CN116978257B - 基于轨迹预测的公路合流区冲突预警方法及*** - Google Patents
基于轨迹预测的公路合流区冲突预警方法及*** Download PDFInfo
- Publication number
- CN116978257B CN116978257B CN202311013573.3A CN202311013573A CN116978257B CN 116978257 B CN116978257 B CN 116978257B CN 202311013573 A CN202311013573 A CN 202311013573A CN 116978257 B CN116978257 B CN 116978257B
- Authority
- CN
- China
- Prior art keywords
- vehicles
- same section
- vehicle
- traffic conflict
- judging
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010586 diagram Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000006698 induction Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开的基于轨迹预测的公路合流区冲突预警方法及***,包括:当匝道和主路中均存在车辆时,获取匝道和主路中各车辆的运动轨迹数据;根据各车辆的运动轨迹数据对车辆进入合流区后的轨迹进行预测,获得各车辆进入合流区后的轨迹预测数据;根据各车辆的轨迹预测数据,判定两车是否经过合流区的同一截面;当判定两车经过同一截面时,判断两车是否存在交通冲突,其中,当两车的交通冲突指标大于设定的指标阈值时,判定两车存在交通冲突,两车的交通冲突指标为两车中较早到达同一截面车辆到达同一截面时两车的速度差除以两车到达同一截面的时间差。实现了对交通冲突的准确预测,并能根据预测结果给出相应的驾驶建议,保证合流区的安全。
Description
技术领域
本发明涉及技术领域,尤其涉及基于轨迹预测的公路合流区冲突预警方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
高速公路作为重要的交通基础设施,对交通安全的影响不可忽视。在高速公路中,分合流区安全问题尤为突出。
交通冲突识别指标常用的有TTC和PET,TTC为假设冲突车辆速度角度不变,发生碰撞的时间,实际情况中不存在这种理想的状况,因此这种指标存在较大的误差。PET是后侵入时间,指前车尾部离开冲突断面与后车头部到达冲突断面的时间差,这种方法具有一定的有效性,如果根据PET指标预测冲突,需要预测两车到达某断面的时间,并计算时间间隔,因此,该方法需要对车辆的到达时间或车辆轨迹进行精确预测,根据预测的轨迹和到达时间,来判断是否发生交通冲突。
但是现有的针对高速公路合流区交通冲突预测方法中,对未来轨迹的描述仅使用了简单的运动学模型,即假设车辆为匀加速、匀减速或匀速运动,对未来轨迹描述的精度不高,预测出的轨迹,带有一定的误差,从而不能实现对交通冲突的准确预测。同时,当前方法仅是对车辆是否发生交通冲突进行预测,并没有根据预测结果给出相应的驾驶建议,从而不能减少交通冲突问题的发生。
发明内容
本发明为了解决上述问题,提出了基于轨迹预测的公路合流区冲突预警方法及***,对经过同一截面的两车,将两车的速度差除以两车到达同一截面的时间差,计算获得了两车的交通冲突指标,该交通冲突指标能够小于轨迹预测时的误差,从而能够准确判断两车是否发生交通冲突,并能根据判断结果,给出相应的驾驶建议,防止交通冲突的发生,保证道路行驶的安全。
为实现上述目的,本发明采用如下技术方案:
第一方面,提出了基于轨迹预测的公路合流区冲突预警方法,包括:
当匝道和主路中均存在车辆时,获取匝道和主路中各车辆的运动轨迹数据;
根据各车辆的运动轨迹数据对车辆进入合流区后的轨迹进行预测,获得各车辆进入合流区后的轨迹预测数据;
根据各车辆的轨迹预测数据,判定两车是否经过合流区的同一截面;
当判定两车经过同一截面时,判断两车是否存在交通冲突,其中,当两车的交通冲突指标大于设定的指标阈值时,判定两车存在交通冲突,两车的交通冲突指标为两车中较早到达同一截面车辆到达同一截面时两车的速度差除以两车到达同一截面的时间差。
第二方面,提出了基于轨迹预测的公路合流区冲突预警***,包括:
车辆运动轨迹获取模块,用于当匝道和主路中均存在车辆时,获取匝道和主路中各车辆的运动轨迹数据;
轨迹预测模块,用于根据各车辆的运动轨迹数据对车辆进入合流区后的轨迹进行预测,获得各车辆进入合流区后的轨迹预测数据;
两车是否经过同一截面判断模块,用于根据各车辆的轨迹预测数据,判定两车是否经过合流区的同一截面;
交通冲突判定模块,用于当判定两车经过同一截面时,判断两车是否存在交通冲突,其中,当两车的交通冲突指标大于设定的指标阈值时,判定两车存在交通冲突,两车的交通冲突指标为两车中较早到达同一截面车辆到达同一截面时两车的速度差除以两车到达同一截面的时间差。
第三方面,提出了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成基于轨迹预测的公路合流区冲突预警方法所述的步骤。
第四方面,提出了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成基于轨迹预测的公路合流区冲突预警方法所述的步骤。
与现有技术相比,本发明的有益效果为:
1、本发明对经过同一截面的两车,将两车的速度差除以两车到达同一截面的时间差,计算获得了两车的交通冲突指标,该交通冲突指标能够小于轨迹预测时的误差,从而能够准确判断两车是否发生交通冲突。
2、本发明在实现对两车是否发生交通冲突准确判断的基础上,能够根据判断结果给出相应的驾驶建议,并将驾驶建议发布于路侧信息发布板上或控制路侧诱导带颜色来传递驾驶建议,从而防止交通冲突的发生,提高了合流区的安全性。
3、本发明考虑到高速公路合流区车辆之间运行的相互影响关系,利用了能体现空间相互关系的时空图卷积网络来预测车辆轨迹,提高了车辆轨迹预测的准确性,进一步保证了交通冲突判断的准确性。
4、本发明只有在两车到达同一截面的时间不相等,且两车速度差值的绝对值大于等于设定速度差阈值时,才会通过计算两车及交通冲突指标的方式,判断两车是否会发生交通冲突,保证了判断的顺利进行,并能够降低计算量。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为实施例公开方法流程图;
图2为实施例公开的电警杆位置、高速公路合流区以及历史轨迹与预测轨迹的示意图;
图3为实施例公开的设备布置图;
图4为实施例公开的时空图卷积的轨迹预测方法模型图;
图5为实施例公开的交通冲突指标计算流程图;
图6是本发明公开的诱导带图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1
在该实施例中,公开了基于轨迹预测的公路合流区冲突预警方法,如图1-图6所示,包括:
S1:当匝道和主路中均存在车辆时,获取匝道和主路中各车辆的运动轨迹数据。
在具体实施时,通过雷视一体机判断匝道中是否有车辆,当匝道中没有车辆时,判定不存在交通冲突,此时,不发出驾驶建议;当匝道中有车辆时,判断主路中是否有车辆,当主路中没有车辆时,判定不存在交通冲突,不发出驾驶建议。
当匝道和主路中均存在车辆时,通过雷视一体机获取匝道和主路中各车辆的运动轨迹数据。
如图2、3所示,雷视一体机安装于电警杆上,电警杆安装于合流区入口处。
当匝道中车进入雷视一体机检测范围时,开始记录所有车道中车辆的运动轨迹数据,当匝道中车到达距离电警杆70m时停止记录运动轨迹数据,从而获得该时段内雷视一体机检测范围内所有车辆的运动轨迹数据。该运动轨迹数据包含车辆的轨迹信息和时间戳,停止记录的位置为匝道中车刚进入合流区的位置。
如获取到如表1所示的运动轨迹数据。
表1
S2:根据各车辆的运动轨迹数据对车辆进入合流区后的轨迹进行预测,获得各车辆进入合流区后的轨迹预测数据。
本实施例基于时空图卷积网络对车辆进入合流区后的轨迹进行预测,获得各车辆进入合流区后的轨迹预测数据,获取各车辆进入合流区后的轨迹预测数据的过程为:
对S1获取的各车辆的运动轨迹数据进行预处理,获得预处理后数据;
将预处理后数据构建为图结构X(1×C×N×T),其中,车辆为图的节点N,C为特征维度,即车辆的位置,通过(x,y)坐标表示,T为时间序列长度。根据车辆之间的距离确定邻边关系,构建图的邻接矩阵A(T×N×N),因此图结构能够体现车辆之间的互相影响情况。
如将表1中轨迹数据构建为图结构X(1×C×N×T=1×2×3×20),该图的节点N=3,特征维度C=2,时间序列长度T=20。构建的邻接矩阵A(T×N×N=20×3×3)。
将图结构X和邻接矩阵A输入到预先训练的时空图卷积网络模型中,获得所有车辆的轨迹预测数据。
如图4所示,时空图卷积网络模型包括时空图卷积网络、维度转换层、自注意力机制层和LSTM;图结构X和邻接矩阵A输入到时空图卷积网络中,获取高维时间特征和空间特征数据。为使高维时间特征和空间特征数据适用于LSTM,将获取的高维时间特征和空间特征数据输入维度转换层中进行维度转换,维度转换后数据输入自注意力机制层中进行注意力特征提取,并加快特征提取效率,自注意力机制层提取出的注意力特征输入LSTM中,通过LSTM进行数据预测,输出所有车辆的轨迹预测数据:
[[(x1 t1,y1 t1),(x1 t2,y1 t2),…,(x1 tT,y1 tT)],
[(x2 t1,y2 t1),(x2 t2,y2 t2),…,(x2 tT,y2 tT)],
[………………………………………]
[(xN t1,yN t1),(xN t2,yN t2),…,(xN tT,yN tT)]。
其中,(x,y)代表车辆所在的二维位置坐标,下标tT代表时刻点,上标N代表不同的车辆。
如将X(1×C×N×T=1×2×3×20)和邻接矩阵A(T×N×N=20×3×3)代入时空图卷积网络模型中,通过维度转换层将特征维度C=2转换到C’=5,通过LSTM将时间序列长度T=20转换到T’=30,获得如表2所示的所有车辆的轨迹预测数据。
表2
S3:根据各车辆的轨迹预测数据,判定两车是否经过合流区的同一截面,具体的:
根据各车辆进入合流区后的轨迹预测数据,计算匝道中车辆与其余所有车辆之间所有时刻的距离d:
其中,上标i代表车辆,下标t和t1分别为匝道中车的时刻和第i辆车的时刻,x和y分别代表车辆所在的横纵坐标。
当两车之间的距离d小于设定的距离阈值时,判定两车经过合流区的同一截面;
当两车之间的距离d大于等于设定的距离阈值时,判定两车不经过合流区的同一截面,两车不存在交通冲突。
因为需要考虑车辆长度的差异以及离散的轨迹数据基本不可能重叠的特性,因此距离d不能为0。
优选的,d=5m。
第36时刻的匝道中车与第31时刻的主路中车1的距离可根据式(1)计算为4.325m<5m,则判断为两车经过同一截面。
S4:当判定两车经过同一截面时,判断两车是否存在交通冲突,其中,当两车的交通冲突指标大于设定的指标阈值时,判定两车存在交通冲突,两车的交通冲突指标为两车中较早到达同一截面车辆到达同一截面时两车的速度差除以两车到达同一截面的时间差,具体为:
当判定两车经过同一截面时,获取两车到达同一截面的时间;
当两车到达同一截面的时间相等,即t-t1=0时,判定两车存在交通冲突;
当两车到达同一截面的时间不相等,即t-t1≠0时,确定较早到达同一截面车辆到达同一截面时两车的速度;
当两车速度差值的绝对值|v-v1|小于设定速度差阈值时,计算两车到达同一截面的时间差的绝对值|t-t1|;当两车到达同一截面的时间差的绝对值|t-t1|小于设定的时间差阈值时,判定两车存在交通冲突,当两车到达同一截面的时间差的绝对值|t-t1|大于等于设定的时间差阈值时,判定两车不存在交通冲突,发出建议匝道车辆正常行驶的驾驶建议;
当两车速度差值的绝对值|t-t1|大于等于设定速度差阈值时,计算两车的交通冲突指标a,根据两车的交通冲突指标a,判定两车是否存在交通冲突。
其中,两车的交通冲突指标为两车中较早到达同一截面车辆到达同一截面时两车的速度差除以两车到达同一截面的时间差,即:
其中,t为较早到达同一截面车辆到达同一截面的时间,t1为另一车俩到达同一截面的时间,v为较早到达同一截面车辆在t时的速度v1为另一车辆在t时的速度,v和v1可以通过离散的轨迹数据与时间间隔求解获得。
当两车的交通冲突指标大于设定的指标阈值时,判定两车存在交通冲突;当两车的交通冲突指标小于等于设定的指标阈值时,判定两车之间不存在交通冲突;并根据两车是否存在交通冲突,给出相应的驾驶建议,具体的:
判定两车存在交通冲突时,若匝道中车为较早到达同一截面车辆,则发出建议匝道车注意后方来车的驾驶建议,若主路中车为较早到达同一截面车辆,则发出建议匝道车注意与前车保持车距的驾驶建议;
判定两车不存在交通冲突,发出建议匝道车辆正常行驶的驾驶建议。
将驾驶建议发布于路侧信息发布板上进行显示或控制路侧诱导带颜色来传递驾驶建议,从而防止交通冲突的发生,提高了合流区的安全性。
优选的,指标阈值为0.5。
信息发布板置于电警杆上,绿色诱导带代表正常同行,黄色代表注意与前车保持车距,红色代表注意后方来车。
由于第36时刻的匝道中车与第31时刻的主路中车1到达同一截面,可知:
v=26m/s,t=31
v1=30m/s,t1=36
两车的交通冲突指标为0.8,大于0.8,故判定两车存在交通冲突,由于此时匝道车在前,则发出匝道车注意后方来车的驾驶建议,并将驾驶建议发布于信息发布板上进行显示,或将诱导带显示为红色,对匝道中车进行提醒,避免发生冲突。
本实施例通过优选判断两车到达同一截面的时间是否相等,两车速度差值的绝对值是否大于等于设定速度差阈值,只有两车到达同一截面的时间不相等,且两车速度差值的绝对值大于等于设定速度差阈值,才会通过计算两车交通冲突指标的方式,判断两车是否存在交通冲突,即能保证交通冲突判断的准确性,又能保证交通冲突指标计算的顺利进行,且降低计算量。
本实施例交通冲突指标的合理性在于,无论轨迹预测的精度多高,总会存在一定的误差,若仅通过时间差预测冲突是否发生,会存在较大的误差。此时,使用两车到达同一断面的时间差与两车相对速度的耦合关系判定交通冲突的发生更为准确。具体为,若时间差小且前车车速大于后车,则不会发生冲突,这种情况下a为负数,值越小越安全。若时间差小且前车车速小于后车,则很可能发生交通冲突,这种情况下a值为正数,且越大越危险。其中,前车为先到达同一截面的车辆,后车为后到达同一截面的车辆。
本实施例公开方法,考虑到高速公路合流区车辆之间运行的相互影响关系,利用了能体现空间相互关系的时空图卷积网络预测车辆轨迹;将基于时空图卷积网络模型预测合流区匝道以及主路上的车辆轨迹,根据预测的轨迹计算a,预测冲突是否存在,后根据实际情况控制匝道车的运行;冲突存在时利用信息发布板发出驾驶建议提醒匝道车辆控制车速,通过对高速公路合流区车辆轨迹的检测、记录与预测,对匝道上车的车辆进行实时控制,实现交通冲突源头上的控制。对合流区车辆进行全方位监测和保护,显著提升了高速公路合流区的安全性。
实施例2
在该实施例中,公开了基于轨迹预测的公路合流区冲突预警***,包括:
车辆运动轨迹获取模块,用于当匝道和主路中均存在车辆时,获取匝道和主路中各车辆的运动轨迹数据;
轨迹预测模块,用于根据各车辆的运动轨迹数据对车辆进入合流区后的轨迹进行预测,获得各车辆进入合流区后的轨迹预测数据;
两车是否经过同一截面判断模块,用于根据各车辆的轨迹预测数据,判定两车是否经过合流区的同一截面;
交通冲突判定模块,用于当判定两车经过同一截面时,判断两车是否存在交通冲突,其中,当两车的交通冲突指标大于设定的指标阈值时,判定两车存在交通冲突,两车的交通冲突指标为两车中较早到达同一截面车辆到达同一截面时两车的速度差除以两车到达同一截面的时间差。
实施例3
在该实施例中,公开了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1公开的基于轨迹预测的公路合流区冲突预警方法所述的步骤。
实施例4
在该实施例中,公开了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1公开的基于轨迹预测的公路合流区冲突预警方法所述的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.基于轨迹预测的公路合流区冲突预警方法,其特征在于,包括:
当匝道和主路中均存在车辆时,通过安装电警杆上的雷视一体机获取匝道和主路中各车辆的运动轨迹数据,电警杆安装于合流区入口处,当匝道中车辆进入雷视一体机检测范围时,开始记录所有车道中车辆的运动轨迹数据,当匝道中车辆到达距离电警杆一定距离时停止记录运动轨迹数据,从而获得该时段内雷视一体机检测范围内所有车辆的运动轨迹数据,运动轨迹数据包含车辆的轨迹信息和时间戳;
根据各车辆的运动轨迹数据对车辆进入合流区后的轨迹进行预测,获得各车辆进入合流区后的轨迹预测数据;
根据各车辆的轨迹预测数据,判定两车是否经过合流区的同一截面;
当判定两车经过同一截面时,判断两车是否存在交通冲突,当判定两车经过同一截面时,获取两车到达同一截面的时间;当两车到达同一截面的时间相等时,判定两车存在交通冲突;当两车到达同一截面的时间不相等时,确定较早到达同一截面车辆到达同一截面时两车的速度;当两车速度差值的绝对值小于设定速度差阈值时,计算两车到达同一截面的时间差的绝对值;当两车到达同一截面的时间差的绝对值小于设定的时间差阈值时,判定两车存在交通冲突,当两车到达同一截面的时间差的绝对值大于等于设定的时间差阈值时,判定两车不存在交通冲突;当两车速度差值的绝对值大于等于设定速度差阈值时,计算两车的交通冲突指标,其中,当两车的交通冲突指标大于设定的指标阈值时,判定两车存在交通冲突,当两车的交通冲突指标小于等于设定的指标阈值时,判定两车不存在交通冲突,两车的交通冲突指标为两车中较早到达同一截面车辆到达同一截面时两车的速度差除以两车到达同一截面的时间差。
2.如权利要求1所述的基于轨迹预测的公路合流区冲突预警方法,其特征在于,根据两车是否存在交通冲突,给出相应的驾驶建议。
3.如权利要求1所述的基于轨迹预测的公路合流区冲突预警方法,其特征在于,基于时空图卷积网络对车辆进入合流区后的轨迹进行预测,获得各车辆进入合流区后的轨迹预测数据。
4.如权利要求1所述的基于轨迹预测的公路合流区冲突预警方法,其特征在于,根据各车辆进入合流区后的轨迹预测数据,计算匝道中车辆与其余所有车辆之间所有时刻的距离;
当两车之间的距离小于设定的距离阈值时,判定两车经过合流区的同一截面。
5.如权利要求1所述的基于轨迹预测的公路合流区冲突预警方法,其特征在于,当两车之间的距离大于等于设定的距离阈值时,判定两车不经过合流区的同一截面,两车不存在交通冲突。
6.基于轨迹预测的公路合流区冲突预警***,其特征在于,包括:
车辆运动轨迹获取模块,用于当匝道和主路中均存在车辆时,通过安装电警杆上的雷视一体机获取匝道和主路中各车辆的运动轨迹数据,电警杆安装于合流区入口处,当匝道中车辆进入雷视一体机检测范围时,开始记录所有车道中车辆的运动轨迹数据,当匝道中车辆到达距离电警杆一定距离时停止记录运动轨迹数据,从而获得该时段内雷视一体机检测范围内所有车辆的运动轨迹数据,运动轨迹数据包含车辆的轨迹信息和时间戳;
轨迹预测模块,用于根据各车辆的运动轨迹数据对车辆进入合流区后的轨迹进行预测,获得各车辆进入合流区后的轨迹预测数据;
两车是否经过同一截面判断模块,用于根据各车辆的轨迹预测数据,判定两车是否经过合流区的同一截面;
交通冲突判定模块,用于当判定两车经过同一截面时,判断两车是否存在交通冲突,当判定两车经过同一截面时,获取两车到达同一截面的时间;当两车到达同一截面的时间相等时,判定两车存在交通冲突;当两车到达同一截面的时间不相等时,确定较早到达同一截面车辆到达同一截面时两车的速度;当两车速度差值的绝对值小于设定速度差阈值时,计算两车到达同一截面的时间差的绝对值;当两车到达同一截面的时间差的绝对值小于设定的时间差阈值时,判定两车存在交通冲突,当两车到达同一截面的时间差的绝对值大于等于设定的时间差阈值时,判定两车不存在交通冲突;当两车速度差值的绝对值大于等于设定速度差阈值时,计算两车的交通冲突指标,其中,当两车的交通冲突指标大于设定的指标阈值时,判定两车存在交通冲突,当两车的交通冲突指标小于等于设定的指标阈值时,判定两车不存在交通冲突,两车的交通冲突指标为两车中较早到达同一截面车辆到达同一截面时两车的速度差除以两车到达同一截面的时间差。
7.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-5任一项所述的基于轨迹预测的公路合流区冲突预警方法的步骤。
8.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-5任一项所述的基于轨迹预测的公路合流区冲突预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311013573.3A CN116978257B (zh) | 2023-08-11 | 2023-08-11 | 基于轨迹预测的公路合流区冲突预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311013573.3A CN116978257B (zh) | 2023-08-11 | 2023-08-11 | 基于轨迹预测的公路合流区冲突预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116978257A CN116978257A (zh) | 2023-10-31 |
CN116978257B true CN116978257B (zh) | 2024-05-24 |
Family
ID=88477944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311013573.3A Active CN116978257B (zh) | 2023-08-11 | 2023-08-11 | 基于轨迹预测的公路合流区冲突预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116978257B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008282097A (ja) * | 2007-05-08 | 2008-11-20 | Toyota Central R&D Labs Inc | 衝突危険度推定装置及びドライバ支援装置 |
CN105243876A (zh) * | 2015-11-06 | 2016-01-13 | 东南大学 | 一种用于互通立交的交通冲突严重性分析方法 |
JP2018045426A (ja) * | 2016-09-14 | 2018-03-22 | いすゞ自動車株式会社 | 衝突確率推定装置 |
DE102016223541A1 (de) * | 2016-11-28 | 2018-05-30 | Robert Bosch Gmbh | Verfahren und Parametermodul zur Erkennung von Art und/oder Schwere einer Kollision eines Fahrzeugs mit einem Kollisionsobjekt |
CN109377785A (zh) * | 2018-10-22 | 2019-02-22 | 北京航空航天大学 | 一种基于深度学习的高速公路合流区车辆冲突预警方法 |
CN110109476A (zh) * | 2019-05-06 | 2019-08-09 | 中国人民解放军军事科学院国防科技创新研究院 | 基于碰撞概率的异构无人飞行器自主碰撞预警方法 |
CN110488802A (zh) * | 2019-08-21 | 2019-11-22 | 清华大学 | 一种网联环境下的自动驾驶车辆动态行为决策方法 |
CN110807950A (zh) * | 2019-11-13 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 基于车辆碰撞的风险评估方法、装置和计算机设备 |
WO2020125138A1 (zh) * | 2018-12-16 | 2020-06-25 | 华为技术有限公司 | 一种物体碰撞预测方法及装置 |
CN111462528A (zh) * | 2020-03-24 | 2020-07-28 | 深圳市元征科技股份有限公司 | 一种车辆汇入方法、装置及计算机可读存储介质 |
CN115186446A (zh) * | 2022-06-15 | 2022-10-14 | 同济大学 | 一种基于离散网格结构的交叉口全链路交通仿真方法 |
CN115534935A (zh) * | 2022-12-02 | 2022-12-30 | 广汽埃安新能源汽车股份有限公司 | 车辆行驶控制方法、装置、电子设备和计算机可读介质 |
CN115588310A (zh) * | 2022-06-28 | 2023-01-10 | 中国公路工程咨询集团有限公司 | 一种基于轨迹数据的车辆碰撞风险预测方法 |
CN115862382A (zh) * | 2022-12-08 | 2023-03-28 | 江苏大学 | 一种高速入口匝道车辆协同避撞***与方法 |
JP7254890B1 (ja) * | 2021-12-20 | 2023-04-10 | ソフトバンク株式会社 | 衝突可能性判定装置、通信端末装置、移動体、衝突可能性を判定するシステム、方法及びプログラム |
CN116118867A (zh) * | 2022-12-22 | 2023-05-16 | 福思(杭州)智能科技有限公司 | 车辆避险方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10522040B2 (en) * | 2017-03-03 | 2019-12-31 | Kennesaw State University Research And Service Foundation, Inc. | Real-time video analytics for traffic conflict detection and quantification |
US12020571B2 (en) * | 2021-03-11 | 2024-06-25 | Cambridge Mobile Telematics Inc. | Method and system for vehicle crash prediction using multi-vehicle data |
-
2023
- 2023-08-11 CN CN202311013573.3A patent/CN116978257B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008282097A (ja) * | 2007-05-08 | 2008-11-20 | Toyota Central R&D Labs Inc | 衝突危険度推定装置及びドライバ支援装置 |
CN105243876A (zh) * | 2015-11-06 | 2016-01-13 | 东南大学 | 一种用于互通立交的交通冲突严重性分析方法 |
JP2018045426A (ja) * | 2016-09-14 | 2018-03-22 | いすゞ自動車株式会社 | 衝突確率推定装置 |
DE102016223541A1 (de) * | 2016-11-28 | 2018-05-30 | Robert Bosch Gmbh | Verfahren und Parametermodul zur Erkennung von Art und/oder Schwere einer Kollision eines Fahrzeugs mit einem Kollisionsobjekt |
CN109377785A (zh) * | 2018-10-22 | 2019-02-22 | 北京航空航天大学 | 一种基于深度学习的高速公路合流区车辆冲突预警方法 |
WO2020125138A1 (zh) * | 2018-12-16 | 2020-06-25 | 华为技术有限公司 | 一种物体碰撞预测方法及装置 |
CN110109476A (zh) * | 2019-05-06 | 2019-08-09 | 中国人民解放军军事科学院国防科技创新研究院 | 基于碰撞概率的异构无人飞行器自主碰撞预警方法 |
CN110488802A (zh) * | 2019-08-21 | 2019-11-22 | 清华大学 | 一种网联环境下的自动驾驶车辆动态行为决策方法 |
CN110807950A (zh) * | 2019-11-13 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 基于车辆碰撞的风险评估方法、装置和计算机设备 |
CN111462528A (zh) * | 2020-03-24 | 2020-07-28 | 深圳市元征科技股份有限公司 | 一种车辆汇入方法、装置及计算机可读存储介质 |
JP7254890B1 (ja) * | 2021-12-20 | 2023-04-10 | ソフトバンク株式会社 | 衝突可能性判定装置、通信端末装置、移動体、衝突可能性を判定するシステム、方法及びプログラム |
CN115186446A (zh) * | 2022-06-15 | 2022-10-14 | 同济大学 | 一种基于离散网格结构的交叉口全链路交通仿真方法 |
CN115588310A (zh) * | 2022-06-28 | 2023-01-10 | 中国公路工程咨询集团有限公司 | 一种基于轨迹数据的车辆碰撞风险预测方法 |
CN115534935A (zh) * | 2022-12-02 | 2022-12-30 | 广汽埃安新能源汽车股份有限公司 | 车辆行驶控制方法、装置、电子设备和计算机可读介质 |
CN115862382A (zh) * | 2022-12-08 | 2023-03-28 | 江苏大学 | 一种高速入口匝道车辆协同避撞***与方法 |
CN116118867A (zh) * | 2022-12-22 | 2023-05-16 | 福思(杭州)智能科技有限公司 | 车辆避险方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
匝道口智能车合流避撞模型及仿真研究;陈思曼;孟宪实;马钧;;农业装备与车辆工程(第02期);44-50 * |
Also Published As
Publication number | Publication date |
---|---|
CN116978257A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11990036B2 (en) | Driver behavior monitoring | |
CN112927512B (zh) | 一种高速公路匝道合流控制***及方法 | |
CN108550262B (zh) | 基于毫米波雷达的城市交通感知*** | |
CN105374215B (zh) | 一种高速公路路侧预警装置 | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
WO2017123665A1 (en) | Driver behavior monitoring | |
US20210284174A1 (en) | Driving risk identification model calibration method and system | |
CN111402626B (zh) | 一种基于车路协同的安全跟车距离控制***及控制方法 | |
CN113936463B (zh) | 一种基于雷达和视频数据融合的隧道交通管控方法及*** | |
US20230274634A1 (en) | Traffic monitoring apparatus, traffic monitoring system, traffic monitoring method, and storage medium | |
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 | |
CN117454318B (zh) | 一种基于多源数据融合的桥梁群时空荷载分布识别方法 | |
CN116978257B (zh) | 基于轨迹预测的公路合流区冲突预警方法及*** | |
CN116013101B (zh) | 一种基于网联环境的无信号路口速度建议***和方法 | |
CN113401118B (zh) | 一种预测前车制动的驾驶辅助***及方法 | |
CN115331446B (zh) | 车辆安全行驶策略生成方法及装置、存储介质和终端 | |
CN116176616A (zh) | 一种基于增强感知的自动驾驶车行为决策*** | |
CN115440041A (zh) | 一种路侧视角下的重点车辆驾驶行为预测方法 | |
CN114267172A (zh) | 公路区段化交通冲突风险预警***及其方法 | |
CN117523840B (zh) | 一种基于数字化分析的智能车道信息管理***及方法 | |
EP4224370A1 (en) | System, server, device and method for training and using neural networks for prediction of vehicle braking distance | |
CN118070236A (zh) | 一种基于精准定位技术的设备异常检测***及方法 | |
CN113053100A (zh) | 一种公交到站时间的预估方法及装置 | |
CN118298670A (zh) | 一种智慧交通管理***及方法 | |
Raees et al. | Research Article Context-Aware Services Using MANETs for Long-Distance Vehicular Systems: A Cognitive Agent-Based Model |
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 |