CN112466119B - 一种利用车路协同数据的汽车跟车车速预测方法及系统 - Google Patents
一种利用车路协同数据的汽车跟车车速预测方法及系统 Download PDFInfo
- Publication number
- CN112466119B CN112466119B CN202011345833.3A CN202011345833A CN112466119B CN 112466119 B CN112466119 B CN 112466119B CN 202011345833 A CN202011345833 A CN 202011345833A CN 112466119 B CN112466119 B CN 112466119B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- following
- speed
- data
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000009826 distribution Methods 0.000 claims abstract description 100
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000000611 regression analysis Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000012821 model calculation Methods 0.000 claims description 2
- 238000010998 test method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000003137 locomotive effect Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 14
- 239000006185 dispersion Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005728 strengthening Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013398 bayesian method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Marketing (AREA)
- Chemical & Material Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种利用车路协同数据的汽车跟车车速预测方法及系统，方法包括：获取跟车场景数据；对跟车场景数据进行回归分析，建立回归模型；根据跟车场景数据对给定的时间窗口内和驾驶区域内行驶的跟车队列的车速、车头间距和前车宽度进行统计概率分析，建立参数概率分布模型；利用训练数据集，对回归模型的参数进行辨识；将模型参数辨识结果带回所述回归模型，获得给定前车速度、车头间距和车宽条件下，受到驾驶员个性和车辆的性能差异因素的影响的当前车速的预测值，计算预测值和实测值之间的误差，并建立误差概率分布模型；综合考虑参数的随机性和误差的随机性，构建跟车车速预测模型，并得到跟车车速预测结果。
Description
技术领域
本发明涉及智能网联汽车技术领域，尤指一种利用车路协同数据的汽车跟车车速预测方法及系统。
背景技术
随着科学技术的不断进步，智能网联汽车发展的技术瓶颈正被逐步攻克。智能网联汽车要实现替代人类驾驶员实现完全自动驾驶，需满足各种复杂场景下的驾驶操纵要求，保证无人驾驶汽车能够在安全、节能、便捷和舒适性等方面不低于人类驾驶员操纵的汽车。
跟车场景是一种典型的驾驶工况，智能网联汽车在跟车场景中的路径与前车保持一致，主要任务是进行纵向的速度跟踪，在保证安全的前提下，尽量减小与前车的间距和速度差，同时避免速度的急加、急减，从而实现安全、节能、高效与舒适性的协调统一。
传统的跟车车速预测方法有安全距离法、刺激-反应模型法、全速度差模型法和智能驾驶员模型法等方法。这些方法都是确定性模型，未能考虑到驾驶员个性差异对跟车行为的影响，且未区分前车类型对跟车速度策略的影响。例如，传统的跟车车速预测方法，根据车载传感器获得的自车与前车之间的距离、速度差等信息，建立自车加速度与前车距离、速度差等变量之间的线性或非线性函数，从而建立起自车加速度的数学表达式，实现跟车车速的预测。由于车载传感器感知能力和范围的限制，现有跟车车速预测模型未能充分利用宏观交通数据。另外，传统跟车模型采用的线性函数或非线性函数所建立的自车加速度与前车距离、速度差等因素的确定性关系模型，未能充分考虑不同驾驶员的驾驶行为差异，无法实现跟车车速的个性化定制。
综上来看，亟需一种可以充分利用车辆行驶数据实现智能网联汽车拟人性驾驶特性的跟车车速预测方案。
发明内容
为克服现有技术存在的不足，本发明提出了一种利用车路协同数据的汽车跟车车速预测方法及系统，利用车路协同技术获取更为全面的汽车及周围环境其他车辆的行驶数据，能够满足智能网联汽车跟车行为的拟人性的需求，预测符合人类自然驾驶特性的跟车车速，为未来智能网联汽车跟车行为的车速规划提供有力的数据支持。
在本发明实施例的第一方面，提出了一种利用车路协同数据的汽车跟车车速预测方法，该方法包括：
获取汽车的跟车场景数据；其中，所述跟车场景数据至少包括：当前车速、前车速度、车头间距及前车轮廓参数；
对所述跟车场景数据进行回归分析，建立当前车速与前车速度、前车宽度和车头间距之间的回归模型；
根据所述跟车场景数据对给定的时间窗口内和驾驶区域内行驶的跟车队列的车速、车头间距和前车宽度进行统计概率分析，建立车速、车头间距和前车宽度的参数概率分布模型；
选取所述时间窗口内和驾驶区域内行驶车辆的跟车场景数据为训练数据集，利用所述训练数据集对所述回归模型的参数进行辨识；
将模型参数辨识结果带回所述回归模型，获得给定前车速度、车头间距和车宽条件下，受到驾驶员个性和车辆的性能差异因素的影响的当前车速的预测值，计算预测值和实测值之间的误差，并建立误差概率分布模型；
根据所述回归模型、参数概率分布模型及误差概率分布模型，综合考虑参数的随机性和误差的随机性，构建跟车车速预测模型，并得到跟车车速预测结果。
在本发明实施例的第二方面，提出了一种利用车路协同数据的汽车跟车车速预测系统，该系统包括：
数据获取模块，用于获取汽车的跟车场景数据；其中，所述跟车场景数据至少包括：当前车速、前车速度、车头间距及前车轮廓参数；
回归分析模块，用于对所述跟车场景数据进行回归分析，建立当前车速与前车速度、前车宽度和车头间距之间的回归模型；
统计概率分析模块，用于根据所述跟车场景数据对给定的时间窗口内和驾驶区域内行驶的跟车队列的车速、车头间距和前车宽度进行统计概率分析，建立车速、车头间距和前车宽度的参数概率分布模型；
参数辨识模块，用于选取所述时间窗口内和驾驶区域内行驶车辆的跟车场景数据为训练数据集，利用所述训练数据集对所述回归模型的参数进行辨识；
误差分析模块，用于将模型参数辨识结果带回所述回归模型，获得给定前车速度、车头间距和车宽条件下，受到驾驶员个性和车辆的性能差异因素的影响的当前车速的预测值，计算预测值和实测值之间的误差，并建立误差概率分布模型；
跟车车速预测模块，用于根据所述回归模型、参数概率分布模型及误差概率分布模型，综合考虑参数的随机性和误差的随机性，构建跟车车速预测模型，并得到跟车车速预测结果。
在本发明实施例的第三方面，提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现利用车路协同数据的汽车跟车车速预测方法。
在本发明实施例的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现利用车路协同数据的汽车跟车车速预测方法。
本发明提出的利用车路协同数据的汽车跟车车速预测方法及系统在进行跟车车速预测时，提出考虑参数随机性和误差随机性的跟车车速预测模型，并同时考虑主客观不确定性因素对车辆跟车车速的影响，还将安全性、舒适性、便捷性和驾驶员个性等因素考虑在内，能够建立更加拟人化的跟车模型，对智能网联汽车跟车策略的制定具有一定的参考价值。在实际应用中，若预测集训练样本足够大时，得到的模型参数结果具有充分的代表性，可通过固定参数结果直接由所提出的跟车模型对宏观的交通流的车速进行分析，从而为加强交通管控和疏导，缓解交通拥堵，提高道路通行效率提供理论支撑。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明一实施例的利用车路协同数据的汽车跟车车速预测方法流程示意图。
图2是本发明一具体实施例的利用车路协同数据进行汽车跟车车速预测的流程示意图。
图3是本发明一具体实施例的利用回归模型建立的车速预测模型和实测结果的对比图.
图4A及图4B分别是本发明一具体实施例的在跟车场景下前车车速的统计分布直方图和理论概率分布拟合结果示意图。
图5A及图5B分别是本发明一具体实施例的在跟车场景下车宽的统计分布直方图和理论概率分布拟合结果示意图。
图6A及图6B分别是本发明一具体实施例的在跟车场景下车头间距的统计分布直方图和理论概率分布拟合结果示意图。
图7A及图7B分别是本发明一具体实施例的回归模型预测误差的统计分布直方图和理论概率分布拟合结果示意图。
图8A及图8B分别是本发明一具体实施例的跟车车速预测结果的统计分布直方图和理论概率分布拟合结果示意图。
图9是本发明一实施例的利用车路协同数据的汽车跟车车速预测方法流程示意图。
图10是本发明一实施例的计算机设备结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
根据本发明的实施方式，提出了一种利用车路协同数据的汽车跟车车速预测方法及系统。
下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。
图1是本发明一实施例的利用车路协同数据的汽车跟车车速预测方法流程示意图。如图1所示，该方法包括：
步骤S101，获取汽车的跟车场景数据；其中，所述跟车场景数据至少包括：当前车速、前车速度、车头间距及前车轮廓参数；
步骤S102，对所述跟车场景数据进行回归分析，建立当前车速与前车速度、前车宽度和车头间距之间的回归模型；
步骤S103，根据所述跟车场景数据对给定的时间窗口内和驾驶区域内行驶的跟车队列的车速、车头间距和前车宽度进行统计概率分析，建立车速、车头间距和前车宽度的参数概率分布模型；
步骤S104，根据所述时间窗口内和驾驶区域内行驶的跟车数据为训练数据集，对所述回归模型的参数进行辨识；
步骤S105，将模型参数辨识结果带回所述回归模型，获得给定前车速度、车头间距和车宽条件下当前车速的预测值，并计算预测值和实测值之间的误差，得到误差概率分布模型；
步骤S106，根据所述回归模型、参数概率分布模型及误差概率分布模型，综合考虑参数的随机性和误差的随机性，构建跟车车速预测模型，并得到跟车车速预测结果。
进一步的，该方法还包括：
步骤S107，获取一组新的数据集，固定采集的时间窗口和路段，得到模型参数，采用蒙特卡洛模拟的方法获得车速预测结果，对预测结果进行统计分布分析，对比实际采集获得的车速分布和由模型计算得到的车速分布之间的差异，若差异小于差异阈值时，模型验证通过。
为了对上述利用车路协同数据的汽车跟车车速预测方法进行更为清楚的解释，下面结合每一步来进行详细说明。
参考图2，为本发明一具体实施例的利用车路协同数据进行汽车跟车车速预测的流程示意图。如图2所示，汽车跟车车速的预测流程为：
步骤S1：
利用多种传感器获取汽车的行驶数据。
具体的，可以利用车载传感器和路侧传感器获得车辆状态信息，选取前方固定感知范围内和固定历史时间内的车速、车头间距和前车宽度数据进行分析，获得汽车的行驶数据；其中，所述行驶数据至少包括车速、加速度、车头间距和前车宽度在内的信息。
在实际应用中，感知范围可选取为500m，时间窗口选为10分钟。
步骤S2：
在对所述行驶数据进行预处理时，可以融合多种传感器信息并剔除数据中的噪声和干扰信息，得到预处理后的行驶数据。
经过多传感器信息的充分融合，可以获得更准确的车速、加速度、车头间距和车辆轮廓数据。其中，多传感器信息的融合可以采用粗糙集理论、概率论方法、贝叶斯方法、模糊理论、D-S证据理论和卡尔曼滤波等方法的一种或多种的组合。
步骤S3：
经过预处理，可以根据给定的所述边界约束，将预处理后的行驶数据中换道场景、紧急制动场景和自由流的数据进行剔除，保留跟车场景数据。
其中，换道场景数据是根据汽车横向加速度，当处于跟车行为的车辆的横向加速度绝对值超过第一阈值时，判定为换道场景；例如，横向加速度的绝对值超过0.05m/s2时，为换道场景。
紧急制动场景和自由流数据是根据车头间距，当处于跟车行为的车辆的车头间距在预设范围以外时，若小于所述预设范围的最小值判定为紧急制动场景，若大于所述预设范围的最大值判定为自由流的数据。例如，该预设范围可以是10m-120m；若车头间距小于10m，则为紧急制动场景，若大于120m，则为自由流数据。
步骤S4：
对步骤S3得到的当前车速与前车速度、车头间距和前车轮廓参数进行回归分析，建立当前车速与前车速度、前车宽度和车头间距之间的回归模型；其中，
当前车速与前车速度、前车宽度和车头间距之间的表达式为：
其中，ve为当前车速；vp为前车速度；L为前车宽度；Δx为车头间距；k0、k1、k2、k3为常系数。
需要说明的是，式(1)的回归模型可以采用式(1-1)所示的非线性形式或式(1-2)所示的线性形式：
ve＝f(vp,L,Δx)＝k0+k1vp+k2L+k3Δx； (1-2)
步骤S5：
根据所述跟车场景数据对给定的时间窗口内和驾驶区域内行驶的跟车队列的车速、车头间距和前车宽度进行统计概率分析，建立车速、车头间距和前车宽度数据的参数概率分布模型。
根据统计概率分析，做出车速、车头间距和前车宽度的统计分布直方图，并判断三项参数的概率统计分布类型；其中，概率统计分布类型包括：正态分布、对数正态分布、指数分布或韦布尔分布等。
一般地，车速和车辆宽度服从正态分布，车头间距服从对数正态分布或韦布尔分布。
在车速、车头间距和前车宽度的统计分布直方图基础上，分别采用正态分布、对数正态分布、指数分布和韦布尔分布等模型进行统计分布建模，引入极大似然估计的方法或期望值最大化方法获得三项参数对应的理论统计分布的参数。
进一步的，采用假设检验的方法对建立的车速、车头间距和车宽的理论统计分布进行拟合优度检验，选取拟合效果最好的参数概率分布模型作为变量的数学统计模型。
步骤S6：
根据所述时间窗口内和驾驶区域内行驶的跟车数据为训练数据集，对所述回归模型的参数进行辨识。
在一实施例中，模型参数辨识方法可以采用最小二乘法或智能优化算法。模型辨识中使用的目标函数可为相关系数、灰色关联度、均方误差和分散系数等。
为提高参数辨识过程中目标函数的迭代速度，采用下式的目标函数作为参数辨识的优化目标：
其中，Obj为目标函数；max为取最大值函数；min为取最小值函数；|yi|为第i个实测值的绝对值，|fi(·)|为第i个预测值的绝对值；由于涉及到的车速都为正值，故对预测值和实测值取绝对值，避免预测值出现负值而造成目标函数值不能反映模型预测结果的准确性。
根据式(2)可知，当模型预测精度提高时，目标函数的取值趋向于1，若目标函数越接近于1，参数辨识的合理性越高。
步骤S7：
将模型参数辨识结果带回所述回归模型(式1)，获得给定前车速度、车头间距和车宽条件下当前车速的预测值，并计算预测值和实测值之间的误差；。
根据预测值和实测值之间的误差，做出误差的概率分布直方图，判断误差服从的概率分布，并采用统计分布模型建立误差的数学表达式：
ε＝N(0,σ2)； (3)
其中，ε为误差；σ2为车速预测误差的方差，由驾驶员个性和车辆性能差异确定；N为正态分布。
步骤S8：
根据所述回归模型、参数概率分布模型及误差概率分布模型，综合考虑参数的随机性和误差的随机性，构建跟车车速预测模型，并得到跟车车速预测结果。
其中，跟车车速预测模型的表达式为：
ve'为预测的汽车跟车速度；
分别为前车速度、前车宽度、车头间距及预测误差对应的随机变量，前车速度
用于描述驾驶的效率，前车宽度
和车头间距
用于描述驾驶安全性，预测误差
用于描述驾驶个性差异和车辆性能的差异。
步骤S9：
为了验证所建立的跟车模型的准确性，获取一组新的数据集，固定采集的时间窗口和路段，按照步骤S1至步骤S7得到模型参数。
进一步按照步骤S8，采用蒙特卡洛模拟的方法获得车速预测结果，对预测结果进行统计分布分析，对比实际采集获得的车速分布和由模型计算得到的车速分布之间的差异，若差异小于差异阈值时，模型验证通过。
若预测集训练样本足够大时，由步骤S1至步骤S7获得的参数结果具有充分的代表性，可以通过固定参数结果，直接由所提出的跟车模型对宏观的交通流的车速进行分析，从而为加强交通管控和疏导，缓解交通拥堵，提高道路通行效率提供理论支撑。
需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
为了对上述利用车路协同数据的汽车跟车车速预测方法进行更为清楚的解释，下面结合一个具体的实施例来进行说明，然而值得注意的是该实施例仅是为了更好地说明本发明，并不构成对本发明不当的限定。
以HighD数据集所描述的德国高速公路数据为例，来说明本发明提出的跟车车速预测方法的有效性和准确性。
首先，如图3所示，是对数据集中的数据进行预处理后，选取固定时间段内的跟车数据后，采用式(1)所述的确定性回归模型建立的车速预测模型和实测结果的对比图，由图3可知，确定性模型可以对车速的趋势做很好的回归，实测数据均匀的分布在预测数据两侧。
图4A至图6B分别是跟车场景下，前车车速、车宽和车头间距的统计分布直方图和理论概率分布拟合结果。
其中，由图4A及图4B、图5A及图5B可知，对于所研究的数据集，前车车速和车宽服从正态分布。
由图6A及图6B可知，对于所研究的数据集，车头间距服从对数正态分布。
如图7A及图7B所示的回归模型预测误差可知，误差服从正态分布。
参考图8A及图8B，考虑随机性影响的车速预测模型模拟的车速与实测车速的统计直方图具有很好的一致性，而由确定性回归模型计算得到的车速统计分布特性与实测结果存在一定的偏差。
本发明提出的利用车路协同数据的汽车跟车车速预测方法在进行跟车车速预测时，提出考虑参数随机性和误差随机性的跟车车速预测模型，并同时考虑主客观不确定性因素对车辆跟车车速的影响，还将安全性、舒适性、便捷性和驾驶员个性等因素考虑在内，能够建立更加拟人化的跟车模型，对智能网联汽车跟车策略的制定具有一定的参考价值。
在实际应用中，若预测集训练样本足够大时，由步骤S1至步骤S7获得的参数结果具有充分的代表性，可固定参数结果，直接由所提出的跟车模型对宏观的交通流的车速进行分析，从而为加强交通管控和疏导，缓解交通拥堵，提高道路通行效率提供理论支撑。
在介绍了本发明示例性实施方式的方法之后，接下来，参考图9对本发明示例性实施方式的利用车路协同数据的汽车跟车车速预测系统进行介绍。
利用车路协同数据的汽车跟车车速预测系统的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”或者“单元”，可以是实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
基于同一发明构思，本发明还提出了一种利用车路协同数据的汽车跟车车速预测系统，如图9所示，该系统包括：
数据获取模块910，用于获取汽车的跟车场景数据；其中，所述跟车场景数据至少包括：当前车速、前车速度、车头间距及前车轮廓参数；
回归分析模块920，用于对所述跟车场景数据进行回归分析，建立当前车速与前车速度、前车宽度和车头间距之间的回归模型；
统计概率分析模块930，用于根据所述跟车场景数据对给定的时间窗口内和驾驶区域内行驶的跟车队列的车速、车头间距和前车宽度进行统计概率分析，建立车速、车头间距和前车宽度的参数概率分布模型；
参数辨识模块940，用于选取所述时间窗口内和驾驶区域内行驶车辆的跟车场景数据为训练数据集，利用所述训练数据集对所述回归模型的参数进行辨识；
误差分析模块950，用于将模型参数辨识结果带回所述回归模型，获得给定前车速度、车头间距和车宽条件下，受到驾驶员个性和车辆的性能差异因素的影响的当前车速的预测值，计算预测值和实测值之间的误差，并建立误差概率分布模型；
跟车车速预测模块960，用于根据所述回归模型、参数概率分布模型及误差概率分布模型，综合考虑参数的随机性和误差的随机性，构建跟车车速预测模型，并得到跟车车速预测结果。
应当注意，尽管在上文详细描述中提及了利用车路协同数据的汽车跟车车速预测系统的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
基于前述发明构思，如图10所示，本发明还提出了一种计算机设备1000，包括存储器1010、处理器1020及存储在存储器1010上并可在处理器1020上运行的计算机程序1030，所述处理器1020执行所述计算机程序1030时实现前述利用车路协同数据的汽车跟车车速预测方法。
基于前述发明构思，本发明提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述利用车路协同数据的汽车跟车车速预测方法。
本发明提出的利用车路协同数据的汽车跟车车速预测方法及系统在进行跟车车速预测时，提出考虑参数随机性和误差随机性的跟车车速预测模型，并同时考虑主客观不确定性因素对车辆跟车车速的影响，还将安全性、舒适性、便捷性和驾驶员个性等因素考虑在内，能够建立更加拟人化的跟车模型，对智能网联汽车跟车策略的制定具有一定的参考价值。在实际应用中，若预测集训练样本足够大时，得到的模型参数结果具有充分的代表性，可通过固定参数结果直接由所提出的跟车模型对宏观的交通流的车速进行分析，从而为加强交通管控和疏导，缓解交通拥堵，提高道路通行效率提供理论支撑。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (13)
1.一种利用车路协同数据的汽车跟车车速预测方法，其特征在于，该方法包括：
获取汽车的跟车场景数据；其中，所述跟车场景数据至少包括：当前车速、前车速度、车头间距及前车轮廓参数；
对所述跟车场景数据进行回归分析，建立当前车速与前车速度、前车宽度和车头间距之间的回归模型；其中，当前车速与前车速度、前车宽度和车头间距之间的表达式为：
其中，ve为当前车速；vp为前车速度；L为前车宽度；Δx为车头间距；k0、k1、k2、k3为常系数；
根据所述跟车场景数据对给定的时间窗口内和驾驶区域内行驶的跟车队列的车速、车头间距和前车宽度进行统计概率分析，建立车速、车头间距和前车宽度的参数概率分布模型；
选取所述时间窗口内和驾驶区域内行驶车辆的跟车场景数据为训练数据集，利用所述训练数据集对所述回归模型的参数进行辨识；
将模型参数辨识结果带回所述回归模型，获得给定前车速度、车头间距和车宽条件下，受到驾驶员个性和车辆的性能差异因素的影响的当前车速的预测值，计算预测值和实测值之间的误差，并建立误差概率分布模型；
根据所述回归模型、参数概率分布模型及误差概率分布模型，综合考虑参数的随机性和误差的随机性，构建跟车车速预测模型，并得到跟车车速预测结果。
2.根据权利要求1所述的利用车路协同数据的汽车跟车车速预测方法，其特征在于，获取汽车的跟车场景数据，包括：
获取汽车的行驶数据，并对所述行驶数据进行预处理；
设置边界约束，根据所述边界约束对预处理后的行驶数据进行剔除处理，保留汽车的跟车场景数据。
3.根据权利要求2所述的利用车路协同数据的汽车跟车车速预测方法，其特征在于，获取汽车的行驶数据，包括：
利用车载传感器和路侧传感器获得车辆状态信息，选取前方固定感知范围内和固定历史时间内的车速、车头间距和前车宽度数据进行分析，获得汽车的行驶数据；其中，所述行驶数据至少包括车速、加速度、车头间距和前车宽度在内的信息。
4.根据权利要求3所述的利用车路协同数据的汽车跟车车速预测方法，其特征在于，对所述行驶数据进行预处理，包括：
对所述行驶数据进行预处理，融合多种传感器信息并剔除数据中的噪声和干扰信息，得到预处理后的行驶数据。
5.根据权利要求4所述的利用车路协同数据的汽车跟车车速预测方法，其特征在于，设置边界约束，根据所述边界约束对预处理后的行驶数据进行剔除处理，保留跟车场景数据，包括：
根据所述边界约束，将预处理后的行驶数据中换道场景、紧急制动场景和自由流的数据进行剔除，保留跟车场景数据；其中，换道场景数据是根据汽车横向加速度，当处于跟车行为的车辆的横向加速度绝对值超过第一阈值时，判定为换道场景；紧急制动场景和自由流数据是根据车头间距，当处于跟车行为的车辆的车头间距在预设范围以外时，若小于所述预设范围的最小值判定为紧急制动场景，若大于所述预设范围的最大值判定为自由流的数据。
6.根据权利要求5所述的利用车路协同数据的汽车跟车车速预测方法，其特征在于，根据所述跟车场景数据对给定的时间窗口内和驾驶区域内行驶的跟车队列的车速、车头间距和前车宽度进行统计概率分析，建立车速、车头间距和前车宽度数据的参数概率分布模型，包括：
根据统计概率分析，做出车速、车头间距和前车宽度的统计分布直方图，并判断三项参数的概率统计分布类型；其中，概率统计分布类型包括：正态分布、对数正态分布、指数分布或韦布尔分布；
在车速、车头间距和前车宽度的统计分布直方图基础上，分别采用正态分布、对数正态分布、指数分布和韦布尔分布模型进行统计分布建模，引入极大似然估计的方法或期望值最大化方法获得三项参数对应的理论统计分布的参数；
采用假设检验的方法对建立的车速、车头间距和车宽的理论统计分布进行拟合优度检验，选取拟合效果最好的参数概率分布模型。
7.根据权利要求6所述的利用车路协同数据的汽车跟车车速预测方法，其特征在于，选取所述时间窗口内和驾驶区域内行驶车辆的跟车场景数据为训练数据集，利用所述训练数据集对所述回归模型的参数进行辨识，包括：
采用下式的目标函数作为参数辨识的优化目标：
其中，Obj为目标函数；max为取最大值函数；min为取最小值函数；|yi|为第i个实测值的绝对值，|fi(·)|为第i个预测值的绝对值；当模型预测精度提高时，目标函数的取值趋向于1，若目标函数越接近于1，参数辨识的合理性越高。
8.根据权利要求7所述的利用车路协同数据的汽车跟车车速预测方法，其特征在于，将模型参数辨识结果带回所述回归模型，获得给定前车速度、车头间距和车宽条件下，受到驾驶员个性和车辆的性能差异因素的影响的当前车速的预测值，计算预测值和实测值之间的误差，并建立误差概率分布模型，包括：
根据预测值和实测值之间的误差，做出误差的概率分布直方图，判断误差服从的概率分布，并采用统计分布模型建立误差的数学表达式：
ε＝N(0,σ2)；
其中，ε为误差；σ2为车速预测误差的方差，由驾驶员个性和车辆性能差异确定；N为正态分布。
9.根据权利要求8所述的利用车路协同数据的汽车跟车车速预测方法，其特征在于，根据所述回归模型、参数概率分布模型及误差概率分布模型，综合考虑参数的随机性和误差的随机性，构建跟车车速预测模型，并得到跟车车速预测结果，包括：
跟车车速预测模型的表达式为：
ve'为预测的汽车跟车速度；
分别为前车速度、前车宽度、车头间距及预测误差对应的随机变量，前车速度
用于描述驾驶的效率，前车宽度
和车头间距
用于描述驾驶安全性，预测误差
用于描述驾驶个性差异和车辆性能的差异。
10.根据权利要求1所述的利用车路协同数据的汽车跟车车速预测方法，其特征在于，该方法还包括：
获取一组新的数据集，固定采集的时间窗口和路段，得到模型参数，采用蒙特卡洛模拟的方法获得车速预测结果，对预测结果进行统计分布分析，对比实际采集获得的车速分布和由模型计算得到的车速分布之间的差异，若差异小于差异阈值时，模型验证通过。
11.一种利用车路协同数据的汽车跟车车速预测系统，其特征在于，该系统包括：
数据获取模块，用于获取汽车的跟车场景数据；其中，所述跟车场景数据至少包括：当前车速、前车速度、车头间距及前车轮廓参数；
回归分析模块，用于对所述跟车场景数据进行回归分析，建立当前车速与前车速度、前车宽度和车头间距之间的回归模型；其中，当前车速与前车速度、前车宽度和车头间距之间的表达式为：
其中，ve为当前车速；vp为前车速度；L为前车宽度；Δx为车头间距；k0、k1、k2、k3为常系数；
统计概率分析模块，用于根据所述跟车场景数据对给定的时间窗口内和驾驶区域内行驶的跟车队列的车速、车头间距和前车宽度进行统计概率分析，建立车速、车头间距和前车宽度的参数概率分布模型；
参数辨识模块，用于选取所述时间窗口内和驾驶区域内行驶车辆的跟车场景数据为训练数据集，利用所述训练数据集对所述回归模型的参数进行辨识；
误差分析模块，用于将模型参数辨识结果带回所述回归模型，获得给定前车速度、车头间距和车宽条件下，受到驾驶员个性和车辆的性能差异因素的影响的当前车速的预测值，计算预测值和实测值之间的误差，并建立误差概率分布模型；
跟车车速预测模块，用于根据所述回归模型、参数概率分布模型及误差概率分布模型，综合考虑参数的随机性和误差的随机性，构建跟车车速预测模型，并得到跟车车速预测结果。
12.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10任一所述方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至10任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011345833.3A CN112466119B (zh) | 2020-11-26 | 2020-11-26 | 一种利用车路协同数据的汽车跟车车速预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011345833.3A CN112466119B (zh) | 2020-11-26 | 2020-11-26 | 一种利用车路协同数据的汽车跟车车速预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112466119A CN112466119A (zh) | 2021-03-09 |
| CN112466119B true CN112466119B (zh) | 2021-11-16 |
Family
ID=74809457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011345833.3A Active CN112466119B (zh) | 2020-11-26 | 2020-11-26 | 一种利用车路协同数据的汽车跟车车速预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112466119B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112022A (zh) * | 2021-04-06 | 2021-07-13 | 清华大学 | 智能汽车队列人-车-路系统多智能体联合建模方法 |
| CN113326638B (zh) * | 2021-08-03 | 2021-11-09 | 北京赛目科技有限公司 | 自动驾驶测试场景的确定方法及其装置 |
| CN113920727B (zh) * | 2021-10-08 | 2023-11-07 | 温州大学 | 一种由施工引发道路拥堵的预测方法及系统 |
| CN114141015B (zh) * | 2021-12-02 | 2022-09-27 | 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) | 一种考虑车辆历史信息反馈的队列稳定性控制方法 |
| CN114056332B (zh) * | 2022-01-14 | 2022-04-12 | 清华大学 | 基于认知风险平衡的智能汽车跟车决策和控制方法 |
| CN115424433B (zh) * | 2022-07-21 | 2023-10-03 | 重庆大学 | 一种多车型的混合交通中网联车辆跟驰行为刻画方法 |
| CN116386387B (zh) * | 2023-04-19 | 2024-03-08 | 长安大学 | 混合队列人驾车辆跟驰行为预测方法和装置 |
| CN117131955B (zh) * | 2023-10-27 | 2024-01-16 | 北京航空航天大学 | 一种考虑多约束条件的短时车速预测方法 |
| CN117312776B (zh) * | 2023-11-27 | 2024-03-12 | 中汽研（天津）汽车工程研究院有限公司 | 一种跟车加速场景数据采集、挖掘及特征分析方法和系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109484407A (zh) * | 2018-11-14 | 2019-03-19 | 北京科技大学 | 一种电动汽车辅助驾驶的自适应跟车方法 |
| CN109927725B (zh) * | 2019-01-28 | 2020-11-03 | 吉林大学 | 一种具有驾驶风格学习能力的自适应巡航系统及实现方法 |
| CN113424242B (zh) * | 2019-02-18 | 2023-03-28 | 三菱电机株式会社 | 信息处理装置、计算机可读取的记录介质及信息处理方法 |
| CN111391831B (zh) * | 2020-02-27 | 2021-03-16 | 中南大学 | 一种基于前车速度预测的汽车跟驰速度控制方法及系统 |
-
2020
- 2020-11-26 CN CN202011345833.3A patent/CN112466119B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112466119A (zh) | 2021-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112466119B (zh) | 一种利用车路协同数据的汽车跟车车速预测方法及系统 | |
| Zhu et al. | Typical-driving-style-oriented personalized adaptive cruise control design based on human driving data | |
| CN109871599B (zh) | 一种无人驾驶车辆运行安全指数评价方法 | |
| US20210086798A1 (en) | Model-free reinforcement learning | |
| CN109782730B (zh) | 用于自主系统性能和评级的方法和装置 | |
| CN112015843A (zh) | 基于多车意图交互结果的行车风险态势评估方法及系统 | |
| CN113370996B (zh) | 自动驾驶换道跟驰决策方法及系统、自动驾驶车辆 | |
| CN113665574B (zh) | 智能汽车换道时长预测及拟人化轨迹规划方法 | |
| US20230343153A1 (en) | Method and system for testing a driver assistance system | |
| CN116108717B (zh) | 一种基于数字孪生的交通运输设备运行预测方法及装置 | |
| US20230365145A1 (en) | Method, system and computer program product for calibrating and validating a driver assistance system (adas) and/or an automated driving system (ads) | |
| CN115285135A (zh) | 融合驾驶风格的深度强化学习车辆跟驰模型的构建方法 | |
| CN115923833A (zh) | 车辆的拟人化决策控制方法、装置、车辆及存储介质 | |
| US20230001940A1 (en) | Method and Device for Optimum Parameterization of a Driving Dynamics Control System for Vehicles | |
| CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
| CN117325865A (zh) | 一种lstm轨迹预测的智能车辆换道决策方法及系统 | |
| US20230394896A1 (en) | Method and a system for testing a driver assistance system for a vehicle | |
| CN113110359B (zh) | 约束型智能汽车自主决策系统在线训练方法及装置 | |
| Ramezani-Khansari et al. | [Retracted] Estimating Lane Change Duration for Overtaking in Nonlane‐Based Driving Behavior by Local Linear Model Trees (LOLIMOT) | |
| CN115236997A (zh) | 预测控制方法、装置、设备及计算机可读存储介质 | |
| CN114148349B (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 | |
| US20240037296A1 (en) | Comparison of digital representations of driving situations of a vehicle | |
| US20220390596A1 (en) | Method, apparatus and computer program for enabling a sensor system for detecting objects in an environment of a vehicle | |
| CN114616157A (zh) | 用于通过强化学习检查自动化的行驶功能的方法和系统 | |
| CN113771884A (zh) | 基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法 |
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 |