CN115798207A - 基于LiDAR点云的信号交叉口追尾冲突识别方法 - Google Patents
基于LiDAR点云的信号交叉口追尾冲突识别方法 Download PDFInfo
- Publication number
- CN115798207A CN115798207A CN202211419589.XA CN202211419589A CN115798207A CN 115798207 A CN115798207 A CN 115798207A CN 202211419589 A CN202211419589 A CN 202211419589A CN 115798207 A CN115798207 A CN 115798207A
- Authority
- CN
- China
- Prior art keywords
- index
- vehicle
- vehicles
- point cloud
- threshold
- 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
Images
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
基于LiDAR点云的信号交叉口追尾冲突识别方法,具体涉及一种基于LiDAR点云的道路信号交叉口追尾冲突实时识别方法,为解决交通冲突方法存在参数精度难以保证、临界值缺乏一致性,导致交通冲突的识别结果准确率低,可靠性不足的问题,获取信号交叉口的点云数据;对点云数据进行处理,得到车辆轨迹信息;获取车辆间的交通冲突指标,计算任意一对前后相邻的两个车辆间的交通冲突指标值;利用POT方法和PCD方法确定每个交通冲突指标的阈值,若前后相邻的两个车辆间的距离碰撞的接近程度指标小于阈值或避险行为的强度指标大于阈值,则认为会发生追尾冲突;否则,认为不会发生追尾冲突。属于交通工程领域。
Description
技术领域
本发明涉及一种冲突识别方法,具体涉及一种基于LiDAR点云的道路信号交叉口追尾冲突实时识别方法,属于交通工程领域。
背景技术
机动车辆受信号灯的影响被迫在停车线前周期性排队,极易发生交通事故。据统计,道路上10.38%的交通事故发生在道路的信号交叉口,因此,信号交叉口被视为城市路网中的一大危险点。为了改善信号交叉口交通安全状况,需要对现有的安全分析技术进行完善。安全水平实时风险识别是交通安全主动管理的重要组成部分,主要通过短时段的动态交通参数识别和估计实时碰撞风险识别对应时段的安全水平,对预防事故、降低损失有重要意义。
现阶段安全水平实时风险识别主要集中于高速公路的实时碰撞风险与事故识别,且常用的基于事故数据的识别存在数据获取难度大、事故风险无法量化等问题,所以交通冲突技术以其数据获取快、评价周期短、与事故作用机理相似等特点成为当前的研究热点,被研究人员用于信号交叉口的安全水平实时风险识别。在交通冲突参数提取及冲突判别领域,越来越多的研究人员开始尝试将视频检测技术应用于交通安全分析,其中,包含基于LiDAR点云的计算机视觉技术,但是,目前交通冲突参数提取和冲突判别存在技术体系单一、参数精度难以保证、临界值等缺乏一致性等问题,导致交通冲突的识别结果准确率低,可靠性不足。
发明内容
本发明为了解决现有交通冲突方法存在技术体系单一、参数精度难以保证、临界值缺乏一致性,导致交通冲突的识别结果准确率低,可靠性不足的问题,进而提出了一种基于LiDAR点云的信号交叉口追尾冲突识别方法。
本发明采取的技术方案是:
它包括以下步骤:
S1、获取某路段信号交叉口某段时间内的点云数据,点云数据包括路段信息和路段中车辆的信息;
S2、对点云数据进行处理,得到某路段信号交叉口中车辆的轨迹信息;
S3、获取车辆间的交通冲突指标,交通冲突指标包括距离碰撞的接近程度指标和避险行为的强度指标,根据交通冲突指标计算某路段信号交叉口中任意一对前后相邻的两个车辆间的交通冲突指标值;
S4、利用POT方法和PCD方法确定每个交通冲突指标的阈值,若前后相邻的两个车辆间的距离碰撞的接近程度指标小于阈值或避险行为的强度指标大于阈值,则认为会发生追尾冲突;否则,认为不会发生追尾冲突;
S5、获取待识别的两个车辆的轨迹信息,计算两个车辆间的交通冲突指标值,将交通冲突指标值与交通冲突指标的阈值进行比对,确定两个车辆是否会发生追尾冲突。
进一步地,S2中对点云数据进行处理,得到某路段信号交叉口中车辆的轨迹信息,具体过程为:
S21、建立某路段信号交叉口的三维坐标系:
S22、根据三维坐标系,利用RSS感知SDK软件自动提取某路段信号交叉口内每个车辆的轨迹信息。
进一步地,S21中建立某路段信号交叉口的三维坐标系,具体过程为:
在RSS感知SDK软件中以激光点云LiDAR在地面的垂直投影为坐标原点建立三维直角坐标系,x轴方向与直行车道进口道的停车线平行,y轴方向与直行车道进口道内车辆的行驶方向相反,z轴方向竖直向上,得到建立好的三维直角坐标系。
进一步地,S22中车辆的轨迹信息包括每个车辆的追踪ID track_id、时间戳信息timestamp、车辆类别type及车辆类别置信度type_confidence、车辆的长宽高尺寸size:xyz、车辆中心点的三维坐标center:xyz、车辆运动方向direction:xyz、车辆速度vel:xyz、车辆加速度acc:xyz,其中,车辆运动方向、车辆速度、车辆加速度中的3维向量xyz分别表示车辆运动方向、车辆速度、车辆加速度在对应的x,y,z方向的分量;车辆类别包括大型机动车、小型机动车和非机动车。
进一步地,S3中获取车辆间的交通冲突指标,交通冲突指标包括距离碰撞的接近程度指标和避险行为的强度指标,根据交通冲突指标计算某路段信号交叉口中任意一对前后相邻的两个车辆间的交通冲突指标值,具体过程为:
S31、选取交通冲突指标:
距离碰撞的接近程度指标包括距离碰撞时间TTC、改进的距离碰撞时间MTTC、后侵入时间PET;
避险行为的强度指标为避免事故减速率DRAC;
S32、对S22得到的每个车辆的轨迹信息进行筛选,得到每条直行车道内每个车辆最终的轨迹:
(1)剔除异常值:
读取每个车辆的每帧轨迹数据,剔除同一车辆在同一时刻出现多次的数据,仅保留同一车辆在同一时刻出现第一次的数据,并剔除存在时间小于2秒的车辆,得到剔除后的车辆的轨迹信息;
(2)筛选直行车道内车辆的轨迹:
利用无人机拍摄某路段信号交叉口的道路底图,将点云数据对应的点云效果图与道路底图叠加,根据直行车道在道路底图及点云效果图中的位置,按照比例尺获取每条直行车道进口道在三维坐标系中的范围,以及点云效果图内的多条直行车道在三维坐标系中x轴的坐标范围;
根据剔除后的车辆的轨迹信息、每条直行车道进口道在三维坐标系中的范围、点云效果图内的多条直行车道在三维坐标系中x轴的坐标范围,通过筛选得到每条直行车道上车辆的轨迹信息,对每个车辆轨迹信息的缺失值进行插值填充,插值填充包括首选分段多项式插值和线性插值,得到每条直行车道内每个车辆最终的轨迹;
S33、在某一采样时刻,计算某条直行车道内任意一对前后相邻的两个车辆间的四个交通冲突指标值:
(1)、根据S32得到的每条直行车道内每个车辆最终的轨迹,获取采样时刻t下某一条直行车道上的所有车辆,将所有车辆记为集合S;
(2)、根据集合S中每个车辆的中心点y轴坐标值从大到小对集合S内的车辆进行排序;
(3)、设置滑动窗口大小为2,将滑动窗口在排序后的集合S中从前向后滑动,得到某对前后相邻的两个车辆i、j,获取两个车辆i、j相应的轨迹信息,轨迹信息包括车辆长度、车辆中心点的x轴坐标和y轴坐标、车辆速度在y轴上的分量、车辆加速度在y轴上的分量;
(4)、根据每个交通冲突指标值的计算公式和车辆i、j的轨迹信息,计算车辆i、j间的四个交通冲突指标值;
(5)、返回(1),将采样时刻更新为t+1,继续执行(1)至(5),直到遍历所有采样时刻,得到所有采样时刻某对前后相邻的两个车辆i、j间的四个交通冲突指标值。
进一步地,S31中距离碰撞时间TTC、改进的距离碰撞时间MTTC、后侵入时间PET的值越小或者避免事故减速率DRAC的值越大,发生追尾事故的可能性越高。
进一步地,S33中(4)根据每个交通冲突指标值的计算公式和车辆i、j的轨迹信息,计算车辆i、j间的四个交通冲突指标值,具体过程为:
其中,D表示车辆i、j之间的间距,单位为m,D=yi-yj-(li+lj)/2,yi,yj分别表示车辆i、j的中心点y轴坐标,,li,lj分别表示车辆i、j的车辆长度;vi,vj分别表示车辆i、j速度在y轴上的分量,单位为m/s,vi<vj<0;Δa表示车辆i、j的相对加速度,Δa=ai-aj,单位为m/s2;ai,aj表示车辆i、j加速度在y轴上的分量,单位为m/s2。
进一步地,S33中(5)内将采样时刻更新为t+1,具体过程为:
所有交通冲突指标值的采样间隔与点云数据处理算法输出轨迹的频率相同。
进一步地,S4中利用POT方法和PCD方法确定每个交通冲突指标的阈值,具体过程为:
利用POT方法获取TTC指标平均剩余寿命图、MTTC指标平均剩余寿命图、PET指标平均剩余寿命图、DRAC指标平均剩余寿命图,在每张平均剩余寿命图中选取一个阈值区间Ω1,定义阈值区间Ω1内的阈值u所对应的剩余寿命曲线接近直线;
利用POT方法获取TTC指标阈值稳定性图、MTTC指标阈值稳定性图、PET指标阈值稳定性图、DRAC指标阈值稳定性图,每张阈值稳定性图均包括阈值-尺寸参数稳定性图和阈值-形状参数稳定性图,在每个指标对应的两张阈值稳定性图中,分别选取一个阈值区间Ω2,两张阈值稳定性图的阈值区间Ω2相同,定义阈值区间Ω2内的阈值u所对应的形状参数ξ和改进后的尺度参数σ*均保持稳定;
利用PCD方法获取TTC指标的累积概率分布曲线、MTTC指标的累积概率分布曲线、PET指标的累积概率分布曲线、DRAC指标的累积概率分布曲线,并在每个指标阈值区间Ω1和阈值区间Ω2的交集区间Ω内选取自定义的百分比作为每个交通冲突指标最终的阈值。
基于LiDAR点云的信号交叉口追尾冲突识别系统,所述系统根据基于LiDAR点云的信号交叉口追尾冲突识别方法,利用Python语言编写车辆追尾冲突自动提取程序,所述程序执行时实现如基于LiDAR点云的信号交叉口追尾冲突识别方法的任一步骤。
有益效果:
本发明使用LiDAR点云采集道路信号交叉口的点云数据;利用RSS感知SDK软件以激光点云LiDAR在地面的垂直投影为坐标原点,x轴方向与直行车道进口道的停车线平行,y轴方向与直行车道进口道内车辆的行驶方向相反,z轴方向竖直向上,得到道路信号交叉口的三维坐标系;根据三维坐标系,利用RSS感知SDK软件自动提取道路信号交叉口内每个车辆的轨迹信息;获取车辆间的交通冲突指标:距离碰撞时间TTC、改进的距离碰撞时间MTTC、后侵入时间PET、避免事故减速率DRAC,TTC、MTTC、PET的值越小或DRAC的值越大,发生追尾冲突的可能性越高;对得到的每个车辆的轨迹信息进行筛选,得到每条直行车道内每个车辆最终的轨迹;计算某一采样时刻某条直行车道内任意一对前后相邻的两个车辆间的四个交通冲突指标值;利用POT方法和PCD方法确定每个交通冲突指标的阈值,若前后相邻的两个车辆间的距离碰撞的接近程度指标小于阈值或避险行为的强度指标大于阈值,则认为会发生追尾冲突;否则,认为不会发生追尾冲突。
本发明基于道路信号交叉口的交通运行视频和LiDAR点云,提取道路与机动车辆的各项信息,结合机动车辆运动轨迹,构建多维的机动车辆追尾冲突判别指标体系,利用峰值超阈值理论(POT)及累积概率分布(PCD)综合界定TTC、MTTC、PET、DRAC四种冲突判别指标的冲突阈值,从轨迹数据中识别追尾冲突,并以此开发基于Python语言的追尾冲突自动识别程序。本发明与传统的交通冲突识别方法不同,本发明不依靠历史经验也不单纯使用POT方法确定追尾冲突指标阈值,而是使用POT方法与PCD方法综合确定各项冲突指标的合理阈值,在对LiDAR点云数据进行处理后,得到实时轨迹数据的基础上,通过Python语言自动识别道路信号交叉口交通冲突。
附图说明
图1是本发明的流程图;
图2是LiDAR点云识别及目标检测效果图;
图3是前后相邻的两个车辆间的示意图;
图4是实施例中观测范围示意图;
图5是实施例中TTC指标、MTTC指标、PET指标的冲突指标分布图;
图6是实施例中DRAC指标冲突指标分布图;
图7是实施例中TTC指标平均剩余寿命图;
图8是实施例中TTC指标阈值-尺度参数稳定性图;
图9是实施例中TTC指标阈值-形状参数稳定性图;
图10是实施例中MTTC指标平均剩余寿命图;
图11是实施例中MTTC指标阈值-尺度参数稳定性图;
图12是实施例中MTTC指标阈值-形状参数稳定性图;
图13是实施例中PET指标平均剩余寿命图;
图14是实施例中PET指标阈值-尺度参数稳定性图;
图15是实施例中PET指标阈值-形状参数稳定性图;
图16是实施例中DRAC指标平均剩余寿命图;
图17是实施例中DRAC指标阈值-尺度参数稳定性图;
图18是实施例中DRAC指标阈值-形状参数稳定性图;
图19是实施例中TTC指标累积概率分布图;
图20是实施例中MTTC指标累积概率分布图;
图21是实施例中PET指标累积概率分布图;
图22是实施例中DRAC指标累积概率分布图;
图23是实施例中MTTC指标识别冲突的时间分布图;
图24是实施例中MTTC指标所识别冲突的空间分布图;
图25是实施例中基于不同冲突指标识别出的追尾冲突数示意图;
具体实施方式
具体实施方式一:结合图1-图3说明本实施方式,本实施方式所述一种基于LiDAR点云的信号交叉口追尾冲突识别方法,它包括以下步骤:
S1、获取某路段信号交叉口某段时间内的点云数据,点云数据包括路段信息和路段中车辆的信息。
在某路段信号交叉口架设LiDAR及摄像机设备进行交通数据采集,获取某段时刻内此路段信号交叉口的点云效果图和视频数据,根据点云效果图得到对应的点云数据,如图2所示,点云数据和视频数据均包括路段的分布、路段的状态、路段中每个车辆位置、大小等信息,再通过人工统计的方法从视频中提取信号交叉口的信号配时数据。
S2、对点云数据进行处理,得到某路段信号交叉口中车辆的轨迹信息,具体过程为:
S21、建立某路段信号交叉口的三维坐标系,具体过程为:
在RSS感知SDK软件中以激光点云LiDAR在地面的垂直投影为坐标原点建立三维直角坐标系,x轴方向与直行车道进口道的停车线平行,y轴方向与直行车道进口道内车辆的行驶方向相反,z轴方向竖直向上,得到建立好的三维直角坐标系。
本发明采用速腾聚创公司开发的RSS(Robosense Smart Sensor)感知SDK(Software Development Kit)对获取的点云数据进行处理,通过ROS(Robot OperatingSystem)的可视化工具Rviz可视化RSS感知SDK的目标检测、识别及追踪结果,即可得到某路段信号交叉口内的所有道路使用对象的实时轨迹。
S22、根据三维坐标系,利用RSS感知SDK软件自动提取某路段信号交叉口内每个车辆的轨迹信息。
如图2所示,展示了RSS感知SDK软件自动识别与跟踪车辆的示意图,其中,提取的车辆的轨迹信息包括每个车辆的追踪ID(track_id)、时间戳信息(timestamp)、车辆类别(type)及车辆类别置信度(type_confidence)、车辆的长宽高尺寸(size:xyz)、车辆中心点的三维坐标(center:xyz)、车辆运动方向(direction:xyz)、车辆速度(vel:xyz)、车辆加速度(acc:xyz),其中,车辆运动方向、车辆速度、车辆加速度中的3维向量xyz分别表示车辆运动方向、车辆速度、车辆加速度在各自对应的x,y,z方向的分量。车辆类别包括大型机动车(如卡车,巴士)、小型机动车(如轿车,SUV)、非机动车(如自行车,摩托车)。
S3、获取车辆间的交通冲突指标,根据交通冲突指标计算某路段信号交叉口中任意一对前后相邻的两个车辆间的交通冲突指标值,具体过程为:
S31、选取交通冲突指标,具体过程为:
交通冲突指标包括距离碰撞的接近程度指标和避险行为的强度指标,距离碰撞的接近程度指标包括距离碰撞时间TTC、改进的距离碰撞时间MTTC、后侵入时间PET,避险行为的强度指标为避免事故减速率DRAC。
本发明利用距离碰撞的接近程度和避险行为的强度衡量交通冲突的维度,距离碰撞的接近程度和避险行为的强度都是根据碰撞发生的风险来衡量交通冲突的严重程度。现有技术为了衡量距离碰撞的接近程度已经提出了多种接近度指标,如距离碰撞时间TTC、后侵入时间PET、改进的距离碰撞时间MTTC。TTC是指道路使用者继续其速度和轨迹在发生碰撞之前的剩余时间。MTTC在TTC的基础上考虑了车辆的加速度,放宽了碰撞过程中的恒速假设,突破了后车车速必须高于前车车速的限制。PET是一辆车离开潜在碰撞点与另一辆车到达潜在碰撞点之间的时间差。虽然TTC和PET都是测量时间接近度,但它们的前提条件不同,即代表了不同的碰撞机制。关于避险行为,刹车和转向是最常见的两种避让动作,为了衡量这些躲避动作的强度,现有技术提出了减速和基于角度的指标,最常见的是基于减速度的指标:避免事故减速率DRAC,它指在前车减速的情况下,后车为避免与前车发生碰撞所必需的最小减速度率。
综上,为了较为全面地从以上两个维度衡量并提取交通冲突,本发明选用的距离碰撞的接近程度指标包括TTC、MTTC、PET;选用的避险行为的强度指标为避免事故减速率DRAC。在选取的四个追尾冲突衡量指标中,TTC、MTTC、PET的值越小,表示冲突双方的安全裕度越小,留给驾驶员的反应时间越短,追尾冲突的严重程度越大,发生追尾事故的可能性越高;而DRAC的值越大,表明车辆制动减速行为越急切,追尾冲突的严重程度越大,发生追尾事故的可能性越高。前后相邻的两个车辆间的示意图如图3所示。
S32、对S22得到的每个车辆的轨迹信息进行筛选,得到每条直行车道内每个车辆最终的轨迹,具体过程为:
为了实现交通冲突的有效提取,首先需对车辆轨迹信息进行处理,以筛选出用于追尾冲突提取的有效车辆轨迹信息。信息处理主要分为以下两步:
(1)剔除异常值:
读取每个车辆的每帧轨迹数据,剔除同一车辆在同一时刻出现多次的数据,仅保留同一车辆在同一时刻出现第一次的数据,并剔除存在时间小于2秒的车辆,得到剔除后的车辆(大型车及小型车)的轨迹信息。
(2)筛选直行车道内车辆的轨迹:
利用无人机拍摄某路段信号交叉口的道路底图,将点云数据对应的点云效果图与道路底图叠加,根据直行车道在道路底图及点云效果图中的位置,按照比例尺获取每条直行车道进口道在三维坐标系中的范围,以及点云效果图内的多条直行车道在三维坐标系中x轴坐标范围;
根据剔除后的车辆的轨迹信息、每条直行车道进口道在三维坐标系中的范围、点云效果图内的多条直行车道在三维坐标系中x轴坐标范围,通过筛选得到每条直行车道上车辆的轨迹信息,由于数据采集时大型车对后车存在部分遮挡,造成提取的车辆轨迹存在少量缺失值,所以对每个车辆轨迹信息的缺失值进行插值填充,插值填充的方法包括首选分段多项式插值和线性插值,当缺失值无法用分段多项式插值进行填充时,改用线性插值,得到每条直行车道内每个车辆的轨迹。
S33、在某一采样时刻,计算某条直行车道内任意一对前后相邻的两个车辆间的四个交通冲突指标值,具体过程为:
从上述各个交通冲突指标的定义可知,在两辆车的跟驰行驶过程中,每个交通冲突指标在每个时刻均会有一个交通冲突指标值。所以本发明综合考虑各交通冲突指标计算的复杂度和交通冲突判别的即时性,将所有交通冲突指标值的采样间隔与点云数据处理算法输出轨迹数据的频率相同。要从车辆的轨迹数据中提取出任意两个前后跟驰车辆在所有采样时刻下的四个交通冲突指标值,首先应计算两个前后跟驰车辆在某一采样时刻车辆间的四个交通冲突指标值,然后遍历所有采样时刻和所有相邻的跟驰车辆,得到每对跟驰车辆在每一采样时刻的四个交通冲突指标值。任意一对跟驰车辆的交通冲突指标值计算流程如下:
(1)、根据S32得到的每条直行车道内每个车辆的轨迹,获取采样时刻t下某一条直行车道上的所有车辆,将所有车辆记为集合S;
(2)、根据集合S中每个车辆的中心点y轴坐标值从大到小对集合S内的车辆进行排序;
(3)、设置滑动窗口大小为2,将滑动窗口在排序后的集合S中从前向后滑动,得到某对前后相邻的两个车辆i、j,获取两个车辆i、j相应的轨迹信息,轨迹信息包括车辆长度、车辆中心点的x坐标和y坐标、车辆速度在y轴上的分量、车辆加速度在y轴上的分量;
(4)、根据每个交通冲突指标值的计算公式和车辆i、j的轨迹信息,计算车辆i、j间的四个交通冲突指标值;
其中,D表示车辆i、j之间的间距,单位为m,D=yi-yj-(li+lj)/2,yi,yj分别表示车辆i、j的中心点y坐标,,li,lj分别表示车辆i、j的车辆长度;vi,vj分别表示车辆i、j速度在y轴上的分量,单位为m/s,vi<vj<0。
其中,Δa表示车辆i、j的相对加速度,Δa=ai-aj,单位为m/s2;ai,aj表示车辆i、j加速度在y轴上的分量,单位为m/s2。
(5)、返回(1),将采样时刻更新为t+1,继续执行(1)至(5),直到遍历所有采样时刻,得到所有采样时刻某对前后相邻的两个车辆间的四个交通冲突指标值。
S4、利用POT方法和PCD方法确定每个交通冲突指标的阈值:
利用POT方法获取TTC指标平均剩余寿命图、MTTC指标平均剩余寿命图、PET指标平均剩余寿命图、DRAC指标平均剩余寿命图,在每张平均剩余寿命图中选取一个阈值区间Ω1,定义阈值区间Ω1内的阈值u所对应的平均剩余寿命曲线接近直线。
利用POT方法获取TTC指标阈值稳定性图、MTTC指标阈值稳定性图、PET指标阈值稳定性图、DRAC指标阈值稳定性图,每张阈值稳定性图均包括阈值-尺寸参数稳定性图和阈值-形状参数稳定性图,在每个指标对应的两张阈值稳定性图中,分别选取一个阈值区间Ω2,两张阈值稳定性图的阈值区间Ω2相同,定义阈值区间Ω2内的阈值u所对应的形状参数ξ和改进后的尺度参数σ*基本保持稳定,即形状参数ξ和改进后的尺度参数σ*变化波动不大。
利用PCD方法获取TTC指标的累积概率分布曲线、MTTC指标的累积概率分布曲线、PET指标的累积概率分布曲线、DRAC指标的累积概率分布曲线,并在每个指标阈值区间Ω1和阈值区间Ω2的交集区间Ω内选取自定义的百分比作为最终的冲突指标阈值。
若前后相邻的两个车辆间的距离碰撞的接近程度指标小于阈值或避险行为的强度指标大于阈值,则认为会发生追尾冲突;否则,认为不会发生追尾冲突;
极值理论(extreme value theory,EVT)是统计模型的一个分支,能够对极端事件的随机行为进行建模,极端事件通常具有异常大或小的值,例如正态分布尾部的值。POT方法属于极值理论,在该方法中,假设X1,X2,…,Xn是关于分布P的一系列独立同分布的随机样本,并选取一个阈值u,当阈值u足够大时,所有大于阈值u的样本均可被视为极值样本。这些独立同分布的极值样本在广义帕累托分布(generalizedPareto distribution,GP分布)族中都有一个近似分布。对于选定的阈值u,广义帕累托分布的形式为:
式中,u表示预设的阈值,也是GP分布的位置参数,σ表示尺度参数,σ>0,ξ表示形状参数,-∞<ξ<+∞;x表示随机样本取值,x∈X。
研究表明,POT方法对于提取冲突极值是非常有效的,通过POT方法所选择的阈值可以作为区分交通冲突和正常交通事件的临界值。在现有的各种阈值选择方法中,最常用的两种方法是:在POT模型估计之前使用平均平均剩余寿命图、根据POT模型在不同阈值范围内的拟合来评估参数估计稳定性的阈值稳定性图。这两种方法的原理如下:
(1)平均剩余寿命图:
平均剩余寿命曲线图是关于超出量x-u的均值与阈值u的曲线图,其原理是:如果超出某阈值u0的超出量x-u0服从GP分布,那么对其他任意一个阈值u>u0,其超过阈值u的超出量x-u同样服从GP分布,并且超出量的尺度参数σ会随阈值u的改变而发生变化。因此,对于阈值u>u0,超出量x-u的均值为:
当u>u0时,E(X-u|X>u)与阈值u之间为一次线性函数关系,而E(X-u|X>u)是超出阈值u的样本超出量均值的经验估计值,因此,在超过阈值u的样本的超出量x-u服从GP分布的条件下,其均值的经验估计值E(X-u|X>u)与阈值u构成的平均剩余寿命曲线接近一条直线。而构成平均剩余寿命图的一系列点的位置坐标即为:
式中,x(n)表示超出阈值u的第n个样本,xmax表示所有样本xn中的最大值,N表示样本总数。
(2)阈值稳定性图
根据POT模型的基本理论,如果超出阈值u0的样本超出量x-u0服从GP分布,则对于任意一个阈值u>u0,超出阈值u的样本超出量x-u0同样服从GP分布,且两个分布的形状参数ξ是相同的,而尺度参数σ会随之发生变化。对于阈值u,其GP分布的尺度参数为:
当ξ≠0时,σu将会随着阈值u的变化而发生变化。因此,定义σ*=σu-ξu为改进后的尺度参数,且σ*是关于阈值u的一个常量,即u变化时σ*保持不变。
依据上述POT方法的原理,即可绘制不同阈值u条件下的广义帕累托分布的形状参数ξ和改进后的尺度参数σ*的散点分布图。如果存在一个阈值区间,使得在该区间内的任一阈值所对应的样本超出量均服从GP分布,则在该区间内的阈值u所对应POT模型的形状参数ξ和改进后的尺度参数σ*应保持基本不变。
(3)累积概率分布图
累积分布百分位数(percentile of cumulative distribution,PCD)方法要求绘制四个冲突指标的累积概率分布图,可根据累积分布函数,通过Python中的seaborn库直接绘制,其中,冲突指标的累计分布函数为:
冲突判别指标并非固定值,而是一系列的实数值,应选取冲突判别指标的最值,即TTC,MTTC,PET均取最小值,DRAC取最大值作为两车冲突严重程度的衡量指标。为消除其他不确定性因素对冲突判别指标最值的影响,取一对前后跟驰车辆TTC,MTTC,PET冲突指标的最小值,DRAC的最大值时的前后各两帧,共5帧指标值,计算5帧指标值的平均值(不含无冲突帧)作为此冲突指标最终的冲突衡量指标数值。对于TTC、MTTC和PET,指标值越小,碰撞风险越高,当指标值等于或小于0时,就会发生碰撞。对于DRAC,指标值越大,碰撞风险越高,当DRAC超过最大可用减速率时,就会发生碰撞。值得注意的是,由于POT方法对超过预定阈值的极值进行建模,因此在POT方法中使用基于负的TTC、负的MTTC、负的PET和正的DRAC确定冲突指标阈值的合理取值。
S5、获取待识别的两个车辆的轨迹信息,计算两个车辆间的交通冲突指标值,将交通冲突指标值与交通冲突指标的阈值进行比对,确定两个车辆是否会发生追尾冲突。
具体实施方式二:结合图1-图3说明本实施方式,本实施方式所述一种基于LiDAR点云的信号交叉口追尾冲突识别系统,所述系统根据基于LiDAR点云的信号交叉口追尾冲突识别方法,利用Python语言编写车辆追尾冲突自动提取程序,实现冲突自动提取。
为减小交通冲突的提取成本,方便快速的从车辆行驶轨迹中提取交通冲突,本发明基于Python语言获得了车辆追尾冲突自动提取程序。首先,根据点云数据中得到每条直行车道内的机动车的完整轨迹。然后,自动计算目标区域车道内每一时刻前后跟驰车辆之间的四个交通冲突指标值,基于冲突指标阈值识别两个跟驰车辆间可能发生的追尾冲突。统计某路段信号交叉口每个信号配时信息内的追尾冲突数量,从而实现信号交叉口进口道内信号周期级别的追尾冲突自动提取。在上述中分别详细阐述了轨迹信息处理、冲突指标计算以及冲突阈值确定的计算原理,通过Python程序编写即可实现上述步骤,从而自动地提取前后跟驰车辆间的追尾冲突。
本发明利用POT方法与PCD方法综合确定冲突指标临界值(阈值),从车辆轨迹数据中识别跟驰车辆间的追尾冲突。与传统的交通冲突识别方法不同,本发明不依靠历史经验,也不单纯使用POT方法确定冲突阈值,而是综合使用POT方法与PCD方法综合确定各项冲突指标的合理阈值,能够在根据已处理的LiDAR点云数据得到的实时轨迹数据的基础上,通过Python自动识别信号交叉口交通冲突。
实施例
以某市A路-B路信号交叉口作为观测对象,采集A路-B路信号交叉口西进口道的道路交通数据。为扩大机动车轨迹的观测长度,对渐变段机动车轨迹进行处理后,将与西进口道相连路段上近50米的车道纳入观测区域,故观测区域为停车线上游100米内的范围,如图4所示。采集A路-B路信号交叉口的点云数据,具体过程为:
首先,使用升降杆将激光点云LiDAR架设在西进口道的斜上方3.5-4m处,采集西进口道的点云数据。2021年10月7、8日及2022年4月15-19日,在该交叉口西南角的同一位置录制了西进口道约63个小时的点云数据,7天内点云的采集时间及调查时间内的信号周期个数见表1,其中,点云数据的采集涵盖了信号交叉口的高平峰时段。建立A路-B路信号交叉口的三维坐标系,并利用RSS感知SDK软件自动识别信号交叉口中车辆的轨迹数据,得到每个车辆的目标追踪ID、时间戳信息、车辆类别及其置信度、车辆尺寸、车辆中心点三维坐标、车辆运动方向、车辆速度及车辆加速度等信息,对机动车辆识别结果进行初步清洗。
表1点云数据采集时间统计表
日期 | 10月7日 | 10月8日 | 4月15日 | 4月16日 | 4月17日 | 4月18日 | 4月19日 |
采集时间 | 7:30-17:10 | 7:00-17:00 | 9:20-5:10 | 8:25-17:50 | 8:30-17:35 | 8:30-17:25 | 7:40-17:20 |
信号周期数 | 217 | 228 | 186 | 218 | 211 | 203 | 205 |
对车辆轨迹数据中的异常值进行剔除,并筛选目标直行车道内机动车的轨迹,得到三条直行车道在距离停车线51米范围内的x轴方向的范围分别为(10.5,13.4),(13.4,16.2),(16.2,19.0),在距离停车线51-100米范围内的x轴横坐标范围分别为(10.7,13.9),(13.9,17.0),(17.0,20),并筛选在相应车道上行驶的机动车,最后对每条直行车道中车辆轨迹数据中的缺失值进行插值填充,整理得到进口道直行车道内所有有效的机动车轨迹数据。
所有冲突指标值采样间隔与点云数据处理算法输出轨迹数据的频率相同,即0.1秒。利用交通冲突指标值的计算公式,对点云处理算法处理出来的3条直行车道各63个小时内的所有机动车轨迹数据,分别计算其对应的四个冲突指标值,得到的所有交通冲突指标值在不同区间内的分布,如图5-图6所示。由图5可知,这三条直行车道内所有机动车在7天63小时内的TTC,MTTC冲突指标值主要分布在大于5秒的范围内,占比均超过88%;PET的指标值也主要分布在大于5秒的范围内,百分比达到80%;从图6中可以得到,DRAC指标值主要分布在小与1.5m/s2的范围,百分比值约70%。
本发明采用基于R语言的“ismev”包进行四个交通冲突指标平均剩余寿命图和阈值稳定性图分析,确定冲突指标阈值的合理范围,如图7-图18所示。对于TTC、MTTC、PET这三个基于时间接近度的冲突指标,先对其值取负后,再利用POT方法进行平均剩余寿命图与阈值稳定性图的绘制。同时利用PCD方法绘制了各交通冲突指标的累积概率分布曲线,如图19-图22所示,并利用PCD方法分别计算了其10%,15%及20%分位数,确定了各冲突指标区分正常交通事件与追尾冲突事件的阈值,如表2所示。
表2冲突指标阈值确定结果
对于DRAC指标,分别为90%,85%及80%分位数。
为了说明基于峰值超阈值POT方法和累积分布百分位数PCD方法的阈值选择程序,以避免碰撞减速度率DRAC指标为例,根据图16,DRAC指标平均残余寿命图在[1.5,3.0]的范围内几乎是线性的。如图17所示,改进后的尺寸参数σ*和形状参数ξ在[1.75,2.05]的范围内几乎都是不变的,这两个区间的交集为[1.75,2.05],这是DRAC指标阈值的可选范围。接着绘制了DRAC指标的累积概率分布曲线,如图22所示,计算了其90%,85%及80%分位数,结果分别为2.39m/s2,2.04m/s2,1.81m/s2。所以对于DRAC指标的累积概率分布,其85%及80%均在POT方法所确定的区间Ω内,而对比另外三个冲突指标,只有20%分位数在区间Ω内,为统一起见,DRAC指标的阈值选为80%分位数取值,即1.81m/s2,而TTC、MTTC、PET这三个冲突指标的阈值均取为20%分位数,分别为1.37s,0.83s,1.08s。
在信号交叉口三条直行车道近63个小时的LiDAR点云数据中,以TTC为冲突指标提取了9265起冲突,以MTTC为冲突指标提取了11002起冲突,以PET为冲突指标提取了10702起冲突,以DRAC为冲突指标提取了10391起冲突。以MTTC为例的冲突在一个信号周期内的时间分布图如图23所示,在三条直行车道内的空间分布图如图24所示。
如图25所示,用Venn图显示了这些冲突指标识别出的追尾冲突数的交叉情况,其中只有2340个交通事件被四个冲突判别指标同时认定为追尾冲突。以TTC与PET指标为例进行具体分析,TTC识别的2493个追尾冲突,而PET未将其认定为追尾冲突;PET识别出的4219个冲突,而TTC不认为其是追尾冲突。
Claims (10)
1.基于LiDAR点云的信号交叉口追尾冲突识别方法,其特征在于:它包括以下步骤:
S1、获取某路段信号交叉口某段时间内的点云数据,点云数据包括路段信息和路段中车辆的信息;
S2、对点云数据进行处理,得到某路段信号交叉口中车辆的轨迹信息;
S3、获取车辆间的交通冲突指标,交通冲突指标包括距离碰撞的接近程度指标和避险行为的强度指标,根据交通冲突指标计算某路段信号交叉口中任意一对前后相邻的两个车辆间的交通冲突指标值;
S4、利用POT方法和PCD方法确定每个交通冲突指标的阈值,若前后相邻的两个车辆间的距离碰撞的接近程度指标小于阈值或避险行为的强度指标大于阈值,则认为会发生追尾冲突;否则,认为不会发生追尾冲突;
S5、获取待识别的两个车辆的轨迹信息,计算两个车辆间的交通冲突指标值,将交通冲突指标值与交通冲突指标的阈值进行比对,确定两个车辆是否会发生追尾冲突。
2.根据权利要求1中所述的基于LiDAR点云的信号交叉口追尾冲突识别方法,其特征在于:S2中对点云数据进行处理,得到某路段信号交叉口中车辆的轨迹信息,具体过程为:
S21、建立某路段信号交叉口的三维坐标系:
S22、根据三维坐标系,利用RSS感知SDK软件自动提取某路段信号交叉口内每个车辆的轨迹信息。
3.根据权利要求2中所述的基于LiDAR点云的信号交叉口追尾冲突识别方法,其特征在于:S21中建立某路段信号交叉口的三维坐标系,具体过程为:
在RSS感知SDK软件中以激光点云LiDAR在地面的垂直投影为坐标原点建立三维直角坐标系,x轴方向与直行车道进口道的停车线平行,y轴方向与直行车道进口道内车辆的行驶方向相反,z轴方向竖直向上,得到建立好的三维直角坐标系。
4.根据权利要求3中所述的基于LiDAR点云的信号交叉口追尾冲突识别方法,其特征在于:S22中车辆的轨迹信息包括每个车辆的追踪ID track_id、时间戳信息timestamp、车辆类别type及车辆类别置信度type_confidence、车辆的长宽高尺寸size:xyz、车辆中心点的三维坐标center:xyz、车辆运动方向direction:xyz、车辆速度vel:xyz、车辆加速度acc:xyz,其中,车辆运动方向、车辆速度、车辆加速度中的3维向量xyz分别表示车辆运动方向、车辆速度、车辆加速度在对应的x,y,z方向的分量;车辆类别包括大型机动车、小型机动车和非机动车。
5.根据权利要求4中所述的基于LiDAR点云的信号交叉口追尾冲突识别方法,其特征在于:S3中获取车辆间的交通冲突指标,交通冲突指标包括距离碰撞的接近程度指标和避险行为的强度指标,根据交通冲突指标计算某路段信号交叉口中任意一对前后相邻的两个车辆间的交通冲突指标值,具体过程为:
S31、选取交通冲突指标:
距离碰撞的接近程度指标包括距离碰撞时间TTC、改进的距离碰撞时间MTTC、后侵入时间PET;
避险行为的强度指标为避免事故减速率DRAC;
S32、对S22得到的每个车辆的轨迹信息进行筛选,得到每条直行车道内每个车辆最终的轨迹:
(1)剔除异常值:
读取每个车辆的每帧轨迹数据,剔除同一车辆在同一时刻出现多次的数据,仅保留同一车辆在同一时刻出现第一次的数据,并剔除存在时间小于2秒的车辆,得到剔除后的车辆的轨迹信息;
(2)筛选直行车道内车辆的轨迹:
利用无人机拍摄某路段信号交叉口的道路底图,将点云数据对应的点云效果图与道路底图叠加,根据直行车道在道路底图及点云效果图中的位置,按照比例尺获取每条直行车道进口道在三维坐标系中的范围,以及点云效果图内的多条直行车道在三维坐标系中x轴的坐标范围;
根据剔除后的车辆的轨迹信息、每条直行车道进口道在三维坐标系中的范围、点云效果图内的多条直行车道在三维坐标系中x轴的坐标范围,通过筛选得到每条直行车道上车辆的轨迹信息,对每个车辆轨迹信息的缺失值进行插值填充,插值填充包括首选分段多项式插值和线性插值,得到每条直行车道内每个车辆最终的轨迹;
S33、在某一采样时刻,计算某条直行车道内任意一对前后相邻的两个车辆间的四个交通冲突指标值:
(1)、根据S32得到的每条直行车道内每个车辆最终的轨迹,获取采样时刻t下某一条直行车道上的所有车辆,将所有车辆记为集合S;
(2)、根据集合S中每个车辆的中心点y轴坐标值从大到小对集合S内的车辆进行排序;
(3)、设置滑动窗口大小为2,将滑动窗口在排序后的集合S中从前向后滑动,得到某对前后相邻的两个车辆i、j,获取两个车辆i、j相应的轨迹信息,轨迹信息包括车辆长度、车辆中心点的x轴坐标和y轴坐标、车辆速度在y轴上的分量、车辆加速度在y轴上的分量;
(4)、根据每个交通冲突指标值的计算公式和车辆i、j的轨迹信息,计算车辆i、j间的四个交通冲突指标值;
(5)、返回(1),将采样时刻更新为t+1,继续执行(1)至(5),直到遍历所有采样时刻,得到所有采样时刻某对前后相邻的两个车辆i、j间的四个交通冲突指标值。
6.根据权利要求5中所述的基于LiDAR点云的信号交叉口追尾冲突识别方法,其特征在于:S31中距离碰撞时间TTC、改进的距离碰撞时间MTTC、后侵入时间PET的值越小或者避免事故减速率DRAC的值越大,发生追尾事故的可能性越高。
8.根据权利要求7中所述的基于LiDAR点云的信号交叉口追尾冲突识别方法,其特征在于:S33中(5)内将采样时刻更新为t+1,具体过程为:
所有交通冲突指标值的采样间隔与点云数据处理算法输出轨迹的频率相同。
9.根据权利要求8中所述的基于LiDAR点云的信号交叉口追尾冲突识别方法,其特征在于:S4中利用POT方法和PCD方法确定每个交通冲突指标的阈值,具体过程为:
利用POT方法获取TTC指标平均剩余寿命图、MTTC指标平均剩余寿命图、PET指标平均剩余寿命图、DRAC指标平均剩余寿命图,在每张平均剩余寿命图中选取一个阈值区间Ω1,定义阈值区间Ω1内的阈值u所对应的剩余寿命曲线接近直线;
利用POT方法获取TTC指标阈值稳定性图、MTTC指标阈值稳定性图、PET指标阈值稳定性图、DRAC指标阈值稳定性图,每张阈值稳定性图均包括阈值-尺寸参数稳定性图和阈值-形状参数稳定性图,在每个指标对应的两张阈值稳定性图中,分别选取一个阈值区间Ω2,两张阈值稳定性图的阈值区间Ω2相同,定义阈值区间Ω2内的阈值u所对应的形状参数ξ和改进后的尺度参数σ*均保持稳定;
利用PCD方法获取TTC指标的累积概率分布曲线、MTTC指标的累积概率分布曲线、PET指标的累积概率分布曲线、DRAC指标的累积概率分布曲线,并在每个指标阈值区间Ω1和阈值区间Ω2的交集区间Ω内选取自定义的百分比作为每个交通冲突指标最终的阈值。
10.基于LiDAR点云的信号交叉口追尾冲突识别系统,其特征在于:所述系统根据基于LiDAR点云的信号交叉口追尾冲突识别方法,利用Python语言编写车辆追尾冲突自动提取程序,所述程序执行时实现如权利要求1-9任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211419589.XA CN115798207A (zh) | 2022-11-14 | 2022-11-14 | 基于LiDAR点云的信号交叉口追尾冲突识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211419589.XA CN115798207A (zh) | 2022-11-14 | 2022-11-14 | 基于LiDAR点云的信号交叉口追尾冲突识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115798207A true CN115798207A (zh) | 2023-03-14 |
Family
ID=85437360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211419589.XA Pending CN115798207A (zh) | 2022-11-14 | 2022-11-14 | 基于LiDAR点云的信号交叉口追尾冲突识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115798207A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117636270A (zh) * | 2024-01-23 | 2024-03-01 | 南京理工大学 | 基于单目摄像头的车辆抢道事件识别方法及设备 |
-
2022
- 2022-11-14 CN CN202211419589.XA patent/CN115798207A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117636270A (zh) * | 2024-01-23 | 2024-03-01 | 南京理工大学 | 基于单目摄像头的车辆抢道事件识别方法及设备 |
CN117636270B (zh) * | 2024-01-23 | 2024-04-09 | 南京理工大学 | 基于单目摄像头的车辆抢道事件识别方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
US10032085B2 (en) | Method and system to identify traffic lights by an autonomous vehicle | |
Zaki et al. | Use of drivers’ jerk profiles in computer vision–based traffic safety evaluations | |
CN110705458B (zh) | 边界检测方法及装置 | |
KR100969995B1 (ko) | 영상처리기법을 이용한 신호교차로의 교통상충 판단 시스템및 방법 | |
CN107705563B (zh) | 基于激光雷达的连续车辆速度检测方法 | |
Guido et al. | Safety performance measures: a comparison between microsimulation and observational data | |
CN113190921B (zh) | 用于智能汽车驾乘性能测试的自动评价方法及系统 | |
CN109887273B (zh) | 一种基于多源冗余信息的桥梁活载优化识别方法 | |
CN111915883A (zh) | 一种基于车载摄像的道路交通状况检测方法 | |
CN113127466B (zh) | 一种车辆轨迹数据预处理方法及计算机存储介质 | |
CN112464889A (zh) | 道路车辆姿态和运动信息检测方法 | |
JP2022532941A (ja) | 車両信号を処理して挙動危険性の測度を計算するための装置及び方法 | |
Astarita et al. | Calibration of a new microsimulation package for the evaluation of traffic safety performances | |
CN115798207A (zh) | 基于LiDAR点云的信号交叉口追尾冲突识别方法 | |
CN114926984B (zh) | 一种实时交通冲突收集与道路安全评价方法 | |
CN112365706A (zh) | 一种基于多源信息的异常车距辨识方法 | |
Meng et al. | Traffic conflict identification technology of vehicle intersection based on vehicle video trajectory extraction | |
CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
CN112991769A (zh) | 基于视频的交通量调查方法和装置 | |
CN114822044B (zh) | 一种基于隧道的行车安全预警方法及设备 | |
Chai et al. | Automatic vehicle classification and tracking method for vehicle movements at signalized intersections | |
CN114547403A (zh) | 变道场景采集方法、装置、设备及存储介质 | |
CN114926729A (zh) | 一种基于行车视频的高风险路段鉴别系统及方法 | |
Charouh et al. | Headway and Following Distance Estimation using a Monocular Camera and Deep Learning. |
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 |