一种智能网联环境下交叉口碰撞风险量化方法与流程

1.本发明属于交通安全领域，涉及交叉口碰撞风险量化及交叉口轨迹预测领域，以整个交叉口平面为对象，提供一种智能网联环境下交叉口碰撞风险量化的方法。


背景技术：

2.交叉口作为城市道路的重要组成部分，具有交通组成复杂、交通行为多样、交通冲突类型及频率高，交通事故多发等特点，交叉口是制约城市道路通行效率与安全水平提升的瓶颈。因此对交叉口风险进行量化，具有比较重要的现实意义，可为后续有效预防交叉口安全事故的发生提供参考意见。
3.目前国内外针对交叉口碰撞风险进行了大量的研究。最初多通过对交叉口的渠化设计、设施条件、历史事故数据等的分析，进行交叉口安全评价，但是此类方法的评价结果是宏观且是静态的，无法适应交叉口内实时变化的交通流；朱彤等人根据安全学的概念，将风险定义为碰撞发生的概率，先后提出了交叉口侧向碰撞与追尾碰撞的风险估计模型；张珊珊等人在朱彤研究的基础上，提出了交叉口不同相序下车辆碰撞风险模型，以量化直行左转碰撞风险。这种基于概率论的风险量化方法，假设车辆的速度服从特定的分布，一定程度上无法实现对交叉口交通流的真实反映，并且不同的碰撞类型需要采用不同的模型，无法统一实现对交叉口风险的量化。张良力等人基于对速度的预测推算冲突方向上的碰撞点，根据机动车与碰撞点之间的距离进行碰撞风险评估，提出了一种基于arma预测模型的交叉口车辆碰撞风险评估方法，该方法只能评价侧向碰撞风险，无法评价交叉口追尾碰撞风险。项红玉等人利用 bp神经网络进行驾驶员意图识别，将主车运动状态变化量的比值作为冲突严重程度指标，基于冲突严重程度下发生碰撞的概率建立风险评估模型，该模型仅考虑了主车与周围临近车之间的交互。
4.随着现代通信技术、信息技术、传感技术的快速发展，智能网联汽车、车路协同成为可能。研究表明未来将实现更高水平的自动化技术，智能网联汽车可以与驾驶员、道路上的其他车辆、路侧基础设施进行通信，通过信息共享、早期运动规划和自动控制，智能网联汽车有望显著提高交通安全。智能网联环境下实现对车辆运行轨迹准确快速的预测是实现本方法的基础。kim等人利用长短期记忆网络来预测多模态的运动模式，网络输入的是车辆的历史轨迹点。该方法依赖于训练数据，并且存在无法预测未知环境中未知风险的缺点，很难在复杂城市交叉口得以应用。gambs等人提出高阶马尔可夫模型的轨迹预测方法，该方法精度较高，但是计算开销大，很难满足智能车的实时性要求。乔少杰等人提出了一种基于卡尔曼滤波的动态轨迹预测算法，利用前一时刻的估计值和当前时刻的观测值更新对状态变量的估计进而对下一时刻的轨迹位置进行预测。研究表明卡尔曼滤波算法尤其适用于运动状态频繁变化、具有不确定性的轨迹数据，且实时性高。
5.目前，已有的研究多以车辆自身为主体进行交叉口碰撞风险评估，只能够实现单车的碰撞预警，难以实现整个交叉口的风险评估，无法为整个交叉口的协同控制提供指导意见，因此在智能网联汽车、车路协同环境下对交叉口的安全性提升效果甚微。


技术实现要素：

6.针对以上技术的不足，本文发明旨在提供一种能够基于实时变化的交通流、以整个交叉口平面为主体、能够对交叉口内每个位置进行风险量化的方法，能够为智能网联车辆安全控制提供技术支撑。为了实现以上目的，本文提供了一种智能网联环境下交叉口风险量化方法。
7.本发明通过以下技术方案实现，具体步骤如下：
8.步骤一、获取交叉口环境信息
9.智能网联车路协同环境下，通过路侧单元rsu获得交叉口的具体尺寸数据与交叉口平面图。
10.步骤二、实时获取交叉口交通流量与车辆运行状态数据
11.通过智能网联汽车安装的车载单元oub能够获取车路的位置信息及其运动状态，通过无线通信单元能够与路侧单元进行信息交互。需要采集的数据主要包括车辆的gps坐标信息，速度、加速度、航向角、车长、车宽。
12.步骤三、车辆位置坐标转换
13.智能网联环境下，路侧单元rsu与车载单元oub之间能够通过5g无线通信设备或专用短程通信技术dsrc进行信息交互，rsu收集交叉口范围内所有车辆的obu感知到的车辆位置信息，并且将车辆的gps位置坐标转换为平面交叉口内部坐标。
14.步骤四、采用卡尔曼滤波方法对车辆的运动轨迹进行预测
15.根据当前时刻t车辆的位置、速度、加速度信息，通过卡尔曼滤波方法得到当前时刻所有在交叉口内的车辆后续通过整个交叉口的运行轨迹。
16.步骤五、计算每辆车到达、离开其运动范围内各个位置的时刻
17.1、计算离开时间矩阵
18.在进行步骤四对车辆的运动轨迹进行预测的同时计算车辆离开其运动范围内各个点的时间。随着运动轨迹的不断预测不断迭代的过程，交叉口同一位置上该车的达到时刻被不断覆盖更新，最终得到的是车辆的离开时间矩阵。
19.2、计算到达时间矩阵
20.得到完整的车辆运动轨迹后，按照运动轨迹反向迭代，最终得到的是车辆到达时间矩阵。
21.步骤六、交叉口内各个位置处的风险值计算
22.所述的一种智能网联环境下交叉口风险量化方法，其风险值的函数表达方程如下：
[0023][0024]
其中：risk
(x,y,t)
为基于t时刻交叉口内坐标位置为(x,y)处的风险值；t_lag为所有通过该点车辆的最小时间差。
[0025]
步骤七、根据风险等级对交叉口风险可视化
[0026]
交叉口内所有位置的风险值risk计算完成后，可以根据其大小分级判断交叉口各个位置未来的安全状态。制定的交叉口风险判断规则为：
[0027][0028]
与现有技术相比，本发明考虑了实际的交通流特性，并且能够对交叉口内每个位置进行风险量化。得到交叉口内各个位置为风险等级以后，可以选择多种方式对网联人工驾驶车辆进行安全预警，对网联自动驾驶车辆进行相应的安全控制。本发明能够通过交叉口风险量化为车辆提供相应的驾驶建议，能够为智能网联车辆安全控制提供技术支撑，保证车辆在交叉口通行的安全性。
附图说明
[0029]
图1为本发明的技术路线结构图。
具体实施方式
[0030]
本发明的技术路线结构图如图1所示，下面结合附图及实施例对本发明做进一步的详细说明。
[0031]
本发明是在智能网联环境下，基于实时的交通流特性，根据车辆通过交叉口各个位置的预测最小时间差进行交叉口风险值量化，进而进行交叉口安全评价，具体步骤如下：
[0032]
步骤一、获取交叉口环境信息
[0033]
得到交叉口的长度x、宽度y，按照step＝0.1m的间隙，将交叉口平面网格化。创建当前时刻的交叉口风险矩阵risk
t
，并将其初始化为0,risk
t
的表达形式如下所示，其中i＝x/step，j＝y/step。
[0034][0035]
步骤二、实时获取交叉口交通流量与车辆运行状态数据
[0036]
记录当前时刻交叉口内车辆总数n，创建车辆的到达时间矩阵ta、离开时间矩阵t
l
，他们都是三维矩阵，用于记录每辆车到达、离开交叉口内对应点的时刻，对到达、离开时间矩阵赋初值为无穷大。
[0037]
步骤三、车辆位置坐标转换
[0038]
将车辆的gps坐标位置，转化为交叉口内部坐标。其中交叉口内部坐标系以交叉口平面图左下角位置为原点，坐标范围以交叉口实际尺寸为界限。
[0039]
步骤四、采用卡尔曼滤波方法对车辆的运动轨迹进行预测
[0040]
步骤41，根据当前t时刻车辆的位置、速度、加速度信息，通过卡尔曼滤波方法预测得到时刻车辆的位置及速度；
[0041]
步骤42，通过改变步长可以预测得到车辆通后续通过整个交叉口的运行轨迹；
[0042]
步骤43，对当前时刻交叉口内所有车辆进行同样的操作得到所有车辆的后续通过整个交叉口的运动轨迹，其中车辆的运动轨迹点为车辆中心。
[0043]
步骤五、计算每辆车到达、离开其运动范围内各个位置的时刻
[0044]
车辆的运动轨迹是其中心在平面交叉口上投影的运动轨迹。在交叉口水平面内假设车辆形状为矩阵，在交叉口边界的约束条件下，以车辆运行轨迹为中心向外扩展一个以车长、车宽为长宽的矩形范围是车辆的运动范围。时间矩阵对应被网格化以后的交叉口平面。
[0045]
1、计算离开时间矩阵
[0046]
在进行步骤四对车辆的运动轨迹进行预测的同时计算车辆离开其运动范围内各个点的时间，随着运动轨迹的不断预测不断迭代的过程，离开时间矩阵中对应交叉口内同一位置上车辆的到达时刻被不断的覆盖更新，最终得到离开时间矩阵。离开时间矩阵t
l
、第n辆车离开交叉口内每个点的到达时间矩阵t
l
(n)的表达式如下：
[0047][0048][0049]
其中t
ij
为离开坐标为(i，j)点的时刻，离开时间矩阵t
l
是一个三维矩阵，由当前时刻下交叉口范围内所有车辆的离开时间矩阵组成，其第三维度数值表明车辆编号，将离开时间矩阵赋初值为无穷大。
[0050]
2、计算到达时间矩阵
[0051]
到达时间的计算类似离开时间，按照运动轨迹反向迭代，最终得到的是车辆到达其运行范围内各个点的到达时间矩阵。
[0052]
到达时间矩阵ta、第n辆车到达交叉口内每个点的到达时间矩阵ta(n)的表达式如下，到达时间矩阵的定义与形式类似离开时间矩阵，将达到时间矩阵赋初值为无穷大：
[0053][0054][0055]
步骤六、交叉口内各个位置处的风险值计算
[0056]
1.计算时间间隔lag
[0057]
步骤61，计算第n辆车与第m辆车之间的时间差矩阵lag
nm
(k)，lag
nm
(k)是个二维矩阵，其表达式如下所示：
[0058][0059]
其中：n＝1,2,
…
,n；m＝1,2,
…
,n,且m≠n；k＝1,2,
…
，n-1。
[0060]
步骤62，对除了第n辆以外的其余n-1辆车重复以上操作，计算得到第n辆车与其他车到达交叉口同一位置的时间差lagn，lagn是个三维矩阵，其表达式如下：
[0061][0062][0063]
步骤63，令lagn中大于零的值为空，对lagn在按照第三维度取最大值，能够得到第n辆车与其他所有车辆到达交叉口内每一个位置的最小时间差min_lagn,min_lagn是个二维矩阵其表达式如下：
[0064]
[0065]
min_lagn(ij)＝max{δt
ij1
,δt
ij2
,...δt
ij(n-1)
}
[0066]
其中：min_lagn(ij)表达第n辆车在交叉口坐标为(i,j)处与其他所有车辆最小的时间差，max{} 为取最大值运算。
[0067]
步骤64，对交叉口内其余所有车辆重复以上步骤，得到交叉口内所有车辆与其他车辆到达交叉口内每一个位置的最小时间差min_lag，min_lag是个三维矩阵其表达式如下：
[0068][0069]
步骤65，对min_lag矩阵按照第三维取最大值，得到以交叉口内各个位置为基准的最小时间间隔矩阵t_lag,t_lag是一个二维矩阵其表达式如下：
[0070][0071]
lag
ij
＝max{min_lag
ij
(1),min_lag
ij
(2),...,min_lag
ij
(n),...,min_lag
ij
(n)}
[0072]
其中：lag
ij
为通过交叉口坐标位置为(i,j)的所有车辆中最小的时间间隔。
[0073]
2.计算交叉口风险值
[0074]
根据求出的t_lag，带入风险函数中计算得到交叉口风险值risk
t
。
[0075]
步骤七、根据风险等级对交叉口风险可视化
[0076]
在交叉口实际平面底图上用热力图将交叉口各个位置的风险可视化，在交叉口风险矩阵中将风险值为0处替换为空，可以在热力图上直观的看出交叉口各个位置风险值的大小。
[0077]
本发明的交叉口间隙和风险的等级划分指标可以根据具体的精度要求有所变化。需要说明的是，本发明还可有其他多种实施例，在不背离本发明实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。