CN117037545B - 一种多车超视距协同感知方法 - Google Patents

Abstract

本发明涉及多车协同感知技术领域，尤其是涉及一种多车超视距协同感知方法，所述方法包括如下步骤：数据采集模块采集组网车辆的实时行车信息；云端处理器利用来自主动组网车辆的实时行车信息建立协同感知网络并反馈给主动组网车辆；信息交互采集模块实现协同感知网络和实时行车信息的共享，得到组网车信息集；区域风险预测模块根据组网车信息集和协同感知网络生成区域风险预测图；数据输出及预警模块输出区域风险预测图并根据组网车辆的位置发出提示预警。本发明利用不同车辆实时感知获取的行车信息生成区域风险预测图，使组网车辆能够实时掌握较广范围的风险态势，实现对行车风险的超前感知，有利于及时规避风险，提高行车安全。

Description

一种多车超视距协同感知方法

技术领域

本发明涉及多车协同感知技术领域，尤其是涉及一种多车超视距协同感知方法。

背景技术

车辆感知技术对智能车辆而言，起到基础性的作用。在确定感知范围和精度后，智能汽车环境感知在人工智能技术的支持下水平显著提升，也由原来的单车单一传感器感知附近车辆的位置、速度等，实现了向单车多传感器融合感知的转型。然而，本地车载传感器的感知范围和检测精度有限，当目标物体远离传感器或被道路物体遮挡时，可能无法准确检测并处理，不利于行车安全。车辆协同感知技术的出现解决了这一问题。

车辆协同感知技术主要是通过车联网通信来交换不同车俩获取的原始或处理过的传感器数据来增强安全性，这使得无论是人工驾驶还是自动驾驶，传感器捕获的盲点数据均有助于避免车辆碰撞，因此车辆协同感知是增强互联车辆感知能力的有效方案，并在前向碰撞预警、紧急制动预警以及交叉路口碰撞预警等方面具有较好的效果。然而，现有的车辆协同感知技术缺乏对一定行车区域内整体风险态势的感知和评价，不利于将可能出现的行车风险消灭在萌芽之中，使得在面对出现的行车危险时，现有技术即便能够准确给出危险预警，但驾驶人也可能难以及时反应，进而出现行车事故，威胁驾驶人甚至更多人的生命安全。

发明内容

针对现有技术中的缺陷，本发明提供一种多车超视距协同感知方法。

为了实现上述目的，本发明提供了一种多车超视距协同感知方法，所述方法包括如下步骤：数据采集模块采集组网车辆的实时行车信息，同时主动组网车辆将采集的实时行车信息上传至云端处理器；所述云端处理器根据所述主动组网车辆采集的实时行车信息建立协同感知网络，并将所述协同感知网络反馈给所述主动组网车辆；信息交互采集模块将所述协同感知网络共享给被动组网车辆，并基于所述协同感知网络共享所述组网车辆的实时行车信息，得到组网车信息集；区域风险预测模块根据所述组网车信息集和所述协同感知网络生成区域风险预测图；数据输出及预警模块输出所述区域风险预测图并根据所述组网车辆的位置发出提示预警。本发明利用不同车辆实时感知获取的行车信息生成区域风险预测图，使组网车辆能够实时掌握较广范围的风险态势，实现对行车风险的超前感知，有利于及时规避风险，提高行车安全。

可选地，所述组网车辆包括主动组网车辆和被动组网车辆，所述数据采集模块包括内部数据采集子模块、外部数据采集子模块和信号收发子模块，所述实时行车信息包括所述组网车辆自身的实时状态信息和实时行车环境信息，所述实时状态信息包括所述组网车辆的车辆质量、行车速度和坐标位置，所述实时行车环境信息包括所述组网车辆的邻车速度和邻车位置；

所述数据采集模块采集组网车辆的实时行车信息，同时主动组网车辆将采集的实时行车信息上传至云端处理器包括如下步骤：

所述内部数据采集子模块采集所述实时状态信息，同时所述外部数据采集子模块采集所述实时行车环境信息；

所述组网车辆使用所述信号收发子模块将采集的实时行车信息上传至云端处理器。

进一步的，主动组网车辆使用数据采集模块与云端处理器配合，进而实现对区域行车风险态势的实时掌握，提高行车安全。

可选地，所述云端处理器根据所述主动组网车辆采集的实时行车信息建立协同感知网络，并将所述协同感知网络反馈给所述主动组网车辆包括如下步骤：

所述云端处理器从所述主动组网车辆的实时行车信息中筛选出所述坐标位置和所述邻车位置；

所述云端处理器将所述组网车辆作为所述协同感知网络中的网络节点，并根据所述主动组网车辆的坐标位置和邻车位置确定所述网络节点的位置，进而得到网络节点分布图；

所述云端处理器对所述网络节点进行标号，并将相邻的所述网络节点用直线连接起来，然后在所述网络节点分布图上附上比例尺，进而得到所述协同感知网络；

所述云端处理器将所述协同感知网络反馈给所述主动组网车辆。

进一步的，将组网车辆作为协同感知网络中的网络节点，并对各个网络节点进行标号是为了便于更加直观的观测到各个组网车辆的位置变化信息，也可以加快车辆间信息共享时对信息来源的识别。

可选地，所述信息交互采集模块包括信息共享子模块和交互采集子模块；

所述信息交互采集模块将所述协同感知网络共享给被动组网车辆，并基于所述协同感知网络共享所述组网车辆的实时行车信息，得到组网车信息集包括如下步骤：

所述信息共享子模块将所述主动组网车辆得到的协同感知网络共享给所述被动组网车辆；

所述组网车辆通过所述信息共享子模块获取其他所述组网车辆的实时行车信息，得到备用组网车信息集；

所述交互采集子模块整理所述备用组网车信息集，进而得到所述组网车信息集。

进一步的，将协同感知网络共享给被动组网车辆是为了让被动组网车辆清楚自己的标号，并在共享实时行车信息时附上自己的标号，进而加快车辆间信息共享时对信息来源的识别。

可选地，所述交互采集子模块整理所述备用组网车信息集，进而得到所述组网车信息集包括如下步骤：

所述交互采集子模块剔除所述备用组网车信息集中的邻车速度，得到第一备用组网车信息集；

所述交互采集子模块剔除所述第一备用组网车信息集中被动组网车辆采集的坐标位置，进而得到所述组网车信息集。

进一步的，将邻车速度和被动组网车辆采集的坐标位置剔除能够提高组网车信息集的准确性和可靠性。

可选地，所述区域风险预测模块根据所述组网车信息集和所述协同感知网络生成区域风险预测图包括如下步骤：

所述区域风险预测模块根据所述组网车信息集计算所述组网车辆的风险评价指标；

所述区域风险预测模块根据所述协同感知网络和所述风险评价指标生成区域风险预测图。

进一步的，利用一片区域中所有组网车辆的风险评价指标生成区域风险预测图可以组网车辆实时掌握该区域的行车风险态势，有利于其在需要时及时调整行车路线，避免可能出现的行车事故。

可选地，所述风险评价指标满足如下关系：

其中，为第i个所述组网车辆的风险评价指标，/>为判决因子，/>为第i个所述组网车辆的行车速度，/>为第i个所述组网车辆的第j个邻车的行车速度，/>为第i个所述组网车辆的车辆质量，/>为第i个所述组网车辆的第j个邻车的车辆质量，N为第i个所述组网车辆的邻车总数，/>为第i个所述组网车辆与其第j个邻车的相遇点之间的距离，/>为第i个所述组网车辆的第j个邻车与第i个所述组网车辆的相遇点之间的距离。

进一步的，两个组网车辆沿着各自的行驶方向并不一定会在车道上相遇，这会降低区域风险预测图的可靠性，而设置判决因子可以很好的解决这一问题。

可选地，所述区域风险预测模块根据所述协同感知网络和所述风险评价指标生成区域风险预测图包括如下步骤：

所述区域风险预测模块根据所述风险评价指标的数值对所述协同感知网络中的网络节点进行区别标注，得到风险感知网络；

所述区域风险预测模块设定的风险衰变梯度，并利用所述风险衰变梯度在所述风险感知网络上绘制风险预测梯度曲线，进而得到所述区域风险预测图。

进一步的，通过绘制风险预测梯度曲线使组网车辆直观的了解到与邻车之间各个位置的行车风险大小，进而提高行车安全。

可选地，所述区域风险预测模块设定的风险衰变梯度，并利用所述风险衰变梯度在所述风险感知网络上绘制风险预测梯度曲线，进而得到所述区域风险预测图包括如下步骤：

所述区域风险预测模块利用所述风险评价指标的最大值和最小值根据预设梯度数量计算所述风险衰变梯度；

所述区域风险预测模块根据所述风险衰变梯度设置风险指标数列，并根据所述风险评价指标数列在所述风险感知网络中网络节点的连线上标注风险衰变节点；

所述区域风险预测模块使用平滑曲线将具有相同风险指标的风险衰变节点连接起来，形成所述风险预测梯度曲线，进而得到所述区域风险预测图。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。

图1为本发明实施例的一种多车超视距协同感知方法流程示意图；

图2为本发明实施例的云端处理器、数据采集模块、信息交互采集模块、区域风险预测模块和数据输出及预警模块的连接示意图。

具体实施方式

下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。

在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。

需要提前说明的是，在一个可选地实施例当中，除了做出独立的说明之外，其它的在所有公式中出现的相同的符号或字母带表的含义和数值相同。

在一个可选地实施例当中，请参见图1至图2，本发明提供了一种多车超视距协同感知方法，具体包括如下步骤：

S1、数据采集模块采集组网车辆的实时行车信息，同时主动组网车辆将采集的实时行车信息上传至云端处理器。

其中，组网车辆包括主动组网车辆和被动组网车辆，被动组网车辆通常是一个主动组网车辆的相邻车辆。数据采集模块A2安装在组网车辆上并通过互联网与云端处理器A1相连接，数据采集模块A2包括内部数据采集子模块、外部数据采集子模块和信号收发子模块，实时行车信息包括组网车辆自身的实时状态信息和实时行车环境信息，实时状态信息包括组网车辆的车辆质量、行车速度和坐标位置，实时行车环境信息包括组网车辆的邻车速度和邻车位置。S1具体包括如下步骤：

S11、所述内部数据采集子模块采集所述实时状态信息，同时所述外部数据采集子模块采集所述实时行车环境信息。

具体的，在本实施例中，内部数据采集子模块包括车载GNSS接收器和车辆自带的定位装置。内部数据采集子模块采集的车辆质量是根据本车的质量设定好的，不需要实时采集；坐标位置可以通过车辆自带的定位装置使用高德地图来得到，行车速度则采用GNSS单点测速方式获得，这些都是现有技术，在此就不做详细说明。

进一步的，外部数据采集子模块包括高清摄像头和毫米波雷达。实时行车环境信息包括通过高清摄像头获取组网车辆在行车时周围环境的光学数据，以及通过毫米波雷达获取组网车辆在行车时周围环境的雷达数据。利用获取的光学数据和雷达数据即可得到与组网车辆相邻车辆的速度和位置，即组网车辆的邻车速度和邻车位置，此为现有技术，具体可以参考单车多传感器融合感技术的内容，因此在此就不详细说明。

更进一步的，组网车辆的邻车位置是通过其相邻车辆与组网车辆的横向距离和纵向距离来体现的。在其他可选地实施例中，外部数据采集子模块还可以包括除高清摄像头和毫米波雷达之外的其他传感器，只要其能够采集到组网车辆的邻车速度和邻车位置即可。

S12、所述组网车辆使用所述信号收发子模块将采集的实时行车信息上传至云端处理器。

具体的，在本实施例中，主动组网车辆通过互联网将采集的实时行车信息上传至云端处理器A1。组网车辆中任何一个车辆在主动向云端处理器A1发送实时行车信息时都会被认定为主动组网车辆，而被主动组网车辆识别到的附近的车辆都会被认定为被动组网车辆。

进一步的，在实际的行车过程中，部分车辆出于对行车安全的考虑认为有必要和周围车辆组网才会主动向云端处理器A1发送实时行车信息，而周围其他车辆只需要配合这部分车辆即可。这意味着在一片较广的区域中，只需要有一辆组网车辆向云端处理器A1发数据就可以为该区域中所有车辆能够实时掌握该区域的整体行车环境提供基础，这样不仅提高了车辆间组网的自主性，同时也能节省网络资源，避免组网车辆与云端处理器A1之间发生网络拥堵，进而提高云端处理器A1建立协同感知网络的效率。

S2、所述云端处理器根据所述主动组网车辆采集的实时行车信息建立协同感知网络，并将所述协同感知网络反馈给所述主动组网车辆。

其中，S2具体包括如下步骤：

S21、所述云端处理器从所述主动组网车辆的实时行车信息中筛选出所述坐标位置和所述邻车位置。

S22、所述云端处理器将所述组网车辆作为所述协同感知网络中的网络节点，并根据所述主动组网车辆的坐标位置和邻车位置确定所述网络节点的位置，进而得到网络节点分布图。

具体的，在本实施例中，云端处理器A1在获取到主动组网车辆的坐标位置及其邻车位置之后，结合高精度地图就能够很轻松的获得主动组网车辆所在区域的车道分布情况，进而将组网车辆作为协同感知网络中的网络节点来建立网络节点分布图。

进一步的，每一辆组网车辆都会在行驶过程中实时采集自己的坐标位置，然而采集到的坐标位置与组网车辆的实际位置通常会存在数米甚至更大的位置偏差，而且这种位置偏差的大小和方向没有规律可循。因此，如果直接用所有组网车辆的位置坐标来确定网络节点的位置的话，会大大降低网络节点分布图的准确性和可靠性，进而影响区域风险预测图的准确性。但如果将主动组网车辆的坐标位置作为其实际位置，然后根据主动组网车辆采集到的邻车位置来确定其他组网车辆，也就是被动组网车辆的实际位置，这样就可以大大提高网络节点分布图的准确性和可靠性，为构建准确可靠的协同感知网络提供基础。

S23、所述云端处理器对所述网络节点进行标号，并将相邻的所述网络节点用直线连接起来，然后在所述网络节点分布图上附上比例尺，进而得到所述协同感知网络。

具体的，在本实施例中，在一个较大的范围内可能存在多个主动组网车辆，云端处理器A1会根据他们发送的坐标位置和邻车位置来判断这些主动组网车辆是否可以直接感知到对方或者可以通过各自的相邻车辆来间接感知到对方。

对于可以直接或者是间接感知到对方的主动组网车辆，则端处理器A1会将他们及其相邻车辆所处的网络节点划分到一组进行标号，即认定这些主动组网车辆是同一区域的主动组网车辆，而这些主动组网车辆的相邻车辆也会因为这些主动组网车辆在同一区域而被划分到同一区域；否则端处理器A1就会将一个主动组网车辆及其感知到的相邻车辆所处的网络节点作为一组，将所有主动组网车辆及他们感知到的相邻车辆所处的节点划分为多组并分别进行标号，使每一组网络节点互不影响，即认定这些主动组网车辆是不同区域的主动组网车辆，而这些主动组网车辆的相邻车辆也会因为这些主动组网车辆在不同区域而对应的被划分到不同区域。

进一步的，对网络节点进行标号时使用阿拉伯数字从1开始标号，并使用红色的阿拉伯数字对主动组网车辆进行标号，使用蓝色阿拉伯数字对被动组网车辆进行标号。

更进一步的，将组网车辆作为协同感知网络中的网络节点，并对各个网络节点进行标号是为了使驾驶人更加直观的观测到各个组网车辆的位置变化，也有利于加快车辆间信息共享时对信息来源的识别。

S24、所述云端处理器将所述协同感知网络反馈给所述主动组网车辆。

具体的，在本实施例中，云端处理器A1通过互联网将协同感知网络反馈给主动组网车辆，并被主动组网车辆的信号收发子模块接收。

S3、信息交互采集模块将所述协同感知网络共享给被动组网车辆，并基于所述协同感知网络共享所述组网车辆的实时行车信息，得到组网车信息集。

其中，信息交互采集模块A3包括信息共享子模块和交互采集子模块，信息交互采集模块A3安装在组网车辆上，信息共享子模块和交互采集子模块通过数据线连接，每个组网车辆的信息交互采集模块A3都可以通过互联网来实现信息交流，S3具体包括如下步骤：

S31、所述信息共享子模块将所述主动组网车辆得到的协同感知网络共享给所述被动组网车辆。

S32、所述组网车辆通过所述信息共享子模块获取其他所述组网车辆的实时行车信息，得到备用组网车信息集。

具体的，在本实施例中，对于同一区域的组网车辆，其中主动组网车辆使用信息共享子模块将得到的协同感知网络共享给被动组网车辆，使该区域中所有组网车辆都能清楚的了解到自己所对应的标号，进而在向其他组网车辆共享自己的实时行车信息时附上自己的标号，使其他组网车辆能够清楚的了解到获取的实时行车信息是来自哪一辆组网车辆，进而快速整理出备用组网车信息集。

S33、所述交互采集子模块整理所述备用组网车信息集，进而得到所述组网车信息集。

其中，S33又包括如下步骤：

S331、所述交互采集子模块剔除所述备用组网车信息集中的邻车速度，得到第一备用组网车信息集。

S332、所述交互采集子模块剔除所述第一备用组网车信息集中被动组网车辆采集的坐标位置，进而得到所述组网车信息集。

具体的，在本实施例中，组网车辆采集到的邻车速度没有其邻车采集的自身的行车速度准确，因此需要剔除组网车辆采集到的邻车速度并保留组网车辆采集的行车速度。至于被动组网车辆采集的坐标位置，在步骤S22中已经说明了这些坐标位置会带来误差，并影响区域风险预测图的准确性，因此也需要剔除。

进一步的，通过此步骤就能够提高组网车信息集的准确性和可靠性，为后续的计算提高可靠的数据基础，最后的得到的组网车信息集包含各个组网车辆的车辆质量、行车速度和邻车位置。

S4、区域风险预测模块根据所述组网车信息集和所述协同感知网络生成区域风险预测图。

其中，区域风险预测模块A4安装在组网车辆上并通过数据线与信息交互采集模块A3相连接，S4具体包括如下步骤：

S41、所述区域风险预测模块根据所述组网车信息集计算所述组网车辆的风险评价指标。

具体的，在本实施例中，风险评价指标满足如下关系：

其中，为第i个组网车辆的风险评价指标，/>为判决因子，/>为第i个组网车辆的行车速度，/>为第i个组网车辆的第j个邻车的行车速度，/>为第i个组网车辆的车辆质量，/>为第i个组网车辆的第j个邻车的车辆质量，N为第i个组网车辆的邻车总数，/>为第i个组网车辆与其第j个邻车的相遇点之间的距离，/>为第i个组网车辆的第j个邻车与第i个组网车辆的相遇点之间的距离。

进一步的，如果一辆组网车辆的邻车的风险评价指标越大，则他对该组网车辆带来的行车危险就越大。判决因子的作用在于防止根据行车速度的方向会在车道外相遇的两个组网车辆相互参与对方的风险评价指标的计算，进而提高数据处理的效率。取任意两个组网车辆作为第一目标车辆和第二目标车辆，判决因子的取值方式为：沿第一目标车辆和第二目标车辆的行车速度方向作两条延长线，并将两条延长线的交点作为第一目标车辆和第二目标车辆的相遇点，如果相遇点在车道内，则第一目标车辆和第二目标车辆可以相互参与对方的风险评价指标的计算，此时；如果相遇点在车道外，则第一目标车辆和第二目标车辆不可以相互参与对方的风险评价指标的计算，此时/>。

更进一步的，对于一个确定的组网车辆，其他组网车辆计算的该组网车辆的风险评价指标可能不相同，这与目标车辆之间的相对位置和车辆质量直接相关，因此这种情况是正常的，也是易于理解的。

S42、所述区域风险预测模块根据所述协同感知网络和所述风险评价指标生成区域风险预测图。

其中，S42又包括如下步骤：

S421、所述区域风险预测模块根据所述风险评价指标的数值对所述协同感知网络中的网络节点进行区别标注，得到风险感知网络。

具体的，在本实施例中，将协同感知网络中风险评价指标小于或等于0.75的网络节点变为绿色的空心圆点，并在其旁边标注上风险评价指标；将协同感知网络中风险评价指标大于0.75但小于1的网络节点变为绿色的实心圆点，并在其旁边标注上风险评价指标；将协同感知网络中风险评价指标大于或等于1但小于1.5的网络节点变为红色的空心圆点，并在其旁边标注上风险评价指标；将协同感知网络中风险评价指标大于或等于1.5的网络节点变为红色的实心圆点，并在其旁边标注上风险评价指标。

进一步的，这样对网络节点进行标注可以使驾驶者更加直观的悉知其他组网车辆的风险评价指标，有利于驾驶者对行车环境的实时掌握，提高行车的安全性。

S422、所述区域风险预测模块设定的风险衰变梯度，并利用所述风险衰变梯度在所述风险感知网络上绘制风险预测梯度曲线，进而得到所述区域风险预测图。

其中，S422又包括如下步骤：

S4221、所述区域风险预测模块利用所述风险评价指标的最大值和最小值根据预设梯度数量计算所述风险衰变梯度。

具体的，在本实施例中，将预设梯度数量设置为，则风险衰变梯度为/>，其中/>为风险评价指标的最大值，为风险评价指标的最小值，/>为可调参数且/>。

进一步的，还可以取0.2、0.3、0.4等一系列有理数，但/>的取值不宜过大，有利于绘制出更加精确的区域风险预测图，保障组网车辆的行车安全。

S4222、所述区域风险预测模块根据所述风险衰变梯度设置风险指标数列，并根据所述风险评价指标数列在所述风险感知网络中网络节点的连线上标注风险衰变节点。

具体的，在本实施例中，以风险衰变梯度为公差，集合和/>构建风险评价指标的等差数列，在标注风险衰变节点时，需要确定网络节点间连线长度与风险评价指标数值之间的关系。首先根据比例尺来确定相邻的两个网络节点之间的距离，然后就可以结合这两个网络节点的风险评价指标来确定他们之间的连线上单位长度的风险评价指标的变化情况。也就是说，取任意两个相邻的网络节点作为第一目标网络节点和第二目标网络节点，则：

其中，为第一目标网络节点和第二目标网络节点的连线上单位长度代表的风险评价指标，/>为第一目标网络节点的风险评价指标，/>为第二目标网络节点的风险评价指标，/>为/>和/>中的最大值，/>为和/>中的最小值，L为第一目标网络节点和第二目标网络节点之间连线的长度。

进一步的，根据此关系式，如果第一目标网络节点和第二目标网络节点的连线上存在风险指标数列中的风险评价指标，则根据该风险评价指标在第一目标网络节点和第二目标网络节点的连线上标注的风险衰变节点a与所在的网络节点之间的距离/>为：

其中，为风险衰变节点a的风险评价指标。

S4223、所述区域风险预测模块使用平滑曲线将具有相同风险指标的风险衰变节点连接起来，形成所述风险预测梯度曲线，进而得到所述区域风险预测图。

具体的，在本实施例中，同一条风险预测梯度曲线上的风险评价指标是相同的，在两条风险评价指标较低的风险预测梯度曲线之间行驶时，行车风险是比较低的。因此，驾驶人可以根据这些风险预测梯度曲线来调整自己的行车方案，而这些风险预测梯度曲线也是对组网车辆所在区域中整体风险态势最好的评价，有利于驾驶人把握组网车辆所在区域中整体的行车风险态势。

S5、数据输出及预警模块输出所述区域风险预测图并根据所述组网车辆的位置发出提示预警。

具体的，在本实施例中，数据输出及预警模块A5安装在组网车辆上并通过数据线与区域风险预测模块A4相连接，数据输出及预警模块A5包括一个电子显示屏，输出的区域风险预测图会在电子显示屏上显示，当组网车辆行驶在风险评价指标大于的区域时，数据输出及预警模块A5会向驾驶者发出预警，提醒驾驶者留意四周，并及时调整自己的行车路线，向风险评价指标较小的区域靠近。

进一步的，驾驶人根据自己驾驶的组网车通过数据输出及预警模块A5输出的区域风险预测图就能够实时掌握其他组网车辆的位置分布，以及组网车辆所在区域中各个位置的行车风险大小，实现对行车风险的超前感知，有利于车辆及时规避风险，提高行车安全。

需要说明的是，在一些情况下，在说明书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果，在本实施例当中，所给出的步骤顺序仅仅是为了使实施例看起来更加清晰明了，方便说明，而非对其限制。

综上所述，本发明利用不同车辆实时感知获取的行车信息生成区域风险预测图，使组网的车辆能够实时掌握较广范围的风险态势，实现对行车风险的超前感知，有利于车辆及时规避风险，提高行车安全，同时也能够促进多车协同感知向更加准确可靠和更加安全高效的方向发展。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (5)

1.一种多车超视距协同感知方法，其特征在于，包括如下步骤：

数据采集模块采集组网车辆的实时行车信息，同时主动组网车辆将采集的实时行车信息上传至云端处理器，所述组网车辆包括主动组网车辆和被动组网车辆，所述数据采集模块包括内部数据采集子模块、外部数据采集子模块和信号收发子模块，所述实时行车信息包括所述组网车辆自身的实时状态信息和实时行车环境信息，所述实时状态信息包括所述组网车辆的车辆质量、行车速度和坐标位置，所述实时行车环境信息包括所述组网车辆的邻车速度和邻车位置；

所述内部数据采集子模块采集所述实时状态信息，同时所述外部数据采集子模块采集所述实时行车环境信息；

所述组网车辆使用所述信号收发子模块将采集的实时行车信息上传至云端处理器；

所述云端处理器从所述主动组网车辆的实时行车信息中筛选出所述坐标位置和所述邻车位置；

所述云端处理器将所述组网车辆作为协同感知网络中的网络节点，并根据所述主动组网车辆的坐标位置和邻车位置确定所述网络节点的位置，进而得到网络节点分布图；

所述云端处理器对所述网络节点进行标号，并将相邻的所述网络节点用直线连接起来，然后在所述网络节点分布图上附上比例尺，进而得到所述协同感知网络；

所述云端处理器将所述协同感知网络反馈给所述主动组网车辆；

信息交互采集模块将所述协同感知网络共享给被动组网车辆，并基于所述协同感知网络共享所述组网车辆的实时行车信息，得到组网车信息集；

区域风险预测模块根据所述组网车信息集计算所述组网车辆的风险评价指标，所述风险评价指标满足如下关系：

，

其中，为第i个所述组网车辆的风险评价指标，/>为判决因子，/>为第i个所述组网车辆的行车速度，/>为第i个所述组网车辆的第j个邻车的行车速度，/>为第i个所述组网车辆的车辆质量，/>为第i个所述组网车辆的第j个邻车的车辆质量，N为第i个所述组网车辆的邻车总数，/>为第i个所述组网车辆与其第j个邻车的相遇点之间的距离，/>为第i个所述组网车辆的第j个邻车与第i个所述组网车辆的相遇点之间的距离；

所述区域风险预测模块根据所述协同感知网络和所述风险评价指标生成区域风险预测图；

数据输出及预警模块输出所述区域风险预测图并根据所述组网车辆的位置发出提示预警。

2.根据权利要求1所述的一种多车超视距协同感知方法，其特征在于：

所述信息交互采集模块包括信息共享子模块和交互采集子模块；

所述信息交互采集模块将所述协同感知网络共享给被动组网车辆，并基于所述协同感知网络共享所述组网车辆的实时行车信息，得到组网车信息集包括如下步骤：

所述信息共享子模块将所述主动组网车辆得到的协同感知网络共享给所述被动组网车辆；

所述组网车辆通过所述信息共享子模块获取其他所述组网车辆的实时行车信息，得到备用组网车信息集；

所述交互采集子模块整理所述备用组网车信息集，进而得到所述组网车信息集。

3.根据权利要求2所述的一种多车超视距协同感知方法，其特征在于，所述交互采集子模块整理所述备用组网车信息集，进而得到所述组网车信息集包括如下步骤：

所述交互采集子模块剔除所述备用组网车信息集中的邻车速度，得到第一备用组网车信息集；

所述交互采集子模块剔除所述第一备用组网车信息集中被动组网车辆采集的坐标位置，进而得到所述组网车信息集。

4.根据权利要求3所述的一种多车超视距协同感知方法，其特征在于，所述区域风险预测模块根据所述协同感知网络和所述风险评价指标生成区域风险预测图包括如下步骤：

所述区域风险预测模块根据所述风险评价指标的数值对所述协同感知网络中的网络节点进行区别标注，得到风险感知网络；

所述区域风险预测模块设定的风险衰变梯度，并利用所述风险衰变梯度在所述风险感知网络上绘制风险预测梯度曲线，进而得到所述区域风险预测图。

5.根据权利要求4所述的一种多车超视距协同感知方法，其特征在于，所述区域风险预测模块设定的风险衰变梯度，并利用所述风险衰变梯度在所述风险感知网络上绘制风险预测梯度曲线，进而得到所述区域风险预测图包括如下步骤：

所述区域风险预测模块利用所述风险评价指标的最大值和最小值根据预设梯度数量计算所述风险衰变梯度；

所述区域风险预测模块根据所述风险衰变梯度设置风险指标数列，并根据所述风险评价指标数列在所述风险感知网络中网络节点的连线上标注风险衰变节点；

所述区域风险预测模块使用平滑曲线将具有相同风险指标的风险衰变节点连接起来，形成所述风险预测梯度曲线，进而得到所述区域风险预测图。