一种车联网车辆状态预测方法技术

本发明专利技术涉及一种车联网车辆状态预测方法，包括：1)获取目标车辆所处的车辆环境信息以及目标车辆前方的交通灯信息；2)根据车辆环境信息，以及目标车辆的历史状态信息预测目标车辆的车辆行为；3)根据车辆环境信息、目标车辆前方的交通灯信息和预测得到的车辆行为，结合目标车辆的历史状态信息预测车辆的状态。与现有技术相比，本发明专利技术基于车辆环境信息、以及车辆历史状态对车辆的车辆行为进行预测，再通过车辆行为对车辆的未来状态进行预测，基于车辆行为的预测更加准确，并且具有良好地扩展性，简单高效，适用大规模网络情况。

【技术实现步骤摘要】
一种车联网车辆状态预测方法
本专利技术涉及一种车辆状态预测技术，尤其是涉及一种车联网车辆状态预测方法。
技术介绍
车辆状态包括车辆的位置、速度和加速度，这三个车辆的运动属性对于车联网中车辆与车辆之间的通信，车辆与基础设施之间的通信至关重要，研究这三个运行属性是研究车联网中网络连通性的重要基础。位置关系到两个通信节点是否在互相的无限网络覆盖范围内，即两个通信节点是否可以进行通信。通信节点可以为车辆或者静止的路边基础设施。速度和加速度影响到两个通信节点在通信范围内的时长，即通信保持时长。因此车辆的位置、速度和加速度是影响车联网网络连通性的重要因素。传统的网络路由协议没有考虑到车联网中车辆位置、速度和加速度属性，难以适应车联网中车辆高度运行的特点，包括DSDV路由、DSR路由和AODV路由等经典移动Ad-hoc网络协议，Karp等人首次提出基于位置的路由协议贪婪边界的无状态路由GPSR，所有车辆节点都定期向位置服务器更新其位置信息，当源节点需要给目的节点发送数据时，向位置服务器请求目的节点位置，然后以贪婪转发模式每次选择距离目的节点最近的下一跳节点。由于其寻找下一跳时仅仅根据直线距离，没有考虑到路口障碍物的问题，GPCR对此做了一个改进，即发现路口存在节点时则直接转发给该节点，但是对路口是否存在节点难以判断，借助地图轻易判断路口是否存在节点，所以目前的主要研究热点集中在基于地图的路由协议。地理源路由GSR是一个典型的基于地图的路由协议，其也需要从位置服务器获得目的节点的位置，然后利用电子地图和位置信息通过Dijkstra算法计算源节点到目的的节点的最短路径。以上基于位置和地图的路由协议很好地利用了车辆位置进行数据转发，然而没有考虑到车辆高速移动的特性，由于车辆的位置频繁变化，转发节点和目的节点位置变动很大，使得数据转发很可能失效。GPSR协议中单跳节点的转发可能因为相邻节点的位置变动而失败，AlsaqourR等人的研究表明不准确的位置将明显降低基于位置的协议的效率，并针对该问题提出了一种NWLBP(Neignborwirelesslinkbreakprediction，相邻节点失效预测)来预测相邻节点的位置，然而该方法仅能解决单条相邻节点位置变动问题，不能解决目的节点变动的问题，而GPSR协议以目的节点的位置为路由导向，因此目的节点的位置至关重要。现有车辆状态预测技术主要应用于车辆免撞系统中，根据周围车辆的轨迹和速度预测其位置，HermesC等人利用车辆的历史位置信息使用轨迹预测技术预测车辆1-2s后位置。并使用轨迹分类技术，对大量车辆运行轨迹进行提取训练，将不同的轨迹划分为左转、右转等多种行为特征，然后对现有轨迹进行模式识别分类进行预测。DagdelenM,ReymondG,KemenyA,etal.Model-basedpredictivemotioncueingstrategyforvehicledrivingsimulators[J].ControlEngineeringPractice,2009,17(9):995-1003和SorstedtJ,SvenssonL,SandblomF,etal.Anewvehiclemotionmodelforimprovedpredictionsandsituationassessment[J].IntelligentTransportationSystems,IEEETransactionson,2011,12(4):1209-1219将驾驶员左转、右转和变车道等驾驶主观意向加入预测模型。anditaR,CaveneyDS.Precedingvehiclestateprediction:U.S.PatentApplication13/535,513[P].2012-6-28提出若干辆车组成的车队的车辆状态预测技术，使用了智能驾驶员模型来模拟跟车行为。HouenouA,BonnifaitP,CherfaouiV,etal.Vehicletrajectorypredictionbasedonmotionmodelandmaneuverrecognition[C]//IntelligentRobotsandSystems(IROS),2013IEEE/RSJInternationalConferenceon.IEEE,2013:4363-4369结合轨迹预测技术和车辆行为识别技术来实现车辆轨迹预测技术，车辆行为识别技术包括保持车道、变换车道和转向等，可使用有限自动状态自动机模型或驾驶上下文识别技术。此类预测技术仅考虑四周的车辆，数量小，要求更高的精确度。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种车联网车辆状态预测方法。本专利技术的目的可以通过以下技术方案来实现：一种车联网车辆状态预测方法，包括：1)获取目标车辆所处的车辆环境信息以及目标车辆前方的交通灯信息；2)根据车辆环境信息，以及目标车辆的历史状态信息预测目标车辆的车辆行为；3)根据车辆环境信息、目标车辆前方的交通灯信息和预测得到的车辆行为，结合目标车辆的历史状态信息预测车辆的状态。所述车辆所处的车辆环境信息具体为：Road＝(longc,inserction,vehicles)其中：Road为车辆环境信息，longc为目标车辆与前方路口之间的距离，inserction为目标车辆的前方路口信息，vehicles为目标车辆的前方车辆信息；所述前方路口信息具体为：inserction＝(locations,lanes)其中：locations为前方路口的位置信息，lanes为前方路口处各交汇道路的车道数据，所述前方路口的位置信息具体为：locations＝[(x1,y1,θ1),(x2,y2.θ2),(x3,y3,θ3),(x4,y4,θ4)]其中：xi为前方路口第i个顶点的经度，yi为前方路口第i个顶点的纬度，θi为前方路口第i个顶点处两条交汇道路的夹角，此处的i表示路口顶点的序号，所述前方路口处各交汇道路的车道数据具体为：lanes＝[(forw1,rev1),(forw2,rev2),(forw3,rev3),(forw4,rev4)]其中：forwi为前方路口第i条道路的正向车道信息，revi为前方路口第i条道路的反向车道信息，此处的i表示道路的序号；所述前方车辆信息具体为：vehicles＝[(S1,laneS1),(S2,laneS2),…(Si,laneSi),…(Sn,laneSn)]其中：Si为前方车辆中第i辆车辆的当前状态，laneSi为前方车辆中第i辆车辆所处的车道信息；所述交通灯信息具体为：Light＝(sequence,longL)其中：Light为交通灯信息，longL为交通灯与目标车辆之间的距离，sequence为之后设定时间Δt内的交通灯序列，具体为：sequence＝[(color1,time1),…(colori，timei),…(colorm，timem)]其中：timei为colori的持续时间，colori为交通灯的颜色状态，colori∈{red,green,yellow}。所述步骤2)具体包括步骤：201)判断目标车辆行至前方路口的时间是否本文档来自技高网...

【技术保护点】
一种车联网车辆状态预测方法，其特征在于，包括：1)获取目标车辆所处的车辆环境信息以及目标车辆前方的交通灯信息；2)根据车辆环境信息，以及目标车辆的历史状态信息预测目标车辆的车辆行为；3)根据车辆环境信息、目标车辆前方的交通灯信息和预测得到的车辆行为，结合目标车辆的历史状态信息预测车辆的状态。

【技术特征摘要】
1.一种车联网车辆状态预测方法，其特征在于，包括：1)获取目标车辆所处的车辆环境信息以及目标车辆前方的交通灯信息；2)根据车辆环境信息，以及目标车辆的历史状态信息预测目标车辆的车辆行为；3)根据车辆环境信息、目标车辆前方的交通灯信息和预测得到的车辆行为，结合目标车辆的历史状态信息预测车辆的状态。2.根据权利要求1所述的一种车联网车辆状态预测方法，其特征在于，所述车辆所处的车辆环境信息具体为：Road＝(longc,inserction,vehicles)其中：Road为车辆环境信息，longc为目标车辆与前方路口之间的距离，inserction为目标车辆的前方路口信息，vehicles为目标车辆的前方车辆信息；所述前方路口信息具体为：inserction＝(locations,lanes)其中：locations为前方路口的位置信息，lanes为前方路口处各交汇道路的车道数据，所述前方路口的位置信息具体为：locations＝[(x1,y1,θ1),(x2,y2.θ2),(x3,y3,θ3),(x4,y4,θ4)]其中：xi为前方路口第i个顶点的经度，yi为前方路口第i个顶点的纬度，θi为前方路口第i个顶点处两条交汇道路的夹角，所述前方路口处各交汇道路的车道数据具体为：lanes＝[(forw1,rev1),(forw2,rev2),(forw3,rev3),(forw4,rev4)]其中：forwi为前方路口第i条道路的正向车道信息，revi为前方路口第i条道路的反向车道信息；所述前方车辆信息具体为：vehicles＝[(S1,laneS1),(S2,laneS2),…(Si,laneSi),…(Sn,laneSn)]其中：Si为前方车辆中第i辆车辆的当前状态，laneSi为前方车辆中第i辆车辆所处的车道信息。3.根据权利要求2所述的一种车联网车辆状态预测方法，其特征在于，所述交通灯信息具体为：Light＝(sequence,longL)其中：Light为交通灯信息，longL为交通灯与目标车辆之间的距离，sequence为之后设定时间Δt内的交通灯序列，具体为：sequence＝[(color1,time1),…(colori，timei),…(colorm，timem)]其中：timei为colori的持续时间，colori为交通灯的颜色状态，colori∈{red,green,yellow}。4.根据权利要求3所述的一种车联网车辆状态预测方法，其特征在于，所述步骤2)具体包括步骤：201)判断目标车辆行至前方路口的时间是否大于设定时间Δt，若为是，则执行步骤202)，若为否，则执行步骤205)；202)判断目标车辆所在车道前方车辆的密度是否大于设定密度阈值ρ*，若为是，则目标车辆的车辆行为的预测结果为变道，并执行步骤3)，若为否，则执行步骤203)；203)判断目标车辆与其前方车辆中最近车辆的速度差是否大于设定速度差阈值δv，若为是，则目标车辆的车辆行为的预测结果为变道，并执行步骤3)，若为否，则执行步骤204)；204)根据目标车辆与前后车辆的距离预测车辆的加减速行为，并执行步骤3)；205...

【专利技术属性】
技术研发人员：程久军，鄢晨丹，陈福臻，吴潇，杨阳，邵剑雨，廖竞学，秦鹏宇，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31