CN114781791A - 一种基于全息感知数据的高速服务区风险识别方法 - Google Patents

一种基于全息感知数据的高速服务区风险识别方法 Download PDF

Info

Publication number
CN114781791A
CN114781791A CN202210236418.7A CN202210236418A CN114781791A CN 114781791 A CN114781791 A CN 114781791A CN 202210236418 A CN202210236418 A CN 202210236418A CN 114781791 A CN114781791 A CN 114781791A
Authority
CN
China
Prior art keywords
vehicle
speed
risk
pedestrian
predicted
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.)
Granted
Application number
CN202210236418.7A
Other languages
English (en)
Other versions
CN114781791B (zh
Inventor
吕新建
杜豫川
刘陆海
都州扬
李利娜
师钰鹏
刘成龙
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.)
Shandong High Speed Construction Management Group Co ltd
Tongji University
Original Assignee
Shandong High Speed Construction Management Group Co ltd
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 Shandong High Speed Construction Management Group Co ltd, Tongji University filed Critical Shandong High Speed Construction Management Group Co ltd
Priority to CN202210236418.7A priority Critical patent/CN114781791B/zh
Publication of CN114781791A publication Critical patent/CN114781791A/zh
Application granted granted Critical
Publication of CN114781791B publication Critical patent/CN114781791B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于全息感知数据的高速服务区风险识别方法，包括以下步骤：获取待识别的高速服务区的感知设备所采集的全息感知数据；将高速服务区划分为多个功能区域，并将每个功能区域划分为多个栅格，确定风险识别与预警的时段长度；获取各功能区域的各栅格的行人风险指数并确定行人风险评价阈值；获取各功能区域的各栅格的当前车辆风险指数并确定当前车辆风险评价阈值；获取各功能区域的各栅格的预测车辆风险指数并确认预测车辆风险评价阈值；判断不同是否存在栅格的风险指数大于对应的评价阈值，若是，判断该栅格存在风险。与现有技术相比，本发明具有能够对不同区域的风险大小进行量化分析，全面、有效识别、预警服务区不同等级的风险。

Description

一种基于全息感知数据的高速服务区风险识别方法
技术领域
本发明涉及风险识别领域，尤其是涉及一种基于全息感知数据的高速服务区风险识别方法。
背景技术
高速公路服务区又称高速公路服务站，高速公路服务区是高速公路重要的配套设施，是为高速公路司乘人员提供餐饮、休息、购物、娱乐、停车、加油、车辆维修等服务的场所。在高速公路服务区，客货车辆、危险运输车辆与行人交织，加油站、充电站等大型设备也存在易燃易爆的隐患，多类复杂因素耦合下，高速服务区存在着复杂的交通安全隐患。对高速服务区的实时风险和潜在风险进行在线的识别、预警能够有效提升服务区的运行效率，降低安全隐患，服务于高速公路智慧运营管理。
现有技术中，多通过在部分服务区关键点布设简单的视频摄像头进行人工监控进行管理。单点感知往往会面临感知范围不够、由于自身视角原因感知视野易受遮挡、以及数据交互可信判断等诸多问题，这些问题已成为制约单点感知能力与精度的瓶颈。此外，由人工通过视觉对场景内的风险水平进行实时判断，不仅耗时耗力且效率极低，无法对全场景、多目标的危险程度进行及时识别与预警，也无法对于未来一段时间的风险进行有效的估计以提前应对。
全息感知数据，通常通过泛在感知设备获取，如视频摄像机与毫米波雷达，可定制化安装于高速服务区的各个点位并可以以“上帝视角”的方式获取全场景感知视野下的感知数据，通过强大算力的边缘计算单元和5G通信技术，将实时获取的高速服务区海量、实时的全息感知数据传输至服务区数据管理云平台，供其分析、决策，实现风险快速识别和及时预警，为高速服务区的管理提供了坚实的数据基础。
目前鲜有对高速服务区的风险识别与预警的研究，高速服务区的各区域功能特性不一，存在不同程度的人-人、人-车、车-车交互风险，并且碰撞后可能产生严重安全事故与经济损失。
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基于全息感知数据的高速服务区风险识别方法。
本发明的目的可以通过以下技术方案来实现：
一种基于全息感知数据的高速服务区风险识别方法，包括以下步骤：
S1：获取待识别的高速服务区的感知设备所采集的全息感知数据；
S2：将高速服务区划分为多个功能区域，并将每个功能区域划分为多个栅格，确定风险识别与预警的时段长度；
S3：根据全息感知数据获取各功能区域的各栅格的行人风险指数并确定行人风险评价阈值；
S4：根据全息感知数据获取各功能区域的各栅格的当前车辆风险指数并确定当前车辆风险评价阈值；
S5：根据全息感知数据获取各功能区域的各栅格的预测车辆风险指数并确认预测车辆风险评价阈值；
S6：判断不同功能区域是否存在栅格的风险指数大于对应的评价阈值，若是，判断该栅格存在风险。
优选地，所述的步骤S2具体包括
S21：将高速服务区根据服务功能划分为N个功能区域{Z1,Z2,...Zn}，Zn为第n个功能区域；
S22：将各功能区域划分为多个尺寸为Xm*Xm正方形的栅格；
S23：确定风险识别与预警更新的时段长度tn。
优选地，所述的步骤S3具体包括：
S31：根据采集的全息感知数据，利用时间戳和目标类型筛选出前tn秒中目标类型为行人的数据行；
S32：计算对各功能区域的各栅格的行人密度大小D并获取相应的行人风险指数Rhh：
Figure BDA0003542382530000021
Figure BDA0003542382530000031
其中，Np为栅格内感知所得行人数量，X为栅格边长；
S33：确定行人风险评价阈值矩阵。
优选地，所述的行人风险评价阈值矩阵为：
Figure BDA0003542382530000032
其中，
Figure BDA0003542382530000033
表示第n个功能区域的行人风险指数阈值。
优选地，所述的步骤S4具体包括：
S41：计算各功能区域的各栅格的当前人车风险指数：
Figure BDA0003542382530000034
Figure BDA0003542382530000035
Figure BDA0003542382530000036
Figure BDA0003542382530000037
其中，(xi,yi)为行人i的坐标，vi为行人i的速度，(xj,yj)为车辆j的中心点坐标，vj为车辆j的速度，αi为行人i速度与人车中心点连线方向的夹角，αj为车辆j速度与人车中心点连线方向的夹角，aj为车辆j宽度，bj为车辆j长度，tij为行人i与车辆j的碰撞时间，dij为行人i与车辆j车身的距离，Δdj为车辆j中心点到车身的距离；
S42：计算各功能区域的各栅格的当前车车风险指数：
Figure BDA0003542382530000038
Figure BDA0003542382530000039
Figure BDA00035423825300000310
Figure BDA00035423825300000311
Figure BDA0003542382530000041
其中，(xh,yh)为车辆h的中心点坐标，vh为车辆h的速度，(xj,yj)为车辆j的中心点坐标，vj为车辆j的速度，αh为车辆i速度与两车中心点连线方向的夹角，αj为车辆j速度与两车中心点连线方向的夹角，ah为车辆h宽度，bh为车辆h长度，aj为车辆j宽度，bj为车辆j长度，thj为车辆h与车辆j的碰撞时间，dhj为车辆h与车辆j车身之间的距离，Δdh为车辆h中心点到车身的距离，Δdj为车辆j中心点到车身的距离；
S43：确定当前人车风险评价阈值矩阵及当前车车风险评价阈值矩阵。
优选地，所述的当前人车风险评价阈值矩阵为：
Figure BDA0003542382530000042
其中，
Figure BDA0003542382530000043
为第n个功能区域的当前人车风险评价阈值；
所述的当前车车风险评价阈值矩阵为：
Figure BDA0003542382530000044
其中，
Figure BDA0003542382530000045
为第n个功能区域的当前车车风险评价阈值。
优选地，所述的步骤S5具体包括：
S51：预测下一阶段行人、车辆的坐标(x',y')与速度v'：
Figure BDA0003542382530000046
Figure BDA0003542382530000047
Figure BDA0003542382530000048
式中，tn为时段划分长度，p为预测所用之前时段数量，(xt-n,yt-n)为t时段前第n个时段车辆或行人感知坐标值，
Figure BDA0003542382530000049
为t时段前第n个时段车辆或行人感知速度值；
S52：计算下一阶段预测人车风险指标R'hv
Figure BDA00035423825300000410
Figure BDA0003542382530000051
Figure BDA0003542382530000052
Figure BDA0003542382530000053
其中，(x′i,y′i)为行人i下一时段预测的中心点坐标，v′i为行人i下一时段预测的速度，(x'j,y'j)为车辆j下一时段预测的中心点坐标，v'j为车辆j下一时段预测的速度，αi为行人i速度与两车中心点连线方向的夹角，αj为车辆j速度与两车中心点连线方向的夹角，aj为车辆j宽度，bj为车辆j长度，t′ij为下一时段行人i与车辆j的碰撞时间预测值，d′ij为下一阶段行人i与车辆j车身的距离预测值，Δdj为车辆j中心点到车身的距离；
S53：计算下一阶段预测的预测车车风险指标R′vv：
Figure BDA0003542382530000054
Figure BDA0003542382530000055
Figure BDA0003542382530000056
Figure BDA0003542382530000057
Figure BDA0003542382530000058
其中，(x'h,y'h)为车辆h下一时段预测的中心点坐标，v'h为车辆h下一时段预测的速度，(x'j,y'j)为车辆j下一时段预测的中心点坐标，v'j为车辆j下一时段预测的速度，αh为车辆h速度与两车中心点连线方向的夹角，αj为车辆j速度与两车中心点连线方向的夹角，ah为车辆h宽度，bh为车辆h长度，aj为车辆j宽度，bj为车辆j长度，t'hj为下一时段车辆h与车辆j的碰撞时间预测值，d'hj为下一阶段车辆h与车辆j车身之间的距离预测值，Δdh为车辆h中心点到车身的距离，Δdj为车辆j中心点到车身的距离；
S54：确定预测人车风险评价阈值矩阵及预测车车风险评价阈值矩阵。
优选地，所述的预测人车风险评价阈值矩阵为：
Figure BDA0003542382530000061
其中，
Figure BDA0003542382530000062
为第n个功能区域的预测人车风险指数阈值；
Figure BDA0003542382530000063
其中，
Figure BDA0003542382530000064
为第n个功能区域的预测车车风险指数阈值。
优选地，所述的感知设备能获取待识别的高速服务区内所有对象的全息感知数据，所述的全息感知数据具有全场景感知视野，能够获取服务区内所有动静态参与对象的实时信息；所采集的数据的字段包含但不限于时间戳、目标ID、目标类型、目标速度、目标坐标、目标长度、目标宽度。
优选地，所述的感知设备为毫米波雷达或高清摄像头或激光雷达。
与现有技术相比，本发明具有如下优点：
(1)本发明基于全息感知数据，能够有效对高速服务区进行区域划分，并对不同区域内存在的行人风险、人车风险、车车风险进行及时的分析获取，通过设置不同的风险指数阈值，有效实现高速服务区的量化风险识别，实现全息感知与有效识别，全面保障高速服务区的安全水平；
(2)本发明实现对高速服务区风险的定量识别和预测，基于高速服务区参与对象运动特征设计并计算区域内的各项风险指标、风险预测指标，能够对高速服务区的风险进行有效识别，提高识别准确性和识别效率，进一步提高高速服务区的安全水平。
附图说明
图1为本发明的流程图；
图2为本发明的待识别高速服务区的功能区域划分示意图；
图3为本发明的行人风险指数分布示意图；
图4为人车风险指数计算说明；
图5为车车风险指数计算说明。
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。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例
一种基于全息感知数据的高速服务区风险识别方法，如图1所示，包括以下步骤：
S1：获取待识别的高速服务区的感知设备所采集的全息感知数据。
感知设备能获取待识别的高速服务区内所有对象的全息感知数据，全息感知数据具有全场景感知视野，能够获取服务区内所有动静态参与对象的实时信息；所采集的数据的字段包含但不限于时间戳、目标ID、目标类型、目标速度、目标坐标、目标长度、目标宽度。
感知设备为如毫米波雷达、高清摄像头、激光雷达的泛在感知设备，实现对服务区内所有对象的目标检测。泛在感知设备布设于服务区内各个区域，使用授时服务器对所有泛在感知设备进行统一授时，完成时间同步。
S2：将高速服务区划分为多个功能区域，并将每个功能区域划分为多个栅格，确定风险识别与预警的时段长度。
步骤S2具体包括
S21：如图2所示，将高速服务区根据服务功能划分为N个功能区域{Z1,Z2,...Zn}，Zn为第n个功能区域，功能区域包括加油区、小客车区等；
S22：将各功能区域划分为多个尺寸为Xm*Xm正方形的栅格；
S23：确定风险识别与预警更新的时段长度tn，后续风险识别结果均以该时段长度进行更新及预测。
S3：考虑人员密度过高时易发***事故，可利用栅格内行人密度大小D判别区域内行人风险指数，根据全息感知数据获取各功能区域的各栅格的行人风险指数并确定行人风险评价阈值。
步骤S3具体包括：
S31：根据采集的全息感知数据，利用时间戳和目标类型筛选出前tn秒中目标类型为行人的数据行；
S32：如图3所示为行人密度示意图，对区域内各栅格，计算落在相应栅格区域内行人数量，计算相应行人密度的大小D得到相应行人风险指数Rhh：
Figure BDA0003542382530000081
Figure BDA0003542382530000082
其中，Np为栅格内感知所得行人数量，X为栅格边长；
S33：确定行人风险评价阈值矩阵：
Figure BDA0003542382530000083
其中，
Figure BDA0003542382530000084
表示第n个功能区域的行人风险指数阈值。各功能区域的行人风险评价阈值为根据其功能区域预设的行人风险评价阈值，行人风险评价阈值的确定方法可以通过历史高风险行人密度确定，也可通过前10百分位的行人密度阈值确定，也可以根据城市对于人群密度的规范确定。
S4：为对区域内潜在的人车、车车碰撞事故进行监控，可通过计算行人与车辆、车辆与车辆之间的碰撞时间对区域内风险水平进行评估，根据全息感知数据获取各功能区域的各栅格的当前车辆风险指数并确定当前车辆风险评价阈值。
步骤S4具体包括：
S41：如图4所示，根据所采集全息感知数据，利用时间戳、目标类型筛选出各区域栅格中前tn秒中类型为行人及车辆的数据行。利用各车辆与行人的位置坐标、车辆尺寸及速度大小，可求解各车辆与行人之间的碰撞时间。其中，行人尺寸大小可忽略不计，计算各功能区域的各栅格的当前人车风险指数：
Figure BDA0003542382530000085
Figure BDA0003542382530000086
Figure BDA0003542382530000087
在此基础上，利用各栅格内人车碰撞时间可对各栅格内人车交互风险指数Rhv进行评估，
Figure BDA0003542382530000088
其中，(xi,yi)为行人i的坐标，vi为行人i的速度，(xj,yj)为车辆j的中心点坐标，vj为车辆j的速度，αi为行人i速度与人车中心点连线方向的夹角，αj为车辆j速度与人车中心点连线方向的夹角，aj为车辆j宽度，bj为车辆j长度，tij为行人i与车辆j的碰撞时间，dij为行人i与车辆j车身的距离，Δdj为车辆j中心点到车身的距离；
S42：如图5所示，根据所采集全息感知数据，利用时间戳、目标类型筛选出各区域栅格中前tn秒中类型为车辆的数据行。利用各车辆的位置坐标、车辆尺寸及速度大小，可求解各车辆之间的碰撞时间，相应车辆h与车辆j之间的碰撞时间tij
Figure BDA0003542382530000091
Figure BDA0003542382530000092
Figure BDA0003542382530000093
Figure BDA0003542382530000094
在此基础上，利用各栅格内车车碰撞时间可对各栅格内车车交互风险指数Rvv进行评估，
Figure BDA0003542382530000095
其中，(xh,yh)为车辆h的中心点坐标，vh为车辆h的速度，(xj,yj)为车辆j的中心点坐标，vj为车辆j的速度，αh为车辆i速度与两车中心点连线方向的夹角，αj为车辆j速度与两车中心点连线方向的夹角，ah为车辆h宽度，bh为车辆h长度，aj为车辆j宽度，bj为车辆j长度，thj为车辆h与车辆j的碰撞时间，dhj为车辆h与车辆j车身之间的距离，Δdh为车辆h中心点到车身的距离，Δdj为车辆j中心点到车身的距离；
S43：确定当前人车风险评价阈值矩阵及当前车车风险评价阈值矩阵。
当前人车风险评价阈值矩阵为：
Figure BDA0003542382530000096
其中，
Figure BDA0003542382530000097
为第n个功能区域的当前人车风险评价阈值；
当前车车风险评价阈值矩阵为：
Figure BDA0003542382530000098
其中，
Figure BDA0003542382530000101
为第n个功能区域的当前车车风险评价阈值。
当前人车风险评价阈值及当前车车风险评价阈值均为预设的阈值，其确定方法可以通过区域性质及安全要求确定，这两个阈值都小于等于5s。
S5：为提高对区域内潜在事故的响应速度，可进一步通过预测行人与车辆的运动轨迹，从而计算并判别下一时段区域内安全风险水平。根据全息感知数据获取各功能区域的各栅格的预测车辆风险指数并确认预测车辆风险评价阈值。
步骤S5具体包括：
S51：根据所采集全息感知数据，可利用各区域栅格中时间戳、目标类型、目标ID等字段，筛选出各行人或车辆前p个时段的坐标与速度感知结果。由此，可将短时段内车辆运动视为匀加速直线运动并利用最小二乘算法拟合运动学方程，进而预测下一时段相应行人与车辆的坐标与速度。对于车辆或行人，预测下一阶段行人、车辆的坐标(x',y')与速度v'：
Figure BDA0003542382530000102
Figure BDA0003542382530000103
Figure BDA0003542382530000104
式中，tn为时段划分长度，p为预测所用之前时段数量，(xt-n,yt-n)为t时段前第n个时段车辆或行人感知坐标值，
Figure BDA0003542382530000105
为t时段前第n个时段车辆或行人感知速度值；
S52：进一步地，利用各区域栅格内行人及车辆预测坐标及预测速度，可计算下一时段的人车碰撞时间及车车碰撞时间，然后计算下一阶段预测人车风险指标R'hv
Figure BDA0003542382530000106
Figure BDA0003542382530000107
Figure BDA0003542382530000111
Figure BDA0003542382530000112
其中，(x′i,y′i)为行人i下一时段预测的中心点坐标，v′i为行人i下一时段预测的速度，(x'j,y'j)为车辆j下一时段预测的中心点坐标，v'j为车辆j下一时段预测的速度，αi为行人i速度与两车中心点连线方向的夹角，αj为车辆j速度与两车中心点连线方向的夹角，aj为车辆j宽度，bj为车辆j长度，t′ij为下一时段行人i与车辆j的碰撞时间预测值，d′ij为下一阶段行人i与车辆j车身的距离预测值，Δdj为车辆j中心点到车身的距离；
S53：计算下一阶段预测的预测车车风险指标R′vv：
Figure BDA0003542382530000113
Figure BDA0003542382530000114
Figure BDA0003542382530000115
Figure BDA0003542382530000116
Figure BDA0003542382530000117
其中，(x'h,y'h)为车辆h下一时段预测的中心点坐标，v'h为车辆h下一时段预测的速度，(x'j,y'j)为车辆j下一时段预测的中心点坐标，v'j为车辆j下一时段预测的速度，αh为车辆h速度与两车中心点连线方向的夹角，αj为车辆j速度与两车中心点连线方向的夹角，ah为车辆h宽度，bh为车辆h长度，aj为车辆j宽度，bj为车辆j长度，t'hj为下一时段车辆h与车辆j的碰撞时间预测值，d'hj为下一阶段车辆h与车辆j车身之间的距离预测值，Δdh为车辆h中心点到车身的距离，Δdj为车辆j中心点到车身的距离；
S54：确定预测人车风险评价阈值矩阵及预测车车风险评价阈值矩阵。
预测人车风险评价阈值矩阵为：
Figure BDA0003542382530000118
其中，
Figure BDA0003542382530000121
为第n个功能区域的预测人车风险指数阈值；
Figure BDA0003542382530000122
其中，
Figure BDA0003542382530000123
为第n个功能区域的预测车车风险指数阈值。
预测人车风险指数阈值、预测车车风险指数阈值的确定方法该风险阈值的确定方法可以通过区域性质及安全要求确定，小于等于5s，可略高于当前时段人车风险评价阈值及车车风险评价阈值。
S6：判断不同功能区域是否存在栅格的风险指数大于对应的评价阈值，若是，判断该栅格存在风险。
步骤S6具体为，当某一功能区域存在栅格行人风险指标Rhh大于相应阈值，判断该功能区域的栅格存在风险，管理人员应对人员进行疏散以避免出现事故；当某一功能区域存在栅格人车风险指标Rhv或车车风险指标Rvv大于相应阈值，判断该功能区域的栅格存在风险，管理人员应进行干预以避免出现事故；当某一区域存在栅格预测人车风险指标R'hv或预测车车风险指标R′vv大于相应阈值，判断该功能区域的栅格存在风险，管理人员应进行干预以降低区域安全风险。
本发明还提供管理模块，能够显示不同区域内各栅格指标计算结果，为管理人员进行交通风险管理提供指导。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (10)

1.一种基于全息感知数据的高速服务区风险识别方法，其特征在于，包括以下步骤：
S1：获取待识别的高速服务区的感知设备所采集的全息感知数据；
S2：将高速服务区划分为多个功能区域，并将每个功能区域划分为多个栅格，确定风险识别与预警的时段长度；
S3：根据全息感知数据获取各功能区域的各栅格的行人风险指数并确定行人风险评价阈值；
S4：根据全息感知数据获取各功能区域的各栅格的当前车辆风险指数并确定当前车辆风险评价阈值；
S5：根据全息感知数据获取各功能区域的各栅格的预测车辆风险指数并确认预测车辆风险评价阈值；
S6：判断不同功能区域是否存在栅格的风险指数大于对应的评价阈值，若是，判断该栅格存在风险。
2.根据权利要求1所述的一种基于全息感知数据的高速服务区风险识别方法，其特征在于，所述的步骤S2具体包括：
S21：将高速服务区根据服务功能划分为N个功能区域{Z1,Z2,...Zn}，Zn为第n个功能区域；
S22：将各功能区域划分为多个尺寸为X m*X m正方形的栅格；
S23：确定风险识别与预警更新的时段长度tn。
3.根据权利要求1所述的一种基于全息感知数据的高速服务区风险识别方法，其特征在于，所述的步骤S3具体包括：
S31：根据采集的全息感知数据，利用时间戳和目标类型筛选出前tn秒中目标类型为行人的数据行；
S32：计算对各功能区域的各栅格的行人密度大小D并获取相应的行人风险指数Rhh：
Figure FDA0003542382520000011
Figure FDA0003542382520000012
其中，Np为栅格内感知所得行人数量，X为栅格边长；
S33：确定行人风险评价阈值矩阵。
4.根据权利要求3所述的一种基于全息感知数据的高速服务区风险识别方法，其特征在于，所述的行人风险评价阈值矩阵为：
Figure FDA0003542382520000021
其中，
Figure FDA0003542382520000022
表示第n个功能区域的行人风险指数阈值。
5.根据权利要求1所述的一种基于全息感知数据的高速服务区风险识别方法，其特征在于，所述的步骤S4具体包括：
S41：计算各功能区域的各栅格的当前人车风险指数：
Figure FDA0003542382520000023
Figure FDA0003542382520000024
Figure FDA0003542382520000025
Figure FDA0003542382520000026
其中，(xi,yi)为行人i的坐标，vi为行人i的速度，(xj,yj)为车辆j的中心点坐标，vj为车辆j的速度，αi为行人i速度与人车中心点连线方向的夹角，αj为车辆j速度与人车中心点连线方向的夹角，aj为车辆j宽度，bj为车辆j长度，tij为行人i与车辆j的碰撞时间，dij为行人i与车辆j车身的距离，Δdj为车辆j中心点到车身的距离；
S42：计算各功能区域的各栅格的当前车车风险指数：
Figure FDA0003542382520000027
Figure FDA0003542382520000028
Figure FDA0003542382520000029
Figure FDA0003542382520000031
Figure FDA0003542382520000032
其中，(xh,yh)为车辆h的中心点坐标，vh为车辆h的速度，(xj,yj)为车辆j的中心点坐标，vj为车辆j的速度，αh为车辆i速度与两车中心点连线方向的夹角，αj为车辆j速度与两车中心点连线方向的夹角，ah为车辆h宽度，bh为车辆h长度，aj为车辆j宽度，bj为车辆j长度，thj为车辆h与车辆j的碰撞时间，dhj为车辆h与车辆j车身之间的距离，Δdh为车辆h中心点到车身的距离，Δdj为车辆j中心点到车身的距离；
S43：确定当前人车风险评价阈值矩阵及当前车车风险评价阈值矩阵。
6.根据权利要求5所述的一种基于全息感知数据的高速服务区风险识别方法，其特征在于，所述的当前人车风险评价阈值矩阵为：
Figure FDA0003542382520000033
其中，
Figure FDA0003542382520000034
为第n个功能区域的当前人车风险评价阈值；
所述的当前车车风险评价阈值矩阵为：
Figure FDA0003542382520000035
其中，
Figure FDA0003542382520000036
为第n个功能区域的当前车车风险评价阈值。
7.根据权利要求1所述的一种基于全息感知数据的高速服务区风险识别方法，其特征在于，所述的步骤S5具体包括：
S51：预测下一阶段行人、车辆的坐标(x',y')与速度v'：
Figure FDA0003542382520000037
Figure FDA0003542382520000038
Figure FDA0003542382520000039
式中，tn为时段划分长度，p为预测所用之前时段数量，(xt-n,yt-n)为t时段前第n个时段车辆或行人感知坐标值，
Figure FDA00035423825200000310
为t时段前第n个时段车辆或行人感知速度值；
S52：计算下一阶段预测人车风险指标R'hv
Figure FDA0003542382520000041
Figure FDA0003542382520000042
Figure FDA0003542382520000043
Figure FDA0003542382520000044
其中，(x'i,y'i)为行人i下一时段预测的中心点坐标，v'i为行人i下一时段预测的速度，(x'j,y'j)为车辆j下一时段预测的中心点坐标，v'j为车辆j下一时段预测的速度，αi为行人i速度与两车中心点连线方向的夹角，αj为车辆j速度与两车中心点连线方向的夹角，aj为车辆j宽度，bj为车辆j长度，t'ij为下一时段行人i与车辆j的碰撞时间预测值，di'j为下一阶段行人i与车辆j车身的距离预测值，Δdj为车辆j中心点到车身的距离；
S53：计算下一阶段预测的预测车车风险指标R'vv：
Figure FDA0003542382520000045
Figure FDA0003542382520000046
Figure FDA0003542382520000047
Figure FDA0003542382520000048
Figure FDA0003542382520000049
其中，(x'h,y'h)为车辆h下一时段预测的中心点坐标，v'h为车辆h下一时段预测的速度，(x'j,y'j)为车辆j下一时段预测的中心点坐标，v'j为车辆j下一时段预测的速度，αh为车辆h速度与两车中心点连线方向的夹角，αj为车辆j速度与两车中心点连线方向的夹角，ah为车辆h宽度，bh为车辆h长度，aj为车辆j宽度，bj为车辆j长度，t'hj为下一时段车辆h与车辆j的碰撞时间预测值，d'hj为下一阶段车辆h与车辆j车身之间的距离预测值，Δdh为车辆h中心点到车身的距离，Δdj为车辆j中心点到车身的距离；
S54：确定预测人车风险评价阈值矩阵及预测车车风险评价阈值矩阵。
8.根据权利要求7所述的一种基于全息感知数据的高速服务区风险识别方法，其特征在于，所述的预测人车风险评价阈值矩阵为：
Figure FDA0003542382520000051
其中，
Figure FDA0003542382520000052
为第n个功能区域的预测人车风险指数阈值；
Figure FDA0003542382520000053
其中，
Figure FDA0003542382520000054
为第n个功能区域的预测车车风险指数阈值。
9.根据权利要求1所述的一种基于全息感知数据的高速服务区风险识别方法，其特征在于，所述的感知设备能获取待识别的高速服务区内所有对象的全息感知数据，所述的全息感知数据具有全场景感知视野，能够获取服务区内所有动静态参与对象的实时信息；所采集的数据的字段包含但不限于时间戳、目标ID、目标类型、目标速度、目标坐标、目标长度、目标宽度。
10.根据权利要求9所述的一种基于全息感知数据的高速服务区风险识别方法，其特征在于，所述的感知设备为毫米波雷达或高清摄像头或激光雷达。
CN202210236418.7A 2022-03-11 2022-03-11 一种基于全息感知数据的高速服务区风险识别方法 Active CN114781791B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210236418.7A CN114781791B (zh) 2022-03-11 2022-03-11 一种基于全息感知数据的高速服务区风险识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210236418.7A CN114781791B (zh) 2022-03-11 2022-03-11 一种基于全息感知数据的高速服务区风险识别方法

Publications (2)

Publication Number Publication Date
CN114781791A true CN114781791A (zh) 2022-07-22
CN114781791B CN114781791B (zh) 2023-09-29

Family

ID=82423674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210236418.7A Active CN114781791B (zh) 2022-03-11 2022-03-11 一种基于全息感知数据的高速服务区风险识别方法

Country Status (1)

Country Link
CN (1) CN114781791B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106652556A (zh) * 2015-10-28 2017-05-10 ***通信集团公司 一种人车避撞方法及装置
CN107862437A (zh) * 2017-10-16 2018-03-30 中国人民公安大学 基于风险概率评估的公共区域人群聚集预警方法及***
CN111260915A (zh) * 2020-01-22 2020-06-09 长安大学 一种高速公路交通异常区域行人逗留的预警提醒方法
CN111311093A (zh) * 2020-02-13 2020-06-19 中交第一公路勘察设计研究院有限公司 基于驾驶员生理数据的道路交叉口风险评估与预警方法
CN111429754A (zh) * 2020-03-13 2020-07-17 南京航空航天大学 一种行人过街工况下的车辆避撞轨迹风险评估方法
CN111462488A (zh) * 2020-04-01 2020-07-28 北京工业大学 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法
CN111815986A (zh) * 2020-09-02 2020-10-23 深圳市城市交通规划设计研究中心股份有限公司 一种交通事故预警方法、装置、终端设备及存储介质
CN112349100A (zh) * 2020-11-09 2021-02-09 紫清智行科技(北京)有限公司 一种基于网联环境的多视角行车风险评估方法及装置
CN112550284A (zh) * 2020-11-16 2021-03-26 东南大学 一种车路耦合作用下的自适应巡航行驶风险评估方法
CN113112809A (zh) * 2021-04-23 2021-07-13 武汉理工大学 一种基于全息感知的交叉***通安全风险性评价***
CN113272195A (zh) * 2019-12-16 2021-08-17 驭势科技（北京）有限公司 用于智能网联车辆的控制***及控制方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106652556A (zh) * 2015-10-28 2017-05-10 ***通信集团公司 一种人车避撞方法及装置
CN107862437A (zh) * 2017-10-16 2018-03-30 中国人民公安大学 基于风险概率评估的公共区域人群聚集预警方法及***
CN113272195A (zh) * 2019-12-16 2021-08-17 驭势科技（北京）有限公司 用于智能网联车辆的控制***及控制方法
CN111260915A (zh) * 2020-01-22 2020-06-09 长安大学 一种高速公路交通异常区域行人逗留的预警提醒方法
CN111311093A (zh) * 2020-02-13 2020-06-19 中交第一公路勘察设计研究院有限公司 基于驾驶员生理数据的道路交叉口风险评估与预警方法
CN111429754A (zh) * 2020-03-13 2020-07-17 南京航空航天大学 一种行人过街工况下的车辆避撞轨迹风险评估方法
CN111462488A (zh) * 2020-04-01 2020-07-28 北京工业大学 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法
CN111815986A (zh) * 2020-09-02 2020-10-23 深圳市城市交通规划设计研究中心股份有限公司 一种交通事故预警方法、装置、终端设备及存储介质
CN112349100A (zh) * 2020-11-09 2021-02-09 紫清智行科技(北京)有限公司 一种基于网联环境的多视角行车风险评估方法及装置
CN112550284A (zh) * 2020-11-16 2021-03-26 东南大学 一种车路耦合作用下的自适应巡航行驶风险评估方法
CN113112809A (zh) * 2021-04-23 2021-07-13 武汉理工大学 一种基于全息感知的交叉***通安全风险性评价***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUCHUAN DU等: "Stochastic choice simulation approach for regional traffic volume estimation", 《SECOND INTERNATIONAL CONFERENCE ON TRANSPORTATION ENGINEERING》, pages 512 - 525 *
刘金: "基于人车环境动态数据协同推演的汽车驾驶倾向性特征提取及辨识", 《中国优秀硕士学位论文全文数据库工程科技II辑》, no. 4, pages 1 - 121 *
杜豫川 等: "路侧感知车辆轨迹数据质量智能评估方法", 《中国公路学报》, vol. 34, no. 7, pages 164 - 176 *

Also Published As

Publication number Publication date
CN114781791B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
US11380105B2 (en) Identification and classification of traffic conflicts
CN110807930B (zh) 危险车辆预警方法及装置
Oh et al. A method for identifying rear-end collision risks using inductive loop detectors
JP6045846B2 (ja) 交通事故発生予報装置、方法およびプログラム
CN111460920A (zh) 一种面向机场复杂场景的目标跟踪及分割***
CN116957345B (zh) 用于无人驾驶***中的数据处理方法
JP4580995B2 (ja) 道路交通管制システム
CN117022323A (zh) 一种智能驾驶车辆行为分析与预测***及方法
CN115578850A (zh) 一种基于交通信息化的城市交通智能控制方法及***
Worrall et al. Improving vehicle safety using context based detection of risk
Fu et al. Spatial analysis of taxi speeding event using GPS trajectory data
Chen et al. A Novel Background Filtering Method with Automatic Parameter Adjustment for Real-Time Roadside LiDAR Sensing System
CN116682264B (zh) 一种港口车辆主动安全防控***
Zuo et al. Determination of bus crowding coefficient based on passenger flow forecasting
CN114781791B (zh) 一种基于全息感知数据的高速服务区风险识别方法
Fazekas et al. Driver behaviour, truck motion and dangerous road locations–Unfolding from emergency braking data
CN114724356B (zh) 基于气象数据整合的gis高速公路事故预警的方法及***
Subirats et al. A new road safety indicator based on vehicle trajectory analysis
CN113256014B (zh) 一种5g通信工程智能检测***
JP4128962B2 (ja) 道路交通管制システム
Kaur et al. RFID based Intelligent Transport System with RSU Communication for Emergency Vehicles in Urbanization
Yang et al. Vehicle collision prediction based on support vector data description
Fazekas et al. Statistical analysis of data describing the relationship between driver, truck and characteristics of the road
Zhu et al. Vehicle Intrusion Warning System in Work Zone within Vehicle Infrastructure Integration Environment
Bandi et al. Real Time Vehicle Collision Using Bounding Box Methodology with Alert System

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