CN109933945B - 交通环境建模方法 - Google Patents
交通环境建模方法 Download PDFInfo
- Publication number
- CN109933945B CN109933945B CN201910244537.5A CN201910244537A CN109933945B CN 109933945 B CN109933945 B CN 109933945B CN 201910244537 A CN201910244537 A CN 201910244537A CN 109933945 B CN109933945 B CN 109933945B
- Authority
- CN
- China
- Prior art keywords
- risk
- vehicle
- field
- calculating
- distribution
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 72
- 230000003068 static effect Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims 1
- 238000013459 approach Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种交通环境建模方法,包括:根据车辆的位置、物体的位置和分布因子,计算车辆与物体的碰撞概率;根据物体的类型、尺寸和速度,计算物体的风险等级;根据车辆与物体的碰撞概率和物体的风险等级,计算行车环境风险场;根据行车环境风险场,进行建模,生成交通环境下的风险分布图。由此,将复杂的交通环境进行了归一化处理,将不同的交通环境进行了统一的量化,并且将交通元素的运动状态加入到环境建模中,反应了潜在的风险。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种交通环境建模方法。
背景技术
自动驾驶技术已经成为汽车工业发展的新方向,自动驾驶技术需要对环境进行感知与认知,对环境的建模就显得尤其的重要。
现有交通环境的建模方法中人工势场法较为主流。人工势场法将障碍描述为场源,从场源向周围辐射“斥力”,此处的“斥力”并非物理意义上的力的概念,而是一种抽象的“力”的概念,这种抽象的力具有力的典型属性,即大小和方向。所谓势场“斥力”的大小,即势场的场能大小,亦即危险程度的大小;方向指向场能减小的方向。
人工势场法虽然能够对交通环境进行一定的描述,但是缺少了对物体运动状态的描述。
发明内容
本发明实施例的目的是提供一种交通环境建模方法,以解决现有技术中的交通环境建模中缺少对障碍物运动状态描述的缺陷。
为解决上述问题,第一方面,本发明提供了一种交通环境建模方法,所述方法包括:
根据车辆的位置、物体的位置和分布因子,计算车辆与物体的碰撞概率;
根据物体的类型、尺寸和速度,计算物体的风险等级;
根据所述车辆与物体的碰撞概率和所述物体的风险等级,计算行车环境风险场;
根据所述行车环境风险场,进行建模,生成交通环境下的风险分布图。
在一种可能的实现方式中,所述根据车辆的位置、物体的位置和分布因子,计算车辆与物体的碰撞概率具体包括:
利用公式计算车辆与物体的碰撞概率;
(x,y)为车辆的位置坐标;(ux,uy)为大地坐标系下物体所在的位置坐标,即风险场场源坐标;σxg为物体沿大地坐标系xg方向的分布因子;σyg为物体沿大地坐标系yg方向的分布因子。
在一种可能的实现方式中,利用公式计算物体沿大地坐标系xg方向的分布因子和沿yg方向的分布因子;
其中,Z为物体尺寸;Z=l+w+h,l、w和h分别为物体聚类框的长、宽和高;N、σ0为待定常数;Δt为采样间隔;ax(-kΔt)为标量,向前推kΔt时间运动物体的加速度大小;γ为时间惩罚因子,0<γ<1;(vx,vy)为标量,为物体分别沿xg、yg方向的速度分量。
在一种可能的实现方式中,利用公式计算物体的风险等级;
其中,T为物体类型;Z为物体尺寸;αk和βk为待定常数,v为物体速度。
在一种可能的实现方式中,利用公式计算行车环境风险场;
其中,E为行车环境风险的矢量合;EDi为单个动态物体形成的风险场;ESj为单个静态物体形成的风险场。
在一种可能的实现方式中,利用公式计算动态物体的风险场;
其中,α为固定常数;W为运动物体O的风险等级;P(x,y)为车辆在(x,y)处与物体发生碰撞的概率;为单位向量,表示动态场场强方向;θ为r与物体速度v所呈的夹角,逆时针为正方向。
在一种可能的实现方式中,利用公式计算静态物体的风险场;
其中,β为固定常数;W为静止物体O的风险等级;P(x,y)为车辆在(x,y)处与物体发生碰撞的概率;为单位向量,表示静态场场强方向。
第二方面,本发明提供了一种设备,包括存储器和处理器,所述存储器用于存储程序,所述处理器用于执行第一方面任一所述的方法。
第三方面,本发明提供了一种包含指令的计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行如第一方面任一所述的方法。
第四方面,本发明提供了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计算机程序,所述计算机程序被处理器执行时实现如第一方面任一所述的方法。
通过应用本发明提供的交通环境建模方法,将复杂的交通环境进行了归一化处理,将不同的交通环境进行了统一的量化,并且将交通元素的运动状态加入到环境建模中,反应了潜在的风险。
附图说明
图1为本发明实施一例提供的交通环境建模方法流程示意图;
图2为本发明实施例一的典型分布与改进分布过(ux,uy)沿x轴的切面的对比图;
图3(a)为动态场示意图;
图3(b)为动态场XOY平面投影;
图3(c)为动态场XOZ平面投影;
图4(a)为静态场示意图;
图4(b)为静态场XOY平面投影;
图4(c)为静态场XOZ平面投影;、
图5为复杂交通环境下的风险分布图;
图6为风险场分布俯视图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
行车的风险受到多种因素的综合影响,且行车风险不是非黑即白的极性问题,一个因素是否对行车构成危险本身就是一个非常模糊的概念。根据行车风险模糊的特点,本申请参考二维正态分布来描述单个风险源。方向由场中心向周围辐射,距离风险源越近,风险越大。点(x,y)处的二维正态分布(在下文中也可以称为典型正态分布):
其中,(μ1,μ2)为分布源的坐标;σ1,σ2为数据沿x方向与y方向的标准差;ρ为x方向变量与y方向变量的相关系数,且满足(-1<ρ<1),当x,y方向上的变量相互无关时ρ=0。
假设在大地坐标系中,暂不考虑高度方向影响,所有的障碍物和车辆都在XgOYg平面上。某障碍物的坐标为(xg,yg),根据生活经验可轻易得出如下结论:
当该物体的位置“不稳定”的时候,该物体对其他交通参与成员构成的威胁是增大的,即该物体在地图中沿xg与yg方向的标准差变大的时候,相较于沿xg与yg方向的标准差更小的物体,其对其他车辆构成的威胁是增大的;当车辆在大地坐标系下的坐标也为(xg,yg)的时候,则必然与物体发生碰撞。
众所周知,在典型的二维正态分布模型中,f(x,y)的最大值出现在分布的中心位置,即f(u1,u2)为最大值,最大值为f(u1,u2)=(2πσ1σ2)-1。并且σ1与σ2的乘积越大,二维正态分布的峰值越小,过中心的横切面越“扁平”;σ1与σ2的乘积越小,正态分布的峰值越大,过中心横切面越“高瘦”。
显然,如果直接采用二维正态分布是违背实际情况的。本申请将障碍物与车辆都假设为质点,如果将二维正态分布的值理解为与障碍物发生碰撞的概率,那么当车辆坐标与障碍物坐标重合的时候发生碰撞的概率为1,在车辆远离障碍物的过程中,与障碍物发生碰撞的概率逐渐降低,并且最后随着距离的增加,碰撞概率无限趋近于0。
图1为本发明实施一例提供的交通环境建模方法流程示意图。该方法应用在自动驾驶领域中,该方法的执行主体可以为车辆的计算处理单元,该计算处理单元可以是车辆控制单元,如图1所示,该方法包括以下步骤:
步骤110,根据车辆的位置、物体的位置和分布因子,计算车辆与物体的碰撞概率。
利用公式计算车辆与物体的碰撞概率(在下文中也可以称为改进分布);
(x,y)为车辆的位置坐标;(ux,uy)为大地坐标系下物体所在的位置坐标,即风险场场源坐标;σxg为物体沿大地坐标系xg方向的分布因子;σyg为物体沿大地坐标系yg方向的分布因子。
根据生活经验:当两个运动物体都匀速沿道路xg轴方向运动的时候,即两运动物体的速度都稳定的时候,高速物体的影响范围大于低速物体,尺寸更大的物体影响范围大于尺寸小的物。
因此,可以利用公式计算物体沿大地坐标系xg方向的分布因子和沿yg方向的分布因子;
其中,Z为物体尺寸;Z=l+w+h,l、w和h分别为物体聚类框的长、宽和高,单位为米;N、σ0为待定常数;Δt为采样间隔;ax(-kΔt)为标量,向前推kΔt时间运动物体的加速度大小;γ为时间惩罚因子,0<γ<1;(vx,vy)为标量,为物体分别沿xg、yg方向的速度分量。
如果障碍物刚出现在建模区域内时N=1,ax(-Δt)=0,然后慢慢增大N的取值,最后稳定在一个常数。
图2为本发明实施例一的典型分布与改进分布过(ux,uy)沿x轴的切面的对比图。
假设典型正态分布1和改进分布1中(图2中的虚线部分)σ11=σxg1=σx1;典型正态分布2和改进分布2中(图2中的实线部分)σ12=σxg2=σx2,(σx1>σx2)。比较两个典型正态分布可知:
典型正态分布1的最大值小于典型正态分布2的最大值;典型正态分布2在x轴上的分布要比典型正态分布1在x轴上的分布更平均,也可形象的理解为更“矮胖”。对比改进分布1和2可以看出,改进分布1与改进分布2的最大值相等,都为1。改进正态分布1在x轴上的分布比改进分布2在x轴上的分布更广。
将改进分布引入到风险模型中,一个障碍物的分布因子较大的时候,其风险分布范围较宽,但是最大风险处碰撞概率仍为1;当一个障碍物的分布因子较小的时候,其风险分布范围较窄,最大风险处碰撞概率还是1。因此,改进后的概率分布模型是符合行车风险客观规律的。
综上对行车风险的分析可知,行车风险是多种因素耦合失调的结果,具有极高的不确定性以及可测性。不确定性表现在:是否发生的不确定性以及结果的不确定性。可测性表现在:行车风险的发生与其影响因素存在一定的因果关系,并且呈现出明显的规律。
在物理学中,某一变量在空间上的分布被称为场。场是物质存在的一种基本形式,具有范围属性。而行车风险因素因其不确定性也在空间上也具有范围属性,并且是一个模糊的概念。物理学中,场能够传递物质间的相互作用力,场量为某一空间能量的强弱与方向,将场量表征为一个空间函数,距离场源越近,则能量分布越密集,反之越稀疏。类比行车风险因素,行车风险也具有空间分布属性,距离风险源越近,发生事故的可能性越高,反之越低。另外,在场的空间分布相同的情况下存在场强不同的情况,测量点与场源相对位置相同的情况下场强主要取决于场源的属性。类比行车风险,自车与风险源相对位置相同的情况下,发生碰撞结果的严重程度与风险源本身性质相关。因此,可以用场论研究行车风险因素,将行车风险用场来表示。
步骤120,根据物体的类型、尺寸和速度,计算物体的风险等级。
具体的,步骤120包括:
利用公式计算物体的风险等级;
其中,T为物体类型;Z为物体尺寸;αk和βk为待定常数,v为物体速度。
对于无人驾驶车辆,假设天气晴朗且路况良好的条件下,理论上能够对行车构成安全威胁的物体其危险程度W与物体本身的质量m、速度v、类型T三个因素相关。
根据动能定理(E=mv2),运动物体所具有的能量E与其本身质量m以及速度v关系紧密。当物体的速度相同的时候,质量越大的物体具有的能量越高,与之发生碰撞造成的伤害就越大,相应的其危险程度也越高。当质量相同的情况下,速度越高的物体具有的能量越高,相对也更危险。但是对于目前的感知方案而言,并不能获得物体的质量,只能根据物体的类型和尺寸进行推测。因此,在本申请中,以物体的尺寸Z作为危险程度的参考项替代质量m。此外物体动能随着速度的增加呈二次型增长。但是即使动能相同的情况下,考虑到需要更快的反应时间,因此也认为高速的物体相对低速的物体更加危险,所以物体的危险程度W与物体的速度v不仅为二次项关系,本申请用速度的多项式来描述。
根据物体类型的不同,危险程度也不同。一方面,车辆间发生碰撞危险程度高于车辆与行人发生碰撞,另一方面,与行人相撞危险程度高于与其他动物相撞的危险程度。基于目前的感知能力,并不能准确识别出所有物体的类型,也没有必要识别出所有类型。本申请中,示例而非限定,可以将物体分为以下三个大类:车辆类型、行人类型、未知类型。其中车辆类型可分为大型车辆、小型车辆两种类型,行人类型可分为普通行人、儿童、骑自行车行人。每种不同的类型具有不同的类型系数T,整体而言,车辆的T值大于行人的T值。
步骤130,根据车辆与物体的碰撞概率和物体的风险等级,计算行车环境风险场。
具体的,步骤130包括以下步骤:
利用公式计算行车环境风险场;
其中,E为行车环境风险的矢量合;EDi为单个动态物体形成的风险场;ESj为单个静态物体形成的风险场。
下面,分别对动态物体的风险场和静态物体的风险场的计算方法进行说明。
(1)、可以利用公式计算动态物体的风险场;
其中,α为固定常数;W为运动物体O的风险等级;P(x,y)为车辆在(x,y)处与物体发生碰撞的概率;为单位向量,表示动态场场强方向;θ为r与物体速度v所呈的夹角,逆时针为正方向。
动态风险场,简称动态场,用于描述能够与车辆发生实际碰撞并造成一定损失的运动物体所生成的风险场。动态场具有以下特性:
运动物体与车辆发生碰撞所造成的损害程度与运动物体的风险等级相关,风险等级的计算参见步骤120。风险等级越高,碰撞造成的危害越大,所形成的风险场场强越高。
运动物体与车辆发生碰撞的可能性与车辆到运动物体的距离相关。车辆越接近运动物体,发生碰撞的可能性越大。同时,越靠近运动物体,风险增加的速度越快。
动态场具有各向异性,即运动物体对车辆造成的风险与运动物体的速度方向有关。在运动物体到车辆的距离相等的情况下,如果物体的速度方向指向车辆,那么该运动物体对车辆造成的威胁是最大的。相反,如果运动物体的速度方向沿背离车辆方向,此时该运动物体对车辆的威胁是最小的。
图3(a)-(c)为典型动态场。(b)和(c)最右侧的刻度线,表示了不同颜色与刻度之间的对应关系。在图3(a)中,在动态障碍物在(0,0)处,风险等级W=1,尺寸Z=1,分布因子σxg=4、σyg=1,速度v沿xg正方向。从图3(a)-(c)中可以看出,对于该动态障碍物场强最大值出现在障碍物当前所在的位置,即(0,0)处;以物体所在位置为中心点,沿物体运动方向风险场场强整体高于沿运动物体速度反方向的风险场场强;运动物体沿xg方向的影响范围大于沿yg方向的影响范围。一般情况下道路上运动物体大体都沿着道路方向运动,但是对于行人横穿道路工况,其沿xg方向的影响因子小于沿yg方向的影响因子。
(2)、可以利用公式计算静态物体的风险场;
其中,β为固定常数;W为静止物体O的风险等级;P(x,y)为车辆在(x,y)处与物体发生碰撞的概率;为单位向量,表示静态场场强方向。
静态风险场,简称静态场,用于描述静止的且能够与车辆发生实际碰撞的物体。需要说明的是,这里的“静止”描述的并非绝对的静止。对于车载传感器而言,所有传感器原始数据都是基于车辆坐标系下获得的,物体相对地面的速度需要通过车速进行反推。但是受限于车速估计的精度,传感器所感知到的物体的实际速度并不能准确估计,因此本申请可以在实际研究中将速度低于0.2m/s的物体全部归为静止物体。静态场具有以下特点:
无人驾驶车辆与静止物体发生碰撞的严重程度与静止物体的风险等级相关,风险等级越高,车辆与之发生碰撞的后果越严重。
无人驾驶车辆与静止物体发生碰撞的可能性与无人驾驶车辆到静止物体的距离有关。车辆越接近静止物体,与之发生碰撞的可能性就越大。并且随着距离的接近,危险程度在加速增加。在静态场中,假设静态场的分布服从二维正态分布的边缘概率密度关系。
静态场具有各向同性,即对于静止的物体来说,无论从哪个方向接近它,风险场的分布规律都是均匀的。
图4(a)-(c)为典型动态场,(b)和(c)最右侧的刻度线,表示了不同颜色与刻度之间的对应关系。在4(a)中,该静态障碍物在(0,0)处,风险等级W=1,尺寸Z=1,分布因子σxg=σyg=1。从图中可以看出,对于该静态障碍物场强最大值出现在障碍物当前所在的位置,即(0,0)处;以物体所在位置为中心点,风险场场强均匀的向四周辐射;并且当距离场源一定距离的时候场强趋近于0。
步骤140,根据行车环境风险场,进行建模,生成交通环境下的风险分布图。
其中,行车环境风险场,具有方向大小以及分布状态三个特征。对于行车环境中的每一个障碍物都可根据其动静态属性建立动态场或静态场。即每个障碍物可以理解为一个风险场的场源,行车风险以场源为中心向周围辐射。在行车环境某个特定区域内(建模区域或自车的关注区域)对每一个障碍物建立行车环境风险场后将其进行叠加,就得到了该区域的行车环境风险分布模型。图5为复杂交通环境下的风险分布图,即行车风险场建模结果。如图5所示,建模环境为双向单车道场景。沿车道向右为xg正方向,垂直车道向上为yg正方向建立坐标系。Car1、Car2分别以v1,v2(v1>v2)的速度沿xg正方向行驶,在Car2前方不远处另一侧车道有一个静态障碍物Obj,Car3以速度v3沿xg负方向行驶,那么行车风险环境的最终建模结果如图6所示,图6为风险场分布俯视图。通过行车环境风险建模结果可以形象直观的看出在当前环境下风险的分布情况。
可以理解的是,本申请中的物体,专指车辆运行过程中的障碍物。
通过应用本发明实施例一提供的交通环境建模方法,将复杂的交通环境进行了归一化处理,将不同的交通环境进行了统一的量化,并且将交通元素的运动状态加入到环境建模中,反应了潜在的风险。
本发明实施例二提供了一种设备,包括存储器和处理器,存储器用于存储程序,存储器可通过总线与处理器连接。存储器可以是非易失存储器,例如硬盘驱动器和闪存,存储器中存储有软件程序和设备驱动程序。软件程序能够执行本发明实施例提供的上述方法的各种功能;设备驱动程序可以是网络和接口驱动程序。处理器用于执行软件程序,该软件程序被执行时,能够实现本发明实施例一提供的方法。
本发明实施例三提供了一种包含指令的计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行本发明实施例一提供的方法。
本发明实施例四提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现本发明实施例一提供的方法。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种交通环境建模方法,其特征在于,所述方法包括:
根据车辆的位置、物体的位置和分布因子,计算车辆与物体的碰撞概率;
根据物体的类型、尺寸和速度,计算物体的风险等级;
根据所述车辆与物体的碰撞概率和所述物体的风险等级,计算行车环境风险场;
根据所述行车环境风险场,进行建模,生成交通环境下的风险分布图;
其中,所述根据车辆的位置、物体的位置和分布因子,计算车辆与物体的碰撞概率具体包括:
利用公式计算车辆与物体的碰撞概率;
(x,y)为车辆的位置坐标;(ux,uy)为大地坐标系下物体所在的位置坐标,即风险场场源坐标;σxg为物体沿大地坐标系xg方向的分布因子;σyg为物体沿大地坐标系yg方向的分布因子;
其中,利用公式计算物体沿大地坐标系xg方向的分布因子和沿yg方向的分布因子;
其中,Z为物体尺寸;Z=l+w+h,l、w和h分别为物体聚类框的长、宽和高;N、σ0为待定常数;Δt为采样间隔;ax(-kΔt)为向前推kΔt时间时,运动物体的加速度大小;γ为时间惩罚因子,0<γ<1;(vx,vy)为标量,为物体分别沿xg、yg方向的速度分量;
其中,利用公式计算物体的风险等级;
其中,T为物体类型;Z为物体尺寸;αk和βk为待定常数,v为物体速度;
其中,利用公式计算行车环境风险场;
其中,E为行车环境风险的矢量合;EDi为单个动态物体形成的风险场;Esj为单个静态物体形成的风险场;
其中,利用公式计算动态物体的风险场;
其中,α为固定常数;W为运动物体O的风险等级;P(x,y)为车辆在(x,y)处与物体发生碰撞的概率;为单位向量,表示动态场场强方向;θ为r与物体速度v所呈的夹角,逆时针为正方向;
其中,利用公式计算静态物体的风险场;
其中,β为固定常数;W为静止物体O的风险等级;P(x,y)为车辆在(x,y)处与物体发生碰撞的概率;为单位向量,表示静态场场强方向。
2.一种交通环境建模设备,其特征在于,所述设备包括存储器和处理器,所述存储器用于存储程序,所述处理器用于执行权利要求1所述的方法。
3.一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计算机程序,所述计算机程序被处理器执行时实现权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910244537.5A CN109933945B (zh) | 2019-03-28 | 2019-03-28 | 交通环境建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910244537.5A CN109933945B (zh) | 2019-03-28 | 2019-03-28 | 交通环境建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109933945A CN109933945A (zh) | 2019-06-25 |
CN109933945B true CN109933945B (zh) | 2023-10-24 |
Family
ID=66988709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910244537.5A Active CN109933945B (zh) | 2019-03-28 | 2019-03-28 | 交通环境建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109933945B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111204336B (zh) * | 2020-01-10 | 2021-04-30 | 清华大学 | 一种车辆行车风险的评估方法及设备 |
CN113655789A (zh) * | 2021-08-04 | 2021-11-16 | 东风柳州汽车有限公司 | 路径跟踪方法、装置、车辆及存储介质 |
CN113793534B (zh) * | 2021-09-09 | 2023-02-24 | 清华大学 | 一种确定车路协同环境下行车风险场的方法和装置 |
CN117961915B (zh) * | 2024-03-28 | 2024-06-04 | 太原理工大学 | 煤矿掘进机器人的智能辅助决策方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203727A (zh) * | 2016-07-19 | 2016-12-07 | 江苏大学 | 一种道路交通事故链风险实时评估方法 |
CN108648447A (zh) * | 2018-05-08 | 2018-10-12 | 清华大学 | 基于行车安全场的车辆智能安全决策方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2311017B1 (en) * | 2008-07-11 | 2013-03-06 | Honda Motor Co., Ltd. | Collision avoidance system for vehicles. |
-
2019
- 2019-03-28 CN CN201910244537.5A patent/CN109933945B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203727A (zh) * | 2016-07-19 | 2016-12-07 | 江苏大学 | 一种道路交通事故链风险实时评估方法 |
CN108648447A (zh) * | 2018-05-08 | 2018-10-12 | 清华大学 | 基于行车安全场的车辆智能安全决策方法 |
Non-Patent Citations (1)
Title |
---|
车路协同环境下道路无信号交叉口防碰撞***警示效果;刘锴等;《中国公路学报》;20180430(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109933945A (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109933945B (zh) | 交通环境建模方法 | |
US11465619B2 (en) | Vehicle collision avoidance based on perturbed object trajectories | |
US10235881B2 (en) | Autonomous operation capability configuration for a vehicle | |
KR102463720B1 (ko) | 차량의 경로 생성 시스템 및 방법 | |
CN108919795B (zh) | 一种自动驾驶汽车换道决策方法及装置 | |
CN105892471B (zh) | 汽车自动驾驶方法和装置 | |
CN112740299A (zh) | 用于车辆的碰撞预测和规避 | |
CN104635233B (zh) | 基于车载毫米波雷达的前方物体运动状态估计及分类方法 | |
US20210284141A1 (en) | Driving assist system | |
CN113848914B (zh) | 动态环境下碰撞系数人工势场法局部路径规划方法 | |
CN114391088A (zh) | 轨线规划器 | |
Lengyel et al. | Conflicts of automated driving with conventional traffic infrastructure | |
Shibata et al. | Collision avoidance control with steering using velocity potential field | |
CN110632916B (zh) | 行动预测装置以及自动驾驶装置 | |
US20220227391A1 (en) | Systems and methods for scenario dependent trajectory scoring | |
CN113928324A (zh) | 用于预测目标车辆在车辆的环境中的轨迹的方法和*** | |
KR20200084938A (ko) | 차량 동작 계획방법 및 그를 위한 장치 | |
US11767030B1 (en) | Scenario simulation execution within a truncated parameter space | |
Gao et al. | Discretionary cut-in driving behavior risk assessment based on naturalistic driving data | |
CN114559923A (zh) | 一种无人驾驶车辆自动紧急避障***及其控制方法 | |
CN113561992A (zh) | 自动驾驶车辆轨迹生成方法、装置、终端设备及介质 | |
CN113682300B (zh) | 避让障碍物的决策方法、装置、设备及介质 | |
WO2018198769A1 (ja) | 周辺環境認識装置、表示制御装置 | |
CN117146838A (zh) | 一种路径规划方法及装置、相关产品 | |
KR20230117936A (ko) | 자율주행 제어 장치 및 그 충돌 회피 제어방법 |
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 | ||
CB02 | Change of applicant information |
Address after: B4-006, maker Plaza, 338 East Street, Huilongguan town, Changping District, Beijing 100096 Applicant after: Beijing Idriverplus Technology Co.,Ltd. Address before: B4-006, maker Plaza, 338 East Street, Huilongguan town, Changping District, Beijing 100096 Applicant before: Beijing Idriverplus Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |