车联网中基于车间距离概率分布的碰撞预测方法

暂无

车联网中基于车间距离概率分布的碰撞预测方法\n技术领域\n[0001] 本发明属于智能交通系统的车联网技术领域，具体涉及一种在紧急情况下基于车间距概率分布的多车碰撞预测方法。车辆碰撞预测方法，可以用于实时计算单独车辆行驶的安全系数，也可以用于评估整条路段在遭遇突发事故时引发次生碰撞的风险。\n背景技术\n[0002] 近年来，车联网(Vehicular Ad-hoc Network,VANET)作为智能交通领域中一种新兴技术引起了众多汽车厂商和学者的广泛关注，联邦通讯委员会(Federal Communication Commission，FCC)专门为车联网应用分配了75MHz的通信频段。在VANET中,每个移动车辆均具备无线通信的能力，正常情况下周期性广播包含自身运动状态和GPS位置信息的Beacons消息，当车辆遭遇危险情形时会触发并广播警告消息。通过实时分享各自运动状态和及时告知危险事件达到提高行车安全的目的。\n[0003] 基于车联网技术，实时预测相邻车辆碰撞概率是智能交通领域中的一项强烈需求，可以有效保障和提高道路交通的安全。目前常见预测碰撞的方法大部分是基于车辆GPS定位技术，通过Beacon消息获取周围车辆的位置信息，结合自身GPS坐标计算相对车距。同时根据相邻车辆的运动状态计算是否会发生碰撞。由于当前车载GPS定位系统存在较大误差，造成此类预测车辆碰撞的方法可靠性较差。尤其在GPS信号覆盖不到或者信号较弱的路段，此类方法将会失去作用。\n[0004] 虽然文献[C.Garcia-Costa,etc,“A stochastic model for chain collisions of vehicles equipped with vehicular communications”,IEEE Transactions on Intelligent Transportation Systems,vol.13,no.2,Jun.2012]给出了一种预测车辆连环碰撞的随机模型，但是由于该模型中各种输入变量均假设为随机变量，无法有效应用到实际车联网中实时预测多车碰撞的问题。为了摆脱对GPS定位精度强依赖，本发明首次采用基于车间距概率分布的方法来预测车辆的碰撞事件，并充分利用车联网中的两类消息的作用，提高的预测碰撞的准确度。\n发明内容\n[0005] 本发明目的在于提供一种在紧急情况下基于车间距概率分布的多车碰撞预测方法，有效提高车联网中行车碰撞预测的准确度，保障了道路交通安全，同时摆脱了GPS定位精度不足的制约，实用范围更广。\n[0006] 为了解决现有技术中的这些问题，本发明提供的技术方案是：\n[0007] 一种车联网中基于车间距离概率分布的碰撞预测方法，假设车联网整个路段上共有N辆编号依次为V1,V2,...,VN的车相继前行，每一个移动车辆均具备无线发射和接受信息的能力，其特征在于所述方法包括以下步骤：\n[0008] (1)车辆周期性的向邻居车辆广播包含自身实时运动状态的Beacons消息，其中实时运动状态信息包括速度v,加速度a,运动方向以及GPS位置向量X；\n[0009] (2)车联网中的每个车辆通过解析来自邻居车辆的Beacons消息，获取周围环境中邻居车辆的实时运动状态信息，动态计算周围环境的车辆分布密度λ，构建车间距概率分布模型；\n[0010] (3)前后相邻同向行驶的车辆Vi-1和Vi根据两者的最新速度vi-1和vi、加速度ai-1和ai、最大刹车速度amax,i-1和amax,i，根据物理学运动模型动态计算两者同时紧急刹车情况下为避免碰撞所需保持的最小安全距离dms；\n[0011] (4)根据车辆Vi与前方相邻车辆Vi-1的车间距概率分布模型，计算相邻两车发生碰撞的概率；所述Vi和Vi-1发生碰撞的概率即为Vi与Vi-1的车间距小于最小安全间距dms的概率；1<＝i<＝N；\n[0012] (5)根据相邻两车发生碰撞的概率构建多车辆发生碰撞的Markov链和状态转移矩阵，评估整个路段某时刻发生车辆碰撞次数的期望。\n[0013] 优选的技术方案是：所述方法步骤(2)中邻居车辆的Beacons消息解析出来的GPS位置向量数据用于局部计算周围环境的实时车辆分布密度λ；通过侦听范围内最前和最后的两个邻居车辆GPS位置向量计算车辆的感知范围总长度L,各个车辆进而可以实时计算出所处局部环境的车辆分布密度λ＝N/L。\n[0014] 优选的技术方案是：所述方法步骤(3)中前后相继行驶车辆Vi-1和Vi的刹车延迟tres包含接受到前方事故车辆Vj触发的告警消息传输延迟和司机采取紧急刹车的反应延迟两部分。\n[0015] 优选的技术方案是：相邻车辆Vi-1和Vi的最小安全行驶距离dms的计算方法根据刹车延迟tres结束时刻两车的初始运动状态，分为三种情况：\n[0016] i)j＝i-1,即Vi-1为车队中首先触发告警消息并向后传输的车辆；\n[0017] ii)j＜i-1,且刹车延迟tres结束时刻Vi的速度大于Vi-1的速度；\n[0018] iii)j＜i-1,且刹车延迟tres结束时刻Vi的速度小于等于Vi-1的速度。\n[0019] 优选的技术方案是：所述方法中当其中编号为Vj的车遭遇紧急事故并将此告警消息向后广播，后继的N-j辆车在收到此消息后几乎同时采取紧急刹车动作会引发连环的多车碰撞，基于后续车辆发生连环碰撞过程的所有状态，构建包含了(N-j+1)(N-j+2)/2种状N-j\n态的齐次Markov链和对应的状态转移矩阵P；通过N-j次自乘运算生成新矩阵P 。矩阵N-j\n元素P (1,(N-j+1)(N-j+2)/2-k)表示N-j个后续车辆中最终共有k个车辆发生碰撞的概率，其中0≤k≤N-j；计算出由Vj引发的后续N-j辆车发生碰撞次数的期望。\n[0020] 优选的技术方案是：所述方法步骤(5)中构建Markov链的状态集合为C＝(c0,0,c1,0,c0,1,...,cN-j,0,cN-j-1,1,cN-j-2,2,...,c1,N-j-1,c0,N-j)，集合大小为(N-j+1)(N-j+2)/2。其中c0,0表示触发告警消息的Vj，定义为初始状态，c1,0表示从Vj往后的1辆车中有一个发生碰撞，cN-j-2,2表示从Vj开始的后续N-j辆车中有N-j-2个发生碰撞，依次类推。\n[0021] 本发明提供了一种基于车间距概率分布的高速路模型下车辆碰撞的预测方法，其特征在于所述方法包括以下步骤：(1)移动车辆通过周期性的向邻居节点广播状态信息(Beacons),获取邻居车辆当前的运动状态并计算所处环境下的车辆密度λ；(2)结合自身当前的运动状态，每个车辆动态计算在紧急刹车情况下和前方相邻车辆避免发生碰撞的最小安全行车距离；(3)根据车辆分布密度，动态更新车间距的概率分布模型。结合最小安全行车距离，计算两两相邻车辆紧急情况下发生碰撞的概率；(4)针对相同车道上同向相继行驶的多个车辆，基于连环碰撞发生的所有中间状态构建Markov链和状态转移矩阵，并计算每种最终碰撞状态发生的概率。进而评估整个路段紧急情况下发生车辆连环碰撞次数的总体期望。该方法创新度高，扩展性强，较好的弥补了当前基于车辆定位预测碰撞算法中GPS数据精度不足和不稳定的缺陷，在GPS卫星信号盲区本方法的作用尤为突出，应用前景十分广阔。\n[0022] 本发明利用车联网中周围车辆的实时运动状态信息(Beacons),动态维护相邻车间距的概率分布模型。基于相邻车辆的运动状态计算紧急状况下保证两车避免碰撞所需的最小安全距离，车间距小于最小安全距离的概率即为碰撞概率，并基于Markov链评估整个路段上多车碰撞的危险系数，提高了行车的安全度，该方法具体可以按照如下步骤进行：\n[0023] 步骤一：移动车辆周期性的向周围的车辆广播Beacons消息，同一车辆广播Beacon消息的间隔周期为0.1s。Beacon消息包含了当前车辆最新的运动状态信息，具体包括速度v,加速度a,运动方向以及GPS位置向量X。通过侦听来自周围邻居车辆的Beacons消息，可以获取周围车辆的上述信息。\n[0024] 步骤二：计算各自感知范围总长度L＝|Xhead-Xlast|和周围环境中车辆分布密度λ＝N/L。其中Xhead和Xlast表示车辆侦听范围内的最前和最后两个邻居车辆的GPS位置向量，均从邻居车辆的Beacon消息中解析出来，N表示侦听范围内邻居总数；\n[0025] 步骤三：假设前后相邻同向行驶的车辆Vi-1和Vi同时收到来前方危险车辆\nVj,j≤i-1触发的警告消息均立即采取紧急刹车，Vi根据自身和其前驱车辆Vi-1的最新速度vi和vi-1、加速度ai-1和ai、最大刹车速度amax,i和amax,i-1，按照物理学运动模型(如图3所示)，计算两者同时紧急刹车情况下为避免碰撞所需保持的最小安全间距dms。为了便于分析和计算，本方法中所有车辆的最大刹车加速度均为amax。根据刹车延迟tres结束时刻前后两车的初始运动状态，dms的计算方法具体分为三种情况：\n[0026] i)j＝i-1,即Vi-1为车队中首先触发告警消息并向后传输的车辆Vj。此种情况下认为Vj(即Vi-1)立即停止，其后继车辆Vi是否与其相撞完全取决于Vi的刹车距离。此时的最小安全行车距离为：\n[0027] \n[0028] 其中v0,i表示前方事故车辆Vj触发警告消息那一刻车辆Vi的初速度。signal是信号量函数： s0表示两辆车发生碰撞的临界距离。\n[0029] ii)j＜i-1,且刹车延迟tres结束时刻Vi的速度大于Vi-1的速度，此时车辆Vi的最小安全行车距离dms,i为：\n[0030] \n[0031] iii)j＜i-1,且刹车延迟tres结束时刻Vi的速度小于等于Vi-1的速度,此时车辆Vi的最小安全行车距离只要满足大于等于碰撞发生的临界距离s0即可。\n[0032] 步骤四：一维高速路模型下车辆间距严格符合参数为λ的指数分布。按\n照步骤二中λ的计算方法，辆车Vi与前驱车辆Vi-1的车间距di的概率模型表示为\n[0033] 步骤五：车辆Vi和其前驱车辆Vi-1发生碰撞的概率转化为Vi和Vi-1的间距小于最小安全距离dms,i的概率。因此车辆Vi与Vi-1发生碰撞的概率pi可以表示为：\n[0034] \n[0035] 步骤六：针对整个路段上事故车辆Vj后续的N-j辆车的碰撞状态构建Markov链和对应的状态转移矩阵P。Markov链对应的状态集合C是C＝(c0,0,c1,0,c0,1,...,cN-j,0,cN-j-1,1,cN-j-2,2,...,c1,N-j-1,c0,N-j),连续的两个状态转移概率为步骤(3)中的两两相邻车辆发生碰撞的概率pi和非碰撞概率1-pi，其中状态集合C大小为(N-j+1)(N-j+2)/2,c0,0表示触发告警消息的Vj，定义为初始状态，c1,0表示从Vj往后的1辆车中有一个发生碰撞，cN-j-2,2表示从Vj开始的后续N-j辆车中有N-j-2个发生碰撞，依次类推,具体构建过程如图4所示。\nN-j\n[0036] 步骤七：对步骤六中构建好的状态转移矩阵P做N-j次幂运算，即P 。矩阵元素N-j\nP (1,(N-j+1)(N-j+2)/2-k)表示N-j个后续车辆中最终共有k个车辆发生碰撞的概率，也就是状态ck,N-j-k出现的概率，其中0≤k≤N-j。\n[0037] 步骤八：由车辆Vj引发的后续车辆碰撞的次数Ncolli最终为：\n[0038] \n[0039] 相对于现有技术中的方案，本发明的优点是：\n[0040] 本发明技术方案预测车辆碰撞的准确率高：由于当前GPS数据定位精度不够，基于GPS定位计算车间距的预测碰撞的方法准确率较低，本发明首次采用动态维护相邻车距的实时概率模型的方法预测车辆碰撞，取得了较高的准确率，尤其是在没有GPS信号覆盖或者信号不稳定的路段。\n[0041] 本发明技术方案可扩展性强：针对一维高速路交通模型，车间距较好地服从参数为λ指数分布。如果随着车辆移动，交通道路模型发生改变时，可以根据需要将车间距分布的概率模型替换成合适的类型(泊松分布等)，其他步骤不需要做任何改动，具有较好的可扩展性和灵活性。\n[0042] 本发明技术方案对行车安全具有现实意义：本方法除了可以实时预测单个行车紧急情况下与前车碰撞的概率，还可以针对整个路段上的多个相继行驶车辆评估紧急情况下多车碰撞的风险。\n附图说明\n[0043] 下面结合附图及实施例对本发明作进一步描述：\n[0044] 图1为本发明说明框图；\n[0045] 图2为本发明中一维高速路碰撞模型图；\n[0046] 图3为本发明中计算最小安全距离的示意图；\n[0047] 图4为本发明建立多车碰撞状态的马尔可夫链示意图；\n[0048] 图5为本发明中3辆车碰撞状态的马尔科夫链和状态转移矩阵图；\n[0049] 图6为本发明实施例仿真实验的预测碰撞准确性率图。\n具体实施方式\n[0050] 以下结合具体实施例对上述方案做进一步说明。应理解，这些实施例是用于说明本发明而不限于限制本发明的范围。实施例中采用的实施条件可以根据具体厂家的条件做进一步调整，未注明的实施条件通常为常规实验中的条件。\n[0051] 实施例\n[0052] 如图1所示，本发明提供的车联网中一种基于车间距概率分布的碰撞预测方法，所述车间距概率分布模型随行车周围邻居车辆的运动状态实时动态维护，所述方法包括以下步骤：\n[0053] (1)假设整个路段上共有N辆编号依次为V1,V2,...,VN的车相继前行，每一个移动车辆均周期性的向邻居车辆广播包含自身实时运动状态Beacons消息。通过解析来自邻居车辆的Beacons消息，获取周围环境中邻居节点的实时运动状态和车辆分布密度λ。其中运动状态信息具体包括速度v,加速度a,运动方向以及GPS位置向量X；\n[0054] (2)前后相邻同向行驶的车辆Vi-1和Vi根据两者的最新速度vi-1和vi、加速度ai-1和ai、最大刹车速度amax,i-1和amax,i，根据物理学运动模型，计算两者同时紧急刹车情况下为避免碰撞所需保持的最小安全间距dms；\n[0055] (3)车辆Vi动态更新与前方相邻车辆Vi-1的车间距分布概率模型，此处在高速路交通模型下，车间距概率上较好地符合指数分布。根据指数分布模型，Vi计算与Vi-1的车间距小于最小安全间距dms的概率，即为Vi和Vi-1发生碰撞的概率；\n[0056] (4)如果编号为Vj的车遭遇紧急事故将触发告警消息向后广播(如图2所示)，后继的N-j辆车在收到此消息采取紧急刹车。根据此N-j辆车中的每一个是否与其前方相邻车辆发生碰撞，后续车辆中发生碰撞的最终数目对应了N-j+1种情况。根据计算出的两两相邻车辆发生碰撞的概率，基于后续车辆发生连环碰撞过程的所有状态，构建包含了(N-j+1)(N-j+2)/2种状态的齐次Markov链和对应的状态转移矩阵P。通过N-j次自乘运N-j N-j\n算生成新矩阵P 。矩阵元素P (1,(N-j+1)(N-j+2)/2-k)表示N-j个后续车辆中最终共有k个车辆发生碰撞的概率，其中0≤k≤N-j。进而计算出由Vj引发的后续N-j辆车发生碰撞次数的期望。\n[0057] 所述方法步骤(1)中邻居车辆的Beacons消息解析出来的GPS位置向量数据仅用于局部计算周围环境的实时车辆密度λ。每辆车的感知范围总长度L通过L＝|Xhead-Xlast|计算，周围环境中车辆分布密度λ通过λ＝N/L计算。其中Xhead和Xlast表示侦听范围内最前和最后的两个邻居车辆的GPS位置向量，N表示侦听范围内邻居总数。\n[0058] 所述方法步骤(2)中前后相继行驶车辆Vi-1和Vi的刹车延迟tres包含接受到前方事故车辆Vj触发的告警消息传输延迟和司机采取紧急刹车的反应延迟两部分。其中告警消息的传输延迟通常采用0.1s,人的反应时间采用0.9s,即总的刹车延迟tres＝1s。\n[0059] 所述方法步骤(3)中相邻车辆Vi-1和Vi的最小安全行驶距离dms的计算方法根据刹车延迟tres结束时刻两车的初始运动状态，具体分为三种情况：\n[0060] i)j＝i-1,即Vi-1为车队中首先触发告警消息并向后传输的车辆；\n[0061] ii)j＜i-1,且刹车延迟tres结束时刻Vi的速度大于Vi-1的速度；\n[0062] iii)j＜i-1,且刹车延迟tres结束时刻Vi的速度小于等于Vi-1的速度；\n[0063] 所述方法步骤(4)中构建Markov链的状态集合为C＝(c0,0,c1,0,c0,1,...,cN-j,0,cN-j-1,1,cN-j-2,2,...,c1,N-j-1,c0,N-j),根据步骤(3)中计算出来的两两相邻车辆发生碰撞的概率p和非碰撞概率1-p，建立Markov链对应的状态转移矩阵P。其中状态集合C大小为(N-j+1)(N-j+2)/2,c0,0表示触发告警消息的Vj，定义为初始状态，c1,0表示从Vj往后的1辆车中有一个发生碰撞，cN-j-2,2表示从Vj开始的后续N-j辆车中有N-j-2个发生碰撞，依次类推。\n[0064] 本实施例的高速路车辆分布碰撞模型如图2所示。编号为V1,V2,...,VN的N辆车相继朝同一方向行驶。每辆车周期性的向周围邻居节点广播Beacons消息，其中主要包括各自最新的速度v,加速度a,运动方向以及GPS位置向量X等信息。当其中一车(假设编号为Vj)遭遇突发情况时立即停止，并紧急触发警告消息并将其向后继车辆广播。后继的N-j辆车接受到此警告消息后立即采取紧急刹车。本实施例给出预测相邻车辆发生碰撞的方法以及计算后续N-j辆车中发生碰撞总数Ncolli的过程。\n[0065] 具体的预测方法过程如下：\n[0066] 步骤一：移动车辆广播Beacons消息周期设置为0.1s。Beacon消息包含了当前车辆最新的速度v,加速度a,运动方向以及GPS位置向量X。通过侦听来自周围邻居车辆的Beacons消息，可以获取周围车辆的上述信息。\n[0067] 步骤二：每个移动车辆动态计算各自感知范围的总长度L＝|Xhead-Xlast|和周围的车辆密度λ＝N/L。其中Xhead和Xlast表示车辆各自侦听范围内最前和最后两个邻居车辆的GPS位置向量，N表示侦听范围内邻居总数；\n[0068] 步骤三：Vi-1和Vi表示位于Vj后面两相邻车辆。Vi根据自身和其前驱车辆Vi-1的最新速度vi和vi-1、加速度ai和ai-1、最大刹车速度amax,i和amax,i-1，按照物理学运动模型，计算两者同时紧急刹车情况下为避免碰撞所需保持的最小安全间距dms。为了便于分析和计算，本实施例中所有车辆具有相同的最大刹车加速度amax。根据刹车延迟tres结束时刻Vi和Vi-1的运动状态，dms,i的计算方法具体分为三种情况：\n[0069] i)j＝i-1,Vi紧随事故车辆Vj。此种情况下认为Vj(即Vi-1)立即停止，此时Vi的最小安全行车距离dms,i为：\n[0070] \n[0071] 其中刹车延迟tres＝1s,相邻车辆的发生碰撞的临界车间距离s0＝01.m，加速度\n2 2\na∈[4,8]m/s,最大刹车加速度为amax＝8m/s ，初速度v0∈[15,32]m/s；\n[0072] ii)j＜i-1,且刹车延迟tres结束初速度满足v0,i＞v0i,-1，此时车辆Vi的最小安全行车距离dms,i为：\n[0073] \n[0074] 其中的变量取值与i)中相同；\n[0075] iii)j＜i-1,且v0,i≤v0i,-1,此时车辆Vi的最小安全行车距离dms,i＝s0＝0.1m。\n[0076] 步骤四：根据步骤二中计算出来的λ值，更新辆车Vi与前驱车辆Vi-1的车间距di的概率模型\n[0077] 步骤五：计算车辆Vi和其前驱车辆Vi-1发生碰撞的概率pi为：\n[0078] \n[0079] 步骤六：为车辆Vj后续N-j辆车的碰撞状态构建Markov链和对应的状态转移矩阵P。本实施例以Vj＝VN-2为例，即触发事故的车辆Vj后面仅有2辆车VN-1和VN。此时的状态集合C＝(c0,0,c1,0,c0,1,c2,0,c1,1,c0,2),基于上述状态集合构建Markov链和状态转移矩阵P如图5所示。其中P为：\n[0080] \n[0081] 步骤七：对步骤六中构建好的状态转移矩阵P做2次幂运算，即P2。矩阵元素P2(1,2-k)表示2个后续车辆中最终共有k个车辆发生碰撞的概率，也就是状态ck,2-k出现的概率，其中0≤k≤2。\n[0082] 步骤八：由车辆Vj引发的后续车辆碰撞的次数Ncolli最终为：\n[0083] \n[0084] 以本实施例中的Vj＝VN-2以为例，则\n[0085] 为验证本发明预测车辆碰撞的准确性，本发明使用VanetMobiSim工具仿真模拟高速路模型下的车辆碰撞实验。首先使用VanetMobiSim生成记录长达一小时车辆运动轨迹的trace文件，然后在trace文件中设置100次紧急消息触发事件，按照本发明中碰撞预测方法计算每次理论碰撞期望值Ncolli，并统计实际trace文件中车辆碰撞数目。并通过多次修改生成trace文件时使用的车道长度模拟多种不同的交通负载情景。仿真实验中用到的参数如表1所示：\n[0086] 表一.仿真实验参数列表\n[0087] \n[0088] \n[0089] 实验结果如图6所示，实验结果表明，本发明基于车间距概率分布的预测碰撞准确率接近95％，对于评估行车安全性具有重大现实意义。\n[0090] 上述实例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人是能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。