CN116957345B - 用于无人驾驶***中的数据处理方法 - Google Patents
用于无人驾驶***中的数据处理方法 Download PDFInfo
- Publication number
- CN116957345B CN116957345B CN202311220629.2A CN202311220629A CN116957345B CN 116957345 B CN116957345 B CN 116957345B CN 202311220629 A CN202311220629 A CN 202311220629A CN 116957345 B CN116957345 B CN 116957345B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- unmanned
- comprehensive
- vehicles
- distance
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000012502 risk assessment Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims description 23
- 230000000007 visual effect Effects 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000005286 illumination Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/04—Traffic conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4041—Position
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4043—Lateral speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/801—Lateral distance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Economics (AREA)
- Transportation (AREA)
- Entrepreneurship & Innovation (AREA)
- Automation & Control Theory (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Human Computer Interaction (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及用于无人驾驶***中的数据处理方法,采集无人驾驶***车辆检测到的道路车辆总数、车辆间位置距离、各车辆行驶速度及照度数据,根据各车辆间位置距离得到无人车辆的车距综合隐患指数;根据各车辆行驶速度数据得到无人车辆的车速综合安全指数;根据无人车辆的车距综合隐患指数、车速综合安全指数及照度数据得到无人驾驶***的综合风险评估系数;根据各时刻无人驾驶***的综合风险评估系数结合自回归移动平均模型对未来时刻无人驾驶***的综合风险评估系数进行预测。从而实现无人驾驶***中的数据处理,提高了无人驾驶***风险评估准确性,提高了无人驾驶***车辆安全性,具有较高风险检测实时性。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及用于无人驾驶***中的数据处理方法。
背景技术
随着现在社会经济和城市化进程的不断发展,车辆作为一种方便快捷的交通工具,作为车辆行业发展的方向和潮流,无人驾驶***通过视觉、定位、测绘等技术,可以持续收集交通信息,不仅能够解放驾驶员的双手,而且可以减少驾驶员个人超速、疲劳、醉酒驾驶等造成的事故,提高驾驶的安全行,备受行业关注。风险预测是无人驾驶***中的一部分,帮助无人驾驶***可以更好地应对紧急情况,提高行车安全性,还可以为无人驾驶***进行最佳安全行驶策略提供关键信息,使其能够在不同的道路交通和天气条件下做出更明智的决策。
无人驾驶***所需实时性较高,数据规模较大,而且实际道路交通条件复杂多变,传统预测算法,如灰色预测模型对数据的微小变化较为敏感,若数据变化较大,则预测结果误差较大;若采用EMA算法对其进行预测,由于无人驾驶***风险的影响因素可能存在非线性关系,而EMA算法本质上是进行线性加权平均,该算法可能难以捕捉这种复杂的非线性关系。
综上所述,本发明提出用于无人驾驶***中的数据处理方法,通过采集无人驾驶***车辆检测到的道路车辆数据,获取各时刻无人驾驶***综合风险评估系数,结合自回归移动平均模型对未来时刻的综合风险评估系数进行预测,提高了无人驾驶***车辆安全性。
发明内容
为了解决上述技术问题,本发明提供用于无人驾驶***中的数据处理方法,以解决现有的问题。
本发明的用于无人驾驶***中的数据处理方法采用如下技术方案:
本发明一个实施例提供了用于无人驾驶***中的数据处理方法,该方法包括以下步骤:
采集无人驾驶***车辆检测到的道路车辆总数、车辆间位置距离、各车辆行驶速度及照度;将无人驾驶***车辆记为无人车辆;
根据各车辆相对无人车辆的位置得到各车辆的位置权重;根据车辆间位置距离及各车辆的位置权重得到无人车辆的车距隐患因子;获取各车辆的车距隐患因子;根据各车辆的车距隐患因子得到道路车距综合隐患因子;根据道路车距综合隐患因子得到无人车辆的车距综合隐患指数;根据各车辆行驶速度数据得到车速隐患车辆数;根据车速隐患车辆数得到无人车辆的车速综合安全指数;根据无人车辆的车距综合隐患指数及车速综合安全指数得到无人车辆的交通综合隐患指数;根据照度得到无人车辆的可视风险评价指数;根据无人车辆的交通综合隐患指数及可视风险评价指数得到无人驾驶***的综合风险评估系数;
获取各时刻无人驾驶***的综合风险评估系数;根据各时刻无人驾驶***的综合风险评估系数结合自回归移动平均模型对未来时刻无人驾驶***的综合风险评估系数进行预测。
优选的,所述根据各车辆相对无人车辆的位置得到各车辆的位置权重,具体为:
当各车辆与无人车辆处于相同车道时,将各车辆的距离权重设置为2;当各车辆与无人车辆处于不同车道时,将各车辆的距离权重设置为1。
优选的,所述根据车辆间位置距离及各车辆的位置权重得到无人车辆的车距隐患因子,具体包括:
对于与无人车辆近邻的多个车辆,获取各车辆与无人车辆之间的距离;计算各车辆距离权重的倒数与所述距离的乘积;计算所有所述乘积的和值;将所述和值的倒数作为无人车辆的车距隐患因子。
优选的,所述根据各车辆的车距隐患因子得到道路车距综合隐患因子。具体包括:
计算各车辆的距离权重与车距隐患因子的乘积;计算所述乘积的均值;将所述均值作为道路车距综合隐患因子。
优选的,所述根据道路车距综合隐患因子得到无人车辆的车距综合隐患指数,具体包括:将无人车辆的归一化车距隐患因子与道路车距综合隐患因子的和值作为无人车辆的车距综合隐患指数。
优选的,所述根据各车辆行驶速度数据得到车速隐患车辆数,表达式为:
为第时刻的车速隐患车辆数;为初始车速隐患车辆数;为第时刻无人
驾驶***车辆的车速;为第时刻探测到所有车辆中的最大速度,为第时刻探测
到所有车辆中的最小速度,为第时刻探测的所有车辆的总数,表示向上取整。
优选的,所述根据车速隐患车辆数得到无人车辆的车速综合安全指数,具体包括:
获取距离无人车辆近邻的多个车辆记为近邻车辆,近邻车辆的数量与车速隐患车辆数相同;将近邻车辆速度的均值作为无人车辆的车速隐患因子;计算无人车辆的速度与车速隐患因子的差值绝对值;计算所有所述差值绝对值的和值;获取以自然常数为底数、以车速隐患因子相反数为指数的指数函数的计算结果;将所述计算结果与所述和值的比值作为无人车辆的车速综合安全指数。
优选的,所述无人车辆的交通综合隐患指数,具体为:将无人车辆的车距综合隐患指数与车速综合安全指数的比值作为无人车辆的交通综合隐患指数。
优选的,所述根据照度得到无人车辆的可视风险评价指数,具体包括:
预设照度阈值;将照度小于照度阈值的无人车辆的可视风险评价指数预设为0;对于照度大于照度阈值的无人车辆,计算无人车辆照度与照度阈值的差值,将所述差值与照度阈值的比值作为无人车辆的可视风险评价指数。
优选的,所述无人驾驶***的综合风险评估系数,具体为:将无人车辆的交通综合隐患指数与可视风险评价指数的乘积作为无人驾驶***的综合风险评估系数。
本发明至少具有如下有益效果:
本发明通过结合道路车辆运动特征,对未来时刻的无人驾驶***的综合风险评估系数进行预测,解决了道路交通情况数据规模较大导致无人驾驶***风险预测不准确的问题,避免了复杂道路交通情况与交通风险之间存在非线性关系导致无人驾驶***风险难以预测的问题,考虑到了道路车辆的整体信息和天气情况对道路安全风险的影响,提高了无人驾驶***对道路安全风险检测的准确性,具有较高风险检测实时性;
本发明提出用于无人驾驶***中的数据处理方法,采集无人驾驶***车辆检测到的道路车辆位置、车辆速度和外部照度数据,根据临近车辆、同一车道车辆对无人驾驶***车辆的影响,结合车辆之间车距的关系构建车距综合隐患指数;根据车辆速度及车辆间相对速度构建车速综合安全指数;根据车距综合隐患指数、车速综合安全指数及外部照度得到各时刻无人驾驶***综合风险评估系数,输入到自回归移动平均模型(ARIMA)中,对下一时刻的风险进行较为准确、综合的评估,提高了无人驾驶***风险评估准确性,提高了无人驾驶***车辆安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明提供的用于无人驾驶***中的数据处理方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的用于无人驾驶***中的数据处理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的用于无人驾驶***中的数据处理方法的具体方案。
本发明一个实施例提供的用于无人驾驶***中的数据处理方法。
具体的,提供了如下的用于无人驾驶***中的数据处理方法,请参阅图1,该方法包括以下步骤:
步骤S001,采集道路车辆总数、车辆间位置距离、各车辆行驶速度及照度数据。
基于上述分析,考虑到交通条件和天气条件可能会影响无人驾驶车辆安全性的因素,本发明采取在无人驾驶***车辆上安装车载激光雷达,利用激光雷达采集每个时刻本车道与相邻两车道的车辆总数、每辆车与无人驾驶***车辆之间的相对位置,以及每辆车对应的速度;安装照度传感器,获得每个时刻外部环境的照度,对于数据采集设备具体的型号,实施者可根据实际情况自行选取。
由于本场景的特殊性,无人驾驶***车辆需要实时感知动态环境中的数据,因此
对每个时刻均进行一次数据采集,选取与当前时刻时间间隔较小的时间节点作为时间段,
具体采集的时间段长度由实施者自行定义,本发明中设置为,该时间段内共有个
时刻,即在时间段内采集个时刻的数据,本发明中设置。
将所有时刻采集到的数据组成的序列记为第一序列,表示第
时刻无人驾驶***车辆(本车)采集到的所有数据,其中,表示第时刻所
探测到的道路上的车辆总个数(包括本车);表示第时刻所探测到各车辆与本车之间的位
置距离,其中,而表示第时刻本车与所探测到的第辆车辆之间的位置
距离;表示第时刻各车辆的行驶速度,其中,而表示第时刻探测到
的车辆中第辆车的速度;表示第时刻无人驾驶***车辆(本车)的外部照度。
同时由于上述数据在传输过程中,可能会存在数值缺失等情况,防止其对后续分析、处理造成影响,本发明对数据采用线性插值的方法进行数据填充。
步骤S002,根据车辆相对位置及车辆速度得到无人驾驶***车辆的交通综合隐患指数,结合照度构建各时刻无人驾驶***的综合风险评估系数。
车辆在道路交通行驶过程中,应当注意与其他车辆保持安全距离,速度越快,可见度越低,车距应当越大,此时车辆之间的风险系数才较小。而当某时刻无人驾驶***车辆行驶的路段具有较多车辆,具有较大的车流量时,道路较为堵塞,每辆车之间的距离较近,此时由于视野受限,反应较慢,而且车辆行驶具有惯性,并不能直接停止,紧急避让困难,具有追尾风险,因此车辆之间容易发生碰撞,对于无人驾驶***而言,此时课具有较大的距离隐患,具有较大概率可能会发生事故,对人员及车辆造成伤害。
在实际道路交通中,产生车距隐患的往往是距离无人驾驶***车辆较近或者与该车属于同一条车道上的车辆,这些车辆在道路交通上进行变道、加速、减速、超车等都会对无人驾驶***车辆产生较大影响,车辆之间具有较大的车距隐患,行驶中其他车辆距离本车越近时,本车越具有较大的车距隐患。
基于上述分析,将无人驾驶***车辆记为无人车辆,对各时刻车辆之间的位置距
离进行如下分析、处理,以第时刻的数据为例,计算各时刻车辆的车距隐患因子:
式中,为第时刻车辆的车距隐患因子;表示距离车辆近邻的个其他
车辆,这些车对于车辆影响较大,需要说明的是,的取值实施者可自行选取,本实施例将设定为5;为第时刻个近邻车辆中第个车辆与车辆之间的位置距离;为距离
权重,表示与车辆是否处于同一车道;、分别为预设权重,其中,、的值实施
者可自行设定,本实施例将设为2、设为1;为个近邻车辆中第个车辆,为与车
辆在相同车道上的车辆集合,表示个近邻车辆中第个车辆与车辆此时属于
同一车道,表示该车辆与车辆此时不属于同一车道。
对于临近车辆的车辆而言,作为一个权重,若车辆和车辆属于同一车
道,两车之间车距的变化对车辆的车距隐患影响较大,即权重越大;越小,说明车
辆与车辆的欧式距离越近,两车的实际行驶车距越近,两车越有可能会出现避让不及,发
生碰撞的情况,则车辆的车距隐患因子越大。
至此,获取各时刻车辆的车距隐患因子,但是当分析一辆车的车距隐患时,
可能存在道路车辆处于刚刚绿灯的情况,此时车辆处于起步加速状态,少数车辆聚集在一
起,但是道路上还具有较多的空闲位置,此时对于单个车辆而言,车距隐患因子虽然
很大,但是道路此时车流量较小,还没有到达道路的最大承载量,车辆具有充足的避让空
间,此时车辆的车距综合隐患应当较小。为了更加准确的获取车距的综合隐患,应当考虑探
测的所有车辆之间的车距,得到此时道路情况的道路车距综合隐患因子,对无人驾驶***
车辆的车距隐患因子进行修正。因此,获取各车辆相对其它车辆的位置距离,从而通
过上述方式计算得到各时刻无人驾驶***车辆检测到的其它车辆的车距隐患因子。基于上
述分析,计算各时刻的无人驾驶***车辆综合车距隐患指数:
式中,为第时刻的车辆的车距综合隐患指数;表示第时刻车辆的车
距隐患因子;是权重因子,车辆的车距隐患因子相比道路车距综合隐患因子
应该具有更高的权重,因此取经验值0.7;表示第时刻的道路车距综合隐患因子,表示第时刻的第个车辆的车距隐患因子,为距离权重,表示车辆是否与车辆处于同一车道上,为车辆与车辆之间的位置距离;为第个时刻探测到的车辆数量,为归一化函数。
单个车辆的车距隐患因子越大,该情况的车辆越多,则该道路所有车辆之间的车
距越小,该道路车流量越大,车辆越有可能发生碰撞,道路车距综合隐患因子越大,而作为一个权重,当车辆与车辆属于同一车道时,对其影响越大,应当赋予较大的权
重,使道路车距综合隐患因子越大。对于无人驾驶***车辆而言,由临近车辆的车距
得到的车距隐患因子越大,说明该车与临近车辆的车距较小,同时道路车距综合隐患因子
越大,说明此时车流量较大,所有车辆之间的车距较小,更易发生连锁事故,无人驾驶***
车辆的车距综合隐患指数越大。
至此,每个时刻都具有一个无人驾驶***车辆的车距综合隐患指数RF。但是只使用车辆直接的位置、车距,无法准确判断此时车辆在道路交通上是否一定具有极大的隐患、风险。因为在实际道路交通中,并不是每个时刻、每个车辆都是运动状态,比如道路红灯亮时,所有车辆都处于静止、等绿灯的状态,此时为了提高交通效率,所有车辆之间的车距都较小,则该无人驾驶***车辆的车距隐患指数RF较大,但是实际上车辆处于静止状态,该车辆具有极大概率是安全的。因此不仅是车辆位置、车距对无人驾驶***车辆的道路隐患、风险有影响,车辆的速度也对其有影响,车辆的速度越快,刹车时间越长,越有可能对更多的车辆造成影响,而且通常车辆的速度越快,越有可能存在速度隐患,同时车辆之间的速度差异较大,说明车辆之间的速度较为不稳定,此时也越有可能存在速度隐患。
基于上述分析,对第一序列的每个时刻的速度均有以下相同分析、处理,以第
时刻的数据为例,进行如下处理:
式中,为第时刻的车速综合安全指数,为第时刻的车速隐患因子,为
第时刻无人驾驶***车辆的车速;为第时刻的车速隐患车辆数,即距离车辆近邻
的辆车;为车速隐患车辆中第个车辆的速度,即距离车辆近邻的辆车的速
度;为初始车速隐患车辆数,取经验值5,即初始选取的距离车辆近邻的车辆数为5,需要
说明的是,的值实施者可自行设定,本实施例不做具体限制;为第时刻探测到所有
车辆中的最大速度,为第时刻探测到所有车辆中的最小速度,为第时刻探测的所
有车辆的总数,而式中是为了减去车辆,表示向上取整。
越大,表示第时刻无人驾驶***车辆速度越快,此时完全静止需要的时间越
多,越容易影响到更多的车辆,车速隐患车辆数越大,而属于车速隐患车辆数中车辆
的速度越快,同时本车速度也越快,此时说明道路上车辆的整体速度较快,越有可能因
为车速造成事故,隐患越大,因此车速隐患因子越大;越小,表示车辆之间速
度越相同,车速之间较为稳定,此时越不易发生追尾等危险事件,同时车速隐患因子
越小,由于车速造成事故的可能性越低,隐患越小,因此此刻的车速综合安全指数越大。
至此,每个时刻都具有一个无人驾驶***车辆的车速综合安全指数VS。
由车距综合隐患指数RF和车速综合安全指数VS,可得交通综合隐患指数F,以第
时刻为例,可得交通综合隐患指数:
式中,为第时刻车辆的交通综合隐患指数,为第时刻车辆的车距综合隐
患指数,为第时刻车辆的车速综合安全指数,为归一化函数。车距综合隐患指
数越大,说明在道路交通中,无人驾驶***车辆临近的车辆车距较小,所有车辆之间的
车距也越小,则所有车辆对车辆的车距隐患越大,同时车速综合安全指数越小,说明在
道路交通中,无人驾驶***车辆速度较快,影响到的其他车辆较多,受影响车辆的速度也较
快,其与本车之间相对速度较为不稳定,此时对于无人驾驶***车辆而言,越有可能发生交
通事故,越具有较大的交通隐患,则交通综合隐患指数越大。
在道路交通中,天气、气象也是影响道路交通风险的重要因素,若道路交通存在雾
霾、大雨、大雾等较为恶劣的天气现象,光线不足,外部照度的值较小,此时可能导致无人
驾驶***的传感器、设备受影响,导致精度下降,影响的无人驾驶***风险评估的准确性,
而且道路中不仅仅只有本车,其他车辆目前一般不具备无人驾驶***,恶劣的天气现象也
会使其他车辆的驾驶员可见度下降,具有事故发生的隐患,可能发生交通连锁事故,对本车
造成影响,也会影响的无人驾驶***的风险评估。
基于上述分析,对第一序列的每个时刻的外部照度均有以下相同分析、处理,以
第时刻的数据为例,进行如下处理获取综合风险评估系数:
式中,为第时刻的无人驾驶***的综合风险评估系数;为第时刻车辆的交
通综合隐患指数;为第时刻的可视风险评价指数;为第时刻车辆的照度,照度越大,
说明光线越充足,可见度越高;为照度阈值,需要说明的是,的取值实施者可自行设定,
本实施例将设定为100。
当时,说明此时外部照度小于最低界限,处于可视度较低的状态,此时值越大,说明外部照度越低,道路上越有可能存在雾霾、大雨、大雾等较为恶劣的天
气现象,道路上车辆的可视范围越小,此时越易因为可见度较小发生事故,可视风险评价指
数越大,而当时,说明此时道路外部照度较高,天气状态良好,可视范围较大,此
时可见度因素对发生交通事故的影响极小,使可视风险评价指数为0;越大,说明车距
综合隐患指数越大,车速综合安全指数越小,同时可视风险评价指数也越大,说明该时刻的
车距越小,车速越快,可见度越低,越容易发生事故,道路风险越大,无人驾驶***的综合风
险评估系数越大。
至此,每个时刻都具有一个无人驾驶***的综合风险评估系数。
步骤S003,根据各时刻无人驾驶***的综合风险评估系数结合自回归移动平均模型对未来时刻无人驾驶***的综合风险评估系数进行预测。
对每个时刻的无人驾驶***的综合风险评估系数,将其按时间升序组成一个风险
序列,再将序列输入到自回归移动平均模型(ARIMA)中,对未来时刻
的无人驾驶***综合风险评估系数进行较为准确的预测。根据其预测值提前对无
人驾驶***车辆进行调控,如预测得到的下一时刻的无人驾驶***综合风险评估系数
较大,说明此时车辆具有较大概率会发生事故,应当适当调整速度,以确保与其他车辆具有
一个安全的车距,防止事故发生时,无人驾驶***车辆无法及时躲避。自回归移动平均模型
构建为现有技术,具体构建方法本实施例不再赘述。
综上所述,本发明实施例通过结合道路车辆运动特征,对未来时刻的无人驾驶***的综合风险评估系数进行预测,解决了道路交通情况数据规模较大导致无人驾驶***风险预测不准确的问题,避免了复杂道路交通情况与交通风险之间存在非线性关系导致无人驾驶***风险难以预测的问题,考虑到了道路车辆的整体信息和天气情况对道路安全风险的影响,提高了道路安全风险预测结果的准确性,具有较高风险检测实时性;
本实施例提出用于无人驾驶***中的数据处理方法,采集无人驾驶***车辆检测到的道路车辆位置、车辆速度和外部照度数据,根据临近车辆、同一车道车辆对无人驾驶***车辆的影响,结合车辆之间车距的关系构建车距综合隐患指数;根据车辆速度及车辆间相对速度构建车速综合安全指数;根据车距综合隐患指数、车速综合安全指数及外部照度得到各时刻无人驾驶***综合风险评估系数,输入到ARIMA模型中,对下一时刻的风险进行较为准确、综合的评估,提高了无人驾驶***风险评估准确性,提高了无人驾驶***车辆安全性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (1)
1.用于无人驾驶***中的数据处理方法,其特征在于,该方法包括以下步骤:
采集无人驾驶***车辆检测到的道路车辆总数、车辆间位置距离、各车辆行驶速度及照度数据;将无人驾驶***车辆记为无人车辆;
根据各车辆相对无人车辆的位置得到各车辆的位置权重;根据车辆间位置距离及各车辆的位置权重得到无人车辆的车距隐患因子;获取各车辆的车距隐患因子;根据各车辆的车距隐患因子得到道路车距综合隐患因子;根据道路车距综合隐患因子得到无人车辆的车距综合隐患指数;根据各车辆行驶速度数据得到车速隐患车辆数;根据车速隐患车辆数得到无人车辆的车速综合安全指数;根据无人车辆的车距综合隐患指数及车速综合安全指数得到无人车辆的交通综合隐患指数;根据照度得到无人车辆的可视风险评价指数;根据无人车辆的交通综合隐患指数及可视风险评价指数得到无人驾驶***的综合风险评估系数;
获取各时刻无人驾驶***的综合风险评估系数;根据各时刻无人驾驶***的综合风险评估系数结合自回归移动平均模型对未来时刻无人驾驶***的综合风险评估系数进行预测;
所述根据各车辆相对无人车辆的位置得到各车辆的位置权重,具体为:当各车辆与无人车辆处于相同车道时,将各车辆的距离权重设置为;当各车辆与无人车辆处于不同车道时,将各车辆的距离权重设置为/>; />、/>分别为预设权重,其中/>;
所述根据车辆间位置距离及各车辆的位置权重得到无人车辆的车距隐患因子,具体包括:对于与无人车辆近邻的多个车辆,获取各车辆与无人车辆之间的距离;计算各车辆距离权重的倒数与所述距离的乘积;计算所有所述乘积的和值;将所述和值的倒数作为无人车辆的车距隐患因子;
所述根据各车辆的车距隐患因子得到道路车距综合隐患因子,具体包括:计算各车辆的距离权重与车距隐患因子的乘积;计算所述乘积的均值;将所述均值作为道路车距综合隐患因子;
所述根据道路车距综合隐患因子得到无人车辆的车距综合隐患指数,具体包括:将无人车辆的归一化车距隐患因子与道路车距综合隐患因子的和值作为无人车辆的车距综合隐患指数;
所述根据各车辆行驶速度数据得到车速隐患车辆数,表达式为:
;
为第/>时刻的车速隐患车辆数;/>为初始车速隐患车辆数;/>为第/>时刻无人驾驶***车辆/>的车速;/>为第/>时刻探测到所有车辆中的最大速度,/>为第/>时刻探测到所有车辆中的最小速度,/>为第/>时刻探测的所有车辆的总数,/>表示向上取整;
所述根据车速隐患车辆数得到无人车辆的车速综合安全指数,具体包括:获取距离无人车辆近邻的多个车辆记为近邻车辆,其中近邻车辆的数量与车速隐患车辆数相同;将近邻车辆速度的均值作为无人车辆的车速隐患因子;计算无人车辆的车速与各近邻车辆车速的差值绝对值;计算所有所述差值绝对值的和值;获取以自然常数为底数、以车速隐患因子相反数为指数的指数函数的计算结果;将所述计算结果与所述和值的比值作为无人车辆的车速综合安全指数;
所述无人车辆的交通综合隐患指数包括:将无人车辆的车距综合隐患指数与车速综合安全指数的比值作为无人车辆的交通综合隐患指数;
所述根据照度得到无人车辆的可视风险评价指数,具体包括:预设照度阈值;将照度小于照度阈值的无人车辆的可视风险评价指数预设为0;对于照度大于照度阈值的无人车辆,计算无人车辆照度与照度阈值的差值,将所述差值与照度阈值的比值作为无人车辆的可视风险评价指数;
所述无人驾驶***的综合风险评估系数,具体为:将无人车辆的交通综合隐患指数与可视风险评价指数的乘积作为无人驾驶***的综合风险评估系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311220629.2A CN116957345B (zh) | 2023-09-21 | 2023-09-21 | 用于无人驾驶***中的数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311220629.2A CN116957345B (zh) | 2023-09-21 | 2023-09-21 | 用于无人驾驶***中的数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116957345A CN116957345A (zh) | 2023-10-27 |
CN116957345B true CN116957345B (zh) | 2023-12-08 |
Family
ID=88449681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311220629.2A Active CN116957345B (zh) | 2023-09-21 | 2023-09-21 | 用于无人驾驶***中的数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116957345B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117208021B (zh) * | 2023-11-09 | 2024-01-19 | 上海伯镭智能科技有限公司 | 用于复杂路况的无人驾驶车辆控制方法 |
CN117251818B (zh) * | 2023-11-17 | 2024-01-26 | 上海伯镭智能科技有限公司 | 用于无人驾驶矿车安全运营的数据管理方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018147111A (ja) * | 2017-03-02 | 2018-09-20 | パナソニックIpマネジメント株式会社 | 運転支援方法およびそれを利用した運転支援装置、自動運転制御装置、車両、プログラム、運転支援システム |
CN110782125A (zh) * | 2019-09-23 | 2020-02-11 | 同济大学 | 一种面向自动驾驶汽车的道路安全风险度评估方法 |
KR20200058947A (ko) * | 2018-11-20 | 2020-05-28 | 서울대학교산학협력단 | 무인 비행체 교통 관리를 위한 예측 방법 및 장치 |
CN112242059A (zh) * | 2020-09-30 | 2021-01-19 | 南京航空航天大学 | 基于动机与风险评估的无人驾驶车辆智能决策方法 |
CN112508392A (zh) * | 2020-12-02 | 2021-03-16 | 云南省交通规划设计研究院有限公司 | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 |
CN114898042A (zh) * | 2022-05-20 | 2022-08-12 | 南京理工大学 | 基于时空紧迫性的人车碰撞危险态势预测方法 |
CN115620530A (zh) * | 2022-09-19 | 2023-01-17 | 哈尔滨工业大学 | 考虑行车风险场的自动驾驶接管风险评估模型及其构建方法 |
WO2023116344A1 (zh) * | 2021-12-23 | 2023-06-29 | 清华大学 | 无人驾驶测试方法、无人驾驶测试***及计算机设备 |
-
2023
- 2023-09-21 CN CN202311220629.2A patent/CN116957345B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018147111A (ja) * | 2017-03-02 | 2018-09-20 | パナソニックIpマネジメント株式会社 | 運転支援方法およびそれを利用した運転支援装置、自動運転制御装置、車両、プログラム、運転支援システム |
KR20200058947A (ko) * | 2018-11-20 | 2020-05-28 | 서울대학교산학협력단 | 무인 비행체 교통 관리를 위한 예측 방법 및 장치 |
CN110782125A (zh) * | 2019-09-23 | 2020-02-11 | 同济大学 | 一种面向自动驾驶汽车的道路安全风险度评估方法 |
CN112242059A (zh) * | 2020-09-30 | 2021-01-19 | 南京航空航天大学 | 基于动机与风险评估的无人驾驶车辆智能决策方法 |
CN112508392A (zh) * | 2020-12-02 | 2021-03-16 | 云南省交通规划设计研究院有限公司 | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 |
WO2023116344A1 (zh) * | 2021-12-23 | 2023-06-29 | 清华大学 | 无人驾驶测试方法、无人驾驶测试***及计算机设备 |
CN114898042A (zh) * | 2022-05-20 | 2022-08-12 | 南京理工大学 | 基于时空紧迫性的人车碰撞危险态势预测方法 |
CN115620530A (zh) * | 2022-09-19 | 2023-01-17 | 哈尔滨工业大学 | 考虑行车风险场的自动驾驶接管风险评估模型及其构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116957345A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116957345B (zh) | 用于无人驾驶***中的数据处理方法 | |
CN110488802B (zh) | 一种网联环境下的自动驾驶车辆动态行为决策方法 | |
CN107742193B (zh) | 一种基于时变状态转移概率马尔可夫链的行车风险预测方法 | |
EP4163173A1 (en) | Trajectory prediction method and apparatus | |
CN107316010A (zh) | 一种识别前方车辆尾灯及判断其状态的方法 | |
CN113190921B (zh) | 用于智能汽车驾乘性能测试的自动评价方法及*** | |
CN103258427A (zh) | 基于信息物理网络的城市快速路交通实时监控***与方法 | |
CN110843789A (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及*** | |
CN115782905B (zh) | 一种自动驾驶车辆驾驶安全度量化*** | |
CN116186884A (zh) | 一种智能网联汽车功能安全与预期功能安全联动验证方法 | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
CN115691223A (zh) | 一种基于云边端协同的碰撞预警方法及*** | |
CN116631187B (zh) | 一种案件现场勘查信息智能采集分析*** | |
CN111477002B (zh) | 一种基于危险度判别的高速公路合流区交通冲突预警*** | |
CN110610611B (zh) | 面向混行交通流中智能网联车辆的行车安全性评价方法 | |
CN111027365B (zh) | 基于人脸对象位置分析的定位方法 | |
CN112633055A (zh) | 一种基于路面病害检测的通用自动驾驶导航*** | |
CN116946089B (zh) | 一种智能刹车辅助*** | |
CN116386365B (zh) | 一种提升港区道路安全性的交通路径诱导方法及*** | |
Yang et al. | Dynamic safety estimation of airport pick-up area based on video trajectory data | |
CN117429419B (zh) | 应用于港口的自动驾驶方法及驾驶车 | |
CN117104255B (zh) | 一种智能驾驶车辆智能感知人车交互***及方法 | |
CN117612140B (zh) | 道路场景的识别方法、装置和存储介质及电子设备 | |
Ma et al. | Research on Vehicle Warning Method Based on Improved YOLOv7 |
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 |