CN112927514B - 基于3d激光雷达的机动车闯黄灯行为预测方法和*** - Google Patents

基于3d激光雷达的机动车闯黄灯行为预测方法和*** Download PDF

Info

Publication number
CN112927514B
CN112927514B CN202110383518.8A CN202110383518A CN112927514B CN 112927514 B CN112927514 B CN 112927514B CN 202110383518 A CN202110383518 A CN 202110383518A CN 112927514 B CN112927514 B CN 112927514B
Authority
CN
China
Prior art keywords
vehicle
yellow light
track data
track
laser radar
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
Application number
CN202110383518.8A
Other languages
English (en)
Other versions
CN112927514A (zh
Inventor
傅挺
王俊骅
谢圣滨
宋昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202110383518.8A priority Critical patent/CN112927514B/zh
Publication of CN112927514A publication Critical patent/CN112927514A/zh
Priority to ZA2022/02145A priority patent/ZA202202145B/en
Application granted granted Critical
Publication of CN112927514B publication Critical patent/CN112927514B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于3D激光雷达的机动车闯黄灯行为预测方法和***，包括：利用3D激光雷达检测获取车辆轨迹数据；将车辆轨迹数据映射进入进口道范围内的三维坐标系中，按车辆所在车道对车辆进行分类；在收到黄灯启动信号后，将黄灯时间的前1.5s内获取的车辆轨迹数据输入轨迹预测模型，通过轨迹预测模型对黄灯时间的前1.5s内车辆轨迹数据进行判断，根据判断结果预测黄灯时间后1.5s的车辆轨迹数据；根据黄灯时间后1.5s的车辆轨迹数据判断车辆在黄灯结束后的通行趋势。本发明能够为解决城市信号控制交叉口信号灯相位变换期间车辆闯入的交通安全问题提供很好的基础，且具有不依赖移动目标特征信息、检测准确稳定高效、成本低、适配性好等优点。

Description

基于3D激光雷达的机动车闯黄灯行为预测方法和***
技术领域
本发明涉及智能交通感知领域，尤其是涉及一种基于3D激光雷达的机动车闯黄灯行为预测方法和***。
背景技术
中国城市超高的人口密度和日益增长的汽车保有量，促成了城市道路建设中较高的干道网密度。在具有交通信号灯控制功能的中国城市的交叉口，在绿色阶段结束时，通常会使用较长的相变时间，即，闪烁的绿色指示为3秒，随后的黄色指示为3秒。这么长的相变时间导致异质决策。因此，在这些交叉路口更有可能发生危险的驾驶行为，例如红灯行驶，突然停车，激进通行以及前车和后车的决策不一致，从而可能导致直角和追尾交通事故。
对于上述存在的交叉***通安全问题，传统的解决方法多是通过颁布对应的交通安全法律法规并加大执法力度，严惩闯红灯等违法行为，以达到减少此类事件发生的目的，但是这种事后惩戒的方法通常治标不治本，难以达到很好的效果；近年来，因为车路协同理念的兴趣，一些学者开始考虑通过智能道路设施与智能车辆之间的协同控制，对此类交叉口危险行为进行预测和预警，然而这需要足够的设备基础，而现阶段我国的交通***和道路设施尚未达到要求。
因此，开发一个适配性好，可以主动识别这些危险行为的***可以帮助解决驾驶员这种驾驶两难境地，并为进一步的防控以及安全预警提供技术基础。
发明内容
本发明的目的就是为了克服上述交叉口存在的安全问题而提供的一种基于3D激光雷达的机动车闯黄灯行为预测方法和***。该***充分利用3D激光雷达返回的数据，利用车辆的运动学特征和轨迹预测实现对即将进入交叉口车辆在黄灯持续时间内实时的检测和预测，从而为主动识别防控城市道路交叉口信号灯相变期间机动车闯入行为提供有力的技术支持，检测准确稳定高效，成本低，适配性好。
本发明的目的可以通过以下技术方案来实现：
一种基于3D激光雷达的机动车闯黄灯行为预测方法，包括以下步骤：
步骤1、利用在城市交叉口进口道处安装的3D激光雷达，感知即将进入交叉口的车辆，通过所述3D激光雷达检测获取车辆轨迹数据；
步骤2、将所述3D激光雷达检测获得的车辆轨迹数据映射进入进口道范围内的三维坐标系中，按车辆所在车道对车辆进行分类；
步骤3、在收到黄灯启动信号后，将黄灯时间的前1.5s内获取的车辆轨迹数据输入轨迹预测模型，通过所述轨迹预测模型对黄灯时间的前1.5s内车辆轨迹数据进行判断，根据判断结果预测黄灯时间后1.5s的车辆轨迹数据；
步骤4、根据黄灯时间后1.5s的车辆轨迹数据判断车辆在黄灯结束后的通行趋势，即车辆是否在黄灯结束红灯亮起后闯入交叉口；如果是，输出结果；如果否，返回步骤1进行下一轮回的预测。
优选地，所述三维坐标系在获取所述车辆轨迹数据之前建立，在所述三维坐标系中输入交叉口的停止线坐标、车道的坐标和范围、车道的信息。
优选地，所述车辆轨迹数据包括：车辆的ID、车辆的速度、车辆的加速度、车辆距离停止线的距离。
优选地，所述黄灯启动信号具体包括交叉口实时的相位信息，即当前的相位和当前相位持续的时间。
优选地，所述步骤3中的轨迹预测模型根据历史车辆轨迹数据建立，所述轨迹预测模型的建立包括以下步骤：
步骤3.1、收集3s黄灯时间内的历史车辆轨迹数据，构成车辆轨迹数据集A；
步骤3.2、对车辆轨迹数据集A进行聚类分析，得到聚类中心轨迹数据；根据聚类结果将车辆轨迹数据集A的数据分为i类，将此i个类别作为i个轨迹标签，每个类别对应一个轨迹标签；
步骤3.3、将所述车辆轨迹数据集A分为训练集B和测试集C，将训练集B的轨迹数据以及每条轨迹对应的轨迹标签作为输入，建立一个卷积神经网络(CNN)学习模型对历史车辆轨迹数据及其对应的标签进行学习；
步骤3.4、训练模型直至使用测试集C对模型进行测试，测试值达到预期准确率，则所述轨迹预测模型建立完成。
优选地，所述车辆轨迹数据或历史车辆轨迹数据均分为直行车辆数据集、和/或左转车辆数据集、和/或右转车辆数据集。
优选地，所述步骤3具体包括以下步骤：
通过黄灯时间的前1.5s内获取的车辆轨迹数据，将其输入提前建立好的轨迹预测模型，所述轨迹预测模型可以预测获得该段轨迹数据所属的轨迹标签；根据预测所得的轨迹标签，选用该轨迹标签所对应类别的聚类中心轨迹数据(3s)的黄灯后1.5s轨迹数据，即为预测所得的车辆在黄灯后1.5s的轨迹数据，而后通过对该轨迹数据判断黄灯结束后车辆的通过趋势。
优选地，所述3D激光雷达通过对交叉口进口道处车辆的检测获知此时入口道各个车道内是单辆车通行还是车辆队列通行，所述步骤3的预测分为单辆车通行预测和车辆队列通行预测两种情形；
对于单辆车时的具体预测过程为：在收到黄灯启动信号后，判断此时的黄灯所属于的相位(即此时的黄灯是左转黄灯、右转黄灯或直行黄灯)，不同的相位需要对其对应的车道车辆进行预测和判别；若此时为直行相位的黄灯，在收到黄灯的启动信号后，此时***仅需要对直行车道上的车辆进行预测和判别；若此时为左转专用相位的黄灯，在收到黄灯的启动信号后，此时仅需要对左转车道上的车辆进行预测和判别；
对于车辆队列时的具体预测过程为：3D激光雷达在采集车辆轨迹数据的时候是所有车辆整体一起采集的；在对每个车辆进行闯入预测和判别的时候是从车辆队列第一辆车开始，逐辆往后进行预测和判别的；在逐辆判别时，若判断某一辆车在黄灯结束时不会闯入交叉口，则该车之后队列里的所有车都会被判定为在黄灯结束时不会闯入交叉口。
本发明的另一目的在于提供一种基于3D激光雷达的机动车闯黄灯行为预测***，该***包括以下模块：
检测模块，用于获取城市交叉口进口道处的车辆轨迹数据；
数据处理模块，用于分析处理获取的车辆轨迹数据；
数据预测模块，用于预测车辆运行轨迹、判断车辆是否闯入交叉口；
信号灯信息模块，用于获取信号灯信息。
本发明提供的基于3D激光雷达的机动车闯黄灯行为预测方法和***，相较于现有技术具有如下有益效果：
一、本发明方法检测车辆轨迹数据所用的设备为进口道路侧固定的3D激光雷达检测设备，采用的是历史和实时的雷达数据，具有成本合理、准确度高、运算要求低、可适应全天候道路环境等优点；可以得到高精度的机动车的实时运行轨迹，同时激光雷达的信息处理起来相较于其他检测手段如视频检测而言，其处理效率更高，因此可以实现实时的轨迹预测，并及时做出分析处理，从而实现精准、高效、稳定、全天候地检测信号控制交叉口相变期间车辆的驾驶行为。
二、本发明为城市信控交叉口信号灯相位变换期间车辆闯入的交通安全问题，提供了一套完整的车辆行驶趋势预测方案。该方案能够稳定、准确、高效的识别并预测交通信号相变期间的危险行为，在此基础上可以对这样的危险行为进行提前的预警和防控，以减少车辆在交叉口相变期间的安全隐患，减少交叉口的事故发生，提升城市运营安全水平。
三、仅需要根据3D激光雷达获取的数据即可准确地获取车辆的连续轨迹，进而进行后续的分析预测，不需要依赖车辆端设备诸如高精度GPS等，所需成本低，且对于现有的交通环境适配性更高。
附图说明
图1为本发明实施例提供的基于3D激光雷达的机动车闯黄灯行为预测方法的工作流程示意图。
图2为本发明实施例提供的轨迹预测模型的建立流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
本发明提供了一种基于3D激光雷达的机动车闯黄灯行为预测***，该***包括检测模块、数据处理模块、数据预测模块及信号灯信息模块，检测模块用于利用3D激光雷达采集获取进口道处的车辆轨迹数据，检测更加精确稳定高效；数据处理模块用于分析处理获取的车辆轨迹数据；数据预测模块用于预测车辆运行轨迹、判断车辆是否闯入交叉口；信号灯信息模块用于获取信号灯信息。
基于一个总的发明构思，本发明还提供了一种基于3D激光雷达的机动车闯黄灯行为预测方法，该方法充分利用3D激光雷达返回的数据，利用车辆的运动学特征和轨迹预测实现对进入交叉口的车辆从其当前位置至停止线所需时间的实时预测，从而为主动识别防控城市道路交叉口信号灯相变期间机动车闯入行为提供有力的技术支持，检测准确稳定高效，成本低，适配性好，如图1所示，该方法具体步骤如下：
步骤1、利用在城市交叉口进口道处安装的3D激光雷达，感知即将进入交叉口的车辆，通过3D激光雷达检测获取车辆轨迹数据；具体的，本实施例中，车辆轨迹数据包括：车辆的ID、车辆的速度、车辆的加速度、车辆距离停止线的距离等信息；车辆轨迹数据或历史车辆轨迹数据均分为直行车辆数据集、和/或左转车辆数据集、和/或右转车辆数据集；
3D激光雷达可以安装在进口道路路侧或者是门架、标志杆件上，需要保证一定的安装高度，高度要求避开绿植、标志牌等的遮挡。随后3D激光雷达对进口道范围内的车辆进行检测感知，该功能通过***的检测模块完成。
步骤2、将3D激光雷达检测获得的车辆轨迹数据映射进入进口道范围内的三维坐标系中，按车辆所在车道对车辆进行分类；三维坐标系在获取车辆轨迹数据之前建立，在三维坐标系中输入交叉口的停止线坐标、车道的坐标和范围、车道的信息；
通过建立进口道范围内的三维坐标系，在坐标系中提前输入停止线的坐标、车道的坐标和范围、车道的信息。3D激光雷达通过感知车辆，获得车辆相对于雷达的坐标，映射在建立的坐标系中，并按车辆所在的车道对车辆进行分类。通过赋予每一辆车ID、时间戳信息，以及一定时间间隔里车辆移动的位置，可以获得车辆实时的运行速度和加速度信息，该功能通过***的数据处理模块完成。
步骤3、在收到黄灯启动信号后，将黄灯时间的前1.5s内获取的车辆轨迹数据输入轨迹预测模型，通过轨迹预测模型对黄灯时间的前1.5s内车辆轨迹数据进行判断，根据判断结果预测黄灯时间后1.5s的车辆轨迹数据；
本实施例中，黄灯启动信号具体包括交叉口实时的相位信息，即当前的相位和当前相位持续的时间；通过这些信息，***可以选择对不同类别的车辆进行预测和判断；
步骤4、根据黄灯时间后1.5s的车辆轨迹数据判断车辆在黄灯结束后的通行趋势，即车辆是否在黄灯结束红灯亮起后闯入交叉口；如果是，输出结果；如果否，返回步骤1进行下一轮回的预测。
具体的，本实施例中，步骤3中的轨迹预测模型根据历史车辆轨迹数据建立，如图2所示，轨迹预测模型的建立包括以下步骤：
步骤3.1、收集3s黄灯时间内的历史车辆轨迹数据，构成车辆轨迹数据集A；
步骤3.2、对车辆轨迹数据集A进行聚类分析(数据量应足够大，K-Means或DBSCAN)，得到聚类中心轨迹数据；根据聚类结果将车辆轨迹数据集A的数据分为i类(i的具体值基于聚类的结果，各个路口会有不同)，将此i个类别作为i个轨迹标签，每个类别对应一个轨迹标签；
步骤3.3、将车辆轨迹数据集A分为训练集B和测试集C，将训练集B的轨迹数据以及每条轨迹对应的轨迹标签作为输入，建立一个卷积神经网络(CNN)学习模型对历史轨迹数据及其对应的轨迹标签进行学习；
步骤3.4、训练模型直至使用测试集C对模型进行测试，测试值达到预期准确率，则轨迹预测模型建立完成。
建立过程中提取上述轨迹数据的黄灯前1.5s时间内的车辆轨迹数据作为输入，后1.5s轨迹数据作为结果，每一条数据均赋予其明确的标签，建立一个有监督的学习过程。
基于以上轨迹预测模型，步骤3具体包括以下步骤：
通过黄灯时间的前1.5s内获取的车辆轨迹数据，将其输入提前建立好的轨迹预测模型，轨迹预测模型可以预测获得该段轨迹数据所属的轨迹标签；根据预测所得的轨迹标签，选用该轨迹标签所对应类别的聚类中心轨迹数据(3s)的黄灯后1.5s轨迹数据，即为预测所得的车辆在黄灯后1.5s的轨迹数据，而后通过对该轨迹数据判断黄灯结束后车辆的通过趋势。
具体的，3D激光雷达通过对交叉口进口道处车辆的检测获知此时入口道各个车道内是单辆车通行还是车辆队列通行，步骤3的预测分为单辆车通行预测和车辆队列通行预测两种情形；
对于单辆车时的具体预测过程为：在收到黄灯启动信号后，判断此时的黄灯所属于的相位(即此时的黄灯是左转黄灯、右转黄灯或直行黄灯)，不同的相位需要对其对应的车道车辆进行预测和判别；若此时为直行相位的黄灯，在收到黄灯的启动信号后，此时***仅需要对直行车道上的车辆进行预测和判别；若此时为左转专用相位的黄灯，在收到黄灯的启动信号后，此时仅需要对左转车道上的车辆进行预测和判别；
对于车辆队列时的具体预测过程为：3D激光雷达在采集车辆轨迹数据的时候是所有车辆整体一起采集的；在对每个车辆进行闯入预测和判别的时候是从车辆队列第一辆车开始，逐辆往后进行预测和判别；在逐辆判别时，若判断某一辆车在黄灯结束时不会闯入交叉口，则该车之后队列里的所有车都会被判定为在黄灯结束时不会闯入交叉口。
本实施例提供的机动车闯黄灯行为预测***后续可以搭配预警***，信息公布***等，对交叉口范围内的其他车辆，行人等道路使用者进行提醒预警。比如可以在路侧设置声光电的预警设施，在***预测到即将有车辆在绿灯结束后闯入交叉口后，可以控制预警***向交叉口内的行人、车辆发布声光电的预警提醒这些道路使用者提前避让或者小心通过交叉口。并且，在未来网联车、自动驾驶汽车出现的场景里，该***可以直接向此类汽车发布预警信息，辅助决策，从而有效减少车辆在交叉口相变期间的安全隐患，减少交叉口的事故发生。
本实施例提供的基于高精度的3D激光雷达检测技术与车辆轨迹预测技术，帮助识别交通信号相变期间的车辆闯入行为，并对这样危险行为进行实时的预测，在此基础上，可以有诸如信号灯调整、声音预警等的方式取提醒交叉口内的车辆行人，以减少车辆在交叉口相变期间的安全隐患，减少交叉口的事故发生，提升城市道路的运营安全水平。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于3D激光雷达的机动车闯黄灯行为预测方法，其特征在于，包括以下步骤：
步骤1、利用在城市交叉口进口道处安装的3D激光雷达，感知即将进入交叉口的车辆，通过所述3D激光雷达检测获取车辆轨迹数据；
步骤2、将所述3D激光雷达检测获得的车辆轨迹数据映射进入进口道范围内的三维坐标系中，按车辆所在车道对车辆进行分类；
步骤3、在收到黄灯启动信号后，将黄灯时间的前1.5s内获取的车辆轨迹数据输入轨迹预测模型，通过所述轨迹预测模型对黄灯时间的前1.5s内车辆轨迹数据进行判断，根据判断结果预测黄灯时间后1.5s的车辆轨迹数据；
步骤4、根据黄灯时间后1.5s的车辆轨迹数据判断车辆在黄灯结束后的通行趋势，即车辆是否在黄灯结束红灯亮起后闯入交叉口；如果是，输出结果；如果否，返回步骤1进行下一轮回的预测。
2.根据权利要求1所述的基于3D激光雷达的机动车闯黄灯行为预测方法，其特征在于，所述三维坐标系在获取所述车辆轨迹数据之前建立，在所述三维坐标系中输入交叉口的停止线坐标、车道的坐标和范围、车道的信息。
3.根据权利要求1所述的基于3D激光雷达的机动车闯黄灯行为预测方法，其特征在于，所述车辆轨迹数据包括：车辆的ID、车辆的速度、车辆的加速度、车辆距离停止线的距离。
4.根据权利要求1所述的基于3D激光雷达的机动车闯黄灯行为预测方法，其特征在于，所述黄灯启动信号具体包括交叉口实时的相位信息，即当前的相位和当前相位持续的时间。
5.根据权利要求1所述的基于3D激光雷达的机动车闯黄灯行为预测方法，其特征在于，所述步骤3中的轨迹预测模型根据历史车辆轨迹数据建立，所述轨迹预测模型的建立包括以下步骤：
步骤3.1、收集3s黄灯时间内的历史车辆轨迹数据，构成车辆轨迹数据集A；
步骤3.2、对车辆轨迹数据集A进行聚类分析，得到聚类中心轨迹数据；根据聚类结果将车辆轨迹数据集A的数据分为i类，将此i个类别作为i个轨迹标签，每个类别对应一个轨迹标签；
步骤3.3、将所述车辆轨迹数据集A分为训练集B和测试集C，将训练集B的轨迹数据以及每条轨迹对应的轨迹标签作为输入，建立一个卷积神经网络学习模型对历史车辆轨迹数据及其对应的标签进行学习；
步骤3.4、训练模型直至使用测试集C对模型进行测试，测试值达到预期准确率，则所述轨迹预测模型建立完成。
6.根据权利要求5所述的基于3D激光雷达的机动车闯黄灯行为预测方法，其特征在于，所述车辆轨迹数据或历史车辆轨迹数据均分为直行车辆数据集、和/或左转车辆数据集、和/或右转车辆数据集。
7.根据权利要求6所述的基于3D激光雷达的机动车闯黄灯行为预测方法，其特征在于，所述步骤3具体包括以下步骤：
通过黄灯时间的前1.5s内获取的车辆轨迹数据，将其输入提前建立好的轨迹预测模型，所述轨迹预测模型预测获得该段轨迹数据所属的轨迹标签；根据预测所得的轨迹标签，选用该轨迹标签所对应类别的聚类中心轨迹数据的黄灯后1.5s轨迹数据，即为预测所得的车辆在黄灯后1.5s的轨迹数据，而后通过对该轨迹数据判断黄灯结束后车辆的通过趋势。
8.根据权利要求4所述的基于3D激光雷达的机动车闯黄灯行为预测方法，其特征在于，所述3D激光雷达通过对交叉口进口道处车辆的检测获知此时入口道各个车道内是单辆车通行还是车辆队列通行，所述步骤3的预测分为单辆车通行预测和车辆队列通行预测两种情形；
对于单辆车时的具体预测过程为：在收到黄灯启动信号后，判断此时的黄灯所属于的相位，不同的相位需要对其对应的车道车辆进行预测和判别；若此时为直行相位的黄灯，在收到黄灯的启动信号后，此时***仅需要对直行车道上的车辆进行预测和判别；若此时为左转专用相位的黄灯，在收到黄灯的启动信号后，此时仅需要对左转车道上的车辆进行预测和判别；
对于车辆队列时的具体预测过程为：3D激光雷达在采集车辆轨迹数据的时候是所有车辆整体一起采集的；在对每个车辆进行闯入预测和判别的时候是从车辆队列第一辆车开始，逐辆往后进行预测和判别；在逐辆判别时，若判断某一辆车在黄灯结束时不会闯入交叉口，则该车之后队列里的所有车都被判定为在黄灯结束时不会闯入交叉口。
9.一种基于3D激光雷达的机动车闯黄灯行为预测***，其特征在于，包括以下模块：
检测模块，用于获取城市交叉口进口道处的车辆轨迹数据；
数据处理模块，用于分析处理获取的车辆轨迹数据；
数据预测模块，用于预测车辆运行轨迹、判断车辆是否闯入交叉口；
信号灯信息模块，用于获取信号灯信息；
所述数据预测模块在收到黄灯启动信号后，将黄灯时间的前1.5s内获取的车辆轨迹数据输入轨迹预测模型，通过所述轨迹预测模型对黄灯时间的前1.5s内车辆轨迹数据进行判断，根据判断结果预测黄灯时间后1.5s的车辆轨迹数据；
根据黄灯时间后1.5s的车辆轨迹数据判断车辆在黄灯结束后的通行趋势，即车辆是否在黄灯结束红灯亮起后闯入交叉口；
所述轨迹预测模型的建立包括以下步骤：
收集3s黄灯时间内的历史车辆轨迹数据，构成车辆轨迹数据集A；
对车辆轨迹数据集A进行聚类分析，得到聚类中心轨迹数据；根据聚类结果将车辆轨迹数据集A的数据分为i类，将此i个类别作为i个轨迹标签，每个类别对应一个轨迹标签；
将所述车辆轨迹数据集A分为训练集B和测试集C，将训练集B的轨迹数据以及每条轨迹对应的轨迹标签作为输入，建立一个卷积神经网络学习模型对历史车辆轨迹数据及其对应的标签进行学习；
训练模型直至使用测试集C对模型进行测试，测试值达到预期准确率，则所述轨迹预测模型建立完成。
CN202110383518.8A 2021-04-09 2021-04-09 基于3d激光雷达的机动车闯黄灯行为预测方法和*** Active CN112927514B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110383518.8A CN112927514B (zh) 2021-04-09 2021-04-09 基于3d激光雷达的机动车闯黄灯行为预测方法和***
ZA2022/02145A ZA202202145B (en) 2021-04-09 2022-02-21 Method and system for predicting yellow light running behavior of vehicle based on 3d laser radar

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110383518.8A CN112927514B (zh) 2021-04-09 2021-04-09 基于3d激光雷达的机动车闯黄灯行为预测方法和***

Publications (2)

Publication Number Publication Date
CN112927514A CN112927514A (zh) 2021-06-08
CN112927514B true CN112927514B (zh) 2022-04-29

Family

ID=76173948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110383518.8A Active CN112927514B (zh) 2021-04-09 2021-04-09 基于3d激光雷达的机动车闯黄灯行为预测方法和***

Country Status (2)

Country Link
CN (1) CN112927514B (zh)
ZA (1) ZA202202145B (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593972B (zh) * 2012-08-17 2017-06-27 上海市政工程设计研究总院（集团）有限公司 一种用于预先检测路口车辆闯红灯的设备及其方法
CN103150910B (zh) * 2013-02-05 2015-08-05 山东交通学院 一种交叉口闯黄灯违章车辆的自动抓拍分析方法
CN103544844B (zh) * 2013-10-12 2016-10-05 浙江吉利控股集团有限公司 一种避免违反交通信号灯的驾驶辅助方法与***
CN103761877B (zh) * 2014-01-23 2015-11-04 山东鼎讯智能交通科技有限公司 基于雷达触发的闯红灯自动记录***及方法
CN105809964A (zh) * 2016-05-18 2016-07-27 深圳中兴力维技术有限公司 交通预警方法和装置
CN106683449A (zh) * 2017-02-14 2017-05-17 武汉理工大学 车路协同环境下交通控制***绿灯间隔时间动态调整方法
DE102017208878B4 (de) * 2017-05-24 2021-02-25 Vitesco Technologies GmbH Verfahren zum Prognostizieren zumindest eines Ampelschaltzustands während einer Fahrt eines Kraftfahrzeugs sowie Steuervorrichtung und Kraftfahrzeug
CN108492601A (zh) * 2018-04-13 2018-09-04 济南浪潮高新科技投资发展有限公司 一种车辆辅助驾驶***及方法
CN111724594A (zh) * 2020-06-15 2020-09-29 青岛海信网络科技股份有限公司 一种安全预警方法和装置

Also Published As

Publication number Publication date
ZA202202145B (en) 2022-05-25
CN112927514A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN111524357B (zh) 用于车辆安全行驶所需的多数据融合的方法
CN112927512B (zh) 一种高速公路匝道合流控制***及方法
CN112700470B (zh) 一种基于交通视频流的目标检测和轨迹提取方法
CN113112830B (zh) 基于激光雷达和轨迹预测的信控交叉口清空方法和***
CN110400478A (zh) 一种路况通知方法及装置
CN110606093A (zh) 车辆性能评测方法、装置、设备和存储介质
CN114385661A (zh) 一种基于v2x技术的高精地图更新的***
WO2019106789A1 (ja) 処理装置及び処理方法
CN114333330B (zh) 一种基于路侧边缘全息感知的交叉口事件检测***
CN201268230Y (zh) 基于计算机视觉的限速标志信息车辆辅助驾驶***
CN113511204B (zh) 一种车辆换道行为识别方法及相关设备
CN112606831A (zh) 一种用于客车的防碰撞警示信息对外交互方法及***
JP2020536797A (ja) 最小アクション量原理に基づく運転者制御動作定量化方法及び装置
CN113147733A (zh) 雨雾沙尘天气汽车智能限速***及方法
CN105139661A (zh) 一种交通检测预警***及方法
CN110942670A (zh) 一种高速公路雾区诱导方法
US10930145B2 (en) Traffic system for predicting and providing traffic signal switching timing
CN107564336B (zh) 一种信号交叉口左转冲突预警***及预警方法
CN111477011A (zh) 一种用于道路路口预警的检测装置及检测方法
CN110765224A (zh) 电子地图的处理方法、车辆视觉重定位的方法和车载设备
CN112907955A (zh) 一种基于信息融合的车路协同***的评价方法
CN112927514B (zh) 基于3d激光雷达的机动车闯黄灯行为预测方法和***
CN116798222A (zh) 高速公路能见度检测与智慧诱导方法、***及装置
CN113178081B (zh) 一种车辆汇入预警方法、装置及电子设备
Cui et al. An automatic trigged rectangular rapid flashing beacons (RRFB) system using the roadside LiDAR sensor

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