CN114118795A - 智能重载高速公路的安全风险度评估分级及动态预警方法 - Google Patents
智能重载高速公路的安全风险度评估分级及动态预警方法 Download PDFInfo
- Publication number
- CN114118795A CN114118795A CN202111417767.0A CN202111417767A CN114118795A CN 114118795 A CN114118795 A CN 114118795A CN 202111417767 A CN202111417767 A CN 202111417767A CN 114118795 A CN114118795 A CN 114118795A
- Authority
- CN
- China
- Prior art keywords
- risk
- road
- intelligent
- highway
- intelligent heavy
- 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 69
- 238000011156 evaluation Methods 0.000 title claims abstract description 16
- 238000012502 risk assessment Methods 0.000 claims abstract description 40
- 230000003068 static effect Effects 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 206010039203 Road traffic accident Diseases 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000002955 isolation Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 230000006698 induction Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008520 organization Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000012821 model calculation Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 108091000069 Cystinyl Aminopeptidase Proteins 0.000 description 2
- 102100020872 Leucyl-cystinyl aminopeptidase Human genes 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种智能重载高速公路的安全风险度评估分级及动态预警方法,包括以下步骤:1)构建智能重载高速公路风险评估的整体要素框架;2)根据历史数据,从概率和严重程度两方面获取各动静态要素的风险影响系数;3)根据智能重载高速公路风险评估的整体要素框架和要素风险影响系数,采用风险度计算模型和分级方法确定智能重载高速公路的运行安全风险等级;4)根据实测数据,通过预警平台实现风险动态预警。与现有技术相比,本发明能够全面、清晰、便捷、合理化、标准化评估智能重载高速公路运行安全风险,并可根据道路交通动态要素变化,实现风险动态显示和预警,具有创新性、科学性和实用性等优点。
Description
技术领域
本发明涉及公路交通安全评估技术领域,尤其是涉及一种智能重载高速公路的安全风险度评估分级及动态预警方法。
背景技术
自动驾驶汽车(智能汽车)是世界各国争相抢占的科技制高点,美国、欧洲各国、日韩等都针对自动驾驶或智能汽车行业发展制定了相应的政策,如2020年1月,美国发布自动驾驶4.0计划,志在确保美国在自动驾驶领域的技术领先地位。日本除了从国家层面制定了相关的标准或者指南外,还制定了相关的交通法规范自动驾驶车辆的行为。2019年9月,中国明确提出要加强智能网联汽车(智能汽车、自动驾驶、车路协同)研发,形成自主可控的完整产业链,因此,发展智能汽车具有重要的战略意义。
但是从目前技术发展水平来看,想实现L5级完全自动驾驶存在比较大的困难,因此部分城市,特别是国内主要大城市,积极探索自动驾驶在典型应用场景下智能汽车的道路测试和示范运营,同时结合智慧化道路和车路协同的信息实时传输机制,实现场景驱动的自动驾驶。智能重载高速公路就是自动驾驶技术落地和示范应用的重要场景,相比于城市道路和其他等级公路,一方面,高速公路场景复杂程度相对较低,没有行人、非机动车等交通参与者,同时高速公路设施建设质量更好,如标志标线更加清晰、视距良好等,更有利于当前技术水平下的智能汽车行驶;另一方面,高速公路运量大,而且对于我国来说,很多高速公路都是大流量的重载交通,对于智能车辆来说,有很大运量需求的同时也存在一定的安全风险。智能重载高速公路的“智能”体现在两个方面,“车的智能”和“路的智能”。“车的智能”指此高速公路内部分车辆具有一定的智能化水平,主要取决于智能车辆的定位、感知水平和决策、规划方法。“路的智能”指道路可以实时采集到车辆运动学状态信息、道路交通环境信息、气候环境信息等。
在此背景下,为了实现智能重载高速公路场景下道路测试和示范应用的风险可控,同时为高速公路场景选取和智能车辆政策制定提供建议,亟需形成一套完善的针对智能重载高速公路场景安全风险动态评估和预警方法,而在目前来看,这方面国内外的研究还相对比较欠缺。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种智能重载高速公路的安全风险度评估分级及动态预警方法,目的为了实现智能重载高速公路示范应用过程中的风险可控,同时给决策者提供智能重载高速公路场景的选取建议,并让车企了解智能车辆在实际道路上的驾驶能力。
本发明的目的可以通过以下技术方案来实现:
一种智能重载高速公路的安全风险度评估分级及动态预警方法,包括以下步骤:
1)确定智能重载高速公路运行安全相关的动静态风险要素并进行路段划分,构建智能重载高速公路风险评估的整体要素框架;
2)根据历史数据,包括交通流数据、人工驾驶车辆事故数据和智能车辆接管数据,从概率和严重程度两方面获取各动静态要素的风险影响系数;
3)根据智能重载高速公路风险评估的整体要素框架和要素风险影响系数,采用风险度计算模型和分级方法确定智能重载高速公路的运行安全风险等级;
4)根据实测数据,通过预警平台实现风险动态预警。
所述的步骤1)中,智能重载高速公路运行安全相关的静态风险要素包括传统风险要素和新兴风险要素,所述的传统风险要素包括:
总体要素:车道数量、车道宽度、坡度、曲率、道路平整度、路面抗滑能力、中央隔离带类型、视距、速度管理措施、防撞护栏类型、应急车道宽度、边缘震动带、标志标线、指路标牌、防眩设施;
服务区相关要素:服务区规模、服务区间距;
收费站收费车道数、ETC数量;
匝道相关要素:匝道车道数、匝道道路线形诱导、匝道长度、匝道视距;
隧道相关要素:隧道口类型、隧道内灯光、隧道检修道、隧道防排水设施;
桥梁相关要素:桥梁伸缩缝、桥梁护栏类型,所述的新兴风险要素包括车路协同设备、新型车道线和新型路缘带;
所述的新兴风险要素包括:
车路协同设备、车路通讯方式与性能、高精度地图、新型车道线、新型交通标志、新型路缘;
智能重载高速公路运行安全相关的动态风险要素包括速度、交通流量和天气条件变化。
所述的步骤1)中,根据智能重载高速公路运行安全相关的静态风险要素采用不定长法划分路段,具体为:
先根据路段设施类型和线形初步分为大路段,再依据静态风险要素细分为小路段。
所述的步骤1)中,智能重载高速公路风险评估的整体要素框架由要素基本框架和设施类型要素框架构成,所述的要素基本框架具体为:
所述的设施类型要素框架具体为:
所述的步骤2)具体包括以下步骤:
21)多源数据处理与融合,具体为:
对采集到的地图数据、车端采集数据和路段采集数据,根据数据的时间和空间进行数据拼接,得到与整体要素框架对应的数据集;
22)获取智能重载高速公路风险要素重要程度并排序;
23)各动静态要素风险影响系数标定;
24)各动静态要素风影响险系数修正。
所述的步骤22)中,重要度从高至低依次排序为路段断面平均交通量、区间平均行驶车速、大车比例、天气状态、标志标线、路侧设备情况,车路协同情况、路侧物体类型、防撞护栏类型、中央隔离带类型、距离路侧物距离、指路标牌、曲率、路面抗滑能力、道路平整度、车道数量、坡度、应急车道、弯道质量、边缘震动带、车道宽度、视距、防眩设施。
所述的步骤24)中,当获取更多的智能车辆事故数据或者强力避险接管数据时,采用贝叶斯网络和启发式算法模型对风险影响系数进行修正。
所述的步骤3)中,根据风险度计算模型计算运行安全风险度具体包括以下步骤:
31)获取智能重载高速公路主要发生的交通事故类型,包括车辆之间的同向追尾碰撞和侧向碰撞,以及车辆和道路之间的单车事故;
32)从事故概率和事故严重程度两方面评估路段安全风险,并结合交通流的动态特征对风险度进行修正,得到路段对应交通事故类型的动态风险度Rk(i),则有:
Rk(i)=Pk(i)×Sk(i)×rv×rf×rc
其中,k为事故类型,Rk(i)为路段i发生事故k的风险度,Pk(i)为路段i发生事故k的概率,Sk(i)为路段i发生事故k时的严重程度,rv为速度影响系数,rf为交通流量影响系数,rc为交通组成影响系数;
33)计算路段风险度,则有:
其中,R(i)为路段i的风险度,表征该路段在此道路交通条件和环境条件下的安全风险,n为可能发生的事故种类,对于高速公路场景,n取值为3;
34)计算线路风险度,则有:
其中,ROL为线路风险度,表征该线路在此道路交通条件和环境条件下的安全风险,m为线路中包含的路段数量,L(i)为路段i的长度。
所述的步骤3)中,根据风险度计算结果,结合专家打分,确定将智能重载高速公路的风险从高至低依次划分为红、橙、黄、蓝4个风险等级,并确定风险等级划分阈值。
所述的步骤4)具体为:
通过集成接入多源实测数据并进行拼接,利用集成化的安全风险评估、分级模型,构建智能重载高速公路风险动态预警平台,具体包括以下步骤:
41)多源实测数据集成接入和拼接:
将智能重载高速公路上多种、多个数据采集传感器采集到的数据进行拼接和深度融合,构成智能重载高速公路运行安全风险等级评估所需的全线路实时特征数据集;
42)安全风险评估、分级模型集成:
将全线路实时特征数据集接入到安全风险评估、分级模型中,实现智能重载高速公路运行安全风险等级的实时评估;
43)搭建智能重载高速公路风险动态预警平台,实现可视化智能重载高速公路风险的动态预警。
与现有技术相比,本发明具有以下优点:
一、本发明充分考虑智能重载汽车和高速公路的主要特点,通过风险要素梳理、要素评估框架制定、基于事故数据和接管数据的要素影响系数标定、安全风险模型计算、风险分级等步骤实现智能重载高速公路场景全天候显示和动态预警,不仅可实现风险安全可控,还可以给智能重载高速公路场景的选取提供建议,同时了解智能车辆的驾驶能力和与道路环境相适应的程度。
二、本发明针对高速公路这一典型道路场景类型,结合智能车辆的特点,将车辆、道路设施、交通环境、天气环境等相结合,提出了面向智能车辆在重载高速公路上运行的风险评估方法,具有较好的创新性。
三、本发明基于智能车辆和重载高速公路的实际特点,通过风险要素梳理和框架制定、事故致因和智能车辆接管原因分析、从概率和严重程度两方面,标定各动静态要素的风险影响系数,进一步提出智能重载高速公路风险度计算模型和风险等级划分方法,并实现风险等级的动态显示和实时预警,发明中所述的模型与方法在实际的工程案例中得到了验证,能够实现预想功能,模型与方法科学、合理。
四、本发明提出的一种面向智能重载高速公路的运行安全风险度评估分级及动态预警方法,是一套***化流程,能够实时、简单、高效评估智能重载高速公路的运行安全风险,且在多个工程项目中得到实际应用和验证,同时,模型与方法可以拓展到不同的场景,也可根据越来越多的数据输入,不断的优化和完善。
附图说明
图1为本发明的整体步骤框架图。
图2为本发明的整体方法流程图。
图3为智能重载高速公路运行安全风险评估、分析、预警平台界面示例,其中,图(3a)为平峰时段风险示例,图(3b)为高峰时段风险示例。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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前提下获得的所有实施例,都属于本发明保护的范围。
如图1和2所示,本发明提供一种智能重载高速公路的安全风险度评估分级及动态预警方法,包括以下步骤:
1)针对智能重载汽车和高速公路的主要特点,全面梳理智能重载高速公路运行安全相关的动静态风险要素,形成智能重载高速公路风险评估要素框架;
2)根据历史数据(包括交通流数据、人工驾驶车辆事故数据和智能车辆接管数据),通过事故致因和接管原因分析,从概率和严重程度两方面,得到各动静态要素的风险影响系数;
3)根据上述风险评估框架和要素风险影响系数,利用风险度计算模型和分级方法确定智能重载高速公路的运行安全风险等级;
4)利用实测数据,开发智能重载高速公路运行安全风险评估、分析、预警平台,实现风险动态预警。
以下对各步骤的具体内容详细说明
在步骤1)中,需要根据智能重载汽车和高速公路的主要特点,辨析影响智能汽车安全的动静态风险要素并进行路段划分,并制定智能重载高速公路风险评估要素框架,具体包括以下步骤:
11)辨析智能汽车和高速公路的主要特点;
智能汽车和普通的人工驾驶车辆不同,机器视觉下,车辆的定位、感知、决策、规划等行为与人类驾驶员行为都有较大差别,本发明在评估智能重载高速公路运行安全风险时,考虑到了智能汽车自身的影响,同时高速公路也具有比较典型的特征,如上下匝道、立体交叉、对向硬隔离等,本发明只针对高速公路这种场景提出模型与方法;
12)梳理智能重载高速公路运行安全相关的静态风险要素;
与智能重载高速公路运行安全相关的静态风险要素包括传统风险要素和新兴风险要素,传统风险要素包括车道数、车道宽、坡度、曲率、路面平整度、标志标线清晰程度和完善程度等等;新兴风险要素包括车路协同设备、新型车道线、新型路缘带等等。
13)提出根据静态风险要素进行路段划分的方法;
进行路段划分有两种方法,一种是定长法,另外一种是不定长法,定长法指按固定长度划分路段;不定长法指根据道路环境的差异,将主要道路环境要素相同的道路划分为一段,本发明中,为了保证路段风险评估科学合理,同时便于后续风险计算,因此采用不定长法划分路段。
14)梳理智能重载高速公路运行安全相关的动态风险要素;
与智能重载高速公路运行安全相关的动态风险要素包括速度、交通流量、天气条件变化等,这要要素是造成同一路段的不同时段风险存在差异的主要原因。
15)形成智能重载高速公路风险评估要素框架。
对动静态风险要素进行归类、划分,形成智能重载高速公路风险评估要素整体框架结构。
在步骤2)中,需要对包括动静态风险要素数据、人工驾驶车辆事故数据、智能车辆测试过程中的接管数据等进行多源数据处理与融合,然后进行事故致因分析和接管原因分析,实现各动静态要素风险系数标定和修正,具体包括以下步骤:
21)多源数据处理与融合;
对于智能重载高速公路,往往通过多种手段采集数据,如车载桔视频视数据、车载传感器数据、路侧传感器采集的数据等。对不同传感器范围、不同类型的数据,依据时间和空间进行拼接、融合,到的上述动静态风险要素数据集,以便进行后续运行安全风险评估。
22)人工驾驶事故致因和智能车辆接管原因分析;
通过对国内交通事故记录的分析,同时结合国际道路评估组织(IRAP)和中国道路评估组织(ChinaRAP)对于不同道路要素下交通事故的统计,明确与道路交通事故相关的要素重要性排序,然后根据实际的智能车辆道路测试数据,分析危急状态下的接管原因,找出故障发生时,与车辆自动驾驶功能主要相关的环境因素,对要素重要性排序进行修正。
23)各动静态要素风险影响系数标定;
依据由人工驾驶事故致因和智能车辆接管原因分析得到的要素重要程度排序,结合拟评估道路的实际事故统计和替代交通风险指标分析(如碰撞时间TTC等),进一步确定要素对运行风险的影响,实现各个要素影响系数标定
24)各动静态要素风影响险系数修正;
当能获取更多的智能车辆事故数据或者强力避险接管数据(不接管一定发生事故)时,可利用贝叶斯网络和启发式算法等模型对风险影响系数进行修正。
在步骤3)中,需要根据步骤1)中所制定的智能重载高速公路风险评估要素框架,并结合步骤2)中所标定和修正的各个要素风险影响系数,通过模型计算和风险分级方法,得到智能重载高速公路的运行安全风险度和风险等级。包括以下步骤:
31)针对智能重载高速公路的风险度计算模型;
311)依据智能重载高速公路实际情况,辨析可能发生的交通事故类型,通过实际调查和事故记录,智能重载车辆在高速公路上主要发生三种类型的交通事故,包括车辆之间的同向追尾碰撞和侧向碰撞,以及车辆和道路之间的单车事故。
312)从事故概率和事故严重程度两方面评估路段安全风险;并结合交通流的动态特征(速度、交通流量、大车比例),对风险度进行修正,得到路段对应某种事故类型的动态风险度。
Rk(i)=Pk(i)×Sk(i)×rv×rf×rc
其中,k为事故类型;Rk(i)为路段i发生事故k的风险度;Pk(i)为路段i发生事故k的概率;Sk(i)为路段i发生事故k时的严重程度;事故发生概率和事故严重程度的影响系数主要由调查中的道路设施因素以及环境因素共同决定;rv为速度影响系数,速度定义为为路段区间平均行驶车速(米/秒);rf为交通流量影响系数,交通流量定义为路段平均小时交通量(辆/小时);rc为交通组成影响系数,针对高速公路场景主要指大车比例,即单位时间内,通过的中大型货车和中大型客车数量占车辆总数的比例。
313)计算路段风险度。
其中,R(i)为路段风险度,表征该路段在此道路交通条件和环境条件下的安全风险;n为可能发生的事故种类,对于高速公路场景,n为3,即可能发生车辆之间的同向追尾碰撞和侧向碰撞,以及车辆和道路之间的单车事故。
314)计算线路风险度。
其中,ROL(Risk of Line)为线路风险度,表征该线路在此道路交通条件和环境条件下的安全风险;m为线路中包含的路段数量;L(i)为路段i的长度。
32)针对智能重载高速公路的风险分级方法;
根据风险度计算结果,结合专家打分,确定将智能重载高速公路的风险划分为红、橙、黄、蓝4个风险等级(风险依次减小),并确定风险等级划分阈值。
在步骤4)中,通过集成接入多源实测数据并进行拼接,利用集成化安全风险评估、分级模型,构建智能重载高速公路风险动态预警平台,具体包括以下步骤:
41)多源实测数据集成接入和拼接方法;
将智能重载高速公路上多种、多个数据采集传感器采集到的数据进行拼接和深度融合,构成智能重载高速公路运行安全风险等级评估所需的全线路实时特征数据集。
42)安全风险评估、分级模型集成;
将数据集接入到步骤3)所述的计算模型中,实现智能重载高速公路运行安全风险等级的实时评估。
43)智能重载高速公路风险动态预警平台。
利用MATLAB、VB等APP开发工具,开发可视化平台,实现智能重载高速公路风险动态预警和展示。
实施例
本实例中的智能重载高速公路的安全风险度评估分级及动态预警方法包括以下步骤:
步骤1:针对智能重载汽车和高速公路的主要特点,全面梳理智能重载高速公路运行安全相关的动静态风险要素,形成智能重载高速公路风险评估要素框架,包括以下步骤:
11)辨析智能汽车和高速公路的主要特点;
智能汽车:智能汽车通过内置算法实现车辆定位、感知、决策、规划等功能。
常用的定位方式可以分为以下几大类:
(1)卫星定位(GPS定位、BDS定位等);
(2)高精度地图+雷达定位;
(3)惯性导航定位;
(4)摄像头局部定位。
现有的智能汽车,特别是L3级以上的智能汽车,往往都是多种定位方式相结合,常用的感知硬件有:
(1)长距离毫米波雷达;
(2)短距离毫米波雷达;
(3)激光雷达;
(4)车载摄像头。
常用的决策算法有:
(1)基于物理的行为特征决策模型;
(2)基于人工智能(AI)机器学习的决策模型;
(3)基于驾驶员行为-意识的决策模型(如博弈模型等)。
规划包括路径规划和速度规划,针对不同的智能车辆有:
(1)路径设定;
(2)实时路径规划。
高速公路具有速度快,交通流量大等特点,因此速度和流量是影响高速公路运行安全风险的重要要素;除此以外,高速公路没有非机动车、行人等复杂多样的交通参与者和交通环境,并且道路设施条件相对较好,全部控制出入,一般来说,标志标线相对比较清晰,总的来说,针对上述智能汽车的定位、感知、决策、规划方式,智能汽车在高速公路上的示范应用更容易落地。
12)梳理智能重载高速公路运行安全相关的静态风险要素;
依据上述智能汽车和高速公路的特点,总结归纳出与智能重载高速公路运行安全相关的静态风险要素如表1所示。
表1智能重载高速公路运行安全风险静态要素
13)提出根据静态风险要素进行路段划分的方法;
进行路段划分有两种方法,一种是定长法,另外一种是不定长法。定长法指按固定长度划分路段;不定长法指根据道路环境的差异,将主要道路环境要素相同的道路划分为一段。本发明中,为了保证路段风险评估科学合理,同时便于后续风险计算,因此采用不定长法划分路段。先根据路段设施类型(普通道路段、桥梁段、隧道段、立交匝道段、服务区段)和线形(直线段、曲线段)初步分为大路段,再依据其他静态要素(如坡度、标志标线情况等)细分为小路段,形成智能重载高速线路精细化路段划分方案。
14)梳理智能重载高速公路运行安全相关的动态风险要素。
依据上述智能汽车和高速公路的特点,总结归纳出与智能重载高速公路运行安全相关的交通、气候环境、交通参与者等动态风险要素如表2所示。
表2智能重载高速公路运行安全动态风险要素
15)形成智能重载高速公路风险评估要素框架。
基本要素框架:结合动静态风险要素和智能汽车的特点,形成以下智能重载高速公路风险评估要素基本框架如表3所示。
表3智能重载高速公路风险评估要素基本框架
结合高速公路的特征,考虑到不同设施类型对运行安全风险的影响,形成设施类型要素框架,对应不同设施类型下对基本要素框架的补充,如表4所示。
表4设施类型要素框架
至此形成针对智能重载高速公路风险评估的整体要素框架。
步骤2:根据历史数据(包括交通流数据、人工驾驶车辆事故数据和智能车辆接管数据),通过事故致因和接管原因分析,从概率和严重程度两方面,得到各动静态要素的风险影响系数;包括以下步骤:
21)多源数据处理与融合;
通过不同途径采集到数据,包括地图数据、车端采集数据和路段采集数据,通过数据时间和空间,将数据拼接,得到与步骤1中要素框架对应的数据集。
22)人工驾驶事故致因和智能车辆接管原因分析;
通过对国内交通事故记录的分析,同时结合国际道路评估组织(IRAP)和中国道路评估组织(ChinaRAP)对于不同道路要素下交通事故的统计,明确与道路交通事故相关的要素重要性排序,然后根据实际的智能车辆道路测试数据,分析危急状态下的接管原因,找出故障发生时,与车辆自动驾驶功能主要相关的环境因素,对要素重要性排序进行修正,得到修正后的要素重要程度排序如表5所示。
表5智能重载高速公路风险要素重要程度排序
23)各动静态要素风险影响系数标定;
根据上述要素重要程度重要性排序,进一步根据智能汽车接管数据统计,标定各因素影响系数如表6所示。
表6动静态要素风险影响系数
24)各动静态要素风影响险系数修正。
当能获取更多的智能车辆事故数据或者强力避险接管数据(不接管一定发生事故)时,可利用贝叶斯网络和启发式算法等模型对风险影响系数进行修正。
步骤3:根据上述步骤1中所制定的智能重载高速公路风险评估要素框架,并结合步骤2中所标定和修正的各个要素风险影响系数,通过模型计算和风险分级方法,得到智能重载高速公路的运行安全风险度和风险等级,包括以下步骤:
31)针对智能重载高速公路的风险度计算模型;
311)依据智能重载高速公路实际情况,辨析可能发生的交通事故类型,通过实际调查和事故记录,智能重载车辆在高速公路上主要发生三种类型的交通事故,包括车辆之间的同向追尾碰撞和侧向碰撞,以及车辆和道路之间的单车事故。
312)从事故概率和事故严重程度两方面评估路段安全风险;并结合交通流的动态特征(速度、交通流量、大车比例),对风险度进行修正,得到路段对应某种事故类型的动态风险度。
Rk(i)=Pk(i)×Sk(i)×rv×rf×rc
其中,k为事故类型;Rk(i)为路段i发生事故k的风险度;Pk(i)为路段i发生事故k的概率;Sk(i)为路段i发生事故k时的严重程度;事故发生概率和事故严重程度的影响系数主要由调查中的道路设施因素以及环境因素共同决定;rv为速度影响系数,速度定义为路段区间平均行驶车速(米/秒);rf为交通流量影响系数,交通流量定义为路段平均小时交通量(辆/小时);rc为交通组成影响系数,针对高速公路场景主要指大车比例,即单位时间内,通过的中大型货车和中大型客车数量占车辆总数比例。
313)计算路段风险度。
其中,R(i)为路段i的风险度,表征该路段在此道路交通条件和环境条件下的安全风险;n为可能发生的事故种类,对于高速公路场景,n为3,即可能发生车辆之间的同向追尾碰撞和侧向碰撞,以及车辆和道路之间的单车事故。
314)计算线路风险度。
其中,ROL(Risk of Line)为线路风险度,表征该线路在此道路交通条件和环境条件下的安全风险;m为线路中包含的路段数量;L(i)为路段i的长度。
32)针对智能重载高速公路的风险分级方法;
根据风险度计算结果,结合专家打分,确定将智能重载高速公路的风险划分为红、橙、黄、蓝4个风险等级(风险依次减小),并确定风险等级划分阈值。
步骤四:通过集成接入多源实测数据并进行拼接,利用集成化的安全风险评估、分级模型,构建智能重载高速公路风险动态预警平台,包括以下步骤:
41)多源实测数据集成接入和拼接方法。
将智能重载高速公路上多种、多个数据采集传感器采集到的数据进行拼接和深度融合,构成智能重载高速公路运行安全风险等级评估所需的全线路实时特征数据集。
42)安全风险评估、分级模型集成。
将数据集接入到步骤3)所述的计算模型中,实现智能重载高速公路运行安全风险等级的实时评估。
43)智能重载高速公路风险动态预警平台。
利用MATLAB的APP开发工具,开发可视化平台,实现智能重载高速公路风险动态预警和展示案例如图3所示。
Claims (10)
1.一种智能重载高速公路的安全风险度评估分级及动态预警方法,其特征在于,包括以下步骤:
1)确定智能重载高速公路运行安全相关的动静态风险要素并进行路段划分,构建智能重载高速公路风险评估的整体要素框架;
2)根据历史数据,包括交通流数据、人工驾驶车辆事故数据和智能车辆接管数据,从概率和严重程度两方面获取各动静态要素的风险影响系数;
3)根据智能重载高速公路风险评估的整体要素框架和要素风险影响系数,采用风险度计算模型和分级方法确定智能重载高速公路的运行安全风险等级;
4)根据实测数据,通过预警平台实现风险动态预警。
2.根据权利要求1所述的一种智能重载高速公路的安全风险度评估分级及动态预警方法,其特征在于,所述的步骤1)中,智能重载高速公路运行安全相关的静态风险要素包括传统风险要素和新兴风险要素,所述的传统风险要素包括:
总体要素:车道数量、车道宽度、坡度、曲率、道路平整度、路面抗滑能力、中央隔离带类型、视距、速度管理措施、防撞护栏类型、应急车道宽度、边缘震动带、标志标线、指路标牌、防眩设施;
服务区相关要素:服务区规模、服务区间距;
收费站收费车道数、ETC数量;
匝道相关要素:匝道车道数、匝道道路线形诱导、匝道长度、匝道视距;
隧道相关要素:隧道口类型、隧道内灯光、隧道检修道、隧道防排水设施;
桥梁相关要素:桥梁伸缩缝、桥梁护栏类型,所述的新兴风险要素包括车路协同设备、新型车道线和新型路缘带;
所述的新兴风险要素包括:
车路协同设备、车路通讯方式与性能、高精度地图、新型车道线、新型交通标志、新型路缘;
智能重载高速公路运行安全相关的动态风险要素包括速度、交通流量和天气条件变化。
3.根据权利要求1所述的一种智能重载高速公路的安全风险度评估分级及动态预警方法,其特征在于,所述的步骤1)中,根据智能重载高速公路运行安全相关的静态风险要素采用不定长法划分路段,具体为:
先根据路段设施类型和线形初步分为大路段,再依据静态风险要素细分为小路段。
5.根据权利要求4所述的一种智能重载高速公路的安全风险度评估分级及动态预警方法,其特征在于,所述的步骤2)具体包括以下步骤:
21)多源数据处理与融合,具体为:
对采集到的地图数据、车端采集数据和路段采集数据,根据数据的时间和空间进行数据拼接,得到与整体要素框架对应的数据集;
22)获取智能重载高速公路风险要素重要程度并排序;
23)各动静态要素风险影响系数标定;
24)各动静态要素风影响险系数修正。
6.根据权利要求5所述的一种智能重载高速公路的安全风险度评估分级及动态预警方法,其特征在于,所述的步骤22)中,重要度从高至低依次排序为路段断面平均交通量、区间平均行驶车速、大车比例、天气状态、标志标线、路侧设备情况,车路协同情况、路侧物体类型、防撞护栏类型、中央隔离带类型、距离路侧物距离、指路标牌、曲率、路面抗滑能力、道路平整度、车道数量、坡度、应急车道、弯道质量、边缘震动带、车道宽度、视距、防眩设施。
7.根据权利要求5所述的一种智能重载高速公路的安全风险度评估分级及动态预警方法,其特征在于,所述的步骤24)中,当获取更多的智能车辆事故数据或者强力避险接管数据时,采用贝叶斯网络和启发式算法模型对风险影响系数进行修正。
8.根据权利要求1所述的一种智能重载高速公路的安全风险度评估分级及动态预警方法,其特征在于,所述的步骤3)中,根据风险度计算模型计算运行安全风险度具体包括以下步骤:
31)获取智能重载高速公路主要发生的交通事故类型,包括车辆之间的同向追尾碰撞和侧向碰撞,以及车辆和道路之间的单车事故;
32)从事故概率和事故严重程度两方面评估路段安全风险,并结合交通流的动态特征对风险度进行修正,得到路段对应交通事故类型的动态风险度Rk(i),则有:
Rk(i)=Pk(i)×Sk(i)×rv×rf×rc
其中,k为事故类型,Rk(i)为路段i发生事故k的风险度,Pk(i)为路段i发生事故k的概率,Sk(i)为路段i发生事故k时的严重程度,rv为速度影响系数,rf为交通流量影响系数,rc为交通组成影响系数;
33)计算路段风险度,则有:
其中,R(i)为路段i的风险度,表征该路段在此道路交通条件和环境条件下的安全风险,n为可能发生的事故种类,对于高速公路场景,n取值为3;
34)计算线路风险度,则有:
其中,ROL为线路风险度,表征该线路在此道路交通条件和环境条件下的安全风险,m为线路中包含的路段数量,Li为路段i的长度。
9.根据权利要求8所述的一种智能重载高速公路的安全风险度评估分级及动态预警方法,其特征在于,所述的步骤3)中,根据风险度计算结果,结合专家打分,确定将智能重载高速公路的风险从高至低依次划分为红、橙、黄、蓝4个风险等级,并确定风险等级划分阈值。
10.根据权利要求1所述的一种智能重载高速公路的安全风险度评估分级及动态预警方法,其特征在于,所述的步骤4)具体为:
通过集成接入多源实测数据并进行拼接,利用集成化的安全风险评估、分级模型,构建智能重载高速公路风险动态预警平台,具体包括以下步骤:
41)多源实测数据集成接入和拼接:
将智能重载高速公路上多种、多个数据采集传感器采集到的数据进行拼接和深度融合,构成智能重载高速公路运行安全风险等级评估所需的全线路实时特征数据集;
42)安全风险评估、分级模型集成:
将全线路实时特征数据集接入到安全风险评估、分级模型中,实现智能重载高速公路运行安全风险等级的实时评估;
43)搭建智能重载高速公路风险动态预警平台,实现可视化智能重载高速公路风险的动态预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111417767.0A CN114118795A (zh) | 2021-11-26 | 2021-11-26 | 智能重载高速公路的安全风险度评估分级及动态预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111417767.0A CN114118795A (zh) | 2021-11-26 | 2021-11-26 | 智能重载高速公路的安全风险度评估分级及动态预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118795A true CN114118795A (zh) | 2022-03-01 |
Family
ID=80373739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111417767.0A Pending CN114118795A (zh) | 2021-11-26 | 2021-11-26 | 智能重载高速公路的安全风险度评估分级及动态预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114118795A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432448A (zh) * | 2023-04-06 | 2023-07-14 | 西南交通大学 | 基于智能网联车和驾驶员遵从度的可变限速优化方法 |
CN117172424A (zh) * | 2023-10-31 | 2023-12-05 | 江苏科运智慧交通科技有限公司 | 一种增强道路安全警示信息传递有效性的方法 |
CN117194930A (zh) * | 2023-11-07 | 2023-12-08 | 陕西交通电子工程科技有限公司 | 基于车辆行驶数据的隧道路段安全监控方法 |
CN117351708A (zh) * | 2023-10-08 | 2024-01-05 | 北京迈道科技有限公司 | 一种高速公路安全运营管理预警方法、***及存储介质 |
CN117727183A (zh) * | 2024-02-18 | 2024-03-19 | 南京淼瀛科技有限公司 | 结合车路协同的自动驾驶安全预警方法及*** |
CN117952478A (zh) * | 2024-03-26 | 2024-04-30 | 承德冀通公路工程有限责任公司 | 一种公路工程路线设计评价方法及*** |
-
2021
- 2021-11-26 CN CN202111417767.0A patent/CN114118795A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432448A (zh) * | 2023-04-06 | 2023-07-14 | 西南交通大学 | 基于智能网联车和驾驶员遵从度的可变限速优化方法 |
CN116432448B (zh) * | 2023-04-06 | 2024-02-23 | 西南交通大学 | 基于智能网联车和驾驶员遵从度的可变限速优化方法 |
CN117351708A (zh) * | 2023-10-08 | 2024-01-05 | 北京迈道科技有限公司 | 一种高速公路安全运营管理预警方法、***及存储介质 |
CN117172424A (zh) * | 2023-10-31 | 2023-12-05 | 江苏科运智慧交通科技有限公司 | 一种增强道路安全警示信息传递有效性的方法 |
CN117172424B (zh) * | 2023-10-31 | 2024-04-09 | 苏交科集团股份有限公司 | 一种增强道路安全警示信息传递有效性的方法 |
CN117194930A (zh) * | 2023-11-07 | 2023-12-08 | 陕西交通电子工程科技有限公司 | 基于车辆行驶数据的隧道路段安全监控方法 |
CN117194930B (zh) * | 2023-11-07 | 2024-01-19 | 陕西交通电子工程科技有限公司 | 基于车辆行驶数据的隧道路段安全监控方法 |
CN117727183A (zh) * | 2024-02-18 | 2024-03-19 | 南京淼瀛科技有限公司 | 结合车路协同的自动驾驶安全预警方法及*** |
CN117727183B (zh) * | 2024-02-18 | 2024-05-17 | 南京淼瀛科技有限公司 | 结合车路协同的自动驾驶安全预警方法及*** |
CN117952478A (zh) * | 2024-03-26 | 2024-04-30 | 承德冀通公路工程有限责任公司 | 一种公路工程路线设计评价方法及*** |
CN117952478B (zh) * | 2024-03-26 | 2024-05-31 | 承德冀通公路工程有限责任公司 | 一种公路工程路线设计评价方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114118795A (zh) | 智能重载高速公路的安全风险度评估分级及动态预警方法 | |
CN109415043B (zh) | 一种基于舒适度的自动驾驶行驶规划方法 | |
CN107843440B (zh) | 一种自动驾驶车辆性能测试***及方法 | |
CN105699095A (zh) | 一种无人驾驶车辆的测试方法 | |
Jung et al. | Modeling highway safety and simulation in rainy weather | |
Savolainen et al. | Safety impacts at intersections on curved segments | |
CN111402586A (zh) | 基于车联网的公路气象环境预报预警控制***和方法 | |
Al-Ahmadi et al. | Calibrating the highway safety manual predictive models for multilane rural highway segments in Saudi Arabia | |
CN117238139B (zh) | 一种基于气象数据的路况实时预警*** | |
CN116597690B (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
Li et al. | Calibrating VISSIM roundabout model using a critical gap and follow-up headway approach | |
Meocci et al. | Black boxes data for road pavement conditions monitoring: A case study in Florence | |
Chrysler et al. | Driver response to delineation treatments on horizontal curves on two-lane roads. | |
Pike et al. | Pavement Markings—Wet Retroreflectivity Standards | |
Storsæter | Designing and Maintaining Roads to Facilitate Automated Driving | |
CN115223118B (zh) | 一种高精地图置信度判断方法、***及车辆 | |
Pasias et al. | Vehicle Data Collection for Predicting Driving Behavior on Interchanges | |
CN117831286A (zh) | 基于陀螺仪数据的公路弯道路段安全性评价与预测方法 | |
Kuciemba | Connected Roadway Classification System Development | |
Abufares et al. | Sustainable Civil Infrastructures Utilization and Regulations of Innovative Technology to Improve Road Safety via Drivers’ Warnings and Enforcement | |
Guo et al. | Safety Criteria for Selecting a Smart Corridor: Random Forest Approach using HSIS Data from Washington State | |
Bartlett | The Impact of Inclement Weather on Transportation Systems and the Future of Connected and Autonomous Vehicles | |
Stewart | The ability of road infrastructure in New Brunswick to support Lane Keep Assist technology | |
Theiss et al. | Evaluation of warning lights on maintenance of traffic devices and development of possible alternatives. | |
Gupta | Assessment of Operational and Safety Impacts of Speed Limit Increases in Michigan |
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 |