CN116187851A - 基于贝叶斯的自动驾驶道路与车路匹配风险指数评估方法 - Google Patents
基于贝叶斯的自动驾驶道路与车路匹配风险指数评估方法 Download PDFInfo
- Publication number
- CN116187851A CN116187851A CN202310161834.XA CN202310161834A CN116187851A CN 116187851 A CN116187851 A CN 116187851A CN 202310161834 A CN202310161834 A CN 202310161834A CN 116187851 A CN116187851 A CN 116187851A
- Authority
- CN
- China
- Prior art keywords
- road
- risk
- automatic driving
- injury
- slice
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012502 risk assessment Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 230000006378 damage Effects 0.000 claims description 46
- 208000027418 Wounds and injury Diseases 0.000 claims description 45
- 208000014674 injury Diseases 0.000 claims description 45
- 238000013461 design Methods 0.000 claims description 20
- 208000012260 Accidental injury Diseases 0.000 claims description 19
- 230000009526 moderate injury Effects 0.000 claims description 12
- 238000011158 quantitative evaluation Methods 0.000 claims description 10
- 230000035945 sensitivity Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 240000008881 Oenanthe javanica Species 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 239000004035 construction material Substances 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010206 sensitivity analysis Methods 0.000 description 3
- 239000013256 coordination polymer Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 208000010228 Erectile Dysfunction Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
基于贝叶斯的自动驾驶道路与车路匹配风险指数评估方法,解决能够有效评估出自动驾驶道路以及车路匹配的风险度的技术问题,所述的方法是借助计算机及配套软件程序对自动驾驶数据进行处理以及分析后实现的,包括对自动驾驶数据进行清洗、构建贝叶斯网络模型、对道路进行切片处理、分段完成道路风险点、道路节点以及道路风险度和车路匹配风险指数的评估分析。本发明的优点是,可有效支撑自动驾驶运行道路规划工作,选线前期,对运行路线进行风险评估,排除风险度较高的路段,提高道路运行安全水平。
Description
技术领域
本发明属于自动驾驶风险评估技术领域,涉及到了自动驾驶道路风险与自动驾驶车路匹配风险的评估方法,特别是一种基于贝叶斯的自动驾驶道路与车路匹配风险评估方法。
背景技术
自动驾驶车辆完成由测试示范向商业化应用渗透进程。经分析发现目前海内外涉自动驾驶车辆事故发生概率逐年增加,还存在亟需解决的应用问题。一是自动驾驶路线/区域设置缺少合理技术手段;二是自动驾驶车辆设计运行条件和运行线路/区域的匹配技术尚在探索。自动驾驶道路以及车路匹配的风险评估技术需要实现与完善。
发明内容
本发明为了解决能够有效评估出自动驾驶道路风险以及车路匹配风险的技术问题,设计了一种基于贝叶斯的自动驾驶道路与车路匹配风险指数评估方法,通过贝叶斯网络模型、数据驱动、以及道路切片的方式综合分析评价出风险情况。
本发明采用的技术方案是,基于贝叶斯的自动驾驶道路风险度评估方法,所述的方法是借助计算机及配套软件程序对自动驾驶数据进行处理以及分析后实现的,关键是,所述的方法具体步骤如下:
a1、对自动驾驶数据进行数据处理,形成包括事故伤害程度、道路类型、路面干湿状态、道路限速、道路状态、事故形态、天气以及灯光要素的数据库,其中,事故伤害程度要素包括无受伤、受伤轻微、受伤中度、受伤严重四项内容;
b1、根据步骤a1中数据库中的要素和内容,把事故伤害程度要素作为目标节点,把其他所有要素各作为一个节点,在配套软件程序中构建贝叶斯网络风险定性评估模型;
c1、用贝叶斯网络风险定性评估模型对数据库的所有事故数据进行学习训练,获得所有节点即各要素的条件概率联合分布,即构建了贝叶斯网络风险定量评估模型;
d1、对拟评估的自动驾驶道路进行切片处理,将自动驾驶道路拆分为多个连续道路切片,道路切片拆分时分为以下两种拆分方式:相同道路类型的按照单位里程拆分;不同道路类型的按照道路特征的区别拆分;
e1、按照贝叶斯网络风险定量评估模型中的要素提取每个道路切片的道路要素集;
f1、根据道路切片的道路要素集对所有道路切片逐个进行风险评估,形成道路风险点,具体是将道路切片的要素作为已知因素,根据步骤c1中构建的贝叶斯网络风险定量评估模型的条件概率联合分布,按照贝叶斯网络理论,计算目标节点事故伤害程度中无受伤概率、受伤轻微概率、受伤中度概率、受伤严重的概率,并对该道路切片进行风险度量化,其中任意道路切片的风险度量化公式为:
ri=rNoIi×wNoI+rMini×wMin+rModi×wMod+rSeri×wSer 式1
式1中,ri:第i个道路切片的风险评估结果,
rNoIi:针对第i个切片道路无受伤概率,
rMini:针对第i个道路切片受伤轻微的概率,
rModi:针对第i个道路切片受伤中度的概率,
rSeri:针对第i个道路切片受伤严重的概率,
wNoI、wMin、wMod、wSer:分别依次对应目标节点事故伤害程度中无受伤、受伤轻微、受伤中度、受伤严重四种内容的风险权重,取值依次变大,若ri>道路切片风险度阈值常数,则第i个道路切片,作为风险道路切片,所有风险切片的集合即为道路风险点;
g1、依据步骤f1中得到的任意道路切片的风险度计算自动驾驶道路的整体道路风险度,整体道路风险度量化公式为:
式2中,R:被评估的道路风险度量化指数,
n:该道路中道路切片的数量,
xi:该道路第i个道路切片的长度,
l:该道路总长,
rMax:该道路中风险最大的道路切片的风险值。
所述的步骤e1中,要素提取过程采用装载有视觉传感器的设备采集,或通过查询设计施工材料结合现场进行采集。
所述的步骤a1中,数据清洗处理包括删除不完整数据、删除重复数据、删除干扰数据、删除无关数据,以及进行数据挖掘构建间接要素。
本发明还涉及一种基于贝叶斯的自动驾驶车路匹配风险指数评估方法,所述的方法是借助计算机及配套软件程序对自动驾驶数据进行处理以及分析后实现的,关键是,所述的方法具体步骤如下:
a2、对自动驾驶数据进行数据处理,形成包括事故伤害程度、道路类型、路面干湿状态、道路限速、道路状态、事故形态、天气以及灯光要素的数据库,其中,事故伤害程度要素包括无受伤、受伤轻微、受伤中度、受伤严重四项内容;
b2、根据步骤a2中数据库中的要素和内容,把事故伤害程度要素作为目标节点,把其他所有要素各作为一个节点,在配套软件程序中构建贝叶斯网络风险定性评估模型;
c2、用贝叶斯网络风险定性评估模型对数据库的所有事故数据进行学习训练,获得所有节点即各要素的条件概率联合分布,即构建了贝叶斯网络风险定量评估模型;
d2、对拟评估的自动驾驶道路进行切片处理,将自动驾驶道路拆分为多个连续道路切片,道路切片拆分时分为以下两种拆分方式:相同道路类型的按照单位里程拆分;不同道路类型的按照道路特征的区别拆分;
e2、按照贝叶斯网络风险定量评估模型中的要素提取每个道路切片的道路要素集;
f2、基于步骤c2中的贝叶斯网络风险定量评估模型,按照贝叶斯网络技术理论,得出该贝叶斯模型中所有道路要素节点与目标节点事故伤害程度的敏感度,并将敏感度进行归一化处理后,得到所有要素对事故伤害程度的风险权重;
g2、计算各道路切片与拟运行自动驾驶车辆的车路切片匹配风险指数,计算公式如下:
式3中,mv:第v个道路切片的,车路切片匹配风险指数,
q:第v个道路切片中,要素的数量,
ej:第v个道路切片中,第j个要素的匹配赋值,与自动驾驶车辆设计运行条件匹配赋值为1,与自动驾驶车辆设计运行条件不匹配赋值为0,
wj:步骤f2得出的第v个道路切片中,第j个要素的风险权重,
当任意道路切片的车路切片匹配风险指数mv小于车路切片匹配风险阈值常数时,确定该道路的该切片是该车辆的车路匹配风险点,该道路中所有车路匹配风险点的集合,即为车路匹配风险点;
h2、计算拟开展运行道路与拟运行自动驾驶车辆的车路匹配风险指数,计算公式为:
式4中,M:该道路的车路匹配风险指数,
p:该道路中,道路切片的数量,
q:该道路的道路切片中,要素的数量,
xk:该道路第k个道路切片的长度,
l:该道路总长,
mkj:该道路中,第k个道路切片的,第j项要素的匹配赋值,与自动驾驶车辆设计运行条件匹配赋值为1,与自动驾驶车辆设计运行条件不匹配赋值为0,
wkj:该道路中,第k个道路切片的,第j项要素的权重,
当拟开展运行道路与拟运行自动驾驶车辆的车路匹配风险指数M小于车路匹配风险阈值常数时,确定该自动驾驶车辆在该道路上开展运行存在风险。
所述的步骤e2中,要素提取过程采用装载有视觉传感器的设备采集,或通过查询设计施工材料结合现场进行采集。
所述的步骤a2中,数据清洗处理包括删除不完整数据、删除重复数据、删除干扰数据、删除无关数据,以及进行数据挖掘构建间接要素。
本发明的核心技术创新在于,基于贝叶斯网络理论对不断更新的自动驾驶事故数据库进行持续学习训练,得出无限趋近于现实的道路各项特征要素与事故严重程度的概率联合分布情况,从而利用贝叶斯因果推理,对其他道路进行评估预测风险情况。并进一步基于概率联合分布情况和贝叶斯网络的敏感度分析技术理论,得出不同要素的风险权重,对每个道路切片中每项要素与自动驾驶车辆设计运行条件的匹配情况进行加权,最终计算车路匹配风险指数。
本发明的技术效果在于,对道路进行切片,精确发掘找到道路风险点,可有效支撑自动驾驶运行道路规划工作,选线前期,对运行路线进行风险评估,排除风险度较高的路段,提高道路运行安全水平。道路风险度量化指数可以反映不同运行道路的风险情况,可有效支撑对运行道路进行风险分级。车路匹配风险指数,能够反映出自动驾驶车辆与拟运行自动驾驶道路的匹配风险大小,可以通过控制车路匹配风险指数的门槛,以控制自动驾驶车辆运行的风险大小。而车路切片匹配风险指数则是反映自动驾驶车辆与拟运行自动驾驶道路中某个道路切片的风险大小,可以通过对车路切片匹配风险指数异常的道路切片进行道路改造、或者绕行,等降低自动驾驶车辆与拟运行自动驾驶道路的整体风险大小,降低自动驾驶车路运行风险。
附图说明
图1是本发明的风险度评估方法的流程图。
图2是构建贝叶斯网络模型的具体实施例示意图。
图3是训练完成后形成贝叶斯网络风险评估模型的具体实施例示意图。
图4是切片道路的风险评估结果的具体实施例示意图。
具体实施方式
贝叶斯网络是一种有向无环图的网络拓扑结构,每个节点代表一个随机变量,通过条件概率表来表示节点间的关联强度。所述数据驱动,为通过不断丰富的自动驾驶事故数据库,支撑贝叶斯网络定性分析模型的迭代。所述道路切片,为精细化进行风险评估的同时,根据实际道路情况自由把控尺度,如高速公路可使用颗粒度较大的道路切片,而城市道路则需要颗粒度较小的道路切片;实现该方法对不同类型道路的应用。
本发明在具体实施时,以美国高速公路安全管理局NHTSA的自动驾驶数据Incident-Reports-ADS为例。结合图1至图4,详细介绍本发明的整体方法过程。
步骤一:首先对自动驾驶数据Incident-Reports-ADS进行数据清洗、挖掘,构建NHTSA数据库数据。其中数据清洗挖掘处理包括:
删除不完整数据,删除关键信息为“UNKNOWN”的数据。
删除重复数据,对“Report ID”相同的数据,仅保留Report Version最高的版本数据,删除同一事故的重复数据。
删除干扰数据,删除“Automation System Engaged?”中为“NO”的数据;删除“Narrative”中,事故发生时为人工驾驶的数据;删除“SV PreCrash Movement”为“stopped”和“parked”的数据。
删除无关要素,删除调查法官等与事故发生无关的要素。
进行数据挖掘,构建间接要素,按照事故调查法基于“SV Contact Area”、“CPContact Area”,以及“Narrative”构建事故形态要素“Accident Form”。
构建NHTSA数据库,数据库的要素内容如下:
表1 NHTSA数据库要素(数据库数据项)
步骤二:开展风险分析,构建贝叶斯网络风险定性评估模型。
基于构建NHTSA数据库中的事故数据要素类别及内容,根据专业技术风险分析构建贝叶斯网络模型,具体模型如图2。贝叶斯网络风险定性评估模型为:
要素类别=节点
节点Injury Severity为目标节点,及模型的计算输出目标。
节点Road way、Posted Speed Limit、Road way Description、Crash With、SVPreCrash Movement、CP PreCrash Movement、Roadway Surface、Lighting作为节点Accident Form的父节点;
Lighting节点为Accident Form节点和目标节点Injury Severity的同父节点;
Weather节点为节点Roadway Surface和目标节点Injury Severity的同父节点;
节点Weather、Accident Form、Lighting、SVPrecrashSpeed、Operator为目标节点Injury Severity的父节点。
步骤三:基于贝叶斯网络风险定性评估模型开展NHTSA数据库数据学习,形成贝叶斯网络风险定量评估模型。使贝叶斯网络模型逐个学习NHTSA数据库的所有事故数据。本发明中配套的软件管理程序采用NETICA软件,将NHTSA数据库转换为“CSV”格式,在NETICA软件中构建贝叶斯网络风险定性评估模型,并使用“Cases-Learn-Incorp Cae File”功能,对NHTSA数据库进行数据学习训练。训练完成后,形成了贝叶斯网络风险定量评估模型,如图3所示。
因NHTSA的自动驾驶数据“Incident-Reports-ADS”是不断丰富的,NHTSA数据库也将持续丰富,故贝叶斯网络风险定量评估模型将会持续学习,不断变得更为精确。
步骤四:构建连续道路切片。构建连续道路切片有两种方式:
方式1,对同类型或道路环境差别较小的道路,按照单位里程,将道路分解为切片;切片是连续的,不间隔出任何路段,根据需求单位里程可以任意设定,如100m、500m、1Km等。该道路切片称为单位里程道路切片。
方式2,对存在多种类型或道路环境差别较大的路线。按照道路特征的区别,划分为连续的,不同长度的切片。该道路切片称为长度赋权道路切片。
步骤五:提取道路切片的要素集,按照步骤二贝叶斯网络风险定性评估模型中的要素,提取拟开展运行道路的道路要素集。提取方法可以采用装载有视觉传感器的设备采集,也可通过查询设计施工材料结合现场进行采集。
步骤六:对所有切片逐个进行风险评估,并形成“输出1:道路风险点”。
将基于贝叶斯网络风险定量评估模型先验作为先验概率;将每个切片的所有要素,作为条件概率数据输入模型,可直接求得风险概率。进一步的依托NETICA软件,直接在贝叶斯网络风险定量评估模型上进行输入,将确定的要素概率调整为100%,即可直接输出风险概率。例如,输入“Street、Dry、Clear、DarkLighted”等道路切片要素后,即在模型中将“Street、Dry、Clear、DarkLighted”调整为100%,目标“Injury Severity”的即会输出的风险评估的结果,如图4所示。其中任意切片道路的风险度量化公式为:
ri=rNoIi×wNoI+rMini×wMin+rModi×wMod+rSeri×wSer 式1
式1中,ri:第i个道路切片的风险评估结果,
rNoIi:针对第i个切片道路无受伤概率,
rMini:针对第i个道路切片受伤轻微的概率,
rModi:针对第i个道路切片受伤中度的概率,
rSeri:针对第i个道路切片受伤严重的概率,
wNoI、wMin、wMod、wSer:分别依次对应目标节点事故伤害程度中无受伤、受伤轻微、受伤中度、受伤严重四种内容的风险权重,取值依次变大,若ri>道路切片风险度阈值常数,则第i个道路切片,作为风险道路切片,所有风险切片的集合即为道路风险点,根据数据库事故伤害程度要素内容的调整而一同调整。
步骤七:计算道路整体风险度,并形成输出2:道路风险度量化指数。整体道路风险度量化公式为:
式2中,R:被评估的道路风险度量化指数,
n:该道路中道路切片的数量,
xi:该道路第i个道路切片的长度,
l:该道路总长,
rMax:该道路中风险最大的道路切片的风险值。
以上过程实现了自动驾驶道路风险度的评估方法。
接下来,基于上述步骤一至步骤五,具体描述自动驾驶车道匹配风险指数的评估方法。
步骤八:计算要素风险权重
基于贝叶斯网络风险定量评估模型,计算节点对目标敏感度。在Netica中对贝叶斯网络风险定量评估模型,以“Injury Severity”为目标通过“Network—Sensitivity toFindings”(数据敏感性分析功能),进行敏感性分析,分析后,会输出各项要素对“InjurySeverity”的影响权重,目标敏感度进行归一化处理,即可得到所有要素的风险权重。
步骤九:计算车路匹配风险点,对每项切片的各项要素进行匹配,该项要素如匹配赋值为1,不匹配项赋值为0;各切片的车路切片匹配风险指数计算公式如下:
式3中,mv:第v个道路切片的,车路切片匹配风险指数,
q:第v个道路切片中,要素的数量,
ej:第v个道路切片中,第j个要素的匹配赋值,与自动驾驶车辆设计运行条件匹配赋值为1,与自动驾驶车辆设计运行条件不匹配赋值为0,
wj:步骤f2得出的第v个道路切片中,第j个要素的风险权重,
当任意道路切片的车路切片匹配风险指数mv小于车路匹配风险阈值时,确定该道路的该切片是该车辆的车路匹配风险点,该道路中所有车路匹配风险点的集合,即为输出3:车路匹配风险点。
步骤十:基于所有要素的风险权重,利用拟开展运行道路的道路要素集、拟开展运行车辆的设计运行条件要素,计算并形成输出4车路匹配风险评估量化指数,计算公式如下:
式4中,M:该道路的车路匹配风险指数,
p:该道路中,道路切片的数量,
q:该道路的道路切片中,要素的数量,
xk:该道路第k个道路切片的长度,
l:该道路总长,
mkj:该道路中,第k个道路切片的,第j项要素的匹配赋值,与自动驾驶车辆设计运行条件匹配赋值为1,与自动驾驶车辆设计运行条件不匹配赋值为0,
wkj:该道路中,第k个道路切片的,第j项要素的权重,
当拟开展运行道路与拟运行自动驾驶车辆的车路匹配风险指数M小于车路匹配风险阈值常数时,确定该自动驾驶车辆在该道路上开展运行存在风险。
Claims (6)
1.基于贝叶斯的自动驾驶道路风险度评估方法,所述的方法是借助计算机及配套软件程序对自动驾驶数据进行处理以及分析后实现的,其特征在于:所述的方法具体步骤如下:
a1、对自动驾驶数据进行数据处理,形成包括事故伤害程度、道路类型、路面干湿状态、道路限速、道路状态、事故形态、天气以及灯光要素的数据库,其中,事故伤害程度要素包括无受伤、受伤轻微、受伤中度、受伤严重四项内容;
b1、根据步骤a1中数据库中的要素和内容,把事故伤害程度要素作为目标节点,把其他所有要素各作为一个节点,在配套软件程序中构建贝叶斯网络风险定性评估模型;
c1、用贝叶斯网络风险定性评估模型对数据库的所有事故数据进行学习训练,获得所有节点即各要素的条件概率联合分布,即构建了贝叶斯网络风险定量评估模型;
d1、对拟评估的自动驾驶道路进行切片处理,将自动驾驶道路拆分为多个连续道路切片,道路切片拆分时分为以下两种拆分方式:相同道路类型的按照单位里程拆分;不同道路类型的按照道路特征的区别拆分;
e1、按照贝叶斯网络风险定量评估模型中的要素提取每个道路切片的道路要素集;
f1、根据道路切片的道路要素集对所有道路切片逐个进行风险评估,形成道路风险点,具体是将道路切片的要素作为已知因素,根据步骤c1中构建的贝叶斯网络风险定量评估模型的条件概率联合分布,按照贝叶斯网络理论,计算目标节点事故伤害程度中无受伤概率、受伤轻微概率、受伤中度概率、受伤严重的概率,并对该道路切片进行风险度量化,其中任意道路切片的风险度量化公式为:
ri=rNoIi×wNoI+rMini×wMin+rModi×wMod+rSeri×wSer 式1
式1中,ri:第i个道路切片的风险评估结果,
rNoIi:针对第i个切片道路无受伤概率,
rMini:针对第i个道路切片受伤轻微的概率,
rModi:针对第i个道路切片受伤中度的概率,
rSeri:针对第i个道路切片受伤严重的概率,
wNoI、wMin、wMod、wSer:分别依次对应目标节点事故伤害程度中无受伤、受伤轻微、受伤中度、受伤严重四种内容的风险权重,取值依次变大,若ri>道路切片风险度阈值常数,则第i个道路切片,作为风险道路切片,所有风险切片的集合即为道路风险点;
g1、依据步骤f1中得到的任意道路切片的风险度计算自动驾驶道路的整体道路风险度,整体道路风险度量化公式为:
式2中,R:被评估的道路风险度量化指数,
n:该道路中道路切片的数量,
xi:该道路第i个道路切片的长度,
l:该道路总长,
rMax:该道路中风险最大的道路切片的风险值。
2.根据权利要求1所述的基于贝叶斯的自动驾驶道路风险度评估方法,其特征在于:所述的步骤e1中,要素提取过程采用装载有视觉传感器的设备采集,或通过查询设计施工材料结合现场进行采集。
3.根据权利要求1所述的基于贝叶斯的自动驾驶道路风险度评估方法,其特征在于:所述的步骤a1中,数据清洗处理包括删除不完整数据、删除重复数据、删除干扰数据、删除无关数据,以及进行数据挖掘构建间接要素。
4.基于贝叶斯的自动驾驶车路匹配风险指数评估方法,所述的方法是借助计算机及配套软件程序对自动驾驶数据进行处理以及分析后实现的,其特征在于:所述的方法具体步骤如下:
a2、对自动驾驶数据进行数据处理,形成包括事故伤害程度、道路类型、路面干湿状态、道路限速、道路状态、事故形态、天气以及灯光要素的数据库,其中,事故伤害程度要素包括无受伤、受伤轻微、受伤中度、受伤严重四项内容;
b2、根据步骤a2中数据库中的要素和内容,把事故伤害程度要素作为目标节点,把其他所有要素各作为一个节点,在配套软件程序中构建贝叶斯网络风险定性评估模型;
c2、用贝叶斯网络风险定性评估模型对数据库的所有事故数据进行学习训练,获得所有节点即各要素的条件概率联合分布,即构建了贝叶斯网络风险定量评估模型;
d2、对拟评估的自动驾驶道路进行切片处理,将自动驾驶道路拆分为多个连续道路切片,道路切片拆分时分为以下两种拆分方式:相同道路类型的按照单位里程拆分;不同道路类型的按照道路特征的区别拆分;
e2、按照贝叶斯网络风险定量评估模型中的要素提取每个道路切片的道路要素集;
f2、基于步骤c2中的贝叶斯网络风险定量评估模型,按照贝叶斯网络技术理论,得出该贝叶斯模型中所有道路要素节点与目标节点事故伤害程度的敏感度,并将敏感度进行归一化处理后,得到所有要素对事故伤害程度的风险权重;
g2、计算各道路切片与拟运行自动驾驶车辆的车路切片匹配风险指数,计算公式如下:
式3中,mv:第v个道路切片的,车路切片匹配风险指数,
q:第v个道路切片中,要素的数量,
ej:第v个道路切片中,第j个要素的匹配赋值,与自动驾驶车辆设计运行条件匹配赋值为1,与自动驾驶车辆设计运行条件不匹配赋值为0,
wj:步骤f2得出的第v个道路切片中,第j个要素的风险权重,
当任意道路切片的车路切片匹配风险指数mv小于车路切片匹配风险阈值常数时,确定该道路的该切片是该车辆的车路匹配风险点,该道路中所有车路匹配风险点的集合,即为车路匹配风险点;
h2、计算拟开展运行道路与拟运行自动驾驶车辆的车路匹配风险指数,计算公式为:
式4中,M:该道路的车路匹配风险指数,
p:该道路中,道路切片的数量,
q:该道路的道路切片中,要素的数量,
xk:该道路第k个道路切片的长度,
l:该道路总长,
mkj:该道路中,第k个道路切片的,第j项要素的匹配赋值,与自动驾驶车辆设计运行条件匹配赋值为1,与自动驾驶车辆设计运行条件不匹配赋值为0,
wkj:该道路中,第k个道路切片的,第j项要素的权重,
当拟开展运行道路与拟运行自动驾驶车辆的车路匹配风险指数M小于车路匹配风险阈值常数时,确定该自动驾驶车辆在该道路上开展运行存在风险。
5.根据权利要求4所述的基于贝叶斯的自动驾驶车路匹配风险指数评估方法,其特征在于:所述的步骤e2中,要素提取过程采用装载有视觉传感器的设备采集,或通过查询设计施工材料结合现场进行采集。
6.根据权利要求4所述的基于贝叶斯的自动驾驶车路匹配风险指数评估方法,其特征在于:所述的步骤a2中,数据清洗处理包括删除不完整数据、删除重复数据、删除干扰数据、删除无关数据,以及进行数据挖掘构建间接要素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310161834.XA CN116187851A (zh) | 2023-02-24 | 2023-02-24 | 基于贝叶斯的自动驾驶道路与车路匹配风险指数评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310161834.XA CN116187851A (zh) | 2023-02-24 | 2023-02-24 | 基于贝叶斯的自动驾驶道路与车路匹配风险指数评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116187851A true CN116187851A (zh) | 2023-05-30 |
Family
ID=86448355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310161834.XA Pending CN116187851A (zh) | 2023-02-24 | 2023-02-24 | 基于贝叶斯的自动驾驶道路与车路匹配风险指数评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187851A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711185A (zh) * | 2024-02-05 | 2024-03-15 | 中国水利水电第九工程局有限公司 | 一种基于多源数据的公路施工用预警监控系统及方法 |
-
2023
- 2023-02-24 CN CN202310161834.XA patent/CN116187851A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711185A (zh) * | 2024-02-05 | 2024-03-15 | 中国水利水电第九工程局有限公司 | 一种基于多源数据的公路施工用预警监控系统及方法 |
CN117711185B (zh) * | 2024-02-05 | 2024-04-09 | 中国水利水电第九工程局有限公司 | 一种基于多源数据的公路施工用预警监控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN110889546B (zh) | 一种基于注意力机制的交通流量模型训练方法 | |
CN111160753B (zh) | 一种基于知识图谱的路网节点重要性评估的方法 | |
CN111080029B (zh) | 基于多路段时空相关的城市交通路段速度预测方法及系统 | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
CN107145991B (zh) | 一种考虑路段相关性的时变随机网络动态路径搜索方法 | |
CN112037539B (zh) | 一种用于饱和城市交通网络的信控方案推荐方法及系统 | |
CN110979342B (zh) | 一种用于车辆全局能量管理控制的工况信息获取方法 | |
CN113625697B (zh) | 考虑任务能力变化的无人机集群可靠性评估方法和系统 | |
CN113808396B (zh) | 基于交通流量数据融合的交通速度预测方法和系统 | |
CN112797995A (zh) | 具有时空特性态势信息的车辆应急导航方法 | |
CN116853272A (zh) | 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及系统 | |
CN116187851A (zh) | 基于贝叶斯的自动驾驶道路与车路匹配风险指数评估方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
Kumar et al. | Evaluation of pavement condition index using artificial neural network approach | |
CN111899511A (zh) | 一种共线线路avl数据的公交车到站时间预测方法 | |
CN112149922A (zh) | 高速公路隧道下行线出入口区域事故严重程度预测方法 | |
Karatas et al. | Development and comparative of a new meta-ensemble machine learning model in predicting construction labor productivity | |
CN114912772A (zh) | 一种基于城市经济分类分析的城市权利透明度差异化评价体系匹配方法及系统 | |
Purkrabkova et al. | Traffic accident risk classification using neural networks | |
Menguc et al. | A data driven approach to forecasting traffic speed classes using extreme gradient boosting algorithm and graph theory | |
CN116592903B (zh) | 车路协同环境下群体偏好的生态驾驶路径实时规划方法 | |
CN115331428A (zh) | 一种基于规则库的交通信号优化方法 | |
CN115293427A (zh) | 一种针对城市早高峰最优出行路线的规划方法及系统 | |
Kar et al. | Intelligent traffic prediction by combining weather and road traffic condition information: a deep learning-based approach |
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 |