System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及车辆驾驶安全,尤其涉及一种基于预测轨迹的车辆连续换道风险预警方法及系统。
技术介绍
1、在匝道出入口以及临近交叉口的路段,车辆为了获得更快的速度或更好的驾驶空间,换道行为频繁发生。当车辆向非相邻车道进行换道时,有非连续换道与连续换道两种情况,其中连续换道是指车辆直接向非相邻车道进行换道,不会在相邻车道发生跟驰行为。驾驶员在进行连续换道时,很可能会因为视觉盲点或反应延迟造成与其他车辆碰撞,产生严重交通事故。
2、目前常见的换道风险识别有两类方法,即确定性方法和概率性方法。传统确定性方法上,研究人员主要使用碰撞时间,将获得的安全指标值与预定阈值进行比较来识别风险,如结合碰撞时间、车道时间构建新的碰撞风险函数,用于识别风险并确定目标车辆是否与周围车辆发生碰撞。新兴确定性方法上,研究人员主要使用势场理论,对车辆换道风险进行识别,如基于人工势场的风险识别算法,从理论上分析了纵向和横向势场力的耦合关系。概率性方法通常利用概率描述,通过使用车辆之间的时间和空间关系对风险水平进行建模,如利用位置的不确定性和基于距离的安全指标来识别驾驶风险。但是,目前这些方法均存在不足之处,比如确定性识别方法主要适用于向相邻车道换道的场景,且基于势场理论的模型有较多未有实际物理意义的系数通过经验赋值,导致风险识别和预警机制的准确性、客观性较弱。而概率性识别方法普遍使用专家知识来生成基于规则的车辆行为,忽视了人类驾驶员在驾驶中的个性化特征,面对实际场景的适应性较差;此外,由于目前研究的换道大多是针对非连续换道,对于风险识别的维度较低,多数
3、更重要的是,现有的风险警示系统主要根据车辆的一些实时指标判断车辆的实时风险等级,这种警示系统不具备提前预测换道车辆风险的能力,发挥作用有限,若再考虑网络延迟问题,预警中心则无法向驾驶员提前发布预警信息,驾驶员也无法及时反应。而本专利技术的优点在于能够提前预测换道车辆的风险等级并提前向驾驶员进行预警。
4、基于此,本专利技术的目的是寻找一种准确率高、精度高的车辆连续换道风险的预警方法,能够准确预测潜在的危险情况,并能尽早提供预警,以帮助驾驶员避免潜在风险。
技术实现思路
1、有鉴于此,本专利技术的目的是提供一种基于预测轨迹的车辆连续换道风险预警方法及系统,解决目前预警系统难以针对连续换道场景的应用以及准确率低、精度低,不能提前预测未来风险难以提前预警的问题。
2、本专利技术通过以下技术手段解决上述技术问题:
3、一种基于预测轨迹的车辆连续换道风险预警方法,所述风险预警方法包括:
4、s1.1,通过对车辆自身信息进行收集,得到车辆信息数据,根据收集的数据对车辆进行行驶意图预测,得到行驶意图预测结果;
5、s1.2,通过收集车辆换道信息,得到车辆换道信息数据集,根据收集的数据进行驾驶风格识别,得到驾驶风格类型;
6、s2,通过收集环境信息,得到环境信息数据集,根据行驶意图结果、驾驶风格、以及环境信息数据集进行轨迹预测得到的未来轨迹;
7、s3,根据预测的未来轨迹进行风险等级预测,即较低风险、低风险、一般风险、高风险等级划分,依据风险等级进行预警发布。
8、进一步,所述行驶意图预测结果包括:预测出产生换道意图的时刻,以及保持直行、向左换道、向右换道的行驶意图的类型。
9、进一步,所述驾驶风格类型包括:极谨慎、谨慎、正常、激进的驾驶风格;
10、进一步,所述未来轨迹预测结果包括:车辆未来的纵向横向坐标、未来纵向横向速度、未来纵向横向加速度。
11、进一步,s1.1步骤中,所述车辆自身信息为换道车辆的自身信息,所述车辆自身信息包括车辆编号、时间戳、纵横向坐标、纵横向速度、纵横向加速度;
12、s1.2步骤中,所述车辆换道信息是采集车辆产生换道意图时刻至当前时刻内的自身信息,包括车辆编号、时间戳、最大纵横向速度、最大纵横向加速度;
13、s2步骤中,所述环境信息为换道车辆与周围车辆的环境信息,所述环境信息包括车辆编号、时间戳、相对距离、相对速度、相对加速度。
14、进一步,通过贝叶斯优化门控循环单元神经网络预测模型建立行驶意图预测模型、驾驶风格识别模型、轨迹预测模型、风险预测模型分别进行行驶意图预测、驾驶风格识别、未来轨迹预测以及风险等级预测。
15、具体的,所述行驶意图预测采用行驶意图预测模型,所述模型通过采集或读取车辆自身信息作为意图识别数据集,将数据集输入贝叶斯优化的门控循环单元神经网络模型作为行驶意图识别模型;
16、具体的,所述驾驶风格分类识别采用驾驶风格识别模型,所述模型通过采集车辆换道信息作为驾驶风格数据集,将数据集输入贝叶斯优化的门控循环单元神经网络分类模型作为驾驶风格识别模型。
17、具体的,所述未来轨迹预测采用轨迹预测模型,所述模型通过采集环境信息和预测的行驶意图结果:向左换道、向右换道、识别的驾驶风格:极谨慎、谨慎、正常、激进构建出8种轨迹预测作为输入数据集,将数据集输入贝叶斯优化的门控循环单元神经网络分类模型作为轨迹预测模型。
18、具体的,所述风险等级预测采用风险等级预测模型,所述模型通过未来轨迹结果作为数据集,将数据集输入贝叶斯优化的门控循环单元神经网络分类模型作为风险等级预测模型。
19、进一步,s3步骤中所述预警发布是对车辆发布预警和提醒;
20、若车辆不具备自动驾驶能力,通过采用语音播报的形式对驾驶员进行提醒和警告,期望驾驶员取消其连续换道行为,若驾驶员坚持其连续换道行为,则预警发布模块采用语音播报的形式发布该车辆未来的风险等级,提高驾驶员的警觉性;
21、若车辆在网联环境下具备自动驾驶功能,在判断出车辆具有连续换道意图后,可通过车辆控制权从人工驾驶切换到自动驾驶,取消驾驶员连续换道的行为。
22、基于以上方法本专利技术还公开了一种基于预测轨迹的车辆连续换道风险预警系统,所述风险预警系统包括:
23、数据收集模块,所述数据收集模块用于对车辆自身信息、车辆换道信息、环境信息进行收集;
24、行驶意图预测模块,所述行驶意图预测模块基于收集的车辆自身信息采用行驶意图预测模型进行行驶意图预测,即预测出车辆产生换道意图的时刻,以及保持直行、向左换道、向右换道的行驶意图类型的结果;
25、驾驶风格识别模块,所述驾驶风格识别模块是基于收集的车辆换道信息采用驾驶风格识别模型进行极谨慎、谨慎、正常、激进驾驶风格识别;
26、轨迹预测模块,所述轨迹预测模块是收集的环境信息、预测的行驶意图结果、识别的驾驶风格采用轨迹预测模型进行轨迹预测得到的未来轨迹,包括车辆未来的坐标、未来速度、未来加速度本文档来自技高网...
【技术保护点】
1.一种基于预测轨迹的车辆连续换道风险预警方法,其特征在于,所述风险预警方法包括:
2.根据权利要求1所述的一种基于预测轨迹的车辆连续换道风险预警方法,其特征在于,所述行驶意图预测结果包括:预测出产生换道意图的时刻,以及保持直行、向左换道、向右换道的行驶意图的类型。
3.根据权利要求1所述的一种基于预测轨迹的车辆连续换道风险预警方法,其特征在于,所述驾驶风格类型包括:极谨慎、谨慎、正常、激进的驾驶风格。
4.根据权利要求1所述的一种基于预测轨迹的车辆连续换道风险预警方法,其特征在于,所诉未来轨迹预测结果包括:车辆未来的纵向横向坐标、未来纵向横向速度、未来纵向横向加速度。
5.根据权利要求1所述的一种基于预测轨迹的车辆连续换道风险预警方法,其特征在于,
6.根据权利要求1所述的一种基于预测轨迹的车辆连续换道风险预警方法,其特征在于,通过贝叶斯优化门控循环单元神经网络预测模型建立行驶意图预测模型、驾驶风格识别模型、轨迹预测模型、风险预测模型分别进行行驶意图预测、驾驶风格识别、未来轨迹预测以及风险等级预测。
7.根
8.一种基于预测轨迹的车辆连续换道风险预警系统,其特征在于,所述风险预警系统包括:
9.根据权利要求8所述的一种基于预测轨迹的车辆连续换道风险预警系统,其特征在于,所述车辆自身信息为换道车辆的自身信息,所述车辆自身信息包括车辆编号、时间戳、纵横向速度、纵横向加速度;
10.根据权利要求8所述的一种基于预测轨迹的车辆连续换道风险预警系统,其特征在于,所述行驶意图预测模型、驾驶风格识别模型、轨迹预测模型、风险预测模型均为贝叶斯优化门控循环单元神经网络预测模型。
...【技术特征摘要】
1.一种基于预测轨迹的车辆连续换道风险预警方法,其特征在于,所述风险预警方法包括:
2.根据权利要求1所述的一种基于预测轨迹的车辆连续换道风险预警方法,其特征在于,所述行驶意图预测结果包括:预测出产生换道意图的时刻,以及保持直行、向左换道、向右换道的行驶意图的类型。
3.根据权利要求1所述的一种基于预测轨迹的车辆连续换道风险预警方法,其特征在于,所述驾驶风格类型包括:极谨慎、谨慎、正常、激进的驾驶风格。
4.根据权利要求1所述的一种基于预测轨迹的车辆连续换道风险预警方法,其特征在于,所诉未来轨迹预测结果包括:车辆未来的纵向横向坐标、未来纵向横向速度、未来纵向横向加速度。
5.根据权利要求1所述的一种基于预测轨迹的车辆连续换道风险预警方法,其特征在于,
6.根据权利要求1所述的一种基于预测轨迹的车辆连续换道风险预警方法,其特征在于,通过贝...
【专利技术属性】
技术研发人员:胡兴华,陈善治,赵佳昊,刘伟,雷浩,程睿孜,周小川,张杰,王楠皓,王舟座,
申请(专利权)人:重庆交通大学,
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。