跨海桥梁上车辆轨迹预测方法、设备和存储介质

1.本发明涉及桥梁安全技术领域，尤其涉及一种跨海桥梁上车辆轨迹预测方法、设备和存储介质。


背景技术：

2.跨海桥梁是东部沿海地区的重要交通线路组成，对跨海桥梁上行驶的车辆进行跟踪监控，有利于进行更好的交通管理。例如，对危化品运输车辆进行跟踪监控，避免发生事故，导致人员伤亡、桥梁结构破坏、环境污染等恶劣后果。
3.车辆轨迹预测是车辆跟踪监控的常用手段。首先通过车辆识别找出目标车辆，然后实时跟踪车辆的位置和运动状态，并根据当前位置和状态预测下一刻位置和状态。现有的车辆轨迹预测技术多是围绕一般行驶环境开展的，对周围环境的感知局限于对路面状况、道路拥挤程度等交通环境，难以兼顾跨海桥梁上特殊的环境因素。


技术实现要素：

4.本发明提供一种跨海桥梁上车辆轨迹预测方法、设备和存储介质，根据跨海桥梁的环境因素对车辆运动状态进行修正，使得轨迹预测更符合实际。
5.第一方面，本发明提供了一种跨海桥梁上车辆轨迹预测方法，包括：构建车辆在跨海桥梁上行驶的动力学方程；其中，所述动力学方程描述侧向风速与车辆运动状态之间的关系；根据卡尔曼滤波原理，由所述车辆的上一时刻实际运动状态和当前观测运动状态，确定当前滤波后运动状态，其中，观测运动状态指由观测设备观测到的车辆运动状态；利用所述动力学方程，根据当前侧向风速修正所述当前滤波后运动状态，得到当前实际运动状态；将当前时刻作为上一时刻，返回根据卡尔曼滤波原理，由所述车辆的上一时刻实际运动状态和当前观测运动状态，确定当前滤波后运动状态的步骤，直到得到完整的车辆轨迹。
6.第二方面，本发明还提供了一种电子设备，所述电子设备包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本技术所述的跨海桥梁上车辆轨迹预测方法。
7.第三方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本技术所述的跨海桥梁上车辆轨迹预测方法。
8.本发明考虑了跨海桥梁的特殊环境，对车辆运动状态进行卡尔曼滤波后，通过侧向风速对滤波后运动状态进行修正，使最终的当前实际运动状态受侧向风速、上一刻实际运动状态、当前观测运动状态的共同约束，更接近真实情况，车辆轨迹也更加精确；此外，本
申请构建了与侧向风速相关的动力学方程，提供了侧向风速对运动状态影响的计算方法，提供了在轨迹预测中考虑侧向风速的可实现性。
附图说明
9.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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他的附图。
10.图1是本发明实施例提供的一种跨海桥梁上车辆轨迹预测方法的流程图；图2是本发明实施例提供的车辆受力情况及运动状态的示意图；图3是本发明实施例提供的基于双目视觉原理确定车辆位置的示意图；图4是本发明实施例提供的另一种跨海桥梁上车辆轨迹预测方法的流程图；图5为本技术实施例提供的一种试验对象分组方式示意图；图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
11.为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
12.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
13.在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
14.图1是本发明实施例提供的一种跨海桥梁上车辆轨迹预测方法的流程图，适用于对跨海桥梁上的行驶车辆进行跟踪监控的情况，本实施例由电子设备执行。结合图1，本实施例提供的方法具体包括：s10、构建车辆在所述桥梁上的动力学方程，所述动力学方程描述侧向风速与车辆运动状态之间的关系。
15.侧向指垂直于车辆行驶方向的方向。侧向风速指垂直于车辆行驶方向的风速。由于跨海桥梁上风速很大、风速多变，车辆行驶受侧向风速影响明显，因此本实施例充分考虑到了跨海桥梁环境的特殊性，构建车辆在跨海桥梁上的动力学方程。所述动力学方程用于描述侧向风速与车辆运动状态之间的关系，以便根据侧向风速对车辆的运动状态进行修
正。
16.本实施例中的运动状态包括位置、速度和加速度。图2是本发明实施例提供的车辆受力情况及运动状态的示意图。如图2所示，可选地，动力学方程如下所示：（1）其中，fi表示轮胎i受到的滚动摩擦力（i=1、2、3、4），hi表示轮胎i受到的侧滑摩擦力，ti表示车辆牵引力，vi表示车辆与路面间的接触力；m表示车辆质量，表示车辆行驶加速度（即沿行驶方向的加速度），表示为车辆侧滑加速度（即沿侧向的加速度），g表示重力加速度；p表示车轮横向间距的一半，q表示车辆质心距路面的距离，r和s分别表示车辆质心距车辆后轴和前轴的水平距离；s、d、l分别表示侧向风速引起的气动侧力、气动阻力和气动升力，p、r、y分别表示侧向风速引起的俯仰力矩、滚动力矩和偏转力矩，s、d、l及p、r、y均可以通过侧向风速求得。可以看出，方程（1）描述了侧向风速与车辆行驶加速度和侧滑加速度的关系，可以作为本实施例中的动力学方程。
17.s20、根据卡尔曼滤波原理，由所述车辆的上一时刻实际运动状态和当前观测运动状态，确定当前滤波后运动状态，其中，观测运动状态指由路侧设备观测到的车辆运动状态。
18.卡尔曼滤波的基本原理是；首先，根据设定的预测方程，由上一时刻的运动状态预测当前运动状态；同时，通过观测设备观测当前运动状态；然后，根据观测到的运动状态对预测到的当前运动状态进行优化，得到滤波后的当前运动状态。
19.为了便于区分和描述，下面将预测到的运动状态称为“预测运动状态”，将观测到的运动状态称为“观测运动状态”，将滤波后的运动状态称为“滤波后运动状态”。此外，本实施例中的运动状态包括位置、速度和加速度，以观测运动状态为例，观测运动状态包括观测位置、观测速度和观测加速度。其余几种运动状态类似，不再赘述。
20.可选地，采用如下所示的运动学方程作为预测方程：（2）其中，x表示位置，δx表示位移，δ表示速度增量，表示速度，表示加速度，δt表示运动时间。首先根据上述运动学方程，由上一时刻实际运动状态预测得到当前预测运动状态；然后根据当前观测运动状态对当前预测运动状态进行修正，得到当前滤波后运动状态。
21.需要说明的是，这里的运动学方程与s10中得到的动力学方程是不同的。运动学方程基于运动学原理建立，描述车辆各运动状态变量（例如位置、速度和加速度）之间的关系，而动力学方程基于力学原理建立，描述车辆受力和车辆运动之间的关系。
22.s30、利用所述动力学方程，根据当前侧向风速修正所述当前滤波后运动状态，得到当前实际运动状态。
23.由于运动学方程描述的是车辆各运动状态变量之间的关系，难以反映侧向风速这一外在因素对车辆运动状态的影响，因此，本实施例认为滤波后运动状态并不是真实的运动状态，有待进一步修正，修正后的运动状态称为“实际运动状态”。
24.本实施例通过动力学方程来反映侧向风速对车辆运动状态的影响，从而实现对滤波后运动状态的修正。以动力学方程（1）为例，其中描述了侧向风速与车辆行驶加速度和侧滑加速度的关系，至少能够修正车辆的当前滤波后行驶加速度或当前滤波后侧滑加速度，得到当前实际行驶加速度或当前实际侧滑加速度。对于未修正的运动变量，则将当前滤波后的值作为当前实际值。
25.s40、将当前时刻作为上一时刻，返回根据卡尔曼滤波原理，由所述车辆的上一时刻实际运动状态和当前观测运动状态，确定当前滤波后运动状态的步骤，直到得到完整的车辆轨迹。
26.步骤s20和s30是不断重复的过程：通过s20和s30由上一时刻实际运动状态得到当前实际运动状态后，继续返回s20和s30由当前实际运动状态得到下一时刻实际运动状态，循环重复，直到得到所有时刻的实际运动状态，即得到了完整的车辆轨迹。
27.本实施例的技术效果是：考虑了跨海桥梁的特殊环境，对车辆运动状态进行卡尔曼滤波后，通过侧向风速对滤波后运动状态进行修正，使最终的当前实际运动状态受侧向风速、上一刻实际运动状态、当前观测运动状态的共同约束，更接近真实情况，车辆轨迹也更加精确；此外，本实施例构建了与侧向风速相关的动力学方程，提供了侧向风速对运动状态影响的计算方法，提供了在轨迹预测中考虑侧向风速的可实现性。
28.在上述实施例和下述实施例的基础上，本实施例对动力学方程的构建过程进行细化。可选地，构建车辆在跨海桥梁上行驶的动力学方程，具体包括如下步骤：s11、基于受力平衡和力矩平衡原理，构建车辆在所述桥梁上的基础方程。
29.受力平衡和力矩平衡是构建动力学方程的基础原理，因此首先根据行驶方向、侧向和垂直方向的受力平衡和力矩平衡，构建车辆的基础方程。可选地，采用方程组（1）作为本实施例的基础方程。其中的前三个方程分别根据行驶方向、侧向、垂直方向的受力平衡原理建立，后三个方程分别根据行驶方向、侧向、垂直方向的力矩平衡原理建立。
30.为了进一步减少基础方程中未知变量的个数，本实施例将对基础方程进行优化，作为最终的动力学方程。
31.s12、确定所述基础方程中的运动状态相关变量和侧向风速相关变量。
32.构建动力学方程的目的是描述侧向风速与车辆运动状态之间的关系。因此首先从基础方程中确定与运动状态相关的变量，以及与侧向风速相关的变量，以进一步明确二者的关系。
33.其中，运动状态相关变量包括：行驶加速度和侧滑加速度；侧向风速相关变量包括：气动侧力s、气动阻力d和气动升力l，以及俯仰力矩p、滚动力矩r和偏转力矩y。
34.s13、确定所述运动状态相关变量与运动状态之间的运动关系方程。
35.运动状态包括：位置、速度和加速度。其中，位置包括行驶方向位置和侧向位置，速度包括行驶速度（沿行驶方向的速度）和侧滑速度（沿侧向的是速度），加速度包括行驶加速度和侧滑加速度。本实施例中的运动状态相关变量为行驶加速度和侧滑加速度，它
们本身就是运动状态的一部分。
36.s14、确定所述侧向风速相关变量与侧向风速之间的风速关系方程。
37.侧向风速相关变量为：气动侧力s、气动阻力d和气动升力l，以及俯仰力矩p、滚动力矩r和偏转力矩y。它们与侧向风速之间的风速关系方程如下：（3）其中，ρ表示空气密度，u表示侧向风速，a表示车辆迎风面积，cd、cs、c
l
、cr、c
p
、cy为已知气动力系数。
38.s15、确定其余变量之间的变量关系方程。
39.其余变量指基础方程（1）中除运动状态相关变量和侧向风速相关变量之外的其它变量。确定其余变量之间的变量关系方程，可以进一步减少方程中未知变量的个数，增强方程的可求解性。本实施例中的其余变量包括：滚动摩擦力fi、侧滑摩擦力hi、牵引力ti、接触力vi；其余变量之间的变量关系方程为：（4）其中，n表示已知滚动摩擦系数，m表示已知侧滑摩擦系数，k表示无量纲系数。
40.需要说明的是，基础方程中的其他参数：车辆质量m、表示重力加速度g、车轮横向间距的一半p、车辆质心距路面的距离q，以及车辆质心距车辆后轴和前轴的水平距离r和s均可以通过简单的方式直接获取，在本实施例中视为固定量。
41.s16、将所述基础方程、所述运动关系方程、所述风速关系方程和所述变量关系方程联立，得到动力学方程。
42.本实施例中将方程组（1）（3）（4）联立，得到最终的动力学方程。通过该动力学方程，可以根据侧向风速求解行驶加速度和侧滑加速度，实现对运动状态的修正。
43.本实施从侧向风速对车辆的影响机理出发，通过受力平衡和力矩平衡构建动力学方程的基础方程；再从基础方程中寻找运动状态相关变量和侧向风速相关变量，将基础方程延伸到运动状态和侧向风速，以便建立明确二者之间的联系；最后通过确定其他变量之间的关系，来减少未知变量的个数，提高方程组的可求解性。联立形成的动力学方程能够反映运动状态和侧向风速之间的联系，且使未知变量的个数减小到可控范围内，可求解性强。
44.在上述实施例和下述实施例的基础上，本实施例对s20、s30和s40的循环过程进行细化。可选地，所述车辆为危化品车辆，所述观测设备为两个路侧摄像机。
45.危化品车辆发生安全事故时会产生严重的恶劣影响，因此危化品车辆的轨迹跟踪需要更高的精度。现有的车辆识别技术一般通过车载gps实时观测车辆的位置信息，由于卫星通行的空中长距离限制，gps定位的数据误差一般在5m左右，而三车道的桥面宽度一般为12m左右，5m超出了跨海桥梁的误差可接受范围。所以采用gps数据进行车辆跟踪及轨迹预测对跨海桥梁管理部门进行危化品车辆监控意义不大。本实施例直接采用路侧摄像机观测车辆的运动状态，相比于车载gps而言，具有更的观测精度。
46.在上述应用场景下，s20、s30和s40的循环过程可大致分为以下四个阶段：（一）根据卡尔曼滤波原理，由所述车辆的上一时刻实际运动状态和当前观测运动状态，确定当前滤波后运动状态。具体包括如下步骤：s21、根据所述两个路侧摄像机的系统时间，提取每个摄像机拍摄的当前图像，其中，所述当前图像记录所述车辆在所述当前时刻的位置。
47.为了提高观测精度，本实施例将采用两个路侧摄像机来模拟双目摄像机，基于双目视觉原理确定车辆的当前观测位置。市面上常见的双目摄像机包括两个摄像头，二者由同一个处理芯片控制，系统时间完全同步，因此同一系统时间拍摄的图像记录了同一实际时刻的车辆位置，可直接采用双目视觉原理进行定位计算。而本实施例的中的两个路侧摄像机相互独立，系统时间并不完全同步，需提取到同一实际时刻拍摄的图像，才能进行定位计算。
48.可选地，将电子设备执行步骤s20的时刻作为当前时刻。每次执行步骤s20时，首先提取两个路侧摄像机拍摄的记录当前时刻车辆位置的图像。而在实际应用中，电子设备与路侧摄像机的系统时间也不完全一致。
49.基于以上原因，本实施例在提取每个摄像机的当前图像时，首先根据电子设备的系统时间和每个摄像机的系统时间进行时间戳校对，确保提取到的图像中记录的是车辆在当前时刻的位置。
50.在一具体实施方式中，将电子设备、两个路侧摄像机三者的其中之一作为主设备，其余设备作为从设备；主设备按照预设时间间隔向从设备发送主设备系统时间，每个从设备根据主设备系统时间对交互数据（图像或控制信号等）的时间戳进行校对，确保交互数据的时间同步。
51.s22、根据所述车辆在两个当前图像中的位置，基于双目视觉原理确定所述车辆的当前观测运动状态。
52.具体来说，图3是本发明实施例提供的基于双目视觉原理定位的示意图。如图3所示，p点表示车辆，o
cl
、o
cr
分别为两个路侧摄像机的光心。设定左侧摄像机坐标系为o
cl-x
clyclzcl
，位于世界坐标系原点，且没有发生旋转；左侧摄像机的图像坐标系为o
l-x
lyl
，有效焦距为f
l
。右侧摄像机坐标系为o
cr-x
crycrzcr
，右侧摄像机的图像坐标系为o
r-xryr，有效焦距为fr。左右摄像机的坐标系之间的位置关系通过空间转换矩阵表示为：
（5）其中，[r|t]为空间转换矩阵，r为旋转矩阵，t为平移矩阵。
[0053]
在本步骤中，首先获取车辆在两个当前图像中的图像坐标(x
l
,y
l
)和(xr,yr)，然后通过下式计算得到车辆的真实坐标(x,y,z)，即车辆在跨海桥梁上的位置：（6）可选地，根据所述两个路侧摄像机之间的系统时间差，提取每个摄像机拍摄的当前图像之前，还包括：对所述两个路侧摄像机的光心高度进行校准，使光心高度一致。
[0054]
在上述实施例中的双目视觉定位算法中，默认左右摄像机的光心高度是一致的。实际应用中，两个路侧摄像机的光心高度可能并不一致，在提取当前图像之前，首先要对路侧摄像机的光心高度进行校准。
[0055]
在一具体实施方式中，首先，随机获取路侧摄像机拍摄的图像，该图像用于校准光心，称为校准图像；然后，根据摄像机成像原理，从校准图像识别摄像机的原始光心高度；如果高度不一致，发出光心校准警示，用于提示维护人员调整两个路测摄像机的安装高度，以保持光心高度。调整后重新随机获取校准图像，直到光心高度一致。
[0056]
本实施例基于双目视觉原理实现车辆定位，提高定位准确性。但现有的双目摄像机造价昂贵，拍摄距离有限，多用于实验室研究。本实施例充分利用现有设备，采用两个路侧摄像机替代双目摄像机，大大提高了可拍摄距离；并通过时间校准和光心校准，对双目视觉定位算法进行优化，克服了两个路侧摄像头时间不同步和光心不同轴的问题，提高了算法在跨海桥梁车辆识别场景中的适用性。此外，本实施例只需利用现有路侧设备，不需要在车辆上额外安装观测传感器，减少设备数量，便于维护利用；同时无需路侧设备和车辆、车辆与车辆之间的信息交互，避免复杂的交互过程引入其他噪声。
[0057]
可选地，获取车辆在两个当前图像中的图像坐标(x
l
,y
l
)和(xr,yr)之前，还包括：获取每个摄像机连续拍摄的、该路段典型车辆（如典型危化品车辆）的图像集，图像集包括不同角度、不同遮挡程度的车辆图像；采用图片标注工具labelimg对图像中的车辆进行标注，利用yolo算法训练典型车辆识别模型。
[0058]
相应地，获取车辆在两个当前图像中的图像坐标(x
l
,y
l
)和(xr,yr)，包括：利用训练好的典型车辆识别模型对当前图像进行识别，得到车辆在当前图像中的图像坐标。
[0059]
本实施例将yolo算法和改进后的双目视觉算法的结合，实现危化品车辆的识别和
定位，相比于传统定位方法，定位精度更高。
[0060]
（二）利用yolo和双目视觉原理得到观测运动状态后，利用观测运动状态进行卡尔曼滤波。本实施例将n时刻作为当前时刻，根据卡尔曼滤波理论，将车辆的当前实际运动状态定义为，包括在行驶方向和侧向的实际位置、实际速度和实际加速度，分别称为：实际行驶位置、实际行驶速度、实际行驶加速度、实际侧向位置、实际侧滑速度和实际侧滑加速度。
[0061]
可选地，根据卡尔曼滤波原理，由所述车辆的上一时刻实际运动状态和当前观测运动状态，确定当前滤波后运动状态，包括如下步骤：s23、根据以下公式，由上一时刻实际运动状态预测当前运动状态：x
n,n－1 =fx
n－1
（7）其中，x
n,n－1
表示当前预测系统状态，x
n－1
表示上一时刻实际运动状态，f表示状态转换矩阵。可选地，根据预测方程（2），得出f的具体表达式如下：（8）其中，
∆
t表示当前时刻与上一时刻之间的时间间隔。该式在整个卡尔曼滤波过程中是不变的。
[0062]
s24、根据以下公式，由状态转换矩阵计算运动状态的当前预测误差矩阵： p
n,n－1
=fp
n－1,n－1ft
+q（9）其中，p
n,n－1
表示当前预测误差矩阵，p
n－1,n－1
表示上一刻预测误差矩阵，q表示过程噪声矩阵。假定行驶方向和侧向不相关，q按下式计算：（10）其中，表示加速度的方差，表征计算公式的计算精度，本实施例中将视为已知量。
[0063]
s25、根据以下公式，由当前预测误差矩阵计算当前卡尔曼增益：
kn = p
n,n－1ht
(hp
n,n－1ht
+rn)
－1 （11）其中，kn 表示当前卡尔曼增益；rn表示观测误差，由观测设备（即两个路侧摄像机）的参数决定，在本实施例中视为已知的定值；h表示观测矩阵，满足观测方程：zn=hxn，其中，zn为双目视觉算法识别得到的当前观测位置，包括当前行驶位置x
n,measured
和当前侧向位置y
n,measured
，zn= [x
n,measuredyn,measured
]
t
，。
[0064]
s26、根据以下公式，由当前卡尔曼增益和当前观测运动状态，对当前预测运动状态进行优化，得到当前滤波后运动状态：x
n,n
= x
n,n－1 +kn(z
n －hx
n,n－1
)（12）其中，x
n,n
表示当前滤波后运动状态。
[0065]
s27、根据以下公式，计算下一时刻预测误差矩阵：p
n,n
=(1－ knh)p
n,n－1
(1－ knh )
t + k
nrnknt （13）本实施例没有将复杂的加速度定义方程和动力学方程纳入状态转换矩阵f中，采用最简单的状态转换矩阵计算卡尔曼增益，根据观测运动状态和预测运动状态得到滤波后运动状态；然后根据加速度的定义修正滤波后行驶加速度，利用动力学方程修正滤波后侧向加速度，从而得到实际运动状态。通过这样的方式，既充分考虑了侧向风速对运动状态的影响，又避免了构建庞大的矩阵形式f和f
t
，简化了公式（9）-（13）的计算复杂度。
[0066]
（三）得到当前滤波后运动状态后，利用所述动力学方程修正所述当前滤波后运动状态，得到当前实际运动状态，具体包括如下步骤：s31、根据当前滤波后位置、上一时刻实际位置和上上一时刻实际位置，得到当前实际行驶加速度。
[0067]
由公式（8）可知，当前预测加速度与上一时刻实际加速度相同。在公式（9）-（13）的计算过程中，加速度始终不变，即当前滤波后加速度仍然等于上一时刻实际加速度，与实际不符。因此，本实施例假设当前时刻、上一时刻和上上一时刻沿直线运动，于是根据加速度的定义，采用卡尔曼滤波得到的当前滤波后位置，以及已经确定的上一刻实际位置和上上一时刻实际位置，来计算新的当前加速度，作为当前实际行驶加速度。
[0068]
s32、根据所述侧向风速和所述动力学方程，判断所述车辆的气动侧力是否超过设定阈值。
[0069]
动力学方程的作用是根据侧向风速修正滤波后运动状态。当侧向受力很小时，侧向受力平衡，侧向风速对运动状态不产生影响；只有当气动侧力达到一定程度时，侧向风速才会对运动状态产生影响。
[0070]
所述设定阈值根据所述动力学方程确定方程组（1）中的第二个方程就是车辆的侧向受力平衡方程，由该方程可知，当侧向受力平衡时，h
1 + h
2 + h
3 + h
4 + s = 0，可以得出|s| =|h
1 + h
2 + h
3 + h4|＜m|v
1 + v
2 + v
3 + v4|＜m|mg|。因此，本实施例将m|mg|作为设定阈值。
[0071]
具体来说，首先，将侧向风速u代入方程组（3）中的，得到气动侧力s。然后，比较|s|与阈值m|mg|。
[0072]
s33、如果所述气动侧力不超过所述设定阈值，将所述当前滤波后运动状态作为当
前实际运动状态。
[0073]
如果|s| ≤m|mg|，则认为侧向风速不会对运动状态产生影响，将所述当前滤波后运动状态作为当前实际运动状态。
[0074]
s33、如果所述气动侧力超过所述设定阈值，根据所述动力学方程计算当前实际运动状态。
[0075]
如果|s| ＞m|mg|，则认为侧向风速会对运动状态产生影响，这时将当前滤波后行驶加速度和侧向风速u代入（1）（3）（4）联立的动力方程中，求解当前实际运动状态。具体来说，将方程（3）和（4）代入方程（1）中，最终得到6个方程，包括6个未知变量：接触力vi（i=1、2、3、4）,侧滑加速度和无量纲系数k。后续实施例中方程组中存在6个方程、6个变量，可以求得一组唯一解。求解得到的侧滑加速度即为当前实际侧滑加速度。
[0076]
在本实施例中，侧向风速对运动状态修正的对象是行驶加速度和侧滑加速度，其余运动状态变量的实际值保持滤波后的值不变。本实施例设定了气动侧力阈值，如果风速很小，气侧动力小于该阈值，则无需根据动力方程计算当前实际侧滑加速度，减小了计算量。
[0077]
（四）得到当前实际运动状态后，将当前时刻作为上一时刻，将所述当前实际运动状态作为上一时刻实际运动状态，返回s20，直到得到完整的车辆轨迹。
[0078]
图4是本发明实施例提供的另一种跨海桥梁上车辆轨迹预测方法的流程图，显示了s20、s30和s40的上述循环过程。
[0079]
在上述实施例和下述实施例的基础上，本实施例对动力学方程进行优化。可选地，基于受力平衡和力矩平衡原理，构建车辆在所述桥梁上的基础方程，包括：步骤一、根据驾驶员信息，构建车辆方向盘转角模型。
[0080]
鉴于危化品车辆轨迹预测对精度的严格要求，本实施例除了考虑跨海桥梁上的特殊自然环境，还考虑了驾驶员信息对车辆运动状态的影响。所述驾驶员信息包括：驾驶员年龄、驾驶员驾龄以及驾驶员在当前路段的异常行为数据。这些驾驶员信息均会影响车辆方向盘转角，从而干涉车辆运动状态的。因此，首先构建方向盘转角模型，来描述驾驶员信息对方向盘转角的影响。
[0081]
步骤二、根据所述方向盘转角模型，基于受力平衡和力矩平衡原理，构建车辆在所述桥梁上的基础方程。
[0082]
所构建的基础方程如下：（14）其中，δ为车辆方向盘转向角，可以通过所述方向盘转角模型确定。
[0083]
本实施例的车辆动力学模型中，综合考虑了驾驶员信息、跨海桥梁的环境因素以
及危化品车辆的参数，使得确定的车辆响应符合驾驶场景，避免了跨海桥梁上驾驶员的不当操作被不利环境因素放大，导致车辆发生事故的问题。
[0084]
在上述实施例和下述实施例的基础上，本实施例对车辆方向盘转角模型的构建过程进行细化。可选地，根据驾驶员信息，构建车辆方向盘转角模型，具体包括：步骤一、获取多组原始数据，其中，每组原始数据中包括驾驶员年龄原始数据、驾驶员驾龄原始数据、驾驶员异常行为原始数据、车辆侧向位移原始数据与车辆方向盘转向角原始数据。
[0085]
获取多组原始数据的方法为：驾驶员因素具有随机变异性，将驾驶员的影响作为影响车辆方向盘转向角的因素。采用驾驶员模拟驾驶试验，收集驾驶员年龄、驾驶员驾龄、驾驶员典型异常行为、车辆侧向位移与车辆方向盘转向角之间的原始数据。
[0086]
本实施例中进行的模拟驾驶试验，首先按照驾驶员年龄和驾龄选定试验对象。驾驶员驾龄指驾驶员从事危化品车辆运输的时间，驾龄分为一年以内、一年以上五年以下、五年及五年以上三组。驾驶员年龄分为30岁以内、30~50岁、50岁以上三组，且满足危化品运输驾驶员年龄需在60岁以下的国家规定。选择相同数量的不同驾龄段和年龄段的驾驶员，如图5所示。试验对象按照不同变量类型共分为多组，每组试验重复多次，每次根据输出控制车辆侧向位移连续采集多个转向角数据。据此，得到包括驾驶员年龄原始数据、驾驶员驾龄原始数据、驾驶员异常行为原始数据、车辆侧向位移原始数据与车辆方向盘转向角原始数据的多组原始数据。
[0087]
其中，对驾驶员异常行为原始数据进行赋值。驾驶员无异常行为赋值0，抽烟赋值为1，使用手机赋值为2，疲劳驾驶赋值为3。驾驶员异常行为还有较多，比如酒驾、路怒等，但这些行为不容易检测，故在方向盘转向角模型中不做考虑。
[0088]
步骤二、基于所述多组原始数据，通过机器学习线性回归算法进行模型训练，得到所述方向盘转向角模型。
[0089]
具体来说，将多组原始数据中的驾驶员年龄原始数据、驾驶员驾龄原始数据、驾驶员异常行为原始数据以及车辆侧向位移原始数据输入当前方向盘转向角模型，得到多组原始数据分别对应的当前方向盘转向角模型的多个输出；将当前方向盘转向角模型的多个输出以及多组原始数据中的车辆方向盘转向角原始数据输入损失函数，并判断损失函数的输出是否满足预设要求；响应于损失函数的输出满足预设要求，将当前方向盘转向角模型作为预设的方向盘转向角模型；响应于损失函数的输出不满足预设要求，根据损失函数的输出调整当前方向盘转向角模型的线性回归拟合系数，根据调整模型参数后的方向盘转向角模型以及多组原始数据进入下一迭代操作，直至得到预设的方向盘转向角模型。
[0090]
其中，当前方向盘转向角模型为δ
θ
(a) =θ0+ θ1a1+ θ2a2+ θ3a3+ θ4a4，为当前方向盘转向角模型的输出，a1、a2、a3和a4分别为每组原始数据中的驾驶员年龄原始数据、驾驶员驾龄原始数据、驾驶员异常行为原始数据以及车辆侧向位移原始数据，θ0、θ1、θ2、θ3和θ4为当前方向盘转向角模型的线性回归拟合系数，损失函数为，为第i组原始数据对应的当前方向盘转向角模型的输出，δ(i)为第i组原始数据中的车辆方向盘转向角原始数据，l为多组原始数据的组数。
[0091]
在matlab中训练当前方向盘转向角模型，用梯度下降的方法确定使损失函数最小
的参数值。本实例中迭代次数为1500次，梯度下降步长取0.01。
[0092]
需要说明的是，本实施例中的预设的方向盘转向角模型可以不断更新，也就是说，危化品车辆在跨海桥梁上进行运输作业的历史数据可以被存储，以用于更新训练预设的方向盘转向角模型的原始数据，当训练方向盘转向角模型的原始数据被更新时，可以执行本实施例中的步骤一、步骤二，更新方向盘转向角模型中的线性回归拟合系数，提高模型的准确度。
[0093]
本实施例中，通过机器学习线性回归算法确定预设的方向盘转向角模型，将驾驶员年龄、驾驶员驾龄、驾驶员典型异常行为、车辆侧向位移综合作为影响车辆方向盘转向角的因素，使得车辆方向盘转向角与车辆参数以及驾驶员信息关联，反映了车辆方向盘转向角与其他物理量之间的关系，达到提高车辆方向盘转向角准确性的目的。
[0094]
图6为本发明实施例提供的一种电子设备的结构示意图，如图6所示，该设备包括处理器50、存储器51、输入装置52和输出装置53；设备中处理器50的数量可以是一个或多个，图6中以一个处理器50为例；设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接，图6中以通过总线连接为例。
[0095]
存储器51作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种跨海桥梁上车辆轨迹预测方法对应的程序指令/模块。处理器50通过运行存储在存储器51中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的一种跨海桥梁上车辆轨迹预测方法。
[0096]
存储器51可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器51可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器51可进一步包括相对于处理器50远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0097]
输入装置52可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。
[0098]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例的一种跨海桥梁上车辆轨迹预测方法。
[0099]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（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。在本文件中，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。
[0100]
计算机可读的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。计算机可读的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。
[0101]
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，包括但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0102]
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发明操作的计算机程序代码，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）。
[0103]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。