车辆跟驰运行风险状态判定方法、系统及设备

1.本公开实施例涉及数据处理技术领域，尤其涉及一种车辆跟驰运行风险状态判定方法、系统及设备。


背景技术：

2.目前，随着社会经济的快速发展和城市化的不断推进，公路网络建设不断完善，汽车机动化程度不断提升，道路交通需求也随之提高。目前机动车拥有量及机动车驾驶人数量均呈快速增长趋势，这也给我国的道路交通安全带来了一系列隐患。其中，追尾事故一直是多发的事故类型，且追尾碰撞事故带来的后果也非常严重，通常会造成大量的人员伤亡和财产损失。因此，追尾事故研究已成为交通安全领域研究的热点之一。近几年在追尾事故研究方面取得了可喜的进展，但是，该领域的研究仍面临着诸多关键问题亟待解决，包括基于驾驶员异质性考虑的跟驰车组事故风险判定问题。现有的跟驰车组事故风险判定绝大部分是直接基于替代性安全评估指标展开的，然而跟驰场景差异以及驾驶员异质性现实存在，故对跟驰车组的事故风险判定展开分类别、精细化的研究十分必要。
3.可见，亟需一种适应性和精准度更高的车辆跟驰运行风险状态判定方法。


技术实现要素：

4.有鉴于此，本公开实施例提供一种车辆跟驰运行风险状态判定方法、系统及设备，至少部分解决现有技术中存在适应性和精准度较差的问题。
5.第一方面，本公开实施例提供了一种车辆跟驰运行风险状态判定方法，包括：
6.步骤1，获取多个人工驾驶车辆在实际道路交通中的轨迹数据，其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息；
7.步骤2，将所有人工车辆分为k个跟驰车组，每个跟驰车组包括前车和后车，根据每个跟驰车组后车的轨迹数据和场景判别函数，判断该跟驰车组的交通场景为正常跟驰或者非正常跟驰，基于每个正常跟驰车组后车的轨迹数据和风格判别函数，判别对应驾驶员的驾驶风格属于激进非敏感型、保守非敏感型、激进敏感型或者保守敏感型；
8.步骤3，根据每个跟驰车组的交通场景和驾驶员的驾驶风格对跟驰车组进行事故风险判定。
9.根据本公开实施例的一种具体实现方式，所述步骤1具体包括：
10.采集实际道路交通的视频，采用视频图像处理技术从视频中提取多个人工驾驶车辆的轨迹数据，对提取的轨迹数据进行数据清洗操作，获得交通轨迹数据，其中，所述数据清洗操作包括除噪、插补和重平衡。
11.根据本公开实施例的一种具体实现方式，所述场景判别函数的表达式为
[0012][0013]
其中，δx(t)表示后车在t＝1,2
…
t时刻与前车的间距，v(t)表示后车在t时刻的速度，f3为交通场景第一判断函数值，f
′3为交通场景第二判断函数值；
[0014]
若f3《ε1或者f
′3《ε2，则判别为非正常跟驰场景，否则，判别为正常跟驰场景，其中，ε1和ε2为预设的交通场景判断系数。
[0015]
根据本公开实施例的一种具体实现方式，ε1＝20，ε2＝11.12。
[0016]
根据本公开实施例的一种具体实现方式，所述风格判别函数的表达式为
[0017][0018]
其中，v(t)和a(t)分别表示后车在t＝1,2
…
t时刻的速度和加速度，prt为后车驾驶员的平均感知反应时间，t
i-1
(n)指前车第n次减速的时刻，ti(n)指后车第n次减速的时刻，n为跟驰车组的减速总次数，f4为驾驶风格第一判断函数值，f
′4为驾驶风格第二判断函数值；
[0019]
若f4》β1且f
′4》β2，则判别为激进非敏感型，若f4《β1且f
′4》β2，则判别为保守非敏感型，若f4》β1且f
′4《β2，则判别为激进敏感型，若f4《β1且f
′4《β2，则判别为保守敏感型，其中，β1和β2为预设的驾驶风格判断系数。
[0020]
根据本公开实施例的一种具体实现方式，β1＝19.68，β2＝1.24。
[0021]
根据本公开实施例的一种具体实现方式，所述步骤3具体包括：
[0022]
若当前跟驰车组的交通场景为正常跟驰，则执行步骤a1-a2，否则执行步骤a3-a4；
[0023]
步骤a1，按以下公式计算跟驰车组运行状态的初始判别函数值f1：
[0024][0025]
其中，x
i-1
(t)和xi(t)分别为t时刻前车和后车的车头中心位置，v
i-1
(t)和vi(t)分别为t时刻前车和后车的速度，l
i-1
为前车车长；
[0026]
步骤a2，若当前跟驰车组后车驾驶员的驾驶风格为激进非敏感型，则判断初始判别函数值f1是否满足f1≤μ1，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满足则直接判断当前跟驰车组运行处于非高风险状态；
[0027]
若当前跟驰车组后车驾驶员的驾驶风格为保守非敏感型，则判断初始判别函数值f1是否满足f1≤μ2，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满足则直接判断当前跟驰车组运行处于非高风险状态；
[0028]
若当前跟驰车组后车驾驶员的驾驶风格为激进敏感型，则判断初始判别函数值f1是否满足f1≤μ3，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满足则直接判
断当前跟驰车组运行处于非高风险状态；
[0029]
若当前跟驰车组后车驾驶员的驾驶风格为保守敏感型，则判断初始判别函数值f1是否满足f1≤μ4，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满足则直接判断当前跟驰车组运行处于非高风险状态；
[0030]
其中，μ1、μ2、μ3和μ4分别为激进非敏感型、保守非敏感型、激进敏感型和保守敏感型驾驶风格的直接判别系数；
[0031]
步骤a3，计算跟驰车组后车在t时刻避免与对应前车碰撞所需减速度的初始判别函数值f2：
[0032][0033]
其中，v
i-1
(t)和vi(t)分别为前车和后车在t时刻的车速，x
i-1
(t)和xi(t)分别为前车和后车在t时刻的车头中心位置，l
i-1
为前车车长。
[0034]
步骤a4，判断初始判别函数值f2是否满足f2≤θ，如果满足则判断当前跟驰车组运行处于非高风险状态，如果不满足则直接判断当前跟驰车组运行处于高风险状态，其中，θ指后车可达的最大减速度。
[0035]
根据本公开实施例的一种具体实现方式，μ1＝4，μ2＝3，μ3＝2，μ4＝1；θ＝12.68。
[0036]
第二方面，本公开实施例提供了一种车辆跟驰运行风险状态判定系统，包括：
[0037]
获取模块，用于获取多个人工驾驶车辆在实际道路交通中的轨迹数据，其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息；
[0038]
判别模块，用于将所有人工车辆分为k个跟驰车组，每个跟驰车组包括前车和后车，根据每个跟驰车组后车的轨迹数据和场景判别函数，判断该跟驰车组的交通场景为正常跟驰或者非正常跟驰，基于每个正常跟驰车组后车的轨迹数据和风格判别函数，判别对应驾驶员的驾驶风格属于激进非敏感型、保守非敏感型、激进敏感型或者保守敏感型；
[0039]
判定模块，用于根据每个跟驰车组的交通场景和驾驶员的驾驶风格对跟驰车组进行事故风险判定。
[0040]
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
[0041]
至少一个处理器；以及，
[0042]
与该至少一个处理器通信连接的存储器；其中，
[0043]
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的车辆跟驰运行风险状态判定方法。
[0044]
本公开实施例中的车辆跟驰运行风险状态判定方案，包括：步骤1，获取多个人工驾驶车辆在实际道路交通中的轨迹数据，其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息；步骤2，将所有人工车辆分为k个跟驰车组，每个跟驰车组包括前车和后车，根据每个跟驰车组后车的轨迹数据和场景判别函数，判断该跟驰车组的交通场景为正常跟驰或者非正常跟驰，基于每个正常跟驰车组后车的轨迹数据和风格判别函数，判别对应驾驶员的驾驶风格属于激进非敏感型、保守非敏感型、激进敏感型或者保守敏感型；步骤3，根据每个跟驰车组的交通场景和驾驶员的驾驶风格对跟驰车组进行事故风
险判定。
[0045]
本公开实施例的有益效果为：(1)基于实际道路交通中的人工驾驶车辆的高精度轨迹数据，判别当前跟驰车组的交通场景为正常跟驰或者非正常跟驰；针对正常跟驰车组，判别后车驾驶员的驾驶风格属于激进非敏感型、保守非敏感型、激进敏感型或者保守敏感型。进一步地，分析不同交通场景以及驾驶风格条件下的车辆跟驰运行状态，为跟驰车组的分类别、精细化事故风险评估奠基；
[0046]
(2)面向交通轨迹数据，构建对应交通场景及驾驶风格条件下的跟驰车组事故风险评估模型，能够准确地计算出每一时空状态下的事故风险结果，从而挖掘出跟驰车组运行高风险状态，有助于解决直接使用替代性安全评估指标在跟驰车组运行安全评估中的局限性；
[0047]
(3)基于视频采集典型交通区域下的大量人工驾驶车辆高精度轨迹数据，通过车辆跟驰运行过程中前后车间距以及后车速度情况，进行交通场景进行判别划分；基于后车速度和加速度绝对值加和以及后车驾驶员的平均感知反应时间，进行驾驶员驾驶风格的判别划分；所采用的方法设计简单，易于计算，且直观反映不同类别交通场景和驾驶风格的差异；
[0048]
(4)本发明改善了跟驰车组事故风险评估精度，并明确了跟驰车组运行高风险状态的确定方法，对促进未来交通安全的进一步发展意义重大，具有优良的应用前景。
附图说明
[0049]
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0050]
图1为本公开实施例提供的一种车辆跟驰运行风险状态判定方法的流程示意图；
[0051]
图2为本公开实施例提供的一种车辆跟驰运行风险状态判定方法的技术路线示意图；
[0052]
图3为本公开实施例提供的一种车辆跟驰运行风险状态判定系统的结构示意图；
[0053]
图4为本公开实施例提供的电子设备示意图。
具体实施方式
[0054]
下面结合附图对本公开实施例进行详细描述。
[0055]
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0056]
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构
及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
[0057]
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0058]
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
[0059]
本公开实施例提供一种车辆跟驰运行风险状态判定方法，所述方法可以应用于道路交通安全场景的汽车运行状态分析过程中。
[0060]
参见图1，为本公开实施例提供的一种车辆跟驰运行风险状态判定方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
[0061]
步骤1，获取多个人工驾驶车辆在实际道路交通中的轨迹数据，其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息；
[0062]
进一步的，所述步骤1具体包括：
[0063]
采集实际道路交通的视频，采用视频图像处理技术从视频中提取多个人工驾驶车辆的轨迹数据，对提取的轨迹数据进行数据清洗操作，获得交通轨迹数据，其中，所述数据清洗操作包括除噪、插补和重平衡。
[0064]
具体实施时，如图2所示，可以获取若干人工驾驶车辆在实际道路交通中的高精度轨迹数据；其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息。预设时间段的各时刻序号为：t＝1,2,3,
…
,t。
[0065]
轨迹数据的获取方法为：通过无人机航拍采集实际道路交通的视频，采用现有的视频图像处理技术从视频中提取其中若干人工驾驶车辆的轨迹数据；对提取的轨迹数据进行除噪、插补、重平衡等清洗流程，获得高精度的微观交通轨迹数据，并对轨迹数据按人工车辆进行编号。
[0066]
步骤2，将所有人工车辆分为k个跟驰车组，每个跟驰车组包括前车和后车，根据每个跟驰车组后车的轨迹数据和场景判别函数，判断该跟驰车组的交通场景为正常跟驰或者非正常跟驰，基于每个正常跟驰车组后车的轨迹数据和风格判别函数，判别对应驾驶员的驾驶风格属于激进非敏感型、保守非敏感型、激进敏感型或者保守敏感型；
[0067]
在上述实施例的基础上，所述场景判别函数的表达式为
[0068][0069]
其中，δx(t)表示后车在t＝1,2
…
t时刻与前车的间距，v(t)表示后车在t时刻的速度，f3为交通场景第一判断函数值，f
′3为交通场景第二判断函数值；
[0070]
若f3《ε1或者f
′3《ε2，则判别为非正常跟驰场景，否则，判别为正常跟驰场景，其中，ε1和ε2为预设的交通场景判断系数。
[0071]
可选的，ε1＝20，ε2＝11.12。
[0072]
进一步的，所述风格判别函数的表达式为
[0073][0074]
其中，v(t)和a(t)分别表示后车在t＝1,2
…
t时刻的速度和加速度，prt为后车驾驶员的平均感知反应时间，t
i-1
(n)指前车第n次减速的时刻，ti(n)指后车第n次减速的时刻，n为跟驰车组的减速总次数，f4为驾驶风格第一判断函数值，f
′4为驾驶风格第二判断函数值；
[0075]
若f4》β1且f
′4》β2，则判别为激进非敏感型，若f4《β1且f
′4》β2，则判别为保守非敏感型，若f4》β1且f
′4《β2，则判别为激进敏感型，若f4《β1且f
′4《β2，则判别为保守敏感型，其中，β1和β2为预设的驾驶风格判断系数。
[0076]
可选的，β1＝19.68，β2＝1.24。
[0077]
具体实施时，可以将所有人工车辆分为k个跟驰车组，每个跟驰车组包括前车和后车；根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为正常跟驰或者非正常跟驰；基于每个正常跟驰车组后车的轨迹数据，判别对应驾驶员的驾驶风格属于激进非敏感型、保守非敏感型、激进敏感型或者保守敏感型。
[0078]
所述根据每个跟驰车组后车的轨迹数据，判断该跟驰车组的交通场景为正常跟驰或者非正常跟驰，具体的判别函数为：
[0079][0080]
其中，δx(t)表示后车在t＝1,2
…
t时刻与前车的间距，v(t)表示后车在t时刻的速度，t为轨迹数据的记录时长；f3为交通场景第一判断函数值，f
′3为交通场景第二判断函数值；
[0081]
若f3《ε1或者f
′3《ε2，则判别为非正常跟驰场景；否则，判别为正常跟驰场景；其中，ε1和ε2为预设的交通场景判断系数。
[0082]
是否非正常跟驰最直观的特征即是后车速度或者跟驰车组中前车和后车间距过小。因此设置其判别条件主要包括两种情况：(1)满足f3《ε1，但不满足f
′3《ε2，对应于跟驰车组中前车和后车间距过小情形下的非正常跟驰；(2)满足f
′3《ε2，但不满足f3《ε1，对应于跟驰车组后车速度过小情形下的非正常跟驰。而对于正常跟驰场景设置的判别条件为f3》ε1且f
′3》ε2。故本发明根据后车速度和跟驰车组中前车和后车间距，可以直观准确地模拟和判断跟驰车组的交通场景为正常跟驰或者非正常跟驰。
[0083]
其中，ε1和ε2为预设的交通场景判断系数，可以分别理解为在低速行车时所对应的安全车距和车速。一般而言，ε1＝20时可保证低速行驶时的安全间距，ε2＝11.12时即表明车
辆处于低速行驶状态，ε1或ε2越小表明非正常跟驰的特征越显著。在本实施例中，取ε1＝20，ε2＝11.12。
[0084]
所述根据每个正常跟驰车组后车的轨迹数据，判别对应驾驶员的驾驶风格属于激进非敏感型、保守非敏感型、激进敏感型或者保守敏感型，具体的判别函数为：
[0085][0086]
其中，v(t)和a(t)分别表示后车在t＝1,2
…
t时刻的速度和加速度，prt为后车驾驶员的感知反应时间，t
i-1
(n)指前车第n次减速的时刻，ti(n)指后车第n次减速的时刻，n为跟驰车组的减速总次数；f3为驾驶风格第一判断函数值，f
′3为驾驶风格第二判断函数值；
[0087]
是否属于激进型驾驶风格最直观的特征即为速度及其波动(加速度)大；是否属于敏感型驾驶风格最直观的特征即是驾驶员的平均感知反应时间短，即前车减速时刻与后车作出相应减速操作时刻之间的时间差小。因此，对于激进非敏感型驾驶风格的直观表现为快速行驶、相邻时刻速度波动大(即加速度绝对值大)且驾驶员感知反应时间长，故设置其判别条件为f4》β1且f
′4》β2。对于保守非敏感型驾驶风格的直观表现为非快速行驶、加速度绝对值小，且驶员感知反应时间长，因此设置其判别条件为f4《β1且f
′4》β2。对于激进敏感型驾驶风格的直观表现为快速行驶、加速度绝对值大，且驾驶员感知反应时间短，因此设置其判别条件为f4》β1且f
′4《β2。而对于保守敏感型驾驶风格的直观表现为非快速行驶、加速度绝对值不大，且驶员感知反应时间短，因此设置其判别条件为f4《β1且f
′4《β2。故本发明根据速度和加速度绝对值加和以及驾驶员的平均感知反应时间，可以更直观准确地判断驾驶风格属于激进非敏感型、保守非敏感型、激进敏感型或者保守敏感型。
[0088]
其中，β1和β2为预设的驾驶风格判断系数。其中β1可以理解为快速行驶的速度临界值和舒适驾驶感觉所对应的临界加减速度绝对值的加和。一般而言，v＝16.68即意味着处于快速行驶状态；而|α|＝3即为舒适驾驶感觉的加速度临界值，|α|越小驾驶感觉越舒适。因此，在本实施例中，取β1＝19.68。对于β2，可以理解为跟驰车组在观测时段内，后车多次作出与前车相对应的减速操作时刻之间的时间差均值。一般而言，驾驶员的平均感知反应时间为1.24s，β2越小意味着驾驶敏感性越高。因此，在本实施例中，取β2＝1.24。
[0089]
步骤3，根据每个跟驰车组的交通场景和驾驶员的驾驶风格对跟驰车组进行事故风险判定。
[0090]
在上述实施例的基础上，所述步骤3具体包括：
[0091]
若当前跟驰车组的交通场景为正常跟驰，则执行步骤a1-a2，否则执行步骤a3-a4；
[0092]
步骤a1，按以下公式计算跟驰车组运行状态的初始判别函数值f1：
[0093][0094]
其中，x
i-1
(t)和xi(t)分别为t时刻前车和后车的车头中心位置，v
i-1
(t)和vi(t)分别为t时刻前车和后车的速度，l
i-1
为前车车长；
[0095]
步骤a2，若当前跟驰车组后车驾驶员的驾驶风格为激进非敏感型，则判断初始判别函数值f1是否满足f1≤μ1，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满
足则直接判断当前跟驰车组运行处于非高风险状态；
[0096]
若当前跟驰车组后车驾驶员的驾驶风格为保守非敏感型，则判断初始判别函数值f1是否满足f1≤μ2，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满足则直接判断当前跟驰车组运行处于非高风险状态；
[0097]
若当前跟驰车组后车驾驶员的驾驶风格为激进敏感型，则判断初始判别函数值f1是否满足f1≤μ3，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满足则直接判断当前跟驰车组运行处于非高风险状态；
[0098]
若当前跟驰车组后车驾驶员的驾驶风格为保守敏感型，则判断初始判别函数值f1是否满足f1≤μ4，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满足则直接判断当前跟驰车组运行处于非高风险状态；
[0099]
其中，μ1、μ2、μ3和μ4分别为激进非敏感型、保守非敏感型、激进敏感型和保守敏感型驾驶风格的直接判别系数；
[0100]
步骤a3，计算跟驰车组后车在t时刻避免与对应前车碰撞所需减速度的初始判别函数值f2：
[0101][0102]
其中，v
i-1
(t)和vi(t)分别为前车和后车在t时刻的车速，x
i-1
(t)和xi(t)分别为前车和后车在t时刻的车头中心位置，l
i-1
为前车车长。
[0103]
步骤a4，判断初始判别函数值f2是否满足f2≤θ，如果满足则判断当前跟驰车组运行处于非高风险状态，如果不满足则直接判断当前跟驰车组运行处于高风险状态，其中，θ指后车可达的最大减速度。
[0104]
可选的，μ1＝4，μ2＝3，μ3＝2，μ4＝1；θ＝12.68。
[0105]
具体实施时，对不同交通场景和驾驶风格条件下跟驰车组进行事故风险判定的步骤，具体可以如下：
[0106]
步骤a1，对于步骤2中判定的非正常跟驰交通场景下的跟驰车组，计算后车在t时刻避免与对应跟驰车组前车碰撞所需减速度的初始判别函数值f2：
[0107][0108]
其中，v
i-1
(t)和vi(t)分别为前车和后车在t时刻的车速，x
i-1
(t)和xi(t)分别为前车和后车在t时刻的车头中心位置，l
i-1
为前车车长。
[0109]
若初始判别函数值f2是否满足f2≤θ，则判断当前跟驰车组运行处于非高风险状态，否则直接判断当前跟驰车组运行处于高风险状态；其中，θ指后车可达的最大减速度。在本实施例中，取θ＝12.68。
[0110]
步骤a2，对步骤2中判定的正常跟驰交通场景下的跟驰车组，按以下公式计算跟驰车组运行状态的初始判别函数值f1：
[0111][0112]
其中，x
i-1
(t)和xi(t)分别为t时刻前车和后车的车头中心位置，v
i-1
(t)和vi(t)分别为t时刻前车和后车的速度，l
i-1
为前车车长；
[0113]
若当前跟驰车组后车驾驶员在步骤2判断得到的驾驶风格为激进非敏感型，则判断初始判别函数值f1是否满足f1≤μ1，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满足则直接判断当前跟驰车组运行处于非高风险状态；
[0114]
若当前跟驰车组后车驾驶员在步骤2判断得到的驾驶风格为保守非敏感型，则判断初始判别函数值f1是否满足f1≤μ2，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满足则直接判断当前跟驰车组运行处于非高风险状态；
[0115]
若当前跟驰车组后车驾驶员在步骤2判断得到的驾驶风格为激进敏感型，则判断初始判别函数值f1是否满足f1≤μ3，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满足则直接判断当前跟驰车组运行处于非高风险状态；
[0116]
若当前跟驰车组后车驾驶员在步骤2判断得到的驾驶风格为保守敏感型，则判断初始判别函数值f1是否满足f1≤μ4，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满足则直接判断当前跟驰车组运行处于非高风险状态；
[0117]
其中，μ1、μ2、μ3和μ4分别为激进非敏感型、保守非敏感型、激进敏感型和保守敏感型驾驶风格的直接判别系数；在本实施例中，取μ1＝4，μ2＝3，μ3＝2，μ4＝1。
[0118]
本实施例提供的车辆跟驰运行风险状态判定方法，通过基于实际道路交通中的人工驾驶车辆的高精度轨迹数据，判别当前跟驰车组的交通场景为正常跟驰或者非正常跟驰；针对正常跟驰车组，判别后车驾驶员的驾驶风格属于激进非敏感型、保守非敏感型、激进敏感型或者保守敏感型。进一步地，分析不同交通场景以及驾驶风格条件下的车辆跟驰运行状态，为跟驰车组的分类别、精细化事故风险评估奠基；
[0119]
面向交通轨迹数据，构建对应交通场景及驾驶风格条件下的跟驰车组事故风险评估模型，能够准确地计算出每一时空状态下的事故风险结果，从而挖掘出跟驰车组运行高风险状态，有助于解决直接使用替代性安全评估指标在跟驰车组运行安全评估中的局限性；
[0120]
基于视频采集典型交通区域下的大量人工驾驶车辆高精度轨迹数据，通过车辆跟驰运行过程中前后车间距以及后车速度情况，进行交通场景进行判别划分；基于后车速度和加速度绝对值加和以及后车驾驶员的平均感知反应时间，进行驾驶员驾驶风格的判别划分；所采用的方法设计简单，易于计算，且直观反映不同类别交通场景和驾驶风格的差异，改善了跟驰车组事故风险评估精度，并明确了跟驰车组运行高风险状态的确定方法，对促进未来交通安全的进一步发展意义重大，具有优良的应用前景。
[0121]
下面将结合一个具体实施例对本方案进行说明，s1：通过无人机航拍采集路段交通视频，采用视频图像处理和数据清洗技术进行车辆轨迹数据处理，获取高精度人工驾驶车辆轨迹数据。轨迹数据包含每一秒车辆位置、速度、加速度信息，并对车辆进行标号(即车i d)。
[0122]
将其中的跟驰车组分为k组，k为组别号，k＝1,2，
…
，k，k＝10。将数据记录总时长
分为t个时刻，t为时刻序号，t＝1,2，
…
，t，t＝5。
[0123]
第一个跟驰车组中前车1车及其后车2车的轨迹数据如表1所示：
[0124][0125]
表1
[0126]
第二个跟驰车组中前车8车及其后车9车的轨迹数据如表2所示：
[0127][0128]
表2
[0129]
s2：对步骤s1所获得的大量人工驾驶车辆高精度轨迹数据，进行典型的正常跟驰和非正常跟驰两类交通场景判别划分。
[0130]
利用判别函数f3计算第一个跟驰车组在1～5s内前车和后车平均间距：
[0131][0132]
利用判别函数f
′3计算第一个跟驰车组后车在1～5s内平均速度：
[0133][0134]
可知10.62《20，即f3《ε1，故判定第一个跟驰车组处于非正常跟驰场景。
[0135]
利用判别函数f3计算第二个跟驰车组在1～5s内前车和后车平均间距：
[0136][0137]
利用判别函数f
′4计算第二个跟驰车组后车在1～5s内平均速度：
[0138][0139]
可知21.09》20，即f3》ε1，且27.74》11.12，即f
′3》ε2，故判定第二个跟驰车组处于正常跟驰场景。
[0140]
s3：对步骤s2所获得的正常跟驰场景下人工驾驶车辆轨迹数据，进行后车驾驶员的激进非敏感型、保守非敏感型、激进敏感型和保守敏感型四类驾驶风格判别划分。
[0141]
利用判别函数f4计算第二个跟驰车组中后车在1～5s内速度与加速度绝对值加和的均值：
[0142][0142][0143]
利用判别函数f
′4计算第二个跟驰车组在1～5s内后车驾驶员的平均感知反应时间：
[0144][0145]
可知28.1》19.68，即f4》β1，且1《1.24，即f
′4《β2，故判定第二个跟驰车组的后车驾驶员的驾驶风格属于激进敏感型。
[0146]
s4：基于步骤s2中判别划分所得的跟驰车组，进行事故风险判定。具体步骤如下：
[0147]
s4.1对第一组非正常跟驰车组进行事故风险判定，计算后车2车分别在t＝1,2,3,4,5s时刻避免与对应跟驰车组前车1车碰撞所需减速度的初始判别函数值f2：
[0148][0149]
可得11.42、6.17和3.63均小于12.68，而13.19和16.78均大于12.68，即当t＝2,3,4s时有f2《θ，而当t＝1,5s时有f2》θ。故判定第一组跟驰车组在t＝2,3,4s时刻处于低风险状态，在t＝1,5s时刻处于高风险状态。
[0150]
s4.2对第二组正常跟驰车组进行事故风险判定，计算跟驰车组在t＝1,2,3,4,5s
时刻运行状态的初始判别函数值f1：
[0151][0152]
可得10.5、12.83、6.62、7.45和8.19均大于2，即跟驰车组在t＝1,2,3,4,5s时刻均有f1≥μ3，故判定第二组跟驰车组在t＝1,2,3,4,5s时刻均处于低风险状态。
[0153]
与上面的方法实施例相对应，参见图3，本公开实施例还提供了一种车辆跟驰运行风险状态判定系统30，包括：
[0154]
获取模块301，用于获取多个人工驾驶车辆在实际道路交通中的轨迹数据，其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息；
[0155]
判别模块302，用于将所有人工车辆分为k个跟驰车组，每个跟驰车组包括前车和后车，根据每个跟驰车组后车的轨迹数据和场景判别函数，判断该跟驰车组的交通场景为正常跟驰或者非正常跟驰，基于每个正常跟驰车组后车的轨迹数据和风格判别函数，判别对应驾驶员的驾驶风格属于激进非敏感型、保守非敏感型、激进敏感型或者保守敏感型；
[0156]
判定模块303，用于根据每个跟驰车组的交通场景和驾驶员的驾驶风格对跟驰车组进行事故风险判定。
[0157]
图3所示系统可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
[0158]
参见图4，本公开实施例还提供了一种电子设备40，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的车辆跟驰运行风险状态判定方法。
[0159]
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的车辆跟驰运行风险状态判定方法。
[0160]
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的车辆跟驰运行风险状态判定方法。
[0161]
下面参考图4，其示出了适于用来实现本公开实施例的电子设备40的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0162]
如图4所示，电子设备40可以包括处理装置(例如中央处理器、图形处理器等)401，
其可以根据存储在只读存储器(rom)402中的程序或者从存储装置408加载到随机访问存储器(ram)403中的程序而执行各种适当的动作和处理。在ram403中，还存储有电子设备40操作所需的各种程序和数据。处理装置401、rom402以及ram403通过总线404彼此相连。输入/输出(i/o)接口405也连接至总线404。
[0163]
通常，以下装置可以连接至i/o接口405：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备40与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备40，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0164]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从rom402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
[0165]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0166]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0167]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
[0168]
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
[0169]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c+
+，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0170]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0171]
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
[0172]
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
[0173]
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种车辆跟驰运行风险状态判定方法，其特征在于，包括：步骤1，获取多个人工驾驶车辆在实际道路交通中的轨迹数据，其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息；步骤2，将所有人工车辆分为k个跟驰车组，每个跟驰车组包括前车和后车，根据每个跟驰车组后车的轨迹数据和场景判别函数，判断该跟驰车组的交通场景为正常跟驰或者非正常跟驰，基于每个正常跟驰车组后车的轨迹数据和风格判别函数，判别对应驾驶员的驾驶风格属于激进非敏感型、保守非敏感型、激进敏感型或者保守敏感型；步骤3，根据每个跟驰车组的交通场景和驾驶员的驾驶风格对跟驰车组进行事故风险判定。2.根据权利要求1所述的方法，其特征在于,所述步骤1具体包括：采集实际道路交通的视频，采用视频图像处理技术从视频中提取多个人工驾驶车辆的轨迹数据，对提取的轨迹数据进行数据清洗操作，获得交通轨迹数据，其中，所述数据清洗操作包括除噪、插补和重平衡。3.根据权利要求1所述的方法，其特征在于,所述场景判别函数的表达式为其中，δx(t表示后车在t＝1,2
…
t时刻与前车的间距，v(t表示后车在t时
′
刻的速度，f3为交通场景第一判断函数值，f3为交通场景第二判断函数值；
′
若f3＜ε1或者f3＜ε2，则判别为非正常跟驰场景，否则，判别为正常跟驰场景，其中，ε1和ε2为预设的交通场景判断系数。4.根据权利要求3所述的方法，其特征在于,ε1＝20，ε2＝11.12。5.根据权利要求1所述的方法，其特征在于,所述风格判别函数的表达式为其中，v(t)和a(t)分别表示后车在t＝1,2
…
t时刻的速度和加速度，prt为后车驾驶员的平均感知反应时间，t
i-1
(n)指前车第n次减速的时刻，t
i
(n)指后车第n次减速的时刻，n为跟驰车组的减速总次数，f4为驾驶风格第一判断函数值，f
′4为驾驶风格第二判断函数值；若f4＞β1且f
′4＞β2，则判别为激进非敏感型，若f4＜β1且f
′4＞β2，则判别为保守非敏感型，若f4＞β1且f
′4＜β2，则判别为激进敏感型，若f4＜β1且f
′4＜β2，则判别为保守敏感型，其中，β1和β2为预设的驾驶风格判断系数。6.根据权利要求5所述的方法，其特征在于,β1＝19.68，β2＝1.24。7.根据权利要求1所述的方法，其特征在于,所述步骤3具体包括：若当前跟驰车组的交通场景为正常跟驰，则执行步骤a1-a2，否则执行步骤a3-a4；
步骤a1，按以下公式计算跟驰车组运行状态的初始判别函数值f1：其中，x
i-1
(t)和x
i
(t)分别为t时刻前车和后车的车头中心位置，v
i-1
(t)和v
i
(t)分别为t时刻前车和后车的速度，l
i-1
为前车车长；步骤a2，若当前跟驰车组后车驾驶员的驾驶风格为激进非敏感型，则判断初始判别函数值f1是否满足f1≤μ1，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满足则直接判断当前跟驰车组运行处于非高风险状态；若当前跟驰车组后车驾驶员的驾驶风格为保守非敏感型，则判断初始判别函数值f1是否满足f1≤μ2，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满足则直接判断当前跟驰车组运行处于非高风险状态；若当前跟驰车组后车驾驶员的驾驶风格为激进敏感型，则判断初始判别函数值f1是否满足f1≤μ3，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满足则直接判断当前跟驰车组运行处于非高风险状态；若当前跟驰车组后车驾驶员的驾驶风格为保守敏感型，则判断初始判别函数值f1是否满足f1≤μ4，如果满足则判断当前跟驰车组运行处于高风险状态，如果不满足则直接判断当前跟驰车组运行处于非高风险状态；其中，μ1、μ2、μ3和μ4分别为激进非敏感型、保守非敏感型、激进敏感型和保守敏感型驾驶风格的直接判别系数；步骤a3，计算跟驰车组后车在t时刻避免与对应前车碰撞所需减速度的初始判别函数值f2：其中，v
i-1
(t)和v
i
(t)分别为前车和后车在t时刻的车速，x
i-1
(t)和x
i
(t)分别为前车和后车在t时刻的车头中心位置，l
i-1
为前车车长；步骤a4，判断初始判别函数值f2是否满足f2≤θ，如果满足则判断当前跟驰车组运行处于非高风险状态，如果不满足则直接判断当前跟驰车组运行处于高风险状态，其中，θ指后车可达的最大减速度。8.根据权利要求7所述的方法，其特征在于,μ1＝4，μ2＝3，μ3＝2，μ4＝1；θ＝12.68。9.一种车辆跟驰运行风险状态判定系统，其特征在于，包括：获取模块，用于获取多个人工驾驶车辆在实际道路交通中的轨迹数据，其中，轨迹数据包括对应车辆在预设时间段内各时刻的位置、速度和加速度信息；判别模块，用于将所有人工车辆分为k个跟驰车组，每个跟驰车组包括前车和后车，根据每个跟驰车组后车的轨迹数据和场景判别函数，判断该跟驰车组的交通场景为正常跟驰或者非正常跟驰，基于每个正常跟驰车组后车的轨迹数据和风格判别函数，判别对应驾驶员的驾驶风格属于激进非敏感型、保守非敏感型、激进敏感型或者保守敏感型；判定模块，用于根据每个跟驰车组的交通场景和驾驶员的驾驶风格对跟驰车组进行事
故风险判定。10.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-8中任一项所述的车辆跟驰运行风险状态判定方法。

技术总结
本公开实施例中提供了一种车辆跟驰运行风险状态判定方法、系统及设备，属于数据处理技术领域，具体包括：步骤1，获取多个人工驾驶车辆在实际道路交通中的轨迹数据；步骤2，将所有人工车辆分为K个跟驰车组，每个跟驰车组包括前车和后车，根据每个跟驰车组后车的轨迹数据和场景判别函数，判断该跟驰车组的交通场景为正常跟驰或者非正常跟驰，基于每个正常跟驰车组后车的轨迹数据和风格判别函数，判别对应驾驶员的驾驶风格属于激进非敏感型、保守非敏感型、激进敏感型或者保守敏感型；步骤3，根据每个跟驰车组的交通场景和驾驶员的驾驶风格对跟驰车组进行事故风险判定。通过本公开的方案，提高了判定精准度和适应性。提高了判定精准度和适应性。提高了判定精准度和适应性。


技术研发人员：李烨 伍丹 黄合来 李载宁 唐进君
受保护的技术使用者：中南大学
技术研发日：2022.12.13
技术公布日：2023/7/6