CN116092033A - 一种车辆轨迹数据驱动的车辆换道起终点识别方法 - Google Patents
一种车辆轨迹数据驱动的车辆换道起终点识别方法 Download PDFInfo
- Publication number
- CN116092033A CN116092033A CN202310026252.0A CN202310026252A CN116092033A CN 116092033 A CN116092033 A CN 116092033A CN 202310026252 A CN202310026252 A CN 202310026252A CN 116092033 A CN116092033 A CN 116092033A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane change
- track data
- lane
- different
- 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
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于轨迹数据处理领域,公开了一种车辆轨迹数据驱动的车辆换道起终点识别方法,包括如下步骤:对车辆轨迹数据进行处理;构建基于帧数差与横向位移变化量的换道起终点提取模型;采用HighD可视化仿真对模型进行参数标定;对模型实验结果进行对比分析及检验;分析换道时间分布特征。本发明以车辆自然行驶轨迹数据为基础,建立了基于帧数差与横向位移变化量的换道起终点提取模型,并通过实验对模型内参数进行了标定及检验,该模型可用于轨迹数据集中对换道起终点的采集,同时,本发明采用了海量的车辆轨迹数据集作为数据来源,数据集可以通过无人机数据采集及图像识别轨迹获得,后续还将会有更多车辆轨迹数据,在后续具有广泛的推广性。
Description
技术领域
本发明属于轨迹数据处理领域,尤其涉及一种车辆轨迹数据驱动的车辆换道起终点识别方法。
背景技术
驾驶员在执行换道决策时,需要综合考虑当前车道与目标车道与其相邻的车辆信息。相比于跟驰行为,车辆的换道行为复杂性与风险性更高。对换道行为的研究,在很大程度上能改善交通安全,提高道路通行能力。而换道起终点的正确识别和提取,对换道时间的确定和换道安全的研究具有重大的意义。
换道行为作为车辆行驶过程中重要的驾驶行为,已有很多研究对其进行了提取及预测。对于换道起终点的提取方法,目前热门的领域是通过机器学习的方法判定换道起终点并进行轨迹预测,为无人驾驶提供技术支持;也有研究采用目标车道前车与当前车道速度作为无人驾驶车辆换道意图判定依据,采用车辆动力学判断换道安全性。
对于轨迹数据换道起终点的提取,现有研究基本基于经验主义判断,缺乏相关实验验证的换道起终点提取模型。对于换道行为数据的采集,集中在实验员模拟换道驾驶、无人驾驶车辆数据等,得到的结果很难普及到实际应用中,而采用车辆自然行驶轨迹数据可以直观地表示出驾驶员的换道行为,通过车辆轨迹数据反映真实的交通情况,有助于将换道起终点模型推广到相关的研究领域,提供理论支持。
现有研究对轨迹数据换道起终点的提取主要依靠经验主义,如以经验规定横向位移变化量变化界限、车辆加速度变化范围、车道线与车辆位置情况等来确定换道起终点。但在大部分轨迹数据集,车道线坐标较难获得,精确度也较差,并且轨迹数据集中车道ID的变化并不代表车辆正在跨越车道线,换道起终点都在车道ID变化的前后,同时,基于经验主义的判断界限不一定适用于所有场景,其采集的精度也有待验证。
发明内容
本发明的目的在于提供一种车辆轨迹数据驱动的车辆换道起终点识别方法,以车辆自然行驶轨迹数据为基础,建立了基于帧数差与横向位移变化量的换道起终点提取模型,并通过实验对模型内参数进行了标定及检验,该模型可用于轨迹数据集中对换道起终点的采集,同时,本发明采用了海量的车辆轨迹数据集作为数据来源,数据集可以通过无人机数据采集及图像识别轨迹获得,后续可纳入更多车辆轨迹数据,本发明在后续具有广泛的推广性。
为了达到上述目的,在本发明提供如下的技术方案:
一种车辆轨迹数据驱动的车辆换道起终点识别方法,包括如下步骤:
S1、对车辆轨迹数据进行处理;
S2、构建基于帧数差与横向位移变化量的换道起终点提取模型;
S3、采用HighD可视化仿真对模型进行参数标定;
S4、对模型实验结果进行对比分析及检验;
S5、分析换道时间分布特征。
进一步地,所述对车辆轨迹数据为HighD数据集中的换道车轨迹数据,所述HighD数据集对每个记录提供四种文件,所述四种文件包括记录公路路段的图像、描述记录位置的CSV文件、记录车辆轨迹概述的CSV文件和包含车辆详细轨迹数据的CSV文件;
所述HighD可视化仿真是HighD数据集所提供的函数存储库,通过Python或者Matlab运行,可将HighD数据集中的轨迹数据进行可视化,逐帧复现路段车辆轨迹情况,为公开可视化函数存储库。
所述HighD数据集是利用无人机采集的位于德国科隆的车辆行驶轨迹数据,为公开数据集;
所述CSV文件为以纯文本形式存储表格数据格式的文件。
进一步地,所述对车辆轨迹数据进行处理具体为以所述四种文件为基础,采用Python3.8对每个记录进行轨迹数据预处理,所述预处理具体为:
S101、汇总HighD数据集记录信息,统计所述HighD数据集包含的交通量总数和车型比例信息;
S102、通过所述记录车辆轨迹概述的CSV文件中提供的车辆换道次数信息,筛选出具有单次换道行为的车辆,以不同车道数、不同限速、不同车型、不同车型比例、不同行驶方向分别汇总相应的类别文件;
S103、提取所述换道车辆详细轨迹数据的CSV文件,通过每辆目标车周围车辆ID信息,匹配相应的信息,所述信息包括横纵向坐标、横纵向速度与加速度、车辆长宽,将所匹配到的信息与目标车每一帧所在行数据合并;
S104、剔除换道轨迹不完整和轨迹起终点异常的数据;
S105、以不同行驶方向下行驶速度的特征为依据判断车辆换道方向,分类出向左换道与向右换道的车辆轨迹数据;
S106、统计换道车辆的交通参数信息,所述交通参数信息包括横向位移变化量、最小速度、最大速度和平均速度。
进一步地,所述换道起终点提取模型具体为:
其中,t代表每辆车的换道起终点帧数,F1代表每辆车轨迹数据的第一帧,F2代表每辆车轨迹数据车道ID变化时的帧数,F3代表每辆车轨迹数据的最后一帧,Xt与Xt-T分别表示车辆在t和t-T时刻的横向坐标,T代表帧数差,S代表横向位移变化量界限值,S与T需要通过实验进行标定。
进一步地,所述换道起终点提取模型使用所述帧数差T计算每一帧对应的横向位移变化量,使用所述车道ID信息发生变化时刻F2为边界,从F2向前追溯,提取F1-F2时间段内车辆横向位移变化量小于等于界限值S的最大时刻,将该时刻标记为换道起点;从F2向后追溯,提取F2-F3时间段内车辆横向位移变化量小于等于界限值S的最小时刻,将该时刻标记为换道终点;
所述换道起终点提取模型的准确度取决于帧数差T与横向位移变化量S的标定。
进一步地,所述采用HighD可视化仿真对模型进行参数标定具体为:
S301、设置实验车,主要根据特殊情况为依据分别设计不同实验方案,所述特殊情况包括不同行驶方向、不同车道数、不同车型和不同换道方向;
S302、通过HighD可视化仿真记录每辆实验车的换道起终点,用于判断各实验方案准确性的依据;
S303、计算不同实验方案下实验车的横向位移变化量,绘制每辆试验车横向位移变化量分布图;
S304、通过分析实验车横向位移变化情况,制定换道起终点判断规则,对比不同组别实验车换道时间差异情况;
S305、比较不同实验方案准确度,标定换道起终点提取模型参数;
S306、将不同实验方案进行验证,检验换道起终点提取模型的准确性。
进一步地,所述对模型实验结果进行对比分析及检验具体为对比所述不同实验方案的精确度,所述精确度为仿真采集的换道时间与模型采集的换道时间比值。
进一步地,所述比值最接近1,模型采集的换道起终点越准确。
进一步地,所述帧数差T包括0.2s、0.4s、0.6s、0.8s和1.0s,换道起终点提取模型最佳帧数差为0.2秒,最佳横向位移变化量界限为0.05米
进一步地,所述数据集包括6506辆换道轨迹完整的单次换道车数据。
本发明的有益技术效果至少在于以下几点:
1、本发明使用车辆自然行驶轨迹数据作为数据集,作为换道起终点提取模型参数标定的数据基础;
2、建立了基于帧数差与横向位移变化量的换道起终点提取模型,并通过实验对模型内参数进行了标定及检验,确定最佳帧数差为0.2秒,最佳横向位移变化量界限为0.05米。
3、通过换道起终点识别与提取模型,确定高速公路上车辆的换道过程持续时间(换道时间)范围在2.88-7.32秒。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明实施例车辆轨迹数据驱动的车辆换道起终点识别方法流程图。
图2为本发明实施例部分实验车横向位移变化量情况分析图。
图3为本发明实施例各实验组别精确度分布图。
图4为本发明实施例换道时间散点分布图。
图5为本发明实施例换道时间箱线分布图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
实施例
如图1所示,本发明提供的车辆轨迹数据驱动的车辆换道起终点识别方法,包括如下步骤:
S1、对车辆轨迹数据进行处理。
构建换道起终点提取模型,需要获得真实的空间道路网数据和真实的交通流数据作为支撑。本技术选用HighD数据集中的换道车轨迹数据为基础,研究获取对换道起终点提取模型参数进行合理标定的方法。HighD数据对每个记录提供四种文件,分别为:记录公路路段的图像、描述记录位置的CSV文件、记录车辆轨迹概述的CSV文件以及一个包含车辆详细轨迹数据的CSV文件。HighD可视化仿真是HighD数据集所提供的函数存储库,通过Python或者Matlab运行,可将HighD数据集中的轨迹数据进行可视化,逐帧复现路段车辆轨迹情况,为公开可视化函数存储库。
本技术为提取换道轨迹数据,以这四种文件为基础,采用Python3.8对每个记录进行轨迹数据预处理,具体操作如下:
①汇总60个数据集记录信息,统计HighD包含的交通量总数、车型比例等信息;
②通过车辆轨迹概述文件中提供的车辆换道次数信息,筛选出具有单次换道行为的车辆,以不同车道数、不同限速、不同车型、不同车型比例、不同行驶方向分别汇总相应的类别文件;
③提取换道车辆详细轨迹数据,通过每辆目标车周围车辆ID信息,匹配相应的横纵向坐标、横纵向速度与加速度、车辆长宽等信息,将所匹配到的信息与目标车每一帧所在行数据合并;
④剔除换道轨迹不完整,轨迹起终点异常等数据;
⑤以不同行驶方向下行驶速度的特征为依据判断车辆换道方向,分类出向左换道与向右换道的车辆轨迹数据;
⑥统计换道车辆横向位移变化量、最小速度、最大速度、平均速度等交通参数信息。
HighD数据集,是利用无人机采集的,位于德国科隆的车辆行驶轨迹数据,为公开数据集。
HighD可视化仿真,是HighD数据集所提供的函数存储库,通过Python或者Matlab运行,可将HighD数据集中的轨迹数据进行可视化,逐帧复现路段车辆轨迹情况,为公开可视化函数存储库。
CSV,一种以纯文本形式存储表格数据的文件格式。
S2、构建基于帧数差与横向位移变化量的换道起终点提取模型。
车辆在换道过程中,横向位移的变化量往往是正态或者偏态的,在不同帧数差下,横向位移变化量的分布也不同,本发明以帧数差与横向位移变化量为基准,提出了换道起终点提取模型如公式1所示:
在公式1式中,t代表每辆车的换道起终点帧数,F1代表每辆车轨迹数据的第一帧,F2代表每辆车轨迹数据车道ID变化时的帧数,F3代表每辆车轨迹数据的最后一帧,Xt与Xt-T分别表示车辆在t和t-T时刻的横向坐标,T代表帧数差,S代表横向位移变化量界限值,S与T需要通过实验进行标定。
该模型以帧数差T计算每一帧对应的横向位移变化量,以车道ID发生变化时刻F2为边界,从F2向前追溯,提取F1-F2时间段内车辆横向位移变化量小于等于界限值S的最大时刻,将该时刻标记为换道起点;从F2向后追溯,提取F2-F3时间段内车辆横向位移变化量小于等于界限值S的最小时刻,将该时刻标记为换道终点。为保证换道终点准确性,在每一次提取到换道终点后,判断车辆横向位移变化量在接下来的10帧内是否始终小于界限值S。如果不是始终小于界限值,说明换道还未结束,以这10帧内的横向位移变化量最大值作为新的换道终点,不断循环直到提取到换道终点后10帧内车辆横向位移变化量始终小于界限值,以此作为换道终点的最小帧数。
S3、采用HighD可视化仿真对模型进行参数标定。
基于帧数差与横向位移变化量的换道起终点提取模型准确度依赖于帧数差T与横向位移变化量S的标定,本文采用HighD可视化仿真对模型进行参数标定,实验步骤如下:
①设置实验车,主要考虑四种情况:不同行驶方向、不同车道数、不同车型及不同换道方向。以这四种不同情况为依据分别设置实验车;
②通过HighD可视化仿真记录每辆实验车的换道起终点,作为判断各实验方案准确性的依据;
③计算不同实验方案下实验车的横向位移变化量,绘制每辆试验车横向位移变化量分布图;
④通过分析实验车横向位移变化情况,制定换道起终点判断规则,对比不同组别实验车换道时间差异情况;
⑤比较各方案准确度,标定换道起终点提取模型参数;
⑥将方案进行验证,检验换道起终点提取模型的准确性。
由于HighD帧频率为25Hz,本发明将帧数差T预设为0.2s、0.4s、0.6s、0.8s及1.0s,观察实验车横向位移变化量分布情况,部分实验车横向位移变化量情况如图2所示。
HighD数据集以左上角为坐标原点,分为上下两部分不同行驶方向的车道,以下简称上行与下行。横向位移变化量是通过车辆在每一段帧数差内横向坐标的变化来计算的。受到坐标系影响,在上行车辆中,车辆速度为正值,车辆左转时,横向位移变化量为正值,右转时横向位移变化量为负值;在下行车辆中,车辆速度为负值,车辆左转时,横向位移变化量为负值,右转时横向位移变化量为正值。图1展示了部分实验车在不同帧数差下横向位移变化量的分布情况。不同帧数差下,横向位移变化量的分布趋势基本一致,但在数值大小上有较大的差异,帧数差越大,横向位移变化量越大。通过分析不同帧数差下横向位移变化量分布情况,制定了十五组实验方案,如表1所示。
表1实验方案分类
本发明依照表1的实验方案,在每个方案内设置相应的实验车,以实验方案各组内的帧数差与横向位移变化量界限提取换道起终点,并以此计算换道时间,将提取的换道时间与可视化仿真采集的换道时间对比,判断各组实验方案精确度。
S4、对模型实验结果进行对比分析及检验。
图3展示了十五组实验方案的精确度情况,精确度为仿真采集的换道时间与模型采集的换道时间比值,以各组内所有精确度的平均值作为整个实验组的精确度,比值越接近1,模型采集的换道起终点越准确。
从图3可以看出,模型精确度随着帧数差的增加而降低,在同一帧数差下,横向位移变化量界限的变化也会影响模型精确度,总体呈现随着横向位移变化量的增大,模型精确度先增大后减小的趋势。为更好的比较不同实验组别精确度的变化,将精确度排名前七的组别进行详细对比,结果如表2所示。
表2实验结果对比
表2展示了不同组别在不同情况下换道起终点采集的精确度。其中帧数差为0.2s,界限值为0.05m与帧数差为0.4s,界限值为0.10m的实验组精确度平均值与1距离最短,但帧数差为0.4s,界限值为0.10m的实验组对于上行六车道小汽车向左换道、下行四车道货车向左换道、下行四车道货车向右换道采集效果较差。而帧数差为0.2s,界限值为0.05m的组别对不同情况的采集效果都较好,在不同行驶方向、不同车型、不同车道、不同换道方向下的各种情况都能保持5%内的采集误差,故预采用实验组别2,帧数差为0.2s,即5帧,界限值为0.05m作为换道起终点提取模型S与T的标定值,换道起终点提取更新如公式2所示。
式中,t代表每辆车的换道起终点帧数,F1代表每辆车轨迹数据的第一帧,F2代表每辆车轨迹数据车道ID变化时的帧数,F3代表每辆车轨迹数据的最后一帧,Xt与Xt-5分别表示车辆在t和t-5时刻的横向坐标。
为避免实验过程中实验车存在的可能误差,需要对模型进行检验。本发明将换道起终点提取模型应用到HighD 60个数据集换道车辆记录中,提取出所有换道车辆的换道起终点,计算出相应的换道时间。本发明依靠HighD提供的可视化仿真,在60个数据集中分别提取换道样本车真实换道时间,与模型采集换道时间进行对比检验,并以不同路段为区分计算平均检验误差,检验结果如下表3所示:
表3模型检验结果
由表3可得,换道起终点提取模型在不同路段的数据集平均检验误差都低于4%,即代表每辆车通过模型采集的换道时间与实际时间相差在4%以内,以一辆车换道时间为4s为例,换道时间误差在0.16s以内,在可接受误差范围内,证明换道起终点提取模型有效,可用于采集换道起终点。
S5、分析换道时间分布特征。
本发明从60个数据集记录中提取6506辆换道轨迹完整的单次换道车数据,其中小汽车有5789辆,货车有717辆,向左换道车辆占比47%,向右换道车辆占比53%。采用基于帧数差与横向位移变化量的换道起终点提取模型分别提取每辆车的换道起终点,计算相应的换道时间,换道时间分布情况如图4与图5所示。
图4展示了所有换道车换道时间的散点图分布,不同颜色的数据点代表不同的数据集,换道时间数据点分布较为集中,但仍存在少部分异常值数据点。从图5可以看出,高速公路上车辆的换道时间范围为2.88s-7.32s,换道时间与平均速度呈现正态分布的趋势。
本发明上述实施例以车辆自然行驶轨迹数据为基础,建立了基于帧数差与横向位移变化量的换道起终点提取模型,并通过实验对模型内参数进行了标定及检验,该模型可用于轨迹数据集中对换道起终点的采集,同时,本发明采用了海量的车辆轨迹数据集作为数据来源,数据集可以通过无人机数据采集及图像识别轨迹获得,后续还可以将更多车辆轨迹数据纳入,因此在后续具有广泛的推广性、可扩展性。
尽管已经示出和描述了本发明的实施例,本领域技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种车辆轨迹数据驱动的车辆换道起终点识别方法,其特征在于,包括如下步骤:
S1、对车辆轨迹数据进行处理;
S2、构建基于帧数差与横向位移变化量的换道起终点提取模型;
S3、采用HighD可视化仿真对模型进行参数标定;
S4、对模型实验结果进行对比分析及检验;
S5、分析换道时间分布特征。
2.根据权利要求1所述的车辆轨迹数据驱动的车辆换道起终点识别方法,其特征在于,所述对车辆轨迹数据为HighD数据集中的换道车轨迹数据,所述HighD数据集对每个记录提供四种文件,所述四种文件包括记录公路路段的图像、描述记录位置的CSV文件、记录车辆轨迹概述的CSV文件和包含车辆详细轨迹数据的CSV文件;
所述HighD数据集是利用无人机采集的位于德国科隆的车辆行驶轨迹数据,为公开数据集;
所述CSV文件为以纯文本形式存储表格数据格式的文件。
3.根据权利要求2所述的车辆轨迹数据驱动的车辆换道起终点识别方法,其特征在于,所述对车辆轨迹数据进行处理具体为以所述四种文件为基础,采用Python3.8对每个记录进行轨迹数据预处理,所述预处理具体为:
S101、汇总HighD数据集记录信息,统计所述HighD数据集包含的交通量总数和车型比例信息;
S102、通过所述记录车辆轨迹概述的CSV文件中提供的车辆换道次数信息,筛选出具有单次换道行为的车辆,以不同车道数、不同限速、不同车型、不同车型比例、不同行驶方向分别汇总相应的类别文件;
S103、提取所述换道车辆详细轨迹数据的CSV文件,通过每辆目标车周围车辆ID信息,匹配相应的信息,所述信息包括横纵向坐标、横纵向速度与加速度、车辆长宽,将所匹配到的信息与目标车每一帧所在行数据合并;
S104、剔除换道轨迹不完整和轨迹起终点异常的数据;
S105、以不同行驶方向下行驶速度的特征为依据判断车辆换道方向,分类出向左换道与向右换道的车辆轨迹数据;
S106、统计换道车辆的交通参数信息,所述交通参数信息包括横向位移变化量、最小速度、最大速度和平均速度。
5.根据权利要求4所述的车辆轨迹数据驱动的车辆换道起终点识别方法,其特征在于,所述换道起终点提取模型使用所述帧数差T计算每一帧对应的横向位移变化量,使用所述车道ID信息发生变化时刻F2为边界,从F2向前追溯,提取F1-F2时间段内车辆横向位移变化量小于等于界限值S的最大时刻,将该时刻标记为换道起点;从F2向后追溯,提取F2-F3时间段内车辆横向位移变化量小于等于界限值S的最小时刻,将该时刻标记为换道终点;
所述换道起终点提取模型的准确度取决于帧数差T与横向位移变化量S的标定。
6.根据权利要求5所述的车辆轨迹数据驱动的车辆换道起终点识别方法,其特征在于,所述采用HighD可视化仿真对模型进行参数标定具体为:
S301、设置实验车,主要根据特殊情况为依据分别设计不同实验方案,所述特殊情况包括不同行驶方向、不同车道数、不同车型和不同换道方向;
S302、通过HighD可视化仿真记录每辆实验车的换道起终点,用于判断各实验方案准确性的依据;
S303、计算不同实验方案下实验车的横向位移变化量,绘制每辆试验车横向位移变化量分布图;
S304、通过分析实验车横向位移变化情况,制定换道起终点判断规则,对比不同组别实验车换道时间差异情况;
S305、比较不同实验方案准确度,标定换道起终点提取模型参数;
S306、将不同实验方案进行验证,检验换道起终点提取模型的准确性。
7.根据权利要求6所述的车辆轨迹数据驱动的车辆换道起终点识别方法,其特征在于,所述对模型实验结果进行对比分析及检验具体为对比所述不同实验方案的精确度,所述精确度为仿真采集的换道时间与模型采集的换道时间比值。
8.根据权利要求7所述的车辆轨迹数据驱动的车辆换道起终点识别方法,其特征在于,所述比值最接近1,模型采集的换道起终点越准确。
9.根据权利要求5所述的车辆轨迹数据驱动的车辆换道起终点识别方法,其特征在于,所述帧数差T包括0.2s、0.4s、0.6s、0.8s和1.0s。
10.根据权利要求3所述的车辆轨迹数据驱动的车辆换道起终点识别方法,其特征在于,所述数据集包括6506辆换道轨迹完整的单次换道车数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310026252.0A CN116092033A (zh) | 2023-01-09 | 2023-01-09 | 一种车辆轨迹数据驱动的车辆换道起终点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310026252.0A CN116092033A (zh) | 2023-01-09 | 2023-01-09 | 一种车辆轨迹数据驱动的车辆换道起终点识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116092033A true CN116092033A (zh) | 2023-05-09 |
Family
ID=86213390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310026252.0A Pending CN116092033A (zh) | 2023-01-09 | 2023-01-09 | 一种车辆轨迹数据驱动的车辆换道起终点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116092033A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994987A (zh) * | 2024-04-07 | 2024-05-07 | 东南大学 | 基于目标检测技术的交通参数提取方法及相关装置 |
-
2023
- 2023-01-09 CN CN202310026252.0A patent/CN116092033A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994987A (zh) * | 2024-04-07 | 2024-05-07 | 东南大学 | 基于目标检测技术的交通参数提取方法及相关装置 |
CN117994987B (zh) * | 2024-04-07 | 2024-06-11 | 东南大学 | 基于目标检测技术的交通参数提取方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106652445B (zh) | 一种公路交通事故判别方法及装置 | |
CN109460023A (zh) | 基于隐马尔科夫模型的驾驶人换道意图识别方法 | |
CN111242015A (zh) | 一种基于运动轮廓语义图预测行车危险场景的方法 | |
CN105160872A (zh) | 一种gps轨迹数据智能采集方法及装置 | |
CN116092033A (zh) | 一种车辆轨迹数据驱动的车辆换道起终点识别方法 | |
CN113127466B (zh) | 一种车辆轨迹数据预处理方法及计算机存储介质 | |
CN111599182B (zh) | 一种基于自然驾驶数据的换道行为自动提取方法 | |
CN103345575B (zh) | 一种数据流概念漂移检测方法及系统 | |
CN112466118A (zh) | 车辆驾驶行为识别方法、系统、电子设备及存储介质 | |
CN113674521A (zh) | 一种车辆换道对交通效率影响的预测方法 | |
CN111968373A (zh) | 一种改扩建高速公路交通控制区的换道特性确定方法 | |
CN104200675B (zh) | 一种基于不变量特征匹配的车辆测速方法 | |
CN114547403B (zh) | 变道场景采集方法、装置、设备及存储介质 | |
CN113299060B (zh) | 一种基于实测数据车辆信息系数获取系统 | |
CN114023085B (zh) | 一种基于卡口检测数据的交叉口信号配时参数推断方法 | |
CN115909542A (zh) | 基于预期功能安全的自动驾驶车辆测试方法和测试场 | |
CN106585634A (zh) | 一种对驾驶行为进行分析的方法和装置 | |
CN114494938A (zh) | 一种非机动车行为识别方法及相关装置 | |
CN114814825B (zh) | 一种基于雷达和视频融合的车辆轨迹感知与状态提取方法 | |
CN113807009B (zh) | 一种微观换道轨迹的分段提取方法 | |
CN114944083B (zh) | 一种高速公路上行驶车辆与前车距离的判断方法 | |
CN114677837B (zh) | 一种基于雷视数据的交通仿真方法、装置及电子设备 | |
CN116168354A (zh) | 一种基于启发式规则的车辆换道轨迹识别方法 | |
CN116486612B (zh) | 基于车路云协同的混合交通队列稳定性评价方法及装置 | |
CN117150391A (zh) | 一种基于时序轨迹数据的车辆类型识别方法 |
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 |