CN111369829A - 一种基于分层cox的车辆追尾预警方法 - Google Patents

一种基于分层cox的车辆追尾预警方法 Download PDF

Info

Publication number
CN111369829A
CN111369829A CN202010174606.2A CN202010174606A CN111369829A CN 111369829 A CN111369829 A CN 111369829A CN 202010174606 A CN202010174606 A CN 202010174606A CN 111369829 A CN111369829 A CN 111369829A
Authority
CN
China
Prior art keywords
vehicle
delay time
driver
cox
acceleration
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.)
Pending
Application number
CN202010174606.2A
Other languages
English (en)
Inventor
程金生
宋灿灿
孙智
郭忠印
刘其杰
程存玉
张彦宁
樊祥喜
张爱东
孟凌霄
张有博
许应东
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.)
Tongji University
China State Construction Engineering Corp Ltd CSCEC
China State Construction Port Engineering Group Co Ltd
China State Construction Shandong Investment Co Ltd
China Construction Infrastructure Co Ltd
Original Assignee
Tongji University
China State Construction Engineering Corp Ltd CSCEC
China State Construction Port Engineering Group Co Ltd
China State Construction Shandong Investment Co Ltd
China Construction Infrastructure Co Ltd
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 Tongji University, China State Construction Engineering Corp Ltd CSCEC, China State Construction Port Engineering Group Co Ltd, China State Construction Shandong Investment Co Ltd, China Construction Infrastructure Co Ltd filed Critical Tongji University
Priority to CN202010174606.2A priority Critical patent/CN111369829A/zh
Publication of CN111369829A publication Critical patent/CN111369829A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
    • B60Q9/008—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling for anti-collision purposes
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于分层COX的车辆追尾预警方法，首先基于自然驾驶实验数据获取车辆状态信息、道路环境信息并识别驾驶员反应延迟时间。然后判断数据是否满足PH假设，并估计模型系数。基于车联网获取实际驾驶过程中的车辆状态及道路环境数据，代入已标定的COX或分层COX模型，得到驾驶员反应延迟时间概率分布。计算TTC并判断TTC与驾驶员反应延迟时间的大小关系，参照概率分布估计结果给出当前状态下驾驶员反应延迟时间大于TTC的概率，并作出预警。相比目前基于TTC的追尾风险判断方法，本发明考虑客观因素对驾驶员反应延迟时间的影响，并可给出发生追尾事故的概率。发明可运用于车联网的辅助驾驶系统中。

Description

一种基于分层COX的车辆追尾预警方法
技术领域
本发明属于跟驰行驶过程中驾驶员反应延迟时间的判断方法以及基于碰撞时间(TTC)的车辆追尾预警方法。具体涉及COX模型和TTC计算。
背景技术
随着交通需求、汽车保有量以及道路环境复杂度的不断提高，交通事故发生的数量也随之不断增长，造成了大量的人员伤亡与经济损失。追尾事故是交通事故中的一大主要类型，当前车紧急制动而后车驾驶员没有及时做出反应时将出现严重的后果。
追尾风险的评判可采用车辆碰撞时间，碰撞时间指前车突然减速而后车仍按照当前速度行驶时，后车与前车相撞所需要的时间。在通过TTC判断追尾风险时通常将驾驶员的生理反应时间与TTC对比，当TTC小于驾驶员生理反应时间时则认为驾驶员无法对即将发生的碰撞事件做出迅速的反应，可能产生追尾事故。然而在复杂的行车环境中驾驶员对前车运动状态变化做出反应的过程，不仅仅受自身生理反应时间的影响，也受到前车速度、加速度、本车速度、加速度以及两车相对距离等客观因素的影响。BASAK K认为研究跟驰问题时，需要考虑延迟时间的可变性，这使得分析结果更加接近实际情况。PEI X认为驾驶员反应延迟时间服从GAMMA分布，而非固定值。ARBABZADEH N通过分析自然驾驶数据发现驾驶员反应延迟时间取值范围为0.58s-8.0s，认为反应延迟时间与驾驶员自身因素之间存在显著关系。以往的研究结果已经指出驾驶员反应延迟时间与驾驶环境、车辆状态等外在因素之间的关系。
随着5G技术的发展，车联网成为未来的发展方向。在车联网的背景下车辆运动状态以及道路情况数据的采集、互通变得容易，也使得对驾驶员反应延迟时间的估计变得更加容易。以往基于TTC的追尾风险判断多基于固定的驾驶员生理反应时间，没有考虑驾驶环境等客观因素对驾驶员反应延迟时间的影响，虽然能够进行追尾预警，但是其没有考虑到不同驾驶场景之间的差异性。本发明采用Cox风险比例模型对驾驶员反应延迟时间的概率分布进行估计，模型中考虑车辆状态、道路环境等因素对驾驶员反应延迟时间的影响，可提供驾驶员反应延迟时间大于TTC的概率，使追尾预警更加贴近实际情况、预警精度提高。
发明内容
发明目的：本发明提供一种提高追尾预警精度、可给出发生追尾事故的概率的基于分层COX的车辆追尾预警方法。
技术方案：一种基于分层COX的车辆追尾预警方法，包括如下步骤：
步骤1，根据面向的驾驶员群体及常见驾驶环境，基于COX风险比例模型对驾驶员反应延迟时间进行标定；
步骤2，通过车联网获得本车与前导车的位置、速度、加速度信息以及道路环境信息；
步骤3，根据所在路段气候条件和前后车速度计算安全跟驰距离，对比本车前导车相对位置预测结果，判断是否产生追尾事故。
具体地，所述步骤1中对驾驶员反应延迟时间进行标定，其中，模型标定具体步骤包括：
1)进行实车实验，测量车辆状态、道路环境信息，识别驾驶员反应延迟时间；驾驶员反应延迟时间通过前后车加减速特征点识别，以前车加、减速变化点为延迟时间起点，后车加、减速变化点为终点，加、减速变化阈值为；
减速起始点识别：
减速终止点识别：
式中为减速起始点集合；为减速终止点集合；为断面的车辆加速度，m/s；为断面的上一断面车辆加速度，m/s；
2)构建COX风险比例模型，估计系数；(a)确定数据是否符合PH假设，即风险比例系数不随时间变化；(b)若符合PH假设，则构建COX风险比例模型，估计系数：
若不符合PH假设，则进行PH检验，后构建分层COX风险比例模型：
式中为延迟时间影响因素自变量向量，为回归系数，为延迟时间的基准风险函数；假设检验得出回归系数不属于常数的自变量，并将不满足PH假设的p个自变量设置为具有k个分类的分层变量，对于的不同取值有不同的基准风险函数，。
具体地，所述步骤2中本车与前导车的位置、速度、加速度信息以及道路环境信息等数据获取步骤包括：1)利用车辆自身布设的毫米波雷达、GPS等传感器获取本车位置、速度、加速度、前车位置、速度、加速度；
2)联网获取当前路段天气信息等环境数据。
具体地，所述步骤3中判断是否产生追尾事故，即追尾风险判断过程包括：
1)输入数据，得到驾驶员反应延迟时间的概率分布；
2)计算TTC：
3)基于COX风险比例模型估计的驾驶员反应延迟时间概率分布，判断驾驶员反应延迟时间大于TTC的概率。
有益效果：与现有技术相比，本发明的优点在于：本发明基于COX模型的驾驶员反应延迟时间概率分布估计方法，并结合TTC提出追尾预警方法，通过考虑车辆运动状态、道路环境等客观因素，估计驾驶员在不同驾驶场景中的反应延迟时间概率分布，从而提高基于TTC的追尾预警精度。
附图说明
图1为本发明的追尾预警流程图。
图2为反应延迟时间的识别示意图。
图3为分层COX风险比例模型的估计结果。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
一种基于分层COX的车辆追尾预警方法，根据面向的驾驶员群体及常见驾驶环境，基于COX风险比例模型对驾驶员反应延迟时间进行标定。具体步骤包括：
(1.1)进行实车实验，测量车辆状态、道路环境信息，识别驾驶员反应延迟时间。驾驶员反应延迟时间通过前后车加减速特征点识别，以前车加、减速变化点为延迟时间起点，后车加、减速变化点为终点，加、减速变化阈值为±0.15m/s2。识别示意图见图2。
减速起始点识别：
Figure BDA0002410359190000051
减速终止点识别：
Figure BDA0002410359190000052
式中Ps为减速起始点集合。Pe为减速终止点集合。ai为断面i的车辆加速度，m/s。ai-1为断面i的上一断面车辆加速度，m/s。
(1.2)构建COX风险比例模型，估计系数。(a)确定数据是否符合PH假设，即风险比例系数不随时间变化。(b)若符合PH假设，则构建COX风险比例模型，估计系数：
Figure BDA0002410359190000053
若不符合PH假设，则进行PH检验，后构建分层COX风险比例模型：
Figure BDA0002410359190000061
式中X为延迟时间影响因素自变量向量，βi为回归系数，h0(t)为延迟时间的基准风险函数。假设检验得出回归系数不属于常数的自变量，并将不满足PH假设的p个自变量设置为具有k个分类的分层变量Z，对于Z的不同取值有不同的基准风险函数h0g(t)，g＝1,2,L,k。
此处影响因素自变量向量定义及PH检验结果见表1、表2。
表1影响因素自变量向量
Figure BDA0002410359190000062
表2 PH检验结果
Figure BDA0002410359190000071
前车加速度不满足PH假设，建立分层COX模型，根据模型估计的驾驶员反应延迟时间见图3，参数估计结果见表3。
表3分层COX模型参数估计结果
Figure BDA0002410359190000072
2)通过车联网获得本车与前导车的位置、速度、加速度信息以及道路环境信息。具体步骤包括：
(2.1)利用车辆自身布设的毫米波雷达、GPS等传感器获取本车位置x1、速度v1、加速度a1、前车位置x0、速度v0、加速度a0。
(2.2)联网获取当前路段天气信息等环境数据。
3)根据所在路段气候条件和前后车速度计算安全跟驰距离，对比本车前导车相对位置预测结果，判断是否产生追尾事故。具体步骤包括：
(3.1)输入数据，得到驾驶员反应延迟时间的概率分布。
(3.2)计算TTC：
Figure BDA0002410359190000081
(3.3)基于COX风险比例模型估计的驾驶员反应延迟时间概率分布，判断驾驶员反应延迟时间大于TTC的概率。
示例：通过车联网获得车辆状态及天气情况，在已知条件下估计得到的驾驶员反应延迟时间概率分布见图3。TTC为2.5秒、前车处于减速阶段，则驾驶员反应延迟时间小于TTC、出现追尾事故风险的概率约为45％。
以上所述，实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定。即凡依本发明申请专利范围的内容所开发的上文中未说明的实施例和所做的等效变化及修饰，皆应属于本发明的技术范畴。

Claims (4)

1.一种基于分层COX的车辆追尾预警方法，其特征在于，包括如下步骤：
步骤1，根据面向的驾驶员群体及常见驾驶环境，基于COX风险比例模型对驾驶员反应延迟时间进行标定；
步骤2，通过车联网获得本车与前导车的位置、速度、加速度信息以及道路环境信息；
步骤3，根据所在路段气候条件和前后车速度计算安全跟驰距离，对比本车前导车相对位置预测结果，判断是否产生追尾事故。
2.根据权利要求1所述的一种基于分层COX的车辆追尾预警方法，其特征在于：所述步骤1中对驾驶员反应延迟时间进行标定，其中，模型标定具体步骤包括：
1)进行实车实验，测量车辆状态、道路环境信息，识别驾驶员反应延迟时间；驾驶员反应延迟时间通过前后车加减速特征点识别，以前车加、减速变化点为延迟时间起点，后车加、减速变化点为终点，加、减速变化阈值为±0.15m/s2；
减速起始点识别：
Figure FDA0002410359180000011
减速终止点识别：
Figure FDA0002410359180000012
式中Ps为减速起始点集合；Pe为减速终止点集合；ai为断面i的车辆加速度，m/s；ai-1为断面i的上一断面车辆加速度，m/s；
2)构建COX风险比例模型，估计系数；(a)确定数据是否符合PH假设，即风险比例系数不随时间变化；(b)若符合PH假设，则构建COX风险比例模型，估计系数：
Figure FDA0002410359180000021
若不符合PH假设，则进行PH检验，后构建分层COX风险比例模型：
Figure FDA0002410359180000022
式中X为延迟时间影响因素自变量向量，βi为回归系数，h0(t)为延迟时间的基准风险函数；假设检验得出回归系数不属于常数的自变量，并将不满足PH假设的p个自变量设置为具有k个分类的分层变量Z，对于Z的不同取值有不同的基准风险函数h0g(t)，g＝1,2,L,k。
3.根据权利要求1所述的一种基于分层COX的车辆追尾预警方法，其特征在于：所述步骤2中本车与前导车的位置、速度、加速度信息以及道路环境信息等数据获取步骤包括：1)利用车辆自身布设的毫米波雷达、GPS等传感器获取本车位置x1、速度v1、加速度a1、前车位置x0、速度v0、加速度a0；
2)联网获取当前路段天气信息等环境数据。
4.根据权利要求1所述的一种基于分层COX的车辆追尾预警方法，其特征在于：所述步骤3中判断是否产生追尾事故，即追尾风险判断过程包括：
1)输入数据，得到驾驶员反应延迟时间的概率分布；
2)计算TTC：
Figure FDA0002410359180000023
3)基于COX风险比例模型估计的驾驶员反应延迟时间概率分布，判断驾驶员反应延迟时间大于TTC的概率。
CN202010174606.2A 2020-03-13 2020-03-13 一种基于分层cox的车辆追尾预警方法 Pending CN111369829A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010174606.2A CN111369829A (zh) 2020-03-13 2020-03-13 一种基于分层cox的车辆追尾预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010174606.2A CN111369829A (zh) 2020-03-13 2020-03-13 一种基于分层cox的车辆追尾预警方法

Publications (1)

Publication Number Publication Date
CN111369829A true CN111369829A (zh) 2020-07-03

Family

ID=71211865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010174606.2A Pending CN111369829A (zh) 2020-03-13 2020-03-13 一种基于分层cox的车辆追尾预警方法

Country Status (1)

Country Link
CN (1) CN111369829A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113658451A (zh) * 2021-07-30 2021-11-16 三一专用汽车有限责任公司 车辆碰撞预警的控制方法、装置、车辆和可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102745194A (zh) * 2012-06-19 2012-10-24 东南大学 一种高速公路汽车防追尾前车的自适应报警方法
CN103150930A (zh) * 2013-02-01 2013-06-12 东南大学 针对快速道路常发性拥堵路段的追尾事故实时预测方法
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
CN107346612A (zh) * 2016-05-06 2017-11-14 中国科学院微电子研究所 一种基于车联网的车辆防碰撞方法和系统
DE102017209736A1 (de) * 2017-06-09 2018-12-13 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zum Betreiben einer Fahrerassistenzfunktion für einen Spurwechsel, Computerprogramm und Computerprogrammprodukt

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102745194A (zh) * 2012-06-19 2012-10-24 东南大学 一种高速公路汽车防追尾前车的自适应报警方法
CN103150930A (zh) * 2013-02-01 2013-06-12 东南大学 针对快速道路常发性拥堵路段的追尾事故实时预测方法
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
CN107346612A (zh) * 2016-05-06 2017-11-14 中国科学院微电子研究所 一种基于车联网的车辆防碰撞方法和系统
DE102017209736A1 (de) * 2017-06-09 2018-12-13 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zum Betreiben einer Fahrerassistenzfunktion für einen Spurwechsel, Computerprogramm und Computerprogrammprodukt

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张彦宁等: "基于分层COX模型的跟驰反应延迟时间生存分析", 《交通运输系统工程与信息》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113658451A (zh) * 2021-07-30 2021-11-16 三一专用汽车有限责任公司 车辆碰撞预警的控制方法、装置、车辆和可读存储介质
CN113658451B (zh) * 2021-07-30 2022-11-22 三一专用汽车有限责任公司 车辆碰撞预警的控制方法、装置、车辆和可读存储介质

Similar Documents

Publication Publication Date Title
Moujahid et al. Machine learning techniques in ADAS: A review
CN111696387B (zh) 一种基于前向障碍物识别的自适应防撞分级预警方法
CN106314428B (zh) 一种避撞系统、避撞方法及机动车辆
WO2019011268A1 (zh) 基于博弈论的驾驶员辅助系统决策方法、系统及其他
CN110515041B (zh) 一种基于Kalman滤波技术的车辆距离测量控制方法及系统
JP2022532941A (ja) 車両信号を処理して挙動危険性の測度を計算するための装置及び方法
CN112668779A (zh) 基于自适应高斯过程的前车运动状态预测方法
CN113763702A (zh) 一种基于v2v的宜人化的前方碰撞预警系统及预警方法
CN116001795A (zh) 一种换道风险评估及个性化换道决策方法
CN114734966B (zh) 基于摄像头和云端实时地图的自动紧急制动系统及方法
CN113611157A (zh) 一种高速公路车辆追尾碰撞风险估计方法
CN113761715A (zh) 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法
CN115657002A (zh) 基于交通毫米波雷达的车辆运动状态估计方法
CN111369829A (zh) 一种基于分层cox的车辆追尾预警方法
Feng et al. Modelling and simulation for safe following distance based on vehicle braking process
CN112668523B (zh) 车辆行驶异常检测方法、装置、电子设备及存储介质
CN114492043A (zh) 考虑感知受限特性的个性化驾驶员跟车建模方法
CN111348038A (zh) 一种基于varma模型短时预测的追尾预警方法
US8140225B2 (en) System and method for classifying a target vehicle
CN113176562A (zh) 多目标跟踪方法、装置、电子设备及可读存储介质
LU102622B1 (en) A Rear-end Collision Early Warning Method Based on Stratified COX Model
CN114613131B (zh) 一种基于安全裕度的个性化前向碰撞预警方法
Anil et al. Driver behavior analysis using K-means algorithm
CN115099097A (zh) 一种基于感知的车辆损伤预测方法、系统、电子设备及车辆
CN115482662A (zh) 一种危险工况下驾驶员避撞行为预测方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200703