CN112270840B - 车路协同环境下基于单车运动特征的信息可信辨识方法 - Google Patents
车路协同环境下基于单车运动特征的信息可信辨识方法 Download PDFInfo
- Publication number
- CN112270840B CN112270840B CN202011145584.3A CN202011145584A CN112270840B CN 112270840 B CN112270840 B CN 112270840B CN 202011145584 A CN202011145584 A CN 202011145584A CN 112270840 B CN112270840 B CN 112270840B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- automobile
- acceleration
- speed
- point
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
- G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车路协同环境下基于单车运动特征的信息可信辨识方法,结合车路协同环境下单车运动特征分析以及单车信息交互逻辑,从物理边界和运动状态两个维度构建单车信息交互可信辨识模型,采用可信辨识模型检测自车及***产生的交互信息是否合法,对于合法的交互信息,终端直接使用,对于不合法异常交互信息,终端执行异常信息上报并启动应急模式;本发明能够有效解决因人为伪造、恶意篡改、设备异常等情况产生的不符合交通业务特征的数据和信息对车路协同环境下的交通***所带来的安全问题,实现对现有车路协同环境下交通***信息交互安全性与可靠性的提升。
Description
技术领域
本发明涉及车路协同及网络安全技术领域,尤其涉及一种车路协同环境下基于单车运动特征的信息可信辨识方法。
背景技术
车路协同***及技术是新一代智能交通***的发展趋势,基于车-车、车-路的实时交互,可以实现更加高效、安全的交通组织与管理效益。如何确保交通信息交互的安全可靠,对于车路协同***的应用具有重要意义。
车路协同***的核心功能如车辆安全辅助驾驶、基于车路协同的自动驾驶、多车协同驾驶等,都需要依靠稳定和可信的交通信息交互才能得以实现。目前,对于车路协同***中的交通信息交互,传统的信息安全技术重点在于:
(1)通信层:通信稳定、交互频率
(2)数据层:身份认证、数据加解密
但是,对于当前车路协同***的应用环境而言,其对于交通信息的可靠性需求,不能只考虑传统通信层面的可靠性和安全性,还需要结合交通业务特征来甄别交互信息的可信程度,从而避免由于交通信息异常导致的包括***整体功能失效在内的多种风险的发生。
发明内容
本发明的目的是提供一种车路协同环境下基于单车运动特征的信息可信辨识方法,能够有效提高车路协同环境下交通信息交互的安全性和可靠性。
本发明采用的技术方案为:
车路协同环境下基于单车运动特征的信息可信辨识方法,包括
S1、确定单车层面信息交互可信度辨识所基于的特征属性,根据特征属性采集对应的业务特征;
单车层面信息交互可信度辨识所基于的特征属性包括物理边界角度属性和运动状态角度属性;
物理边界角度属性包括车路相对位置、道路高度限制、汽车最大速度、汽车最大加速度和汽车最小转弯半径;
运动状态角度属性包括汽车转弯半径、汽车速度和汽车加速度;
S2、根据特征属性构建单车层面的可信特征模型,采用可信特征模型检测所采集的业务特征是否合法:终端采集的业务特征输入对应可信特征模型,比较边界数据值与采集的数值,判断采集的业务特征是否合法,合法则为可信特征,反之则为不可信特征;
单车层面的可信特征模型基于车辆运动学模型进行计算和判断;
S3、对于可信特征,终端直接使用,对于不可信特征,终端不使用并作为异常信息上报。
进一步地,所述步骤S2具体包括:
(a)当特征属性为车路相对位置时,步骤S2过程如下:
1.1:定义待测车辆为长L、宽W、高H的长方体;
1.2:选取矩形几何中心点(x,y)作为待测车辆的位置;
1.3:终端对待测车辆的位置进行采样,获取样本坐标(x1,y1),(x2,y2),(x3,y3),…,(xk,yk),…, (xn,yn);
1.4:终端返回样本坐标距离四周道路的长度,即车路相对位置,包括左侧距离Dleft、右侧距离Dright、前方距离Dfront和后方距离Dback;
1.5:判断采集的车路相对位置是否符合限定值的范围要求,若是,则采集的业务特征为可信特征,反之则为不可信特征;采集的车路相对位置符合限定值范围要求需满足以下条件:
公式(1-1)中,δD表示距离容差值;
(b)当特征属性为道路高度限制时,步骤S2过程如下:
2.1:定义待测车辆为长L、宽W、高H的长方体;
2.2:终端采集待测车辆通过路段的道路高度限制信息,获取该路段限高数值Hlimit;
2.3:判断采集的限高数值Hlimit与待测车辆的高度H是否相符,若是,则采集的道路高度限制信息为可信特征,反之,则为不可信特征;限高数值Hlimit与待测车辆的高度H相符需满足以下条件:
H≤Hlimit+δH (2-1)
公式(2-1)中,δH表示高度容差值;
(c)当特征属性为汽车最大速度时,步骤S2过程如下:
3.1:终端对待测车辆的速度进行采样,获取样本速度v1,v2,…,vk,…,vn;
3.2:判断采集的速度是否符合所通行路段及车辆的限速要求,若是,则采集的车辆速度为可信特征,反之,则为不可信特征;速度符合限速要求需满足以下条件:
公式(3-1)中,vk表示采集的待测车辆的速度,vmax表示待测车辆预设的最大速度,vlimit表示待测车辆通行路段的最高限速,δv表示速度容差值;
(d)当特征属性为汽车最大加速度时,步骤S2过程如下:
4.1:终端对待测车辆的加速度进行采样,获取样本点加速度a1,a2,…,ak,…,an;
4.2:终端对待测汽车的轴向加速度进行采样,获取样本点纵向加速度 aMD1,aMD2,…,aMDk,…,aMDn;
4.3:终端对待测汽车的横向加速度进行采样,获取样本点横向加速度 aTD1,aTD2,…,aTDk,…,aTDn;
4.4:判断采集的加速度是否符合加速度约束要求,若是,则采集的加速度为可信特征,反之,则为不可信特征;采集的加速度符合加速度约束要求需满足以下条件:
ak≤amax+δa(1≤k≤n) (4-2)
公式(4-1)和公式(4-2)中,ak表示第k个样本点的加速度,aMDk表示第k个样本点的纵向加速度,aTDk表示第k个样本点的横向 加速度,amax表示待测车辆的预设最大加速度,δa表示加速度容差值;
(e)当特征属性为汽车最小转弯半径时,步骤S2过程如下:
5.1:终端采样待测汽车的转弯半径数值Rk;
5.2:判断采集的转弯半径是否符合半径约束要求,若是,则采集的转弯半径为可信特征,反之,则为不可信特征;转弯半径符合半径约束要求需满足以下条件:
公式(5-1)中,Dmin表示待测汽车所行驶路段的转弯道宽度,δR表示转弯半径容差值;
(f)当特征属性为汽车转弯半径时,步骤S2过程如下:
6.1:建立汽车运动学模型;
6.2:根据汽车运动学模型计算待测汽车的转弯半径,获取转弯半径R1,R2,…,Rk,…,Rn;Rk表示汽车运动学模型输出的位置点k的转弯半径;转弯半径Rk的获取过程如下:
选择待测汽车的一个坐标点,采集待测汽车转弯时该坐标点连续三个位置点的坐标信息 (xk,yk)、(xk+1,yk+1)、(xk+2,yk+2);
根据三点定圆定理,确定三个位置点所在的圆,计算获取圆的半径Rk,即为待测汽车的转弯半径;
6.3:终端采集待测车辆在对应位置的转弯半径样本R′1,R′2,…,R′k,…,R′n;R′k表示终端采集的位置点k的转弯半径;
6.4:判断终端采集的转弯半径样本是否符合模型半径约束要求,若是,则采集的转弯半径样本为可信特征,反之,则为不可信特征;转弯半径样本符合模型半径约束要求需满足以下条件:
公式(6-1)中,αR表示转弯半径置信度;
(g)当特征属性为汽车速度时,步骤S2过程如下:
7.1:建立汽车运动学模型;
7.2:根据汽车运动学模型计算待测汽车的汽车速度,获取汽车速度v1,v2,…,vk,…,vn; vk表示汽车运动学模型输出的位置点k的汽车速度;汽车速度vk的获取过程如下:
取任意时刻待测汽车的一个位置点(xk,yk)为起始点,沿汽车运动方向选取三个连续的位置点坐标(xk,yk)、(xk+1,yk+1)、(xk+2,yk+2),根据三个连续位置点的坐标计算对应的汽车速度vk;计算公式如下:
公式(7-1)中,Rk表示转弯半径,T表示时间间隔;
7.3:终端采集待测车辆在对应位置的汽车速度样本v′1,v′2,…,v′k,…,v′n;v′k表示终端采集的位置点k的汽车速度;
7.4:判断终端采集的汽车速度样本是否符合模型速度约束要求,若是,则采集的汽车速度样本为可信特征,反之,则为不可信特征;汽车速度样本符合模型速度约束要求需满足以下条件:
公式(7-2)中,αv表示汽车速度置信度;
(h)当特征属性为汽车加速度时,步骤S2过程如下:
8.1:建立汽车运动学模型;
8.2:根据汽车运动学模型计算待测汽车的加速度,获取汽车加速度a1,a2,…,ak,…,an; ak表示汽车运动学模型输出的位置点k的汽车加速度;汽车加速度ak的获取过程如下:
采集连续多个位置点的坐标及速度,计算汽车从第k个采样位置行驶到第k+3个采样位置的平均加速度,计算公式如下:
公式(8-1)中,vk+3表示第k+3个位置点的速度,vk表示第k个位置点的速度,T表示用于采集业务特征的终端的采样周期;
8.3:终端采集待测车辆在对应位置的汽车加速度样本a′1,a′2,…,a′k,…,a′n;a′k表示终端采集的位置点k的加速度;
8.4:判断终端采集的汽车加速度样本是否符合模型加速度约束要求,若是,则采集的汽车加速度样本为可信特征,反之,则为不可信特征;汽车加速度样本符合模型速度约束要求需满足以下条件:
公式(8-2)中,αa表示加速度置信度。
进一步地,所述步骤6.2具体过程如下:
定义(xf,yf)为汽车前轴中心点坐标,(xr,yr)为汽车后轴中心点坐标,(xrL,yrL)为汽车左前轮坐标,(xrR,yrR)为汽车右前轮坐标,v为汽车前轴中心点的速度,l为汽车轴距,w为汽车轮距,φ为汽车前轴中心点转向角,θ为汽车中心轴与水平方向的夹角;
汽车前轴中心的运动轨迹满足:
(xf-a)2+(yr-b)2=l×cscφ (6-2)
公式(6-2)中,a和b满足:
公式(6-3)中,(xf0,yf0,θ0)为(xf,yf,θ)的初始值;
根据三点定圆定理,通过终端采样所得连续三个位置点(x1,y1)、(x2,y2)、(x3,y3)计算出三点所在的圆,并获取此刻的转弯半径;连续三个位置点所在圆的圆心(x,y)为:
采用A、B、C、D表示为:
最终解得圆的半径R为:
由于此时选择的三个连续点为(x1,y1)、(x2,y2)、(x3,y3),将此时圆的半径命名为R1,即为此时汽车的转弯半径R1,同理,对于任意三个连续的位置点(xk,yk)、(xk+1,yk+1)、(xk+2,yk+2),计算得到的汽车转弯半径为Rk。
进一步地,所述步骤7.2具体过程如下:
取任意时刻的一个位置点为起始点,沿汽车运动方向连续选取两个位置点(x1,y1)、 (x2,y2),分别命名为A点、O点;
计算弧长AO的长度S:
公式(7-3)中的转弯半径R由A点之后的连续三个位置点计算得出,故选择三个连续的位置点A、B、C,坐标分别为(x1,y1)、(x2,y2)、(x3,y3),公式(7-3)通过下式表达:
相邻A、B两点之间的汽车行驶时间t为:
t=2×T (7-5)
公式(7-5)中,T表示终端采集设备的采样周期;
定义汽车在A点的瞬时速度为弧线AC之间的平均速度,汽车在A点的速度为:
根据汽车在A点的速度v的求解过程,对于任意一点(xk,yk),取三个连续的位置点(xk,yk)、 (xk+1,yk+1)、(xk+2,yk+2),即可计算出对应的速度为vk:
进一步地,所述步骤8.2具体过程如下:
选取连续六个位置点的坐标(xk,yk)、(xk+1,yk+1)、(xk+2,yk+2)、(xk+3,yk+3)、(xk+4,yk+4)、 (xk+5,yk+5),通过轨迹计算获取第k个采样点位置的速度vk和第k+3个采样点位置的速度vk+3,计算公式如下:
公式(8-3)中,Rk表示待测汽车在第k个采样点位置的转弯半径,Rk+3表示待测汽车在第k+3个采样点位置的转弯半径;
选取的两个位置点之间相差的时间间隔为Δt:
Δt=3×T (8-4)
公式(8-4)中,T表示终端采样设备的采样周期;
根据加速度定义,得到汽车从第k个采样位置行驶到第k+3个采样位置时的平均加速度为:
定义汽车在第k个采样位置时的瞬时加速度ak为公式(8-5)中的平均加速度a,即:
本发明具有以下有益效果:
通过在传统信息交互安全的基础上,结合交通业务特征,构建基于单车层面交通特征分析的信息可信辨识模型及方法,有效解决因人为伪造、恶意篡改、设备异常等行为产生的不符合交通业务特征的数据和信息对车路协同环境下的交通***所带来的隐患,实现对现有车路协同环境下交通***信息交互安全性与可靠性的提升。
附图说明
图1为本发明的流程图;
图2为实施例一中微型车仿真试验结果图;
图3为实施例二中大中型车仿真试验结果图;
图4为实施例三中小客车仿真试验结果图;
图5为实施例四中微型车仿真试验结果图;
图6为实施例五中大中型车仿真试验结果图;
图7为实施例六中汽车运动学模型图;
图8为实施例七中汽车运动学模型图。
具体实施方式
一种车路协同环境下基于单车运动特征的信息可信辨识方法,包括:
S1、确定单车层面信息交互可信度辨识所基于的特征属性,根据特征属性采集对应的业务特征;
单车层面信息交互可信度辨识所基于的特征属性包括物理边界角度属性和运动状态角度属性;
物理边界角度属性包括车路相对位置、道路高度限制、汽车最大速度、汽车最大加速度和汽车最小转弯半径;
运动状态角度属性包括汽车转弯半径、汽车速度和汽车加速度;
S2、根据特征属性构建单车层面的可信特征模型,采用可信特征模型检测所采集的业务特征是否合法:终端采集的业务特征输入对应可信特征模型,比较边界数据值与采集的数值,判断采集的业务特征是否合法,合法则为可信特征,反之则为不可信特征;
单车层面的可信特征模型基于车辆运动学模型进行计算和判断;
S3、对于可信特征,终端直接使用,对于不可信特征,终端不使用并作为异常信息上报。
为了更好地理解本发明,下面结合具体实施例对本发明的技术方案做进一步说明。
采用目前市场在售车辆的真实车辆参数对本实施例进行仿真试验验证。本实施例基于 GB/T3730.1分类方法、GA802分类方法,按照微型车、小客车和大中型车的分类类型,选取哈弗H2自动时尚型作为微型车代表,选取林肯领航员尊耀版作为小客车代表,选取宇通 ZK6120HQ作为大中型车代表,它们的具体参数分别如表1至表3所示所示:
表1微型车哈弗H2自动时尚型参数
表2小客车林肯领航员尊耀版参数
表3大中型车宇通ZK6120HQ参数
以下实施例依据表1至表3汽车参数进行仿真试验。
实施例一:特征属性为车路相对位置
车辆需要在给定的物理边界内行驶,如果车辆的位置超过了给定边界的限制,则从路侧设备和车载设备传输得到的信息可判定为异常数据信息。
具体过程如下:
S1、确定单车层面信息交互可信度辨识所基于的特征属性为车路相对位置,根据特征属性采集对应的业务特征;
S2、根据特征属性构建单车层面的可信特征模型,采用可信特征模型检测所采集的业务特征是否合法,合法则为可信特征,反之则为不可信特征:将采集的业务特征数值与待测车辆对应的限定值进行比较,若业务特征的数值在限定值范围内,则判定为可信特征,反之则判定为不可信特征。具体为:
1.1:定义待测车辆为长L、宽W、高H的长方体。
1.2:选取矩形几何中心点(x,y)作为待测车辆的位置。
当从车位置方面检测数据的正确性时,无需考虑汽车的高度H,只需考虑水平方向。水平方向汽车的模型可以近似看成一个矩形,因此可选取该矩形的几何中心点(x,y)作为汽车的位置。
1.3:采用路侧设备和车载设备作为采集数据的终端,终端对待测车辆的位置进行采样,获取样本坐标(x1,y1),(x2,y2),(x3,y3),…,(xk,yk),…,(xn,yn)。
1.4:终端返回样本坐标距离四周道路的长度,包括左侧距离Dleft、右侧距离Dright、前方距离Dfront和后方距离Dback。
1.5:判断采集的车路相对位置是否符合限定值的范围要求,若是,则采集的业务特征为可信特征,反之则为不可信特征。
车路相对位置符合限定值范围要求需满足以下条件:
公式(1-1)中,δD表示距离容差值;
S3、对于可信特征,终端直接使用,对于不可信特征,终端不使用并作为异常信息上报。
下面通过仿真试验进行验证。
路侧设备或车载设备返回汽车中心点(x,y)距离四周道路的长度,分别为Dleft、Dright、 Dfront、Dback,连续取七个位置点,令容差值δD=0.1m,对哈弗H2自动时尚型、林肯领航员尊耀版、宇通ZK6120HQ三种汽车进行仿真并可视化表示结果。
如图2所示,在位置点4时,汽车右侧距离差值小于容差值,即,此时汽车的右侧边缘已经不在道路上,违背正常的驾驶规律。此时可以判定路侧设备或智能车载设备返回的数据信息出现异常。
实施例二:特征属性为道路高度限制
当车辆通过桥梁、隧道时,会对可以通行的汽车有高度的限制,另外,为了避免超载,对路面造成永久性的损害,部分道路也会对汽车的高度有强制的限制。因此,当汽车的高度 H超过道路的限高H1imit时,说明路侧设备传回的道路高度限制信息存在问题。
具体过程如下:
S1、确定单车层面信息交互可信度辨识所基于的特征属性为道路高度限制,根据特征属性采集对应的业务特征;
S2、根据特征属性构建单车层面的可信特征模型,采用可信特征模型检测所采集的业务特征是否合法,合法为可信特征,反之则为不可信特征:将采集的业务特征数值与待测车辆对应的限定值进行比较,若业务特征的数值在限定值范围内,则判定为可信特征,反之则判定为不可信特征。具体为:
2.1:定义待测车辆为长L、宽W、高H的长方体。
2.2:终端采集待测车辆通过路段的道路高度限制信息,获取该路段限高数值Hlimit。
2.3:判断采集的限高数值Hlimit与待测车辆的高度H是否相符,若是,则采集的道路高度限制信息为可信特征,反之,则为不可信特征;限高数值Hlimit与待测车辆的高度H相符需满足以下条件:
H≤Hlimit+δH (2-1)
公式(2-1)中,δH表示高度容差值。
S3、对于可信特征,终端直接使用,对于不可信特征,终端不使用并作为异常信息上报。
下面通过仿真试验进行验证。
根据目前市场上车辆的高度,车辆最大高度低于10m,故令Hlimit=10m。
选择哈弗H2自动时尚型、林肯领航员尊耀版、宇通ZK6120HQ三种汽车进行仿真,将仿真得到的结果可视化。令大中型车的高度容差值为δH=0.1m,如图3所示,当宇通ZK6120HQ在位置点3和位置点4时,道路限制高度小于汽车高度,并且差值大于设定的容差值,也就是说,此时汽车根本不可能通过这两个位置点的道路,此时数据一定发生了异常。
与汽车位置不同的是,汽车的高度始终是一个定值,一般情况下不会发生改变,而且道路的高度限制也始终是一个定值(不考虑修路等特殊因素),所以路侧设备或智能车载设备返回的道路高度也应该是一个定值。因此这是两个定值之间的比较,不再需要考虑设备偶尔出现的失误。对于道路高度限制这一可信特征,只要***发现一个数据超出我们可以承受的范围,我们就可以认定数据出现异常。
实施例三:特征属性为汽车最大速度
汽车能够达到的最大速度受到自身性能的限制,在汽车生产时,厂家会设定汽车的最大速度vmax。
具体过程如下:
S1、确定单车层面信息交互可信度辨识所基于的特征属性为汽车最大速度,根据特征属性采集对应的业务特征;
S2、根据特征属性构建单车层面的可信特征模型,采用可信特征模型检测所采集的业务特征是否合法,合法则为可信特征,反之则为不可信特征:将采集的业务特征数值与待测车辆对应的限定值进行比较,若业务特征的数值在限定值范围内,则判定为可信特征,反之则判定为不可信特征。具体为:
3.1:终端对待测车辆的速度进行采样,获取样本速度v1,v2,...,vk,...,vn。
3.2:判断采集的速度是否符合所通行路段及车辆的限速要求,若是,则采集的车辆速度为可信特征,反之,则为不可信特征。
汽车正常行驶时,其速度一定小于物理限制的最大速度vmax,同时小于路段的限速vlimit,对于任意的1≤k≤n,其速度符合限速要求需满足以下条件:
公式(3-1)中,vk表示采集的待测车辆的速度,vmax表示待测车辆预设的最大速度,vlimit表示待测车辆通行路段的最高限速,δv表示速度容差值。
S3、对于可信特征,终端直接使用,对于不可信特征,终端不使用并作为异常信息上报。
下面通过仿真试验进行验证。
不同道路对不同汽车的最大速度有一个限制为vlimit,设置汽车速度的容差值为δv=5km·h-1。如图4所示的仿真结果,在位置点3,汽车的速度v3=250km·h-1,超过了当时道路限速vlimit=120km·h-1同时也超过了该汽车的最大速度vmax=197km·h-1,可以认为该数据出现了异常,但是考虑到在整个采样过程中,只有单独这一个点出现了过大的情况,因此也有可能是由于路侧设备或智能车载设备的失误造成的,因此需要报告异常进行检查。
实施例四:特征属性为汽车最大加速度
具体过程如下:
S1、确定单车层面信息交互可信度辨识所基于的特征属性为汽车最大加速度,根据特征属性采集对应的业务特征;
S2、根据特征属性构建单车层面的可信特征模型,采用可信特征模型检测所采集的业务特征是否合法,合法则为可信特征,反之则为不可信特征:将采集的业务特征数值与待测车辆对应的限定值进行比较,若业务特征的数值在限定值范围内,则判定为可信特征,反之则判定为不可信特征。具体为:
4.1:加速度通过车载的加速度传感器计算并传送的加速度数据为采样之后的一系列采样点a1,a2,...,ak,...,an;
4.2:对于可同时显示汽车的纵向加速度的车载加速度传感器,加速度传感器同时返回样本点纵向加速度aMD1,aMD2,...,aMDk,...,aMDn;汽车纵向加速度表示沿着车的轴向的加速度。
4.3:对于可同时显示汽车的纵向加速度的车载加速度传感器,加速度传感器同时返回样本点横向加速度aTD1,aTD2,...,aTDk,...,aTDn;汽车横向加速度指的是与汽车行驶方向垂直的方向的加速度。
4.4:判断采集的加速度是否符合加速度约束要求,若是,则采集的加速度为可信特征,反之,则为不可信特征。
汽车加速度、纵向加速度和横向加速度满足平行四边形法则,因此对于任意1≤k≤n,均要求满足:
公式(4-1)中,ak表示第k个样本点的加速度,aMDk表示第k个样本点的纵向加速度,aTDk表示第k个样本点的横向 加速度。
除了最大速度受到汽车物理性能的约束外,汽车的最大加速度也会受到汽车性能的约束,因此,加速度同时要求满足:
ak≤amax+δa(1≤k≤n) (4-2)
公式(4-2)中,amax表示待测车辆的预设最大加速度,δa表示加速度容差值。
S3、对于可信特征,终端直接使用,对于不可信特征,终端不使用并作为异常信息上报。
下面通过仿真试验进行验证。
本实施例的仿真试验中只考虑汽车加速时的正加速度,微型车哈弗H2自动时尚型的可视化结果如图5所示,哈弗H2自动时尚型加速时的最大加速度为amax=3.09m·s-2,设置容差值为δa=0.1km·h-1。
与车路相对位置和汽车最大速度两个可信特征相同,对于汽车最大加速度,考虑到加速度传感设备可能会偶尔出现失误,因此,只有连续出现3次及以上数据异常时,我们才认为数据遭到攻击。
根据图5所示仿真结果,在第4、第5和第6个位置点连续三次出现设备返回的实时加速度大于汽车的出厂制造时所标注的最大加速度,并且超出范围远大于设置的容差值δa,即超出了接受的误差范围,据此可以判定,信息传输过程中遭到了攻击和篡改。
实施例五:特征属性为汽车最小转弯半径
当汽车转向盘转到极限位置,以最低速度稳定转向时,外侧转向轮的行驶的轨迹圆半径为汽车的最小转弯半径。
具体过程如下:
S1、确定单车层面信息交互可信度辨识所基于的特征属性为汽车最小转弯半径,根据特征属性采集对应的业务特征;
S2、根据特征属性构建单车层面的可信特征模型,采用可信特征模型检测所采集的业务特征是否合法,合法则为可信特征,反之则为不可信特征:将采集的业务特征数值与待测车辆对应的限定值进行比较,若业务特征的数值在限定值范围内,则判定为可信特征,反之则判定为不可信特征。具体为:
5.1:终端采样待测汽车的转弯半径数值Rk;
5.2:判断采集的转弯半径是否符合半径约束要求,若是,则采集的转弯半径为可信特征,反之,则为不可信特征。
考虑到实际的交通情况,汽车所行驶路段的转弯道宽度Dmin必须大于汽车的转弯半径R 和汽车的最小转弯半径Rmin,智能车载设备返回的汽车转弯半径R应该始终小于汽车的最小转弯半径Rmin。因此,对于任意1≤k≤n,并考虑容差值,得到半径约束要求如下:
公式(5-1)中,Rmin表示汽车最小转弯半径,Dmin表示待测汽车所行驶路段的转弯道宽度,δR表示转弯半径容差值。
汽车最小转弯半径的大小与汽车的轴距、轮距及转向轮的最大转角有关。某些品牌的汽车在制造出厂时会表明汽车的最小转弯半径,除了实际测量之外,转弯半径还有多种计算方式,如以转向轮外轮中心轨迹计算最小转弯半径和以车身最外点计算最小转弯半径。本发明直接使用汽车最小转弯半径的简易经验公式:
Rmin=2.4×L (5-2)
公式(5-2)中,Rmin为车辆最小转弯半径,L为车辆长度。
S3、对于可信特征,终端直接使用,对于不可信特征,终端不使用并作为异常信息上报。
下面通过仿真试验进行验证。
各类汽车的最小转弯半径范围如表4所示:
表4各类汽车转弯半径
城市道路转弯半径按下列标准控制:
主干道为20~30m;次干道为15~20m;非主次道路为10~20m。
汽车的转弯半径受到汽车最小转弯半径和当前转弯道宽度的限制。为了更好说明,本实施例中以大中型车宇通ZK6120HQ的可视化结果为例进行说明,而道路选择转弯道宽度为 Dmin=20m的主干道,和转弯道宽度为Dmin=6m的居住区道路,结果如下图6所示。
转弯半径与汽车速度和汽车位置不同,在一段时间内,数值大小较为固定,因此,对于转弯半径数据是否异常并不像汽车速度一样,需要连续3个异常才能判断,在本实施例中,转弯半径的一个数据出现异常,即可认为信息受到了篡改。根据图6所示,在第7和第8个位置点,转弯道宽度小于了宇通ZK6120HQ的最小转弯半径,也就是说,宇通ZK6120HQ根本无法在此类道路上完成转弯过程,据此,可以认为该数据异常。
实施例六:特征属性为汽车转弯半径
单车物理边界的可信特征模型是通过物理世界的强制限制而对智能交通设备传递的信息做判断,基于运动状态的角度构建信息交互的可信特征模型,是利用采样得到的轨迹点进行计算,判断计算出的转弯半径、速度、加速度与智能设备返回值的差异程度,从而进一步判断信息的可信性。
本实施例具体过程包括:
S1、确定单车层面信息交互可信度辨识所基于的特征属性为汽车转弯半径,根据特征属性采集对应的业务特征;
S2、根据特征属性构建单车层面的可信特征模型,采用可信特征模型检测所采集的业务特征是否合法,合法则为可信特征,反之则为不可信特征:将采集的业务特征数值与待测车辆对应的限定值进行比较,若业务特征的数值在限定值范围内,则判定为可信特征,反之则判定为不可信特征。具体为:
6.1:建立汽车运动学模型。
在根据路侧设备和智能车载设备采样得到的位置点,计算出各个位置的转弯半径前,首先要对汽车的运动学建模,运动学模型如图7所示。其中,(xf,yf)是汽车前轴中心点坐标, (xr,yr)是汽车后轴中心点坐标,(xrL,yrL)是汽车左前轮坐标,(xrR,yrR)是汽车右前轮坐标,v是汽车前轴中心点的速度,l是汽车轴距,w是汽车轮距,φ是汽车前轴中心点转向角,θ是汽车中心轴与水平方向的夹角。
6.2:根据汽车运动学模型计算待测汽车的转弯半径,获取转弯半径R1,R2,...,Rk,...,Rn;Rk表示汽车运动学模型输出的位置点k的转弯半径。具体为:
定义(xf,yf)为汽车前轴中心点坐标,(xr,yr)为汽车后轴中心点坐标,(xrL,yrL)为汽车左前轮坐标,(xrR,yrR)为汽车右前轮坐标,v为汽车前轴中心点的速度,l为汽车轴距,w为汽车轮距,φ为汽车前轴中心点转向角,θ为汽车中心轴与水平方向的夹角;
汽车前轴中心的运动轨迹满足:
(xf-a)2+(yr-b)2=l×cscφ (6-2)
公式(6-2)中,csc为余割函数,a和b满足:
公式(6-3)中,(xf0,yf0,θ0)为(xf,yf,θ)的初始值。
由上可知,汽车前轴中心点(xf,yf)的运动轨迹为一个标准的圆,同理,汽车上的任一点的运动轨迹均为标准圆。根据三点定圆定理,通过终端采样所得连续三个位置点(x1,y1)、(x2,y2)、 (x3,y3)计算出三点所在的圆,并获取此刻的转弯半径;连续三个位置点所在圆的圆心(x,y)为:
采用A、B、C、D表示为:
最终解得圆的半径R为:
由于此时选择的三个连续点为(x1,y1)、(x2,y2)、(x3,y3),将此时圆的半径命名为R1,即为此时汽车的转弯半径R1,同理,对于任意三个连续的位置点(xk,yk)、(xk+1,yk+1)、(xk+2,yk+2),计算得到的汽车转弯半径为Rk。
6.3:路侧设备或智能车载设备返回待测车辆在对应位置的转弯半径样本 R′1,R′2,...,R′k,...,R′n;R′k表示终端采集的位置点k的转弯半径。
6.4:判断终端采集的转弯半径样本是否符合模型半径约束要求,若是,则采集的转弯半径样本为可信特征,反之,则为不可信特征。
对于某一位置,如果通过轨迹点计算出的汽车转弯半径Rk与智能设备返回的转弯半径Rk′差距过大,则说明设备返回的数据存在问题,因此,转弯半径样本符合模型半径约束要求需满足以下条件:
公式(6-1)中,αR表示转弯半径置信度。
满足公式(6-1)时认为设备返回的数据为正常数据,否则,认为数据出现了异常。
S3、对于可信特征,终端直接使用,对于不可信特征,终端不使用并作为异常信息上报。
下面通过仿真试验进行验证。
根据转弯半径计算公式,即可计算出各个位置的转弯半径,得到转弯半径序列 Rk(k=1,2,3,...,n)。当计算得到的某一位置的转弯半径Ri>100m时,可以认为此时汽车在做匀速运动,并将此时的Ri重新设置为0m。
以微型车哈弗H2自动时尚型为例,部分仿真计算结果表5所示:
设转弯半径的置信度αR=1.5%,由表5可以看出,从上面的数据中可以发现第5个数据明显超过了置信度αR,说明此时的数据可能存在异常。
但是,考虑到通过轨迹计算的转弯半径与智能车载设备通过传感器返回的转弯半径计算方式不同,且存在时间延迟等原因,可设只有连续3组数据超出置信范围,才认为数据异常并遭受到攻击。
实施例七:特征属性为汽车速度
将路侧设备和智能车载设备返回的汽车速度值与计算得到的速度值相比较,如果相差过大,则可以认为汽车的数据出现了异常。
本实施例具体过程如下:
S1、确定单车层面信息交互可信度辨识所基于的特征属性为汽车速度,根据特征属性采集对应的业务特征;
S2、根据特征属性构建单车层面的可信特征模型,采用可信特征模型检测所采集的业务特征是否合法,合法则为可信特征,反之则为不可信特征:将采集的业务特征数值与待测车辆对应的限定值进行比较,若业务特征的数值在限定值范围内,则判定为可信特征,反之则判定为不可信特征。具体为:
7.1:建立汽车运动学模型。
7.2:根据汽车运动学模型计算待测汽车的汽车速度,获取汽车速度v1,v2,...,vk,...,vn; vk表示汽车运动学模型输出的位置点k的汽车速度。具体为:
取任意时刻的一个位置点为起始点,沿汽车运动方向连续选取两个位置点(x1,y1)、 (x2,y2),分别命名为A点、O点;
根据弧长公式计算弧长AO的长度S:
公式(7-3)中,R表示汽车转弯半径。
公式(7-3)中的转弯半径R由A点之后的连续三个位置点计算得出,故选择三个连续的位置点A、B、C,坐标分别为(x1,y1)、(x2,y2)、(x3,y3),公式(7-3)通过下式表达:
相邻A、B两点之间的汽车行驶时间t为:
t=2×T (7-5)
公式(7-5)中,T表示路侧设备或智能车载设备的采样周期。
由于采样周期T很短,因此汽车在A点的瞬时速度可等同于弧线AC之间的平均速度,故汽车在A点的速度为:
根据汽车在A点的速度v的求解过程,对于任意一点(xk,yk),取三个连续的位置点(xk,yk)、 (xk+1,yk+1)、(xk+2,yk+2),即可计算出对应的速度为vk:
7.3:终端采集待测车辆在对应位置的汽车速度样本v′1,v′2,...,v′k,...,v′n;v′k表示终端采集的位置点k的汽车速度;
7.4:判断终端采集的汽车速度样本是否符合模型速度约束要求,若是,则采集的汽车速度样本为可信特征,反之,则为不可信特征。
对于某一位置,如果通过轨迹点计算出的汽车行驶速度vk与智能设备返回的汽车速度vk′差距过大,则说明设备返回的数据存在问题。故汽车速度样本符合模型速度约束要求需满足以下条件:
公式(7-2)中,αv表示汽车速度置信度。
满足公式(7-2)时,认为设备返回的数据为正常数据,否则,认为数据出现了异常
S3、对于可信特征,终端直接使用,对于不可信特征,终端不使用并作为异常信息上报。
下面通过仿真试验进行验证。
设定采样周期T=1s、汽车速度序列vk(k=1,2,3,...,n)、通过车载设备返回的测量值序列vk′(k=1,2,3,...,n)。当某一位置的转弯半径Ri>100m时,可以判定汽车在做匀速运动,并将此时的Ri重新设置为Om。
以大中型车宇通ZK6120HQ为例,部分仿真计算结果如表6所示:
表6汽车速度部分仿真数据
设汽车速度的置信度为αv=1%,从表6中可以发现,第3、第4和第5个数据的误差均在4.5%以上,明显大于置信范围。
与考虑其中转弯半径时相同,在实际应用过程中,考虑到可能计算与速度传感器之间有时间上的延迟,则只有在连续3个及以上数据出现异常时,才认为遭受到了攻击。
实施例八:特征属性为汽车加速度
将路侧设备和智能车载设备返回的汽车加速度值与通过轨迹计算得到的加速度值相比较,如果相差过大,则认为汽车的数据出现了异常。
本实施例具体过程如下:
S1、确定单车层面信息交互可信度辨识所基于的特征属性为汽车加速度,根据特征属性采集对应的业务特征;
S2、根据特征属性构建单车层面的可信特征模型,采用可信特征模型检测所采集的业务特征是否合法,合法则为可信特征,反之则为不可信特征:将采集的业务特征数值与待测车辆对应的限定值进行比较,若业务特征的数值在限定值范围内,则判定为可信特征,反之则判定为不可信特征。具体为:
8.1:建立汽车运动学模型。
8.2:根据汽车运动学模型计算待测汽车的加速度,获取汽车加速度a1,a2,...,ak,...,an; ak表示汽车运动学模型输出的位置点k的汽车加速度;具体为:
选取连续六个位置点的坐标(xk,yk)、(xk+1,yk+1)、(xk+2,yk+2)、(xk+3,yk+3)、(xk+4,yk+4)、 (xk+5,yk+5),通过轨迹计算获取第k个采样点位置的速度vk和第k+3个采样点位置的速度vk+3,计算公式如下:
公式(8-3)中,Rk表示待测汽车在第k个采样点位置的转弯半径,Rk+3表示待测汽车在第k+3个采样点位置的转弯半径;
选取的两个位置点之间相差的时间间隔为Δt:
Δt=3×T (8-4)
公式(8-4)中,T表示路侧设备或智能车载设备的采样周期;
根据加速度定义,得到汽车从第k个采样位置行驶到第k+3个采样位置时的平均加速度为:
由于采样周期很短,故定义汽车在第k个采样位置时的瞬时加速度ak为公式(8-5)中的平均加速度a,即:
8.3:终端采集待测车辆在对应位置的汽车加速度样本a′1,a′2,...,a′k,...,a′n;a′k表示终端采集的位置点k的加速度;
8.4:判断终端采集的汽车加速度样本是否符合模型加速度约束要求,若是,则采集的汽车加速度样本为可信特征,反之,则为不可信特征。
对于某一位置,如果通过轨迹点计算出的汽车加速度ak与智能设备返回的汽车加速度ak′差距过大,则说明设备返回的数据存在问题,故汽车加速度样本符合模型速度约束要求需满足以下条件:
公式(8-2)中,αa表示加速度置信度。
满足公式(8-2)时,认为传感器设备返回的数据为正常数据,否则,认为数据出现了异常。
S3、对于可信特征,终端直接使用,对于不可信特征,终端不使用并作为异常信息上报。
下面通过仿真试验进行验证。
以林肯领航员尊耀版为例,汽车加速度作为可信特征的部分仿真结果如表7所示:
表7汽车加速度部分仿真数据
为了保证加速的舒适感,加速度的置信度可设为一个较大的数值,在此取汽车加速度的置信度为αa=10%,从表7可看出,第7、第8个数据的误差均在30%以上,明显大于设置的置信范围。
综上所述,本发明结合车路协同环境下单车运动特征分析以及单车信息交互逻辑,从物理边界和运动状态两个维度构建单车信息交互可信辨识模型,采用可信辨识模型检测自车及***产生的交互信息是否合法,对于合法的交互信息,终端直接使用,对于不合法异常交互信息,终端执行异常信息上报并启动应急模式,有效解决了因人为伪造、恶意篡改、设备异常等情况产生的不符合交通业务特征的数据和信息对车路协同环境下的交通***所带来的安全问题,实现对现有车路协同环境下交通***信息交互安全性与可靠性的提升。
Claims (4)
1.车路协同环境下基于单车运动特征的信息可信辨识方法,其特征在于:包括
S1、确定单车层面信息交互可信度辨识所基于的特征属性,根据特征属性采集对应的业务特征;
单车层面信息交互可信度辨识所基于的特征属性包括物理边界角度属性和运动状态角度属性;
物理边界角度属性包括车路相对位置、道路高度限制、汽车最大速度、汽车最大加速度和汽车最小转弯半径;
运动状态角度属性包括汽车转弯半径、汽车速度和汽车加速度;
S2、根据特征属性构建单车层面的可信特征模型,采用可信特征模型检测所采集的业务特征是否合法:终端采集的业务特征输入对应可信特征模型,比较边界数据值与采集的数值,判断采集的业务特征是否合法,合法则为可信特征,反之则为不可信特征;单车层面的可信特征模型基于车辆运动学模型进行计算和判断;
具体包括:
(a)当特征属性为车路相对位置时,步骤S2过程如下:
1.1:定义待测车辆为长L、宽W、高H的长方体;
1.2:选取矩形几何中心点(x,y)作为待测车辆的位置;
1.3:终端对待测车辆的位置进行采样,获取样本坐标(x1,y1),(x2,y2),(x3,y3),...,(xk,yk),...,(xn,yn);
1.4:终端返回样本坐标距离四周道路的长度,即车路相对位置,包括左侧距离Dleft、右侧距离Dright、前方距离Dfront和后方距离Dback;
1.5:判断采集的车路相对位置是否符合限定值的范围要求,若是,则采集的业务特征为可信特征,反之则为不可信特征;采集的车路相对位置符合限定值范围要求需满足以下条件:
公式(1-1)中,δD表示距离容差值;
(b)当特征属性为道路高度限制时,步骤S2过程如下:
2.1:定义待测车辆为长L、宽W、高H的长方体;
2.2:终端采集待测车辆通过路段的道路高度限制信息,获取该路段限高数值Hlimit;
2.3:判断采集的限高数值Hlimit与待测车辆的高度H是否相符,若是,则采集的道路高度限制信息为可信特征,反之,则为不可信特征;限高数值Hlimit与待测车辆的高度H相符需满足以下条件:
H≤Hlimit+δH (2-1)
公式(2-1)中,δH表示高度容差值;
(c)当特征属性为汽车最大速度时,步骤S2过程如下:
3.1:终端对待测车辆的速度进行采样,获取样本速度v1,v2,...,vk,...,vn;
3.2:判断采集的速度是否符合所通行路段及车辆的限速要求,若是,则采集的车辆速度为可信特征,反之,则为不可信特征;速度符合限速要求需满足以下条件:
公式(3-1)中,vk表示采集的待测车辆的速度,vmax表示待测车辆预设的最大速度,vlimit表示待测车辆通行路段的最高限速,δv表示速度容差值;
(d)当特征属性为汽车最大加速度时,步骤S2过程如下:
4.1:终端对待测车辆的加速度进行采样,获取样本点加速度a1,a2,...,ak,...,an;
4.2:终端对待测汽车的轴向加速度进行采样,获取样本点纵向加速度aMD1,aMD2,...,aMDk,...,aMDn;
4.3:终端对待测汽车的横向加速度进行采样,获取样本点横向加速度aTD1,aTD2,...,aTDk,...,aTDn;
4.4:判断采集的加速度是否符合加速度约束要求,若是,则采集的加速度为可信特征,反之,则为不可信特征;采集的加速度符合加速度约束要求需满足以下条件:
ak≤amax+δa(1≤k≤n) (4-2)
公式(4-1)和公式(4-2)中,ak表示第k个样本点的加速度,aMDk表示第k个样本点的纵向加速度,aTDk表示第k个样本点的横向 加速度,amax表示待测车辆的预设最大加速度,δa表示加速度容差值;
(e)当特征属性为汽车最小转弯半径时,步骤S2过程如下:
5.1:终端采样待测汽车的转弯半径数值Rk;
5.2:判断采集的转弯半径是否符合半径约束要求,若是,则采集的转弯半径为可信特征,反之,则为不可信特征;转弯半径符合半径约束要求需满足以下条件:
公式(5-1)中,Dmin表示待测汽车所行驶路段的转弯道宽度,δR表示转弯半径容差值;
(f)当特征属性为汽车转弯半径时,步骤S2过程如下:
6.1:建立汽车运动学模型;
6.2:根据汽车运动学模型计算待测汽车的转弯半径,获取转弯半径R1,R2,...,Rk,...,Rn;Rk表示汽车运动学模型输出的位置点k的转弯半径;转弯半径Rk的获取过程如下:
选择待测汽车的一个坐标点,采集待测汽车转弯时该坐标点连续三个位置点的坐标信息(xk,yk)、(xk+1,yk+1)、(xk+2,yk+2);
根据三点定圆定理,确定三个位置点所在的圆,计算获取圆的半径Rk,即为待测汽车的转弯半径;
6.3:终端采集待测车辆在对应位置的转弯半径样本R′1,R′2,...,R′k,...,R′n;R′k表示终端采集的位置点k的转弯半径;
6.4:判断终端采集的转弯半径样本是否符合模型半径约束要求,若是,则采集的转弯半径样本为可信特征,反之,则为不可信特征;转弯半径样本符合模型半径约束要求需满足以下条件:
公式(6-1)中,αR表示转弯半径置信度;
(g)当特征属性为汽车速度时,步骤S2过程如下:
7.1:建立汽车运动学模型;
7.2:根据汽车运动学模型计算待测汽车的汽车速度,获取汽车速度v1,v2,...,vk,...,vn;vk表示汽车运动学模型输出的位置点k的汽车速度;汽车速度vk的获取过程如下:
取任意时刻待测汽车的一个位置点(xk,yk)为起始点,沿汽车运动方向选取三个连续的位置点坐标(xk,yk)、(xk+1,yk+1)、(xk+2,yk+2),根据三个连续位置点的坐标计算对应的汽车速度vk;计算公式如下:
公式(7-1)中,Rk表示转弯半径,T表示时间间隔;
7.3:终端采集待测车辆在对应位置的汽车速度样本v′1,v′2,...,v′k,...,v′n;v′k表示终端采集的位置点k的汽车速度;
7.4:判断终端采集的汽车速度样本是否符合模型速度约束要求,若是,则采集的汽车速度样本为可信特征,反之,则为不可信特征;汽车速度样本符合模型速度约束要求需满足以下条件:
公式(7-2)中,αv表示汽车速度置信度;
(h)当特征属性为汽车加速度时,步骤S2过程如下:
8.1:建立汽车运动学模型;
8.2:根据汽车运动学模型计算待测汽车的加速度,获取汽车加速度a1,a2,...,ak,...,an;ak表示汽车运动学模型输出的位置点k的汽车加速度;汽车加速度ak的获取过程如下:
采集连续多个位置点的坐标及速度,计算汽车从第k个采样位置行驶到第k+3个采样位置的平均加速度,计算公式如下:
公式(8-1)中,vk+3表示第k+3个位置点的速度,vk表示第k个位置点的速度,T表示用于采集业务特征的终端的采样周期;
8.3:终端采集待测车辆在对应位置的汽车加速度样本a′1,a′2,...,a′k,...,a′n;a′k表示终端采集的位置点k的加速度;
8.4:判断终端采集的汽车加速度样本是否符合模型加速度约束要求,若是,则采集的汽车加速度样本为可信特征,反之,则为不可信特征;汽车加速度样本符合模型速度约束要求需满足以下条件:
公式(8-2)中,αa表示加速度置信度;
S3、对于可信特征,终端直接使用,对于不可信特征,终端不使用并作为异常信息上报。
2.根据权利要求1所述的车路协同环境下基于单车运动特征的信息可信辨识方法,其特征在于:所述步骤6.2具体过程如下:
定义(xf,yf)为汽车前轴中心点坐标,(xr,yr)为汽车后轴中心点坐标,(xrL,yrL)为汽车左前轮坐标,(xrR,yrR)为汽车右前轮坐标,v为汽车前轴中心点的速度,l为汽车轴距,w为汽车轮距,φ为汽车前轴中心点转向角,θ为汽车中心轴与水平方向的夹角;
汽车前轴中心的运动轨迹满足:
(xf-a)2+(yr-b)2=l×cscφ (6-2)
公式(6-2)中,a和b满足:
公式(6-3)中,(xf0,yf0,θ0)为(xf,yf,θ)的初始值;
根据三点定圆定理,通过终端采样所得连续三个位置点(x1,y1)、(x2,y2)、(x3,y3)计算出三点所在的圆,并获取此刻的转弯半径;连续三个位置点所在圆的圆心(x,y)为:
采用A、B、C、D表示为:
最终解得圆的半径R为:
由于此时选择的三个连续点为(x1,y1)、(x2,y2)、(x3,y3),将此时圆的半径命名为R1,即为此时汽车的转弯半径R1,同理,对于任意三个连续的位置点(xk,yk)、(xk+1,yk+1)、(xk+2,yk+2),计算得到的汽车转弯半径为Rk。
3.根据权利要求1所述的车路协同环境下基于单车运动特征的信息可信辨识方法,其特征在于:所述步骤7.2具体过程如下:
取任意时刻的一个位置点为起始点,沿汽车运动方向连续选取两个位置点(x1,y1)、(x2,y2),分别命名为A点、O点;
计算弧长AO的长度S:
公式(7-3)中的转弯半径R由A点之后的连续三个位置点计算得出,故选择三个连续的位置点A、B、C,坐标分别为(x1,y1)、(x2,y2)、(x3,y3),公式(7-3)通过下式表达:
相邻A、B两点之间的汽车行驶时间t为:
t=2×T (7-5)
公式(7-5)中,T表示终端采集设备的采样周期;
定义汽车在A点的瞬时速度为弧线AC之间的平均速度,汽车在A点的速度为:
根据汽车在A点的速度v的求解过程,对于任意一点(xk,yk),取三个连续的位置点(xk,yk)、(xk+1,yk+1)、(xk+2,yk+2),即可计算出对应的速度为vk:
4.根据权利要求1所述的车路协同环境下基于单车运动特征的信息可信辨识方法,其特征在于:所述步骤8.2具体过程如下:
选取连续六个位置点的坐标(xk,yk)、(xk+1,yk+1)、(xk+2,yk+2)、(xk+3,yk+3)、(xk+4,yk+4)、(xk+5,yk+5),通过轨迹计算获取第k个采样点位置的速度vk和第k+3个采样点位置的速度vk+3,计算公式如下:
公式(8-3)中,Rk表示待测汽车在第k个采样点位置的转弯半径,Rk+3表示待测汽车在第k+3个采样点位置的转弯半径;
选取的两个位置点之间相差的时间间隔为Δt:
Δt=3×T (8-4)
公式(8-4)中,T表示终端采样设备的采样周期;
根据加速度定义,得到汽车从第k个采样位置行驶到第k+3个采样位置时的平均加速度为:
定义汽车在第k个采样位置时的瞬时加速度ak为公式(8-5)中的平均加速度a,即:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011145584.3A CN112270840B (zh) | 2020-10-23 | 2020-10-23 | 车路协同环境下基于单车运动特征的信息可信辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011145584.3A CN112270840B (zh) | 2020-10-23 | 2020-10-23 | 车路协同环境下基于单车运动特征的信息可信辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270840A CN112270840A (zh) | 2021-01-26 |
CN112270840B true CN112270840B (zh) | 2021-09-10 |
Family
ID=74341354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011145584.3A Active CN112270840B (zh) | 2020-10-23 | 2020-10-23 | 车路协同环境下基于单车运动特征的信息可信辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270840B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113704682B (zh) * | 2021-09-01 | 2022-11-01 | 清华大学 | 一种基于驾驶操控数据分析的交通信息可信辨识方法 |
CN113722677B (zh) * | 2021-09-01 | 2022-11-01 | 清华大学 | 一种基于车辆驾驶统计数据的交通信息可信辨识方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719315A (zh) * | 2009-12-23 | 2010-06-02 | 山东大学 | 一种基于中间件的动态交通信息采集方法 |
CN102402853A (zh) * | 2011-12-08 | 2012-04-04 | 北京易华录信息技术股份有限公司 | 一种交通信息准确度评估***及方法 |
CN109410620A (zh) * | 2018-12-19 | 2019-03-01 | 天津卡达克数据有限公司 | 一种智能网联车辆长直路段车路通讯测试方法 |
CN111564036A (zh) * | 2020-03-23 | 2020-08-21 | 北京掌行通信息技术有限公司 | 交通信息可信度的检测方法、装置、***及存储介质 |
CN111698305A (zh) * | 2020-06-02 | 2020-09-22 | 戴姆勒股份公司 | 用于确定车辆上报事件数据的置信度和/或优先级的方法 |
-
2020
- 2020-10-23 CN CN202011145584.3A patent/CN112270840B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719315A (zh) * | 2009-12-23 | 2010-06-02 | 山东大学 | 一种基于中间件的动态交通信息采集方法 |
CN102402853A (zh) * | 2011-12-08 | 2012-04-04 | 北京易华录信息技术股份有限公司 | 一种交通信息准确度评估***及方法 |
CN109410620A (zh) * | 2018-12-19 | 2019-03-01 | 天津卡达克数据有限公司 | 一种智能网联车辆长直路段车路通讯测试方法 |
CN111564036A (zh) * | 2020-03-23 | 2020-08-21 | 北京掌行通信息技术有限公司 | 交通信息可信度的检测方法、装置、***及存储介质 |
CN111698305A (zh) * | 2020-06-02 | 2020-09-22 | 戴姆勒股份公司 | 用于确定车辆上报事件数据的置信度和/或优先级的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112270840A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fox et al. | Multi-lane pothole detection from crowdsourced undersampled vehicle sensor data | |
Zhao et al. | Development of a Representative EV Urban Driving Cycle Based on ak‐Means and SVM Hybrid Clustering Algorithm | |
CN112631246B (zh) | 测试评价信息确定方法、装置、设备及计算机存储介质 | |
CN110176139B (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN112270840B (zh) | 车路协同环境下基于单车运动特征的信息可信辨识方法 | |
CN110300686A (zh) | 数据分析装置及程序 | |
CN105374212B (zh) | 基于智能终端传感的高速公路车辆车道识别方法及*** | |
CN111565361A (zh) | 基于v2v的车辆紧急制动预警***的测试方法及测试*** | |
CN104573646A (zh) | 基于激光雷达和双目相机的车前行人检测方法及*** | |
Kaymaz et al. | Development of a driving cycle for Istanbul bus rapid transit based on real-world data using stratified sampling method | |
CN103164962A (zh) | 一种山区公路急弯路段实时车速预警方法 | |
Pitanuwat et al. | An investigation of fuel economy potential of hybrid vehicles under real-world driving conditions in Bangkok | |
CN106956680B (zh) | 一种电动汽车驾驶行为识别分析方法 | |
CN107291972A (zh) | 基于多源数据挖掘的汽车智能驾驶***有效性评价方法 | |
CN109900494B (zh) | 一种测试用例的生成方法 | |
CN108806018A (zh) | 一种数据处理方法、数据处理设备和智能汽车 | |
CN108961473A (zh) | 一种基于智能网联汽车控制中心的车辆状态评估预警方法 | |
CN107054375A (zh) | 一种车队驾驶员驾驶行为安全性管理评价装置及方法 | |
CN102956104A (zh) | 一种基于车辆轨迹描述检测交通事件的方法 | |
CN104408920A (zh) | 基于卡口通行信息判断长途客运车辆交通违法行为的方法 | |
Wideberg et al. | A smartphone application to extract safety and environmental related information from the OBD-II interface of a car | |
CN103914889B (zh) | 一种对车辆速度的采集行为进行异常检测的***及方法 | |
CN104111095B (zh) | 基于汽车行驶状态的汽车油耗分析方法及*** | |
CN114912689A (zh) | 基于地图网格索引和xgboost的超限车辆目的地预测方法及*** | |
Yavvari et al. | Vehicular dynamics based plausibility checking |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |