CN115909783A - 一种基于交通流的车道级驾驶辅助方法及*** - Google Patents
一种基于交通流的车道级驾驶辅助方法及*** Download PDFInfo
- Publication number
- CN115909783A CN115909783A CN202211485715.1A CN202211485715A CN115909783A CN 115909783 A CN115909783 A CN 115909783A CN 202211485715 A CN202211485715 A CN 202211485715A CN 115909783 A CN115909783 A CN 115909783A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving
- lane
- information
- traffic flow
- 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
Images
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于交通流的车道级驾驶辅助方法及***,该方法包括:确定目标路段,获取目标路段交通流信息;根据交通流信息,获取车辆行程中检测到的驾驶事件,基于人工神经网络对驾驶事件进行分类,使用模糊分类输出,得到分类的驾驶事件;基于交通流信息,结合分类的驾驶事件,识别驾驶员的极端驾驶行为;基于交通流信息及极端驾驶行为,得到驾驶场景及车辆状态变化;基于驾驶场景及车辆状态变化,生成目标编队结构;基于目标编队结构,进行车辆目标道路分配与运动规划,实现车辆驾驶辅助功能。与现有技术相比,本发明充分利用环境信息与驾驶信息,实现车道级环境的辅助驾驶,帮助驾驶员在最小化行程时间的前提下找到最佳车道级别的路线。
Description
技术领域
本发明涉及互联车辆自动驾驶技术领域,尤其是涉及一种基于交通流的车道级驾驶辅助方法及***。
背景技术
近年来,基于车辆之间以及车辆与基础设施之间无线通信的先进驾驶辅助***发展迅速,智能网联汽车技术在提高车辆和道路安全、效率、环境可持续性和驾驶舒适性等方面发挥重要的作用。然而现有的先进驾驶辅助***只能依靠车载传感器检测一定范围内的目标,无法协调车辆交互时的冲突及避让行为。此外,尽管目前已经提出并开发了大量用于驾驶辅助的智能网联汽车应用程序,但其中侧重于侧向控制辅助的较少。因此,基于车路协同***的驾驶将实时变化的驾驶环境与车辆的驾驶行为互联,使车辆针对不同的车道级环境,做出相应的辅助驾驶行为,是本领域技术人员亟待解决的技术难点。
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交通流的车道级驾驶辅助方法及***,本发明利用了感知***得到的车辆之间以及车辆与基础设施之间无线通信信息输入,实现了对车辆速度信息引导、车道分配、最佳车道选择功能的协同交互,充分利用环境信息与驾驶信息,实现车道级环境的辅助驾驶,帮助驾驶员在最小化行程时间的前提下找到最佳车道级别的路线。
本发明的目的可以通过以下技术方案来实现:
一种基于交通流的车道级驾驶辅助方法,用于辅助车辆自动驾驶,包括以下步骤:
确定目标路段,并获取目标路段交通流信息,所述交通流信息包括加速度信息和速度信息;
根据所述交通流信息,获取车辆行程中检测到的驾驶事件,基于人工神经网络对驾驶事件进行分类,使用模糊分类输出,得到分类的驾驶事件;
基于所述交通流信息,结合分类的驾驶事件,识别驾驶员的极端驾驶行为;
基于所述交通流信息及极端驾驶行为,得到驾驶场景及车辆状态变化;
基于所述驾驶场景及车辆状态变化,生成目标编队结构;
基于所述目标编队结构,进行车辆目标道路分配与运动规划,实现车辆驾驶辅助功能。
进一步地,所述加速度信息获取包括以下步骤:
由惯性传感器获取汽车惯性数据,由加速计获取汽车加速数据,由GPS获取汽车的实时位置信息;
将所述惯性传感器、加速计和GPS获取的数据通过卡尔曼滤波器,得到交通流的加速度信息。
进一步地,所述速度信息获取包括以下步骤:
由摄像机获取车辆周围环境的实时视频;
使用自适应背景减除算法应用于所述实时视频,实现环境与车辆分离;
对环境与车辆分离后的数据进行去除噪声和阴影,并进行车辆目标跟踪,跟踪实时视频每帧画面中的车辆目标,以计算交通流的速度信息;
所述车辆目标跟踪包括目标分割、目标标记、边界框提取和中心提取。
进一步地,所述驾驶事件包括横向驾驶事件及纵向驾驶事件;
获取车辆行程中检测到的驾驶事件,基于人工神经网络对驾驶事件进行分类,使用模糊分类输出,得到分类的驾驶事件,包括以下步骤:
设定纵向加速度和横摆角速度的分类阈值,以划分纵向驾驶事件和横向驾驶事件的始末;所述分类阈值包括加速、减速、转弯、变道及制动;
基于所述交通流信息,获取目标路段中不同车辆的连续驾驶剖面;
根据提前生成和训练的数据,使用无监督学习技术从所有已识别的驾驶事件中分析提取由加速和制动操纵的驾驶事件,并计算其分数百分比和分类阈值,基于人工神经网络对驾驶事件进行分类。
进一步地,所述结合分类的驾驶事件,识别驾驶员的极端驾驶行为,包括以下步骤:
当驾驶员执行异常操作时,加速度会急剧变化;所述异常操作包括快速加速、紧急制动及快速换道;
快速加速和紧急制动事件中,车辆纵向加速度会急剧增加并保持一段时间,快速换道事件中,车辆的横向加速度会发生急剧变化;
通过检测加速度极值点来分割驾驶员的极端驾驶行为,以减少目标路段事故的发生。
进一步地,使用随机森林分类器,检测各个分类阈值下的驾驶事件,并离散分类输出加速、制动和转弯操纵的驾驶事件;
针对所述极端驾驶行为,使用主成分分析、堆叠稀疏自动编码器和统计特征提取特征,并通过长短期记忆神经网络的识别模型,对交通流信息进行统计分析,检测出由驾驶员执行异常操作引起的极端加速点和极端减速点,识别极端驾驶行为。
进一步地,所述驾驶场景及车辆状态变化,生成目标编队结构,包括以下步骤:
由目标路段的路侧单元或附近路段的路侧单元,将车辆之间、车辆与基础设施之间的无线通信信息以及目标路段状况信息发送给各自对应射频通信范围内的车载单元,所述目标路段状况信息包括驾驶场景及车辆状态变化,以供车载单元控制自动驾驶车辆执行相应的自动驾驶策略;
可通信车辆通过车辆内置传感器进行交通状态检测,由车载智能***将检测到的车辆活动信息及交通状态发送至云端数据库;
基于可通信车辆传输到云端数据库的数据信息,由应用服务器通过预测模型预测交通状态;
应用服务器将交通状态预测结果存储并广播到配备应用程序的车辆上;
构建无冲突的相对路径规划算法,定义编队车辆的冲突类型,基于所述交通状态预测结果,根据车辆的冲突类型采用等待策略或更改路径策略,通过迭代更新分配结果规划无冲突路径,避免潜在碰撞;
构建实时分配的换道算法,以最小化所有车辆的换道总数,针对应用车辆的最佳车道级路径最优问题,确定车辆在特定时间应占用的车道段空间,设定分配协调算法,帮助协调换道。
进一步地,所述实时分配的换道算法思想为:
根据车辆数量生成目标车道,将车辆逐个分配给目标车道位置;
定义代价函数L(i,j),表示车辆i分配给目标j的成本,车辆i分配结果的总成本为L(i);成本的设定选择车辆和目标车道之间的欧几里德距离;
以车道变化次数为代价,在道路上生成目标车道后,计算每辆车向每个目标行驶的车道变化数,找到改变车道总数最少的分配结果。
进一步地,所述进行车辆目标道路分配与运动规划,实现车辆驾驶辅助功能,包括以下步骤:
由交通协调器处理车辆间的环境信息,生成连接车辆的轨迹;
使用预览方法,将车辆的轨迹由一系列道路点标记,车辆跟踪道路点以保持在车道中心行驶或执行换车道操纵;
车辆执行具有时空约束的轨迹规划和最优轨迹跟踪,车辆的换道控制策略融合编队保持和期望速度保持的控制。
一种基于交通流的车道级驾驶辅助***,用于实现上所述的一种基于交通流的车道级驾驶辅助方法,包括图像识别***、网关、全局动态地图、云端数据库、交通协调器及应用服务器;
所述图像识别***包括摄像机及处理器,所述摄像机用于获取车辆周围环境的实时视频,处理器中部署有针对所述实时视频进行图像处理的软件;
所述图像识别***与网关进行通信,将车辆间的环境信息发送至全局动态地图;
所述全局动态地图用于储存交通流信息及车辆间的环境信息;
所述云端数据库用于储存由车载智能***检测到的车辆活动信息及交通状态信息;云端数据库与所述应用服务器相连;
所述应用服务器用于预测交通状态,并将交通状态预测结果存储并广播到配备应用程序的车辆上;
所述交通协调器用于处理车辆间的环境信息,生成连接车辆的轨迹;
交通协调器包括纵向控制器及横向控制器,所述纵向控制器用于形成和保持生成的队形,同时保持所需速度;横向控制器用于执行车道保持和换道操作。
与现有技术相比,本发明具有以下有益效果:
本发明通过获取车辆之间以及车辆与基础设施之间无线通信信息输入,基于交通流信息判断目标路段的状况,实现了对速度信息引导及车道分配功能的协同交互,充分利用环境信息与驾驶信息,实现车道级环境的辅助驾驶,帮助驾驶员在最小化行程时间的前提下找到最佳车道级别的路线,同时为编队保持和期望速度保持的控制提供条件。
附图说明
图1为本发明的流程图;
图2为本发明的交通流信息获取流程图;
图3为本发明中极端驾驶行为判断的流程图;
图4为本发明中车道级驾驶辅助流程图。
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。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例提出了一种基于交通流的车道级驾驶辅助***,包括图像识别***、网关、全局动态地图、云端数据库、交通协调器及应用服务器;
图像识别***包括摄像机及处理器,摄像机用于获取车辆周围环境的实时视频,处理器中部署有针对实时视频进行图像处理的软件;
图像识别***与网关进行通信,将车辆间的环境信息发送至全局动态地图;
全局动态地图用于储存交通流信息及车辆间的环境信息;
云端数据库用于储存由车载智能***检测到的车辆活动信息及交通状态信息;云端数据库与应用服务器相连;
应用服务器用于预测交通状态,并将交通状态预测结果存储并广播到配备应用程序的车辆上;
交通协调器用于处理车辆间的环境信息,生成连接车辆的轨迹;
交通协调器包括纵向控制器及横向控制器,纵向控制器用于形成和保持生成的队形,同时保持所需速度;横向控制器用于执行车道保持和换道操作。
基于该***,可以实现一种基于交通流的车道级驾驶辅助方法,用于辅助车辆自动驾驶,包括以下步骤:
S1、确定目标路段,并获取目标路段交通流信息,并上传到全局动态地图,交通流信息包括加速度信息和速度信息;
S2、根据交通流信息,获取车辆行程中检测到的驾驶事件,基于人工神经网络对驾驶事件进行分类,使用模糊分类输出,得到分类的驾驶事件;
S3、基于交通流信息,结合分类的驾驶事件,识别驾驶员的极端驾驶行为;
S4、基于交通流信息及极端驾驶行为,得到驾驶场景及车辆状态变化;
S5、基于驾驶场景及车辆状态变化,生成目标编队结构;
S6、基于目标编队结构,进行车辆目标道路分配与运动规划,实现车辆驾驶辅助功能。
本实施例基于交通流信息进行车辆检测并计算车辆跟踪速度,判断目标路段的状况。由于车辆行驶过程中内部的振动会使车内传感器记录的数据受到噪声的影响,为了获取更加精确的速度和加速度信息以反映目标路段状况,本实施例中车辆的加速度信息是由惯性传感器数据、加速计数据和GPS与卡尔曼滤波器集成。
如图2所示,具体地,加速度信息获取包括以下步骤:
(1)由惯性传感器获取汽车惯性数据,由加速计获取汽车加速数据,由GPS获取汽车的实时位置信息;
(2)将惯性传感器、加速计和GPS获取的数据通过卡尔曼滤波器,得到交通流的加速度信息。
速度信息获取包括以下步骤:
(1)由图像识别***中的摄像机获取车辆周围环境的实时视频;
(2)使用自适应背景减除算法应用于实时视频,实现环境与车辆分离;
(3)对环境与车辆分离后的数据进行去除噪声和阴影,并进行车辆目标跟踪,车辆目标跟踪包括目标分割、目标标记、边界框提取、中心提取等。跟踪实时视频每帧画面中的车辆目标,以计算交通流的速度信息;
该图像识别***与V2X网关进行通信,把每条消息转发给全局动态地图,将有关已连接和未连接车辆的环境信息存储在数据库中。
本实施例通过分析驾驶员的驾驶行为,基于驾驶员层面扩展识别高速公路上的交通堵塞状况。车辆的离散驾驶行为选择对于帮助改善道路通行能力和降低碰撞风险有着重要的影响。鉴于此,本实施例将上述全局动态地图获取的交通流信息作为输入,检测纵向和横向驾驶机动的模型,根据行程中的检测到的驾驶事件,基于人工神经网络分类为若干驾驶风格,可用于实时驾驶员监控和辅助***,并将该模型扩展识别高速公路上的交通堵塞状况,更好的实现道路的通行效率。
其中,驾驶事件包括横向驾驶事件及纵向驾驶事件;
获取车辆行程中检测到的驾驶事件,基于人工神经网络对驾驶事件进行分类,使用模糊分类输出,得到分类的驾驶事件,包括以下步骤:
设定纵向加速度和横摆角速度的分类阈值,以划分纵向驾驶事件和横向驾驶事件的始末;分类阈值包括加速、减速、转弯、变道及制动;
驾驶事件的特征参数通过一组由纵向加速度、横向加速度、横摆角速度和事件长度等统计值来表征,如图3所示;
由于神经网络是根据给定数量的输入和输出神经元经验来确定结构的,分类精度非常高,人工神经网络的计算时间相对较短,并允许模糊分类输出,可以为驾驶风格分类提供更多信息并区分更多事件。
鉴于此,本发明通过全局动态地图的交通流信息,获取给定路段中不同车辆的连续驾驶剖面,根据提前生成和训练的数据,使用无监督学习技术从所有已识别的驾驶事件中分析提取由加速和制动操纵的驾驶事件,并计算其分数百分比和分类阈值,基于人工神经网络对驾驶事件进行分类,旨在识别驾驶员表现出的纵向加速度和制动操纵的不同模式。
结合分类的驾驶事件,识别驾驶员的极端驾驶行为,包括以下步骤:
在驾驶过程中车辆的加速度和速度在大多数时间下在某个小区间仅有较小的波动,约为稳定状态。当驾驶员执行异常操作时,加速度会急剧变化;异常操作包括快速加速、紧急制动及快速换道;
快速加速和紧急制动事件中,车辆纵向加速度会急剧增加并保持一段时间,快速换道事件中,车辆的横向加速度会发生急剧变化;因此,通过检测加速度极值点来分割驾驶员的极端驾驶行为,以减少目标路段事故的发生。
使用随机森林分类器,检测各个分类阈值下的驾驶事件,并离散分类输出加速、制动和转弯操纵的驾驶事件;
针对极端驾驶行为,使用主成分分析、堆叠稀疏自动编码器和统计特征提取特征,并通过长短期记忆神经网络的识别模型,对交通流信息进行统计分析,检测出由驾驶员执行异常操作引起的极端加速点和极端减速点,识别极端驾驶行为,包括快速加速事件、紧急制动事件、快速换道事件,以减少目标路段事故的发生。
如图4所示,为车道级驾驶辅助流程图。基于全局动态地图中驾驶场景的变化和具有道路通信能力的车辆收集的数据,应用服务器或交通管理中心预测交通状态,车辆切换编队结构。
目标路段的路侧单元或附近路段的路侧单元RSU,将车辆之间、车辆与基础设施之间无线通信信息和上述得到的目标路段状况信息发送给各自对应射频通信范围内的车载单元OBU,以供车载单元OBU控制自动驾驶车辆执行相应的自动驾驶策略。
以端到端的方式通过蜂窝网络发送消息,配备应用程序的车辆始终具有通信能力。
可通信的车辆可以通过车载智能***将其活动信息发送到一个集中的库中,内置传感器用于交通状态预测。
基于具有道路通信能力的车辆收集的数据,应用服务器或交通管理中心可以通过预测模型估计甚至预测交通状态。
应用服务器将预测结果存储并广播到配备应用程序的车辆上,以便建议的应用程序能够支持车道变换的决策过程。
交通状态随时间变化,当车道数或车辆数发生变化时,对编队的调整灵活性要求很高,因此需要动态模型来预测交通状态。
决策过程的影响因素分为人为因素、交通环境和道路基础设施要素。
人类驾驶员与交通环境之间具有复杂的交互作用。大多数现有的多车辆协调控制方法侧重于只考虑在单车道交通环境中的车辆纵向行为。本发明考虑到驾驶员在做出驾驶决策时会考虑到车道环境及周围多个车辆的潜在影响,而不是仅仅考虑单一的前车与主体车辆之间的影响,对驾驶员行为模型进行扩展。
为了提高变道的效率和安全性,在建模框架中考虑主体车辆正前方、左右车道侧前方和侧方的车辆,即相邻车道上的车辆沿纵向交错行驶的交错结构,采用多车辆组成的多车道的编队控制,并根据不断变化的驾驶场景平滑有效地切换编队结构,充分利用车道通行能力。将主体车辆的潜在影响因素细分为与周围多个车辆的空间距离和相对速度,将这些变量作为解释变量包含在建模框架之中,侧重于车辆的全局协调。
驾驶决策的特点是离散和连续分量的组合,本发明对离散和连续决策进行联合建模,将离散和连续分量分开考虑,即加速或减速或保持相同速度的决定和这些决定的程度分开,分别处理离散决策和连续决策。
离散组件涉及加速、减速或保持恒定速度的决策,而连续组件涉及加速或减速程度的决策。利用加速和减速范围的截断分布来识别驾驶员可以加速或减速的物理和安全限制,并且可以避免极端加速度值的干扰。
速度决策的主要目的是让所述目标路段的路侧单元RSU或附近路段的路侧单元RSU之间建立TCP连接发送速度引导请求。
模拟真实的车队协同驾驶通讯场景,OBU向其他车辆周期广播自身行驶状态作为背景通讯,RSU根据接收到的包含车速、位置信息的请求消息和当前信号状态,计算OBU可能的不停车通过的建议速度给予引导,引导速度不超过OBU当前车速的一定范围,规定相应的变化量。
鉴于此,本发明提出了一种运动规划框架,旨在编队车辆切换的平滑性和安全性;同时提出了一种无冲突的相对路径规划算法,定义了编队车辆的冲突类型,根据冲突类型采用等待策略或更改路径策略,通过迭代更新分配结果规划无冲突路径,避免了潜在的碰撞。当车道数发生变化时,车队的几何交错结构会发生变化。
本实施例考虑了新车辆加入车队和内部车队车辆离开车队时的编队调整功能,为了将车辆分配到生成的队形中的目标位置,本发明提出了一种实时分配的换道算法,以最小化所有车辆的换道总数,针对应用车辆的最佳车道级路径最优问题,确定车辆在特定时间应占用的车道段空间,设定分配协调算法,帮助协调换道。
其基本思想为根据车辆数量生成目标后,将车辆逐个分配给目标车道位置。通过定义代价函数L(i,j)来表示车辆i分配给目标j的成本,车辆i分配结果的总成本为L(i),旨在选择适当的代价函数L(i,j)。成本的设定选择车辆和目标之间的欧几里德距离,可以最小化总相对位移,并保证任何两条非共线轨迹不重叠,从而降低潜在碰撞风险。以车道变化次数为代价,在道路上生成目标后,可以计算每辆车向每个目标行驶的车道变化数,使用该算法找到改变的车道总数最少的分配结果。
交通协调器将处理有关连接和未连接车辆的环境数据,以生成连接车辆的轨迹。使用预览方法,车辆的轨迹由一系列道路点标记,并且车辆需要跟踪道路点以保持在车道中心行驶或执行换车道操纵。车辆执行具有时空约束的轨迹规划和最优轨迹跟踪,车辆的换道控制策略融合了编队保持和期望速度保持的控制。纵向控制器用于形成和保持生成的队形,同时保持所需速度。横向控制器用于执行车道保持和换道操纵。
本实施例基于真实世界中公路驾驶车辆的交互驾驶行为,利用仿真软件Carla构建仿真场景,以验证本文提出的基于交通流的车道级驾驶辅助方法。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于交通流的车道级驾驶辅助方法,其特征在于,用于辅助车辆自动驾驶,包括以下步骤:
确定目标路段,并获取目标路段交通流信息,所述交通流信息包括加速度信息和速度信息;
根据所述交通流信息,获取车辆行程中检测到的驾驶事件,基于人工神经网络对驾驶事件进行分类,使用模糊分类输出,得到分类的驾驶事件;
基于所述交通流信息,结合分类的驾驶事件,识别驾驶员的极端驾驶行为;
基于所述交通流信息及极端驾驶行为,得到驾驶场景及车辆状态变化;
基于所述驾驶场景及车辆状态变化,生成目标编队结构;
基于所述目标编队结构,进行车辆目标道路分配与运动规划,实现车辆驾驶辅助功能。
2.根据权利要求1所述的一种基于交通流的车道级驾驶辅助方法,其特征在于,所述加速度信息获取包括以下步骤:
由惯性传感器获取汽车惯性数据,由加速计获取汽车加速数据,由GPS获取汽车的实时位置信息;
将所述惯性传感器、加速计和GPS获取的数据通过卡尔曼滤波器,得到交通流的加速度信息。
3.根据权利要求1所述的一种基于交通流的车道级驾驶辅助方法,其特征在于,所述速度信息获取包括以下步骤:
由摄像机获取车辆周围环境的实时视频;
使用自适应背景减除算法应用于所述实时视频,实现环境与车辆分离;
对环境与车辆分离后的数据进行去除噪声和阴影,并进行车辆目标跟踪,跟踪实时视频每帧画面中的车辆目标,以计算交通流的速度信息;
所述车辆目标跟踪包括目标分割、目标标记、边界框提取和中心提取。
4.根据权利要求1所述的一种基于交通流的车道级驾驶辅助方法,其特征在于,所述驾驶事件包括横向驾驶事件及纵向驾驶事件;
获取车辆行程中检测到的驾驶事件,基于人工神经网络对驾驶事件进行分类,使用模糊分类输出,得到分类的驾驶事件,包括以下步骤:
设定纵向加速度和横摆角速度的分类阈值,以划分纵向驾驶事件和横向驾驶事件的始末;所述分类阈值包括加速、减速、转弯、变道及制动;
基于所述交通流信息,获取目标路段中不同车辆的连续驾驶剖面;
根据提前生成和训练的数据,使用无监督学习技术从所有已识别的驾驶事件中分析提取由加速和制动操纵的驾驶事件,并计算其分数百分比和分类阈值,基于人工神经网络对驾驶事件进行分类。
5.根据权利要求4所述的一种基于交通流的车道级驾驶辅助方法,其特征在于,所述结合分类的驾驶事件,识别驾驶员的极端驾驶行为,包括以下步骤:
当驾驶员执行异常操作时,加速度会急剧变化;所述异常操作包括快速加速、紧急制动及快速换道;
快速加速和紧急制动事件中,车辆纵向加速度会急剧增加并保持一段时间,快速换道事件中,车辆的横向加速度会发生急剧变化;
通过检测加速度极值点来分割驾驶员的极端驾驶行为,以减少目标路段事故的发生。
6.根据权利要求5所述的一种基于交通流的车道级驾驶辅助方法,其特征在于,使用随机森林分类器,检测各个分类阈值下的驾驶事件,并离散分类输出加速、制动和转弯操纵的驾驶事件;
针对所述极端驾驶行为,使用主成分分析、堆叠稀疏自动编码器和统计特征提取特征,并通过长短期记忆神经网络的识别模型,对交通流信息进行统计分析,检测出由驾驶员执行异常操作引起的极端加速点和极端减速点,识别极端驾驶行为。
7.根据权利要求1所述的一种基于交通流的车道级驾驶辅助方法,其特征在于,所述驾驶场景及车辆状态变化,生成目标编队结构,包括以下步骤:
由目标路段的路侧单元或附近路段的路侧单元,将车辆之间、车辆与基础设施之间的无线通信信息以及目标路段状况信息发送给各自对应射频通信范围内的车载单元,所述目标路段状况信息包括驾驶场景及车辆状态变化;
可通信车辆通过车辆内置传感器进行交通状态检测,由车载智能***将检测到的车辆活动信息及交通状态发送至云端数据库;
基于可通信车辆传输到云端数据库的数据信息,由应用服务器通过预测模型预测交通状态;
应用服务器将交通状态预测结果存储并广播到配备应用程序的车辆上;
构建无冲突的相对路径规划算法,定义编队车辆的冲突类型,基于所述交通状态预测结果,根据车辆的冲突类型采用等待策略或更改路径策略,通过迭代更新分配结果规划无冲突路径,避免潜在碰撞;
构建实时分配的换道算法,以最小化所有车辆的换道总数,针对应用车辆的最佳车道级路径最优问题,确定车辆在特定时间应占用的车道段空间,设定分配协调算法,帮助协调换道。
8.根据权利要求7所述的一种基于交通流的车道级驾驶辅助方法,其特征在于,所述实时分配的换道算法思想为:
根据车辆数量生成目标车道,将车辆逐个分配给目标车道位置;
定义代价函数L(i,j),表示车辆i分配给目标j的成本,车辆i分配结果的总成本为L(i);成本的设定选择车辆和目标车道之间的欧几里德距离;
以车道变化次数为代价,在道路上生成目标车道后,计算每辆车向每个目标行驶的车道变化数,找到改变车道总数最少的分配结果。
9.根据权利要求1所述的一种基于交通流的车道级驾驶辅助方法,其特征在于,所述进行车辆目标道路分配与运动规划,实现车辆驾驶辅助功能,包括以下步骤:
由交通协调器处理车辆间的环境信息,生成连接车辆的轨迹;
使用预览方法,将车辆的轨迹由一系列道路点标记,车辆跟踪道路点以保持在车道中心行驶或执行换车道操纵;
车辆执行具有时空约束的轨迹规划和最优轨迹跟踪,车辆的换道控制策略融合编队保持和期望速度保持的控制。
10.一种基于交通流的车道级驾驶辅助***,用于实现如权利要求1-9任一所述的一种基于交通流的车道级驾驶辅助方法,其特征在于,包括图像识别***、网关、全局动态地图、云端数据库、交通协调器及应用服务器;
所述图像识别***包括摄像机及处理器,所述摄像机用于获取车辆周围环境的实时视频,处理器中部署有针对所述实时视频进行图像处理的软件;
所述图像识别***与网关进行通信,将车辆间的环境信息发送至全局动态地图;
所述全局动态地图用于储存交通流信息及车辆间的环境信息;
所述云端数据库用于储存由车载智能***检测到的车辆活动信息及交通状态信息;云端数据库与所述应用服务器相连;
所述应用服务器用于预测交通状态,并将交通状态预测结果存储并广播到配备应用程序的车辆上;
所述交通协调器用于处理车辆间的环境信息,生成连接车辆的轨迹;
交通协调器包括纵向控制器及横向控制器,所述纵向控制器用于形成和保持生成的队形,同时保持所需速度;横向控制器用于执行车道保持和换道操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211485715.1A CN115909783A (zh) | 2022-11-24 | 2022-11-24 | 一种基于交通流的车道级驾驶辅助方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211485715.1A CN115909783A (zh) | 2022-11-24 | 2022-11-24 | 一种基于交通流的车道级驾驶辅助方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115909783A true CN115909783A (zh) | 2023-04-04 |
Family
ID=86484495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211485715.1A Pending CN115909783A (zh) | 2022-11-24 | 2022-11-24 | 一种基于交通流的车道级驾驶辅助方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909783A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117724137A (zh) * | 2023-11-21 | 2024-03-19 | 江苏北斗星通汽车电子有限公司 | 一种基于多模态传感器的汽车事故自动检测***及方法 |
CN117787513A (zh) * | 2023-07-05 | 2024-03-29 | 南京博融汽车电子有限公司 | 一种基于大数据的智能车载设备数据监管***及方法 |
CN117975736A (zh) * | 2024-03-29 | 2024-05-03 | 北京市计量检测科学研究院 | 一种无人驾驶车辆车路协同应用场景测试方法及*** |
-
2022
- 2022-11-24 CN CN202211485715.1A patent/CN115909783A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787513A (zh) * | 2023-07-05 | 2024-03-29 | 南京博融汽车电子有限公司 | 一种基于大数据的智能车载设备数据监管***及方法 |
CN117724137A (zh) * | 2023-11-21 | 2024-03-19 | 江苏北斗星通汽车电子有限公司 | 一种基于多模态传感器的汽车事故自动检测***及方法 |
CN117975736A (zh) * | 2024-03-29 | 2024-05-03 | 北京市计量检测科学研究院 | 一种无人驾驶车辆车路协同应用场景测试方法及*** |
CN117975736B (zh) * | 2024-03-29 | 2024-06-07 | 北京市计量检测科学研究院 | 一种无人驾驶车辆车路协同应用场景测试方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11726477B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
CN115909783A (zh) | 一种基于交通流的车道级驾驶辅助方法及*** | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
CN116249643A (zh) | 由自主车辆预测对象的动作以确定通过冲突区域的可行路径的方法和*** | |
CN113071487B (zh) | 自动驾驶车辆控制方法、装置及云端设备 | |
CN112149487A (zh) | 一种用于自动驾驶的用于训练神经网络对象检测模型的用于确定锚框的方法 | |
US11685406B2 (en) | Vehicle control device, vehicle control method, and storage medium | |
US11055859B2 (en) | Eccentricity maps | |
CN116529783A (zh) | 用于构建机器学习模型的数据的智能选择的***和方法 | |
CN111833597A (zh) | 具有规划控制的交通情形中的自主决策 | |
US11643105B2 (en) | Systems and methods for generating simulation scenario definitions for an autonomous vehicle system | |
US11718290B2 (en) | Methods and systems for safe out-of-lane driving | |
CN112955361A (zh) | 对预期行驶行为的预测 | |
CN117693459A (zh) | 用于自主交通工具操作的轨迹一致性测量 | |
CN117320945A (zh) | 用于确定自主车辆控制中的运动预测的运动模型的方法和*** | |
CN113460083A (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
US11429843B2 (en) | Vehicle operation labeling | |
CN115136081A (zh) | 用于训练用于机动车的控制器的至少一个算法的方法、用于优化区域中的交通流的方法、计算机程序产品以及机动车 | |
JP6796679B2 (ja) | 車両制御システム及び方法、並びに走行支援サーバ | |
CN117416344A (zh) | 自主驾驶***中校车的状态估计 | |
CN116564084A (zh) | 一种基于纯路端感知的网联式辅助驾驶控制方法及*** | |
CN113525413B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN117529429A (zh) | 用于预测自主车辆环境中行为者的行为的方法和*** | |
CN113460079A (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
CN117456737B (zh) | 基于3d视觉智能的智慧交通大数据处理方法及*** |
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 |