CN110310516A - 一种基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法 - Google Patents

Abstract

本发明公开了一种基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法，其步骤如下：(1)在合流区区域内建立一个二维坐标系；(2)根据时间划分车辆轨迹数据集处理顺序的优先级；(3)对处于同一优先级的初始时刻的合流区车辆的行驶轨迹数据集进行分类，(4)基于车辆行驶轨迹数据集，采用卡尔曼滤波法对每个车道上的每一个车辆进行车辆行驶轨迹点预测；(5)对上述坐标点进行线性拟合然后基于函数表达式绘制车辆轨迹线；(6)对上述轨迹交叉点进行冲突判断；该方法创新性地从车辆轨迹角度进行高速公路合流区车辆是否存在交通冲突的判别，并结合轨迹点时空信息建立数学模型进行函数拟合，确保了方法的可靠性和可行性。

Description

一种基于车辆行驶轨迹预测的高速公路合流区交通冲突判别 方法

技术领域

本发明涉及一种交通安全领域，具体而言，是涉及一种高速公路安全领域的交通冲突区域判别方法方法，尤其是，是涉及一种基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法。

背景技术

随着我国高速公路建设事业的不断发展，高速公路中的安全管理问题的重要性也在日益凸显，特别是车辆由高速公路入口经过合流区汇入高速公路主干道时，可能引发交通冲突问题。交通冲突是指在可观测的条件下，2个或2个以上交通参与者在空间和时间上相互接近，以至于如果其中任何一方不改变其行驶轨迹，将会有发生碰撞的风险。而合流区是高速公路常见的交通冲突事故高发区域，若是能够通过一定的技术手段提前感知判别合流区的交通冲突可能发生的时间和地点，将有助于大大提升高速公路合流区的安全性、降低合流区交通事故发生的概率。

目前，现有技术中主要集中于信号灯控制下的交通冲突的研究，针对合流区的交通冲突研究相对较少，大部分集中在安全评价指标体系和评价方法的构建方面，且使用的模型方法较为复杂，难以直接在实际应用中使用。

因此，有必要填补这一空缺，故本发明考虑到实际应用的便捷性，将合流区实际车辆行驶过程的交通冲突判别问题转化为合流区物体运动轨迹的重合判别问题，考虑到实际车辆的大小和实际车流的波动性等因素，以车辆行驶轨迹交叉点为圆心，以一个标准小汽车车长为半径确定一个圆形区域，再进一步的冲突存在性的确定。

发明内容

本发明所要解决的问题是填补便于实际应用的合流区车辆冲突判别技术的空白，提供了一种基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法。

为解决上述技术问题，本发明是采用如下技术方案实现的：

基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法的步骤如下：

步骤一、在合流区区域内建立一个二维坐标系；

合流区范围内建立一个以主干道最外侧的车道中心线与匝道最靠近主干道的路肩的延长线的交点为原点，以高速公路主干道最外侧的车道线为横轴、以过原点与横轴垂直的线为纵轴的二维坐标系。

步骤二、根据时间划分车辆轨迹数据集处理顺序的优先级；

根据时间划分车辆轨迹数据处理顺序的优先级是指从时间的角度划分车辆轨迹数据集处理的先后顺序，划分优先级的原则是先进入合流区的车辆先进行轨迹预测，车辆轨迹数据的表达形式是基于上述二维坐标系进行车辆的中心位置的行驶轨迹点的坐标表示；

步骤三、对处于同一优先级的初始时刻的合流区车辆的行驶轨迹数据集进行分类；

为合流区主干道的最外侧最靠近匝道的车道上的车辆行驶轨迹数据集和匝道每一条车道上的车辆的行驶轨迹数据集两类，每种轨迹数据集均包括车辆的横向方向，即X方向，的位置值、速度分量、加速度分量；和纵向方向，即Y方向，的位置值、速度分量、加速度分量；

步骤四、基于车辆行驶轨迹数据集，对每个车道上的每一个车辆进行行驶轨迹点预测；

对每个车道上的每一个车辆进行行驶轨迹点预测用到的方法为卡尔曼滤波法，卡尔曼滤波预测轨迹的主要步骤是：(a)根据状态方程和观测方程确定运动模型参数，并初始化参数；(b)己知初始时刻下的最优状态估计值以及估计误差方差阵，并根据状态方程预测出下一时刻检测车辆轨迹预测值,同时得到估计误差的协方差阵；(c)根据下一时刻下的观测值得到它的最优状态估计值以及最优估计误差的协方差阵,完成一步滤波；依次迭代得到前一时刻的最优状态估计，完成滤波过程；(d)根据前面得到的前一时刻的最优状态估计，以及当前时刻的观测值预测出下一时刻的轨迹点位置，并将预测点与真实轨迹点进行比较，计算出预测误差；依次重复操作完成未来轨迹点的预测，计算得到预测误差均值；

步骤五、对上述坐标点进行线性拟合处理得到轨迹点的纵坐标与横坐标之间的函数表达式，然后基于函数表达式绘制车辆轨迹线；

步骤六、对上述轨迹交叉点进行冲突判断

基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法中，对上述轨迹交叉点进行冲突存在性判断的具体子步骤如下：

(a)判断不在同一条车道上的两个车辆的预测行驶轨迹线是否存在交叉点，若不存在交叉点则视为这两辆车不存在交通冲突；若存在，则以交叉点为圆心，以一个标准小汽车车长为半径，划定一个圆形区域，记这个圆形区域为冲突区域；

(b)判断这两辆车是否在一定时间阈值内都会到达冲突区域内，若是，则判定为此区域此时间范围内，合流区的这两个车辆存在交通冲突，否则不存在冲突。

与现有技术相比，本发明的有益效果是：

1.本发明创新性地从车辆行驶轨迹角度对高速公路合流区的车辆进行交通冲突判别，具体地说，是一种基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法，并结合车辆的时空信息进行数学建模，确保了该冲突判别方法的可靠性和可行性，填补了现有的合流区交通冲突判别技术不便于实际运用的空白。

2.本发明涉及的高速公路合流区交通冲突区域判别方法中所使用的卡尔曼滤波算法尤其适用于运动状态频繁变化，具有不确定性和不同运动模式的轨迹数据，能够对***状态进行最优估计，能够实现实时运行状态的估计和预测，即使考虑到实际车辆的运行过程中出现频繁的运动状态的改变，也可以进行较高的自适应性调整。

附图说明

下面结合附图对发明作进一步的说明：

图1是本发明所述的基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法的流程示意图；

图2是本发明所述的基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法的坐标系示意图；

图3是本发明所述的基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法的车辆优先级划分示意图。

具体实施方式

为了便于理解，此处结合附图对本发明的具体实施步骤做以下表述。

本具体实时方式涉及一种基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法，如图1所示，所述方法包括如下步骤：

步骤一、在合流区域建立二位坐标系

如图2所示，考虑到后续步骤进行轨迹预测的时候需要统一数据所在的坐标系以便进行数学运算，故，本发明所述的在合流区区域内建立一个二维坐标系是指在合流区范围内建立一个以主干道最外侧的车道中心线与匝道最靠近主干道的路肩的延长线的交点为原点，以高速公路主干道最外侧的车道线为横轴、以过原点与横轴垂直的线为纵轴的二维坐标系。

步骤二、根据时间划分车辆轨迹数据集处理顺序的优先级；

本发明所述的根据时间划分车辆轨迹数据处理顺序的优先级是指从时间的角度根据一定的原则划分车辆轨迹数据集处理的先后顺序，划分优先级的原则是先进入合流区的车辆先进行轨迹预测，车辆轨迹数据的表达形式是基于上述二维坐标系进行车辆的中心位置的行驶轨迹点的坐标表示，表示为(x_i,y_i)。

进行上述处理的原因是考虑到后续进行轨迹预测的步骤中处理合流区车辆轨迹数据时候，如果不对轨迹数据处理进行时间上的划分，则存在某段时间内车流量巨大带来数据繁杂影响数据处理效率的可能，为了避免上述情况的发生，故进行车辆轨迹数据处理顺序的优先级划分。

步骤三、对处于同一优先级的初始时刻的合流区车辆的行驶轨迹数据集进行分类

如图3所示，在具体实施时候，从时间的角度进行划分优先级，首先确定一个初始T时刻对应的时间窗口，记这个时间窗口内的车辆均为第一优先级车辆；然后，设定T+1时刻对应的时间窗口，记这个时间窗口内的车辆均为第二优先级车辆；接着，T+2时刻对应的时间窗口，记这个时间窗口内的车辆均为第三优先级车辆，这样，可以依次得到第N优先级车辆。在进行交通冲突辨识的时候，先对第一优先级车辆进行处理，然后处理第二优先级车辆，接着处理第三优先级车辆，这样依次处理不同优先级的车辆。

本发明所述的对处于同一优先级的初始时刻的合流区车辆的行驶轨迹数据集进行分类是指按照合流区的主干道和匝道进行分类，详细地说，是指分为合流区主干道的最外侧最靠近匝道的车道上的车辆行驶轨迹数据集和匝道每一条车道上的车辆的行驶轨迹数据集两类，每种轨迹数据集均包括车辆的横向方向(也即X方向)的位置值、速度分量、加速度分量和纵向方向(也即Y方向)的位置值、速度分量、加速度分量。。

步骤四、基于车辆行驶轨迹数据集，对每个车道上的每一个车辆进行行驶轨迹点 预测；

本发明所述的基于车辆行驶轨迹数据集，对每个车道上的每一个车辆进行行驶轨迹点预测用到的方法为卡尔曼滤波法，对每个车道上的每一个车辆进行行驶轨迹点预测用到的方法为卡尔曼滤波法，将卡尔曼滤波算法应用于合流区车辆轨迹预测的优势主要体现在如下两个方面:(1)合流区车辆的运动复杂多变不确定性高，而卡尔曼滤波算法尤其适用于运动状态频繁变化、具有不确定性和不同运动模式的轨迹数据，能够对***状态进行最优估计，能够实现实时运行状态的估计和预测，且适用于有限维度线性和非线性的时空轨迹；(2)在进行合流区车辆轨迹预测的时候，其对预测结果的实时性和准确度具有非常高的要求，预测偏差过大或者预测位置点的不精确会导致预测失效，而将卡尔曼滤波算法应用于轨迹预测具有实时性高的优势，对频繁变换运动状态的移动对象具有较高的自适应性，是一种普适的机器学习方法。

卡尔曼滤波预测轨迹的主要步骤是：(a)根据状态方程和观测方程确定运动模型参数，并初始化参数；(b)己知初始时刻下的最优状态估计值以及估计误差方差阵，并根据状态方程预测出下一时刻检测车辆轨迹预测值,同时得到估计误差的协方差阵；(c)根据下一时刻下的观测值得到它的最优状态估计值以及最优估计误差的协方差阵,完成一步滤波；依次迭代得到前一时刻的最优状态估计，完成滤波过程；(d)根据前面得到的前一时刻的最优状态估计，以及当前时刻的观测值预测出下一时刻的轨迹点位置，并将预测点与真实轨迹点进行比较，计算出预测误差；依次重复操作完成未来轨迹点的预测，计算得到预测误差均值。

利用卡尔曼滤波预测车辆轨迹的具体运算过程描述如下：

先设定需要进行轨迹预测的目标车辆的起点位置，这里为了叙述方便，设定需要预测轨迹的目标车辆的起点为距离合流区入口的200米处，同时，预测轨迹时候将坐标轴分开考虑，并对每个坐标轴进行单独地卡尔曼算法预测，这样，便可以将二维预测转化为一维预测，有助于提高预测效率。

下面以X方向上的卡尔曼轨迹预测为例进行运算展示。

设需要进行轨迹预测的车辆的X方向上的状态向量表示为：

式(1)中:x₁(n)为目标车辆在X方向上的第n时刻的位置值；x₂(n)为目标车辆在X方向上的第n时刻的速度值；x₃(n)为目标车辆在X方向上的第n时刻的加速度值。

目标车辆的中心运动状态***方程为:

X(n+1)＝A*X(n)+ε(n) (2)

式(2)中:为***噪声；为状态转移方程；τ为数据上传的时间间隔。

***噪声的协方差矩阵为：

量测方程为：

Z(n)＝C*X(n)+η(n) (4)

式(4)中：C＝[1 0 0]为量测矩阵；η(n)＝v(n)为量测噪声，则量测噪声的方差为这里设定

由以上可知，在递推运算开始进行前必须先求出目标车辆的前一时刻预测协方差矩阵的初始值，为了求出上述初始值，需要先在选定的时间段内选择连续的三个目标车辆的中心点位置x(t)、x(t+1)、x(t+2)并据得到矢量估计矩阵：

由***的状态方程和量测方程可求出出n＝t+2时的状态真值为：

再由式(3)的估计向量求得均方差矩阵：

之后再对下一时刻进行预测，依然是根据上述方程得到预测值，预测值包括位置值、速度值、加速度值。Y方向的卡尔曼预测也同理，可得Y方向的预测值，预测值包括位置值、速度值、加速度值。

为了进一步保证轨迹预测的准确度，对于预测轨迹点与实际轨迹点的几何空间误差采用均方根误差RMSE来计算：

其中，(x_i,y_i)——实际轨迹点的位置坐标；

(x′_i,y′_i)——预测轨迹点的位置坐标；

k——预测轨迹点的数量。

当轨迹预测完成时，根据均方根误差RMSE与给定的阈值(阈值设定为3m)的大小关系确定轨迹预测结果是否准确，当均方根误差RMSE值小于阈值则属于预测准确，命中轨迹点；否则，属于没有命中，若是没有命中，则丢弃此预测点，重新调整相关参数进行预测。

步骤五、将这些由预测得到的轨迹点进行时间和空间上的处理，得到每条车道上每辆车的预测后得到的车辆行驶轨迹；

对每一个车辆都进行上述时空处理，可以得到的预测的行驶轨迹点的坐标，然后采用一元线性回归对这些坐标点进行线性拟合处理，处理可以得到轨迹点的纵坐标与横坐标之间的函数表达式：y_i＝f(x_i)＝a*x_i+b，接着，基于函数表达式绘制车辆轨迹线。

对前述得到的目标车辆的实际坐标点及预测坐标点进行线性拟合处理，为了更好地得到目标车辆轨迹点的纵坐标与横坐标之间的函数表达式，在进行拟合的时候基于最小二乘法进行一元线性回归进行拟合，对这些坐标点进行线性拟合处理，处理可以得到轨迹点的纵坐标与横坐标之间的函数表达式，接着，基于函数表达式绘制车辆轨迹线，需要说一下的是，为了更好地进行后续的冲突存在性的判断，会对合流区的每条车道上的每一个车辆都进行上述时空处理。

步骤六、进行冲突判别。

在车辆在经过合流区时候，必然存在处于不同车道的车辆的轨迹线存在交叉的地方，也即存在轨迹交叉点，这些交叉点是潜在冲突点，也即存在发生交通冲突的可能但是不一定会发生交通冲突。下面进行合流区车辆与车辆之间冲突存在性的判断。然后对轨迹交叉点进行冲突判断，具体子步骤如下：

(a)判断不在同一条车道上的两个车辆的预测行驶轨迹线是否存在交叉点，若不存在交叉点则视为这两辆车不存在交通冲突；若存在，则以交叉点为圆心，以一个标准小汽车车长为半径，划定一个圆形区域，记这个圆形区域为冲突区域；

(b)判断这两辆车是否在一定时间阈值内都会到达冲突区域内，若是，则判定为此区域此时间范围内，合流区的这两个车辆存在交通冲突，否则不存在冲突。

以上仅仅是本专利的优选技术方案而已，其目的是为了阐明本专利的发明实质，凡是在本专利发明构思下对本专利进行的修改，例如对某些要素的替换、改变、删除由于其不脱离本专利的发明构思，因此均应当纳入到本专利的保护范围之内。

Claims (1)

1.一种基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法，其特征在于，所述的基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法的步骤如下：

步骤一、在合流区区域内建立一个二维坐标系；

合流区范围内建立一个以主干道最外侧的车道中心线与匝道最靠近主干道的路肩的延长线的交点为原点，以高速公路主干道最外侧的车道线为横轴、以过原点与横轴垂直的线为纵轴的二维坐标系。

步骤二、根据时间划分车辆轨迹数据集处理顺序的优先级；

根据时间划分车辆轨迹数据处理顺序的优先级是指从时间的角度划分车辆轨迹数据集处理的先后顺序，划分优先级的原则是先进入合流区的车辆先进行轨迹预测，车辆轨迹数据的表达形式是基于上述二维坐标系进行车辆的中心位置的行驶轨迹点的坐标表示；

步骤三、对处于同一优先级的初始时刻的合流区车辆的行驶轨迹数据集进行分类；

为合流区主干道的最外侧最靠近匝道的车道上的车辆行驶轨迹数据集和匝道每一条车道上的车辆的行驶轨迹数据集两类，每种轨迹数据集均包括车辆的横向方向，即X方向，的位置值、速度分量、加速度分量；和纵向方向，即Y方向，的位置值、速度分量、加速度分量；

步骤四、基于车辆行驶轨迹数据集，对每个车道上的每一个车辆进行行驶轨迹点预测；

对每个车道上的每一个车辆进行行驶轨迹点预测用到的方法为卡尔曼滤波法，卡尔曼滤波预测轨迹的主要步骤是：(a)根据状态方程和观测方程确定运动模型参数，并初始化参数；(b)己知初始时刻下的最优状态估计值以及估计误差方差阵，并根据状态方程预测出下一时刻检测车辆轨迹预测值,同时得到估计误差的协方差阵；(c)根据下一时刻下的观测值得到它的最优状态估计值以及最优估计误差的协方差阵,完成一步滤波；依次迭代得到前一时刻的最优状态估计，完成滤波过程；(d)根据前面得到的前一时刻的最优状态估计，以及当前时刻的观测值预测出下一时刻的轨迹点位置，并将预测点与真实轨迹点进行比较，计算出预测误差；依次重复操作完成未来轨迹点的预测，计算得到预测误差均值；

步骤五、对上述坐标点进行线性拟合处理得到轨迹点的纵坐标与横坐标之间的函数表达式，然后基于函数表达式绘制车辆轨迹线；

步骤六、对上述轨迹交叉点进行冲突判断

基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法中，对上述轨迹交叉点进行冲突存在性判断的具体子步骤如下：

(a)判断不在同一条车道上的两个车辆的预测行驶轨迹线是否存在交叉点，若不存在交叉点则视为这两辆车不存在交通冲突；若存在，则以交叉点为圆心，以一个标准小汽车车长为半径，划定一个圆形区域，记这个圆形区域为冲突区域；

(b)判断这两辆车是否在一定时间阈值内都会到达冲突区域内，若是，则判定为此区域此时间范围内，合流区的这两个车辆存在交通冲突，否则不存在冲突。