CN114005279A - 车端交通流预测方法、装置、存储介质和车辆 - Google Patents

车端交通流预测方法、装置、存储介质和车辆 Download PDF

Info

Publication number
CN114005279A
CN114005279A CN202111334849.9A CN202111334849A CN114005279A CN 114005279 A CN114005279 A CN 114005279A CN 202111334849 A CN202111334849 A CN 202111334849A CN 114005279 A CN114005279 A CN 114005279A
Authority
CN
China
Prior art keywords
vehicle
following state
target
target vehicle
state judgment
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
CN202111334849.9A
Other languages
English (en)
Inventor
周航
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.)
Weilai Automobile Technology Anhui Co Ltd
Original Assignee
Weilai Automobile Technology Anhui 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 Weilai Automobile Technology Anhui Co Ltd filed Critical Weilai Automobile Technology Anhui Co Ltd
Priority to CN202111334849.9A priority Critical patent/CN114005279A/zh
Publication of CN114005279A publication Critical patent/CN114005279A/zh
Priority to EP22206769.6A priority patent/EP4181101A1/en
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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • 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
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于智能驾驶领域，具体提供一种车端交通流预测方法、装置、存储介质和车辆，旨在解决如何通过车端的传感器获取目标车道的车辆信息，并准确预测车道级交通流的问题。为此目的，本发明的方法包括：选取目标车辆和参考车辆，并获取相应的车辆信息；根据车辆信息，以及目标车辆相对于参考车辆的非自由行驶状态，判断目标车辆是否处于跟随状态，并预测目标车道的交通流。应用本发明的方法，根据跟驰理论，判断目标车辆的运动速度是否可以代表该车道的平均车速，从而得到更加准确的车道级交通流信息，为智能驾驶提供更为准确的数据支持。

Description

车端交通流预测方法、装置、存储介质和车辆
技术领域
本发明属于智能驾驶领域，具体提供一种车端交通流预测方法、装置、存储介质和车辆。
背景技术
在智能驾驶应用中，交通流是一类重要的输入信息，可以辅助车辆进行更好的决策规划，其中包括：实时调整行驶最高限速，如前方拥堵时，可以提前降低最高限速，避免由于突然减速而引起的乘用体验不佳；进行车道级决策规划，如避免向车流速度相当或更低的车道换道；辅助目标预测，如当旁车道车流显著低于本车道时，侧前方目标有更大的概率会侵入本车道，此时，提前预测旁车的行为可以有效地规避碰撞风险。
作为交通流信息的一个重要来源，结合高精地图可以提供基于路端的交通拥堵信息，但其是基于统计学数据，实时性低于车端传感器的感知结果，且拥堵信息大多基于道路层次，无法细分描述各车道的车流情况。如何通过车载传感器获取车辆信息，从而准确预测车道级交通流信息，已成为亟待解决的问题。
相应地，本领域需要一种新的方案来解决上述问题。
发明内容
本发明旨在解决上述技术问题，即，解决如何通过车端传感器获取目标车道的车辆信息，并准确预测车道级交通流的问题。
在第一方面，本发明提供一种车端交通流预测方法，所述方法包括：
S1，选取目标车辆和参考车辆，所述参考车辆和所述目标车辆均位于目标车道，所述参考车辆位于所述目标车辆的前方，且为相邻关系；
S2，获取所述目标车辆和所述参考车辆的车辆信息，所述车辆信息至少包括车辆编码、加速度和速度；
S3，根据所述目标车辆和所述参考车辆的车辆信息，以及所述目标车辆相对于所述参考车辆的非自由行驶状态，判断所述目标车辆是否处于跟随状态，
若否，执行步骤S4，
若是，执行步骤S5；
S4，所述目标车辆未处于跟随状态，返回步骤S2；
S5，所述目标车辆处于跟随状态，则基于所述目标车辆的车辆信息进行车端交通流预测。
在上述车端交通流预测方法的一个实施方式中，“根据所述目标车辆和所述参考车辆的车辆信息，以及所述目标车辆相对于所述参考车辆的非自由行驶状态，判断所述目标车辆是否处于跟随状态”的步骤具体包括：
S31，根据设定时间间隔，实时获取所述目标车辆和所述参考车辆的车辆信息；
S32，对比实时获取的所述参考车辆的实时车辆编码和历史车辆编码是否相同，
若不同，则将跟随状态判断计数器调整为预设最小值，所述跟随状态判断计数器包括加速跟随状态判断计数器和减速跟随状态判断计数器，更新所述参考车辆的历史车辆编码，并返回步骤S31，
若相同，则执行步骤S33；
S33，计算非自由行驶状态判别标识；
S34，判断所述非自由行驶状态判别标识是否大于预设标识值，
若否，所述加速跟随状态判断计数器和所述减速跟随状态判断计数器均减少第一预设计数值，并返回步骤S31，
若是，则判定为非自由行驶状态，执行步骤S35；
S35，判断所述目标车辆的加速度为正数或负数，
若为正数，则所述加速跟随状态判断计数器增加第二预设计数值，并执行步骤S36，
若为负数，则所述减速跟随状态判断计数器增加第三预设计数值，并执行步骤S36；
S36，判断增加所述第二预设计数值后的所述加速跟随状态判断计数器是否大于第一跟随状态判别阈值，并且，判断增加第三预设计数值后的所述减速跟随状态判断计数器是否大于第二跟随状态判别阈值，
若均为是，则判定所述目标车辆相对于所述参考车辆处于跟随状态，
否则，返回步骤S31。
在上述车端交通流预测方法的一个实施方式中，“所述目标车辆处于跟随状态，则基于所述目标车辆的车辆信息进行车端交通流预测”的步骤具体包括：
以所述目标车辆的速度作为所述目标车道的平均车速。
在上述车端交通流预测方法的一个实施方式中，所述非自由行驶状态判别标识的计算方法为：
Figure BDA0003350201420000031
式中，a为非自由行驶状态判别标识，
Figure BDA0003350201420000032
为目标车辆t-T时刻的速度值，
Figure BDA0003350201420000033
为参考车辆t-T时刻的速度值，
Figure BDA0003350201420000034
为t时刻的加速度值，T为人员驾驶反应时间常数。
在上述车端交通流预测方法的一个实施方式中，步骤S34还包括：
执行步骤“所述加速跟随状态判断计数器和所述减速跟随状态判断计数器均减少第一预设计数值”之后，返回步骤S31之前，还包括：
判断减少所述第一预设计数值后的所述加速跟随状态判断计数器是否小于所述预设最小值，若是，则将所述加速跟随状态判断计数器赋值为所述预设最小值，再返回执行步骤S31；
判断减少所述第一预设计数值后的所述减速跟随状态判断计数器是否小于所述预设最小值，若是，则将所述减速跟随状态判断计数器赋值为所述预设最小值，再返回执行步骤S31；
执行步骤S36之前，还包括：
判断增加所述第二预设计数值后的所述加速跟随状态判断计数器是否超出第一预设阈值，若是，则将所述加速跟随状态判断计数器赋值为所述第一预设阈值，再执行步骤S36；
判断增加所述第三预设计数值后的所述减速跟随状态判断计数器是否超出第二预设阈值，若是，则将所述减速跟随状态判断计数器赋值为所述第二预设阈值，再执行步骤S36。
在第二方面，本发明提供一种车端交通流预测装置，所述装置包括：
车辆信息获取模块，所述车辆信息获取模块被配置成，获取目标车辆和参考车辆的车辆信息，所述车辆信息至少包括车辆编码、加速度和速度；
跟随状态判别模块，所述跟随状态判别模块被配置为执行以下操作：
选取所述目标车辆和所述参考车辆，所述参考车辆和所述目标车辆均位于目标车道，所述参考车辆位于所述目标车辆的前方，且为相邻关系；
根据所述目标车辆和所述参考车辆的车辆信息，以及所述目标车辆相对于所述参考车辆的非自由行驶状态，判断所述目标车辆是否处于跟随状态；
交通流预测模块，所述交通流预测模块被配置成，所述目标车辆处于跟随状态时，基于所述目标车辆的车辆信息进行车端交通流预测。
在上述车端交通流预测装置的一个实施方式中，所述跟随状态判别模块还被配置为执行以下操作：
根据设定时间间隔，实时获取所述目标车辆和所述参考车辆的车辆信息；
对比实时获取的所述参考车辆的实时车辆编码和历史车辆编码是否相同，
若不同，则将跟随状态判断计数器调整为预设最小值，所述跟随状态判断计数器包括加速跟随状态判断计数器和减速跟随状态判断计数器，更新所述参考车辆的历史车辆编码，并返回“根据设定时间间隔，实时获取所述目标车辆和所述参考车辆的车辆信息”，
若相同，则计算非自由行驶状态判别标识；
判断所述非自由行驶状态判别标识是否大于预设标识值，
若否，所述加速跟随状态判断计数器和所述减速跟随状态判断计数器均减少第一预设计数值，并返回“根据设定时间间隔，实时获取所述目标车辆和所述参考车辆的车辆信息”，
若是，则判定为非自由行驶状态；
判断所述目标车辆的加速度为正数或负数，
若为正数，则所述加速跟随状态判断计数器增加第二预设计数值，并执行“跟随状态判断”，
若为负数，则所述减速跟随状态判断计数器增加第三预设计数值，并执行“跟随状态判断”；
跟随状态判断，判断增加所述第二预设计数值后的所述加速跟随状态判断计数器是否大于第一跟随状态判别阈值，并且，判断增加第三预设计数值后的所述减速跟随状态判断计数器是否大于第二跟随状态判别阈值，
若均为是，则判定所述目标车辆相对于所述参考车辆处于跟随状态，
否则，返回“根据设定时间间隔，实时获取所述目标车辆和所述参考车辆的车辆信息”。
在上述车端交通流预测装置的一个实施方式中，所述交通流预测模块还被配置为执行以下操作：
以所述目标车辆的速度作为所述目标车道的平均车速。
在第三方面，本发明提出了一种存储介质，所述存储介质适于存储多条程序代码，所述程序代码适于由处理器加载并运行以执行上述任一项方案所述的车端交通流预测方法。
在第四方面，本发明提出了一种车辆，所述车辆包括车辆本体、处理器和存储器，所述存储器适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述任一项方案所述的车端交通流预测方法。
在采用上述技术方案的情况下，本发明通过车端的传感器获取目标车道中车辆的车辆数据，通过分析目标车辆是否与相邻车辆是否为有跟随关系的车辆之间的运动状态，来判断目标车辆的运动速度是否可以代表该车道的平均车流，从而得到更加准确的车道级平均车流，为智能驾驶提供更为准确的数据支持。
附图说明
下面结合附图来描述本发明的优选实施方式，附图中：
图1是本发明的实施例的道路车辆位置示意图。
图2是本发明的实施例的车端交通流预测方法的主要步骤流程图。
图3是图2中的步骤S3的具体实现流程图。
图4是本发明的实施例的车端交通流预测装置组成结构的示意图一。
图5是本发明的实施例的车端交通流预测装置组成结构的示意图二。
具体实施方式
首先阅读图1，图1是本发明的实施例的道路车辆位置示意图。现有的众多车端的交通流计算策略，通常只是简单地取距离本车最近车辆的行驶速度或取检测车道车辆的平均车速来代表交通流速。但是道路上的每辆车的运动具有多样性，上述处理方法往往存在片面性，有时会误导对车流的准确判断，进而让辅助驾驶系统做出一些不恰当的决策，影响用户体验。
在图1中，车辆Ego1左侧车道的邻近车辆Veh1与较远处的多辆车的行驶速度存在较大差异。此时如果只简单地根据邻近车辆的速度来判断该车道的交通流，会出现预测不准确的情况，进而影响辅助驾驶系统作出正确决策。例如，在Ego1的一个场景中，由于Veh1的速度较快，Ego1可能会误认为左侧车道的车流速度较快，当Ego1所在车道较拥堵时，为了获取更高的行驶速度，辅助驾驶系统可能会做出向左侧换道的不恰当的提示信息。
本发明的基于车辆非自由运动状态分析的车端交通流预测方法正是针对这类由于单一目标的运动状态影响对车道整体车流的判断的情况，希望通过判断目标车道处于前后关系的车辆之间的运动是否存在制约关系，来确定其中某辆车的运动是否具有代表性，从而得到预测目标车道的交通流信息。
继续阅读图2，图2是本发明的实施例的车端交通流预测方法的主要步骤流程图。如图2所示，本发明的车端交通流预测方法包括：
步骤S1：选取目标车辆和参考车辆；
步骤S2：获取目标车辆和参考车辆的车辆信息；
步骤S3：根据目标车辆和参考车辆的车辆信息以及目标车辆相对于参考车辆的非自由行驶状态，判断目标车辆是否处于跟随状态；
步骤S4：当目标车辆处于跟随状态时，则基于目标车辆的车辆信息进行车端交通流预测。
在步骤S1中，目标车辆和参考车辆均应位于同一车道，参考车辆位于目标车辆的前方，且为相邻关系，优选地，选取可能会对本车行驶影响大的侧前方邻近车辆作为目标车辆。作为示例，如图1所示，本车为Ego1，选取本车左侧相邻车道的车辆Veh1为目标车辆。选取同一车道、车辆Veh1相邻前方的车辆Veh2为参考车辆，车辆Veh1和车辆Veh2之间不应有其它车辆。
在步骤S2中，获取目标车辆和参考车辆的车辆信息，车辆信息包括车辆编码、加速度和速度。车辆信息的获取方法，本发明不做限定，作为示例，可以通过车载传感器(如加速度传感器、速度传感器、车载图像传感器、车载雷达激光雷达、车载超声波雷达等传感器中的一个和多个)获取检测区域内的多部车辆的车牌、外形特征、颜色等数据，并结合本车的速度、加速度等数据，进行数据融合，获取每辆车的特征，为每辆车分配唯一的车辆编码，即唯一的ID数据，并得到该车辆的速度、加速度等信息。
需要说明的是，处理车载传感器数据后得到的车辆特征，需与前一时刻所记录的车辆特征进行比对，如果相同，则分配相同的车辆编码，如果不同，则分配新的车辆编码。
继续阅读图3，图3是步骤S3的具体实现方法。
在步骤S31中，根据设定时间间隔，实时获取目标车辆和参考车辆的车辆信息，其中包括：目标车辆的当前ID(车辆编码)、目标车辆的加速度、目标车辆的速度、参考车辆的当前ID(车辆编码)、参考车辆的加速度、参考车辆的速度等。获取车辆信息的时间间隔，可根据车载传感器类型、传感器数据的处理速度、本车当前速度等因素进行设置，例如可设置为50毫秒。
需要说明的是，如果在步骤S31中，未能获取到目标车辆的车辆编码，则表明目标车辆可能已经驶离目标车道或不在车载传感器的检测范围内，此时，需返回步骤S1重新选择目标车辆和参考车辆。
在步骤S32和步骤S33中，对比实时获取的参考车辆的实时车辆编码和历史车辆编码是否相同，即对比参考车辆的当前ID和历史ID是否相同，检查当前时刻目标车辆行驶前方的参考车辆与前一时刻的参考车辆是否为同一辆车。
如果参考车辆的当前ID和历史ID不相同，则可能由于参考车辆驶离目标车道，或者其它车辆驶入目标车道，使得当前参考车辆发生改变，原有的目标车辆与参考车辆之间的运动制约关系不再存在。因此，在步骤S34中，加速跟随状态判断计数器和减速跟随状态判断计数器均调整为预设最小值(在本实施例中，预设最小值设置为0)。
并在返回步骤S31循环检测前，更新参考车辆的历史车辆编码，重新建立目标车辆和参考车辆之间的关联关系。
如果参考车辆的当前ID和历史ID相同，说明参考车辆未发生改变，两车之间的运动制约关系仍然有效，则执行步骤S35，计算非自由行驶状态判别标识。
非自由行驶状态的车辆具有以下三个主要特性：制约性、延迟性和传递性。本发明也正是利用这三个特性来判断前后车辆之间的运动关系，在本发明的实施例中，使用鲁棒性最好的一阶运动学模型来判断前后车辆的运动状态，即
Figure BDA0003350201420000081
式(1)中，F为一个常数，
Figure BDA0003350201420000082
为目标车辆t-T时刻的速度值，
Figure BDA0003350201420000083
为参考车辆t-T时刻的速度值，
Figure BDA0003350201420000084
为t时刻的加速度值，T为人员驾驶反应时间常数。T是与司机反应能力相关的参数，作为示例，通常将其设计为1秒，此时能适合大部分场景。
式(1)反映了前后车的速度差会对后车的加速度产生影响(制约性)，且对加速度的影响具有T时间的延迟(延迟性)，常数F的数值反映前后车的关联性。
在实际应用中，考虑到车载传感器的数据误差和波动，即使两辆机动车具有明显的约束关系，常数F的值也会存在较大的波动。因此，在本发明中，为了提高判别的鲁棒性，将式(2)判断前后车辆是否处于非自由运动状态的条件式放宽到：存在某大于0的F，使得式(1)成立，不再苛求多帧间F应该保持相对不变。因此，可以定义非自由行驶状态判别标识f的计算方法为：
Figure BDA0003350201420000091
在步骤S36中，判断非自由行驶状态判别标识f是否大于0。
若f小于0，则执行步骤S37，加速跟随状态判断计数器和减速跟随状态判断计数器均减少第一预设计数值(在本实施例中，第一预设计数值为1)。并在返回步骤S31前分别检查加速跟随状态判断计数器和减速跟随状态判断计数器是否小于预设最小值，如果存在小于预设最小值的情况，则将加速跟随状态判断计数器和/或减速跟随状态判断计数器调整为预设最小值。
若f大于0，则表明目标车辆相对于参考车辆处于非自有非自由行驶状态，执行步骤S38判断目标车辆的加速度为正数或负数。
若目标车辆的加速度大于0，则表明目标车辆的加速度为正数，在步骤S39中，加速跟随状态判断计数器增加第二预设计数值(在本实施例中，第二预设计数值为1)；并检查增加第二预设计数值后的加速跟随状态判断计数器是否超出第一预设阈值，如果是，则将加速跟随状态判断计数器赋值为第一预设阈值，并执行步骤S3B。
若目标车辆的加速度小于0，则表明目标车辆的加速度为负数，在步骤S3A中，减速跟随状态判断计数器增加第三预设计数值(在本实施例中，第三预设计数值为1)；并检查增加第三预设计数值后的减速跟随状态判断计数器是否超出第二预设阈值，如果是，则将减速跟随状态判断计数器赋值为第二预设阈值，并执行步骤S3B。
在步骤S3B中，判断增加第二预设计数值后的加速跟随状态判断计数器是否大于第一跟随状态判别阈值，并且，同时判断增加第三预设计数值后的减速跟随状态判断计数器是否大于第二跟随状态判别阈值。
若均为是，即加速跟随状态判断计数器大于第一跟随状态判别阈值，并且减速跟随状态判断计数器大于第二跟随状态判别阈值，执行步骤S3C，判定目标车辆相对于参考车辆处于跟随状态。
否则符合下列情况1、情况2或情况3时，返回步骤S31循环检测。
情况1：加速跟随状态判断计数器小于第一跟随状态判别阈值，减速跟随状态判断计数器大于第二跟随状态判别阈值；
情况2：减速跟随状态判断计数器大于第二跟随状态判别阈值，加速跟随状态判断计数器大于第一跟随状态判别阈值；
情况3：加速跟随状态判断计数器小于第一跟随状态判别阈值，并且减速跟随状态判断计数器小于第二跟随状态判别阈值。
需要说明的是，设置预设最小值、第一预设阈值和第二预设阈值的目的在于，划定加速跟随状态判断计数器和减速跟随状态判断计数器的有效数值范围，在保证跟随状态判别准确的情况下，同时也保证了跟随状态判别的实时性，更符合实际应用。
预设最小值、第一预设阈值、第二预设阈值、第一跟随状态判别阈值、第二跟随状态判别阈值等的设置，可结合步骤S31中的设定时间间隔，道路情况等因此，通过实际经验进行设定。作为示例，车辆信息获取的设定时间为50毫秒时，可将第一跟随状态判别阈值和第二跟随状态判别阈值均设置为10，预设最小值设置为0，第一预设阈值和第二预设阈值设置为20；并且第一预设计数值、第二预设计数值和第三预设计数值均设置为1。本领域发明人也可根据实际情况设置上述预设值，但是这种不同数值的设置，不应认为超出本发明的范围。
在判定目标车辆相对于参考车辆处于跟随状态后，可根据目标车辆的信息进行车端交通流预测，即目标车辆的速度可以作为目标车道的平均车速。
进一步，本发明还提供了一种车端交通流预测装置。如图4所示，本发明的实施例的车端交通流预测装置4主要包括：车辆信息获取模块41、跟随状态判别模块42和交通流预测模块43。
车辆信息获取模块41，用于通过车载传感器获取车辆行驶道路上的目标车辆、参考车辆和车载传感器检测范围内其他车辆的车辆信息。如图5所示，在一个实施例中，车辆信息获取模块41还可包括传感器子模块41a和传感器数据处理子模块41b。
传感器子模块41a可以是加速度传感器、速度传感器、车载图像传感器、车载雷达激光雷达、车载超声波雷达等传感器中的一个和多个。通过传感器子模块41a获取车载传感器检测范围内的本车以及周围多部车辆的车牌、外形特征、颜色、速度、加速度等数据。再由传感器数据处理子模块41b进行数据融合处理，获取每辆车的特征，为每辆车分配唯一的车辆编码，即唯一的ID数据，得到该车辆的速度、加速度等信息。
跟随状态判别模块42，用于选择目标车辆和参考车辆，根据目标车辆和参考车辆的车辆编码、加速度和速度等车辆信息，检测目标车辆相对于参考车辆的非自由行驶状态，判断目标车辆是否处于跟随状态。如图5所示，在一个实施例中，跟随状态判别模块42还可包括目标选择子模块42a、数据计算子模块42b和判别子模块42c。
目标选择子模块42a，在车辆信息获取模块41所获取的车辆信息中，选取目标车辆和参考车辆。优选地，目标车辆通常选取可能会对本车行驶影响大的侧前方邻近车辆作为目标车辆；选取与目标车辆同一车道的，位于目标车辆前方的车辆作为参考车辆，并且目标车辆和参考车辆为相邻关系，即，目标车辆和参考车辆之间没有其他车辆。
数据计算子模块42b，用于根据目标车辆和参考车辆的速度、加速度等信息，通过式(2)计算非自由行驶状态判别标识。
判别子模块42c，用于根据参考车辆的ID数据、非自由行驶状态判别标识和目标车辆的加速度信息等，判别目标车辆是否处于跟随状态。具体判别条件包括，参考车辆的ID需保持不变，目标车辆相对于参考车辆需处于非自由行驶状态，目标车辆的加速和减速的计数数值均需超过设定的判别阈值，具体技术细节，请参照本发明实施例方法部分步骤S32至步骤S3C的内容。
交通流预测模块43，用于在判定目标车辆相对于参考车辆处于跟随状态后，根据目标车辆的信息进行车端交通流预测，即目标车辆的速度作为目标车道的平均车速。
进一步，本发明还提供了一种存储介质，该存储介质可以被配置成存储执行上述方法实施例的车端交通流预测方法的程序，该程序可以由处理器加载并运行来实现上述车端交通流预测方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该存储介质可以是包括各种电子设备形成的存储装置设备，可选地，本发明实施例中存储介质是非暂时性的计算机可读存储介质。
进一步，本发明还提供了一种车辆，包括车辆本体、处理器和存储器。可选地，车辆本体可以为电动汽车；处理器和存储器安装在车辆本体上，并由车辆本体提供电源；该存储器可以被配置成存储执行上述方法实施例的车端交通流预测方法的程序，该程序可以由处理器加载并运行来实现上述车端交通流预测方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该存储器可以是包括各种电子设备形成的存储装置设备，可选地，本发明实施例中存储器是非暂时性的可读存储介质。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等序数词仅用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。应该理解这样使用的数据在适当的情况下可以互换，以便这里描述的本发明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。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种车端交通流预测方法，其特征在于，所述方法包括：
S1，选取目标车辆和参考车辆，所述参考车辆和所述目标车辆均位于目标车道，所述参考车辆位于所述目标车辆的前方，且为相邻关系；
S2，获取所述目标车辆和所述参考车辆的车辆信息，所述车辆信息至少包括车辆编码、加速度和速度；
S3，根据所述目标车辆和所述参考车辆的车辆信息，以及所述目标车辆相对于所述参考车辆的非自由行驶状态，判断所述目标车辆是否处于跟随状态，
若否，执行步骤S4，
若是，执行步骤S5；
S4，所述目标车辆未处于跟随状态，返回步骤S2；
S5，所述目标车辆处于跟随状态，则基于所述目标车辆的车辆信息进行车端交通流预测。
2.根据权利要求1所述的车端交通流预测方法，其特征在于，“根据所述目标车辆和所述参考车辆的车辆信息，以及所述目标车辆相对于所述参考车辆的非自由行驶状态，判断所述目标车辆是否处于跟随状态”的步骤具体包括：
S31，根据设定时间间隔，实时获取所述目标车辆和所述参考车辆的车辆信息；
S32，对比实时获取的所述参考车辆的实时车辆编码和历史车辆编码是否相同，
若不同，则将跟随状态判断计数器调整为预设最小值，所述跟随状态判断计数器包括加速跟随状态判断计数器和减速跟随状态判断计数器，更新所述参考车辆的历史车辆编码，并返回步骤S31，
若相同，则执行步骤S33；
S33，计算非自由行驶状态判别标识；
S34，判断所述非自由行驶状态判别标识是否大于预设标识值，
若否，所述加速跟随状态判断计数器和所述减速跟随状态判断计数器均减少第一预设计数值，并返回步骤S31，
若是，则判定为非自由行驶状态，执行步骤S35；
S35，判断所述目标车辆的加速度为正数或负数，
若为正数，则所述加速跟随状态判断计数器增加第二预设计数值，并执行步骤S36，
若为负数，则所述减速跟随状态判断计数器增加第三预设计数值，并执行步骤S36；
S36，判断增加所述第二预设计数值后的所述加速跟随状态判断计数器是否大于第一跟随状态判别阈值，并且，判断增加第三预设计数值后的所述减速跟随状态判断计数器是否大于第二跟随状态判别阈值，
若均为是，则判定所述目标车辆相对于所述参考车辆处于跟随状态，
否则，返回步骤S31。
3.根据权利要求1所述的车端交通流预测方法，其特征在于，“所述目标车辆处于跟随状态，则基于所述目标车辆的车辆信息进行车端交通流预测”的步骤具体包括：
以所述目标车辆的速度作为所述目标车道的平均车速。
4.根据权利要求2所述的车端交通流预测方法，其特征在于，所述非自由行驶状态判别标识的计算方法为：
Figure FDA0003350201410000021
式中，f为非自由行驶状态判别标识，
Figure FDA0003350201410000022
为目标车辆t-T时刻的速度值，
Figure FDA0003350201410000023
为参考车辆t-T时刻的速度值，
Figure FDA0003350201410000024
为t时刻的加速度值，T为人员驾驶反应时间常数。
5.根据权利要求2所述的车端交通流预测方法，其特征在于，
步骤S34还包括：
执行步骤“所述加速跟随状态判断计数器和所述减速跟随状态判断计数器均减少第一预设计数值”之后，返回步骤S31之前，还包括：
判断减少所述第一预设计数值后的所述加速跟随状态判断计数器是否小于所述预设最小值，若是，则将所述加速跟随状态判断计数器赋值为所述预设最小值，再返回执行步骤S31；
判断减少所述第一预设计数值后的所述减速跟随状态判断计数器是否小于所述预设最小值，若是，则将所述减速跟随状态判断计数器赋值为所述预设最小值，再返回执行步骤S31；
执行步骤S36之前，还包括：
判断增加所述第二预设计数值后的所述加速跟随状态判断计数器是否超出第一预设阈值，若是，则将所述加速跟随状态判断计数器赋值为所述第一预设阈值，再执行步骤S36；
判断增加所述第三预设计数值后的所述减速跟随状态判断计数器是否超出第二预设阈值，若是，则将所述减速跟随状态判断计数器赋值为所述第二预设阈值，再执行步骤S36。
6.一种车端交通流预测装置，其特征在于，所述装置包括：
车辆信息获取模块，所述车辆信息获取模块被配置成，获取目标车辆和参考车辆的车辆信息，所述车辆信息至少包括车辆编码、加速度和速度；
跟随状态判别模块，所述跟随状态判别模块被配置为执行以下操作：
选取所述目标车辆和所述参考车辆，所述参考车辆和所述目标车辆均位于目标车道，所述参考车辆位于所述目标车辆的前方，且为相邻关系；
根据所述目标车辆和所述参考车辆的车辆信息，以及所述目标车辆相对于所述参考车辆的非自由行驶状态，判断所述目标车辆是否处于跟随状态；
交通流预测模块，所述交通流预测模块被配置成，所述目标车辆处于跟随状态时，基于所述目标车辆的车辆信息进行车端交通流预测。
7.根据权利要求6所述的车端交通流预测装置，其特征在于，所述跟随状态判别模块还被配置为执行以下操作：
根据设定时间间隔，实时获取所述目标车辆和所述参考车辆的车辆信息；
对比实时获取的所述参考车辆的实时车辆编码和历史车辆编码是否相同，
若不同，则将跟随状态判断计数器调整为预设最小值，所述跟随状态判断计数器包括加速跟随状态判断计数器和减速跟随状态判断计数器，更新所述参考车辆的历史车辆编码，并返回“根据设定时间间隔，实时获取所述目标车辆和所述参考车辆的车辆信息”，
若相同，则计算非自由行驶状态判别标识；
判断所述非自由行驶状态判别标识是否大于预设标识值，
若否，所述加速跟随状态判断计数器和所述减速跟随状态判断计数器均减少第一预设计数值，并返回“根据设定时间间隔，实时获取所述目标车辆和所述参考车辆的车辆信息”，
若是，则判定为非自由行驶状态；
判断所述目标车辆的加速度为正数或负数；
若为正数，则所述加速跟随状态判断计数器增加第二预设计数值，并执行“跟随状态判断”，
若为负数，则所述减速跟随状态判断计数器增加第三预设计数值，并执行“跟随状态判断”；
跟随状态判断，判断增加所述第二预设计数值后的所述加速跟随状态判断计数器是否大于第一跟随状态判别阈值，并且，判断增加第三预设计数值后的所述减速跟随状态判断计数器是否大于第二跟随状态判别阈值，
若均为是，则判定所述目标车辆相对于所述参考车辆处于跟随状态，
否则，返回“根据设定时间间隔，实时获取所述目标车辆和所述参考车辆的车辆信息”。
8.根据权利要求6所述的车端交通流预测装置，其特征在于，所述交通流预测模块还被配置为执行以下操作：
以所述目标车辆的速度作为所述目标车道的平均车速。
9.一种存储介质，所述存储介质适于存储多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至5中任一项所述的车端交通流预测方法。
10.一种车辆，所述车辆包括车辆本体、处理器和存储器，其特征在于，所述存储器适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行权利要求1至5中任一项所述的车端交通流预测方法。
CN202111334849.9A 2021-11-11 2021-11-11 车端交通流预测方法、装置、存储介质和车辆 Pending CN114005279A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111334849.9A CN114005279A (zh) 2021-11-11 2021-11-11 车端交通流预测方法、装置、存储介质和车辆
EP22206769.6A EP4181101A1 (en) 2021-11-11 2022-11-10 Method, apparatus, storage medium, and vehicle for predicting traffic flow

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111334849.9A CN114005279A (zh) 2021-11-11 2021-11-11 车端交通流预测方法、装置、存储介质和车辆

Publications (1)

Publication Number Publication Date
CN114005279A true CN114005279A (zh) 2022-02-01

Family

ID=79928823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111334849.9A Pending CN114005279A (zh) 2021-11-11 2021-11-11 车端交通流预测方法、装置、存储介质和车辆

Country Status (2)

Country Link
EP (1) EP4181101A1 (zh)
CN (1) CN114005279A (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5672822B2 (ja) * 2010-07-29 2015-02-18 トヨタ自動車株式会社 車両制御システム
JP5980170B2 (ja) * 2013-05-30 2016-08-31 三菱重工メカトロシステムズ株式会社 シミュレーション装置、シミュレーション方法及びプログラム

Also Published As

Publication number Publication date
EP4181101A1 (en) 2023-05-17

Similar Documents

Publication Publication Date Title
US20230137183A1 (en) Vehicular environment estimation device
US9159227B2 (en) Traffic congestion detection apparatus and vehicle control apparatus
CN107851377B (zh) 驾驶评估装置
US11430227B2 (en) Method, computer program product, and driver assistance system for determining one or more lanes of a road in an environment of a vehicle
KR20200014931A (ko) 차량용 정보 기억 방법, 차량의 주행 제어 방법, 및 차량용 정보 기억 장치
EP2273233B1 (en) Reliability evaluation device, reliability evaluation method, and reliability evaluation program
US20090037088A1 (en) Running plan creating apparatus
CN111324120A (zh) 一种自动驾驶前车切入切出场景提取方法
JP7156394B2 (ja) 他車動作予測方法及び他車動作予測装置
CN111137282A (zh) 车辆的碰撞预测方法、装置、车辆和电子设备
CN111209361B (zh) 跟车目标选择方法、装置、电子设备及可读存储介质
CN111710128B (zh) 车辆异常驾驶的预警方法及装置、电子设备、存储介质
CN113412212A (zh) 其它车辆动作预测方法以及其它车辆动作预测装置
CN111413973A (zh) 车辆的换道决策方法及装置、电子设备、存储介质
WO2019216386A1 (ja) 車両制御装置および車両
CN103477380B (zh) 驾驶员状态判定装置
CN112771535A (zh) 用于分析传感器数据流的方法和设备以及用于驾驶车辆的方法
CN110940982B (zh) 一种车辆前方目标识别方法以及相应的设备
CN113386738A (zh) 风险预警系统、方法和存储介质
CN114005279A (zh) 车端交通流预测方法、装置、存储介质和车辆
KR20170078323A (ko) 차로 판단 장치
EP4011733A1 (en) Method and device for driver assistance for determining habits of driver
JP5454190B2 (ja) 車両制御装置
US11816903B2 (en) Method for determining a type of parking space
CN114620060A (zh) 自动驾驶模式选择方法、自动驾驶汽车及其控制方法

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