CN111724603B - 基于交通轨迹数据的cav状态判定方法、装置、设备及介质 - Google Patents

基于交通轨迹数据的cav状态判定方法、装置、设备及介质 Download PDF

Info

Publication number
CN111724603B
CN111724603B CN202010621078.0A CN202010621078A CN111724603B CN 111724603 B CN111724603 B CN 111724603B CN 202010621078 A CN202010621078 A CN 202010621078A CN 111724603 B CN111724603 B CN 111724603B
Authority
CN
China
Prior art keywords
cav
following
track data
vehicle
time
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
CN202010621078.0A
Other languages
English (en)
Other versions
CN111724603A (zh
Inventor
李烨
伍丹
史云涛
谷瑞丰
刘飞
潘冰
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202010621078.0A priority Critical patent/CN111724603B/zh
Publication of CN111724603A publication Critical patent/CN111724603A/zh
Application granted granted Critical
Publication of CN111724603B publication Critical patent/CN111724603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于交通轨迹数据的CAV状态判定方法、装置、设备及介质，所述方法包括：获取若干人工驾驶车辆在实际道路交通中的轨迹数据，其中轨迹数据包括位置、速度和加速度信息；将所有人工车辆分为K个跟驰车组；根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰；根据每个跟驰车组前车和后车的轨迹数据，生成新的轨迹数据并作为与该跟驰车组对应的CAV的轨迹数据；将每个CAV替换对应跟驰车组的后车；并针对每个替换后的跟驰车组，根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定。本发明改善了CAV评估环境的真实性，可以对基于实际交通轨迹数据的CAV高风险状态进行有效判定。

Description

基于交通轨迹数据的CAV状态判定方法、装置、设备及介质
技术领域
本发明属于智能交通管理与控制技术领域，尤其涉及一种基于交通轨迹数据的CAV状态判定方法、装置、设备及介质。
背景技术
近年来，我国公路建设取得了飞跃性的发展，截止2017年年底，公路总里程达到477.35万公里，公路运输体系在国民交通运输活动中发挥着举足轻重的作用。然而，公路基础设施快速发展的同时伴随着一系列严峻问题的产生，如交通事故、交通拥堵、油耗污染等。为解决各类交通问题，基于新兴科技手段的智能交通技术正在迅猛发展，同时也是目前最大的研究热点之一。
智能交通技术所包含的智能车辆技术是典型的高新技术综合体，并且是全球交通发展领域的最新研究热点之一，其代表为CAV(Connected and Automated Vehicle，网联自动驾驶汽车)。CAV技术整合了网联无线通讯技术和自动驾驶技术，能够有效降低人工驾驶车辆的反应延迟、操作失误，进而缩短车辆间的饱和车头时距，并且能够平滑车辆运行轨迹，因此被认为是改善交通安全、降低交通拥堵、减少交通排放的重要技术手段。全球发达国家以及我国政府都在积极推进该领域的研究和产业的发展。
尽管CAV技术在改善交通问题方面拥有非常广阔的前景，但在当前发展落地阶段仍面临着诸多关键问题亟待解决，其中最为核心的是CAV自身的运行安全问题。现有的CAV运行评估环境绝大部分都处于较为安全的场景，缺乏对高风险状态下的车辆运行安全进行判定，因此有必要研究一种对CAV的高风险状态进行判定的方法，以促进未来CAV的安全普及与发展。
发明内容
本发明所要解决的技术问题在于，提供一种基于交通轨迹数据的CAV状态判定方法、装置、设备及介质，可以对基于实际交通轨迹数据的CAV高风险状态进行有效判定。
为实现上述技术目的，本发明采用如下技术方案：
一种基于交通轨迹数据的CAV状态判定方法，包括以下步骤：
步骤1，获取若干人工驾驶车辆在实际道路交通中的轨迹数据；其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息；
步骤2，将所有人工车辆分为K个跟驰车组，每个跟驰车组包括前车和后车；
根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰；
根据每个跟驰车组前车和后车的轨迹数据，生成新的轨迹数据并作为与该跟驰车组对应CAV的轨迹数据；
步骤3，将每个CAV替换对应跟驰车组的后车；并针对每个替换后的跟驰车组，根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定。
在更优的技术方案中，所述根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰，具体的判别函数为：
Figure BDA0002565178990000021
式中，Δvb(t)表示后车在时刻t相对于前一时刻t-1的速度变化量；F1为交通场景第一判断函数值，F′1为交通场景第二判断函数值；T为轨迹数据的记录时长；
若α(1-T)＜F1＜α(T-1)，且F′1＞α(T-1)，则判别为非稳态跟驰场景；否则，判别为稳态跟驰场景；其中，α为预设的步长变化系数。
在更优的技术方案中，α＝1。
在更优的技术方案中，所述根据每个跟驰车组前车和后车的轨迹数据生成新的轨迹数据，具体的生成方法为：
步骤A1，计算跟驰车组分别在t＝2，3，…，T各时刻的间隙误差e(t)：
e(t)＝xf(t)-xb(t)-thwvb(t)；
其中，xf(t)指前车在t时刻的位置，xb(t)、vb(t)分别指后车在t时刻的位置和速度，thw指在t时刻的时间间隔设置；
步骤A2，令v*(t＝1)＝vb(t＝1)，按以下公式分别计算以生成在t＝2，3，…，T各时刻的新的速度v*(t)：
Figure BDA0002565178990000022
其中，
Figure BDA0002565178990000023
是间隙误差e(t)的导数，np、na均为与当前车辆相关的用于调整时间间隙误差的不同常系数；
步骤A3，利用步骤A2得到的t＝2，3，…，T各时刻的新的车速v*(t)，根据加速度与速度之间的关系计算在t＝2，3，…，T-1各时刻的新的加速度a*(t)；根据位移与速度之间的关系计算在t＝2，3，…，T各时刻的新的位置x*(t)。
在更优的技术方案中，所述根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定，具体的事故风险判定方法为：
步骤B1，按以下公式计算CAV的初步判别函数值F2：
Figure BDA0002565178990000031
其中，Δa*(t)为CAV在t时刻相对于t-1时刻的加速度变化量；
步骤B2，若当前CAV对应的跟驰车组在步骤2判断得到的交通场景为稳态跟驰，则判断初步判别函数值F2是否满足F2≤β1(T-3)，如果满足则执行步骤B3，如果不满足则直接判断当前CAV为高风险状态；
若当前CAV对应的跟驰车组在步骤2判断得到的交通场景为非稳态跟驰，则判断初步判别函数值F2是否满足F2≤β2(T-3)，如果满足则执行步骤B3，如果不满足则直接判断当前CAV为高风险状态；
其中，β1和β2分别为稳态跟驰和非稳态跟驰的高风险直接判别系数；
步骤B3，计算CAV分别在t＝2，3，…，T各时刻避免与对应跟驰车组前车碰撞所需的减速度DRAC*(t)：
Figure BDA0002565178990000032
其中，vf(t)、v*(t)分别为前车和CAV在t时刻的车速，xf(t)和x*(t)分别为前车和CAV在t时刻的位置；
步骤B4，通过查询正态分布表计算CAV在t＝2，3，…，T各时刻的瞬时风险概率CP*(t)：
CP*(t)＝P(DRAC*(t)＞MADR*(t))；
其中，MADR*(t)指CAV在t时刻可达的最大减速度；
步骤B5，计算CAV在预设时间段内的总事故风险率：
P*(k)＝1-(1-CP*(2))(1-CP*(3))(1-CP*(4))...(1-CP*(T))；
其中，CP*(2)、CP*(3)、CP*(4)、…、CP*(T)分别指在时刻2、3、4、...、T各时刻的瞬时风险概率；P*(k)表示第k个跟驰车组对应的CAV的总事故风险率；
步骤B6，在按前述步骤B1-B5得到所有K个跟驰车组对应的CAV的总事故风险率后，按以下公式计算CAV的进一步判别函数值F3，以进行高风险状态判定：
Figure BDA0002565178990000033
其中，P*是所有K个跟驰车组对应的K个CAV的总事故风险率P*(k)的集合，Max(P*)、Min(P*)分别是指P*中的最大值和最小值，g为常量；
若CAV的进一步判别函数值F3＝P*(k)，则该CAV运行处于高风险状态；若CAV的进一步判别函数值F3＝0，则该CAV运行未处于高风险状态。
在更优的技术方案中，β1＝6，β2＝10。
在更优的技术方案中，步骤1中轨迹数据的获取方法为：通过无人机航拍采集实际道路交通的视频，采用视频图像处理技术从视频中提取其中若干人工驾驶车辆的轨迹数据。
本发明还提供一种基于交通轨迹数据的CAV状态判定装置，包括：
轨迹数据获取模块，用于获取若干人工驾驶车辆在实际道路交通中的轨迹数据；其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息；
交通场景判断与CAV轨迹数据生成模块，用于将所有人工车辆分为K个跟驰车组，每个跟驰车组包括前车和后车；根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰；并根据每个跟驰车组前车和后车的轨迹数据，生成新的轨迹数据并作为与该跟驰车组对应CAV的轨迹数据；
CAV事故风险判定模块，用于将每个CAV替换对应跟驰车组的后车；并针对每个替换后的跟驰车组，根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定。
本发明还提供一种设备，包括处理器和存储器；其中：所述存储器用于存储计算机指令；所述处理器用于执行所述存储器存储的计算机指令，具体执行上述任一所述的方法。
本发明还提供一种计算机存储介质，用于存储程序，所述程序被执行时，用于实现上述任一所述的方法。
有益效果
与现有技术相比，本发明具有的有益效果在于以下几个方面：
(1)基于实际道路交通中的人工驾驶车辆的轨迹数据，判别当前跟驰车组的交通场景为稳态跟驰或者非稳态跟驰；以CAV控制器模型为目标对象，以实际道路交通中的人工车辆轨迹数据为输入条件，生成相应复杂场景下的CAV轨迹数据。即，为CAV控制器模型提供各类较为真实的交通场景，从而便于分析不同交通场景下的CAV运行状态与安全状态，为CAV自身的安全评估奠基。
(2)面向交通轨迹数据，构建对应交通场景事故风险评估模型，能够准确地计算出每一时空状态下的事故风险结果，从而挖掘出CAV跟驰运行的高风险状态，有助于解决传统事故评估模型在CAV运行安全评估中的局限性。
(3)基于视频采集典型交通区域下的大量人工驾驶车辆轨迹数据，通过车辆跟驰运行过程中速度差加和情况，进行交通场景进行判别划分。该方法设计简单，易于计算，直观反映稳态跟驰与非稳态跟驰交通场景的差异。
(4)本发明改善了CAV评估环境的真实性，并明确了CAV高风险状态的确定方法，对促进未来CAV的安全评估及其普及发展意义重大，具有优良的应用前景。
附图说明
图1为本发明实施例所述方法的技术路线图；
图2为本发明实施例基于真实交通场景的CAV轨迹数据生成示意图；
图3为本发明实施例基于交通轨迹数据的事故风险评估示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
参见图1，本发明提出的基于交通轨迹数据的CAV状态判定方法，首先通过无人机拍摄采集与视频图像处理获得人工驾驶车辆的轨迹数据，然后利用交通场景判别算法进行交通场景的判别划分并生成相应的CAV轨迹数据，再通过风险评估模型对CAV进行高风险状态判定。
具体步骤为：
步骤1，获取若干人工驾驶车辆在实际道路交通中的轨迹数据；其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息。预设时间段的各时刻序号为：t＝1，2，3，…，T。
轨迹数据的获取方法为：通过无人机航拍采集实际道路交通的视频，采用现有的视频图像处理技术从视频中提取其中若干人工驾驶车辆的轨迹数据，并对轨迹数据按人工车辆进行编号。
步骤2，将所有人工车辆分为K个跟驰车组，每个跟驰车组包括前车和后车；根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰；根据每个跟驰车组前车和后车的轨迹数据，生成新的轨迹数据并作为与该跟驰车组对应CAV的轨迹数据。
所述根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰，具体的判别函数为：
Figure BDA0002565178990000051
式中，Δvb(t)表示后车在时刻t相对于前一时刻t-1的速度变化量；F1为交通场景第一判断函数值，F′1为交通场景第二判断函数值；T为轨迹数据的记录时长；
若α(1-T)＜F1＜α(T-1)，且F′1＞α(T-1)，则判别为非稳态跟驰场景；否则，判别为稳态跟驰场景；
是否非稳态跟驰最直观的特征即是速度的波动，即每相邻两个时刻之间存在的速度差。对于非稳态跟驰的直观表现为一下子加速一下子又减速，因此设置其判别条件为α(1-T)＜F1＜α(T-1)且F′1＞α(T-1)。而对于稳态跟驰的直观表现为稳定加速跟驰、稳定减速跟驰或者近匀速跟驰，因此其判别条件主要包括两种情况：(1)满足F′1＞α(T-1)，但不满足α(1-T)＜F1＜α(T-1)，对应于稳定加速跟驰或者稳定减速跟驰；(2)满足α(1-T)＜F1＜α(T-1)，但不满足F′1＞α(T-1)，对应于近匀速跟驰。故本发明根据速度变量化的加和以及速度变化量的绝对值加和，可以更直观准确地模拟和判断跟驰车组的交通场景为稳态跟驰或者非稳态跟驰。
其中，α为预设的步长变化系数，可以理解为舒适驾驶感觉所对应的相邻时刻加减速度，一般而言α＝3即会有较舒适的驾驶感觉。α越小驾驶感觉越舒适，交通场景表述为稳态跟驰。在本实施例中，取α＝1。
所述根据每个跟驰车组前车和后车的轨迹数据生成新的轨迹数据，具体的生成方法为：
步骤A1，计算跟驰车组分别在t＝2，3，…，T各时刻的间隙误差e(t)：
e(t)＝xf(t)-xb(t)-thwvb(t)；
其中，xf(t)指前车在t时刻的位置，xb(t)、vb(t)分别指后车在t时刻的位置和速度，thw指在t时刻的时间间隔设置；
步骤A2，令v*(1)＝vb(1)，按以下公式分别计算以生成在t＝2，3，…，T各时刻的新的速度v*(t)：
Figure BDA0002565178990000061
其中，
Figure BDA0002565178990000062
是间隙误差e(t)的导数，np、na均为与当前车辆相关的用于调整时间间隙误差的不同常系数；
步骤A3，利用步骤A2得到的t＝2，3，…，T各时刻的新的车速v*(t)，根据加速度与速度之间的关系计算在t＝2，3，…，T-1各时刻的新的加速度a*(t)；根据位移与速度之间的关系计算在t＝2，3，…，T各时刻的新的位置x*(t)。
步骤3，将每个CAV替换对应跟驰车组的后车；并针对每个替换后的跟驰车组，根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定。
所述根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定，具体的事故风险判定方法为：
步骤B1，按以下公式计算CAV的初步判别函数值F2：
Figure BDA0002565178990000071
其中，Δa*(t)为CAV在t时刻相对于t-1时刻的加速度变化量。
步骤B2，若当前CAV对应的跟驰车组在步骤2判断得到的交通场景为稳态跟驰，则判断初步判别函数值F2是否满足F2≤β1(T-3)，如果满足则执行步骤B3，如果不满足则直接判断当前CAV为高风险状态；
若当前CAV对应的跟驰车组在步骤2判断得到的交通场景为非稳态跟驰，则判断初步判别函数值F2是否满足F2≤β2(T-3)，如果满足则执行步骤B3，如果不满足则直接判断当前CAV为高风险状态；
其中，β1和β2分别为稳态跟驰和非稳态跟驰的高风险直接判别系数；在本实施例中，取β1＝6，β2＝10。
步骤B3，计算CAV分别在t＝2，3，…，T各时刻避免与对应跟驰车组前车碰撞所需的减速度DRAC*(t)：
Figure BDA0002565178990000072
其中，vf(t)、v*(t)分别为前车和CAV在t时刻的车速，xf(t)和x*(t)分别为前车和CAV在t时刻的位置；
步骤B4，通过查询正态分布表计算CAV在t＝2，3，…，T各时刻的瞬时风险概率CP*(t)：
CP*(t)＝P(DRAC*(t)＞MADR*(t))；
其中，MADR*(t)指CAV在t时刻可达的最大减速度；
步骤B5，计算CAV在预设时间段内的总事故风险率：
P*(k)＝1-(1-CP*(2))(1-CP*(3))(1-CP*(4))...(1-CP*(T))；
其中，CP*(2)、CP*(3)、CP*(4)、…、CP*(T)分别指在时刻2、3、4、...、T各时刻的瞬时风险概率；P*(k)表示第k个跟驰车组对应的CAV的总事故风险率；
步骤B6，在按前述步骤B1-B5得到所有K个跟驰车组对应的CAV的总事故风险率后，按以下公式分别计算每个CAV的进一步判别函数值F3，以进行高风险状态判定：
Figure BDA0002565178990000073
其中，P*是所有K个跟驰车组对应的K个CAV的总事故风险率P*(k)的集合，Max(P*)、Min(P*)分别是指P*中的最大值和最小值，g为常量；
若CAV的进一步判别函数值F3＝P*(k)，则该CAV运行处于高风险状态；若CAV的进一步判别函数值F3＝0，则该CAV运行未处于高风险状态。
相应于上述基于交通轨迹数据的CAV状态判定方法，本发明还提供一种基于交通轨迹数据的CAV状态判定装置，包括：
轨迹数据获取模块，用于获取若干人工驾驶车辆在实际道路交通中的轨迹数据；其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息；
交通场景判断与CAV轨迹数据生成模块，用于将所有人工车辆分为K个跟驰车组，每个跟驰车组包括前车和后车；根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰；并根据每个跟驰车组前车和后车的轨迹数据，生成新的轨迹数据并作为与该跟驰车组对应的CAV的轨迹数据；
CAV事故风险判定模块，用于将每个CAV替换对应跟驰车组的后车；并针对每个替换后的跟驰车组，根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定。
相应于上述基于交通轨迹数据的CAV状态判定方法，本发明还提供一种设备，该设备包括处理器和存储器；其中：所述存储器用于存储计算机指令；所述处理器用于执行所述存储器存储的计算机指令，具体执行上述方法包括的步骤。
相应于上述基于交通轨迹数据的CAV状态判定方法，本发明还提供一种计算机存储介质，用于存储程序，所述程序被执行时，用于实现上述方法包括的步骤。
实施例：
S1：通过无人机航拍采集路段交通视频，采用视频图像处理技术进行车辆轨迹数据提取，获取高精度人工驾驶车辆轨迹数据。轨迹数据包含每一秒车辆位置、速度、加速度信息，并对车辆进行标号(即车ID)。
将其中的跟驰车组分为K组，k为组别号，k＝1，2，...，K，K＝10。将数据记录总时长分为T个时刻，t为时刻序号，t＝1，2，...，T，T＝5。
第1个跟驰车组中前车1车及其后车2车的轨迹数据如下表所示：
Figure BDA0002565178990000081
Figure BDA0002565178990000091
S2：对步骤S1所获得的大量人工驾驶车辆轨迹数据，进行典型的稳态跟驰和非稳态跟驰两类交通场景判别划分，如图2所示。
利用判别函数F1计算第一个跟驰车组后车在2～5s内速度差的加和：
Figure BDA0002565178990000092
利用判别函数F′1计算第一个跟驰车组后车在2～5s内速度差绝对值的加和：
Figure BDA0002565178990000093
可知-4＜2＜4，即1-T＜F1＜T-1，且有6＞4，即F′1＞T-1，故判定第一个跟驰车组处于非稳态跟驰场景。
S3：基于步骤S2中判别划分所得的非稳态跟驰交通场景，以待评估CAV控制器模型为分析对象，以CAV替换目标人工驾驶车辆2车，以人工驾驶车辆1车轨迹数据为输入条件，生成CAV在相应复杂场景下的轨迹数据，如图2所示。具体生成步骤如下：
S3.1计算跟驰车组的当前间隙误差：
基于跟驰车组前车、后车的轨迹数据，计算第1个跟驰车组在t＝1，2，3，4，5s时的间隙误差e(t)。
e(1)＝xf(1)-xb(1)-thwvb(1)＝138.5-134-0.6×22＝-8.7
e(2)＝xf(2)-xb(2)-thwvb(2)＝162.5-157-0.6×24＝-8.9
e(3)＝xf(3)-xb(3)-thwvb(3)＝188-182-0.6×26＝-9.6
e(4)＝xf(4)-xb(4)-thwvb(4)＝213-207.5-0.6×25＝-9.5
e(5)＝xf(5)-xb(5)-thwvb(5)＝237.5-232-0.6×24＝-8.9
S3.2计算跟驰车组的CAV的当前车速
基于跟驰车组前车、后车的轨迹数据和步骤S3.1所得的跟驰车组的当前间隙误差，计算得第1个跟驰车组在t＝2，3，4，5s时CAV的车速v*(t)。
取v*(1)＝vb(1)＝22m/s，则
Figure BDA0002565178990000094
Figure BDA0002565178990000095
Figure BDA0002565178990000096
Figure BDA0002565178990000097
那么，a*(2)＝-4.49m/s2，a*(3)＝-4.25m/s1，a*(4)＝-3.85m/s2
取x*(2)＝157m，则x*(3)＝172.71m，x*(4)＝184.04m，x*(5)＝191.33m
由此可生成包含位置，速度，加速度信息的CAV轨迹数据。
S4：基于步骤S2和S3分别获取的人工驾驶车辆轨迹数据和CAV轨迹数据，构建事故风险评估模型，如图3所示。具体步骤如下：
S4.1初步判定高风险状态，构建判别函数F2：
Figure BDA0002565178990000101
由于步骤2判定该例为非稳态跟驰场景，又通过计算第3～4s加速度差绝对值的加和，得F2≤10×(5-3)＝20，故转步骤S4.2，进一步判断高风险状态。
S4.2计算风险指标：
以DRAC作为风险评价指标，计算第1个跟驰车组在第t＝2，3，4，5s时为避免前车1和后车2碰撞所需的减速度。
由于xf(2)＞x*(2)，故
Figure BDA0002565178990000102
由于xf(3)＞x*(3)，故
Figure BDA0002565178990000103
由于xf(4)＞x*(4)，故
Figure BDA0002565178990000104
由于xf(5)＞x*(5)，故
Figure BDA0002565178990000105
S4.3计算瞬时风险概率：
以CP作为瞬时碰撞的风险概率评价指标，查表可得第1个跟驰车组在t＝2，3，4，5s时前车1和后车2碰撞的风险概率。
CP*(2)＝P(DRAC*(2)＞MADR*(2))＝1-0.999997＝0.000003
CP*(3)＝P(DRAC*(3)＞MADR*(3))＝1-1＝0
CP*(4)＝P(DRAC*(4)＞MADR*(4))＝1-0.999922＝0.000078
CP*(5)＝P(DRAC*(5)＞MADR*(5))＝1-0.999985＝0.000015
S4.4计算总事故风险率：
为评估风险程度，计算第1个跟驰车组的总事故风险率P*(k＝1)。
P*(k＝1)＝1-(1-CP*(2))(1-CP*(3))(1-CP*(4))(1-CP*(5))＝0.000096
S5：高风险状态评估
根据步骤S4所得第1个跟驰车组的总事故风险率P*(k＝1)＝0.000096，同理可得第2-10个跟驰车组的总事故风险率，假设其分别为0.000043，0.000045，0.000023，0.000087，0.000095，0.000082，0.000074，0.000069，0.000058。
代入构建判别函数F3，确定第1个跟驰车组是否处于高风险状态。
Figure BDA0002565178990000111
g取20。
P*(k＝1)＝0.000096＞0.000092，说明第1个跟驰车组中CAV处于高风险状态。
以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (9)

1.一种基于交通轨迹数据的CAV状态判定方法，其特征在于，包括以下步骤：
步骤1，获取若干人工驾驶车辆在实际道路交通中的轨迹数据；其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息；
步骤2，将所有人工车辆分为K个跟驰车组，每个跟驰车组包括前车和后车；
根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰；
根据每个跟驰车组前车和后车的轨迹数据，生成新的轨迹数据并作为与该跟驰车组对应CAV的轨迹数据；
所述根据每个跟驰车组前车和后车的轨迹数据生成新的轨迹数据，具体的生成方法为：
步骤A1，计算跟驰车组分别在t＝2,3，…，T各时刻的间隙误差e(t)：
e(t)＝xf(t)-xb(t)-thwvb(t)；
其中，xf(t)指前车在t时刻的位置，xb(t)、vb(t)分别指后车在t时刻的位置和速度，thw指在t时刻的时间间隔设置；
步骤A2，令v*(t＝1)＝vb(t＝1)，按以下公式分别计算以生成在t＝2,3，…，T各时刻的新的速度v*(t)：
Figure FDA0003011931480000011
其中，
Figure FDA0003011931480000012
是间隙误差e(t)的导数，np、nd均为与当前车辆相关的用于调整时间间隙误差的不同常系数；
步骤A3，利用步骤A2得到的t＝2,3，…，T各时刻的新的车速v*(t)，根据加速度与速度之间的关系计算在t＝2,3，…，T-1各时刻的新的加速度a*(t)；根据位移与速度之间的关系计算在t＝2,3，…，T各时刻的新的位置x*(t)；
步骤3，将每个CAV替换对应跟驰车组的后车；并针对每个替换后的跟驰车组，根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定。
2.根据权利要求l所述的方法，其特征在于，所述根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰，具体的判别函数为：
Figure FDA0003011931480000013
式中，Δvb(t)表示后车在时刻t相对于前一时刻t-1的速度变化量；F1为交通场景第一判断函数值，F′1为交通场景第二判断函数值；T为轨迹数据的记录时长；
若α(1-T)＜F1＜α(T-1)，且F′1＞α(T-1)，则判别为非稳态跟驰场景；否则，判别为稳态跟驰场景；其中，α为预设的步长变化系数。
3.根据权利要求2所述的方法，其特征在于，α＝1。
4.根据权利要求1所述的方法，其特征在于，所述根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定，具体的事故风险判定方法为：
步骤B1，按以下公式计算CAV的初步判别函数值F2：
Figure FDA0003011931480000021
其中，Δa*(t)为CAV在t时刻相对于t-1时刻的加速度变化量；
步骤B2，若当前CAV对应的跟驰车组在步骤2判断得到的交通场景为稳态跟驰，则判断初步判别函数值F2是否满足F2≤β1(T-3)，如果满足则执行步骤B3，如果不满足则直接判断当前CAV为高风险状态；
若当前CAV对应的跟驰车组在步骤2判断得到的交通场景为非稳态跟驰，则判断初步判别函数值F2是否满足F2≤β2(T-3)，如果满足则执行步骤B3，如果不满足则直接判断当前CAV为高风险状态；
其中，β1和β2分别为稳态跟驰和非稳态跟驰的高风险直接判别系数；
步骤B3，计算CAV分别在t＝2,3，…，T各时刻避免与对应跟驰车组前车碰撞所需的减速度DRAC*(t)：
Figure FDA0003011931480000022
其中，vf(t)、v*(t)分别为前车和CAV在t时刻的车速，xf(t)和x*(t)分别为前车和CAV在t时刻的位置；
步骤B4，通过查询正态分布表计算CAV在t＝2,3，…，T各时刻的瞬时风险概率CP*(t)：
CP*(t)＝P(DRAC*(t)＞MADR*(t))；
其中，MADR*(t)指CAV在t时刻可达的最大减速度；
步骤B5，计算CAV在预设时间段内的总事故风险率：
P*(k)＝1-(1-CP*(2))(1-CP*(3))(1-CP*(4))...(1-CP*(T))；
其中，CP*(2)、CP*(3)、CP*(4)、…、CP*(T)分别指在时刻2、3、4、...、T各时刻的瞬时风险概率；P*(k)表示第k个跟驰车组对应的CAV的总事故风险率；
步骤B6，在按前述步骤B1-B5得到所有K个跟驰车组对应的CAV的总事故风险率后，按以下公式计算CAV的进一步判别函数值F3，以进行高风险状态判定：
Figure FDA0003011931480000031
其中，P*是所有K个跟驰车组对应的K个CAV的总事故风险率P*(k)的集合，Max(P*)、Min(P*)分别是指P*中的最大值和最小值，g为常量；
若CAV的进一步判别函数值F3＝P*(k)，则该CAV运行处于高风险状态；若CAV的进一步判别函数值F3＝0，则该CAV运行未处于高风险状态。
5.根据权利要求4所述的方法，其特征在于，β1＝6，β2＝10。
6.根据权利要求1所述的方法，其特征在于，步骤1中轨迹数据的获取方法为：通过无人机航拍采集实际道路交通的视频，采用视频图像处理技术从视频中提取其中若干人工驾驶车辆的轨迹数据。
7.一种基于交通轨迹数据的CAV状态判定装置，其特征在于，包括：
轨迹数据获取模块，用于获取若干人工驾驶车辆在实际道路交通中的轨迹数据；其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息；
交通场景判断与CAV轨迹数据生成模块，用于将所有人工车辆分为K个跟驰车组，每个跟驰车组包括前车和后车；根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰；并根据每个跟驰车组前车和后车的轨迹数据，生成新的轨迹数据并作为与该跟驰车组对应CAV的轨迹数据；
所述根据每个跟驰车组前车和后车的轨迹数据生成新的轨迹数据，具体的生成方法为：
步骤A1，计算跟驰车组分别在t＝2,3，…，T各时刻的间隙误差e(t)：
e(t)＝xf(t)-xb(t)-thwvb(t)；
其中，xf(t)指前车在t时刻的位置，xb(t)、vb(t)分别指后车在t时刻的位置和速度，thw指在t时刻的时间间隔设置；
步骤A2，令v*(t＝1)＝vb(t＝1)，按以下公式分别计算以生成在t＝2,3，…，T各时刻的新的速度v*(t)：
Figure FDA0003011931480000032
其中，
Figure FDA0003011931480000033
是间隙误差e(t)的导数，np、nd均为与当前车辆相关的用于调整时间间隙误差的不同常系数；
步骤A3，利用步骤A2得到的t＝2,3，…，T各时刻的新的车速v*(t)，根据加速度与速度之间的关系计算在t＝2,3，…，T-1各时刻的新的加速度a*(t)；根据位移与速度之间的关系计算在t＝2,3，…，T各时刻的新的位置x*(t)；
CAV事故风险判定模块，用于将每个CAV替换对应跟驰车组的后车；并针对每个替换后的跟驰车组，根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定。
8.一种基于交通轨迹数据的CAV状态判定设备，其特征在于，包括处理器和存储器；其中：所述存储器用于存储计算机指令；所述处理器用于执行所述存储器存储的计算机指令，具体执行如权利要求1-6任一所述的方法。
9.一种计算机存储介质，其特征在于，用于存储程序，所述程序被执行时，用于实现如权利要求1-6任一所述的方法。
CN202010621078.0A 2020-07-01 2020-07-01 基于交通轨迹数据的cav状态判定方法、装置、设备及介质 Active CN111724603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010621078.0A CN111724603B (zh) 2020-07-01 2020-07-01 基于交通轨迹数据的cav状态判定方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010621078.0A CN111724603B (zh) 2020-07-01 2020-07-01 基于交通轨迹数据的cav状态判定方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111724603A CN111724603A (zh) 2020-09-29
CN111724603B true CN111724603B (zh) 2021-05-18

Family

ID=72570836

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010621078.0A Active CN111724603B (zh) 2020-07-01 2020-07-01 基于交通轨迹数据的cav状态判定方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN111724603B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967499B (zh) * 2020-10-28 2022-03-04 吉林大学 一种信控交叉口定时式cav专用直行进口道设置条件判定方法
CN112767699B (zh) * 2020-10-28 2022-03-04 吉林大学 一种信号交叉口固定式直行cav专用进口道设置条件判定方法
CN112767700B (zh) * 2020-10-28 2022-03-04 吉林大学 一种信号交叉口动态感应式cav专用直行进口道布设方法
CN113066282B (zh) * 2021-02-26 2022-05-27 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 一种面向混行环境下车辆跟驰耦合关系建模方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106846812A (zh) * 2017-03-14 2017-06-13 北京航空航天大学 一种十字路口的交通流量评估方法
CN111348038A (zh) * 2020-03-13 2020-06-30 中建山东投资有限公司 一种基于varma模型短时预测的追尾预警方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004053754A1 (de) * 2004-11-06 2006-05-11 Daimlerchrysler Ag Verfahren zur Erkennung von auffahrunfallkritischen Situationen im Kolonnenverkehr
CN103150930B (zh) * 2013-02-01 2015-09-16 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
CN105427669B (zh) * 2015-12-04 2019-05-31 重庆邮电大学 一种基于dsrc车车通信技术的防撞预警方法
CN108556845B (zh) * 2018-04-10 2020-07-10 清华大学 一种车辆跟驰系统和方法
CN110033617A (zh) * 2019-04-19 2019-07-19 中国汽车工程研究院股份有限公司 一种面向自然驾驶数据的跟驰状态评估系统及方法
CN110599772B (zh) * 2019-09-19 2020-08-28 西南交通大学 一种基于双层规划的混合交通流协同优化控制方法
CN110473404B (zh) * 2019-09-19 2020-08-25 西南交通大学 一种城市十字交叉口混合交通流协同优化底层控制方法
CN111145545B (zh) * 2019-12-25 2021-05-28 西安交通大学 基于深度学习的道路交通行为无人机监测系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106846812A (zh) * 2017-03-14 2017-06-13 北京航空航天大学 一种十字路口的交通流量评估方法
CN111348038A (zh) * 2020-03-13 2020-06-30 中建山东投资有限公司 一种基于varma模型短时预测的追尾预警方法

Also Published As

Publication number Publication date
CN111724603A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN111724603B (zh) 基于交通轨迹数据的cav状态判定方法、装置、设备及介质
CN109345020B (zh) 一种完全信息下的无信号交叉口车辆驾驶行为预测方法
Dai et al. Modeling vehicle interactions via modified LSTM models for trajectory prediction
CN106427589A (zh) 基于工况预测和模糊能耗的电动汽车续驶里程估算方法
CN105868787A (zh) 基于工况识别和模糊能耗的电动汽车续驶里程估算方法
CN114973733B (zh) 一种信号交叉口处混合流下网联自动车轨迹优化控制方法
CN110990950B (zh) 基于混合运行模式的多目标列车节能优化方法
CN113485124B (zh) 一种考虑通信时滞的异构车辆队列稳定性控制方法及系统
CN108644374A (zh) 变速箱控制方法及装置
WO2023087717A1 (zh) 基于等值段识别的航班爬升阶段转换高度要素确定方法
CN114005297B (zh) 一种基于车联网的车队协调行驶方法
CN113674546B (zh) 基于sumo仿真的V2X环境下的高速公路管控方法
CN112749508B (zh) 一种基于gmm和bp神经网络的路感模拟方法
CN112508411B (zh) 一种司机操纵水平分级评价方法及终端
CN114047003B (zh) 一种基于动态时间规整算法的人车差异性数据触发记录控制方法
Gao et al. Control strategy for PHEB based on actual driving cycle with driving style characteristic
CN115447617A (zh) 一种车辆控制方法、装置、设备及介质
CN109686086A (zh) 模糊控制网络的训练、生成路口建议速度的方法及装置
CN113635900B (zh) 一种预测巡航过程中基于能量管理的换道决策控制方法
CN115257692A (zh) 一种基于视觉交通信息的phev能量管理方法及系统
CN114818109A (zh) 一种车辆编队行驶下空气阻力系数及燃油经济性计算方法
CN113823118A (zh) 一种联合紧急程度和博弈论的智能网联车辆换道方法
CN113506012A (zh) 一种基于手机车联网数据的驾驶行为风险指数判定方法
CN112230659A (zh) 精准规划运动轨迹的方法、智能控制设备及自动驾驶车辆
CN116061985B (zh) 驼峰三部位减速器定速控制方法、装置及驼峰控制系统

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
GR01 Patent grant
GR01 Patent grant