[0036]205)根据目标车辆的历史状态信息判断车辆在路口处的转弯行为。
[0037] 所述步骤204)具体包括步骤：
[003引 241)判断目标车辆与前方车辆中最近车辆之间的距离是否大于安全距离，若为 是，则执行步骤243)，若为否，则执行步骤242);
[0039] 242)判断目标车辆的速度是否大于前方车辆中最近车辆的速度，若为是，则目标 车辆的车辆行为的预测结果为减速，并执行步骤3)，若为否，则执行步骤243);
[0040] 243)判断目标车辆与后方车辆中最近车辆之间的距离是否大于安全距离，若为 是，则目标车辆的车辆行为的预测结果为匀速，并执行步骤3)，若为否，则执行步骤244);
[0041] 244)判断目标车辆的速度是否大于后方车辆中最近车辆的速度，若为是，则目标 车辆的车辆行为的预测结果为匀速，并执行步骤3)，若为否，则目标车辆的车辆行为的预测 结果为加速，并执行步骤3);
[0042] 所述步骤242)中车辆行为的预测结果为减速时的加速度大小为：
[0043]
【主权项】
1. 一种车联网车辆状态预测方法，其特征在于，包括： 1) 获取目标车辆所处的车辆环境信息以及目标车辆前方的交通灯信息； 2) 根据车辆环境信息，以及目标车辆的历史状态信息预测目标车辆的车辆行为； 3) 根据车辆环境信息、目标车辆前方的交通灯信息和预测得到的车辆行为，结合目标 车辆的历史状态信息预测车辆的状态。
2. 根据权利要求1所述的一种车联网车辆状态预测方法，其特征在于，所述车辆所处 的车辆环境信息具体为： Road = (Iongc, inserction, vehicles) 其中：Road为车辆环境信息，long。为目标车辆与前方路口之间的距离，inserction为 目标车辆的前方路口信息，vehicles为目标车辆的前方车辆信息； 所述前方路口信息具体为： inserction = (locations, lanes) 其中locations为前方路口的位置信息，lanes为前方路口处各交汇道路的车道数 据， 所述前方路口的位置信息具体为： locations = [(X1J1, Θ)，(x2, y2. θ2)，(x3, y3，θ3)，(x4, y4，θ4)] 其中：Xi为前方路口第i个顶点的经度，y i为前方路口第i个顶点的炜度，θ i为前方 路口第i个顶点处两条交汇道路的夹角， 所述前方路口处各交汇道路的车道数据具体为： lanes = [ (forwj, Tev1), (forw2, rev2), (forw3, rev3), (forw4, rev4)] 其中：forwi为前方路口第i条道路的正向车道信息，rev i为前方路口第i条道路的反 向车道信息； 所述前方车辆信息具体为： vehicles = [ (S1, Ianesi)，（S2, Ianes2)，...（Si, Ianesi)，...（Sn，Ianesn)] 其中：SiS前方车辆中第i辆车辆的当前状态，IanesiS前方车辆中第i辆车辆所处的 车道信息。
3. 根据权利要求2所述的一种车联网车辆状态预测方法，其特征在于，所述交通灯信 息具体为： Light = (sequence, longL) 其中：Light为交通灯信息，Ionglj为交通灯与目标车辆之间的距离，sequence为之后 设定时间At内的交通灯序列，具体为： sequence = [ (Color1, time)，…（Colori, time)，…（colorm，timej ] 其中：timeiS color ^勺持续时间，color 交通灯的颜色状态， Colorie {red, green, yellow}〇
4. 根据权利要求3所述的一种车联网车辆状态预测方法，其特征在于，所述步骤2)具 体包括步骤： 201) 判断目标车辆行至前方路口的时间是否大于设定时间At，若为是，则执行步骤 202)，若为否，则执行步骤205); 202) 判断目标车辆所在车道前方车辆的密度是否大于设定密度阈值P *，若为是，则 目标车辆的车辆行为的预测结果为变道，并执行步骤3)，若为否，则执行步骤203); 203) 判断目标车辆与其前方车辆中最近车辆的速度差是否大于设定速度差阈值δ v， 若为是，则目标车辆的车辆行为的预测结果为变道，并执行步骤3)，若为否，则执行步骤 204)； 204) 根据目标车辆与前后车辆的距离预测车辆的加减速行为，并执行步骤3); 205) 根据目标车辆的历史状态信息判断车辆在路口处的转弯行为。
5. 根据权利要求4所述的一种车联网车辆状态预测方法，其特征在于，所述步骤204) 具体包括步骤： 241) 判断目标车辆与前方车辆中最近车辆之间的距离是否大于安全距离，若为是，则 执行步骤243)，若为否，则执行步骤242); 242) 判断目标车辆的速度是否大于前方车辆中最近车辆的速度，若为是，则目标车辆 的车辆行为的预测结果为减速，并执行步骤3)，若为否，则执行步骤243); 243) 判断目标车辆与后方车辆中最近车辆之间的距离是否大于安全距离，若为是，则 目标车辆的车辆行为的预测结果为匀速，并执行步骤3)，若为否，则执行步骤244); 244) 判断目标车辆的速度是否大于后方车辆中最近车辆的速度，若为是，则目标车辆 的车辆行为的预测结果为匀速，并执行步骤3)，若为否，则目标车辆的车辆行为的预测结果 为加速，并执行步骤3)。
6. 根据权利要求5所述的一种车联网车辆状态预测方法，其特征在于，所述步骤242) 中车辆行为的预测结果为减速时的加速度大小为：
其中：S1S预测结果为减速时的加速度大小，d υ为目标车辆与前方车辆中最近车辆之 间的距离，〇为常数，ViS目标车辆的当前速度大小，^为前方车辆中最近车辆的当前速度 大小。
7. 根据权利要求5所述的一种车联网车辆状态预测方法，其特征在于，所述步骤244) 中车辆行为的预测结果为加速时的加速度大小为：
其中：&2为预测结果为加速时的加速度大小，d υ为目标车辆与前方车辆中最近车辆之 间的距离，α、β为常数，^为目标车辆的当前速度大小，'.为前方车辆中最近车辆的当前 速度大小，Vt为后方车辆中最近车辆的当前速度大小。
8. 根据权利要求4所述的一种车联网车辆状态预测方法，其特征在于，所述步骤205) 具体包括步骤： 251)自目标车辆的当前状态往前遍历目标车辆的历史状态信息，并确定起始偏移状态 TurnPoint，具体为： TurnPoint = min ({g | 0ffsetk> T&Offset k_!> T&, ···, Offset g> T}) 其中： Offseti= (OffsetP D OffsetVi, OffsetAi) T = (TP, TV, TA) 其中： OffsetPi, OffsetVi, OffsetAi*别为第i-1个状态至第i个状态中位置、速度和加速度 的偏移量，TP, TV, TA均为常数； 252)判断持续偏移次数是否超过设定次数：且加速度方向偏移夹角是否满足圆周运 动特性，具体为判断公式： k-TurnPoint > TK W(OffsetAk) < TWfew(OffsetA^1) < TWj w (OffsetATurnPoint+1) < TW 其中：k-TurnPoint为持续偏移次数，TK为设定次数，TW为偏移角度可容忍误差， 若判断结果为是，则预测目标车辆发生转弯，且转弯方向为目标车辆当前状态位置的 偏移方向，若判断结果为否，则预测目标车辆不发生转弯。
【专利摘要】本发明涉及一种车联网车辆状态预测方法，包括：1)获取目标车辆所处的车辆环境信息以及目标车辆前方的交通灯信息；2)根据车辆环境信息，以及目标车辆的历史状态信息预测目标车辆的车辆行为；3)根据车辆环境信息、目标车辆前方的交通灯信息和预测得到的车辆行为，结合目标车辆的历史状态信息预测车辆的状态。与现有技术相比，本发明基于车辆环境信息、以及车辆历史状态对车辆的车辆行为进行预测，再通过车辆行为对车辆的未来状态进行预测，基于车辆行为的预测更加准确，并且具有良好地扩展性，简单高效，适用大规模网络情况。
【IPC分类】G08G1-01
【公开号】CN104867329
【申请号】CN201510197749
【发明人】程久军, 鄢晨丹, 陈福臻, 吴潇, 杨阳, 邵剑雨, 廖竞学, 秦鹏宇
【申请人】同济大学
【公开日】2015年8月26日
【申请日】2015年4月23日