CN113095387B - 基于联网车载adas的道路风险识别方法 - Google Patents

基于联网车载adas的道路风险识别方法 Download PDF

Info

Publication number
CN113095387B
CN113095387B CN202110356440.0A CN202110356440A CN113095387B CN 113095387 B CN113095387 B CN 113095387B CN 202110356440 A CN202110356440 A CN 202110356440A CN 113095387 B CN113095387 B CN 113095387B
Authority
CN
China
Prior art keywords
road
risk
adas
ttc
networking
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
CN202110356440.0A
Other languages
English (en)
Other versions
CN113095387A (zh
Inventor
吕能超
季托
吴超仲
文家强
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110356440.0A priority Critical patent/CN113095387B/zh
Publication of CN113095387A publication Critical patent/CN113095387A/zh
Priority to US17/527,009 priority patent/US20220319323A1/en
Application granted granted Critical
Publication of CN113095387B publication Critical patent/CN113095387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical 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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

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ax；S2、建立二维综合风险指标(TTC，ax)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ax；
S2、建立二维综合风险指标(TTC，ax)，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ax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ax、经度纬度信息Li、Bi、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，ax)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、ax，建立二维风险评价指标体系，然后利用聚类方法对大量(TTC，ax)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ax两大关键替代安全指标；
S2、基于预处理后的TTC和ax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，ax)；然后采用聚类方法对二维指标(TTC，ax)进行聚类，根据聚类数量和聚类中心，并结合二维指标(TTC，ax)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、ax和经纬度等信息，按照时间戳信息将二维指标(TTC，ax)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，ax)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，ax)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ax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ax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ax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ax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ax为基本变量，以每帧数据中的TTC和ax构建二维综合风险指标(TTC，ax)。
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，ax)，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ax的取值范围，随机选择3个初始聚类中心(TTC1，ax1),(TTC2，ax2)和(TTC3，ax3)。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，ax)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。
Roadsegment＝{L1,L2,…,Li,…,Lk}
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，ax)，并将二维指标(TTC，ax)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Djday、Djnight。
Djday＝{(TTCjday,axjday),lonj,latj}
Djnigjht＝{(TTCjnight,axnight),lonj,latj}
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Djday、Djnight与各个路段进行关联，确定各个路段所包含的二维指标(TTC，ax)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Djday、Djnight中的二维指标(TTC，ax)与该路段进行关联。各路段关联得到m个二维指标(TTC，ax)，构成路段关联二维指标(TTC，ax)数据集。
Li＝{(TTCi1,axi1),(TTCi2,axi2),…,(TTCim,axim)}
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，ax)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，ax)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，ax)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ax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Li、Bi、制动减速度ax、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ax两大替代安全指标，并将提取出来的信息与TTC和ax所在的时间戳和经纬度信息同步存储。
S2、对大量的TTC和ax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，ax)，利用聚类方法对二维指标(TTC，ax)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、ax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ax两大数据指标构建二维综合风险评价指标(TTC，ax)，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，ax越大，表明车辆的风险越高，TTC越大，ax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，ax)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，ax1),(TTC2，ax2)和(TTC3，ax3)。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，ax)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Ln、Bn，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；
Roadsegment＝{L1,L2,,L3,L4,…Ln}
针对所提取的每帧数据，将TTC与ax构成集合Dj与各个路段进行关联，首先，利用时间戳信息将二维指标(TTC，ax)分为白天和夜晚两个时段Djday、Djnight，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Dj中的二维指标(TTC，ax)与该路段进行关联。各路段关联得到m个二维指标(TTC，ax)，构成路段关联二维指标(TTC，ax)数据集。
Li＝{(TTCi1,axi1),(TTCi2,axi2),…,(TTCim,axim)}
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 x1 x2 x3 …… xn
中风险次数 y1 y2 y3 …… yn
高风险次数 z1 z2 z3 …… zn
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*xi+b*yi+c*zi
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 (9)

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ax；
S2、建立二维综合风险指标（TTC，ax），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；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；
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，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。
3.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。
4.根据权利要求3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。
5.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。
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，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ax进行预处理。
7.根据权利要求6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。
8.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ax、经度纬度信息、/>、时间戳信息和ADAS车辆ID。
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，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。
CN202110356440.0A 2021-04-01 2021-04-01 基于联网车载adas的道路风险识别方法 Active CN113095387B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110356440.0A CN113095387B (zh) 2021-04-01 2021-04-01 基于联网车载adas的道路风险识别方法
US17/527,009 US20220319323A1 (en) 2021-04-01 2021-11-15 Method for identifying road risk based on networked vehicle-mounted adas

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110356440.0A CN113095387B (zh) 2021-04-01 2021-04-01 基于联网车载adas的道路风险识别方法

Publications (2)

Publication Number Publication Date
CN113095387A CN113095387A (zh) 2021-07-09
CN113095387B true CN113095387B (zh) 2024-02-27

Family

ID=76672739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110356440.0A Active CN113095387B (zh) 2021-04-01 2021-04-01 基于联网车载adas的道路风险识别方法

Country Status (2)

Country Link
US (1) US20220319323A1 (zh)
CN (1) CN113095387B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115171075B (zh) * 2022-07-07 2023-09-26 北京百度网讯科技有限公司 道路类型识别方法、装置及设备
CN117037545B (zh) * 2023-10-09 2024-01-12 济南卓伦智能交通技术有限公司 一种多车超视距协同感知方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573357A (zh) * 2018-05-08 2018-09-25 清华大学 基于等效力的行车风险实时评估方法及其装置
CN110866677A (zh) * 2019-10-25 2020-03-06 东南大学 一种基于基准化分析的驾驶人相对风险评价方法
CN111242484A (zh) * 2020-01-14 2020-06-05 北京车汇天下科技有限公司 基于转移概率的车辆风险综合评价方法
CN111785023A (zh) * 2020-07-14 2020-10-16 山东派蒙机电技术有限公司 一种车辆碰撞风险预警方法及系统
CN112201038A (zh) * 2020-09-28 2021-01-08 同济大学 一种基于单车不良驾驶行为风险的路网风险评估方法
CN112508392A (zh) * 2020-12-02 2021-03-16 云南省交通规划设计研究院有限公司 一种山区双车道公路隐患路段交通冲突风险动态评估方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8606512B1 (en) * 2007-05-10 2013-12-10 Allstate Insurance Company Route risk mitigation
US9688286B2 (en) * 2009-09-29 2017-06-27 Omnitracs, Llc System and method for integrating smartphone technology into a safety management platform to improve driver safety
US20170241791A1 (en) * 2016-02-24 2017-08-24 Allstate Insurance Company Risk Maps
US12033497B2 (en) * 2019-05-06 2024-07-09 3M Innovative Properties Company Risk assessment for temporary zones
CN115380196A (zh) * 2019-11-11 2022-11-22 御眼视觉技术有限公司 用于确定道路安全性的系统和方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573357A (zh) * 2018-05-08 2018-09-25 清华大学 基于等效力的行车风险实时评估方法及其装置
CN110866677A (zh) * 2019-10-25 2020-03-06 东南大学 一种基于基准化分析的驾驶人相对风险评价方法
CN111242484A (zh) * 2020-01-14 2020-06-05 北京车汇天下科技有限公司 基于转移概率的车辆风险综合评价方法
CN111785023A (zh) * 2020-07-14 2020-10-16 山东派蒙机电技术有限公司 一种车辆碰撞风险预警方法及系统
CN112201038A (zh) * 2020-09-28 2021-01-08 同济大学 一种基于单车不良驾驶行为风险的路网风险评估方法
CN112508392A (zh) * 2020-12-02 2021-03-16 云南省交通规划设计研究院有限公司 一种山区双车道公路隐患路段交通冲突风险动态评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于ADAS 联网时空数据的 路段交通参数估算模型;马天奕 等;交通信息与安全;20210228;第39卷(第1期);全文 *
基于客观风险感知特性的前向碰撞 预警算法优化与标定;吕能超 等;交通运输工程学报;20200430;第20卷(第2期);全文 *

Also Published As

Publication number Publication date
CN113095387A (zh) 2021-07-09
US20220319323A1 (en) 2022-10-06

Similar Documents

Publication Publication Date Title
CN112508392B (zh) 一种山区双车道公路隐患路段交通冲突风险动态评估方法
WO2020244288A1 (zh) 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置
Chen et al. A graphical modeling method for individual driving behavior and its application in driving safety analysis using GPS data
CN110544373B (zh) 一种基于北斗车联网的货车预警信息提取与风险识别方法
CN109493566B (zh) 一种基于gps数据的疲劳驾驶预测方法
CN113095387B (zh) 基于联网车载adas的道路风险识别方法
CN110807919A (zh) 基于过车数据的城市路网交通运行态势评价方法
CN111401414B (zh) 一种基于自然驾驶数据的危险场景提取及分类方法
CN110399364B (zh) 一种基于多种公路检测器数据的数据融合方法
CN113436432A (zh) 一种利用路侧观测数据进行路段短时交通风险预测的方法
CN115691120A (zh) 一种基于高速公路流水数据的拥堵识别方法及系统
CN114757447B (zh) 一种多模型混合的客运枢纽站客流量预测方法及系统
CN115422747A (zh) 一种机动车尾气污染物排放量的计算方法和计算装置
CN114912689A (zh) 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统
Chepuri et al. Travel time reliability analysis on selected bus route of mysore using GPS data
CN110254435B (zh) 一种驾驶风格识别方法
CN117238126A (zh) 一种连续流道路场景下的交通事故风险评估方法
Salihu et al. Effect of road slope on driving cycle parameters of urban roads
Cohen et al. Travel time estimation between loop detectors and FCD: A compatibility study on the Lille network, France
Pandey et al. Assessment of Level of Service on urban roads: a revisit to past studies.
CN110867075A (zh) 一种评估雨天条件下道路测速仪对驾驶人员反应行为影响的方法
CN116383678B (zh) 一种营运客车异常变速行为常发性路段识别方法
CN117315939A (zh) 高速公路交通安全态势预警方法及系统
CN117274303A (zh) 一种车辆轨迹的智能追踪方法及系统
Chen et al. The impact of truck proportion on traffic safety using surrogate safety measures in China

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