一种基于跟驰场景驾驶行为的交通信息可信辨识方法技术

本发明专利技术公开了一种基于跟驰场景驾驶行为的交通信息可信辨识方法，引入了驾驶员驾驶行为特征进行可信辨识，建立了一种基于跟驰场景典型驾驶行为的可信辨识模型，分析了跟驰场景中后车会存在的典型驾驶现象，包括速度滞后和非对称驾驶，应用时通过检测跟驰场景是否出现这样的驾驶行为，给出可信概率数值，以判断交互信息是否合法，通过本发明专利技术所公开辨识方法可以有效检测车辆通信数据的异常情况，包括车辆传感器数据错误或黑客攻击篡改通信数据等情况，提高了车路协同环境下智能交通系统的安全性与可靠性。性与可靠性。性与可靠性。

【技术实现步骤摘要】
一种基于跟驰场景驾驶行为的交通信息可信辨识方法


[0001]本专利技术涉及车路协同、信息交互、行为特征识别等
，尤其涉及一种基于跟驰场景驾驶行为的交通信息可信辨识方法。

技术介绍

[0002]车路协同系统及技术是新一代智能交通系统的发展趋势，基于车
‑
车、车
‑
路的实时交互，可以实现更加高效、安全的交通组织与管理效益。如何确保交通信息交互的安全可靠，对于车路协同系统的应用具有重要意义。但是，对于当前车路协同系统的应用环境而言，其对于交通信息的可靠性需求，不能只考虑传统通信层面的可靠性和安全性，还需要结合交通业务特征来甄别交互信息的可信程度。
[0003]目前，在跟驰场景下的可信辨识
，多对跟驰场景进行运动状态角度的分析，即通过列写跟驰对跟驰场景的后车加速度进行估计，辨识方法较为简单，且只根据一个时刻的相关数据进行分析，准确度不足，受驾驶员主观影响大。

技术实现思路

[0004]本专利技术的目的是提供一种基于跟驰场景驾驶行为的交通信息可信辨识方法，能够有效检测车辆通信数据的异常情况，包括车辆传感器数据错误或黑客攻击篡改通信数据等情况，提高了车路协同环境下智能交通系统的安全性与可靠性。
[0005]本专利技术采用的技术方案为：
[0006]一种基于跟驰场景驾驶行为的交通信息可信辨识方法，包括以下步骤
[0007]S1、选定前后两车在跟驰场景下辨识交通信息可信度所依据的驾驶行为特征并采集对应跟驰数据；驾驶行为特征包括速度滞后、非对称驾驶和跟车模式；
[0008]S2、基于驾驶行为特征计算所得跟驰数据的可信概率值P；
[0009]跟驰场景为速度滞后时，跟驰数据为动态数据且包括前后两车在相同时间段内的速度序列，根据跟驰数据计算后车的速度滞后时间并基于所得速度滞后时间计算可信概率值P；
[0010]跟驰场景为非对称驾驶时，跟驰数据为动态数据且包括前车位置序列、后车加速度序列、后车速度序列、后车位置序列和车间距序列，根据跟驰数据计算后车的不对称度ASYM并基于所得不对称度ASYM计算可信概率值P；
[0011]跟驰场景为跟车模式时，跟驰数据包括跟驰动态数据和跟驰静态数据，跟驰动态数据包括前车位置序列、后车速度序列、后车位置序列和车间距序列，跟驰静态数据包括特征参数π
k
、μ
k
和∑
k
，π
k
为GMM模型第k个成分的混合系数，μ
k
为GMM模型第k个成分的平均值，∑
k
为GMM第k个成分的协方差矩阵，k∈[1，K]，K为GMM包含的高斯模型数量；跟驰静态数据的获取过程具体为：
[0012]a：获取车辆作为后车在跟驰场景下的历史速度序列[v1，...，v
L
′
]和历史车间距序列[s1，...，s
L
′
]；
[0013]b：将历史速度序列[v1，...，v
L
′
]和历史车间距序列[s1，...，s
L
′
]构成一个二元组x1，二元组表达公式如下：
[0014]x1＝(v1，s1)
T
，...，x
′
L
＝(v
L
′
，s
L
′
)
T
；
ꢀꢀꢀꢀ
(1)
[0015]c：对二元组x1进行二元GMM模型拟合，计算特征参数π
k
、μ
k
和∑
k
，k表示GMM包含的高斯模型数量；GMM公式为：
[0016][0017]S3、将可信概率值P与对应驾驶行为特征所设阈值进行比较，判定获取的驾驶数据是否可信。
[0018]进一步地，所述对二元组x1进行二元GMM模型拟合采用EM算法进行拟合，拟合过程具体为：
[0019]设置π
k
、∑
k
、μ
k
的初始值；
[0020]E步：引入隐变量γ
n，k
表示样本x
n
来源于第k个高斯模型的后验概率，计算后验概率；隐变量γ
n，k
的表达公式如下：
[0021][0022]M步：根据E步中计算的隐变量γ
n，k
计算新的π
k
、∑
k
、μ
k
；计算公式如下：
[0023][0024][0025][0026]判断ln L(π，μ，∑)是否收敛，是则算法结束，否则重复E步和M步。
[0027]进一步地，所述高斯模型数量K为2。
[0028]进一步地，所述跟驰场景为速度滞后时，跟驰动态数据的可信概率值P计算过程具体为：
[0029]211：确定序列时长T1、采样频率f1，计算序列长度L1＝T1f1；
[0030]212：获取前车速度序列[v
l1
，v
l2
，...，v
lk
，...，v
lL
]和后车速度序列[v
f1
，v
f2
，...，v
fk
，...，v
fL
]；
[0031]213：计算循环互相关序列；计算公式如下：
[0032][0033]计算速度滞后时间：计算公式如下：
[0034]t
delay
＝argmax
k
(Cor[k])
·
Δt；
ꢀꢀꢀꢀ
(8)
[0035]214：计算可信概率值P；计算公式如下：
[0036][0037]进一步地，所述跟驰场景为非对称驾驶时，跟驰动态数据的可信概率值P计算过程具体为：
[0038]221：确定序列时长T2、采样频率f2，计算序列长度L2＝T2f2；
[0039]222：获取后车速度序列[v1，...，v
L
]和后车加速度序列[a1，...，a
L
]；
[0040]223：获取前后两车车间距序列[s1，...，s
L
]；车间距序列根据前后车位置序列计算获得或采用外部设备采集获得；
[0041]224：计算以车间距序列[s1，...，s
L
]为自变量、以后车速度序列[v1，...，v
L
]为因变量的回归线，回归线上的速度值为[v
′1，...，v
′
L
]；
[0042]225：将回归线上同时满足v
k
＜v
′
k
和a
k
＞0的点的个数记为acc0，同时满足v
k
＞v
′
k
和a
k本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于跟驰场景驾驶行为的交通信息可信辨识方法，其特征在于：包括以下步骤S1、选定前后两车在跟驰场景下辨识交通信息可信度所依据的驾驶行为特征并采集对应跟驰数据；驾驶行为特征包括速度滞后、非对称驾驶和跟车模式；S2、基于驾驶行为特征计算所得跟驰数据的可信概率值P；跟驰场景为速度滞后时，跟驰数据为动态数据且包括前后两车在相同时间段内的速度序列，根据跟驰数据计算后车的速度滞后时间并基于所得速度滞后时间计算可信概率值P；跟驰场景为非对称驾驶时，跟驰数据为动态数据且包括前车位置序列、后车加速度序列、后车速度序列、后车位置序列和车间距序列，根据跟驰数据计算后车的不对称度ASYM并基于所得不对称度ASYM计算可信概率值P；跟驰场景为跟车模式时，跟驰数据包括跟驰动态数据和跟驰静态数据，跟驰动态数据包括前车位置序列、后车速度序列、后车位置序列和车间距序列，跟驰静态数据包括特征参数π
k
、μ
k
和∑
k
，π
k
为GMM模型第k个成分的混合系数，μ
k
为GMM模型第k个成分的平均值，∑
k
为GMM第k个成分的协方差矩阵，k∈[1，K]，K为GMM包含的高斯模型数量；跟驰静态数据的获取过程具体为：a：获取车辆作为后车在跟驰场景下的历史速度序列[v1，...，v
L
′
]和历史车间距序列[s1，...，s
L
′
]；b：将历史速度序列[v1，...，v
L
′
]和历史车间距序列[s1，...，s
L
′
]构成一个二元组x1，二元组表达公式如下：x1＝(v1，s1)
T
，...，x
′
L
＝(v
L
′
，s
L
′
)
T
；
ꢀꢀꢀꢀ
(1)c：对二元组x1进行二元GMM模型拟合，计算特征参数π
k
、μ
k
和∑
k
，k表示GMM包含的高斯模型数量；GMM公式为：S3、将可信概率值P与对应驾驶行为特征所设阈值进行比较，判定获取的驾驶数据是否可信。2.根据权利要求1所述的基于跟驰场景驾驶行为的交通信息可信辨识方法，其特征在于：所述对二元组x1进行二元GMM模型拟合采用EM算法进行拟合，拟合过程具体为：设置π
k
、∑
k
、μ
k
的初始值；E步：引入隐变量γ
n，k
表示样本x
n
来源于第k个高斯模型的后验概率，计算后验概率；隐变量γ
n，k
的表达公式如下：M步：根据E步中计算的隐变量γ
n，k
计算新的π
k
、∑
k
、μ
k
；计算公式如下：；计算公式如下：；计算公式如下：
判断lnL(π，μ，∑)是否收敛，是则算法结束，否则重复E步和M步。3.根据权利要求1或2所述的基于跟驰场景驾驶行为的交通信息可信辨识方法，其特征在于：所述高斯模型数量K为2。4.根据权利要求1所述的基于跟驰场景驾驶行为的交通信息可信辨识方法，其特征在于：所述跟驰场景为速度滞后时，跟驰动态数据的可信概率值P计算过程具体为：211：确定序列时长T1、采样频率f1，计算序列长度L1＝T1f1；212：获取前车速度序列[v
l1
，v

【专利技术属性】
技术研发人员：张毅，晏松，史宇辰，裴欣，韩少聪，
申请(专利权)人：清华大学，
类型：发明
国别省市：