CN115240411B - 一种城市道路交叉口右转冲突警示线测画方法 - Google Patents
一种城市道路交叉口右转冲突警示线测画方法 Download PDFInfo
- Publication number
- CN115240411B CN115240411B CN202210748742.7A CN202210748742A CN115240411B CN 115240411 B CN115240411 B CN 115240411B CN 202210748742 A CN202210748742 A CN 202210748742A CN 115240411 B CN115240411 B CN 115240411B
- Authority
- CN
- China
- Prior art keywords
- intersection
- rear wheel
- road
- wheel track
- vehicle
- 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 29
- 230000003068 static effect Effects 0.000 claims abstract description 33
- 241000283070 Equus zebra Species 0.000 claims description 17
- 238000012417 linear regression Methods 0.000 claims description 13
- 238000013461 design Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 8
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000272814 Anser sp. Species 0.000 description 1
- 244000064895 Cucumis melo subsp melo Species 0.000 description 1
- 235000009847 Cucumis melo var cantalupensis Nutrition 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G08G1/0125—Traffic data processing
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01F—ADDITIONAL WORK, SUCH AS EQUIPPING ROADS OR THE CONSTRUCTION OF PLATFORMS, HELICOPTER LANDING STAGES, SIGNS, SNOW FENCES, OR THE LIKE
- E01F9/00—Arrangement of road signs or traffic signals; Arrangements for enforcing caution
- E01F9/50—Road surface markings; Kerbs or road edgings, specially adapted for alerting road users
- E01F9/576—Traffic lines
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种城市道路交叉口右转冲突警示线测画方法,具体属于交通安全技术领域,包括获取城市交叉口冲突数据与大型车辆行车轨迹信息,通过大型车辆行车轨迹信息获得拟合出最外侧后轮轨迹曲线、最内侧后轮轨迹曲线;运用回归模型,构建大型车辆右转冲突区域动态模型,获得最外侧后轮轨迹曲线、最内侧后轮轨迹曲线的参数和动、静态指标之间的关系,将其它道路交叉口的动、静态指标输入到大型车辆右转冲突区域动态模型中,获得相应的最外侧后轮轨迹曲线、最内侧后轮轨迹曲线,即可画出城市道路警示标线。本发明不需要对每个交叉口的大型车轨迹的数据进行收集与调研,即可测画出右转冲突区警示线。
Description
技术领域:
本发明涉及交通安全技术领域,具体为一种城市道路交叉口右转冲突警示线测画方法。
背景技术:
在许多交通事故中,经常会出现大型车辆(包括城市公交车、市政公共用车、大型客车和大型货车)在进行右转时与行人或非机动车发生冲突,从而造成行人或者非机动车骑行人受伤甚至死亡的情况。当大型车辆在进行右转的过程时后轮往往不会跟随前轮的轨迹而进行运动,因而右侧的前后轮的轨迹往往不是一条曲线而是会形成一个被包裹的月牙形。这个被大型车辆前后轮的轨迹包围的区域,一般称为右转盲区。近几年来,大型车辆由于右转盲区所造成的交通事故的发生频率很高,并且从结果来看导致死亡的概率也相对较高,所以大型车辆右转在安全研究方面备受关注。
为了改善这一现状,许多城市都在进行大型车辆右转危险区的治理工作。而治理做法一般分为三种:1、推行“集卡右转必停”、“右转停车再起步”的行车规范。2、会给大货车上安装“盲区哨兵”报警系统。3、针对路口大货车右转时存在视线盲区,造成交通事故多发问题推出的“大货车盲区警示带”。前两种改善措施往往需要人为因素进行监管,而且单方面的从机动车驾驶员的角度出发,交叉口其他道路参与者不能直观的观测到大型车辆右转危险区,警示作用不够完善。而后面推出的“大货车盲区警示带”一定程度上解决了上述问题,大型车辆危险盲区警示带的好处是能够提醒驾驶人与行人,但是一般在绘制盲区警示带时只是通过交叉口设计转弯半径参数来进行设置,往往没有根据当地城市的交叉口特性来绘制,不能较为优异的反映出大型车辆真正的右转危险区域,因此现存的治理大型车辆右转危险事故的方式都存在一定的欠缺。
目前,关于大型车转弯危险区的研究起步较晚,首先,既有的研究对降低大型车辆右转危险性的方法种类研究较少。一些研究人员是针对交叉口的重新设计希望更改或者重新规划道路另外一大部分研究人员更倾向于对驾驶员和车辆进行干预和升级。例如黄翔月等在论文“基于仿真评估的大雁塔周边改双路段的交通组织设计”(广州航海学院学报,2019年)提出了交叉口渠化设计、信号配时设计、出入口控制等综合性改善措施和方案。韩永旺在论文“载重车典型盲区事故预警方法研究”(燕山大学硕士论文,2014年)从转向盲区、车辆内轮差和驾驶员视觉等方面分析事故原因,在研究行人检测算法和单目测距方法的基础上,选取有效的预警方法,从而实现盲区事故的预警功能。现在的研究中大多是从驾驶员的角度来剖析大型车辆右转危险这一现象或者是针对单一右转进行建模,来分析右转车辆的危险区域。但很少有在实际情况下收集大量交叉口数据进行分析,因此代表性不强,未能如实反映所处城市的大型车辆右转危险区域的真实情况。例如解学敏在论文“轻卡外后视镜视野盲区及解决方法研究”(汽车实用技术,2018年)就轻卡外后视镜视野盲区进行了分析,并提出了几种解决思路。王南南在论文“半挂汽车列车右转与慢行交通碰撞机理与防治研究”(河北工业大学硕士论文,2020年)基于右侧后视镜视野盲区形成机制,提出传统后视镜与摄像装置相结合的右转视觉补盲措施。以及在有关专利(CN202011377405.9、CN201620013718.9、CN201020191614.X)等中针对大型车辆右转危险行为,从照明预警等角度对右转区域进行了一定的防治。
基于以上原因,本发明需要提供一种合理地城市道路交叉口右转冲突警示线测画方法,解决现有技术更倾向于对驾驶员和车辆进行干预和升级,大多是从驾驶员的角度来剖析大型车辆右转危险这一现象或者是针对单一右转进行建模,来分析右转车辆的右转冲突区域的问题,使得交叉口其他道路参与者不能直观的观测到大型车辆右转危险区,警示作用不够完善的问题;以及绘制每个路口的盲区警示带时,都需要对该交叉口进行大型车轨迹的数据收集与调研的问题。
发明内容:
为了弥补现有技术问题的不足,本发明提供了一种城市道路交叉口右转冲突警示线测画方法。本发明是以大型车辆的后轮轨迹集群确定右转冲突区域,通过对右转冲突区域绘画出右转警示线,能够警示含行人、非机动车等多种交通参与者,解决现有技术更倾向于对驾驶员和车辆进行干预和升级的问题;另外,本发明通过探讨右转冲突区域与交叉口的动、静态指标的关系,获得右转冲突区域影响参数与动、静态指标的关系式,因此,在其他交叉口测画右转警示线时,只需要输入交叉口的动静态指标就可以获得对应交叉口的右转冲突区域,解决现有技术在测画右转警示线过程中,需要对每个交叉口的大型车轨迹的数据都进行收集与调研的问题。
本发明的技术方案如下:
一种城市道路交叉口右转冲突警示线测画方法,包括以下步骤:
(1)设计实验,选取具有一定大型车辆通过量的道路交叉口作为探究地点,通过无人机交通流视频检测装置获取道路交叉口的视频数据;
(2)提取步骤(1)中获取的道路交叉口的视频数据,获取交叉口中大型车辆右转的后轮轨迹数据,得到后轮轨迹数据群;
(3)根据步骤(2)中所获得大型车辆右转的后轮轨迹数据群,拟合出最外侧后轮轨迹曲线、最内侧后轮轨迹曲线;
(4)以右转冲突区域不超过斑马线边缘为前提条件,确定最外侧后轮轨迹曲线、最内侧后轮轨迹曲线与斑马线的相对位置,确定大型车辆右转冲突区域:在内侧后轮轨迹线、外侧后轮轨迹线与斑马线之间的区域;
(5)获取探究地点城市道路交叉口动态指标数据与静态指标数据;
所述动态指标包括:交叉口右转大型车辆平均车身长度、交叉口大型车辆右转平均车速、交叉口车流量;
所述静态指标包括:交叉口相交道路单向路宽、交叉口相交道路交角大小、交叉口进口道斑马线宽度、交叉口道路设计转弯半径、右转车道端点距相交道路出口道停止线距离、相交道路入口道距停止线交点距离;
(6)运用回归模型,构建大型车辆右转冲突区域动态模型;
具体是以步骤(5)中的9个动、静态指标数据作为自变量,最外侧后轮轨迹曲线、最内侧后轮轨迹曲线的影响参数为应变量,建立多元线性回归模型,对多元线性回归模型进行分析,获得最外侧后轮轨迹曲线、最内侧后轮轨迹曲线的影响参数与动态指标、静态指标之间的关系,从而获得大型车辆右转冲突区域动态模型;
(7)获取需要测画右转冲突警示线道路交叉口的动静态指标数据、静态指标数据,将动态指标数据、静态指标数据输入到步骤(6)的大型车辆右转冲突区域动态模型中,获得该道路交叉口的最外侧后轮轨迹曲线、最内侧后轮轨迹曲线,沿着外侧后轮轨迹曲线、最内侧后轮轨迹曲线与斑马线画出右转冲突区警示线。
针对于步骤(1)中获取的道路交叉口的视频数据,利用PR视频软件对所拍摄视频进行分析,获取当前时段交叉口车流量,利用Tracker轨迹追踪软件追踪交叉口的大型车辆,得到交叉口大型车辆右转平均速度。
步骤(2)中所述的大型车辆右转的后轮轨迹数据是利用Tracker轨迹追踪软件获取的,具体如下:
(3.1)选取最右侧车道的转角处作为坐标原点,选取两个间距已知的特征点,两个特征点之间的距离作为特征长度;
(3.2)以视频中进行右转的大型车辆后轮区域为特征区域进行识别跟踪,再计算出车轮区域的中心,作为车轮轮心,每帧画面轮心坐标跟踪结果作为车辆轮心的运动轨迹;
(3.3)采集监测点在一定帧数内行驶过的轨迹y=h(x),其中x为大货车后轮轨迹水平方向上的坐标,其中y为大货车后轮轨迹垂直方向上的坐标,并对照特征长度来确定车辆在曲线行驶时的每一帧坐标(x,y)。
所述最外侧后轮轨迹曲线、最内侧后轮轨迹曲线拟合方法,具体如下:
运用ORIGIN软件对后轮轨迹数据群外侧坐标点进行拟合,获得最外侧后轮轨迹曲线y=f(x外侧):
利用SPSS软件对对后轮轨迹数据群内侧坐标点进行拟合,获得最内侧后轮轨迹曲线y=g(x内侧):
所述多元线性回归模型如下:
p外侧=a40+a41x1+a42x2+a43x3+a44x4+a45x5+a46x6+a47x7+a48x8+a49x9+ε4,
p内侧=a80+a81x1+a82x2+a83x3+a84x4+a85x5+a86x6+a87x7+a88x8+a89x9+ε8,
其中,x1为交叉口右转大型车辆平均车身长度、x2为交叉口大型车辆右转平均车速、x3为交叉口相交道路单向路宽、x4为交叉口相交道路交角大小、x5为交叉口斑马线宽度、x6为交叉口车流量、x7为交叉口道路设计转弯半径、x8为右转车道端点距相交道路出口道停止线距离、x9为相交道路入口道距停止线交点距离。
所述对多元线性回归模型进行分析,具体是运用SPSS数据分析软件进行多元线性回归分析,回归分析中选择向后法进行自变量的筛选,获得最外侧后轮轨迹曲线、最内侧后轮轨迹曲线的影响参数与动态指标、静态指标之间的关系。
本发明的优点是:
1、本发明基于大型车辆右转的后轮轨迹数据群,以及右转冲突区域不超过斑马线边缘的前提条件,确定右转冲突区域,其可以真实地反映出大型车辆真正的右转冲突区域,从而降低道路交叉口中的非机动车与行人的事故率。
2、本发明通过探讨右转冲突区域与交叉口的动、静态参数的关系,获得右转冲突区域影响参数与动、静态参数的关系式,因此,在其他交叉口测画右转警示线时,只需要输入交叉口的动静态参数就可以获得对应交叉口的右转冲突区域,并不需要对每个交叉口的大型车轨迹的数据都进行收集与调研,可以有效地减少工作量,提高工作效率。
3、本发明测画出来的右转冲突警示线能够随着交叉口参数的不同进行动态变化,相较于现有的只通过交叉口转弯半径参数设置右转冲突警示线,更加科学合理,能够更为准确地反映出大型车辆真正的右转冲突区域,提醒大型车辆在警示区内行驶时要注意区域内驾驶;另一方面可以警示非机动车与行人注意道路情况。
附图说明:
图1为本发明的流程框图。
图2为本发明交叉口静态指标示意图。
具体实施方式:
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示,本实施例公开的一种城市道路交叉口右转冲突警示线测画方法,包括以下步骤:
(1)设计实验,通过无人机采集城市道路交叉口大型车辆右转时的轨迹、交叉口交通量、交叉口大型车辆速度等数据;
实验选取大型车辆交通量较多的代表性道路交叉口作为探究地点,实验开始前将无人机交通流视频检测装置置于交叉口上空,通过无人机高空数据收集检测方法,获取城市交叉口冲突数据与大型车辆行车轨迹信息。无人机交通流视频检测装置通过无线与手机相连接,并拍摄大型车辆右转视频存于储存卡中。其中,无人机交通流视频检测装置的飞行高度为150米,收集完数据后利用PR视频软件对所拍摄视频进行分析获取当前时段交叉口交通量,再利用Tracker轨迹追踪软件追踪交叉口的大型车辆,得出交叉口大型车辆右转平均速度。
(2)根据所获得的视频信息,提取交叉口中大型车辆右转的后轮轨迹数据,从而获得后轮轨迹数据群;
根据(1)中获取的数据,利用Tracker轨迹追踪软件探究大型车辆后轮轨迹随时间的变化规律,首先在视频中选取最右侧车道的转角处作为坐标原点,以其次选取两个间距已知的特征点,两个特征点之间的距离称为特征长度。而后选取视频中进行右转的大型车辆后轮区域为特征区域进行识别跟踪,再计算出车轮区域的中心,近似为车轮轮心,每帧画面轮心坐标跟踪结果就可视为车辆轮心的运动轨迹,通过采集监测点在一定帧数内行驶过的轨迹y=h(x),其中x为大型车辆后轮轨迹水平方向上的坐标,其中y为大型车辆后轮轨迹垂直方向上的坐标,并对照特征长度来确定车辆在曲线行驶时的每一帧坐标(x,y)。
(3)根据(2)中所获得大型车辆右转的后轮轨迹数据,建立大型车辆右转后轮轨迹模型;
大型车辆右转冲突区是指大型车辆右转过程中,会形成内轮差,进一步扩大存在视觉危险区,导致驾驶员难以观察到的车辆右侧形成的危险区域。根据轨迹分析表明,针对单一城市道路交叉口而言,绝大多数大型车辆的右转轨迹都会集中在一个特定区域而且交通事故的多发点往往靠近路边,并且交通冲突区域往往不会超过斑马线边缘,因此确定了后轮轨迹数据群的内侧、外侧后轮轨迹线与斑马线的相对位置即确定了大型车辆右转冲突区域;右转冲突区域外弧线与右转冲突区域内弧线是不定曲线,曲线的形成受很多因素的影响,例如交叉口设计参数,车辆物理运行参数等。该弧线代表的是该道路口后轮轨迹数据群的最外侧曲线y=f(x外侧)与最内侧曲线y=g(x内侧),则大型车辆右转冲突区即为大型车辆右转轨迹集群在城市道路交叉口上的映射。即右转后轮轨迹y=h(x)满足以下关系:
g(x内侧)≤h(x)≤f(x外侧) (1)
x≤l1 (2)
其中,l1即为右转车道端点距相交道路出口道停止线距离。
根据ORIGIN软件运用logistic模型对最外侧后轮轨迹曲线y=f(x外侧)进行拟合:
根据SPSS软件对最内侧后轮轨迹曲线y=f(x内侧)进行拟合:
因此,大型车辆右转后轮轨迹区域点集模型S为:
S={(x,y)|g(x内侧)≤y≤f(x外侧),x≤l1,y≥0} (5)
根据调研发现,右转冲突区最外侧后轮轨迹曲线y=f(x外侧)的影响参数p外侧以及最内侧后轮轨迹曲线y=g(x内侧)的影响参数 p内侧在不同的道路交口是不一样的,因此,要测画具有城市特性的大型车辆右转冲突区,需要先找到影响右转冲突区域的八个影响参数的具有代表性的城市道路交叉口动、静态指标。
(4)通过分析前些年的大型车辆右转的危险事故数据与查阅相关的研究将影响大型车辆右转的指标主要分为交叉口静态指标(如图2所示)与动态指标两类,并通过实地测量与无人机交通流视频采集装置分别收集影响交叉口大型车辆右转的指标;
城市道路交叉口动态指标:
①交叉口右转大型车辆平均车身长度(s);
②交叉口大型车辆右转平均车速(v);
③交叉口车流量大小(veh/h);
城市道路交叉口静态指标:
④交叉口相交道路单向路宽(l);
⑤交叉口相交道路交角大小(α);
⑥交叉口进口道斑马线宽度(w);
⑦交叉口道路设计转弯半径(r);
⑧右转车道端点距相交道路出口道停止线距离(l1);
⑨相交道路入口道距停止线交点距离(l2);
(5)根据(4)中的动静态指标结合运用回归模型,分析不同交叉口的动静态指标与大型车辆右转冲突区域的关系,建立右转冲突区域的动态模型。
运用多元线性回归方程进行模型建立的目的是确定不同的交叉口右转冲突区域的八个影响参数p外侧、p内侧。根据对城市中大型车辆较多的交叉口进行交叉口静态指标与动态指标的调研,选取交叉口右转大型车辆平均车身长度x1、交叉口大型车辆右转平均车速x2、交叉口相交道路单向路宽x3、交叉口相交道路交角大小x4、交叉口斑马线宽度x5、交叉口车流量x6、交叉口道路设计转弯半径x7、右转车道端点距相交道路出口道停止线距离x8、相交道路入口道距停止线交点距离x9,这9个动静态参数作为自变量,右转冲突区域影响参数为因变量,可以建立多元线性回归模型如下:
p外侧=a40+a41x1+a42x2+a43x3+a44x4+a45x5+a46x6+a47x7+a48x8+a49x9+ε4 (9)
p内侧=a80+a81x1+a82x2+a83x3+a84x4+a85x5+a86x6+a87x7+a88x8+a89x9+ε8 (13)
(6)根据步骤(5)中获得的不同交叉口的动静态参数与大型车辆右转冲突区域的关系模型,在其他交叉口测画交叉口右转警示线时不再需要进行交叉口的大型车轨迹的数据收集与调研,只需要输入交叉口的动、静态参数就可以方便的获得对应交叉口的右转冲突区域。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种城市道路交叉口右转冲突警示线测画方法,其特征在于,包括以下步骤:
(1)设计实验,选取具有一定大型车辆通过量的道路交叉口作为探究地点,通过无人机交通流视频检测装置获取道路交叉口的视频数据;
(2)提取步骤(1)中获取的道路交叉口的视频数据,获取交叉口中大型车辆右转的后轮轨迹数据,得到后轮轨迹数据群;
所述的大型车辆右转的后轮轨迹数据是利用Tracker轨迹追踪软件获取的,具体如下:
(2.1)选取最右侧车道的转角处作为坐标原点,选取两个间距已知的特征点,两个特征点之间的距离作为特征长度;
(2.2)以视频中进行右转的大型车辆后轮区域为特征区域进行识别跟踪,再计算出车轮区域的中心,作为车轮轮心,每帧画面轮心坐标跟踪结果作为车辆轮心的运动轨迹;
(2.3)采集监测点在一定帧数内行驶过的轨迹y=h(x),其中x为大货车后轮轨迹水平方向上的坐标,其中y为大货车后轮轨迹垂直方向上的坐标,并对照特征长度来确定车辆在曲线行驶时的每一帧坐标(x,y);
(3)根据步骤(2)中所获得大型车辆右转的后轮轨迹数据群,拟合出最外侧后轮轨迹曲线、最内侧后轮轨迹曲线;
所述最外侧后轮轨迹曲线、最内侧后轮轨迹曲线拟合方法,具体如下:
运用ORIGIN软件对后轮轨迹数据群外侧坐标点进行拟合,获得最外侧后轮轨迹曲线y=f(x外侧):
(4)以右转冲突区域不超过斑马线边缘为前提条件,确定最外侧后轮轨迹曲线、最内侧后轮轨迹曲线与斑马线的相对位置,确定大型车辆右转冲突区域:在内侧后轮轨迹线、外侧后轮轨迹线与斑马线之间的区域;
(5)获取探究地点城市道路交叉口动态指标数据与静态指标数据;
所述动态指标包括:交叉口右转大型车辆平均车身长度、交叉口大型车辆右转平均车速、交叉口车流量;
所述静态指标包括:交叉口相交道路单向路宽、交叉口相交道路交角大小、交叉口进口道斑马线宽度、交叉口道路设计转弯半径、右转车道端点距相交道路出口道停止线距离、相交道路入口道距停止线交点距离;
(6)运用回归模型,构建大型车辆右转冲突区域动态模型;
具体是以步骤(5)中的9个动、静态指标数据作为自变量,最外侧后轮轨迹曲线、最内侧后轮轨迹曲线的影响参数为应变量,建立多元线性回归模型,对多元线性回归模型进行分析,获得最外侧后轮轨迹曲线、最内侧后轮轨迹曲线的影响参数与动态指标、静态指标之间的关系,从而获得大型车辆右转冲突区域动态模型;
所述多元线性回归模型如下:
p外侧=a40+a41x1+a42x2+a43x3+a44x4+a45x5+a46x6+a47x7+a48x8+a49x9+ε4,
p内侧=a80+a81x1+a82x2+a83x3+a84x4+a85x5+a86x6+a87x7+a88x8+a89x9+ε8,
其中,x1为交叉口右转大型车辆平均车身长度、x2为交叉口大型车辆右转平均车速、x3为交叉口相交道路单向路宽、x4为交叉口相交道路交角大小、x5为交叉口斑马线宽度、x6为交叉口车流量、x7为交叉口道路设计转弯半径、x8为右转车道端点距相交道路出口道停止线距离、x9为相交道路入口道距停止线交点距离;
(7)获取需要测画右转冲突警示线道路交叉口的动静态指标数据、静态指标数据,将动态指标数据、静态指标数据输入到步骤(6)的大型车辆右转冲突区域动态模型中,获得该道路交叉口的最外侧后轮轨迹曲线、最内侧后轮轨迹曲线,沿着外侧后轮轨迹曲线、最内侧后轮轨迹曲线与斑马线画出右转冲突区警示线。
2.根据权利要求1所述一种城市道路交叉口右转冲突警示线测画方法,其特征在于,针对于步骤(1)中获取的道路交叉口的视频数据,利用PR视频软件对所拍摄视频进行分析,获取当前时段交叉口车流量,利用Tracker轨迹追踪软件追踪交叉口的大型车辆,得到交叉口大型车辆右转平均速度。
3.根据权利要求1所述一种城市道路交叉口右转冲突警示线测画方法,其特征在于,所述对多元线性回归模型进行分析,具体是运用SPSS数据分析软件进行多元线性回归分析,回归分析中选择向后法进行自变量的筛选,获得最外侧后轮轨迹曲线、最内侧后轮轨迹曲线的影响参数与动态指标、静态指标之间的关系。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210748742.7A CN115240411B (zh) | 2022-06-29 | 2022-06-29 | 一种城市道路交叉口右转冲突警示线测画方法 |
US18/214,532 US12002352B2 (en) | 2022-06-29 | 2023-06-27 | Mapping method for right-turn conflict warning lines at urban road intersections |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210748742.7A CN115240411B (zh) | 2022-06-29 | 2022-06-29 | 一种城市道路交叉口右转冲突警示线测画方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115240411A CN115240411A (zh) | 2022-10-25 |
CN115240411B true CN115240411B (zh) | 2023-05-09 |
Family
ID=83670673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210748742.7A Active CN115240411B (zh) | 2022-06-29 | 2022-06-29 | 一种城市道路交叉口右转冲突警示线测画方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US12002352B2 (zh) |
CN (1) | CN115240411B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117789486B (zh) * | 2024-02-28 | 2024-05-10 | 南京莱斯信息技术股份有限公司 | 一种大型车交叉路口右转必停监管系统及方法 |
CN118115676B (zh) * | 2024-04-28 | 2024-07-23 | 威海市城市规划技术服务中心有限公司 | 一种用于工程测量的多测点互联测绘系统 |
CN118247971B (zh) * | 2024-05-28 | 2024-08-02 | 华东交通大学 | 基于行驶轨迹的无信号交叉口智能汽车通行安全预警系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568223A (zh) * | 2012-02-06 | 2012-07-11 | 同济大学 | 信号交叉口右转专用车道实时动态控制方法 |
CN107766636A (zh) * | 2017-10-12 | 2018-03-06 | 东南大学 | 一种基于极值理论与微观仿真的城市交叉口安全评价方法 |
CN109801508A (zh) * | 2019-02-26 | 2019-05-24 | 百度在线网络技术(北京)有限公司 | 路口处障碍物的运动轨迹预测方法及装置 |
CN113356101A (zh) * | 2021-07-13 | 2021-09-07 | 合肥工业大学 | 一种大型车辆右转盲区的城市道路警示标线设计方法 |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110117903A1 (en) * | 2009-11-19 | 2011-05-19 | James Roy Bradley | Device and method for disabling mobile devices |
CN201670165U (zh) | 2010-05-13 | 2010-12-15 | 上海宝钢设备检修有限公司 | 大型车辆右侧角右转自动照明电路 |
US9834153B2 (en) * | 2011-04-25 | 2017-12-05 | Magna Electronics Inc. | Method and system for dynamically calibrating vehicular cameras |
US20150143913A1 (en) * | 2012-01-19 | 2015-05-28 | Purdue Research Foundation | Multi-modal sensing for vehicle |
US9495874B1 (en) * | 2012-04-13 | 2016-11-15 | Google Inc. | Automated system and method for modeling the behavior of vehicles and other agents |
CN205451529U (zh) | 2016-01-06 | 2016-08-10 | 北京工业大学 | 一种平面交叉路口大型车辆右转内轮差的安全防范系统 |
US11927965B2 (en) * | 2016-02-29 | 2024-03-12 | AI Incorporated | Obstacle recognition method for autonomous robots |
US11966838B2 (en) * | 2018-06-19 | 2024-04-23 | Nvidia Corporation | Behavior-guided path planning in autonomous machine applications |
CN113228114A (zh) * | 2018-08-29 | 2021-08-06 | 莫维迪厄斯有限公司 | 计算机视觉系统 |
US11068724B2 (en) * | 2018-10-11 | 2021-07-20 | Baidu Usa Llc | Deep learning continuous lane lines detection system for autonomous vehicles |
CN111386559B (zh) * | 2018-10-25 | 2022-07-19 | 北京嘀嘀无限科技发展有限公司 | 一种路口是否存在目标道路设施的判断方法及系统 |
WO2020163390A1 (en) * | 2019-02-05 | 2020-08-13 | Nvidia Corporation | Driving lane perception diversity and redundancy in autonomous driving applications |
US11875678B2 (en) * | 2019-07-19 | 2024-01-16 | Zoox, Inc. | Unstructured vehicle path planner |
CN113994390A (zh) * | 2019-12-03 | 2022-01-28 | 辉达公司 | 针对自主驾驶应用的使用曲线拟合的地标检测 |
US11886968B2 (en) * | 2020-03-27 | 2024-01-30 | Intel Corporation | Methods and devices for detecting objects and calculating a time to contact in autonomous driving systems |
US11390301B2 (en) * | 2020-06-10 | 2022-07-19 | Nvidia Corp. | Tensor-based driving scenario characterization |
US11550325B2 (en) * | 2020-06-10 | 2023-01-10 | Nvidia Corp. | Adversarial scenarios for safety testing of autonomous vehicles |
US11222232B1 (en) * | 2020-06-19 | 2022-01-11 | Nvidia Corporation | Using temporal filters for automated real-time classification |
US11433885B1 (en) * | 2020-08-20 | 2022-09-06 | Zoox, Inc. | Collision detection for vehicles |
CN112466159B (zh) | 2020-11-30 | 2022-05-06 | 浙江科技学院 | 一种大型车辆右转弯安全性预警系统 |
JP2022100865A (ja) * | 2020-12-24 | 2022-07-06 | 住友ゴム工業株式会社 | タイヤの摩耗状態の推定装置 |
US20230127185A1 (en) * | 2021-10-22 | 2023-04-27 | Zoox, Inc. | Drivable surface map for autonomous vehicle navigation |
WO2023069398A1 (en) * | 2021-10-22 | 2023-04-27 | Zoox, Inc. | Drivable surface map for autonomous vehicle navigation |
US12025465B2 (en) * | 2021-10-22 | 2024-07-02 | Zoox, Inc. | Drivable surface map for autonomous vehicle navigation |
WO2023129656A1 (en) * | 2021-12-29 | 2023-07-06 | Mobileye Vision Technologies Ltd. | Calculating vehicle speed for a road curve |
US20230286530A1 (en) * | 2022-03-08 | 2023-09-14 | Nvidia Corporation | Object data curation of map information using neural networks for autonomous systems and applications |
US20230322208A1 (en) * | 2022-04-06 | 2023-10-12 | Mobileye Vision Technologies Ltd. | Steering limiters for vehicle navigation |
-
2022
- 2022-06-29 CN CN202210748742.7A patent/CN115240411B/zh active Active
-
2023
- 2023-06-27 US US18/214,532 patent/US12002352B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568223A (zh) * | 2012-02-06 | 2012-07-11 | 同济大学 | 信号交叉口右转专用车道实时动态控制方法 |
CN107766636A (zh) * | 2017-10-12 | 2018-03-06 | 东南大学 | 一种基于极值理论与微观仿真的城市交叉口安全评价方法 |
CN109801508A (zh) * | 2019-02-26 | 2019-05-24 | 百度在线网络技术(北京)有限公司 | 路口处障碍物的运动轨迹预测方法及装置 |
CN113356101A (zh) * | 2021-07-13 | 2021-09-07 | 合肥工业大学 | 一种大型车辆右转盲区的城市道路警示标线设计方法 |
Non-Patent Citations (2)
Title |
---|
Erma Rahayu Mohd Faizal 等.Virtual Mid-Line Detection On Curve Road For User Guidance Using Simulation Model.《2009 International Conference on Computer Technology and Development》.2009,全文. * |
曲昭伟 ; 罗瑞琪 ; 陈永恒 ; 曹宁博 ; 邓晓磊 ; 汪昆维 ; .信号交叉口右转机动车轨迹特性.浙江大学学报(工学版).2018,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115240411A (zh) | 2022-10-25 |
US20240005781A1 (en) | 2024-01-04 |
US12002352B2 (en) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115240411B (zh) | 一种城市道路交叉口右转冲突警示线测画方法 | |
CN108845327B (zh) | 一种大货车视野盲区障碍物的智能检测及提醒系统 | |
CN110065494B (zh) | 一种基于车轮检测的车辆防碰撞方法 | |
JP6783949B2 (ja) | 交通標識情報を用いた道路検出 | |
US20220230449A1 (en) | Automatically perceiving travel signals | |
CN113487874B (zh) | 一种跟驰行为场景数据采集、识别、分类提取系统及方法 | |
KR102613839B1 (ko) | 긴급 차량들의 검출 | |
CN113356101B (zh) | 一种大型车辆右转盲区的城市道路警示标线设计方法 | |
CN106394559A (zh) | 基于环境感知信息的多目标评判驾驶行为分析方法 | |
US20180300567A1 (en) | Automatically perceiving travel signals | |
CN106981220A (zh) | 大型车右转弯安全预警系统 | |
US20180299893A1 (en) | Automatically perceiving travel signals | |
CN113635897B (zh) | 一种基于风险场的安全驾驶预警方法 | |
CN101101333A (zh) | 用于产生行进车辆的驾驶员辅助信息的设备和方法 | |
CN103072537A (zh) | 基于红外图像处理的汽车防撞安全保护装置及保护方法 | |
CN102288121A (zh) | 一种基于单目视觉的车道偏离距离测量及预警方法 | |
CN102685516A (zh) | 立体视觉主动安全辅助驾驶方法 | |
WO2018195150A1 (en) | Automatically perceiving travel signals | |
CN112485784B (zh) | 内轮差区域内目标的危险系数确定方法、装置、电子设备及存储介质 | |
CN107886034A (zh) | 行车提醒方法、装置及车辆 | |
CN111775934A (zh) | 一种汽车的智能驾驶避障系统 | |
CN111260915A (zh) | 一种高速公路交通异常区域行人逗留的预警提醒方法 | |
CN113682307A (zh) | 一种可视化变道辅助方法及系统 | |
CN206383950U (zh) | 用于多目标评判驾驶行为分析的车辆环感信息采集系统 | |
CN105303837A (zh) | 一种检测驾驶人跟驰行为特性参数的方法及系统 |
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 |