一种基于车联网的多车交互换道风险实时识别方法及预警系统

技术领域

本发明涉及汽车主动安全领域，尤其是指一种基于车联网的多车交互换道风险实时识别方法及预警系统。

背景技术

车辆的换道常伴随着多车间的行为交互，并容易引发交通安全及通行效率方面的问题。在过去的几十年间，研究人员致力于开发和改进车辆网环境下的自动驾驶车辆换道行为算法及辅助驾驶预警算法。目前，自动驾驶车辆能够在相对简单的驾驶环境中实现安全驾驶，但在复杂的多车交互情景中仍存在挑战。其主要原因在于多车交互过程中车辆的相互作用增加了轨迹风险评估及识别的难度。自动驾驶车辆在复杂交互情景下对风险的正确评估是与人类驾驶车辆安全交互的前提条件。因此，设计一种基于车联网的多车交互换道风险实时识别方法及预警系统对提升道路安全至关重要。

发明内容

本发明提出了一种基于车联网的多车交互换道风险实时识别方法及预警系统。该方法通过构建基于图的多车交互场景的表征方式，并提出了基于图的风险评估计算指标，实现了对换道车辆当前驾驶场景的综合风险评估。此方法将换道车辆与场景中的其他动态元素和静态元素视为相互作用的整体，从而综合考虑各个因素对风险的影响。同时，本发明还构建了不同天气和道路环境组合下的风险评估阈值库，并提出了阈值的动态更新机制，从而能够精细量化评估风险。最终，本发明实现了对多车换道情景下的风险进行实时评估和预警。

本发明考虑基于车联网的多车交互换道风险实时识别方法及预警系统包括信息采集模块、实时风险评估模块和风险预警模块；信息采集模块通过实时风险评估模块和风险预警模块连接。

一种考虑基于车联网的多车交互换道风险实时识别方法及预警系统，其特征在于，包括如下步骤：

a.信息采集模块包含基于网联车载终端的自车信息采集子模块和周围交通参者信息采集子模块、环境信息采集子模块，自车信息采集子模块其功能为采集自车运行状态信息、周围交通参者信息采集子模块其功能为采集情景中其他车辆的运行状态信息、环境信息采集子模块其功能为采集天气状况及道路环境信息，以上三个子模块处于并行运行模式，信息采集模块最终将各子模块采集的信息输入实时风险评估模块；

b.实时风险评估模块包含基于动态交通图的场景表征子模块、场景风险指标计算子模块、风险阈值子模块，动态交通图的场景表征子模块基于信息采集模块输入的数据，将场景信息构建为交通图结构，并将结果输入到场景风险指标计算子模块，该模块综合评估当前换道交互情景的风险等级，并将风险等级信息下发到风险阈值子模块，该模块通过阈值匹配得到当前场景的风险等级，并将风险等级下发到风险预警模块；

c.风险预警模块根据接收到的风险等级，确定风险预警信息，并进行语音预警提示。

步骤a中所述自车信息采集子模块采集的是发生换道行为的车辆的信息，包含：车辆速度、航向角、车辆坐标、行驶车道编号；周围交通参与者信息采集模块采集信息包含：自车周围半径100米范围内的车辆速度、航向角、车辆坐标、行驶车道编号，道路环境信息采集模块采集信息包含：道路边缘坐标。

步骤b中所述动态交通图的场景表征子模块执行下述步骤：

在每个时间步中构建一个交通图DTG，用于表示场景的状态。由于只考虑自车与交互情景中其他元素之间的相互作用关系，交通图DTG采用了星型拓扑结构，交通图DTG的定义如下：

交通图DTG是由一个顶点集V和一个边集E组成的加权无向图DTG＝(V,E)，顶点数计N＝|V|，边数记为M＝|E|。E中每一条边都有一对顶点v

其中，V来表示某一时刻场景中的元素。由函数g(d

其中，

其中，i代表自车，j代表其他场景元素包含车辆和车道边线,t表示当前场景对应的时刻；

由于车辆在换道过程中，在原车道和目标车道的暴露比例处于动态变化过程。因此在车辆的边界线上创建了12个点p＝{p

其中，p

当v

Δs＝Max{Δs

其中，Δs

其中，m

其中，l

约束力函数

其中，α

其中，

如果v

其中，

步骤b中所述场景风险指标计算子模块包含基于中心性函数风险指标计算子模块、基于速度一致性风险指标计算子模块以及场景综合评估指标计算子模块。

基于中心性函数的指标可以反映出单个节点在场景中的风险程度。根据权利要求3对DTG的定义，场景中每个节点的受约束程度，可采用接近度中心性函数计算。节点受约束程度越高，则驾驶负荷越大，危险发生概率越高。指标定义如下：

在一个连接的交通图中，t时刻的邻接矩阵为A

其中，n

基于速度一致性的风险指标能够反映出场景中车辆速度的波动情况。该指标通过计算车辆在当前时刻和前一时刻与周围车辆速度差的变化值，从而反映场景中多车的整体运行风险水平。速度的一致性计算公式如下：

其中，n为图的节点个数。采用度矩阵的方式来表征图中各节点的速度一致性信息，

其中，D

场景的综合评估指标是基于中心性函数的风险指标

步骤b中所述风险阈值子模块的输入值为由场景风险指标计算子模块输出的场景综合风险指标值，该模块包含先验阈值子模块、动态更新阈值子模块、阈值修正系数子模块。

所述先验阈值子模块分别提取行驶在不同的天气状况x(晴天(s)、雨天(r)、雾天(v)、雪天(n)、横风(w))及不同的行驶路段y(直线段(s)、交叉口(i)、分流段(d)、合流段(m)、交织区段(w))的历史车辆换道轨迹X条(X>200)，将不同轨迹的综合风险指标值依据天气类型和路段类型进行分类存储，分别将不同天气及路段组合情景下对应的场景综合风险指标值的50％分位数作为该情景下的安全阈值

所述动态更新阈值子模块的输入值为车辆运行过程中实时计算得出的场景综合风险指标值，并依据天气类型和路段类型进行分类存储；若某类天气及路段组合情景下对应的场景综合风险指标数量大于Δ时(Δ>6000)，触发修正系数子模块，并将该组合情景下的存储空间释放；阈值修正系数子模块将计算得出的系数值传输到先验阈值子模块，并进行阈值更新。

所述阈值修正系数子模块的输入值为动态更新阈值子模块输出的综合风险序列，并计算序列的平均值AVE

所述阈值更新执行如下步骤：在先验阈值子模块中查询对应组合情景对应的所有阈值，将阈值修正系数δ与各阈值相乘得到更新阈值。

目前已有针对交互驾驶行为的风险度量技术，大多采用TTC等可替代安全指标计算某辆车在交互过程中的风险状况。因此，没有将场景中的实体作为相互作用的整体。这会导致自动驾驶车辆在复杂的交互情景中对风险评估不准确，从而引发驾驶风险。本研究将换道车辆与场景中的其他动态元素和静态元素视为相互作用的整体，从而综合考虑各个因素对车辆换道风险的影响。同时，本发明还构建了不同天气和道路环境组合下的风险评估阈值库，并提出了阈值的动态更新机制，从而能够精细量化评估风险。最终，本发明实现了对多车换道情景下的风险进行实时评估和预警。

附图说明

图1是基于车联网的多车交互换道风险实时识别方法及预警系统

结构图；

图2是DTG拓扑结构示意图；

图3是车辆边界点和它们之间的距离示意图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

作为本发明一实施例，如图1所示基于车联网的多车交互换道风险实时识别方法及预警系统包括：信息采集模块101、实时风险评估模块105、风险预警模块115。

信息采集模块包含基于网联车载终端的自车信息采集子模块102和周围交通参者信息采集子模块103、环境信息采集子模块104，自车信息采集子模块其功能为采集自车运行状态信息、周围交通参者信息采集子模块其功能为采集情景中其他车辆的运行状态信息、环境信息采集子模块其功能为采集天气状况及道路环境信息，以上三个子模块处于并行运行模式，信息采集模块最终将各子模块采集的信息输入实时风险评估模块；

实时风险评估模块包含基于动态交通图的场景表征子模块106、场景风险指标计算子模块107、风险阈值子模块108，动态交通图的场景表征子模块基于信息采集模块输入的数据，将场景信息构建为交通图结构，并将结果输入到场景风险指标计算子模块，该模块综合评估当前换道交互情景的风险等级，并将风险等级信息下发到风险阈值子模块，该模块通过阈值匹配得到当前场景的风险等级，并将风险等级下发到风险预警模块。

场景风险指标计算子模块包含中心性函数风险指标计算子模块109、基于速度一致性风险指标计算子模块110、场景的综合评估指标计算子模块111。

风险阈值子模块包含先验阈值子模块112、动态更新阈值子模块113、阈值修正系数子模块114。

风险预警模块根据接收到的风险等级，确定风险预警信息，并进行语音预警提示。

自车信息采集子模块采集的是发生换道行为的车辆的信息，包含：车辆速度、航向角、车辆坐标、行驶车道编号，周围交通参与者信息采集模块采集信息包含：自车周围半径100米范围内的车辆速度、航向角、车辆坐标、行驶车道编号，道路环境信息采集模块采集信息包含：道路边缘坐标。

动态交通图的场景表征子模块执行下述步骤：

在每个时间步中构建一个交通图DTG，用于表示场景的状态。由于只考虑自车与交互情景中其他元素之间的相互作用关系，因此DTG采用了星型拓扑结构(如图2所示)。

交通图DTG的定义如下：

交通图是由一个顶点集V和一个边集E组成的加权无向图DTG＝(V,E)，顶点数计N＝|V|，边数记为M＝|E|。E中每一条边都有一对顶点v

其中，V来表示某一时刻场景中的元素。由函数g(d

其中，

其中，i代表自车(如3图中2所示)，j代表其他场景元素包含车辆(如图3中3所示)和道路边线(如图3中4所示)，t表示当前场景对应的时刻；

由于车辆在换道过程中，在原车道和目标车道的暴露比例处于动态变化过程。因此在车辆的边界线上创建了12个点p＝{p

其中，p

当v

Δs＝Max{Δs

其中，Δs

其中，m

其中，l

约束力函数

其中，α

其中，

如果v

其中，

基于中心性函数的指标可以反映出单个节点在场景中的风险程度。根据对DTG的定义，场景中每个节点的受约束程度，可采用接近度中心性函数计算。节点受约束程度越高，则驾驶负荷越大，危险发生概率越高。

中心性函数风险指标计算子模块中指标的定义及计算方法如下：

在一个连接的交通图中，t时刻的邻接矩阵为A

其中，n

基于速度一致性的风险指标能够反映出场景中车辆速度的波动情况。该指标通过计算车辆在当前时刻和前一时刻与周围车辆速度差的变化值，从而反映场景中多车的整体运行风险水平。

中心性函数风险指标计算子模块中的速度一致性计算公式如下：

其中，n为图的节点个数。采用度矩阵的方式来表征图中各节点的速度一致性信息，

其中，D

场景的综合评估指标是基于中心性函数的风险指标

场景的综合评估指标计算子模块计算公式如下：

风险阈值子模块的输入值为由场景风险指标计算子模块输出的场景综合风险指标值。

风险阈值子模块中的先验阈值子模块分别提取行驶在不同的天气状况x(晴天(s)、雨天(r)、雾天(v)、雪天(n)、横风(w))及不同的行驶路段y(直线段(s)、交叉口(i)、分流段(d)、合流段(m)、交织区段(w))的历史车辆换道轨迹X条(X>200)，将不同轨迹的综合风险指标值依据天气类型和路段类型进行分类存储，分别将不同天气及路段组合情景下对应的场景综合风险指标值的50％分位数作为该情景下的安全阈值

风险阈值子模块中的动态更新阈值子模块的输入值为车辆运行过程中实时计算得出的场景综合风险指标值，并依据天气类型和路段类型进行分类存储；若某类天气及路段组合情景下对应的场景综合风险指标数量大于Δ时(Δ>6000)，触发修正系数子模块，并将该组合情景下的存储空间释放；阈值修正系数子模块将计算得出的系数值传输到先验阈值子模块，并进行阈值更新；

风险阈值子模块中的阈值修正系数子模块的输入值为动态更新阈值子模块输出的综合风险序列，并计算序列的平均值AVE

阈值更新执行如下步骤：在先验阈值子模块中查询对应组合情景对应的所有阈值，将阈值修正系数δ与各阈值相乘得到更新阈值。