【技术实现步骤摘要】
本专利技术涉及道路交通安全，具体是一种安全场论下车辆与弱势道路使用者交互预测方法。
技术介绍
1、在城市交叉口处，尤其是无信号控制的交叉口区域,弱势道路使用者和车辆交互运行状态广泛存在，并且长时间存在安全隐患，当弱势道路使用者和车辆发生交通冲突时,轻则导致社会冲突、交通拥堵,重则造成人身危害和经济损失。考虑在该场景下，弱势道路使用者和驾驶人不恰当的交通决策对二者交互过程会产生较大影响，驾驶人驾驶车辆未能感知弱势道路使用者而未采取减速行为，或弱势道路使用者未提前感知车辆靠近而未采取避让行为，进而产生具有高风险性的人车冲突。如何挖掘出弱势道路使用者与车辆之间的交互特性和行为选择，以此对未来一段时间内的轨迹位置及风险趋势变化进行预测，将是有待解决的问题。
2、对于传统人工汽车和未来智能网联汽车而言，为了减轻行驶车辆与弱势道路使用者在交叉口的冲突风险，行业内为车辆研制了车路辅助系统如高级驾驶辅助系统、自动紧急制动系统和行人保护系统等，并得到有效地应用，收到良好的效果。然而，仅靠此类辅助设施是难以从事故发生机理角度来预防事故发生的，甚至难以有效降低人车冲突的风险。同时，学界在驾驶人穿越间隙决策、行人过街特性与轨迹预测、人车交互博弈建模、人车冲突风险等人车交互与风险识别方面的工作做了大量努力和尝试，但关于如何精准预测车辆与弱势道路使用者的交互轨迹和行为选择以及量化整个人车交互过程中的冲突风险问题并未得到真正解决。
3、基于此，本专利技术提出了一种安全场论下车辆与弱势道路使用者交互预测方法，用于提高预测车辆与弱势道路使
技术实现思路
1、为了弥补现有技术问题的不足，本专利技术的目的在于一种安全场论下车辆与弱势道路使用者交互预测方法，将车辆行驶过程与弱势道路使用者通行过程转化为动态安全势能场图，深入解构二者之间的交互行为机理，将空间提取特征信息与人车动态数据信息拼接作为输入，从时间维度进一步挖掘时间隐藏特性，精准预测交互轨迹，根据未来一段时间内的预测交互轨迹，计算风险指标—后侵入时间pet，实现对人车交互过程中的冲突风险进行量化。本专利技术提供如下技术方案：
2、一种安全场论下车辆与弱势道路使用者交互预测方法，包括以下步骤：
3、(1)通过拍摄获取交叉口视频，并对拍摄视频进行预处理，通过视频预处理判断车辆、弱势道路使用者行驶走向，提取出处于运动状态车辆、弱势道路使用者的运动参数数据；
4、(2)根据步骤(1)中提取出的同一帧下的车辆与弱势道路使用者信息，筛选出存在交互的车辆与弱势道路使用者，将筛选出的存在交互的车辆与弱势道路使用者的运动参数数据；
5、(3)将交叉口平面俯视图初始化一个n×m的网格区域，运用安全势能场理论将空间交互关系表达为每个网格受存在交互的车辆与弱势道路使用者势能场的影响，计算出步骤(2)中筛选出的每一帧视频中的每个网格的安全势能大小，每个网格的安全势能大小为存在交互的车辆与弱势道路使用者在各网格形成的势能数值之和，获得每一帧视频的安全势能场网格图；；
6、(4)基于注意力机制的cnn-gru混合神经网络构建交互预测模型，将步骤(3)中每一帧视频的安全势能场网格图作为模型输入，对模型进行训练；交互预测模型包括空间特征提取部分和时间特征提取部分，将每一帧的安全势能场网格图依次输入空间特征提取部分，输出为一个序列帧的特征向量，序列帧的特征向量与相同序列帧下的人车运动参数进行对应帧的拼接，形成“时间特征提取部分”的输入集，输入集作为“时间特征提取部分”的输入，通过编码过程、注意力机制以及解码过程，输出未来一段时间内的交互运动参数预测数据；
7、(5)实时获取交叉口视频，将每一帧视频中存在交互的车辆与弱势道路使用者的空间交互关系用安全势能场网格图表达，将安全势能场网格图输入到训练好的基于注意力机制的cnn-gru混合神经网络构建交互预测模型中，输出未来一段时间内的交互运动参数预测数据，根据未来一段时间内的交互运动参数预测数据计算得到后侵入时间pet，并根据后侵入时间pet对交互冲突进行定级。
8、所述车辆或弱势道路使用者在网格形成的势能ev计算公式如下：
9、
10、
11、
12、其中，mi为对象i的等效质量；λ.β.ζ为待定系数；a为对象i运动状态的加速度；θ为网格中心点到对象i质心所在空间坐标(x0，y0)的夹角；mi为对象i的实际质量；v为对象i运动状态的速度；l为空间网格中心点(x，y)距离对象i质心的距离。
13、所述空间特征提取部分：该部分采用卷积神经网络cnn，包括两个卷积层、两个池化层、一个全连接层，cnn中卷积层计算公式见式(4)，全连接层计算公式见式(5)：
14、
15、on,m为卷积结果矩阵的第n行第m列的数值；hj,k为卷积核的第j行第k列的数值；i为卷积输入图矩阵。
16、y＝f(w*x+b) (5)，
17、y为输出结果，即特征向量；f为激活函数；w为权重参数；x为全连接层的输入；b为偏置值。
18、所述时间特征提取部分采用编码器-解码器框架作为外部框架，并引入注意力机制，用于学习在沿时间变化时，上下文数据的变化所关注的重点信息，编码器-解码器的目标函数为：
19、
20、其中，θ为模型学习参数的集合，xn为模型输入，其为安全势能场网格图，yn为人车双方的未来实际轨迹与运动参数数值向量；n为训练集总数，pθ为在参数为θ时输入xn能够由模型得出yn的概率；
21、对于编码器encoder和解码器decoder，均选用门控循环神经网络gru来实现，模型构建见下述公式：
22、zt＝σ(wz·[ht-1，xt]) (7)，
23、rt＝σ(wr·[ht-1，xt]) (8)，
24、
25、
26、其中，zt为第t个神经元的“更新门”的输出值；rt为第t个神经元的“重置门”的输出值；ht为第t个神经元的隐藏状态；xt为第t个神经元的输入数据；为候选隐藏状态；σ和tanh为激活函数；wz、wr、w为权重矩阵，属于学习参数；初始化c0和h0均置为零向量。
27、后侵入时间pet(post-encroachment time)，计算公式如下：
28、
29、其中，tcar为右转车辆到达交互区域的时间，tvru为弱势道路使用者到达交互区域的时间，scar为车辆到达交互区域边缘的距离，lvru为弱势道路使用者到达交互区域边缘的直线长度距离，vcar和vvru分别为车辆和弱势道路使用者的运动速度。
30、根据后侵入时间pet对交互冲突进行定级包括：
31、首先，对交互冲突进行等级划分：当pet≥10s时，风险水平最低为1；当8s＜pet＜10s时，风险水平本文档来自技高网...
【技术保护点】
1.一种安全场论下车辆与弱势道路使用者交互预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种安全场论下车辆与弱势道路使用者交互预测方法，其特征在于，所述车辆或弱势道路使用者在网格形成的势能Ev计算公式如下：
3.根据权利要求1所述一种安全场论下车辆与弱势道路使用者交互预测方法，其特征在于，所述空间特征提取部分：该部分采用卷积神经网络CNN，包括两个卷积层、两个池化层、一个全连接层，CNN中卷积层计算公式见式(4)，全连接层计算公式见式(5)：
4.根据权利要求1所述一种安全场论下车辆与弱势道路使用者交互预测方法，其特征在于，所述时间特征提取部分采用编码器-解码器框架作为外部框架，并引入注意力机制，用于学习在沿时间变化时，上下文数据的变化所关注的重点信息，编码器-解码器的目标函数为：
5.根据权利要求1所述一种安全场论下车辆与弱势道路使用者交互预测方法，其特征在于，后侵入时间PET(post-encroachment time)，计算公式如下：
6.根据权利要求5所述一种安全场论下车辆与弱势道路使用者交互预测
...【技术特征摘要】
1.一种安全场论下车辆与弱势道路使用者交互预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种安全场论下车辆与弱势道路使用者交互预测方法，其特征在于，所述车辆或弱势道路使用者在网格形成的势能ev计算公式如下：
3.根据权利要求1所述一种安全场论下车辆与弱势道路使用者交互预测方法，其特征在于，所述空间特征提取部分：该部分采用卷积神经网络cnn，包括两个卷积层、两个池化层、一个全连接层，cnn中卷积层计算公式见式(4)，全连接层计算公式见式(5)：
4.根据权利要求1所述一种安全...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。