【技术实现步骤摘要】
一种车路协同环境中车辆避撞预警方法
[0001]本专利技术属于交通安全
,特别是一种车路协同环境中车辆避撞预警方法。
技术介绍
[0002]随着汽车保有量的增加,交通问题也凸显的越加严重,特别是同发达国家相比,交通安全方面依然存在较大的差距。交通问题已经成为当前研究的热点。智能交通系统(Intelligent Transportation System,ITS)是当前研究的热门课题,为日益增长的交通问题提供可能的解决方案。智能交通系统是当前多种先进技术的有效集成,例如信息技术、电子传感技术、通信技术和计算机技术等,服务于整个交通网络,为车辆提供精准实时的车辆交通服务。随着通信技术的发展,特别是随着5G的落地应用,车联网已经成为智能交通系统中的核心。
[0003]智能网联下的交通是一个巨大的交互网络,对车辆位置、速度和路线等信息进行实时交互,其中,车辆主体之间的通信是由车载电子标签通过无线识别等技术构建的一定区域内的车辆自组网。而且智能网联环境下的行车环境更加安全可靠,能更好的服务于交通中的车辆。智能网联主要通过收集车辆在行驶环境中的信息,并通过通信技术实现各个通信主体之间的信息交互。驾驶员在智能网联环境下可以获取实时的道路交通情况,以及周边环境车辆的行驶状态等信息,还可以提前获知一些道路突发事故,并进行提前处理;智能网联环境下的车辆拥有更加广阔的感知范围,为驾驶员提供更加可靠的行车环境信息以及道路交通信息,提高车辆的安全性、舒适性以及交通网络的效率。
[0004]随着V2X技术的发展,智能网联环 ...
【技术保护点】
【技术特征摘要】
1.一种车路协同环境中车辆避撞预警方法,其特征在于,所述方法包括以下步骤:步骤S1,在车路协同环境下的信号交叉口采集网联车辆的位置数据,通过车辆卫星定位提取车辆的经纬度数据;步骤S2,建立基于卡尔曼
‑
高斯联合滤波模型,对步骤S1提取的车辆卫星定位信息进行优化,具体地:通过动态阈值识别车辆定位漂移点,并使用高斯过程回归对漂移位置进行位置预测,使用预测值和真实观测值构建观测补偿量;步骤S3,利用原始车辆数据及车辆状态信息,通过构建的卡尔曼
‑
高斯联合滤波模型进行车辆位置的滤波;步骤S4,对交叉口车辆碰撞进行时间和空间上的分析,对车辆位置进行预测,之后构建考虑通信时延和定位误差的车辆横向碰撞最小安全距离;步骤S5,对车辆同时出现在交叉口碰撞区域的概率进行积分,计算车辆发生碰撞的概率,之后与预警阈值对比,判断是否进行预警操作,若概率大于预警阈值,则进行预警。2.根据权利要求1所述的车路协同环境中车辆避撞预警方法,其特征在于,步骤S2所述建立基于卡尔曼
‑
高斯联合滤波模型,对步骤S1提取的车辆卫星定位信息进行优化,具体过程包括:步骤A1,构建动态阈值Threshold:Threshold=λ
·
[v
·
Δt+0.5a
·
(Δt)2]式中,v表示速度,a表示加速度,Δt表示当前时刻车辆位置和下一时刻车辆位置的预测周期,λ表示系数;步骤A2,选取高斯核函数作为高斯过程回归的协方差函数:式中,k是正定的核函数,x为核函数的元素,x'为核函数中心,l、σ
f
、σ
n
分别为水平尺度,垂直尺度以及噪声的方差的参数,δ(x,x')表示x=x'时取1,否则取0;步骤A3,根据所述协方差函数获得观测值与预测值的联合分布,观测值y
‑3、y
‑2,y
‑1与预测值y的联合分布为:其中,y
‑3、y
‑2、y
‑1为前三个时刻的观测值,y为当前时刻的预测值;令K
*
=[k(x,x
‑3) k(x,x
‑2) k(x,x
‑1)],K
**
=k(x,x),Y=[y
‑
3 y
‑
2 y
‑1]
T
;步骤A4,根据上述得到的观测值与预测值的联合分布,得到预测值的条件分布如下:
使用预测值分布的均值作为当前时刻的预测值为:步骤A5,建立基于观测值补偿的卡尔曼滤波模型,状态量X的选取如下:X=[e n v h a w]
T
式中,e表示车辆在正东方向上的位置;n表示车辆在正北方向上的位置;v表示车辆的速度;h表示车辆的航向角,以正北方向为基准;a表示车辆的加速度;w表示车辆航向角的变化率;步骤A6,建立基于观测值补偿的卡尔曼滤波模型的状态方程跟观测方程为:X
k+1
=FX
k
+W
k+1
Z
k+1
=HX
k+1
+γΔE
k+1
+V
k+1
其中:其中:式中,W
k+1
为过程噪声,该噪声为白色高斯过程噪声,均值为零,协方差为Q;V
k+1
为观测噪声,该噪声为白色高斯过程噪声,均值为零,协方差为R;γ为观测值补偿量的系数,取值为:式中,P
t
表示t时刻车辆位置的实际观测值;P
t
‑1表示t
‑
1时刻车辆位置的实际观测值;ΔE
k
为观测值补偿量:其中,e
k
、n
k
、v
k
、h
k
分别为车辆在正东和正北方向的位置、速度和航向角的真实观测值,为使用高斯过程回归进行的预测值。3.根据权利要求2所述的车路协同环境中车辆避撞预警方法,其特征在于,步骤S3所述通过构建的卡尔曼
‑
高斯联合滤波模型进行车辆位置的滤波,具体包括:步骤B1,计算当前时刻的动态阈值;步骤B2,判断当前时刻的车辆位置与前一时刻车辆位置之差是否超出动态阈值;若超出,则执行步骤B3,否则直接执行步骤B4;步骤B3,利用前3个时刻的车辆历史位置信息进行高斯过程回归的学习,再预测当前时
刻的车辆位置信息,根据预测值和真实观测值之差构建观测补偿量;步骤B4,对卡尔曼滤波观测方程加入动态补偿即观测补偿量,利用加入观测补偿量的卡尔曼
‑
高斯联合滤波模型对车辆位置信息进行滤波优化;步骤B5,对每一时刻的车辆位置信息依次重复上述步骤。4.根据权利要求3所述的车路协同环境中车辆避撞预警方法,其特征在于,步骤S4中所述对交叉口车辆碰撞进行时间和空间上的分析,对车辆位置进行预测,具体包括:步骤C1,在道路交叉口建立直角坐标系;步骤C2,对本车和目标车辆进行t时刻后位置的预测,当前时刻,本车与目标车辆分别处于P
e,0
(x
e
,0,y
e
,0)和P
h,0
(x
h,0
,y
h,0
...
【专利技术属性】
技术研发人员:万剑,丁闪闪,姜圣,陈爱伟,刁含楼,吴岚,
申请(专利权)人:华设设计集团股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。