CN115841252A - 一种基于预测轨迹的高速公路行车风险评估方法 - Google Patents
一种基于预测轨迹的高速公路行车风险评估方法 Download PDFInfo
- Publication number
- CN115841252A CN115841252A CN202211543828.2A CN202211543828A CN115841252A CN 115841252 A CN115841252 A CN 115841252A CN 202211543828 A CN202211543828 A CN 202211543828A CN 115841252 A CN115841252 A CN 115841252A
- Authority
- CN
- China
- Prior art keywords
- risk
- vehicle
- driving
- time
- perception
- 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
本发明公开了一种基于预测轨迹的高速公路行车风险评估方法,包括以下工作步骤:步骤一:预测得到自车和周边车辆在预测区间内的预测轨迹;步骤二:将步骤一获得的预测区间内的预测轨迹归整为每段前瞻时间tla,m(m=1,2,...,T)内自车和周边车辆的预测轨迹;步骤三:得到各个前瞻时间内障碍车对自车构成的量化感知风险;步骤四:通过贝叶斯后验概率公式得到量化感知风险水平划分贝叶斯模型;步骤五:实现对行车风险的实时评估;本发明的有益效果是,提高了行车风险评估的准确性和实用性;对不同智能化等级的智能汽车具有良好的技术适用性。
Description
技术领域
本发明涉及交通安全评价和智能交通系统主动安全技术领域,特别是一种基于预测轨迹的高速公路行车风险评估方法。
背景技术
行车风险评估是驾驶辅助系统和智能汽车安全运行的重要基础,随着智能感知和通信技术的发展,可以获取的车辆实时运动和环境特征信息更加丰富,行车风险评估方法亦更加多元化,目前主要包括基于碰撞概率、基于行车风险场以及基于机器学习的方法;其中,基于碰撞概率的方法通常只考虑自车与前车之间的不确定关系,忽略了周边多车行为或运动的相互影响,基于行车风险场的方法大多基于当前车辆的相对位置进行计算,而在实际快速行车过程中即使在短时间内位置也可能发生很大变化,不利于后续构建准确的避撞控制方案,基于机器学习的方法普遍没有考虑实际行车过程中需要面对的周边多车复杂场景下的多车间碰撞风险问题,影响了此类算法在现实中的实用性;因此,有必要研究可以适应高速公路实际行车场景的复杂性和不确定性特点的行车风险估计方法。
发明内容
本发明的目的是为了提出一种设计方案解决上述存在的问题,具体为一种基于预测轨迹的高速公路行车风险评估方法。
实现上述目的本发明的技术方案为,一种基于预测轨迹的高速公路行车风险评估方法,包括以下工作步骤:
步骤一:车联网环境下通过传感器和V2X交互实时获取自车和周边多车的运动信息,基于长短期记忆LSTM神经网络结构,融合环境交互信息注意力模块,预测得到自车和周边车辆在预测区间内的预测轨迹;
步骤二:为预测区间构建T个移动时间窗{tla1,tla2,...,tlaT}作为自车的T段前瞻时间,将步骤一获得的预测区间内的预测轨迹归整为每段前瞻时间tla,m(m=1,2,...,T)内自车和周边车辆的预测轨迹;
步骤三:分别以步骤二所述前瞻时间内的自车和周边车辆预测轨迹为基础,构建预测区间内每一段前瞻时间内的自车驾驶风险域和周围环境事件成本,得到各个前瞻时间内障碍车对自车构成的量化感知风险;
步骤四:构建不同行车风险等级下量化感知风险的条件分布概率模型,并基于实车轨迹数据标定模型中不同风险等级阈值,通过贝叶斯后验概率公式得到量化感知风险水平划分贝叶斯模型;
步骤五:分别将步骤三所述预测区间内每一段前瞻时间内的量化感知风险输入步骤四所述风险水平划分贝叶斯模型,得到各个前瞻时间内的行车风险等级概率,最终通过考虑时长衰减的概率融合计算得到整个预测区间的融合感知风险,实现对行车风险的实时评估。
对本技术方案的进一步补充,所述步骤三中障碍车对自车构成的量化感知风险计算方法包括以下步骤:
步骤1:以自车预测轨迹为基础,构建预测区间内每一段前瞻时间内的自车驾驶风险域;
步骤2:以周边车辆预测轨迹为基础,构建预测区间内每一段前瞻时间内的环境事件成本;
步骤3:对预测区间内的每段前瞻时间计算自车量化感知风险,自车前瞻时间tla,m(m=1,2,...,T)内的量化感知风险为:
其中,DRFm为步骤1所述前瞻时间tla,m内自车的驾驶风险域,cim为步骤2所述对应前瞻时间内的环境事件成本,其中动态障碍物定义为车辆CARi;(x,y)∈S表示行车周边范围内所有网格点的坐标。
对本技术方案的进一步补充,所述步骤1具体通过以下子步骤来实现:
步骤1-1):以每段前瞻时间的初始时刻自车质心所在位置的道路横截面与中央分隔带的交点为原点,以沿车道前进方向为正向x轴,以其逆时针旋转90°方向为正向y轴,建立动态区间坐标系;
步骤1-2):将自车周边行车范围进行网格化处理,各个网格点在步骤1-1)所述动态坐标系内的坐标为(x,y)自车初始时刻重心位置坐标为(xv,yv),计算随网格位置坐标变化而变化的自车驾驶风险域DRF。
对本技术方案的进一步补充,假设自车驾驶风险域DRF分布为一个沿着预测轨迹延伸的且具有高斯截面的曲面,通过以下步骤构建前瞻时间tla内自车驾驶风险域DRF模型:
步骤1-2-1):驾驶风险域DRF高斯截面的高度a为关于预测轨迹点距离初始位置(xv,yv)的行驶路径长度L的抛物线,且与前瞻时间内自车初始时刻速度V正相关:
a(L,V)==pV(L-s)2
其中,参数p定义了抛物线的陡度,s为前瞻时间内车辆预测轨迹总路径长度;
步骤1-2-2):驾驶风险域DRF高斯截面的宽度σ为行驶路径长度L的线性函数:
σ(L)=(m+k|δ|)L+w
其中,w为车辆宽度修正参数,可取为车辆宽度的1/4;m定义了高斯截面的扩大(或缩小)的斜率;δ代表了车辆转向角;k表示DRF模型的边缘参数;除了车辆宽度修正参数w外,其他参数p,m,k均可根据驾驶员风险感知特性由网格搜索算法进行估计;
步骤1-2-3):在高斯截面高度变量a和宽度变量σ的基础上,前瞻时间tla内车辆驾驶风险域DRF模型为:
其中,(xc,yc)为网格点(x,y)至自车预测轨迹的垂点坐标;
步骤1-2-4):为了量化车辆后方范围内动态障碍物可能带来的风险,以自车重心位置的横断面为对称面,向后建立一个与步骤1-2-1)至步骤1-2-3)所述DRF对称的风险域,从而实现对车辆周边范围内量化风险的连续刻画。
对本技术方案的进一步补充,所述步骤2具体通过以下子步骤来实现:
步骤2-1):定义可能对自车行车产生潜在风险的环境事件成本参数如表1所示;
表1环境事件成本参数
其中,ccar,clane,cenv分别代表了动态障碍物、车道线和车道外成本;对于ccar,当自车与相邻障碍车辆形成跟车场景或插车场景时,障碍车辆成本用两车间距离△d和速度差△v来表示,记作ccar1;其他驾驶场景中障碍车成本固定为1200,记作ccar2。对于静态障碍物,可假设车道线成本clane为100,车道边界外成本cenv为500;
步骤2-2):同步骤1-2)所述方法将自车周边行车范围进行网格化处理,前瞻时间tla内自车周边行车范围内环境事件成本的确定方法如下:
C(x,y)=θ1(x,y)ccar+θ2(x,y)Clane+e3(xiy)cenv
其中θ1,θ3和θ3分别为自车前瞻时间初始时刻环境事件类型的0-1判别函数:
对本技术方案的进一步补充,所述步骤四中量化感知风险水平划分贝叶斯模型构建方法如下:
步骤1):构建不同行车风险等级下量化感知风险的条件分布概率模型;
步骤2):通过贝叶斯后验概率公式得到量化感知风险水平划分贝叶斯模型:
式中,P(τ|C)表示给定量化感知风险C下车辆处于某一风险等级的概率,P(C|τ)为步骤1所述不同行车风险等级下量化感知风险的条件分布概率,P(τ)为每个风险等级的先验概率,并满足约束∑τ∈ΩP(τ)=1。
对本技术方案的进一步补充,所述步骤1)通过以下子步骤来实现:
步骤1.1):定义风险水平集合Ω:
其中D,A,S分别表示危险、中等和安全等级,并分别赋予量化值2、1和0以描述风险水平,即将风险等级τ定义为:
步骤1.2):设高、低驾驶风险等级下量化感知风险C对应的阈值分别为TD和TS,中风险等级下C的期望值为TA,则可构建量化感知风险C的条件分布概率如下:
ΔTa=|C-Ta|,a∈Ω
式中,P(C|τ=a),a∈Ω表示在不同风险等级下观测到量化感知风险C的概率,其大小由C与各个风险等级阈值TD,TA和TS的相对大小决定;参数σ为不确定性因子,主要用于控制不同驾驶风险等级曲线的平滑度;
步骤1.3):步骤1.2)所述预设参数TD,TA和TS可根据实车轨迹数据的分布特征确定。
对本技术方案的进一步补充,所述步骤五中行车风险实时评估的具体实现方法如下:
步骤(1):以旁车CARi为动态障碍物,按步骤三所述方法计算得到预测区间内每一段前瞻时间内的量化感知风险{Ci1,Ci2,…,CiT};
步骤(2):将预测区间内量化感知风险序列{Ci1,Ci2,…,CiT}输入步骤四所述风险水平划分贝叶斯模型,得到每段前瞻时间内障碍车CARi对自车产生的量化感知风险处于不同风险等级τ(包括D,A,S)的后验分布概率,分别记为{PDi1,PAi1,PSi1},{PDi2,PAi2,PSi2},...,{PDiT,PAiT,PSiT};
其中PDit=P(τ=D|Cit),PAit=P(τ=A|Cit),P5it=P(τ=S|Cit)为自车处于不同风险等级的贝叶斯后验概率;τD,τA和τS分别取2、1、0以代表风险等级量化值;θ为表针时长衰减效应的衰减系数,取值范围为(0,1],当θ取1时代表风险评估过程中不考虑时长衰减;
对本技术方案的进一步补充,确定行车风险实时评估结果按照以下步骤:
步骤(4-1):取所有障碍车对自车产生的融合感知风险中的最大值作为当前时刻自车的风险量化值,记为Hmax;
步骤(4-2):实时比较Hmax与HCAR的预设临界预警阈值Hth的大小;若Hmax>Hth,则目前自车与旁车之间的交互行为风险度较高,系统应发出风险预警提示;反之,自车与旁车之间的交互行为没有潜在风险。
其有益效果在于,1.本发明构建了沿预测轨迹两侧具有渐变高斯截面特征的驾驶风险域,其在车辆预测轨迹附近具有较高的风险值,并且随着与初始时刻车辆位置的横向和纵向距离的增加而减少,可以表征目标车辆感知和操纵行为的不确定性,提高了行车风险评估的准确性和实用性;
2.本发明以自车视角构建驾驶风险域,对于目前人工驾驶的自车,其预测轨迹可以通过基于环境交互信息的周边多车轨迹预测模型实时输出;对于未来自车为自动驾驶的车辆,其预测轨迹可设置为车辆自主规划轨迹,对不同智能化等级的智能汽车具有良好的技术适用性;
3.本发明基于贝叶斯理论,将预测区间每个移动时间窗的基于预测轨迹点的量化感知风险值转化为所处风险等级的概率,并对所有时间窗的风险等级进行考虑时长衰减的概率融合计算,降低了单个时间窗内轨迹预测误差可能对风险评估结果造成的影响。
附图说明
图1为本发明的基于预测轨迹的高速公路行车风险评估流程框图;
图2为本发明的预测区间移动时间窗示意图;
图3为本发明的驾驶风险域概念示意图;
图4为本发明的动态事件成本示意图。
具体实施方式
为了便于本领域技术人员对本技术方案更加清楚,下面将结合附图1-4详细说明本技术方案:
一种基于预测轨迹的高速公路行车风险评估方法,主要是通过以下技术手段实现上述技术目的的,包括以下工作步骤:
步骤一:车联网环境下通过传感器和V2X交互实时获取自车和周边多车的运动信息,基于长短期记忆LSTM神经网络结构,融合环境交互信息注意力模块,预测得到自车和周边车辆在预测区间内的预测轨迹。
步骤二:为预测区间构建T个移动时间窗{tla1,tla2,...,tlaT}(如图2所示)作为自车的T段前瞻时间,将步骤一获得的预测区间内的预测轨迹归整为每段前瞻时间tla,m(m=1,2,...,T)内自车和周边车辆的预测轨迹。
步骤三:分别以步骤二所述前瞻时间内的自车和周边车辆预测轨迹为基础,构建预测区间内每一段前瞻时间内的自车驾驶风险域和周围环境事件成本,得到各个前瞻时间内障碍车对自车构成的量化感知风险。
步骤四:构建不同行车风险等级下量化感知风险的条件分布概率模型,并基于实车轨迹数据标定模型中不同风险等级阈值,通过贝叶斯后验概率公式得到量化感知风险水平划分贝叶斯模型。
步骤五:分别将步骤三所述预测区间内每一段前瞻时间内的量化感知风险输入步骤四所述风险水平划分贝叶斯模型,得到各个前瞻时间内的行车风险等级概率,最终通过考虑时长衰减的概率融合计算得到整个预测区间的融合感知风险,实现对行车风险的实时评估。
所述步骤三中障碍车对自车构成的量化感知风险计算方法如下:
步骤1:以自车预测轨迹为基础,构建预测区间内每一段前瞻时间内的自车驾驶风险域。所述步骤1具体通过以下子步骤来实现:
步骤1-1):以每段前瞻时间的初始时刻自车质心所在位置的道路横截面与中央分隔带的交点为原点,以沿车道前进方向为正向x轴,以其逆时针旋转90°方向为正向y轴,建立动态区间坐标系。
步骤1-2):将自车周边行车范围进行网格化处理,各个网格点在步骤1-1)所述动态坐标系内的坐标为(x,y),自车初始时刻重心位置坐标为(xv,yv),计算随网格位置坐标变化而变化的自车驾驶风险域DRF;假设自车驾驶风险域DRF分布为一个沿着预测轨迹延伸的且具有高斯截面的曲面(如图3所示),通过以下步骤构建前瞻时间tla内自车驾驶风险域DRF模型:
步骤1-2-1):驾驶风险域DRF高斯截面的高度a为关于预测轨迹点距离初始位置(xv,yv)的行驶路径长度L的抛物线,且与前瞻时间内自车初始时刻速度V正相关:
a(L,V)=pV(L-s)2
其中,参数p定义了抛物线的陡度,s为前瞻时间内车辆预测轨迹总路径长度。
步骤1-2-2):驾驶风险域DRF高斯截面的宽度σ为行驶路径长度L的线性函数:
σ(L)=(m+k|δ|)L+w
其中,w为车辆宽度修正参数,可取为车辆宽度的1/4;m定义了高斯截面的扩大(或缩小)的斜率;δ代表了车辆转向角;k表示DRF模型的边缘参数。除了车辆宽度修正参数w外,其他参数p,m,k均可根据驾驶员风险感知特性由网格搜索算法进行估计。
步骤1-2-3):在高斯截面高度变量a和宽度变量σ的基础上,前瞻时间tla内车辆驾驶风险域DRF模型为:
其中,(xc,yc)为网格点(x,y)至自车预测轨迹的垂点坐标。
步骤1-2-4):为了量化车辆后方范围内动态障碍物可能带来的风险,以自车重心位置的横断面为对称面,向后建立一个与步骤1-2-1)至步骤1-2-3)所述DRF对称的风险域,从而实现对车辆周边范围内量化风险的连续刻画。
步骤2:以周边车辆预测轨迹为基础,构建预测区间内每一段前瞻时间内的环境事件成本。所述步骤2具体通过以下子步骤来实现:
步骤2-1):定义可能对自车行车产生潜在风险的环境事件成本参数如表1所示。
表1环境事件成本参数
参数 | c<sub>car1</sub> | c<sub>car1</sub> | c<sub>lane</sub> | c<sub>env</sub> |
取值 | 200(△v<sup>2</sup>+500)/△d | 1200 | 100 | 500 |
其中,ccar,clane,cenv分别代表了动态障碍物(障碍车辆,即周边行驶车辆)、车道线和车道外成本。对于ccar,当自车与相邻障碍车辆形成跟车场景或插车场景时,障碍车辆成本用两车间距离△d和速度差△v来表示,记作ccar1;其他驾驶场景中障碍车成本固定为1200,记作ccar2。对于静态障碍物,可假设车道线成本(clane)为100,车道边界外成本(cenv)为500。
步骤2-2):同步骤1-2)所述方法将自车周边行车范围进行网格化处理,前瞻时间tla内自车周边行车范围内环境事件成本的确定方法如下:
c(x,y)=θ1(x,y)Ccar+θ2(x,y)Clane+e3(xiy)cenv
其中θ1,θ2和θ3分别为自车前瞻时间初始时刻环境事件类型的0-1判别函数:
步骤3:对预测区间内的每段前瞻时间计算自车量化感知风险,自车前瞻时间tla,m(m=1,2,...,T)内的量化感知风险为:
其中,DRFm为步骤1所述前瞻时间tla,m内自车的驾驶风险域,cim为步骤2所述对应前瞻时间内的环境事件成本,其中动态障碍物定义为车辆CARi;(x,y)∈S表示行车周边范围内所有网格点的坐标。
所述步骤四中量化感知风险水平划分贝叶斯模型构建方法如下:
步骤1):构建不同行车风险等级下量化感知风险的条件分布概率模型。所述步骤1具体通过以下子步骤来实现:
步骤1.1):定义风险水平集合Ω:
其中D,A,S分别表示危险、中等和安全等级,并分别赋予量化值2、1和0以描述风险水平,即将风险等级τ定义为:
步骤1.2):设高、低驾驶风险等级下量化感知风险C对应的阈值分别为TD和TS,中风险等级下C的期望值为TA,则可构建量化感知风险C的条件分布概率如下:
ATa=|C-Ta|,a∈Ω
式中,P(C|τ=a),a∈Ω表示在不同风险等级下观测到量化感知风险C的概率,其大小由C与各个风险等级阈值TD,TA和TS的相对大小决定。参数σ为不确定性因子,主要用于控制不同驾驶风险等级曲线的平滑度。
步骤1.3):步骤1-2)所述预设参数TD,TA和TS可根据实车轨迹数据的分布特征确定。以美国实车行驶轨迹数据NGSIM数据集为例,随机选取NGSIM数据集中N条(共计N’个数据帧)实际车辆轨迹数据,按步骤三所述方法计算每帧前瞻时间tla内自车的量化感知风险(前瞻时间tla可取0.2s)。选取量化感知风险从小到大排序的90%和10%分位值作为高、低驾驶风险等级对应的阈值TD和TS,50%分位值作为中风险等级的期望值TA。
步骤2):通过贝叶斯后验概率公式得到量化感知风险水平划分贝叶斯模型:
式中,P(τ|C)表示给定量化感知风险C下车辆处于某一风险等级的概率,P(C|τ)为步骤1所述不同行车风险等级下量化感知风险的条件分布概率,P(τ)为每个风险等级的先验概率,并满足约束∑τ∈ΩP(τ)=1,实际应用中可假设不同风险等级具有相同的先验概率(均为1/3)。
所述步骤五中行车风险实时评估的具体实现方法如下:
步骤(1):以旁车CARi为动态障碍物,按步骤三所述方法计算得到预测区间内每一段前瞻时间内的量化感知风险{Ci1,Ci2,…,CiT}。
步骤(2):将预测区间内量化感知风险序列{Ci1,Ci2,…,CiT}输入步骤四所述风险水平划分贝叶斯模型,得到每段前瞻时间内障碍车CARi对自车产生的量化感知风险处于不同风险等级τ(包括D,A,S)的后验分布概率,分别记为{PDi1,PAi1,PSi1},{PDi2,PAi2,PSi2},,{PDiT,pAiT,PSiT}。
步骤(3):以量化感知风险后验分布概率为权重,并考虑时长衰减效应(考虑到预测时间越长轨迹预测准确性越低,距离预测区间初始时刻越远的前瞻时间段应赋予越低的权重),对T段前瞻时间内的风险等级进行融合计算,得到预测区间内障碍车CARi对自车产生的融合感知风险(取值为0至1之间,值越大表示障碍车与自车之间的交互行为风险越大):
其中PDit=P(τ=D|Cit),PAit=P(τ=A|Cit),PSit=P(τ=S|Cit)为自车处于不同风险等级的贝叶斯后验概率;τD,τA和τS分别取2、1、0以代表风险等级量化值;θ为表针时长衰减效应的衰减系数,取值范围为(0,1],当θ取1时代表风险评估过程中不考虑时长衰减。
步骤(4):筛选出自车周边的第1,2,…,i辆车作为旁车(障碍车),分别记为CAR1,CAR2,…,CARi。按步骤(1)至(3)所述方法实时计算预测区间内每辆障碍车CARi对自车产生的融合感知风险按以下子步骤确定行车风险实时评估结果:
步骤(4-1):取所有障碍车对自车产生的融合感知风险中的最大值作为当前时刻自车的风险量化值,记为Hmax。
步骤(4-2):实时比较Hmax与HCAR的预设临界预警阈值Hth(可根据实际应用需求设为Hth=0.8)的大小。若Hmax>Hth,则目前自车与旁车之间的交互行为风险度较高,系统应发出风险预警提示;反之,自车与旁车之间的交互行为没有潜在风险。
上述技术方案仅体现了本发明技术方案的优选技术方案,本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理,属于本发明的保护范围之内。
Claims (9)
1.一种基于预测轨迹的高速公路行车风险评估方法,其特征在于,包括以下工作步骤:
步骤一:车联网环境下通过传感器和V2X交互实时获取自车和周边多车的运动信息,基于长短期记忆LSTM神经网络结构,融合环境交互信息注意力模块,预测得到自车和周边车辆在预测区间内的预测轨迹;
步骤二:为预测区间构建T个移动时间窗{tla1,tla2,...,tlaT}作为自车的T段前瞻时间,将步骤一获得的预测区间内的预测轨迹归整为每段前瞻时间tla,m(m=1,2,...,T)内自车和周边车辆的预测轨迹;
步骤三:分别以步骤二所述前瞻时间内的自车和周边车辆预测轨迹为基础,构建预测区间内每一段前瞻时间内的自车驾驶风险域和周围环境事件成本,得到各个前瞻时间内障碍车对自车构成的量化感知风险;
步骤四:构建不同行车风险等级下量化感知风险的条件分布概率模型,并基于实车轨迹数据标定模型中不同风险等级阈值,通过贝叶斯后验概率公式得到量化感知风险水平划分贝叶斯模型;
步骤五:分别将步骤三所述预测区间内每一段前瞻时间内的量化感知风险输入步骤四所述风险水平划分贝叶斯模型,得到各个前瞻时间内的行车风险等级概率,最终通过考虑时长衰减的概率融合计算得到整个预测区间的融合感知风险,实现对行车风险的实时评估。
2.根据权利要求1所述的一种基于预测轨迹的高速公路行车风险评估方法,其特征在于,所述步骤三中障碍车对自车构成的量化感知风险计算方法包括以下步骤:
步骤1:以自车预测轨迹为基础,构建预测区间内每一段前瞻时间内的自车驾驶风险域;
步骤2:以周边车辆预测轨迹为基础,构建预测区间内每一段前瞻时间内的环境事件成本;
步骤3:对预测区间内的每段前瞻时间计算自车量化感知风险,自车前瞻时间tla,m(m=1,2,...,T)内的量化感知风险为:
3.根据权利要求2所述的一种基于预测轨迹的高速公路行车风险评估方法,其特征在于,所述步骤1具体通过以下子步骤来实现:
步骤1-1):以每段前瞻时间的初始时刻自车质心所在位置的道路横截面与中央分隔带的交点为原点,以沿车道前进方向为正向x轴,以其逆时针旋转90°方向为正向y轴,建立动态区间坐标系;
步骤1-2):将自车周边行车范围进行网格化处理,各个网格点在步骤1-1)所述动态坐标系内的坐标为(x,y)自车初始时刻重心位置坐标为(xv,yv),计算随网格位置坐标变化而变化的自车驾驶风险域DRF。
4.根据权利要求3所述的一种基于预测轨迹的高速公路行车风险评估方法,其特征在于,假设自车驾驶风险域DRF分布为一个沿着预测轨迹延伸的且具有高斯截面的曲面,通过以下步骤构建前瞻时间tla内自车驾驶风险域DRF模型:
步骤1-2-1):驾驶风险域DRF高斯截面的高度a为关于预测轨迹点距离初始位置(xv,yv)的行驶路径长度L的抛物线,且与前瞻时间内自车初始时刻速度V正相关:
a(L,V)=pV(L-s)2
其中,参数p定义了抛物线的陡度,s为前瞻时间内车辆预测轨迹总路径长度;
步骤1-2-2):驾驶风险域DRF高斯截面的宽度σ为行驶路径长度L的线性函数:
σ(L)=(m+k|δ|)L+w
其中,w为车辆宽度修正参数,可取为车辆宽度的1/4;m定义了高斯截面的扩大(或缩小)的斜率;δ代表了车辆转向角;k表示DRF模型的边缘参数;除了车辆宽度修正参数w外,其他参数p,m,k均可根据驾驶员风险感知特性由网格搜索算法进行估计;
步骤1-2-3):在高斯截面高度变量a和宽度变量σ的基础上,前瞻时间tla内车辆驾驶风险域DRF模型为:
其中,(xc,yc)为网格点(x,y)至自车预测轨迹的垂点坐标;
步骤1-2-4):为了量化车辆后方范围内动态障碍物可能带来的风险,以自车重心位置的横断面为对称面,向后建立一个与步骤1-2-1)至步骤1-2-3)所述DRF对称的风险域,从而实现对车辆周边范围内量化风险的连续刻画。
5.根据权利要求2所述的一种基于预测轨迹的高速公路行车风险评估方法,其特征在于,所述步骤2具体通过以下子步骤来实现:
步骤2-1):定义可能对自车行车产生潜在风险的环境事件成本参数如表1所示;
表1环境事件成本参数
其中,ccar,clane,cenv分别代表了动态障碍物、车道线和车道外成本;对于ccar,当自车与相邻障碍车辆形成跟车场景或插车场景时,障碍车辆成本用两车间距离Δd和速度差Δv来表示,记作ccar1;其他驾驶场景中障碍车成本固定为1200,记作ccar2。对于静态障碍物,可假设车道线成本clane为100,车道边界外成本cenv为500;
步骤2-2):同步骤1-2)所述方法将自车周边行车范围进行网格化处理,前瞻时间tla内自车周边行车范围内环境事件成本的确定方法如下:
c(x,y)=θ1(x,y)ccar+θ2(x,y)clane+θ3(x,y)cenv
其中θ1,θ2和θ3分别为自车前瞻时间初始时刻环境事件类型的0-1判别函数:
7.根据权利要求6所述的一种基于预测轨迹的高速公路行车风险评估方法,其特征在于,所述步骤1)通过以下子步骤来实现:
步骤1.1):定义风险水平集合Ω:
其中D,A,S分别表示危险、中等和安全等级,并分别赋予量化值2、1和0以描述风险水平,即将风险等级τ定义为:
步骤1.2):设高、低驾驶风险等级下量化感知风险C对应的阈值分别为TD和TS,中风险等级下C的期望值为TA,则可构建量化感知风险C的条件分布概率如下:
△Ta=|C-Ta|,a∈Ω
式中,P(C|τ=a),a∈Ω表示在不同风险等级下观测到量化感知风险C的概率,其大小由C与各个风险等级阈值TD,TA和TS的相对大小决定;参数σ为不确定性因子,主要用于控制不同驾驶风险等级曲线的平滑度;
步骤1.3):步骤1.2)所述预设参数TD,TA和TS可根据实车轨迹数据的分布特征确定。
8.根据权利要求1所述的一种基于预测轨迹的高速公路行车风险评估方法,其特征在于,所述步骤五中行车风险实时评估的具体实现方法如下:
步骤(1):以旁车CARi为动态障碍物,按步骤三所述方法计算得到预测区间内每一段前瞻时间内的量化感知风险{Ci1,Ci2,…,CiT};
步骤(2):将预测区间内量化感知风险序列{Ci1,Ci2,…,CiT}输入步骤四所述风险水平划分贝叶斯模型,得到每段前瞻时间内障碍车CARi对自车产生的量化感知风险处于不同风险等级τ(包括D,A,S)的后验分布概率,分别记为{PDi1,PAi1,PSi1},{PDi2,PAi2,PSi2},…,{PDiT,PAiT,PSiT};
其中PDit=P(τ=D|Cit),PAit=P(τ=A|Cit),PSit=P(τ=S|Cit)为自车处于不同风险等级的贝叶斯后验概率;τD,τA和τs分别取2、1、0以代表风险等级量化值;θ为表针时长衰减效应的衰减系数,取值范围为(0,1],当θ取1时代表风险评估过程中不考虑时长衰减;
9.根据权利要求8所述的一种基于预测轨迹的高速公路行车风险评估方法,其特征在于,确定行车风险实时评估结果按照以下步骤:
步骤(4-1):取所有障碍车对自车产生的融合感知风险中的最大值作为当前时刻自车的风险量化值,记为Hmax;
步骤(4-2):实时比较Hmax与HCAR的预设临界预警阈值Hth的大小;若Hmax>Hth,则目前自车与旁车之间的交互行为风险度较高,系统应发出风险预警提示;反之,自车与旁车之间的交互行为没有潜在风险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211543828.2A CN115841252A (zh) | 2022-12-01 | 2022-12-01 | 一种基于预测轨迹的高速公路行车风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211543828.2A CN115841252A (zh) | 2022-12-01 | 2022-12-01 | 一种基于预测轨迹的高速公路行车风险评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115841252A true CN115841252A (zh) | 2023-03-24 |
Family
ID=85577951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211543828.2A Pending CN115841252A (zh) | 2022-12-01 | 2022-12-01 | 一种基于预测轨迹的高速公路行车风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841252A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118171781A (zh) * | 2024-05-13 | 2024-06-11 | 东南大学 | 一种基于实时轨迹预测的高速公路机动车事故智能检测方法及系统 |
-
2022
- 2022-12-01 CN CN202211543828.2A patent/CN115841252A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118171781A (zh) * | 2024-05-13 | 2024-06-11 | 东南大学 | 一种基于实时轨迹预测的高速公路机动车事故智能检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112347567B (zh) | 一种车辆意图和轨迹预测的方法 | |
CN109885066B (zh) | 一种运动轨迹预测方法及装置 | |
US11131993B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
EP3745158B1 (en) | Methods and systems for computer-based determining of presence of dynamic objects | |
CN112052776B (zh) | 无人车自主驾驶行为优化方法、装置和计算机设备 | |
CN111079590A (zh) | 一种无人驾驶车辆的周边车辆行为预判方法 | |
CN114391088B (zh) | 轨线规划器 | |
CN112896188B (zh) | 一种考虑前车遭遇的自动驾驶决策控制的系统 | |
US10839524B2 (en) | Systems and methods for applying maps to improve object tracking, lane-assignment and classification | |
EP4226336A1 (en) | Estimating ground height based on lidar data | |
CN111857134B (zh) | 一种基于贝叶斯网络的目标障碍车轨迹预测方法 | |
US11603095B2 (en) | Collision avoidance planning system | |
CN112394725B (zh) | 用于自动驾驶的基于预测和反应视场的计划 | |
CN112965476A (zh) | 一种基于多窗口抽样的高速无人车轨迹规划系统及方法 | |
CN115683145A (zh) | 一种基于轨迹预测的自动驾驶安全避障方法 | |
CN115257745A (zh) | 一种基于规则融合强化学习的自动驾驶换道决策控制方法 | |
Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
EP3739361A1 (en) | Method and system for fusing occupancy maps | |
CN115009304A (zh) | 一种基于端到端的自动驾驶车辆实现方法 | |
CN115841252A (zh) | 一种基于预测轨迹的高速公路行车风险评估方法 | |
Do et al. | Lane change–intention inference and trajectory prediction of surrounding vehicles on highways | |
Mardiati et al. | Motorcycle movement model based on markov chain process in mixed traffic | |
Kuhnt et al. | Lane-precise localization of intelligent vehicles using the surrounding object constellation | |
JP6796679B2 (ja) | 車両制御システム及び方法、並びに走行支援サーバ | |
CN115981308A (zh) | 一种基于势力场的路径规划方法及装置 |
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 |