CN116153078A - 基于毫米波雷达的道路安全度评估方法、装置及存储介质 - Google Patents

基于毫米波雷达的道路安全度评估方法、装置及存储介质 Download PDF

Info

Publication number
CN116153078A
CN116153078A CN202310395989.XA CN202310395989A CN116153078A CN 116153078 A CN116153078 A CN 116153078A CN 202310395989 A CN202310395989 A CN 202310395989A CN 116153078 A CN116153078 A CN 116153078A
Authority
CN
China
Prior art keywords
vehicle
road
safety
data
target
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
CN202310395989.XA
Other languages
English (en)
Other versions
CN116153078B (zh
Inventor
石汉青
周恩德
吴鹏
陈文哲
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.)
Tripod Wuxi Electronic Co Ltd
Original Assignee
Tripod Wuxi Electronic Co Ltd
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 Tripod Wuxi Electronic Co Ltd filed Critical Tripod Wuxi Electronic Co Ltd
Priority to CN202310395989.XA priority Critical patent/CN116153078B/zh
Publication of CN116153078A publication Critical patent/CN116153078A/zh
Application granted granted Critical
Publication of CN116153078B publication Critical patent/CN116153078B/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
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
    • G01S13/92—Radar or analogous systems specially adapted for specific applications for traffic control for velocity measurement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/415—Identification of targets based on measurements of movement associated with the target
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Electromagnetism (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Emergency Management (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开基于毫米波雷达的道路安全度评估方法、装置及存储介质，涉及雷达数据处理领域，采集毫米波交通源数据，根据道路车道编号进行预清洗；再逐帧提取第一车辆数据中车辆的坐标点位及车速信息，通过计算加权特征空间距离确定误检车辆，对ID编号进行修正；再基于贝叶斯轨迹优化预测算法和下一时刻的第一车辆数据，对车辆预测概率进行调和修正，确定车辆预测轨迹；最后通过检测时段内的道路车流信息构建出安全度估计模型，计算道路安全度。该方案将毫米波雷达监测应用到道路交通中，通过车流信息监测可以实时预测路况和安全度，从而提升公路***运行效率，保障交通安全。

Description

基于毫米波雷达的道路安全度评估方法、装置及存储介质
技术领域
本发明涉及雷达数据处理领域，特别涉及一种基于毫米波雷达的道路安全度评估方法、装置及存储介质。
背景技术
随着道路交通流量的持续攀升，智能交通管控与道路感知的需求也在不断增加，通过在检测路段设置各种智慧感知设备进行交通检测与数据采集已经成为了当前的主流形式。例如基于图像处理技术的监控探头，以地磁感应检测器与环形线圈检测器为主的磁感应设备以及以雷达检测设备、远程交通微波检测器、超声波检测器以及红外线检测器等基于波频的检测设备。但当前所广泛使用的技术中，监控探头采用的视频图像法存在数据处理复杂，易受视野遮挡影响的问题；磁感应设备则因布设点位多位于路面之下，物理损害对数据采集的精确度有直接影响。
在以雷达监测为主的数据采集***方面，目前还存在雷达数据清洗去噪不到位，目标识别不精确，大体积车辆的单一目标识别误检率较高，车辆坐标数据不稳定，目标轨迹摆动幅度大，平滑度较低，轨迹中断、缺失的情况出现次数较多等一系列问题，需要探索出新的方法去解决，以提高雷达设备的使用效果。
此外，目前在交通流数据采集***应用方面，国内自主开发的检测装置主要侧重于交通执法，而以提升公路***运行效率、保障交通安全为目的的***应用还较少，对路段的通行评估也仅停留在采用流量、密度、车速以及排队长度等基础指标的计算当中。
发明内容
本申请实施例提供一种基于毫米波雷达的道路安全度评估方法、装置及存储介质，解决雷达监测道路安全度以及提升公路***运行效率的问题。
一方面，本申请提供一种所述方法基于毫米波雷达的道路安全度评估方法，所述方法包括：
S1，通过交通观测路段设置的毫米波雷达设备采集交通源数据，并根据道路车道编号对所述交通源数据进行数据预清洗，获得第一车辆数据；其中，所述第一车辆数据将车辆根据体积大小划分成不同车型和对应ID编号；
S2，逐帧提取第
Figure SMS_1
时刻所述第一车辆数据中目标车辆的坐标点位及车速信息，构建对应车辆特征空间，通过计算加权特征空间距离确定误检车辆，并通过DBSCAN聚类融合算法对所述误检车辆进行融合修正，获得第二车辆数据；所述误检车辆用于指示被毫米波雷达设备识别成多个***目标并赋予错误ID编号；
S3，基于贝叶斯轨迹优化预测算法、所述第二车辆数据和第
Figure SMS_2
时刻获得的所述第一车辆数据，对第/>
Figure SMS_3
时刻的预测概率进行调和修正，并根据历史状态空间对未来状态进行修正，获得第/>
Figure SMS_4
时刻的预测特征空间，确定车辆预测轨迹；
S4，基于所述预测特征空间中提取的车速数据更新检测时段内的道路车流信息，计算车辆换道安全参数、单个车辆安全危险系数以及道路拥挤度，并基于车辆换道安全参数、单个车辆安全危险系数和道路拥挤度构建出安全度估计模型；所述安全度估计模型输出的安全系数用于指示当前时刻的道路通行效率；
S5，通过所述安全度估计模型输出各时刻的安全系数，根据实时道路车流信息进行道路预警，并发送至中终端服务器中存储。
具体的，交通观测路段内的车道根据顺序设置道路编号，所述目标车辆根据重型货车、大巴车、中型货车、小车、非机动车进行分类并设置对应ID编号，所述第一车辆数据至少包括各车辆在对应帧下的坐标点、车型ID编号、瞬时速度、损失加速度、以及车道编号。
具体的，对所述交通源数据进行数据预清洗包括：
识别交通观测路段的车道编号和车辆坐标点，并确定车辆坐标点是否位于检测路段的空间外部区域；将位于检测路段的空间外部区域的所有车辆数据滤除，获得所述第一车辆数据。
具体的，S2包括：
S21，逐帧获取第
Figure SMS_5
车道内第/>
Figure SMS_6
个所述目标车辆的坐标点/>
Figure SMS_7
、瞬时速度/>
Figure SMS_8
、瞬时加速度/>
Figure SMS_9
，构建出车辆特征空间/>
Figure SMS_10
，表示如下：
Figure SMS_11
S22，基于两个车辆特征空间
Figure SMS_12
计算对应加权特征空间距离/>
Figure SMS_13
，表示如下：
Figure SMS_14
其中，
Figure SMS_15
为特征空间内指针标号，/>
Figure SMS_16
、/>
Figure SMS_17
为距离指数权值，/>
Figure SMS_18
、/>
Figure SMS_19
为距离权重矩阵，/>
Figure SMS_20
、
Figure SMS_21
为量纲权值；
S23，根据目标***计算公式计算并确定所述目标车辆是否为所述误检车辆；目标***计算公式表示如下：
Figure SMS_22
其中，
Figure SMS_23
表示第/>
Figure SMS_24
和第/>
Figure SMS_25
个目标车辆之间的特征空间距离均值，/>
Figure SMS_26
为第/>
Figure SMS_27
点特征空间的第/>
Figure SMS_28
位指标，/>
Figure SMS_29
为空间距离差；
S24，当
Figure SMS_30
时，确定检测的所述目标车辆为***目标形成的误检车辆，通过DBSCAN聚类融合算法对所述误检车辆进行同源目标融合，获得所述第二车辆数据；其中，/>
Figure SMS_31
为目标***阈值；当/>
Figure SMS_32
时，指示检测识别正确，跳过数据融合直接确定为所述第二车辆数据。/>
具体的，S24包括：
S241，计算当前帧内融合半径
Figure SMS_33
、融合样本量/>
Figure SMS_34
以及融合最小样本量/>
Figure SMS_35
的突变值，并将其作为当前帧内DBSCAN聚类融合算法的最佳参数：
融合半径
Figure SMS_36
计算公式如下：
Figure SMS_37
其中，
Figure SMS_39
为/>
Figure SMS_41
维度下的核密度函数，/>
Figure SMS_43
为/>
Figure SMS_40
维度下的核密度估计函数，/>
Figure SMS_42
为密度参数，/>
Figure SMS_44
、/>
Figure SMS_45
为维度参数，/>
Figure SMS_38
为融合半径参数；
融合样本量
Figure SMS_46
计算公式如下：
Figure SMS_47
其中，
Figure SMS_48
为数据对象/>
Figure SMS_49
的密度，/>
Figure SMS_50
为数据对象/>
Figure SMS_51
的密度，/>
Figure SMS_52
为取密度距离中间断点的最小数值；
融合最小样本量
Figure SMS_53
计算公式如下：
Figure SMS_54
其中，
Figure SMS_55
为目标点/>
Figure SMS_56
与/>
Figure SMS_57
间的欧氏距离，/>
Figure SMS_58
为加权特征空间距离，/>
Figure SMS_59
为符合条件的目标点数；
S242，在特征空间的坐标维度上进行DBSCAN聚类，得到一阶融合后的初始聚类簇，表示如下：
Figure SMS_60
其中，
Figure SMS_62
为坐标维度上的DBSCAN聚类过程表达，
Figure SMS_66
为第/>
Figure SMS_68
时间片下坐标维度的点迹集合，/>
Figure SMS_63
为雷达数据采集时刻，/>
Figure SMS_64
为时间片数，
Figure SMS_67
为第/>
Figure SMS_69
时间片下一阶融合后第/>
Figure SMS_61
簇的点迹集合，各簇内第/>
Figure SMS_65
目标点的特征空间表示为：
Figure SMS_70
，/>
Figure SMS_71
；
S243，在所述初始聚类簇内特征空间的速度维度上进行DBSCAN聚类，得到二阶融合后的目标聚类簇，表示如下：
Figure SMS_72
其中，
Figure SMS_75
为速度维度上的DBSCAN聚类过程表达，
Figure SMS_78
为第/>
Figure SMS_81
时间片下/>
Figure SMS_74
类簇内速度维度的点迹集合，/>
Figure SMS_76
为雷达数据采集时刻，/>
Figure SMS_79
为时间片数，/>
Figure SMS_82
为第/>
Figure SMS_73
时间片下二阶融合后第/>
Figure SMS_77
簇的点迹集合，各簇内第/>
Figure SMS_80
目标点的特征空间表示为：
Figure SMS_83
，/>
Figure SMS_84
；
S244，基于所述目标聚类簇的簇内点计算特征空间各元素的加权质心值，获得融合修正后车辆的融合特征空间，表示如下：
Figure SMS_85
其中，
Figure SMS_89
、/>
Figure SMS_92
、/>
Figure SMS_95
、/>
Figure SMS_88
为所述融合特征空间内的横纵坐标、瞬时速度及瞬时加速度的加权质心解，/>
Figure SMS_93
、/>
Figure SMS_96
、/>
Figure SMS_99
、/>
Figure SMS_86
为所述目标聚类簇内第/>
Figure SMS_90
目标点的特征空间的构成元素，/>
Figure SMS_97
、
Figure SMS_100
、/>
Figure SMS_87
、/>
Figure SMS_91
为所述目标聚类簇内第/>
Figure SMS_94
点各元素对应的权值，且/>
Figure SMS_98
；
S245，去除所述目标聚类簇内的多余点，并将剩余的唯一目标点的ID编号根据车型进行修正，获得所述第二车辆数据。
具体的，S3包括：
S31，构建第
Figure SMS_101
时刻特征空间的更新预测方程/>
Figure SMS_102
，表示如下：
Figure SMS_103
Figure SMS_104
其中，
Figure SMS_105
为/>
Figure SMS_106
时刻下的特征空间，/>
Figure SMS_107
为特征空间传输函数，/>
Figure SMS_108
为/>
Figure SMS_109
时刻下的特征噪声，/>
Figure SMS_110
为目标存在参数；
S32，基于目标存在参数构建第k时刻的观测空间
Figure SMS_111
，表示如下：
Figure SMS_112
其中，
Figure SMS_113
为观测权重，/>
Figure SMS_114
为脉冲积累数，/>
Figure SMS_115
为多普勒通道标号，/>
Figure SMS_116
为雷达脉冲重复周期，/>
Figure SMS_117
为/>
Figure SMS_118
时刻下的状态噪声；
S33，基于
Figure SMS_119
时刻获得的所述第一车辆数据对预测概率进行调整，得到贝叶斯调和后验概率/>
Figure SMS_120
，表示如下：
Figure SMS_121
/>
其中，
Figure SMS_122
和/>
Figure SMS_123
表示后验概率幂参数；
S34，通过贝叶斯调和后验概率计算预测权值，并根据前
Figure SMS_124
个历史状态空间对未来状态进行加权估算修正，得到优化后第/>
Figure SMS_125
时刻预测修正后的预测特征空间/>
Figure SMS_126
，并以此确定车辆预测轨迹；/>
Figure SMS_127
的计算公式表示如下：
Figure SMS_128
Figure SMS_129
其中，
Figure SMS_132
为/>
Figure SMS_135
时刻前第/>
Figure SMS_137
个特征空间，/>
Figure SMS_131
为/>
Figure SMS_134
时刻前第/>
Figure SMS_138
个特征空间的预测权值，/>
Figure SMS_139
为
Figure SMS_130
时刻前第/>
Figure SMS_133
个特征空间内的横坐标值，且/>
Figure SMS_136
。
具体的，S4包括：
S41，基于所述预测特征空间提取所述车速数据，计算第
Figure SMS_140
车道内第/>
Figure SMS_141
目标与第/>
Figure SMS_142
目标间的车头时距/>
Figure SMS_143
，并通过统计在检测时段内的道路车流统计截面在预设范围内是否出现同一目标ID编号重复跳动，确定对车流量统计值/>
Figure SMS_144
进行修正；
S42，基于检测时段内的道路车流信息计算道路安全度参数；所述道路安全度参数至少包括车辆换道安全参数
Figure SMS_145
、单个车辆安全危险系数/>
Figure SMS_146
、以及道路拥挤度/>
Figure SMS_147
；
车辆换道安全参数
Figure SMS_148
计算公式如下：
Figure SMS_149
Figure SMS_150
Figure SMS_151
其中，
Figure SMS_153
为车辆换道时长，/>
Figure SMS_158
为车辆在第/>
Figure SMS_161
车道内的时长，/>
Figure SMS_154
为车辆所在的第/>
Figure SMS_156
条车道，/>
Figure SMS_160
为车辆换道判定阈值，/>
Figure SMS_163
为车辆偏移角度，/>
Figure SMS_152
为车辆在第/>
Figure SMS_157
条车道内的坐标，/>
Figure SMS_162
为换道指数，/>
Figure SMS_164
为换道频数，/>
Figure SMS_155
为换道保持时长阈值，且/>
Figure SMS_159
；
第
Figure SMS_165
型车辆的单个车辆安全危险系数/>
Figure SMS_166
计算公式如下：
Figure SMS_167
其中，
Figure SMS_169
为第/>
Figure SMS_173
型车型权重，/>
Figure SMS_174
为第/>
Figure SMS_170
型车辆的瞬时加速度，/>
Figure SMS_171
为第/>
Figure SMS_175
型车辆的瞬时速度，/>
Figure SMS_176
为第/>
Figure SMS_168
型车辆的车辆自由度，且/>
Figure SMS_172
；/>
道路拥挤度
Figure SMS_177
计算公式如下：
Figure SMS_178
其中，
Figure SMS_179
为当前路段车流密度，/>
Figure SMS_180
为路段车流阻塞密度，/>
Figure SMS_181
为当前路段车流量，/>
Figure SMS_182
为路段饱和流量，/>
Figure SMS_183
为第/>
Figure SMS_184
型车型权重，且/>
Figure SMS_185
；
S43，根据车辆换道安全参数
Figure SMS_186
、单个车辆安全危险系数/>
Figure SMS_187
、以及道路拥挤度/>
Figure SMS_188
构建当前路段安全度/>
Figure SMS_189
评估模型；
模型公式
Figure SMS_190
表示如下：
Figure SMS_191
Figure SMS_192
其中，
Figure SMS_194
为自由流拥挤度，/>
Figure SMS_197
为堵塞流拥挤度，/>
Figure SMS_201
为自由流安全度，/>
Figure SMS_195
为速度平衡系数，/>
Figure SMS_198
表示第/>
Figure SMS_200
辆车是第/>
Figure SMS_203
型车的瞬时速度，/>
Figure SMS_193
为第/>
Figure SMS_196
车道的排队长度，且/>
Figure SMS_199
，
Figure SMS_202
。
具体的，S5包括：
通过所述安全度估计模型实时计算各时刻的安全系数
Figure SMS_204
，以及将车辆实时坐标和车辆预测轨迹发送至终端服务器中存储；
将
Figure SMS_205
与安全度阈值进行比较，若当前的/>
Figure SMS_206
小于安全度阈值，则触发道路预警。
另一方面，本申请提供一种基于毫米波雷达的道路安全度评估装置，所述装置包括：
第一数据处理模块，用于通过交通观测路段设置的毫米波雷达设备采集交通源数据，并根据道路车道编号对所述交通源数据进行数据预清洗，获得第一车辆数据；其中，所述第一车辆数据将车辆根据体积大小划分成不同车型和对应ID编号；
第二数据处理模块，用于逐帧提取第
Figure SMS_207
时刻所述第一车辆数据中目标车辆的坐标点位及车速信息，构建对应车辆特征空间，通过计算加权特征空间距离确定误检车辆，并通过DBSCAN聚类融合算法对所述误检车辆进行融合修正，获得第二车辆数据；所述误检车辆用于指示被毫米波雷达设备识别成多个***目标并赋予错误ID编号；
车辆轨迹预测模块，用于基于贝叶斯轨迹优化预测算法、所述第二车辆数据和第
Figure SMS_208
时刻获得的所述第一车辆数据，对第/>
Figure SMS_209
时刻的预测概率进行调和修正，并根据历史状态空间对未来状态进行修正，获得第/>
Figure SMS_210
时刻的预测特征空间，确定车辆预测轨迹；
模型构建模块，用于基于所述预测特征空间中提取的车速数据更新检测时段内的道路车流信息，计算车辆换道安全参数、单个车辆安全危险系数以及道路拥挤度，并基于车辆换道安全参数、单个车辆安全危险系数和道路拥挤度构建出安全度估计模型；所述安全度估计模型输出的安全系数用于指示当前时刻的道路通行效率；
道路预警模块，用于通过所述安全度估计模型输出各时刻的安全系数，根据实时道路车流信息进行道路预警，并发送至中终端服务器中存储。
又一方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述各方面所述的基于毫米波雷达的道路安全度评估方法。
本申请实施例提供的技术方案带来的有益效果至少包括：将毫米波雷达技术应用在道路车辆检测方面，弥补传统相机识别精度不足的缺陷；
通过对道路和车型的分类标记和计算可以提高模型预测安全度的精度；
采用预清洗和同源***目标识别并进行融合修正的方式，可以及时对超范围车辆数据及***的误检车辆数据进行修正，避免了误检数据对结果的干扰，目标检测精度和车流量统计精度更高；
基于后续特征空间观测的贝叶斯轨迹优化预测算法，用实际获取到的下一时刻雷达数据对预测概率进行调和修正，完成对目标轨迹的跟踪、优化以及补全平滑数据处理算法具有针对性更强、考虑因素更多的优势，结合了后续检测实际值对预测数据进行修正，使得对车辆目标的跟踪轨迹更为平滑；
通过对相关道路安全度参数进行计算，并将其作为建立路段安全度估计模型的重要参数，通过模型实现路段安全度结果的实时反馈，提供轨迹追踪和事件预警等功能；相比于现有的毫米波雷达装置，本申请提高了数据处理的精度，做到了对雷达数据的高效利用，同时能够输出具备路段通行效率评估的指标，扩大了毫米波雷达设备在交通领域的应用。
附图说明
图1是本申请实施例提供的基于毫米波雷达的道路安全度评估方法的流程图；
图2是基于毫米波雷达的道路安全度评估方法的算法流程图；
图3 是雷达数据清洗前后的点迹对比图；
图4是本申请实施例提供的基于毫米波雷达的道路安全度评估装置的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
图1是本申请实施例提供的基于毫米波雷达的道路安全度评估方法的流程图，包括如下步骤：
S1，通过交通观测路段设置的毫米波雷达设备采集交通源数据，并根据道路车道编号对交通源数据进行数据预清洗，获得第一车辆数据。
毫米波雷达设备可以固定安装在道路两旁，或架设在固定机位，对车道内的限定区域进行检测，或者是采用无人机设备在设定区域内巡航检查。毫米波雷达监控无需考虑天气因素对视线的影响，相比相机设备的检测效果更好。
本实施例以快速路上的一个双向十车道路段的检测为例，在路侧安装配置毫米波雷达监测设备，使用的毫米波雷达参数如表1所示。
表1：毫米波雷达参数参数
Figure SMS_211
被观测路段的主要交通节点处进行毫米波雷达的布设，并将车道根据顺序赋予道路编号标记。监测的车辆同样根据车型体积大小将其划分为重型货车、大巴车、中型货车、小车、非机动车进行分类，每种车型对应有各自的ID编号，例如重型货车标记为1，大巴车为2，目的用于后续根据车型和车流等信息评估道路安全度。
交通源数据就是直接通过雷达设备交集到的数据，至少包括各车辆在对应帧下的坐标点
Figure SMS_212
、车型ID编号、瞬时速度/>
Figure SMS_213
、损失加速度/>
Figure SMS_214
、以及车道编号/>
Figure SMS_215
等等。首先要先对其进行预清洗，过滤非关键及干扰数据，获取到具有高可信度的车辆目标数据。可选的，预清洗包括如下步骤：
识别交通观测路段的车道编号和车辆坐标点，并确定车辆坐标点是否位于检测路段的空间外部区域；将位于检测路段的空间外部区域的所有车辆数据滤除，获得第一车辆数据。
过滤后的第一车辆数据中仅包含有设定道路范围目标车辆的坐标点
Figure SMS_216
、车型ID编号、瞬时速度/>
Figure SMS_217
、损失加速度/>
Figure SMS_218
、以及车道编号/>
Figure SMS_219
。
S2，逐帧提取第k时刻第一车辆数据中目标车辆的坐标点位及车速信息，构建对应车辆特征空间，通过计算加权特征空间距离确定误检车辆，并通过DBSCAN聚类融合算法对误检车辆进的ID编号进行修正，获得第二车辆数据。
在车辆高速运动状态下，可能会存在毫米波检测过程中将一个大体积目标车辆误判成多个***目标并赋予错误的ID编号，这种情况下会对车流量和道路安全度评估造成影响，所以需要将其修正，也就是数据的二次清洗。该步骤通过DBSCAN聚类融合算法来计算相邻目标车辆（雷达数据识别的）之间的加权特征空间距离进行判定是否为***目标，具体包括如下步骤：
S21，逐帧获取第
Figure SMS_220
车道内第/>
Figure SMS_221
个目标车辆的坐标点/>
Figure SMS_222
、瞬时速度/>
Figure SMS_223
、瞬时加速度
Figure SMS_224
，构建出车辆特征空间/>
Figure SMS_225
。
该步骤需要将各个车道内识别的目标车辆依次建立对应的车辆特征空间，其表示如下：
Figure SMS_226
S22，基于车辆特征空间
Figure SMS_227
计算对应加权特征空间距离/>
Figure SMS_228
。
对于任意两个目标车辆之间的空间距离（假设第
Figure SMS_229
和第/>
Figure SMS_230
两个目标车辆的特征空间分别表示为/>
Figure SMS_231
和/>
Figure SMS_232
），计算两车之间的加权特征空间距离/>
Figure SMS_233
。
公式表示如下：
Figure SMS_234
其中，
Figure SMS_237
表示车道内第/>
Figure SMS_240
和第/>
Figure SMS_243
个目标车辆的加权特征空间距离，/>
Figure SMS_236
为特征空间内指针标号，/>
Figure SMS_239
、/>
Figure SMS_242
为距离指数权值，/>
Figure SMS_244
、/>
Figure SMS_235
为距离权重矩阵，/>
Figure SMS_238
、/>
Figure SMS_241
为量纲权值。
S23，根据目标***计算公式计算并确定目标车辆是否为误检车辆。
目标***计算公式表示如下：
Figure SMS_245
其中，
Figure SMS_246
表示第/>
Figure SMS_247
和第/>
Figure SMS_248
个目标车辆之间的特征空间距离均值，/>
Figure SMS_249
为第/>
Figure SMS_250
点特征空间的第/>
Figure SMS_251
位指标，/>
Figure SMS_252
为空间距离差。
S24，当
Figure SMS_253
时，确定检测的目标车辆为***目标形成的误检车辆，通过DBSCAN聚类融合算法对误检车辆进行同源目标融合，获得第二车辆数据。
空间距离差可以理解为雷达数重构的空间坐标系中，两个目标点（目标车辆）之间的空间距离。考虑目标***的情形一定发生在距离较近的情形下，所以在设定好目标***阈值后，根据
Figure SMS_254
小于/>
Figure SMS_255
值时，说明属于雷达检测出现目标***的情况，接下来应该将多个***的同源目标融合修正，也就是数据的二次清洗。而当/>
Figure SMS_256
时，说明检测识别正确，直接定为第二车辆数据并继续正常执行后续步骤。其中，/>
Figure SMS_257
为目标***阈值。
参考图2，是基于毫米波雷达的道路安全度评估方法的算法流程图，首先通过毫米波雷达设备采集交通源数据，进行以此数据预清洗，然后判断是否存在目标***情况下的误检，如果存在则对同源目标进行融合，以及对ID编号进行修正等，进而对其进行轨迹预测。当未检测到***误检时，则直接进行车辆轨迹预测以及轨迹调和修正。最终利用路段的车流信息以及轨迹预测的相关数据（包括路段测量危险系数、测量道路安全参数以及路段交通拥挤度等）建立道路安全度计算模型，计算出道路安全度。
当确定存在至少两个目标车辆属于同源***目标时，本申请提出自适应DBSCAN目标二次融合算法，先对坐标维度进行一阶融合，而后在速度维度上进行二阶融合，对误检车辆进行车型分类的ID修正，消除误检目标点（误检的坐标）并计算加权质心值，得到真实坐标点。同源目标融合包括如下步骤：
S241，计算当前帧内融合半径
Figure SMS_258
、融合样本量/>
Figure SMS_259
以及融合最小样本量/>
Figure SMS_260
的突变值，并将其作为当前帧内DBSCAN聚类融合算法的最佳参数：
融合半径
Figure SMS_261
表示车辆进行同源识别和融合的检测半径，计算公式如下：
Figure SMS_262
其中，
Figure SMS_264
为/>
Figure SMS_266
维度下的核密度函数，/>
Figure SMS_268
为/>
Figure SMS_265
维度下的核密度估计函数，/>
Figure SMS_267
为密度参数，/>
Figure SMS_269
、/>
Figure SMS_270
为维度参数，/>
Figure SMS_263
为融合半径参数。
融合样本量
Figure SMS_271
计算公式如下：
Figure SMS_272
其中，
Figure SMS_273
为数据对象（目标车辆）/>
Figure SMS_274
的密度，/>
Figure SMS_275
为数据对象/>
Figure SMS_276
的密度，/>
Figure SMS_277
为取密度距离中间断点的最小数值；
融合最小样本量
Figure SMS_278
计算公式如下：
Figure SMS_279
其中，
Figure SMS_280
为目标点/>
Figure SMS_281
与/>
Figure SMS_282
间的欧氏距离，/>
Figure SMS_283
为加权特征空间距离，/>
Figure SMS_284
为符合条件的目标点数。
S242，在特征空间的坐标维度上进行DBSCAN聚类，得到一阶融合后的初始聚类簇，表示如下：
Figure SMS_285
其中，
Figure SMS_287
为坐标维度上的DBSCAN聚类过程表达，
Figure SMS_290
为第/>
Figure SMS_292
时间片下坐标维度的点迹集合，/>
Figure SMS_288
为雷达数据采集时刻，/>
Figure SMS_291
为时间片数，
Figure SMS_293
为第/>
Figure SMS_294
时间片下一阶融合后第/>
Figure SMS_286
簇的点迹集合。各簇内第/>
Figure SMS_289
目标点的特征空间表示如下：
Figure SMS_295
，/>
Figure SMS_296
。
S243，在初始聚类簇内特征空间的速度维度上进行DBSCAN聚类，得到二阶融合后的目标聚类簇。
目标聚类簇表示如下：
Figure SMS_297
其中，
Figure SMS_299
为速度维度上的DBSCAN聚类过程表达，
Figure SMS_303
为第/>
Figure SMS_304
时间片下/>
Figure SMS_300
类簇内速度维度的点迹集合，/>
Figure SMS_302
为雷达数据采集时刻，/>
Figure SMS_305
为时间片数，/>
Figure SMS_306
为第/>
Figure SMS_298
时间片下二阶融合后第/>
Figure SMS_301
簇的点迹集合.
各簇内第
Figure SMS_307
目标点的特征空间表示为：/>
Figure SMS_308
，/>
Figure SMS_309
。
S244，基于目标聚类簇的簇内点计算特征空间各元素的加权质心值，获得融合修正后车辆的融合特征空间。
融合特征空间表示如下：
Figure SMS_310
其中，
Figure SMS_312
、/>
Figure SMS_317
、/>
Figure SMS_322
、/>
Figure SMS_313
为融合特征空间内的横纵坐标、瞬时速度及瞬时加速度的加权质心解，/>
Figure SMS_318
、/>
Figure SMS_321
、/>
Figure SMS_325
、/>
Figure SMS_311
为目标聚类簇内第/>
Figure SMS_315
目标点的特征空间的构成元素，/>
Figure SMS_319
、/>
Figure SMS_323
、/>
Figure SMS_314
、/>
Figure SMS_316
为目标聚类簇内第/>
Figure SMS_320
点各元素对应的权值；且/>
Figure SMS_324
。
S245，去除目标聚类簇内的多余点，并将剩余的唯一目标点的ID编号根据车型进行修正，获得第二车辆数据。
该步骤实现的同源多目标的融合和ID编号的修正，也就是在预清洗的基础上进行的二次清洗，二次清洗后的第二车辆数据具有更高的可信度，有利于提高后续轨迹预测的精度和准确度。
参考图3，是雷达数据清洗前后的点迹对比图，经过两次数据清洗后的修正点迹数据剔除了原始点迹中的噪点以及***目标点，表现更为平稳，也利于后续的数据处理和分析。
S3，基于贝叶斯轨迹优化预测算法、第二车辆数据和第
Figure SMS_326
时刻获得的第一车辆数据，对第/>
Figure SMS_327
时刻的预测概率进行调和修正，并根据历史状态空间对未来状态进行修正，获得第/>
Figure SMS_328
时刻的预测特征空间，确定车辆预测轨迹。
在二次清洗得到第二车辆数据后，基于后续特征空间观测的贝叶斯轨迹优化预测算法，先对特征空间进行更新预测并计算观测空间，而后基于
Figure SMS_329
时刻下雷达检测的实际数据（第一车辆数据）对预测概率进行调整，得到贝叶斯调和后验概率，以计算预测权值，而后再由前/>
Figure SMS_330
个历史周期的状态空间对未来状态进行加权估算修正，得到最终经过优化的预测特征空间。该过程具体包括如下步骤：
S31，首先构建第
Figure SMS_331
时刻特征空间的更新预测方程/>
Figure SMS_332
对于下一时刻（
Figure SMS_333
时刻）的特征空间/>
Figure SMS_334
，表示如下：/>
Figure SMS_335
Figure SMS_336
其中，
Figure SMS_337
为/>
Figure SMS_338
时刻下的特征空间，/>
Figure SMS_339
为特征空间传输函数，/>
Figure SMS_340
为/>
Figure SMS_341
时刻下的特征噪声，/>
Figure SMS_342
为目标存在参数。
S32，基于目标存在参数构建第
Figure SMS_343
时刻的观测空间/>
Figure SMS_344
。
第
Figure SMS_345
时刻观测空间/>
Figure SMS_346
的表示如下：
Figure SMS_347
其中，
Figure SMS_349
为/>
Figure SMS_351
时刻下的观测空间，/>
Figure SMS_353
为观测权重，/>
Figure SMS_350
为脉冲积累数，/>
Figure SMS_352
为多普勒通道标号，/>
Figure SMS_354
为雷达脉冲重复周期，/>
Figure SMS_355
为/>
Figure SMS_348
时刻下的状态噪声。
S33，基于
Figure SMS_356
时刻获得的第一车辆数据对预测概率进行调整，得到贝叶斯调和后验概率/>
Figure SMS_357
。
表示如下：
Figure SMS_358
其中，
Figure SMS_359
和/>
Figure SMS_360
表示后验概率幂参数。
S34，通过贝叶斯调和后验概率计算预测权值，并根据前
Figure SMS_361
个历史状态空间对未来状态进行加权估算修正，得到优化后第/>
Figure SMS_362
时刻预测修正后的预测特征空间/>
Figure SMS_363
，并以此确定车辆预测轨迹。
Figure SMS_364
的计算公式表示如下：
Figure SMS_365
Figure SMS_366
其中，
Figure SMS_368
为/>
Figure SMS_372
时刻预测修正后得到的特征空间，/>
Figure SMS_374
为/>
Figure SMS_370
时刻前第/>
Figure SMS_371
个特征空间，/>
Figure SMS_375
为/>
Figure SMS_378
时刻前第/>
Figure SMS_367
个特征空间的预测权值，/>
Figure SMS_373
为/>
Figure SMS_376
时刻前第/>
Figure SMS_377
个特征空间内的横坐标值，且
Figure SMS_369
。
该步骤通过更新迭代每个时刻下特征空间的预测权值，实现特征空间的迭代更新，基于
Figure SMS_379
以及/>
Figure SMS_380
的值即可连续预测车辆预测轨迹。完成对目标轨迹的跟踪、优化以及补全平滑。在一种可能的实施方式中，通过显示终端显示选定的目标车辆的预测轨迹，在车辆行驶过程中为驾驶员、决策者或交通管制方提供道路行驶支持，提升公路***运行效率。
S4，基于预测特征空间中提取的车速数据更新检测时段内的道路车流信息，计算车辆换道安全参数、单个车辆安全危险系数以及道路拥挤度，并基于车辆换道安全参数、单个车辆安全危险系数和道路拥挤度构建出安全度估计模型；安全度估计模型输出的安全系数用于指示当前时刻的道路通行效率。
在一些实施例中，为了提供更便捷化和人性化的道路行驶信息，可以对监测路段的运行情况进行分析，对道路通行效率及安全情况进行预测，减少塞车和车祸发生概率。具体的，S4还包括如下步骤：
S41，基于预测特征空间提取车速数据，计算第l车道内第
Figure SMS_381
目标与第/>
Figure SMS_382
目标间的车头时距/>
Figure SMS_383
，并通过统计在检测时段内的道路车流统计截面在预设范围内是否出现同一目标ID编号重复跳动，确定对车流量统计值/>
Figure SMS_384
进行修正。
检测时段的长短根据实际情况决定，若道路车流统计截面出现同一目标ID编号重复跳动，则说明在进行车流量统计时不可避免的出现重复标记的现象，这种现象多发生于采集频率较快，且车速行驶较慢的情况，在道路车流统计截面出现重复标记。所以该步骤需要针对重复识别同一目标ID编号的情况进行识别，及时对车流量统计值
Figure SMS_385
进行修正，确保计算精度。
S42，基于检测时段内的道路车流信息计算道路安全度参数。
道路安全度参数至少包括车辆换道安全参数
Figure SMS_386
、单个车辆安全危险系数/>
Figure SMS_387
、以及道路拥挤度/>
Figure SMS_388
。
车辆换道安全参数
Figure SMS_389
计算公式如下：
Figure SMS_390
Figure SMS_391
Figure SMS_392
其中，
Figure SMS_393
为车辆换道时长，/>
Figure SMS_397
为车辆在第/>
Figure SMS_401
车道内的时长，/>
Figure SMS_396
为车辆所在的第/>
Figure SMS_398
条车道，/>
Figure SMS_402
为车辆换道判定阈值，/>
Figure SMS_404
为车辆偏移角度，/>
Figure SMS_394
为车辆在第/>
Figure SMS_400
条车道内的坐标，/>
Figure SMS_403
为换道指数，/>
Figure SMS_405
为换道频数，/>
Figure SMS_395
为换道保持时长阈值，且/>
Figure SMS_399
。
第
Figure SMS_406
型车辆的单个车辆安全危险系数/>
Figure SMS_407
计算公式如下：
Figure SMS_408
其中，
Figure SMS_410
为第/>
Figure SMS_414
型车辆的单个车辆安全危险系数，/>
Figure SMS_417
为第/>
Figure SMS_411
型车型权重，/>
Figure SMS_413
为第/>
Figure SMS_416
型车辆的瞬时加速度，/>
Figure SMS_419
为第/>
Figure SMS_409
型车辆的瞬时速度，/>
Figure SMS_412
为第/>
Figure SMS_415
型车辆的车辆自由度，且
Figure SMS_418
。
道路拥挤度
Figure SMS_420
计算公式如下：
Figure SMS_421
其中，
Figure SMS_422
为当前路段车流密度，/>
Figure SMS_423
为路段车流阻塞密度，/>
Figure SMS_424
为当前路段车流量，/>
Figure SMS_425
为路段饱和流量，/>
Figure SMS_426
为第/>
Figure SMS_427
型车型权重，且/>
Figure SMS_428
。
S43，根据车辆换道安全参数
Figure SMS_429
、单个车辆安全危险系数/>
Figure SMS_430
、以及道路拥挤度/>
Figure SMS_431
构建当前路段安全度/>
Figure SMS_432
评估模型；
模型公式
Figure SMS_433
表示如下：
Figure SMS_434
Figure SMS_435
其中，
Figure SMS_437
为自由流拥挤度，/>
Figure SMS_439
为堵塞流拥挤度，/>
Figure SMS_444
为自由流安全度，/>
Figure SMS_438
为速度平衡系数，/>
Figure SMS_441
表示第/>
Figure SMS_443
辆车是第/>
Figure SMS_445
型车的瞬时速度，/>
Figure SMS_436
为第/>
Figure SMS_440
车道的排队长度，且/>
Figure SMS_442
，
Figure SMS_446
。
计算车辆换道安全参数
Figure SMS_447
、单个车辆安全危险系数/>
Figure SMS_448
、以及道路拥挤度/>
Figure SMS_449
所使用的参数，如车辆换道时的换道时长/>
Figure SMS_450
、偏移角度/>
Figure SMS_451
、换道频数/>
Figure SMS_452
，各类型车的瞬时速度、加速度，车流阻塞密度、车流密度等，都是基于雷达检测设备基于在检测时段内采集的道路车流信息计算获得。
S5，通过安全度估计模型输出各时刻的安全系数，根据实时道路车流信息进行道路预警，并发送至中终端服务器中存储。
通过这些统计数据建立的路段安全度评估模型，可以实时监测道路情况，尤其在针对换道、阻塞、重型卡车混杂的情形下，通过该模型可以实时计算出道路安全系数
Figure SMS_453
。可选的，还可以将安全系数以及计算的雷达数据（包括车辆实时坐标和车辆预测轨迹）发送到服务器中存储，还可以将实时坐标和测量预测轨迹发送到显示设备上，为驾驶者提供道路预警提醒，或为交管人员提供道路疏通的数据支持。
在一种可能的实施方式中，雷达数据发送到交管监测站、人机交互平台或驾驶员，提供实时交通流量与实时车辆位置等信息，实现轨迹追踪、事件预警、历史数据查询等功能。其通过将
Figure SMS_454
与安全度阈值进行比较，若当前的/>
Figure SMS_455
小于安全度阈值，则触发道路预警，交管部门可以依次迅速执行道路指挥疏通，或指导驾驶员作出避让措施，减小车祸以及塞车的可能性。
综上所述，本方案通过将毫米波雷达技术应用在道路车辆检测方面，弥补传统相机识别精度不足的缺陷；
通过对道路和车型的分类标记和计算可以提高模型预测安全度的精度；
采用预清洗和同源***目标识别并进行融合修正的方式，可以及时对超范围车辆数据及***的误检车辆数据进行修正，避免了误检数据对结果的干扰，目标检测精度和车流量统计精度更高；
基于后续特征空间观测的贝叶斯轨迹优化预测算法，用实际获取到的下一时刻雷达数据对预测概率进行调和修正，完成对目标轨迹的跟踪、优化以及补全平滑
数据处理算法具有针对性更强、考虑因素更多的优势，结合了后续检测实际值对预测数据进行修正，使得对车辆目标的跟踪轨迹更为平滑；
通过对相关道路安全度参数进行计算，并将其作为建立路段安全度估计模型的重要参数，通过模型实现路段安全度结果的实时反馈，提供轨迹追踪和事件预警等功能；相比于现有的毫米波雷达装置，本申请提高了数据处理的精度，做到了对雷达数据的高效利用，同时能够输出具备路段通行效率评估的指标，扩大了毫米波雷达设备在交通领域的应用。
图4是本申请实施例提供的基于毫米波雷达的道路安全度评估装置的结构框图，应用于上述实施例中的道路安全度评估方法，该装置包括如下结构：
第一数据处理模块410，用于通过交通观测路段设置的毫米波雷达设备采集交通源数据，并根据道路车道编号对交通源数据进行数据预清洗，获得第一车辆数据；其中，第一车辆数据将车辆根据体积大小划分成不同车型和对应ID编号；
第二数据处理模块420，用于逐帧提取第
Figure SMS_456
时刻第一车辆数据中目标车辆的坐标点位及车速信息，构建对应车辆特征空间，通过计算加权特征空间距离确定误检车辆，并通过DBSCAN聚类融合算法对误检车辆进行融合修正，获得第二车辆数据；误检车辆用于指示被毫米波雷达设备识别成多个***目标并赋予错误ID编号；
车辆轨迹预测模块430，用于基于贝叶斯轨迹优化预测算法、第二车辆数据和第
Figure SMS_457
时刻获得的第一车辆数据，对第/>
Figure SMS_458
时刻的预测概率进行调和修正，并根据历史状态空间对未来状态进行修正，获得第/>
Figure SMS_459
时刻的预测特征空间，确定车辆预测轨迹；
模型构建模块440，用于基于所述预测特征空间中提取的车速数据更新检测时段内的道路车流信息，计算车辆换道安全参数、单个车辆安全危险系数以及道路拥挤度，并基于车辆换道安全参数、单个车辆安全危险系数和道路拥挤度构建出安全度估计模型；安全度估计模型输出的安全系数用于指示当前时刻的道路通行效率；
道路预警模块450，用于通过安全度估计模型输出各时刻的安全系数，根据实时道路车流信息进行道路预警，并发送至中终端服务器中存储。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述各方面所述的基于毫米波雷达的道路安全度评估方法。
以上对本发明的较佳实施例进行了描述；需要理解的是，本发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；任何熟悉本领域的技术人员，在不脱离本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例，这并不影响本发明的实质内容；因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (10)

1.一种基于毫米波雷达的道路安全度评估方法，其特征在于，所述方法包括：
S1，通过交通观测路段设置的毫米波雷达设备采集交通源数据，并根据道路车道编号对所述交通源数据进行数据预清洗，获得第一车辆数据；其中，所述第一车辆数据将车辆根据体积大小划分成不同车型和对应ID编号；
S2，逐帧提取第
Figure QLYQS_1
时刻所述第一车辆数据中目标车辆的坐标点位及车速信息，构建对应车辆特征空间，通过计算加权特征空间距离确定误检车辆，并通过DBSCAN聚类融合算法对所述误检车辆进行融合修正，获得第二车辆数据；所述误检车辆用于指示被毫米波雷达设备识别成多个***目标并赋予错误ID编号；
S3，基于贝叶斯轨迹优化预测算法、所述第二车辆数据和第
Figure QLYQS_2
时刻获得的所述第一车辆数据，对第/>
Figure QLYQS_3
时刻的预测概率进行调和修正，并根据历史状态空间对未来状态进行修正，获得第/>
Figure QLYQS_4
时刻的预测特征空间，确定车辆预测轨迹；
S4，基于所述预测特征空间中提取的车速数据更新检测时段内的道路车流信息，计算车辆换道安全参数、单个车辆安全危险系数以及道路拥挤度，并基于车辆换道安全参数、单个车辆安全危险系数和道路拥挤度构建出安全度估计模型；所述安全度估计模型输出的安全系数用于指示当前时刻的道路通行效率；
S5，通过所述安全度估计模型输出各时刻的安全系数，根据实时道路车流信息进行道路预警，并发送至中终端服务器中存储。
2.根据权利要求1所述的基于毫米波雷达的道路安全度评估方法，其特征在于，交通观测路段内的车道根据顺序设置道路编号，所述目标车辆根据重型货车、大巴车、中型货车、小车、非机动车进行分类并设置对应ID编号，所述第一车辆数据至少包括各车辆在对应帧下的坐标点、车型ID编号、瞬时速度、损失加速度、以及车道编号。
3.根据权利要求2所述的基于毫米波雷达的道路安全度评估方法，其特征在于，对所述交通源数据进行数据预清洗包括：
识别交通观测路段的车道编号和车辆坐标点，并确定车辆坐标点是否位于检测路段的空间外部区域；将位于检测路段的空间外部区域的所有车辆数据滤除，获得所述第一车辆数据。
4.根据权利要求2所述的基于毫米波雷达的道路安全度评估方法，其特征在于，S2包括：
S21，逐帧获取第
Figure QLYQS_5
车道内第/>
Figure QLYQS_6
个所述目标车辆的坐标点/>
Figure QLYQS_7
、瞬时速度/>
Figure QLYQS_8
、瞬时加速度/>
Figure QLYQS_9
，构建出车辆特征空间/>
Figure QLYQS_10
，表示如下：
Figure QLYQS_11
S22，基于两个车辆特征空间计算对应加权特征空间距离
Figure QLYQS_12
，表示如下：/>
Figure QLYQS_13
其中，
Figure QLYQS_14
为特征空间内指针标号，/>
Figure QLYQS_15
、/>
Figure QLYQS_16
为距离指数权值，/>
Figure QLYQS_17
、/>
Figure QLYQS_18
为距离权重矩阵，/>
Figure QLYQS_19
、/>
Figure QLYQS_20
为量纲权值；
S23，根据目标***计算公式计算并确定所述目标车辆是否为所述误检车辆；目标***计算公式表示如下：
Figure QLYQS_21
其中，
Figure QLYQS_22
表示第/>
Figure QLYQS_23
和第/>
Figure QLYQS_24
个目标车辆之间的特征空间距离均值，/>
Figure QLYQS_25
为第/>
Figure QLYQS_26
点特征空间的第/>
Figure QLYQS_27
位指标，/>
Figure QLYQS_28
为空间距离差；
S24，当
Figure QLYQS_29
时，确定检测的所述目标车辆为***目标形成的误检车辆，通过DBSCAN聚类融合算法对所述误检车辆进行同源目标融合，获得所述第二车辆数据；其中，/>
Figure QLYQS_30
为目标***阈值；当/>
Figure QLYQS_31
时，指示检测识别正确，跳过数据融合直接确定为所述第二车辆数据。
5.根据权利要求4所述的基于毫米波雷达的道路安全度评估方法，其特征在于，S24包括：
S241，计算当前帧内融合半径
Figure QLYQS_32
、融合样本量/>
Figure QLYQS_33
以及融合最小样本量/>
Figure QLYQS_34
的突变值，并将其作为当前帧内DBSCAN聚类融合算法的最佳参数：
融合半径
Figure QLYQS_35
计算公式如下：
Figure QLYQS_36
其中，
Figure QLYQS_38
为/>
Figure QLYQS_40
维度下的核密度函数，/>
Figure QLYQS_42
为/>
Figure QLYQS_39
维度下的核密度估计函数，/>
Figure QLYQS_41
为密度参数，/>
Figure QLYQS_43
、/>
Figure QLYQS_44
为维度参数，/>
Figure QLYQS_37
为融合半径参数；
融合样本量
Figure QLYQS_45
计算公式如下：
Figure QLYQS_46
其中，
Figure QLYQS_47
为数据对象/>
Figure QLYQS_48
的密度，/>
Figure QLYQS_49
为数据对象/>
Figure QLYQS_50
的密度，/>
Figure QLYQS_51
为取密度距离中间断点的最小数值；
融合最小样本量
Figure QLYQS_52
计算公式如下：/>
Figure QLYQS_53
其中，
Figure QLYQS_54
为目标点/>
Figure QLYQS_55
与/>
Figure QLYQS_56
间的欧氏距离，/>
Figure QLYQS_57
为加权特征空间距离，/>
Figure QLYQS_58
为符合条件的目标点数；
S242，在特征空间的坐标维度上进行DBSCAN聚类，得到一阶融合后的初始聚类簇，表示如下：
Figure QLYQS_59
其中，
Figure QLYQS_62
为坐标维度上的DBSCAN聚类过程表达，
Figure QLYQS_64
为第/>
Figure QLYQS_66
时间片下坐标维度的点迹集合，/>
Figure QLYQS_61
为雷达数据采集时刻，/>
Figure QLYQS_65
为时间片数，
Figure QLYQS_67
为第/>
Figure QLYQS_68
时间片下一阶融合后第/>
Figure QLYQS_60
簇的点迹集合，各簇内第/>
Figure QLYQS_63
目标点的特征空间表示为：
Figure QLYQS_69
，/>
Figure QLYQS_70
；
S243，在所述初始聚类簇内特征空间的速度维度上进行DBSCAN聚类，得到二阶融合后的目标聚类簇，表示如下：
Figure QLYQS_71
其中，
Figure QLYQS_74
为速度维度上的DBSCAN聚类过程表达，
Figure QLYQS_77
为第/>
Figure QLYQS_80
时间片下/>
Figure QLYQS_73
类簇内速度维度的点迹集合，/>
Figure QLYQS_75
为雷达数据采集时刻，/>
Figure QLYQS_79
为时间片数，/>
Figure QLYQS_81
为第/>
Figure QLYQS_72
时间片下二阶融合后第/>
Figure QLYQS_76
簇的点迹集合，各簇内第/>
Figure QLYQS_78
目标点的特征空间表示为：
Figure QLYQS_82
，/>
Figure QLYQS_83
；
S244，基于所述目标聚类簇的簇内点计算特征空间各元素的加权质心值，获得融合修正后车辆的融合特征空间，表示如下：
Figure QLYQS_84
其中，
Figure QLYQS_86
、/>
Figure QLYQS_91
、/>
Figure QLYQS_96
、/>
Figure QLYQS_88
为所述融合特征空间内的横纵坐标、瞬时速度及瞬时加速度的加权质心解，/>
Figure QLYQS_92
、/>
Figure QLYQS_95
、/>
Figure QLYQS_98
、/>
Figure QLYQS_85
为所述目标聚类簇内第/>
Figure QLYQS_90
目标点的特征空间的构成元素，/>
Figure QLYQS_94
、/>
Figure QLYQS_99
、/>
Figure QLYQS_87
、/>
Figure QLYQS_89
为所述目标聚类簇内第/>
Figure QLYQS_93
点各元素对应的权值，且/>
Figure QLYQS_97
；
S245，去除所述目标聚类簇内的多余点，并将剩余的唯一目标点的ID编号根据车型进行修正，获得所述第二车辆数据。
6.根据权利要求1-5任一所述的基于毫米波雷达的道路安全度评估方法，其特征在于，S3包括：
S31，构建第
Figure QLYQS_100
时刻特征空间的更新预测方程/>
Figure QLYQS_101
，表示如下：
Figure QLYQS_102
Figure QLYQS_103
其中，
Figure QLYQS_104
为/>
Figure QLYQS_105
时刻下的特征空间，/>
Figure QLYQS_106
为特征空间传输函数，/>
Figure QLYQS_107
为/>
Figure QLYQS_108
时刻下的特征噪声，/>
Figure QLYQS_109
为目标存在参数；
S32，基于目标存在参数构建第k时刻的观测空间
Figure QLYQS_110
，表示如下：
Figure QLYQS_111
其中，
Figure QLYQS_112
为观测权重，/>
Figure QLYQS_113
为脉冲积累数，/>
Figure QLYQS_114
为多普勒通道标号，/>
Figure QLYQS_115
为雷达脉冲重复周期，/>
Figure QLYQS_116
为/>
Figure QLYQS_117
时刻下的状态噪声；/>
S33，基于
Figure QLYQS_118
时刻获得的所述第一车辆数据对预测概率进行调整，得到贝叶斯调和后验概率/>
Figure QLYQS_119
，表示如下：
Figure QLYQS_120
其中，
Figure QLYQS_121
和/>
Figure QLYQS_122
表示后验概率幂参数；
S34，通过贝叶斯调和后验概率计算预测权值，并根据前
Figure QLYQS_123
个历史状态空间对未来状态进行加权估算修正，得到优化后第/>
Figure QLYQS_124
时刻预测修正后的预测特征空间/>
Figure QLYQS_125
，并以此确定车辆预测轨迹；/>
Figure QLYQS_126
的计算公式表示如下：
Figure QLYQS_127
Figure QLYQS_128
其中，
Figure QLYQS_130
为/>
Figure QLYQS_133
时刻前第/>
Figure QLYQS_137
个特征空间，/>
Figure QLYQS_131
为/>
Figure QLYQS_134
时刻前第/>
Figure QLYQS_136
个特征空间的预测权值，/>
Figure QLYQS_138
为/>
Figure QLYQS_129
时刻前第/>
Figure QLYQS_132
个特征空间内的横坐标值，且/>
Figure QLYQS_135
。
7.根据权利要求6所述的基于毫米波雷达的道路安全度评估方法，其特征在于，S4包括：
S41，基于所述预测特征空间提取所述车速数据，计算第l车道内第
Figure QLYQS_139
目标与第/>
Figure QLYQS_140
目标间的车头时距/>
Figure QLYQS_141
，并通过统计在检测时段内的道路车流统计截面在预设范围内是否出现同一目标ID编号重复跳动，确定对车流量统计值/>
Figure QLYQS_142
进行修正；
S42，基于检测时段内的道路车流信息计算道路安全度参数；所述道路安全度参数至少包括车辆换道安全参数
Figure QLYQS_143
、单个车辆安全危险系数/>
Figure QLYQS_144
、以及道路拥挤度/>
Figure QLYQS_145
；
车辆换道安全参数
Figure QLYQS_146
计算公式如下：
Figure QLYQS_147
Figure QLYQS_148
Figure QLYQS_149
/>
其中，
Figure QLYQS_151
为车辆换道时长，/>
Figure QLYQS_155
为车辆在第/>
Figure QLYQS_159
车道内的时长，/>
Figure QLYQS_153
为车辆所在的第/>
Figure QLYQS_157
条车道，/>
Figure QLYQS_160
为车辆换道判定阈值，/>
Figure QLYQS_162
为车辆偏移角度，/>
Figure QLYQS_150
为车辆在第/>
Figure QLYQS_154
条车道内的坐标，/>
Figure QLYQS_158
为换道指数，/>
Figure QLYQS_161
为换道频数，/>
Figure QLYQS_152
为换道保持时长阈值，且/>
Figure QLYQS_156
；
第
Figure QLYQS_163
型车辆的单个车辆安全危险系数/>
Figure QLYQS_164
计算公式如下：
Figure QLYQS_165
其中，
Figure QLYQS_167
为第/>
Figure QLYQS_169
型车型权重，/>
Figure QLYQS_172
为第/>
Figure QLYQS_168
型车辆的瞬时加速度，/>
Figure QLYQS_171
为第/>
Figure QLYQS_173
型车辆的瞬时速度，
Figure QLYQS_174
为第/>
Figure QLYQS_166
型车辆的车辆自由度，且/>
Figure QLYQS_170
；
道路拥挤度
Figure QLYQS_175
计算公式如下：
Figure QLYQS_176
其中，
Figure QLYQS_177
为当前路段车流密度，/>
Figure QLYQS_178
为路段车流阻塞密度，/>
Figure QLYQS_179
为当前路段车流量，/>
Figure QLYQS_180
为路段饱和流量，/>
Figure QLYQS_181
为第/>
Figure QLYQS_182
型车型权重，且/>
Figure QLYQS_183
；
S43，根据车辆换道安全参数
Figure QLYQS_184
、单个车辆安全危险系数/>
Figure QLYQS_185
、以及道路拥挤度/>
Figure QLYQS_186
构建当前路段安全度/>
Figure QLYQS_187
评估模型；
模型公式输出的安全度
Figure QLYQS_188
表示如下：
Figure QLYQS_189
Figure QLYQS_190
其中，
Figure QLYQS_192
为自由流拥挤度，/>
Figure QLYQS_196
为堵塞流拥挤度，/>
Figure QLYQS_199
为自由流安全度，/>
Figure QLYQS_193
为速度平衡系数，
Figure QLYQS_195
表示第/>
Figure QLYQS_198
辆车是第/>
Figure QLYQS_201
型车的瞬时速度，/>
Figure QLYQS_191
为第/>
Figure QLYQS_194
车道的排队长度，且/>
Figure QLYQS_197
，
Figure QLYQS_200
。
8.根据权利要求7所述的基于毫米波雷达的道路安全度评估方法，其特征在于，S5包括：
通过所述安全度估计模型实时计算各时刻的安全系数
Figure QLYQS_202
，以及将车辆实时坐标和车辆预测轨迹发送至服务器中存储；
将
Figure QLYQS_203
与安全度阈值进行比较，若当前的/>
Figure QLYQS_204
小于安全度阈值，则触发道路预警。/>
9.一种基于毫米波雷达的道路安全度评估装置，其特征在于，所述装置包括：
第一数据处理模块，用于通过交通观测路段设置的毫米波雷达设备采集交通源数据，并根据道路车道编号对所述交通源数据进行数据预清洗，获得第一车辆数据；其中，所述第一车辆数据将车辆根据体积大小划分成不同车型和对应ID编号；
第二数据处理模块，用于逐帧提取第
Figure QLYQS_205
时刻所述第一车辆数据中目标车辆的坐标点位及车速信息，构建对应车辆特征空间，通过计算加权特征空间距离确定误检车辆，并通过DBSCAN聚类融合算法对所述误检车辆进行融合修正，获得第二车辆数据；所述误检车辆用于指示被毫米波雷达设备识别成多个***目标并赋予错误ID编号；
车辆轨迹预测模块，用于基于贝叶斯轨迹优化预测算法、所述第二车辆数据和第
Figure QLYQS_206
时刻获得的所述第一车辆数据，对第/>
Figure QLYQS_207
时刻的预测概率进行调和修正，并根据历史状态空间对未来状态进行修正，获得第/>
Figure QLYQS_208
时刻的预测特征空间，确定车辆预测轨迹；
模型构建模块，用于基于所述预测特征空间中提取的车速数据更新检测时段内的道路车流信息，计算车辆换道安全参数、单个车辆安全危险系数以及道路拥挤度，并基于车辆换道安全参数、单个车辆安全危险系数和道路拥挤度构建出安全度估计模型；所述安全度估计模型输出的安全系数用于指示当前时刻的道路通行效率；
道路预警模块，用于通过所述安全度估计模型输出各时刻的安全系数，根据实时道路车流信息进行道路预警，并发送至中终端服务器中存储。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至8任一项所述的基于毫米波雷达的道路安全度评估方法。
CN202310395989.XA 2023-04-14 2023-04-14 基于毫米波雷达的道路安全度评估方法、装置及存储介质 Active CN116153078B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310395989.XA CN116153078B (zh) 2023-04-14 2023-04-14 基于毫米波雷达的道路安全度评估方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310395989.XA CN116153078B (zh) 2023-04-14 2023-04-14 基于毫米波雷达的道路安全度评估方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN116153078A true CN116153078A (zh) 2023-05-23
CN116153078B CN116153078B (zh) 2023-08-01

Family

ID=86362050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310395989.XA Active CN116153078B (zh) 2023-04-14 2023-04-14 基于毫米波雷达的道路安全度评估方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116153078B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116499488A (zh) * 2023-06-29 2023-07-28 小米汽车科技有限公司 目标融合方法、装置、车辆及存储介质
CN117057614A (zh) * 2023-09-01 2023-11-14 中国公路工程咨询集团有限公司 一种基于遥感技术的公路安全运行动态变化预测方法及***
CN117214899A (zh) * 2023-11-08 2023-12-12 广东技术师范大学 基于电磁波反射的目标行为监测方法及***
CN117687029A (zh) * 2024-02-01 2024-03-12 深圳市佰誉达科技有限公司 一种基于毫米波雷达的车辆运动轨迹跟踪方法及***
CN118196105A (zh) * 2024-05-20 2024-06-14 东港市广增建筑安装有限公司 一种基于图像识别的道路质量检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778837A (zh) * 2015-04-14 2015-07-15 吉林大学 一种道路交通运行态势多时间尺度预测方法
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
CN112037513A (zh) * 2020-09-01 2020-12-04 清华大学 一种实时交通安全指数动态综合评价***及其构建方法
CN115578856A (zh) * 2022-09-09 2023-01-06 公安部交通管理科学研究所 一种自动驾驶汽车道路测试安全风险评估方法及装置
CN115909750A (zh) * 2023-02-03 2023-04-04 北京世纪高通科技有限公司 事故多发地识别方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778837A (zh) * 2015-04-14 2015-07-15 吉林大学 一种道路交通运行态势多时间尺度预测方法
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
CN112037513A (zh) * 2020-09-01 2020-12-04 清华大学 一种实时交通安全指数动态综合评价***及其构建方法
CN115578856A (zh) * 2022-09-09 2023-01-06 公安部交通管理科学研究所 一种自动驾驶汽车道路测试安全风险评估方法及装置
CN115909750A (zh) * 2023-02-03 2023-04-04 北京世纪高通科技有限公司 事故多发地识别方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘志强;韩静文;倪捷;: "基于驾驶人特性的自适应换道预警算法研究", 汽车工程, no. 04 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116499488A (zh) * 2023-06-29 2023-07-28 小米汽车科技有限公司 目标融合方法、装置、车辆及存储介质
CN116499488B (zh) * 2023-06-29 2023-11-03 小米汽车科技有限公司 目标融合方法、装置、车辆及存储介质
CN117057614A (zh) * 2023-09-01 2023-11-14 中国公路工程咨询集团有限公司 一种基于遥感技术的公路安全运行动态变化预测方法及***
CN117057614B (zh) * 2023-09-01 2024-02-09 中国公路工程咨询集团有限公司 一种基于遥感技术的公路安全运行动态变化预测方法及***
CN117214899A (zh) * 2023-11-08 2023-12-12 广东技术师范大学 基于电磁波反射的目标行为监测方法及***
CN117214899B (zh) * 2023-11-08 2024-04-12 广东技术师范大学 基于电磁波反射的目标行为监测方法及***
CN117687029A (zh) * 2024-02-01 2024-03-12 深圳市佰誉达科技有限公司 一种基于毫米波雷达的车辆运动轨迹跟踪方法及***
CN117687029B (zh) * 2024-02-01 2024-05-03 深圳市佰誉达科技有限公司 一种基于毫米波雷达的车辆运动轨迹跟踪方法及***
CN118196105A (zh) * 2024-05-20 2024-06-14 东港市广增建筑安装有限公司 一种基于图像识别的道路质量检测方法

Also Published As

Publication number Publication date
CN116153078B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN116153078B (zh) 基于毫米波雷达的道路安全度评估方法、装置及存储介质
US10346888B2 (en) Systems and methods to obtain passenger feedback in response to autonomous vehicle driving events
CN109544932B (zh) 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法
CN106023605B (zh) 一种基于深度卷积神经网络的交通信号灯控制方法
CN110562258B (zh) 一种车辆自动换道决策的方法、车载设备和存储介质
CN108091132B (zh) 一种交通流量预测方法及装置
CN109829351A (zh) 车道信息的检测方法、装置及计算机可读存储介质
Guo et al. An extreme value theory based approach for calibration of microsimulation models for safety analysis
CN113326719A (zh) 一种用于目标追踪的方法、设备及***
CN111613070B (zh) 交通信号灯控制方法、装置、电子设备和计算机存储介质
CN109598930B (zh) 一种自动检测高架封闭***
CN106960572B (zh) 一种基于延迟时间系数的高速公路行程时间可靠性计算方法
CN116631186B (zh) 基于危险驾驶事件数据的高速公路交通事故风险评估方法、***
CN117178309A (zh) 用于创建具有碰撞概率的地图的方法
CN114926984B (zh) 一种实时交通冲突收集与道路安全评价方法
CN114973659A (zh) 一种高速公路的间接事件检测的方法、装置及***
CN104217591B (zh) 动态路况检测方法及***
CN113792598B (zh) 基于车载摄像头的汽车碰撞预测***和方法
CN117975713A (zh) 工业上楼智慧交通疏导管理***
JP4957612B2 (ja) 走行パターン情報取得装置、走行パターン情報取得方法および走行パターン情報取得プログラム
Santiago-Chaparro et al. Automated turning movement counts for shared lanes: leveraging vehicle detection data
CN113128847A (zh) 一种基于激光雷达的出入口匝道实时风险预警***及方法
CN114814825B (zh) 一种基于雷达和视频融合的车辆轨迹感知与状态提取方法
CN117104255B (zh) 一种智能驾驶车辆智能感知人车交互***及方法
Yu et al. Simulation-based safety analysis of diversion and confluence area in urban underground loop

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