基于交通轨迹数据的CAV状态判定方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种基于交通轨迹数据的CAV状态判定方法、装置、设备及介质，所述方法包括：获取若干人工驾驶车辆在实际道路交通中的轨迹数据，其中轨迹数据包括位置、速度和加速度信息；将所有人工车辆分为K个跟驰车组；根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰；根据每个跟驰车组前车和后车的轨迹数据，生成新的轨迹数据并作为与该跟驰车组对应的CAV的轨迹数据；将每个CAV替换对应跟驰车组的后车；并针对每个替换后的跟驰车组，根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定。本发明专利技术改善了CAV评估环境的真实性，可以对基于实际交通轨迹数据的CAV高风险状态进行有效判定。

【技术实现步骤摘要】
基于交通轨迹数据的CAV状态判定方法、装置、设备及介质
本专利技术属于智能交通管理与控制
，尤其涉及一种基于交通轨迹数据的CAV状态判定方法、装置、设备及介质。
技术介绍
近年来，我国公路建设取得了飞跃性的发展，截止2017年年底，公路总里程达到477.35万公里，公路运输体系在国民交通运输活动中发挥着举足轻重的作用。然而，公路基础设施快速发展的同时伴随着一系列严峻问题的产生，如交通事故、交通拥堵、油耗污染等。为解决各类交通问题，基于新兴科技手段的智能交通技术正在迅猛发展，同时也是目前最大的研究热点之一。智能交通技术所包含的智能车辆技术是典型的高新技术综合体，并且是全球交通发展领域的最新研究热点之一，其代表为CAV(ConnectedandAutomatedVehicle，网联自动驾驶汽车)。CAV技术整合了网联无线通讯技术和自动驾驶技术，能够有效降低人工驾驶车辆的反应延迟、操作失误，进而缩短车辆间的饱和车头时距，并且能够平滑车辆运行轨迹，因此被认为是改善交通安全、降低交通拥堵、减少交通排放的重要技术手段。全球发达国家以及我国政府都在积极推进该领域的研究和产业的发展。尽管CAV技术在改善交通问题方面拥有非常广阔的前景，但在当前发展落地阶段仍面临着诸多关键问题亟待解决，其中最为核心的是CAV自身的运行安全问题。现有的CAV运行评估环境绝大部分都处于较为安全的场景，缺乏对高风险状态下的车辆运行安全进行判定，因此有必要研究一种对CAV的高风险状态进行判定的方法，以促进未来CAV的安全普及与发展。>
技术实现思路
本专利技术所要解决的技术问题在于，提供一种基于交通轨迹数据的CAV状态判定方法、装置、设备及介质，可以对基于实际交通轨迹数据的CAV高风险状态进行有效判定。为实现上述技术目的，本专利技术采用如下技术方案：一种基于交通轨迹数据的CAV状态判定方法，包括以下步骤：步骤1，获取若干人工驾驶车辆在实际道路交通中的轨迹数据；其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息；步骤2，将所有人工车辆分为K个跟驰车组，每个跟驰车组包括前车和后车；根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰；根据每个跟驰车组前车和后车的轨迹数据，生成新的轨迹数据并作为与该跟驰车组对应CAV的轨迹数据；步骤3，将每个CAV替换对应跟驰车组的后车；并针对每个替换后的跟驰车组，根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定。在更优的技术方案中，所述根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰，具体的判别函数为：式中，Δvb(t)表示后车在时刻t相对于前一时刻t-1的速度变化量；F1为交通场景第一判断函数值，F′1为交通场景第二判断函数值；T为轨迹数据的记录时长；若α(1-T)＜F1＜α(T-1)，且F′1＞α(T-1)，则判别为非稳态跟驰场景；否则，判别为稳态跟驰场景；其中，α为预设的步长变化系数。在更优的技术方案中，α＝1。在更优的技术方案中，所述根据每个跟驰车组前车和后车的轨迹数据生成新的轨迹数据，具体的生成方法为：步骤A1，计算跟驰车组分别在t＝2，3，…，T各时刻的间隙误差e(t)：e(t)＝xf(t)-xb(t)-thwvb(t)；其中，xf(t)指前车在t时刻的位置，xb(t)、vb(t)分别指后车在t时刻的位置和速度，thw指在t时刻的时间间隔设置；步骤A2，令v*(t＝1)＝vb(t＝1)，按以下公式分别计算以生成在t＝2，3，…，T各时刻的新的速度v*(t)：其中，是间隙误差e(t)的导数，np、na均为与当前车辆相关的用于调整时间间隙误差的不同常系数；步骤A3，利用步骤A2得到的t＝2，3，…，T各时刻的新的车速v*(t)，根据加速度与速度之间的关系计算在t＝2，3，…，T-1各时刻的新的加速度a*(t)；根据位移与速度之间的关系计算在t＝2，3，…，T各时刻的新的位置x*(t)。在更优的技术方案中，所述根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定，具体的事故风险判定方法为：步骤B1，按以下公式计算CAV的初步判别函数值F2：其中，Δa*(t)为CAV在t时刻相对于t-1时刻的加速度变化量；步骤B2，若当前CAV对应的跟驰车组在步骤2判断得到的交通场景为稳态跟驰，则判断初步判别函数值F2是否满足F2≤β1(T-3)，如果满足则执行步骤B3，如果不满足则直接判断当前CAV为高风险状态；若当前CAV对应的跟驰车组在步骤2判断得到的交通场景为非稳态跟驰，则判断初步判别函数值F2是否满足F2≤β2(T-3)，如果满足则执行步骤B3，如果不满足则直接判断当前CAV为高风险状态；其中，β1和β2分别为稳态跟驰和非稳态跟驰的高风险直接判别系数；步骤B3，计算CAV分别在t＝2，3，…，T各时刻避免与对应跟驰车组前车碰撞所需的减速度DRAC*(t)：其中，vf(t)、v*(t)分别为前车和CAV在t时刻的车速，xf(t)和x*(t)分别为前车和CAV在t时刻的位置；步骤B4，通过查询正态分布表计算CAV在t＝2，3，…，T各时刻的瞬时风险概率CP*(t)：CP*(t)＝P(DRAC*(t)＞MADR*(t))；其中，MADR*(t)指CAV在t时刻可达的最大减速度；步骤B5，计算CAV在预设时间段内的总事故风险率：P*(k)＝1-(1-CP*(2))(1-CP*(3))(1-CP*(4))...(1-CP*(T))；其中，CP*(2)、CP*(3)、CP*(4)、…、CP*(T)分别指在时刻2、3、4、...、T各时刻的瞬时风险概率；P*(k)表示第k个跟驰车组对应的CAV的总事故风险率；步骤B6，在按前述步骤B1-B5得到所有K个跟驰车组对应的CAV的总事故风险率后，按以下公式计算CAV的进一步判别函数值F3，以进行高风险状态判定：其中，P*是所有K个跟驰车组对应的K个CAV的总事故风险率P*(k)的集合，Max(P*)、Min(P*)分别是指P*中的最大值和最小值，g为常量；若CAV的进一步判别函数值F3＝P*(k)，则该CAV运行处于高风险状态；若CAV的进一步判别函数值F3＝0，则该CAV运行未处于高风险状态。在更优的技术方案中，β1＝6，β2＝10。在更优的技术方案中，步骤1中轨迹数据的获取方法为：通过无人机航拍采集实际道路交通的视频，采用视频图像处理技术从视频中提取其中若干人工驾驶车辆的轨迹数据。本专利技术还提供一种基于交通轨迹数据的CAV状态判定装置，包括：轨迹数据获取模块，用于获取若干人工驾驶车辆在实际道路交通中的轨迹数据；其中，轨迹数据包括对应车辆在预设时间本文档来自技高网...

【技术保护点】
1.一种基于交通轨迹数据的CAV状态判定方法，其特征在于，包括以下步骤：/n步骤1，获取若干人工驾驶车辆在实际道路交通中的轨迹数据；其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息；/n步骤2，将所有人工车辆分为K个跟驰车组，每个跟驰车组包括前车和后车；/n根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰；/n根据每个跟驰车组前车和后车的轨迹数据，生成新的轨迹数据并作为与该跟驰车组对应CAV的轨迹数据；/n步骤3，将每个CAV替换对应跟驰车组的后车；并针对每个替换后的跟驰车组，根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定。/n

【技术特征摘要】
1.一种基于交通轨迹数据的CAV状态判定方法，其特征在于，包括以下步骤：
步骤1，获取若干人工驾驶车辆在实际道路交通中的轨迹数据；其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息；
步骤2，将所有人工车辆分为K个跟驰车组，每个跟驰车组包括前车和后车；
根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰；
根据每个跟驰车组前车和后车的轨迹数据，生成新的轨迹数据并作为与该跟驰车组对应CAV的轨迹数据；
步骤3，将每个CAV替换对应跟驰车组的后车；并针对每个替换后的跟驰车组，根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定。


2.根据权利要求1所述的方法，其特征在于，所述根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为稳态跟驰或者非稳态跟驰，具体的判别函数为：



式中，Δvb(t)表示后车在时刻t相对于前一时刻t-1的速度变化量；F1为交通场景第一判断函数值，F′1为交通场景第二判断函数值；T为轨迹数据的记录时长；
若α(1-T)＜F1＜α(T-1)，且F′1＞α(T-1)，则判别为非稳态跟驰场景；否则，判别为稳态跟驰场景；其中，α为预设的步长变化系数。


3.根据权利要求2所述的方法，其特征在于，α＝1。


4.根据权利要求1所述的方法，其特征在于，所述根据每个跟驰车组前车和后车的轨迹数据生成新的轨迹数据，具体的生成方法为：
步骤A1，计算跟驰车组分别在t＝2，3，…，T各时刻的间隙误差e(t)：
e(t)＝xf(t)-xb(t)-thwvb(t)；
其中，xf(t)指前车在t时刻的位置，xb(t)、vb(t)分别指后车在t时刻的位置和速度，thw指在t时刻的时间间隔设置；
步骤A2，令v*(t＝1)＝vb(t＝1)，按以下公式分别计算以生成在t＝2，3，…，T各时刻的新的速度v*(t)：



其中，是间隙误差e(t)的导数，np、na均为与当前车辆相关的用于调整时间间隙误差的不同常系数；
步骤A3，利用步骤A2得到的t＝2，3，…，T各时刻的新的车速v*(t)，根据加速度与速度之间的关系计算在t＝2，3，…，T-1各时刻的新的加速度a*(t)；根据位移与速度之间的关系计算在t＝2，3，…，T各时刻的新的位置x*(t)。


5.根据权利要求1所述的方法，其特征在于，所述根据CAV的轨迹数据和前车的轨迹数据，对该对应CAV进行事故风险判定，具体的事故风险判定方法为：
步骤B1，按以下公式计算CAV的初步判别函数值F2：



其中，Δa*(t)为CAV在t时刻相对于t-1时刻的加速度变化量；
步骤B2，若当前CAV对应的跟驰车组在步骤2判断得到的交通场景为稳态跟驰，则判断初步判别函数值F2是否满足F2≤β1(T-3)，如果满足则执行步骤B3，如果不满足则直接判断当前CAV为高风险状态；
若当前CAV对应的跟驰车组在步骤2判断得到的交通场景为非稳态跟驰，则判断初步判别函数值F2是否满足F2≤β2(T-3)，如果满...

【专利技术属性】
技术研发人员：李烨，伍丹，史云涛，谷瑞丰，刘飞，潘冰，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43