CN115238801A - 一种交叉口车辆二维轨迹重构方法 - Google Patents
一种交叉口车辆二维轨迹重构方法 Download PDFInfo
- Publication number
- CN115238801A CN115238801A CN202210897067.4A CN202210897067A CN115238801A CN 115238801 A CN115238801 A CN 115238801A CN 202210897067 A CN202210897067 A CN 202210897067A CN 115238801 A CN115238801 A CN 115238801A
- Authority
- CN
- China
- Prior art keywords
- formula
- vehicle
- track
- speed
- intersection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000009499 grossing Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 229910052731 fluorine Inorganic materials 0.000 claims description 2
- 125000001153 fluoro group Chemical group F* 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 239000003205 fragrance Substances 0.000 claims 1
- 230000009466 transformation Effects 0.000 abstract description 4
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 101150065184 sym-2 gene Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010831 paired-sample T-test Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种交叉口车辆二维轨迹重构方法,针对车辆在交叉口的行驶轨迹同时由速度和方向决定的特征,提出了一种异常识别‑线性插值‑局部平滑的三步交叉口车辆二维轨迹重构方法。首先针对每条待重构轨迹的速度和方向选用最佳的小波基进行异常点识别,然后采用局部加权回归对剔除后的异常点位进行插值,最后采用Savitzky‑Golay滤波对整条轨迹进行平滑。本发明对不同程度噪声分别采用小波变换和Savitzky‑Golay滤波进行剔除和平滑,并针对每条轨迹的速度和方向,结合曲线整体特征和物理含义选择重构参数,保障了重构轨迹的运动参数能尽可能符合车辆动力学规律,提高了车辆二维轨迹数据重构的准确性。
Description
技术领域
本发明属于轨迹重构方法技术领域,尤其涉及一种交叉口车辆二维轨迹重构方法。
背景技术
车辆轨迹数据是道路交通设计、优化、控制和管理各阶段工作的基础数据。对于交叉口,可通过GPS、车载雷达、无人机视频等设备记录车辆的轨迹。然而获取的轨迹通常由于观测误差而含有噪声,造成轨迹的运动参数不符合车辆动力学规律,因此需要在使用轨迹数据前需要进行轨迹重构。以往研究大多致力于重构干道的车辆轨迹,主要考虑车辆轨迹的纵向误差。然而在交叉口内部,车辆轨迹除了受到纵向误差外,还由于转向而受到横向的影响,因此有必要开发针对交叉口车辆二维轨迹的重构方法。
交叉口车辆二维轨迹同时受到速度和方向的影响,直接使用一维干道车辆轨迹重构技术进行重构可能会导致方向上的不连续,未见有针对性的应对方法,并且也未检索到这类方法的发明专利。
经对现有技术的文献检索发现,车辆轨迹重构方法主要有以下几种:
1、基于滤波的车辆轨迹重构。在车辆轨迹重构中,主要通过对车辆坐标、速度应用滤波进行平滑以获得符合动力学的车辆轨迹数据。其中最为常用的是移动平均滤波、Savitzky-Golay滤波、Butterworth滤波、多项式回归滤波、Kalman滤波。代表性成果与论著包括《车辆轨迹预测方法及装置》(专利申请号CN202111553146.5)、《Kalman FilteringTechniques for Radar Tracking》。
2、基于平滑的车辆轨迹重构。对于获取的轨迹数据,可通过应用平滑技术对车辆轨迹数据进行重构以消除轨迹中的噪声。其中最为常用的是样条平滑、指数平滑、Rauch-Tung-Strieber平滑。代表性成果包括《一种基于滑动平均算法的车辆轨迹优化方法》(专利申请号CN202011207444.4)、《一种轨迹数据的处理方法以及相关装置》(专利申请号CN202011373472.3)。
方法1是传统的针对干道的车辆轨迹数据重构,不涉及本发明针对的二维平面内的车辆轨迹重构。
方法2在对车辆轨迹进行重构时普遍采用了固定的平滑参数,然而,对于处于交叉口的车辆会存在明显的误差,重构的横向轨迹往往由于不适用于纵向误差模式而出现较大误差。
现有车辆轨迹重构有着丰富的手段和方法,然而,在利用各种手段消除轨迹中的噪声时,未针对交叉口车辆二维轨迹同时受到速度和方向影响这一特征提出相应的处理方法。这导致重构的轨迹存在误差。因此,现有技术缺乏针对交叉口车辆二维轨迹的重构方法。
发明内容
本发明考虑交叉口车辆二维轨迹同时受到速度和方向影响这一特征,提供了一种交叉口车辆二维轨迹重构方法,使得重构轨迹的运动参数能尽可能符合车辆动力学规律。
本发明的技术方案如下:
参考图1,通过依次实施通过异常识别-线性插值-局部平滑3个步骤,对车辆轨迹进行重构。
步骤1:使用小波变换识别异常值。通过轨迹数据计算车辆的速度和方向曲线,确定合适的小波基识别速度和方向中的异常值。将能量香农熵比和加速度范围作为速度异常识别小波基选择的依据;将能量香农熵比和曲率范围作为方向角异常识别小波基选择的依据;将车辆加速度的合理范围设定为[-5,5]m/s2,曲率的合理范围设定为[-0.2,0.2]m-1。在满足加速度或曲率合理范围的基础上,选取能量香农熵比最大的小波基。
能量香农熵比可由式(1)计算得到。
式中,radio(j)表示j级分解时能量与香农熵的比率;E(j)表示j级分解的能量,由式(2)确定。
式中,wt(j,k)表示k级的小波系数;k是小波系数的总数。Sentropy(j)表示j级分解处的香农熵,由式(3)确定。
式中,μj和σj分别是j级小波系数的均值和标准差;z值在95%置信水平下为1.96。
步骤2:使用局部加权回归进行数据插值。通过小波变换识别异常值后,需要对去除异常值后的轨迹数据缺失值进行插值,以便于后续的滤波和平滑。局部加权回归的一般形式在等式(5)中定义。
式中,k是最近邻的数量;ψ是权重向量;ψi是分配给每个最近的实例的权重,可以从核函数K(xi,x0)获得;d是多项式的次数;xi是第i个轨迹点的速度或方向角;x0是要拟合的速度或方向角。在训练期间,使用式(6)重新更新了训练示例的权重(ψ*)。
式中,σ和h是高斯核的超参数;W是权重矩阵。W(i,i)的值表示拟合预测第i个速度或方向角的权重。
步骤3:使用Savitzky-Golay滤波器进行平滑处理。S-G滤波如公式(8)所示。
式中,Yj是速度或方向角度拟合值;Yj+1是原始速度或方向角度值;Ci是滤波器的第i个系数,本方法通过2阶多项式最小二乘拟合得到;m是半波窗口宽度,本方法中取0.3,N是波器的长度,等于2m+1。
交叉口内部重构车辆轨迹的关键在于准确识别速度和方向异常值。现有技术的缺陷就在于只考虑纵向上的轨迹误差。本发明的上述过程中充分考虑了二维平面内实际车辆轨迹不仅受速度的影响还受到转向的影响,对不同程度噪声分别采用小波变换和Savitzky-Golay滤波进行剔除和平滑,并针对每条轨迹的速度和方向,结合曲线整体特征和物理含义选择重构参数,保障了重构轨迹的运动参数能尽可能符合车辆动力学规律,提高了车辆二维轨迹数据重构的准确性。
与现有技术相比,本发明的有益效果主要体现在:
1、本发明提供了一种交叉口车辆二维轨迹重构方法,可适用于交叉口区域内的车辆轨迹数据重构。
2、本发明建立了异常识别-线性插值-局部平滑3步轨迹重构方法,对不同程度噪声分别采用小波变换和Savitzky-Golay滤波进行剔除和平滑。
3、本发明考虑了二维平面内车辆轨迹同时受速度和方向影响的特征,针对每条轨迹的速度和方向,结合曲线整体特征和物理含义选择重构参数,保障了重构轨迹的运动参数能尽可能符合车辆动力学规律。
附图说明
图1为本发明的流程图;
图2为本发明实施例1中道路几何条件示意图;
图3为本发明实施例1中步骤1结果;
图4为本发明实施例1中步骤2结果;
图5为本发明实施例1中步骤3结果;
图6为本发明实施例1中本发明与MA、SG方法的加速度对比图;
图7为本发明实施例1中本发明与MA、SG方法的曲率对比图。
具体实施方式
下面将结合示意图对本发明一种交叉口车辆二维轨迹重构方法进行更详细的描述,其中表示了本发明的优选实施例,应该理解本领域技术人员可以修改在此描述的本发明,而仍然实现本发明的有利效果,因此,下列描述应当被理解为对于本领域技术人员的广泛知道,而并不作为对本发明的限制。
实施例1:
采用视频识别技术提取原始轨迹数据。采用本发明方法如图2所示交叉口内采集到的车辆轨迹(以1105号车为例)进行重构,具体过程简述如下:
步骤1:使用小波变换识别异常值。在考虑的Haar,Daubechies(Db),Symlets(Sym),Coiflets(Coif)和Biorthogonal(Bior)小波中,速度和方向角小波选取结果如表1、表2所示。识别出的异常点如图3所示。
小波 | 能量香农熵比 | 加速度范围(米/秒2) |
Haar | 13.69 | [-4.87,3.87] |
Db2 | 12.72 | [-5.13,4.11] |
Db4 | 11.74 | [-11.02,36.98] |
Db6 | 11.19 | [-51.02,68.22] |
Sym2 | 12.71 | [-6.52,6.45] |
Sym4 | 12.64 | [-7.63,7.95] |
Sym6 | 12.46 | [-7.56,8.34] |
Coif1 | 12.33 | [-7.33,10.91] |
Coif3 | 12.02 | [-8.21,11.96] |
Coif5 | 12.00 | [-14.30,20.96] |
Bior1.3 | 11.86 | [-50.22,124.68] |
Bior2.8 | 11.43 | [-33.09,50.53] |
Bior3.1 | 11.64 | [-25.21,28.28] |
表1
小波 | 能量香农熵比 | 曲率范围(米-1) |
Haar | 364.17 | [-1.07,1.08] |
Db2 | 333.90 | [-0.99,1.60] |
Db4 | 354.31 | [-0.11,0.58] |
Db6 | 430.14 | [-0.08,0.21] |
Sym2 | 333.90 | [-0.99,1.60] |
Sym4 | 365.77 | [-0.09,0.56] |
Sym6 | 359.20 | [-0.08,0.51] |
Coif1 | 360.86 | [-0.24,0.66] |
Coif3 | 483.76 | [-0.08,0.23] |
Coif5 | 441.12 | [-0.17,0.33] |
Bior1.3 | 343.98 | [-1.06,9.51] |
Bior2.8 | 535.66 | [-0.07,0.19] |
Bior3.1 | 474.94 | [-0.88,1.44] |
表2
步骤2:使用局部加权回归进行数据插值。对异常值附近的10个点进行局部拟合进行插值的结果如图4所示。
步骤3:使用Savitzky-Golay滤波器进行平滑处理。对插值后的速度和方向角曲线应用Savitzky-Golay滤波进行平滑结果如图5所示。
本发明计算结果、应用MA、S-G结果的加速度、曲率分布如图6、图7所示。较MA、S-G方法,加速度异常率分别提升了11%和5%,曲率异常率分别提升6%和13%。同时对重构轨迹与人工提取的地面真实轨迹进行配对样本T检验结果如表3所示,表明示例车辆的重构轨迹与原始轨迹的坐标无显著差异。示例车辆应用本发明方法与应用MA、S-G方法的重构轨迹与地面真实轨迹的差值对比结果见表4,本发明对重构轨迹的误差均小于1m。
表3
方法 | 最大(米) | 最小值(米) | 平均值(米) | 标准偏差(米) |
本发明的方法 | 0.921 | 0.127 | 0.821 | 1.257 |
MA方法 | 2.132 | 1.153 | 1.775 | 2.396 |
S-G方法 | 2.055 | 1.241 | 1.826 | 2.878 |
表4
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (6)
1.一种交叉口车辆二维轨迹重构方法,其特征在于,通过如下步骤对车辆轨迹进行重构:
S1:通过轨迹数据计算车辆的速度和方向曲线,确定合适的小波基识别速度和方向中的异常值;
S2:使用局部加权回归对去除异常值之后的轨迹数据缺失值进行插值,以便于后续滤波和平滑;
S3:使用Savitzky-Golay滤波器对每条轨迹的速度和方向进行平滑处理,完成交叉口车辆二维轨迹的重构。
2.根据权利要求1所述的交叉口车辆二维轨迹重构方法,其特征在于,所述S1中,合适的小波基具体为:将能量香浓熵比和加速度合理范围作为速度异常识别小波基选择的依据;将能量香浓熵比和曲率合理范围作为方向角异常识别小波基选择的依据,在满足加速度合理范围或曲率合理范围的基础上,选取能量香浓熵比最大的小波基。
3.根据权利要求2所述的交叉口车辆二维轨迹重构方法,其特征在于,所述加速度合理范围设定为[-5,5]m/s2,所述曲率的合理范围设定为[-0.2,0.2]m-1。
4.根据权利要求3所述的交叉口车辆二维轨迹重构方法,其特征在于,所述能量香浓熵比通过公式一计算得到,所述公式一表示为:
所述公式一中,radio(j)表示j级分解时能量与香农熵的比率;E(j)表示j级分解的能量,由公式二计算确定,所述公式二表示为:
所述公式二中,wt(j,k)表示k级的小波系数;k是小波系数的总数;Sentropy(j)表示j级分解处的香农熵,由公式三计算确定,所述公式三表示为:
所述公式四中,μj和σj分别为j级小波系数的均值和标准差;z值在95%置信水平下为1.96。
5.根据权利要求1所述的交叉口车辆二维轨迹重构方法,其特征在于,所述S2中,所述局部加权回归的一般形式通过公式五定义,所述公式五表示为:
所述公式五中,k是最近邻的数量;ψ是权重向量;ψi是分配给每个最近的实例的权重,从核函数K(xi,x0)获得;d是多项式的次数;xi是第i个轨迹点的速度或方向角;x0是要拟合的速度或方向角,在训练期间,通过公式六重新更新了训练示例的权重(ψ*),所述公式六表示为:
所述公式七中,σ和h为高斯核的超参数;W为权重矩阵。W(i,i)的值表示拟合预测第i个速度或方向角的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210897067.4A CN115238801A (zh) | 2022-07-28 | 2022-07-28 | 一种交叉口车辆二维轨迹重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210897067.4A CN115238801A (zh) | 2022-07-28 | 2022-07-28 | 一种交叉口车辆二维轨迹重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115238801A true CN115238801A (zh) | 2022-10-25 |
Family
ID=83676894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210897067.4A Pending CN115238801A (zh) | 2022-07-28 | 2022-07-28 | 一种交叉口车辆二维轨迹重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238801A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080273752A1 (en) * | 2007-01-18 | 2008-11-06 | Siemens Corporate Research, Inc. | System and method for vehicle detection and tracking |
CN108416753A (zh) * | 2018-03-14 | 2018-08-17 | 大连理工大学 | 一种基于非参数化交替方向乘子法的图像去噪算法 |
CN111324848A (zh) * | 2020-02-17 | 2020-06-23 | 北京建筑大学 | 移动激光雷达测量系统车载轨迹数据优化方法 |
CN111611918A (zh) * | 2020-05-20 | 2020-09-01 | 重庆大学 | 基于航拍数据和深度学习的交通流数据集采集及构建方法 |
CN113971373A (zh) * | 2021-11-08 | 2022-01-25 | 重庆邮电大学 | 一种基于视频修复技术的交通流量插补方法 |
US20220035375A1 (en) * | 2020-07-28 | 2022-02-03 | Kasra Rezaee | Predictive motion planning system and method |
CN114090708A (zh) * | 2021-11-13 | 2022-02-25 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于Hxknn车载终端数据轨迹查询处理方法 |
-
2022
- 2022-07-28 CN CN202210897067.4A patent/CN115238801A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080273752A1 (en) * | 2007-01-18 | 2008-11-06 | Siemens Corporate Research, Inc. | System and method for vehicle detection and tracking |
CN108416753A (zh) * | 2018-03-14 | 2018-08-17 | 大连理工大学 | 一种基于非参数化交替方向乘子法的图像去噪算法 |
CN111324848A (zh) * | 2020-02-17 | 2020-06-23 | 北京建筑大学 | 移动激光雷达测量系统车载轨迹数据优化方法 |
CN111611918A (zh) * | 2020-05-20 | 2020-09-01 | 重庆大学 | 基于航拍数据和深度学习的交通流数据集采集及构建方法 |
US20220035375A1 (en) * | 2020-07-28 | 2022-02-03 | Kasra Rezaee | Predictive motion planning system and method |
CN113971373A (zh) * | 2021-11-08 | 2022-01-25 | 重庆邮电大学 | 一种基于视频修复技术的交通流量插补方法 |
CN114090708A (zh) * | 2021-11-13 | 2022-02-25 | 哈尔滨航天恒星数据系统科技有限公司 | 一种基于Hxknn车载终端数据轨迹查询处理方法 |
Non-Patent Citations (4)
Title |
---|
TOMER TOLEDO ET AL.: "Estimation of Vehicle Trajectories with Locally Weighted Regression", 《JOURNAL OF THE TRANSPORTATION RESEARCH BOARD》 * |
刘晨强: "车辆轨迹数据与换道行为特性研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
李依等: "NGSIM轨迹重构研究综述", 《汽车实用技术》 * |
马世豪: "一种考虑驾驶风格特征的驾驶行为建模方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388896B (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
CN110738690A (zh) | 一种基于多目标追踪框架的无人机视频中车速校正方法 | |
CN110874566B (zh) | 生成数据集的方法及装置、利用其的学习方法及学习装置 | |
CN110147648B (zh) | 基于独立成分分析和稀疏去噪自编码器的汽车传感器故障检测方法 | |
CN110232362B (zh) | 基于卷积神经网络和多特征融合的舰船尺寸估计方法 | |
CN114612795A (zh) | 基于激光雷达点云的路面场景目标识别方法 | |
CN101639934A (zh) | 基于轮廓波域块隐马尔可夫模型sar图像去噪方法 | |
CN111292275B (zh) | 基于复杂地面的点云数据滤除方法、装置、计算机设备 | |
CN112632202B (zh) | 一种基于高阶隐马尔可夫模型的动态地图匹配方法 | |
CN110880010A (zh) | 基于卷积神经网络的视觉slam闭环检测算法 | |
CN112578419A (zh) | 一种基于gru网络和卡尔曼滤波的gps数据重构方法 | |
CN114169379B (zh) | 一种轴承状态监测振动异常数据检测方法 | |
CN116110042A (zh) | 一种基于YOLOv7的CBAM注意力机制番茄检测方法 | |
CN110458773B (zh) | 一种基于边缘增强算子的各向异性扩散噪声处理方法 | |
CN109448024B (zh) | 利用深度数据构建约束相关滤波器的视觉跟踪方法、系统 | |
CN114118528A (zh) | 基于线性与非线性滤波器组合的船舶航迹实时预报方法 | |
CN115238801A (zh) | 一种交叉口车辆二维轨迹重构方法 | |
CN117351038A (zh) | 一种使用频谱信息的行人轨迹预测方法 | |
CN107085839A (zh) | 基于纹理增强与稀疏编码的sar图像降斑方法 | |
CN102314687B (zh) | 一种红外序列图像中的小目标检测方法 | |
CN109063782B (zh) | 一种自适应泵站故障智能诊断方法 | |
CN117132482A (zh) | 一种基于红外热成像的智能图像算法的方法 | |
CN104077752A (zh) | 一种基于置信相似度的递归高斯极大似然估计的冲激噪声抑制方法 | |
CN115451983B (zh) | 一种复杂场景下的动态环境建图与路径规划方法及装置 | |
CN117132478B (zh) | 一种基于法向量二范数特征参数的轨道点云去噪方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221025 |
|
RJ01 | Rejection of invention patent application after publication |