一种基于贝叶斯理论的实时车辆轨迹换道点监测方法

1.本发明属于车辆安全驾驶技术领域，具体涉及一种基于贝叶斯理论的实时车辆轨迹换道点监测算法。


背景技术：

2.车辆换道行为的识别和预测是当今汽车发展领域的主要研究内容之一。跟驰和换道是车辆运行的两种基本状态。与跟驰行为相比，换道行为更容易引起与车辆之间的交互。研究发现，如果可以在车辆越过中心线之前检测到换道行为，则事故率将会显著性降低。因此及时的识别、理解和预测车辆的换道行为可以有效的避免交通事故。
3.随着车联网、车路协调技术进一步发展，交通系统监控者可获得前所未有的个体化的、高精度、高维度车辆轨迹数据。车辆的运行轨迹是在驾驶员执行一系列驾驶操作时所形成的，是生理因素、环境因素和不可观测的心理因素等综合作用的结果。一般来说只有驾驶员产生换道倾向、目标车道满足换道条件是，才有可能产生换道点；因此当前常用特殊设备监测驾驶员的操作行为和生理特性(如：眼动、心跳、头部运动、手部运动)以理解和预测车辆的驾驶行为，该方法不仅遭受低数据质量和高成本的限制，还容易遭到主动的拆除或损坏，严重制约了换道行为监测技术的发展。并且存在驾驶行为难以观测、监测设备成本高、精度低等缺点的问题。


技术实现要素：

4.本发明为解决上述驾驶行为难以观测、监测设备成本高、精度低的缺点的问题，提供一种预测结果准确度高，且可以实时监测车辆换道行为的算法。
5.本发明采用以下技术方案：
6.一种基于贝叶斯理论的实时车辆轨迹换道点监测方法，针对目标路段上的车辆，执行以下步骤，监测目标路段上的车辆在当前时刻的换道情况：
7.步骤a：针对目标路段上的车辆，基于预设采样时间间隔，获取历史时间段内t0到tn各采样时刻车辆i运行的预设轨迹数据，构成车辆i的运行轨迹数据集其中，tn为当前时刻，满足n≥2；
8.步骤b：基于车辆i的运行轨迹数据集获得车辆i在采样时刻t
θ
到tn的时间段内的纵位置坐标时间序列其中t
θ
为距离tn时刻最近一个换道点产生时刻，满足0≤t
θ
＜tn；
9.步骤c：针对目标路段上的车辆，执行步骤c1-c3，以构建车辆i在tn时刻纵位置坐标的后验预测分布进而判断车辆i在目标路段上tn时刻是否产生换道点，监测目标路段上的车辆i在当前时刻的换道情况：
10.步骤c1：首先通过以下公式，构建游程函数
[0011][0012]
式中，当车辆i在t
t
时刻开始换道时，则为0，即车辆i在t
t
时刻产生换道点；当车辆i在t
t
时刻不换道时，则为的先验信息；
[0013]
步骤c2：基于车辆i在t
θ
至t
n-1
时间段内纵位置坐标时间序列通过以下公式构建车辆i在tn时刻纵位置坐标的后验预测分布
[0014][0015]
式中，表示的upm预测；
[0016]
表示游程的后验预测分布，属于的先验信息；
[0017]
步骤c3：基于车辆i在tn时刻纵位置坐标的后验预测分布获得后验预测概率p，若车辆i在tn时刻的后验预测概率p大于预设阈值u，则预测车辆i在tn时刻产生换道点；若车辆i在tn时刻的后验预测概率p小于或等于预设阈值u，则预测车辆i在tn时刻未产生换道点。
[0018]
作为本发明的一种优选技术方案，所述步骤c2中，的upm预测即通过以下式子得到:
[0019][0020]
式中，车辆i纵位置坐标时间序列服从正态分布α，超参数为和α
′
表示α的共轭指数分布，α
′
的超参数分别为和和根据预设和逐步迭代更新得到。
[0021]
作为本发明的一种优选技术方案，所述步骤c2中，游程的后验预测分布即通过以下步骤得到:步骤1：基于车辆i纵位置坐标时间序列通过以下公式构建和的联合概率分布
[0022][0023]
式中，表示关于和的upm预测；
[0024]
是t
n-1
时刻换道点的先验信息，表示基于t
n-2
时刻换道情况车辆i在t
n-1
时刻发生换道的概率，由风险函数获得；表示预设的和的联合概率；
[0025]
步骤2：基于和的联合概率分布通过以下公式构建的后验预测分布
[0026][0027]
作为本发明的一种优选技术方案，所述预设阈值u为0.001。
[0028]
作为本发明的一种优选技术方案，所述超参数为和的初始值预设为的初始值预设为其中表示纵位置坐标时间序列的起始值。
[0029]
作为本发明的一种优选技术方案，超参数和根据下面公式获得：
[0030][0031][0032]
式中：表示车辆在tm时刻的纵坐标。
[0033]
作为本发明的一种优选技术方案，针对步骤2中，所述由风险函数获得，风险函数具体公式如下：
[0034][0035]
作为本发明的一种优选技术方案，针对步骤2中，所述的值通过以下公式设定：
[0036][0037]
式中，λ表示相邻换道点之间的平均时间间隔。
[0038]
作为本发明的一种优选技术方案，所述风险函数通过以下公式构建：
[0039][0040]
式中，表示车辆i在t
n-1
时刻换道的概率；表示车辆i在t
n-1
时刻所处的交通环境指标组成的向量，所述的交通环境指标包括t
n-1
时刻车辆i的预设各轨迹数据，以及与车辆i同车道相邻前、后车辆的预设轨迹数据；βk表示参数向量，服从正态分布，q表示交通环境指标总数。
[0041]
作为本发明的一种优选技术方案，所述风险函数可设置为
[0042]
本发明的有益效果是：本发明提供了一种基于贝叶斯理论的实时车辆轨迹换道点监测方法，方法包括获取车辆的运行轨迹数据集，以已产生的轨迹数据和历史车辆统计数据为先验信息，考虑交通环境指标对驾驶员换道行为的影响，提出了一种基于二项logit回归模型的自适应风险函数计算方法，考虑了驾驶员驾驶习惯、驾驶技能等方面的影响，最后根据基于贝叶斯理论得到车辆在tn时刻的后验预测分布，进而获得车辆在t时刻的后验预测概率，当车辆在tn时刻后验预测概率大于预设阈值时，则认为车辆tn时刻产生换道点；并且，当周边条件不满足换道条件时，则会降低风险函数，影响变点识别结果，使得监测结果更精确。该方法不仅考虑了驾驶员驾驶习惯、驾驶技能等方面的影响，而且考虑了交通环境指标对驾驶员换道行为的影响，最终结果可用指导和规范驾驶行为，降低事故的发生，提高行车安全。
附图说明
[0043]
图1为本发明实施例提供的车辆轨迹采集模拟示意图；
[0044]
图2为本发明实施例应用的ngsim直行车辆运行轨迹图；
[0045]
图3为本发明实施例应用的ngsim换道车辆运行轨迹图；
[0046]
图4为本发明实施例应用的换道车辆运行轨迹图；
[0047]
图5为本发明实施例应用的车辆运行轨迹换道点检测结果图。
具体实施方式
[0048]
下面结合附图对本发明进行进一步说明。下面的实施例可使本专业技术人员更全面地理解本发明，但不以任何方式限制本发明。
[0049]
由于受到人、车、路和环境的影响，车辆运行轨迹是动态变化的。个体驾驶员风险感知、驾驶经验、驾驶技能、车道保持能力等因素差异性，导致车辆轨迹会围绕的均值在一定范围内上下波动。当车辆由直行过程转向换道过程时，则车辆轨迹会偏离均值。定义车辆由跟驰过程向换道过程开始转换的起始点为换道点。对于从车辆的运行轨迹来说，换道点及对应轨迹的变点，在变点的两侧，分别对应车辆的两种行驶状态。因此本发明提出了一种基于贝叶斯理论的车辆实时换道行为监测方法，基于获取的车辆轨迹数据以实时检测车辆的换道行为。
[0050]
一种基于贝叶斯理论的实时车辆轨迹换道点监测方法，针对目标路段上的车辆，执行以下步骤，监测目标路段上的车辆在在当前时刻的换道情况：
[0051]
步骤a：采集数据，针对目标路段上的车辆，基于预设采样时间间隔，获取历史时间段内t0到tn各采样时刻车辆i运行的预设各轨迹数据，构成车辆i的运行轨迹数据集其中，tn为当前时刻，满足n≥2；运行轨迹数据集包括各采样时刻，即t0至tn各时刻分别对应的车辆i的预设各轨迹数据，预设各轨迹数据包括速度、纵位置坐标、横位置坐标、加速度、同车道前车速度、同车道前车纵位置坐标、同车道前车横位置坐标、同车道前车加速度；可采用的采集数据技术方法包括：北斗定位技术、车载雷达、路侧检测设备等；如图1所示，坐标轴是以车辆在目标路段初始位置为原点，车辆前进方向为y轴正方向，x轴垂直于y轴；沿着x轴变化，即表示为纵方向变化；横位置坐标是指车辆前进方向，纵位置坐标是指车道的分布方向，即x轴变化方向；所述的车辆横坐标是指车辆行驶方向，纵位置坐标是指车道的分布方向，可以通过车辆纵位置坐标的变化幅度判断是否出现换道产生点。基于采集数据还可获得目标路段上车辆的运行轨迹数据集车辆运行轨迹数据集包括预设各轨迹数据分别对应的时间序列，其中车辆的纵位置坐标时间序列其中i指代车辆。
[0052]
在本实施例中，本发明采用美国公开车辆轨迹数据集ngsim的轨迹数据，包含车辆的速度、纵、横位置坐标、加速度、车头间距、车头时距离；所述的车辆横位置坐标是指车辆行驶方向local_x，纵位置坐标是指车道的分布方向local_y，可以通过车辆纵位置坐标的变化幅度判断是否出现换道产生点；分别从ngsim的轨迹数据集中提取出330辆直行车辆和300辆换道车辆的轨迹，如图2和图3所示。
[0053]
步骤b：基于车辆i的运行轨迹数据集获得车辆i在采样时刻t
θ
到tn的时间段内的纵位置坐标时间序列其中t
θ
为距离tn时刻最近一个换道点产生时刻，满足0≤t
θ
＜tn。并且获得车辆i在采样时刻t0至tn的时间段内的纵位置坐标时间序列
[0054]
步骤c：针对目标路段上的车辆，执行步骤c1-c3，针对车辆i，其轨迹如图4所示；构建车辆i在tn时刻纵位置坐标的后验预测分布进而判断车辆i在目标路段上tn时刻是否产生换道点，监测车辆在目标路段上在当前时刻的换道情况。
[0055]
以车辆i为例，提取车辆i在t0到tn时间段内的车辆纵位置坐标时间序列，若车辆i
在t0到tn存在多个换道点，则以距离t
n-1
时刻最近一个换道点t
θ
为起始点，构建各车辆i纵位置坐标在tn时刻的后验预测分布进而判断各车辆i在目标路段上tn时刻是否为换道点；0≤t
θ
＜tn。θ为已知值，若车辆i在t0到t
n-1
之间不存在换道点，则t
θ
取值为t
n-1
。
[0056]
步骤c1：首先通过以下公式，构建游程函数
[0057][0058]
式中，当车辆i在t
t
时刻开始换道时，则为0，即车辆i在t
t
时刻产生换道点；当车辆i在t
t
时刻不换道时，则为的先验信息。t0≤t
t
＜tn,所述的t
t
时刻的分布可以表示为
[0059]
步骤c2：基于车辆i在t
θ
至t
n-1
时间段内纵位置坐标时间序列通过以下公式构建车辆i在tn时刻纵位置坐标的后验预测分布
[0060][0061]
式中，表示的upm(underlying probabilistic model)预测；表示游程的后验预测分布，属于的先验信息。为计算值，可执行步骤1至步骤2；为计算可执行步骤3。
[0062]
车辆i的游程γ
i,t-1
的后验分布通过以下步骤构建：
[0063]
步骤1：根据概率链式法则，基于车辆i纵位置坐标时间序列通过以下公式构建和的联合概率分布
[0064][0065]
式中，表示关于和的upm预测；
[0066]
是t
n-1
时刻换道点的先验信息，表示基于t
n-2
时刻换道情况车辆i在
t
n-1
时刻发生换道的概率，由风险函数获得；表示预设的和的联合概率。
[0067]
所述可以定义由风险函数h(γ
i,t-2
+1)获得，具体公式如下：
[0068][0069]
所述风险函数通过以下公式构建：
[0070][0071]
式中，表示车辆i在t
n-1
时刻换道的概率；表示车辆i在t
n-1
时刻所处的交通环境指标组成的向量，所述的交通环境指标包括t
n-1
时刻车辆i的预设各轨迹数据，以及与车辆i同车道相邻前、后车辆的预设轨迹数据；预设各轨迹数据包括速度、纵位置坐标、横位置坐标、加速度、车头间距、车头时距信息；βk表示参数向量，表示变量的回归系数，q表示交通环境指标总数。
[0072]
另外所述风险函数还可以直接设置为λ表示相邻换道点之间的平均时间间隔，即表示基于历史时间段内各相邻换道点之间的平均时间间隔，本实施例λ为1000s。
[0073]
步骤2：根据贝叶斯推论定理，基于车辆i的纵位置坐标时间序列以及和的联合概率分布通过以下公式构建的后验预测分布
[0074][0075]
另外，所述风险函数h(γ
i,t-2
+1)，还可以通过以下公式构建：
[0076][0077]
式中，λ表示相邻换道点之间的平均时间间隔,λ为1000s。
[0078]
步骤3：的upm预测即通
过以下式子得到:
[0079][0080]
式中，预设车辆i纵位置坐标时间序列服从正态分布α，超参数为和α
′
表示α的共轭指数分布，α
′
的超参数分别为和和根据预设和逐步迭代更新得到。
[0081]
所述超参数为和的初始值预设为其中表示纵位置坐标时间序列的起始值。所述超参数和根据下面公式获得：
[0082][0083][0084]
式中：表示车辆在tm时刻的纵坐标。
[0085]
步骤c3：基于车辆i在tn时刻纵位置坐标的后验预测分布获得后验预测概率p，若车辆i在tn时刻的后验预测概率大于预设阈值u，则预测车辆i在t时刻产生换道点；若车辆i在tn时刻的后验预测概率小于或等于预设阈值u，则预测车辆i在tn时刻未产生换道点。本实施例中，所述预设阈值u为0.001，检测结果如图5所示。
[0086]
由于相对于复杂驾驶行为而言，车辆的运行轨迹更易与于观测和捕捉。因此利用简单、容易获取的车辆轨迹数据研究难以观测的、复杂的驾驶行为将会是解决瓶颈问题的新途径。本发明提供的方法可以实现实时、在线的对车辆的换道行为进行监测，该方法克服了驾驶行为难以观测、监测设备成本高、精度低的缺点；本发明面向未来车路协同应用场景，以已产生的轨迹数据和历史车辆统计数据为先验信息，根据贝叶斯推论对当前时刻的后验分布进行预测，预测结果可以随着时间的变化而逐步更新；一般来说只有驾驶员产生换道倾向、目标车道满足换道条件是，才有可能产生换道点；与传统方法相比，该方法一方面基于贝叶斯车辆换道点检测算法考虑了驾驶员驾驶习惯、驾驶技能等方面的影响，另一方面考虑了交通环境指标对驾驶员换道行为的影响，该方法利用二项logit模型提出了一种自适应风险函数计算方法，当周边条件不满足换道条件时，则会降低风险函数，影响变点识别结果，使得监测结果更精确。此外，该方法是从单车的角度出发，最终结果可用指导和规范驾驶行为，降低事故的发生，提高行车安全。
[0087]
以上仅为本发明的较佳实施例，但并不限制本发明的专利范围，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。