CN117125083B - 考虑驾驶风格倾性的车辆跟驰行为风险量化方法 - Google Patents
考虑驾驶风格倾性的车辆跟驰行为风险量化方法 Download PDFInfo
- Publication number
- CN117125083B CN117125083B CN202311402715.5A CN202311402715A CN117125083B CN 117125083 B CN117125083 B CN 117125083B CN 202311402715 A CN202311402715 A CN 202311402715A CN 117125083 B CN117125083 B CN 117125083B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- following
- potential field
- risk
- driving style
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000011002 quantification Methods 0.000 title claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000001133 acceleration Effects 0.000 claims abstract description 13
- 230000036982 action potential Effects 0.000 claims abstract description 5
- 230000003993 interaction Effects 0.000 claims description 53
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 34
- 230000006870 function Effects 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000004510 Lennard-Jones potential Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005290 field theory Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000009878 intermolecular interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000002015 leaf growth Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004001 molecular interaction Effects 0.000 description 1
- ZRHANBBTXQZFSP-UHFFFAOYSA-M potassium;4-amino-3,5,6-trichloropyridine-2-carboxylate Chemical compound [K+].NC1=C(Cl)C(Cl)=NC(C([O-])=O)=C1Cl ZRHANBBTXQZFSP-UHFFFAOYSA-M 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
- B60W30/165—Automatically following the path of a preceding lead vehicle, e.g. "electronic tow-bar"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/804—Relative longitudinal speed
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开考虑驾驶风格倾性的车辆跟驰行为风险量化方法,属于数据预测方法技术领域,用于车辆跟驰行为风险量化,包括建立安全势场跟驰模型,安全势场由车道线势场、道路边界势场和车辆作用势场构成,反映车辆在行驶过程中面临的实时风险;计算基于安全势场的车辆纵向加速度,构建跟驰风险指数,使用梯度增强算法进行预测。本发明将驾驶风格倾性融入到跟驰风险的量化指标中,结合实时风险暴露程度和实时风险严重程度,建立考虑碰撞潜在可能性与严重程度的跟驰风险量化模型,根据模糊均值聚类划分风险等级;实现跟驰风险的实时预测,算法对重点关注的中高风险的识别率达到了85%以上,实现了考虑驾驶风格倾性的安全势场跟驰行为科学风险量化。
Description
技术领域
本发明公开考虑驾驶风格倾性的车辆跟驰行为风险量化方法,属于数据预测方法技术领域。
背景技术
驾驶风格与驾驶人内在心理状态和个人性格等有关,准确评估驾驶风格对于设计实用的驾驶辅助系统和自动驾驶车辆控制系统至关重要。“驾驶风格”定义为一种由驾驶人自主选择或习惯性的驾驶方式。前期多基于问卷调查开展研究,但此种度量方法易受问卷设计者和被调查者主观因素的影响,随着车联网等技术的发展,部分研究人员从驾驶员的车速、加速度等客观驾驶数据中衡量驾驶风格,根据分类结果分析驾驶风格对跟驰行为以及换道行为的影响机理,最后分别基于跟驰行为和换道行为构建模型,为今后更加智能化地分析驾驶行为提供了一定的理论依据。车辆在驾驶场景中的安全主要与其实时状态有关,受自身和周围环境影响,车辆时常处于非稳态状态,若能预知行车风险,正确评估行车风险态势,可以为驾驶员提供驾驶决策依据,有效提高道路交通安全。当前跟驰风险量化及预警策略制定大多仅考虑了基于车辆动力学等理论条件下的跟驰风险,对周围不同风格驾驶员的驾驶行为不确定性考虑不够充分。
发明内容
本发明的目的在于提供考虑驾驶风格倾性的车辆跟驰行为风险量化方法,以解决现有技术中,当前跟驰风险量化及预警策略制定大多仅考虑了基于车辆动力学等理论条件下的跟驰风险,对周围不同风格驾驶员的驾驶行为不确定性考虑不够充分的问题。
考虑驾驶风格倾性的车辆跟驰行为风险量化方法,包括:
S1.建立安全势场跟驰模型;
安全势场由车道线势场/>、道路边界势场/>和车辆作用势场/>构成,反映车辆在行驶过程中面临的实时风险,安全势场跟驰模型为:
;
S2.计算基于安全势场的车辆纵向加速度;
;
其中,为车辆质量;
S3.构建跟驰风险指数CFR;
S4.使用梯度增强算法LightGBM进行CFR预测。
S1包括:车道线势场为:
;
其中,为各类道路标线势场的强度系数用于确定车道线场的最大阈值,/>表示虚线,/>表示双黄线,且/>,/>为第/>条车道线的横坐标,/>为确定道路场强升降的速度。
S1包括:道路边界势场为:
;
其中,为道路边界线,/>=1、2分别为左、右边界,/>为道路边界线的横坐标,/>为位置增益参数。
S1包括:车辆作用势场为:
;
式中,为车辆相互作用势函数,/>为斥力场分布范围进行修正后的任意点与目标车辆的距离/>,/>为周围车辆到目标车辆质心的连线同目标车辆行驶方向形成的顺时针方向夹角。
S1包括:
;
其中,为分子势能,/>为前后车实际距离,/>为跟驰需求安全距离,/>为斥力项参数,/>为引力项参数;
;
其中,和/>为待定系数,/>为前后车速度差,/>为后车速度;
;
其中,为最小安全距离,/>为车辆质心坐标,/>为待定系数。
S3包括:跟驰风险指数CFR为:
;
其中,目标车辆未能安全执行跟驰的概率称为跟驰风险指数CFR,/>表示交互事件/>安全失效的概率,/>表示跟驰车辆;
;
其中,为/>时刻交互事件/>的实时风险暴露程度,/>为/>时刻交互事件/>的实时碰撞严重程度指标。
S3包括:
;
其中,表示在/>时刻交互事件/>中同时考虑理论碰撞可能性和驾驶员异质性带来的附加碰撞可能性的一个综合影响因子,/>为指数衰减函数EDF的形状参数,/>表示/>时刻交互事件/>中前车与后车的停车距离指数;
;
其中,表示在/>时刻交互事件/>中后车和前车速度差的平方。
S3包括:
;
其中,为交互事件/>中周围车辆在对应交互角色归一化处理后的驾驶风格倾性评分;
;
其中,表示/>和每个相邻车辆/>的交互事件,/>,/>分别为/>时刻交互事件/>中前车的停车视距和后车的停车视距,/>表示/>时刻交互事件/>中前车与后车的车辆间距;
;
其中,表示/>时刻交互事件/>中后车的速度,/>表示/>时刻交互事件/>中前车的速度。
S3包括:
EDF;
其中,表示输入的目标函数。
S4包括:
提取8个特征进行CFR预测,包括:车辆速度、车辆加速度、跟驰车辆与前车的相对纵向距离、跟驰车辆与后车的相对纵向距离、跟驰车辆与前车的相对纵向速度、跟驰车辆与后车的相对纵向速度、前车的驾驶风格倾性、后车的驾驶风格倾性。
相对比现有技术,本发明具有以下有益效果:本发明将势场理论应用到交通系统中,类比分子间相互作用建立车辆相互作用势场函数,同时构建安全势场跟驰模型,通过势场强度反映行驶着的车辆面临的风险,可为车辆安全行驶提供理论基础;将驾驶风格倾性融入到跟驰风险的量化指标中,结合实时风险暴露程度和实时风险严重程度,建立了考虑碰撞潜在可能性与严重程度的跟驰风险量化模型,同时根据模糊c均值聚类划分风险等级;利用highD数据,综合考虑跟驰车辆与周围各个车辆的交互风险,通过LightGBM算法实现跟驰风险的实时预测,算法对重点关注的中高风险的识别率达到了85%以上,实现了考虑驾驶风格倾性的安全势场跟驰行为科学风险量化。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
考虑驾驶风格倾性的车辆跟驰行为风险量化方法,包括:
S1.建立安全势场跟驰模型;
安全势场由车道线势场/>、道路边界势场/>和车辆作用势场/>构成,反映车辆在行驶过程中面临的实时风险,安全势场跟驰模型为:
;
S2.计算基于安全势场的车辆纵向加速度;
;
其中,为车辆质量;
S3.构建跟驰风险指数CFR;
S4.使用梯度增强算法LightGBM进行CFR预测。
S1包括:车道线势场为:
;
其中,为各类道路标线势场的强度系数用于确定车道线场的最大阈值,/>表示虚线,/>表示双黄线,且/>,/>为第/>条车道线的横坐标,/>为确定道路场强升降的速度。
S1包括:道路边界势场为:
;
其中,为道路边界线,/>=1、2分别为左、右边界,/>为道路边界线的横坐标,/>为位置增益参数。
S1包括:车辆作用势场为:
;
式中,为车辆相互作用势函数,/>为斥力场分布范围进行修正后的任意点与目标车辆的距离/>,/>为周围车辆到目标车辆质心的连线同目标车辆行驶方向形成的顺时针方向夹角。
S1包括:
;
其中,为分子势能,/>为前后车实际距离,/>为跟驰需求安全距离,/>为斥力项参数,/>为引力项参数;
;
其中,和/>为待定系数,/>为前后车速度差,/>为后车速度;
;
其中,为最小安全距离,/>为车辆质心坐标,/>为待定系数。
S3包括:跟驰风险指数CFR为:
;
其中,目标车辆未能安全执行跟驰的概率称为跟驰风险指数CFR,/>表示交互事件/>安全失效的概率,/>表示跟驰车辆;
;
其中,为/>时刻交互事件/>的实时风险暴露程度,/>为/>时刻交互事件/>的实时碰撞严重程度指标。
S3包括:
;
其中,表示在/>时刻交互事件/>中同时考虑理论碰撞可能性和驾驶员异质性带来的附加碰撞可能性的一个综合影响因子,/>为指数衰减函数EDF的形状参数,/>表示/>时刻交互事件/>中前车与后车的停车距离指数;
;
其中,表示在/>时刻交互事件/>中后车和前车速度差的平方。
S3包括:
;
其中,为交互事件/>中周围车辆在对应交互角色归一化处理后的驾驶风格倾性评分;
;
其中,表示/>和每个相邻车辆/>的交互事件,/>,/>分别为/>时刻交互事件/>中前车的停车视距和后车的停车视距,/>表示/>时刻交互事件/>中前车与后车的车辆间距;
;
其中,表示/>时刻交互事件/>中后车的速度,/>表示/>时刻交互事件/>中前车的速度。
S3包括:
EDF;
其中,表示输入的目标函数。
S4包括:
提取8个特征进行CFR预测,包括:车辆速度、车辆加速度、跟驰车辆与前车的相对纵向距离、跟驰车辆与后车的相对纵向距离、跟驰车辆与前车的相对纵向速度、跟驰车辆与后车的相对纵向速度、前车的驾驶风格倾性、后车的驾驶风格倾性。
驾驶风格能够反映驾驶员的操作习惯,准确识别驾驶风格对于更好地理解人类驾驶员的行为至关重要,在需要实时预测跟驰风险的应用场景中,一个好的驾驶风格表征有助于提高风险评估的准确性。实际行驶中由于驾驶目的或驾驶环境不同,驾驶员的驾驶风格具有时变性和复杂性的特点。在多车交互场景下,若驾驶员能够获取周围车辆的驾驶风格,就可以理解周围车辆的驾驶行为,做出合理的驾驶决策,从而提高道路安全水平。
使用“驾驶风格倾性”描述驾驶员短时间内的驾驶特征,表征风格对行车安全的影响程度。驾驶员对车辆进行操作后体现出的外在驾驶表现即为驾驶行为,其产生过程为驾驶员在行驶过程中,通过对周围交通环境信息和道路环境进行分析,做出决策,通过主动操作改变车辆的行驶方向和速度等,从而产生具体的某种驾驶行为,驾驶行为是车辆在道路上行驶的具体特征。驾驶人跟驰时需同时观察包括本车道前后车车辆组的驾驶行为,及时对车辆的横纵向运动进行控制以保证跟驰行为的安全进行。
从驾驶员驾驶行为数据中提取特征量化指标,实现特征指标到风格倾性语义标签的转化,使用德国高速公路车辆驾驶轨迹数据集highD进行研究。对所有车辆运行状态数据进行统计分析,如表1所示。
表1 车辆运行特征
。
速度均值为28.04m/s,即101km/h,车辆的加减速行为较为明显。车头时距均值为1.90s,车头间距均值在52.58m,碰撞时间均值为48.74s,车辆行驶倾向于保持中等跟驰距离,短距离跟驰的数据也较多。在跟驰过程中,如果前车突然减速,会迫使跟驰车辆紧急减速避让,若减速不及时易发生碰撞冲突,故将前车加速度纳入特征指标组。同时应注意,前车急减速对目标车辆的影响较大,在对其风格倾性标定时应注意。
后车需对车速保持良好的控制,与前车保持一定距离。速度参数直接体现了后车行驶的快慢,可作为对后车驾驶员风格倾向进行识别的依据之一。车辆在行驶过程中会将速度控制在自我感觉舒适的范围内,倾向于高速行驶的车辆作为后车,容易在跟驰车辆后持续高速行驶,有发生冲突的风险。如果后车行驶速度较高,则潜在碰撞的严重性也将更高。
根据物理学原理,场可用来衡量两个实体间的相互作用,相对位置决定其作用程度。类比势场理论,微观驾驶行为可看作周围环境势场对目标车辆的影响。车辆在行驶过程中与周围车辆不存在物理接触,但其运动状态会随周围车辆运动状态而改变,可看作车辆受到势场作用,通过调整加速度动态寻求跟驰平衡距离的过程,兼顾行驶安全与通行效率。交通环境中任何影响车辆行驶的主体皆为场源,最终叠加为安全势场。安全势场基于风险场假设,形象描述车辆行驶过程中所面临的风险。
车辆行驶过程受到车道线和道路边界线的约束,更要避免与其他车辆发生碰撞。即,安全势场由车道线势场、道路边界场和车辆交互势场三类风险场叠加而成,分别用、和/>表示。
在道路交通场景中存在两种道路标线,其中灰色虚线表示车道分界线,允许车辆跨线换道;双黄线规范车辆行驶方向,不允许跨线换道。两者组成道路线场,约束车辆最大限度的保持在车道中间行驶。假设道路最左侧道路标线所在位置为轴,参照类高斯函数构建车道线势场模型。
道路边界势场产生于道路边界线部分,对行驶车辆的约束力更强,且随车辆距离缩短而趋于无穷大,可以避免车辆靠近产生碰撞危险。一般存在两个道路边界,设置、、/>、/>分别为2、8、1.22、3。
车辆作用势场来源于道路上的其他车辆,可将车辆类比为分子,用势场方法研究车辆跟驰行为。学者们构建了多种数学模型描述微观物理体系下分子间的相互作用关系,其中Lennard-Jones势模型由于结构形式简单因而广泛应用,其将分子间相互作用视作引力与斥力作用叠加。由于引力作用与斥力作用皆与分子间距多次幂的倒数有关,根据模型构造原理,其数学表达式为:/>;
式中:、/>为势函数的中间变量;/>和/>分别为斥力项和引力项,其中/>过大时分子所受引力接近于0。
彼此靠近的分子呈现出一种既不会无限靠近也不会无限远离的状态,即分子间合力为零,称为分子间的平衡距离。此时,分子势能最小,规定为/>,则:
;/>;将两式联立可得:/>;
Lennard-Jones势函数表达式为:;
设车辆质量为,则相互作用势场作用下后车纵向加速度/>:
;
势场内任一点势场强度与目标车辆距离呈负相关。通常情况下,势场强度随距离增加而减弱。设车辆质心坐标为,任意点/>与目标车辆的距离/>可表示为:
;
停车视距(Stopping Sight Distance,SSD)是指车辆行驶时遇到前方障碍而必须制动停车所需要的最短距离。选用停车距离指数(Stop Distance Index,SDI)作为判别指标,以充分考虑跟驰过程中的突发风险。由前后车SSD计算得出的前后车之间的停车距离指数可用于确定跟车事件是否安全,大于0的SDI表示当前车突然停止时,后车能够安全停止,而小于0的SDI表示后车无法避免与前车发生碰撞,因此,SDI越小发生碰撞的可能性越大。通过将代表理论碰撞可能性的SDI和驾驶员异质性带来的影响相结合,可得到碰撞风险的量化指标RREL。
;
式中,SSD为停车视距;为车速(m/s);/>为减速度,根据车辆类型设定,乘用车减速度设置为3.4m/s2;/>是重力加速度;/>是道路的坡度,/>为驾驶人反应时间,通常为2.5s。
若交互事件不存在,即该交互关系中的周围车辆不存在(不存在指的是周围车辆距离目标车辆超过150m),相应的SDI为无穷大。
SDI所代表是在当前车速和距离下的理论碰撞可能性,具有不同驾驶风格倾性的周围车辆会产生不同程度的附加碰撞可能性。如果前车对应的驾驶风格倾性评分越高,驾驶员做出急减速和横向不稳定驾驶行为的概率更大,会加剧碰撞发生的可能性。因此将前后车的驾驶风格倾性作为驾驶员异质性带来的附加碰撞可能性融入计算中,由于前后车风格倾性评分采用的指标和分值不同,对其进行最小最大值归一化处理,通过缩放将前后车风格评分映射到[0,1]范围内,使得前后车的风格可以在同一个维度进行计算。
当SDI<0时,后车无法避免与前车发生碰撞,可能性为1,SDI≥0时,将输入到EDF中[16],将碰撞可能性转化为数值限制在0到1之间的实时风险暴露程度,其中EDF为,其中,/> =2。SDI越小,RREL越大,DS越大,驾驶员的风格对目标车辆威胁越大,相应的RREL越大。另外,若交互事件/>不存在,/>和/>无穷大,则此交互事件的实时风险暴露程度/>几乎为0。
用实时风险严重程度(Real-time Risk Severity Level,RRSL)衡量跟驰过程中目标车辆与周围车辆潜在冲突风险的严重程度。根据文献,碰撞能量损失与车辆速度差的平方成正比,可以使用冲突车辆速度差的平方代替冲突能量判别法衡量碰撞严重程度。通过指数衰减函数将实时碰撞严重程度指标限制在0到1的范围内。速度差的平方越大,实时碰撞严重程度/>越大。另外,若交互事件/>不存在,/>为0,/>为0。
跟驰碰撞事故为系统故障,作为顶事件,用表示。跟驰车辆与周围车辆发生安全故障/>,作为中间事件,跟驰车辆/>与周围车辆/>之间的交互安全故障分别用、/>表示。RREL和RRSL是体现安全故障的两个重要因素,设定为失效因子,作为底事件。RREL和RRSL共同对车辆交互安全故障产生影响,采用“与”运算。
将目标车辆未能安全执行跟驰的概率称为跟驰风险指数CFR,只要与任一车辆发生安全失效事件,则判定系统故障,因此各个安全交互失效事件通过“或”运算得到未能安全执行跟驰的概率,跟驰过程中CFR越小,表示跟驰状态越安全。
跟驰行为是指驾驶员在数据采集过程中无意改变车道,未发生车道改变的事件,对于跟驰事件提取,采用了以下标准:
(1)跟驰车辆的车道编号在整个检测路段保持不变,以确保提取的车辆不改变车道。
(2)根据国际标准,将跟驰事件的持续时间确定为5秒。
使用highD真实车辆轨迹数据集的部分记录数据(包含四车道分隔公路和六车道分隔公路)提取模型样本,共提取632个跟驰事件。将80%的样本用于训练,20%的样本用于行为识别测试。
为了将CFR应用于跟驰风险预测,需要进行风险等级分类。模糊C均值聚类(FuzzyC-Mean, FCM)通过迭代计算得到每个样本的隶属度,对样本分类进行不确定性描述以实现客观分类,隶属度可提高分类时的可靠性,与K-means聚类相比,FCM可以提供更合理、更灵活的聚类结果。因此采用FCM进行风险状态划分。聚类完成后,通过平均每个相邻类别的最小和最大CFR值,确定分类的阈值。
利用python实现FCM聚类算法,根据以往研究,分类数为4时较为合理。将聚类个数及632组车辆跟驰过程中的实时CFR值输入到FCM聚类算法中,获得四种跟驰风险等级的划分阈值,见表2。聚类中心分别为:0.3514,0.5765,0.7624和0.9418。
表2 驾驶风险等级划分
。
Ⅰ级相比之下最为安全,CFR低于0.4635;II级的车辆跟驰行为处于低风险状态,CFR在0.4635和0.6741之间,跟驰车辆需注意与前后车的间距;Ⅲ级处于中等风险状态,CFR在0. 6741和0.8569之间,跟驰车辆要提高警惕,观察前后车辆的驾驶行为,及时做出调整;Ⅳ级表示非常不安全的跟驰,CFR大于0.8569,跟驰行为存在较大风险,驾驶员需时刻准备应对突发状况。
选择LightGBM对跟驰风险等级进行预测,作为一种梯度增强算法,LightGBM算法采用具有深度限制的叶向生长策略,提高了算法的精度,同时避免过拟合的问题。
车辆跟驰的过程是与周围车辆进行实时交互的过程,因此风险预测提取的度量特征(E)应包括跟驰车辆的运动特征以及跟驰车辆前后车的运动特征(周围车辆的交互特征)。预测结果(F)为安全、低风险、中风险和高风险四种状态,计算CFR,按照阈值划分作为分类标签。与行为识别模块的特征选取不同,风险预测的特征将与风险水平相关的目标车辆与周围车辆的相对横向距离和速度以及周围车辆的驾驶风格倾性考虑在内。
分类模型评价可采用准确率(Accuracy)、精确率(Precision)、召回率(Recall)和一种机器学习模型性能指标(F1-score)。Accuracy是最常用的指标,是被正确分类的数量与总预测数量的比值,度量全局样本的预测情况,但是指标对于不平衡数据集的评估存在显著缺陷,缺乏意义。由于跟驰风险等级数据不平衡,故不适用于Accuracy评估。
中高风险状态的跟驰没有被成功预测为中高风险的情况后果严重,应该尽量避免。从安全的角度考虑,宁可把低风险误判为中高风险,也要避免让真正中高风险状态的跟驰识别为其他状态,预测目标是尽可能提高中高风险类别的Recall值,哪怕以牺牲一部分Precision为代价。因此主要关注召回率,在保证高精确率的前提下尽可能提高中高风险状态的召回率。
对决策树、随机森林、LightGBM算法的预测结果进行比较,主要对比三种跟驰风险预测模型的总体精确率和召回率,决策树算法的性能较低,LightGBM的性能最优,拥有最高的总体精确率和召回率。
决策树对中风险分类的召回率为0.695,即真实分类为中风险的样本中,有69.5%的样本被成功预测为中风险,对高风险分类的召回率为0.575,计算可得算法对中高风险的平均召回率为0.635;随机森林对于中风险分类的召回率为0.686,对高风险分类的召回率为0.806,中高风险平均召回率为0.746;LightGBM对于中风险分类的召回率为0.916,对高风险分类的召回率为0.814,中高风险平均召回率为0.865,LightGBM在总体性能和中高风险召回率性能上表现更优。
表3为LightGBM的各项指标汇总,可以看出性能较好,适合用于跟驰风险等级预测。
表3 LightGBM的各项指标汇总
。
风险等级预测模型的特征重要性中,交互特征中重要性评分最高的特征是与跟驰前车的相对速度,与跟驰前后车的相对距离重要性也较高,驾驶风格倾性的重要性分别位于第2,3位,在跟驰模型中由驾驶员风格倾性带来的附加碰撞可能性影响更大。分析风险影响因素的特征重要性可以为跟驰过程中的风险控制和驾驶员教育提供参考。
以上实施例仅用于说明本发明的技术方案,而非对其限制,尽管参照前述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。
Claims (6)
1.考虑驾驶风格倾性的车辆跟驰行为风险量化方法,其特征在于,包括:
S1.建立安全势场跟驰模型;
安全势场 由车道线势场/>、道路边界势场/>和车辆作用势场/>构成,反映车辆在行驶过程中面临的实时风险,安全势场跟驰模型为:
;
S2.计算基于安全势场的车辆纵向加速度;
;
其中,为车辆质量;
S3.构建跟驰风险指数CFR;
S4.使用梯度增强算法LightGBM进行CFR预测;
S3包括:跟驰风险指数CFR为:
;
其中,目标车辆未能安全执行跟驰的概率称为跟驰风险指数CFR,/>表示交互事件/>安全失效的概率,/>表示跟驰车辆;
;
其中,为/>时刻交互事件/>的实时风险暴露程度,/>为/>时刻交互事件/>的实时碰撞严重程度指标;
S3包括:
;
其中,表示在/>时刻交互事件/>中同时考虑理论碰撞可能性和驾驶员异质性带来的附加碰撞可能性的一个综合影响因子,/>为指数衰减函数EDF的形状参数,/>表示/>时刻交互事件/>中前车与后车的停车距离指数;
;
其中,表示在/>时刻交互事件/>中后车和前车速度差的平方;
S3包括:
;
其中,为交互事件/>中周围车辆在对应交互角色归一化处理后的驾驶风格倾性评分;
;
其中,表示/>和每个相邻车辆/>的交互事件,/>,/>分别为/>时刻交互事件/>中前车的停车视距和后车的停车视距,/>表示/>时刻交互事件/>中前车与后车的车辆间距;
;
其中,表示/>时刻交互事件/>中后车的速度,/>表示/>时刻交互事件/>中前车的速度;
S4包括:
提取8个特征进行CFR预测,包括:车辆速度、车辆加速度、跟驰车辆与前车的相对纵向距离、跟驰车辆与后车的相对纵向距离、跟驰车辆与前车的相对纵向速度、跟驰车辆与后车的相对纵向速度、前车的驾驶风格倾性、后车的驾驶风格倾性。
2.根据权利要求1所述的考虑驾驶风格倾性的车辆跟驰行为风险量化方法,其特征在于,S1包括:车道线势场为:
;
其中,为各类道路标线势场的强度系数用于确定车道线场的最大阈值,/>表示虚线,/>表示双黄线,且/>,/>为第/>条车道线的横坐标,/>为确定道路场强升降的速度。
3.根据权利要求2所述的考虑驾驶风格倾性的车辆跟驰行为风险量化方法,其特征在于,S1包括:道路边界势场为:
;
其中,为道路边界线,/>=1、2分别为左、右边界,/>为道路边界线的横坐标,/>为位置增益参数。
4.根据权利要求3所述的考虑驾驶风格倾性的车辆跟驰行为风险量化方法,其特征在于,S1包括:车辆作用势场为:
;
式中,为车辆相互作用势函数,/>为斥力场分布范围进行修正后的任意点/>与目标车辆的距离/>,/>为周围车辆到目标车辆质心的连线同目标车辆行驶方向形成的顺时针方向夹角。
5.根据权利要求4所述的考虑驾驶风格倾性的车辆跟驰行为风险量化方法,其特征在于,S1包括:
;
其中,为分子势能,/>为前后车实际距离,/>为跟驰需求安全距离,/>为斥力项参数,/>为引力项参数;
;
其中,和/>为待定系数,/>为前后车速度差,/>为后车速度;
;
其中,为最小安全距离,/>为车辆质心坐标,/>为待定系数。
6.根据权利要求1所述的考虑驾驶风格倾性的车辆跟驰行为风险量化方法,其特征在于,S3包括:
EDF;
其中,表示输入的目标函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311402715.5A CN117125083B (zh) | 2023-10-27 | 2023-10-27 | 考虑驾驶风格倾性的车辆跟驰行为风险量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311402715.5A CN117125083B (zh) | 2023-10-27 | 2023-10-27 | 考虑驾驶风格倾性的车辆跟驰行为风险量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117125083A CN117125083A (zh) | 2023-11-28 |
CN117125083B true CN117125083B (zh) | 2024-01-05 |
Family
ID=88856811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311402715.5A Active CN117125083B (zh) | 2023-10-27 | 2023-10-27 | 考虑驾驶风格倾性的车辆跟驰行为风险量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117125083B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019213982A1 (zh) * | 2018-05-08 | 2019-11-14 | 清华大学 | 基于最小作用量原理的驾驶人操控行为量化方法及装置 |
CN114169444A (zh) * | 2021-12-09 | 2022-03-11 | 合肥工业大学 | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 |
CN115257738A (zh) * | 2022-08-15 | 2022-11-01 | 合肥工业大学 | 一种考虑相邻车辆切入风险的智能车辆跟驰模型 |
CN116341288A (zh) * | 2023-05-25 | 2023-06-27 | 吉林大学 | 一种异质交通流行车安全场建模方法 |
CN116844135A (zh) * | 2023-08-01 | 2023-10-03 | 武汉理工大学 | 驾驶员驾驶行为评估方法、装置、电子设备及存储介质 |
-
2023
- 2023-10-27 CN CN202311402715.5A patent/CN117125083B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019213982A1 (zh) * | 2018-05-08 | 2019-11-14 | 清华大学 | 基于最小作用量原理的驾驶人操控行为量化方法及装置 |
CN114169444A (zh) * | 2021-12-09 | 2022-03-11 | 合肥工业大学 | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 |
CN115257738A (zh) * | 2022-08-15 | 2022-11-01 | 合肥工业大学 | 一种考虑相邻车辆切入风险的智能车辆跟驰模型 |
CN116341288A (zh) * | 2023-05-25 | 2023-06-27 | 吉林大学 | 一种异质交通流行车安全场建模方法 |
CN116844135A (zh) * | 2023-08-01 | 2023-10-03 | 武汉理工大学 | 驾驶员驾驶行为评估方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
智能网联环境下基于安全势场理论的车辆跟驰模型;李林恒;甘婧;曲栩;冒培培;冉斌;;中国公路学报(第12期);全文 * |
考虑前车驾驶风格的改进自适应巡航控制跟驰模型及仿真;胡春燕等;济南大学学报(自然科学版);第37卷(第3期);331-338 * |
Also Published As
Publication number | Publication date |
---|---|
CN117125083A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169567B (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
CN105946860B (zh) | 一种考虑驾驶风格的弯道车速预测方法 | |
CN110949398A (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
CN103531042A (zh) | 基于驾驶人类型的车辆追尾预警方法 | |
CN107273805A (zh) | 一种基于视觉特性的gm‑hmm预测驾驶行为方法 | |
CN110858312A (zh) | 基于模糊c均值聚类算法的驾驶员驾驶风格分类方法 | |
CN112991685A (zh) | 考虑驾驶人疲劳状态影响的交通系统风险评估及预警方法 | |
CN113291311B (zh) | 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质 | |
CN114169444B (zh) | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 | |
CN105975757A (zh) | 一种基于车辆行驶数据的急减速行为识别方法 | |
CN116028884A (zh) | 一种小样本下基于原型网络的车辆换道风险评估方法 | |
CN114446057A (zh) | 一种基于智能网联环境的事故高发点辨识预警方法及系统 | |
CN114692713A (zh) | 一种自动驾驶车辆的驾驶行为评价方法及装置 | |
CN110610326B (zh) | 一种基于驾驶数据的驾驶管理系统 | |
CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
CN112990563B (zh) | 一种高速公路追尾事故风险实时预测方法 | |
CN117125083B (zh) | 考虑驾驶风格倾性的车辆跟驰行为风险量化方法 | |
CN108509999A (zh) | 一种愤怒驾驶检测及安全预警方法 | |
CN115192026B (zh) | 隧道驾驶负荷监测方法及终端 | |
CN110525446A (zh) | 一种考虑情绪的汽车强制换道决策安全预警方法 | |
Wang et al. | Utilizing random forest and neural network to extract lane change events on shanghai highway | |
Zeng et al. | A support vector machine-based truck discretionary lane changing decision model | |
CN113793074A (zh) | 一种自动驾驶车辆社会合作性评价方法 | |
Yu et al. | Drivers' car-following correlative behavior with preceding vehicles in multilane driving | |
Ma et al. | Lane change analysis and prediction using mean impact value method and logistic regression model |
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 |