CN113095387A - 基于联网车载adas的道路风险识别方法 - Google Patents

Abstract

本发明公开了一种基于联网车载ADAS的道路风险识别方法，包括道路风险等级划分体系构建和区域道路风险识别，其步骤如下：S1、采集有联网ADAS感知数据，提取碰撞时间TTC和制动减速度a_x；S2、建立二维综合风险指标(TTC，a_x)并进行聚类，基于聚类结果构建道路风险等级划分体系；S3、根据各等级道路风险事件的频次及严重程度建立评分体系；S4、选定区域道路，将区域道路划分成不同的路段，获取各个路段对应的二维综合风险指标；S5、将各个路段的二维综合风险指标与道路风险等级划分体系进行匹配，得到各个路段不同道路风险等级的频次；S6、结合评分体系，基于评分结果确定各个路段的道路风险。本发明可以快速、高效且以较低成本完成城市道路运行风险评估。

Description

基于联网车载ADAS的道路风险识别方法

技术领域

本发明属于交通安全及智能交通技术领域，具体涉及一种基于联网车载ADAS的道路风险识别方法。

背景技术

近年来，随着我国城市化进程加快，城市交通发展迅速，一些主要城市的交通规模不断扩大。由于道路主体密集多样、道路矛盾高度集中、交通环境错综复杂等因素的影响，城市道路交通事故频发，交通死亡人数与交通事故起数居高不下，严重威胁着我国居民的生命及财产安全。因此，识别城市道路运行风险，实时获悉道路风险水平对采取合理的道路交通管控措施具有重要意义。

一般而言，道路风险识别依据可以从影响交通安全的因素方面进行考虑，如利用实时天气、交通事故率等因素去预估道路的风险等级，但这种方法主观性太强，预估结果不可靠。随着车联网技术的发展，利用营运车辆的车载GPS数据，并结合层次分析法、概率统计法、模糊分析法等方法来评估城市道路风险已成为主流方法，但是这种方法往往需要以大量的车联网数据为基础，且准确性也有待提高。因此，从现有的道路风险评价方法来看，尚缺乏一种可以快速、高效且以较低成本完成城市道路运行风险评估的方法。

目前，ADAS已经逐渐被装配和应用于小汽车和各种特殊车辆上，其感知的大量数据为城市道路风险提供了新的数据来源。ADAS车辆借助安装在车上的传感器，可以在行驶过程中不断感应周围的环境，通过对动态、静态物体的辨识、侦测与追踪，ADAS系统可以实时采集丰富的运动信息。基于ADAS车辆的感知信息，可进一步提取关键信息来完成道路风险等级的识别。

发明内容

为解决上述技术问题，本发明提供一种基于联网车载ADAS的道路风险识别方法，解决现有车联网技术道路风险识别与评价方法的数据获取量及成本大，标准不统一且不够快速高效的问题，提供一种可以较低成本且快速高效的基于联网车载ADAS的道路风险识别方法。

本发明提供的技术方案如下：

一种基于联网车载ADAS的道路风险识别方法，包括以下步骤：

①道路风险等级划分体系构建：

S1、采集有联网ADAS感知数据，提取碰撞时间TTC和制动减速度a_x；

S2、建立二维综合风险指标(TTC，a_x)，对二维综合风险指标进行聚类，基于聚类结果构建道路风险等级划分体系；

S3、根据各等级道路风险事件的频次及严重程度建立评分体系；

②区域道路风险识别：

S4、选定区域道路，将区域道路划分成不同的路段，获取各个路段对应的二维综合风险指标；

S5、将各个路段的二维综合风险指标与道路风险等级划分体系进行匹配，得到各个路段不同道路风险等级的频次；

S6、结合评分体系，基于评分结果确定各个路段的道路风险。

优选地，获取各个路段对应的二维综合风险指标具体包括：获取各个路段的经纬度信息，基于二维综合风险指标对应的经纬度信息，将二维综合风险指标与对应的路段进行匹配关联。

优选地，根据地图匹配算法将二维综合风险指标与对应的路段进行匹配关联。

优选地，该方法还包括：获取二维综合风险指标对应的时间戳信息，将时间戳信息划分成不同的时段，进而确定不同时段各个路段的道路风险。

优选地，不同时段包括白天与夜间。

优选地，道路风险等级划分体系的划分方法包括：将二维综合风险指标与聚类中心匹配，得到对应的道路风险等级。

优选地，建立二维综合风险指标之前，对提取的碰撞时间TTC和制动减速度a_x进行预处理。

优选地，预处理包括数据质量分析和/或数据粗差处理。

优选地，ADAS感知数据包括：碰撞时间TTC、制动减速度a_x、经度纬度信息L_i、B_i、时间戳信息和ADAS车辆ID。

优选地，道路风险等级包括低、中、高三级，对不同的道路风险等级赋予不同的分值，建立评分体系。

与现有技术相比，本发明的有益成果为：

(1)利用ADAS车辆即可测得所需要的信息，不需要再额外布设检测器，减少了大量路测设备需求，大大降低了成本；

(2)操作简单，容易实现，信息处理量较小，相比现有的技术而言，利用ADAS车辆测算城市道路风险水平操作比较简单，不需要复杂的流程，只需将采集的数据经过简单的计算即可得到；

(3)适用性强，本发明提出的方法适合绝大多数的城市，检测设备不易受环境、天气等影响，且测算精度较高；

(4)符合未来交通领域的发展趋势，ADAS汽车是未来汽车行业发展的方向，也迎合了交通智能化发展的趋势。

附图说明

图1是本发明实施例的基于联网车载ADAS的道路风险识别方法流程图。

图2是本发明实施例的一种利用车载ADAS提取替代安全指标的示意图。

图3是本发明实施例的一种利用聚类方法对(TTC，a_x)指标对进行聚类的示意图。

图4是本发明实施例的一种路段划分方式示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图及实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不限定本发明。

本发明的主要思路是：第一步是完成道路风险等级划分体系构建，首先利用ADAS车辆采集替代安全指标TTC、a_x，建立二维风险评价指标体系，然后利用聚类方法对大量(TTC，a_x)数据集聚类进而划分城市道路风险等级；第二步是区域道路风险等级识别，首先利用地图匹配算法将某个区域的ADAS车辆采集到的替代安全指标匹配到该区域的各路段，然后通过代入二维变量(TTC，ax)数据集与所构建的道路风险等级划分体系进行匹配，进而确定各路段的运行风险。

本发明一实施例的基于联网车载ADAS的道路风险识别方法，如图1所示，包括以下步骤：

①道路风险等级划分体系构建：

S₁、针对有联网ADAS车辆运行的城市道路交通系统，获取该系统内所有ADAS车辆在一定时间范围内感知的运动数据基本参数，并基于运动数据基本参数提取ADAS车辆每帧数据中的碰撞时间TTC和制动减速度a_x两大关键替代安全指标；

S₂、基于预处理后的TTC和a_x指标数据，以其对应的ADAS车辆ID和时间戳信息为依据，分别配对并建立二维综合风险指标(TTC，a_x)；然后采用聚类方法对二维指标(TTC，a_x)进行聚类，根据聚类数量和聚类中心，并结合二维指标(TTC，a_x)所表征的风险程度将各类风险事件所对应的风险等级划分为低、中、高三级；

S₃、统计所选城市区域内各等级风险事件发生的次数及严重程度，将不同风险等级的事件赋予不同的分值，建立评分体系，划分道路风险等级。

②区域道路风险识别：

S₄、针对拟辨识评价的道路区域，将该道路区域按照空间位置关系划分成不同的路段。提取ADAS车辆在该区域行进过程中感知的TTC、a_x和经纬度等信息，按照时间戳信息将二维指标(TTC，a_x)分为白天和夜晚两个时段，并利用地图匹配算法将每帧数据中的经纬度信息与划分的路段进行关联；在此基础上，完成每帧数据对应的二维指标(TTC，a_x)与道路区域划分路段的关联。对白天与夜间分别进行风险路段辨识，以便于后序区分白天与夜间的风险因素。

S₅、针对各个时段和各个路段，利用其关联的二维指标(TTC，a_x)数据集与所构建的道路风险等级体系进行匹配，进而确定不同时段各个路段的风险等级，完成选定道路区域内的路段空间风险等级识别。

进一步地，本发明的步骤S₁获取两大替代安全指标的具体方法为：

选定具有ADAS车辆分布的城市交通系统。ADAS车辆在该交通系统行进时，可以实时采集前向目标感知信息的车辆运动。运动信息类型包括时间戳信息、ADAS车辆脱敏标志号、制动减速度、经度、纬度以及碰撞时间TTC等。

利用ADAS车辆的感知数据，构建ADAS数据库。ADAS数据库为包含海量的、多源的、长时域和广范围的ADAS车辆的运动信息。

基于数据库的大量数据信息，提取出每帧数据中的TTC和a_x两大替代安全指标，并将所提取信息与基本信息进行同步存储。基本信息包括TTC和a_x所在帧的时间戳和经纬度信息。

进一步地，本发明步骤S₂划分道路风险等级的具体方法为：完成已提取TTC和a_x指标数据的预处理工作。预处理工作为数据质量分析和数据粗差剔除，包括：

数据质量分析：对于提取的每帧数据，检查变量TTC和a_x的取值，删除含有无效值、缺失值的每帧数据，保留合理范围内的每帧数据；

数据粗差剔除：对于提取的每帧数据，检查经度和纬度的取值，剔除发生漂移现象的数据帧。

建立二维综合风险指标。针对预处理后的数据，选取替代安全指标TTC和a_x为基本变量，以每帧数据中的TTC和a_x构建二维综合风险指标(TTC，a_x)。

事件风险等级划分。根据所建立的大量二维综合风险指标(TTC，a_x)，采用聚类方法对其进行聚类，得到不同的聚类簇和聚类中心，包括

确定聚类数量：根据预期的风险划分等级数量，确定本次聚类数为N＝3；

确定初始聚类中心：根据替代安全指标TTC和a_x的取值范围，随机选择3个初始聚类中心(TTC₁，a_x1),(TTC₂，a_x2)和(TTC₃，a_x3)。基于每例初步筛选的风险事件与聚类中心匹配，将事件进行低、中、高三等划分。

完成聚类和风险等级划分：根据聚类中心和聚类数量，采用聚类算法完成聚类，得到聚类结果。根据(TTC，a_x)取值大小与风险关系，依次将所得3个聚类簇划分为低风险、中风险和高风险。

进一步地，本发明步骤S₃建立评分体系的具体方法为：

统计道路或者区域内各类风险等级事件的数量：

风险等级	低风险	中风险	高风险
				数量	x	y	z

统计区域内各种类型的事件发生的频次，根据严重程度依次将低风险、中风险、高风险赋予不同的分值：低风险事件a分，中风险事件b分，高风险事件c分，其中，a<b<c。则该区域内各类风险等级总得分为：

Score_低风险＝a*x

Score_中风险＝b*y

Score_高风险＝c*z

Score_总＝a*x+b*y+c*z

进而根据各个风险等级分值，建立评分体系，进一步划分道路风险等级。

进一步地，本发明步骤S₄将某道路区域内ADAS车辆采集的替代安全指标匹配到路段的具体方法为：

道路区域路段单元划分。选定某一真实道路区域，按照空间位置关系，将城市道路区域划分为k个路段，并且依次编号排序。路段为一个二维的面积区域，以该路段的4个角点表征路段的范围。

Road_segment＝{L₁,L₂,…,L_i,…,L_k}

道路区域ADAS感知信息提取。收集所选定道路区域内ADAS车辆感知的运动数据，按照基本数据处理原则，提取出合理的二维指标(TTC，a_x)，并将二维指标(TTC，a_x)于时间戳信息进行匹配，得到白天和夜晚的二维指标信息，然后将其与所在帧的经纬度信息进行绑定，分别得到白天和夜晚每帧数据的构成集合D_jday、D_jnight。

D_jday＝{(TTC_jday,a_xjday),lon_j,lat_j}

D_jnigjht＝{(TTC_jnight,a_xnight),lon_j,lat_j}

数据集与路段关联。针对所提取的每帧数据，利用其构成集合D_jday、D_jnight与各个路段

进行关联，确定各个路段所包含的二维指标(TTC，a_x)数据集，包括：

经纬度与路段关联：利用地图匹配算法将每帧数据中的经纬度信息与路段范围进行关联。

二维指标与路段关联：根据每帧数据中经纬度与路段的匹配结果，将其所在集合D_jday、D_jnight中的二维指标(TTC，a_x)与该路段进行关联。各路段关联得到m个二维指标(TTC，a_x)，构成路段关联二维指标(TTC，a_x)数据集。

L_i＝{(TTC_i1,a_xi1),(TTC_i2,a_xi2),…,(TTC_im,a_xim)}

进一步地，本发明步骤S₅完成实际道路风险识别的具体方法为：

基于二维指标(TTC，a_x)的风险等级匹配。针对各路段，利用白天和夜晚关联二维指标(TTC，a_x)数据集与聚类划分所得的聚类簇进行匹配。聚类簇分别表示低、中、高风险等级。

路段的风险等级及相应频次统计。根据白天和夜晚两时段各路段关联二维指标(TTC，a_x)数据集的风险匹配结果，分别确定两时段各路段所包含的低风险频次、中风险频次以及高风险频次。

路段的风险分值计算。根据风险的程度，依次给与低、中、高风险不同的风险分值，计算每个路段低风险得分、中风险得分和高风险得分，最终累加得到两个时段的每个路段风险总分值。

路段的风险等级判定。基于每个路段的风险总分值，通过风险总分值与风险等级的取值关系，判定各个路段最终的具体风险级别。

本发明另一实施例的基于联网车载ADAS的道路风险识别方法，如图1所示，包括以下步骤：

①道路风险等级划分体系构建：

S₁、收集大量的ADAS车辆在行驶过程中感知的运动数据，如图2所示，提取出每帧数据中的TTC和a_x两大关键替代安全指标；

需要说明的是，ADAS车辆在行驶过程中采集到的数据类型包括数据类型主要包括：时间戳信息、ADAS车辆脱敏标志号、经度纬度信息L_i、B_i、制动减速度a_x、碰撞时间TTC等信息。

基于ADAS车辆采集到的各种类型数据，构建ADAS数据库。提取出每帧数据中的TTC和a_x两大替代安全指标，并将提取出来的信息与TTC和a_x所在的时间戳和经纬度信息同步存储。

S₂、对大量的TTC和a_x指标数据进行预处理，然后利用每帧数据中的TTC和ax指标构建二维综合风险指标(TTC，a_x)，利用聚类方法对二维指标(TTC，a_x)进行聚类，根据聚类数量及中心将事件风险等级划分为低、中、高三级。

需要说明的是，预处理过程包括数据质量分析和数据粗差处理：

数据质量分析：如果某帧数据中同一辆车辆在相邻时间上传的经纬度信息不连续，或者存在TTC<0,ax>0的数据，则将该帧数据剔除；

数据粗差处理：如果某帧数据中的车辆ID号，时间戳信息或者TTC、a_x数据有缺失，则将该帧数据剔除。

利用预处理后的每帧数据中的TTC和a_x两大数据指标构建二维综合风险评价指标(TTC，a_x)，二维综合风险指标包含可以表征某时刻车辆行驶风险的两个指标：TTC越小，a_x越大，表明车辆的风险越高，TTC越大，a_x越小，表明车辆的风险越低。

采用聚类算法对大量的二维综合风险指标(TTC，a_x)的数据集进行聚类分析，根据预期的风险划分等级数量，确定本次聚类数为N＝3；聚类结果如图3所示，3个初始聚类中心分别为(TTC₁，a_x1),(TTC₂，a_x2)和(TTC₃，a_x3)。将各类风险事件划分为低风险、中风险、高风险三级。

S₃、统计所选城市区域内各类风险事件发生的次数，将不同风险等级的事件赋予不同的分值，建立评分体系，划分道路风险等级。

统计道路或者区域内各类风险等级的数量；

风险等级	低风险	中风险	高风险
				数量	x	y	z

将各类风险赋予不同的分值，低风险a分，中风险b分，高风险c分，其中，a<b<c。则该区域内各类风险等级总得分为：

Score_低风险＝a*x

Score_中风险＝b*y

Score_高风险＝c*z

Score_总＝a*x+b*y+c*z

根据各个风险等级分值，建立评分体系，进一步划分道路风险等级。

②区域道路风险识别及等级划分：

S₄、选定区域道路，将区域道路划分成不同的路段，然后提取ADAS车辆在该区域行进过程中感知的运动信息，并利用ADAS车辆的经纬度信息将二维指标(TTC，a_x)与选定区域道路内的路段进行关联。

需要说明的是，按照等间隔规则或者结合特殊出入口等进行考虑，将该道路区域从空间上划分为子路段。如图4所示，采取相邻交叉口为一路段原则将该城市区域划分为n个的路段，并采集各个交叉口中心点O处的经纬度信息L_n、B_n，两个交叉口之间的实际距离即为路段长度。然后按照依次顺序将该路段编号为1、2……n，每个路段的4个角点表征路段的范围；

Road_segment＝{L₁,L₂,,L₃,L₄,…L_n}

针对所提取的每帧数据，将TTC与a_x构成集合D_j与各个路段

进行关联，首先，利用时间戳信息将二维指标(TTC，a_x)分为白天和夜晚两个时段D_jday、D_jnight，然后利用地图匹配算法将每帧数据中的经纬度信息与路段范围进行关联；接着将D_j中的二维指标(TTC，a_x)与该路段进行关联。各路段关联得到m个二维指标(TTC，a_x)，构成路段关联二维指标(TTC，a_x)数据集。

L_i＝{(TTC_i1,a_xi1),(TTC_i2,a_xi2),…,(TTC_im,a_xim)}

S₅、对不同的时段和不同的路段，将各个二维指标(TTC，ax)数据集与所构建的道路风险等级体系进行匹配，进而可确定不同时段内各个路段的风险等级，完成选定区域道路的风险等级识别。

需要说明的是，统计出每个路段的关联二维指标数据集后，将其与划分的道路风险等级匹配，得到各个时段每个路段中低高风险的次数，并依次记录各风险频次，以白天时段内不同路段的风险频次为例；

路段	1	2	3	……	n
						低风险次数	x<sub>1</sub>	x<sub>2</sub>	x<sub>3</sub>	……	x<sub>n</sub>
中风险次数	y<sub>1</sub>	y<sub>2</sub>	y<sub>3</sub>	……	y<sub>n</sub>
						高风险次数	z<sub>1</sub>	z<sub>2</sub>	z<sub>3</sub>	……	z<sub>n</sub>

S₆、通过打分法将低风险赋予a分，中风险赋予b分，高风险赋予c分，其中，a<b<c，则某路段i总风险分值为：

R＝a*x_i+b*y_i+c*z_i

基于不同时段每个路段的风险总分值，通过风险总分值与风险等级的取值关系，判定各个路段最终的具体风险级别。

综上所述，本发明公开了一种基于车载安全辅助驾驶系统(Advanced DriverAssistant System，ADAS)提取替代安全指标的道路风险等级划分及识别方法，该方法可分为道路风险等级划分体系构建和区域道路风险等级识别两个关键步骤。(1)道路风险等级划分体系构建：首先，利用车联网技术收集道路区域内大量安装有联网ADAS的车载传感信息，利用ADAS提取车载数据中的碰撞时间TTC(Time to Collision)和制动减速度ax两大关键替代安全指标；然后，利用TTC和ax指标建立二维的综合风险评价指标(TTC，ax)；最后，使用聚类方法对大量的二维指标(TTC，ax)数据集进行聚类，得出每类风险事件的聚类中心，将事件风险等级划分为低、中、高三等。(2)区域道路风险等级识别：首先，针对拟开展风险识别的某道路区域，提取该区域内联网ADAS所感知的TTC、ax以及相应的经纬度、时间戳等信息；其次，将道路区域按照固定原则划分为不同路段并编号；接着，利用ADAS车辆感知的经纬度信息将二维指标(TTC，ax)与选定区域道路内的路段进行匹配关联；然后，针对各个路段，通过二维指标(TTC，ax)数据集与所构建的道路风险等级划分体系进行匹配；最后，通过路段内风险事件频次及严重程度组合确定各个路段的风险等级，完成选定道路区域内的空间风险等级识别。本发明利用联网ADAS采集的大量替代安全指标数据完成道路风险等级划分，并且可对选定的实际道路进行风险等级识别，能准确、实时地反映了道路交通安全状态，对提高路段通行安全具有一定意义。

本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于联网车载ADAS的道路风险识别方法，其特征在于，包括以下步骤：

①道路风险等级划分体系构建：

S1、采集有联网ADAS感知数据，提取碰撞时间TTC和制动减速度a_x；

S2、建立二维综合风险指标(TTC，a_x)，对二维综合风险指标进行聚类，基于聚类结果构建道路风险等级划分体系；

S3、根据各等级道路风险事件的频次及严重程度建立评分体系；

②区域道路风险识别：

S4、选定区域道路，将区域道路划分成不同的路段，获取各个路段对应的二维综合风险指标；

S5、将各个路段的二维综合风险指标与道路风险等级划分体系进行匹配，得到各个路段不同道路风险等级的频次；

S6、结合评分体系，基于评分结果确定各个路段的道路风险。

2.根据权利要求1所述的基于联网车载ADAS的道路风险识别方法，其特征在于，获取各个路段对应的二维综合风险指标具体包括：获取各个路段的经纬度信息，基于二维综合风险指标对应的经纬度信息，将二维综合风险指标与对应的路段进行匹配关联。

3.根据权利要求2所述的基于联网车载ADAS的道路风险识别方法，其特征在于，根据地图匹配算法将二维综合风险指标与对应的路段进行匹配关联。

4.根据权利要求1所述的基于联网车载ADAS的道路风险识别方法，其特征在于，该方法还包括：获取二维综合风险指标对应的时间戳信息，将时间戳信息划分成不同的时段，进而确定不同时段各个路段的道路风险。

5.根据权利要求4所述的基于联网车载ADAS的道路风险识别方法，其特征在于，不同时段包括白天与夜间。

6.根据权利要求1所述的基于联网车载ADAS的道路风险识别方法，其特征在于，道路风险等级划分体系的划分方法包括：将二维综合风险指标与聚类中心匹配，得到对应的道路风险等级。

7.根据权利要求1所述的基于联网车载ADAS的道路风险识别方法，其特征在于，建立二维综合风险指标之前，对提取的碰撞时间TTC和制动减速度a_x进行预处理。

8.根据权利要求7所述的基于联网车载ADAS的道路风险识别方法，其特征在于，预处理包括数据质量分析和/或数据粗差处理。

9.根据权利要求1所述的基于联网车载ADAS的道路风险识别方法，其特征在于，ADAS感知数据包括：碰撞时间TTC、制动减速度a_x、经度纬度信息L_i、B_i、时间戳信息和ADAS车辆ID。

10.根据权利要求1所述的基于联网车载ADAS的道路风险识别方法，其特征在于，道路风险等级包括低、中、高三级，对不同的道路风险等级赋予不同的分值，建立评分体系。

Images