CN114021982A - 一种基于风险量化的信号交叉口进口道车辆通行模型 - Google Patents
一种基于风险量化的信号交叉口进口道车辆通行模型 Download PDFInfo
- Publication number
- CN114021982A CN114021982A CN202111305857.0A CN202111305857A CN114021982A CN 114021982 A CN114021982 A CN 114021982A CN 202111305857 A CN202111305857 A CN 202111305857A CN 114021982 A CN114021982 A CN 114021982A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- risk
- longitudinal
- time
- signal
- 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
Links
- 238000011002 quantification Methods 0.000 title claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 3
- 230000001133 acceleration Effects 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 23
- 230000006870 function Effects 0.000 abstract description 17
- 238000000034 method Methods 0.000 abstract description 13
- 230000007246 mechanism Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 230000008447 perception Effects 0.000 abstract description 5
- 206010021033 Hypomenorrhoea Diseases 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Analytical Chemistry (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于风险量化的信号交叉口进口道车辆通行模型，用于描述车辆在黄灯期间通过交叉口进口道停车线的决策行为和运动过程。本发明通过建立信号灯风险的空间和时间变化特征函数，构建了不依赖于黄灯时长的信号灯风险场模型，量化了车辆在信号交叉口进口道路段通行过程中承受的由信号灯施加的风险值。在此基础上，构建了满足驾驶人期望风险的信号交叉口进口道车辆通行模型。与已有模型相比，本发明能够从人类风险感知和行为机理的角度解释车辆在信号交叉口进口道路段的通行行为，并能够为自动驾驶车辆的类人化决策和控制提供理论支撑。
Description
技术领域
本发明涉及交通安全领域，特别是一种基于风险量化的信号交叉口进口道车辆通行模型。
背景技术
交叉口是城市路网的重要节点，多股交通流汇聚于此。交叉口进口道是道路常规路段和交叉口区域的连接路段，交通管理人员通过设置信号灯来控制从不同方向进入交叉口区域的车辆的路权，从而维持车辆进入交叉口的秩序。驾驶人在即将进入信号交叉口区域时的决策和行为与交通信号的状态有关，尤其是当交通信号变为黄色时，驾驶人通常会陷入两难的境地，需决定继续行驶或停车。继续行驶可能导致闯红灯行为和侧面碰撞事故，通过紧急制动操作停车可能导致追尾事故。因此，当黄灯亮起时，车辆在信号交叉口进口道路段的通行行为是影响交叉口运行安全的重要因素。
很多学者对车辆在信号交叉口进口道黄灯期间的通行模型进行了大量研究。由于黄灯亮时驾驶人的行为是不确定的，基于交通行为数据的概率统计模型在描述驾驶人的行为决策方面具有很大优势。二元逻辑回归模型通常用于建立黄灯亮起后不同决策与不同影响因素之间的关系，从而预测驾驶人通过交叉口或停车的概率。此外，模糊逻辑模型、模糊决策树、决策树分类模型、贝叶斯网络方法和基于智能体的模型等也用于描述和预测驾驶人的决策和行为。这些模型是基于对大量数据进行分析而建立的，可以为驾驶人的决策和交通设施的改善提供参考。然而，不同的研究人员所采集数据的交通环境也不同，如所在路网的交通流量、信号周期等，因此，所建立的模型并不具有良好的普适性；此外，这些模型的构建并没有考虑到驾驶人的风险感知环节，只是从研究人员所采集的大量数据中挖掘驾驶人的行为规律来预测其做出不同行为决策的概率，并不能从人类行为机理的角度解释驾驶人的决策机制。
部分学者使用一些量化指标来描述行车风险，并将其作为车辆运动决策的判断依据。例如，在跟驰和换道场景中，起初Kometani等人、Gipps等人使用纵向距离(如相邻车辆的车头间距DHW等)作为安全驾驶的评价指标；Lee等人、Minderhoud等人使用基于时间的指标(包括碰撞时间TTC、1/TTC、车头时距THW和一系列改进的TTC指标)来表征行车风险；后来，鲁光泉等人发现安全裕度SM比TTC或THW更适合量化稳态风险感知。在交叉口场景中，现有的大多数研究都集中在交叉口区域内车辆冲突风险的量化，涉及交叉口进口道的研究则更加关注车辆的跟驰行为和车辆排队消解问题。后来，Ni等人提出将场论应用于驾驶风险量化；Kathib等人、McCrone等人通过人工势场方法将车辆在交通环境中的运动视为在力场中的运动，其中障碍物产生排斥力，目标产生吸引力，其合力控制车辆运动方向；王建强等人构建了考虑人-车-路因素的行车安全场模型，用场强、场力、势能等物理量描述行车安全，并将其应用于各种场景下自动驾驶汽车轨迹和运动规划以及防撞控制。然而，这些研究并不能描述人类行为的决策机制，因为不同的驾驶人具有不同的可接受风险水平。对此，鲁光泉等人提出了基于风险动态平衡理论的交通环境风险场模型和驾驶行为模型，通过量化跟驰过程中后车承受的风险值，验证了模型的有效性，同时为自动驾驶车辆在无信号交叉口的运动提供了规划方法。然而，这些研究尚未考虑到交通信号灯对车辆运动产生的风险，无法描述驾驶人在信号交叉口进口道路段的通行行为。因此，本发明通过构建信号灯风险场模型，计算驾驶人期望风险对应的位置，从而构建一种基于风险量化的信号交叉口进口道车辆通行模型，描述驾驶人在信号交叉口进口道路段的通行行为，尤其是黄灯期间的决策行为。
发明内容
针对现有模型存在的不足，本发明旨在提供一种能够量化交通信号灯对车辆施加的风险，并通过该风险描述驾驶人在信号交叉口进口道路段的通行行为的车辆通行模型，该模型具体包括如下步骤：
步骤1，基于信号灯风险量化，构建不同信号状态下的信号灯风险场模型；
步骤2，基于通过步骤1获得的信号灯风险场模型，预测预瞄时刻纵向上的信号灯风险场；
步骤3，基于车辆当前运动状态，预测车辆在预瞄时刻的纵向位置；
步骤4，基于车辆运动学约束，计算车辆在预瞄时间后的纵向可到达区域；
步骤5，基于驾驶人期望风险，通过步骤2获得的预瞄时刻纵向上的信号灯风险场，以及通过步骤4获得的车辆在预瞄时间后的纵向可到达区域，确定车辆在预瞄时刻的期望轨迹点的纵向位置；
步骤6，基于通过步骤3获得的车辆在预瞄时刻的纵向位置，以及通过步骤5获得的车辆在预瞄时刻的期望轨迹点的纵向位置，计算车辆在预瞄时间后到达期望轨迹点所需的纵向加速度；
步骤7，基于通过步骤6获得的车辆在预瞄时间后到达期望轨迹点所需的加速度，计算车辆下一时刻的纵向速度和纵向位置；
进一步地，步骤1所述的基于风险量化的信号灯风险场模型，是基于以停车线中心为原点、车辆行驶方向为X轴的坐标系所建立的，包括如下步骤：
步骤11，考虑在信号灯某状态下，交叉口进口道对应的停车线覆盖范围内的风险为最大，距离停车线越远，信号灯施加的风险越小，由此建立信号灯风险场的空间变化特征函数，来表征距离对风险的影响：
式中：d和l分别为停车线的宽度和长度，βx和βy分别为纵向上和横向上与距离有关的风险系数，x和y为t时刻任意一点的纵向位置和横向位置；
步骤12，考虑绿灯时风险为0，表示车辆可以直接通过；红灯时停车线处风险为1，表示车辆不能越过停车线；黄灯期间，剩余黄灯时间越短，信号灯产生的风险越大。由此构建信号灯风险场的时间变化特征函数，该函数能够不依赖于一个信号周期内的黄灯持续时间，来表征信号灯状态对风险的影响：
式中：Yy(t)为黄灯期间信号灯风险场的时间变化特征函数，Y(t)为一个完整信号周期内信号灯风险场的时间变化特征函数，tg,ty,tr分别为一个信号周期内的绿灯持续时间、黄灯持续时间和红灯持续时间，Ts为一个信号周期的持续时间，α为与黄灯持续时间有关的风险系数，n为自然数；
步骤13，将通过步骤11获得的信号灯风险场的空间变化特征函数与通过步骤12获得的信号灯风险场的时间变化特征函数相乘，由此构建信号灯风险场模型：
Rsignal(x,y,t)＝Y(t)·Rstopline(x,y,t)；
进一步地，步骤2所述的预瞄时刻纵向上的信号灯风险场可通过下式计算，此处不考虑车辆在横向上的运动偏移：
Rsignal,p(x,t+T)＝Y(t+T)·Rstopline(x,t+T)；
式中：T为预瞄时间，Rsignal,p(x,t+T)为t+T时刻纵向上的信号灯风险场，Y(t+T)为t+T时刻信号灯风险场的时间变化特征函数，Rstopline(x,t+T)为t+T时刻信号灯风险场在纵向上的空间变化特征函数；
进一步地，步骤3所述的车辆在预瞄时刻的纵向位置可通过下式计算，此处假设车辆在预瞄时间内匀速运动：
式中：x(t)为车辆在t时刻的纵向位置，
为车辆在t时刻的纵向速度，xp(t+T)为车辆在t+T时刻的纵向位置；
进一步地，步骤4所述的车辆在预瞄时间后的纵向可到达区域可通过下式计算，首先对车辆运动施加速度约束和加速度约束，则可到达区域下界是车辆以最小加速度行驶一个预瞄时长后到达的纵向位置，可到达区域上界是车辆以最大加速度行驶一个预瞄时长后到达的纵向位置，若在该预瞄时长内车辆的末速度超出了所设定的速度约束范围，则在车辆达到速度临界值之后，以该临界值继续匀速行驶，以完成一个预瞄时长内的可到达区域计算：
xrange,min(t+T)＝x(t)+Srange,min(t+T)；
xrange,max(t+T)＝x(t)+Srange,max(t+T)；
式中：
和
分别为车辆的最小纵向速度和最大纵向速度，
和
分别为车辆的最小纵向加速度和最大纵向加速度，Srange,min(t+T)和Srange,max(t+T)分别为车辆在T时长内的最小纵向位移和最大纵向位移，xrange,min(t+T)和xrange,max(t+T)分别为车辆在t+T时刻的纵向可到达区域的下界位置和上界位置；
进一步地，步骤5所述的车辆在预瞄时刻的期望轨迹点的纵向位置的确定，是基于风险动态平衡理论，考虑到驾驶人存在固定不变的主观期望风险，并在行车过程中将承受的风险保持在期望风险附近，因此该位置应满足其风险接近且不超过驾驶人期望风险，并且位于通过步骤4获得的可到达区域范围内：
Rsignal,p[xd(t+T),t+T]≤R0；
xd(t+T)∈[xrange,min(t+T),xrange,max(t+T)]；
式中：R0为驾驶人期望风险，xd(t+T)为车辆在t+T时刻的期望轨迹点的纵向位置；
进一步地，步骤6所述的车辆在预瞄时间后到达期望轨迹点所需的纵向加速度可通过下式计算，此处假设车辆以匀加速运动到达下一时刻的期望轨迹点，通过下式计算得到的加速度即为车辆运动至下一时刻的加速度：
进一步地，步骤7所述的车辆下一时刻的纵向速度和纵向位置为：
与现有技术相比，本发明有益效果在于：构建了不依赖于黄灯时长的信号灯风险场模型，量化了车辆在信号交叉口进口道路段通行过程中承受的由信号灯施加的风险值。在此基础上，构建了基于风险量化的信号交叉口进口道车辆通行模型，能够从人类风险感知和行为机理的角度描述车辆在黄灯期间是否通过交叉口的决策行为。此外，本发明与已有文献中的数据驱动的模型相比更具有普适性，适用于不同特征的信号交叉口，并且能够为自动驾驶车辆的类人化决策和控制提供理论支撑。
附图说明
图1为本发明实施例中信号灯风险场及其坐标系示意图；
图2为本发明实施例中车辆在预瞄时间后的纵向可到达区域示意图；
图3为本发明实施例中确定车辆在预瞄时刻的期望轨迹点的纵向位置的流程图；
图4为本发明实施例中车辆在黄灯期间行驶的纵向速度模拟结果图；
图5为本发明实施例中车辆在黄灯期间行驶的与停车线纵向距离模拟结果图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本实施例所提供的一种基于风险量化的信号交叉口进口道车辆通行模型包括以下步骤：
步骤1，基于信号灯风险量化，在如图1所示的坐标系中构建信号灯风险场模型；
步骤2，基于通过步骤1获得的信号灯风险场模型，预测预瞄时刻纵向上的信号灯风险场；
步骤3，基于车辆当前运动状态，预测车辆在预瞄时刻的纵向位置；
步骤4，基于车辆运动学约束，计算如图2所示的车辆在预瞄时间后的纵向可到达区域；
步骤5，基于驾驶人期望风险，通过步骤2获得的预瞄时刻纵向上的信号灯风险场，以及通过步骤4获得的车辆在预瞄时间后的纵向可到达区域，确定车辆在预瞄时刻的期望轨迹点的纵向位置；
步骤6，基于通过步骤3获得的车辆在预瞄时刻的纵向位置，以及通过步骤5获得的车辆在预瞄时刻的期望轨迹点的纵向位置，计算车辆在预瞄时间后到达期望轨迹点所需的纵向加速度；
步骤7，基于通过步骤6获得的车辆在预瞄时间后到达期望轨迹点所需的加速度，计算车辆下一时刻的纵向速度和纵向位置；
在一个实施例中，步骤1所述的基于风险量化的信号灯风险场模型的构建包括如下步骤：
步骤11，建立信号灯风险场的空间变化特征函数。在信号灯某状态下，停车线覆盖范围内的风险为最大，距离停车线越远，信号灯施加的风险越小；同时，假设车辆始终沿纵向行驶，不考虑横向偏移。在此提供模型参数的推荐值：
βx＝2.373；
另外，在本实施例中，假设停车线宽度为：
d＝0.2m；
因此，某时刻下信号灯风险场在纵向上的空间变化特征函数如下：
步骤12，构建信号灯风险场的时间变化特征函数。绿灯时风险为0，表示车辆可以直接通过；红灯时停车线处风险为1，表示车辆不能越过停车线；黄灯期间，剩余黄灯时间越短，信号灯产生的风险越大。
在此提供模型参数的推荐值：
α＝1.719；
因此，信号灯风险场的时间变化特征函数如下：
式中：tg,ty,tr分别为一个信号周期内的绿灯持续时间、黄灯持续时间和红灯持续时间，Ts为一个信号周期的持续时间，α为与黄灯持续时间有关的风险系数，n为自然数；
步骤13，将通过步骤11获得的信号灯风险场的空间变化特征函数与通过步骤12获得的信号灯风险场的时间变化特征函数相乘，由此构建纵向上的信号灯风险场模型：
Rsignal(x,t)＝Y(t)·Rstopline(x,t)；
在一个实施例中，步骤2所述的预瞄时刻纵向上的信号灯风险场可通过下式计算：
Rsignal,p(x,t+T)＝Y(t+T)·Rstopline(x,t+T)；
同时，基于已有文献研究，预瞄时间的推荐值为：
T＝1.5s；
式中：T为预瞄时间，Rsignal,p(x,t+T)为t+T时刻纵向上的信号灯风险场，Y(t+T)为t+T时刻信号灯风险场的时间变化特征函数，Rstopline(x,t+T)为t+T时刻信号灯风险场在纵向上的空间变化特征函数；
在一个实施例中，步骤3所述的车辆在预瞄时刻的纵向位置可通过下式计算，此处假设车辆在预瞄时间内匀速运动：
式中：x(t)为车辆在t时刻的纵向位置，
为车辆在t时刻的纵向速度，xp(t+T)为车辆在t时刻所预瞄的在t+T时刻的纵向位置；
在一个实施例中，步骤4所述的车辆在预瞄时间后的车辆纵向可到达区域可通过下式计算；其中，车辆运动需满足速度约束和加速度约束；同时，在此提供模型参数的推荐值：
因此，车辆在预瞄时刻后的纵向可到达区域的计算公式为：
xrange,min(t+T)＝x(t)+Srange,min(t+T)；
xrange,max(t+T)＝x(t)+Srange,max(t+T)；
式中：
和
分别为车辆的最小纵向速度和最大纵向速度，
和
分别为车辆的最小纵向加速度和最大纵向加速度，Srange,min(t+T)和Srange,max(t+T)分别为车辆在T时长内的最小纵向位移和最大纵向位移，xrange,min(t+T)和xrange,max(t+T)分别为车辆在t+T时刻的纵向可到达区域的下界位置和上界位置；
在一个实施例中，步骤5所述的车辆在预瞄时刻的期望轨迹点的纵向位置的确定流程如图3所示，具体包括如下步骤；同时，给出期望风险的推荐值为：
R0＝0.345；
步骤51，计算车辆在预瞄时间后到达纵向可到达区域过程中承受的最大风险Rsignal,max(t+T)，并确定其位置。由于车辆在驶近停车线的过程中承受的信号灯风险是递增的，且停车线处风险最大，那么，若纵向可到达区域的上界位置xrange,max(t+T)未超过停车线位置xstopline，则最大风险Rsignal,max(t+T)位于可到达区域上界位置；若纵向可到达区域的上界位置xrange,max(t+T)超过停车线位置xstopline，则最大风险Rsignal,max(t+T)位于停车线位置；
步骤52，比较车辆在预瞄时间后到达纵向可到达区域过程中承受的最大风险Rsignal,max(t+T)与驾驶人期望风险的大小，并确定期望轨迹点的纵向位置xd(t+T)。若最大风险Rsignal,max(t+T)小于或等于驾驶人期望风险，则期望轨迹点的纵向位置xd(t+T)为可到达区域的上界位置xrange,max(t+T)；若最大风险Rsignal,max(t+T)大于驾驶人期望风险，则计算风险值等于驾驶人期望风险的点的位置。若该点位于可到达区域内，则期望轨迹点的纵向位置xd(t+T)为该点位置；若该点不位于可到达区域内，则期望轨迹点的纵向位置xd(t+T)为可到达区域的下界位置xrange,min(t+T)，但车辆到达此点过程中承受的风险可能大于其期望风险。
在一个实施例中，步骤6所述的车辆在预瞄时间后到达期望轨迹点所需的纵向加速度可通过下式计算，此处假设车辆以匀加速运动到下一时刻，计算得到的加速度即车辆运动至下一时刻的加速度：
在一个实施例中，步骤7所述的车辆下一时刻的纵向速度和纵向位置为：
在一个实施例中，设置车辆在黄灯亮起时的纵向速度为30km/h，与停车线的纵向距离为20m，以及道路限速值为60km/h，交叉口信号灯在一个周期内的黄灯时长为3s。车辆在黄灯期间靠近交叉口过程中纵向速度的模拟结果如图4所示，与停车线距离的模拟结果如图5所示，可得到车辆在黄灯亮起后2.5s通过交叉口进口道停车线，通过时车辆纵向速度为26.77km/h。本发明能够从人类风险感知和行为机理的角度描述车辆在黄灯期间驶近交叉口的运动过程，并能够适用于不同道路限速值和黄灯持续时间的交叉口。
上述各实施例仅用于说明本发明，其中方法的各个步骤等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。
Claims (8)
1.一种基于风险量化的信号交叉口进口道车辆通行模型，其特征在于，包括如下步骤：
步骤1，基于信号灯风险量化，构建不同信号状态下的信号灯风险场模型；
步骤2，基于通过步骤1获得的信号灯风险场模型，预测预瞄时刻纵向上的信号灯风险场；
步骤3，基于车辆当前运动状态，预测车辆在预瞄时刻的纵向位置；
步骤4，基于车辆运动学约束，计算车辆在预瞄时间后的纵向可到达区域；
步骤5，基于驾驶人期望风险，通过步骤2获得的预瞄时刻纵向上的信号灯风险场，以及通过步骤4获得的车辆在预瞄时间后的纵向可到达区域，确定车辆在预瞄时刻的期望轨迹点的纵向位置；
步骤6，基于通过步骤3获得的车辆在预瞄时刻的纵向位置，以及通过步骤5获得的车辆在预瞄时刻的期望轨迹点的纵向位置，计算车辆在预瞄时间后到达期望轨迹点所需的纵向加速度；
步骤7，基于通过步骤6获得的车辆在预瞄时间后到达期望轨迹点所需的加速度，计算车辆下一时刻的纵向速度和纵向位置。
2.根据权利要求1所述的基于风险量化的信号交叉口进口道车辆通行模型，其特征在于，步骤1所述的基于风险量化的信号灯风险场模型的构建，包括如下步骤：
步骤11，建立信号灯风险场的空间变化特征函数：
式中：d和l分别为停车线的宽度和长度，βx和βy分别为纵向上和横向上与距离有关的风险系数，x和y为t时刻任意一点的纵向位置和横向位置；
步骤12，构建信号灯风险场的时间变化特征函数：
式中：Yy(t)为黄灯期间信号灯风险场的时间变化特征函数，Y(t)为一个完整信号周期内信号灯风险场的时间变化特征函数，tg,ty,tr分别为一个信号周期内的绿灯持续时间、黄灯持续时间和红灯持续时间，Ts为一个信号周期的持续时间，α为与黄灯持续时间有关的风险系数，n为自然数；
步骤13，构建信号灯风险场模型：
Rsignal(x,y,t)＝Y(t)·Rstopline(x,y,t).
3.根据权利要求1所述的基于风险量化的信号交叉口进口道车辆通行模型，其特征在于，步骤2所述的预瞄时刻纵向上的信号灯风险场为：
Rsignal,p(x,t+T)＝Y(t+T)·Rstopline(x,t+T)；
式中：T为预瞄时间，Rsignal,p(x,t+T)为t+T时刻纵向上的信号灯风险场，Y(t+T)为t+T时刻信号灯风险场的时间变化特征函数，Rstopline(x,t+T)为t+T时刻信号灯风险场在纵向上的空间变化特征函数。
4.根据权利要求1所述的基于风险量化的信号交叉口进口道车辆通行模型，其特征在于，步骤3所述的车辆在预瞄时刻的纵向位置为：
式中：x(t)为车辆在t时刻的纵向位置，
为车辆在t时刻的纵向速度，xp(t+T)为车辆在t+T时刻的纵向位置。
5.根据权利要求1所述的基于风险量化的信号交叉口进口道车辆通行模型，其特征在于，步骤4所述的车辆在预瞄时间后的纵向可到达区域为：
xrange,min(t+T)＝x(t)+Srange,min(t+T)；
xrange,max(t+T)＝x(t)+Srange,max(t+T)；
式中：
和
分别为车辆的最小纵向速度和最大纵向速度，
和
分别为车辆的最小纵向加速度和最大纵向加速度，Srange,min(t+T)和Srange,max(t+T)分别为车辆在T时长内的最小纵向位移和最大纵向位移，xrange,min(t+T)和xrange,max(t+T)分别为车辆在t+T时刻的纵向可到达区域的下界位置和上界位置。
6.根据权利要求1所述的基于风险量化的信号交叉口进口道车辆通行模型，其特征在于，步骤5所述的车辆在预瞄时刻的期望轨迹点的纵向位置为：
Rsignal,p[xd(t+T),t+T]＝R0；
xd(t+T)∈[xrange,min(t+T),xrange,max(t+T)]；
式中：R0为驾驶人期望风险，xd(t+T)为车辆在t+T时刻的期望轨迹点的纵向位置。
7.根据权利要求1所述的基于风险量化的信号交叉口进口道车辆通行模型，其特征在于，步骤6所述的车辆在预瞄时间后到达期望轨迹点所需的纵向加速度为：
8.根据权利要求1所述的基于风险量化的信号交叉口进口道车辆通行模型，其特征在于，步骤7所述的车辆下一时刻的纵向速度和纵向位置为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111305857.0A CN114021982A (zh) | 2021-11-05 | 2021-11-05 | 一种基于风险量化的信号交叉口进口道车辆通行模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111305857.0A CN114021982A (zh) | 2021-11-05 | 2021-11-05 | 一种基于风险量化的信号交叉口进口道车辆通行模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114021982A true CN114021982A (zh) | 2022-02-08 |
Family
ID=80061410
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111305857.0A Pending CN114021982A (zh) | 2021-11-05 | 2021-11-05 | 一种基于风险量化的信号交叉口进口道车辆通行模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114021982A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724376A (zh) * | 2022-05-05 | 2022-07-08 | 北京航空航天大学 | 一种基于风险场理论的交叉口安全评价方法 |
| CN115620536A (zh) * | 2022-10-18 | 2023-01-17 | 北京航空航天大学 | 自动驾驶环境下基于危险度的交叉口通行效率提升方法 |
| CN116092310A (zh) * | 2023-01-28 | 2023-05-09 | 西南交通大学 | 面向混合交通环境的路口协同生态驾驶控制方法及系统 |
| CN116363905A (zh) * | 2023-05-19 | 2023-06-30 | 吉林大学 | 一种异质交通流合流区换道时机判别及主动安全控制方法 |
| CN116663403A (zh) * | 2023-05-24 | 2023-08-29 | 交通运输部规划研究院 | 一种基于贝叶斯网络和跟驰模型的信号交叉口交通仿真方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239741A (zh) * | 2014-09-28 | 2014-12-24 | 清华大学 | 基于行车风险场的汽车驾驶安全辅助方法 |
| US20150344030A1 (en) * | 2014-05-30 | 2015-12-03 | Honda Research Institute Europe Gmbh | Method and vehicle with an advanced driver assistance system for risk-based traffic scene analysis |
| CN111640295A (zh) * | 2020-05-09 | 2020-09-08 | 天津市市政工程设计研究院 | 基于潜在冲突风险评估的交叉口事故黑点判别方法 |
| CN111710176A (zh) * | 2020-06-08 | 2020-09-25 | 同济大学 | 一种车路协同环境下交叉口信号-车辆轨迹协同控制方法 |
| US20210125076A1 (en) * | 2019-10-29 | 2021-04-29 | Denso International America, Inc. | System for predicting aggressive driving |
-
2021
- 2021-11-05 CN CN202111305857.0A patent/CN114021982A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150344030A1 (en) * | 2014-05-30 | 2015-12-03 | Honda Research Institute Europe Gmbh | Method and vehicle with an advanced driver assistance system for risk-based traffic scene analysis |
| CN104239741A (zh) * | 2014-09-28 | 2014-12-24 | 清华大学 | 基于行车风险场的汽车驾驶安全辅助方法 |
| US20210125076A1 (en) * | 2019-10-29 | 2021-04-29 | Denso International America, Inc. | System for predicting aggressive driving |
| CN111640295A (zh) * | 2020-05-09 | 2020-09-08 | 天津市市政工程设计研究院 | 基于潜在冲突风险评估的交叉口事故黑点判别方法 |
| CN111710176A (zh) * | 2020-06-08 | 2020-09-25 | 同济大学 | 一种车路协同环境下交叉口信号-车辆轨迹协同控制方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114724376A (zh) * | 2022-05-05 | 2022-07-08 | 北京航空航天大学 | 一种基于风险场理论的交叉口安全评价方法 |
| CN114724376B (zh) * | 2022-05-05 | 2023-04-28 | 北京航空航天大学 | 一种基于风险场理论的交叉口安全评价方法 |
| CN115620536A (zh) * | 2022-10-18 | 2023-01-17 | 北京航空航天大学 | 自动驾驶环境下基于危险度的交叉口通行效率提升方法 |
| CN116092310A (zh) * | 2023-01-28 | 2023-05-09 | 西南交通大学 | 面向混合交通环境的路口协同生态驾驶控制方法及系统 |
| CN116092310B (zh) * | 2023-01-28 | 2023-07-18 | 西南交通大学 | 面向混合交通环境的路口协同生态驾驶控制方法及系统 |
| CN116363905A (zh) * | 2023-05-19 | 2023-06-30 | 吉林大学 | 一种异质交通流合流区换道时机判别及主动安全控制方法 |
| CN116363905B (zh) * | 2023-05-19 | 2023-09-05 | 吉林大学 | 一种异质交通流合流区换道时机判别及主动安全控制方法 |
| CN116663403A (zh) * | 2023-05-24 | 2023-08-29 | 交通运输部规划研究院 | 一种基于贝叶斯网络和跟驰模型的信号交叉口交通仿真方法 |
| CN116663403B (zh) * | 2023-05-24 | 2024-02-13 | 交通运输部规划研究院 | 一种基于贝叶斯网络和跟驰模型的信号交叉口交通仿真方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114021982A (zh) | 一种基于风险量化的信号交叉口进口道车辆通行模型 | |
| CN110488802B (zh) | 一种网联环境下的自动驾驶车辆动态行为决策方法 | |
| CN110362910B (zh) | 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法 | |
| CN108225364B (zh) | 一种无人驾驶汽车驾驶任务决策系统及方法 | |
| CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
| CN109213148B (zh) | 一种基于深度强化学习的车辆低速跟驰决策方法 | |
| DE112010000802B4 (de) | Vorrichtung zum vorhersagen der bewegung eines mobilen körpers | |
| US20190143992A1 (en) | Self-driving learning apparatus and method using driving experience information | |
| US11555706B1 (en) | Processing graph representations of tactical maps using neural networks | |
| CN106740864A (zh) | 一种驾驶行为意图判断与预测方法 | |
| DE102013225057A1 (de) | Verfahren zum steuern eines fahrzeugs, vorrichtung zum erzeugen von steuersignalen für ein fahrzeug und fahrzeug | |
| DE102012009555A1 (de) | Verfahren zur Unterstützung eines Fahrers beim Führen eines Fahrzeugs und Fahrerassistenzsystem | |
| DE102015205131A1 (de) | Verfahren zum Betreiben eines zumindest teilweise automatisiert fahrenden Fahrzeugs innerhalb einer Fahrstrecke | |
| DE102015215605A1 (de) | Verfahren zum Steuern einer Verkehrssteueranlage | |
| Hsu et al. | A modified cellular automaton model for accounting for traffic behaviors during signal change intervals | |
| CN112249008A (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
| Cho et al. | Modeling and simulation of motorcycle traffic flow | |
| EP1890110A2 (de) | Verfahren zur Bestimmung einer optimalen Fahrstrategie eines Kraftfahrzeugs und entsprechend ausgestaltete Vorrichtung sowie zugehörige Anzeige und zugehöriges Kraftfahrzeug | |
| CN108711285A (zh) | 一种基于道路路口的混合交通模拟方法 | |
| DE102018124161A1 (de) | Verfahren zum zumindest teilautomatisierten Führen eines Kraftfahrzeugs auf einer Fahrbahn | |
| DE102018209804A1 (de) | Verfahren und Vorrichtung zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug | |
| Tapani | Versatile model for simulation of rural road traffic | |
| DE102016203522B4 (de) | Verfahren und Vorrichtung zum Vorhersagen von Trajektorien eines Kraftfahrzeugs | |
| Julian et al. | Complex lane change behavior in the foresighted driver model | |
| CN114475607B (zh) | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 |
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 |