CN108830488B - 一种道路区域危险度评估方法 - Google Patents

Abstract

本发明提出了一种道路区域危险度评估方法，包括如下步骤：利用车辆携带的传感器和OBU采集车辆参数信息，以驾驶车辆行驶前方的一定区域为目标，收集该目标区域中所有车辆的参数信息；对目标区域中的车辆参数信息进行处理，计算两辆车辆的能量关联强度以及两辆车的车间关系，通过车辆簇的群体能量公式，得到目标区域的群体能量；将道路抽象为格子点阵，根据两辆车的车间关系和目标区域内车辆的群体能量公式计算每个格子内的危险度，得到区域危险度热力图。本发明的道路区域危险度评估方法更加贴合道路实际情况，对道路复杂的关系处理更加有效。

Description

一种道路区域危险度评估方法

技术领域

本发明属于智能交通技术领域，具体涉及一种基于云雾计算框架和Ising模型的道路区域危险度评估方法，为智能驾驶提供研究的基础。

背景技术

随着车辆保有量的增加，每年因为交通事故而伤亡的人数也在逐年上升，关于交通领域的研究也越来越受到人们的关注。

智能交通是未来发展的重要方向，道路交通***十分复杂，其由多重影响结合而成。在复杂的交通网络之中，如何合理的评估风险，规避风险成为交通领域的重点研究项目之一，因此对道路危险性评价是智能交通中十分重要的课题。目前，自动驾驶和辅助驾驶也成为智能交通领域的热门研究项目，而对行驶道路的风险指数研究对车辆行驶路径的决策有十分重要的参考意义。

无论是驾驶员还是充当驾驶员行为的***，在行车过程中，都是趋利避害的，他们对于风险的成因并没有那么感兴趣，只需要知道危险的分布和情况，避免这种风险才是最重要的目的，很多驾驶行为、或者说交通***的模型评估，都是为了减少风险而存在，在目前已知的风险评估模型中：文章“Predictive risk estimation for intelligent ADASfunctions”中，引用了生存概率的概念，利用车辆传递场景来说明发生碰撞事件的概率和构建时间参数的生存函数，推导出启发式风险评估，解释多种风险的情况。然而，该风险评估提出的车辆通过方式只考虑过车辆的单行，不适于真实场景应用。

文章“Relating microscopic risk models with accident statistics”中为研究道路微观风险评估模型，从广义风险模型开始，重新解释Solomon曲线，揭示其参数可以完全映射微观风险模型的参数。通过推导来预测和解释Solomon曲线中速度最小值和平均值的不对称性，验证了基于Solomon曲线微观风险评估模型。但主要研究的是个体车速与事故概率在不同时间的关系，是基于历史的统计概率研究，并且研究参数较为单一，对于道路实时评估的参考价值较为片面。

文章“A large vehicle first clustering method based road section risklevel estimation”提出了采用经典物理模型的迭代模型用于解释车辆间的关系。大型车辆活动的区域风险水平的综合指数(CSPI，目标路段的环境条件)成为道路安全领域的重要参数。结合CSPI与车辆簇的风险等级，提出一个表示实时交通状况综合风险指数，说明大型车辆经过的路段的风险水平。但该方法主要对大型车辆的影响进行研究，并不能完整的体现一般道路区域的危险性。

发明内容

本发明旨在解决现有技术中存在的技术问题，特别创新地提出了一种道路区域危险度评估方法。

为了实现本发明的上述目的，本发明提供了一种道路区域危险度评估方法，其包括如下步骤：

S1，利用车辆携带的传感器和OBU采集车辆参数信息，包括速度、行驶方向和位置并上传至云端服务器，以驾驶车辆行驶前方的一定区域为目标，收集该目标区域中所有车辆的参数信息，包括速度、行驶方向和位置；

S2，对所述目标区域中的车辆参数信息进行处理，计算：

J(i,j)＝W(i,j)〈(H(i)-<H(i)>)(H(j)-<H(j)>)>，

其中i、j是车辆序号，J是能量关联强度，<>表示平均取值，H(i)为车辆健康状态，W(i,j)表示权重因子，

K为大于1的衰减系数，ρ为目标区域内车辆密度，d_ij为i、j两辆车间的距离，d₀为最小车间安全距离，Δv_ij为j车相对于i车的相对速度，i、j两辆车的车间关系表达为：

R(i,j)＝J(i,j)·H(i)·H(j)，

R(i,j)为两辆车的相互作用，该目标区域内车辆的群体能量公式表示为：

其中，V为区域内多辆车辆的平均速度矢量，

S3，将道路抽象为格子点阵，计算每个格子内的危险度，综合得到区域危险度热力图。

现有其他方法都只是片面的考虑了道路区域的情况，本发明全面考虑道路上的车辆动态信息，更加贴合道路实际情况，对道路复杂的关系处理更加有效。

在本发明的一种优选实施方式中，步骤S3中计算每个格子内的危险度的方法为：

S31，获取所述区域内每一格的危险度，所述危险度为该格和其余各格的关系作用和，对于没有车辆的格子，设定其相关性R为0。令第i个车辆对应的格子的危险度为：

所述n为车辆的数量；

S32，以每一个格为中心，计算其对周围点的辐射能量：

其中，L为待计算格子与中心格子的距离；

S33，每一格具有的能量为所有其他格的辐射能量叠加：

本发明将区域划分后计算方便，而且得到的图是离散的，可以直观的体现了区域危险度的分布。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明第一种优选实施例中将道路抽象为格子点阵的示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明完善了道路真实情况，通过解释车辆间的关系建立模型，评估车辆前进区域的危险度热力图。在道路区域中，车辆簇的危险度评价实际上是一个群体的综合危险度评价，它不仅取决于车辆间的作用关系，还与车辆个体PV的行动意图倾向有关，因此，车辆簇的群体表现其实是一种社会关系的体现，如何解释这种关系的内涵将是对其进行客观有效评价的关键。

基于此，本发明基于云雾计算处理框架分为三个层次：云端处理、雾节点处理(MEC)、车载OBU处理。云端处理主要用于车辆任务规划，区域车辆数据处理主要由雾节点以及车载OBU。以车辆行驶前方区域为目标，收集目标区域车辆参数信息(速度，行驶方向，位置等等)，在雾节点处理单元中分析信息，利用MEC技术得到目标区域危险度评估，最终生成一个区域危险热力图。

本发明提供了一种道路区域危险度评估方法，其包括如下步骤：

S1，利用车辆携带的传感器和OBU采集车辆参数信息，包括车辆速度、行驶方向和位置并上传至云端服务器，以驾驶车辆行驶前方的一定区域为目标，收集该目标区域中所有车辆的参数信息，包括车辆速度、行驶方向和位置；

S2，对所述目标区域中的车辆参数信息进行处理，计算：

J(i,j)＝W(i,j)<(H(i)-<H(i)>)(H(j)-<H(j)>)>，

其中i、j是车辆序号，J是能量关联强度，<>表示平均取值，H(i)为车辆健康状态，W(i,j)表示权重因子，

K为衰减系数，取值大于1，ρ为目标区域内车辆密度，d_ij为i、j两辆车间的距离，d₀为最小车间安全距离，Δv_ij为j车相对于i车的相对速度，i、j两辆车的车间关系表达为：

R(i,j)＝J(i,j)·H(i)·H(j)，

基于本发明的研究对象，道路区域场景视为二维平面，且只考虑目标范围内车辆之间两两之间的作用关系，再结合每个车辆车速的V，对整个车辆簇的危险度进行评，R(i,j)为两辆车的相互作用，该目标区域内车辆的群体能量公式表示为：

其中，V为区域内多有车辆的平均速度矢量，

S3，将道路抽象为格子点阵，如图1所示的虚线格，计算每个格子内的危险度，综合得到区域危险度热力图。具体划分格子点阵时，格子的大小可根据实际情况确定，优选格子大于车辆的大小，当车辆(图1中的深色矩形)在行驶时，以车辆重心所在的位置确定车辆位于哪一个格子内。

在本实施方式中，步骤S3中计算每个格子内的危险度的方法为：

S31，获取所述区域内每一格的危险度，所述危险度为该格和其余各格的关系作用和，对于没有车辆的格子，设定其相关性R为0，令第i个车辆对应的格子的危险度为：

所述n为车辆的数量；

S32，以第i车辆所在的格为中心，计算其对周围有车辆的点的辐射能量：

其中，L为待计算格子与中心格子的距离；

S33，每一格具有的能量为所有其他有车辆的格的辐射能量叠加：

此时将得到道路区域划分为格子阵列的危险度评估热力图，得到热力图后，可以根据此实时评估图进一步进行诸多基于道路交通展开的研究，如风险避免，路径规划，智能驾驶等等。

本发明在车辆行驶的路测设置有多个雾节点处理单元，利用最近的雾节点处理单元对该目标区域的车辆参数信息进行处理，数据量大，用雾节点处理减少计算压力和延迟。

在本实施方式中，具体车辆健康状态H(i)的确定方法可采用申请人已授权的专利CN105303836B中0036段的车辆永久性健康参数确定方法。

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发明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一定指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何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (2)

1.一种道路区域危险度评估方法，其特征在于，包括如下步骤：

S1，利用车辆携带的传感器和OBU采集车辆参数信息，包括速度、行驶方向和位置并上传至云端服务器，以驾驶车辆行驶前方的一定区域为目标，收集该目标区域中所有车辆的参数信息，包括速度、行驶方向和位置；

S2，对所述目标区域中的车辆参数信息进行处理，计算：

J(i,j)＝W(i,j)<(H(i)-<H(i)>)(H(j)-<H(j)>)>，

其中i、j是车辆序号，J是能量关联强度，<>表示平均取值，H(i)为车辆健康状态，W(i,j)表示权重因子，

K为大于1的衰减系数，ρ为目标区域内车辆密度，d_ij为i、j两辆车间的距离，d₀为最小车间安全距离，Δv_ij为j车相对于i车的相对速度，i、j两辆车的车间关系表达为：

R(i,j)＝J(i,j)·H(i)·H(j)，

R(i,j)为两辆车的相互作用，该目标区域内车辆的群体能量公式表示为：

其中，V为区域内多辆车辆的平均速度矢量，

S3，将道路抽象为格子点阵，计算每个格子内的危险度，综合得到区域危险度热力图,计算每个格子内的危险度的方法为：

S31，获取所述区域内每一格的危险度，所述危险度为该格和其余各格的关系作用和，对于没有车辆的格子，设定其相关性R为0；令第i个车辆对应的格子的危险度为：

所述n为车辆的数量；

S32，以每一个格为中心，计算其对周围点的辐射能量：

其中，L为待计算格子与中心格子的距离；

S33，每一格具有的能量为所有其他格的辐射能量叠加：

2.如权利要求1所述的道路区域危险度评估方法，其特征在于，在车辆行驶的路测设置有多个雾节点处理单元，利用最近的雾节点处理单元对该目标区域的车辆参数信息进行处理，数据量大，用雾节点处理减少计算压力和延迟。

Images