网联环境下融合多源数据的弯道驾驶风险动态预测方法

1.本发明属于交通安全技术领域。


背景技术：

2.弯道路段线形条件较差，驾驶人行车视距相对较小，这使其驾驶风险远高于普通平直路段。车辆在急弯路段行驶时，若车速较快，则会使车辆转向的向心力不足，增加车辆发生侧翻、侧滑等事故的风险，同时也容易导致车辆冲向对向车道、护栏边沟等，造成人员伤亡与财产损失。已有弯道安全措施多为静态警示标志，或以恒定速度值作为限速标准，无法结合道路实际线形特征给予驾驶人合理的行驶建议。智能网联技术的发展，使得车辆、道路与驾驶人的联系更加紧密，为辅助驾驶、主动干预提供了技术支撑。因此建立网联环境下弯道路段的驾驶风险动态预测方法，可以降低弯道路段驾驶风险，提升驾驶安全性。
3.目前大多数弯道风险预测与预警方法都是从弯道行车防碰撞和防侧翻侧滑展开的，关注于建立弯道安全行驶速度模型，或采用侧滑速度、横向载荷转移率、侧滑梯度角、弯道行驶轨迹偏移程度等作为弯道驾驶风险的判定指标。许多方法采取静态的评估与分析方法，通过评估弯道行驶全程中的驾驶表现来标定驾驶风险，但这种分析方法难以实现弯道驾驶风险的动态识别与预测。然而，预测驾驶风险的能力对于提高弯道路段的驾驶安全十分必要。事实上，由于弯道线形设计特性，其曲率半径与道路横坡度在弯道不同位置具有差异性。同时，车辆在进入弯道段、弯道行驶段、驶出弯道段的驾驶特性也存在差异，车辆沿曲线的运行速度并不恒定，呈现先减速后加速的整体趋势，车辆在不同转向、半径的弯道上以弯道不同位置上的行驶轨迹、横向偏移也存在差异。而现有技术多考虑弯道的整体特性，导致对驾驶风险预测并不准确。


技术实现要素：

4.发明目的：为了解决上述现有技术存在的问题，本发明提供了一种网联环境下融合多源数据的弯道驾驶风险动态预测方法。
5.技术方案：本发明提供一种网联环境下融合多源数据的弯道驾驶风险动态预测方法，该方法包括如下步骤：
6.步骤1：获取车辆在弯道行驶过程中的多源数据，所述多源数据包括车辆动力学数据、驾驶人操纵行为、驾驶人生理数据与道路几何线形特征；
7.步骤2：将多源数据按照时间戳进行匹配，并统一记录频率；
8.步骤3：将步骤2中按照时间戳进行匹配后的多源数据由时间模式转换为空间模式；以x米为长度，将空间模式下的多源数据分成若干个数据点；
9.步骤4：以l为滑动窗口长度，u为滑动步长采用滑动窗口遍历步骤3中的数据点；并记录临界横向加速度均值ae；
10.步骤5：以临界横向加速度均值ae为聚类指标，使用k-means聚类方法，将对弯道驾驶风险进行划分；
11.步骤6：基于k-means聚类得到的驾驶风险等级结果，使用长短期记忆网络算法对车辆的驾驶风险等级进行预测。
12.进一步的，所述步骤4采用如下公式计算临界横向加速度均值ae：
[0013][0014]
其中，n代表滑动窗口中的数据点的数量；aj为车辆在滑动窗口中的第j个数据点的横向加速度，β为调节参数，a
t
为加速度，a
t
的表达式如下所示：
[0015]at
＝(ih+μ)g
[0016]
其中，ih为道路横坡度值，μ为道路横向力系数，g为重力加速度。
[0017]
进一步的，所述步骤5中，k-means的损失函数为：
[0018][0019]
其中，xi代表第i个样本，ci是样本xi所属的簇，是簇的中心点，n为样本总数。进一步的，所述步骤6中长短期记忆网络算法的结构如下所示：
[0020]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
[0021]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
[0022][0023][0024]ot
＝σ(wo·
[h
t-1
,x
t
]+bo)
[0025]ht
＝o
t
·
tanh(c
t
)
[0026]
其中，f
t
,i
t
,o
t
分别为t时刻遗忘门、输入门和输出门通过激活函数后的值；c
t-1
和c
t
分别为上一时刻和当前时刻的单元状态；为c
t
的候选取值；h
t-1
为隐藏层上一时刻的输出；x
t
为当前时刻长短期记忆网络算法的输入；wf，wi，wc，wo为权重矩阵；bf,bi,bc,bo为偏置向量；σ为sigmoid函数。
[0027]
进一步的，所述车辆动力学数据包括车辆切向速度，切向加速度，横向速度，横向加速度，纵向速度，纵向加速度，偏航速度，偏航加速度，俯仰速度，俯仰加速度，翻滚速度，翻滚加速度以及车道偏移，驾驶人操纵行为包括油门与刹车踏板的力度、方向盘的转角和转速，驾驶人生理数据包括驾驶人心率与皮肤电活动，道路线形特征包括道路半径与横坡度。
[0028]
有益效果：本发明结合弯道道路线形特征与驾驶行为特征设计弯道风险评估指标，并将行驶过程进行空间动态分段，使其具备风险可预测性；本发明提出的方法通过比较不同观测窗口与间隔窗口组合的模型预测性能，来确定最优模型窗口组合，可以避免主观确定模型窗口长度对模型精度的影响；相较于通过车辆动力学这一单一数据源进行驾驶风险预测，本发明提出的融合驾驶人操纵行为、驾驶人生理特征和道路线形特征的模型预测性能得到显著提升。相较于使用机器学习算法，本发明提出的基于长短期记忆网络算法的驾驶风险预测方法，使用了完整连续的时序数据对驾驶风险进行预测，可以保留数据的波动性，可以提升模型的预测精度。
附图说明
[0029]
图1为本发明的流程图；
[0030]
图2本发明采用的弯道路段道路线形示意图；
[0031]
图3是本发明基于长短期记忆网络算法的驾驶风险预测模型的模型结构特征；
[0032]
图4是本发明提出的基于长短期记忆网络算法的驾驶风险预测模型的数据输入格式；
[0033]
图5是不同观测窗口与间隔窗口的模型性能对比。
具体实施方式
[0034]
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0035]
如图1所示，本发明提供一种网联环境下融合多源数据的弯道驾驶风险动态预测方法，该方法包括如下步骤：
[0036]
步骤1：通过车载设备、车辆传感器、智能穿戴设备等，获取车辆在弯道行驶过程中的多源数据，所述多源数据包括：车辆动力学数据、驾驶人操纵行为、驾驶人生理数据与道路几何线形特征。
[0037]
本实施例基于驾驶模拟平台开展弯道驾驶模拟实验。驾驶模拟球舱内有6台投影仪，实现360
°
全方位展示道路场景，驾驶舱由一辆自动挡现代索纳塔车辆改造而成，实现高还原度的驾驶模拟。使用scanerstudio软件进行弯道驾驶场景设置以及数据记录与提取工作。实验参与者均佩戴了非侵入式的无线腕式心率带(empatica e4)采集生理数据，腕带传感器可连续采集光谱(ppg)信号与皮肤电信号(eda)。
[0038]
实验场景为三级公路山区路段，双向两车道，设计速度40km/h。实验设定在自由流交通状态下。弯道半径分别为60m、100m、150m，每种半径弯道分别有左转(l)和右转(r)两种转向。实验弯道线形设计如图2所示，弯道几何线性设计均符合公路相关设计规范(《公路路线设计规范》jtg d20-2017)。
[0039]
实验共采集55名驾驶人数据(男性41人，女性14人)，年龄在21-50岁之间(均值＝27.3岁，标准差＝6.1年)。驾驶人均拥有合法驾照，驾龄在1-12年之间(均值＝3.9年，标准差＝2.6年)。所有驾驶人的视力或矫正视力良好，实验前身体状况良好，无疲劳或酒后驾驶的情况。驾驶人在正式实验前会试驾10分钟左右的来熟悉模拟驾驶环境。产生眩晕等症状的参与者会被要求终止本次实验。
[0040]
步骤2：将多源数据按照时间戳进行匹配，并实现记录频率的统一。
[0041]
首先使用时间戳将车辆运动数据与驾驶人的生理数据进行匹配，并将频率统一为10hz。然后，依据采集的车辆行驶坐标信息对数据进行截取，提取车辆在进入弯道前100m的直线段以及弯道中的数据。
[0042]
然后，通过计算平均值和线性插值的方式将数据记录方式从时间转换为空间，即将弯道路段划分若干x米(本实施例中x＝2)长的片段。实验采集的主要数据和指标特征如表1所示：
[0043]
表1
[0044][0045]
步骤3：考虑道路线形与车辆行驶特性在弯道的不同位置的差异性，使用计算均值与线性插值的方式，将数据记录方式由时间转换为空间，数据长度为x米，得到若干个数据点。
[0046]
步骤4：使用滑动窗口法将弯道进行空间动态划分，以l(本实施例l＝10m)为滑动窗口长度，u(本实施例u＝2m)为滑动步长对数据点进行滑动分段，计算临界横向加速度均值ae：
[0047][0048]
其中，n代表滑动窗口中的数据点的数量；aj为车辆在滑动窗口中的第j个数据点的横向加速度，滑动窗口长度l依据车辆平均行驶速度与驾驶人感知反应时间确定，β为调节参数，a
t
为加速度，a
t
的表达式如下所示：
[0049]at
＝(ih+μ)g
[0050]
其中，ih为道路横坡度值，μ为道路横向力系数，g为重力加速度。
[0051]
步骤5：以临界横向加速度均值ae为聚类指标，使用k-means聚类方法，将弯道驾驶
风险划分为低、中、高三个等级，风险等级如表2所示。
[0052]
表2
[0053]
风险等级ae最小值ae最大值ae均值低0.000.510.01中0.511.821.01高1.826.582.64
[0054]
本实施例的k-means聚类方法采用迭代寻找k个聚类簇的划分方法，使得聚类结果对应的损失函数最小，损失函数的定义为各个样本距离所属簇中心点的误差平方和，具体如下所示：
[0055][0056]
其中，xi代表第i个样本，ci是样本xi所属的簇，是簇的中心点，n为样本总数。
[0057]
步骤6：使用长短期记忆网络算法(lstm)对驾驶风险进行预测；lstm网络结构如图3所示，其中，lstm单元公式如下：
[0058]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
[0059]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
[0060][0061][0062]ot
＝σ(wo·
[h
t-1
,x
t
]+bo)
[0063]ht
＝o
t
·
tanh(c
t
)
[0064]
式中：f
t
,i
t
,o
t
分别为t时刻遗忘门、输入门和输出门通过激活函数后的值；c
t-1
和c
t
分别为上一时刻和当前时刻的单元状态；为c
t
的候选取值；h
t-1
为隐藏层上一时刻的输出；x
t
为当前时刻的输入；wf，wi，wc，wo为权重矩阵；bf,bi,bc,bo为偏置向量；σ为sigmoid函数。在每个时间步长，lstm可以通过这3个门来读取、写入或重置记忆单元。该策略允许lstm记忆和访问多步长之前的信息。
[0065]
需要确定lstm的观测窗口和间隔窗口长度。lstm算法的数据输入格式如图4所示。考虑弯道平均行驶速度、驾驶人感知反应时间、模型预测精度等因素，设定观测窗口与间隔窗口的长度搜索范围，分别进行模型调优，选取最佳窗口长度组合。
[0066]
本实施例的弯道平均驾驶速度为36km/h，考虑到驾驶人的感知反应时间，将间隔窗口长度的取值搜索范围设定为10～50m，观测窗口长度的取值搜索范围为2～50m(搜索步长为2m)，共设计共计525种(25
×
21)观测窗口与间隔窗口组合。lstm的模型包含一个输入层、两层lstm隐含层、一层输出层。模型输入特征为表1中的变量，共计21个变量，并对输入数据进行z-score标准化处理。以6:2:2的比例划定数据训练集、验证集、测试集。以accuracy，f1-score作为模型的评价指标。在驾驶风险预测场景下，模型对于中、高驾驶风险等级的预测能力更为重要，因此将模型对中、高驾驶风险的f1-score求均值，来对比不同观测窗口与间隔窗口组合的模型预测性能，如图5所示，最终确定模型观察窗口和间隔窗口的组合均为20m。
[0067]
其次，为评估所提出模型(即基于长短期记忆网络算法的预测模型，lstm)在驾驶
风险等级预测上的效果，将其与以下三种算法做对比：随机森林(rf)、极端梯度提升树(xgb)、轻量梯度提升机(lgb)。如前所述，lstm模型的输入样本为完整的时间序列数据，为21
×
20的二维矩阵，数据格式如图4所示，模型观测窗口和间隔窗口的长度均为20m。对于rf、xgb和lgb算法，模型输入变量为观测窗口(20m)内的车辆运动学数据、驾驶人操纵行为和驾驶人生理指标的统计变量(最大值、最小值、平均值和标准差)，以及观测窗口内的曲线半径和横坡的平均值，即一个19
×
4+2＝78的一维向量。针对lstm、rf、xgb和lgb算法的主要参数，在指定的进行参数范围中进行选择和调整，确定最优参数组合，如表3所示：
[0068]
表3
[0069][0070][0071]
对模型效果进行评价。采用混淆矩阵作为模型评价方法，选取准确率(accuracy)、精确度(precision)、召回率(recall)和f1分数(f1-score)四个指标评价模型性能：
[0072][0073][0074][0075][0076]
式中：tp、fp、fn、tn分别为真阳性个数、假阳性个数、假阴性个数和真阴性个数。
[0077]
四种算法在弯道驾驶风险等级预测上的模型性能如表4所示，结果表明本实施例所提出的模型在驾驶风险等级预测上的效果良好。
[0078]
表4
[0079][0080]
对比相同窗口长度组合下，仅通过车辆运动学数据进行预测，以及融合多源数据进行驾驶风险预测的模型结果如表5所示。仅使用车辆运动学数据进行预测的模型，对于中、高驾驶风险的预测精确度为81.6％，76.5％，召回率分别为77.3％，84.6％，而融合了驾驶人心率、皮电数据、操纵行为与道路线形特征后，模型对于中、高驾驶风险等级的预测精确度、召回率均有所提升，中等驾驶风险的f1-score从79.4％提升到84.8％；因此，通过表5可以看出本发明提出的融合多源数据的方法可以有效提升模型预测性能。
[0081]
表5
[0082][0083]
本实施例中所述车辆动力学数据包括车辆切向速度，切向速度加速度，横向速度，横向加速度，纵向速度，纵向加速度，偏航速度，偏航加速度，俯仰速度，俯仰加速度，翻滚速度，翻滚加速度以及车道偏移，驾驶人操纵行为包括油门与刹车踏板的力度、方向盘的转角和转速，驾驶人生理数据包括驾驶人心率与皮肤电活动，道路线形特征包括道路半径与横坡度。
[0084]
使用lstm模型对驾驶风险进行预测时，通过网格搜索法确定最优的观测窗口、间隔窗口长度组合，其搜索范围综合考虑弯道平均行驶速度、驾驶人感知反应时间、模型预测精度等因素，避免主观设定模型窗口对模型精确度产生影响。
[0085]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

技术特征：
1.网联环境下融合多源数据的弯道驾驶风险动态预测方法，其特征在于，包括如下步骤：步骤1：获取车辆在弯道行驶过程中的多源数据，所述多源数据包括车辆动力学数据、驾驶人操纵行为、驾驶人生理数据与道路几何线形特征；步骤2：将多源数据按照时间戳进行匹配，并统一记录频率；步骤3：将步骤2中按照时间戳进行匹配后的多源数据由时间模式转换为空间模式；以x米为长度，将空间模式下的多源数据分成若干个数据点；步骤4：以l为滑动窗口长度，u为滑动步长采用滑动窗口遍历步骤3中的数据点；并记录临界横向加速度均值a
e
；步骤5：以临界横向加速度均值a
e
为聚类指标，使用k-means聚类方法，将对弯道驾驶风险进行划分；步骤6：基于k-means聚类得到的驾驶风险等级结果，使用长短期记忆网络算法对车辆的驾驶风险等级进行预测。2.根据权利要求1所述的网联环境下融合多源数据的弯道驾驶风险动态预测方法，其特征在于，所述步骤4采用如下公式计算临界横向加速度均值a
e
：其中，n代表滑动窗口中的数据点的数量；a
j
为车辆在滑动窗口中的第j个数据点的横向加速度，β为调节参数，a
t
为加速度，a
t
的表达式如下所示：a
t
＝(i
h
+μ)g其中，i
h
为道路横坡度值，μ为道路横向力系数，g为重力加速度。3.根据权利要求1所述的网联环境下融合多源数据的弯道驾驶风险动态预测方法，其特征在于，所述步骤5中，k-means的损失函数为：其中，x
i
代表第i个样本，c
i
是样本x
i
所属的簇，是簇的中心点，n为样本总数。4.根据权利要求1所述的网联环境下融合多源数据的弯道驾驶风险动态预测方法，其特征在于，所述步骤6中长短期记忆网络算法的结构如下所示：f
t
＝σ(w
f
·
[h
t-1
，x
t
]+b
f
)i
t
＝σ(w
i
·
[h
t-1
，x
t
]+b
i
))o
t
＝σ(w
o
·
[h
t-1
，x
t
]+b
o
)h
t
＝o
t
·
tanh(c
t
)其中，f
t
，i
t
，o
t
分别为t时刻遗忘门、输入门和输出门通过激活函数后的值；c
t-1
和c
t
分别为上一时刻和当前时刻的单元状态；为c
t
的候选取值；h
t-1
为隐藏层上一时刻的输出；x
t
为当前时刻长短期记忆网络算法的输入；w
f
，w
i
，w
c
，w
o
为权重矩阵；b
f
，b
i
，b
c
，b
o
为偏置向量；σ为sigmoid函数。
5.根据权利要求1所述的网联环境下融合多源数据的弯道驾驶风险动态预测方法，其特征在于，所述车辆动力学数据包括车辆切向速度，切向加速度，横向速度，横向加速度，纵向速度，纵向加速度，偏航速度，偏航加速度，俯仰速度，俯仰加速度，翻滚速度，翻滚加速度以及车道偏移，驾驶人操纵行为包括油门与刹车踏板的力度、方向盘的转角和转速，驾驶人生理数据包括驾驶人心率与皮肤电活动，道路线形特征包括道路半径与横坡度。

技术总结
本发明提供一种网联环境下融合多源数据的弯道驾驶风险动态预测方法，具体为：步骤1：获取车辆在弯道行驶过程中的多源数据；步骤2：将多源数据按照时间戳进行匹配，并统一记录频率；步骤3：多源数据由时间模式转换为空间模式；以x米为长度，将空间模式下多源数据分成若干个数据点；步骤4：以L为滑动窗口长度，U为滑动步长采用滑动窗口遍历步骤3中的数据点，并记临界横向加速度均值a


技术研发人员：马永锋 王帆 邢冠仰 陈淑燕 陆建 胡晓健
受保护的技术使用者：东南大学
技术研发日：2023.07.10
技术公布日：2023/10/6