基于支持向量回归的隧道段自动驾驶安全速度确定方法

1.本发明属于自动驾驶安全技术领域，具体涉及一种基于支持向量回归的隧道段自动驾驶安全速度确定方法。


背景技术：

2.凭借日益成熟的硬件设备、智能软件理论与系统，自动驾驶技术配合智能网联、高精地图等新兴技术预期为提高车辆行驶安全性与驾乘舒适性，以及提升道路交通效率与通行能力等提供有效的解决途径。然而，隧道作为既有的重要道路工程建筑物，其具有的半封闭式建筑环境将对上述有益作用产生诸多直接或间接的负面影响。例如，由于隧道建筑结构遮挡，网联及定位信号减弱，自动驾驶车将主要依赖自主智能系统完成驾驶操作；由于隧道内部建筑结构容易形成视线遮挡，且隧道内光照及能见度条件受限制，自动驾驶车感知系统与接管驾驶操作后驾驶人的可获取视距条件较开阔道路差。明显地，这些负面影响将着重指向自动驾驶视距条件。
3.然而，领域内已有研究仍然处于初步阶段，主要围绕开阔道路条件下的单一或复杂线形条件，如圆曲线、纵断面线形、组合线形等，鲜有研究针对隧道路段，探讨自动驾驶在该路段环境下的行驶状态。需要注意，速度作为车辆经使用者(驾驶人或自动驾驶系统)操纵后展现的最直观行为表现之一，控制其值以满足足够的安全阈值需求对车辆行驶安全至关重要。此外，速度控制也是自动驾驶系统决策层的重要工作内容之一。还需要注意，自动驾驶系统在决策过程中需要面对庞大的多源异构数据，如隧道段道路条件、天气条件、系统条件等，采用合适的数据处理方法显得尤为重要。因此，有效地计算自动驾驶车在隧道段的安全速度成为了保证自动驾驶安全行驶亟需解决的关键问题，并具有重要的现实意义。


技术实现要素：

4.本发明的目的在于提供一种基于支持向量回归的隧道段自动驾驶安全速度确定方法，该方法有利于有效获取满足隧道段自动驾驶安全行驶要求的速度值，进而提高自动驾驶的安全性。
5.为了实现上述目的，本发明采用的技术方案是：一种基于支持向量回归的隧道段自动驾驶安全速度确定方法，包括以下步骤：
6.步骤s1、获取自动驾驶视距相关信息、隧道段设计信息与天气环境信息；
7.步骤s2、利用步骤s1获取的信息，采用虚拟测试方法获取隧道段自动驾驶有效视线距离并构建可获取视距数据库；
8.步骤s3、基于步骤s2构建的可获取视距数据库，采用主成分分析提取自动驾驶可获取视距特征参数；
9.步骤s4、利用步骤s3提取的自动驾驶可获取视距特征参数，基于支持向量机回归方法建立自动驾驶可获取视距模型；
10.步骤s5、基于步骤s4建立的自动驾驶可获取视距模型，根据视距安全原则计算隧
道段自动驾驶安全速度。
11.进一步地，步骤s1中，所述自动驾驶视距相关信息至少包括：自动驾驶车感知传感器技术参数及安装信息、自动驾驶车感知功能信息、自动驾驶车驾驶人接管反应时间、自动驾驶车预设制动减速度、自动驾驶系统或驾驶人接管后制动减速度、自动驾驶系统感知反应时间；
12.所述隧道段设计信息至少包括：隧道线形设计信息、隧道横断面设计信息、隧道横通道及平行通道设计信息，以及存在视线遮挡可能的交通标志、照明、交通监控设施位置与形状信息；
13.所述天气环境信息至少包括：天气类型，其中，当天气类型为雾天时，至少包括雾天强度等级、能见度。
14.进一步地，所述自动驾驶车感知传感器技术参数至少包括：感知传感器类型、探测距离、水平面视场角、垂面视场角、水平角度分辨率、垂直角度分辨率；
15.所述自动驾驶车感知安装信息至少包括：安装高度、安装个数；
16.所述自动驾驶车感知功能信息至少包括：静态障碍物感知算法。
17.进一步地，步骤s2的实现方法如下：
18.步骤s21、针对获取的自动驾驶视距相关信息、隧道段设计信息与天气环境信息，采用虚拟测试方法在软件环境中搭建虚拟隧道及环境模型、自动驾驶测试场景，映射真实隧道段自动驾驶行驶场景；
19.步骤s22、开展虚拟测试，获取隧道段自动驾驶有效视线距离；
20.步骤s23、利用自动驾驶视距相关信息、隧道段设计信息与天气环境信息作为数据链输入端参数集，利用隧道段自动驾驶有效视线距离作为数据链输出端参数，匹配数据链输入—输出端参数，构建可获取视距数据库。
21.进一步地，步骤s3的实现方法如下：
22.步骤s31、针对可获取数据库中的数据链输入端参数集，检验参数间相关性，根据参数值类型获取pearson、spearman或kendall相关性结果与显著性；
23.步骤s32、对参数进行kmo检验与bartlett球形检验，确保参数数据结构效度；
24.步骤s33、对参数开展主成分分析，以成分特征值大于1为提取标准，提取分别反映自动驾驶视距相关信息、隧道段设计信息与天气环境信息的主成分作为自动驾驶可获取视距特征参数，并获取成分得分系数矩阵。
25.进一步地，步骤s4的实现方法如下：
26.步骤s41、基于步骤s33得到的成分得分系数矩阵，更新可获取视距数据库中的数据链输入端参数，增加对应的可获取视距特征参数数据，并令其作为输入变量；
27.步骤s42、令与可获取视距特征参数数据匹配的隧道段自动驾驶有效视线距离，即可获取视距数据库中的数据链输出端参数，作为输出变量；
28.步骤s43、采用径向基函数作为支持向量机核函数，采用交叉验证法对支持向量机参数寻优，建立支持向量机模型；
29.步骤s44、对由输入变量与输出变量构成的样本进行归一化处理，按照7：3比例随机划分样本，分别作为模型训练集与测试集，并代入支持向量机模型训练，获取最优模型作为自动驾驶可获取视距模型。
30.进一步地，步骤s5的实现方法如下：
31.步骤s51、根据视距安全原则，令自动驾驶可获取视距sa与自动驾驶需求视距sr相等；
32.步骤s52、当自动驾驶车的驾驶自动化等级为3级时，隧道段自动驾驶安全速度v
safe
的计算公式为：
[0033][0034]
式中，ad为自动驾驶系统或驾驶人接管后制动减速度，a
dp
为自动驾驶车预设制动减速度，ts为自动驾驶系统感知反应时间，t
t
为自动驾驶车驾驶人接管反应时间，ig为隧道段道路纵坡；其中，隧道段道路上坡时，ig》0；隧道段道路下坡时，ig《0；
[0035]
当自动驾驶车的驾驶自动化等级为4或5级时，隧道段自动驾驶安全速度v
safe
的计算公式为：
[0036][0037]
与现有技术相比，本发明具有以下有益效果：
[0038]
(1)本发明利用自动驾驶视距相关信息、隧道段设计信息与天气环境信息多源异构数据作为模型输入，采用适合该类型数据的支持向量机模型计算隧道段自动驾驶安全速度，能够令本发明的计算结果更加真实有效，填补了本领域的空缺；
[0039]
(2)本发明能够基于现有自动驾驶虚拟测试技术，规避了理论推算容易造成计算结果较实际情况过于理想的弊端，同时较现场测试更能节约成本及保证测试安全性；
[0040]
(3)本发明所计算的隧道段自动驾驶安全速度能够为隧道段限速方案的制定提供理论依据，弥补了现有技术方案仅针对单一自动驾驶等级车设计运行条件进行规定，难以从道路交通管理角度提出便捷应用的管理措施的不足。
附图说明
[0041]
图1是本发明实施例提供的基于支持向量回归的隧道段自动驾驶安全速度确定方法的实现流程图；
[0042]
图2是本发明实施例中构建可获取视距数据库的流程图；
[0043]
图3是本发明实施例中提取自动驾驶可获取视距特征参数的流程图；
[0044]
图4是本发明实施例中基于支持向量机回归方法建立自动驾驶可获取视距模型的流程图。
具体实施方式
[0045]
下面结合附图及实施例对本发明做进一步说明。
[0046]
应该指出，以下详细说明都是示例性的，旨在对本技术提供进一步的说明。除非另
有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
[0047]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0048]
如图1所示，本实施例提供了一种基于支持向量回归的隧道段自动驾驶安全速度确定方法，包括以下步骤：
[0049]
步骤s1、获取自动驾驶视距相关信息、隧道段设计信息与天气环境信息。
[0050]
其中，所述自动驾驶视距相关信息至少包括：自动驾驶车感知传感器技术参数及安装信息、自动驾驶车感知功能信息、自动驾驶车驾驶人接管反应时间、自动驾驶车预设制动减速度、自动驾驶系统或驾驶人接管后制动减速度、自动驾驶系统感知反应时间。
[0051]
所述隧道段设计信息至少包括：隧道线形设计信息、隧道横断面设计信息、隧道横通道及平行通道设计信息，以及存在视线遮挡可能的交通标志、照明、交通监控设施位置与形状信息。
[0052]
所述天气环境信息至少包括：天气类型，其中，当天气类型为雾天时，至少包括雾天强度等级、能见度。
[0053]
在本实施例中，所述自动驾驶车感知传感器技术参数至少包括：感知传感器类型、探测距离、水平面视场角、垂面视场角、水平角度分辨率、垂直角度分辨率。所述自动驾驶车感知安装信息至少包括：安装高度、安装个数。所述自动驾驶车感知功能信息至少包括：静态障碍物感知算法。
[0054]
其中，自动驾驶视距相关信息能够通过现场采集或收集已有研究结果等手段获得。隧道段设计信息能够通过现场采集或由道路设计部门提供相关资料。天气环境信息能够通过现场采集或由公开天气信息数据统计分析获得。
[0055]
步骤s2、利用步骤s1获取的自动驾驶视距相关信息、隧道段设计信息与天气环境信息，采用虚拟测试方法获取隧道段自动驾驶有效视线距离并构建可获取视距数据库。
[0056]
如图2所示，步骤s2的实现方法如下：
[0057]
步骤s21、针对获取的自动驾驶视距相关信息、隧道段设计信息与天气环境信息，采用虚拟测试方法在软件环境中搭建虚拟隧道及环境模型、自动驾驶测试场景，映射真实隧道段自动驾驶行驶场景。
[0058]
其中，基于软件环境的虚拟测试方法能够依托carsim、prescan等基于场景的自动驾驶虚拟测试软件独立或联合仿真实现，上述软件的建模有效性在领域内已经获得了广泛的验证。
[0059]
步骤s22、开展虚拟测试，获取隧道段自动驾驶有效视线距离。
[0060]
其中，隧道段自动驾驶有效视线距离指的是自动驾驶车与静止障碍物间的行驶路径距离，而该障碍物为自动驾驶车能够探测到的前方隧道段内最远静止障碍物。
[0061]
步骤s23、利用自动驾驶视距相关信息、隧道段设计信息与天气环境信息作为数据链输入端参数集，利用隧道段自动驾驶有效视线距离作为数据链输出端参数，匹配数据链输入—输出端参数，构建可获取视距数据库。
[0062]
其中，可获取视距数据库的建立能够依托spss、origin、excel、matlab等数据管理软件。
[0063]
步骤s3、基于步骤s2构建的可获取视距数据库，采用主成分分析提取自动驾驶可获取视距特征参数。
[0064]
如图3所示，步骤s3的实现方法如下：
[0065]
步骤s31、针对可获取数据库中的数据链输入端参数集，检验参数间相关性，根据参数值类型获取pearson、spearman或kendall相关性结果与显著性。
[0066]
步骤s32、对参数进行kmo(kaiser-meyer-olkin)检验与bartlett球形检验，确保参数数据结构效度。
[0067]
步骤s33、对参数开展主成分分析，以成分特征值大于1为提取标准，提取分别反映自动驾驶视距相关信息、隧道段设计信息与天气环境信息的主成分作为自动驾驶可获取视距特征参数，并获取成分得分系数矩阵。
[0068]
其中，开展主成分分析所需的步骤能够依托spss、origin等数据管理软件实现。
[0069]
步骤s4、利用步骤s3提取的自动驾驶可获取视距特征参数，基于支持向量机回归方法建立自动驾驶可获取视距模型。
[0070]
如图4所示，步骤s4的实现方法如下：
[0071]
步骤s41、基于步骤s33得到的成分得分系数矩阵，更新可获取视距数据库中的数据链输入端参数，增加对应的可获取视距特征参数数据，并令其作为输入变量。
[0072]
步骤s42、令与可获取视距特征参数数据匹配的隧道段自动驾驶有效视线距离，即可获取视距数据库中的数据链输出端参数，作为输出变量。
[0073]
步骤s43、采用径向基函数作为支持向量机核函数，采用交叉验证法对支持向量机参数寻优，建立支持向量机模型。
[0074]
步骤s44、对由输入变量与输出变量构成的样本进行归一化处理，按照7：3比例随机划分样本，分别作为模型训练集与测试集，并代入支持向量机模型训练，获取最优模型作为自动驾驶可获取视距模型。
[0075]
其中，开展支持向量机回归建模所需的步骤能够依托matlab，调用libsvm工具箱实现。
[0076]
步骤s5、基于步骤s4建立的自动驾驶可获取视距模型，根据视距安全原则计算隧道段自动驾驶安全速度。
[0077]
在本实施例中，步骤s5的实现方法如下：
[0078]
步骤s51、根据视距安全原则，令自动驾驶可获取视距sa与自动驾驶需求视距sr相等。
[0079]
其中，在考虑视距安全原则时，通常选取需求停车视距值与可获取视距值作比较。
[0080]
步骤s52、当自动驾驶车的驾驶自动化等级为3级时，隧道段自动驾驶安全速度v
safe
的计算公式为：
[0081]
[0082]
式中，ad为自动驾驶系统或驾驶人接管后制动减速度，a
dp
为自动驾驶车预设制动减速度，ts为自动驾驶系统感知反应时间，t
t
为自动驾驶车驾驶人接管反应时间，ig为隧道段道路纵坡；其中，隧道段道路上坡时，ig》0；隧道段道路下坡时，ig《0。
[0083]
当自动驾驶车的驾驶自动化等级为4或5级时，隧道段自动驾驶安全速度v
safe
的计算公式为：
[0084][0085]
可以根据以上关键信息基于本实施例提供的方案完成安全速度的计算。
[0086]
综上所述，本发明提供的一种基于支持向量回归的隧道段自动驾驶安全速度确定方法，通过利用自动驾驶视距相关信息、隧道段设计信息与天气环境信息多源异构数据作为模型输入，采用适合该类型数据的支持向量机模型计算隧道段自动驾驶安全速度，为自动驾驶车在隧道段实际安全运营提供有效技术手段；通过本发明设计方法实现令计算结果更加真实有效，填补了该领域技术方案的空缺；规避了理论推算容易造成计算结果较实际情况过于理想的弊端，同时较现场测试更能节约成本及保证测试安全性；弥补了现有技术方案仅针对单一自动驾驶等级车设计运行条件进行规定，难以从道路交通管理角度提出便捷应用的管理措施的不足。
[0087]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0088]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0089]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0090]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0091]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等
效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

技术特征：
1.一种基于支持向量回归的隧道段自动驾驶安全速度确定方法，其特征在于，包括以下步骤：步骤s1、获取自动驾驶视距相关信息、隧道段设计信息与天气环境信息；步骤s2、利用步骤s1获取的信息，采用虚拟测试方法获取隧道段自动驾驶有效视线距离并构建可获取视距数据库；步骤s3、基于步骤s2构建的可获取视距数据库，采用主成分分析提取自动驾驶可获取视距特征参数；步骤s4、利用步骤s3提取的自动驾驶可获取视距特征参数，基于支持向量机回归方法建立自动驾驶可获取视距模型；步骤s5、基于步骤s4建立的自动驾驶可获取视距模型，根据视距安全原则计算隧道段自动驾驶安全速度。2.根据权利要求1所述的基于支持向量回归的隧道段自动驾驶安全速度确定方法，其特征在于，步骤s1中，所述自动驾驶视距相关信息至少包括：自动驾驶车感知传感器技术参数及安装信息、自动驾驶车感知功能信息、自动驾驶车驾驶人接管反应时间、自动驾驶车预设制动减速度、自动驾驶系统或驾驶人接管后制动减速度、自动驾驶系统感知反应时间；所述隧道段设计信息至少包括：隧道线形设计信息、隧道横断面设计信息、隧道横通道及平行通道设计信息，以及存在视线遮挡可能的交通标志、照明、交通监控设施位置与形状信息；所述天气环境信息至少包括：天气类型，其中，当天气类型为雾天时，至少包括雾天强度等级、能见度。3.根据权利要求2所述的基于支持向量回归的隧道段自动驾驶安全速度确定方法，其特征在于，所述自动驾驶车感知传感器技术参数至少包括：感知传感器类型、探测距离、水平面视场角、垂面视场角、水平角度分辨率、垂直角度分辨率；所述自动驾驶车感知安装信息至少包括：安装高度、安装个数；所述自动驾驶车感知功能信息至少包括：静态障碍物感知算法。4.根据权利要求1所述的基于支持向量回归的隧道段自动驾驶安全速度确定方法，其特征在于，步骤s2的实现方法如下：步骤s21、针对获取的自动驾驶视距相关信息、隧道段设计信息与天气环境信息，采用虚拟测试方法在软件环境中搭建虚拟隧道及环境模型、自动驾驶测试场景，映射真实隧道段自动驾驶行驶场景；步骤s22、开展虚拟测试，获取隧道段自动驾驶有效视线距离；步骤s23、利用自动驾驶视距相关信息、隧道段设计信息与天气环境信息作为数据链输入端参数集，利用隧道段自动驾驶有效视线距离作为数据链输出端参数，匹配数据链输入—输出端参数，构建可获取视距数据库。5.根据权利要求1所述的基于支持向量回归的隧道段自动驾驶安全速度确定方法，其特征在于，步骤s3的实现方法如下：步骤s31、针对可获取数据库中的数据链输入端参数集，检验参数间相关性，根据参数值类型获取pearson、spearman或kendall相关性结果与显著性；步骤s32、对参数进行kmo检验与bartlett球形检验，确保参数数据结构效度；
步骤s33、对参数开展主成分分析，以成分特征值大于1为提取标准，提取分别反映自动驾驶视距相关信息、隧道段设计信息与天气环境信息的主成分作为自动驾驶可获取视距特征参数，并获取成分得分系数矩阵。6.根据权利要求3所述的基于支持向量回归的隧道段自动驾驶安全速度确定方法，其特征在于，步骤s4的实现方法如下：步骤s41、基于步骤s33得到的成分得分系数矩阵，更新可获取视距数据库中的数据链输入端参数，增加对应的可获取视距特征参数数据，并令其作为输入变量；步骤s42、令与可获取视距特征参数数据匹配的隧道段自动驾驶有效视线距离，即可获取视距数据库中的数据链输出端参数，作为输出变量；步骤s43、采用径向基函数作为支持向量机核函数，采用交叉验证法对支持向量机参数寻优，建立支持向量机模型；步骤s44、对由输入变量与输出变量构成的样本进行归一化处理，按照7：3比例随机划分样本，分别作为模型训练集与测试集，并代入支持向量机模型训练，获取最优模型作为自动驾驶可获取视距模型。7.根据权利要求1所述的基于支持向量回归的隧道段自动驾驶安全速度确定方法，其特征在于，步骤s5的实现方法如下：步骤s51、根据视距安全原则，令自动驾驶可获取视距s
a
与自动驾驶需求视距s
r
相等；步骤s52、当自动驾驶车的驾驶自动化等级为3级时，隧道段自动驾驶安全速度v
safe
的计算公式为：式中，a
d
为自动驾驶系统或驾驶人接管后制动减速度，a
dp
为自动驾驶车预设制动减速度，t
s
为自动驾驶系统感知反应时间，t
t
为自动驾驶车驾驶人接管反应时间，i
g
为隧道段道路纵坡；其中，隧道段道路上坡时，i
g
>0；隧道段道路下坡时，i
g
<0；当自动驾驶车的驾驶自动化等级为4或5级时，隧道段自动驾驶安全速度v
safe
的计算公式为：

技术总结
本发明涉及一种基于支持向量回归的隧道段自动驾驶安全速度确定方法，包括以下步骤：S1、获取自动驾驶视距相关信息、隧道段设计信息与天气环境信息；S2、利用步骤S1获取的信息，采用虚拟测试方法获取隧道段自动驾驶有效视线距离并构建可获取视距数据库；S3、基于步骤S2构建的可获取视距数据库，采用主成分分析提取自动驾驶可获取视距特征参数；S4、利用步骤S3提取的自动驾驶可获取视距特征参数，基于支持向量机回归方法建立自动驾驶可获取视距模型；S5、基于步骤S4建立的自动驾驶可获取视距模型，根据视距安全原则计算隧道段自动驾驶安全速度。该方法有利于有效获取满足隧道段自动驾驶安全行驶要求的速度值，进而提高自动驾驶的安全性。的安全性。的安全性。


技术研发人员：王书易 赖元文 李莉 丘勋涛
受保护的技术使用者：福州大学
技术研发日：2023.06.25
技术公布日：2023/9/20