CN113537606B - 事故预测方法、装置及计算机可读存储介质 - Google Patents

事故预测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN113537606B
CN113537606B CN202110833699.XA CN202110833699A CN113537606B CN 113537606 B CN113537606 B CN 113537606B CN 202110833699 A CN202110833699 A CN 202110833699A CN 113537606 B CN113537606 B CN 113537606B
Authority
CN
China
Prior art keywords
intersection
collision
predicted
traffic participant
path
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
CN202110833699.XA
Other languages
English (en)
Other versions
CN113537606A (zh
Inventor
廖尉华
林智桂
罗覃月
刘芬
杨东培
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.)
SAIC GM Wuling Automobile Co Ltd
Original Assignee
SAIC GM Wuling Automobile Co Ltd
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 SAIC GM Wuling Automobile Co Ltd filed Critical SAIC GM Wuling Automobile Co Ltd
Priority to CN202110833699.XA priority Critical patent/CN113537606B/zh
Publication of CN113537606A publication Critical patent/CN113537606A/zh
Application granted granted Critical
Publication of CN113537606B publication Critical patent/CN113537606B/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06Q50/265—Personal security, identity or safety
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种事故预测方法、装置和计算机可读存储介质，通过环境感知传感器获取车辆行驶道路上的交通参与者信息；根据所述交通参与者信息利用克洛森曲线进行拟合并延长，获得交通参与者第一预设时间段的预测行驶路径；根据所述预测路径判断是否发生碰撞。本发明避免人为判断，能够提高判断准确性。

Description

事故预测方法、装置及计算机可读存储介质
技术领域
本发明涉及车辆安全技术领域，尤其涉及一种事故预测方法、装置和计算机可读存储介质。
背景技术
随着汽车工业的快速发展和人民生活水平的提高，人均汽车拥有量快速增加，但与此同时，交通事故安全问题也越发突出。
目前，对于交通事故危险程度的判断一般是基于个体直觉和经验进行的主观判断，这种判断依赖于判断主体知识和经验的积累以及综合能力，易受判断主体生理、能力和知识储备的影响。
发明内容
本发明的主要目的在于提供一种事故预测方法、装置和计算机可读存储介质，旨在避免车主主观判断车辆事故的发生。
为实现上述目的，本发明提供一种事故预测方法，所述事故预测方法包括以下步骤：
通过环境感知传感器获取车辆行驶道路上的交通参与者信息；
根据所述交通参与者信息利用克洛森曲线进行拟合并延长，获得交通参与者第一预设时间段的预测行驶路径；
根据所述预测路径判断是否发生碰撞。
可选地，根据所述交通参与者信息利用克洛森曲线进行拟合并延长，获得交通参与者第一预设时间段的预测行驶路径的步骤包括：
获取所述交通参与者的预设历史时间内的位置点，根据所述位置点利用克洛森曲线进行拟合，获得所述交通参与者的历史路径；
将所述交通参与者的历史路径进行延长，获得所述交通参与者第一预设时间段的预测行驶路径。
可选地，所述交通参与者信息包括交通参与者信息的尺寸信息，所述根据所述预测路径判断是否发生碰撞的步骤包括：
根据所述预测路径、所述交通参与者信息的尺寸信息判断是否存在交叉点，以判断是否发生碰撞。
可选地，所述预测路径的条数为多条，所述根据所述预测路径判断是否发生碰撞的步骤包括：
从所述预测路径中选择任意两条，判断是否存在交点，以判断是否发生碰撞。
可选地，从所述预测路径以中选择任意两条，判断是否存在交点，以判断是否发生碰撞的步骤还包括：
在任一交通参与者到达所述交点时，判断所述交点对应的其他交通参与者的位置；
若所述交点对应的其他交通参与者与所述交点不存在交集，则判定未发生碰撞；
若所述交点对应的其他交通参与者与所述交点存在交集，则根据到达所述交点的先后顺序确定碰撞方式。
可选地，根据到达所述交点的先后顺序确定碰撞方式的步骤之后包括：
获取所述交点对应的其他交通参与者的速度和加速度，并根据所述速度和加速度，以及所述交点对应的其他交通参与者的位置与所述交点的距离计算碰撞时间；
根据所述碰撞时间查找预设碰撞时间和碰撞概率表，获得对应的碰撞概率。
可选地，获取所述交点对应的其他交通参与者的速度和加速度，并根据所述速度和加速度，以及所述交点对应的其他交通参与者的位置与所述交点的距离计算碰撞时间的步骤之后包括：
当所述碰撞时间小于0时，监控所述交点对应的其他交通参与者在第二预设时间段内的速度变化值或者速度方向变化值；
若速度变化值或者速度方向变化值大于对应的预设标定值，则确定发生碰撞。
可选地，通过环境感知传感器获取车辆行驶道路上的交通参与者信息的步骤包括：
通过环境感知传感器获取车辆行驶道路的环境信息；
根据所述预测路径判断是否发生碰撞的步骤之后包括：
根据所述环境信息和所述预测行驶路径判断是否发生碰撞。
此外，为实现所述目的，本发明还提供一种事故预测装置，所述事故预测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的事故预测程序，所述事故预测程序被所述处理器执行时实现如上所述的事故预测方法的步骤。
此外，为实现所述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有事故预测程序，所述事故预测程序被处理器执行时实现如上所述的事故预测方法的步骤。
本发明提出的一种事故预测方法、装置和计算机可读存储介质，通过环境感知传感器获取车辆行驶道路上的交通参与者信息；根据所述交通参与者信息利用克洛森曲线进行拟合并延长，获得交通参与者第一预设时间段的预测行驶路径；根据所述预测路径判断是否发生碰撞。通过上述方式，本发明获取行驶道路上的交通参与者的信息，采用克洛森曲线对交通参与者行驶路线进行拟合并延长，获得交通参与者第一预设时间段的预测行驶路径，从而根据预测的路径去判断是否发生碰撞，避免人为判断，提高判断准确性，为在判断出存在碰撞后的主动制动奠定基础，从而提高行车安全，进而避免连环碰撞。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图；
图2为本发明事故预测方法第一实施例的流程示意图；
图3为本发明事故预测方法实施例中第一场景示意图；
图4为本发明事故预测方法实施例中根据所述交通参与者信息利用克洛森曲线进行拟合并延长，获得交通参与者第一预设时间段的预测行驶路径步骤的细化流程示意图；
图5为本发明事故预测方法实施例中第二场景示意图；；
图6为本发明事故预测方法实施例中对道路参与者进行偏置过程的示意图；；
图7为本发明事故预测方法实施例中第三场景示意图；
图8为本发明事故预测方法实施例中第四场景示意图；
图9为本发明事故预测方法实施例中第五场景示意图；
图10为本发明事故预测方法实施例中第六场景示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
由于目前对于交通事故危险程度的判断一般是基于个体直觉和经验进行的主观判断，这种判断依赖于判断主体知识和经验的积累以及综合能力，易受判断主体生理、能力和知识储备的影响。
本发明实施例提出的一种事故预测方法、装置和计算机可读存储介质，通过环境感知传感器获取车辆行驶道路上的交通参与者信息；根据所述交通参与者信息利用克洛森曲线进行拟合并延长，获得交通参与者第一预设时间段的预测行驶路径；根据所述预测路径判断是否发生碰撞。通过上述方式，本发明获取行驶道路上的交通参与者的信息，采用克洛森曲线对交通参与者行驶路线进行拟合并延长，获得交通参与者第一预设时间段的预测行驶路径，从而根据预测的路径去判断是否发生碰撞，避免人为判断，提高判断准确性，为在判断出存在碰撞后的主动制动奠定基础，从而提高行车安全，进而避免连环碰撞。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是车载PC，也可以是智能手机、平板电脑、便携计算机等具有计算功能的可移动式终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
优选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及事故预测程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的事故预测程序，并执行以下操作：
通过环境感知传感器获取车辆行驶道路上的交通参与者信息；
根据所述交通参与者信息利用克洛森曲线进行拟合并延长，获得交通参与者第一预设时间段的预测行驶路径；
根据所述预测路径判断是否发生碰撞。
进一步地，处理器1001可以调用存储器1005中存储的事故预测程序，还执行以下操作:
获取所述交通参与者的预设历史时间内的位置点，根据所述位置点利用克洛森曲线进行拟合，获得所述交通参与者的历史路径；
将所述交通参与者的历史路径进行延长，获得所述交通参与者第一预设时间段的预测行驶路径。
进一步地，处理器1001可以调用存储器1005中存储的事故预测程序，还执行以下操作:
根据所述预测路径、所述交通参与者信息的尺寸信息是否存在交叉点，以判断是否发生碰撞。
进一步地，处理器1001可以调用存储器1005中存储的事故预测程序，还执行以下操作:
从所述预测路径中选择任意两条，判断是否存在交点，以判断是否发生碰撞。
进一步地，处理器1001可以调用存储器1005中存储的事故预测程序，还执行以下操作:
在任一交通参与者到达所述交点时，判断所述交点对应的其他交通参与者的位置；
若所述交点对应的其他交通参与者与所述交点不存在交集，则判定未发生碰撞；
若所述交点对应的其他交通参与者与所述交点存在交集，则根据到达所述交点的先后顺序确定碰撞方式。
进一步地，处理器1001可以调用存储器1005中存储的事故预测程序，还执行以下操作:
获取所述交点对应的其他交通参与者的加速度，并根据所述加速度，以及所述交点对应的其他交通参与者的位置与所述交点的距离计算碰撞时间；
根据所述碰撞时间查找预设碰撞时间和碰撞概率表，获得对应的碰撞概率。
进一步地，处理器1001可以调用存储器1005中存储的事故预测程序，还执行以下操作:
当所述碰撞时间小于0时，监控所述交点对应的其他交通参与者在第二预设时间段内的速度变化值或者速度方向变化值；
若速度变化值或者速度方向变化值大于对应的预设标定值，则确定发生碰撞。
进一步地，处理器1001可以调用存储器1005中存储的事故预测程序，还执行以下操作:
通过环境感知传感器获取车辆行驶道路的环境信息；
通过环境感知传感器获取车辆行驶道路上的交通参与者信息的步骤之后包括：
根据所述环境信息和所述预测行驶路径判断是否发生碰撞。
本发明应用事故预测设备的具体实施例与下述事故预测方法各实施例基本相同，在此不作赘述。
参照图2，图2为本发明事故预测方法第一实施例的流程示意图，所述事故预测方法包括：
步骤S100，通过环境感知传感器获取车辆行驶道路上的交通参与者信息；
所述交通参与者包括：车辆所行驶道路上的其它车辆、行人、两轮车和三轮车等。交通参与者信息包括：交通参与者的ID标识、大小轮廓(例如车长、车宽、车高、行人轮廓等)、位置(车尾中心相对本车的位置)、朝向以及运动状态信息(速度、加速度、运动方向等信息)。为方便计算，本发明中均以本车为坐标原点，前进方向为x轴方向，垂直车辆前进方向为y轴方向建立的坐标系为标准，在其他实施例中则x轴和y轴方向可以互换。
获取交通参与者信息信息的方式，可以是通过智能网联交通系统，还可以是通过一个或多个车载传感器获取相关数据，其中，车载传感器可以是毫米波雷达、激光雷达、超声波雷达、视觉摄像头传感器、红外传感器、全景360传感器等中的一种或者多种以上组合。
所有的环境感知传感器都有一个感知范围距离。当道路交通参与者进入到监控范围内时，系统开始存储每个工作周期探测到的目标位置。
本发明记录最近T_st秒内所探测到的目标位置，若目标被探测到的时间T_de小于T_st，则取探测到的时间T_de。本发明取T_st＝1.5秒。例如：若系统工作周期为0.05秒，则1.5秒就是存储目标的30个位置点；若探测到的目标时间只有1秒，则存储了该目标20个点。
进一步地，为减少无用的计算，本实施例中道路参与者至少要被探测到三个周期，才识别为有效目标，对其路径进行估计。否则只记录其历史位置点。
步骤S200，根据所述交通参与者信息利用克洛森曲线进行拟合并延长，获得交通参与者第一预设时间段的预测行驶路径；
路径的估计用克洛森曲线(clothoid curve)拟合该目标对应所存储的位置点，得到每个目标的行驶轨迹。克洛森曲线可以使用三次函数表示，如下式(1)。拟合的过程也就是求取C0，C1，C2，C3四个系数的过程。
f(x)＝C0+C1*x+C2*x2+C3*x3 (1)
如图3，空心圆代表传感器最近1.5秒内存储的目标出现的位置点，实心圆代表当前时刻目标所在位置。实线即为拟合的克洛森曲线，点虚线是该克洛森曲线的延长线，也就是该目标的预测行驶路径。
步骤S300，根据所述预测路径判断是否发生碰撞。
本车的运动路径也可以通过克洛森曲线(clothoid curve)拟合获得，或者可以通过导航获得，然后根据获得的路径进行进行碰撞预测，作为一种优选实施例，根据获得的路径两两进行判断是否发生碰撞，即步骤S300可以包括从所述预测路径中选择任意两条，判断是否存在交点，以判断是否发生碰撞。
进一步地，为了完善预测结果，本实施例中在获取道路参与者信息的同时，还通过环境感知传感器获取车辆行驶道路的环境信息，道路环境信息主要是指栅栏、树木、台阶、石墩子等等物体中的一种或者多种物体的位置和大小信息；在获得车辆行驶道路的环境信息后，还根据所述环境信息和所述预测行驶路径判断是否发生碰撞。也就是说，本发明可以将道路上参与者都进行判断是否相互发生碰撞，也可以判断道路参与者是否与道路上障碍物发生碰撞。
本发明提出的一种事故预测方法，通过环境感知传感器获取车辆行驶道路上的交通参与者信息；根据所述交通参与者信息利用克洛森曲线进行拟合并延长，获得交通参与者第一预设时间段的预测行驶路径；根据所述预测路径判断是否发生碰撞。通过上述方式，本发明获取行驶道路上的交通参与者的信息，采用克洛森曲线对交通参与者行驶路线进行拟合并延长，获得交通参与者第一预设时间段的预测行驶路径，从而根据预测的路径去判断是否发生碰撞，避免人为判断，提高判断准确性，为在判断出存在碰撞后的主动制动奠定基础，从而提高行车安全，进而避免连环碰撞。
进一步地，参照图4，图4为本发明事故预测方法实施例中根据所述交通参与者信息利用克洛森曲线进行拟合并延长，获得交通参与者第一预设时间段的预测行驶路径步骤的细化流程示意图，基于所述图2所示的实施例，步骤S200可以包括：
步骤S210，获取所述交通参与者的预设历史时间内的位置点，根据所述位置点利用克洛森曲线进行拟合，获得所述交通参与者的历史路径；
步骤S220，将所述交通参与者的历史路径进行延长，获得所述交通参与者第一预设时间段的预测行驶路径；
以目标A(空心矩形)和目标B(实心矩形)作为分析对象，画出预测的每个目标未来1秒的行驶路径，如图5所示点虚线，以及预测的未来1秒两个目标所到达的位置(实心矩形和空心矩形)。
具体的预测方法如下：
①拟合每个目标的预测路径线段。
每个工作周期，首先对所有运动目标，根据目标历史位置和当前周期新探测到的位置，拟合出未来1秒内所有目标的预测路径线段。如下图5所示点虚线段。
进一步地，为了提高判断的准确性，还需要考虑各种车辆或者物体的尺寸信息，因此还需要对预测路径做偏置：
②对预测路径线段做偏置
由于目标有大小轮廓，因此在碰撞预测时需要把目标的大小考虑在内。
本实施例中步骤S300则可以包括：根据所述预测路径、所述交通参与者信息的尺寸信息判断是否存在交叉点，以判断是否发生碰撞。
方法如图6，为方便起见，仅以目标B举例，并放大其图示比例。黑色矩形是目标B当前时刻所在位置，p_fl(point of front left)是其轮廓左前点，p_fr(point of frontright)是其轮廓右前点，p_rl(point of rear left)是其轮廓左后点，p_rr(point ofrear right)是其轮廓右后点，p_rctr(point of rear center)是其轮廓后部中点(即尾部中心，位置坐标表示点)。曲线段B0B1是目标B最近1.5秒所行驶路径，曲线段B1B2是目标B预测的未来1秒行驶路径。棕色矩形线框是1秒后预测的目标B所在位置。
偏置的方法：把曲线段B1B2沿着紫颜色箭头方向(目标B车尾中心指向其轮廓左前点位置)，得到曲线段B1flB2fl_temp，然后再把该曲线段B1flB2fl_temp以为圆心旋转，旋转的方向和角度，由几何关系，可知为目标B在未来1秒钟内车头朝向所转过的方向和角度。得到偏置后的曲线段B1flB2fl。相同的方法，得到右前点对应的偏置曲线段B1frB2fr。
得到每个目标两条偏置预测路径线段后，把所有运动目标两两配对，计算它们之间的偏置预测路径线段是否有交点。若有交点，说明存在碰撞的可能性，标记为“潜在碰撞可能的目标对”。如下图7示例，有三个目标A,B和C，组成三个对，即A&B、A&C、B&C。最后可通过数学方法计算，目标A的左前偏置预测路径线段和目标B的右前预测路径线段有交点，说明A和B两目标之间存在碰撞的可能。如果目标对的偏置预测路径线段有两个交点，则选择离目标对最近的那个。
进一步地，在判断路径存在交点，因为选取的路径事件比较短，因此可以初步判断出会发生碰撞，为进一步提供判断的准确性，还可以对碰撞的两个物体或者两台车辆，和物体之间的碰撞形式进行判断。步骤S300还可以：
步骤S310，在任一交通参与者到达所述交点时，判断所述交点对应的其他交通参与者的位置；
步骤S320，若所述交点对应的其他交通参与者与所述交点不存在交集，则判定未发生碰撞；
步骤S330，若所述交点对应的其他交通参与者与所述交点存在交集，则根据到达所述交点的先后顺序确定碰撞方式。
已经找到了交点，此亦是可能的潜在碰撞点。因此，还需要确定两个目标是否会在此交点“错过”。也就是说，可能一个目标先经过该交点，另一个目标后经过该点，两目标并未发生碰撞。若此时A车速快，B的车速稍慢，虽然A和B的偏置预测路径线段有交点，但是两目标并未存在碰撞风险。
为了排除“错过”的情况出现，本发明进一步再计算一次，即当其中一个目标在交点时，计算另一个目标的所在位置。若一个目标经过交点时，而此时另一个目标车身在交点上，则说明存在碰撞风险。如下图8所示，图(8-1)目标B到达交点，而目标A早已经过了交点；图(8-2)目标A到达交点，而目标B还未到交点。通过这两次计算，可知A和B会发生碰撞，且碰撞的形式是B撞A。
进一步地，步骤S300还可以包括：
步骤S340，获取所述交点对应的其他交通参与者的速度和加速度，并根据所述速度和加速度，以及所述交点对应的其他交通参与者的位置与所述交点的距离计算碰撞时间；
步骤S350，根据所述碰撞时间查找预设碰撞时间和碰撞概率表，获得对应的碰撞概率。
判断碰撞方式后(即B撞A)，可以求得碰撞时间T_cls(collision time)，使用ETTC的方法。
如图7，计算目标B从当前位置到碰撞点所需行驶的距离长度，由图可知，该距离L等于“当前目标B轮廓的右前点”到“交点”之间的偏置预测路径线段的长度。显然，当有该曲线段的函数式，使用微积分的函数曲线长度公式不难求得。
现有技术中，计算碰撞发生时间大多使用TTC(Time To Collision)的方法，即碰撞距离除以速度差(主动撞的目标速度减被撞目标速度)。但是TTC未考虑车的加速度，显然准确性不够，因此本发明使用ETTC(Extended Time To Collision)的方法。所谓增强型TTC(ETTC)，即在TTC方法的基础上，考虑车辆的加速度。由牛顿运动学第二定律，碰撞时间T_cls很容易求得。
⑥根据标定表查得碰撞发生概率值。
碰撞时间T_cls，描述了还剩多少时间发生碰撞。显然，当这个时间值越小，说明发生的概率越大。本发明使用统计方法，通过道路采集数据进行统计，获得标定表。最后使用标定表来获得这个概率值。
运动目标与静止物体之间的碰撞预测则如下：
对于体积较大的静止物体(图像宽度大于1米)，方法与所述<一>相同。
如下图9所示，目标B的右前偏置预测路径线段与栅栏有交点，说明目标B有撞上栅栏的可能。因此，通过和所述<一>相同的方法，计算B行驶到交点的时间就是碰撞时间T_cls。碰撞概率的计算使用查表的方式。
对于较小的物体(图像宽度小于等于1米)，使用如下方法。
值得一提的是，运动目标撞静止物体，除了所述使用预测路径线段的方法外，还需要计算如下图10的情况，即当静止物体较小，处在两条预测路径线段中间，此时，并没有交点存在。
因此首先需要筛选出较小物体。然后判断该较小静止物体是否夹在运动目标(目标B)的两条偏置预测路径曲线内。判断方法可用数学上的点在曲线左侧还是右侧的方法判断。即：当较小静止物体不同时在两条偏置预测路径曲线的同一侧，则说明在两条曲线中间。当判断完之后，若在两条曲线内，则计算运动目标行驶到较小静止物体的距离(当较小静止物离运动目标较近时，可把曲线距离近似为直线距离)，再使用ETTC的方法计算碰撞时间T_cls。最后查表，计算概率值。
进一步地，为了避免没必要的误报，比如小剐蹭等小事故导致的误报。事故的实际发生，即某运动目标X撞向被撞物(可能为运动目标，也可能是静止目标)。根据上述步骤，已经确定了碰撞形式(即谁碰谁的问题)。
由于传感器自身测量误差的存在，因此两目标距离较近时，量测噪声对碰撞发生的判断会带来误差。因此本发明除了监控ETTC等于零的条件，还会监控碰撞主体的速度是否发生短时突变。一方面，保证了小剐蹭等小事故没必要的“误报”，另一方面，亦能保证严重事故能够识别出来。
本发明的判断方法原理来自于动量定理，具体方法如下。
当ETTC小于0时，持续监控T_sv(supervision time)秒，若目标的速度数值变化大于A_thred米每平方秒，或者速度方向变化大于Rad_thred弧度每秒。(T_sv，A_thred和Rad_thred均为标定值)。
若所述条件为真，则判断事故发生。记录该事故地点，并把相应目标标未事故主体。为后续算法监控做准备。
另外，若环境传感器使用到了激光雷达，可通过激光雷达的点云数据，判断两物体反射回来的点云数据是否融为一体。若合为一体，亦能判断出两目标发生碰撞。
进一步地，在事故发生后，预测事故主体的运动轨迹。
发生交通事故后，无论事故主体是否失控，若其还在运动，都对本车有潜在危害，特别是在高速公路上。因此，需要预测出事故主体的运动轨迹，为后续提醒驾驶员、帮助驾驶员制动或规避提供决策依据，进一步地，还可以车辆系统根据碰撞的监测结果进行主动制动。
该部分预测事故主体的运动轨迹，把事故前事故主体的历史轨迹点全部删除，而从事故发生时间点开始记录其每个监控周期探测到的位置信息。方法与1)中一样，使用克洛森曲线拟合的方法，预测目标未来1秒内的运动路径线段。也是探测到3个有效位置点后开始拟合。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有事故预测程序，所述事故预测程序被处理器执行时实现如上所述的事故预测方法的步骤。
本发明计算机可读存储介质的具体实施例与所述事故预测方法各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
所述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到所述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种事故预测方法，其特征在于，所述事故预测方法包括以下步骤：
通过环境感知传感器获取车辆行驶道路上的交通参与者信息；
根据所述交通参与者信息利用克洛森曲线进行拟合并延长，获得交通参与者第一预设时间段的预测行驶路径，所述根据所述交通参与者信息利用克洛森曲线进行拟合并延长，获得交通参与者第一预设时间段的预测行驶路径的步骤包括：获取所述交通参与者的预设历史时间内的位置点，根据所述位置点利用克洛森曲线进行拟合，获得所述交通参与者的历史路径；将所述交通参与者的历史路径进行延长，获得所述交通参与者第一预设时间段的预测行驶路径，所述预测行驶路径的预测方法包括：先拟合交通参与者信息的预测路径线段，再对所述预测路径线段做偏置；
根据所述预测路径判断是否发生碰撞，其中，所述根据所述预测路径判断是否发生碰撞的步骤之后，包括：删除碰撞前事故主体的历史轨迹点，根据碰撞发生时间点采集每个监控周期探测到的位置信息，并根据所述克洛森曲线拟合预测的运动路径线段进行主动制动，其中，当碰撞较小静止物体时，通过判断所述较小静止物体是否夹在运动目标的两条偏置预测路径曲线内。
2.如权利要求1所述的事故预测方法，其特征在于，所述交通参与者信息包括交通参与者信息的尺寸信息，所述根据所述预测路径判断是否发生碰撞的步骤包括：
根据所述预测路径、所述交通参与者信息的尺寸信息判断是否存在交叉点，以判断是否发生碰撞。
3.如权利要求1所述的事故预测方法，其特征在于，所述预测路径的条数为多条，所述根据所述预测路径判断是否发生碰撞的步骤包括：
从所述预测路径中选择任意两条，判断是否存在交点，以判断是否发生碰撞。
4.如权利要求3所述的事故预测方法，其特征在于，从所述预测路径中选择任意两条，判断是否存在交点，以判断是否发生碰撞的步骤还包括：
在任一交通参与者到达所述交点时，判断所述交点对应的其他交通参与者的位置；
若所述交点对应的其他交通参与者与所述交点不存在交集，则判定未发生碰撞；
若所述交点对应的其他交通参与者与所述交点存在交集，则根据到达所述交点的先后顺序确定碰撞方式。
5.如权利要求4所述的事故预测方法，其特征在于，根据到达所述交点的先后顺序确定碰撞方式的步骤之后包括：
获取所述交点对应的其他交通参与者的速度和加速度，并根据所述速度和加速度，以及所述交点对应的其他交通参与者的位置与所述交点的距离计算碰撞时间；
根据所述碰撞时间查找预设碰撞时间和碰撞概率表，获得对应的碰撞概率。
6.如权利要求5所述的事故预测方法，其特征在于，获取所述交点对应的其他交通参与者的速度和加速度，并根据所述速度和加速度，以及所述交点对应的其他交通参与者的位置与所述交点的距离计算碰撞时间的步骤之后包括：
当所述碰撞时间小于0时，监控所述交点对应的其他交通参与者在第二预设时间段内的速度变化值或者速度方向变化值；
若速度变化值或者速度方向变化值大于对应的预设标定值，则确定发生碰撞。
7.如权利要求1所述的事故预测方法，其特征在于，通过环境感知传感器获取车辆行驶道路上的交通参与者信息的步骤包括：
通过环境感知传感器获取车辆行驶道路的环境信息；
根据所述预测路径判断是否发生碰撞的步骤之后包括：
根据所述环境信息和所述预测行驶路径判断是否发生碰撞。
8.一种事故预测装置，其特征在于，所述事故预测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的事故预测程序，所述事故预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的事故预测方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有事故预测程序，所述事故预测程序被处理器执行时实现如权利要求1至7中任一项所述的事故预测方法的步骤。
CN202110833699.XA 2021-07-22 2021-07-22 事故预测方法、装置及计算机可读存储介质 Active CN113537606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110833699.XA CN113537606B (zh) 2021-07-22 2021-07-22 事故预测方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110833699.XA CN113537606B (zh) 2021-07-22 2021-07-22 事故预测方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113537606A CN113537606A (zh) 2021-10-22
CN113537606B true CN113537606B (zh) 2023-05-30

Family

ID=78088753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110833699.XA Active CN113537606B (zh) 2021-07-22 2021-07-22 事故预测方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113537606B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114407884B (zh) * 2022-01-19 2024-02-13 上汽通用五菱汽车股份有限公司 自动驾驶优化方法、装置、电子设备及可读存储介质
CN116244664B (zh) * 2023-03-10 2023-10-20 上海机动车检测认证技术研究中心有限公司 一种智能网联汽车自动驾驶事故的责任判定方法、装置、设备及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010048760A1 (de) * 2010-09-17 2011-07-28 Daimler AG, 70327 Verfahren zur Erzeugung eines Straßenmodells
CN109920246A (zh) * 2019-02-22 2019-06-21 重庆邮电大学 一种基于v2x通信与双目视觉的协同局部路径规划方法
JP2020125988A (ja) * 2019-02-05 2020-08-20 アイシン・エィ・ダブリュ株式会社 進入車線推定システム、進入車線推定方法、及び進入車線推定プログラム
CN112550287A (zh) * 2020-12-16 2021-03-26 重庆大学 一种面向结构化道路的驾驶风险评估方法
CN112703539A (zh) * 2018-09-26 2021-04-23 三菱电机株式会社 行驶路径生成装置及车辆控制装置
CN113104041A (zh) * 2021-05-08 2021-07-13 地平线(上海)人工智能技术有限公司 行车轨迹预测方法、装置、电子设备及存储介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4055656B2 (ja) * 2003-05-30 2008-03-05 トヨタ自動車株式会社 衝突予測装置
CN102043885B (zh) * 2010-12-31 2012-12-05 长安大学 一种摩托车与两轮或三轮车碰撞事故模拟再现系统
CN106777473A (zh) * 2016-11-11 2017-05-31 南京林业大学 一种用于汽车碰撞损伤研究的人体头部有限元建模方法
KR101977458B1 (ko) * 2017-03-06 2019-05-10 지엠 글로벌 테크놀러지 오퍼레이션스 엘엘씨 레이더 센서와 upa 센서를 이용하는 충돌 예측 알고리즘
CN108597251A (zh) * 2018-04-02 2018-09-28 昆明理工大学 一种基于车联网的交通路口分布式车辆碰撞预警方法
WO2020010626A1 (zh) * 2018-07-13 2020-01-16 深圳配天智能技术研究院有限公司 机器人的运动控制方法、机器人及机器人运动控制系统
EP3787947A2 (en) * 2018-08-14 2021-03-10 Mobileye Vision Technologies Ltd. Systems and methods for navigating with safe distances
CN109664882B (zh) * 2019-01-08 2020-10-16 广州小鹏汽车科技有限公司 一种避免道路车辆二次碰撞的方法、系统及电子设备
CN111121777A (zh) * 2019-11-26 2020-05-08 北京三快在线科技有限公司 无人驾驶设备轨迹规划方法、装置、电子设备和存储介质
CN111750887B (zh) * 2020-06-11 2023-11-21 上海交通大学 降低事故严重程度的无人驾驶车辆轨迹规划方法及系统
CN112712733B (zh) * 2020-12-23 2022-01-11 交通运输部公路科学研究所 基于车路协同的碰撞预警方法、系统和路侧单元

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010048760A1 (de) * 2010-09-17 2011-07-28 Daimler AG, 70327 Verfahren zur Erzeugung eines Straßenmodells
CN112703539A (zh) * 2018-09-26 2021-04-23 三菱电机株式会社 行驶路径生成装置及车辆控制装置
JP2020125988A (ja) * 2019-02-05 2020-08-20 アイシン・エィ・ダブリュ株式会社 進入車線推定システム、進入車線推定方法、及び進入車線推定プログラム
CN109920246A (zh) * 2019-02-22 2019-06-21 重庆邮电大学 一种基于v2x通信与双目视觉的协同局部路径规划方法
CN112550287A (zh) * 2020-12-16 2021-03-26 重庆大学 一种面向结构化道路的驾驶风险评估方法
CN113104041A (zh) * 2021-05-08 2021-07-13 地平线(上海)人工智能技术有限公司 行车轨迹预测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113537606A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
KR102072188B1 (ko) 취약한 도로 사용자와 충돌을 회피하기 위한 방법, 제어 유닛 및 시스템
US9983306B2 (en) System and method for providing target threat assessment in a collision avoidance system on a vehicle
US9524643B2 (en) Orientation sensitive traffic collision warning system
US9805278B2 (en) Driving support apparatus, driving support method, and computer-readable recording medium storing driving support program
JP5410730B2 (ja) 自動車の外界認識装置
US8594919B2 (en) On-vehicle road configuration identifying device
CN113537606B (zh) 事故预测方法、装置及计算机可读存储介质
JP4396597B2 (ja) 危険反応地点記録システム及び運転支援システム
US11120279B2 (en) Identification of distracted pedestrians
CN109572693A (zh) 车辆避障辅助方法、系统及车辆
JP5535816B2 (ja) 移動物予測装置及びプログラム
WO2014140107A1 (en) Method and system to assess abnormal driving behaviour of vehicles travelling on road
US20180373265A1 (en) Self-Position Estimation Device and Self-Position Estimation Method
JP5691237B2 (ja) 運転支援装置
CN113140132B (zh) 一种基于5g v2x移动智能终端行人防碰撞预警系统与方法
US20200223450A1 (en) Autonomous driving system
CN107408338A (zh) 驾驶员辅助系统
CN112389392B (zh) 车辆主动制动方法、装置、设备及存储介质
US11107302B2 (en) Methods and systems for emergency event management
US20190180623A1 (en) Collision prediction method and device
JP4116643B2 (ja) 車両周囲の少なくとも１つの物体を分類する装置
CN112249007A (zh) 一种车辆危险报警方法及相关设备
CN113815620A (zh) 一种车辆安全行驶的评估方法、装置、设备及存储介质
KR102084946B1 (ko) 차량의 이동 경로에 위치한 객체의 통과 높이에 따른 경보 알림 생성 장치 및 방법
JP2015170249A (ja) 安全確認判定装置、及び運転支援装置

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