CN115273549A - 一种基于路侧激光雷达的高速公路分流区防撞方法 - Google Patents

一种基于路侧激光雷达的高速公路分流区防撞方法 Download PDF

Info

Publication number
CN115273549A
CN115273549A CN202210903309.6A CN202210903309A CN115273549A CN 115273549 A CN115273549 A CN 115273549A CN 202210903309 A CN202210903309 A CN 202210903309A CN 115273549 A CN115273549 A CN 115273549A
Authority
CN
China
Prior art keywords
vehicle
guardrail
laser radar
time
distance
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.)
Granted
Application number
CN202210903309.6A
Other languages
English (en)
Other versions
CN115273549B (zh
Inventor
左志武
郭鑫铭
马川义
吴建清
解冬东
田源
朱建国
许孝滨
程之恒
薛宇翾
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.)
Shandong University
Shandong High Speed Group Co Ltd
Original Assignee
Shandong University
Shandong High Speed Group 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 Shandong University, Shandong High Speed Group Co Ltd filed Critical Shandong University
Priority to CN202210903309.6A priority Critical patent/CN115273549B/zh
Publication of CN115273549A publication Critical patent/CN115273549A/zh
Application granted granted Critical
Publication of CN115273549B publication Critical patent/CN115273549B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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
    • E01F15/00—Safety arrangements for slowing, redirecting or stopping errant vehicles, e.g. guard posts or bollards; Arrangements for reducing damage to roadside structures due to vehicular impact
    • E01F15/14—Safety arrangements for slowing, redirecting or stopping errant vehicles, e.g. guard posts or bollards; Arrangements for reducing damage to roadside structures due to vehicular impact specially adapted for local protection, e.g. for bridge piers, for traffic islands
    • E01F15/145—Means for vehicle stopping using impact energy absorbers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本发明涉及一种基于路侧激光雷达的高速公路分流区防撞方法，属于交通安全技术领域。包括通过路侧激光雷达获取道路上的机动车目标，得到待处理的三维点云数据；将三维点云数据通过背景滤除、目标聚类、目标分类、车道识别和目标追踪提取车辆的实时轨迹信息，包括三维坐标和速度；根据车辆实时轨迹信息得到距离‑速度‑时间曲线，通过距离‑速度‑时间曲线来确定是否需要发出预警信号；当检测到车辆进入危险区域内，则触发防护系统。本发明以路侧激光雷达点云数据为基础，通过坐标转换、背景滤除、目标识别、轨迹追踪等算法，来实现掌握车辆实时动态，并通过距离‑速度‑时间曲线及时判断车辆行为做出相应的安全保障措施，来减少事故的发生。

Description

一种基于路侧激光雷达的高速公路分流区防撞方法
技术领域
本发明涉及一种基于路侧激光雷达的高速公路分流区防撞方法，属于交通安全技术领域。
背景技术
目前，我国经济飞速发展，对于安全快速便捷的交通运输需求越来越高，高速公路作为交通运输中必不可少的一种运输方式，对社会经济发展起着不可估量的作用。高速公路分流区由于车辆的分流驶出需要频繁的变换车道或减速，导致主线交通流运行紊乱、交通冲突频发，分流区已成为高速公路交通事故的易发地带。经统计，超过40％的高速公路事故发生于高速公路出口区域内。经调研分析发现，当车辆到达不熟悉路况的分流出口前方时，容易出现犹豫、紧急减速或突然向驶出匝道变道等危险驾驶行为，导致后方主路高速行驶的车辆无法及时避让，造成追尾碰撞等事故，这极易引发重大交通事故。
迄今为止，分流区交通安全问题的解决方案大多是局限于出入口设计、标志标线设置和安全预警装置，还没有一套完整的预警-防撞系统，预警系统来实现分流区的实际交通情况进行智能化实时动态预警来警示驾驶员及时调整驾驶行为；防撞系统则来实现发生事故能最大程度上减少人财损失。
激光雷达作为一种新型智能感知设备，具有体积小、3D成像、信息实时感知、不受光照影响、精度高等特点，目前被广泛应用于道路交通领域的研究。将激光雷达安装在路侧，可以获取在途用户(行人、机动车、非机动车)的速度、位置等信息，也可以对静态目标(建筑、交通设施、树木等)进行识别扫描。本发明是基于路侧激光雷达技术来实现实时预警车辆，并做到检测车辆行为及时根据相应车辆行为做出安全保障措施。
发明内容
针对现有技术的不足，本发明提供一种基于路侧激光雷达的高速公路分流区防撞方法，以路侧激光雷达点云数据为基础，通过坐标转换、背景滤除、目标识别、轨迹追踪等算法，来实现掌握车辆实时动态，并通过距离-速度-时间曲线及时判断车辆行为做出相应的安全保障措施，来减少事故的发生。
术语解释：
1、背景滤除：激光雷达扫描出的点云图中包含了道路周围环境(如树木、信号灯、建筑设施等等)、在途目标，为了单独研究在途目标的运动规律，需要将周围环境的点云数据从中滤除而采用的算法。
2、目标分类：构建并训练用于车辆和行人分类的人工神经网络，将点云数量的总数、距离激光雷达的距离和点云聚成的目标簇的方向作为输入，通过输入层、隐含层、输出层的处理，将行人排除在每个画面之外，只保留车辆的点云聚成的目标簇。
3、车道识别：生成车道边界线，并将在途车辆匹配到相应的车道中；采用点密度法来生成车道边界，根据道路上历史车辆点云的分布情况确定车道的位置。
4、目标聚类：使用DBSCAN算法对背景滤除后得到的在途目标进行聚类操作，将属于同一个物体的所有点划分的一类。
5、DBSCAN算法：是一种基于密度的空间聚类算法。该算法将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，它将簇定义为密度相连的点的最大集合。需要注意的是该算法考虑了空间的点云分布，包括簇的长度、宽度和高度。
6、目标追踪：由于激光的直线传播，远车道的车辆存在被近车道车辆遮挡的情况，故在三维点云中，车辆的点云图会出现消失或变形。因此，为了防止对目标产生重复误识别或漏识别，基于全局距离搜索的方法对车辆进行追踪，将当前帧的某一车辆与前一帧的同一车辆进行关联。
本发明的技术方案如下：
一种基于路侧激光雷达的高速公路分流区防撞方法，包括以下步骤：
(1)将激光雷达水平架设在高速公路导流岛处的护栏内，通过路侧激光雷达获取道路上的机动车目标，得到待处理的三维点云数据；
(2)将获取的三维点云数据通过背景滤除、目标聚类、目标分类、车道识别和目标追踪来提取高速公路上机动车的实时轨迹信息，包括三维坐标和速度；
(3)根据得到的机动车实时轨迹信息得到距离-速度-时间曲线，通过距离-速度-时间曲线来确定是否需要发出预警信号；
(4)当检测到车辆进入危险区域内，则触发防护系统。
优选的，步骤(2)中，背景滤除算法通过帧聚合、栅格化和阈值识别，以xyz坐标为基础，将多帧(1500～3500帧)聚合成一个坐标，背景点的密度要比非背景点的密度高，整个空间可以被栅格化成边长相同的小立方体，通过为每个立方体给定一个预定义的点密度阈值，可以将立方体识别为背景立方体或非背景立方体，背景点的位置可以存储在一个3D数组中(包含xyz空间位置)，在3D数组中检测到的任何点都被识别为背景点，并从空间中排除。
利用基于密度的带噪声空间聚类应用(DBSCAN算法)进行目标聚类。
激光雷达扫描物体生成点云，得到点的数量、物体的长度、高度轮廓、高度和长度的差以及到激光雷达的距离，利用具有这六个特征的随机森林的区分车辆和行人。
采用一种基于密度的车道计算方法识别，对空间中的车辆点进行多帧聚合后，应用DBSCAN算法，可以将位于同一车道上的车辆点分成一个聚类，然后将每个簇的边界视为车道的边界。
为了生成一个对象的轨迹，目标应该被持续跟踪。目标跟踪应该考虑两个因素：前一帧中的对象与当前帧中所有对象之间的距离以及所考虑帧之间的时间差。如果两个对象之间的距离在某一时间段内是所有候选对象中最短的，则进行匹配，然后采用离散卡尔曼滤波方法进行目标跟踪，目标在前一帧和当前帧中的位置和速度信息是卡尔曼滤波的输入，用来估计当前帧中目标的状态。对于一些无法检测到聚类的帧，可以使用卡尔曼滤波来预测失踪目标的状态，从而提高跟踪的连续性。
本发明所提到的背景滤除、目标聚类、目标分类、车道识别和目标追踪，并不是本发明的重点，可参考已公开的专利文献：一种多路侧激光雷达点云配准装置及其使用方法(申请号：2020101673127)、一种基于道路交通点云数据的背景滤除方法(申请号：2021107310371)、一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质(申请号：2021107262683)、一种基于路侧激光雷达的在途目标分类方法(申请号：2021105821298)的内容，此处不再赘述。
有上述步骤可以生成车辆的实时轨迹信息，包括三维坐标和速度等；
优选的，步骤(3)中，通过得到的车辆的轨迹信息(三维坐标、速度)来判断车辆是否有异常行为，这可以通过得到的距离-速度-时间曲线来判断，距离-速度-时间曲线表示在一个时间段内车辆的减速与车辆和护栏之间的距离的关系，时间是基于激光雷达内部时钟来确定的，内部时钟(即激光雷达获取轨迹数据的时间)设置车辆和护栏被激光雷达检测到的时间为初始时间，然后根据激光雷达的扫描频率，可以计算时间t；
t＝(TIi–TI0)/F，其中TI0为车辆和护栏首次被激光雷达检测到的时间，TIi是在车辆和护栏首次被激光雷达检测到之后的下一个时间单位，F为激光雷达的扫描频率(扫描频率是激光雷达的一个特定属性)；
距离-速度-时间曲线可以绘制成3D图。距离-速度-时间曲线考虑了时间、空间和减速，距离-速度-时间曲线中X轴表示车辆和护栏的距离信息，即在时间t车辆与护栏之间的距离，Y轴表示减速信息，Z轴表示时间信息t；
车辆和护栏的距离信息D为：
Figure BDA0003771694290000041
式中，Xs、Ys、Zs为车辆的三维坐标(即步骤2得到的三维坐标)，Xp、Yp、Zp为护栏的三维坐标；
减速信息采用减速速度DC表示，DC＝(Vt–Vt-1)/0.5，其中Vt为时间t的车辆速度，t-1到t的时间间隔为0.5s。
当车辆或护栏无法被检测到或当它们经过轨迹的交点时，算法将停止提供距离-速度-时间曲线。
优选的，如果车辆与护栏之间的距离D小于1.2米，即在距离-速度-时间曲线上X轴的值小于1.2m，驾驶员会感到不舒服，则认为为近碰撞事件。
优选的，如果减速速度大于3.5m/s2，即在距离-速度-时间曲线上Y轴的值大于3.5m/s2，则被认为是近碰撞事件。
优选的，当{X＜1.2m}OR{|Z|＞3.5m/s2}时，系统发出紧急警报，警示灯闪烁红色；
当{1.2m≤X＜2m}OR{2.5m/s2＜|Z|≤3.5m/s2}时，系统发出提醒警报，警示灯闪烁橘色。
X轴的值小于1.2m，Y轴的值大于3.5m/s2，也被称为阈值，当超过阈值时则被检测到有异常行为，安装在激光雷达旁边的警示灯则会闪烁，提醒驾驶员及时调整驾驶行为，并且周围的正常车辆也会收到(看到)该预警信号，来提醒驾驶员注意与行为异常车辆保持距离。
优选的，步骤(4)中，危险区域为导流岛处的护栏外1m范围，防护系统由安全气囊和变刚度护栏组成，当检测到车辆进入危险区域内，安全气囊则会弹出来保护车辆。
步骤(4)中，当车辆进入1m范围的危险区域中时，地感线圈感应到车辆后便会触发感应器，弹出安全气囊缓冲一部分能量来减少碰撞带来的伤害。另外，本发明中分流区处护栏采用变刚度设计，以此来达到节约钢材资源并且可以防止发生事故时刚度过大刺穿车辆造成人员伤亡。
优选的，安全气囊设置在导流岛处的护栏外，每隔0.5米均匀布置，所述危险区域内埋设有地感线圈，用于感应车辆是否进入危险区域中。
优选的，变刚度护栏从靠近导流岛的前端到远离导流岛的后端，护栏由细到粗变化，护栏埋深由浅变深；
护栏埋深由浅变深既可以节省材料，降低成本，还可以防止前端护栏埋深太深车辆将其撞断后，端口插入车内引起人员伤亡(从外观上看，护栏是等高的，即安装后护栏顶部在同一水平线上，前端护栏埋深较浅，前端护栏总长度较短)。
优选的，变刚度护栏的前端2.4m设计为Bm级护栏，接下来的2.4m为Am级护栏，紧接着的2.4m为SBm级护栏，后面远离导流岛的普通匝道处均为SAm级护栏，多级护栏由细到粗变化，呈圆台体状顺滑连接。
优选的，导流岛处的护栏内设置有警示灯，用于系统发出警报时闪烁红色或橘色。
优选的，安全气囊的尺寸为0.5m×0.5m×0.5m，当地感线圈感应到车辆进入危险区域内后，将信号直接传递给安全气囊内置的气体发生器，气体发生器使安全气囊充气后弹出。安全气囊和内置的气体发生器均可采用现有技术。
安全气囊弹出的数量根据车辆的车型和速度来设定，本发明还可以建立各种车型的数据库，数据库包含车型的体积信息；激光雷达获取在途用户的点云数据经过目标聚类来判定车辆的轮廓，判定出轮廓后便可从数据库中调取此种车型的体积；根据检测到的车辆体积可以知道车辆与护栏接触面的面积s，由n＝s/(0.5m×0.5m)得到气囊弹出的数量n，避免资源浪费。本发明中的安全气囊采用多个小型气囊组合而成，弹出的数量根据具体车辆的车型和速度确定，防止将汽车弹出造成二次事故。
经过试验检测得出，该发明所设计的安全气囊可以承受的瞬时冲击力大约在2kN左右。
当车辆发生事故时，连接激光雷达的终端显示点云数据异常，相关人员可以及时处理事故现场，避免影响交通。
本发明未详尽之处，均可参见现有技术。
本发明的有益效果为：
本发明根据激光雷达得到的轨迹信息生成的距离-速度-时间曲线来提前预警异常驾驶行为的驾驶员，提醒其及时调整驾驶行为，并且可以警示周围驾驶车辆，注意和异常车辆保持距离，预防事故的发生；
本发明可以在进入危险区域后，安全气囊弹出保护车辆，且导流岛处护栏采用变刚度设计，这既节约了资源降低了成本而且避免了分流区前端护栏刚度过大在发生事故时刺穿车辆造成人员伤亡，本发明的防护系统采用安全气囊和变刚度设计双重保护，尽最大可能保护了车辆和人身安全；
本发明可以及时提示工作人员事故发生地，做到及时处理事故现场，防止交通拥堵，影响交通。
附图说明
图1为本发明的方法流程示意图；
图2为本发明的某一实施例的距离-速度-时间曲线示意图；
图3为本发明的危险区域示意图；
图4为本发明的安全气囊结构示意图；
图5为本发明的变刚度护栏的结构示意图；
图6为本发明的激光雷达架设位置示意图；
图中，1-激光雷达，2-危险区域，3-安全气囊，4-导流岛，5-警示灯。
具体实施方式：
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述，但不仅限于此，本发明未详尽说明的，均按本领域常规技术。
实施例1：
一种基于路侧激光雷达的高速公路分流区防撞方法，如图1-6所示，包括以下步骤：
(1)将激光雷达1水平架设在高速公路导流岛4处的护栏内(激光雷达设置在距离导流岛内1m处)，通过路侧激光雷达获取道路上的所有目标(行人、机动车、非机动车、静态目标)，得到待处理的三维点云数据，激光雷达自身的笛卡尔坐标系以激光雷达中心为原点，xy轴位于水平面内，z轴垂直于xy平面向上，基于激光雷达可以获取目标点的xyz坐标信息；
(2)将获取的三维点云数据通过背景滤除、目标聚类、目标分类、车道识别和目标追踪来提取高速公路上机动车的轨迹信息，包括三维坐标(xyz坐标)和速度；
背景滤除算法通过帧聚合、栅格化和阈值识别，以xyz坐标为基础，将多帧(1500～3500帧)聚合成一个坐标，背景点的密度要比非背景点的密度高，整个空间可以被栅格化成边长相同的小立方体，通过为每个立方体给定一个预定义的点密度阈值，可以将立方体识别为背景立方体或非背景立方体，背景点的位置可以存储在一个3D数组中(包含xyz空间位置)。在3D数组中检测到的任何点都被识别为背景点，并从空间中排除。
利用基于密度的带噪声空间聚类应用(DBSCAN)进行目标聚类。
激光雷达扫描物体生成点云，得到点的数量、物体的长度、高度轮廓、高度和长度的差以及到激光雷达的距离，利用具有这六个特征的随机森林的区分车辆和行人。
采用一种基于密度的车道计算方法识别，对空间中的车辆点进行多帧聚合后，应用DBSCAN算法，可以将位于同一车道上的车辆点分成一个聚类，然后将每个簇的边界视为车道的边界。
为了生成一个对象的轨迹，目标应该被持续跟踪。目标跟踪应该考虑两个因素：前一帧中的对象与当前帧中所有对象之间的距离以及所考虑帧之间的时间差。如果两个对象之间的距离在某一时间段内是所有候选对象中最短的，则进行匹配，然后采用离散卡尔曼滤波方法进行目标跟踪，目标在前一帧和当前帧中的位置和速度信息是卡尔曼滤波的输入，用来估计当前帧中目标的状态。对于一些无法检测到聚类的帧，可以使用卡尔曼滤波来预测失踪目标的状态，从而提高跟踪的连续性。
(3)根据得到的机动车实时轨迹信息得到距离-速度-时间曲线，通过距离-速度-时间曲线来确定是否需要发出预警信号；
距离-速度-时间曲线可以绘制成3D图，如图2所示。距离-速度-时间曲线考虑了时间、空间和减速，距离-速度-时间曲线中X轴表示车辆和护栏的距离信息，即在时间t车辆与护栏之间的距离，Y轴表示减速信息，Z轴表示时间信息t；
时间t为；
t＝(TIi–TI0)/F，其中TI0为车辆和护栏首次被激光雷达检测到的时间，TIi是在车辆和护栏首次被激光雷达检测到之后的下一个时间单位，F为激光雷达的扫描频率(扫描频率是激光雷达的一个特定属性)；
车辆和护栏的距离信息D为：
Figure BDA0003771694290000071
式中，Xs、Ys、Zs为车辆的三维坐标，Xp、Yp、Zp为护栏的三维坐标；
减速信息采用减速速度DC表示，DC＝(Vt–Vt-1)/0.5，其中Vt为时间t的车辆速度，t-1到t的时间间隔为0.5s。
当车辆或护栏无法被检测到或当它们经过轨迹的交点时，算法将停止提供距离-速度-时间曲线。
如果车辆与护栏之间的距离D小于1.2米，即在距离-速度-时间曲线上X轴的值小于1.2m，驾驶员会感到不舒服，则认为为近碰撞事件。
优选的，如果减速速度大于3.5m/s2，即在距离-速度-时间曲线上Y轴的值大于3.5m/s2，则被认为是近碰撞事件。
优选的，当{X＜1.2m}OR{|Z|＞3.5m/s2}时，系统发出紧急警报，警示灯闪烁红色；
当{1.2m≤X＜2m}OR{2.5m/s2＜|Z|≤3.5m/s2}时，系统发出提醒警报，警示灯闪烁橘色。
X轴的值小于1.2m，Y轴的值大于3.5m/s2，也被称为阈值，当超过阈值时则被检测到有异常行为，安装在激光雷达旁边的警示灯则会闪烁，提醒驾驶员及时调整驾驶行为，并且周围的正常车辆也会收到(看到)该预警信号，来提醒驾驶员注意与行为异常车辆保持距离。
(4)当检测到车辆进入危险区域2内，则触发防护系统。
危险区域为导流岛处的护栏外1m范围，如图3所示的阴影区域，防护系统由安全气囊3和变刚度护栏组成，当检测到车辆进入危险区域2内，安全气囊3则会弹出来保护车辆。
步骤(4)中，当车辆进入1m范围的危险区域1中时，地感线圈感应到车辆后便会触发感应器，弹出安全气囊缓冲一部分能量来减少碰撞带来的伤害。另外，本发明中分流区处护栏采用变刚度设计，以此来达到节约钢材资源并且可以防止发生事故时刚度过大刺穿车辆造成人员伤亡。
优选的，安全气囊设置在导流岛4处的护栏外，每隔0.5米均匀布置，如图4所示，所述危险区域内埋设有地感线圈，用于感应车辆是否进入危险区域中。
优选的，变刚度护栏从靠近导流岛的前端到远离导流岛的后端，护栏由细到粗变化，护栏埋深由浅变深，如图5所示；
护栏埋深由浅变深既可以节省材料，降低成本，还可以防止前端护栏埋深太深车辆将其撞断后，端口插入车内引起人员伤亡(从外观上看，护栏是等高的，即安装后护栏顶部在同一水平线上，前端护栏埋深较浅，前端护栏总长度较短)。
优选的，变刚度护栏的前端2.4m设计为Bm级护栏，接下来的2.4m为Am级护栏，紧接着的2.4m为SBm级护栏，后面远离导流岛的普通匝道处均为SAm级护栏，多级护栏由细到粗变化，呈圆台体状顺滑连接。
优选的，导流岛处的护栏内设置有警示灯5，用于系统发出警报时闪烁红色或橘色。
优选的，安全气囊的尺寸为0.5m×0.5m×0.5m，当地感线圈感应到车辆进入危险区域内后，将信号直接传递给安全气囊内置的气体发生器，气体发生器使安全气囊充气后弹出，弹出安全气囊可以缓冲一部分能量，减少碰撞带来的伤害。
安全气囊弹出的数量根据车辆的车型和速度来设定，本发明还可以建立各种车型的数据库，数据库包含车型的体积信息；激光雷达获取在途用户的点云数据经过目标聚类来判定车辆的轮廓，判定出轮廓后便可从数据库中调取此种车型的体积；根据检测到的车辆体积可以知道车辆与护栏接触面的面积s，由n＝s/(0.5m×0.5m)得到气囊弹出的数量n，避免资源浪费。本发明中的安全气囊采用多个小型气囊组合而成，弹出的数量根据具体车辆的车型和速度确定，防止将汽车弹出造成二次事故。
当车辆发生事故时，连接激光雷达的终端显示点云数据异常，相关人员可以及时处理事故现场，避免影响交通。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于路侧激光雷达的高速公路分流区防撞方法，其特征在于，包括以下步骤：
(1)将激光雷达水平架设在高速公路导流岛处的护栏内，通过路侧激光雷达获取道路上的机动车目标，得到待处理的三维点云数据；
(2)将获取的三维点云数据通过背景滤除、目标聚类、目标分类、车道识别和目标追踪来提取高速公路上机动车的实时轨迹信息，包括三维坐标和速度；
(3)根据得到的机动车实时轨迹信息得到距离-速度-时间曲线，通过距离-速度-时间曲线来确定是否需要发出预警信号；
(4)当检测到车辆进入危险区域内，则触发防护系统。
2.根据权利要求1所述的基于路侧激光雷达的高速公路分流区防撞方法，其特征在于，步骤(3)中，距离-速度-时间曲线中X轴表示车辆和护栏的距离信息，Y轴表示减速信息，Z轴表示时间信息t；
t＝(TIi–TI0)/F，其中TI0为车辆和护栏首次被激光雷达检测到的时间，TIi是在车辆和护栏首次被激光雷达检测到之后的下一个时间单位，F为激光雷达的扫描频率；
车辆和护栏的距离信息D为：
Figure FDA0003771694280000011
式中，Xs、Ys、Zs为车辆的三维坐标，Xp、Yp、Zp为护栏的三维坐标；
减速信息采用减速速度DC表示，DC＝(Vt–Vt-1)/0.5，其中Vt为时间t的车辆速度，t-1到t的时间间隔为0.5s。
3.根据权利要求2所述的基于路侧激光雷达的高速公路分流区防撞方法，其特征在于，如果车辆与护栏之间的距离D小于1.2米，即在距离-速度-时间曲线上X轴的值小于1.2m，则认为为近碰撞事件。
4.根据权利要求3所述的基于路侧激光雷达的高速公路分流区防撞方法，其特征在于，如果减速速度大于3.5m/s2，即在距离-速度-时间曲线上Y轴的值大于3.5m/s2，则被认为是近碰撞事件。
5.根据权利要求4所述的基于路侧激光雷达的高速公路分流区防撞方法，其特征在于，当{X＜1.2m}OR{|Z|＞3.5m/s2}时，系统发出紧急警报，警示灯闪烁红色；
当{1.2m≤X＜2m}OR{2.5m/s2＜|Z|≤3.5m/s2}时，系统发出提醒警报，警示灯闪烁橘色。
6.根据权利要求5所述的基于路侧激光雷达的高速公路分流区防撞方法，其特征在于，步骤(4)中，危险区域为导流岛处的护栏外1m范围，防护系统由安全气囊和变刚度护栏组成，当检测到车辆进入危险区域内，安全气囊则会弹出来保护车辆。
7.根据权利要求6所述的基于路侧激光雷达的高速公路分流区防撞方法，其特征在于，安全气囊设置在导流岛处的护栏外，每隔0.5米均匀布置，所述危险区域内埋设有地感线圈，用于感应车辆是否进入危险区域中。
8.根据权利要求6所述的基于路侧激光雷达的高速公路分流区防撞方法，其特征在于，变刚度护栏从靠近导流岛的前端到远离导流岛的后端，护栏由细到粗变化，护栏埋深由浅变深；
优选的，变刚度护栏的前端2.4m设计为Bm级护栏，接下来的2.4m为Am级护栏，紧接着的2.4m为SBm级护栏，后面远离导流岛的普通匝道处均为SAm级护栏。
9.根据权利要求8所述的基于路侧激光雷达的高速公路分流区防撞方法，其特征在于，导流岛处的护栏内设置有警示灯，用于系统发出警报时闪烁红色或橘色。
10.根据权利要求7所述的基于路侧激光雷达的高速公路分流区防撞方法，其特征在于，安全气囊的尺寸为0.5m×0.5m×0.5m，当地感线圈感应到车辆进入危险区域内后，直接传递给安全气囊内置的气体发生器，气体发生器使安全气囊充气后弹出。
CN202210903309.6A 2022-07-29 2022-07-29 一种基于路侧激光雷达的高速公路分流区防撞方法 Active CN115273549B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210903309.6A CN115273549B (zh) 2022-07-29 2022-07-29 一种基于路侧激光雷达的高速公路分流区防撞方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210903309.6A CN115273549B (zh) 2022-07-29 2022-07-29 一种基于路侧激光雷达的高速公路分流区防撞方法

Publications (2)

Publication Number Publication Date
CN115273549A true CN115273549A (zh) 2022-11-01
CN115273549B CN115273549B (zh) 2023-10-31

Family

ID=83770495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210903309.6A Active CN115273549B (zh) 2022-07-29 2022-07-29 一种基于路侧激光雷达的高速公路分流区防撞方法

Country Status (1)

Country Link
CN (1) CN115273549B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116884250A (zh) * 2023-07-12 2023-10-13 凉山州交通运输应急指挥中心 一种基于激光雷达的预警方法及高速公路预警系统

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103437255A (zh) * 2013-08-30 2013-12-11 武汉理工大学 一种山区干线公路t形交叉口交通安全设计方法
CN106910372A (zh) * 2015-12-23 2017-06-30 罗伯特·博世有限公司 一种用于车辆控制的方法和装置
US20170232921A1 (en) * 2016-02-16 2017-08-17 Allied Treasure Inc, Limited Airbag safety system for a two-wheeled vehicle
CN207582370U (zh) * 2017-12-14 2018-07-06 何满意 一种公路桥梁用缓冲减震装置
CN109518630A (zh) * 2018-12-25 2019-03-26 长安大学 山区双车道弯道主动预警式防撞护栏及偏离道路预警方法
CN109613544A (zh) * 2018-12-26 2019-04-12 长安大学 一种基于激光雷达的高速公路视距检测方法
CN209816722U (zh) * 2019-02-28 2019-12-20 深圳市路弘交通设施工程有限公司 一种防碰撞栏杆系统
CN111383465A (zh) * 2020-03-23 2020-07-07 中交第一公路勘察设计研究院有限公司 一种基于车联网的高速公路危险预警及速度控制系统
CN111445698A (zh) * 2020-04-13 2020-07-24 大唐信通(浙江)科技有限公司 一种基于路侧设备的车辆防碰撞系统
CN211285345U (zh) * 2019-10-08 2020-08-18 重庆交通大学 一种高速公路用应急车道非法行车监控装置
CN111733740A (zh) * 2020-06-17 2020-10-02 河南省吉安路桥工程有限公司 一种高速路用的防护栏及其安装方法
JP2021039702A (ja) * 2019-09-05 2021-03-11 哲矢 森田 逆走防止の三機能を有する高速道路の利用者休憩施設
US20210142673A1 (en) * 2017-03-09 2021-05-13 Boplan Bvba Collision detection system for a crash guard
CN113345237A (zh) * 2021-06-29 2021-09-03 山东高速建设管理集团有限公司 一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质
US20210381179A1 (en) * 2019-01-25 2021-12-09 Norman Boyle A driverless impact attenuating traffic management vehicle
CN114093165A (zh) * 2021-11-17 2022-02-25 山东大学 一种基于路侧激光雷达的车辆-行人冲突自动识别方法
CN216133515U (zh) * 2021-06-02 2022-03-25 长安大学 一种隧道入口处车辆碰壁预警系统
CN114319196A (zh) * 2022-03-07 2022-04-12 沧州市交通运输局 一种高保护性道路施工防撞护栏及其使用方法
CN216833430U (zh) * 2022-01-19 2022-06-28 深圳市昊岳电子有限公司 一种基于超声波的汽车防碰撞检测装置

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103437255A (zh) * 2013-08-30 2013-12-11 武汉理工大学 一种山区干线公路t形交叉口交通安全设计方法
CN106910372A (zh) * 2015-12-23 2017-06-30 罗伯特·博世有限公司 一种用于车辆控制的方法和装置
US20170232921A1 (en) * 2016-02-16 2017-08-17 Allied Treasure Inc, Limited Airbag safety system for a two-wheeled vehicle
US20210142673A1 (en) * 2017-03-09 2021-05-13 Boplan Bvba Collision detection system for a crash guard
CN207582370U (zh) * 2017-12-14 2018-07-06 何满意 一种公路桥梁用缓冲减震装置
CN109518630A (zh) * 2018-12-25 2019-03-26 长安大学 山区双车道弯道主动预警式防撞护栏及偏离道路预警方法
CN109613544A (zh) * 2018-12-26 2019-04-12 长安大学 一种基于激光雷达的高速公路视距检测方法
US20210381179A1 (en) * 2019-01-25 2021-12-09 Norman Boyle A driverless impact attenuating traffic management vehicle
CN209816722U (zh) * 2019-02-28 2019-12-20 深圳市路弘交通设施工程有限公司 一种防碰撞栏杆系统
JP2021039702A (ja) * 2019-09-05 2021-03-11 哲矢 森田 逆走防止の三機能を有する高速道路の利用者休憩施設
CN211285345U (zh) * 2019-10-08 2020-08-18 重庆交通大学 一种高速公路用应急车道非法行车监控装置
CN111383465A (zh) * 2020-03-23 2020-07-07 中交第一公路勘察设计研究院有限公司 一种基于车联网的高速公路危险预警及速度控制系统
CN111445698A (zh) * 2020-04-13 2020-07-24 大唐信通(浙江)科技有限公司 一种基于路侧设备的车辆防碰撞系统
CN111733740A (zh) * 2020-06-17 2020-10-02 河南省吉安路桥工程有限公司 一种高速路用的防护栏及其安装方法
CN216133515U (zh) * 2021-06-02 2022-03-25 长安大学 一种隧道入口处车辆碰壁预警系统
CN113345237A (zh) * 2021-06-29 2021-09-03 山东高速建设管理集团有限公司 一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质
CN114093165A (zh) * 2021-11-17 2022-02-25 山东大学 一种基于路侧激光雷达的车辆-行人冲突自动识别方法
CN216833430U (zh) * 2022-01-19 2022-06-28 深圳市昊岳电子有限公司 一种基于超声波的汽车防碰撞检测装置
CN114319196A (zh) * 2022-03-07 2022-04-12 沧州市交通运输局 一种高保护性道路施工防撞护栏及其使用方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周国清等: "《面阵激光雷达成像原理、技术及应用》", 武汉大学出版社 *
胡雄伟;毛伟琦;: "芜湖长江公铁大桥2号墩围堰气囊法下水设计", 桥梁建设, no. 02, pages 104 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116884250A (zh) * 2023-07-12 2023-10-13 凉山州交通运输应急指挥中心 一种基于激光雷达的预警方法及高速公路预警系统
CN116884250B (zh) * 2023-07-12 2024-01-26 凉山州交通运输应急指挥中心 一种基于激光雷达的预警方法及高速公路预警系统

Also Published As

Publication number Publication date
CN115273549B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN108919256B (zh) 四维实景交通仿真车辆超速全程跟踪检测报警系统及方法
Broggi et al. A new approach to urban pedestrian detection for automatic braking
US9524643B2 (en) Orientation sensitive traffic collision warning system
CN108263278A (zh) 基于传感器整合的行人检测和行人防碰撞装置及方法
CN114093165A (zh) 一种基于路侧激光雷达的车辆-行人冲突自动识别方法
KR102211552B1 (ko) 역주행 방지 방법 및 장치
TW202102392A (zh) 提高判斷精度及提早預警之行車安全輔助系統與方法
CN115273549B (zh) 一种基于路侧激光雷达的高速公路分流区防撞方法
US11403951B2 (en) Driving assistance for a motor vehicle when approaching a tollgate
CN112918471A (zh) 车辆的防碰撞控制方法、装置、设备和存储介质
CN113147733A (zh) 雨雾沙尘天气汽车智能限速系统及方法
CN114582132B (zh) 一种基于机器视觉的车辆碰撞检测预警系统及方法
Sotelo et al. Blind spot detection using vision for automotive applications
CN117079465A (zh) 一种用于高速公路的行驶车辆安全预警方法与系统
Wu et al. A new vehicle detection with distance estimation for lane change warning systems
Fuerstenberg et al. Pedestrian Recognition in urban traffic using Laserscanners
CN109887334A (zh) 车辆驾驶辅助系统以及方法
CN114360224A (zh) 一种用于汽车闯红灯的危险判别预警系统、方法、装置
KR102062239B1 (ko) 이종 검지 수단을 이용한 과속 위험 사전 경보 시스템
Zhang et al. Research on pedestrian vehicle collision warning based on path prediction
Jyothi et al. Driver assistance for safe navigation under unstructured traffic environment
Barad Roadside Lidar Helping to Build Smart and Safe Transportation Infrastructure
Ma et al. A symmetry search and filtering algorithm for vision based pedestrian detection system
CN108928345A (zh) 车辆横向侦测系统及其操作方法
CN117315601B (zh) 基于遥感技术的车辆危险行为ai识别报警系统

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