CN112150816B - 一种多车交互风险评估系统 - Google Patents
一种多车交互风险评估系统 Download PDFInfo
- Publication number
- CN112150816B CN112150816B CN202011156536.4A CN202011156536A CN112150816B CN 112150816 B CN112150816 B CN 112150816B CN 202011156536 A CN202011156536 A CN 202011156536A CN 112150816 B CN112150816 B CN 112150816B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- risk
- interaction
- vehicles
- interactive
- 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
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
- 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
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
Abstract
一种多车交互风险评估系统,涉及交通安全技术领域,针对现有技术中难以给出车辆交互风险评估,进而导致车辆追尾、碰撞等交通事故发生的问题,本发明可以处理丢失或错误的数据,同时保持实时可跟踪性,揭示车辆间的交互作用和车辆运行特性,利用多车交互作用下的风险评估方法,有利于发现多车交互规律、评估车辆运行风险,可为辅助驾驶和自动驾驶安全主动预警技术提供一定的理论基础,避免了车辆追尾、碰撞等交通事故的发生。
Description
技术领域
本发明涉及交通安全技术领域,具体为一种多车交互风险评估系统。
背景技术
我国汽车使用量逐年增长,多车交互是一个相互制约、动态变化的复杂过程,交互过程的顺利与否直接影响车辆运行的安全性。驾驶员需要同周围车辆进行博弈,不断调整自身的运行状态。跟驰与换道是车辆运行过程中的主要交互行为,驾驶员通过感知与周围车辆的间距进行判断与决策。车辆跟驰间距不足时,车辆间存在约束性,车流会产生紊乱,会存在一定的运行风险。车辆在换道时需要寻找可利用间隙才可执行操作,换道时机受到目标车道车流的影响。同时,换道车辆变道时也会影响目标车道车辆的正常运行,目标车道的车辆可能会采取相应的避让或行进措施,进而干扰正常的交通流运行,交通流不稳定的运行状态会导致交通冲突,在一定条件下会发生车辆追尾、碰撞等交通事故,如何在事故发生前有效地进行交互风险评估是减少交互运行风险的关键。
专利CN101937421A公开了一种通过车辆实时运行信息进行运行风险评估的方法,通过GPRS远程技术获取车辆实时运行信息并将其添加到车辆事故信息数据库中,根据车辆运行安全风险评估模型计算车辆运行风险系数。
专利CN109094482А公开了一种车辆运行风险评估信息采集系统、风险评估系统及方法,根据车辆控制指标和驾驶员眼动指标对应的风险阈值判断各自对应的风险,通过构建贝叶斯网络计算车辆运行风险值。
专利CN110275934A公开了基于北斗定位系统的车辆行驶风险分析方法,获取车辆的基本信息和行驶轨迹信息,分析车辆的运行特征,计算车辆行驶风险分值,并对风险值进行更新与分级。
目前车辆运行风险评估研究主要关注车辆运行信息的采集,根据风险评估模型计算风险系数或者风险分值,针对车辆与周围车辆交互作用下的运行风险评估研究较少,故提供一种多车交互风险评估系统对于预防交通事故、提升主动安全防控技术具有重要的价值和意义。
发明内容
本发明的目的是:针对现有技术中难以给出车辆交互风险评估,进而导致车辆追尾、碰撞等交通事故发生的问题,提出一种多车交互风险评估系统。
本发明为了解决上述技术问题采取的技术方案是:
一种多车交互风险评估系统,包括:车辆物理状态采集子系统和车辆交互状态判断模块,
所述车辆物理状态采集子系统用于采集车辆的行驶状态参数,所述车辆的行驶状态参数包括车辆横向位置、车辆纵向位置、速度、加速度和转向角参数;
所述车辆交互状态判断模块根据车辆横向位置、车辆纵向位置、速度、加速度和转向角参数得到多车交互特征函数,然后利用多车交互特征函数确定先验分布,之后根据先验分布得到多车交互风险概率,即风险发生概率,根据风险发生概率判定风险严重度,所述风险严重度的判定原则为:
若风险发生概率为75%-100%,则判定为高风险;
若风险发生概率为50%-75%,则判定为较高风险;
若风险发生概率为25%-50%,则判定为一般风险;
若风险发生概率为0-25%,则判定为低风险。
进一步的,所述多车交互特征函数表示为:
f(V,X(V))=∑ωig(Vi,X(Vi))
f(V,X(V))表示某一车辆与周围所有车辆的交互运动状态特征,V包括所有交互车辆在一小段时间间隔内的横向位置和纵向位置、速度、加速度和转向角参数,X(V)表示所有交互车辆的运动状态,权重ωi表示周围交互车辆对中心车辆的约束程度,g(Vi,X(Vi))表示车辆i与某一车辆的交互运动特征,Vi包含车辆i在一小段时间间隔内的横向位置和纵向位置、速度、加速度和转向角组成,X(Vi)表示车辆i的运动状态;
式中Δxi(t-1)表示在(t-1)时刻车辆i与某一车辆间的横向位置之差;
Δyi(t-1)表示在(t-1)时刻车辆i与某一车辆间的纵向位置之差;
Δvi(t,t-1)表示车辆i在t时刻与(t-1)时刻的速度之差,单位km/h;
Δai(t,t-1)表示车辆i在t时刻与(t-1)时刻的加速度之差,单位m/s2;
δi(t,t-1)表示车辆i从(t-1)时刻到t时刻的转向角,单位°;
β1、β2、β3、β4表示权重;
Sij为周围交互车辆对中心车辆的约束性矩阵;ωi表示周围交互车辆对中心车辆的约束程度。
进一步的,所述先验分布包括交互车辆间的距离、车辆速度变化、加速度变化和转向角变化。
进一步的,所述先验分布表示为:
π(V)=τe-f(V,X(V))
τ为先验参数,f(V,X(V))为多车交互特征函数,e表示指数。
进一步的,所述多车交互风险概率表示为:
P(C)=∫P(C|V)π(V)dV
P(C|V)∈[0,1],P(C|V)为给定一组状态参数下的交互车辆间的碰撞风险条件概率,π(V)为先验分布概率。
一种多车交互风险评估系统,包括:车辆物理状态采集子系统和风险评估子系统,
所述车辆物理状态采集子系统用于采集车辆的行驶状态参数,所述车辆的行驶状态参数包括车辆横向位置、车辆纵向位置、速度、加速度和转向角参数;
所述风险评估子系统包括多车运行风险模块和多车交互风险等级模块,
所述多车运行风险模块包括碰撞可能性单元和多车交互风险单元,所述碰撞可能性单元根据车辆碰撞可能性指数得到交互车辆间的碰撞风险条件概率;
所述多车交互风险单元根据车辆横向位置、车辆纵向位置、速度、加速度和转向角参数得到多车交互特征函数,并利用多车交互特征函数确定先验分布,然后根据交互车辆间的碰撞风险条件概率及先验分布得到某一车辆与周围交互车辆间的风险概率;
所述多车交互风险等级模块根据车辆横向位置、车辆纵向位置、速度、加速度和转向角参数得到多车交互风险严重性指数,然后根据某一车辆与周围交互车辆间的风险概率并结合多车交互风险严重性指数确定多车交互风险严重性指数阈值,最后根据多车交互风险严重性阈值判断车辆风险严重度,所述车辆风险严重度的判定原则为:
若多车交互风险严重性阈值处于(0.905,1)之间,则判定为高风险;
若多车交互风险严重性阈值处于(0.804,0.905]之间,则判定为较高风险;
若多车交互风险严重性阈值处于(0.683,0.804]之间,则判定为一般风险;
若多车交互风险严重性阈值处于(0.500,0.683]之间,则判定为低风险。
进一步的,所述多车交互特征函数表示为:
f(V,X(V))=∑ωig(Vi,X(Vi))
f(V,X(V))表示某一车辆与周围所有车辆的交互运动状态特征,V包括所有交互车辆在一小段时间间隔内的横向位置和纵向位置、速度、加速度和转向角等参数,X(V)表示所有交互车辆的运动状态,权重ωi表示周围交互车辆对中心车辆的约束程度,g(Vi,X(Vi))表示车辆i与某一车辆的交互运动特征,Vi包含车辆i在一小段时间间隔内的横向位置和纵向位置、速度、加速度和转向角组成,X(Vi)表示车辆i的运动状态;
式中Δxi(t-1)表示在(t-1)时刻车辆i与某一车辆间的横向位置之差;
Δyi(t-1)表示在(t-1)时刻车辆i与某一车辆间的纵向位置之差;
Δvi(t,t-1)表示车辆i在t时刻与(t-1)时刻的速度之差,单位km/h;
Δai(t,t-1)表示车辆i在t时刻与(t-1)时刻的加速度之差,单位m/s2;
δi(t,t-1)表示车辆i从(t-1)时刻到t时刻的转向角,单位°;
β1、β2、β3、β4表示权重;
Sij为周围交互车辆对中心车辆的约束性矩阵;ωi表示周围交互车辆对中心车辆的约束程度。
进一步的,所述先验分布包括交互车辆间的距离、车辆速度变化、加速度变化和转向角变化。
进一步的,所述先验分布表示为:
π(V)=τe-f(V,X(V))
τ为先验参数,f(V,X(V))为多车交互特征函数,e表示指数。
进一步的,所述车辆碰撞可能性指数表示为:
式中MADR表示一定交通和环境属性α1,…,αn下的最大安全减速率,单位m/s2,所述DRACi表示车辆i避险的减速率,单位m/s2;
t1表示初始时间间隔,单位s;
t1表示最后时间间隔,单位s;
Δt表示时间步长,单位s;
It表示总的时间段,单位s。
进一步的,所述交通和环境属性包括湿度、温度、道路条件。
进一步的,所述多车交互风险严重性指数表示为:
Δli表示车辆i与周围交互车辆之间的距离之和,单位m;
Δvi表示车辆i的速度变化,单位km/h;
Δai表示车辆i的加速度,单位m/s2;
δi表示车辆i的转向角,单位°。
本发明的有益效果是:
本发明可以处理丢失或错误的数据,同时保持实时可跟踪性,揭示车辆间的交互作用和车辆运行特性,利用多车交互作用下的风险评估方法,有利于发现多车交互规律、评估车辆运行风险,可为辅助驾驶和自动驾驶安全主动预警技术提供一定的理论基础,避免了车辆追尾、碰撞等交通事故的发生。
附图说明
图1为本发明系统结构流程图;
图2为危险状态判断图;
图3为车辆交互约束性示意图。
具体实施方式
具体实施方式一:参照图1具体说明本实施方式,本实施方式所述的一种多车交互风险评估系统,包括:车辆物理状态采集子系统和车辆交互状态判断及风险评估模块
所述车辆物理状态采集子系统用于采集车辆的行驶状态参数,所述车辆的行驶状态参数包括车辆横向位置、车辆纵向位置、速度、加速度和转向角参数;
所述车辆交互状态判断及风险评估模块根据车辆横向位置、车辆纵向位置、速度、加速度和转向角参数得到多车交互特征函数,然后利用多车交互特征函数确定先验分布,之后根据先验分布得到多车交互风险概率,即风险发生概率,根据风险发生概率判定风险严重度,所述风险严重度的判定原则为:
若风险发生概率为75%(不包括75%)-100%,则判定为高风险;
若风险发生概率为50%(不包括50%)-75%(包括75%),则判定为较高风险;
若风险发生概率为25%(不包括25%)-50%(包括50%),则判定为一般风险;
若风险发生概率为0-25%(包括25%),则判定为低风险。
具体实施方式二:参照图1具体说明本实施方式,本实施方式所述的一种多车交互风险评估系统,包括:车辆物理状态采集子系统和风险评估子系统,
所述车辆物理状态采集子系统用于采集车辆的行驶状态参数,所述车辆的行驶状态参数包括车辆横向位置、车辆纵向位置、速度、加速度和转向角参数;
所述风险评估子系统包括多车运行风险模块和多车交互风险等级模块,
所述多车运行风险模块包括碰撞可能性单元和多车交互风险单元,所述碰撞可能性单元根据车辆碰撞可能性指数得到交互车辆间的碰撞风险条件概率;
所述多车交互风险单元根据车辆横向位置、车辆纵向位置、速度、加速度和转向角参数得到多车交互特征函数,并利用多车交互特征函数确定先验分布,然后根据交互车辆间的碰撞风险条件概率及先验分布得到某一车辆与周围交互车辆间的风险概率;
所述多车交互风险等级模块根据车辆横向位置、车辆纵向位置、速度、加速度和转向角参数得到多车交互风险严重性指数,然后根据某一车辆与周围交互车辆间的风险概率并结合多车交互风险严重性指数确定多车交互风险严重性指数阈值,最后根据多车交互风险严重性阈值判断车辆风险严重度,所述车辆风险严重度的判定原则为:
若多车交互风险严重性阈值处于(0.905,1)之间,则判定为高风险;
若多车交互风险严重性阈值处于(0.804,0.905]之间,则判定为较高风险;
若多车交互风险严重性阈值处于(0.683,0.804]之间,则判定为一般风险;
若多车交互风险严重性阈值处于(0.500,0.683]之间,则判定为低风险。
具体实施方式三:本实施方式是对具体实施方式一或二所述的作进一步说明,本实施方式与具体实施方式一或二的区别是所述多车交互特征函数表示为:
f(V,X(V))=∑ωig(Vi,X(Vi))
f(V,X(V))表示某一车辆与周围所有车辆的交互运动状态特征,V包括所有交互车辆在一小段时间间隔内的横向位置和纵向位置、速度、加速度和转向角等参数,X(V)表示所有交互车辆的运动状态,权重ωi表示周围交互车辆对中心车辆的约束程度,g(Vi,X(Vi))表示车辆i与某一车辆的交互运动特征,Vi包含车辆i在一小段时间间隔内的横向位置和纵向位置、速度、加速度和转向角组成,如Vi=(V1(t),...,V5(t))i,X(Vi)表示车辆i的运动状态;
式中Δxi(t-1)表示在(t-1)时刻车辆i与某一车辆间的横向位置之差;
Δyi(t-1)表示在(t-1)时刻车辆i与某一车辆间的纵向位置之差;
Δvi(t,t-1)表示车辆i在t时刻与(t-1)时刻的速度之差,单位km/h;
Δai(t,t-1)表示车辆i在t时刻与(t-1)时刻的加速度之差,单位m/s2;
δi(t,t-1)表示车辆i从(t-1)时刻到t时刻的转向角,单位°;
β1、β2、β3、β4表示权重。
Sij为周围交互车辆对中心车辆的约束性矩阵;ωi表示周围交互车辆对中心车辆的约束程度。车辆交互约束性示意图如图3所示。
具体实施方式四:本实施方式是对具体实施方式一或二所述的作进一步说明,本实施方式与具体实施方式一或二的区别是所述先验分布包括交互车辆间的距离、车辆速度变化、加速度变化和转向角。
具体实施方式五:本实施方式是对具体实施方式一或二所述的作进一步说明,本实施方式与具体实施方式一或二的区别是所述先验分布表示为:
π(V)=τe-f(V,X(V))
τ为先验参数,f(V,X(V))为多车交互特征函数,e表示指数。
具体实施方式六:本实施方式是对具体实施方式一所述的作进一步说明,本实施方式与具体实施方式一的区别是所述多车交互风险概率表示为:
P(C)=∫P(C|V)π(V)dV
P(C|V)∈[0,1],P(C|V)为给定一组状态参数下的交互车辆间的碰撞风险条件概率,π(V)为先验分布概率。
具体实施方式七:本实施方式是对具体实施方式二所述的作进一步说明,本实施方式与具体实施方式二的区别是所述车辆碰撞可能性指数表示为:
式中MADR表示一定交通和环境属性α1,…,αn下的最大安全减速率,单位m/s2,所述DRACi表示车辆i避险的减速率,单位m/s2;
t1表示初始时间间隔,单位s;
t1表示最后时间间隔,单位s;
Δt表示时间步长,单位s;
It表示总的时间段,单位s。
具体实施方式八:本实施方式是对具体实施方式七所述的作进一步说明,本实施方式与具体实施方式七的区别是所述交通和环境属性包括湿度、温度、道路条件。
具体实施方式九:本实施方式是对具体实施方式二所述的作进一步说明,本实施方式与具体实施方式二的区别是所述多车交互风险严重性指数表示为:
Δli表示车辆i与周围交互车辆之间的距离之和,单位m;
Δvi表示车辆i的速度变化,单位km/h;
Δai表示车辆i的加速度,单位m/s2;
δi表示车辆i的转向角,单位°。
实施例1:
一种多车交互风险评估系统,该系统包括车辆物理状态采集子系统、车辆交互状态判断模块、多车运行风险模块与多车交互风险等级模块。
所述的车辆物理状态采集子系统包括车辆位置模块、速度模块、加速度模块和转向角模块,用于记录车辆的行驶状态参数,可以用传感器或其他设备进行测量,并且可对测量值进行处理,各个模块中的变量是可观测和处理的。
所述的车辆的行驶状态参数包括由车辆位置模块、速度模块、加速度模块和转向角模块采集到的车辆横向位置、车辆纵向位置、速度、加速度、转向角等参数,所采集的车辆状态参数用于对车辆未来某一时刻的运动状态进行建模,并根据车辆未来某一时刻的运动状态对多车交互状态进行判断。
所述的车辆交互状态判断模块由多车交互作用单元和驾驶偏好单元组成,该模块主要依据车辆物理状态采集子系统获取的车辆状态参数进行分析。
所述的多车交互作用单元采用多车交互特征函数对车辆周围环境和车辆物理状态变量的联合作用进行估计,主要考虑与交互车辆间的距离、车辆速度变化、加速度变化和转向角等驾驶状态因素,由车辆物理状态采集子系统获取,用于计算驾驶偏好单元中的先验分布;
所述的驾驶偏好单元采用先验分布进行表征,根据多车交互作用单元中的多车交互特征函数进行描述,用于计算多车交互风险模块中的先验风险概率;
所述的多车运行风险模块包括碰撞可能性单元和多车交互风险单元,其中碰撞可能性单元采用车辆碰撞可能性指数进行衡量,用于计算交互车辆间的碰撞风险条件概率;多车交互风险单元用于计算某一车辆与周围交互车辆间的风险概率,由交互车辆间的碰撞风险条件概率和先验风险概率共同决定。
所述的多车交互风险等级模块包括风险严重性判断单元和风险等级划分单元,所述的风险严重性判断单元采用多车交互风险严重性指数判断风险严重度,多车交互风险严重性指数根据车辆物理状态采集子系统获取的车辆参数进行计算;所述的风险等级划分单元根据风险等级表,确定风险严重性指数阈值与各风险水平对应的区间范围。
所述的风险严重度根据高风险(一级)、较高风险(二级)、一般风险(三级)、低风险(四级)等四个等级进行衡量。
所述的车辆物理状态采集子系统中的各单元采用随机变量对车辆未来某一时刻的运动状态进行建模:
V=[V1,...,Vm]
它由道路上m个车辆的运动参数组成,Vi包含车辆i在一小段时间隔内的车辆参数输入,由车辆的横向位置和纵向位置、航向角、速度和转向角组成,如Vi=(V1(t),...,Vn(t))i,n是各车辆的状态参数个数。
所述的多车交互作用特征函数如下:
f(V,X(V))=∑ωig(Vi,X(Vi))
f(V,X(V))表示某一车辆与周围所有车辆的交互运动状态特征,V包括所有交互车辆在一小段时间间隔内的横向位置和纵向位置、速度、加速度和转向角等参数,X(V)表示所有交互车辆的运动状态,权重ωi表示周围交互车辆对中心车辆的约束程度,g(Vi,X(Vi))表示车辆i与某一车辆的交互运动特征,Vi包含车辆i在一小段时间间隔内的横向位置和纵向位置、速度、加速度和转向角组成,X(Vi)表示车辆i的运动状态;
式中Δxi(t-1)表示在(t-1)时刻车辆i与某一车辆间的横向位置之差;
Δyi(t-1)表示在(t-1)时刻车辆i与某一车辆间的纵向位置之差;
Δvi(t,t-1)表示车辆i在t时刻与(t-1)时刻的速度之差,单位km/h;
Δai(t,t-1)表示车辆i在t时刻与(t-1)时刻的加速度之差,单位m/s2;
δi(t,t-1)表示车辆i从(t-1)时刻到t时刻的转向角,单位°;
β1、β2、β3、β4表示权重;
Sij为周围交互车辆对中心车辆的约束性矩阵;ωi表示周围交互车辆对中心车辆的约束程度。
进一步的,结合图2对本实施方式进行说明,所述驾驶偏好模块中的先验分布π(V)主要考虑与交互车辆间的距离、车辆速度变化、加速度变化和转向角等驾驶状态因素,先验分布如下:
π(V)=τe-f(V,X(V))
车辆的行为差异取决于自身和周围车辆的物理状态(即车辆的位置和速度等)。如图2所示,判断车辆交互作用下的危险程度需要判断在P(C)范围内的冲突状态Vα,进一步计算Vα状态下的风险概率值。
所述的车辆周围约束区范围内驾驶员注视程度存在差异性,如果车辆i从当前车道以较高速度驶入车辆j和车辆j-1之间时,由于视野约束范围的差异性,车辆j-1更容易改变行驶状态,避免与车辆i碰撞,车辆j-1避让车辆i的可能性较低。
选择约束区域和对应区域的注视度构造一个矩阵S,体现周围交互车辆的可见范围和约束程度,以某一辆车为中心车,记为o,将周围与中心车交互的前车、后车、左车、右车分别记为m、n、p、q,则Sij矩阵构造如表1所示:
表1矩阵构造
故权重ωi为:
所述的交互车辆间的运行风险概率分布如下:
P(C)=∫P(C|V)π(V)dV
P(C|V)∈[0,1],为给定一组状态参数下的交互车辆间的碰撞风险条件概率,采用碰撞可能性指数进行衡量。π(V)为先验分布,用于驾驶员的驾驶状态估计。
对于给定的状态参数,交互车辆i与周围车辆的碰撞可能性指数为:
式中MADR——一定交通和环境属性(α1,…,αn)下的最大安全减速率(m/s2);
DRACi——车辆i避险的减速率(m/s2);
t1——初始时间间隔(s);
t1——最后时间间隔(s);
Δt——时间步长(s);
It——总的时间段(s)。
通过推理车辆之间的相互作用预测它们某一时间段内的状态参数,进一步计算交互车辆碰撞风险。当周围车辆对中心车辆形成冲突时,风险碰撞概率会进行相应调整。
所述多车交互风险严重性指数定义如下:
式中RI——风险指数;
Δli——车辆i与周围交互车辆之间的距离之和(m);
Δvi——车辆i的速度变化(km/h);
Δai——车辆i的加速度(m/s2);
δi——车辆i的转向角(°)。
车辆交互风险严重性指数集成了所有交互车辆的状态参数,RI值越低,车辆运行情况就越安全。
所述的风险等级表依据《中华人民共和国突发事件应对法》将车辆交互风险等级分为四级,对应的风险概率及车辆交互严重性指数阈值如表2所示。
表2风险等级表
实施例2:
采用以下实施例验证本发明的有益效果:
通过录像对车辆交互运行状态分析,提取三个视频中的车辆交互数据共100组,如表3所示。
表3车辆交互状态参数
注:转向角逆时针为正,顺时针为负。
冲突分析与风险预测结果见表4。
表4冲突分析与风险预测对比
需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的,仍应落入本发明的保护范围内。
Claims (10)
1.一种多车交互风险评估系统,包括:车辆物理状态采集子系统和车辆交互状态判断及风险评估模块,
所述车辆物理状态采集子系统用于采集车辆的行驶状态参数,所述车辆的行驶状态参数包括车辆横向位置、车辆纵向位置、速度、加速度和转向角参数;
所述车辆交互状态判断及风险评估模块根据车辆横向位置、车辆纵向位置、速度、加速度和转向角参数得到多车交互特征函数,然后利用多车交互特征函数确定先验分布,之后根据先验分布得到多车交互风险概率,即风险发生概率,根据风险发生概率判定风险严重度,所述风险严重度的判定原则为:
若风险发生概率为75%-100%,则判定为高风险;
若风险发生概率为50%-75%,则判定为较高风险;
若风险发生概率为25%-50%,则判定为一般风险;
若风险发生概率为0-25%,则判定为低风险;
其特征在于所述多车交互特征函数表示为:
f(V,X(V))=∑ωig(Vi,X(Vi))
f(V,X(V))表示某一车辆与周围所有车辆的交互运动状态特征,V包括所有交互车辆在一小段时间间隔内的横向位置和纵向位置、速度、加速度和转向角参数,X(V)表示所有交互车辆的运动状态,权重ωi表示周围交互车辆对中心车辆的约束程度,g(Vi,X(Vi))表示车辆i与某一车辆的交互运动特征,Vi包含车辆i在一小段时间间隔内的横向位置和纵向位置、速度、加速度和转向角组成,X(Vi)表示车辆i的运动状态;
式中Δxi(t-1)表示在(t-1)时刻车辆i与某一车辆间的横向位置之差;
Δyi(t-1)表示在(t-1)时刻车辆i与某一车辆间的纵向位置之差;
Δvi(t,t-1)表示车辆i在t时刻与(t-1)时刻的速度之差,单位km/h;
Δai(t,t-1)表示车辆i在t时刻与(t-1)时刻的加速度之差,单位m/s2;
δi(t,t-1)表示车辆i从(t-1)时刻到t时刻的转向角,单位°;
β1、β2、β3、β4表示权重,It表示总的时间段,单位s;
Sij为周围交互车辆对中心车辆的约束性矩阵;ωi表示周围交互车辆对中心车辆的约束程度。
2.根据权利要求1所述的一种多车交互风险评估系统,其特征在于所述先验分布包括交互车辆间的距离、车辆速度变化、加速度变化和转向角变化。
3.根据权利要求1所述的一种多车交互风险评估系统,其特征在于所述先验分布表示为:
π(V)=τe-f(V,X(V))
τ为先验参数,f(V,X(V))为多车交互特征函数,e表示指数。
4.根据权利要求1所述的一种多车交互风险评估系统,其特征在于所述多车交互风险概率表示为:
P(C)=∫P(C|V)π(V)dV
P(C|V)∈[0,1],P(C|V)为给定一组状态参数下的交互车辆间的碰撞风险条件概率,π(V)为先验分布概率。
5.一种多车交互风险评估系统,包括:车辆物理状态采集子系统和风险评估子系统,
所述车辆物理状态采集子系统用于采集车辆的行驶状态参数,所述车辆的行驶状态参数包括车辆横向位置、车辆纵向位置、速度、加速度和转向角参数;
所述风险评估子系统包括多车运行风险模块和多车交互风险等级模块,
所述多车运行风险模块包括碰撞可能性单元和多车交互风险单元,所述碰撞可能性单元根据车辆碰撞可能性指数得到交互车辆间的碰撞风险条件概率;
所述多车交互风险单元根据车辆横向位置、车辆纵向位置、速度、加速度和转向角参数得到多车交互特征函数,并利用多车交互特征函数确定先验分布,然后根据交互车辆间的碰撞风险条件概率及先验分布得到某一车辆与周围交互车辆间的风险概率;
所述多车交互风险等级模块根据车辆横向位置、车辆纵向位置、速度、加速度和转向角参数得到多车交互风险严重性指数,然后根据某一车辆与周围交互车辆间的风险概率并结合多车交互风险严重性指数确定多车交互风险严重性指数阈值,最后根据多车交互风险严重性阈值判断车辆风险严重度,所述车辆风险严重度的判定原则为:
若多车交互风险严重性阈值处于(0.905,1)之间,则判定为高风险;
若多车交互风险严重性阈值处于(0.804,0.905]之间,则判定为较高风险;
若多车交互风险严重性阈值处于(0.683,0.804]之间,则判定为一般风险;
若多车交互风险严重性阈值处于(0.500,0.683]之间,则判定为低风险;
其特征在于所述多车交互特征函数表示为:
f(V,X(V))=∑ωig(Vi,X(Vi))
f(V,X(V))表示某一车辆与周围所有车辆的交互运动状态特征,V包括所有交互车辆在一小段时间间隔内的横向位置和纵向位置、速度、加速度和转向角等参数,X(V)表示所有交互车辆的运动状态,权重ωi表示周围交互车辆对中心车辆的约束程度,g(Vi,X(Vi))表示车辆i与某一车辆的交互运动特征,Vi包含车辆i在一小段时间间隔内的横向位置和纵向位置、速度、加速度和转向角组成,X(Vi)表示车辆i的运动状态;
式中Δxi(t-1)表示在(t-1)时刻车辆i与某一车辆间的横向位置之差;
Δyi(t-1)表示在(t-1)时刻车辆i与某一车辆间的纵向位置之差;
Δvi(t,t-1)表示车辆i在t时刻与(t-1)时刻的速度之差,单位km/h;
Δai(t,t-1)表示车辆i在t时刻与(t-1)时刻的加速度之差,单位m/s2;
δi(t,t-1)表示车辆i从(t-1)时刻到t时刻的转向角,单位°;
β1、β2、β3、β4表示权重,It表示总的时间段,单位s;
Sij为周围交互车辆对中心车辆的约束性矩阵;ωi表示周围交互车辆对中心车辆的约束程度。
6.根据权利要求5所述的一种多车交互风险评估系统,其特征在于所述先验分布包括交互车辆间的距离、车辆速度变化、加速度变化和转向角变化。
7.根据权利要求5所述的一种多车交互风险评估系统,其特征在于所述先验分布表示为:
π(V)=τe-f(V,X(V))
τ为先验参数,f(V,X(V))为多车交互特征函数,e表示指数。
9.根据权利要求8所述的一种多车交互风险评估系统,其特征在于所述交通和环境属性包括湿度、温度、道路条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011156536.4A CN112150816B (zh) | 2020-10-26 | 2020-10-26 | 一种多车交互风险评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011156536.4A CN112150816B (zh) | 2020-10-26 | 2020-10-26 | 一种多车交互风险评估系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150816A CN112150816A (zh) | 2020-12-29 |
CN112150816B true CN112150816B (zh) | 2021-05-28 |
Family
ID=73954968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011156536.4A Active CN112150816B (zh) | 2020-10-26 | 2020-10-26 | 一种多车交互风险评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150816B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114613195A (zh) * | 2022-03-18 | 2022-06-10 | 重庆大学 | 一种面向混合交通的车辆换道风险评估方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10223909B2 (en) * | 2012-10-18 | 2019-03-05 | Uber Technologies, Inc. | Estimating time travel distributions on signalized arterials |
JP6828429B2 (ja) * | 2016-12-27 | 2021-02-10 | 株式会社デンソー | 車両用衝突回避支援装置および車両の衝突回避支援方法 |
CN107909247A (zh) * | 2017-10-26 | 2018-04-13 | 东南大学 | 一种基于空间层次贝叶斯模型的城市宏观道路交通安全影响因素分析方法 |
CN110264783B (zh) * | 2019-06-19 | 2022-02-15 | 华设设计集团股份有限公司 | 基于车路协同的车辆防碰撞预警系统及方法 |
CN110379203B (zh) * | 2019-06-21 | 2021-08-03 | 江苏大学 | 一种行车转向碰撞预警方法 |
-
2020
- 2020-10-26 CN CN202011156536.4A patent/CN112150816B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112150816A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107972671A (zh) | 一种驾驶行为分析系统 | |
US20170132521A1 (en) | Driving behavior evaluating method and device | |
CN110155046A (zh) | 自动紧急制动分级控制方法与系统 | |
CN110884490B (zh) | 一种车辆侵入判断及辅助行驶的方法、系统、车辆及存储介质 | |
Li et al. | Lane change maneuver recognition via vehicle state and driver operation signals—Results from naturalistic driving data | |
CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
CN110379203A (zh) | 一种行车转向碰撞预警方法 | |
CN112053589B (zh) | 一种目标车辆换道行为自适应识别模型构建方法 | |
CN111038502A (zh) | 一种安全车距预估、修正、预警、驾驶资质评估方法及系统 | |
CN113744563B (zh) | 一种基于轨迹数据的路-车风险实时估计方法 | |
CN112116100B (zh) | 一种考虑驾驶员类型的博弈论决策方法 | |
Lyu et al. | Using naturalistic driving data to identify driving style based on longitudinal driving operation conditions | |
CN112896188B (zh) | 一种考虑前车遭遇的自动驾驶决策控制的系统 | |
CN110239556B (zh) | 一种驾驶员即时操控能力感知方法 | |
CN112622886A (zh) | 一种综合考虑前后障碍物的重型营运车辆防碰撞预警方法 | |
CN111354225A (zh) | 一种高速公路车辆事故风险评估及预警干预方法 | |
CN110264825A (zh) | 一种驾驶模拟安全评价方法、装置及系统 | |
Sivaraman et al. | Merge recommendations for driver assistance: A cross-modal, cost-sensitive approach | |
CN116390879A (zh) | 用于避免即将发生的碰撞的系统和方法 | |
CN112150816B (zh) | 一种多车交互风险评估系统 | |
CN111666859A (zh) | 一种危险驾驶行为识别方法 | |
CN113592221B (zh) | 基于安全替代评价指标的道路路段风险动态评估方法 | |
Alonso et al. | Toward a methodology to assess safety of a vehicle |
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 |