CN114005271A - 一种智能网联环境下交叉口碰撞风险量化方法 - Google Patents
一种智能网联环境下交叉口碰撞风险量化方法 Download PDFInfo
- Publication number
- CN114005271A CN114005271A CN202110899101.7A CN202110899101A CN114005271A CN 114005271 A CN114005271 A CN 114005271A CN 202110899101 A CN202110899101 A CN 202110899101A CN 114005271 A CN114005271 A CN 114005271A
- Authority
- CN
- China
- Prior art keywords
- intersection
- vehicle
- lag
- time
- matrix
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000006855 networking Effects 0.000 title claims abstract description 14
- 238000011002 quantification Methods 0.000 title claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 57
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 claims description 2
- 241000497429 Obus Species 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000011217 control strategy Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种智能网联环境下交叉口碰撞风险量化方法,技术方案是在智能网联环境下,感知获取交叉口内车辆运动状态信息和实际的交通流状态,并且对车辆的运行轨迹进行预测,基于车辆通过交叉口平面内各个位置的最小时间间隔建立交叉口风险函数,用于交叉口碰撞风险量化。本发明所提出的交叉口风险量化方法能够根据实际的交通流状态动态量化交叉口碰撞风险,为网联人工驾驶车辆提供驾驶建议提前采取相应的操作保证车辆安全通过交叉口,为网联自动驾驶车辆安全控制策略提供指导意见,并且能够为交叉口渠化与信号配时优化提供理论依据。
Description
技术领域
本发明属于交通安全领域,涉及交叉口碰撞风险量化及交叉口轨迹预测领域,以整个交叉口平面为对象,提供一种智能网联环境下交叉口碰撞风险量化的方法。
背景技术
交叉口作为城市道路的重要组成部分,具有交通组成复杂、交通行为多样、交通冲突类型及频率高,交通事故多发等特点,交叉口是制约城市道路通行效率与安全水平提升的瓶颈。因此对交叉口风险进行量化,具有比较重要的现实意义,可为后续有效预防交叉口安全事故的发生提供参考意见。
目前国内外针对交叉口碰撞风险进行了大量的研究。最初多通过对交叉口的渠化设计、设施条件、历史事故数据等的分析,进行交叉口安全评价,但是此类方法的评价结果是宏观且是静态的,无法适应交叉口内实时变化的交通流;朱彤等人根据安全学的概念,将风险定义为碰撞发生的概率,先后提出了交叉口侧向碰撞与追尾碰撞的风险估计模型;张珊珊等人在朱彤研究的基础上,提出了交叉口不同相序下车辆碰撞风险模型,以量化直行左转碰撞风险。这种基于概率论的风险量化方法,假设车辆的速度服从特定的分布,一定程度上无法实现对交叉***通流的真实反映,并且不同的碰撞类型需要采用不同的模型,无法统一实现对交叉口风险的量化。张良力等人基于对速度的预测推算冲突方向上的碰撞点,根据机动车与碰撞点之间的距离进行碰撞风险评估,提出了一种基于ARMA预测模型的交叉口车辆碰撞风险评估方法,该方法只能评价侧向碰撞风险,无法评价交叉口追尾碰撞风险。项红玉等人利用 BP神经网络进行驾驶员意图识别,将主车运动状态变化量的比值作为冲突严重程度指标,基于冲突严重程度下发生碰撞的概率建立风险评估模型,该模型仅考虑了主车与周围临近车之间的交互。
随着现代通信技术、信息技术、传感技术的快速发展,智能网联汽车、车路协同成为可能。研究表明未来将实现更高水平的自动化技术,智能网联汽车可以与驾驶员、道路上的其他车辆、路侧基础设施进行通信,通过信息共享、早期运动规划和自动控制,智能网联汽车有望显著提高交通安全。智能网联环境下实现对车辆运行轨迹准确快速的预测是实现本方法的基础。KIM等人利用长短期记忆网络来预测多模态的运动模式,网络输入的是车辆的历史轨迹点。该方法依赖于训练数据,并且存在无法预测未知环境中未知风险的缺点,很难在复杂城市交叉口得以应用。Gambs等人提出高阶马尔可夫模型的轨迹预测方法,该方法精度较高,但是计算开销大,很难满足智能车的实时性要求。乔少杰等人提出了一种基于卡尔曼滤波的动态轨迹预测算法,利用前一时刻的估计值和当前时刻的观测值更新对状态变量的估计进而对下一时刻的轨迹位置进行预测。研究表明卡尔曼滤波算法尤其适用于运动状态频繁变化、具有不确定性的轨迹数据,且实时性高。
目前,已有的研究多以车辆自身为主体进行交叉口碰撞风险评估,只能够实现单车的碰撞预警,难以实现整个交叉口的风险评估,无法为整个交叉口的协同控制提供指导意见,因此在智能网联汽车、车路协同环境下对交叉口的安全性提升效果甚微。
发明内容
针对以上技术的不足,本文发明旨在提供一种能够基于实时变化的交通流、以整个交叉口平面为主体、能够对交叉口内每个位置进行风险量化的方法,能够为智能网联车辆安全控制提供技术支撑。为了实现以上目的,本文提供了一种智能网联环境下交叉口风险量化方法。
本发明通过以下技术方案实现,具体步骤如下:
步骤一、获取交叉口环境信息
智能网联车路协同环境下,通过路侧单元RSU获得交叉口的具体尺寸数据与交叉口平面图。
步骤二、实时获取交叉***通流量与车辆运行状态数据
通过智能网联汽车安装的车载单元OUB能够获取车路的位置信息及其运动状态,通过无线通信单元能够与路侧单元进行信息交互。需要采集的数据主要包括车辆的GPS坐标信息,速度、加速度、航向角、车长、车宽。
步骤三、车辆位置坐标转换
智能网联环境下,路侧单元RSU与车载单元OUB之间能够通过5G无线通信设备或专用短程通信技术DSRC进行信息交互,RSU收集交叉口范围内所有车辆的OBU感知到的车辆位置信息,并且将车辆的GPS位置坐标转换为平面交叉口内部坐标。
步骤四、采用卡尔曼滤波方法对车辆的运动轨迹进行预测
根据当前时刻t车辆的位置、速度、加速度信息,通过卡尔曼滤波方法得到当前时刻所有在交叉口内的车辆后续通过整个交叉口的运行轨迹。
步骤五、计算每辆车到达、离开其运动范围内各个位置的时刻
1、计算离开时间矩阵
在进行步骤四对车辆的运动轨迹进行预测的同时计算车辆离开其运动范围内各个点的时间。随着运动轨迹的不断预测不断迭代的过程,交叉口同一位置上该车的达到时刻被不断覆盖更新,最终得到的是车辆的离开时间矩阵。
2、计算到达时间矩阵
得到完整的车辆运动轨迹后,按照运动轨迹反向迭代,最终得到的是车辆到达时间矩阵。
步骤六、交叉口内各个位置处的风险值计算
所述的一种智能网联环境下交叉口风险量化方法,其风险值的函数表达方程如下:
其中:Risk(x,y,t)为基于t时刻交叉口内坐标位置为(x,y)处的风险值;t_lag为所有通过该点车辆的最小时间差。
步骤七、根据风险等级对交叉口风险可视化
交叉口内所有位置的风险值Risk计算完成后,可以根据其大小分级判断交叉口各个位置未来的安全状态。制定的交叉口风险判断规则为:
与现有技术相比,本发明考虑了实际的交通流特性,并且能够对交叉口内每个位置进行风险量化。得到交叉口内各个位置为风险等级以后,可以选择多种方式对网联人工驾驶车辆进行安全预警,对网联自动驾驶车辆进行相应的安全控制。本发明能够通过交叉口风险量化为车辆提供相应的驾驶建议,能够为智能网联车辆安全控制提供技术支撑,保证车辆在交叉口通行的安全性。
附图说明
图1为本发明的技术路线结构图。
具体实施方式
本发明的技术路线结构图如图1所示,下面结合附图及实施例对本发明做进一步的详细说明。
本发明是在智能网联环境下,基于实时的交通流特性,根据车辆通过交叉口各个位置的预测最小时间差进行交叉口风险值量化,进而进行交叉口安全评价,具体步骤如下:
步骤一、获取交叉口环境信息
得到交叉口的长度X、宽度Y,按照step=0.1m的间隙,将交叉口平面网格化。创建当前时刻的交叉口风险矩阵Riskt,并将其初始化为0,Riskt的表达形式如下所示,其中i=X/step,j=Y/step。
步骤二、实时获取交叉***通流量与车辆运行状态数据
记录当前时刻交叉口内车辆总数N,创建车辆的到达时间矩阵Ta、离开时间矩阵Tl,他们都是三维矩阵,用于记录每辆车到达、离开交叉口内对应点的时刻,对到达、离开时间矩阵赋初值为无穷大。
步骤三、车辆位置坐标转换
将车辆的GPS坐标位置,转化为交叉口内部坐标。其中交叉口内部坐标系以交叉口平面图左下角位置为原点,坐标范围以交叉口实际尺寸为界限。
步骤四、采用卡尔曼滤波方法对车辆的运动轨迹进行预测
步骤41,根据当前t时刻车辆的位置、速度、加速度信息,通过卡尔曼滤波方法预测得到时刻车辆的位置及速度;
步骤42,通过改变步长可以预测得到车辆通后续通过整个交叉口的运行轨迹;
步骤43,对当前时刻交叉口内所有车辆进行同样的操作得到所有车辆的后续通过整个交叉口的运动轨迹,其中车辆的运动轨迹点为车辆中心。
步骤五、计算每辆车到达、离开其运动范围内各个位置的时刻
车辆的运动轨迹是其中心在平面交叉口上投影的运动轨迹。在交叉口水平面内假设车辆形状为矩阵,在交叉口边界的约束条件下,以车辆运行轨迹为中心向外扩展一个以车长、车宽为长宽的矩形范围是车辆的运动范围。时间矩阵对应被网格化以后的交叉口平面。
1、计算离开时间矩阵
在进行步骤四对车辆的运动轨迹进行预测的同时计算车辆离开其运动范围内各个点的时间,随着运动轨迹的不断预测不断迭代的过程,离开时间矩阵中对应交叉口内同一位置上车辆的到达时刻被不断的覆盖更新,最终得到离开时间矩阵。离开时间矩阵Tl、第n辆车离开交叉口内每个点的到达时间矩阵Tl(n)的表达式如下:
其中tij为离开坐标为(i,j)点的时刻,离开时间矩阵Tl是一个三维矩阵,由当前时刻下交叉口范围内所有车辆的离开时间矩阵组成,其第三维度数值表明车辆编号,将离开时间矩阵赋初值为无穷大。
2、计算到达时间矩阵
到达时间的计算类似离开时间,按照运动轨迹反向迭代,最终得到的是车辆到达其运行范围内各个点的到达时间矩阵。
到达时间矩阵Ta、第n辆车到达交叉口内每个点的到达时间矩阵Ta(n)的表达式如下,到达时间矩阵的定义与形式类似离开时间矩阵,将达到时间矩阵赋初值为无穷大:
步骤六、交叉口内各个位置处的风险值计算
1.计算时间间隔lag
步骤61,计算第n辆车与第m辆车之间的时间差矩阵lagnm(k),lagnm(k)是个二维矩阵,其表达式如下所示:
其中:n=1,2,…,N;m=1,2,…,N,且m≠n;k=1,2,…,N-1。
步骤62,对除了第n辆以外的其余N-1辆车重复以上操作,计算得到第n辆车与其他车到达交叉口同一位置的时间差lagn,lagn是个三维矩阵,其表达式如下:
步骤63,令lagn中大于零的值为空,对lagn在按照第三维度取最大值,能够得到第n辆车与其他所有车辆到达交叉口内每一个位置的最小时间差min_lagn,min_lagn是个二维矩阵其表达式如下:
min_lagn(ij)=max{Δtij1,Δtij2,...Δtij(N-1)}
其中:min_lagn(ij)表达第n辆车在交叉口坐标为(i,j)处与其他所有车辆最小的时间差,max{} 为取最大值运算。
步骤64,对交叉口内其余所有车辆重复以上步骤,得到交叉口内所有车辆与其他车辆到达交叉口内每一个位置的最小时间差min_lag,min_lag是个三维矩阵其表达式如下:
步骤65,对min_lag矩阵按照第三维取最大值,得到以交叉口内各个位置为基准的最小时间间隔矩阵t_lag,t_lag是一个二维矩阵其表达式如下:
lagij=max{min_lagij(1),min_lagij(2),...,min_lagij(n),...,min_lagij(N)}
其中:lagij为通过交叉口坐标位置为(i,j)的所有车辆中最小的时间间隔。
2.计算交叉口风险值
根据求出的t_lag,带入风险函数中计算得到交叉口风险值Riskt。
步骤七、根据风险等级对交叉口风险可视化
在交叉口实际平面底图上用热力图将交叉口各个位置的风险可视化,在交叉口风险矩阵中将风险值为0处替换为空,可以在热力图上直观的看出交叉口各个位置风险值的大小。
本发明的交叉口间隙和风险的等级划分指标可以根据具体的精度要求有所变化。需要说明的是,本发明还可有其他多种实施例,在不背离本发明实质的情况下,熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.一种智能网联环境下交叉口风险量化方法,其特征在于,包括以下步骤:
步骤1,获取信号交叉口环境信息,智能网联车路协同环境下,通过路侧单元RSU获得交叉口的具体尺寸数据与交叉口平面图;
步骤2,实时获取交叉***通流量与车辆运行状态数据,通过智能网联汽车安装的车载单元OUB能够获取车路的位置信息及其运动状态,通过无线通信单元能够与路侧单元进行信息交互,需要采集的数据主要包括车辆的GPS坐标信息,速度、加速度、航向角、车长、车宽;
步骤3,车辆位置坐标转换,智能网联环境下,路侧单元RSU与车载单元OUB之间能够通过5G无线通信设备或专用短程通信技术DSRC进行信息交互,RSU收集交叉口范围内所有车辆的OBU感知到的车辆位置信息,并且将车辆的GPS位置坐标转换为平面交叉口内部坐标;
步骤4,采用卡尔曼滤波方法对车辆的运动轨迹进行预测,根据当前时刻t车辆的位置、速度、加速度信息,通过卡尔曼滤波方法得到当前时刻所有在交叉口内的车辆后续通过整个交叉口的运行轨迹;
步骤5,计算每辆车到达、离开其运动范围内各点的时刻;
步骤6,信号交叉口内各个位置处的风险值计算,根据交叉口内各个位置所有车辆通过的预计最小时间间隔,量化交叉口各个位置的风险;
步骤7,根据风险等级对信号交叉口风险可视化。
4.根据权利要求1所述方法,其特征在于,步骤6中的“时间间隔”的获得方法包括如下步骤:
步骤61,计算第n辆车与第m辆车之间的时间差矩阵lagnm(k),lagnm(k)是个二维矩阵,其表达式如下所示:
其中:n=1,2,…,N;m=1,2,…,N,且m≠n;k=1,2,…,N-1。
步骤62,对除了第n辆以外的其余N-1辆车重复以上操作,计算得到第n辆车与其他车到达交叉口同一位置的时间差lagn,lagn是个三维矩阵,其表达式如下:
步骤63,令lagn中大于零的值为空,对lagn在按照第三维度取最大值,能够得到第n辆车与其他所有车辆到达交叉口内每一个位置的最小时间差min_lagn,min_lagn是个二维矩阵其表达式如下:
min_lagn(ij)=max{Δtij1,Δtij2,...Δtij(N-1)}
其中:min_lagn(ij)表达第n辆车在交叉口坐标为(i,j)处与其他所有车辆最小的时间差,max{}为取最大值运算。
步骤64,对交叉口内其余所有车辆重复以上步骤,得到交叉口内所有车辆与其他车辆到达交叉口内每一个位置的最小时间差min_lag,min_lag是个三维矩阵其表达式如下:
步骤65,对min_lag矩阵按照第三维取最大值,得到以交叉口内各个位置为基准的最小时间间隔矩阵t_lag,t_lag是一个二维矩阵其表达式如下:
lagij=max{min_lagij(1),min_lagij(2),...,min_lagij(n),...,min_lagij(N)}
其中:lagij为通过交叉口坐标位置为(i,j)的所有车辆中最小的时间间隔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110899101.7A CN114005271A (zh) | 2021-08-05 | 2021-08-05 | 一种智能网联环境下交叉口碰撞风险量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110899101.7A CN114005271A (zh) | 2021-08-05 | 2021-08-05 | 一种智能网联环境下交叉口碰撞风险量化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114005271A true CN114005271A (zh) | 2022-02-01 |
Family
ID=79921075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110899101.7A Pending CN114005271A (zh) | 2021-08-05 | 2021-08-05 | 一种智能网联环境下交叉口碰撞风险量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114005271A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114379417A (zh) * | 2022-03-23 | 2022-04-22 | 蔚来汽车科技(安徽)有限公司 | 换电站和引导车辆离开换电站的装置、方法、介质 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140303882A1 (en) * | 2013-04-05 | 2014-10-09 | Electronics And Telecommunications Research Institute | Apparatus and method for providing intersection collision-related information |
CN104903172A (zh) * | 2012-10-05 | 2015-09-09 | 雷诺股份公司 | 用于评估在交叉路口的碰撞风险的方法 |
CN105280024A (zh) * | 2015-11-17 | 2016-01-27 | 南京信息工程大学 | 基于车辆速度和距离的交叉路口碰撞可能性的评估方法 |
CN106023652A (zh) * | 2016-07-29 | 2016-10-12 | 重庆长安汽车股份有限公司 | 车辆交叉口碰撞预警方法 |
US20170151944A1 (en) * | 2015-06-16 | 2017-06-01 | Honda Motor Co., Ltd. | System and method for providing vehicle collision avoidance at an intersection |
JP2018106589A (ja) * | 2016-12-28 | 2018-07-05 | パナソニックIpマネジメント株式会社 | 車両軌道予測装置、方法、プログラム及び記録媒体、並びに、警報装置 |
CN108986461A (zh) * | 2018-07-13 | 2018-12-11 | 西安理工大学 | 一种基于时间的交叉路口车辆碰撞概率分析方法 |
CN109345020A (zh) * | 2018-10-02 | 2019-02-15 | 北京航空航天大学 | 一种完全信息下的无信号交叉口车辆驾驶行为预测模型 |
DE102018203063A1 (de) * | 2018-03-01 | 2019-09-05 | Honda Motor Co., Ltd. | Kollisionsrisiko-Vorhersageeinheit |
DE102018203070A1 (de) * | 2018-03-01 | 2019-09-05 | Honda Motor Co., Ltd. | Kollisionsrisiko-Vorhersageeinheit |
CN111080158A (zh) * | 2019-12-26 | 2020-04-28 | 安徽揣菲克科技有限公司 | 一种基于复合权重的城市路口通行危险指数评价方法 |
CN111210662A (zh) * | 2020-03-04 | 2020-05-29 | 五邑大学 | 一种基于机器视觉与dsrc的交叉口安全预警***及其预警方法 |
JP2020115306A (ja) * | 2019-01-18 | 2020-07-30 | 国立大学法人豊橋技術科学大学 | 地点別歩行者事故危険度評価方法および地点別歩行者事故危険度判定システム |
CN111640295A (zh) * | 2020-05-09 | 2020-09-08 | 天津市市政工程设计研究院 | 基于潜在冲突风险评估的交叉口事故黑点判别方法 |
CN111915915A (zh) * | 2020-07-16 | 2020-11-10 | 华人运通(上海)自动驾驶科技有限公司 | 驾驶场景重构方法、装置、***、车辆、设备及存储介质 |
CN112116809A (zh) * | 2020-09-07 | 2020-12-22 | 杭州鸿泉物联网技术股份有限公司 | 基于v2x技术的非视距车辆防碰撞方法及装置 |
CN112116263A (zh) * | 2020-09-25 | 2020-12-22 | 安徽百诚慧通科技有限公司 | 一种交通路口风险级别评估方法、装置、电子设备及存储介质 |
CN112349141A (zh) * | 2019-08-09 | 2021-02-09 | 广州汽车集团股份有限公司 | 一种前碰撞控制方法、前碰撞预警装置及汽车 |
CN112368756A (zh) * | 2018-07-16 | 2021-02-12 | 上海芯仑光电科技有限公司 | 计算对象和车辆碰撞时间的方法、计算设备及车辆 |
CN112767695A (zh) * | 2021-01-07 | 2021-05-07 | 哈尔滨工业大学 | 一种信号交叉***通事故风险实时预测方法及*** |
CN113183954A (zh) * | 2020-01-29 | 2021-07-30 | 通用汽车环球科技运作有限责任公司 | 基于交叉路口场景的车辆碰撞可能性确定 |
-
2021
- 2021-08-05 CN CN202110899101.7A patent/CN114005271A/zh active Pending
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104903172A (zh) * | 2012-10-05 | 2015-09-09 | 雷诺股份公司 | 用于评估在交叉路口的碰撞风险的方法 |
US20140303882A1 (en) * | 2013-04-05 | 2014-10-09 | Electronics And Telecommunications Research Institute | Apparatus and method for providing intersection collision-related information |
US20170151944A1 (en) * | 2015-06-16 | 2017-06-01 | Honda Motor Co., Ltd. | System and method for providing vehicle collision avoidance at an intersection |
CN105280024A (zh) * | 2015-11-17 | 2016-01-27 | 南京信息工程大学 | 基于车辆速度和距离的交叉路口碰撞可能性的评估方法 |
CN106023652A (zh) * | 2016-07-29 | 2016-10-12 | 重庆长安汽车股份有限公司 | 车辆交叉口碰撞预警方法 |
JP2018106589A (ja) * | 2016-12-28 | 2018-07-05 | パナソニックIpマネジメント株式会社 | 車両軌道予測装置、方法、プログラム及び記録媒体、並びに、警報装置 |
DE102018203070A1 (de) * | 2018-03-01 | 2019-09-05 | Honda Motor Co., Ltd. | Kollisionsrisiko-Vorhersageeinheit |
DE102018203063A1 (de) * | 2018-03-01 | 2019-09-05 | Honda Motor Co., Ltd. | Kollisionsrisiko-Vorhersageeinheit |
CN108986461A (zh) * | 2018-07-13 | 2018-12-11 | 西安理工大学 | 一种基于时间的交叉路口车辆碰撞概率分析方法 |
CN112368756A (zh) * | 2018-07-16 | 2021-02-12 | 上海芯仑光电科技有限公司 | 计算对象和车辆碰撞时间的方法、计算设备及车辆 |
CN109345020A (zh) * | 2018-10-02 | 2019-02-15 | 北京航空航天大学 | 一种完全信息下的无信号交叉口车辆驾驶行为预测模型 |
JP2020115306A (ja) * | 2019-01-18 | 2020-07-30 | 国立大学法人豊橋技術科学大学 | 地点別歩行者事故危険度評価方法および地点別歩行者事故危険度判定システム |
CN112349141A (zh) * | 2019-08-09 | 2021-02-09 | 广州汽车集团股份有限公司 | 一种前碰撞控制方法、前碰撞预警装置及汽车 |
CN111080158A (zh) * | 2019-12-26 | 2020-04-28 | 安徽揣菲克科技有限公司 | 一种基于复合权重的城市路口通行危险指数评价方法 |
CN113183954A (zh) * | 2020-01-29 | 2021-07-30 | 通用汽车环球科技运作有限责任公司 | 基于交叉路口场景的车辆碰撞可能性确定 |
CN111210662A (zh) * | 2020-03-04 | 2020-05-29 | 五邑大学 | 一种基于机器视觉与dsrc的交叉口安全预警***及其预警方法 |
CN111640295A (zh) * | 2020-05-09 | 2020-09-08 | 天津市市政工程设计研究院 | 基于潜在冲突风险评估的交叉口事故黑点判别方法 |
CN111915915A (zh) * | 2020-07-16 | 2020-11-10 | 华人运通(上海)自动驾驶科技有限公司 | 驾驶场景重构方法、装置、***、车辆、设备及存储介质 |
CN112116809A (zh) * | 2020-09-07 | 2020-12-22 | 杭州鸿泉物联网技术股份有限公司 | 基于v2x技术的非视距车辆防碰撞方法及装置 |
CN112116263A (zh) * | 2020-09-25 | 2020-12-22 | 安徽百诚慧通科技有限公司 | 一种交通路口风险级别评估方法、装置、电子设备及存储介质 |
CN112767695A (zh) * | 2021-01-07 | 2021-05-07 | 哈尔滨工业大学 | 一种信号交叉***通事故风险实时预测方法及*** |
Non-Patent Citations (2)
Title |
---|
刘淼淼;鲁光泉;王云鹏;田大新;: "交叉***通冲突严重程度量化方法", 交通运输工程学报 * |
袁黎;张青;: "基于物理碰撞学理论的车流冲突严重性分析", 交通运输***工程与信息 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114379417A (zh) * | 2022-03-23 | 2022-04-22 | 蔚来汽车科技(安徽)有限公司 | 换电站和引导车辆离开换电站的装置、方法、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742193B (zh) | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 | |
CN113386795B (zh) | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策*** | |
CN111780981B (zh) | 一种智能车辆编队变道性能测评方法 | |
CN111746559B (zh) | 一种前车换道意图预测方法及预测*** | |
CN109871599B (zh) | 一种无人驾驶车辆运行安全指数评价方法 | |
CN110531740B (zh) | 一种智能车智能化程度量化测评方法 | |
CN103364006B (zh) | 用于确定车辆路径的***和方法 | |
CN102052926B (zh) | 减少燃料消耗和成本的方法 | |
CN105788263B (zh) | 一种通过手机信息预测道路拥堵的方法 | |
CN109643118A (zh) | 基于关于车辆的环境的与功能相关的信息来影响车辆的功能 | |
CN110979342B (zh) | 一种用于车辆全局能量管理控制的工况信息获取方法 | |
Valera et al. | Driving cycle and road grade on-board predictions for the optimal energy management in EV-PHEVs | |
CN114861514A (zh) | 一种车辆行驶方案的规划方法、装置和存储介质 | |
CN109003453A (zh) | 基于支持向量机的浮动车路段平均速度短时预测方法 | |
CN112249008A (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
CN115523934A (zh) | 一种基于深度学习的车辆轨迹预测方法及*** | |
CN114005271A (zh) | 一种智能网联环境下交叉口碰撞风险量化方法 | |
CN110426215B (zh) | 一种用于车辆平顺性测试的模型建立方法及智能驾驶*** | |
Hwang et al. | Comparative study on the prediction of city bus speed between LSTM and GRU | |
CN113610298B (zh) | 考虑用户出行行为的用户出行能耗预测及路径推荐方法 | |
CN115079699A (zh) | 一种基于模型预测控制的人机共驾汽车的运动规划方法 | |
CN115903585A (zh) | 新能源运载工具充电可视数字孪生优化控制方法 | |
CN115018353A (zh) | 一种异质交通流下的智能网联汽车决策规划方法 | |
CN110610611B (zh) | 面向混行交通流中智能网联车辆的行车安全性评价方法 | |
CN113252057A (zh) | 一种基于高德导航数据的驾驶倾向性辨识方法和*** |
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 |