CN113095601B - 基于人工智能的不良视距交叉路口安全会车方法及系统 - Google Patents
基于人工智能的不良视距交叉路口安全会车方法及系统 Download PDFInfo
- Publication number
- CN113095601B CN113095601B CN202110539961.XA CN202110539961A CN113095601B CN 113095601 B CN113095601 B CN 113095601B CN 202110539961 A CN202110539961 A CN 202110539961A CN 113095601 B CN113095601 B CN 113095601B
- Authority
- CN
- China
- Prior art keywords
- meeting
- vehicle
- target vehicle
- intersection
- vehicles
- 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 48
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 11
- 206010047531 Visual acuity reduced Diseases 0.000 title abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Organic Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于人工智能的不良视距交叉路口安全会车方法及系统,其中,该方法包括:获取目标车辆与非目标车辆会车位置的会车位置危险程度和会车位置对会车位置附近其他车辆的其他车辆影响程度;计算目标车辆与非目标车辆的会车紧急程度;根据目标车辆与每辆非目标车辆的会车紧急程度、会车位置危险程度和其他车辆影响程度得到目标车辆的速度调节优先级;路口处每辆车辆分别作为目标车辆,获取每辆车辆的速度调节优先级后确定进行速度调节的车辆;本发明考虑了会车位置在路口处的位置以及会车位置附近的其他车辆等多种影响因素,所得速度调节优先级更精确,可提高路口处车辆通行的安全性。
Description
技术领域
本发明涉及人工智能领域,具体为一种基于人工智能的不良视距交叉路口安全会车方法及系统。
背景技术
在道路转弯地段、交叉路口、主支路汇合处等视线有遮挡的地方,一旦驾驶人员车速过快,就容易发生交通安全事故,造成重大人身伤害和财产损失。现阶段的技术主要是根据智能传感器技术检测道路各个方向的来车以及车速信息,并通过道路旁边安装的路测单元设备提前进行预警,但是该方法需要使用大量传感器等硬件设备,成本高且仅能测出固定位置的瞬时速度,实时性较差。
发明内容
为了解决上述问题,本发明提出一种基于人工智能的不良视距交叉路口安全会车方法,该方法包括:
路口处选择目标车辆,预测目标车辆与非目标车辆的会车位置,进而获取会车位置的位置权值,并根据会车位置与路口中心点间的距离计算距离权值,根据位置权值和距离权值获取会车位置危险程度;
目标车辆与非目标车辆进行会车时,路口处其他车辆的预测位置与会车位置间的距离和其他车辆预测行驶路径的路径权值加权求和得到其他车辆影响程度;所述路径权值表征会车位置对其他车辆预测行驶路径的影响程度;
根据目标车辆与非目标车辆的会车时间计算会车紧急程度,所述会车时间为目标车辆与非目标车辆到达会车位置所用时间;
根据目标车辆与每辆非目标车辆的会车位置危险程度、其他车辆影响程度和会车紧急程度得到目标车辆的速度调节优先级;
路口处每辆车辆分别作为目标车辆,可得到所述每辆车辆的速度调节优先级,基于速度调节优先级确定需要进行速度调节的车辆。
进一步地,所述位置权值的获取方法为:
路口处设置会车危险区域,在会车危险区域中设置多个同心子区域后为各同心子区域分配权值,会车位置所处同心子区域的权值为会车位置的位置权值。
进一步地,所述位置权值的获取方法为:
在车道中设置第一会车区域,基于道路中心线将第一会车区域划分为会车子区域,路口交叉区域为第二会车区域,将第二会车区域划分为多个同心的会车子区域,计算会车子区域的道路利用率,会车位置所处会车子区域的道路利用率为会车位置的位置权值;其中,道路利用率的计算方法为:
获取路口处所有道路方向上允许的车辆行驶方向,一种行驶方向对应一条行驶路径,进而得到总行驶路径数量Q,统计行驶路径经过的会车子区域,获取每个会车子区域中包括的行驶路径的数量q,q与Q的比值为会车子区域的道路利用率。
进一步地,会车时间与会车紧急程度呈负相关。
进一步地,速度调节优先级的获取方法为:
根据会车位置危险程度和其他车辆影响程度得到会车位置的综合评价系数,目标车辆与每辆非目标车辆的会车紧急程度与会车位置的综合评价系数相乘后再相加得到速度调节优先级。
本发明提出一种基于人工智能的不良视距交叉路口安全会车系统,该系统包括:
第一计算模块,用于在路口处选择目标车辆,预测目标车辆与非目标车辆的会车位置,进而获取会车位置的位置权值,并根据会车位置与路口中心点间的距离计算距离权值,根据位置权值和距离权值获取会车位置危险程度;
第二计算模块,用于在目标车辆与非目标车辆进行会车时,路口处其他车辆的预测位置与会车位置间的距离和其他车辆预测行驶路径的路径权值加权求和得到其他车辆影响程度;所述路径权值表征会车位置对其他车辆预测行驶路径的影响程度;
第三计算模块,用于根据目标车辆与非目标车辆的会车时间计算会车紧急程度,所述会车时间为目标车辆与非目标车辆到达会车位置所用时间;
第四计算模块,用于根据目标车辆与每辆非目标车辆的会车位置危险程度、其他车辆影响程度和会车紧急程度得到目标车辆的速度调节优先级;
第五计算模块,用于将路口处每辆车辆分别作为目标车辆,可得到所述每辆车辆的速度调节优先级,基于速度调节优先级确定需要进行速度调节的车辆。
进一步地,所述第一计算模块包括位置权值计算单元:
路口处设置会车危险区域,在会车危险区域中设置多个同心子区域后为各同心子区域分配权值,会车位置所处同心子区域的权值为会车位置的位置权值。
进一步地,所述第一计算模块包括位置权值计算单元:
在车道中设置第一会车区域,基于道路中心线将第一会车区域划分为会车子区域,路口交叉区域为第二会车区域,将第二会车区域划分为多个同心的会车子区域,计算会车子区域的道路利用率,会车位置所处会车子区域的道路利用率为会车位置的位置权值;其中,道路利用率的计算方法为:
获取路口处所有道路方向上允许的车辆行驶方向,一种行驶方向对应一条行驶路径,进而得到总行驶路径数量Q,统计行驶路径经过的会车子区域,获取每个会车子区域中包括的行驶路径的数量q,q与Q的比值为会车子区域的道路利用率。
进一步地,会车时间与会车紧急程度呈负相关。
进一步地,速度调节优先级的获取过程为:
根据会车位置危险程度和其他车辆影响程度得到会车位置的综合评价系数,目标车辆与每辆非目标车辆的会车紧急程度与会车位置的综合评价系数相乘后再相加得到速度调节优先级。
本发明的有益效果在于:
1.本发明根据目标车辆与每辆非目标车辆的会车位置危险程度、会车位置对其他车辆的影响程度和根据会车时间得到的会车紧急程度得到目标车辆的速度调节优先级,考虑了多种影响因素,所得速度调节优先级更精确。
2.本发明利用神经网络对采集到达路口图像进行处理,获取车辆速度、转向等信息,不需在道路上安装路测单元和传感器,成本低且计算速度快。
3.本发明考虑了会车位置出现危险时可能会殃及会车位置附近车辆这一因素,以及会车位置对会车位置附近车辆后续行驶的影响,提高路口车辆通行的安全性。
附图说明
图1为本发明方法实施流程图。
图2为实施例中会车危险区域示意图。
具体实施方式
为了让本领域技术人员更好的理解本发明,下面结合实施例对本发明进行详细描述。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
本申请通过采集路口图像,采用DNN网络检测道路及路口各个车辆相关状态,预测会车结果,根据会车结果对车辆速度进行先后干涉,并通过车联网系统提醒驾驶人员及时采取控制措施,提高交叉路口的会车安全。本发明对于十字形、T形、单个弯道等多种类型的道路均适用。
实施例一:
实施例以十字交叉路口为例,具体的场景为:只有一个监控摄像头,没有交通灯,道路宽度较小的交叉路口,车辆在交叉路口及附近区域会车时风险较大,因此需要对车辆速度进行控制,提高交叉路口会车的安全程度。
该实施例提供了一种基于人工智能的不良视距交叉路口安全会车方法,该方法实施流程如图1所示,该方法包括:
构建并训练会车信息推理网络:
通过元胞自动机等方式能够设置车辆的速度和方向,仿真得到车辆的会车时间和会车位置。但是每次仿真实验都需要设置相应参数,过程繁琐,速度也较慢,所以,本发明先通过仿真的方式来获得大量的对应数据,用通过仿真获得的数据来训练会车信息推理网络,以增强本发明的泛化能力和响应速度。
会车信息推理网络的具体构建过程为:
i)从3D模拟器中获得训练数据:在3D模拟器虚拟场景下建立道路、车辆模型,并在该场景空间内的道路交叉口放置一个相机来获得仿真路口图像,相机的采样间隔为Δt。通过改变道路的支路个数、道路宽度以及车辆个数、车辆速度、车辆初始位置和转向等信息得到不同情况下的路口图像,增加会车信息推理网络的泛化能力。对仿真路口图像进行的一系列图像处理,得到车辆的行驶速度V、车辆初始位置坐标(x0,y0)和车辆转向信息[S,L,R],S表示直行,L表示左转,R表示右转,若车辆直行,则车辆转向信息为[1,0,0],车辆左转或右转,则车辆转向信息为[0,1,0]或[0,0,1]。
其中,车辆的行驶速度、初始位置坐标、转向信息的获取方法为:
a)获取仿真路口图像,该仿真路口图像为3D模拟器摄像头以斜俯视视角采集得到,因此先对仿真路口图像进行透视变换处理,得到对应的正俯视视角图像,以消除近大远小的畸变问题。
图像中包含道路、车辆、环境等复杂信息,需要通过实例分割网络对其进行处理,得到所需的道路和车辆信息。本发明对道路和车辆的感知均采用实例分割的方式,道路实例分割网络和车辆实例分割网络均为Encoder-Decoder的结构。具体地:
道路实例分割网络的具体训练内容为:数据集为经过透视变换的路口图像;标签有6类,背景和不同支路,该方式为像素级分类,即需要给图像中所有像素标注上对应标签,标注背景像素值为0,标注道路各支路像素值分别为1-5,其中标注交叉区域像素值为1,标注交叉区域左侧道路像素值为2,标注交叉区域右侧道路像素值为3,标注交叉区域上侧道路像素值为4,标注交叉区域下侧道路像素值为5;网络所用loss函数为交叉熵损失函数。
车辆实例分割网络的具体训练内容为:数据集为经过透视变换的路口图像;标签为M+1类,背景和不同车辆,其中M为图像中的车辆总数。该方式为像素级分类,需要给图像中所有像素标注上对应标签,标注背景像素值为0,各个车辆像素分别为1-M;网络所用loss函数为交叉熵损失函数。
本发明为了后续进行会车时间和会车位置的推理,需要先对路口图像中的道路和车辆进行实例化,并判断出车辆所在支路。具体过程为:
对道路的实例分割结果图像进行处理,获得各个支路连通域的最小外接矩形,得到矩形的中心点O;对车辆的实例分割结果图像进行处理,得到各个车辆实例连通域的最小外接矩形,得到矩形的中心点M;计算车辆中心点M与道路中心点O的L2距离,距离最小者,表明车辆属于该支路。
至此,完成车辆所在支路的判断。
本发明采集图像中有两类车辆:朝向路口行驶的可能发生会车的车辆,以及背向路口行驶的无关车辆。因此本发明通过连续帧仿真路口图像中同一车辆的位置变化来获得车辆的行驶方向和行驶速度,进而在获得车辆行驶信息的同时判断出可能发生会车的车辆。具体过程如下:
首先,计算得到交叉区域连通域中心点与各个车辆连通域中心点之间的距离D,即图像中车辆到交叉区域中心点的距离;对于连续多帧路口图像,根据IoU来判断同一辆车辆在连续帧内的位置变化,根据该帧中的D1值和下一帧中的D2值得到车辆的行驶方向和行驶速度。
判断车辆行驶方向:若D2大于D1,距离逐渐增大,表示车辆已经驶离交叉口,即为无关车辆,对此类车辆不再进行相关的会车情况预测,所述预设阈值和道路宽度相关,实施例中预设阈值为道路宽度的一半;若D2小于D1,距离逐渐缩短,表示车辆之后将要经过交叉口,即为可能发生会车的车辆,需要对其进行会车情况预测,统计可能发生会车的车辆总数N。判断车辆行驶速度:监控相机的采样间隔为Δt,则车辆行驶速度V=(D1-D2)/Δt。
至此,获得仿真路口图像中可能发生会车的车辆的行驶方向与行驶速度V。
b)要判断车辆在图像中的会车位置,则需要先确定每辆车在图像中的初始位置坐标。比起车辆连通域的中心点位置,根据两辆车的车头中心点位置来判断车辆是否会车更加合理。车头中心点位置判断方法为:对于将要经过交叉口的N辆车的外接矩形,得到四条边的中心点到交叉区域连通域中心点的L2距离,距离最小的中心点即为车头中心点,仿真路口图像中车头中心点对应的像素坐标(x0,y0)即为本发明中车辆在图像中的初始位置坐标。
c)本发明所述会车场景中,车辆的转向信息也会影响后续的会车判断,所以需对车辆的行驶意图进行判断。
车辆到达路口后的转向信息包括直行和转向两种,车辆进行转向之前,都会打转向灯,因此本发明采用转向判断神经网络来获取车辆的转向信息,转向判断神经网络采用Encoder-FC的网络结构,转向判断神经网络的具体训练内容为:数据集为车辆的实例分割图像;标签为车辆对应的序列[S,L,R],S表示直行,L表示左转,R表示右转,其中S,L,R均为0和1的二值,值为0表示不属于此情况,值为1表示属于此情况;网络所用loss函数为交叉熵损失函数。
经过上述步骤,获得了道路上可能发生会车的车辆的行驶方向、行驶速度、标号信息、初始位置坐标和转向信息,为后续判断车辆会车时间和会车位置提供了数据基础。
ii)获取标签数据:根据模拟器中采集到的车辆进行会车时的图像,可得到会车位置坐标(x,y);从初始位置到两辆车进行会车经过n帧,根据相机采样间隔Δt和间隔帧数n可得到会车时间t。
iii)会车信息推理网络为全连接网络,将可能发生会车的任意两辆车的运动参数[V,x0,y0,S,L,R]作为会车信息推理网络的输入,车辆之间的会车信息即会车时间和会车位置坐标(t,x,y)作为网络的输出,采用均方误差损失函数进行DNN网络的训练。
至此,得到训练好的会车信息推理网络。
选择目标车辆,具体地,一个实施方式中,可在路口图像中的所有车辆中选择目标车辆;优选地,为了提高本发明的计算效率,实施例首先根据路口图像获取所有可能发生会车的车辆,在路口处可能发生会车的车辆中选择目标车辆,可能发生会车的车辆中目标车辆以外的车辆为非目标车辆,对实际获取的路口图像进行处理,获取实际的路口图像中每辆车辆的运动参数,利用会车信息推理网络对目标车辆与非目标车辆的运动参数进行推理,预测目标车辆与非目标车辆的会车位置,进而获取会车位置的位置权值α,并根据会车位置与路口中心点间的距离计算距离权值β,根据位置权值和距离权值获取会车位置危险程度;具体地:
一个实施方式中,会车位置的位置权值的获取方法为:路口处设置会车危险区域,在会车危险区域中设置多个同心子区域后为各同心子区域分配权值,会车位置所处同心子区域的权值为会车位置的位置权值;其中,该实施方式中会车危险区域为圆形区域或矩形区域,所述同心子区域可以是圆形区域或矩形区域。
另一个实施方式中,会车位置的位置权值的获取方法为:在车道中设置第一会车区域,设置第一会车区域的原因为在道路宽度较小的交叉口,由于视野问题,不止在交叉区域,车辆在刚完成转弯的区域范围内由于不良视距问题,同样存在安全隐患;路口交叉区域为第二会车区域,第一会车区域和第二会车区域构成会车危险区域,实施例中十字交叉路口的会车危险区域为十字区域,如图2所示,十字区域为图2中的阴影区域,基于道路中心线将第一会车区域划分为会车子区域,图2中虚线l1和l2为道路中心线,标号为c、d的区域为第一会车区域的会车子区域;路口交叉区域为第二会车区域,将第二会车区域划分为多个同心的会车子区域,图2中标号为a的会车子区域构成的圆形区域和标号为b的会车子区域构成的不规则区域是以交叉路口中心点为区域中心点的同心区域,其中,标号为a的会车子区域和标号为b的会车子区域无重叠区域,且标号为a的会车子区域和标号为b的会车子区域互补构成矩形区域ABCD;计算会车子区域的道路利用率,会车位置所处会车子区域的道路利用率为会车位置的位置权值α。
需要说明,标号为a的会车子区域可以为直角扇形区域,也可以为矩形区域,为了后续得到更精确的参考点,进而得到更精确的距离权值,实施例中标号为a的会车子区域为如图2所示的直角扇形区域。
其中,道路利用率的计算方法为:获取路口处所有道路方向上允许的车辆行驶方向,一种行驶方向对应一条行驶路径,进而得到总行驶路径数量Q,统计行驶路径经过的会车子区域,获取每个会车子区域中包括的行驶路径的数量q,q与Q的比值为会车子区域的道路利用率;实施例中路口为十字路口,存在四个道路方向,每个道路方向上允许的车辆行驶方向为三种,包括直行、左转和右转,则总行驶路径数量Q为12。具体地,标号为a、b、c、d的会车子区域的道路利用率分别为
计算距离权值的原因为,不同会车位置受到不良视距的影响程度不同,且会车位置对会车的影响程度也不同。各会车子区域中距离交叉路口中心点距离最近的点为各会车子区域的参考点,实施例中以会车位置和参考点之间的距离表征会车位置与路口中心点间的距离,具体地,距离权值的计算方法为:获取会车位置所处会车子区域的参考点,计算会车位置与该参考点之间的距离d;由于各会车子区域面积大小不同,导致得到的距离d的尺度不同,因此需要根据会车子区域的距离均值将其尺度进行统一,所述距离均值为会车子区域内每个点与参考点间的距离的均值,以对第一会车区域进行区域划分得到的会车子区域的距离均值为标准距离均值,会车位置所处会车子区域的距离均值与标准距离均值的比值为尺度系数,则距离d与尺度系数的乘积为距离权值S。
根据位置权值α和距离权值β获取会车位置危险程度γ1,优选地,γ1=α*(1-β)。
需要说明,对于会车位置在会车危险区域外的车辆,其会车位置危险程度γ1为0,认为其会车不受不良视距影响,不需要进行干涉;而对于会车位置在会车危险区域之内的车辆,其会车受到不良视距影响,安全隐患较大,需要对其进行干涉。
目标车辆与非目标车辆进行会车时,目标车辆与非目标车辆进行会车时,路口处其他车辆的预测位置与会车位置间的距离和其他车辆预测行驶路径的路径权值加权求和得到其他车辆影响程度;所述路径权值表征会车位置对其他车辆预测行驶路径的影响程度;具体地:
根据其他车辆的初始位置坐标、速度和转向信息可得到其他车辆的预测行驶路径,具体地,可以通过路径预测神经网络预测车辆的行驶路径,进而得到目标车辆与非目标车辆进行会车时其他车辆的预测位置。
一个实施方式中,可获取所有其他车辆的路径权值,并进一步得到其他车辆影响程度。
为了得到更精确的其他车辆影响程度,实施例中根据其他车辆的预测位置与会车位置之间距离的大小对其他车辆进行筛选,预测位置与会车位置间距离小于距离阈值的其他车辆为有效其他车辆,获取有效其他车辆的路径权值,则目标车辆与非目标车辆进行会车时路口处有效其他车辆的预测位置与会车位置间的距离和路径权值加权求和得到其他车辆影响程度γ2;其中,距离阈值可由实施者根据实际情况自行设置。
设置路径权值的原因为,车辆在不同会车位置进行会车时,有效其他车辆的预测行驶路径不同,会车位置对有效其他车辆的行驶带来的影响不同,具体地,车辆的行驶路径不同,对应的路径权值不同:
若有效其他车辆即将要经过会车位置,则该情况下会车位置对有效其他车辆的影响程度较大,路径权值G设置为0.6;
若有效其他车辆不经过会车位置,则该情况下会车位置对有效其他车辆的影响程度较小,路径权值G设置为0.3;
若有效其他车辆已经经过会车位置,则该情况下会车位置对有效其他车辆几乎没有影响,路径权值G设置为0.1。
根据目标车辆与非目标车辆的会车时间计算会车紧急程度,所述会车时间为目标车辆与非目标车辆到达会车位置所用时间;利用会车信息推理网络得到所述会车时间;具体地,会车紧急程度的计算方法为:
tj表示目标车辆与第j辆非目标车辆的会车时间,Wj目标车辆与第j辆非目标车辆的会车紧急程度;会车时间越短,表示需要进行速度调节的紧急程度越高。
根据目标车辆与每辆非目标车辆的会车紧急程度、会车位置危险程度和其他车辆影响程度得到目标车辆的速度调节优先级;具体地:
根据会车位置危险程度和其他车辆影响程度得到会车位置的综合评价指标,实施例中会车位置危险程度γ1和其他车辆影响程度γ2相加得到综合评价指标γ,根据目标车辆与每辆非目标车辆的会车紧急程度W与会车位置的综合评价指标γ得到速度调节优先级,具体地, Y表示目标车辆的速度调节优先级。
实施例中路口处每辆可能发生会车的车辆分别作为目标车辆,获取所述每辆可能发生会车的车辆的速度调节优先级,并基于速度调节优先级确定需要进行速度调节的车辆,具体地,y值最大的车辆为需要进行速度调节的紧急车辆,该紧急车辆速度调节的具体过程为:
通过遗传算法在预设速度范围内寻找使该紧急车辆y值最小的目标速度,通过车联网系统将目标速度发送给该紧急车辆,实现对该紧急车辆速度的干涉;所述预设速度范围根据相关规定确定,实施例中预设速度范围为[10km/h,30km/h]。
对紧急车辆进行速度干涉后,按照紧急车辆的目标速度,重复上述获取车辆的速度调节优先级的步骤,重新获取路口处每辆可能发生会车的车辆的速度调节优先级,寻找新的紧急车辆进行速度调节,使得所有可能发生会车的车辆之间的会车位置尽量在会车危险区域之外,提高交叉路口的行车安全。
实施例二:
基于与上述方法实施例相同的发明构思,该实施例提供了一种基于人工智能的不良视距交叉路口安全会车系统,具体地,该系统包括:
第一计算模块,用于在路口处选择目标车辆,预测目标车辆与非目标车辆的会车位置,进而获取会车位置的位置权值,并根据会车位置与路口中心点间的距离计算距离权值,根据位置权值和距离权值获取会车位置危险程度;
第二计算模块,用于在目标车辆与非目标车辆进行会车时,路口处其他车辆的预测位置与会车位置间的距离和其他车辆预测行驶路径的路径权值加权求和得到其他车辆影响程度;所述路径权值表征会车位置对其他车辆预测行驶路径的影响程度;
第三计算模块,用于根据目标车辆与非目标车辆的会车时间计算会车紧急程度,所述会车时间为目标车辆与非目标车辆到达会车位置所用时间;
第四计算模块,用于根据目标车辆与每辆非目标车辆的会车位置危险程度、其他车辆影响程度和会车紧急程度得到目标车辆的速度调节优先级;
第五计算模块,用于将路口处每辆车辆分别作为目标车辆,可得到所述每辆车辆的速度调节优先级,基于速度调节优先级确定需要进行速度调节的车辆。
关于系统实施例,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可;以上所述旨在让本领域技术人员更好的理解本发明,并不用于限制本发明,凡是在本发明精神和原则之内做出的修改与变动皆在本发明的保护范围内。
Claims (6)
1.一种基于人工智能的不良视距交叉路口安全会车方法,其特征在于,该方法包括:
路口处选择目标车辆,预测目标车辆与非目标车辆的会车位置,进而获取会车位置的位置权值,并根据会车位置与路口中心点间的距离计算距离权值,根据位置权值和距离权值获取会车位置危险程度;
目标车辆与非目标车辆进行会车时,路口处其他车辆的预测位置与会车位置间的距离和其他车辆预测行驶路径的路径权值加权求和得到其他车辆影响程度;所述路径权值表征会车位置对其他车辆预测行驶路径的影响程度;
根据目标车辆与非目标车辆的会车时间计算会车紧急程度,所述会车时间为目标车辆与非目标车辆到达会车位置所用时间;
根据目标车辆与每辆非目标车辆的会车位置危险程度、其他车辆影响程度和会车紧急程度得到目标车辆的速度调节优先级;
路口处每辆车辆分别作为目标车辆,可得到所述每辆车辆的速度调节优先级,基于速度调节优先级确定需要进行速度调节的车辆;
所述位置权值的获取方法为:
在车道中设置第一会车区域,基于道路中心线将第一会车区域划分为会车子区域,路口交叉区域为第二会车区域,将第二会车区域划分为多个同心的会车子区域,计算会车子区域的道路利用率,会车位置所处会车子区域的道路利用率为会车位置的位置权值;其中,道路利用率的计算方法为:
获取路口处所有道路方向上允许的车辆行驶方向,一种行驶方向对应一条行驶路径,进而得到总行驶路径数量Q,统计行驶路径经过的会车子区域,获取每个会车子区域中包括的行驶路径的数量q,q与Q的比值为会车子区域的道路利用率。
2.如权利要求1所述的方法,其特征在于,会车时间与会车紧急程度呈负相关。
3.如权利要求1所述的方法,其特征在于,速度调节优先级的获取方法为:
根据会车位置危险程度和其他车辆影响程度得到会车位置的综合评价系数,目标车辆与每辆非目标车辆的会车紧急程度与会车位置的综合评价系数相乘后再相加得到速度调节优先级。
4.一种基于人工智能的不良视距交叉路口安全会车系统,其特征在于,该系统包括:
第一计算模块,用于在路口处选择目标车辆,预测目标车辆与非目标车辆的会车位置,进而获取会车位置的位置权值,并根据会车位置与路口中心点间的距离计算距离权值,根据位置权值和距离权值获取会车位置危险程度;
第二计算模块,用于在目标车辆与非目标车辆进行会车时,路口处其他车辆的预测位置与会车位置间的距离和其他车辆预测行驶路径的路径权值加权求和得到其他车辆影响程度;所述路径权值表征会车位置对其他车辆预测行驶路径的影响程度;
第三计算模块,用于根据目标车辆与非目标车辆的会车时间计算会车紧急程度,所述会车时间为目标车辆与非目标车辆到达会车位置所用时间;
第四计算模块,用于根据目标车辆与每辆非目标车辆的会车位置危险程度、其他车辆影响程度和会车紧急程度得到目标车辆的速度调节优先级;
第五计算模块,用于将路口处每辆车辆分别作为目标车辆,可得到所述每辆车辆的速度调节优先级,基于速度调节优先级确定需要进行速度调节的车辆;
所述第一计算模块包括位置权值计算单元:
在车道中设置第一会车区域,基于道路中心线将第一会车区域划分为会车子区域,路口交叉区域为第二会车区域,将第二会车区域划分为多个同心的会车子区域,计算会车子区域的道路利用率,会车位置所处会车子区域的道路利用率为会车位置的位置权值;其中,道路利用率的计算方法为:
获取路口处所有道路方向上允许的车辆行驶方向,一种行驶方向对应一条行驶路径,进而得到总行驶路径数量Q,统计行驶路径经过的会车子区域,获取每个会车子区域中包括的行驶路径的数量q,q与Q的比值为会车子区域的道路利用率。
5.如权利要求4所述的系统,其特征在于,交会时间与会车紧急程度呈负相关。
6.如权利要求4所述的系统,其特征在于,速度调节优先级的获取过程为:
根据会车位置危险程度和其他车辆影响程度得到会车位置的综合评价系数,目标车辆与每辆非目标车辆的会车紧急程度与会车位置的综合评价系数相乘后再相加得到速度调节优先级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539961.XA CN113095601B (zh) | 2021-05-18 | 2021-05-18 | 基于人工智能的不良视距交叉路口安全会车方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539961.XA CN113095601B (zh) | 2021-05-18 | 2021-05-18 | 基于人工智能的不良视距交叉路口安全会车方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095601A CN113095601A (zh) | 2021-07-09 |
CN113095601B true CN113095601B (zh) | 2023-12-12 |
Family
ID=76665740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110539961.XA Active CN113095601B (zh) | 2021-05-18 | 2021-05-18 | 基于人工智能的不良视距交叉路口安全会车方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095601B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113611131B (zh) * | 2021-07-22 | 2023-03-21 | 上汽通用五菱汽车股份有限公司 | 车辆通行方法、装置、设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103337178A (zh) * | 2013-06-28 | 2013-10-02 | 大连理工大学 | 基于动态优先级的交通信号自适应控制方法 |
WO2020007198A1 (zh) * | 2018-07-03 | 2020-01-09 | 南京邮电大学 | 一种车联网中基于d2d通信的紧急消息传输方法 |
CN112265542A (zh) * | 2020-09-11 | 2021-01-26 | 重庆智行者信息科技有限公司 | 一种自动驾驶会车场景处理方法及其装置、车辆 |
CN112652180A (zh) * | 2020-11-20 | 2021-04-13 | 芜湖格陆博智能科技有限公司 | 一种无信号灯交叉口下智能车辆高效行驶的分布式控制方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11398150B2 (en) * | 2019-07-31 | 2022-07-26 | Verizon Patent And Licensing Inc. | Navigation analysis for a multi-lane roadway |
-
2021
- 2021-05-18 CN CN202110539961.XA patent/CN113095601B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103337178A (zh) * | 2013-06-28 | 2013-10-02 | 大连理工大学 | 基于动态优先级的交通信号自适应控制方法 |
WO2020007198A1 (zh) * | 2018-07-03 | 2020-01-09 | 南京邮电大学 | 一种车联网中基于d2d通信的紧急消息传输方法 |
CN112265542A (zh) * | 2020-09-11 | 2021-01-26 | 重庆智行者信息科技有限公司 | 一种自动驾驶会车场景处理方法及其装置、车辆 |
CN112652180A (zh) * | 2020-11-20 | 2021-04-13 | 芜湖格陆博智能科技有限公司 | 一种无信号灯交叉口下智能车辆高效行驶的分布式控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
一种道路视野盲区的会车辅助设计;赵苑;《电子设计工程》;20171020(第20期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113095601A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110007675B (zh) | 一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法 | |
CN109760675B (zh) | 预测车辆轨迹的方法、装置、存储介质和终端设备 | |
WO2022206942A1 (zh) | 一种基于行车安全风险场的激光雷达点云动态分割及融合方法 | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN105512623A (zh) | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 | |
CN107346612A (zh) | 一种基于车联网的车辆防碰撞方法和系统 | |
CN109584558A (zh) | 一种面向城市交通信号配时的交通流统计方法 | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
CN107240268A (zh) | 一种面向无人机的高速应急车道违章车辆的检测方法 | |
CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
EP2276012A2 (en) | Methods for transmission power control in vehicle-to-vehicle communication | |
CN113071487B (zh) | 自动驾驶车辆控制方法、装置及云端设备 | |
CN111845754A (zh) | 一种基于边缘计算和群智算法的自动驾驶车辆的决策预测方法 | |
CN113807270A (zh) | 道路拥堵检测方法、装置及电子设备 | |
CN113095601B (zh) | 基于人工智能的不良视距交叉路口安全会车方法及系统 | |
CN112896185A (zh) | 一种面向车路协同的智能驾驶行为决策规划方法及系统 | |
CN113536538B (zh) | 一种基于交通冲突的行人与车辆交互仿真方法及系统 | |
CN113392817A (zh) | 一种基于多列卷积神经网络的车辆密度估计的方法及装置 | |
CN114787894A (zh) | 感知误差模型 | |
CN112133116A (zh) | 一种基于交通预测的车道管控系统及方法 | |
Wang et al. | Planning autonomous driving with compact road profiles | |
CN110460667A (zh) | 基于区块链的道路大数据的处理方法 | |
US20230168100A1 (en) | Automatic annotation of drivable road segments | |
CN110341703A (zh) | 车辆控制装置、车辆控制方法及存储介质 |
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 |