CN117719524A - 一种驾驶安全风险识别预警方法、装置、终端及存储介质 - Google Patents
一种驾驶安全风险识别预警方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN117719524A CN117719524A CN202311657305.5A CN202311657305A CN117719524A CN 117719524 A CN117719524 A CN 117719524A CN 202311657305 A CN202311657305 A CN 202311657305A CN 117719524 A CN117719524 A CN 117719524A
- Authority
- CN
- China
- Prior art keywords
- driving
- random field
- field model
- longitudinal
- conditional random
- 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 51
- 230000006399 behavior Effects 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 58
- 230000001133 acceleration Effects 0.000 claims description 71
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000005315 distribution function Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000007704 transition Effects 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 206010000117 Abnormal behaviour Diseases 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明所提供的一种驾驶安全风险识别预警方法、装置、终端及存储介质,方法包括:基于预先训练的条件随机场模型,根据采集的当前时间窗口内的车辆行驶信息和道路条件信息得到风险等级识别结果;根据所述风险等级识别结果发出驾驶风险预警;其中,所述条件随机场模型包括第一条件随机场模型和/或第二条件随机场模型,所述第一条件随机场模型由预先构建的横向驾驶训练数据集训练得到,所述第二条件随机场模型由预先构建的纵向驾驶训练数据集训练得到。本发明将模型区分为横向驾驶和纵向驾驶两种模型,能够对驾驶行为进行针对性分析,并且区分了驾驶行为在不同道路条件下产生的不同风险,进而提高了驾驶行为的识别准确性和预警的准确性。
Description
技术领域
本发明涉及驾驶安全防控领域,尤其涉及的是一种驾驶安全风险识别预警方法、装置、终端及存储介质。
背景技术
当前,车辆成为人们的常用出行工具,导致交通环境越来越拥挤,加剧了行驶过程中的追尾风险,原因在于不同车速条件下未能遵守安全距离或急加速、急减速(后车安全风险与自车紧密相关)等高风险驾驶行为。许多研究表明,在各项影响交通安全的因素中,驾驶人的影响占主要地位,因此,通过预测预警提高驾驶人操作行为的安全性具有十分重要的现实意义。
现有的驾驶行为识别方式,针对任何驾驶行为均采用同样的模型进行分析,并且没有区分驾驶行为在不同道路条件下产生的不同风险,因此,现有的驾驶行为识别方式的识别准确性较低。
因此,现有技术存在缺陷,有待改进与发展。
发明内容
本申请提供了一种驾驶安全风险识别预警方法、装置、终端及存储介质,以解决相关技术中驾驶行为识别方式的识别准确性较低的技术问题。
为实现上述目的,本申请采用了以下技术方案:
基于预先训练的条件随机场模型,根据采集的当前时间窗口内的车辆行驶信息和道路条件信息得到风险等级识别结果;
根据所述风险等级识别结果发出驾驶风险预警;
其中,所述条件随机场模型包括第一条件随机场模型和/或第二条件随机场模型,所述第一条件随机场模型由预先构建的横向驾驶训练数据集训练得到,所述第二条件随机场模型由预先构建的纵向驾驶训练数据集训练得到。
在一种实现方式中,所述第一条件随机场模型的训练步骤包括:
获取预先构建的横向驾驶训练数据集,所述横向驾驶训练数据集中包括若干横向驾驶样本数据,各个所述横向驾驶样本数据包括:车辆行驶速度均值、横向加速度均值、z轴角速度均值、车距逼近速率和道路条件;
根据各个所述横向驾驶样本数据确定第一条件概率分布函数,根据所述第一条件概率分布函数得到已训练的第一条件随机场模型。
在一种实现方式中,所述横向驾驶训练数据集的构建步骤包括:
获取若干连续时间窗口中各个采样点对应的时序数据,所述时序数据包括车辆行驶速度、加速度信息、角速度信息、自车与前车距离以及道路条件;
获取所述加速度信息中的x轴加速度,以及所述角速度信息中的z轴角速度;
基于所述x轴加速度和所述z轴角速度,确定若干连续时间窗口中横向异常驾驶行为对应的横向驾驶时间窗口;
根据所述横向驾驶时间窗口对应的时序数据得到横向驾驶样本数据;
基于若干所述横向驾驶样本数据构建得到横向驾驶训练数据集。
在一种实现方式中,基于所述x轴加速度和所述z轴角速度,确定若干连续时间窗口中横向异常驾驶行为对应的横向驾驶时间窗口,包括:
根据所述x轴加速度和所述z轴角速度依次计算若干连续时间窗口中各个时间窗口对应的横向驾驶平均能量值;
将各个横向驾驶平均能量值与预设的第一能量阈值进行比对;
将横向驾驶平均能量值均大于第一能量阈值的连续时间窗口作为横向异常驾驶行为对应的横向驾驶时间窗口。
在一种实现方式中,所述第二条件随机场模型的训练步骤包括:
获取预先构建的纵向驾驶训练数据集,所述纵向驾驶训练数据集中包括若干纵向驾驶样本数据,各个所述纵向驾驶样本数据包括:车辆行驶速度均值、纵向加速度均值、车距逼近速率和道路条件;
根据各个所述纵向驾驶样本数据确定第二条件概率分布函数,根据所述第二条件概率分布函数得到已训练的第二条件随机场模型。
在一种实现方式中,所述纵向驾驶训练数据集的构建步骤包括:
获取若干连续时间窗口中各个采样点对应的时序数据,所述时序数据包括车辆行驶速度、加速度信息、角速度信息、自车与前车距离以及道路条件;
获取所述加速度信息中的y轴加速度;
基于所述y轴加速度,确定若干连续时间窗口中纵向异常驾驶行为对应的纵向驾驶时间窗口;
根据所述纵向驾驶时间窗口对应的时序数据得到纵向驾驶样本数据;
基于若干所述纵向驾驶样本数据构建得到横向驾驶训练数据集。
在一种实现方式中,基于所述y轴加速度,确定若干连续时间窗口中纵向异常驾驶行为对应的纵向驾驶时间窗口,包括:
根据所述y轴加速度依次计算若干连续时间窗口中各个时间窗口对应的纵向驾驶平均能量值;
将各个纵向驾驶平均能量值与预设的第二能量阈值进行比对;
将纵向驾驶平均能量值均大于第二能量阈值的连续时间窗口作为纵向异常驾驶行为对应的纵向驾驶时间窗口。
本申请第二方面实施例提供一种驾驶安全风险识别预警装置,包括:
识别模块,用于基于预先训练的条件随机场模型,根据采集的当前时间窗口内的车辆行驶信息和道路条件信息得到风险等级识别结果;
预警模块,用于根据所述风险等级识别结果发出驾驶风险预警;
其中,所述条件随机场模型包括第一条件随机场模型和/或第二条件随机场模型,所述第一条件随机场模型由预先构建的横向驾驶训练数据集训练得到,所述第二条件随机场模型由预先构建的纵向驾驶训练数据集训练得到。
本申请第三方面实施例提供一种终端,所述终端包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的驾驶安全风险识别预警程序,所述处理器执行所述驾驶安全风险识别预警程序时,实现如上所述的驾驶安全风险识别预警方法的步骤。
本申请第四方面实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有驾驶安全风险识别预警程序,所述驾驶安全风险识别预警程序被处理器执行时,实现如上所述的驾驶安全风险识别预警方法的步骤。
本发明的有益效果:本发明实施例通过基于预先训练的条件随机场模型,根据采集的当前时间窗口内的车辆行驶信息和道路条件信息得到风险等级识别结果;根据所述风险等级识别结果发出驾驶风险预警;其中,所述条件随机场模型包括第一条件随机场模型和/或第二条件随机场模型,所述第一条件随机场模型由预先构建的横向驾驶训练数据集训练得到,所述第二条件随机场模型由预先构建的纵向驾驶训练数据集训练得到。本发明将模型区分为横向驾驶和纵向驾驶两种模型,能够对驾驶行为进行针对性分析,并且区分了驾驶行为在不同道路条件下产生的不同风险,进而提高了驾驶行为的识别准确性和预警的准确性。
附图说明
图1是本发明中驾驶安全风险识别预警方法较佳实施例的流程图。
图2是本发明中驾驶安全风险识别预警方法较佳实施例的一种OBU坐标系数据转换图。
图3是本发明中驾驶安全风险识别预警装置较佳实施例的功能原理框图。
图4是本发明中终端的较佳实施例的功能原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
现有技术识别的高风险行为类型,不考虑当前驾驶环境,纵向和横向的风险行为采用同样的模型进行分析,不区分驾驶人在纵向风险和横向风险上的偏好差异,不考虑纵向和横向风险的后果,也不考虑中风险行为与高风险行为之间的转移关系,因此将导致被认定为高风险的行为比例大为降低,尤其是横向高风险行为中,以超车为例,涉及前后右方向上的复杂环境观察、道路条件观察、风险判断、安全操作、长时间追逐驾驶等一系列潜在风险,显然不仅仅只有极速超车才算高风险,日常生活中的拥堵条件下超车、曲线条件不良时超车都属于高风险行为。
此外,相同的驾驶行为在不同道路上产生的风险后果也不一致,应当在风险评估时予以考虑。
本发明提供了一种动态识别纵向/横向驾驶安全风险的识别预警方法和装置,具体包括:数据采集单元、数据预处理单元、风险识别单元和预警单元。所述数据采集单元从车载单元OBU获取车辆行驶状态数据,通过雷达获取车距数据;所述数据预处理单元能够准确提取可能存在风险的纵向/横向驾驶片段;所述风险识别单元能够在考虑驾驶状态、车距、道路条件的情况下识别纵向/横向驾驶安全风险,然后根据识别结果发出预警提示。本发明提高了纵向/横向驾驶行为识别的效率,改善了单车驾驶风险识别忽略交通、道路环境的问题,识别结果便于对驾驶人的纵向/横向驾驶行为提供精细化的识别和风险预警。
请参见图1,本发明实施例所述的驾驶安全风险识别预警方法包括如下步骤:
步骤S100、基于预先训练的条件随机场模型,根据采集的当前时间窗口内的车辆行驶信息和道路条件信息得到风险等级识别结果。
具体地,车辆行驶信息包括:利用车载OBU采集的车速、加速度、角速度、纬度、经度位置等参数,利用雷达采集的自车与前车距离。所述道路条件信息是根据经纬度位置参数提取的车辆所在道路等级、限速值、车道数、道路曲线等道路条件参数。
如图1所示,所述驾驶安全风险识别预警方法还包括如下步骤:
步骤S200、根据所述风险等级识别结果发出驾驶风险预警。
所述条件随机场模型包括第一条件随机场模型和/或第二条件随机场模型,所述第一条件随机场模型由预先构建的横向驾驶训练数据集训练得到,所述第二条件随机场模型由预先构建的纵向驾驶训练数据集训练得到。
在一种实施例中,步骤S100包括:根据采集的当前时间窗口内的车辆行驶信息和道路条件信息,确定车辆行驶速度均值、横向加速度均值、z轴角速度均值、车距逼近速率、道路条件;将车辆行驶速度均值、横向加速度均值、z轴角速度均值、车距逼近速率、道路条件输入预先训练的第一条件随机场模型,得到横向驾驶对应的风险等级识别结果。
在一种实施例中,步骤S100还包括:根据采集的当前时间窗口内的车辆行驶信息和道路条件信息,确定车辆行驶速度均值、纵向加速度均值、车距逼近速率、道路条件;将车辆行驶速度均值、纵向加速度均值、车距逼近速率、道路条件输入预先训练的第二条件随机场模型,得到纵向驾驶对应的风险等级识别结果。
具体地,风险预警单元用于根据CRF模型估计的风险等级对车辆和交通流发出高、中、低三个等级的风险预警。例如,针对纵向驾驶行为安全风险,中风险预警,驾驶风险预警可以为“当前平均速度下加速较快、注意平稳驾驶”,针对高风险预警,驾驶风险预警可以为“当前平均速度下,逼近前车(或后车)速度过快,注意驾驶安全”。针对横向驾驶行为中、高风险,结合当前车速、操作速度(样本时间越短、变道操作越快)、与前车距离、弯道条件(道路曲线曲率越小风险越高)发出提示,引导驾驶员改进驾驶操作安全性。进一步地,可以计算单车中高风险驾驶时间比率,用于驾驶人驾驶风格风险预警。
在本申请实施例中,可以预先构建不同驾驶场景与条件随机场模型的对应关系,驾驶场景包括城市道路场景、高速场景等,当采集到当前时间窗口内的车辆行驶信息和道路条件信息,确定当前驾驶场景,根据当前驾驶场景查找对应的目标条件随机场模型,基于目标条件随机场模型得到风险等级识别结果。
这样,本发明提供的基于OBU(车载单元)的自适应横/纵向驾驶安全风险识别方法,依据自车行驶参数、自车与前车车距、道路条件综合精确识别单车横/纵向行驶风险,为驾驶人提供整体风险提示,从而提高了单车纵向/横向驾驶安全性,通过车流安全风险提示提高了交通流安全水平。
在本申请实施例中,所述第一条件随机场模型的训练步骤包括:
步骤A10、获取预先构建的横向驾驶训练数据集,所述横向驾驶训练数据集中包括若干横向驾驶样本数据,各个所述横向驾驶样本数据包括:车辆行驶速度均值、横向加速度均值、z轴角速度均值、车距逼近速率和道路条件;
步骤A20、根据各个所述横向驾驶样本数据确定第一条件概率分布函数,根据所述第一条件概率分布函数得到已训练的第一条件随机场模型。
具体地,第一条件随机场模型是采用横向驾驶训练数据集训练得到,可利用最大似然估计学习得到条件分布函数中各权重系数的取值。通过训练,条件随机场(CRF)模型即可在给定时间内实现每一个时间窗口的横向驾驶安全风险估计。
在本申请实施例中,所述横向驾驶训练数据集的构建步骤包括:
步骤A100、获取若干连续时间窗口中各个采样点对应的时序数据,所述时序数据包括车辆行驶速度、加速度信息、角速度信息、自车与前车距离以及道路条件;
步骤A200、获取所述加速度信息中的x轴加速度,以及所述角速度信息中的z轴角速度;
步骤A300、基于所述x轴加速度和所述z轴角速度,确定若干连续时间窗口中横向异常驾驶行为对应的横向驾驶时间窗口;
步骤A400、根据所述横向驾驶时间窗口对应的时序数据得到横向驾驶样本数据;
步骤A500、基于若干所述横向驾驶样本数据构建得到横向驾驶训练数据集。
在本申请实施例中,数据采集单元利用车载OBU采集车速、加速度、角速度、纬度、经度位置等参数,利用雷达采集自车与前车距离,随后根据经纬度位置参数提取车辆所在道路等级、限速值、车道数、道路曲线等道路条件参数,保存为时序数据,每个时序数据包括车辆行驶速度、加速度信息、角速度信息、自车与前车距离以及道路条件。
具体地,在采集数据时,将车载单元OBU安装于前车挡风玻璃处中间位置,利用OBU内置IMU和GPS模块直接采集车速、加速度、角速度、纬度、经度位置等参数,该数据为OBU坐标系下的三维数据,因此与车辆前进方向自身的速度、加速度坐标存在差异;根据GPS采集的经纬度提取车辆所在道路等级、限速值、车道数、曲线特征等道路条件参数。
数据预处理单元用于OBU原始数据坐标转换、去噪和数据分割,经过处理后,可以自动获取横向驾驶变化数据段的准确、连续数据段,便于更加准确、快速识别横向驾驶安全风险。
上述OBU原始坐标转换,将IMU惯性测量单元坐标系数据转换成与车辆运行坐标系一致的数据,从而更加准确描述车辆纵向运行细节。这里采用欧拉角转换,OBU坐标x轴、y轴和z轴围绕横滚角α、俯仰角β和偏航角γ连续旋转,原始坐标(ax,ay,az)转换为(a″x,a″y,a″z),具体公式如下:
其中,α∈[-π,π],β∈[-π/2,π/2],γ∈[-π,π]。
进一步地,如图2所示,利用重力将OBU坐标和车辆坐标的z轴对齐,然后利用1个8S视窗的加减速事件将x轴、y轴对齐,此时:
因此:
完成数据坐标系转换后,采用卡尔曼滤波对上述坐标转换后的数据去噪,以便于得到时序数据,并提高数据质量。这里也可以采用低通滤波等其它方法。进而根据横向驾驶时间窗口对应的时序数据得到横向驾驶样本数据,基于若干横向驾驶样本数据构建得到横向驾驶训练数据集。
在本申请实施例中,所述步骤A300具体包括:
步骤A310、根据所述x轴加速度和所述z轴角速度依次计算若干连续时间窗口中各个时间窗口对应的横向驾驶平均能量值;
步骤A320、将各个横向驾驶平均能量值与预设的第一能量阈值进行比对;
步骤A330、将横向驾驶平均能量值均大于第一能量阈值的连续时间窗口作为横向异常驾驶行为对应的横向驾驶时间窗口。
对于去噪后得到数据,采用平均能量法(AEM)检测横向异常驾驶行为的起点和终点,避免固定视窗数据分割带来的异常行为识别不准确问题。具体地,横向驾驶行为以x轴加速度和z轴角速度变化识别,建立一个基本时间窗口来计算该窗口内数据的平均能量,计算公式如下:
其中,gx(i)表示点i的x轴加速度,gz(i)表示点i的z轴角速度,k表示时间窗口的长度。
将平均能量发生变化的点作为起点,依次滑动窗口,计算平均能量值,当检测到平均能量变化停止时,将该点作为终点,或当连续采样点等于最大采样点数时,将其作为终点,将起点到终点之间的时序数据切割出来作为异常驾驶行为识别的样本。即,平均能量发生变化的点是通过与第一能量阈值进行比较,大于第一能量阈值则认为开始发生变化,为行为的起点。而后每个窗口的平均能量都会大于第一能量阈值,当识别到窗口的平均能量小于第一能量阈值时,则说明此时为异常行为的终点。驾驶风险不仅来源于驾驶行为,相同的驾驶行为与不同的道路条件耦合产生的安全风险及其后果不同,因此,横向驾驶行为每个样本含驾驶状态参数(车速、加速度、角速度)、自车与前车距离参数、道路条件参数(道路限速值、曲率半径、曲线长度),构成横向驾驶样本序列。
驾驶安全风险识别单元基于横向驾驶样本序列,采用条件随机场CRF对横向驾驶样本序列进行分类,动态移动估计监测过程中不同横向驾驶安全风险之间随着时间变化的转换过程,即实时动态识别横向驾驶安全风险等级随时间变化。
具体地,滑动窗口时长Tw,滑动步长为TS,记Xt为第i个样本输入运动序列的一个子序列,即观测序列;Yt为第i个样本车辆横向驾驶安全风险等级,即状态序列;采用的CRF模型包括两类特征参数,一类是状态特征,这类特征定义在节点上,即在当前时间窗口内从观测变量中提取特征参数,主要是指从样本序列中提取车辆行驶速度、加速度及车距等参数;一类转移特征,描述两个不同状态之间是否会因为某个特征而转移。
横向驾驶行为安全风险拟采用的状态特征参数包含车辆行驶速度均值、横向加速度均值、z轴角速度均值、车距逼近速率、道路条件五个参数来识别。
行驶速度均值参数表示在第i个样本车辆行驶速度的均值:
加速度均值参数表示在第i个样本车辆x轴加速度的均值:
加速度均值参数表示在第i个样本车辆z轴角速度的均值:
车距逼近速率参数表示在第i个样本自车与前车距离逼近的速度:
道路条件参数表示在第i个样本车辆所处的道路环境:
其中,ρ为道路等级、Vlimit为当前道路限速值、Lρ为曲线长度。道路限速值为当前道路实际值,缺失时按照国家规范实施;道路为直线时,ρ和Lρ取1。
上述转移特征参数选取了一个考虑了三个连续的隐藏状态节点的风险转移平滑度参数(CS),来描述不同节点状态之间存在的转移关系。
fCS(Yt-1,Yt,Yt+1)=λ(Yt-1,Yt)|λ(Yt,Yt+1) (8)
式中,λ表示从前一个状态到下一个状态的转移分数。
利用上述特征参数,CRF模型中的横向驾驶安全风险条件概率分布函数可以表示为:
这样,本申请实施例训练得到横向驾驶对应的第一条件随机场模型,能够自动监测识别横向驾驶的高风险驾驶行为,并对驾驶人做出预警,还能进一步用于路段横向驾驶安全风险预警。本申请实施例考虑了驾驶行为所处道路环境影响,解决了仅仅从车辆速度、加速度等自车角度出发、忽略驾驶风险与道路条件相关的问题。
在本申请实施例中,所述第二条件随机场模型的训练步骤包括:
步骤B10、获取预先构建的纵向驾驶训练数据集,所述纵向驾驶训练数据集中包括若干纵向驾驶样本数据,各个所述纵向驾驶样本数据包括:车辆行驶速度均值、纵向加速度均值、车距逼近速率和道路条件;
步骤B20、根据各个所述纵向驾驶样本数据确定第二条件概率分布函数,根据所述第二条件概率分布函数得到已训练的第二条件随机场模型。
具体地,第二条件随机场模型是采用纵向驾驶训练数据集训练得到,可利用最大似然估计学习得到条件分布函数中各权重系数的取值。通过训练,条件随机场(CRF)模型即可在给定时间内实现每一个时间窗口的纵向驾驶安全风险估计。
在本申请实施例中,所述纵向驾驶训练数据集的构建步骤包括:
步骤B100、获取若干连续时间窗口中各个采样点对应的时序数据,所述时序数据包括车辆行驶速度、加速度信息、角速度信息、自车与前车距离以及道路条件;
步骤B200、获取所述加速度信息中的y轴加速度;
步骤B300、基于所述y轴加速度,确定若干连续时间窗口中纵向异常驾驶行为对应的纵向驾驶时间窗口;
步骤B400、根据所述纵向驾驶时间窗口对应的时序数据得到纵向驾驶样本数据;
步骤B500、基于若干所述纵向驾驶样本数据构建得到横向驾驶训练数据集。
具体地,数据采集单元利用车载OBU采集车速、加速度、角速度、纬度、经度位置等参数,利用雷达采集自车与前车距离,随后根据经纬度位置参数提取车辆所在道路等级、限速值、车道数、道路曲线等道路条件参数,保存为时序数据,每个时序数据包括车辆行驶速度、加速度信息、角速度信息、自车与前车距离以及道路条件。
数据预处理单元用于OBU原始数据坐标转换、去噪和数据分割,经过处理后,可以自动获取纵向驾驶变化数据段的准确、连续数据段,便于更加准确、快速识别纵向驾驶安全风险。在进行OBU原始数据坐标转换时,与横向驾驶的坐标转换方式相同。坐标转换后的数据需要进一步去噪,采用卡尔曼滤波降低传感器等设备的噪声影响,以便于得到时序数据,进而根据纵向驾驶时间窗口对应的时序数据得到纵向驾驶样本数据,基于若干纵向驾驶样本数据构建得到纵向驾驶训练数据集。
在本申请实施例中,所述步骤B300具体包括:
步骤B310、根据所述y轴加速度依次计算若干连续时间窗口中各个时间窗口对应的纵向驾驶平均能量值;
步骤B320、将各个纵向驾驶平均能量值与预设的第二能量阈值进行比对;
步骤B330、将纵向驾驶平均能量值均大于第二能量阈值的连续时间窗口作为纵向异常驾驶行为对应的纵向驾驶时间窗口。
对于去噪后得到数据,采用平均能量法(AEM)检测纵向异常驾驶行为的起点和终点,避免固定视窗数据分割带来的异常行为识别不准确问题。具体地,以y轴加速度数据为例检测纵向异常驾驶行为,建立一个基本时间窗口来计算该窗口内数据的平均能量,计算公式如下:
其中,gy(i)表示点i的加速度,k表示时间窗口的长度。如果i点到i-k+1点之间的平均能量大于i-k+1点能量,则i为样本起点;如果i点到i-k+1点之间的平均能量小于i-k+1点能量,则i为样本终点;将起点和终点间的时间序列数据提取出来,并提取每个采样点的自车与前车车距,采集该时间段内道路条件数据,获得样本。
具体地,将平均能量发生变化的点作为起点,依次滑动窗口,计算平均能量值,当检测到平均能量变化停止时,将该点作为终点,或当连续采样点等于最大采样点数时,将其作为终点,将起点到终点之间的时序数据切割出来作为异常驾驶行为识别的样本。即,平均能量发生变化的点是通过与第一能量阈值进行比较,大于第一能量阈值则认为开始发生变化,为行为的起点。而后每个窗口的平均能量都会大于第一能量阈值,当识别到窗口的平均能量小于第一能量阈值时,则说明此时为异常行为的终点。驾驶风险不仅来源于驾驶行为,相同的驾驶行为与不同的道路条件耦合产生的安全风险及其后果不同,因此,纵向驾驶行为每个样本含驾驶状态参数(车速、加速度、角速度)、自车与前车距离参数、道路条件参数(道路等级、限速值、车道数),构成纵向驾驶样本序列。
驾驶安全风险识别单元基于纵向驾驶样本序列,采用条件随机场CRF对纵向驾驶样本序列进行分类,动态移动估计监测过程中不同纵向驾驶安全风险之间随着时间变化的转换过程,即实时动态识别纵向驾驶安全风险等级随时间变化。
具体地,滑动窗口时长Tw,滑动步长为TS,记Xt为第i个样本输入运动序列的一个子序列,即观测序列;Yt为第i个样本车辆纵向驾驶安全风险等级,即状态序列;采用的CRF模型包括两类特征参数,一类是状态特征,这类特征定义在节点上,即在当前时间窗口内从观测变量中提取特征参数,主要是指从样本序列中提取车辆行驶速度、加速度及车距等参数;一类转移特征,描述两个不同状态之间是否会因为某个特征而转移。
纵向驾驶行为安全风险拟采用的状态特征参数包含行驶速度均值、纵向加速度均值、车距逼近速率、道路条件四个参数。
行驶速度均值参数表示在第i个样本车辆行驶速度的均值:
加速度均值参数表示在第i个样本车辆纵向加速度的均值:
车距逼近速率参数表示在第i个样本自车与前车/后车距离逼近的速度:
道路条件参数表示在第i个样本车辆所处的道路环境:
其中,rclass为道路等级、Vlimit为当前道路限速值、Nroad为车道数。道路限速值为当前道路实际值,缺失时按照国家规范实施;rclass在高速公路上取2、城市道路取1,其它取1.5。
利用上述特征参数,CRF模型中的纵向驾驶安全风险条件概率分布函数可以表示为:
这样,本申请实施例训练得到纵向驾驶对应的第二条件随机场模型,能够自动监测识别纵向驾驶的高风险驾驶行为,并对驾驶人做出预警,还能进一步用于路段纵向驾驶安全风险预警。本申请实施例考虑了驾驶行为所处道路环境影响,解决了仅仅从车辆速度、加速度等自车角度出发、忽略驾驶风险与道路条件相关的问题。
本申请实施例基于OBU采集车辆纵向/横向驾驶行为数据,然后利用平均能量法提取纵向/横向驾驶行为变化样本序列,并且在样本序列中引入动态车距和车辆所处道路环境,综合考虑车、路、环境状态耦合识别样本的纵向/横向驾驶安全风险,解决了以往风险识别技术仅仅从车辆速度、加速度等自车角度出发、忽略驾驶风险与道路条件相关的问题。该方法不仅能够自动监测识别高风险驾驶行为,并对驾驶人做出预警,还能进一步用于路段纵向驾驶安全风险预警。
在一种实施例中,如图3所示,基于上述驾驶安全风险识别预警方法,本发明还相应提供了一种驾驶安全风险识别预警装置,包括:
识别模块100,用于基于预先训练的条件随机场模型,根据采集的当前时间窗口内的车辆行驶信息和道路条件信息得到风险等级识别结果;
预警模块200,用于根据所述风险等级识别结果发出驾驶风险预警;
其中,所述条件随机场模型包括第一条件随机场模型和/或第二条件随机场模型,所述第一条件随机场模型由预先构建的横向驾驶训练数据集训练得到,所述第二条件随机场模型由预先构建的纵向驾驶训练数据集训练得到。
需要说明的是,前述对驾驶安全风险识别预警方法实施例的解释说明也适用于该实施例的驾驶安全风险识别预警装置,此处不再赘述。
本发明公开一种驾驶安全风险识别预警装置,通过基于预先训练的条件随机场模型,根据采集的当前时间窗口内的车辆行驶信息和道路条件信息得到风险等级识别结果;根据所述风险等级识别结果发出驾驶风险预警;其中,所述条件随机场模型包括第一条件随机场模型和/或第二条件随机场模型,所述第一条件随机场模型由预先构建的横向驾驶训练数据集训练得到,所述第二条件随机场模型由预先构建的纵向驾驶训练数据集训练得到。本发明将模型区分为横向驾驶和纵向驾驶两种模型,能够对驾驶行为进行针对性分析,并且区分了驾驶行为在不同道路条件下产生的不同风险,进而提高了驾驶行为的识别准确性和预警的准确性。
图4为本申请实施例提供的终端的结构示意图。该终端可以包括:
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
处理器502执行程序时实现上述实施例中提供的驾驶安全风险识别预警方法。
进一步地,终端还包括:
通信接口503,用于存储器501和处理器502之间的通信。
存储器501,用于存放可在处理器502上运行的计算机程序。
存储器501可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器501、处理器502和通信接口503独立实现,则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(Periphera lComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。
可选地,在具体实现上,如果存储器501、处理器502及通信接口503,集成在一块芯片上实现,则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
处理器502可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的驾驶安全风险识别预警方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备读取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种驾驶安全风险识别预警方法,其特征在于,包括:
基于预先训练的条件随机场模型,根据采集的当前时间窗口内的车辆行驶信息和道路条件信息得到风险等级识别结果;
根据所述风险等级识别结果发出驾驶风险预警;
其中,所述条件随机场模型包括第一条件随机场模型和/或第二条件随机场模型,所述第一条件随机场模型由预先构建的横向驾驶训练数据集训练得到,所述第二条件随机场模型由预先构建的纵向驾驶训练数据集训练得到。
2.根据权利要求1所述的驾驶安全风险识别预警方法,其特征在于,所述第一条件随机场模型的训练步骤包括:
获取预先构建的横向驾驶训练数据集,所述横向驾驶训练数据集中包括若干横向驾驶样本数据,各个所述横向驾驶样本数据包括:车辆行驶速度均值、横向加速度均值、z轴角速度均值、车距逼近速率和道路条件;
根据各个所述横向驾驶样本数据确定第一条件概率分布函数,根据所述第一条件概率分布函数得到已训练的第一条件随机场模型。
3.根据权利要求2所述的驾驶安全风险识别预警方法,其特征在于,所述横向驾驶训练数据集的构建步骤包括:
获取若干连续时间窗口中各个采样点对应的时序数据,所述时序数据包括车辆行驶速度、加速度信息、角速度信息、自车与前车距离以及道路条件;
获取所述加速度信息中的x轴加速度,以及所述角速度信息中的z轴角速度;
基于所述x轴加速度和所述z轴角速度,确定若干连续时间窗口中横向异常驾驶行为对应的横向驾驶时间窗口;
根据所述横向驾驶时间窗口对应的时序数据得到横向驾驶样本数据;
基于若干所述横向驾驶样本数据构建得到横向驾驶训练数据集。
4.根据权利要求3所述的驾驶安全风险识别预警方法,其特征在于,基于所述x轴加速度和所述z轴角速度,确定若干连续时间窗口中横向异常驾驶行为对应的横向驾驶时间窗口,包括:
根据所述x轴加速度和所述z轴角速度依次计算若干连续时间窗口中各个时间窗口对应的横向驾驶平均能量值;
将各个横向驾驶平均能量值与预设的第一能量阈值进行比对;
将横向驾驶平均能量值均大于第一能量阈值的连续时间窗口作为横向异常驾驶行为对应的横向驾驶时间窗口。
5.根据权利要求1所述的驾驶安全风险识别预警方法,其特征在于,所述第二条件随机场模型的训练步骤包括:
获取预先构建的纵向驾驶训练数据集,所述纵向驾驶训练数据集中包括若干纵向驾驶样本数据,各个所述纵向驾驶样本数据包括:车辆行驶速度均值、纵向加速度均值、车距逼近速率和道路条件;
根据各个所述纵向驾驶样本数据确定第二条件概率分布函数,根据所述第二条件概率分布函数得到已训练的第二条件随机场模型。
6.根据权利要求5所述的驾驶安全风险识别预警方法,其特征在于,所述纵向驾驶训练数据集的构建步骤包括:
获取若干连续时间窗口中各个采样点对应的时序数据,所述时序数据包括车辆行驶速度、加速度信息、角速度信息、自车与前车距离以及道路条件;
获取所述加速度信息中的y轴加速度;
基于所述y轴加速度,确定若干连续时间窗口中纵向异常驾驶行为对应的纵向驾驶时间窗口;
根据所述纵向驾驶时间窗口对应的时序数据得到纵向驾驶样本数据;
基于若干所述纵向驾驶样本数据构建得到横向驾驶训练数据集。
7.根据权利要求6所述的驾驶安全风险识别预警方法,其特征在于,基于所述y轴加速度,确定若干连续时间窗口中纵向异常驾驶行为对应的纵向驾驶时间窗口,包括:
根据所述y轴加速度依次计算若干连续时间窗口中各个时间窗口对应的纵向驾驶平均能量值;
将各个纵向驾驶平均能量值与预设的第二能量阈值进行比对;
将纵向驾驶平均能量值均大于第二能量阈值的连续时间窗口作为纵向异常驾驶行为对应的纵向驾驶时间窗口。
8.一种驾驶安全风险识别预警装置,其特征在于,包括:
识别模块,用于基于预先训练的条件随机场模型,根据采集的当前时间窗口内的车辆行驶信息和道路条件信息得到风险等级识别结果;
预警模块,用于根据所述风险等级识别结果发出驾驶风险预警;
其中,所述条件随机场模型包括第一条件随机场模型和/或第二条件随机场模型,所述第一条件随机场模型由预先构建的横向驾驶训练数据集训练得到,所述第二条件随机场模型由预先构建的纵向驾驶训练数据集训练得到。
9.一种终端,其特征在于,所述终端包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的驾驶安全风险识别预警程序,所述处理器执行所述驾驶安全风险识别预警程序时,实现如权利要求1-7任一项所述的驾驶安全风险识别预警方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有驾驶安全风险识别预警程序,所述驾驶安全风险识别预警程序被处理器执行时,实现如权利要求1-7任一项所述的驾驶安全风险识别预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311657305.5A CN117719524A (zh) | 2023-12-01 | 2023-12-01 | 一种驾驶安全风险识别预警方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311657305.5A CN117719524A (zh) | 2023-12-01 | 2023-12-01 | 一种驾驶安全风险识别预警方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117719524A true CN117719524A (zh) | 2024-03-19 |
Family
ID=90202649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311657305.5A Pending CN117719524A (zh) | 2023-12-01 | 2023-12-01 | 一种驾驶安全风险识别预警方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117719524A (zh) |
-
2023
- 2023-12-01 CN CN202311657305.5A patent/CN117719524A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Berndt et al. | Continuous driver intention recognition with hidden markov models | |
CN107346612B (zh) | 一种基于车联网的车辆防碰撞方法和系统 | |
CN112133089B (zh) | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 | |
CN110884490B (zh) | 一种车辆侵入判断及辅助行驶的方法、系统、车辆及存储介质 | |
CN100440269C (zh) | 高速公路汽车行驶智能检测预警方法及其预警系统 | |
Berndt et al. | Driver intention inference with vehicle onboard sensors | |
CN113190921B (zh) | 用于智能汽车驾乘性能测试的自动评价方法及系统 | |
CN112793576B (zh) | 一种基于规则与机器学习融合的换道决策方法及系统 | |
CN112668779A (zh) | 基于自适应高斯过程的前车运动状态预测方法 | |
CN114655227A (zh) | 驾驶风格识别方法、辅助驾驶方法及装置 | |
CN113511204B (zh) | 一种车辆换道行为识别方法及相关设备 | |
Abdelrahman et al. | Driver behavior classification in crash and near-crash events using 100-CAR naturalistic data set | |
CN111666859A (zh) | 一种危险驾驶行为识别方法 | |
CN114296095A (zh) | 自动驾驶车辆的有效目标提取方法、装置、车辆及介质 | |
CN114692713A (zh) | 一种自动驾驶车辆的驾驶行为评价方法及装置 | |
KR102337034B1 (ko) | 자율 주행 상황 인지 프로그램 성능 테스트 방법 및 동일 방법을 수행하기 위한 자율 주행 상황 인지 프로그램 성능 테스트 장치 | |
CN115279643A (zh) | 用于训练自动驾驶车辆的感知网络的车载主动学习方法和设备 | |
CN113176562A (zh) | 多目标跟踪方法、装置、电子设备及可读存储介质 | |
CN115482672B (zh) | 车辆逆行检测的方法、装置、终端设备及存储介质 | |
CN117719524A (zh) | 一种驾驶安全风险识别预警方法、装置、终端及存储介质 | |
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 | |
CN115860461A (zh) | 一种平面交叉口下非机动车交通冲突的风险因子评估方法 | |
CN115798207A (zh) | 基于LiDAR点云的信号交叉口追尾冲突识别方法 | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
CN115169477A (zh) | 辅助驾驶系统的安全感评估方法、装置、设备及存储介质 |
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 |