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

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

一种基于跟驰场景驾驶行为的交通信息可信辨识方法

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π_k、μ_k和∑_k，π_k为GMM模型第k个成分的混合系数，μ_k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，...，v_L′]和历史车间距序列[s₁，...，s_L′]；

b：将历史速度序列[v₁，...，v_L′]和历史车间距序列[s₁，...，s_L′]构成一个二元组x₁，二元组表达公式如下：

x₁＝(v₁，s₁)^T，...，x′_L＝(v_L′，s_L′)^T； (1)

c：对二元组x₁进行二元GMM模型拟合，计算特征参数π_k、μ_k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π_k、∑_k、μ_k的初始值；

E步：引入隐变量γ_n，k表示样本x_n来源于第k个高斯模型的后验概率，计算后验概率；隐变量γ_n，k的表达公式如下：

M步：根据E步中计算的隐变量γ_n，k计算新的π_k、∑_k、μ_k；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[v_l1，v_l2，...，v_lk，...，v_lL]和后车速度序列[v_f1，v_f2，...，v_fk，...，v_fL]；

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：

t_delay＝argmax_k(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，...，v_L]和后车加速度序列[a₁，...，a_L]；

223：获取前后两车车间距序列[s₁，...，s_L]；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，...，s_L]为自变量、以后车速度序列[v₁，...，v_L]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v_k＜v′_k和a_k＞0的点的个数记为acc₀，同时满足v_k＞v′_k和a_k＞0的点的个数记为acc₁，同时满足v_k＞v′_k和a_k＜0的点的个数记为dec₀，同时满足v_k＜v′_k和a_k＜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，...，v_L]；

233：获取前后两车车间距序列[s₁，...，s_L]；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，...，v_L]和车间距序列[s₁，...，s_L]构成一个二元组x_t；二元组表达公式如下：

x_t＝(v_t，s_t)^T，t∈[1，L]； (12)

235：判断二元组x_t的分布是否符合特征参数π_k、μ_k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π_k、μ_k和∑_k，π_k为GMM模型第k个成分的混合系数，μ_k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，...，v_L′]和历史车间距序列[s₁，...，s_L′]；

b：将历史速度序列[v₁，...，v_L′]和历史车间距序列[s₁，...，s_L′]构成一个二元组x₁，二元组表达公式如下：

x₁＝(v₁，s₁)^T，...，x′_L＝(v_L′，s_L′)^T； (1)

c：对二元组x₁进行二元GMM模型拟合，计算特征参数π_k、μ_k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[v_l1，v_l2，...，v_lk，...，v_lL]，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[v_f1，v_f2，...，v_fk，...，v_fL]，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，v_l[i]表示序列[v_l1，v_l2，...，v_lk，...，v_lL]第i个元素，v_f[(i+k)％L]表示序列[v_f1，v_f2，...，v_fk，...，v_fL]第(i+k)％L个元素，％表示求余；

计算速度滞后时间t_delay；计算公式如下：

t_delay＝argmax_k(Cor[k])·Δt； (8)

公式(8)中，

表示两个采样点之间的时间间隔；如图3所示，图中极值1.8s即为速度滞后时间。

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，...，v_L]、后车加速度序列[a₁，...，a_L]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，...，s_L]；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，...，s_L]为自变量、以后车速度序列[v₁，...，v_L]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v_k与回归线交点的速度值。

将回归线上同时满足v_k＜v′_k和a_k＞0的点的个数记为acc₀，同时满足v_k＞v′_k和a_k＞0的点的个数记为acc₁，同时满足v_k＞v′_k和a_k＜0的点的个数记为dec₀，同时满足v_k＜v′_k和a_k＜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π_k、μ_k和∑_k，π_k为GMM模型第k个成分的混合系数，μ_k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π_k、μ_k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，...，v_L′]和历史车间距序列[s₁，...，s_L′]；

b：将历史速度序列[v₁，...，v_L′]和历史车间距序列[s₁，...，s_L′]构成一个二元组x₁，二元组表达公式如下：

x₁＝(v₁，s₁)^T，...，x′_L＝(v_L′，s_L′)^T； (1)

c：对二元组x₁进行二元GMM模型拟合，计算特征参数π_k、μ_k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π_k、∑_k、μ_k的初始值。

E步：引入隐变量γ_n，k表示样本x_n来源于第k个高斯模型的后验概率，计算后验概率；隐变量γ_n，k的表达公式如下：

公式(3)中，N(x_n|μ_k，∑_k)表示第GMM中第k个分量在样本x_n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γ_t，k计算新的π_k、∑_k、μ_k；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，...，v_L]和车间距序列[s₁，...，s_L]构成一个二元组x_t；二元组表达公式如下：

x_t＝(v_t，s_t)^T，t∈[1，L]； (12)

若跟车距离和后车速度x_t＝(v_t，s_t)^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π_k、μ_k和∑_k，π_k为GMM模型第k个成分的混合系数，μ_k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，...，v_L′]和历史车间距序列[s₁，...，s_L′]；

b：将历史速度序列[v₁，...，v_L′]和历史车间距序列[s₁，...，s_L′]构成一个二元组x₁，二元组表达公式如下：

x₁＝(v₁，s₁)^T，...，x′_L＝(v_L′，s_L′)^T； (1)

c：对二元组x₁进行二元GMM模型拟合，计算特征参数π_k、μ_k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。

2.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π_k、∑_k、μ_k的初始值；

E步：引入隐变量γ_n，k表示样本x_n来源于第k个高斯模型的后验概率，计算后验概率；隐变量γ_n，k的表达公式如下：

M步：根据E步中计算的隐变量γ_n，k计算新的π_k、∑_k、μ_k；计算公式如下：

判断lnL(π，μ，∑)是否收敛，是则算法结束，否则重复E步和M步。

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。

4.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[v_l1，v_l2，...，v_lk，...，v_lL]和后车速度序列[v_f1，v_f2，...，v_fk，...，v_fL]；

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：

t_delay＝argmax_k(Cor[k])·Δt； (8)

214：计算可信概率值P；计算公式如下：

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，...，v_L]和后车加速度序列[a₁，...，a_L]；

223：获取前后两车车间距序列[s₁，...，s_L]；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，...，s_L]为自变量、以后车速度序列[v₁，...，v_L]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v_k＜v′_k和a_k＞0的点的个数记为acc₀，同时满足v_k＞v′_k和a_k＞0的点的个数记为acc₁，同时满足v_k＞v′_k和a_k＜0的点的个数记为dec₀，同时满足v_k＜v′_k和a_k＜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，...，v_L]；

233：获取前后两车车间距序列[s₁，...，s_L]；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，...，v_L]和车间距序列[s₁，...，s_L]构成一个二元组x_t；

二元组表达公式如下：

x_t＝(v_t，s_t)^T，t∈[1，L]； (12)

235：判断二元组x_t的分布是否符合特征参数π_k、μ_k和∑_k构成的GMM，计算可信概率值P；

计算公式如下：

Images