CN113096379A - 基于交通冲突的驾驶风格识别方法 - Google Patents

基于交通冲突的驾驶风格识别方法 Download PDF

Info

Publication number
CN113096379A
CN113096379A CN202110234618.4A CN202110234618A CN113096379A CN 113096379 A CN113096379 A CN 113096379A CN 202110234618 A CN202110234618 A CN 202110234618A CN 113096379 A CN113096379 A CN 113096379A
Authority
CN
China
Prior art keywords
vehicle
driving style
parameters
traffic
traffic conflict
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.)
Pending
Application number
CN202110234618.4A
Other languages
English (en)
Inventor
项乔君
王明远
苑仁腾
卢启慧
彭铖
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 CN202110234618.4A priority Critical patent/CN113096379A/zh
Publication of CN113096379A publication Critical patent/CN113096379A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (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)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于交通冲突的驾驶风格识别方法通过采集行车轨迹数据，基于行车轨迹数据，提取单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数，根据单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数构建驾驶风格表征参数集合，采用因子分析降低驾驶风格表征参数集合的数据维度，提取驾驶风格表征参数集合的主因子，利用三种聚类算法识别主因子表征的驾驶风格，能够实现对驾驶风格的快速准确识别，可以有效提高驾驶风格识别的精度；采用交通冲突严重性和冲突类型对分类结果进行验证，可以更直接地反映出驾驶风格对道路交通安全的影响。

Description

基于交通冲突的驾驶风格识别方法
技术领域
本发明涉及驾驶风格识别技术领域，尤其涉及一种基于交通冲突的驾驶风格识别方法。
背景技术
在人-车-路交通系统中，驾驶员兼做道路状况的感知环节和车辆操作的决策环节，对车辆安全稳定的行驶、道路整体交通安全水平的提高起着重要作用。不同驾驶风格的驾驶员在面对相同的交通场景时，往往会执行差别很大甚至完全相反的驾驶决策，产生的交通冲突风险也会有不同程度上的差异。驾驶风格作为驾驶行为的内在影响因素，可以通过日常的检测、反馈来实现对驾驶员驾驶行为的管控，从而提升道路安全水平。
驾驶风格研究主要包括两个方面，一是以自陈式问卷调查为主的静态驾驶风格分析，二是基于仿真、实车试验、视频处理等方式的动态驾驶风格分析。问卷调查需要花费较多人力物力。对于现有动态驾驶风格分析研究，主要存在以下不足：
在选取驾驶风格表征参数时，多关注单个车辆的动力学参数，如油门开度，加速踏板变化等，而忽略了车辆在行驶过程中的换道行为以及与其他车辆的交互情况，驾驶风格识别的精度一般。
采取单一聚类方法，如模糊C均值聚类等，很难适用不同类型的车辆行驶数据；
对于聚类结果的验证，不能直接体现驾驶风格对于道路交通安全水平的影响。
发明内容
针对以上问题，本发明提出一种基于交通冲突的驾驶风格识别方法，以实现更精确地识别不同驾驶风格的驾驶人，发现产生交通冲突风险较高的驾驶人，为制定针对性的交通安全宣传教育提供依据。
为实现本发明的目的，提供一种基于交通冲突的驾驶风格识别方法，包括如下步骤：
S10，采集行车轨迹数据；
S20，基于行车轨迹数据，提取单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数；
S30，根据单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数构建驾驶风格表征参数集合，采用因子分析降低驾驶风格表征参数集合的数据维度；
S40，提取驾驶风格表征参数集合的主因子，利用三种聚类算法识别主因子表征的驾驶风格。
在一个实施例中，所述行车轨迹数据为无人机航拍数据。
在一个实施例中，所述基于行车轨迹数据，提取单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数包括：
S21，利用视频处理软件在行车轨迹数据中提取出单个车辆的车辆动力学参数；所述车辆动力学参数包括车辆速度和纵向加速度；
S22，提取出表征车辆换道行为的换道行为表征参数；所述换道行为表征参数包括车辆横向加速度、总换道变化量和单位时间换道变化量；
S23，提取出表征车辆交互的交通冲突参数；所述交通冲突参数包括车辆间的相对距离、速度差和距离碰撞时间。
具体地，对于一次观测时间窗(通常为60s)内，驾驶人总换道变化量l(i)_total为：
Figure BDA0002959445830000021
其中，ye表示观测时刻末的车辆所处车道位置，yb表示观测时刻初的车辆所处车道位置。
具体地，对于一次观测时间内，驾驶人所驾驶车辆在时刻i与其他车辆的距离碰撞时间TTC(i)为：
Figure BDA0002959445830000022
其中，
Figure BDA0002959445830000023
表示时刻i的车辆1的位置，
Figure BDA0002959445830000024
表示时刻i的车辆2的位置，l表示车辆长度，
Figure BDA0002959445830000025
表示时刻i的车辆1的速度，
Figure BDA0002959445830000026
表示时刻i的车辆2的速度。
在一个实施例中，所述根据单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数构建驾驶风格表征参数集合，采用因子分析降低驾驶风格表征参数集合的数据维度包括：
S31，根据单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数汇总驾驶风格表征参数A1，对原始数据进行标准化和归一化处理，得到处理后的参数集合A2；
S32，对数据集A2进行KMO(全称Kaiser-Meyer-Olkin检验，又称抽样适合性检验)和Bartlett球形检验；其中，KMO用于比较变量间简单相关系数和偏相关系数；
S33，利用SPSS(Statistical Product and Service Solutions，统计产品与服务解决方案)进行因子分析，降低表征参数维度；
S34：对降低表征参数维度后的A2进行因子旋转，根据各因子在原始参数上的载荷，得出各因子的实际含义。
在一个实施例中，所述三种聚类算法包括K-Means聚类算法、谱聚类算法和DBSCAN聚类算法。
具体地，各聚类方法的衡量指标为轮廓系数Sk和CH分数(Calinski HarabaszScore)的计算方法为：
Figure BDA0002959445830000031
Figure BDA0002959445830000032
其中，a为类内距离平均值，b为与最近相邻类的距离的平均值，k为类别数，N为样本总数，SSB为类间方差，SSW为类内方差，CH为CH分数。
具体地，在选定聚类方法后，得到各样本的聚类标签Label_i，将聚类标签回溯到源数据，观察各类驾驶员在驾驶风格表征参数上的表现，以对驾驶员的驾驶风格进行分类。
具体地，根据训练样本集对应的交通冲突数据，绘制TTC的累计分布概率曲线，以曲线的85％分位数为阈值，交通冲突根据训练样本集的TTC85％分位数为阈值，将交通冲突分为一般冲突和严重冲突，根据冲突发生角度θ将交通冲突分为侧击冲突和追尾冲突。
上述基于交通冲突的驾驶风格识别方法的有益效果包括：
(1)扩展了道路摄像数据、无人机航拍数据在驾驶风格研究方面的应用；
(2)选取多个换道行为参数表征驾驶人的驾驶风格；
(3)引入交通冲突指标表征驾驶风格，更准确地体现驾驶风格；
(4)基于不同驾驶风格驾驶人造成交通冲突的严重性和类型差异，对分类结果进行验证，可以更直接地反映出驾驶风格对道路交通安全的影响；
(5)对于识别出的易产生交通冲突的驾驶员(如激进驾驶员)，可针对性制定交通安全教育，提高道路安全性。
附图说明
图1是一个实施例的基于交通冲突的驾驶风格识别方法流程图；
图2是一个实施例的聚类示意图；
图3是一个实施例的聚类示意图；
图4是一个实施例的驾驶风格聚类后，各类别在某些参数上的差异示意图；
图5为一个实施例中各类别在交通冲突严重性上的差异示意图；
图6为一个实施例中各类别在交通冲突类型上的差异示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
参考图1所示，图1为一个实施例的基于交通冲突的驾驶风格识别方法流程图，包括如下步骤：
S10，采集行车轨迹数据。
在一个实施例中，所述行车轨迹数据为无人机航拍数据或道路摄像数据。
在另一个实施例的实际操作中，也可采用路侧摄像头所采集的车辆行驶视频数据。
S20，基于行车轨迹数据，提取单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数。
上述交通冲突参数作为车辆交互的表征，其数量和严重程度可以很好地反映出驾驶人操作风格的差异性；也能够反映交通安全水平，定量分析不同驾驶风格对道路交通安全的影响。
S30，根据单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数构建驾驶风格表征参数集合，采用因子分析降低驾驶风格表征参数集合的数据维度。
S40，提取驾驶风格表征参数集合的主因子，利用三种聚类算法识别主因子表征的驾驶风格。
上述基于提取出的主因子，利用三种不同的聚类算法识别驾驶风格，并利用交通冲突类型和严重程度进行验证。
上述基于交通冲突的驾驶风格识别方法通过采集行车轨迹数据，基于行车轨迹数据，提取单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数，根据单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数构建驾驶风格表征参数集合，采用因子分析降低驾驶风格表征参数集合的数据维度，提取驾驶风格表征参数集合的主因子，利用三种聚类算法识别主因子表征的驾驶风格，能够实现对驾驶风格的快速准确识别。
在一个实施例中，所述基于行车轨迹数据，提取单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数包括：
S21，利用视频处理软件在行车轨迹数据中提取出单个车辆的车辆动力学参数，并计算各个车辆动力学参数的平均值和标准差；所述车辆动力学参数包括车辆速度和纵向加速度；
S22，提取出表征车辆换道行为的换道行为表征参数，并计算各个换道行为表征参数的均值和标准差；所述换道行为表征参数包括车辆横向加速度、总换道变化量和单位时间换道变化量；
S23，提取出表征车辆交互的交通冲突参数；所述交通冲突参数包括车辆间的相对距离、速度差和距离碰撞时间(TTC，time to collision)；
S24，分别计算各个交通冲突参数的平均值、标准差和最小值。
具体地，对于一次观测时间窗(通常为60s)内，驾驶人总换道变化量l(i)_total为：
Figure BDA0002959445830000051
其中，ye表示观测时刻末的车辆所处车道位置，yb表示观测时刻初的车辆所处车道位置。具体地，一个标准车道宽度往往为3.5m。
具体地，对于一次观测时间内，驾驶人所驾驶车辆在时刻i与其他车辆的距离碰撞时间TTC(i)为：
Figure BDA0002959445830000052
其中，
Figure BDA0002959445830000053
表示时刻i的车辆1的位置，
Figure BDA0002959445830000054
表示时刻i的车辆2的位置，l表示车辆长度，
Figure BDA0002959445830000055
表示时刻i的车辆1的速度，
Figure BDA0002959445830000056
表示时刻i的车辆2的速度。
在一个实施例中，所述根据单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数构建驾驶风格表征参数集合，采用因子分析降低驾驶风格表征参数集合的数据维度包括：
S31，根据单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数汇总驾驶风格表征参数A1，对原始数据进行标准化和归一化处理，得到处理后的参数集合A2；
S32，对数据集A2进行KMO(全称Kaiser-Meyer-Olkin检验，又称抽样适合性检验)和Bartlett球形检验；其中，KMO用于比较变量间简单相关系数和偏相关系数；
S33，利用SPSS(Statistical Product and Service Solutions，统计产品与服务解决方案)进行因子分析，降低表征参数维度；
S34：对降低表征参数维度后的A2进行因子旋转，根据各因子在原始参数上的载荷，得出各因子的实际含义。
具体地，
Figure BDA0002959445830000061
其中，n′ij表示第i个车辆的第j个驾驶风格表征参数值。
在一个实施例中，所述三种聚类算法包括K-Means聚类算法、谱聚类算法和DBSCAN聚类算法。
具体地，各聚类方法的衡量指标为轮廓系数Sk和CH分数(Calinski HarabaszScore)的计算方法为：
Figure BDA0002959445830000062
Figure BDA0002959445830000063
其中，a为类内距离平均值，b为与最近相邻类的距离的平均值，k为类别数，N为样本总数，SSB为类间方差，SSW为类内方差，CH为CH分数。
具体地，在选定聚类方法后，得到各样本的聚类标签Label_i，将聚类标签回溯到源数据，观察各类驾驶员在驾驶风格表征参数上的表现，以对驾驶员的驾驶风格进行分类。
具体地，根据训练样本集对应的交通冲突数据，绘制TTC的累计分布概率曲线，以曲线的85％分位数为阈值，交通冲突根据训练样本集的TTC85％分位数为阈值，将交通冲突分为一般冲突和严重冲突，根据冲突发生角度θ将交通冲突分为侧击冲突和追尾冲突。
在一个示例中，可以采集四组表征行车轨迹数据的图，将收集到的TTC数据进行汇总，得到累计分布概率曲线，然后根据85％分位数得到阈值(这里的含义是指道路上85％的交通冲突不会超过这个值)。以同样的方法分别绘制严重/一般的侧击和/追尾冲突一共四个累计分布概率曲线图，以此划分一般冲突和严重冲突。
在一个实施例中，对上述基于交通冲突的驾驶风格识别方法的应用过程进行介绍，包括：
(1.1)采用无人机航拍某六车道交织区每日16：00-17：00的车辆运行情况，共计十天累计10h的视频数据。
进一步地，通过步骤S2得到驾驶风格表征参数，具体为：
(2.1)将视频数据导入Tracker软件，以60s为一次观测时间窗，提取出目标车辆在观测时间内的运动学参数，包括：车辆速度v、纵向加速度lon，并分别计算平均值和标准差：
Figure BDA0002959445830000071
vs、
Figure BDA0002959445830000072
lons；
(2.2)提取出表征车辆换道行为表征参数，包括车辆横向加速度lat、总换道变化量l(i)_total、单位时间换道变化值l(i)_each等，并分别计算其平均值和标准差
Figure BDA0002959445830000073
lats；
Figure BDA0002959445830000074
其中，驾驶人总换道变化量l(i)_total为：
Figure BDA0002959445830000075
其中，ye表示观测时刻末的车辆所处车道位置，yb表示观测时刻初的车辆所处车道位置，3.5m为一个标准车道宽度。
(2.3)基于交通冲突分析技术，研究驾驶人行驶过程中与其他车辆的交互情况，计算出目标车辆与其他车辆的相对距离D、速度差Δv和某时刻的距离碰撞时间TTC(i)。
其中，驾驶人所驾驶车辆在时刻i与其他车辆的距离碰撞时间TTC(i)为：
Figure BDA0002959445830000076
其中，
Figure BDA0002959445830000077
表示时刻i的车辆1、2的位置，l表示车辆长度，
Figure BDA0002959445830000078
表示时刻i的车辆1、2速度。
(2.4)计算交互车辆各参数的平均值、标准差和最小值：
Figure BDA0002959445830000079
Ds、Dmin；
Figure BDA00029594458300000710
Δvs、Δvmin；
Figure BDA00029594458300000711
经过以上步骤，共采集242车辆的18个参数。
进一步，步骤S3中采用因子分析，提取出表征驾驶风格的主因子，具体为：
(3.1)汇总驾驶风格表征参数矩阵
Figure BDA0002959445830000081
对原始数据进行标准化和归一化处理，得到处理后的参数矩阵
Figure BDA0002959445830000082
其中，n′ij表示第i个车辆的第j个驾驶风格表征参数值。实施例中i为242，j为18。
(3.2)采用KMO和Bartlett球形检验数据是否适合因子分析，结果显示KMO检验值为0.696(>0.6)，球形检验卡方值为0.000(显著)，两个检验均通过，表明数据集适合因子分析；
Figure BDA0002959445830000083
(3.3)利用SPSS的计算模块进行因子分析，得到5个特征值大于1的主因子，累计解释方差达到73.383％。
Figure BDA0002959445830000084
(3.4)采用最大方差法进行因子旋转，根据各因子在原始参数上的载荷(低于0.4的载荷被省略)，定义(3)中得到的5个因子。因子1与车辆横向加速度的均值、标准差，总换道变化量的均值和标准差以及单位时间换道变化量的均值较相关，定义为“换道因子”；因子2与车辆速度平均值、速度差的均值、标准差和最小值以及TTC的均值较相关，定义为“速差因子”；因子3与车辆总换道变化量的标准差、单位时间换道变化量的均值和标准差较相关，定义为“位置变化因子”；因子4与车辆相对距离的均值和标准差较相关，定义为“跟车距离因子”；因子5与车辆速度均值和纵向加速度均值较相关，定义为“速度因子”。
Figure BDA0002959445830000091
进一步地，步骤S4利用三种聚类算法识别驾驶风格，并利用交通冲突类型和严重程度进行验证，具体为：
(4.1)获取步骤S3中提取到的主因子，得到参数矩阵
Figure BDA0002959445830000101
其中mij表示第i个车辆的第j个主因子参数值。实施例中i为242，j为5。
(4.2)调整K-Means算法、谱聚类算法的聚类个数k(k的取值范围可以为2-6)以及DBSCAN聚类算法的两个关键参数：邻域值和最小样本点，对驾驶风格进行分类；
(4.3)计算聚类结果评价指标，包括轮廓系数Sk和Calinski Harabasz Score(CH分数)，其计算方法为：
Figure BDA0002959445830000102
Figure BDA0002959445830000103
其中，a为类内距离平均值，b为与最近相邻类的距离的平均值；k为类别数，N为样本总数，SSB为类间方差，SSW为类内方差。
如图2和图3所示，本实施例中最佳聚类数为3，最佳聚类方法为K-Means聚类算法，其轮廓系数为0.35，CH分数为108.22(其中DBSCAN聚类算法在ε＝0.5，min_samples＝3时效果最佳，轮廓系数0.31，CH分数78.28)。
(4.4)基于驾驶风格分类结果，比较不同驾驶风格驾驶人在步骤S20提取出参数的表现，对不同驾驶风格进行识别：本实施例中，根据主因子聚类结果，通过观察各类驾驶员在驾驶风格表征参数上的表现，如图4所示，将驾驶员分为激进型、稳健型、保守型，分别占据样本的22.8％、61.9％、6.3％，特点为：
1)激进型：换道次数最多，换道频率最高，行驶速度较快，跟车时与其他车辆相对距离和速度差最小，产生危险驾驶行为的倾向高；
2)稳健型：换道次数正常，换道频率较低，行驶速度适中，跟车时能保持与其他车辆合适的相对距离和速度差，产生危险驾驶行为和交通冲突的倾向低；
3)保守型：换道次数最少，换道频率最低，行驶速度较慢，跟车时与前车的相对距离和速度差较大，但会存在与后车之间的交通冲突，产生危险驾驶行为和交通冲突的倾向适中；
(4.6)结合交通冲突分析技术，分析不同风格驾驶员造成交通冲突的差异。根据冲突发生时车辆间角度对交通冲突类型进行划分：发生冲突的两车角度等于或接近直角就划定为追尾冲突，其余的视为侧击冲突；根据采集数据TTC数值绘制得到的累计分布概率曲线的85％分位数值：侧击冲突为2.3s，追尾冲突为2.8s。将交通冲突分为严重冲突和一般冲突。
如图5和图6所示，本实施例中，激进型驾驶员造成交通冲突的类型多为侧击冲突，造成交通冲突中严重冲突的比例最高，达到68.2％，其中侧击冲突占62.7％；保守型驾驶员造成交通冲突的类型多为与后车的追尾冲突，占比64.1％，其中严重冲突占比47.9％；稳健型驾驶员造成交通冲突的严重冲突比例最低，为31.8％，冲突类型则差异性不大。
通过上述步骤，完成驾驶风格识别，相比于现有技术仅考虑单个车辆的车辆动力学参数，上述步骤还考虑了车辆行驶过程中的换道行为，以及与其他车辆交互期间产生的交通冲突，提出了考虑交通冲突的驾驶风格识别的合理方案，也有效地扩展了道路摄像头采集视频数据在驾驶风格研究方面的应用。对于驾驶风格聚类结果，也采用交通冲突严重性和冲突类型进行验证，反映出不同驾驶风格对于道路交通安全水平的影响。对于识别出的易产生危险驾驶行为，造成交通冲突的驾驶员(尤其是激进型驾驶员)，可制定针对性的交通安全宣传教育，提高道路交通安全性。
上述基于交通冲突的驾驶风格识别方法的有益效果包括：
(1)扩展了道路摄像数据、无人机航拍数据在驾驶风格研究方面的应用；
(2)选取多个换道行为参数表征驾驶人的驾驶风格；
(3)引入交通冲突指标表征驾驶风格，更准确地体现驾驶风格；
(4)基于不同驾驶风格驾驶人造成交通冲突的严重性和类型差异，对分类结果进行验证，可以更直接地反映出驾驶风格对道路交通安全的影响；
(5)对于识别出的易产生交通冲突的驾驶员(如激进驾驶员)，可针对性制定交通安全教育，提高道路安全性。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于交通冲突的驾驶风格识别方法，其特征在于，包括如下步骤：
S10，采集行车轨迹数据；
S20，基于行车轨迹数据，提取单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数；
S30，根据单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数构建驾驶风格表征参数集合，采用因子分析降低驾驶风格表征参数集合的数据维度；
S40，提取驾驶风格表征参数集合的主因子，利用三种聚类算法识别主因子表征的驾驶风格。
2.根据权利要求1所述的基于交通冲突的驾驶风格识别方法，其特征在于，所述行车轨迹数据为无人机航拍数据或道路摄像数据。
3.根据权利要求1所述的基于交通冲突的驾驶风格识别方法，其特征在于，所述基于行车轨迹数据，提取单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数包括：
S21，利用视频处理软件在行车轨迹数据中提取出单个车辆的车辆动力学参数；所述车辆动力学参数包括车辆速度和纵向加速度；
S22，提取出表征车辆换道行为的换道行为表征参数；所述换道行为表征参数包括车辆横向加速度、总换道变化量和单位时间换道变化量；
S23，提取出表征车辆交互的交通冲突参数；所述交通冲突参数包括车辆间的相对距离、速度差和距离碰撞时间。
4.根据权利要求3所述的基于交通冲突的驾驶风格识别方法，其特征在于，对于一次观测时间窗内，驾驶人总换道变化量l(i)_total为：
Figure FDA0002959445820000011
其中，ye表示观测时刻末的车辆所处车道位置，yb表示观测时刻初的车辆所处车道位置。
5.根据权利要求3所述的基于交通冲突的驾驶风格识别方法，其特征在于，对于一次观测时间内，驾驶人所驾驶车辆在时刻i与其他车辆的距离碰撞时间TTC(i)为：
Figure FDA0002959445820000012
其中，
Figure FDA0002959445820000013
表示时刻i的车辆1的位置，
Figure FDA0002959445820000014
表示时刻i的车辆2的位置，l表示车辆长度，
Figure FDA0002959445820000021
表示时刻i的车辆1的速度，
Figure FDA0002959445820000022
表示时刻i的车辆2的速度。
6.根据权利要求1所述的基于交通冲突的驾驶风格识别方法，其特征在于，所述根据单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数构建驾驶风格表征参数集合，采用因子分析降低驾驶风格表征参数集合的数据维度包括：
S31，根据单个车辆的车辆动力学参数、换道行为表征参数以及车辆交互产生的交通冲突参数汇总驾驶风格表征参数A1，对原始数据进行标准化和归一化处理，得到处理后的参数集合A2；
S32，对数据集A2进行KMO和Bartlett球形检验；
S33，利用SPSS进行因子分析，降低表征参数维度；
S34：对降低表征参数维度后的A2进行因子旋转，根据各因子在原始参数上的载荷，得出各因子的实际含义。
7.根据权利要求1所述的基于交通冲突的驾驶风格识别方法，其特征在于，所述三种聚类算法包括K-Means聚类算法、谱聚类算法和DBSCAN聚类算法。
8.根据权利要求7所述的基于交通冲突的驾驶风格识别方法，其特征在于，各聚类方法的衡量指标为轮廓系数Sk和CH分数的计算方法为：
Figure FDA0002959445820000023
Figure FDA0002959445820000024
其中，a为类内距离平均值，b为与最近相邻类的距离的平均值，k为类别数，N为样本总数，SSB为类间方差，SSW为类内方差，CH为CH分数。
9.根据权利要求7所述的基于交通冲突的驾驶风格识别方法，其特征在于，在选定聚类方法后，得到各样本的聚类标签Label_i，将聚类标签回溯到源数据，观察各类驾驶员在驾驶风格表征参数上的表现，以对驾驶员的驾驶风格进行分类。
10.根据权利要求7所述的基于交通冲突的驾驶风格识别方法，其特征在于，根据训练样本集对应的交通冲突数据，绘制TTC的累计分布概率曲线，以曲线的85％分位数为阈值，交通冲突根据训练样本集的TTC85％分位数为阈值，将交通冲突分为一般冲突和严重冲突，根据冲突发生角度θ将交通冲突分为侧击冲突和追尾冲突。
CN202110234618.4A 2021-03-03 2021-03-03 基于交通冲突的驾驶风格识别方法 Pending CN113096379A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110234618.4A CN113096379A (zh) 2021-03-03 2021-03-03 基于交通冲突的驾驶风格识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110234618.4A CN113096379A (zh) 2021-03-03 2021-03-03 基于交通冲突的驾驶风格识别方法

Publications (1)

Publication Number Publication Date
CN113096379A true CN113096379A (zh) 2021-07-09

Family

ID=76667729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110234618.4A Pending CN113096379A (zh) 2021-03-03 2021-03-03 基于交通冲突的驾驶风格识别方法

Country Status (1)

Country Link
CN (1) CN113096379A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113353083A (zh) * 2021-08-10 2021-09-07 所托(杭州)汽车智能设备有限公司 车辆行为识别方法
CN113808394A (zh) * 2021-08-27 2021-12-17 东南大学 一种基于风险组合模式的过街通道安全评价方法
CN115731708A (zh) * 2022-11-15 2023-03-03 东南大学 一种基于贝叶斯理论的实时车辆轨迹换道点监测方法
CN117994987A (zh) * 2024-04-07 2024-05-07 东南大学 基于目标检测技术的交通参数提取方法及相关装置
CN117994987B (zh) * 2024-04-07 2024-06-11 东南大学 基于目标检测技术的交通参数提取方法及相关装置

Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100023197A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition based on behavioral diagnosis
US20150161895A1 (en) * 2013-12-11 2015-06-11 Hyundai Motor Company Lane change control apparatus and control method of the same
CN105243876A (zh) * 2015-11-06 2016-01-13 东南大学 一种用于互通立交的交通冲突严重性分析方法
CN105528593A (zh) * 2016-01-22 2016-04-27 江苏大学 一种前向车辆驾驶人驾驶行为预测系统及预测方法
JP2017134664A (ja) * 2016-01-28 2017-08-03 日立オートモティブシステムズ株式会社 道路情報認識システム及び道路情報認識方法
CN108615387A (zh) * 2018-04-18 2018-10-02 长沙理工大学 一种自动驾驶下交叉口自由转向车道设置方法
CN109285348A (zh) * 2018-10-26 2019-01-29 深圳大学 一种基于双向长短时记忆网络的车辆行为识别方法及系统
CN109360445A (zh) * 2018-07-09 2019-02-19 重庆大学 一种基于横向与纵向运动学特征分布的高速换道风险检测方法
CN109460023A (zh) * 2018-11-09 2019-03-12 上海理工大学 基于隐马尔科夫模型的驾驶人换道意图识别方法
US20190079514A1 (en) * 2017-09-13 2019-03-14 Baidu Usa Llc Driving scene based path planning for autonomous driving vehicles
US20190184994A1 (en) * 2017-12-18 2019-06-20 Honda Motor Co., Ltd. Travel control apparatus of self-driving vehicle
CN110085056A (zh) * 2019-04-24 2019-08-02 华南理工大学 一种高速公路车路协同环境下车辆换道瞬时风险识别方法
WO2019154549A1 (fr) * 2018-02-08 2019-08-15 Renault S.A.S Système et procédé de détection d'un risque de collision entre un véhicule automobile et un objet secondaire situé sur les voies de circulation adjacentes audit véhicule lors d'un changement de voie
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
CN110175557A (zh) * 2019-05-24 2019-08-27 北京交通大学 基于驾驶特征群的驾驶员驾驶行为识别分类方法及系统
CN110254435A (zh) * 2019-06-28 2019-09-20 同济大学 一种驾驶风格识别方法
CN110298122A (zh) * 2019-07-03 2019-10-01 北京理工大学 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法
CN110569783A (zh) * 2019-09-05 2019-12-13 吉林大学 一种驾驶人换道意图识别方法及系统
CN110597245A (zh) * 2019-08-12 2019-12-20 北京交通大学 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
CN110675656A (zh) * 2019-09-24 2020-01-10 华南理工大学 一种基于瞬时风险识别的智能车辆换道预警方法
DE102018222509A1 (de) * 2018-12-20 2020-06-25 Robert Bosch Gmbh Verfahren, Steuergerät und Fahrzeug
CN111507617A (zh) * 2020-04-15 2020-08-07 桂林电子科技大学 一种基于电动自行车风险驾驶行为量表的分析系统
CN111739290A (zh) * 2020-06-05 2020-10-02 腾讯科技（深圳）有限公司 车辆预警方法及装置
CN111731312A (zh) * 2020-06-15 2020-10-02 苏州绿科智能机器人研究院有限公司 提取驾驶风格特征参数的实验系统及驾驶风格识别方法
US20200369268A1 (en) * 2019-05-20 2020-11-26 Toyota Research Institute, Inc. Vehicles and systems for predicting road agent behavior based on driving style
CN111994079A (zh) * 2020-09-18 2020-11-27 南京航空航天大学 考虑驾驶风格特性的非合作博弈换道辅助决策系统及方法
CN112347567A (zh) * 2020-11-27 2021-02-09 青岛莱吉传动系统科技有限公司 一种车辆意图和轨迹预测的方法

Patent Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100023197A1 (en) * 2008-07-24 2010-01-28 Gm Global Technology Operations, Inc. Adaptive vehicle control system with driving style recognition based on behavioral diagnosis
US20150161895A1 (en) * 2013-12-11 2015-06-11 Hyundai Motor Company Lane change control apparatus and control method of the same
CN105243876A (zh) * 2015-11-06 2016-01-13 东南大学 一种用于互通立交的交通冲突严重性分析方法
CN105528593A (zh) * 2016-01-22 2016-04-27 江苏大学 一种前向车辆驾驶人驾驶行为预测系统及预测方法
JP2017134664A (ja) * 2016-01-28 2017-08-03 日立オートモティブシステムズ株式会社 道路情報認識システム及び道路情報認識方法
US20190079514A1 (en) * 2017-09-13 2019-03-14 Baidu Usa Llc Driving scene based path planning for autonomous driving vehicles
US20190184994A1 (en) * 2017-12-18 2019-06-20 Honda Motor Co., Ltd. Travel control apparatus of self-driving vehicle
WO2019154549A1 (fr) * 2018-02-08 2019-08-15 Renault S.A.S Système et procédé de détection d'un risque de collision entre un véhicule automobile et un objet secondaire situé sur les voies de circulation adjacentes audit véhicule lors d'un changement de voie
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
CN108615387A (zh) * 2018-04-18 2018-10-02 长沙理工大学 一种自动驾驶下交叉口自由转向车道设置方法
CN109360445A (zh) * 2018-07-09 2019-02-19 重庆大学 一种基于横向与纵向运动学特征分布的高速换道风险检测方法
CN109285348A (zh) * 2018-10-26 2019-01-29 深圳大学 一种基于双向长短时记忆网络的车辆行为识别方法及系统
CN109460023A (zh) * 2018-11-09 2019-03-12 上海理工大学 基于隐马尔科夫模型的驾驶人换道意图识别方法
DE102018222509A1 (de) * 2018-12-20 2020-06-25 Robert Bosch Gmbh Verfahren, Steuergerät und Fahrzeug
CN110085056A (zh) * 2019-04-24 2019-08-02 华南理工大学 一种高速公路车路协同环境下车辆换道瞬时风险识别方法
US20200369268A1 (en) * 2019-05-20 2020-11-26 Toyota Research Institute, Inc. Vehicles and systems for predicting road agent behavior based on driving style
CN110175557A (zh) * 2019-05-24 2019-08-27 北京交通大学 基于驾驶特征群的驾驶员驾驶行为识别分类方法及系统
CN110254435A (zh) * 2019-06-28 2019-09-20 同济大学 一种驾驶风格识别方法
CN110298122A (zh) * 2019-07-03 2019-10-01 北京理工大学 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法
CN110597245A (zh) * 2019-08-12 2019-12-20 北京交通大学 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
CN110569783A (zh) * 2019-09-05 2019-12-13 吉林大学 一种驾驶人换道意图识别方法及系统
CN110675656A (zh) * 2019-09-24 2020-01-10 华南理工大学 一种基于瞬时风险识别的智能车辆换道预警方法
CN111507617A (zh) * 2020-04-15 2020-08-07 桂林电子科技大学 一种基于电动自行车风险驾驶行为量表的分析系统
CN111739290A (zh) * 2020-06-05 2020-10-02 腾讯科技（深圳）有限公司 车辆预警方法及装置
CN111731312A (zh) * 2020-06-15 2020-10-02 苏州绿科智能机器人研究院有限公司 提取驾驶风格特征参数的实验系统及驾驶风格识别方法
CN111994079A (zh) * 2020-09-18 2020-11-27 南京航空航天大学 考虑驾驶风格特性的非合作博弈换道辅助决策系统及方法
CN112347567A (zh) * 2020-11-27 2021-02-09 青岛莱吉传动系统科技有限公司 一种车辆意图和轨迹预测的方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
A.A. MAHERSATILLAH: "Unstructured Road Detection and Steering Assist Based on HSV Color Space Segmentation for Autonomous Car", 《2020 3RD INTERNATIONAL SEMINAR ON RESEARCH OF INFORMATION TECHNOLOGY AND INTELLIGENT SYSTEMS (ISRITI)》 *
ZHIHUI L: "DP and DS-LCD: A New Lane Change Decision Model Coupling Driver’s Psychology and Driving Style", 《IEEE ACCESS》 *
刘思源: "考虑驾驶风格的车辆换道行为及预测模型", 《长沙理工大学学报（自然科学版）》 *
张一恒: "基于驾驶风格辨识和运动预测的换道风险评估及决策方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
戢晓峰: "基于轨迹数据的山区危险性弯道路段交通事故风险动态预测", 《中国公路学报》 *
朱愿: "基于视觉和雷达的智能车辆自主换道决策机制与控制研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *
朱春杨: "城市快速路驾驶人换道意图识别研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
蔺湘然: "基于NGSIM数据的车道级车辆换道策略研究", 《综合运输》 *
郑展骥: "互通立交分流区交通冲突预测模型", 《中国安全科学学报》 *
闫淑德: "基于驾驶习性的智能汽车个性化换道辅助系统研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113353083A (zh) * 2021-08-10 2021-09-07 所托(杭州)汽车智能设备有限公司 车辆行为识别方法
CN113353083B (zh) * 2021-08-10 2021-10-29 所托(杭州)汽车智能设备有限公司 车辆行为识别方法
CN113808394A (zh) * 2021-08-27 2021-12-17 东南大学 一种基于风险组合模式的过街通道安全评价方法
CN115731708A (zh) * 2022-11-15 2023-03-03 东南大学 一种基于贝叶斯理论的实时车辆轨迹换道点监测方法
CN115731708B (zh) * 2022-11-15 2023-10-17 东南大学 一种基于贝叶斯理论的实时车辆轨迹换道点监测方法
CN117994987A (zh) * 2024-04-07 2024-05-07 东南大学 基于目标检测技术的交通参数提取方法及相关装置
CN117994987B (zh) * 2024-04-07 2024-06-11 东南大学 基于目标检测技术的交通参数提取方法及相关装置

Similar Documents

Publication Publication Date Title
CN113096379A (zh) 基于交通冲突的驾驶风格识别方法
Wilson et al. Predictive inequity in object detection
CN107886073B (zh) 一种基于卷积神经网络的细粒度车辆多属性识别方法
US8824742B2 (en) Occupancy detection for managed lane enforcement based on localization and classification of windshield images
CN107292291B (zh) 一种车辆识别方法和系统
Wang et al. A rapid pattern-recognition method for driving styles using clustering-based support vector machines
US9721173B2 (en) Machine learning approach for detecting mobile phone usage by a driver
US20160078306A1 (en) System and method for detecting seat belt violations from front view vehicle images
US20060204107A1 (en) Object recognition system using dynamic length genetic training
CN111126224A (zh) 车辆检测方法及分类识别模型训练方法
CN106295541A (zh) 车辆类型识别方法及系统
CN107301385A (zh) 一种遮挡车牌识别方法及装置
CN109829382B (zh) 基于行为特征智能分析的异常目标预警追踪系统及方法
CN113232669B (zh) 一种基于机器学习的驾驶风格辨识方法
CN109671274B (zh) 一种基于特征构造和融合的公路风险自动评估方法
CN106157135A (zh) 基于声纹识别性别年龄的防欺诈系统及方法
CN110517500B (zh) 一种人车关联处理方法及装置
CN103455820A (zh) 基于机器视觉技术的车辆检测和跟踪方法及系统
CN108960074B (zh) 基于深度学习的小尺寸行人目标检测方法
Karunasena et al. Tea bud leaf identification by using machine learning and image processing techniques
KR101268520B1 (ko) 영상 인식 장치 및 방법
CN111047173A (zh) 基于改进d-s证据理论的社团可信度评估方法
CN108154172A (zh) 基于三支决策的图像识别方法
CN115657002A (zh) 基于交通毫米波雷达的车辆运动状态估计方法
CN116645646A (zh) 一种用于停车异常检测预警方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210709

RJ01 Rejection of invention patent application after publication