CN112466158A - 一种面向平面交叉口的车辆碰撞风险评估及预测方法 - Google Patents

一种面向平面交叉口的车辆碰撞风险评估及预测方法 Download PDF

Info

Publication number
CN112466158A
CN112466158A CN202011357563.8A CN202011357563A CN112466158A CN 112466158 A CN112466158 A CN 112466158A CN 202011357563 A CN202011357563 A CN 202011357563A CN 112466158 A CN112466158 A CN 112466158A
Authority
CN
China
Prior art keywords
vehicle collision
collision risk
vehicle
grid
hum
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.)
Granted
Application number
CN202011357563.8A
Other languages
English (en)
Other versions
CN112466158B (zh
Inventor
李旭
胡锦超
徐启敏
胡玮明
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202011357563.8A priority Critical patent/CN112466158B/zh
Publication of CN112466158A publication Critical patent/CN112466158A/zh
Application granted granted Critical
Publication of CN112466158B publication Critical patent/CN112466158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种面向平面交叉口的车辆碰撞风险评估及预测方法，包括以下步骤：步骤一、确定影响车辆碰撞的风险因素；步骤二、搭建并训练基于LSTM网络的车辆碰撞风险评估及预测模型；步骤三、实时评估及预测平面交叉口的车辆碰撞风险；该方法既能够实现实时的评估车辆碰撞风险，又能够实现不同时间尺度的车辆碰撞风险预测，对存在碰撞风险的相关车辆进行不同时间尺度的提前预警，能够显著减少平面交叉口车辆间交通冲突，有效提升该类道路重点区域的安全性。

Description

一种面向平面交叉口的车辆碰撞风险评估及预测方法
技术领域
本发明涉及一种预测方法，具体涉及一种面向平面交叉口的车辆碰撞风险评估及预测方法，属于交通安全评估技术领域。
背景技术
作为道路重点区域，道路平面交叉口车辆碰撞事故频发，因此，面向平面交叉口的车辆碰撞风险评估显得尤为重要。目前，宏观层面上采用“中心云”类处理技术，即通过交通指挥控制平台汇聚基础道路交通参数、交通流量信息等，评估平面交叉口是否发生车辆拥堵或碰撞。由于数据在从平面交叉口向交通指挥控制平台传递中存在传输延时，且在“中心云”集中处理时也存在延时，因而该类技术仅可进行“分钟级”交通状态评估，无法实现实时评估；在微观层面上，车辆碰撞风险评估主要基于车辆运动学和动力学模型，如根据车辆安全距离、碰撞时间等运动学参数评估车辆碰撞风险。但由于车辆未来运动不确定，该类方法仅能够预测短期内车辆碰撞风险。总之，目前面向平面交叉口的车辆碰撞事故评估为集中的“事后”评估，无法实时评估平面交叉口的车辆碰撞风险，更缺乏“事前”预测不同时间尺度的车辆碰撞风险的能力。
随着智能车路系统技术的快速发展，智能路侧设备具备了全息感知与“边缘”处理能力。部署在平面交叉口处的智能路侧设备不仅能够准确感知车辆运动学参数、驾驶员行为因素、交通环境因素等影响车辆碰撞的全要素，而且能够实现交通指挥控制平台“中心云”的集中处理能力下沉，显著减少数据链路传输延时、减轻“中心云”的集中处理压力。与现有的仅基于车辆运动学或动力学模型的“事后”评估方法相比，利用智能路侧设备感知的影响车辆碰撞的全要素及其“边缘”处理能力，考虑的因素更加全面，数据处理更加及时。不仅能实时的评估平面交叉口的车辆碰撞风险，而且能提前对存在碰撞风险的相关车辆进行不同时间尺度的预警，能够显著减少平面交叉口车辆间交通冲突，有效提升该类道路重点区域的安全性。
发明内容
本发明正是针对现有技术中存在的问题，提供一种面向平面交叉口的车辆碰撞风险评估及预测方法，该方法既能够实现实时的评估车辆碰撞风险，又能够实现不同时间尺度的车辆碰撞风险预测，对存在碰撞风险的相关车辆进行不同时间尺度的提前预警，能够显著减少平面交叉口车辆间交通冲突，有效提升该类道路重点区域的安全性。
为了实现上述目的，本发明的技术方案如下，首先，全面考虑影响车辆碰撞的风险因素，包括车辆运动学因素、驾驶员行为因素、交通环境因素。在此基础上，提炼车辆碰撞风险评估及预测模型的输入量和输出量。其次，考虑实车试验数据缺乏极端工况样本，并且实车车辆碰撞试验极具危险性。设置仿真实验，制作样本数据集。再次，利用LSTM网络的学习与预测长期依赖性特点，搭建基于LSTM网络的车辆碰撞风险评估及预测模型，并训练该模型。最后，将训练后的模型部署在智能路侧设备中，实时评估并预测不同时间尺度的车辆碰撞风险。本发明的方法具体包括以下步骤：
步骤一、确定影响车辆碰撞的风险因素；
为减小车辆碰撞风险评估及预测模型受车辆运动不确定性的影响，综合考虑影响车辆碰撞的风险因素，包括车辆运动学因素、驾驶员行为因素、交通环境因素。
子步骤(1)、为便于分析评估平面交叉口的车辆碰撞风险，将平面交叉口道路区域栅格化，划分成若干个a×b的网格区域，a表示网格区域的长度，b表示网格区域的宽度，逐个评估、预测各个网格区域内的车辆碰撞风险，后续步骤以网格区域O为例叙述，其他区域类同。
子步骤(2)、确定网格区域O内影响车辆碰撞的运动学因素。利用智能路侧设备(含毫米波雷达和视觉传感器)获取影响车辆碰撞的运动信息，如网格区域O内车辆位置p、车辆速度v。
子步骤(3)、确定网格区域O内影响车辆碰撞的驾驶员行为因素。若网格区域O内有车辆目标，则依据影响车辆碰撞的运动信息，基于隐马尔科夫的前向-后向算法估计模型参数，进而利用维特比算法(参见文献：刘志强,吴雪刚,倪捷,张腾.基于HMM和SVM级联算法的驾驶意图识别[J].汽车工程,2018,40(07):858-864)识别网格区域O内车辆的驾驶行为，包括左转LT、右转RT、直行GS、左变道LC、右变道RC等五种行为。
子步骤(4)、确定影响车辆碰撞的交通环境因素。交通环境因素包括车道数量Num、车道宽度Wid、控制形式Con、湿度条件Hum四个方面的交通环境先验信息。其中，控制形式Con取值有信号灯控制、无信号灯控制，湿度条件Hum取值有干燥、较湿。
子步骤(5)、网格区域O的五个相邻区域：左方区域、前方区域、左前区域、右方区域，右前区域内影响车辆碰撞的因素也确定为运动学因素、驾驶员行为因素、交通环境因素，按照子步骤(2)至子步骤(4)执行相同的操作。
子步骤(6)、确定网格区域O内车辆碰撞风险评估及预测模型的输入量In及输出量Out。考虑网格区域O内车辆碰撞受到相邻区域的影响，车辆碰撞风险评估及预测模型的输入量In包括：
网格区域O：(p1,v1,LT1/RT1,LC1/RC1,Num1,Wid1,Con1,Hum1)，
左方区域：(p2,v2,LT2/RT2,LC2/RC2,Num2,Wid2,Con2,Hum2)，
前方区域：(p3,v3,LT3/RT3,LC3/RC3,Num3,Wid3,Con3,Hum3)，
左前区域：(p4,v4,LT4/RT4,LC4/RC4,Num4,Wid4,Con4,Hum4)，
右方区域：(p5,v5,LT5/RT5,LC5/RC5,Num5,Wid5,Con5,Hum5)，
右前区域：(p6,v6,LT6/RT6,LC6/RC6,Num6,Wid6,Con6,Hum6)，
其中，p1表示网格区域O内车辆位置，v1表示网格区域O内车辆速度，LT1表示网格区域O内车辆左转向，RT1表示网格区域O内车辆右转向，LT1/RT1表示该位置取值为LT1或RT1，LC1表示网格区域O内车辆左变道，RC1表示网格区域O内车辆右变道，LC1/RC1表示该位置取值为LC1或RC1，Num1表示行驶方向的车道数量，Wid1表示行驶方向车道宽度，Con1表示交通灯控制形式，Hum1表示湿度条件。左方区域、前方区域、左前区域、右方区域、右前区域中符号表示含义与网格区域O中符号表示含义类同。
即输入量In是由网格区域O及其五个相邻区域构成的48维向量：
In＝(p1,v1,LT1/RT1,LC1/RC1,Num1,Wid1,Con1,Hum1，
p2,v2,LT2/RT2,LC2/RC2,Num2,Wid2,Con2,Hum2，
p3,v3,LT3/RT3,LC3/RC3,Num3,Wid3,Con3,Hum3，
p4,v4,LT4/RT4,LC4/RC4,Num4,Wid4,Con4,Hum4，
p5,v5,LT5/RT5,LC5/RC5,Num5,Wid5,Con5,Hum5，
p6,v6,LT6/RT6,LC6/RC6,Num6,Wid6,Con6,Hum6)
车辆碰撞风险等级作为网格区域O内车辆碰撞风险评估及预测模型的输出量Out。车辆碰撞风险等级Risk包括严重危险、较为危险、一般危险、较为安全、安全五种取值。
步骤二、搭建并训练基于LSTM网络的车辆碰撞风险评估及预测模型；
子步骤(1)、设置仿真试验，制作样本数据集。为避免实车试验车辆碰撞造成的风险，同时提升样本数据的多样性，特别是涵盖极端工况样本数据，利用车辆与交通仿真软件Prescan，设置多组车辆碰撞试验，制作样本数据集。参考《C-NCAP管理规则》2018版设置三种碰撞工况试验，即正向碰撞工况，侧向碰撞工况，追尾碰撞工况。在此基础上，改变转向、换道等驾驶员行为因素以及车道数量Num、车道宽度Wid、控制形式Con、湿度条件Hum等四个方面的交通环境因素。根据评估专家经验标注仿真试验过程中的车辆碰撞风险等级，获取多组样本数据。
子步骤(2)、预处理样本数据。对网格区域O及其相邻区域内样本数据进行归一化处理，然后将样本数据转化为有监督学习问题，设置时间步长为1。
子步骤(3)、搭建基于LSTM网络的网格区域内车辆碰撞风险评估及预测模型。考虑智能路侧设备算力有限，拟设置隐藏层为50个LSTM神经元，输出层1个神经元，输入变量是1个时间步的特征，即输入变量的时间步为t-1，输出样本标签的时间步为t。模型参数设置参见文献(L.Hou,L.Xin,S.E.Li,B.Cheng and W.Wang,"Interactive TrajectoryPrediction of Surrounding Road Users for Autonomous Driving Using Structural-LSTM Network,"in IEEE Transactions on Intelligent Transportation Systems.)
子步骤(4)、评估模型，计算损失。将模型的预测结果和样本数据集的部分测试数据组合，再结合均方根误差计算损失。若损失小于阈值，则进行下一步，本实施例设置阈值为1，即认为输出的车辆碰撞风险等级误差不大于1；否则返回子步骤(2)，重新构建基于LSTM网络的网格区域O的车辆碰撞风险评估及预测模型。
步骤三、实时评估及预测平面交叉口的车辆碰撞风险；
子步骤(1)、将步骤二中训练完成的基于LSTM网络的网格区域的车辆碰撞风险评估模型部署在智能路侧设备中。输入智能路侧设备感知的网格区域O内影响车辆碰撞的48维向量In，车辆碰撞风险评估模型输出Out即为网格区域O车辆碰撞风险等级，同时记录发生碰撞的网格区域O的位置p；
子步骤(2)、将时间步分别调整为t+5、t+10、t+20，重新执行步骤二，根据模型输出分别预测网格区域O在0.5秒后、1秒后、2秒后的车辆碰撞风险等级；
子步骤(3)、平面交叉口其他区域内车辆碰撞风险评估及预测方法也按照步骤一至步骤二执行；
最终输出：1、当前时刻平面交叉口所有栅格化区域的车辆碰撞风险等级；2、0.5秒后平面交叉口所有栅格化区域的车辆碰撞风险等级；3、1秒后平面交叉口所有栅格化区域的车辆碰撞风险等级；4、2秒后平面交叉口所有栅格化区域的车辆碰撞风险等级；
与现有技术相比，本发明的技术方案具有以下有益技术效果：
(1)该技术方案实时评估平面交叉口各个区域内的车辆碰撞风险，输出平面交叉口处车辆碰撞的位置、风险等级及该等级的概率等信息，有助于实现交管部门“事前”更精细化的交通安全监控；
(2)预测平面交叉口0.5秒后、1秒后、2秒后等不同时间尺度的车辆碰撞风险，实现了对存在碰撞风险的相关车辆进行不同时间尺度的提前预警，有效减少了车辆间交通冲突，有效提升该类道路重点区域的安全性。
附图说明
图1是本发明的方法流程图；
图2是本发明的技术方案示意图；
图3是本发明具体实施方式中的正向碰撞工况设置案例；
图4是本发明具体实施方式中的侧向碰撞工况设置案例；
图5是本发明具体实施方式中的追尾碰撞工况设置案例；
具体实施方式：
为了加深对本发明的理解，下面结合附图对本实施例做详细的说明。
实施例1：道路平面交叉口车辆碰撞事故频发，是道路重点区域，因此，面向平面交叉口的车辆碰撞风险评估尤为重要。目前，宏观层面上采用“中心云”类处理技术，即通过交通指挥控制平台汇聚基础道路交通参数、交通流量信息等，评估平面交叉口是否发生车辆拥堵或碰撞。由于数据在从平面交叉口向交通指挥控制平台传递中存在传输延时，且在“中心云”集中处理时也存在延时，因而该类技术仅可进行“分钟级”交通状态评估，无法实现实时评估；在微观层面上，车辆碰撞风险评估主要基于车辆运动学和动力学模型，如根据车辆安全距离、碰撞时间等参数评估车辆碰撞风险。但由于车辆未来运动不确定，该类方法仅能够预测短期内车辆碰撞风险。总之，目前面向平面交叉口的车辆碰撞事故评估为集中的“事后”评估，无法实时评估平面交叉口的车辆碰撞风险，更缺乏“事前”预测不同时间尺度的车辆碰撞风险的能力。
随着智能车路系统技术的快速发展，智能路侧设备具备了全息感知与“边缘”处理能力。部署在平面交叉口处的智能路侧设备不仅能够准确感知车辆运动学参数、驾驶员行为因素、交通环境因素等影响车辆碰撞的全要素，而且能够实现交通指挥控制平台“中心云”的集中处理能力下沉，显著减少数据链路传输延时、减轻“中心云”的集中处理压力。与现有的仅基于车辆运动学或动力学模型的“事后”评估方法相比，利用智能路侧设备感知的影响车辆碰撞的全要素及其“边缘”处理能力，考虑的因素更加全面，数据处理更加及时。不仅能实时的评估平面交叉口的车辆碰撞风险，而且能提前对存在碰撞风险的相关车辆进行不同时间尺度的预警，能够显著减少平面交叉口车辆间交通冲突，有效提升该类道路重点区域的安全性。
为实现上述目的，发明一种面向平面交叉口的车辆碰撞风险评估及预测方法。首先，全面考虑影响车辆碰撞的风险因素，包括车辆运动学因素、驾驶员行为因素、交通环境因素。在此基础上，提炼车辆碰撞风险评估及预测模型的输入量和输出量。其次，考虑实车实验数据缺乏极端工况样本，并且实车实验车辆碰撞的危险性，设置仿真实验，制作样本数据集。再次，利用LSTM网络的学习与预测长期依赖性特点，搭建基于LSTM网络的车辆碰撞风险评估及预测模型，并训练该模型。最后，将训练后的模型的部署在智能路侧设备中，实时评估并预测不同时间尺度的车辆碰撞风险。该方法既能够实现面向平面交叉口实时的评估车辆碰撞风险，又能够实现不同时间尺度的车辆碰撞风险预测。
下面以附图2中所示的平面交叉口为例，对本发明的思路作进一步说明，阐述本发明的具体实施方式：
步骤一、确定影响车辆碰撞的风险因素；
为减小车辆碰撞风险评估及预测模型受车辆运动不确定性的影响，从不同层级综合考虑影响车辆碰撞的风险因素，包括车辆运动学因素、驾驶员行为因素、交通环境因素。
子步骤(1)、如附图2所示，为便于分析评估平面交叉口的车辆碰撞风险，将平面交叉口道路区域栅格化，划分成若干个a×b的网格区域，a表示网格区域的长度，b表示网格区域的宽度。本实施例根据附图2所示的车辆长度中位数7m，车间安全间距3m，拟取网格区域长度a＝10m,根据附图2所示的平面交叉口车道宽3.75m，拟取网格区域的宽度b＝3.75m。
子步骤(2)、确定网格区域O内影响车辆碰撞的运动学因素。利用如附图2所示的智能路侧设备(含毫米波雷达和视觉传感器)获取影响车辆碰撞的运动信息，如网格区域O内车辆位置p、车辆速度v。
子步骤(3)、确定网格区域O内影响车辆碰撞的驾驶员行为因素。若网格区域O内有车辆目标，则依据影响车辆碰撞的运动信息，基于隐马尔科夫的前向-后向算法估计模型参数，进而利用维特比算法(参见文献：刘志强,吴雪刚,倪捷,张腾.基于HMM和SVM级联算法的驾驶意图识别[J].汽车工程,2018,40(07):858-864)识别网格区域O内车辆的驾驶行为，包括左转LT、右转RT、直行GS、左变道LC、右变道RC等五种行为。
子步骤(4)、确定影响车辆碰撞的交通环境因素。交通环境因素包括车道数量Num、车道宽度Wid、控制形式Con、湿度条件Hum四个方面的交通环境信息。其中，控制形式Con取值有信号灯控制、无信号灯控制，湿度条件Hum取值有干燥、较湿。
子步骤(5)、网格区域O的五个相邻区域：左方区域、前方区域、左前区域、右方区域，右前区域内影响车辆碰撞的因素也确定为运动学因素、驾驶员行为因素、交通环境因素，按照子步骤(2)至子步骤(4)执行相同的操作。
子步骤(6)、确定网格区域O内车辆碰撞风险评估及预测模型的输入量In及输出量Out。考虑网格区域O内车辆碰撞受到相邻区域的影响，车辆碰撞风险评估及预测模型的输入量In应包括：
网格区域O：(p1,v1,GS1/LT1/RT1,LC1/RC1,Num1,Wid1,Con1,Hum1)，
左方区域：(p2,v2,GS2/LT2/RT2,LC2/RC2,Num2,Wid2,Con2,Hum2)，
前方区域：(p3,v3,GS3/LT3/RT3,LC3/RC3,Num3,Wid3,Con3,Hum3)，
左前区域：(p4,v4,GS4/LT4/RT4,LC4/RC4,Num4,Wid4,Con4,Hum4)，
右方区域：(p5,v5,GS5/LT5/RT5,LC5/RC5,Num5,Wid5,Con5,Hum5)，
右前区域：(p6,v6,GS6/LT6/RT6,LC6/RC6,Num6,Wid6,Con6,Hum6)，
即输入量In是由网格区域O及其五个相邻区域构成的48维向量：
In＝(p1,v1,GS1/LT1/RT1,LC1/RC1,Num1,Wid1,Con1,Hum1，
p2,v2,GS2/LT2/RT2,LC2/RC2,Num2,Wid2,Con2,Hum2，
p3,v3,GS3/LT3/RT3,LC3/RC3,Num3,Wid3,Con3,Hum3，
p4,v4,GS4/LT4/RT4,LC4/RC4,Num4,Wid4,Con4,Hum4，
p5,v5,GS5/LT5/RT5,LC5/RC5,Num5,Wid5,Con5,Hum5，
p6,v6,GS6/LT6/RT6,LC6/RC6,Num6,Wid6,Con6,Hum6)
车辆碰撞风险等级作为网格区域O内车辆碰撞风险评估及预测模型的输出量Out。车辆碰撞风险等级Risk有严重危险、较为危险、一般危险、较为安全、安全五种取值。
如本实施例附图2的网格区域O中，车辆位置(30,94)，速度20km/h，驾驶行为是直行，没有换道的行为，单向车道数是2，车道宽度是3.75m，平面交叉口为无信号灯控制的交叉口，路面条件为干燥路面。网格区域O可以表示为：
(p1,v1,GS1/LT1/RT1,LC1/RC1,Num1,Wid1,Con1,Hum1)＝((30,94),20，0,NULL,2,3.75,0,0)左方区域：
(p2,v2,GS2/LT2/RT2,LC2/RC2,Num2,Wid2,Con2,Hum2)＝(NULL,0,NULL,NULL,2,3.75,0,0)
前方区域：
(p3,v3,GS3/LT3/RT3,LC3/RC3,Num3,Wid3,Con3,Hum3)＝((37,83),25，1,0,2,3.75,0,0)
左前区域：
(p4,v4,GS4/LT4/RT4,LC4/RC4,Num4,Wid4,Con4,Hum4)＝(NULL,0,NULL,NULL,2,3.75,0,0)
右方区域：
(p5,v5,GS5/LT5/RT5,LC5/RC5,Num5,Wid5,Con5,Hum5)＝((36,84),25，1,0,2,3.75,0,0)
右前区域：
(p6,v6,GS6/LT6/RT6,LC6/RC6,Num6,Wid6,Con6,Hum6)＝((37,84),25，1,0,2,3.75,0,0)
In＝(30,94,0,0,2,3.75,0,0,
NULL,0,NULL,NULL,2,3.75,0,0,
37,83,1,0,2,3.75,0,0,
NULL,0,NULL,NULL,2,3.75,0,0,
36,84,1,0,2,3.75,0,0,
37,84,1,0,2,3.75,0,0)
其中NULL表示该项取值为空，GS1/LT1/RT1＝0表示直行，GS1/LT1/RT1＝1表示左转，GS1/LT1/RT1＝2表示右转，LC1/RC1＝0表示向左换道，LC1/RC1＝1表示向右换道。Con＝0表示为无信号灯控制平面交叉口，Con＝1表示有信号灯控制平面交叉口，Hum＝0表示路面条件为干燥路面，Hum＝1表示路面条件为较湿路面。其他区域的直行/转向、换道表示方法与网格区域O的表示方法相同。
步骤二、搭建并训练基于LSTM网络的车辆碰撞风险评估及预测模型。
子步骤(1)、设置仿真试验，制作样本数据集。为避免实车试验车辆碰撞造成的风险，同时提升样本数据的多样性，特别是涵盖极端工况样本数据，利用车辆与交通仿真软件Prescan，设置多组车辆碰撞试验，制作样本数据集。参考《C-NCAP管理规则》2018版设置三种碰撞工况试验，即正向碰撞工况，侧向碰撞工况，追尾碰撞工况。设置方法分别如附图3、附图4、附图5所示。在此基础上，改变转向、换道等驾驶员行为因素以及车道数量Num、车道宽度Wid、控制形式Con、湿度条件Hum等四个方面的交通环境因素。根据评估专家经验标注仿真试验过程中的车辆碰撞风险等级，获取多组样本数据。
子步骤(2)、预处理样本数据。对网格区域O及其相邻区域内样本数据进行归一化处理，然后将样本数据转化为有监督学习问题，设置时间步长为1。
子步骤(3)、搭建基于LSTM网络的网格区域内车辆碰撞风险评估及预测模型。考虑智能路侧设备算力有限，拟设置隐藏层为50个LSTM神经元，输出层1个神经元，输入变量是1个时间步的特征，即输入变量的时间步为t-1，输出样本标签的时间步为t。模型其他参数设置参见文献(L.Hou,L.Xin,S.E.Li,B.Cheng and W.Wang,"Interactive TrajectoryPrediction of Surrounding Road Users for Autonomous Driving Using Structural-LSTM Network,"in IEEE Transactions on Intelligent Transportation Systems.)
子步骤(4)、评估模型，计算损失。将模型的预测结果和样本数据集的部分测试数据组合，再结合均方根误差计算损失。若损失小于阈值，则进行下一步，本实施例设置阈值为1，即认为输出的车辆碰撞风险等级误差不大于1；否则返回子步骤(2)，重新构建基于LSTM网络的网格区域O的车辆碰撞风险评估及预测模型。
步骤三、实时评估及预测平面交叉口的车辆碰撞风险。
子步骤(1)、将步骤二中训练完成的基于LSTM网络的网格区域的车辆碰撞风险评估模型部署在智能路侧设备中。输入智能路侧设备感知的网格区域O内影响车辆碰撞的48维向量In，车辆碰撞风险评估模型输出Out即为网格区域O车辆碰撞风险等级，同时记录发生碰撞的网格区域O的位置p。
子步骤(2)、将时间步分别调整为t+5、t+10、t+20，重新执行步骤二，根据模型输出分别预测网格区域O在0.5秒后、1秒后、2秒后的车辆碰撞风险等级。
子步骤(3)、平面交叉口其他区域内车辆碰撞风险评估及预测方法也按照步骤一至步骤二执行。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
(1)实时评估平面交叉口各个区域内的车辆碰撞风险，输出平面交叉口处车辆碰撞的位置、风险等级等信息，有助于实现交管部门“事前”更精细化的交通安全监控。
(2)预测平面交叉口0.5秒后、1秒后、2秒后等不同时间尺度的车辆碰撞风险，实现了对存在碰撞风险的相关车辆进行不同时间尺度的提前预警，有效减少了车辆间交通冲突，有效提升该类道路重点区域的安全性。
需要说明的是上述实施例，并非用来限定本发明的保护范围，在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。

Claims (4)

1.一种面向平面交叉口的车辆碰撞风险评估及预测方法，其特征在于：所述方法包括以下步骤：
步骤一、确定影响车辆碰撞的风险因素；
步骤二、搭建并训练基于LSTM网络的车辆碰撞风险评估及预测模型；
步骤三、实时评估及预测平面交叉口的车辆碰撞风险。
2.根据权利要求1所述的一种面向平面交叉口的车辆碰撞风险评估及预测方法，其特征在于，所述步骤一、确定影响车辆碰撞的风险因素，具体如下：
子步骤(1)、为便于分析评估平面交叉口的车辆碰撞风险，将平面交叉口道路区域栅格化，划分成若干个a×b的网格区域，a表示网格区域的长度，b表示网格区域的宽度，逐个评估、预测各个网格区域内的车辆碰撞风险，后续步骤以网格区域O为例叙述，其他区域类同；
子步骤(2)、确定网格区域O内影响车辆碰撞的运动学因素，利用智能路侧设备(含毫米波雷达和视觉传感器)获取影响车辆碰撞的运动信息，如网格区域O内车辆位置p、车辆速度v；
子步骤(3)、确定网格区域O内影响车辆碰撞的驾驶员行为因素，若网格区域O内有车辆目标，则依据影响车辆碰撞的运动信息，基于隐马尔科夫的前向-后向算法估计模型参数，进而利用维特比算法识别网格区域O内车辆的驾驶行为，包括左转LT、右转RT、直行GS、左变道LC、右变道RC等五种行为；
子步骤(4)、确定影响车辆碰撞的交通环境因素，交通环境因素包括车道数量Num、车道宽度Wid、控制形式Con、湿度条件Hum四个方面的交通环境先验信息，其中，控制形式Con取值有信号灯控制、无信号灯控制，湿度条件Hum取值有干燥、较湿；
子步骤(5)、网格区域O的五个相邻区域：左方区域、前方区域、左前区域、右方区域，右前区域内影响车辆碰撞的因素也确定为运动学因素、驾驶员行为因素、交通环境因素，按照子步骤(2)至子步骤(4)执行相同的操作；
子步骤(6)、确定网格区域O内车辆碰撞风险评估及预测模型的输入量In及输出量Out，考虑网格区域O内车辆碰撞受到相邻区域的影响，车辆碰撞风险评估及预测模型的输入量In包括：
网格区域O：(p1,v1,LT1/RT1,LC1/RC1,Num1,Wid1,Con1,Hum1)，
左方区域：(p2,v2,LT2/RT2,LC2/RC2,Num2,Wid2,Con2,Hum2)，
前方区域：(p3,v3,LT3/RT3,LC3/RC3,Num3,Wid3,Con3,Hum3)，
左前区域：(p4,v4,LT4/RT4,LC4/RC4,Num4,Wid4,Con4,Hum4)，
右方区域：(p5,v5,LT5/RT5,LC5/RC5,Num5,Wid5,Con5,Hum5)，
右前区域：(p6,v6,LT6/RT6,LC6/RC6,Num6,Wid6,Con6,Hum6)，
其中，p1表示网格区域O内车辆位置，v1表示网格区域O内车辆速度，LT1表示网格区域O内车辆左转向，RT1表示网格区域O内车辆右转向，LT1/RT1表示该位置取值为LT1或RT1，LC1表示网格区域O内车辆左变道，RC1表示网格区域O内车辆右变道，LC1/RC1表示该位置取值为LC1或RC1，Num1表示行驶方向的车道数量，Wid1表示行驶方向车道宽度，Con1表示交通灯控制形式，Hum1表示湿度条件。左方区域、前方区域、左前区域、右方区域、右前区域中符号表示含义与网格区域O中符号表示含义类同；
即输入量In是由网格区域O及其五个相邻区域构成的48维向量：
In＝(p1,v1,LT1/RT1,LC1/RC1,Num1,Wid1,Con1,Hum1，p2,v2,LT2/RT2,LC2/RC2,Num2,Wid2,Con2,Hum2，p3,v3,LT3/RT3,LC3/RC3,Num3,Wid3,Con3,Hum3，p4,v4,LT4/RT4,LC4/RC4,Num4,Wid4,Con4,Hum4，p5,v5,LT5/RT5,LC5/RC5,Num5,Wid5,Con5,Hum5，p6,v6,LT6/RT6,LC6/RC6,Num6,Wid6,Con6,Hum6)
车辆碰撞风险等级作为网格区域O内车辆碰撞风险评估及预测模型的输出量Out，车辆碰撞风险等级Risk包括严重危险、较为危险、一般危险、较为安全、安全五种取值。
3.根据权利要求2所述的一种面向平面交叉口的车辆碰撞风险评估及预测方法，其特征在于，步骤二、搭建并训练基于LSTM网络的车辆碰撞风险评估及预测模型，具体如下：
子步骤(1)、设置仿真试验，制作样本数据集，利用车辆与交通仿真软件Prescan，设置多组车辆碰撞试验，制作样本数据集，在此基础上，改变转向、换道等驾驶员行为因素以及车道数量Num、车道宽度Wid、控制形式Con、湿度条件Hum等四个方面的交通环境因素，根据评估专家经验标注仿真试验过程中的车辆碰撞风险等级，获取多组样本数据；
子步骤(2)、预处理样本数据，对网格区域O及其相邻区域内样本数据进行归一化处理，然后将样本数据转化为有监督学习问题，设置时间步长为1；
子步骤(3)、搭建基于LSTM网络的网格区域内车辆碰撞风险评估及预测模型，考虑智能路侧设备算力有限，拟设置隐藏层为50个LSTM神经元，输出层1个神经元，输入变量是1个时间步的特征，即输入变量的时间步为t-1，输出样本标签的时间步为t，
子步骤(4)、评估模型，计算损失，将模型的预测结果和样本数据集的部分测试数据组合，再结合均方根误差计算损失，若损失小于阈值，则进行下一步，设置阈值为1，即认为输出的车辆碰撞风险等级误差不大于1；否则返回子步骤(2)，重新构建基于LSTM网络的网格区域O的车辆碰撞风险评估及预测模型。
4.根据权利要求3所述的一种面向平面交叉口的车辆碰撞风险评估及预测方法，其特征在于，步骤三、实时评估及预测平面交叉口的车辆碰撞风险，具体如下：
子步骤(1)、将步骤二中训练完成的基于LSTM网络的网格区域的车辆碰撞风险评估模型部署在智能路侧设备中，输入智能路侧设备感知的网格区域O内影响车辆碰撞的48维向量In，车辆碰撞风险评估模型输出Out即为网格区域O车辆碰撞风险等级，同时记录发生碰撞的网格区域O的位置p；
子步骤(2)、将时间步分别调整为t+5、t+10、t+20，重新执行步骤二，根据模型输出分别预测网格区域O在0.5秒后、1秒后、2秒后的车辆碰撞风险等级：
子步骤(3)、平面交叉口其他区域内车辆碰撞风险评估及预测方法也按照步骤一至步骤二执行；
最终输出：1、当前时刻平面交叉口所有栅格化区域的车辆碰撞风险等级；2、0.5秒后平面交叉口所有栅格化区域的车辆碰撞风险等级；3、1秒后平面交叉口所有栅格化区域的车辆碰撞风险等级；4、2秒后平面交叉口所有栅格化区域的车辆碰撞风险等级。
CN202011357563.8A 2020-11-26 2020-11-26 一种面向平面交叉口的车辆碰撞风险评估及预测方法 Active CN112466158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011357563.8A CN112466158B (zh) 2020-11-26 2020-11-26 一种面向平面交叉口的车辆碰撞风险评估及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011357563.8A CN112466158B (zh) 2020-11-26 2020-11-26 一种面向平面交叉口的车辆碰撞风险评估及预测方法

Publications (2)

Publication Number Publication Date
CN112466158A true CN112466158A (zh) 2021-03-09
CN112466158B CN112466158B (zh) 2022-04-29

Family

ID=74809107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011357563.8A Active CN112466158B (zh) 2020-11-26 2020-11-26 一种面向平面交叉口的车辆碰撞风险评估及预测方法

Country Status (1)

Country Link
CN (1) CN112466158B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113096411A (zh) * 2021-03-17 2021-07-09 武汉大学 一种基于车联网环境系统的交叉路口处车辆碰撞预警方法
CN113212429A (zh) * 2021-05-13 2021-08-06 际络科技(上海)有限公司 一种自动驾驶车辆安全控制方法及装置
CN113313957A (zh) * 2021-05-30 2021-08-27 南京林业大学 基于增强型Dijkstra算法的无信号灯交叉路口车辆调度方法
CN115131990A (zh) * 2022-05-20 2022-09-30 兆边(上海)科技有限公司 一种无信控路口混合流碰撞风险预警方法与系统
CN116132443A (zh) * 2023-01-10 2023-05-16 北京秒如科技有限公司 一种泛在边缘计算的应用及数据管理调度系统、方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107492113A (zh) * 2017-06-01 2017-12-19 南京行者易智能交通科技有限公司 一种视频图像中运动目标位置预测模型训练方法、位置预测方法及轨迹预测方法
CN107609502A (zh) * 2017-09-05 2018-01-19 百度在线网络技术（北京）有限公司 用于控制无人驾驶车辆的方法和装置
CN107958269A (zh) * 2017-11-28 2018-04-24 江苏大学 一种基于隐马尔可夫模型的行车危险度预测方法
CN108447308A (zh) * 2018-05-17 2018-08-24 中交信息技术国家工程实验室有限公司 一种基于车路协同的交叉口车辆碰撞风险预测方法及系统
US20190294869A1 (en) * 2018-03-26 2019-09-26 Nvidia Corporation Object behavior anomaly detection using neural networks
CN111402631A (zh) * 2020-03-12 2020-07-10 博睿泰克科技（宁波）有限公司 一种基于车辆行驶的危险预警方法、系统及存储介质
EP3706034A1 (en) * 2019-03-06 2020-09-09 Robert Bosch GmbH Movement prediction of pedestrians useful for autonomous driving
CN111833650A (zh) * 2019-04-16 2020-10-27 福特全球技术公司 车辆路径预测

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107492113A (zh) * 2017-06-01 2017-12-19 南京行者易智能交通科技有限公司 一种视频图像中运动目标位置预测模型训练方法、位置预测方法及轨迹预测方法
CN107609502A (zh) * 2017-09-05 2018-01-19 百度在线网络技术（北京）有限公司 用于控制无人驾驶车辆的方法和装置
CN107958269A (zh) * 2017-11-28 2018-04-24 江苏大学 一种基于隐马尔可夫模型的行车危险度预测方法
US20190294869A1 (en) * 2018-03-26 2019-09-26 Nvidia Corporation Object behavior anomaly detection using neural networks
CN108447308A (zh) * 2018-05-17 2018-08-24 中交信息技术国家工程实验室有限公司 一种基于车路协同的交叉口车辆碰撞风险预测方法及系统
EP3706034A1 (en) * 2019-03-06 2020-09-09 Robert Bosch GmbH Movement prediction of pedestrians useful for autonomous driving
CN111666804A (zh) * 2019-03-06 2020-09-15 罗伯特·博世有限公司 对于自主驾驶有用的行人移动预测
CN111833650A (zh) * 2019-04-16 2020-10-27 福特全球技术公司 车辆路径预测
CN111402631A (zh) * 2020-03-12 2020-07-10 博睿泰克科技（宁波）有限公司 一种基于车辆行驶的危险预警方法、系统及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113096411A (zh) * 2021-03-17 2021-07-09 武汉大学 一种基于车联网环境系统的交叉路口处车辆碰撞预警方法
CN113212429A (zh) * 2021-05-13 2021-08-06 际络科技(上海)有限公司 一种自动驾驶车辆安全控制方法及装置
CN113313957A (zh) * 2021-05-30 2021-08-27 南京林业大学 基于增强型Dijkstra算法的无信号灯交叉路口车辆调度方法
CN115131990A (zh) * 2022-05-20 2022-09-30 兆边(上海)科技有限公司 一种无信控路口混合流碰撞风险预警方法与系统
CN116132443A (zh) * 2023-01-10 2023-05-16 北京秒如科技有限公司 一种泛在边缘计算的应用及数据管理调度系统、方法
CN116132443B (zh) * 2023-01-10 2024-03-01 北京秒如科技有限公司 一种泛在边缘计算的管理调度系统及方法

Also Published As

Publication number Publication date
CN112466158B (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN112466158B (zh) 一种面向平面交叉口的车辆碰撞风险评估及预测方法
US20190155291A1 (en) Methods and systems for automated driving system simulation, validation, and implementation
CN112133089B (zh) 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置
CN110949398B (zh) 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法
CN109871599B (zh) 一种无人驾驶车辆运行安全指数评价方法
CN110843789B (zh) 一种基于时序卷积网络的车辆换道意图预测方法
Han et al. Driving intention recognition and lane change prediction on the highway
Hu et al. Efficient mapping of crash risk at intersections with connected vehicle data and deep learning models
CN115206103B (zh) 一种基于平行仿真系统的可变限速控制系统
CN110910641A (zh) 一种基于神经网络的高速公路交通运行实时风险评估方法
Ortega et al. Application of machine learning algorithms for visibility classification
CN115923833A (zh) 车辆的拟人化决策控制方法、装置、车辆及存储介质
CN115782905A (zh) 一种自动驾驶车辆驾驶安全度量化系统
CN116946183A (zh) 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备
CN112990563B (zh) 一种高速公路追尾事故风险实时预测方法
CN113954844A (zh) 一种智能汽车人机驾驶模式切换系统
Ali et al. Employment of instrumented vehicles to identify real-time snowy weather conditions on freeways using supervised machine learning techniques–A naturalistic driving study
Dong et al. Evaluating impact of remote-access cyber-attack on lane changes for connected automated vehicles
Huang Svm-based real-time identification model of dangerous traffic stream state
Lv et al. A lane-changing decision-making model of bus entering considering bus priority based on GRU neural network
Wang et al. Driver modeling based on vehicular sensing data
CN116884225B (zh) 评估自动驾驶车辆比例对交通效率影响的方法及装置
KR102477885B1 (ko) 자율주행 도로의 주행 안전도를 평가하는 안전도 분석 관리 서버
CN115472040B (zh) 基于碰撞概率场的网联车辆个性化防碰撞预警方法
CN117104255B (zh) 一种智能驾驶车辆智能感知人车交互系统及方法

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