CN105809740A - 基于三维场景下事故驾驶员模型的建立方法 - Google Patents
基于三维场景下事故驾驶员模型的建立方法 Download PDFInfo
- Publication number
- CN105809740A CN105809740A CN201610117820.8A CN201610117820A CN105809740A CN 105809740 A CN105809740 A CN 105809740A CN 201610117820 A CN201610117820 A CN 201610117820A CN 105809740 A CN105809740 A CN 105809740A
- Authority
- CN
- China
- Prior art keywords
- accident
- vehicle
- parameter
- driver
- model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于三维场景下事故驾驶员模型的建立方法,主要解决现有移动模型没有考虑现实交通场景下的三维因素与人为因素,无法实现事故生成或规避功能的不足。其实现步骤是:1)设定模型参数即实时驾驶敏感度;2)添加三维参数,用以刻画三维场景;3)添加人为因素参数,模拟对驾驶员不规范的驾驶行为;4)调整人为因素参数,实现事故生成或避免的功能。本发明充分考虑了现实交通场景下的三维因素与人为因素,可以客观准确地反映现实中三维交通场景并支持事故生成或规避,大大提高了对现实交通场景的拟真程度,可用于应用开发或协议设计的仿真平台当中。
Description
技术领域
本发明属于通信技术领域,更进一步涉及车辆自组织网络中基于仿真环境下搭建有效模型的方法。可用于三维场景下通过刻画驾驶员行为进行事故的生成或规避,模拟因人为因素与三维因素对实际交通的影响,有效提升模型的拟真粒度并反映交通场景的客观状况。
背景技术
车辆移动模型描述了车载自组织网络下节点的运动模式,包括车辆在每一时刻的位置、速度及加速度的变化、方向等基本要素。目前车载自组织网络的研究中,大多是通过仿真的手段,采取某种方法建立移动模型,利用移动模型模拟真实环境下车辆节点的移动,使用移动模型生成的场景文件进行仿真。拟真程度较高的移动模型才能真实反映出相关协议或应用在车载自组织网络中的性能及表现,对于隐性指标刻画的准确性也是重要的参考。
早期的移动模型主要是简单的随机移动模型,例如随机步行移动模型、随机路点移动模型、随机方向移动模型等。但车辆的移动并非随机,受到道路等各种因素的影响,因此随机移动模型无法真实的刻画车辆的移动特征。Tian等人后来提出基于图的移动模型来描绘地理因素的限制,但该模型车辆的速度变化为阶跃跳变,并不平滑,与实际车辆的移动情况不符。于是由Bettstetter提出了平滑移动模型,这种模型虽然避免了速度突变的问题,但该模型由于没有考虑周围车辆的影响,致使相距距离较近的车辆间关联并不紧密。
随着移动模型理论研究的不断深入,Seaker与Trieber等人又提出了涉及车流密度的车流交通模型与考虑相邻车辆行为的车辆跟驰模型,该模型解决了之前忽略周围车辆影响的移动模型的短板。在此基础之上,该模型经过后续研究人员的研究以及衍化得到了进一步的改善,使得该模型的模拟效果更加逼真,例如,基于十字路口管理的移动模型以及可切换车道的移动模型将现实中的车辆行为进行了越来越细化的描述。
然而,以上模型仅仅针对车辆本身,并没有考虑车辆内部的驾驶员,即人为因素以及城市交通场景下常见的高架桥隧道等三维因素,无法如实地刻画由于人为因素与三维因素所造成的交通事故,使得目前对模拟客观现实中非理想交通场景的研究仍存在空白。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于三维场景下事故驾驶员模型的建立方法,通过结合人为因素与三维因素继续细化刻画粒度,提高模型的拟真程度,更真实的反映客观场景,并且可以动态地调整模型参数进行事故的生成或规避,从而适应不同实际应用的开发或协议的设计需求。
为实现上述目的,本发明的技术方案包括:
(1)设定车辆节点的实时驾驶敏感度η,以反映二维场景下正常车辆实时驾驶的行为,实时驾驶敏感度由恒定参数和随机参数联合构成;
该恒定参数包括:日常加速度aα,水平匀速行驶速度车间最小间隔车间安全时间步长Tα,舒适刹车加速度bα及1~5之间的任意常数δ0;
该随机参数包括:车辆实时速度vα(t),车辆实时位置sα(t),车辆实时速度差Δvα(t);
(2)在上述敏感度参数上添加三维速度参数用以刻画现实交通场景下三维场景的存在;
(3)在步骤(2)的基础上继续添加人为因素参数,即判断误差Ee、反应时间τ以及执行因子Ei,用以模拟交通事故中驾驶员不规范的驾驶行为;
(4)对反应时间τ的数值进行调整,实现模型中支持事故生成的功能:
当反应时间τ大于1秒时,反应时间处于异常范围,车辆节点平均速度较大,生成事故的概率增大,仿真场景中生成的事故点增加;
当反应时间τ大于0.5秒且小于1秒时,反应时间处于正常范围,车辆节点平均速度较小,生成事故的概率减小,仿真场景中生成的事故点减少。
本发明与现有技术相比具有以下优点:
1、本发明依据当前城市实际交通场景,充分考虑了在实际交通场景下普遍存在的高架桥等三维因素,并从微观刻画粒度入手,考虑了与汽车驾驶员相关的人为因素,据此所建立的基于三维场景下事故驾驶员模型能够更加真实地反映客观交通场景,从而大大提高了对现实场景的拟真程度。
2、本发明可如实反映因城市交通场景复杂与驾驶员操作不当而引发的交通事故现象,克服了以往模型因仿真参数设置较为片面而无法进行三维场景生成以及无法支持事故生成的不足。
附图说明
图1为本发明的实现流程图;
图2为用本发明反映三维场景下生成事故场景的仿真图;
图3为本发明与现有模型的车流速度对比的仿真图。
具体实施方式
结合附图对本发明实现步骤作进一步的详细描述。
随着国民经济日益快速的发展,国内汽车的人均保有量逐年上升,城市场景下的交通状况愈发复杂多变。为了缓解城市中愈演愈烈的交通问题,车辆自组织网络作为物联网在交通领域的重要分支,在车流调控、交通疏导以及路况信息转发方面有着极为突出的贡献。然而,在现实交通环境中,由于车辆自组织网络存在组网规模较大、网络拓扑频繁变化、车辆节点移动受道路限制以及车辆间间歇性链接等种种挑战,使得其实际应用与协议设计的测试与验证工作无法有效且经济地组织开展。因此,基于车辆自组织网络的仿真工具与仿真平台在其大多数实际应用以及协议设计的验证方面扮演着极其重要的角色,而移动模型则是仿真环境下的关键部分。具有较高拟真程度的移动模型可以使得仿真结果更加准确与可靠,对车辆自组织网络下的实际应用与协议设计也有着重要的指导意义与反馈作用。在移动模型当中,车辆节点作为主要的组成部分,其运动规律刻画的优劣始终作为评判移动模型是否精确的标准,而描述车辆节点运动规律的核心即为车辆节点的实时加速度。车辆节点的实时加速度作为其运动规律的原子性刻画量,如速度、位置等与车辆节点运动紧密相关的参数均需以实时加速为依据进行准确的描述。通过对车辆节点实时加速度进行合理的转化与变形,即经过进一步考虑现实交通场景下普遍存在的高架桥三维因素以及驾驶员的人为因素所建立的基于三维场景下事故驾驶员模型具有较高的拟真程度,能够更真实的反映客观场景,并且可以自主地调整模型参数实现事故生成或规避的功能,从而适应不同实际应用的开发或协议的设计需求。
参照图1,本发明的实现步骤如下:
步骤1,对实时加速度进行合理的转化与变形,设定模型参数。
模型参数主要为模型中车辆节点的实时驾驶敏感度η,用实时驾驶敏感度反映二维场景下正常车辆实时驾驶的行为;
该实时驾驶敏感度参数包括恒定参数和随机参数,其中:
恒定参数包括:日常加速度aα,水平匀速行驶速度车间最小间隔车间安全时间步长Tα,舒适刹车加速度bα,1~5之间的任意常数δ0:
随机参数包括:车辆实时速度vα(t),车辆实时位置sα(t),车辆实时速度差Δvα(t),
综合上述参数,车辆节点的实时驾驶敏感度的数学表达形式为:
其中,
步骤2,添加三维参数。
为了刻画三维场景的影响,需在上述敏感度的基础上添加三维参数,该参数用以刻画现实交通场景下普遍存在的三维场景,使得实时驾驶敏感度从原有的仅反映车辆在二维场景下的驾驶特性具有能够描述车辆在三维场景下驾驶的特性。
2a)设定三维速度参数用以描述车辆的三维驾驶行为,为车辆节点行驶在高架桥引桥部分的三维空间速度,该速度在空间坐标系中,具有X轴、Y轴以及Z轴分量;设定三维速度参数的数值为常量,其数值设定为40km/h,根据量纲一致原则,继而确定三维因素***项bint。
值得注意的是,由于三维加速度的方向与行驶加速度方向相反,因此三维因素***项的符号为负,
综上,设定三维速度参数之后的实时驾驶敏感度的数学表达形式为:
其中,三维因素***项为:
步骤3,添加人为因素参数。
为了进一步考虑驾驶员的人为因素并模拟驾驶员的不规范驾驶行为所导致的交通事故的发生,以上的实时驾驶敏感度仍需完善人为因素参数的添加与设置,其包括三个方面,即判断误差Ee、反应时间τ以及执行因子Ei,这些参数是指对驾驶员主观行为的刻画指标,具体设定如下:
3a)设定判断误差Ee:刻画驾驶员主观判断与客观量的偏离程度,判断误差Ee的量化范围为0~1,满足均匀分布,经过判断误差Ee的设定后,将步骤2公式中的sα(t)、Δvα(t)分别修正为s'α(t)=sα(t)×Ee,Δv'α(t)=Δvα(t)×Ee;
3b)设定反应时间τ:刻画驾驶员经主观判断后与采取相应反应行为的时间间隔,反应时间τ的量化范围为0~1.5,满足均匀分布,经过反应时间τ的设定后,将步骤2公式中的t修正为t-τ,
至此,步骤1中的实时驾驶敏感度η经上述两步修正后得到η',η'的数学表达形式为:
3c)设定执行因子Ei:刻画驾驶员采取相应行为的有效程度,执行因子Ei的量化范围为0~1,满足均匀分布,经过执行因子Ei的设定后,将步骤3b)中的实时驾驶敏感度η'修正为η”=η'×Ei,即
根据上述实时驾驶敏感度η”的数学表达形式,针对式中所添加的人为因素参数Ee、τ以及Ei进行数值上的调整,将极大地影响驾驶员在遇到紧急状况下对车辆进行制动效果的优劣。
步骤4,调整反应时间参数τ的数值,实现模型中支持事故生成或规避的功能。
依据步骤3中实时驾驶敏感度η”的数学表达形式,针对反应时间τ这一量化效果最为直观的参数进行数值上的调整,实现模型当中事故生成或规避的功能:
当反应时间τ大于1秒时,反应时间处于异常范围,车辆节点平均速度较大,生成事故的概率增大,仿真场景中生成的事故点增加;
当反应时间τ大于0.5秒且小于1秒时,反应时间处于正常范围,车辆节点平均速度较小,生成事故的概率减小,仿真场景中生成的事故点减少。
本发明的效果可通过以下仿真进一步描述。
1.仿真条件
仿真软件:采用VanetMobiSim2.0与MATLAB;
仿真场景:车辆节点在具有三维因素的城市交通道路场景进行移动,该场景中具有两座平行高架桥,且所有车道均为双向车道;
车辆节点移动模型:基于三维场景下事故驾驶员模型;
仿真设置参数如下表所示:
2.仿真内容和结果
仿真1,利用以上仿真场景和仿真条件,对本发明能够支持三维场景下事故场景生成的功能进行仿真,得到本发明支持三维场景下生成事故场景的仿真图,如图2所示。
图2中的坐标系为空间坐标系,横坐标、纵坐标以及竖坐标均表示仿真场景的长度、宽度以及高度,单位为米。图2中的两个梯形线条代表两座高架桥,双直线线条代表允许双向行驶的交通道路,圆圈代表交通事故发生地,共有5处,分别由A1到A5进行表示。将A3进行适当放大,在放大部分,圆点代表车辆节点实体,圆点附近的数字代表车辆节点的编号,其中较大的数字编号代表涉及交通事故的车辆节点,较小的数字编号为正常行驶的车辆节点
从图2中可见,三维仿真场景中有交通事故生成。其交通事故生成的原因为:当反应时间τ为1.5s时,反应时间较长,超出了驾驶员正常反应的时间范围,使得车辆节点在这一段时间之内驾驶员对车辆的制动属于不作为行为,因此车辆节点仍以正常速度正常行驶,并没有刹车制动进行减速的过程,导致仿真场景内的所有车辆节点在仿真的有效时间段内平均速度较大,生成事故的概率增大,从而在仿真场景中生成了事故。同时,由于在十字路口以及高架桥上下引桥附近局部区域内车辆节点之间的移动相对复杂多变,因此仿真中的事故大多集中于十字路口以及高架桥上下引桥附近。
仿真2,将本发明与现有模型的车流速度进行对比,结果如图3所示。
图3中的横坐标表示车辆节点数目,纵坐标表示车辆节点的平均速度,单位为米每秒。图3中用倒三角表示的曲线为在现有智能驾驶员模型下进行仿真的车辆节点平均速度曲线,用正方形表示的曲线为在现有事故驾驶员模型下进行仿真的车辆节点平均速度曲线,用圆点表示的曲线为在本发明所建立的模型下进行仿真的车辆节点平均速度曲线。
从图3中可见,以上三种移动模型下车辆节点的平均速度均随着车辆节点数目的增加而下降,且在以上三种不同移动模型中车辆节点的平均速度有着明显的区别,按照车辆节点的平均速度从大到小进行排列依次为本发明、事故驾驶员模型以及智能驾驶员模型。其原因是,由于仿真场景尺寸的限制,随着车辆节点数目的增加,每个车辆节点在移动时需保持与其它车辆节点之间的安全距离,这也就意味着车辆节点间的平均安全间距减小,车辆节点无法保持原有的移动速度,因此在以上三种模型下车辆节点的平均速度均随着车辆节点数目的增加而下降。同时,由于本发明以及事故驾驶员模型与智能驾驶员模型相比驾驶员的反应时间均超出了正常范围,致使车辆节点在反应时间内仍以当前速度行驶,因此在仿真的有效时间段内,智能驾驶员模型下车辆节点的平均速度最小;相应地,由于本发明考虑了高架桥这个三维因素,对车辆节点起到了分流并缓解交通拥堵的作用,所以本发明车辆节点的平均速度最大。
仿真表明,本发明能够提高模型的拟真程度,更真实的反映客观场景,并且可以动态地调整模型参数进行事故的生成或规避,从而适应不同实际应用的开发或协议的设计需求。
以上描述仅是本发明的一个具体实例,不构成对本发明的任何限制,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修正和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (3)
1.一种基于三维场景下事故驾驶员模型的建立方法,包括:
(1)设定车辆节点的实时驾驶敏感度η,以反映二维场景下正常车辆实时驾驶的行为,实时驾驶敏感度由恒定参数和随机参数联合构成;
该恒定参数包括:日常加速度aα,水平匀速行驶速度车间最小间隔车间安全时间步长Tα,舒适刹车加速度bα及1~5之间的任意常数δ0;
该随机参数包括:车辆实时速度vα(t),车辆实时位置sα(t),车辆实时速度差Δvα(t);
(2)在上述敏感度参数上添加三维速度参数用以刻画现实交通场景下三维场景的存在;
(3)在步骤(2)的基础上继续添加人为因素参数,即判断误差Ee、反应时间τ以及执行因子Ei,用以模拟交通事故中驾驶员不规范的驾驶行为;
(4)对反应时间τ的数值进行调整,实现模型中支持事故生成的功能:
当反应时间τ大于1秒时,反应时间处于异常范围,车辆节点平均速度较大,生成事故的概率增大,仿真场景中生成的事故点增加;
当反应时间τ大于0.5秒且小于1秒时,反应时间处于正常范围,车辆节点平均速度较小,生成事故的概率减小,仿真场景中生成的事故点减少。
2.根据权利要求1所述的方法,其中所述步骤(2)中的三维速度参数是指车辆节点行驶在高架桥引桥部分的三维空间速度,该速度在空间坐标系中,具有X轴、Y轴以及Z轴分量;该速度的数值为常量,其数值设定为40km/h。
3.根据权利要求1所述的方法,其中所述步骤(3)中的人为因素参数,即判断误差Ee、反应时间τ以及执行因子Ei,是指对驾驶员主观行为的刻画指标,判断误差Ee与执行因子Ei的量化范围为0~1,反应时间τ的量化范围为0~1.5,这些指标均满足均匀分布,通过调整这些指标会极大地影响驾驶员在遇到紧急状况下对车辆进行制动效果的优劣。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610117820.8A CN105809740A (zh) | 2016-03-02 | 2016-03-02 | 基于三维场景下事故驾驶员模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610117820.8A CN105809740A (zh) | 2016-03-02 | 2016-03-02 | 基于三维场景下事故驾驶员模型的建立方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105809740A true CN105809740A (zh) | 2016-07-27 |
Family
ID=56466524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610117820.8A Pending CN105809740A (zh) | 2016-03-02 | 2016-03-02 | 基于三维场景下事故驾驶员模型的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105809740A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110544063A (zh) * | 2019-08-20 | 2019-12-06 | 合肥维天运通信息科技股份有限公司 | 一种基于ar的物流平台驾驶员现场支援***及其方法 |
CN112560170A (zh) * | 2020-11-30 | 2021-03-26 | 中国汽车工程研究院股份有限公司 | 一种基于驾驶模拟器动力学分析的交通事故分析方法 |
CN113111502A (zh) * | 2021-04-01 | 2021-07-13 | 同济大学 | 基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法 |
-
2016
- 2016-03-02 CN CN201610117820.8A patent/CN105809740A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110544063A (zh) * | 2019-08-20 | 2019-12-06 | 合肥维天运通信息科技股份有限公司 | 一种基于ar的物流平台驾驶员现场支援***及其方法 |
CN112560170A (zh) * | 2020-11-30 | 2021-03-26 | 中国汽车工程研究院股份有限公司 | 一种基于驾驶模拟器动力学分析的交通事故分析方法 |
CN113111502A (zh) * | 2021-04-01 | 2021-07-13 | 同济大学 | 基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du et al. | Comfortable and energy-efficient speed control of autonomous vehicles on rough pavements using deep reinforcement learning | |
CN106476806B (zh) | 基于交通信息的协同式自适应巡航***算法 | |
CN105045649B (zh) | 一种智能汽车仿真方法及装置 | |
Punzo et al. | Integration of driving and traffic simulation: Issues and first solutions | |
Xiang et al. | A closed-loop speed advisory model with driver's behavior adaptability for eco-driving | |
CN112896170B (zh) | 一种车路协同环境下的自动驾驶横向控制方法 | |
CN110160804A (zh) | 一种自动驾驶车辆的测试方法、装置及*** | |
CN108961753A (zh) | 一种基于车路通信的车速引导方法 | |
CN113065257B (zh) | 一种测试实例的自动生成方法、装置、计算机设备及介质 | |
Wang et al. | Cluster-wise cooperative eco-approach and departure application for connected and automated vehicles along signalized arterials | |
CN104794265B (zh) | 一种基于加速度信息的移动跟随模型设计方法 | |
CN104834776A (zh) | 一种微观交通仿真中交通车辆建模仿真***及方法 | |
CN105809740A (zh) | 基于三维场景下事故驾驶员模型的建立方法 | |
Yang et al. | Modeling and evaluation of speed guidance strategy in VII system | |
CN104064029A (zh) | 一种VANETs中V2V链路延迟的动态预测方法 | |
CN110956851A (zh) | 一种智能网联汽车协同调度换道方法 | |
CN109765801A (zh) | 基于vissim仿真的车联网设计速度调整的实现方法 | |
Zhang et al. | A cruise control method for connected vehicle systems considering side vehicles merging behavior | |
Ahn et al. | Multimodal intelligent traffic signal system simulation model development and assessment | |
Oliveira et al. | Co-design of consensus-based approach and reliable communication protocol for vehicular platoon control | |
Deshpande et al. | In-vehicle test results for advanced propulsion and vehicle system controls using connected and automated vehicle information | |
Tomás et al. | An agent-based platform to evaluate V2X routing road traffic scenarios | |
CN106097421B (zh) | 基于真实数据的交通动画模拟*** | |
CN104766487A (zh) | 基于车联网的车辆速度控制方法和*** | |
CN116909131A (zh) | 一种面向无信号交叉口的车辆编队轨迹规划建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160727 |