智能网联环境下道路安全风险检测器优化布设方法及系统与流程

1.本发明涉及混合交通流安全风险检测技术领域，具体涉及一种智能网联环境下道路安全风险检测器优化布设方法及系统。


背景技术：

2.随着自动驾驶技术的不断发展成熟，未来很长一段时间会出现传统的人工驾驶车辆与不同等级自动驾驶车辆混行的场景，自动驾驶汽车的一些行车规则与人类驾驶员的行车习惯有差异，而这种差异性往往会成为自动驾驶汽车与人工驾驶车辆碰撞的原因，尤其是在道路测试中技术成熟度尚待提升的智能网联汽车，与人工驾驶汽车混合智能交互运行，易导致混合交通流场景下的安全风险隐患增加。
3.现有有效的解决方法是在路侧设置安全风险检测器，及时的对风险进行检测并对高风险采取及时的预警和控制策略；但是面对如此大规模的路网，若所有路段都布设检测器，将大大增加投入和运维成本，不符合交通经济特性；因此，如何在合适的路段设置最少数量的安全风险检测器，实现整个路网中安全风险的精准检测是一个难题。


技术实现要素：

4.针对现有技术中存在的不足之处，本发明提供一种智能网联环境下道路安全风险检测器优化布设方法及系统，通过在路网合适位置布设风险检测器，保证在复杂的混合交通流场景下路网系统安全高效运行。
5.本发明公开了一种智能网联环境下道路安全风险检测器优化布设方法，包括：
6.将路网分割成n个路段，每个路段称一个元胞，并将划分好的元胞依次标定序号；
7.以元胞的交通流密度作为状态变量，建立包含n个元胞的混合交通流模型：
[0008][0009]
式中，x＝[x1,
…
,xn]
t
表示路网的交通流密度向量，u＝[u1,u2…
,uq]
t
表示路网的控制输入，q是控制器数量；y＝[y1,y2…
,y
p
]表示交通检测器的测量结果，p是布设的检测器的数量；a
σ(t)
是系统矩阵，b
σ(t)
是系统的输入矩阵，c为设计的输出矩阵；f
σ(t)
是仿射向量；
[0010]
获取每个路段内车辆总数量和自动驾驶车辆数量，并基于车辆总数量和自动驾驶车辆数量计算自动驾驶车辆的混入率；
[0011]
基于混合交通流模型和自动驾驶车辆的混入率，计算不同自动驾驶车辆混入率下的系统矩阵集合a：
[0012]
a＝{a1,a2,
…
,am}
[0013]
式中，am为第m种自动驾驶车辆混入率的系统矩阵，系统矩阵为n
×
n；
[0014]
基于混合交通流模型，设计输出矩阵c：
[0015][0016]
利用系统可控性秩判据，计算rank(am,ci)的值是否为n；若是，则保留输出矩阵ci，若不是，则删除输出矩阵ci；
[0017]
筛选满足所有自动驾驶车辆混入率情况下的输出矩阵，并从筛选的输出矩阵中选择布设位置最佳、数量最少的输出矩阵作为控制矩阵；
[0018]
基于所述控制矩阵，进行检测器的布设。
[0019]
作为本发明的进一步改进，所述路网的分割方法，包括：
[0020]
按照路网中入口匝道、出口匝道的数量和位置、车道数变化位置以及道路曲率半径发生变化的位置，将路网分割为n个路段。
[0021]
作为本发明的进一步改进，
[0022]
所述获取每个路段内车辆总数量和自动驾驶车辆数量，并基于车辆总数量和自动驾驶车辆数量计算自动驾驶车辆的混入率，包括：
[0023]
基于视频检测器获取每个路段的驶入车辆数n
视频驶入
和驶出车辆数n
视频驶出
，并计算该路段的车辆数n
视频
；和/或，基于微波检测器获取每个路段的驶入车辆数n
微波驶入
和驶出车辆数n
微波驶出
，并计算该路段的车辆数n
微波
；
[0024]
将n
视频
中n
微波
中的一种或多种结果融合后得到的作为该路段的车辆总数量n；
[0025]
基于网联自动驾驶车辆检测器获取每个路段的驶入自动驾驶车辆数m
上游驶入
和驶出自动驾驶车辆数m
下游驶出
，并计算该路段内的自动驾驶车辆数m1；和/或，基于边缘计算单元实时接收到的自动驾驶车辆的车辆信息，并计算该路段内的自动驾驶车辆数m2；和/或，基于自动驾驶车辆之间的实时车辆信息传递，计算出当前路段内任一自动驾驶车辆附近且在当前路段范围内的自动驾驶车辆数，并计算该路段内的自动驾驶车辆数m3；
[0026]
将m1、m2和m3中的一种或多种结果融合后得到的作为该路段的自动驾驶车辆数量m；
[0027]
基于该路段的车辆总数量和自动驾驶车辆数量，计算当前路段自动驾驶车辆的混入率。
[0028]
作为本发明的进一步改进，
[0029]n视频
＝n
路段
+n
视频驶入-n
视频驶出
[0030]n微波
＝n
路段
+n
微波驶入-n
微波驶出
[0031][0032]
m1＝m
路段
+m
上游驶入-m
下游驶出
[0033][0034]
式中，n
路段
为上个采样周期内该路段的所有车辆数，α1、α2为权值，m
路段
为上个采样周期内该路段的所有自动驾驶车辆数，λ1、λ2、λ3为权值。
[0035]
作为本发明的进一步改进，权值α1、α2的确定方法包括：
[0036]
在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{α1，α2}作为最终的权值：
[0037][0038]
式中，
[0039][0040][0041][0042]
作为本发明的进一步改进，权值λ1、λ2、λ3的确定方法包括：
[0043]
在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{λ1，λ2，λ3}作为最终的权值：
[0044][0045]
式中，
[0046][0047][0048][0049][0050]
作为本发明的进一步改进，当前路段自动驾驶车辆的混入率φ为：
[0051][0052]
作为本发明的进一步改进，基于混合交通流模型所设计的输出矩阵的总数量n
输出矩阵
为：
[0053][0054]
作为本发明的进一步改进，所述控制矩阵的确定方法，包括：
[0055]
筛选满足所有自动驾驶车辆混入率情况下的输出矩阵以及对应风险检测器的位置；
[0056]
判断是否存在相同数量的风险检测器；
[0057]
若存在，则选取布设位置最佳的输出矩阵作为控制矩阵；
[0058]
若不存在，则选取数量最少的输出矩阵作为控制矩阵。
[0059]
本发明还公开了一种智能网联环境下道路安全风险检测器优化布设系统，用于实现上述智能网联环境下道路安全风险检测器优化布设方法。
[0060]
与现有技术相比，本发明的有益效果为：
[0061]
本发明将路网看作一个复杂的交通网络系统，并建模为一个混合交通流模型，采用系统可观测性理论，进行道路安全风险检测器的优化布设；优化布设的风险检测器可对不同路段出现的安全风险进行及时的检测，以便采取快速精准的预警防控策略，保证路网系统安全高效的运行。
附图说明
[0062]
图1为本发明一种实施例公开的不同自动驾驶车辆混入率下风险检测器布设示意图；
[0063]
图2为本发明一种实施例公开的路段车辆信息采集示意图；
[0064]
图3为本发明一种实施例公开的智能网联环境下道路安全风险检测器优化布设方法的流程图。
[0065]
图中：
[0066]
1、门架；2、视频检测器；3、网联自动驾驶车辆检测器；4、微波检测器；5、边缘计算单元。
具体实施方式
[0067]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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获得的所有其他实施例，都属于本发明保护的范围。
[0068]
下面结合附图对本发明做进一步的详细描述：
[0069]
针对网联自动驾驶车辆和人工驾驶车辆混行场景下出现的安全风险，需在路网合适位置布设风险检测器，及时的对不同路段出现的安全风险进行及时的检测，以便采取快速精准的预警防控策略，保证路网系统安全高效的运行；为此，本发明提供一种智能网联环境下道路安全风险检测器优化布设方法及系统，其将路网看作一个复杂的交通网络系统，并建模为一个混合交通流模型，采用系统可观测性理论，进行道路安全风险检测器的优化布设，保证在满足系统可观测的前提下布设数量最少、位置相对均匀的检测器，以实现混合交通流安全风险的实时检测。
[0070]
由于混合交通流场景下的自动驾驶车辆均具备智能网联功能，可以实现车车之间(基于v2v)、车辆与控制中心之间(基于v2i)的实时通信，将车辆的位置、速度、加速度等信息进行传递；人工驾驶车辆均不具备智能网联功能，车辆的位置和数的等信息只能通过路侧的传感器进行检测获取；由于自动驾驶车辆的混入，导致了交通流传输规律的变化，且随着自动驾驶车辆混入率的不同，混合交通流的基本参数也会随之改变。
[0071]
为此，本发明在对风险检测器布设前，需先实现对混合交通流建模，其包括：
[0072]
步骤11、对路网进行元胞划分：
[0073]
按照路网中入口匝道、出口匝道的数量和位置、车道数变化位置以及道路曲率半径发生变化的位置，将路网分割为n个路段(n为大于1的正整数)，每个路段称一个元胞，并将划分好的元胞依次标定序号，便于系统可控性研究，如图1所示；
[0074]
步骤12、混合交通流建模：
[0075]
以元胞的交通流密度作为状态变量，对于不同自动驾驶车辆混入率的情况，建立包含n个元胞的混合交通流模型：
[0076][0077]
式中，x＝[x1,
…
,xn]
t
表示路网的交通流密度向量，n表示元胞数量；t为采样周期，实际使用中可优选为5min；u＝[u1,u2…
,uq]
t
表示路网的控制输入，q是控制器数量，其为已知参数，即已确定在哪些元胞内布设风险预警控制器；y＝[y1,y2…
,y
p
]表示交通检测器的测量结果，p是布设的风险检测器的数量；a
σ(t)
表示在不同混入率不同元胞组合模态对于的系统矩阵，不同自动驾驶车辆的混入率对应的系统矩阵不同；b
σ(t)
是系统的输入矩阵，其为已知参数；c表示与路网布设安全风险检测器的相关的矩阵，即本发明中所要设计的输出矩阵，针对不同的自动驾驶车辆混入率(即不同的系统矩阵)，需要设计相应的输出矩阵满足系统可观测；f
σ(t)
是仿射向量。
[0078]
如图3所示，在完成上述混合交通流建模后，本发明智能网联环境下道路安全风险检测器优化布设方法，包括：
[0079]
步骤21、获取每个路段内车辆总数量和自动驾驶车辆数量，并基于车辆总数量和自动驾驶车辆数量计算自动驾驶车辆的混入率；
[0080]
混入率的具体计算方法包括：
[0081]
步骤211、构建如图2所示的自动驾驶车辆混入率计算系统；其中，
[0082]
在每个路段上下游边界设置门架1或其他安装架，在每个路段的上游边界和下游边界的门架1上均安装有视频检测器2和/或网联自动驾驶车辆检测器3，即，基于上游视频检测器采集驶入该路段的所有车辆数，基于下游视频检测器采集驶出该路段的所有车辆数，基于上游网联自动驾驶车辆检测器采集驶入该路段的所有自动驾驶车辆数，基于下游网联自动驾驶车辆检测器采集驶出该路段的所有自动驾驶车辆数；同时，也可选择在每个路段的上游边界和下游边界处均安装有微波检测器4，即，基于上游微波检测器采集驶入该路段的所有车辆数，基于下游微波检测器采集驶出该路段的所有车辆数；在每个路段上布设一个边缘计算单元5，路段边缘计算单元5一方面可与视频检测器2和微波检测器4实时通信，获取视频检测器2和微波检测器4采集的车辆信息，并基于内嵌的车辆融合算法计算当前路段的所有车辆数；另一方面，可与网联自动驾驶车辆检测器3实时通信，获取网联自动驾驶车辆检测器3采集的车辆信息；还可与网联自动驾驶车辆基于v2i实时通信，获取其速度、位置、加速度和行驶方向等信息；同时网联自动驾驶车辆之间也可基于v2v进行实时的通信，互传车辆的位置、速度、加速度和行驶方向等信息，并将此信息传输到路段边缘计算单元；路段边缘计算单元5基于内嵌的网联自动驾驶车辆融合算法计算当前路段的网联自动驾驶车辆数。
[0083]
同时，本发明还可按照道路和路段进行两级划分，建立分布式逻辑控制架构；其中，一条高速公路设置一个道路控制中心和若干个路段边缘计算单元，路段边缘计算单元对行驶在管辖区域每个元胞的所有车辆进行统计分析，并与网联自动驾驶车辆进行实时的信息传输，相邻的路段边缘计算单元实时进行信息传输，并同步将信息上传至道路控制中
心。
[0084]
步骤212、基于视频检测器获取每个路段的驶入车辆数n
视频驶入
和驶出车辆数n
视频驶出
，并计算该路段的车辆数n
视频
；和/或，基于微波检测器获取每个路段的驶入车辆数n
微波驶入
和驶出车辆数n
微波驶出
，并计算该路段的车辆数n
微波
；其中，
[0085]n视频
＝n
路段
+n
视频驶入-n
视频驶出
[0086]n微波
＝n
路段
+n
微波驶入-n
微波驶出
[0087]
式中，n
路段
为上个采样周期内该路段的所有车辆数；
[0088]
步骤213、将n
视频
中n
微波
中的一种或多种结果融合后得到的作为该路段的车辆总数量n；其中，
[0089][0090]
式中，α1、α2为权值；
[0091]
进一步，本发明上述融合处理的设计原理以及权值α1、α2的确定方法为：
[0092]
正常情况下视频检测器具有较高的检查精度，但是严重的雾霾天气等恶劣气象会对视频检测器的精度产生影响，而微波检测器受天气能见度影响较小；因此，为了最大程度降低受天气对检查结果的影响，采用融合算法对车辆数进行计算；
[0093]
假设视频检测值和微波检测值的权值分别为α1和α2，因此可以计算出一个权值组合对{α1，α2}，则路段内的车辆数的加权求和结果为：
[0094][0095]
分别计算视频检测结果n
视频
和微波检测结果n
微波
与的差值，即：
[0096][0097][0098]
在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{α1，α2}作为最终的权值：
[0099][0100]
根据得出的权值α1和α2，计算路段内的所有车辆数
[0101]
步骤214、基于网联自动驾驶车辆检测器获取每个路段的驶入自动驾驶车辆数m
上游驶入
和驶出自动驾驶车辆数m
下游驶出
，并计算该路段内的自动驾驶车辆数m1；和/或，基于边缘计算单元实时接收到的自动驾驶车辆的车辆信息，并计算该路段内的自动驾驶车辆数m2；和/或，基于自动驾驶车辆之间的实时车辆信息传递，计算出当前路段内任一自动驾驶车辆附近且在当前路段范围内的自动驾驶车辆数，并计算该路段内的自动驾驶车辆数m3；其中，
[0102]
m1＝m
路段
+m
上游驶入-m
下游驶出
[0103]
式中，m
路段
为上个采样周期内该路段的所有自动驾驶车辆数；
[0104]
步骤215、将m1、m2和m3中的一种或多种结果融合后得到的作为该路段的
自动驾驶车辆数量m；其中，
[0105][0106]
式中，λ1、λ2、λ3为权值；
[0107]
进一步，λ1、λ2、λ3的确定方法包括：
[0108]
假设以上三种方法获得的当前路段内的网联自动驾驶车辆数的权值分别为λ1、λ2和λ3，因此可以计算出一个权值组合对λ1，λ2，λ3}，则路段内的网联自动驾驶车辆数的加权求和结果为：
[0109][0110]
分别计算三种识别结果m1、m2和m3与的差值，即：
[0111][0112][0113][0114]
在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{λ1，λ2，λ3}作为最终的权值：
[0115][0116]
根据得出的权值λ1、λ2和λ3，计算当前路段内的网联自动驾驶车辆数
[0117]
进一步，本发明还可将λ1、λ2和λ3中其中一个权值取0，实现m1、m2和m3中任意2种结果的融合，并将此融合结果最为最终的自动驾驶车辆数量m。
[0118]
步骤216、基于该路段的车辆总数量和自动驾驶车辆数量，计算当前路段自动驾驶车辆的混入率φ为：
[0119][0120]
步骤22、基于混合交通流模型和自动驾驶车辆的混入率，计算不同自动驾驶车辆混入率下的系统矩阵集合a：
[0121]
a＝{a1,a2,
…
,am}
[0122]
式中，am为第m种自动驾驶车辆混入率的系统矩阵，系统矩阵为n
×
n；m可根据需求合理取值，一种实施例为m取10，即混入率依次为10％、20％、
···
、100％。
[0123]
步骤23、基于混合交通流模型，设计输出矩阵c，输出矩阵为k
×
n，1≤k≤n：
[0124][0125]
即，只要在第i个元胞布设了检测器，则其输出矩阵对应位置元素是1，否则是0；
[0126]
最终获得输出矩阵的总数量n
输出矩阵
为：
[0127][0128]
步骤24、利用系统可控性秩判据，计算rank(am,ci)的值是否为n；若是，则保留输出矩阵ci，若不是，则删除输出矩阵ci；其中，
[0129]
可观测性判别算法为：
[0130][0131]
若rank(am,ci)＝n，则说明此满足系统可观测，最终只保留所有满足系统输出矩阵ci；
[0132]
若rank(am,ci)＜n，删除所有不满足系统可观测的输出矩阵ci。
[0133]
步骤25、筛选满足所有自动驾驶车辆混入率情况下的输出矩阵，并从筛选的输出矩阵中选择布设位置最佳、数量最少的输出矩阵作为控制矩阵；
[0134]
具体包括：
[0135]
步骤251、筛选满足所有自动驾驶车辆混入率情况下的输出矩阵以及对应风险检测器的位置；
[0136]
步骤252、判断是否存在相同数量的风险检测器；
[0137]
步骤253、若存在，则选取布设位置最佳的输出矩阵作为控制矩阵；其中，布设位置最佳是指位置分布相对均匀的输出矩阵；
[0138]
步骤254、若不存在，则选取数量最少的输出矩阵作为控制矩阵；
[0139]
最终选择数量最少且布设位置最佳的输出矩阵作为控制矩阵。
[0140]
步骤26、基于控制矩阵，进行检测器的布设；安全风险检测器主要作用是及时的对存在的安全风险进行检测和识别，便于控制中心采取相应的控制策略对网联自动驾驶车辆进行直接控制，对人工驾驶车辆进行诱导控制，最大成度降低道路的安全风险。
[0141]
本发明提供一种智能网联环境下道路安全风险检测器优化布设系统，用于实现上述智能网联环境下道路安全风险检测器优化布设方法，可基于图2所示的系统以及控制中心实现上述智能网联环境下道路安全风险检测器优化布设方法。
[0142]
实施例：
[0143]
选取4车道，最高限速120km/h，长度为2km的一段高速公路为例进行具体说明：
[0144]
将所选路段平均分割为10个元胞，每个元胞长度200米，分析不同自动驾车车辆混入率情况下对应的系统可观测性。
[0145]
(1)自动驾驶车辆混入率为0，即所有车辆全部为人工驾驶车辆，根据所建混合交通流模型，计算出对应的系统矩阵如下：
[0146][0147]
基于输出矩阵的设计方法，可以得到输出矩阵集合c，进一步根据系统可观测性判据，可计算到的所有满足系统可控性的输出矩阵c如下所示：
[0148][0149]
根据计算结果可得，至少要在元胞10上布设安全风险检测器，即可以满足系统是可观测的，在其它元胞布设与否不影响系统的可观测性。
[0150]
(2)自动驾驶车辆混入率分别为10％，根据所建混合交通流模型，计算出对应的系统矩阵如下：
[0151][0152]
从计算结果可以看出，此情况与自动驾驶混入率为0的系统矩阵相同，因此安全风险检测器布设与其也相同。
[0153]
(3)自动驾驶车辆混入率分别为20％、30％、40％、50％、60％和70％，计算出相应的系统矩阵如下：
[0154][0155][0156][0157]
[0158][0159][0160]
基于输出矩阵的设计方法和系统可观测性判据，计算得到上述自动驾驶车辆混入率下，在满足系统可观测性的情况下，具有相同的输出矩阵c，具体如下所示：
[0161][0162]
因此，在这些情况下至少要在元胞1和元胞10上布设安全风险检测器，即可满足系统是可观测的，在其它元胞布设与否不影响系统的可观测性。
[0163]
(4)自动驾驶车辆混入率分别为80％和90％，计算出相应的系统矩阵如下：
[0164]
[0165][0166]
基于输出矩阵的设计方法和系统可观测性判据，计算得到上述自动驾驶车辆混入率下，在满足系统可观测性的情况下，具有相同的输出矩阵c，具体如下所示：
[0167][0168]
因此，在此情况下至少要在元胞1、元胞6和元胞10上布设安全风险检测器，即可满足系统是可观测的，在其它元胞布设与否不影响系统的可观测性。
[0169]
(5)自动驾驶车辆混入率为100％，计算出相应的系统矩阵如下：
[0170][0171]
从计算结果可以看出，此情况与自动驾驶混入率为0的系统矩阵相同，因此安全风险检测器布设与其也相同。
[0172]
综上所述，为了满足在所有混入率下都使得系统是可观测的，即所布设的安全风险检测器能满足在不同混入率下都能控制整个系统，结合上述计算分析结果，至少在在元胞1、元胞6和元胞10布设安全风险检测器即可。
[0173]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。