CN117690286A - 一种考虑横纵向安全距离的车道偏离预警算法评估方法 - Google Patents
一种考虑横纵向安全距离的车道偏离预警算法评估方法 Download PDFInfo
- Publication number
- CN117690286A CN117690286A CN202311537590.7A CN202311537590A CN117690286A CN 117690286 A CN117690286 A CN 117690286A CN 202311537590 A CN202311537590 A CN 202311537590A CN 117690286 A CN117690286 A CN 117690286A
- Authority
- CN
- China
- Prior art keywords
- lane departure
- vehicle
- transverse
- distance
- safety
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000007423 decrease Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 7
- 230000035484 reaction time Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012113 quantitative test Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种考虑横纵向安全距离的车道偏离预警算法评估方法,用于对既有的车道偏离预警算法安全性进行判别,改善系统的误报率,包括以下步骤:从自然驾驶数据库中提取车道偏离事件;通过分别标定综合考虑了安全性和效率的RSS模型纵向安全距离和横向安全距离,得到横纵向安全指标;基于标定的RSS模型,对车道偏离预警算法中涉及的横纵向安全距离进行对比、评估。与现有技术相比,本发明构建的横、纵向安全距离指标综合考虑了安全性和效率,可实现定量的算法安全性评估,有助于发现车道偏离预警算法的合理性,能够发现影响算法涉及的关键安全参数,提升算法的精度。
Description
技术领域
本发明涉及车辆主动安全功能算法评估技术领域,尤其是涉及一种考虑横纵向安全距离的车道偏离预警算法评估方法。
背景技术
美国国家公路交通安全管理署(National Highway Traffic StationAdministration,NHTSA)统计数据表明,车道偏离事故占比超过死亡事故的三分之一(37.4%)。为了降低交通事故风险,车道偏离预警系统(Lane Departure Warningsystems,LDWs)被研发,并大量安装于车辆。
然而,目前市场上的LDW系统由于场景单一,预警阈值固定,算法考虑的参数不符合驾驶人的需求,因此存在大量不必要的预警。这些误报导致驾驶人对系统的接受率较低。因此亟需提出一种符合驾驶人行为特点的LDW算法评估方法,以提升LDW算法的安全性,为LDW算法的标准提供理论依据。
目前对LDW评估测试的方法,大部分以场地测试为主,例如Euro NCAP及NHTSANCAP的碰撞测试。该测试方法往往通过固定的阈值,设定不同场景(高速、低速、弯道等场景)的参数,对LDW系统进行测试。此类测试无法明确系统算法存在的误报、漏报的致因,不能确定影响算法的关键参数。因此,亟需提出一种定量的测试指标,对系统的安全性进行定量评估,这有助于发现算法的关键影响参数,并为算法优化提供依据。
发明内容
本发明的目的是为了提供一种考虑横纵向安全距离的车道偏离预警算法评估方法。
本发明的目的可以通过以下技术方案来实现:
一种考虑横纵向安全距离的车道偏离预警算法评估方法,包括以下步骤:
步骤1)从自然驾驶数据库中提取车道偏离事件,获得预警视频数据及车辆运动数据;
步骤2)将步骤1)中提取的车道偏离事件划分为单车车道偏离场景和多车车道偏离场景;
步骤3)使用k-shape-clustering聚类方法,对步骤2)所划分的单车车道偏离场景及多车车道偏离场景分别进行聚类,得到单车车道偏离高风险场景和单车车道偏离低风险场景、多车车道偏离高风险场景和多车车道偏离低风险场景;
步骤4)使用4类聚类后场景的车道偏离自然驾驶数据分别标定基于责任敏感安全(Responsibility Sensitive Safe,RSS)模型的横向、纵向安全距离;
步骤5)基于标定后的横向、纵向安全距离评估现有车道偏离预警算法的安全性。
所述从自然驾驶数据库中提取车道偏离事件具体为:设定提取车道偏离事件的阈值,根据阈值对自然驾驶数据中的车道偏离事件进行提取,其中,所述阈值包括距离阈值、时间阈值和速度阈值。
所述步骤1)中的车道偏离事件的车辆运动数据包括:自车车速,横向穿越时间(Time-to-Lane-Crossing,TLC),相邻车道车辆车速、相对距离,前车车速、相对距离,车辆横向偏移量。
所述步骤2)中,划分单车车道偏离场景涉及的变量包括自车车速、车辆横向偏移距离、横向穿越时间、道路类型;划分多车车道偏离场景涉及的变量包括自车车速、车辆横向偏移距离、横向穿越时间、相邻车道车辆相对车速、相邻车道车辆相对距离、前车车速、前车相对距离、道路类型;其中,所述道路类型包括高速公路、城市快速路、城市道路、乡村道路。
所述步骤3)中,
其中,单车车道偏离高风险场景特点为:车速增加、横向距离先减小后增加再减小、TLC先减小后增加;
单车车道偏离低风险场景特点为:车速降低、横向距离减小、TLC减小;
多车车道偏离高风险场景特点为:车速增加、横向距离先减小后增加再减小、TLC先减小后增加;
多车车道偏离低风险场景特点为:车速降低、横向距离减小、TLC先减小再增加。
所述步骤4)中,基于RSS模型的横向安全距离表示为:
其中,为横向安全距离,v1为自车横向速度,v2为相邻车道横向速度,μ为最终横向安全距离,ρ为横向反应时间,/>为自车最小横向舒适减速度;μ、ρ、/>为需要标定的参数。
所述步骤4)中,基于RSS模型的横向安全距离中参数标定的方法为NSGA-II算法,优化目标为:
目标1:
目标2:
其中,TLC为横向穿越时间,TLC*为2.7s,TLCi为第i时刻的横向穿越时间。
所述步骤4)中,基于RSS模型的纵向安全距离表示为:
其中,为纵向安全距离,vr为自车纵向速度,vf为前车纵向速度,ρ为横向反应时间,amax,accel为前车最大加速度,amin,brake、amax,brake分别为前车最小舒适、最大减速度。
所述步骤4)中,基于RSS模型的纵向安全距离中参数标定的方法为NSGA-II算法,优化目标为:
目标1:
目标2:
其中,TIT为纵向安全时间积分,TTC*为4.5s,TITi为第i时刻的安全时间和。
所述步骤5)具体为:基于标定后的横向、纵向安全距离对现有车道偏离预警算法预警时刻的横、纵向真实距离进行评估,采用混淆矩阵计算车道偏离预警算法的精准度、误报率指标,评估安全性。
与现有技术相比,本发明具有以下有益效果:
(1)可定量评估算法:本发明中横纵向安全距离,可以定量评估现有LDW算法的安全性、误报率、准确率,弥补了以往算法定性评估的不足。
(2)评估指标全面:本发明中的横纵向安全距离计算模型涉及了反应时间、制动力度、车速等驾驶员行为特征,更贴近驾驶员行为特征对LDW系统的需求。
附图说明
图1为本发明的方法流程图;
图2为本发明实施例中车道偏离场景划分类型示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例提供一种考虑横纵向安全距离的车道偏离预警算法评估方法,如图1所示,包括以下步骤:
步骤1)从自然驾驶数据库中提取车道偏离事件,获得预警视频数据及车辆运动数据。
具体的,设定提取车道偏离事件的阈值,根据阈值对自然驾驶数据中的车道偏离事件进行提取,当满足距离阈值(车辆中心线距离车道线距离∈[0.9,1.025]m或车道中心线距离车道线距离∈[-1.75,0.9)m])、时间阈值(车道偏离持续>3s)和速度阈值(车速>5m/s)时,视为车道偏离事件。本实施例中提取得到的车道偏离视频及车辆运动数据为10s的连续视频和连续数据。其中,车辆运动数据包括:
①自车车速;
②横向穿越时间(Time-to-Lane-Crossing,TLC);
③相邻车道车辆车速、相对距离;
④前车车速、相对距离;
⑤车辆横向偏移量。
本实施例从自然驾驶数据中筛选车道偏离事件,共计516起。为了避免数据准确,本实施例中还设置了人工观测视频,数据清洗,剔除异常值。
步骤2)将步骤1)中提取的车道偏离事件划分为单车车道偏离场景和多车车道偏离场景。
具体的,划分单车车道偏离场景涉及的变量包括自车车速、车辆横向偏移距离、TLC、道路类型(高速公路、城市快速路、城市道路、乡村道路);
划分多车车道偏离场景涉及的变量包括自车车速、车辆横向偏移距离、TLC、相邻车道车辆相对车速、相邻车道车辆相对距离、前车车速、前车相对距离、道路类型(高速公路、城市快速路、城市道路、乡村道路)。
步骤3)使用k-shape-clustering聚类方法,对步骤2)所划分的单车车道偏离场景及多车车道偏离场景分别进行聚类,得到单车车道偏离高风险场景和单车车道偏离低风险场景、多车车道偏离高风险场景和多车车道偏离低风险场景,如图2所示。
其中,单车车道偏离高风险场景特点为:车速增加、横向距离先减小后增加再减小、TLC先减小后增加;
单车车道偏离低风险场景特点为:车速降低、横向距离减小、TLC减小;
多车车道偏离高风险场景特点为:车速增加、横向距离先减小后增加再减小、TLC先减小后增加;
多车车道偏离低风险场景特点为:车速降低、横向距离减小、TLC先减小再增加。
步骤4)使用4类聚类后场景的车道偏离自然驾驶数据分别标定基于责任敏感安全(Responsibility Sensitive Safe,RSS)模型的横向、纵向安全距离。
基于RSS模型的横向安全距离表示为:
其中,为横向安全距离,v1为自车横向速度,v2为相邻车道横向速度,μ为最终横向安全距离,ρ为横向反应时间,/>为自车最小横向舒适减速度;μ、ρ、/>为需要标定的参数。
基于RSS模型的横向安全距离中参数标定的方法为NSGA-II(Non-dominatedSorting Genetic Algorithm-II)算法,优化目标为:
目标1:
目标2:
TLC为横向穿越时间,TLC*为2.7s,TLCi为第i时刻的横向穿越时间。
其中目标1以确保算法的安全性,目标2以保证算法的效率。
基于RSS模型的纵向安全距离表示为:
其中,为纵向安全距离,vr为自车纵向速度,vf为前车纵向速度,ρ为横向反应时间,amax,accel为前车最大加速度,amin,brake、amax,brake分别为前车最小舒适、最大减速度。
基于RSS模型的纵向安全距离中参数标定的方法为NSGA-II算法,优化目标为:
目标1:
目标2:
TIT为纵向安全时间积分,TTC*为4.5s,TITi为第i时刻的安全时间和。
其中目标1以确保算法的安全性,目标2以保证算法的效率。
本实施例中,标定后的横向安全距离为:
单车场景A(单车车道偏离高风险场景):
单车场景B(单车车道偏离低风险场景):
多车场景A(多车车道偏离高风险场景):
多车场景B(多车车道偏离低风险场景):
标定后的纵向安全距离为:
多车场景A(多车车道偏离高风险场景):
多车场景B(多车车道偏离低风险场景):
步骤5)基于标定后的横向、纵向安全距离评估现有车道偏离预警算法的安全性。
所述步骤5)具体为:基于标定后的横向、纵向安全距离对现有车道偏离预警算法预警时刻的横、纵向真实距离进行评估,采用混淆矩阵计算车道偏离预警算法的精准度、误报率等指标,评估安全性。
本实施例使用标定后的横纵向安全距离模型评估NHTSA和Mobileye的LDW算法,结果如表1所示。
表1LDW算法评估结果
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案,皆应在权利要求书所确定的保护范围内。
Claims (10)
1.一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,包括以下步骤:
步骤1)从自然驾驶数据库中提取车道偏离事件,获得预警视频数据及车辆运动数据;
步骤2)将步骤1)中提取的车道偏离事件划分为单车车道偏离场景和多车车道偏离场景;
步骤3)使用k-shape-clustering聚类方法,对步骤2)所划分的单车车道偏离场景及多车车道偏离场景分别进行聚类,得到单车车道偏离高风险场景和单车车道偏离低风险场景、多车车道偏离高风险场景和多车车道偏离低风险场景;
步骤4)使用4类聚类后场景的车道偏离自然驾驶数据分别标定基于RSS模型的横向、纵向安全距离;
步骤5)基于标定后的横向、纵向安全距离评估现有车道偏离预警算法的安全性。
2.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述从自然驾驶数据库中提取车道偏离事件具体为:设定提取车道偏离事件的阈值,根据阈值对自然驾驶数据中的车道偏离事件进行提取,其中,所述阈值包括距离阈值、时间阈值和速度阈值。
3.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤1)中的车道偏离事件的车辆运动数据包括:自车车速,横向穿越时间,相邻车道车辆车速、相对距离,前车车速、相对距离,车辆横向偏移量。
4.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤2)中,划分单车车道偏离场景涉及的变量包括自车车速、车辆横向偏移距离、横向穿越时间、道路类型;划分多车车道偏离场景涉及的变量包括自车车速、车辆横向偏移距离、横向穿越时间、相邻车道车辆相对车速、相邻车道车辆相对距离、前车车速、前车相对距离、道路类型;其中,所述道路类型包括高速公路、城市快速路、城市道路、乡村道路。
5.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤3)中,
其中,单车车道偏离高风险场景特点为:车速增加、横向距离先减小后增加再减小、横向穿越时间先减小后增加;
单车车道偏离低风险场景特点为:车速降低、横向距离减小、横向穿越时间减小;
多车车道偏离高风险场景特点为:车速增加、横向距离先减小后增加再减小、TLC先减小后增加;
多车车道偏离低风险场景特点为:车速降低、横向距离减小、横向穿越时间先减小再增加。
6.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤4)中,基于RSS模型的横向安全距离表示为:
其中,为横向安全距离,v1为自车横向速度,v2为相邻车道横向速度,μ为最终横向安全距离,ρ为横向反应时间,/>为自车最小横向舒适减速度;μ、ρ、/>为需要标定的参数。
7.根据权利要求6所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤4)中,基于RSS模型的横向安全距离中参数标定的方法为NSGA-II算法,优化目标为:
目标1:
目标2:
其中,TLC为横向穿越时间,TLC*为预设值,TLCi为第i时刻的横向穿越时间。
8.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤4)中,基于RSS模型的纵向安全距离表示为:
其中,为纵向安全距离,vr为自车纵向速度,vf为前车纵向速度,ρ为横向反应时间,amax,accel为前车最大加速度,amin,brake、amax,brake分别为前车最小舒适、最大减速度。
9.根据权利要求8所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤4)中,基于RSS模型的纵向安全距离中参数标定的方法为NSGA-II算法,优化目标为:
目标1:
目标2:
其中,TIT为纵向安全时间积分,TTC*为预设值,TITi为第i时刻的安全时间和。
10.根据权利要求1所述的一种考虑横纵向安全距离的车道偏离预警算法评估方法,其特征在于,所述步骤5)具体为:基于标定后的横向、纵向安全距离对现有车道偏离预警算法预警时刻的横、纵向真实距离进行评估,采用混淆矩阵计算车道偏离预警算法的精准度、误报率指标,评估安全性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311537590.7A CN117690286A (zh) | 2023-11-17 | 2023-11-17 | 一种考虑横纵向安全距离的车道偏离预警算法评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311537590.7A CN117690286A (zh) | 2023-11-17 | 2023-11-17 | 一种考虑横纵向安全距离的车道偏离预警算法评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117690286A true CN117690286A (zh) | 2024-03-12 |
Family
ID=90134246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311537590.7A Pending CN117690286A (zh) | 2023-11-17 | 2023-11-17 | 一种考虑横纵向安全距离的车道偏离预警算法评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117690286A (zh) |
-
2023
- 2023-11-17 CN CN202311537590.7A patent/CN117690286A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
CN108550262B (zh) | 基于毫米波雷达的城市交通感知系统 | |
CN102390320B (zh) | 基于车载传感网络的车辆防撞预警系统及用途 | |
CN113744563B (zh) | 一种基于轨迹数据的路-车风险实时估计方法 | |
Zheng et al. | Driving risk assessment using cluster analysis based on naturalistic driving data | |
CN103531042A (zh) | 基于驾驶人类型的车辆追尾预警方法 | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
US20220383738A1 (en) | Method for short-term traffic risk prediction of road sections using roadside observation data | |
CN111038502A (zh) | 一种安全车距预估、修正、预警、驾驶资质评估方法及系统 | |
CN110901385B (zh) | 一种基于驾驶员疲劳状态的主动限速方法 | |
CN113192328B (zh) | 一种道路运行风险防控系统及交通标识牌的协同布设方法 | |
CN113920732B (zh) | 一种针对特定驾驶人群的道路交通事故风险预警方法 | |
Xu et al. | Modeling commercial vehicle drivers' acceptance of advanced driving assistance system (ADAS) | |
Oh et al. | In-depth understanding of lane changing interactions for in-vehicle driving assistance systems | |
CN114241754B (zh) | 基于高速公路合流影响区事故前兆特征的实时控制方法 | |
CN113240901B (zh) | 一种智能车换道行为风险等级确定方法及装置 | |
CN115985137B (zh) | 一种隧道交通运行的风险评估方法、电子设备及存储介质 | |
CN117690286A (zh) | 一种考虑横纵向安全距离的车道偏离预警算法评估方法 | |
CN113830084B (zh) | 基于多车道车辆主动避撞的控制方法及车辆 | |
CN112365716B (zh) | 一种基于gps数据的城市高架快速路动态安全性评价方法 | |
CN112373482B (zh) | 一种基于驾驶模拟器的驾驶习惯建模方法 | |
CN112036709A (zh) | 基于随机森林的降雨天气高速公路二次事故致因分析方法 | |
CN111177361A (zh) | 一种智能网联汽车事故减少量计算方法 | |
CN113096382B (zh) | 基于交通安全的道路交织区交通冲突识别方法及系统 | |
CN112785863B (zh) | 基于K-Means和熵加权的并道决策分类预警方法 |
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 |