CN117079478A - 一种基于边缘计算的合流区交通冲突辨识装置 - Google Patents
一种基于边缘计算的合流区交通冲突辨识装置 Download PDFInfo
- Publication number
- CN117079478A CN117079478A CN202311032443.4A CN202311032443A CN117079478A CN 117079478 A CN117079478 A CN 117079478A CN 202311032443 A CN202311032443 A CN 202311032443A CN 117079478 A CN117079478 A CN 117079478A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- main line
- ramp
- model
- road
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000008676 import Effects 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000006698 induction Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 69
- 230000001133 acceleration Effects 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 19
- 238000011144 upstream manufacturing Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000035484 reaction time Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001939 inductive effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 206010047531 Visual acuity reduced Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/075—Ramp control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于边缘计算的合流区交通冲突辨识装置，包括智能感知模块、数据处理模块、规划决策模块和终端预警模块；所述规划决策模块，包括汇入模型、减速模型、匝道拥堵判别模型和大型车辆判别模型。本发明主要实现对公路合流区车辆运行状态识别和感知，利用优化冲突模型对当前合流区域运行的车辆安全性测算，并提出预警诱导管控体系，降低车辆合流区交通冲突。
Description
技术领域
本发明属于交通预警技术领域，具体涉及一种基于边缘计算的合流区交通冲突辨识装置。
背景技术
随着经济的快速发展，汽车保有量和公路里程逐年快速增长，交通量逐年的增长和道路服务水平的下降，使公路通行能力受到一定影响，尤其是出入口、服务区、停车区等特殊路段，汇入交通流拥堵、冲突明显突出，引发交通流紊乱，同时受视距不良、车速过快、车辆驾驶员警惕性不高等原因，汇入路段容易产生交通安全事故，影响路段安全畅通。据统计，高速公路互通匝道出入口区域事故发生率是其他路段的4-6倍，改善公路合流区车辆运行安全，是降低道路交通事故的关键，也是迫在眉睫需要解决的问题。
目前不少专家学者针对公路合流区汇入控制及预警提出不同的解决方案，一方面对系统构建的探索，包括利用视频识别技术、雷达技术、流量检测技术等，另一方面提出汇入预警模型搭建方法，包括最小安全距离方法、跟驰模型及其优化、回归模型、碰撞时间模型、后侵占时间模型、减速度模型等。然而，以上各种方法存在以下不足：(1)忽略了汇入的实际驾驶环境，仅针对小流量下匝道车辆安全汇入特性进行设计，未保证在主线大流量下正常通行和预警信息的统一协调性，或基于交通流量控制措施下缺失对具体车辆特性因素变化的观测等；(2)合流区汇入系统控制单一，缺乏系统性策略实施。因此需要研发一套实用性强、精确度高的公路合流区安全智能预警装置。
发明内容
针对现有技术存在的缺陷，本发明提供一种基于边缘计算的合流区交通冲突辨识装置，可有效解决上述问题。
本发明采用的技术方案如下：
本发明提供一种基于边缘计算的合流区交通冲突辨识装置，包括智能感知模块、数据处理模块、规划决策模块和终端预警模块；
所述智能感知模块，包括主线道路智能感知装置和匝道道路智能感知装置；所述主线道路智能感知装置，安装于主线合流端(P2)的主线道路上游，具有主线车辆检测区域，用于检测主线车辆通过主线车辆检测区域时的主线车辆实时状态；所述匝道道路智能感知装置，安装于主线合流端(P2)的匝道道路上游，具有匝道车辆检测区域，用于检测匝道车辆通过匝道车辆检测区域时的匝道车辆实时状态；
所述数据处理模块，用于接收所述智能感知模块发送的主线车辆实时状态和匝道车辆实时状态，对所述主线车辆实时状态和所述匝道车辆实时状态进行预处理，得到主线车辆实时行驶信息和匝道车辆实时行驶信息，包括：主线车辆行使速度、主线车辆通过的时间点、主线车辆的加速度、主线车辆的车型、匝道车辆行使速度、匝道车辆通过的时间点、匝道车辆的加速度和匝道车辆的车型；
所述规划决策模块，用于根据所述数据处理模块上传的主线车辆实时状态和匝道车辆实时状态，进行规划决策，基于道路拥堵情况、通行能力水平及路权之间的关联，对匝道车辆汇入时机和主线车辆速度控制进行决策优化，得到决策优化结果；
所述规划决策模块，包括汇入模型、减速模型、匝道拥堵判别模型和大型车辆判别模型；
所述汇入模型，用于判别如果匝道车辆按进入匝道车辆检测区域时的速度和加速度行驶，主线车辆按进入主线车辆检测区域时的速度和加速度行驶时，匝道车辆能否安全汇入主线道路；如果不能，则执行所述大型车辆判别模型；
所述大型车辆判别模型，用于判别当汇入模型得到匝道车辆无法安全汇入主线道路时，判别主线车辆是否为大型车辆，如果是大型车辆，则主线的大型车辆不适宜进行减速，优先使主线的大型车辆通行，使匝道车辆等待汇入；如果不是大型车辆，则进一步执行所述减速模型；
所述减速模型，用于当汇入模型得到匝道车辆无法安全汇入主线道路，并且，主线车辆为小型车辆时，使主线车辆从进入主线车辆检测区域开始减速至一定限值时，判断匝道车辆是否可以安全汇入；
所述匝道拥堵判别模型，用于判别匝道等待汇入车辆数量是否超过极限数量，如果是，则代表匝道即将进入拥堵等待时段；
所述终端预警模块，用于根据所述规划决策模块的结果，对主线车辆和匝道车辆进行预警诱导控制，引导主线车辆和匝道车辆安全通行。
优选的，所述主线道路智能感知装置和匝道道路智能感知装置，为多目标雷达、视频摄像头或线圈。
优选的，所述终端预警模块，包括主线车辆预警装置和匝道车辆预警装置；
所述主线车辆预警装置包括主线LED显示屏和主线定向喇叭；
所述匝道车辆预警装置包括匝道LED显示屏、匝道定向喇叭和主动突起路标。
优选的，所述主线车辆预警装置，同所述主线道路智能感知装置共杆设置，朝向主线车辆来车方向；
所述匝道车辆预警模块，同所述匝道道路智能感知装置共杆设置，面向匝道来车方向；
所述主动突起路标，包括主动突起路标A组和主动突起路标B组；所述主动突起路标A组布置于主线合流端(P2)位置；所述主动突起路标B组布置于匝道车辆汇入点(P1)位置。
优选的，所述汇入模型具体用于：
步骤1，匝道道路智能感知装置对进入其匝道车辆检测区域的匝道车辆进行检测，当检测到匝道车辆C进入匝道车辆检测区域时，向数据处理模块发送匝道车辆C的实时状态；数据处理模块获得匝道车辆C进入匝道车辆检测区域时的车速vC、时间tC和加速度aC，并实时传输给汇入模型；
主线道路智能感知装置对进入其主线车辆检测区域的主线车辆依次进行检测，只要有两辆相邻的主线车辆在设定时间长度内，先后进入主线车辆检测区域，则这两辆相邻的主线车辆形成一组，行驶在前的主线车辆为主线车辆A，行驶在后的主线车辆为主线车辆B，为多车模式；否则，如果当某辆主线车辆进入主线车辆检测区域后，在设定时间长度内没有其他主线车辆进入主线车辆检测区域，表明该主线车辆与其后面相邻的主线车辆的车间隔较远，将该主线车辆记为主线车辆B，为单车模式；
主线道路智能感知装置将主线车辆A和主线车辆B的实时状态发送给数据处理模块，数据处理模块获得主线车辆A进入主线车辆检测区域的车速vA、时间tA和加速度aA，以及主线车辆B进入主线车辆检测区域的车速vB、时间tB和加速度aB，并实时传输给汇入模型；
步骤2，汇入模型根据匝道车辆C的实时行驶信息模拟其运行到匝道车辆汇入点(P1)的行驶轨迹，并预测得到假设按当前运行状态的车速vC和加速度aC行驶时，其到达匝道车辆汇入点(P1)的时间tP1；
步骤3，汇入模型预测到达时间tP1时，主线车辆B和主线车辆A的行驶位置，并确定主线车辆B和主线车辆A如果按进入主线车辆检测区域时运行状态行驶，是否与匝道车辆C的汇入产生冲突，如果不冲突，则匝道车辆C正常汇入；如果冲突，则执行大型车辆判别模型和减速模型：
判断是否与匝道车辆C的汇入产生冲突的方法为：
1)采用下式，预测主线车辆A从进入主线车辆检测区域开始，按进入主线车辆检测区域运行状态的车速vA和加速度aA行驶，当达到时间tP1时，其行驶的路径长度SA′；预测主线车辆B从进入主线车辆检测区域开始，按进入主线车辆检测区域运行状态的车速vB和加速度aB行驶，当达到时间tP1时，其行驶的路径长度SB′；
2)如果满足规则1或规则2，则汇入不冲突，匝道车辆C正常汇入；
规则1：且SA'-SB'＞[vB+aB(tP1-tB)]Δtw
规则2：SA'-S1-S2-ΔLA-[vA+aA(tP1-tA)]Δtw-ΔL≤0
其中：
S1：主线合流端(P2)与匝道车辆汇入点(P1)的距离；
S2：主线合流端(P2)与主线道路智能感知装置的距离；
ΔL：车辆之间行驶的紧急安全制动间距；
ΔLA：主线车辆A检测时距离主线道路智能感知装置的距离；
ΔLB：主线车辆B检测时距离主线道路智能感知装置的距离；
Δtw：匝道车辆C汇入并运行时间；
如果满足规则3或规则4，规则3代表当达到时间tP1时，主线车辆A和主线车辆B均位于匝道车辆汇入点(P1)的右侧；规则4代表当达到时间tP1时，主线车辆A位于匝道车辆汇入点(P1)的右侧，主线车辆B位于匝道车辆汇入点(P1)的左侧，并且，主线车辆A和主线车辆B的车间距过小；则匝道车辆C不可以正常汇入；
规则3：
规则4：且SA'-SB'≤[vB+aB(tP1-tB)]Δtw
此时，通过大型车辆判别模型判别主线车辆B是否为大型车辆，如果是，则需使匝道车辆C避让主线车辆B；如果不是，则执行减速模型。
优选的，所述减速模型具体用于：
1)采用下式，计算主线车辆B减速后行驶的距离SB″：
其中：
tB′：驾驶人员识别减速反应时间点；
aB′：主线车辆B接收减速信息后加速度，为负值；
2)判断是否满足规则5：
规则5：SB″-S1-S2-ΔLB-ΔL＜0且SA'-SB″＞v限Δtw
其中：v限＝vB+aB't0
t0为主线车辆B减速时间；
v限为：主线车辆B减速后的限速；
如果满足，则当主线车辆B减速后，匝道车辆C正常汇入。
优选的，所述匝道拥堵判别模型具体用于：
当检测到匝道等待汇入车辆n＞N限且主动突起路标B组检测到n＞N限时，代表匝道即将进入拥堵等待时段；其中，N限为匝道等待汇入车辆的最大限值。
优选的，所述终端预警模块包括第1预警子模块、第2预警子模块、第3预警子模块和第4预警子模块；
当汇入模型判别主线车辆B、主线车辆A和匝道车辆C正常行驶，匝道车辆C可正常汇入时，通过第1预警子模块发布预警信息，诱导匝道车辆C在匝道车辆汇入点(P1)汇入主线；
当汇入模型判别主线车辆B、主线车辆A和匝道车辆C正常行驶，匝道车辆C不可以正常汇入时，通过大型车辆判别模型判别主线车辆B是否为大型车辆，如果是，则匝道车辆C减速等待汇入，并通过匝道拥堵判别模型判别匝道是否即将进入拥堵等待时段，如果是，则通过第4预警子模块发布预警信息，利用主线外侧道前端LED显示屏提前告知变道至内侧道，缓解外侧道汇入压力，在保证主线车辆通行的情况下，匝道车辆尽快汇入，舒缓和避免匝道拥堵；如果判别主线车辆B不是大型车辆，则通过减速模型判别如果主线车辆B减速，匝道车辆C能否正常汇入，如果为否，则通过第3预警子模块发布预警信息，使匝道车辆C减速等待汇入，使主线车辆A和主线车辆B正常行行驶；如果为是，则通过第2预警子模块发布预警信息，使主线车辆B减速行驶，匝道车辆C正常汇入。
本发明提供的一种基于边缘计算的合流区交通冲突辨识装置具有以下优点：
本发明主要实现对公路合流区车辆运行状态识别和感知，利用优化冲突模型对当前合流区域运行的车辆安全性测算，并提出预警诱导管控体系，降低车辆合流区交通冲突。
附图说明
图1为本发明提供的基于边缘计算的合流区交通冲突辨识装置的布置结构示意图；
图2为本发明提供的基于边缘计算的合流区交通冲突辨识装置的布置结构简图；
图3为本发明提供的基于边缘计算的合流区交通冲突辨识装置的架构图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明涉及术语公路合流区：指公路来自同一方向上的不同车流汇合成一股车流过程中所跨越的区域。公路合流区承担着匝道交通流与主线交通流在此区域汇合成一股交通流，完成合流过程。
本发明提供一种基于边缘计算的合流区交通冲突辨识装置，属于公路交通安全领域，用于对公路合流区中公路运行车辆的预警及诱导，具体的，本发明从实际应用和安全保障角度出发，提出了公路合流区交通冲突辨识方法、预警装置及管控策略，本发明主要实现对公路合流区车辆运行状态识别和感知，利用优化冲突模型对当前合流区域运行的车辆安全性测算，并提出预警诱导管控体系，降低车辆合流区交通冲突。
随着公路交通量的不断增长，公路合流区汇入成为道路交通事故和拥堵的多发位置。针对公路合流区车辆的运行状态，匝道汇入车辆尽可能减少对主线车辆的通行影响，同时使匝道车辆安全汇入避免加速车道拥堵，本发明利用交通工程安全理论，构建基于边缘计算的合流区交通冲突辨识装置，包括智能感知模块、数据处理模块、规划决策模块和终端预警模块，并利用AI自主学习技术联动运行，不断优化模块性能，降低错失率。
本发明中，基于车辆运行安全区公路合流区安全智能预警模型，设计不同模块联动运行。预警基本策略原则：1)保证主线车辆运行流畅，减少紧急制动和停车情况。2)保证匝道车辆安全汇入，降低冲突事件。3)确保预警模型在不同匝道类型中的适用性，降低模型错失率。
本发明提供一种基于边缘计算的合流区交通冲突辨识装置，结合图1到图3，包括智能感知模块、数据处理模块、规划决策模块和终端预警模块。下面对智能感知模块、数据处理模块、规划决策模块和终端预警模块详细介绍：
(一)智能感知模块
所述智能感知模块，包括主线道路智能感知装置和匝道道路智能感知装置；所述主线道路智能感知装置，安装于主线合流端P2的主线道路上游，具体为图2中的P3位置，具有主线车辆检测区域，其长度为ΔL1，用于检测主线车辆通过主线车辆检测区域时的主线车辆实时状态；所述匝道道路智能感知装置，安装于主线合流端P2的匝道道路上游，具体为图2中的P5位置，具有匝道车辆检测区域，其长度为ΔL2，用于检测匝道车辆通过匝道车辆检测区域时的匝道车辆实时状态；
具体的，所述主线道路智能感知装置和匝道道路智能感知装置，可以为多目标雷达、视频摄像头或线圈等设施。
例如，主线道路智能感知装置结合车辆运行安全性，布设位置为距离主线合流端P2上游150-200m位置，可与“注意合流标志”共杆设置；匝道道路智能感知装置结合车辆运行安全性，布设位置为距离主线合流端P2上游5-20m位置，可与“LED显示屏”共杆设置。其具体选址位置与道路运行车速有关。
(二)数据处理模块
所述数据处理模块，用于接收所述智能感知模块发送的主线车辆实时状态和匝道车辆实时状态，对所述主线车辆实时状态和所述匝道车辆实时状态进行预处理，得到主线车辆实时行驶信息和匝道车辆实时行驶信息，包括：主线车辆行使速度、主线车辆通过的时间点、主线车辆的加速度、主线车辆的车型、匝道车辆行使速度、匝道车辆通过的时间点、匝道车辆的加速度和匝道车辆的车型。
例如，数据处理模块，由信息处理及存储装置构成，主要对智能感知模块获取的信息进行预处理，快速处理计算实时的加速度、速度、距离、车型判别等信息，基于汇入模型和减速模型初步判定道路运行情况，并实时与规划决策模块联动处理。
(三)规划决策模块
所述规划决策模块，用于根据所述数据处理模块上传的主线车辆实时状态和匝道车辆实时状态，进行规划决策，基于道路拥堵情况、通行能力水平及路权之间的关联，对匝道车辆汇入时机和主线车辆速度控制进行决策优化，得到决策优化结果；并及时反馈相关信息及诱导车辆安全驾驶。
所述规划决策模块，包括汇入模型、减速模型、匝道拥堵判别模型和大型车辆判别模型；
所述汇入模型，用于判别如果匝道车辆按进入匝道车辆检测区域时的速度和加速度行驶，主线车辆按进入主线车辆检测区域时的速度和加速度行驶时，匝道车辆能否安全汇入主线道路；如果不能，则执行所述大型车辆判别模型；
所述大型车辆判别模型，用于判别当汇入模型得到匝道车辆无法安全汇入主线道路时，判别主线车辆是否为大型车辆，如果是大型车辆，则主线的大型车辆不适宜进行减速，优先使主线的大型车辆通行，使匝道车辆等待汇入；如果不是大型车辆，则进一步执行所述减速模型；
所述减速模型，用于当汇入模型得到匝道车辆无法安全汇入主线道路，并且，主线车辆为小型车辆时，使主线车辆从进入主线车辆检测区域开始减速至一定限值时，判断匝道车辆是否可以安全汇入；
所述匝道拥堵判别模型，用于判别匝道等待汇入车辆数量是否超过极限数量，如果是，则代表匝道即将进入拥堵等待时段。
具体的，汇入模型，基于冲突模型原理优化模型内容，涉及匝道车辆汇入点判定、车辆最小安全间距、信息反应及汇入时间等，融合直接式和平行式加速车道合流区模式，可更广泛适用、更贴近实际车辆轨迹。
大型车辆判别模块，用于基于主线车辆间距不足汇入时，大型车辆受制动和惯性影响，短时间内减速可能会造成紧急制动或侧翻事故，为道路行驶安全和避免严重事故发生，确保主线大型车优先通行。
减速模型，主要针对解决主线小型车间距不足汇入时采取减速至一定限值，匝道车辆是否可以汇入的判定，在保证主线优先畅通及安全运行的情况下，适当对匝道车辆汇入时机优化，保证匝道合流区畅通，降低交通拥堵。
匝道拥堵判别模型，用于利用反馈等待信息及实时地磁感应突起路标检测最大值，判别加速车道内车辆数情况，当大于阈值即将拥堵情况时，将自动引导主线车流换道至内侧车道，疏导外车道车流量以缓解和降低匝道汇入冲突。
本发明中，所述汇入模型具体用于：
步骤1，匝道道路智能感知装置对进入其匝道车辆检测区域的匝道车辆进行检测，当检测到匝道车辆C进入匝道车辆检测区域时，向数据处理模块发送匝道车辆C的实时状态；数据处理模块获得匝道车辆C进入匝道车辆检测区域时的车速vC、时间tC和加速度aC，并实时传输给汇入模型；
主线道路智能感知装置对进入其主线车辆检测区域的主线车辆依次进行检测，只要有两辆相邻的主线车辆在设定时间长度内，先后进入主线车辆检测区域，则这两辆相邻的主线车辆形成一组，行驶在前的主线车辆为主线车辆A，行驶在后的主线车辆为主线车辆B，为多车模式；否则，如果当某辆主线车辆进入主线车辆检测区域后，在设定时间长度内没有其他主线车辆进入主线车辆检测区域，表明该主线车辆与其后面相邻的主线车辆的车间隔较远，将该主线车辆记为主线车辆B，为单车模式；当为单车模式时，只要考虑主线车辆B相关的规则即可。本发明中，主线车辆均为最外侧主线车道行使的主线车辆。
主线道路智能感知装置将主线车辆A和主线车辆B的实时状态发送给数据处理模块，数据处理模块获得主线车辆A进入主线车辆检测区域的车速vA、时间tA和加速度aA，以及主线车辆B进入主线车辆检测区域的车速vB、时间tB和加速度aB，并实时传输给汇入模型；
步骤2，汇入模型根据匝道车辆C的实时行驶信息模拟其运行到匝道车辆汇入点P1的行驶轨迹，并预测得到假设按当前运行状态的车速vC和加速度aC行驶时，其到达匝道车辆汇入点P1的时间tP1；
具体的，匝道道路智能感知装置到匝道车辆汇入点P1的距离，与主线合流端P2与匝道车辆汇入点P1的距离S1相等；匝道车辆C检测时距离匝道道路智能感知装置的距离为ΔLC，因此，匝道车辆C的行驶路径SC＝S1+ΔLC。
步骤3，汇入模型预测到达时间tP1时，主线车辆B和主线车辆A的行驶位置，并确定主线车辆B和主线车辆A如果按进入主线车辆检测区域时的运行状态行驶，是否与匝道车辆C的汇入产生冲突，如果不冲突，则匝道车辆C正常汇入；如果冲突，则执行大型车辆判别模型和减速模型：
判断是否与匝道车辆C的汇入产生冲突的方法为：
1)采用下式，预测主线车辆A从进入主线车辆检测区域开始，按进入主线车辆检测区域运行状态的车速vA和加速度aA行驶，当达到时间tP1时，其行驶的路径长度SA′；预测主线车辆B从进入主线车辆检测区域开始，按进入主线车辆检测区域运行状态的车速vB和加速度aB行驶，当达到时间tP1时，其行驶的路径长度SB′；
2)如果满足规则1或规则2，则汇入不冲突，匝道车辆C正常汇入，并传送第1预警子模块发布信息。
规则1：且SA'-SB'＞[vB+aB(tP1-tB)]Δtw
规则2：SA'-S1-S2-ΔLA-[vA+aA(tP1-tA)]Δtw-ΔL≤0
其中：
S1：主线合流端P2与匝道车辆汇入点P1的距离；
S2：主线合流端P2与主线道路智能感知装置的距离；
ΔL：车辆之间行驶的紧急安全制动间距；
ΔLA：主线车辆A检测时距离主线道路智能感知装置的距离；
ΔLB：主线车辆B检测时距离主线道路智能感知装置的距离；
Δtw：匝道车辆C汇入并运行时间；
如果满足规则3或规则4，规则3代表当达到时间tP1时，主线车辆A和主线车辆B均位于匝道车辆汇入点(P1)的右侧；规则4代表当达到时间tP1时，主线车辆A位于匝道车辆汇入点(P1)的右侧，主线车辆B位于匝道车辆汇入点(P1)的左侧，并且，主线车辆A和主线车辆B的车间距过小；则匝道车辆C不可以正常汇入；
规则3：
规则4：且SA'-SB'≤[vB+aB(tP1-tB)]Δtw
此时，通过大型车辆判别模型判别主线车辆B是否为大型车辆，如果是，则需使匝道车辆C避让主线车辆B；如果不是，则执行减速模型。
所述减速模型具体用于：
1)采用下式，计算主线车辆B减速后行驶的距离SB″：
其中：
tB′：驾驶人员识别减速反应时间点；
aB′：主线车辆B接收减速信息后加速度，为负值；
2)判断是否满足规则5：
规则5：SB″-S1-S2-ΔLB-ΔL＜0且SA'-SB″＞v限Δtw
其中：v限＝vB+aB't0
t0为主线车辆B减速时间；
v限为：主线车辆B减速后的限速；
如果满足，则当主线车辆B减速后，匝道车辆C正常汇入。
所述匝道拥堵判别模型具体用于：
当检测到匝道等待汇入车辆n＞N限且主动突起路标B组检测到n＞N限时，代表匝道即将进入拥堵等待时段；其中，N限为匝道等待汇入车辆的最大限值。
当应用大流量交通时，采用成组处理模块：基于AI自主处理技术，保障多组数据同时处理时，数据的稳定和一致性，即成组车辆出现时，系统运行预警提示信息综合处理并一段时间内稳定发布。
(四)终端预警模块
所述终端预警模块，用于根据所述规划决策模块的结果，对主线车辆和匝道车辆进行预警诱导控制，引导主线车辆和匝道车辆安全通行。
所述终端预警模块，包括主线车辆预警装置和匝道车辆预警装置；所述主线车辆预警装置包括主线LED显示屏和主线定向喇叭；所述匝道车辆预警装置包括匝道LED显示屏、匝道定向喇叭和主动突起路标。主要从声光电多方面发布预警诱导控制信息，引导车辆安全运行，避免交通冲突。
所述主线车辆预警装置，同所述主线道路智能感知装置共杆设置，朝向主线车辆来车方向；
所述匝道车辆预警装置，同所述匝道道路智能感知装置共杆设置，面向匝道来车方向；
所述主动突起路标，至少包括主动突起路标A组和主动突起路标B组；所述主动突起路标A组布置于主线合流端P2附近位置；所述主动突起路标B组布置于匝道车辆汇入点P1附近位置。
所述终端预警模块包括第1预警子模块、第2预警子模块、第3预警子模块和第4预警子模块；
当汇入模型判别主线车辆B、主线车辆A和匝道车辆C正常行驶，匝道车辆C可正常汇入时，通过第1预警子模块发布预警信息，诱导匝道车辆C在匝道车辆汇入点P1汇入主线；
当汇入模型判别主线车辆B、主线车辆A和匝道车辆C正常行驶，匝道车辆C不可以正常汇入时，通过大型车辆判别模型判别主线车辆B是否为大型车辆，如果是，则匝道车辆C减速等待汇入，并通过匝道拥堵判别模型判别匝道是否即将进入拥堵等待时段，如果是，则通过第4预警子模块发布预警信息，利用主线外侧道前端LED显示屏提前告知变道至内侧道，缓解外侧道汇入压力，在保证主线车辆通行的情况下，匝道车辆尽快汇入，舒缓和避免匝道拥堵；如果判别主线车辆B不是大型车辆，则通过减速模型判别如果主线车辆B减速，匝道车辆C能否正常汇入，如果为否，则通过第3预警子模块发布预警信息，使匝道车辆C减速等待汇入，使主线车辆A和主线车辆B正常行行驶；如果为是，则通过第2预警子模块发布预警信息，使主线车辆B减速行驶，匝道车辆C正常汇入。
下面介绍一个终端预警模块的具体实施例：
当汇入模型判别通过，此刻匝道车辆C可汇入主线，按模拟轨迹运行结果，主线车辆B、主线车辆A、匝道车辆C正常运行即可汇入主线，即在检测主线车辆B、主线车辆A、匝道车辆C时通过第1预警子模块发布信息，确保主线车辆B、主线车辆A、匝道车辆C保持正常行驶，利用突起路标A组红色常亮、突起路标B组黄色常亮信息，诱导匝道车辆C在指点位置汇入，进而实现模拟轨迹和汇入模型判别。
第1预警子模块：
匝道LED显示屏、定向喇叭--“小心行驶，安全汇入”
主线LED显示屏、定向喇叭--“车辆汇入，安全行驶”
前端LED显示屏、定向喇叭--“前方匝道，安全行驶”
突起路标A组--红色常亮，对匝道车辆C诱导
突起路标B组--黄色常亮，对匝道车辆C诱导，匝道车辆C可通过P1点汇入。
当汇入模型判别不通过，进入大型车辆判别模型判别。
若主线车辆B为大型车辆，则在检测主线车辆B、主线车辆A、匝道车辆C时通过第3预警子模块发布信息，匝道车辆C避让主线车辆B和主线车辆A通行，利用突起路标A组红色常亮、突起路标B组红色频闪信息，诱导匝道车辆等待汇入，并根据突起路标信息和路况环境汇入主线。
若主线车辆B不是大型车辆，进入减速模型判别。
当减速模型判别通过，即在检测主线车辆B、主线车辆A、匝道车辆C时通过第2预警子模块发布信息，确保主线车辆B减速至限速值，利用突起路标A组红色常亮、突起路标B组黄色常亮信息，诱导匝道车辆C在指点位置汇入，进而实现模拟轨迹和减速模型判别。匝道车辆C可汇入主线，按模拟轨迹运行结果，主线车辆B减速至限速值，匝道车辆C正常运行即可汇入主线。
第2预警子模块：
匝道LED显示屏、定向喇叭--“小心行驶，安全汇入”
主线LED显示屏、定向喇叭--“车辆汇入，减速至XX”
前端LED显示屏、定向喇叭--“前方匝道，安全行驶”
突起路标A组--红色常亮
突起路标B组--黄色常亮
若不满足减速模型判别，则在检测主线车辆B、主线车辆A、匝道车辆C时通过第3预警子模块发布信息，匝道车辆C避让主线车辆通行，利用突起路标A组红色常亮、突起路标B组红色频闪信息，诱导匝道车辆等待汇入，并根据突起路标信息和路况环境汇入主线:
第3预警子模块：
匝道LED显示屏、定向喇叭--“减速慢行，等待汇入”
主线LED显示屏、定向喇叭--“车辆汇入，安全行驶”
前端LED显示屏、定向喇叭--“前方匝道，安全行驶”
突起路标A组--红色常亮
突起路标B组--红色频闪，等待汇入
当匝道等待汇入车辆n＞N限且突起路标线圈检测到n＞N限时，匝道即将进入拥堵等待时段，则通过第4预警子模块发布信息，利用主线外侧道前端LED显示屏提前告知变道至内侧道，缓解外侧道汇入压力，在保证主线车辆通行的情况下，匝道车辆尽快汇入，舒缓和避免匝道拥堵。
第4预警子模块：
匝道LED显示屏、定向喇叭--“减速慢行，等待汇入”
主线LED显示屏、定向喇叭--“车辆汇入，减速至XX”
前端LED显示屏、定向喇叭--“前方匝道拥堵，变道行驶”
突起路标A组--红色常亮
突起路标B组--红色频闪
当第一轮预警执行后，进入下一轮的车辆汇入判别预警。
当检测到车辆为成组车辆时，需要进行成组分析判别，在一定时间范围内需要进行成组信息分析判别，第1预警子模块信息与第2预警子模块信息冲突时，执行第2预警子模块信息；当第1预警子模块信息或第2预警子模块信息与第3预警子模块信息冲突时，执行第3预警子模块信息。确保车辆在一段时间内接受信息一致，安全驾驶。
利用地磁感应突起路标线圈测定主线车辆通过信息，通过AI技术不断自主学习优化模型参数，提高预警模型的精确性和灵敏度，利用多维雷达、电磁突起路标、可变情报板、高音喇叭等组合方式，诱导及提醒安全驾驶信息，达到多重保障作用，进一步提高公路合流区运行安全指数，降低汇入区域公路车辆交通事故和人员伤亡、财产损失。
本发明中，针对小交通流量下，根据公路合流区安全智能预警模型，基于冲突理论，结合计算机技术包括模拟技术、AI技术等，利用数据云高速存储运算及分析功能，对合流区域内车辆感知并诱导预警，解决合流区车辆安全汇入问题，保障主线车辆正常通行，同时有效降低模型系统的错失率，增加车辆行驶安全距离，适用不同类型的匝道合流区。
针对大交通流量下，公路合流区安全智能预警模型根据主线交通流量和车辆检测数据判定是否启动成组模式，对主线成组车辆数据联动统一运算判定预警模块信息。模型启动成组模块，根据主线智能检测装置检测到的车辆，利用检测顺序自动分组判别预警并联动跟踪同组数据(即跟踪同辆车在不同分组模型的预警情况)，根据内置预警原则，在成组车辆通过汇入匝道时，保持预警信息在短时间内一致，避免频繁更换预警信息造成驾驶人员接受信息混乱影响驾驶行为。
本发明提供的一种基于边缘计算的合流区交通冲突辨识装置具有以下优点：本发明主要实现对公路合流区车辆运行状态识别和感知，利用优化冲突模型对当前合流区域运行的车辆安全性测算，并提出预警诱导管控体系，降低车辆合流区交通冲突。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
Claims (8)
1.一种基于边缘计算的合流区交通冲突辨识装置，其特征在于，包括智能感知模块、数据处理模块、规划决策模块和终端预警模块；
所述智能感知模块，包括主线道路智能感知装置和匝道道路智能感知装置；所述主线道路智能感知装置，安装于主线合流端(P2)的主线道路上游，具有主线车辆检测区域，用于检测主线车辆通过主线车辆检测区域时的主线车辆实时状态；所述匝道道路智能感知装置，安装于主线合流端(P2)的匝道道路上游，具有匝道车辆检测区域，用于检测匝道车辆通过匝道车辆检测区域时的匝道车辆实时状态；
所述数据处理模块，用于接收所述智能感知模块发送的主线车辆实时状态和匝道车辆实时状态，对所述主线车辆实时状态和所述匝道车辆实时状态进行预处理，得到主线车辆实时行驶信息和匝道车辆实时行驶信息，包括：主线车辆行使速度、主线车辆通过的时间点、主线车辆的加速度、主线车辆的车型、匝道车辆行使速度、匝道车辆通过的时间点、匝道车辆的加速度和匝道车辆的车型；
所述规划决策模块，用于根据所述数据处理模块上传的主线车辆实时状态和匝道车辆实时状态，进行规划决策，基于道路拥堵情况、通行能力水平及路权之间的关联，对匝道车辆汇入时机和主线车辆速度控制进行决策优化，得到决策优化结果；
所述规划决策模块，包括汇入模型、减速模型、匝道拥堵判别模型和大型车辆判别模型；
所述汇入模型，用于判别如果匝道车辆按进入匝道车辆检测区域时的速度和加速度行驶，主线车辆按进入主线车辆检测区域时的速度和加速度行驶时，匝道车辆能否安全汇入主线道路；如果不能，则执行所述大型车辆判别模型；
所述大型车辆判别模型，用于判别当汇入模型得到匝道车辆无法安全汇入主线道路时，判别主线车辆是否为大型车辆，如果是大型车辆，则主线的大型车辆不适宜进行减速，优先使主线的大型车辆通行，使匝道车辆等待汇入；如果不是大型车辆，则进一步执行所述减速模型；
所述减速模型，用于当汇入模型得到匝道车辆无法安全汇入主线道路，并且，主线车辆为小型车辆时，使主线车辆从进入主线车辆检测区域开始减速至一定限值时，判断匝道车辆是否可以安全汇入；
所述匝道拥堵判别模型，用于判别匝道等待汇入车辆数量是否超过极限数量，如果是，则代表匝道即将进入拥堵等待时段；
所述终端预警模块，用于根据所述规划决策模块的结果，对主线车辆和匝道车辆进行预警诱导控制，引导主线车辆和匝道车辆安全通行。
2.根据权利要求1所述的基于边缘计算的合流区交通冲突辨识装置，其特征在于，所述主线道路智能感知装置和匝道道路智能感知装置，为多目标雷达、视频摄像头或线圈。
3.根据权利要求1所述的基于边缘计算的合流区交通冲突辨识装置，其特征在于，所述终端预警模块，包括主线车辆预警装置和匝道车辆预警装置；
所述主线车辆预警装置包括主线LED显示屏和主线定向喇叭；
所述匝道车辆预警装置包括匝道LED显示屏、匝道定向喇叭和主动突起路标。
4.根据权利要求3所述的基于边缘计算的合流区交通冲突辨识装置，其特征在于，所述主线车辆预警装置，同所述主线道路智能感知装置共杆设置，朝向主线车辆来车方向；
所述匝道车辆预警模块，同所述匝道道路智能感知装置共杆设置，面向匝道来车方向；
所述主动突起路标，包括主动突起路标A组和主动突起路标B组；所述主动突起路标A组布置于主线合流端(P2)位置；所述主动突起路标B组布置于匝道车辆汇入点(P1)位置。
5.根据权利要求1所述的基于边缘计算的合流区交通冲突辨识装置，其特征在于，所述汇入模型具体用于：
步骤1，匝道道路智能感知装置对进入其匝道车辆检测区域的匝道车辆进行检测，当检测到匝道车辆C进入匝道车辆检测区域时，向数据处理模块发送匝道车辆C的实时状态；数据处理模块获得匝道车辆C进入匝道车辆检测区域时的车速vC、时间tC和加速度aC，并实时传输给汇入模型；
主线道路智能感知装置对进入其主线车辆检测区域的主线车辆依次进行检测，只要有两辆相邻的主线车辆在设定时间长度内，先后进入主线车辆检测区域，则这两辆相邻的主线车辆形成一组，行驶在前的主线车辆为主线车辆A，行驶在后的主线车辆为主线车辆B，为多车模式；否则，如果当某辆主线车辆进入主线车辆检测区域后，在设定时间长度内没有其他主线车辆进入主线车辆检测区域，表明该主线车辆与其后面相邻的主线车辆的车间隔较远，将该主线车辆记为主线车辆B，为单车模式；
主线道路智能感知装置将主线车辆A和主线车辆B的实时状态发送给数据处理模块，数据处理模块获得主线车辆A进入主线车辆检测区域的车速vA、时间tA和加速度aA，以及主线车辆B进入主线车辆检测区域的车速vB、时间tB和加速度aB，并实时传输给汇入模型；
步骤2，汇入模型根据匝道车辆C的实时行驶信息模拟其运行到匝道车辆汇入点(P1)的行驶轨迹，并预测得到假设按当前运行状态的车速vC和加速度aC行驶时，其到达匝道车辆汇入点(P1)的时间tP1；
步骤3，汇入模型预测到达时间tP1时，主线车辆B和主线车辆A的行驶位置，并确定主线车辆B和主线车辆A如果按进入主线车辆检测区域时运行状态行驶，是否与匝道车辆C的汇入产生冲突，如果不冲突，则匝道车辆C正常汇入；如果冲突，则执行大型车辆判别模型和减速模型：
判断是否与匝道车辆C的汇入产生冲突的方法为：
1)采用下式，预测主线车辆A从进入主线车辆检测区域开始，按进入主线车辆检测区域运行状态的车速vA和加速度aA行驶，当达到时间tP1时，其行驶的路径长度SA′；预测主线车辆B从进入主线车辆检测区域开始，按进入主线车辆检测区域运行状态的车速vB和加速度aB行驶，当达到时间tP1时，其行驶的路径长度SB′；
2)如果满足规则1或规则2，则汇入不冲突，匝道车辆C正常汇入；
规则1：
规则2：SA'-S1-S2-ΔLA-[vA+aA(tP1-tA)]Δtw-ΔL≤0
其中：
S1：主线合流端(P2)与匝道车辆汇入点(P1)的距离；
S2：主线合流端(P2)与主线道路智能感知装置的距离；
ΔL：车辆之间行驶的紧急安全制动间距；
ΔLA：主线车辆A检测时距离主线道路智能感知装置的距离；
ΔLB：主线车辆B检测时距离主线道路智能感知装置的距离；
Δtw：匝道车辆C汇入并运行时间；
如果满足规则3或规则4，规则3代表当达到时间tP1时，主线车辆A和主线车辆B均位于匝道车辆汇入点(P1)的右侧；规则4代表当达到时间tP1时，主线车辆A位于匝道车辆汇入点(P1)的右侧，主线车辆B位于匝道车辆汇入点(P1)的左侧，并且，主线车辆A和主线车辆B的车间距过小；则匝道车辆C不可以正常汇入；
规则3：
规则4：且SA'-SB'≤[vB+aB(tP1-tB)]Δtw
此时，通过大型车辆判别模型判别主线车辆B是否为大型车辆，如果是，则需使匝道车辆C避让主线车辆B；如果不是，则执行减速模型。
6.根据权利要求5所述的基于边缘计算的合流区交通冲突辨识装置，其特征在于，所述减速模型具体用于：
1)采用下式，计算主线车辆B减速后行驶的距离SB″：
其中：
tB′：驾驶人员识别减速反应时间点；
aB′：主线车辆B接收减速信息后加速度，为负值；
2)判断是否满足规则5：
规则5：SB″-S1-S2-ΔLB-ΔL＜0且SA'-SB″＞v限Δtw
其中：v限＝vB+aB't0
t0为主线车辆B减速时间；
v限为：主线车辆B减速后的限速；
如果满足，则当主线车辆B减速后，匝道车辆C正常汇入。
7.根据权利要求1所述的基于边缘计算的合流区交通冲突辨识装置，其特征在于，所述匝道拥堵判别模型具体用于：
当检测到匝道等待汇入车辆n＞N限且主动突起路标B组检测到n＞N限时，代表匝道即将进入拥堵等待时段；其中，N限为匝道等待汇入车辆的最大限值。
8.根据权利要求1所述的基于边缘计算的合流区交通冲突辨识装置，其特征在于，所述终端预警模块包括第1预警子模块、第2预警子模块、第3预警子模块和第4预警子模块；
当汇入模型判别主线车辆B、主线车辆A和匝道车辆C正常行驶，匝道车辆C可正常汇入时，通过第1预警子模块发布预警信息，诱导匝道车辆C在匝道车辆汇入点(P1)汇入主线；
当汇入模型判别主线车辆B、主线车辆A和匝道车辆C正常行驶，匝道车辆C不可以正常汇入时，通过大型车辆判别模型判别主线车辆B是否为大型车辆，如果是，则匝道车辆C减速等待汇入，并通过匝道拥堵判别模型判别匝道是否即将进入拥堵等待时段，如果是，则通过第4预警子模块发布预警信息，利用主线外侧道前端LED显示屏提前告知变道至内侧道，缓解外侧道汇入压力，在保证主线车辆通行的情况下，匝道车辆尽快汇入，舒缓和避免匝道拥堵；如果判别主线车辆B不是大型车辆，则通过减速模型判别如果主线车辆B减速，匝道车辆C能否正常汇入，如果为否，则通过第3预警子模块发布预警信息，使匝道车辆C减速等待汇入，使主线车辆A和主线车辆B正常行行驶；如果为是，则通过第2预警子模块发布预警信息，使主线车辆B减速行驶，匝道车辆C正常汇入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311032443.4A CN117079478B (zh) | 2023-08-16 | 2023-08-16 | 一种基于边缘计算的合流区交通冲突辨识装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311032443.4A CN117079478B (zh) | 2023-08-16 | 2023-08-16 | 一种基于边缘计算的合流区交通冲突辨识装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117079478A true CN117079478A (zh) | 2023-11-17 |
| CN117079478B CN117079478B (zh) | 2024-04-05 |
Family
ID=88703612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311032443.4A Active CN117079478B (zh) | 2023-08-16 | 2023-08-16 | 一种基于边缘计算的合流区交通冲突辨识装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117079478B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3518622A (en) * | 1967-04-14 | 1970-06-30 | Lee Corp | Expressway ramp traffic control system |
| CN105206068A (zh) * | 2015-09-29 | 2015-12-30 | 北京工业大学 | 一种基于车车通信技术进行高速公路合流区安全协调控制方法 |
| JP2019021120A (ja) * | 2017-07-19 | 2019-02-07 | 住友電気工業株式会社 | 合流支援装置および合流支援方法 |
| WO2020135742A1 (zh) * | 2018-12-29 | 2020-07-02 | 长城汽车股份有限公司 | 自动驾驶车辆的横向决策系统及横向决策确定方法 |
| CN111477005A (zh) * | 2020-04-20 | 2020-07-31 | 北京中交华安科技有限公司 | 一种基于车辆状态及行车环境的智能感知预警方法及系统 |
| CN114132341A (zh) * | 2021-11-12 | 2022-03-04 | 中汽院智能网联科技有限公司 | 一种车联网环境下自动驾驶车辆上匝道轨迹规划模型 |
| CN115641717A (zh) * | 2022-10-19 | 2023-01-24 | 长沙理工大学 | 基于混合交通流的高速公路主线-匝道车辆协同合流控制方法、设备及存储介质 |
| CN116013078A (zh) * | 2023-01-06 | 2023-04-25 | 合肥工业大学 | 一种快速路合流区匝道车辆汇入主线的动态控制方法 |
-
2023
- 2023-08-16 CN CN202311032443.4A patent/CN117079478B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3518622A (en) * | 1967-04-14 | 1970-06-30 | Lee Corp | Expressway ramp traffic control system |
| CN105206068A (zh) * | 2015-09-29 | 2015-12-30 | 北京工业大学 | 一种基于车车通信技术进行高速公路合流区安全协调控制方法 |
| JP2019021120A (ja) * | 2017-07-19 | 2019-02-07 | 住友電気工業株式会社 | 合流支援装置および合流支援方法 |
| WO2020135742A1 (zh) * | 2018-12-29 | 2020-07-02 | 长城汽车股份有限公司 | 自动驾驶车辆的横向决策系统及横向决策确定方法 |
| CN111477005A (zh) * | 2020-04-20 | 2020-07-31 | 北京中交华安科技有限公司 | 一种基于车辆状态及行车环境的智能感知预警方法及系统 |
| CN114132341A (zh) * | 2021-11-12 | 2022-03-04 | 中汽院智能网联科技有限公司 | 一种车联网环境下自动驾驶车辆上匝道轨迹规划模型 |
| CN115641717A (zh) * | 2022-10-19 | 2023-01-24 | 长沙理工大学 | 基于混合交通流的高速公路主线-匝道车辆协同合流控制方法、设备及存储介质 |
| CN116013078A (zh) * | 2023-01-06 | 2023-04-25 | 合肥工业大学 | 一种快速路合流区匝道车辆汇入主线的动态控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李文权, 王炜, 邓卫, 刘兆斌, 周荣贵: "高速公路加速车道上车辆的汇入模型", 中国公路学报, no. 02, 30 June 2002 (2002-06-30), pages 95 - 98 * |
| 马艳丽;祁首铭;吴昊天;范璐洋;: "基于PET算法的匝道合流区交通冲突识别模型", 交通运输系统工程与信息, no. 02, 15 April 2018 (2018-04-15), pages 142 - 148 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117079478B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106601002B (zh) | 车联网环境下的入口匝道车辆通行引导系统及其引导方法 | |
| WO2017015951A1 (zh) | 基于车路协同的无控交叉口车辆通行引导系统及其引导方法 | |
| CN109559532B (zh) | 高速公路出口分流区车路协同安全预警控制方法 | |
| CN105473408B (zh) | 机动车和用于控制机动车的方法 | |
| CN112509343B (zh) | 基于车路协同的路侧式导行方法及系统 | |
| CN104299433B (zh) | 基于rfid车载电子标签的公交信号优先控制方法 | |
| CN108122423A (zh) | 一种车辆引导方法、装置及系统 | |
| CN112419703B (zh) | 一种无人矿卡路口通行智能调度系统及方法 | |
| CN111862596B (zh) | 一种普通车辆借用brt专用道的交叉口信号控制方法及控制系统 | |
| JP6406356B2 (ja) | 走行制御装置 | |
| CN113192331B (zh) | 一种网联环境下面向骑行安全的智能预警系统及预警方法 | |
| CN111369813A (zh) | 一种智能网联汽车的匝道分合流协同控制方法及系统 | |
| CN111127908A (zh) | 用于车辆汇流的自动驾驶控制方法 | |
| CN108364486B (zh) | 多场景车辆优先自适应交通信号控制系统及其工作方法 | |
| CN106355884A (zh) | 一种基于车型分类的高速公路车辆引导系统及方法 | |
| CN113793517B (zh) | 一种智能车路协同无控交叉口左转车通行引导方法 | |
| US20240046787A1 (en) | Method And System For Traffic Clearance At Signalized Intersections Based On Lidar And Trajectory Prediction | |
| CN104574545A (zh) | 一种货车不停车计重收费车道系统及其车辆监控方法 | |
| CN115083190A (zh) | 多车道交通路口的自动驾驶系统及方法 | |
| WO2023169005A1 (zh) | 道路交通车辆的调度方法及系统 | |
| CN116153102A (zh) | 一种道路运行风险防控系统及协同式动态显示方法 | |
| CN112735132B (zh) | 一种车辆汇流引导系统及方法 | |
| CN117079478B (zh) | 一种基于边缘计算的合流区交通冲突辨识装置 | |
| CN111754790B (zh) | 一种基于雷达的匝道入口交通控制系统及方法 | |
| CN116824876A (zh) | 一种智能车路协同环形交叉口内车辆换道通行引导方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |