CN115472040B - 基于碰撞概率场的网联车辆个性化防碰撞预警方法 - Google Patents
基于碰撞概率场的网联车辆个性化防碰撞预警方法 Download PDFInfo
- Publication number
- CN115472040B CN115472040B CN202211053559.1A CN202211053559A CN115472040B CN 115472040 B CN115472040 B CN 115472040B CN 202211053559 A CN202211053559 A CN 202211053559A CN 115472040 B CN115472040 B CN 115472040B
- Authority
- CN
- China
- Prior art keywords
- collision
- vehicle
- early warning
- probability
- driver
- 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 33
- 230000001133 acceleration Effects 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 125000003275 alpha amino acid group Chemical group 0.000 claims 1
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于碰撞概率场的网联车辆个性化防碰撞预警方法，通过监测本车及邻车实时运动状态，建立碰撞概率场；通过碰撞概率场，确定碰撞概率并通过计算动能损失评估潜在碰撞严重程度；以碰撞概率和潜在碰撞严重程度为参考依据，向驾驶人给出防碰撞预警；并基于带遗忘因子的最小二乘法，根据驾驶人实际驾驶偏好，对报警阈值进行在线学习，实现报警系统的个性化，从而满足不同驾驶人的需求。本发明通过概率场方法设计车辆防碰撞系统，并通过对不同驾驶人在线调整报警阈值，能有准确地对不同车道上，不同方向上的潜在碰撞作出预警，并给出符合驾驶人驾驶风格的报警标准，改善目前驾驶人对防碰撞预警系统接受度低和报警系统不完善的问题。
Description
技术领域
本发明涉及一种基于碰撞概率场的个性化车辆防碰撞预警方法，属于车辆主动安全技术领域。
背景技术
车辆防碰撞预警系统，尤其是车辆前向防碰撞预警系统已经得到了广泛的应用。根据相关研究表明，车辆防碰撞预警系统能够有效减少交通事故发生率，从而提高道路交通安全水平。然而，当前车辆防碰撞预警系统依然存在一些缺陷，一方面，在当前，基于车载视频的潜在碰撞的识别仍然不够准确，容易出现漏报误报的现象。另一方面，驾驶人的驾驶风格具有差异性和波动性，在固定的预警阈值下，不同驾驶人对预警系统的接受度容易出现问题。
在当前，车联网技术不断发展，车辆间的实时通信成为可能。在网联条件下，车辆能够对不同车道，视距外的车辆，通过共享车辆运动状态数据评估潜在碰撞风险，从而提高防碰撞预警的准确度，因此，需要构建一套网联环境下的车辆防碰撞预警方法。此外，也要考虑驾驶人自身的驾驶习惯(如跟车习惯)，设计在线学习方法，使得防碰撞预警系统能够更加适应不同驾驶人的个性化需求。
发明内容
本发明提供了一种基于碰撞概率场的网联车辆个性化防碰撞预警方法，旨在解决当前车辆防碰撞预警系统在不同车道，不同方向潜在碰撞事件识别不够精确，不能根据驾驶人特性调整预警标准的问题。
本发明为解决上述技术问题采用以下技术方案：
一种基于碰撞概率场的个性化车辆防碰撞预警方法，所述方法包括如下步骤：
S1、在网联环境下，通过本车和邻车信息，建立碰撞概率场；所述的本车和邻车信息包括：本车位置，本车速度，本车质量，邻车位置，邻车速度，邻车质量，邻车在过去30s内加速度概率分布；邻车感知范围为200m以内。
S2、基于步骤S1中得到的碰撞概率场，计算车辆发生碰撞的概率，评估潜在碰撞的严重程度。其中潜在碰撞严重程度用动能损失表征，计算方式如下：
其中En,s表示本车s和邻车n潜在碰撞的损失动能，Ms表示本车质量，Mn表示邻车质量，表示本车速度，/>表示邻车速度。
S3、以步骤S2中得到的碰撞概率和潜在碰撞严重程度为二元变量，判断当前车辆运行状况是否达到预警标准，如果达到报警标准，向驾驶人给出预警。
S4、根据驾驶人驾驶偏好，利用带遗忘因子的最小二乘法对报警阈值进行更新。所述驾驶人驾驶偏好指驾驶人的驾驶激进程度，由驾驶人在跟车中的制动行为表征。
进一步：所述步骤S1中，概率场的计算方式如下：
该式中，Q(x，y)表示在(x，y)位置处的概率场场强，P表示本车s和邻车n之间在时间内发生碰撞的概率，/>一般取3s，碰撞概率计算方式如下：
该式中，S指碰撞位置集，A指碰撞位置对应的加速度集，(u，v)指加速度在x方向和y方向上的分量。f(a)表示加速度的概率分布，计算积分时，S到A的映射关系如下：
该式中，表示邻车在/>时刻的位置，(Xn，t，Yn，t)表示邻车在t时刻的位置，/>表示邻车在t时刻的速度矢量。
进一步：所述步骤S3中，将S1步骤中计算得到的碰撞概率和S2步骤中计算得到的动能损失En，s(潜在事故严重程度，单位：KJ)视作二元变量，设计报警阈值超平面为l，
a和b分别是表示斜率和截距的参数，当二元变量位于l下方，即时，防碰撞预警系统发出报警；二元变量位于l上方，即/>时，防碰撞报警取消。
进一步：所述步骤S4中利用带遗忘因子的最小二乘法对报警阈值进行在线学习，其操作步骤如下：
S401、设置初始报警超平面(报警阈值)，报警阈值如下：
S402、采集驾驶人实际做出制动行为时，该时刻对应的碰撞概率 和碰撞严重程度/>其中k表示第k次制动行为。
S403、采用最小带遗忘因子的二乘法对报警阈值超平面参数a，b进行更新，目标函数为：
该式中，γ为遗忘因子，一般取值为0.97，N表示驾驶人制动行为总数。该式的解析解为：
其中，
得到报警阈值参数后a，b，对报警系统中的报警标准进行调整。
根据本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明的基于碰撞概率场的个性化车辆防碰撞预警方法中的步骤。
根据本发明的又一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明的基于碰撞概率场的个性化车辆防碰撞预警方法中的步骤。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)本发明基于概率场方法构建了一种车辆防碰撞预警方法，该方法能够识别不仅能够考虑预不同车道上车辆的潜在碰撞概率，还能够识别不同运动方向车辆的潜在碰撞风险，预警泛用性，准确性与传统的基于车载视频的前向碰撞预警方法相比有较大的提升。
(2)本发明通过引入动能损失作为一个报警判断依据，不仅能够反映碰撞概率，在一定程度上还能够反映潜在事故的严重程度，对潜在事故的判断更加全面。因此，本发明也可以用于设计不同类型车辆的防碰撞预警系统，并且能够反映不同车辆(差异主要体现在车辆质量上)的车辆特征。
(3)本发明引入了带遗忘因子的最小二乘法对预警阈值进行在线学习，能够根据驾驶人的驾驶风格，对报警的保守程度进行调整。对于不同的驾驶人，能够实现不同的预警标准，对于同一驾驶人，如果驾驶风格随时间变化，预警标准也能进行动态调整，大大提高了驾驶人的接受度，能够实现预警系统的个性化。
附图说明
图1是本发明的工作流程示意图。
具体实施方式
下面结合附图以及具体实施例对本发明的技术方案做进一步的详细说明：
在一个实施例中，提供了一种基于碰撞概率场的网联车辆个性化防碰撞预警方法，如图1所示，内容包括获取本车及邻车运动状态、建立碰撞概率场、评估碰撞概率及碰撞严重程度、根据碰撞概率及碰撞严重程度作出预警、基于驾驶人制动行为对预警阈值在线学习：
S1、获取本车及邻车运动状态
在网联环境下，通过车载驾驶辅助系统和行车记录仪对本车运动状态进行记录，通过CAN通信访问邻车运动状态。
S2、建立碰撞概率场
通过步骤S1中得到的车辆运动信息构建车辆碰撞概率场。该概率为标量场，场强大小与本车邻车相对位置，本车速度，邻车速度，邻车加速度概率分布有关。
S3、评估碰撞概率及碰撞严重程度
通过步骤S2中建立的概率场评估碰撞概率和碰撞严重程度。碰撞概率由碰撞概率场场强表征，碰撞严重程度由完全非弹性碰撞损失动能表征。
S4、根据碰撞概率和碰撞严重程度作出预警
以步骤S3中得到的碰撞概率和潜在碰撞严重程度为二元变量，判断当前车辆运行状况是否达到预警标准，如果达到报警标准，向驾驶人给出预警。
S5、基于驾驶人制动行为对预警阈值在线学习
根据驾驶人驾驶偏好(主要指跟车习惯)，利用带遗忘因子的最小二乘法对预警阈值进行更新。并将更新后的阈值用于下一次预警。
进一步地，所述步骤S1中，本车运动状态主要由行车记录仪或车载辅助驾驶系统记录，主要包含车辆GPS位置，车辆速度矢量，车辆种类(用于确定车辆质量数量级)，数据获取频率至少为10HZ。邻车运动状态主要通过CAN接口或网联平台获取，主要包含邻车GPS位置，邻车速度矢量，邻车过去30s内的加速度概率分布(加速度每0.1s取一个数据)，邻车种类(用于确定车辆质量数量级)，数据获取频率至少为10HZ，邻车感应范围为200米内。
进一步地，所述步骤S2中，概率场的计算方式如下：
该式中，Q(x，y)表示在(x，y)位置处的概率场场强，P表示本车s和邻车n之间在时间内发生碰撞的概率，/>一般取3s，碰撞概率计算方式如下：
该式中，S指碰撞位置集，A指碰撞位置对应的加速度集，(u，v)指加速度在x方向和y方向上的分量。f(a)表示加速度的概率分布，计算积分时，S到A的映射关系如下：
该式中，表示邻车在/>时刻的位置，(Xn，t，Yn，t)表示邻车在t时刻的位置，/>表示邻车在t时刻的速度矢量。概率场计算频率应保持在10Hz以上，即至少每0.1s更新一次。
进一步地，所述步骤S3中，基于步骤S2中得到的碰撞概率场，车辆发生碰撞的概率等于碰撞概率场场强大小。潜在碰撞的严重程度，用动能损失表征，计算方式如下：
其中En，s表示本车s和邻车n潜在碰撞的损失动能，Ms表示本车质量，Mn表示邻车质量，表示本车速度，/>表示邻车速度。
进一步地，所述步骤S4中，假设S2步骤中计算得到的碰撞概率为 步骤S3中计算得到的动能损失为En，s(潜在事故严重程度，单位：KJ)，设计报警阈值超平面为l，
a和b分别是表示斜率和截距的参数，当二元变量位于l下方，即 时，防碰撞预警系统发出报警，车辆预警系统发出蜂鸣声，以引起驾驶人注意；二元变量位于l上方，即时，防碰撞预警取消，蜂鸣声停止。
进一步地，所述步骤S5中，利用带遗忘因子的最小二乘法对预警阈值进行更新。其操作步骤如下：
S501、设置初始报警超平面(报警阈值)，
S502、采集驾驶人实际做出制动行为时，记录该时刻对应的碰撞概率 和碰撞严重程度/>其中k表示第k次制动行为。
S503、采用最小带遗忘因子的二乘法对报警阈值超平面参数a，b进行更新，目标函数为：
该式中，γ为遗忘因子，一般取值为0.97，N表示驾驶人制动行为总数。该式的解析解为：
其中，
可以用该式对参数进行求解。得到报警阈值参数后a，b，对报警系统中的报警标准进行调整。并用于下一次报警，接着返回步骤二，不断更新预警标准参数值并应用于预警系统。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (4)
1.一种基于碰撞概率场的个性化车辆防碰撞预警方法，其特征在于，所述方法包括如下步骤：
S1、通过本车和邻车信息，建立碰撞概率场；
S2、基于步骤S1中得到的碰撞概率场，计算车辆发生碰撞的概率，评估潜在碰撞的严重程度；
S3、以步骤S2中得到的碰撞概率和潜在碰撞严重程度为二元变量，判断当前车辆运行状况是否达到预警标准，如果达到预警标准，向驾驶人给出预警；
S4、根据驾驶人驾驶偏好，利用带遗忘因子的最小二乘法对报警阈值进行更新；
所述驾驶人驾驶偏好指驾驶人的驾驶激进程度，由驾驶人在跟车中的制动行为表征；
所述步骤S1中，所述的本车和邻车信息包括：本车位置，本车速度，本车质量，邻车位置，邻车速度，邻车质量以及邻车在过去30s内的加速度概率分布；邻车感知范围为200m以内；
所述步骤S1中，概率场的计算方式如下：
式(1)中，Q(x,y)表示在(x,y)位置处的概率场场强，P表示本车s和邻车n之间在时间内发生碰撞的概率，/>一般取3s，碰撞概率计算方式如下：
式(2)中，S指碰撞位置集，A指碰撞位置对应的加速度集，(u,v)指加速度在x方向和y方向上的分量；f(a)表示加速度的概率分布，计算积分时，S到A的映射关系如下：
式(3)中，表示邻车在/>时刻的位置，(Xn,t,Yn,t)表示邻车在t时刻的位置，/>表示邻车在t时刻的速度矢量；
所述步骤S2中，其中潜在碰撞严重程度用动能损失表征，计算方式如下：
其中En,s表示本车s和邻车n潜在碰撞的损失动能，单位：KJ，Ms表示本车质量，Mn表示邻车质量，表示本车速度，/>表示邻车速度；
所述步骤S3中，将S1步骤中计算得到的碰撞概率和S2步骤中计算得到的动能损失En,s视作二元变量，设计报警阈值超平面为l，
式(5)中，a和b分别是表示斜率和截距的参数，当二元变量位于l下方，即时，防碰撞预警系统发出报警；二元变量位于l上方，即/>时，防碰撞报警取消。
2.如权利要求1述的基于碰撞概率场的个性化车辆防碰撞预警方法，其特征在于：所述步骤S4中利用带遗忘因子的最小二乘法对报警阈值进行在线学习，其操作步骤如下：
S401、设置初始报警阈值，
S402、采集驾驶人实际做出制动行为时，所述时刻对应的碰撞概率 和碰撞严重程度/>其中k表示第k次制动行为；
S403、采用最小带遗忘因子的二乘法对报警阈值超平面参数a，b进行更新，目标函数为：
式(7)中，γ为遗忘因子，一般取值为0.97，N表示驾驶人制动行为总数；式(7)的解析解为：
其中，
3.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1～2任一项所述的基于碰撞概率场的个性化车辆防碰撞预警方法中的步骤。
4.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～2任一项所述的基于碰撞概率场的个性化车辆防碰撞预警方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211053559.1A CN115472040B (zh) | 2022-08-31 | 2022-08-31 | 基于碰撞概率场的网联车辆个性化防碰撞预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211053559.1A CN115472040B (zh) | 2022-08-31 | 2022-08-31 | 基于碰撞概率场的网联车辆个性化防碰撞预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115472040A CN115472040A (zh) | 2022-12-13 |
| CN115472040B true CN115472040B (zh) | 2023-11-07 |
Family
ID=84369183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211053559.1A Active CN115472040B (zh) | 2022-08-31 | 2022-08-31 | 基于碰撞概率场的网联车辆个性化防碰撞预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115472040B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004240506A (ja) * | 2003-02-03 | 2004-08-26 | Denso Corp | 安全運転支援システム、車載装置及び監視装置 |
| DE102008002198A1 (de) * | 2008-06-04 | 2009-12-10 | Robert Bosch Gmbh | Verfahren zur Ausgabe einer Kollisionswarnung und Kollisionswarnvorrichtung |
| EP3133573A1 (en) * | 2015-08-21 | 2017-02-22 | Harman Becker Automotive Systems GmbH | System and method for collision warning |
| CN108694859A (zh) * | 2017-02-28 | 2018-10-23 | 大唐高鸿信息通信研究院（义乌）有限公司 | 一种适用于车载短距离通信网络的路侧节点高风险车辆告警提示方法 |
| CN111951606A (zh) * | 2020-07-29 | 2020-11-17 | 武汉理工大学 | 一种船舶碰撞风险评估与预警方法及系统 |
| CN113112866A (zh) * | 2021-04-14 | 2021-07-13 | 深圳市旗扬特种装备技术工程有限公司 | 一种智能交通预警方法及智能交通预警系统 |
-
2022
- 2022-08-31 CN CN202211053559.1A patent/CN115472040B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004240506A (ja) * | 2003-02-03 | 2004-08-26 | Denso Corp | 安全運転支援システム、車載装置及び監視装置 |
| DE102008002198A1 (de) * | 2008-06-04 | 2009-12-10 | Robert Bosch Gmbh | Verfahren zur Ausgabe einer Kollisionswarnung und Kollisionswarnvorrichtung |
| EP3133573A1 (en) * | 2015-08-21 | 2017-02-22 | Harman Becker Automotive Systems GmbH | System and method for collision warning |
| CN108694859A (zh) * | 2017-02-28 | 2018-10-23 | 大唐高鸿信息通信研究院（义乌）有限公司 | 一种适用于车载短距离通信网络的路侧节点高风险车辆告警提示方法 |
| CN111951606A (zh) * | 2020-07-29 | 2020-11-17 | 武汉理工大学 | 一种船舶碰撞风险评估与预警方法及系统 |
| CN113112866A (zh) * | 2021-04-14 | 2021-07-13 | 深圳市旗扬特种装备技术工程有限公司 | 一种智能交通预警方法及智能交通预警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115472040A (zh) | 2022-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gu et al. | A novel lane-changing decision model for autonomous vehicles based on deep autoencoder network and XGBoost | |
| CN111062240B (zh) | 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 | |
| CN110288096B (zh) | 预测模型训练及预测方法、装置、电子设备、存储介质 | |
| Lyu et al. | Using naturalistic driving data to identify driving style based on longitudinal driving operation conditions | |
| CN112668779B (zh) | 基于自适应高斯过程的前车运动状态预测方法 | |
| CN110040134B (zh) | 考虑环境因素的车辆碰撞时间计算方法 | |
| WO2016107876A1 (en) | Vehicular motion monitoring method | |
| CN112116100B (zh) | 一种考虑驾驶员类型的博弈论决策方法 | |
| CN108806018A (zh) | 一种数据处理方法、数据处理设备和智能汽车 | |
| CN112150816B (zh) | 一种多车交互风险评估系统 | |
| CN112530164B (zh) | 一种高海拔地区道路主动驾驶安全预警方法及系统 | |
| CN114021840A (zh) | 换道策略生成方法和装置、计算机存储介质、电子设备 | |
| CN113592221B (zh) | 基于安全替代评价指标的道路路段风险动态评估方法 | |
| CN113460066B (zh) | 一种检测自动驾驶车辆队列中车辆数据传输准确性的方法 | |
| CN114475656A (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
| CN117912295A (zh) | 车辆数据的处理方法、装置、电子设备和存储介质 | |
| Kar et al. | Scotto: Real-time driver behavior scoring using in-vehicle data | |
| CN115472040B (zh) | 基于碰撞概率场的网联车辆个性化防碰撞预警方法 | |
| CN116453345B (zh) | 一种基于驾驶风险反馈的公交行车安全预警方法及系统 | |
| CN115049996B (zh) | 基于证据推理规则的双传感器目标检测融合方法和系统 | |
| Zhong et al. | Evaluating the Efficacy of Real-Time Connected Vehicle Basic Safety Messages in Mitigating Aberrant Driving Behaviour and Risk of Vehicle Crashes: Preliminary Insights from Highway Scenarios | |
| CN118197095B (zh) | 一种交通事故的安全预警方法 | |
| CN117719524B (zh) | 一种驾驶安全风险识别预警方法、装置、终端及存储介质 | |
| Wang et al. | Variable Weight Combination Model for Lane-changing Prediction of Human-Driven Vehicle | |
| CN113428168B (zh) | 一种自动驾驶车辆控制方法、系统、介质及汽车 |
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 |