CN113705013B - 一种基于跟驰场景驾驶行为的交通信息可信辨识方法 - Google Patents
一种基于跟驰场景驾驶行为的交通信息可信辨识方法 Download PDFInfo
- Publication number
- CN113705013B CN113705013B CN202111023564.3A CN202111023564A CN113705013B CN 113705013 B CN113705013 B CN 113705013B CN 202111023564 A CN202111023564 A CN 202111023564A CN 113705013 B CN113705013 B CN 113705013B
- Authority
- CN
- China
- Prior art keywords
- following
- sequence
- vehicle
- credible
- calculating
- 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 36
- 230000006399 behavior Effects 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims description 34
- 230000001133 acceleration Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 230000003068 static effect Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种基于跟驰场景驾驶行为的交通信息可信辨识方法,引入了驾驶员驾驶行为特征进行可信辨识,建立了一种基于跟驰场景典型驾驶行为的可信辨识模型,分析了跟驰场景中后车会存在的典型驾驶现象,包括速度滞后和非对称驾驶,应用时通过检测跟驰场景是否出现这样的驾驶行为,给出可信概率数值,以判断交互信息是否合法,通过本发明所公开辨识方法可以有效检测车辆通信数据的异常情况,包括车辆传感器数据错误或黑客攻击篡改通信数据等情况,提高了车路协同环境下智能交通系统的安全性与可靠性。
Description
技术领域
本发明涉及车路协同、信息交互、行为特征识别等技术领域,尤其涉及一种基于跟驰场景驾驶行为的交通信息可信辨识方法。
背景技术
车路协同系统及技术是新一代智能交通系统的发展趋势,基于车-车、车-路的实时交互,可以实现更加高效、安全的交通组织与管理效益。如何确保交通信息交互的安全可靠,对于车路协同系统的应用具有重要意义。但是,对于当前车路协同系统的应用环境而言,其对于交通信息的可靠性需求,不能只考虑传统通信层面的可靠性和安全性,还需要结合交通业务特征来甄别交互信息的可信程度。
目前,在跟驰场景下的可信辨识技术领域,多对跟驰场景进行运动状态角度的分析,即通过列写跟驰对跟驰场景的后车加速度进行估计,辨识方法较为简单,且只根据一个时刻的相关数据进行分析,准确度不足,受驾驶员主观影响大。
发明内容
本发明的目的是提供一种基于跟驰场景驾驶行为的交通信息可信辨识方法,能够有效检测车辆通信数据的异常情况,包括车辆传感器数据错误或黑客攻击篡改通信数据等情况,提高了车路协同环境下智能交通系统的安全性与可靠性。
本发明采用的技术方案为:
一种基于跟驰场景驾驶行为的交通信息可信辨识方法,包括以下步骤
S1、选定前后两车在跟驰场景下辨识交通信息可信度所依据的驾驶行为特征并采集对应跟驰数据;驾驶行为特征包括速度滞后、非对称驾驶和跟车模式;
S2、基于驾驶行为特征计算所得跟驰数据的可信概率值P;
跟驰场景为速度滞后时,跟驰数据为动态数据且包括前后两车在相同时间段内的速度序列,根据跟驰数据计算后车的速度滞后时间并基于所得速度滞后时间计算可信概率值P;
跟驰场景为非对称驾驶时,跟驰数据为动态数据且包括前车位置序列、后车加速度序列、后车速度序列、后车位置序列和车间距序列,根据跟驰数据计算后车的不对称度ASYM并基于所得不对称度ASYM计算可信概率值P;
跟驰场景为跟车模式时,跟驰数据包括跟驰动态数据和跟驰静态数据,跟驰动态数据包括前车位置序列、后车速度序列、后车位置序列和车间距序列,跟驰静态数据包括特征参数πk、μk和∑k,πk为GMM模型第k个成分的混合系数,μk为GMM模型第k个成分的平均值,∑k为GMM第k个成分的协方差矩阵,k∈[1,K],K为GMM包含的高斯模型数量;跟驰静态数据的获取过程具体为:
a:获取车辆作为后车在跟驰场景下的历史速度序列[v1,...,vL′]和历史车间距序列[s1,...,sL′];
b:将历史速度序列[v1,...,vL′]和历史车间距序列[s1,...,sL′]构成一个二元组x1,二元组表达公式如下:
x1=(v1,s1)T,...,x′L=(vL′,sL′)T; (1)
c:对二元组x1进行二元GMM模型拟合,计算特征参数πk、μk和∑k,k表示GMM包含的高斯模型数量;GMM公式为:
S3、将可信概率值P与对应驾驶行为特征所设阈值进行比较,判定获取的驾驶数据是否可信。
进一步地,所述对二元组x1进行二元GMM模型拟合采用EM算法进行拟合,拟合过程具体为:
设置πk、∑k、μk的初始值;
E步:引入隐变量γn,k表示样本xn来源于第k个高斯模型的后验概率,计算后验概率;隐变量γn,k的表达公式如下:
M步:根据E步中计算的隐变量γn,k计算新的πk、∑k、μk;计算公式如下:
判断ln L(π,μ,∑)是否收敛,是则算法结束,否则重复E步和M步。
进一步地,所述高斯模型数量K为2。
进一步地,所述跟驰场景为速度滞后时,跟驰动态数据的可信概率值P计算过程具体为:
211:确定序列时长T1、采样频率f1,计算序列长度L1=T1f1;
212:获取前车速度序列[vl1,vl2,...,vlk,...,vlL]和后车速度序列[vf1,vf2,...,vfk,...,vfL];
213:计算循环互相关序列;计算公式如下:
计算速度滞后时间:计算公式如下:
tdelay=argmaxk(Cor[k])·Δt; (8)
214:计算可信概率值P;计算公式如下:
进一步地,所述跟驰场景为非对称驾驶时,跟驰动态数据的可信概率值P计算过程具体为:
221:确定序列时长T2、采样频率f2,计算序列长度L2=T2f2;
222:获取后车速度序列[v1,...,vL]和后车加速度序列[a1,...,aL];
223:获取前后两车车间距序列[s1,...,sL];车间距序列根据前后车位置序列计算获得或采用外部设备采集获得;
224:计算以车间距序列[s1,...,sL]为自变量、以后车速度序列[v1,...,vL]为因变量的回归线,回归线上的速度值为[v′1,...,v′L];
225:将回归线上同时满足vk<v′k和ak>0的点的个数记为acc0,同时满足vk>v′k和ak>0的点的个数记为acc1,同时满足vk>v′k和ak<0的点的个数记为dec0,同时满足vk<v′k和ak<0的点的个数记为dec1;acc0和dec0表示符合非对称倾向的加速点和减速点的数量,acc1和dec1则表示不符合非对称倾向的加速点和减速点的数量;
226:计算对称度ASYM;计算公式如下:
227:计算可信概率值P;计算公式如下:
进一步地,所述跟驰场景为跟车模式时,跟驰动态数据的可信概率值P计算过程具体为:
231:确定序列时长T3、采样频率f3,计算序列长度L3=T3f3;
232:获取后车速度序列[v1,...,vL];
233:获取前后两车车间距序列[s1,...,sL];车间距序列根据前后车位置序列计算获得或采用外部设备采集获得;
234:将实时获取的后车速度序列[v1,...,vL]和车间距序列[s1,...,sL]构成一个二元组xt;二元组表达公式如下:
xt=(vt,st)T,t∈[1,L]; (12)
235:判断二元组xt的分布是否符合特征参数πk、μk和∑k构成的GMM,计算可信概率值P;计算公式如下:
本发明具有以下有益效果:
利用速度滞后、非对称驾驶和跟车模式这几种典型驾驶现象下的跟驰数据计算所获交互信息的可信概率数值,进而判断交互信息是否合法,辨识方法快速有效,辨识结果准确可靠,有效检测车辆通信数据的异常情况,包括车辆传感器数据错误或黑客攻击篡改通信数据等情况,提高了车路协同环境下智能交通系统的安全性与可靠性;同时,通过跟驰过程中是否存在典型驾驶行为,以及跟车模式是否符合驾驶员历史数据所体现出的特征来进行判断,使用了跟驰场景的过程数据,比单点判断效果更好,辨识结果更为准确。
附图说明
图1为本发明的流程图;
图2为实施例一中跟驰两车的速度曲线图;
图3为实施例一中两车速度循环互相关曲线图;
图4为实施例二中回归线与速度点的关系图;
图5为实施例三中二元组的拟合结果示意图。
具体实施方式
如图1所示,本发明包括以下步骤:
S1、选定前后两车在跟驰场景下辨识交通信息可信度所依据的驾驶行为特征并采集对应跟驰数据;驾驶行为特征包括速度滞后、非对称驾驶和跟车模式;
S2、基于驾驶行为特征计算所得跟驰数据的可信概率值P;
跟驰场景为速度滞后时,跟驰数据为动态数据且包括前后两车在相同时间段内的速度序列,根据跟驰数据计算后车的速度滞后时间并基于所得速度滞后时间计算可信概率值P;
跟驰场景为非对称驾驶时,跟驰数据为动态数据且包括前车位置序列、后车加速度序列、后车速度序列、后车位置序列和车间距序列,根据跟驰数据计算后车的不对称度ASYM并基于所得不对称度ASYM计算可信概率值P;
跟驰场景为跟车模式时,跟驰数据包括跟驰动态数据和跟驰静态数据,跟驰动态数据包括前车位置序列、后车速度序列、后车位置序列和车间距序列,跟驰静态数据包括特征参数πk、μk和∑k,πk为GMM模型第k个成分的混合系数,μk为GMM模型第k个成分的平均值,∑k为GMM第k个成分的协方差矩阵,k∈[1,K],K为GMM包含的高斯模型数量;跟驰静态数据的获取过程具体为:
a:获取车辆作为后车在跟驰场景下的历史速度序列[v1,...,vL′]和历史车间距序列[s1,...,sL′];
b:将历史速度序列[v1,...,vL′]和历史车间距序列[s1,...,sL′]构成一个二元组x1,二元组表达公式如下:
x1=(v1,s1)T,...,x′L=(vL′,sL′)T; (1)
c:对二元组x1进行二元GMM模型拟合,计算特征参数πk、μk和∑k,k表示GMM包含的高斯模型数量;GMM公式为:
S3、将可信概率值P与对应驾驶行为特征所设阈值进行比较,判定获取的驾驶数据是否可信。
为了更好地理解本发明,下面结合附图对本发明的技术方案做进一步说明。
实施例一:
在跟驰场景下,前车会时常做出加速减速的操作,后车为了保持舒适安全的跟车环境,需要对前车的加减速做出相应的反应。例如,前车加速,后车往往也会加速以保持跟车距离不会持续增加。然而在实际操作中,后车对前车操作的响应必然存在一定时间的滞后,如图2所示。因此,可以将后车跟驰时的速度滞后时间作为辨识方法所依据的驾驶行为特征。下面进行详细介绍。
首先,确定序列时长T1、采样频率f1,计算序列长度L1=T1f1,T1取值为20s~60s。
然后,获取前车和后车的OBU动态数据,前车OBU动态数据包括序列时长T1内的速度序列[vl1,vl2,...,vlk,...,vlL],后车OBU动态数据包括与前车相同序列时长T1内的后车速度序列[vf1,vf2,...,vfk,...,vfL],两车速度曲线如图2所示。
计算两车速度的循环互相关序列,如图3所示;计算公式如下:
公式(7)中,vl[i]表示序列[vl1,vl2,...,vlk,...,vlL]第i个元素,vf[(i+k)%L]表示序列[vf1,vf2,...,vfk,...,vfL]第(i+k)%L个元素,%表示求余;
计算速度滞后时间tdelay;计算公式如下:
tdelay=argmaxk(Cor[k])·Δt; (8)
根据滞后时间即可计算交通数据的可信概率值P,若滞后时间在预设时间范围内,则可信度较高,距离此区间越远可信度越低。通过使用NGSIMS数据进行计算,442组有效数据中,82.2%的速度滞后时间都在0.5s至3s之内,而1s至2s可信度位于该区间的中部,即1s至2s内的可信度较高。因此,本实施例优选将预设时间范围设定为1s至2s,用以作为可信度判断条件。
具体计算公式如下:
将计算所得可信概率值P与预设的阈值α1比较,若P>α1,则所得跟驰动态数据可信,反之则不可信。阈值α1根据应用时可信辨识系统对安全程度的要求进行设定,本实施例中α1=0.5。
实施例二:
非对称驾驶是指驾驶员在进行加速和减速的操作时存在着不对称的特点,例如减速过程往往比加速过程更为急促。在走走停停的跟驰场景中,车辆需要进行频繁的加速和减速,更容易观察到非对称驾驶现象的存在,非对称性的存在会导致滞回线现象的出现。在跟驰场景中,后车习惯于在自车车速慢、车间距大的情况下进行加速,反之,在自车车速快、车间距小的情况下倾向于减速。因此,可以将非对称驾驶现象作为辨识方法所依据的驾驶行为特征。下面进行详细介绍。
首先,确定序列时长T2和采样频率f2,计算序列长度L2=T2f2;T2取值为20s~60s。
然后,获取前车和后车的OBU动态数据;前车的OBU动态数据包括前车位置序列,前车位置序列由路侧设备判断或前车判断自车获取;后车的OBU动态数据包括后车速度序列[v1,...,vL]、后车加速度序列[a1,...,aL]和后车位置序列,后车速度序列和后车位置序列由路侧判断后车、前车判断后车或后车判断自车的方式获取。
然后,获取前后两车车间距序列[s1,...,sL];车间距序列根据前后车位置序列计算获得或采用雷达等传感器测量采集获得。
计算以车间距序列[s1,...,sL]为自变量、以后车速度序列[v1,...,vL]为因变量的回归线,回归线为图4中所示直线,回归线上的速度值为[v′1,...,v′L];v′k(k∈[1,L])为点vk与回归线交点的速度值。
将回归线上同时满足vk<v′k和ak>0的点的个数记为acc0,同时满足vk>v′k和ak>0的点的个数记为acc1,同时满足vk>v′k和ak<0的点的个数记为dec0,同时满足vk<v′k和ak<0的点的个数记为dec1;acc0和dec0表示符合非对称倾向的加速点和减速点的数量,acc1和dec1则表示不符合非对称倾向的加速点和减速点的数量;
根据标记的点数计算对称度ASYM;计算公式如下:
如果ASYM大于1,则可信度较高。具体计算公式如下:
将计算所得可信概率值P与预设的阈值α2比较,若P>α2,则所得跟驰动态数据可信,反之则不可信。阈值α2根据应用时可信辨识系统对安全程度的要求进行设定,本实施例中α2=0.5。
实施例三:
不同驾驶员在跟车过程中习惯不同,有些驾驶员习惯于根据前车的位置调整自己的速度,有些驾驶员习惯于保持自己的车速稳定,而不注意根据车间距进行调整,还有些驾驶员习惯调整自车速度以保持车间距恒定。因此,可以通过驾驶员对速度和跟车间距的控制提取出其跟车模式作为辨识方法所依据的驾驶行为特征。下面进行详细介绍。
首先,确定序列时长T3、采样频率f3,计算序列长度L3=T3f3;T3取值为20s~60s。
然后,获取跟驰动态数据和跟驰静态数据。
跟驰动态数据包括前车位置序列、后车速度序列、后车位置序列和车间距序列,前车位置序列由路侧设备判断或前车判断自车获取,后车速度序列和后车位置序列由路侧判断后车、前车判断后车或后车判断自车的方式获取,车间距序列根据前后车位置序列计算获得或采用雷达等传感器测量采集获得。
跟驰静态数据包括特征参数πk、μk和∑k,πk为GMM模型第k个成分的混合系数,μk为GMM模型第k个成分的平均值,∑k为GMM第k个成分的协方差矩阵,k∈[1,K],K为GMM包含的高斯模型数量。
特征参数πk、μk和∑k获取的具体过程为:
a:获取车辆作为后车在跟驰场景下的历史速度序列[v1,...,vL′]和历史车间距序列[s1,...,sL′];
b:将历史速度序列[v1,...,vL′]和历史车间距序列[s1,...,sL′]构成一个二元组x1,二元组表达公式如下:
x1=(v1,s1)T,...,x′L=(vL′,sL′)T; (1)
c:对二元组x1进行二元GMM模型拟合,计算特征参数πk、μk和∑k,k=1,2,表示GMM包含两个高斯模型;GMM公式为:
本实施例中采用EM算法进行拟合,EM算法的两个步骤:E-step(期望步,Expectation-step)和M-step(最大化步,Maximization-step)。
首先设置πk、∑k、μk的初始值。
E步:引入隐变量γn,k表示样本xn来源于第k个高斯模型的后验概率,计算后验概率;隐变量γn,k的表达公式如下:
公式(3)中,N(xn|μk,∑k)表示第GMM中第k个分量在样本xn下的概率,K表示GMM含有模型的个数;
M步:根据E步中计算的隐变量γt,k计算新的πk、∑k、μk;计算公式如下:
N表示样本的个数;
判断ln L(π,μ,∑)是否收敛,是则算法结束,否则重复E步和M步。
拟合结果如图5所示,表示车间距和后车车速关系的点的分布被GMM所描述。
将实时获取的后车速度序列[v1,...,vL]和车间距序列[s1,...,sL]构成一个二元组xt;二元组表达公式如下:
xt=(vt,st)T,t∈[1,L]; (12)
若跟车距离和后车速度xt=(vt,st)T,t∈[1,L]的分布较为符合特征参数构成的GMM,则可信度高,具体计算公式如下:
将计算所得可信概率值P与预设的阈值α3比较,若P>α3,则所得跟驰动态数据可信,反之则不可信。阈值α3根据应用时可信辨识系统对安全程度的要求进行设定,本实施例中α3=0.5。
本专利针对车路协同环境下车辆交互信息可信辨识的问题,引入了驾驶员驾驶行为特征进行可信辨识,建立了一种基于跟驰场景典型驾驶行为的可信辨识模型,分析了跟驰场景中后车会存在的典型驾驶现象,包括速度滞后和非对称驾驶,应用时通过检测跟驰场景是否出现这样的驾驶行为,给出可信概率数值,以判断交互信息是否合法,通过本发明所公开辨识方法可以有效检测车辆通信数据的异常情况,包括车辆传感器数据错误或黑客攻击篡改通信数据等情况,提高了车路协同环境下智能交通系统的安全性与可靠性。
Claims (6)
1.一种基于跟驰场景驾驶行为的交通信息可信辨识方法,其特征在于:包括以下步骤
S1、选定前后两车在跟驰场景下辨识交通信息可信度所依据的驾驶行为特征并采集对应跟驰数据;驾驶行为特征包括速度滞后、非对称驾驶和跟车模式;
S2、基于驾驶行为特征计算所得跟驰数据的可信概率值P;
跟驰场景为速度滞后时,跟驰数据为动态数据且包括前后两车在相同时间段内的速度序列,根据跟驰数据计算后车的速度滞后时间并基于所得速度滞后时间计算可信概率值P;
跟驰场景为非对称驾驶时,跟驰数据为动态数据且包括前车位置序列、后车加速度序列、后车速度序列、后车位置序列和车间距序列,根据跟驰数据计算后车的不对称度ASYM并基于所得不对称度ASYM计算可信概率值P;
跟驰场景为跟车模式时,跟驰数据包括跟驰动态数据和跟驰静态数据,跟驰动态数据包括前车位置序列、后车速度序列、后车位置序列和车间距序列,跟驰静态数据包括特征参数πk、μk和∑k,πk为GMM模型第k个成分的混合系数,μk为GMM模型第k个成分的平均值,∑k为GMM第k个成分的协方差矩阵,k∈[1,K],K为GMM包含的高斯模型数量;跟驰静态数据的获取过程具体为:
a:获取车辆作为后车在跟驰场景下的历史速度序列[v1,...,vL′]和历史车间距序列[s1,...,sL′];
b:将历史速度序列[v1,...,vL′]和历史车间距序列[s1,...,sL′]构成一个二元组x1,二元组表达公式如下:
x1=(v1,s1)T,...,x′L=(vL′,sL′)T; (1)
c:对二元组x1进行二元GMM模型拟合,计算特征参数πk、μk和∑k,k表示GMM包含的高斯模型数量;GMM公式为:
S3、将可信概率值P与对应驾驶行为特征所设阈值进行比较,判定获取的驾驶数据是否可信。
3.根据权利要求1或2所述的基于跟驰场景驾驶行为的交通信息可信辨识方法,其特征在于:所述高斯模型数量K为2。
5.根据权利要求1所述的基于跟驰场景驾驶行为的交通信息可信辨识方法,其特征在于:所述跟驰场景为非对称驾驶时,跟驰动态数据的可信概率值P计算过程具体为:
221:确定序列时长T2、采样频率f2,计算序列长度L2=T2f2;
222:获取后车速度序列[v1,...,vL]和后车加速度序列[a1,...,aL];
223:获取前后两车车间距序列[s1,...,sL];车间距序列根据前后车位置序列计算获得或采用外部设备采集获得;
224:计算以车间距序列[s1,...,sL]为自变量、以后车速度序列[v1,...,vL]为因变量的回归线,回归线上的速度值为[v′1,...,v′L];
225:将回归线上同时满足vk<v′k和ak>0的点的个数记为acc0,同时满足vk>v′k和ak>0的点的个数记为acc1,同时满足vk>v′k和ak<0的点的个数记为dec0,同时满足vk<v′k和ak<0的点的个数记为dec1;acc0和dec0表示符合非对称倾向的加速点和减速点的数量,acc1和dec1则表示不符合非对称倾向的加速点和减速点的数量;
226:计算对称度ASYM;计算公式如下:
227:计算可信概率值P;计算公式如下:
6.根据权利要求1所述的基于跟驰场景驾驶行为的交通信息可信辨识方法,其特征在于:所述跟驰场景为跟车模式时,跟驰动态数据的可信概率值P计算过程具体为:
231:确定序列时长T3、采样频率f3,计算序列长度L3=T3f3;
232:获取后车速度序列[v1,...,vL];
233:获取前后两车车间距序列[s1,...,sL];车间距序列根据前后车位置序列计算获得或采用外部设备采集获得;
234:将实时获取的后车速度序列[v1,...,vL]和车间距序列[s1,...,sL]构成一个二元组xt;
二元组表达公式如下:
xt=(vt,st)T,t∈[1,L]; (12)
235:判断二元组xt的分布是否符合特征参数πk、μk和∑k构成的GMM,计算可信概率值P;
计算公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111023564.3A CN113705013B (zh) | 2021-09-01 | 2021-09-01 | 一种基于跟驰场景驾驶行为的交通信息可信辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111023564.3A CN113705013B (zh) | 2021-09-01 | 2021-09-01 | 一种基于跟驰场景驾驶行为的交通信息可信辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705013A CN113705013A (zh) | 2021-11-26 |
CN113705013B true CN113705013B (zh) | 2022-08-23 |
Family
ID=78657142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111023564.3A Active CN113705013B (zh) | 2021-09-01 | 2021-09-01 | 一种基于跟驰场景驾驶行为的交通信息可信辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705013B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270841A (zh) * | 2020-10-23 | 2021-01-26 | 清华大学 | 车路协同环境下基于多车运动特征的信息可信辨识方法 |
CN112580149A (zh) * | 2020-12-22 | 2021-03-30 | 浙江工业大学 | 基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法 |
-
2021
- 2021-09-01 CN CN202111023564.3A patent/CN113705013B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270841A (zh) * | 2020-10-23 | 2021-01-26 | 清华大学 | 车路协同环境下基于多车运动特征的信息可信辨识方法 |
CN112580149A (zh) * | 2020-12-22 | 2021-03-30 | 浙江工业大学 | 基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法 |
Non-Patent Citations (2)
Title |
---|
考虑驾驶员的多信息处理和多通道判断能力时车辆跟驰模型的改进;张伟等;《交通运输系统工程与信息》;20040325;第4卷(第01期);104-108 * |
跟驰过程中驾驶员认知结构模型的建立;贾洪飞等;《公路交通科技》;20051115;第22卷(第11期);130-132 * |
Also Published As
Publication number | Publication date |
---|---|
CN113705013A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiong et al. | A forward collision avoidance algorithm based on driver braking behavior | |
CN103221665B (zh) | 驾驶支持系统和驾驶支持管理设备 | |
CN110040134B (zh) | 考虑环境因素的车辆碰撞时间计算方法 | |
JP2009175929A (ja) | ドライバ状態推定装置及びプログラム | |
Fox et al. | Crowdsourcing undersampled vehicular sensor data for pothole detection | |
CN111666859A (zh) | 一种危险驾驶行为识别方法 | |
Papazikou et al. | Detecting deviation from normal driving using SHRP2 NDS data | |
CN113460066B (zh) | 一种检测自动驾驶车辆队列中车辆数据传输准确性的方法 | |
CN110033617A (zh) | 一种面向自然驾驶数据的跟驰状态评估系统及方法 | |
CN113705013B (zh) | 一种基于跟驰场景驾驶行为的交通信息可信辨识方法 | |
JP2009145951A (ja) | ドライバ状態推定装置及びプログラム | |
CN110758393A (zh) | 车辆行驶控制方法及装置 | |
JP2012128739A (ja) | 衝突危険判定装置及びプログラム | |
CN108268678A (zh) | 驾驶行为分析方法、装置及系统 | |
CN115049996B (zh) | 基于证据推理规则的双传感器目标检测融合方法和系统 | |
CN113723529B (zh) | 一种基于速度预测算法的交通信息可信辨识方法 | |
CN113722677B (zh) | 一种基于车辆驾驶统计数据的交通信息可信辨识方法 | |
Zhong et al. | Evaluating the Efficacy of Real-Time Connected Vehicle Basic Safety Messages in Mitigating Aberrant Driving Behaviour and Risk of Vehicle Crashes: Preliminary Insights from Highway Scenarios | |
CN117392877A (zh) | 一种车辆碰撞概率检测方法、系统、存储介质及车辆 | |
CN117719524B (zh) | 一种驾驶安全风险识别预警方法、装置、终端及存储介质 | |
Zhang et al. | Static targets recognition and tracking based on millimeter wave radar | |
CN113704682B (zh) | 一种基于驾驶操控数据分析的交通信息可信辨识方法 | |
Xu et al. | Modeling Commercial Vehicle Drivers’ Acceptance of Forward Collision Warning System | |
Das | Autonomous Vehicles' Safety and Mobility Operating under Mixed Traffic Conditions. | |
CN112810631B (zh) | 可运动物体的运动轨迹的预测方法、计算机设备及车辆 |
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 |