CN110176153A - 一种基于边缘计算的盲区车辆碰撞预警方法 - Google Patents

Abstract

本发明公开了一种基于边缘计算的盲区车辆碰撞预警方法，包括步骤：1、RSU覆盖范围内对所有车辆的历史行车轨迹进行二阶隐马尔科夫模型运算，2、OBU将不断采集车辆的实时状态信息并将这些信息通过DSRC协议广播至边缘计算节点,3、RSU接收来自其覆盖范围内的所有车辆实时状态信息并计算出每一车辆的DSRC传播时延并计算出在RSU处所有车辆数据时刻的全局车辆GPS全局视图；4、RSU通过二阶隐马尔科夫模型对制动时间范围内的车辆的未来行车轨迹进行预测；5、RSU判断是否发生碰撞，并向相应车辆的发出警报。本发明的优点是：提高了车辆碰撞预警的可靠性，保证车辆的安全。

Description

一种基于边缘计算的盲区车辆碰撞预警方法

技术领域

本发明属于车联网技术领域，具体涉及一种基于边缘计算的盲区车辆碰撞预警方法。

背景技术

近年来，针对车辆交通事故频发问题，人们提供了许多很多解决方案。基于激光和雷达技术检测的车辆碰撞预警已经比较成熟，但由于车辆间处于非视距的盲区空间(驾驶员位于正常驾驶座位置，其视线被环境中其他物体遮挡而不能直接观察到的那部分区域)，利用激光或雷达已经不能解决车辆碰撞检测问题。

中国专利文献CN108062600A公开了一种基于矩形建模的车辆碰撞预警方法及装置，该方法是：获取车辆的行驶状态信息，并根据行驶状态信息建立矩形模型，对可能发生的碰撞分类，并判断是否可能发生碰撞；计算车辆可能发生碰撞的长边碰撞时间和短边碰撞时间；对所述长边碰撞时间和短边碰撞时间进行比较，输出最终的碰撞预警时间。

中国专利文献CN106971625A公开了一种基于DSRC通信的异常车辆预警方法，它包括：步骤a：异常车辆将行车信息向周围的正常车辆广播发送；步骤b：正常车辆接收来自异常车辆的行车信息，实时获取自身的行车信息，并对两车的行车信息数据融合处理后发送至中央处理器；步骤c：中央处理器计算两车的行驶轨迹；步骤d：中央处理器将两车的行驶轨迹转换至相对平面坐标系中；步骤e：判断异常车辆是否影响自身的行驶路线；步骤f：计算两车发生碰撞所需的时间TTC；步骤g：正常车辆的车载显示器在相对平面坐标系中显示异常车辆的当前位置并通过语音发出预警信息。

上述解决方案在一定程度上减少了车辆的车辆行驶过程中碰撞检测问题，但是针对盲区车辆检测，上述方案主要存在以下问题：

1、在碰撞检测的分析计算过程中，车辆的实时状态数据需要传送至信息处理中心，处理后再将处理结果返回至车辆终端。数据的往返过程中产生了不可预计的时延，一方面不能保证低时延的基本需求；另一方面还间接地导致了GPS定位的误差。

2、由于对车辆的行驶轨迹进行尽可能准确地预测是车辆碰撞检测的重要前提。车辆的历史数据对车辆的轨迹预测有相当大的贡献，而现有的轨迹预测方案仅仅基于车辆当前实时状态数据进行基于基础的运动学公式的计算预测。

3、车辆的行驶轨迹预测要依据精确可靠的车辆定位，而GPS定位并不能保证服务器的真实位置，其一方面原因在于GPS定位本身存在误差，另一方面原因在于GPS信息在传输过程中的时延导致车辆在接收到处理后的回传信息已经不是车辆当前的位置，这种误差导致了碰撞预警的不可靠。

目前，关于边缘计算的研究方兴未艾，作为一种全新的网络计算方式，边缘计算将业务部署在边缘节点以降低了端到端通信时延，能提高车辆盲区碰撞预警的可靠性。

发明内容

针对现有的车辆碰撞预警技术存在的问题，本发明所要解决的技术问题就是提供一种基于边缘计算的盲区车辆碰撞预警方法，它通过标记车辆数据传输过程中的具体时延以推算每辆车的尽可能精确的位置，利用二阶隐马尔科夫模型分析车辆的未来行驶轨迹引入了历史车辆行驶的数据,提高车辆碰撞预警的可靠性。

本发明所要解决的技术问题是通过这样的技术方案实现的，它包括以下步骤：

步骤1、在边缘计算节点RSU覆盖范围内对所有车辆的历史行车轨迹进行二阶隐马尔科夫建模，得到对应的模型参数；

步骤2、车辆终端内置的OBU周期性采集车辆的状态数据，包括车辆ID、经纬度的位置、方向、速度、加速度以及时间戳，并将数据通过DSRC协议广播给边缘计算节点RSU；

步骤3、边缘计算节点RSU接收来自其覆盖范围内的所有车辆实时状态信息，计算车辆DSRC传输时延和每条信息从发送开始到预处理阶段结束的等待时延，用每辆车的DSRC传输时延和等待时延计算RSU预处理阶段结束时刻的全局车辆GPS位置视图；

步骤4、边缘计算节点RSU通过二阶隐马尔科夫模型对制动时间范围内的车辆的未来行车轨迹进行预测；

步骤5、边缘计算节点RSU判断任意车辆在制动时间范围内是否有行车轨迹中的车辆所在区域的重合，若存在，RSU将预警信号发送给对应车辆，对应车辆接收到预警消息后实现报警；反之，则继续监测下一个碰撞监控周期内的车辆状态。

优选地，在步骤4中，将车辆的制动处理时间均分为若干份，制动处理时间包括车辆的制动时间和DSRC传输时延，通过二阶隐马尔科夫模型预测车辆在制动时间范围内的车辆行驶轨迹。

由于在步骤3中，使用了车辆DSRC传输时延和每条信息从发送开始到预处理阶段结束的等待时延；在步骤4中又考虑了制动时间，使每辆车的位置推算尽可能精确；且利用二阶隐马尔科夫模型预测车辆的未来行驶轨迹，引入了历史车辆行驶的数据，能有效预测盲区车辆的运行轨迹，发出预警的警报。

本发明的技术效果是：

本发明利用现有的专用短程通信协议，通过路侧单元与本发明的计算模块构成边缘计算节点RSU，在其覆盖范围内推测过往车辆可能发生碰撞事故，返回预警信息，并立即发出报警，这样提高了车辆碰撞预警的可靠性，大幅降低交通事故，保证车辆的安全。

附图说明

本发明的附图说明如下：

图1为本发明的应用环境示意图；

图2为本发明的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

目前，专用短程通信(DSRC)技术相对成熟，它是一种专门适用于智能运输***(TIS)中道路与车辆之间的无线通信协议，它通过信息的双向传输将车辆与道路的边缘计算节点RSU联接起来，实现道路与车辆的信息双向交互。图1是本发明的应用环境示意图，它展示了盲区车辆碰撞预警的全局视图。车辆碰撞预警***由行驶的车辆、边缘计算节点构成，车辆内置的车载单元OBU负责车辆实时状态信息的采集工作，如车辆ID、经纬度、方向、速度、加速度以及时间戳等，将这些信息通过DSRC传输协议周期性传送给边缘计算节点RSU，其中边缘计算节点设备如下：RSU具有较高的数据传输，通过接加具有存储与计算能力的外设作为边缘计算节点，使其能够对传送来的信息进行快速的收集、分析和分发。为方便描述，本申请将RSU与存储计算设备统称为边缘计算节点RSU。

本发明的基于边缘计算的盲区车辆碰撞预警方法，包括以下步骤：

1、在边缘计算节点RSU覆盖范围内对所有车辆的历史行车轨迹进行二阶隐马尔科夫建模，得到对应的模型参数；

车载单元OBU以单位时间间隔将其历史行车轨迹通过DSRC协议发送至边缘计算节点RSU，边缘计算节点RSU获取其覆盖范围内得所有车辆的历史行车轨迹信息，计算在单位时间内的位置增量，将位置增量和实际的车辆位置分别作为隐藏状态和观测状态进行二阶马尔可夫模型运算，并通过鲍姆-韦尔奇算法求解模型参数。

2、车辆终端内置的OBU周期性采集车辆的状态数据，包括车辆ID、经纬度的位置、方向、速度、加速度以及时间戳，并将数据通过DSRC协议广播给边缘计算节点RSU；

3、边缘计算节点RSU接收来自其覆盖范围内的所有车辆实时状态信息，计算车辆传输过程中的DSRC时延以及每条信息从发送开始到预处理阶段结束的等待时延，用每辆车的DSRC传输时延和等待时延计算RSU预处理阶段结束时刻的全局车辆GPS位置视图；

4、边缘计算节点RSU通过二阶隐马尔科夫模型对制动时间范围内的车辆的未来行车轨迹进行预测；

5、边缘计算节点RSU判断任意车辆在制动时间范围内是否有行车轨迹中的车辆所在区域的重合，若存在，RSU将预警信号发送给对应车辆，对应车辆接收到预警消息后实现报警；反之，则继续监测下一个碰撞监控周期内的车辆状态。

如图2所示，本发明的具体流程如下：

在步骤101，在RSU覆盖范围内对所有车辆的历史行车轨迹的位置增量进行二阶隐马尔科夫建模，得到对应的模型参数(参见文献“二阶隐马尔科夫模型的原理与实现[J]”，丰月姣,贺兴时，价值工程,2009，28(12)：103-105)。

二阶隐马尔科夫建模具体的过程为：

若某车辆的历史轨迹数据为时间长度为T的序列，用I表示其对应的隐藏状态序列(位置增量)，用O表示其对应的观察序列(具***置)；即

I＝{i₁,i₂,…,i_T}，O＝{o₁,o₂,…,o_T}

任意一个隐藏状态i_t∈Q，任意一个观察状态o_t∈V。

隐状态(位置增量)集合Q：

车辆以Δt为时间间隔周期性向RSU发送实时位置，假设车辆i在t₁时刻的位置为(lat₁,lon₁)，在t₁+Δt时刻的位置为(lat_1+Δt,lon_1+Δt)，则车辆位置增量为(Δlat,Δlon)＝(lat_1+Δt-lat₁,lon_1+Δt-lon₁)。式中(lat,lon)代表车辆的经纬度坐标。

为说明方便，不妨设时间间隔为1秒,那么位置增量可以代表车辆的瞬时速度(V_x,V_y)两个分量，其中V_x,V_y分别代表经度方向速度和纬度方向速度。

假设当前的车辆行驶速度为V_now＝(V_{now_x},V_{now_y})，其中V_{now_x}代表当前时刻车辆经度方向上的速度，V_{now_y}代表当前时刻车辆纬度方向上的速度。设路段限速为(V_min,V_max)，则可以将V_x划分为多个状态Q_x＝{s₁,s₂,…,s_i,…,s_N}(Q_x代表车辆经度方向上的分量速度所有可能的隐藏状态)，其中s_i表示同理可以将V_y划分为多个状态Q_y＝{s₁,s₂,…,s_j,…,s_N}(Q_x代表车辆经度方向上的分量速度所有可能的隐藏状态)，其中s_j表示

将Q_x，Q_y进行组合，构成总的隐状态集合Q＝{q₁,q₂,…,q_m,…,q_N*_N}，其中q_m为Q_x、Q_y的第m种搭配，q_m＝(s_i,s_j|s_i∈Q_x,s_j∈Q_y)，N表示可能的隐藏状态数。

观测状态(具***置)集合V：

设一般轿车的车身长为L，车身宽为W，以车辆的实时经纬度为中心，建立L×W的矩形区域模型，假设车辆当前时刻的坐标为(lat_now,lon_now)，则矩阵四个顶点的坐标可以分别表示为 然后围绕车辆区域模型为中心紧邻形成其周围的8个方向(东、南、西、北、东北、东南、西北、西南)的区域模型，每一个区域均为L×W的矩形。设车辆最终所处的区域表示可能的观测状态的集合V：V＝{v₁,v₂,…,v₈}。

转移矩阵A：

用矩阵A代表隐藏状态转移矩阵a_ijk＝P(i_t+1＝q_k|i_t＝q_j,i_t-1＝q_i)，其中N表示隐藏状态个数。表示在时刻t-1的隐藏状态是i_t-1＝q_i、在时刻t的隐藏状态是i_t＝q_j的条件下，时刻t+1的隐藏状态是i_t+1＝q_k的二阶隐马尔科夫模型状态转移概率。

发射矩阵B：

用矩阵B代表观测状态生成矩阵，其中b_ij(k)＝P(o_t＝v_k|i_t＝q_j,i_t-1＝q_i)，表示在时刻t的隐藏状态是i_t-1＝q_i、在时刻t的隐藏状态是i_t＝q_j，而对应生成的观察状态为o_t＝v_k的概率。概率的计算是以车辆占有某区域的面积来计算，具体的计算方式如下：

假设车辆周围的8块区域总面积用S来表示：则有S＝8×L×W，假设当前车辆的位置为(lat₁,lon₁)，车辆前一时刻的位置为(lat₀,lon₀)，若车辆当前区域与前一时刻区域模型中的右上矩形区域有交集，用s代表区域面积，则当前的概率为：p＝s/S(其中p为当前概率)。

初始状态Π：

定义在时刻t＝1的隐藏状态概率分布Π:Π＝[π(i)]_N，其中π(i)＝P(i₁＝q_i)。

综合三次车辆的历史位置，得到车辆的两个位置增量，建立二阶隐马尔科夫模型。

模型的求解：

假设二阶隐马尔科夫模型参数λ＝(Π,A,B)，参考文献“二阶隐马尔科夫模型的原理与实现[J]”，丰月姣,贺兴时，价值工程,2009,28(12):103-105，求得该二阶隐马尔科夫模型参数。

π_i＝γ₁(i)1≤i≤N

其中γ_t(i,j)为给定观测序列O和模型参数λ的条件下，t-1时为状态q_i，t时为状态q_j的概率:即γ_t(i,j)＝P(i_t-1＝q_i,i_t＝q_j|O,λ)，可以推导出：

令γ₁(i)＝P(i₁＝q_i|O,λ)，代表在给定观测序列O和模型参数λ的条件下，初始时刻的状态为q_i的概率。

ζ_t(i,j,k)为给定观测序列O和模型参数λ的条件下，t-1时为q_i，t时为q_j，t+1时为q_k的概率，即ζ_t(i,j,k)＝P(i_t-1＝q_i,i_t＝q_j,i_t+1＝q_k|O,λ),

式中，α_t(i,j)为前向传播算法α_t(i,j)＝P(o₁,o₂,…,o_t,i_t-1＝q_i,i_t＝q_j|λ)

β_t(i,j)为后向传播算法β_t(i,j)＝P(o_t+1,o_t+2,…,o_T|i_t-1＝q_i,i_t＝q_j,λ)。

在步骤102，车辆i的车载单元OBU周期性采集车辆的状态数据，包括车辆ID、经纬度的位置(lat₀(i),lon₀(i))、方向、速度、加速度以及时间戳t₀(i)，(i∈[1,n])，其中n为RSU范围内的车辆总数；

OBU对采集到的数据通过DSRC协议广播到边缘计算节点RSU。

在步骤103，RSU周期性接收OBU发来的数据，并记录接收到消息的时间戳t′_i，得到车辆发送消息在DSRC传输过程中的准确时延：

式中，t_delay(i)表示第i辆车传输消息的DSRC时延。

由于在DSRC的传输过程中存在一定的丢包，而丢包发生的概率大概为97％，故本步骤只取该区域内97％的车辆进行建模，也就是在第车辆到达时，停止此阶段的数据搜集，转而进行DSRC的碰撞预警的计算阶段。

在步骤104，设最后一辆车辆(第辆)的消息接收时间为t_rec,则能得到所有车辆发送的等待时延：

式中，t_wait(j)表示车辆j从实时状态消息发送时刻t₀(j)到RSU开始处理时刻t_rec中间经历的时间。

在步骤105，判断是否为第一次碰撞预警检测，若是，则执行步骤106，反之，执行步骤107。

在步骤106，令p＝1。

在步骤107，令p＝3。

上述步骤106、步骤107中，p表示第p次GPS估计。如果是第一次碰撞预警检测，则需要针对每辆车辆搜集三次数据历史位置数据以得到两个位置增量进行二阶隐马尔科夫模型求解。如果不是第一次碰撞预警检测，假设是第二次碰撞预警检测，那么第一次采集的后两个位置数据可以当作第二次预警检测的前两个位置数据，仅仅需要采集最新一次数据即可进行基于位置增量的二阶隐马尔科夫模型求解。

在步骤108，根据第i车辆的实时状态信息和t_wait(i)计算当RSU接收到第辆车辆的消息时的车辆的预计位置，

根据运动学公式又t_wait＝t_rec-t₀，故

式中，p_i(t₀),p_i(t)分别代表第i辆车在t₀和t_rec时刻的位置，v_i(t₀)和a_i(t₀)分别代表i车在t₀时刻的速度和加速度，d(p_i(t₀),p_i(t_rec))表示从t₀到t_rec时间段内行驶的车辆位移。

假定地球的东西和南北方向分别作为车辆位置坐标x轴和y轴，那么车辆在x、y轴上的位移分量可以表示为：

d_x(p_i(t₀),p_i(t_rec))＝d(p_i(t₀),p_i(t_rec))·sinθ

d_y(p_i(t₀),p_i(t_rec))＝d(p_i(t₀),p_i(t_rec))·cosθ

θ表示车辆在时刻t_rec的车辆方向(与北方向的夹角)。

故有：

lat_p(i)＝lat₀(i)+d_x(p_i(t₀),p_i(t_rec))

lon_p(i)＝lon₀(i)+d_y(p_i(t₀),p_i(t_rec))

式中，lat_p(i)为在RSU接收到消息时刻的车辆i的预计位置经度，lon_p(i)为车辆i的预计位置纬度。

在步骤109，判断p是否小于3(每个车辆的GPS位置预测点个数是否小于3)，若小于3，则继续采集当前时刻车辆的GPS预计位置，执行步骤110；否则，表示可以用二阶隐马尔科夫模型对车辆未来位置进行预测，执行步骤111。

在步骤110，p增加1，计算第i车辆的下一个GPS位置点预测。

在步骤111，根据所有车辆的行车习惯，测出每辆车辆的制动时间得出车辆的轨迹预测时间为t_pre(i)＝t_delay(i)+t_stop(i)，其中t_pre(i)代表i车辆的轨迹预测时间，t_delay(i)代表车辆实时状态消息在传播过程中的DSRC时延，t_stop(i)代表车辆i的制动时间。

在步骤112，将t_pre(i)分为k个子周期，

在步骤113，根据二阶隐马尔科夫模型推算得到车辆在(lat'_j(i),lon'_j(i))下一个时间段内的车辆位置并将该车辆位置与对应位置的时间戳保存至数据库。

由步骤101所求得的二阶隐马尔科夫模型参数λ＝(Π,A,B)，利用前向传播算法得出的观测序列，具体算法如下：

例如车辆现在正在点(lat,lon)，已知其状态矩阵A，发射矩阵B，计算得到前两期的位置增量所对应的隐状态分别为Q_t-1＝q_i,Q_t-2＝q_j，查找状态矩阵A可以得到下一个状态k(1≤k≤8)的概率，取出最大的概率值作为当前状态(即Q_t＝q_k，对应下一时刻经度和纬度的位置增量)，以确定下一时刻车辆的具***置坐标。假设Q_t＝q_k对应的下一时刻经度和纬度的位置增量为(s_i,s_j|s_i∈Q_x,s_j∈Q_y)，设用Δx，Δy分别表示经度、纬度方向上的增量综合步骤101，可知：

新的位置坐标为：(lat₁,lon₁)＝(lat+Δx,lon+Δy)。

再查找发射矩阵B可以得到车辆在每一个邻居区域的概率大小，选出概率最大的值所在的区域即为车辆的具***置。

将得到的新的状态序列作为已知，进行进一步迭代，即得到制动时间段内车辆的行车轨迹。

在步骤114，判断任意车辆在制动时间范围内是否有行车轨迹中的车辆所在区域的重合；若发生重合则执行115，否则执行117。

具体方法如下：在步骤112中，将车辆的制动时间分成的k份，在步骤113中，计算每k个时间节点的车辆所在的区域，通过判断区域是否有重合(交集)来说明车辆之间是否有碰撞。方法如下：

假设在j时刻车辆m,n的位置分别为(lat_j(m),lon_j(m)),(lat_j(n),lon_j(n)),则可计算得到车辆的所在区域,其中当k与l的4中搭配可以组成车辆所在区域的矩形顶点坐标。用 分别代表两辆车辆矩形空间的经纬度差集合，用X_max＝max(ΔX),Y_max＝max(ΔY)分别代表经纬度方向的最大距离，根据车辆间的矩形外观模型，如果有X_max＜2L且Y_max＜2W则两矩形空间有交集存在，即m,n两车辆发生碰撞。

在步骤115，边缘计算节点RSU通过DSRC协议向两有碰撞风险的检测车辆OBU发送预警信息。

在步骤116,OBU接收来自RSU的预警信息，车辆终端对预警信息进行可视化。

在步骤117，判断***是否停止，若***已经停止，则程序结束；否则，则执行步骤118；

由于本发明属应用级开发，判断***是否停止的依据是使用者是否人为停止或关闭了应用。

在步骤118，为避免重复计算，将第i车辆的最近两次GPS加以保留，其方法为：

(lat₁(i),lon₁(i))＝(lat₂(i),lon₂(i))

(lat₂(i),lon₂(i))＝(lat₃(i),lon₃(i))

接着，执行步骤103，进行下一个阶段的碰撞预警检测。

Claims (6)

1.一种基于边缘计算的盲区车辆碰撞预警方法，其特征是，包括以下步骤：

步骤1、在边缘计算节点RSU覆盖范围内对所有车辆的历史行车轨迹进行二阶隐马尔科夫建模，得到对应的模型参数；

步骤2、车辆终端内置的OBU周期性采集车辆的状态数据，包括车辆ID、经纬度的位置、方向、速度、加速度以及时间戳，并将数据通过DSRC协议广播给边缘计算节点RSU；

步骤3、边缘计算节点RSU接收来自其覆盖范围内的所有车辆实时状态信息，计算车辆DSRC传输时延和每条信息从发送开始到预处理阶段结束的等待时延，用每辆车的DSRC传输时延和等待时延计算RSU预处理阶段结束时刻的全局车辆GPS位置视图；

步骤4、边缘计算节点RSU通过二阶隐马尔科夫模型对制动时间范围内的车辆的未来行车轨迹进行预测；

步骤5、边缘计算节点RSU判断任意车辆在制动时间范围内是否有行车轨迹中的车辆所在区域的重合，若存在，RSU将预警信号发送给对应车辆，对应车辆接收到预警消息后实现报警；反之，则继续监测下一个碰撞监控周期内的车辆状态。

2.根据权利要求1所述的基于边缘计算的盲区车辆碰撞预警方法，其特征是，在步骤1中，所述二阶隐马尔科夫建模为：

车辆的历史轨迹数据为时间长度为T的序列，用I表示其对应的隐藏状态序列，用O表示其对应的观察序列：

I＝{i₁,i₂,…,i_T}，O＝{o₁,o₂,…,o_T}

任意一个隐藏状态i_t∈Q，任意一个观察状态o_t∈V；

车辆位置增量的隐状态集合：Q＝{q₁,q₂,…,q_m,…,q_N*_N}，其中q_m为Q_x、Q_y的第m种搭配，q_m＝(s_i,s_j|s_i∈Q_x,s_j∈Q_y)，N表示隐藏状态数；

车辆最终所处位置的观测状态集合：V：V＝{v₁,v₂,…,v₈}；

转移矩阵A：

用矩阵A代表隐藏状态转移矩阵a_ijk＝P(i_t+1＝q_k|i_t＝q_j,i_t-1＝q_i)，其中表示在t-1时刻的隐藏状态是i_t-1＝q_i、在t时刻的隐藏状态是i_t＝q_j的条件下，t+1时刻的隐藏状态是i_t+1＝q_k的二阶隐马尔科夫模型状态转移概率；

发射矩阵B：

用矩阵B代表观测状态生成矩阵，其中b_ij(k)＝P(o_t＝v_k|i_t＝q_j,i_t-1＝q_i)，表示在t-1时刻的隐藏状态是i_t-1＝q_i、在t时刻的隐藏状态是i_t＝q_j，而对应生成的观察状态为o_t＝v_k的概率；初始状态Π：

定义在初始时刻t＝1的隐藏状态概率分布Π:Π＝[π(i)]_N，其中π(i)＝P(i₁＝q_i)；

综合三次车辆的历史位置，得到车辆的两个位置增量，建立二阶隐马尔科夫模型。

3.根据权利要求2所述的基于边缘计算的盲区车辆碰撞预警方法，其特征是，求解得二阶隐马尔科夫模型参数λ＝(Π,A,B)：

π_i＝γ₁(i) 1≤i≤N

其中，γ₁(i)＝P(i₁＝q_i|O,λ)，代表在给定观测序列O和模型参数λ的条件下，初始时刻的状态为q_i，t时刻为状态q_j的概率；

γ_t(i,j)为给定观测序列O和模型参数λ的条件下，t-1时刻为状态q_i，t时刻为状态q_j的概率，推导出：

ζ_t(i,j,k)为给定观测序列O和模型参数λ的条件下，t-1时刻为q_i，t时刻为q_j，t+1时刻为q_k的概率：

式中，α_t(i,j)为前向传播算法α_t(i,j)＝P(o₁,o₂,…,o_t,i_t-1＝q_i,i_t＝q_j|λ)

β_t(i,j)为后向传播算法β_t(i,j)＝P(o_t+1,o_t+2,…,o_T|i_t-1＝q_i,i_t＝q_j,λ)。

4.根据权利要求3所述的基于边缘计算的盲区车辆碰撞预警方法，其特征是，在步骤3中，车辆GPS位置计算式为：

lat_p(i)＝lat₀(i)+d_x(p_i(t₀),p_i(t_rec))

lon_p(i)＝lon₀(i)+d_y(p_i(t₀),p_i(t_rec))

式中，lat_p(i)为在RSU接收到消息时刻的车辆i的预计位置经度，lon_p(i)为车辆i的预计位置纬度，(lat₀(i),lon₀(i))为车辆i的车载单元OBU周期性采集车辆的经纬度的位置；

d_x(p_i(t₀),p_i(t_rec))＝d(p_i(t₀),p_i(t_rec))·sinθ

d_y(p_i(t₀),p_i(t_rec))＝d(p_i(t₀),p_i(t_rec))·cosθ

θ表示车辆在时刻t_rec的车辆方向；

d(p_i(t₀),p_i(t_rec))表示从t₀到t_rec时间段内行驶的车辆位移，p_i(t₀),p_i(t)分别代表i辆车在t₀和t_rec时刻的位置；t₀为车辆i的时间戳信息，t_rec为RSU开始处理时刻。

5.根据权利要求4所述的基于边缘计算的盲区车辆碰撞预警方法，其特征是，在步骤4中，将车辆的制动处理时间均分为若干份，制动处理时间包括车辆的制动时间和DSRC传输时延。

6.根据权利要求5所述的基于边缘计算的盲区车辆碰撞预警方法，其特征是，在步骤4中，制动时间范围内的车辆未来行车轨迹预测的过程是根据二阶隐马尔科夫模型参数λ＝(Π,A,B)，利用前向传播算法得出的观测序列：

假设车辆现在正在点(lat,lon)，计算得到前两期的位置增量所对应的隐状态分别为Q_t-1＝q_i,Q_t-2＝q_j，查找状态矩阵A得到下一个状态k、1≤k≤8的概率，取出最大的概率值作为当前状态，选当前状态Q_t＝q_k对应的下一时刻经度和纬度的位置增量为(s_i,s_j|s_i∈Q_x,s_j∈Q_y)，设用Δx，Δy分别表示经度、纬度方向上的增量，则新的位置坐标为：(lat₁,lon₁)＝(lat+Δx,lon+Δy)；

再查找发射矩阵B得到车辆在每一个邻居区域的概率大小，选出概率最大的值所在的区域即为车辆的具***置；

将得到的新的状态序列作为已知，进行进一步迭代，即得到制动时间段内车辆的行车轨迹。