一种车路协同环境中车辆避撞预警方法与流程

1.本发明属于交通安全技术领域，特别是一种车路协同环境中车辆避撞预警方法。


背景技术：

2.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。
3.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。
4.随着v2x技术的发展，智能网联环境下的车辆避撞预警已经展开相关研究。车联网在车辆安全领域有着先天的优势，可以很好地应用在车辆安全领域，保障行车的安全性。实验数据证明，当车辆碰撞前0.5秒进行预警时，60％的交通事故是可以避免的；如果提前1秒进行预警，90％的交通事故是可以预防的。车-车通信在交通安全方面可以发挥重要的作用，车辆在行驶过程中可以通过车-车获取周围环境车辆的信息，也可以通过车-路通信获得道路环境信息。特别是可以获取超视距或者盲区的车辆信息，如车辆速度、航向角和位置信息等，从而为行车过程中的安全性打下基础。根据智能网联环境下获取的信息，可以对车辆行驶过程中存在的碰撞风险进行评估，当车辆检测到碰撞风险时，可以通过声音或图像等信息进行预警，提示驾驶员车辆存在碰撞风险，从而减少交通安全事故的发生。
5.车辆在交通环境中是运动的，所以车辆的位置信息是预警系统的基础。车辆卫星定位是目前车辆位置获取最常用的方案。智能网联环境下，车辆的位置信息尤为关键，只有获取车辆的位置信息，才能提供相应的行车预警安全服务，车辆的位置越精确，车辆避撞预警的可靠性越高。为得到更加准确可靠的车辆卫星定位精度，滤波和信息融合是有效滤除卫星信息中的噪声并提高定位精度的方法。
6.智能网联环境下的信息交互也是车辆服务的关键。信息交互过程中的通信质量会对车辆获取信息造成影响，其中通信时延和通信丢包率是反映通信质量的两个重要指标。不同行车环境会对智能网联环境下的信息交互过程中的通信质量造成不同的影响，其中，
通信主体之间是否存在遮挡物、距离、车速等都会对通信质量造成不同的影响。因此，智能网联环境下的信息交互过程中的通信质量也会对车辆安全预警造成较大影响。
7.智能网联环境下的车辆避撞预警系统基于车辆主体之间信息交互，通过拓展车辆感知范围和盲区，进行信息融合，并预测车辆的碰撞风险，达到安全预警的目的。目前，智能网联环境下车辆前向碰撞预警研究较多，针对交叉口的侧向碰撞预警的研究还有待丰富。


技术实现要素：

8.本发明的目的在于提供一种车路协同环境中车辆避撞预警方法，即在车路协同的环境下，利用路侧信息计算推荐车速，并融入驾驶风格，提高车速引导系统对不同驾驶员的适应性。
9.实现本发明目的的技术解决方案为：一种车路协同环境中车辆避撞预警方法，所述方法包括以下步骤：
10.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；
11.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；
12.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；
13.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；
14.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。
15.一种车路协同环境中车辆避撞预警系统，所述系统包括：
16.数据采集模块，用于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；
17.优化模块，用于建立基于卡尔曼-高斯联合滤波模型，对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；
18.滤波模块，用于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；
19.安全距离构建模块，用于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；
20.预警模块，用于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。
21.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
22.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；
23.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；
24.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；
25.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；
26.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。
27.一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
28.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；
29.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；
30.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；
31.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；
32.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。
33.本发明与现有技术相比，其显著优点为：
34.1)本发明利用卡尔曼-高斯联合滤波模型，对获取到的车辆卫星定位信息进行优化和预测，使得车辆行驶过程中的预警提醒更加精确。
35.2)本发明利用v2x通信技术与安全距离模型，在车辆与路测设备之间进行实时通信的同时考虑通信延时，使得车辆行驶过程中的预警提醒更加及时。
36.下面结合附图对本发明作进一步详细描述。
附图说明
37.图1为本发明车路协同环境中车辆避撞预警方法的技术路线图。
38.图2为本发明联合滤波进行车辆位置滤波的算法流程图。
39.图3为本发明的车路协同系统工作模式图。
40.图4为本发明预警系统的判断模型图。
具体实施方式
41.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不
用于限定本技术。
42.在一个实施例中，结合图1至图4，提供了一种车路协同环境中车辆避撞预警方法，所述方法包括以下步骤：
43.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；
44.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；
45.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；
46.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；
47.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。
48.进一步地，在其中一个实施例中，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：
49.步骤a1，构建动态阈值threshold：
50.车辆行驶过程中的轨迹是连续的，车辆下一时刻的位置信息与车辆当前时刻的位置及车辆状态信息是密不可分的。车辆下一时刻的位置可以通过车辆当前时刻的位置与车辆的状态信息推算得出，所以同样可以使用当前车辆位置信息与车辆的状态信息判断下一时刻车辆位置观测值的准确性。当周期δt足够短时，我们认为当前时刻的位置与前一时刻的位置关系具体如下：
[0051][0052][0053]
式中，p
x,t
表示t时刻在东北天坐标系下东西方向上的位置；p
y,t
表示t时刻在东北天坐标系下南北方向上的位置；v
t-1
表示t-1时刻的速度；a
t-1
表示t-1时刻的加速度；表示t-1时刻的航向角(以真北方为基准)。
[0054]
本发明通过车辆位置信息和状态信息判断下一时刻的车辆位置信息的可靠性，从车辆卫星定位信息观测结果出发，设置与车辆速度及航向角等实时信息相关的动态阈值，使用动态阈值进行车辆卫星定位漂移点的识别。
[0055]
动态阈值的设置与车辆当前的行驶状态信息相关，使用车辆位置推算的增量作为基本阈值，综合考虑信号干扰、速度以及加速度传感器误差的情况下，加入阈值增强因子λ组成动态阈值，动态阈值公式如下：
[0056]
threshold＝λ
·
[v
·
δt 0.5a
·
(δt)2]
[0057]
使用动态阈值可以判断车辆卫星定位信息是否可以信任，即在车辆卫星定位过程中是否产生漂移现象，判断依据为：
[0058]
|p
t-p
t-1
|＞threshold
[0059]
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。
[0060]
车辆当前位置实际观测值与前一时刻的位置之差的绝对值大于动态阈值时，可以认为车辆当前时刻定位信号不可信任，需要使用高斯过程回归进行车辆真实位置预测；该预测值结合观测值构建补偿量，通过在卡尔曼滤波观测方程中加入动态补偿量，达到联合滤波的目的。
[0061]
考虑到车载卫星定位系统为动态定位，根据实车实验分析得出定位的精度跟车速密切相关，特别是当车速较低时，车载卫星定位精度较差，存在定位漂移现象，所以针对不同的车辆行驶状态，设置相应的阈值增强因子。根据反复的实车实验得知，当车速小于1m/s时，λ取值为3；当车速大于等于1m/s时，λ取值为1.5，动态阈值能够很好的识别车辆定位漂移点。
[0062][0063]
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；
[0064]
步骤a2，选取高斯核函数作为高斯过程回归的协方差函数：
[0065][0066]
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、σf、σn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；
[0067]
步骤a3，根据高斯过程的性质，即学习样本跟预测样本符合同一分布的特点，可以得到学习样本和预测样本的联合分布。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：
[0068][0069]
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；
[0070]
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
；
[0071]
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：
[0072][0073]
使用预测值分布的均值作为当前时刻的预测值为：
[0074][0075]
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：
[0076]
x＝[e n v h a w]
t
[0077]
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；
[0078]
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：
[0079]
x
k 1
＝fxk w
k 1
[0080]zk 1
＝hx
k 1
γδe
k 1
v
k 1
[0081]
其中：
[0082][0083][0084]
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；
[0085]
γ为观测值补偿量的系数，取值为：
[0086][0087]
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；
[0088]
δek为观测值补偿量：
[0089][0090]
其中，ek、nk、vk、hk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。
[0091]
进一步地，在其中一个实施例中，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：
[0092]
步骤b1，计算当前时刻的动态阈值；
[0093]
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；
[0094]
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；
[0095]
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；
[0096]
步骤b5，对每一时刻的车辆位置信息依次重复上述步骤。
[0097]
进一步地，在其中一个实施例中，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：
[0098]
步骤c1，在道路交叉口建立直角坐标系；
[0099]
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
(xe,0，ye,0)和p
h,0
(x
h,0
，y
h,0
)，根据车辆当前的位置，以及车辆的当前的行驶状态信息，t时刻后车辆所处位置为：
[0100][0101][0102][0103][0104]
其中，分别为本车和目标车在交叉口坐标系下的坐标预测值；(v
e,0,x
，v
e,0,y
)，(v
h,0,x
，v
h,0,y
)分别为本车和目标车在初始时刻坐标系下速度分量；(a
e,0,x
，a
e,0,y
)，(a
h,0,x
，a
h,0,y
)分别为本车和目标车在初始时刻坐标系下加速度分量；
[0105]
步骤c3，对车辆的预测值进行修正，车辆的预测值服从正态分布，及概率密度函数如下：
[0106][0107][0108]
其中，f(p
e,t
)和f(p
h,t
)分别表示本车和目标车t时刻车辆预测位置的真实值的概率密度分布函数；δ
e,x
，δ
e,y
和δ
h,x
，δ
h,y
分别表示本车和目标车在交叉口坐标系下在x轴和y轴上的协方差。
[0109]
进一步地，在其中一个实施例中，步骤s4中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，具体包括：
[0110]
最小安全距离d
msd
分为三部分，表示为：
[0111]dmsd
＝df ds d
t
[0112]
第一部分为驾驶员反应时间车辆行驶的距离，驾驶员反应时间为t
dr
，则车辆行驶距离df表示为：
[0113]df
＝v0·
t
dr
[0114]
第二部分为车辆制动距离，包括驾驶员采取制动到制动器起作用的时延t
bd
和减速度到最大的时间t
bm
，制动距离ds表示为：
[0115]ds
＝d1 d2 d3[0116]
其中，每一部分的表示为：
[0117]
d1＝v0·
t
bd
[0118][0119][0120]
其中，v0表示车辆的初始速度，a
max
表示车辆最大制动减速度，直到车辆的速度为零，因此车辆的制动距离化简为：
[0121][0122]
第三部分为车辆停止后两车之间的间距，将两车之间的最小间距d
t
表示为：
[0123][0124]
其中，le表示本车的长度，wh表示目标车的宽度，d
min
表示两车之间允许的最小间距；
[0125]
考虑车辆之间通信时延和定位误差，则上述最小间距表示为：
[0126][0127]
其中，d
tr
表示车辆之间通信时延造成的距离误差，δeg表示本车与目标车的定位误差；通信时延t
tr
造成的距离误差d
tr
为：
[0128]dtr
≈v0·
t
tr
[0129]
由于本车和目标车之间都存在定位误差，认为两车的定位精度一致，定位误差服从正态分布：
[0130]
δeg～n(μ,σ2)
[0131]
其中，μ取值为0，σ为定位误差的标准差；
[0132]
综上，完整的最小安全距离表示为：
[0133][0134]
进一步地，在其中一个实施例中，步骤s5所述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，计算公式为：
[0135][0136]
其中，y 和y-为交叉口碰撞区域的上边界和下边界，x 和x-分别为交叉口碰撞区域的右边界和左边界；p
t
为t时刻两车在交叉口碰撞区域发生碰撞的概率。
[0137]
进一步地，在其中一个实施例中，结合最小安全距离，所述车辆发生碰撞的概率计算公式中的t表示为：
[0138]
t＝d
msd
/v0。
[0139]
在一个实施例中，提供了一种车路协同环境中车辆避撞预警系统，所述系统包括：
[0140]
数据采集模块，用于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；
[0141]
优化模块，用于建立基于卡尔曼-高斯联合滤波模型，对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；
[0142]
滤波模块，用于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；
[0143]
安全距离构建模块，用于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；
[0144]
预警模块，用于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。
[0145]
关于车路协同环境中车辆避撞预警系统的具体限定可以参见上文中对于车路协同环境中车辆避撞预警方法的限定，在此不再赘述。上述车路协同环境中车辆避撞预警系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0146]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
[0147]
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；
[0148]
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；
[0149]
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；
[0150]
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；
[0151]
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。
[0152]
关于每一步的具体限定可以参见上文中对于车路协同环境中车辆避撞预警方法的限定，在此不再赘述。
[0153]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0154]
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；
[0155]
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；
[0156]
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；
[0157]
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；
[0158]
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。
[0159]
关于每一步的具体限定可以参见上文中对于车路协同环境中车辆避撞预警方法的限定，在此不再赘述。
[0160]
本发明综合考虑车辆卫星定位精度和通信质量对预警造成的影响，通过基于卡尔曼-高斯的联合滤波方法对车辆卫星定位进行优化，对通信丢包情况下目标车辆进行位置预测，并通过考虑定位误差和通信时延的最小安全距离计算车辆在交叉口碰撞区域的碰撞概率，从而达到预警的目的。本发明拓宽车辆避撞预警方法的思路，是从车辆卫星定位和车辆之间的通信出发，为车辆在交叉口环境下避撞预警性能的提升提供理论基础。
[0161]
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。