车道3，V1、V2、V3分别表示车辆1、车辆2、车辆3，R1、R2分别表示干道、匝道，E1、E2分别表示龙门架、智能路侧设备，O1、O2均表示车辆的行驶方向，C表示车辆1、车辆2、车辆3的行驶路径冲突区域，a、b分别表示网格区域的长、宽；
图3是图2所对应交通场景的交通安全态势评估结果；
图4是仅匝道汇入合流区的交通场景图。图中L1、L2、L3分别表示车道1、车道2、车道3，V1、V2分别表示车辆1、车辆2，O1、O2均表示车辆的行驶方向，R1、R2分别表示干道、匝道，E1、E2分别表示龙门架、智能路侧设备，a、b分别表示网格区域的长、宽；
图5是图4所对应交通场景的交通安全态势评估结果。
具体实施方式
在交通安全态势评估技术领域，目前的相关技术主要有两类：一类是“中心云”类的处理方式，即交通管理中心汇聚基础道路交通参数、交通流量信息等，形成对前方交通拥堵等宏观交通状态的识别评价。虽然该类技术实现了对前方交通拥堵等宏观交通状态进行“分钟级”的识别评价，但是基于车路协同的智能驾驶要求交通安全态势评估达到“亚秒级”甚至“毫秒级”，“中心云”类的交通安全态势评估方法则无法适用。另一类，则是从智能车辆视角针对前方道路安全态势进行预测和评估，虽然该类方法的实时性能够达到“亚秒级”甚至“毫秒级”，但是由于智能车辆的视角仅为自车及周边相邻的车辆，难以拥有路侧的全局化视角，缺乏周边交通参与者的先验信息，仅能够实现两车间碰撞风险的评估，其安全态势评估范围有限。然而在危险多发的合流区域，基于车路协同的智能驾驶要求能够对合流区域实现车道级的交通安全态势评估，准确掌握行驶区域内各车道的安全状况。
因此，针对现有的道路合流区域的交通安全态势评估方法，其无法满足基于车路协同的智能驾驶对安全态势评估的实时性和精准度要求，发明了一种面向道路合流区域的实时车道级安全态势评估方法。首先，利用智能路侧设备的全局视角优势，全面感知合流区域内车辆的速度、距离行驶路径冲突区域的位移等信息，建立交通安全态势评估的指标，以便对合流区域交通安全态势进行定量化分析；然后，考虑交通安全态势变化的不确定性，建立交通安全态势评估的概率模型；最后，实时计算交通安全态势的后验概率，进而评估合流区域内各车道的交通安全态势，提高交通安全态势评估的精准度。
下面结合附图1所示的流程图，对本发明的思路作进一步说明：
步骤一、建立交通安全态势的评估指标
子步骤(1)、将评估交通安全态势的智能路侧设备安装在龙门架上。智能路侧设备具备智能感知与边缘计算的能力，其核心单元包括毫米波雷达、视觉单元、无线通信单元、边缘计算单元。龙门架的长、宽、高分别为10.5m，3.5m，7.3m。并将道路合流区域按车道划分成若干个a×b的网格区域，a表示网格区域的长度，b表示网格区域的宽度，网格区域表示车辆间行驶路径存在冲突的区域。
子步骤(2)、依据专家经验，设定需要评估的道路合流区域的交通安全态势z的取值范围为集合Z，即设定道路合流区域存在三种交通安全态势，分别是：危险(Dangerous)、谨慎(Attentive)、安全(Safe)。
z∈Z＝{D(危险)、A(谨慎)、S(安全)}
子步骤(3)、利用智能路侧设备的全局视角优势，全面感知合流区域内车辆的速度、车辆行驶至路径冲突区域中心的位移等信息，计算车辆由当前位置进入到行驶路径冲突区域所经历的时间Tr(i)。
在公式(1)中，Tr(i)表示车辆由当前位置进入到行驶路径冲突区域所经历的时间，r表示合流区域内所有车辆的集合，i表示车辆的编号，dr(i)表示车辆i在当前时刻距离路径冲突区域中心的距离，vr(i)表示车辆i的速度，由于dr(i)和vr(i)具有动态性和不确定性，故Tr(i)也具有动态性和不确定性，lane＝ego表示车辆在车道上保持直行，未发生换道行为。
步骤二、建立交通安全态势的评估模型
子步骤(1)、根据步骤一计算的当前时刻Tr(i)的大小，代入公式(2)、公式(3)、公式(4)所构造的交通安全评估指标的条件概率分布函数。
在公式(2)、公式(3)、公式(4)中，p(Tr(i)|D)、p(Tr(i)|A)、p(Tr(i)|S)均为交通安全态势评估指标Tr(i)的条件概率。k1，k2，k3均表示比例系数，为简化计算，取k1＝k2＝k3＝k。σ表示Tr(i)的标准差，表示道路合流区域内车辆进入潜在冲突区域的不确定性，取Tr(i)的标准差σ＝1。表示本发明设置的第一个时间阈值，表示本发明设置的第二个时间阈值，根据合流区车辆发生碰撞事故的统计信息拟分别取
子步骤(2)、假设交通安全态势服从均匀分布，建立基于概率的交通安全态势评估模型：
在公式(5)中，p(z(i)|Tr(i))表示交通安全态势的后验概率，p(Tr(i)|z(i))表示交通安全态势评估指标Tr(i)的条件概率，根据Tr(i)的大小，p(Tr(i)|z(i))有三种取值，分别是p(Tr(i)|D)、p(Tr(i)|A)、p(Tr(i)|S)，j＝1、2、3，Z(j)表示集合Z中的第j个元素，即Z(j)的取值范围为{D、A、S}，z(i)是一个变量，表示车辆i估计的交通安全态势。
步骤三、计算交通安全态势的评估结果。
子步骤(1)、采用最大后验分布估计方法估计合流区域内车辆所处的交通安全态势。公式(6)表示p(z(i)|Tr(i))达到最大时z(i)的取值为即表示合流区域内车辆i所估计出的具体交通安全态势等级：
其中，的取值范围为{D、A、S}。
子步骤(2)、依据合流区域内所有车辆估计的交通安全态势，按公式(7)、公式(8)、公式(9)综合估计合流区域内各条车道的交通安全态势：
p(Sq＝A)＝1-p(Sq＝D)-p(Sq＝S) (9)
在公式(7)中，q表示车道编号，p(Sq＝D)表示合流区域q车道交通安全态势为D的概率，n0表示交通安全态势估计结果为D的车辆数，表示在步骤三的子步骤(1)中，所估计的时的概率，即此时p(z(i)|T(i))的最大值，p(r(i)＝q)表示车辆处在q车道的先验概率，是统计合流区域车辆的车道分布情况得出的先验信息。在公式(8)中，p(Sq＝S)表示合流区域q车道交通安全态势为S的概率，n1表示交通安全态势估计结果为S的车辆数，表示在步骤三的子步骤(1)中，所估计的的概率，即此时p(z(i)|Tr(i))的最大值。在公式(9)中，p(Sq＝A)表示q车道交通安全态势为A的概率。
下面为验证本发明的技术效果，如附图2所示，利用自动驾驶仿真测试工具prescan v8.5和matlab/simulink 2018a，构建典型的合流区。车辆1、车辆3行驶在干道上，车辆2由汇入匝道减速进入干道。车辆1和车辆2、车辆3在汇流时均行驶经过网格区域C，即C为车辆1和车辆2、车辆3行驶路径存在冲突的区域。
以附图2中时间t＝3s为例。t＝3s时，车辆1和车辆2之间的距离小于安全距离，车辆2减速汇入干道。智能路侧设备检测到车辆1、车辆2、车辆3距离网格区域C的中心距离分别为x1＝56.9m、x2＝79.8m、x3＝100.8m，速度分别为v1＝14.98m/s、v2＝0m/s、v3＝0.07m/s。根据本发明的步骤一至步骤三逐步计算，车辆1评估出交通安全态势等级为且车辆2评估出交通安全态势等级为且车辆3评估出交通安全态势等级为且
在此基础上，综合估计合流区行驶车道的交通安全态势：
p(S2＝A)＝1-p(S2＝D)-p(S2＝S)＝0.1196 (12)
即智能路侧设备实时评估出t＝3.0时合流区车行驶车道(车道2)的交通安全态势分别为：
p(S2＝D)＝0.7649，p(S2＝S)＝0.1155，p(S2＝A)＝0.1196；
以上以t＝3.0时刻、车道2为例，其他时刻和其他车道的计算方法类似。下面给出合流区域两种不同汇入场景的交通安全态势评估结果。
附图2表示车辆2汇入合流区存在碰撞风险时，车辆2减速至零，等待车辆1驶过后再汇入车道2，最终未发生碰撞。附图3表示在附图2的合流区场景中，整个评估过程中车道2的交通安全态势变化情况。附图3显示：在0～5.2秒时，车道2危险的概率最大；5.2秒之后，车道2危险的概率持续下降，最终接近于0；在5.2秒～7.6秒时安全的概率持续上升，最终安全的概率保持在0.64的水平。将附图3的交通安全态势评估结果与专家评估的附图2中所有车辆的实际碰撞风险对比表明：本发明的方法能够准确评估出各时段的车道2的交通安全态势。
附图4表示车辆2汇入合流区时无其他车辆，于是加速驶入车道2，随后与行驶在前方的车辆1距离较近，车辆2急减速后，与车辆1跟车行驶。附图5表示在附图4的合流区场景中，整个评估过程中车道2的交通安全态势变化情况。附图5显示：在0～1.2秒时，车道2安全的概率最大；在1.2秒～5.8秒之间，车道2安全的概率逐渐下降，危险与谨慎的概率逐渐升高；在5.9秒时，各概率出现震荡，随后安全的概率保持在0.6的水平，谨慎的概率保持在0.4的水平。将附图5的交通安全态势评估结果与专家评估的附图4中所有车辆的实际碰撞风险对比表明：本发明的方法能够准确评估出各时段的车道2的交通安全态势。
从上述的具体实施方式及交通安全态势评估结果可以看出：
(1)、本发明的耗时仅为智能路侧设备处理数据的时间，无需网络远程传输，实现了“毫秒级”延时，能够满足基于车路协同的智能驾驶对安全态势评估的实时性要求。
(2)、本发明提出的基于概率模型的交通态势评估方法，在评估的过程中充分考虑了交通安全态势变化的不确定性，利用智能路侧设备的全局视角优势与先验信息，能够准确评估合流区域各车道的交通安全态势变化情况，满足基于车路协同的智能驾驶对安全态势评估的精准度要求。交通安全态势评估结果可作为智能驾驶后续安全决策的依据，如跟车、换道、超车等决策。

Claims (4)

1.一种面向道路合流区域的实时车道级安全态势评估方法，其特征在于，该方法包括以下步骤：
步骤一、将道路合流区域进行网格划分以确定潜在冲突区域，结合交通安全态势建立交通安全态势的评估指标；
步骤二、根据步骤一的评估指标构造的交通安全态势评估指标的条件概率分布函数；
步骤三、采用最大后验分布估计方法估计合流区域内车辆所处的交通安全态势，依据合流区域内所有车辆估计的交通安全态势计算交通安全态势的评估结果。
2.根据权利要求1所述的一种面向道路合流区域的实时车道级安全态势评估方法，其特征在于，步骤一的具体方法如下：
子步骤(1)、将道路合流区域按车道划分成若干个a×b的网格区域，a表示网格区域的长度，b表示网格区域的宽度，网格区域表示车辆间行驶路径存在冲突的区域；
子步骤(2)、依据专家经验，设定需要评估的道路合流区域的交通安全态势z的取值范围为集合Z，即设定道路合流区域存在三种交通安全态势，分别是：危险(Dangerous)、谨慎(Attentive)、安全(Safe)：
z∈Z＝{D(危险)、A(谨慎)、S(安全)}
子步骤(3)、利用智能路侧设备感知合流区域内车辆的速度、车辆行驶至路径冲突区域中心的位移信息，计算车辆由当前位置进入到行驶路径冲突区域所经历的时间Tr(i)：
在公式(1)中，Tr(i)表示车辆由当前位置进入到行驶路径冲突区域所经历的时间，r表示合流区域内所有车辆的集合，i表示车辆的编号，dr(i)表示车辆i在当前时刻距离路径冲突区域中心的距离，vr(i)表示车辆i的速度，由于dr(i)和vr(i)具有动态性和不确定性，故Tr(i)也具有动态性和不确定性，lane＝ego表示车辆在车道上保持直行，未发生换道行为。
3.根据权利要求2所述的一种面向道路合流区域的实时车道级安全态势评估方法，其特征在于，步骤二的具体方法如下：
子步骤(1)、根据步骤一计算的当前时刻Tr(i)的大小，代入公式(2)、公式(3)、公式(4)所构造的交通安全态势评估指标的条件概率分布函数：
在公式(2)、公式(3)、公式(4)中，p(Tr(i)|D)、p(Tr(i)|A)、p(Tr(i)|S)均为交通安全态势评估指标Tr(i)的条件概率，反映合流区域交通安全态势关于Tr(i)的先验知识，k1，k2，k3均表示比例系数，σ表示Tr(i)的标准差，表示道路合流区域内车辆进入行驶路径冲突区域的不确定性，表示本发明设置的第一时间阈值，表示本发明设置的第二时间阈值；
子步骤(2)、假设交通安全态势服从均匀分布，建立基于概率的交通安全态势评估模型：
在公式(5)中，p(z(i)|Tr(i))表示交通安全态势的后验概率，p(Tr(i)|z(i))表示交通安全态势评估指标Tr(i)的条件概率，根据Tr(i)的大小，p(Tr(i)|z(i))有三种取值，分别是p(Tr(i)|D)、p(Tr(i)|A)、p(Tr(i)|S)，j＝1、2、3，Z(j)表示集合Z中的第j个元素，即Z(j)的取值范围为{D、A、S}，z(i)是一个变量，表示车辆i估计的交通安全态势。
4.根据权利要求3所述的一种面向道路合流区域的实时车道级安全态势评估方法，其特征在于，步骤三的具体方法如下：
子步骤(1)、采用最大后验分布估计方法估计合流区域内车辆所处的交通安全态势，公式(6)表示p(z(i)|Tr(i))达到最大时z(i)的取值为即表示合流区域内车辆i所估计出的具体交通安全态势等级：
其中，的取值范围为{D、A、S}；
子步骤(2)、依据合流区域内所有车辆估计的交通安全态势，按公式(7)、公式(8)、公式(9)综合估计合流区域内各条车道的交通安全态势：
p(Sq＝A)＝1-p(Sq＝D)-p(Sq＝S) (9)
在公式(7)中，q表示车道编号，p(Sq＝D)表示合流区域q车道交通安全态势为D的概率，n0表示交通安全态势估计结果为D的车辆数，表示在步骤三的子步骤(1)中，所估计的时的概率，即此时p(z(i)|Tr(i))的最大值，p(r(i)＝q)表示车辆处在q车道的先验概率，是统计合流区域车辆的车道分布情况得出的先验信息，在公式(8)中，p(Sq＝S)表示合流区域q车道交通安全态势为S的概率，n1表示交通安全态势估计结果为S的车辆数，表示在步骤三的子步骤(1)中，所估计的的概率，即此时p(z(i)|Tr(i))的最大值，在公式(9)中，p(Sq＝A)表示q车道交通安全态势为A的概率。
CN201910874642.7A 2019-09-17 2019-09-17 一种面向道路合流区域的实时车道级安全态势评估方法 Active CN110544380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910874642.7A CN110544380B (zh) 2019-09-17 2019-09-17 一种面向道路合流区域的实时车道级安全态势评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910874642.7A CN110544380B (zh) 2019-09-17 2019-09-17 一种面向道路合流区域的实时车道级安全态势评估方法

Publications (2)

Publication Number Publication Date
CN110544380A true CN110544380A (zh) 2019-12-06
CN110544380B CN110544380B (zh) 2021-04-27

Family

ID=68713876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910874642.7A Active CN110544380B (zh) 2019-09-17 2019-09-17 一种面向道路合流区域的实时车道级安全态势评估方法

Country Status (1)

Country Link
CN (1) CN110544380B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112382093A (zh) * 2020-11-13 2021-02-19 浙江交投高速公路建设管理有限公司 基于车路协同的高速公路匝道辅助预警方法
CN113112809A (zh) * 2021-04-23 2021-07-13 武汉理工大学 一种基于全息感知的交叉口交通安全风险性评价系统
WO2021171112A1 (en) * 2020-02-28 2021-09-02 International Business Machines Corporation Autonomous driving evaluation using data analysis
CN114124461A (zh) * 2021-10-26 2022-03-01 南京航空航天大学 空中交通风险热点识别方法、关键航空器识别方法及系统
CN114360251A (zh) * 2022-01-12 2022-04-15 陕西世纪高通科技有限公司 一种基于影响交通安全多维度综合交通安全指数计算方法
CN114384900A (zh) * 2021-12-09 2022-04-22 武汉理工大学 内河水面自主船舶航行驾驶方法、装置及存储介质
CN115206090A (zh) * 2022-06-07 2022-10-18 安徽超清科技股份有限公司 一种基于交通大数据的交通态势预估系统
US11644331B2 (en) 2020-02-28 2023-05-09 International Business Machines Corporation Probe data generating system for simulator
US11702101B2 (en) 2020-02-28 2023-07-18 International Business Machines Corporation Automatic scenario generator using a computer for autonomous driving

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007176396A (ja) * 2005-12-28 2007-07-12 Univ Nagoya 運転行動推定装置、運転支援装置、及び車両評価システム
CN102938203A (zh) * 2012-11-06 2013-02-20 江苏大为科技股份有限公司 基于基本交通流参数的道路拥挤状态自动判别方法
WO2014160027A1 (en) * 2013-03-13 2014-10-02 Image Sensing Systems, Inc. Roadway sensing systems
CN104464317A (zh) * 2014-12-03 2015-03-25 武汉理工大学 高速公路入口匝道合流区引导控制系统和方法
CN106781570A (zh) * 2016-12-30 2017-05-31 大唐高鸿信息通信研究院（义乌）有限公司 一种适用于车载短距离通信网络的高速公路危险路况识别和告警方法
US20180032891A1 (en) * 2016-07-29 2018-02-01 International Business Machines Corporation Adaptive architecture for crash prediction in vehicle collision avoidance systems
CN109377785A (zh) * 2018-10-22 2019-02-22 北京航空航天大学 一种基于深度学习的高速公路合流区车辆冲突预警方法
CN109523786A (zh) * 2018-11-30 2019-03-26 哈尔滨工业大学 一种高速公路交通事故成因分析方法
CN109637133A (zh) * 2018-12-27 2019-04-16 山西北斗瀚森科技有限公司 一种城市道路/路段的车辆速度评估方法及系统
CN109859500A (zh) * 2018-12-17 2019-06-07 中电海康集团有限公司 一种基于车路协同的高速合流区安全预警方法
CN110120151A (zh) * 2019-04-24 2019-08-13 华南理工大学 一种高速公路入口匝道合流区车辆冲突概率预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007176396A (ja) * 2005-12-28 2007-07-12 Univ Nagoya 運転行動推定装置、運転支援装置、及び車両評価システム
CN102938203A (zh) * 2012-11-06 2013-02-20 江苏大为科技股份有限公司 基于基本交通流参数的道路拥挤状态自动判别方法
WO2014160027A1 (en) * 2013-03-13 2014-10-02 Image Sensing Systems, Inc. Roadway sensing systems
CN104464317A (zh) * 2014-12-03 2015-03-25 武汉理工大学 高速公路入口匝道合流区引导控制系统和方法
US20180032891A1 (en) * 2016-07-29 2018-02-01 International Business Machines Corporation Adaptive architecture for crash prediction in vehicle collision avoidance systems
CN106781570A (zh) * 2016-12-30 2017-05-31 大唐高鸿信息通信研究院（义乌）有限公司 一种适用于车载短距离通信网络的高速公路危险路况识别和告警方法
CN109377785A (zh) * 2018-10-22 2019-02-22 北京航空航天大学 一种基于深度学习的高速公路合流区车辆冲突预警方法
CN109523786A (zh) * 2018-11-30 2019-03-26 哈尔滨工业大学 一种高速公路交通事故成因分析方法
CN109859500A (zh) * 2018-12-17 2019-06-07 中电海康集团有限公司 一种基于车路协同的高速合流区安全预警方法
CN109637133A (zh) * 2018-12-27 2019-04-16 山西北斗瀚森科技有限公司 一种城市道路/路段的车辆速度评估方法及系统
CN110120151A (zh) * 2019-04-24 2019-08-13 华南理工大学 一种高速公路入口匝道合流区车辆冲突概率预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李永行: "城市快速路交通状态估计与控制研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
林兰平: "高速公路合流区交通冲突预测与安全评价研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
赵朋 等: "基于贝叶斯网络的高速公路突发事件态势评估研究", 《公路交通科技》 *
钱超 等: "基于随机重复爬山法的交通状态预测", 《交通运输系统工程与信息》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2611632A (en) * 2020-02-28 2023-04-12 Ibm Autonomous driving evaluation using data analysis
WO2021171112A1 (en) * 2020-02-28 2021-09-02 International Business Machines Corporation Autonomous driving evaluation using data analysis
US11814080B2 (en) 2020-02-28 2023-11-14 International Business Machines Corporation Autonomous driving evaluation using data analysis
US11702101B2 (en) 2020-02-28 2023-07-18 International Business Machines Corporation Automatic scenario generator using a computer for autonomous driving
US11644331B2 (en) 2020-02-28 2023-05-09 International Business Machines Corporation Probe data generating system for simulator
CN112382093A (zh) * 2020-11-13 2021-02-19 浙江交投高速公路建设管理有限公司 基于车路协同的高速公路匝道辅助预警方法
CN112382093B (zh) * 2020-11-13 2022-03-18 浙江交投高速公路建设管理有限公司 基于车路协同的高速公路匝道辅助预警方法
CN113112809A (zh) * 2021-04-23 2021-07-13 武汉理工大学 一种基于全息感知的交叉口交通安全风险性评价系统
CN114124461A (zh) * 2021-10-26 2022-03-01 南京航空航天大学 空中交通风险热点识别方法、关键航空器识别方法及系统
CN114124461B (zh) * 2021-10-26 2022-08-19 南京航空航天大学 空中交通风险热点识别方法、关键航空器识别方法及系统
CN114384900A (zh) * 2021-12-09 2022-04-22 武汉理工大学 内河水面自主船舶航行驾驶方法、装置及存储介质
CN114384900B (zh) * 2021-12-09 2023-12-12 武汉理工大学 内河水面自主船舶航行驾驶方法、装置及存储介质
CN114360251A (zh) * 2022-01-12 2022-04-15 陕西世纪高通科技有限公司 一种基于影响交通安全多维度综合交通安全指数计算方法
CN115206090A (zh) * 2022-06-07 2022-10-18 安徽超清科技股份有限公司 一种基于交通大数据的交通态势预估系统

Also Published As

Publication number Publication date
CN110544380B (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN110544380B (zh) 一种面向道路合流区域的实时车道级安全态势评估方法
EP3338252B1 (de) Vorrichtungen, verfahren und computerprogramm zum bereitstellen von information über eine voraussichtliche fahrintention
Chou et al. Coordinated merge control based on V2V communication
Rezaei et al. Reducing the communication required by DSRC-based vehicle safety systems
CN105225500A (zh) 一种交通控制辅助决策方法及装置
CN113071487B (zh) 自动驾驶车辆控制方法、装置及云端设备
CN111402613B (zh) 一种自动驾驶车辆收费站车道选择方法
CN111932882B (zh) 一种基于图像识别的道路事故实时预警系统、方法和设备
Mo et al. Simulation and analysis on overtaking safety assistance system based on vehicle-to-vehicle communication
CN113085852A (zh) 自动驾驶车辆的行为预警方法、装置及云端设备
Wang et al. A guidence method for lane change detection at signalized intersections in connected vehicle environment
Choi et al. Framework for connected and automated bus rapid transit with sectionalized speed guidance based on deep reinforcement learning: Field test in Sejong city
Ni et al. A V2X-based approach for avoiding potential blind-zone collisions between right-turning vehicles and pedestrians at intersections
CN113538909A (zh) 一种自动驾驶车辆交通事件预测方法及装置
CN115731693A (zh) 一种车道划分方法以及相关装置
Rakha et al. Traffic signal control enhancements under vehicle infrastructure integration systems.
CN117268417A (zh) 一种自动驾驶车辆的路径规划方法
CN116013101B (zh) 一种基于网联环境的无信号路口速度建议系统和方法
CN116935641A (zh) 一种路况风险预警方法、装置及控制设备
CN116434523A (zh) 信息感知场景下基于约束度的车辆主动安全管控方法及装置
CN114559962A (zh) 一种自动驾驶车辆控制方法、控制系统及车辆
CN115701609A (zh) 路况仿真设备及方法
Khan Connected and automated vehicles in urban transportation cyber-physical systems
Tomar et al. Collision avoidance warning for safe lane change
Ye et al. Dynamic Queue Prediction at Signalized Intersections with Fusing Sensory Information and Connected 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