CN109871599B - 一种无人驾驶车辆运行安全指数评价方法 - Google Patents

Abstract

本发明公开了一种无人驾驶车辆运行安全指数评价方法，首先通过V2V通信技术采集在车道中运行的各车辆的运行数据序列信息，包括位置(x,y)、速度v、加速度a；确定历史位置数据，并对历史数据进行拟合训练；通过数据训练得到的横向与纵向位置所建立的多条位置模型，确定预测模型；通过预测模型计算预测可信度；然后利用距离公式计算车辆之间距离并得到其频率分布直方图；利用核密度估计得到车辆距离以及预测可信度的概率密度函数并计算碰撞概率；最后通过碰撞概率得到安全评价指数。本发明解决了现有技术中存在的车辆运行状态评价准确性差无法保证车辆运行安全性的问题。

Description

一种无人驾驶车辆运行安全指数评价方法

技术领域

本发明属于高速车道中车辆碰撞概率求解技术领域，具体涉及一种无人驾驶车辆运行安全指数评价方法。

背景技术

随着社会经济的发展，汽车的技术有了很大的提高，人们也充分享受到了汽车带来的巨大便利。但是，在享受汽车给我们带来便利的同时，它也给社会的发展带来了不少的损失，甚至危害了我们的人身安全。无论是发展中国家进行的汽车化过程，还是目前发达国家面临的汽车化发展，提高汽车安全性能、减少道路交通事故一直是人们普遍关注的社会问题和科学技术进步所面临的重要研究方向之一。

为减少道路交通事故的发生，主要为车辆碰撞事故的发生，必须对未来时间段内车辆之间的可能碰撞概率进行计算，并且得到安全系数结果，为后续的行为作出正确理论支持。通过提供实时的车辆运行数据，得到车辆安全预警方法，使得未来交通事故也变得可以预警。本发明就是以计算车辆之间碰撞概率为目的，对车载传感器已获得的车辆运行信息进行深入的研究、分析，以得到正确的可能碰撞概率，对未来车辆之间的运行进行风险评估，对车辆安全预警方面具有十分重要的现实意义。

解决碰撞概率问题的基本思想之一是：通过vehicle to vehicle(V2V)通信技术得到周围车辆运行信息(位置、速度、加速度等)，利用最小二乘多项式拟合技术对所得到的历史车辆运行信息序列进行训练，建立车辆横向与纵向位置模型，通过所建模型预测未来车辆时刻位置，通过预测结果结合平均绝对误差计算预测可信度R。利用距离公式计算未来时刻车辆之间的安全距离及其碰撞概率，再利用得到未来车辆之间距离d(t)的频率分布直方统计图，结合核密度估计方法得到车辆距离d(t)与预测可信度R的概率密度函数，以及碰撞概率计算公式得到碰撞概率分布，通过碰撞概率得到安全评价函数。利用安全评价函数结果可以进行后期车辆运行状态决策，且有助于车辆实时监测，达到碰撞概率计算有效性，保证车辆运行安全性。其他碰撞概率算法有：通过分析交叉口区域内的车辆碰撞类型，提出了一种新的交叉口车辆动态风险估计概率模型，并运用VISSIM微观交通仿真软件模拟常见的车辆运行场景，利用仿真输出的数据计算风险值并进行评价。但该风险估计模型仅适用于交叉路口的车辆直行碰撞情况且并未判定模型的准确性，使得应用范围狭窄。

发明内容

本发明的目的是提供一种无人驾驶车辆运行安全指数评价方法，解决了现有技术中存在的车辆运行状态评价准确性差无法保证车辆运行安全性的问题。

本发明所采用的技术方案是，一种无人驾驶车辆运行安全指数评价方法，具体按照以下步骤实施：

步骤1、通过V2V通信技术采集在车道中运行的各车辆的运行数据序列信息，包括位置(x,y)、速度v、加速度a；

步骤2、确定历史位置数据，并对历史数据进行拟合训练；

步骤3、通过数据训练得到的横向与纵向位置所建立的多条位置模型，确定预测模型；

步骤4、通过预测模型计算预测可信度；

步骤5、利用距离公式计算车辆之间距离并得到其频率分布直方图；

步骤6、利用核密度估计得到车辆距离以及预测可信度的概率密度函数并计算碰撞概率；

步骤7、通过碰撞概率得到安全评价指数。

本发明的特点还在于，

步骤2具体按照以下步骤实施：

步骤2.1、确定i个车辆的历史数据，(x_i,y_i)为每个车辆的历史坐标；

步骤2.2、将车辆位置数据序列分为横纵方向，其中横向方向序列表示为(t_i,x_i)、纵向方向序列表示为(t_i,y_i)，利用最小二乘法多项式曲线拟合技术拟合历史数据得到车辆横向方向m次多项式

与纵向方向的m次多项式/>

其中，a_j为车辆横向、纵向位移所形成的多项式的系数，车辆横向、纵向位移所形成的多项式的系数矩阵表示为A_xi、A_yi；m为所需拟合的多项式阶数；x(t)_i、y(t)_i分别为横向与纵向多项式，t_i ^j为所需拟合的第i个车辆的时间自变量，j与多项式阶数所对应。

步骤3具体按照以下步骤实施：

步骤3.1、通过步骤2得到车辆位置数据横纵方向上的m次多项式函数

以及系数矩阵A_xi，A_yi，计算i条训练轨迹的平均绝对误差

其中，MAD_xi、MAD_yi分别为横向与纵向轨迹拟合平均误差；x^(j') _i、y^(j') _i分别为所采集到的第i个车辆的横向偏移量与纵向偏移量，其为真实数据；x^(j) _i、y^(j) _i分别为第i个车辆利用步骤2所得到的横向偏移与纵向偏移，其为拟合结果；n_i是第i条轨迹所对应的时间长度；

步骤3.2、定义横向与纵向每条拟合轨迹的权重分别为λ_xi＝1-MAD_xi、λ_xi＝1-MAD_xi，通过将步骤3.1中得到的所有训练的系数矩阵A_xi、A_yi进行加权平均，取得最终预测模型x(t)、y(t)的系数矩阵

其中，m为多项式阶数。

步骤4具体按照以下步骤实施：

步骤4.1、由步骤3得到车辆的横向与纵向轨迹预测模型x(t)、y(t)，利用预测模型进行测试，通过测试结果对每一条测试的轨迹进行误差计算，步长设为0.1s，并利用平均绝对误差

计算预测误差值/>

其中，x^(l'⁾、y^(l'⁾分别是横向与纵向在第j条测试轨迹的k时刻的真实值；x^(l)、y^(l)分别是横向与纵向在第j条测试轨迹的k时刻的预测值；e_lx ^(k)、e_ly ^(k)分别是横向与纵向在第j条测试轨迹的k时刻的预测误差；E_x ^(k)、E_y ^(k)分别是横向与纵向在预测所有j条测试轨迹的k时刻的误差均值，利用合向公式/>

得到k时刻车辆预测轨迹的误差值；

步骤4.2、由于预测误差E与预测可信度R成反比，即

通过反比关系得到与预测误差相关的可信度R的函数表达式R＝f(E)。

步骤5具体如下：

以车辆中心的位置为圆心，以车辆中心距离车前盖端点处为半径r做圆，该圆形范围为车辆的安全运行范围，利用距离公式计算两车之间的距离d(t)，如公式(1)所示：

其中，x_tram、y_tram分别为本车位置数据，x_sur、y_sur分别为周围车辆横纵向多项式函数，w_tram、w_sur分别为本车、周围车的安全范围半径，如果该距离小于或等于阈值ε，表示两车之间距离小于安全距离，则两者将会发生碰撞；若该距离大于阈值ε，则表示安全区域，即表示如下：

其中，d(t)的范围为：[-(w_tram+w_sur),+∞]，t为运行时间；

通过计算d(t)的最大值、最小值，并计算最大值与最小值的差，确定组距与组数得到其分布直方图，或者采用matlab中的hist操作得到直方图。

步骤5中阈值ε为安全范围，阈值ε为本车与周围车中半径w较小者减去其车宽一半，若超过安全范围车辆之间发生冲突。

步骤6具体如下：

算碰撞概率公式计算如下：

其中，f_d(t)为距离模型d(t)的概率密度函数，f_r(t)为预测轨迹可信度r(t)，通过d(t)、r(t)的频率分布直方图，采用核密度估计计算距离模型d(t)、r(t)所对应的概率密度函数f_d(t)、f_r(t)，具体计算方式如下：

其中，h为所估计点与相邻样本点之间的距离，x_i为x的周围样本点，N为样本集总数量，K(x)为核函数。

步骤7具体如下：

通过积分计算得到车辆的碰撞概率，其随时间变化而变化，碰撞概率即为危险指数，由于危险指数与安全指数成反比，即

进而得到车辆的安全指数，安全指数为车辆后续决策规划提供有效依据。/>

本发明的有益效果是，一种无人驾驶车辆运行安全指数评价方法，通过vehicleto vehicle(V2V)通信技术得到周围车辆运行信息(位置、速度、加速度等)，利用最小二乘多项式拟合技术对所得到的历史车辆运行信息序列进行训练，建立车辆横向与纵向位置模型，通过所建模型预测未来车辆时刻位置，通过预测结果结合平均绝对误差计算预测可信度R。利用距离公式计算未来时刻车辆之间的安全距离及其碰撞概率，再利用得到未来车辆之间距离d(t)的频率分布直方统计图，结合核密度估计方法得到车辆距离d(t)与预测可信度R的概率密度函数，以及碰撞概率计算公式得到碰撞概率分布，通过碰撞概率得到安全评价函数。利用安全评价函数结果可以进行后期车辆运行状态决策，且有助于车辆实时监测，达到碰撞概率计算有效性，保证车辆运行安全性。

附图说明

图1是本发明一种无人驾驶车辆运行安全指数评价方法的总体流程图；

图2是本发明一种无人驾驶车辆运行安全指数评价方法的车辆之间的安全范围。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种无人驾驶车辆运行安全指数评价方法，流程图如图1所示，具体按照以下步骤实施：

步骤1、通过V2V通信技术采集在车道中运行的各车辆的运行数据序列信息，包括位置(x,y)、速度v、加速度a；

步骤2、确定历史位置数据，并对历史数据进行拟合训练，具体按照以下步骤实施：

步骤2.1、确定i个车辆的历史数据，(x_i,y_i)为每个车辆的历史坐标；

步骤2.2、将车辆位置数据序列分为横纵方向，其中横向方向序列表示为(t_i,x_i)、纵向方向序列表示为(t_i,y_i)，利用最小二乘法多项式曲线拟合技术拟合历史数据得到车辆横向方向m次多项式

与纵向方向的m次多项式/>

其中，a_j为车辆横向、纵向位移所形成的多项式的系数，车辆横向、纵向位移所形成的多项式的系数矩阵表示为A_xi、A_yi；m为所需拟合的多项式阶数；x(t)_i、y(t)_i分别为横向与纵向多项式，t_i ^j为所需拟合的第i个车辆的时间自变量，j与多项式阶数所对应。

步骤3、通过数据训练得到的横向与纵向位置所建立的多条位置模型，确定预测模型，具体按照以下步骤实施：

步骤3.1、通过步骤2得到车辆位置数据横纵方向上的m次多项式函数

以及系数矩阵A_xi，A_yi，计算i条训练轨迹的平均绝对误差

其中，MAD_xi、MAD_yi分别为横向与纵向轨迹拟合平均误差；x^(j'⁾ _i、y^(j'⁾ _i分别为所采集到的第i个车辆的横向偏移量与纵向偏移量，其为真实数据；x^(j) _i、y^(j) _i分别为第i个车辆利用步骤2所得到的横向偏移与纵向偏移，其为拟合结果；n_i是第i条轨迹所对应的时间长度；

步骤3.2、通过步骤3.1得到的未来时刻车辆横纵向位置，并分别得到横向与纵向拟合轨迹的误差MAD_xi、MAD_yi。由于拟合误差越大，该条拟合所得到的系数矩阵的可信度就越低，权重也越低。定义横向与纵向每条拟合轨迹的权重分别为λ_xi＝1-MAD_xi、λ_xi＝1-MAD_xi，通过将步骤3.1中得到的所有训练的系数矩阵A_xi、A_yi进行加权平均，取得最终预测模型x(t)、y(t)的系数矩阵

其中，m为多项式阶数。

步骤4、通过预测模型计算预测可信度，具体按照以下步骤实施：

步骤4.1、由步骤3得到车辆的横向与纵向轨迹预测模型x(t)、y(t)，利用预测模型进行测试，通过测试结果对每一条测试的轨迹进行误差计算，步长设为0.1s，并利用平均绝对误差

计算预测误差值/>

其中，x^(l'⁾、y^(l'⁾分别是横向与纵向在第j条测试轨迹的k时刻的真实值；x^(l)、y^(l)分别是横向与纵向在第j条测试轨迹的k时刻的预测值；e_lx ^(k)、e_ly ^(k)分别是横向与纵向在第j条测试轨迹的k时刻的预测误差；E_x ^(k)、E_y ^(k)分别是横向与纵向在预测所有j条测试轨迹的k时刻的误差均值，利用合向公式/>

得到k时刻车辆预测轨迹的误差值；

步骤4.2、由于预测误差E与预测可信度R成反比，即

通过反比关系得到与预测误差相关的可信度R的函数表达式R＝f(E)。

步骤5、利用距离公式计算车辆之间距离并得到其频率分布直方图，具体如下：

如图2所示，以车辆中心的位置为圆心，以车辆中心距离车前盖端点处为半径r做圆，该圆形范围为车辆的安全运行范围，利用距离公式计算两车之间的距离d(t)，如公式(1)所示：

其中，x_tram、y_tram分别为本车位置数据，x_sur、y_sur分别为周围车辆横纵向多项式函数，w_tram、w_sur分别为本车、周围车的安全范围半径，如果该距离小于或等于阈值ε，表示两车之间距离小于安全距离，则两者将会发生碰撞；若该距离大于阈值ε，则表示安全区域，即表示如下：

其中，d(t)的范围为：[-(w_tram+w_sur),+∞]，t为运行时间；

通过计算d(t)的最大值、最小值，并计算最大值与最小值的差，确定组距与组数得到其分布直方图，或者采用matlab中的hist操作得到直方图。

步骤5中阈值ε为安全范围，阈值ε为本车与周围车中半径w较小者减去其车宽一半，若超过安全范围车辆之间发生冲突。

步骤6、利用核密度估计得到车辆距离以及预测可信度的概率密度函数并计算碰撞概率，具体如下：

算碰撞概率公式计算如下：

其中，f_d(t)为距离模型d(t)的概率密度函数，f_r(t)为预测轨迹可信度r(t)，通过d(t)、r(t)的频率分布直方图，采用核密度估计计算距离模型d(t)、r(t)所对应的概率密度函数f_d(t)、f_r(t)，具体计算方式如下：

其中，h为所估计点与相邻样本点之间的距离，x_i为x的周围样本点，N为样本集总数量，K(x)为核函数。

步骤7、通过碰撞概率得到安全评价指数，具体如下：

通过积分计算得到车辆的碰撞概率，其随时间变化而变化，碰撞概率即为危险指数，由于危险指数与安全指数成反比，即

进而得到车辆的安全指数，安全指数为车辆后续决策规划提供有效依据。/>

Claims (1)

1.一种无人驾驶车辆运行安全指数评价方法，其特征在于，具体按照以下步骤实施：

步骤1、通过V2V通信技术采集在车道中运行的各车辆的运行数据序列信息，包括位置(x,y)、速度v、加速度a；

步骤2、确定历史位置数据，并对历史数据进行拟合训练；

所述步骤2具体按照以下步骤实施：

步骤2.1、确定i个车辆的历史数据，(x_i,y_i)为每个车辆的历史坐标；

步骤2.2、将车辆位置数据序列分为横纵方向，其中横向方向序列表示为(t_i,x_i)、纵向方向序列表示为(t_i,y_i)，利用最小二乘法多项式曲线拟合技术拟合历史数据得到车辆横向方向m次多项式

与纵向方向的m次多项式/>

其中，a_j为车辆横向、纵向位移所形成的多项式的系数，车辆横向、纵向位移所形成的多项式的系数矩阵表示为A_xi、A_yi；m为所需拟合的多项式阶数；x(t)_i、y(t)_i分别为横向与纵向多项式，t_i ^j为所需拟合的第i个车辆的时间自变量，j与多项式阶数所对应；

步骤3、通过数据训练得到的横向与纵向位置所建立的多条位置模型，确定预测模型；

所述步骤3具体按照以下步骤实施：

步骤3.1、通过步骤2得到车辆位置数据横纵方向上的m次多项式函数

以及系数矩阵A_xi，A_yi，计算i条训练轨迹的平均绝对误差

其中，MAD_xi、MAD_yi分别为横向与纵向轨迹拟合平均误差；x^(j'⁾ _i、y^(j'⁾ _i分别为所采集到的第i个车辆的横向偏移量与纵向偏移量，其为真实数据；x^(j) _i、y^(j) _i分别为第i个车辆利用步骤2所得到的横向偏移与纵向偏移，其为拟合结果；n_i是第i条轨迹所对应的时间长度；

步骤3.2、定义横向与纵向每条拟合轨迹的权重分别为λ_xi＝1-MAD_xi、λ_xi＝1-MAD_xi，通过将步骤3.1中得到的所有训练的系数矩阵A_xi、A_yi进行加权平均，取得最终预测模型x(t)、y(t)的系数矩阵

其中，m为多项式阶数；

步骤4、通过预测模型计算预测可信度；

所述步骤4具体按照以下步骤实施：

步骤4.1、由步骤3得到车辆的横向与纵向轨迹预测模型x(t)、y(t)，利用预测模型进行测试，通过测试结果对每一条测试的轨迹进行误差计算，步长设为0.1s，并利用平均绝对误差

计算预测误差值/>

其中，x^(l'⁾、y^(l'⁾分别是横向与纵向在第j条测试轨迹的k时刻的真实值；x^(l)、y^(l)分别是横向与纵向在第j条测试轨迹的k时刻的预测值；e_lx ^(k)、e_ly ^(k)分别是横向与纵向在第j条测试轨迹的k时刻的预测误差；E_x ^(k)、E_y ^(k)分别是横向与纵向在预测所有j条测试轨迹的k时刻的误差均值，利用合向公式/>

得到k时刻车辆预测轨迹的误差值；/>

步骤4.2、由于预测误差E与预测可信度R成反比，即

通过反比关系得到与预测误差相关的可信度R的函数表达式R＝f(E)；

步骤5、利用距离公式计算车辆之间距离并得到其频率分布直方图；

所述步骤5具体如下：

以车辆中心的位置为圆心，以车辆中心距离车前盖端点处为半径r做圆，该圆形范围为车辆的安全运行范围，利用距离公式计算两车之间的距离d(t)，如公式(1)所示：

其中，x_tram、y_tram分别为本车位置数据，x_sur、y_sur分别为周围车辆横纵向多项式函数，w_tram、w_sur分别为本车、周围车的安全范围半径，如果该距离小于或等于阈值ε，表示两车之间距离小于安全距离，则两者将会发生碰撞；若该距离大于阈值ε，则表示安全区域，即表示如下：

其中，d(t)的范围为：[-(w_tram+w_sur),+∞]，t为运行时间；

通过计算d(t)的最大值、最小值，并计算最大值与最小值的差，确定组距与组数得到其分布直方图，或者采用matlab中的hist操作得到直方图；

所述步骤5中阈值ε为安全范围，阈值ε为本车与周围车中半径w较小者减去其车宽一半，若超过安全范围车辆之间发生冲突；

步骤6、利用核密度估计得到车辆距离以及预测可信度的概率密度函数并计算碰撞概率；

所述步骤6具体如下：

算碰撞概率公式计算如下：

其中，f_d(t)为距离模型d(t)的概率密度函数，f_r(t)为预测轨迹可信度r(t)，通过d(t)、r(t)的频率分布直方图，采用核密度估计计算距离模型d(t)、r(t)所对应的概率密度函数f_d(t)、f_r(t)，具体计算方式如下：

其中，h为所估计点与相邻样本点之间的距离，x_i为x的周围样本点，N为样本集总数量，K(x)为核函数；

步骤7、通过碰撞概率得到安全评价指数；

所述步骤7具体如下：

通过积分计算得到车辆的碰撞概率，其随时间变化而变化，碰撞概率即为危险指数，由于危险指数与安全指数成反比，即

进而得到车辆的安全指数，安全指数为车辆后续决策规划提供有效依据。/>

Images