CN112053557B - 一种基于多车行进环境下的有轨电车冲突区域评估方法 - Google Patents

一种基于多车行进环境下的有轨电车冲突区域评估方法 Download PDF

Info

Publication number
CN112053557B
CN112053557B CN202010838586.4A CN202010838586A CN112053557B CN 112053557 B CN112053557 B CN 112053557B CN 202010838586 A CN202010838586 A CN 202010838586A CN 112053557 B CN112053557 B CN 112053557B
Authority
CN
China
Prior art keywords
vehicle
tramcar
collision
area
data set
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
CN202010838586.4A
Other languages
English (en)
Other versions
CN112053557A (zh
Inventor
黑新宏
张晓�
费蓉
姬文江
谢国
上官安琪
李莎莎
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202010838586.4A priority Critical patent/CN112053557B/zh
Publication of CN112053557A publication Critical patent/CN112053557A/zh
Application granted granted Critical
Publication of CN112053557B publication Critical patent/CN112053557B/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
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic 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
    • G08G1/16—Anti-collision systems
    • 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)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Emergency Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多车行进环境下的有轨电车冲突区域评估方法，首先对使用的车辆运动数据集进行预处理，得到目标车辆及其周围车辆运行状态的数据集，然后划分有轨电车观测区域与预警区域；通过对多车运动状态绘图对处理得到的数据集进行可视化观测，分析其目标车辆换道意图，基于长短期记忆网络构建有轨电车周围车辆的轨迹预测模型，利用有轨电车的确定轨迹与目标车辆的预测轨迹构建的碰撞冲突区域，根据碰撞等级划分情况，对进入预警区域的目标车辆与行进中的有轨电车的碰撞危险程度进行评估。本发明解决了现有技术中存在的有轨电车在混合路权模式下与第三方车辆易发生碰撞造成交通事故的问题。

Description

一种基于多车行进环境下的有轨电车冲突区域评估方法
技术领域
本发明属于无人驾驶冲突区域检测技术领域，具体涉及一种基于多车行进环境下的有轨电车冲突区域评估方法。
背景技术
根据欧洲发达国家的经验，大力发展公共交通可以缓解交通拥挤状况。其中，现代有轨电车属于轻型轨道交通，在既定轨道上采用电力驱动行驶，相较其他的城市公共交通，具有性价比高、整车重量轻、运行速度快、单次载客量大、环境污染小等优点。因此，为解决日益严重的交通拥堵问题，优先发展公共交通系统的趋势势不可挡。近年来，因有轨电车造成的事故时有发生，其中，汽车与有轨电车相撞造成的事故占绝大部分，给人民财产和安全造成了极大地损失，由事故分析报告可得，国内外有轨电车发生交通事故的占比大部分集中于，有轨电车在混合路权模式下与第三方车辆发生碰撞造成的交通事故。
目前，我国各大城市有轨电车在共享路段的行驶，主要通过驾驶员判断以及在路段两侧配备安全员进行防护来避免发生碰撞。同时，轨道车辆的碰撞安全技术分为两种，主动防护技术与被动防护技术。主动防护技术，即配备优良的车辆制动系统、可以预测周围车辆行为等措施做好预防工作；被动防护技术，即通过提升车辆自身结构的耐碰撞水平来减少碰撞产生的破坏性。随着近些年我国城市轨道交通的快速发展，国内相关领域学者开展了大量研究工作，其中与有轨电车安全相关的研究主要可分为车辆系统动力学、路权选择与耐碰撞性三部分。现今，国内对于轨道交通车辆耐碰撞性研究主要集中于地铁列车，对有轨电车耐碰撞性开展的相关研究相对较少且主要针对车辆纵向碰撞。同时，主动防护技术主要集中于以车辆为主体进行研究，对于有轨电车在主动防护的研究相对较少。因此，通过划分有轨电车的冲突区域等来对周围目标物体进行观测及预警，进而通过对碰撞冲突区域的危险等级划分及预测建立碰撞预警模型以达到避免因有轨电车发生碰撞造成的交通事故，是一项有效且课实施的措施。
发明内容
本发明的目的是提供一种基于多车行进环境下的有轨电车冲突区域评估方法，解决了现有技术中存在的有轨电车在混合路权模式下与第三方车辆易发生碰撞造成交通事故的问题。
本发明所采用的技术方案是，一种基于多车行进环境下的有轨电车冲突区域评估方法，具体按照以下步骤实施：
步骤1、对使用的车辆运动数据集进行预处理，得到目标车辆及其周围车辆运行状态的数据集，预处理后的数据集包括车辆ID、帧ID、总帧数、当前时刻车辆位置、车辆类型、车辆长度、车辆宽度、车辆速度、车辆加速度、所属车道、前后车ID在内的16列特征信息；
步骤2、划分有轨电车观测区域与预警区域；
步骤3、通过判断进入有轨电车观测区域目标物体的大小来确定进入其区域的目标物体具体类型，若进入的目标对象为车辆，则转到步骤4；若目标对象检测为包括行人、电动车在内的非机动车，则将判断信息通过有轨电车显示控制台反馈给有轨电车驾驶员，建议其谨慎驾驶；
步骤4、通过对多车运动状态绘图对处理得到的数据集进行可视化观测，分析其目标车辆换道意图，进而利用筛选出特征信息构建基于车辆特征信息的车辆行驶意图识别模型，并根据构建的车辆行驶意图识别模型的预测结果分析进入有轨电车观测区域的目标对象，预测触碰到有轨电车预警区域界线的目标车辆是否有进入其预警区域的意图；
步骤5、结合步骤1的数据集中车辆的运动状态信息，基于长短期记忆网络构建有轨电车周围车辆的轨迹预测模型，用来对有进入有轨电车预警区域意图的目标对象进行轨迹预测，从而进一步判断周围车辆在有轨电车行驶途中与有轨电车的碰撞危险程度；
步骤6、根据步骤2划分的冲突区域，结合步骤4构建的基于车辆特征信息的车辆行驶意图识别模型与步骤5构建的基于长短期记忆网络的轨迹预测模型，利用有轨电车的确定轨迹与目标车辆的预测轨迹构建的碰撞冲突区域，根据碰撞等级划分情况，对进入预警区域的目标车辆与行进中的有轨电车的碰撞危险程度进行评估。
本发明的特点还在于，
步骤2具体按照以下步骤实施：
步骤2.1、以有轨电车一节车厢的中心点为圆心，以12米为半径画圆，将其定义为有轨电车的观测区域S1，该区域用以观测记录进入其区域的目标物体的速度、位置、时间信息；
步骤2.2、以有轨电车一节车厢的长度，即8米为半径，以该节车厢的中心点为圆心画圆，将其定义为有轨电车的预警区域S2，该区域用以对进入其中的目标对象进行轨迹预测、风险评估。
步骤4具体按照以下步骤实施：
步骤4.1、对步骤1得到的数据集进行分析处理，在数据中找到一个目标车辆，再根据数据集中提供的特征找到该目标车辆的周围环境车辆，特征包括该段时间内目标车辆的前、后车序号信息，将其组合到一个数据集当中；
步骤4.2：对步骤4.1得到的数据集，进行绘图，得到目标车辆及其周围环境车辆的运动轨迹示意图，即可以对目标车辆运行状态及其周围车辆的运动轨迹实现可视化观测；
步骤4.3：由步骤4.2得到的绘图结果，分析目标车辆的换道意图，即车辆是否进行换道操作，筛选出换道、不换道车辆的数据集；
步骤4.4：根据步骤4.2的绘图结果与步骤4.3处理后的数据集，进行特征分类，选择包括目标车辆的速度、目标车辆与换道前、后车辆的距离、目标车辆与换道后所在车道前后车的距离在内的特征，进而构建基于车辆运动特征信息的车辆行驶意图识别模型；
步骤4.5：利用步骤4.4构建的模型对有轨电车周围车辆是否从有轨电车观测区域进入其预警区域的意图进行预测，若预测的目标车辆的行驶意图是朝向有轨电车预警区域，则表示目标车辆有进入有轨电车预警区域的意图。
步骤5具体按照以下步骤实施：
步骤5.1、选择数据分析工具pandas对步骤1得到的数据集进行数据分析；
步骤5.2、确定基于长短期记忆网络的车辆轨迹预测模型的输入为车辆的经纬度、速度、加速度信息；
步骤5.3、设置长短期记忆网络的训练次数、训练集与验证集的比例、使用的激活函数、损失函数在内的参数信息；
步骤5.4、利用数据分析工具pandas中的read_csv()方法加载数据集，然后使用pandas提供的groupby方法将数据集按照车辆ID分成不同的组，即结果为同一个车辆ID的数据集为一组；
步骤5.5、由于使用的数据集是通过视频采集到的信息，1秒采集10帧的图片，即一行数据集表示0.1秒的车辆数据，因此，用前n行数据预测下一行位置信息；
步骤5.6、通过pandas将经过步骤5.4处理得到的数据集进行数据分析，对第一组数据集按照一个数组n行，并使用vstack()堆叠数组的方法解析步骤5.4得到的数据集，并将数据集按步骤5.3设置的训练集与验证集的比列进行训练集数据、验证集数据的划分；
步骤5.7、进行循环操作，对下一组数据集重复步骤5.6，直至最后一组数据集完成步骤5.6，得到完整的训练集与测试集，同时，使用random函数随机设置测试数据集的ID，得到测试数据集；
步骤5.8、在模型训练之前，将步骤5.3设置的损失函数、优化器参数输入模型，进行编译；
步骤5.9、将训练数据集、验证数据集、训练次数参数输入模型，调用网络的fit方法开始训练网络；
步骤5.10、确定基于长短期记忆网络的车辆轨迹预测模型的输出为预测的经纬度、帧ID信息；
步骤5.11、模型训练完成后，使用matplotlib绘图工具绘制模型训练过程中的训练损失与验证损失结果，并在控制台输出mse、mae评估函数的结果，该结果显示该模型的预测结果与真实结果的差值；
步骤5.12、使用matplotlib绘图工具绘制测试车辆的真实轨迹与预测轨迹，以直观判断基于长短期记忆网络的车辆轨迹预测模型的训练情况；
步骤5.13、通过计算mae、mse误差函数，在结果达到10％及以下之后，根据预测的目标车辆轨迹信息，结合有轨电车的固定轨道情况，得到目标车辆驶入、驶出有轨电车轨道的时间，即判断目标车辆接下来的运行轨迹是否会与有轨电车发生碰撞。
步骤6具体按照以下步骤实施：
步骤6.1、结合步骤2划分的预警区域与步骤5预测的目标车辆轨迹信息，根据有轨电车具有固定的轨道与形式路线，确定有轨电车与进入其预警区域的车辆的碰撞冲突区域；
步骤6.2、对有轨电车与进入其预警区域的车辆进行碰撞危险程度分级；
步骤6.3、结合步骤5构建的基于长短期记忆网络的轨迹预测模型对目标车辆进入有轨电车预警区域的轨迹预测结果与步骤6.1的碰撞危险等级分类情况，对进入有轨电车预警区域的目标对象进行碰撞危险等级的分析，最终得到碰撞危险程度的评估结果。
步骤6.2对有轨电车与进入其预警区域的车辆进行碰撞危险程度分级具体如下：
(a)当目标车辆驶出碰撞冲突区域，有轨电车还有1-3s才能到达碰撞冲突区域；(b)当有轨电车驶出碰撞冲突区域，目标车辆还有1-3s才能到达碰撞冲突区域，此种情况划分为一级，即无碰撞危险情况；
(a)当车辆处于到达碰撞冲突区域还剩3s才能驶出状态的同时，有轨电车还有1-2s到达碰撞冲突区域；(b)当有轨电车处于到达碰撞冲突区域还剩3s才能离开状态的同时，目标车辆还有2-3s到达碰撞冲突区域，此种情况划分为二级，即有碰撞危险，但碰撞危险等级较低；
(a)当车辆处于到达碰撞冲突区域还剩4s才能驶出状态的同时，有轨电车还有1s到达碰撞冲突区域；(b)当有轨电车处于到达碰撞冲突区域还剩4s离开状态的同时，目标车辆还有1s到达碰撞冲突区域，此种情况划分为三级，即有碰撞危险且碰撞危险很大。
步骤6.3具体如下：
若碰撞危险等级处于步骤6.1划分的一级等级(a)或(b)的情况，则不向有轨电车控制台发送消息，有轨电车按原计划行驶；
若碰撞危险等级处于步骤6.1划分的二级等级(a)情况或三级等级(a)情况，则向有轨电车控制台传送减速等待车辆通过冲突区域的消息；
若碰撞危险等级处于步骤6.1划分的二级等级(b)情况或三级等级(b)情况，则向有轨电车控制台传送加速通过冲突区域的消息。
本发明的有益效果是，一种基于多车行进环境下的有轨电车冲突区域评估方法，因国内对于主动防护技术主要以车辆为主体进行研究，以有轨电车为主体进行的相关研究不多，本发明提出的通过划分有轨电车的冲突区域等来对周围目标物体进行观测及预警，进而通过对碰撞冲突区域的危险等级划分及预测建立碰撞预警模型以达到避免因有轨电车发生碰撞造成的交通事故，是一项有效且可实施的措施。
附图说明
图1是本发明的流程图；
图2是本发明的有轨电车观测区域和预警区域的划分图；
图3是本发明在预警区域与目标车辆的碰撞冲突区域示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于多车行进环境下的有轨电车冲突区域评估方法，流程图如图1所示，具体按照以下步骤实施：
步骤1、对使用的车辆运动数据集进行预处理，得到目标车辆及其周围车辆运行状态的数据集，预处理后的数据集包括车辆ID、帧ID、总帧数、当前时刻车辆位置、车辆类型、车辆长度、车辆宽度、车辆速度、车辆加速度、所属车道、前后车ID在内的16列特征信息；
步骤2、划分有轨电车观测区域与预警区域，如图2、图3所示，根据有轨电车在城市中的实际运行情况，有轨电车在行进过程中的采用分段模式，即分段采用独立路权、半独立路权和混合路权三种路权模式。又根据事故报告可得，有轨电车在混合路权模式，即有轨电车与车辆、行人、电动车等第非机动车辆共享路权的模式下，最容易发生事故，造成人员、财产损失。因此，对有轨电车的冲突区域的应用主要集中在混合路权模式下，去检测运动物体是否进入有轨电车的观测区域或预警区域。
步骤2具体按照以下步骤实施：
步骤2.1、因国内有轨电车一节车厢的长度大致在7-10米之间，所以本发明设定，有轨电车一节车厢的长度是8米，以有轨电车一节车厢的中心点为圆心，以12米为半径画圆，将其定义为有轨电车的观测区域S1，该区域用以观测记录进入其区域的目标物体的速度、位置、时间信息；
步骤2.2、以有轨电车一节车厢的长度，即8米为半径，以该节车厢的中心点为圆心画圆，将其定义为有轨电车的预警区域S2，该区域用以对进入其中的目标对象进行轨迹预测、风险评估。
步骤3、通过判断进入有轨电车观测区域目标物体的大小来确定进入其区域的目标物体具体类型，若进入的目标对象为车辆，则转到步骤4；若目标对象检测为包括行人、电动车在内的非机动车，则将判断信息通过有轨电车显示控制台反馈给有轨电车驾驶员，建议其谨慎驾驶；
步骤4、通过对多车运动状态绘图对处理得到的数据集进行可视化观测，分析其目标车辆换道意图，进而利用筛选出特征信息构建基于车辆特征信息的车辆行驶意图识别模型，并根据构建的车辆行驶意图识别模型的预测结果分析进入有轨电车观测区域的目标对象，预测触碰到有轨电车预警区域界线的目标车辆是否有进入其预警区域的意图；
步骤4具体按照以下步骤实施：
步骤4.1、对步骤1得到的数据集进行分析处理，在数据中找到一个目标车辆，再根据数据集中提供的特征找到该目标车辆的周围环境车辆，特征包括该段时间内目标车辆的前、后车序号信息，将其组合到一个数据集当中；
步骤4.2：对步骤4.1得到的数据集，进行绘图，得到目标车辆及其周围环境车辆的运动轨迹示意图，即可以对目标车辆运行状态及其周围车辆的运动轨迹实现可视化观测；
步骤4.3：由步骤4.2得到的绘图结果，分析目标车辆的换道意图，即车辆是否进行换道操作，筛选出换道、不换道车辆的数据集；
步骤4.4：根据步骤4.2的绘图结果与步骤4.3处理后的数据集，进行特征分类，选择包括目标车辆的速度、目标车辆与换道前、后车辆的距离、目标车辆与换道后所在车道前后车的距离在内的特征，进而构建基于车辆运动特征信息的车辆行驶意图识别模型；
步骤4.5：利用步骤4.4构建的模型对有轨电车周围车辆是否从有轨电车观测区域进入其预警区域的意图进行预测，若预测的目标车辆的行驶意图是朝向有轨电车预警区域，则表示目标车辆有进入有轨电车预警区域的意图。
步骤5、结合步骤1的数据集中车辆的运动状态信息，基于长短期记忆网络构建有轨电车周围车辆的轨迹预测模型，用来对有进入有轨电车预警区域意图的目标对象进行轨迹预测，从而进一步判断周围车辆在有轨电车行驶途中与有轨电车的碰撞危险程度；
步骤5具体按照以下步骤实施：
步骤5.1、对经过步骤1处理得到的数据集进行分析，得到该数据集对车辆轨迹的表述是时序性的，根据深度神经网络强大的数据特征提取能力和非线性拟合能力，及长短期记忆网络在时序数据处理上的优势，选择长短期记忆网络来对车辆数据集进行训练与测试，选择数据分析工具pandas对步骤1得到的数据集进行数据分析；
步骤5.2、确定基于长短期记忆网络的车辆轨迹预测模型的输入为车辆的经纬度、速度、加速度信息；
步骤5.3、设置长短期记忆网络的训练次数、训练集与验证集的比例、使用的激活函数、损失函数在内的参数信息；
步骤5.4、利用数据分析工具pandas中的read_csv()方法加载数据集，然后使用pandas提供的groupby方法将数据集按照车辆ID分成不同的组，即结果为同一个车辆ID的数据集为一组；
步骤5.5、由于使用的数据集是通过视频采集到的信息，1秒采集10帧的图片，即一行数据集表示0.1秒的车辆数据，因此，用前n行数据预测下一行位置信息；
步骤5.6、通过pandas将经过步骤5.4处理得到的数据集进行数据分析，对第一组数据集按照一个数组n行，并使用vstack()堆叠数组的方法解析步骤5.4得到的数据集，并将数据集按步骤5.3设置的训练集与验证集的比列进行训练集数据、验证集数据的划分；
步骤5.7、进行循环操作，对下一组数据集重复步骤5.6，直至最后一组数据集完成步骤5.6，得到完整的训练集与测试集，同时，使用random函数随机设置测试数据集的ID，得到测试数据集；
步骤5.8、在模型训练之前，将步骤5.3设置的损失函数、优化器参数输入模型，进行编译；
步骤5.9、将训练数据集、验证数据集、训练次数参数输入模型，调用网络的fit方法开始训练网络；
步骤5.10、确定基于长短期记忆网络的车辆轨迹预测模型的输出为预测的经纬度、帧ID信息；
步骤5.11、模型训练完成后，使用matplotlib绘图工具绘制模型训练过程中的训练损失与验证损失结果，并在控制台输出mse、mae评估函数的结果，该结果显示该模型的预测结果与真实结果的差值；
步骤5.12、使用matplotlib绘图工具绘制测试车辆的真实轨迹与预测轨迹，以直观判断基于长短期记忆网络的车辆轨迹预测模型的训练情况；
步骤5.13、通过计算mae、mse误差函数，在结果达到10％及以下之后，根据预测的目标车辆轨迹信息，结合有轨电车的固定轨道情况，得到目标车辆驶入、驶出有轨电车轨道的时间，即判断目标车辆接下来的运行轨迹是否会与有轨电车发生碰撞。
步骤6、根据步骤2划分的冲突区域，结合步骤4构建的基于车辆特征信息的车辆行驶意图识别模型与步骤5构建的基于长短期记忆网络的轨迹预测模型，利用有轨电车的确定轨迹与目标车辆的预测轨迹构建的碰撞冲突区域，根据碰撞等级划分情况，对进入预警区域的目标车辆与行进中的有轨电车的碰撞危险程度进行评估。
步骤6具体按照以下步骤实施：
步骤6.1、结合步骤2划分的预警区域与步骤5预测的目标车辆轨迹信息，根据有轨电车具有固定的轨道与形式路线，确定有轨电车与进入其预警区域的车辆的碰撞冲突区域；
步骤6.2、对有轨电车与进入其预警区域的车辆进行碰撞危险程度分级；
步骤6.3、结合步骤5构建的基于长短期记忆网络的轨迹预测模型对目标车辆进入有轨电车预警区域的轨迹预测结果与步骤6.1的碰撞危险等级分类情况，对进入有轨电车预警区域的目标对象进行碰撞危险等级的分析，最终得到碰撞危险程度的评估结果。
步骤6.2对有轨电车与进入其预警区域的车辆进行碰撞危险程度分级具体如下：
(a)当目标车辆驶出碰撞冲突区域，有轨电车还有1-3s才能到达碰撞冲突区域；(b)当有轨电车驶出碰撞冲突区域，目标车辆还有1-3s才能到达碰撞冲突区域，此种情况划分为一级，即无碰撞危险情况；
(a)当车辆处于到达碰撞冲突区域还剩3s才能驶出状态的同时，有轨电车还有1-2s到达碰撞冲突区域；(b)当有轨电车处于到达碰撞冲突区域还剩3s才能离开状态的同时，目标车辆还有2-3s到达碰撞冲突区域，此种情况划分为二级，即有碰撞危险，但碰撞危险等级较低；
(a)当车辆处于到达碰撞冲突区域还剩4s才能驶出状态的同时，有轨电车还有1s到达碰撞冲突区域；(b)当有轨电车处于到达碰撞冲突区域还剩4s离开状态的同时，目标车辆还有1s到达碰撞冲突区域，此种情况划分为三级，即有碰撞危险且碰撞危险很大。
步骤6.3具体如下：
若碰撞危险等级处于步骤6.1划分的一级等级(a)或(b)的情况，则不向有轨电车控制台发送消息，有轨电车按原计划行驶；
若碰撞危险等级处于步骤6.1划分的二级等级(a)情况或三级等级(a)情况，则向有轨电车控制台传送减速等待车辆通过冲突区域的消息；
若碰撞危险等级处于步骤6.1划分的二级等级(b)情况或三级等级(b)情况，则向有轨电车控制台传送加速通过冲突区域的消息。
实施例
假设西安市碑林区开通有轨电车，路线通过咸宁路路段及其十字路口路段，且周围安装摄像头捕捉所有车辆的视频信息。
通过对咸宁路段车辆历史轨迹的视频信息进行分析处理，可以得到不同类型车辆在此路段的运动状态信息，如位置、速度、加速度、车辆类型、所属车道、前后车辆编号等信息。从历史轨迹信息分析处理得到的某辆车的某一时刻的信息包括车辆ID、帧ID、总帧数、当前时刻车辆位置、车辆类型、车辆长度、车辆宽度、车辆速度、车辆加速度、所属车道、前后车ID等16列特征信息。
假定该车进入有轨电车的观测区域，对该辆车的运动状态信息进行收集，当该车触碰到有轨电车的预警区域时，通过对该辆车在观测区域的状态分析，预测触碰有轨电车预警区域界线的目标物体是否有进入其预警区域的意图。假定该车有进入有股电车预警区域的意图。
通过上述步骤构建的轨迹预测模型，结合该辆车的运动状态信息，从而对有进入有轨电车预警区域意图的目标车辆进行轨迹预测。假定预测的该辆车的轨迹会与有轨电车的运行路线重合，同时对进入有轨电车碰撞冲突区域的车辆进行碰撞危险等级进行分析。其预测的该车碰撞危险等级为2级，即当该车到达碰撞冲突区域还剩3s才能驶出的同时，有轨电车还有2s就到达碰撞冲突区域。此时，向有轨电车控制台传送减速慢行，等待车辆通过碰撞冲突区域的消息。

Claims (5)

1.一种基于多车行进环境下的有轨电车冲突区域评估方法，其特征在于，具体按照以下步骤实施：
步骤1、对使用的车辆运动数据集进行预处理，得到目标车辆及其周围车辆运行状态的数据集，预处理后的数据集包括车辆ID、帧ID、总帧数、当前时刻车辆位置、车辆类型、车辆长度、车辆宽度、车辆速度、车辆加速度、所属车道、前后车ID在内的16列特征信息；
步骤2、划分有轨电车观测区域与预警区域；
所述步骤2具体按照以下步骤实施：
步骤2.1、以有轨电车一节车厢的中心点为圆心，以12米为半径画圆，将其定义为有轨电车的观测区域S1，该区域用以观测记录进入其区域的目标物体的速度、位置、时间信息；
步骤2.2、以有轨电车一节车厢的长度，即8米为半径，以该节车厢的中心点为圆心画圆，将其定义为有轨电车的预警区域S2，该区域用以对进入其中的目标对象进行轨迹预测、风险评估；
步骤3、通过判断进入有轨电车观测区域目标物体的大小来确定进入其区域的目标物体具体类型，若进入的目标对象为车辆，则转到步骤4；若目标对象检测为包括行人、电动车在内的非机动车，则将判断信息通过有轨电车显示控制台反馈给有轨电车驾驶员，建议其谨慎驾驶；
步骤4、通过对多车运动状态绘图对处理得到的数据集进行可视化观测，分析其目标车辆换道意图，进而利用筛选出特征信息构建基于车辆特征信息的车辆行驶意图识别模型，并根据构建的车辆行驶意图识别模型的预测结果分析进入有轨电车观测区域的目标对象，预测触碰到有轨电车预警区域界线的目标车辆是否有进入其预警区域的意图；
所述步骤4具体按照以下步骤实施：
步骤4.1、对步骤1得到的数据集进行分析处理，在数据中找到一个目标车辆，再根据数据集中提供的特征找到该目标车辆的周围环境车辆，特征包括目标车辆从进入到驶离所述步骤2构建的有轨电车观测区域期间目标车辆的前、后车序号信息，将其组合到一个数据集当中；
步骤4.2：对步骤4.1得到的数据集，进行绘图，得到目标车辆及其周围环境车辆的运动轨迹示意图，即可以对目标车辆运行状态及其周围车辆的运动轨迹实现可视化观测；
步骤4.3：由步骤4.2得到的绘图结果，分析目标车辆的换道意图，即车辆是否进行换道操作，筛选出换道、不换道车辆的数据集；
步骤4.4：根据步骤4.2的绘图结果与步骤4.3处理后的数据集，进行特征分类，选择包括目标车辆的速度、目标车辆与换道前、后车辆的距离、目标车辆与换道后所在车道前后车的距离在内的特征，进而构建基于车辆运动特征信息的车辆行驶意图识别模型；
步骤4.5：利用步骤4.4构建的模型对有轨电车周围车辆是否从有轨电车观测区域进入其预警区域的意图进行预测，若预测的目标车辆的行驶意图是朝向有轨电车预警区域，则表示目标车辆有进入有轨电车预警区域的意图；
步骤5、结合步骤1的数据集中车辆的运动状态信息，基于长短期记忆网络构建有轨电车周围车辆的轨迹预测模型，用来对有进入有轨电车预警区域意图的目标对象进行轨迹预测，从而进一步判断周围车辆在有轨电车行驶途中与有轨电车的碰撞危险程度；
步骤6、根据步骤2划分的冲突区域，结合步骤4构建的基于车辆特征信息的车辆行驶意图识别模型与步骤5构建的基于长短期记忆网络的轨迹预测模型，利用有轨电车的确定轨迹与目标车辆的预测轨迹构建的碰撞冲突区域，根据碰撞等级划分情况，对进入预警区域的目标车辆与行进中的有轨电车的碰撞危险程度进行评估。
2.根据权利要求1所述的一种基于多车行进环境下的有轨电车冲突区域评估方法，其特征在于，所述步骤5具体按照以下步骤实施：
步骤5.1、选择数据分析工具pandas对步骤1得到的数据集进行数据分析；
步骤5.2、确定基于长短期记忆网络的车辆轨迹预测模型的输入为车辆的经纬度、速度、加速度信息；
步骤5.3、设置长短期记忆网络的训练次数、训练集与验证集的比例、使用的激活函数、损失函数在内的参数信息；
步骤5.4、利用数据分析工具pandas中的read_csv()方法加载数据集，然后使用pandas提供的groupby方法将数据集按照车辆ID分成不同的组，即结果为同一个车辆ID的数据集为一组；
步骤5.5、由于使用的数据集是通过视频采集到的信息，1秒采集10帧的图片，即一行数据集表示0.1秒的车辆数据，因此，用前n行数据预测下一行位置信息；
步骤5.6、通过pandas将经过步骤5.4处理得到的数据集进行数据分析，对第一组数据集按照一个数组n行，并使用vstack()堆叠数组的方法解析步骤5.4得到的数据集，并将数据集按步骤5.3设置的训练集与验证集的比列进行训练集数据、验证集数据的划分；
步骤5.7、进行循环操作，对下一组数据集重复步骤5.6，直至最后一组数据集完成步骤5.6，得到完整的训练集与测试集，同时，使用random函数随机设置测试数据集的ID，得到测试数据集；
步骤5.8、在模型训练之前，将步骤5.3设置的损失函数、优化器参数输入模型，进行编译；
步骤5.9、将训练数据集、验证数据集、训练次数参数输入模型，调用网络的fit方法开始训练网络；
步骤5.10、确定基于长短期记忆网络的车辆轨迹预测模型的输出为预测的经纬度、帧ID信息；
步骤5.11、模型训练完成后，使用matplotlib绘图工具绘制模型训练过程中的训练损失与验证损失结果，并在控制台输出mse、mae评估函数的结果，该结果显示该模型的预测结果与真实结果的差值；
步骤5.12、使用matplotlib绘图工具绘制测试车辆的真实轨迹与预测轨迹，以直观判断基于长短期记忆网络的车辆轨迹预测模型的训练情况；
步骤5.13、通过计算mae、mse误差函数，在结果达到10％及以下之后，根据预测的目标车辆轨迹信息，结合有轨电车的固定轨道情况，得到目标车辆驶入、驶出有轨电车轨道的时间，即判断目标车辆接下来的运行轨迹是否会与有轨电车发生碰撞。
3.根据权利要求2所述的一种基于多车行进环境下的有轨电车冲突区域评估方法，其特征在于，所述步骤6具体按照以下步骤实施：
步骤6.1、结合步骤2划分的预警区域与步骤5预测的目标车辆轨迹信息，根据有轨电车具有固定的轨道与形式路线，确定有轨电车与进入其预警区域的车辆的碰撞冲突区域；
步骤6.2、对有轨电车与进入其预警区域的车辆进行碰撞危险程度分级；
步骤6.3、结合步骤5构建的基于长短期记忆网络的轨迹预测模型对目标车辆进入有轨电车预警区域的轨迹预测结果与步骤6.1的碰撞危险等级分类情况，对进入有轨电车预警区域的目标对象进行碰撞危险等级的分析，最终得到碰撞危险程度的评估结果。
4.根据权利要求3所述的一种基于多车行进环境下的有轨电车冲突区域评估方法，其特征在于，所述步骤6.2对有轨电车与进入其预警区域的车辆进行碰撞危险程度分级具体如下：
(a)当目标车辆驶出碰撞冲突区域，有轨电车还有1-3s才能到达碰撞冲突区域；(b)当有轨电车驶出碰撞冲突区域，目标车辆还有1-3s才能到达碰撞冲突区域，此种情况划分为一级，即无碰撞危险情况；
(a)当车辆处于到达碰撞冲突区域还剩3s才能驶出状态的同时，有轨电车还有1-2s到达碰撞冲突区域；(b)当有轨电车处于到达碰撞冲突区域还剩3s才能离开状态的同时，目标车辆还有2-3s到达碰撞冲突区域，此种情况划分为二级，即有碰撞危险，但碰撞危险等级较低；
(a)当车辆处于到达碰撞冲突区域还剩4s才能驶出状态的同时，有轨电车还有1s到达碰撞冲突区域；(b)当有轨电车处于到达碰撞冲突区域还剩4s离开状态的同时，目标车辆还有1s到达碰撞冲突区域，此种情况划分为三级，即有碰撞危险且碰撞危险很大。
5.根据权利要求4所述的一种基于多车行进环境下的有轨电车冲突区域评估方法，其特征在于，所述步骤6.3具体如下：
若碰撞危险等级处于步骤6.1划分的一级等级(a)或(b)的情况，则不向有轨电车控制台发送消息，有轨电车按原计划行驶；
若碰撞危险等级处于步骤6.1划分的二级等级(a)情况或三级等级(a)情况，则向有轨电车控制台传送减速等待车辆通过冲突区域的消息；
若碰撞危险等级处于步骤6.1划分的二级等级(b)情况或三级等级(b)情况，则向有轨电车控制台传送加速通过冲突区域的消息。
CN202010838586.4A 2020-08-19 2020-08-19 一种基于多车行进环境下的有轨电车冲突区域评估方法 Active CN112053557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010838586.4A CN112053557B (zh) 2020-08-19 2020-08-19 一种基于多车行进环境下的有轨电车冲突区域评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010838586.4A CN112053557B (zh) 2020-08-19 2020-08-19 一种基于多车行进环境下的有轨电车冲突区域评估方法

Publications (2)

Publication Number Publication Date
CN112053557A CN112053557A (zh) 2020-12-08
CN112053557B true CN112053557B (zh) 2021-09-10

Family

ID=73599655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010838586.4A Active CN112053557B (zh) 2020-08-19 2020-08-19 一种基于多车行进环境下的有轨电车冲突区域评估方法

Country Status (1)

Country Link
CN (1) CN112053557B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113741443A (zh) * 2021-08-26 2021-12-03 北京京东乾石科技有限公司 有轨制导车辆的控制方法、装置、存储介质及电子设备
CN113844439B (zh) * 2021-09-30 2023-09-22 重庆长安汽车股份有限公司 一种用于辅助驾驶的低速辅助制动辅助决策方法、系统及计算机可读存储介质
CN115775468B (zh) * 2022-10-28 2023-07-25 浙江通运保安全生产科技有限公司 基于数据分析的高危车辆行车安全智能管理系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106428001B (zh) * 2016-09-28 2018-11-16 浙江吉利控股集团有限公司 一种用于车辆的变道预警方法及系统
KR20190019697A (ko) * 2017-08-18 2019-02-27 이재호 노면전차의 교통사고 방지방법
DE102017120954A1 (de) * 2017-09-11 2019-03-14 Knorr-Bremse Systeme für Schienenfahrzeuge GmbH Verfahren und Einrichtung zur Ausgabe eines Kollisionswarnsignals an die Umgebung einer mittelspurgeführten Straßenbahn
CN107705590B (zh) * 2017-09-15 2020-10-27 苏州富欣智能交通控制有限公司 一种有轨电车通过路口智能相位控制方法及系统
CN107813850A (zh) * 2017-09-30 2018-03-20 上海富欣智能交通控制有限公司 有轨电车人行路口预警系统及其预警方法
DE102017223486A1 (de) * 2017-12-21 2019-06-27 Continental Teves Ag & Co. Ohg Verfahren und System zum Vermeiden von lateralen Kollisionen
CN110070735A (zh) * 2019-04-18 2019-07-30 深圳众维轨道交通科技发展有限公司 一种有轨电车轨道信号和道路信号的自动协调方法
CN110364003B (zh) * 2019-07-18 2021-05-14 大连海事大学 基于车联网的交叉路口双线路有轨电车信号优先控制方法
CN111104969B (zh) * 2019-12-04 2023-09-19 东北大学 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法
CN110910646B (zh) * 2019-12-11 2022-03-29 上海同济城市规划设计研究院有限公司 用于交叉口的无人驾驶公交车辆的协同控制方法

Also Published As

Publication number Publication date
CN112053557A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN112053557B (zh) 一种基于多车行进环境下的有轨电车冲突区域评估方法
CN108645628A (zh) 基于道路驾驶技能的自动驾驶汽车测试系统
WO2018026733A1 (en) Determining causation of traffic events and encouraging good driving behavior
CN110316198A (zh) 一种用于高速公路提速的安全保障系统及运行方法
CN106355884B (zh) 一种基于车型分类的高速公路车辆引导系统及方法
CN106627574A (zh) 车辆碰撞预警方法、装置及系统
CN107067718A (zh) 交通事故责任评估方法、交通事故责任评估装置以及交通事故责任评估系统
CN109637137A (zh) 基于车路协同的交通管理系统
CN101652802A (zh) 安全驾驶支持装置
CN110428604B (zh) 一种基于轨迹和地图数据的出租车违停监测与预警方法
CN113034952B (zh) 一种基于车路协同的路段交通安全实时预警系统
CN112069888A (zh) 车辆排查方法、系统及其路侧设备、车载设备、手持终端
CN106781511A (zh) 一种基于gps数据和交通事故类型的拥堵时间预测方法
Jenkins et al. Classifying passing maneuvers: a behavioral approach
CN105632203A (zh) 一种交通安全预警方法及系统
Campisi et al. The variability of Level Of Service and Surrogate Safety Assessment of urban turbo-roundabout with BRT system
AU2022422056A1 (en) Method and device for providing at least one emission value for a means of transport
Wu et al. Analysis of drivers’ stop-or-run behavior at signalized intersections with high-resolution traffic and signal event data
Scora et al. Real-time roadway emissions estimation using visual traffic measurements
CN116863705A (zh) 一种基于雷达轨迹数据的高速公路易混淆事件判别方法
Liu et al. Study on test scenarios of environment perception system under rear-end collision risk
CN107085074B (zh) 一种分类监测机动车尾气的方法
Tokhirov et al. To improve safety at level crossing in Uzbekistan
Cody et al. Observation of gap acceptance during intersection approach
Tian et al. An Innovative Framework to Evaluate the Performance of Connected Vehicle Applications: From the Perspective of Speed Variation-Based Entropy (SVE)

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