论文部分内容阅读
车联网技术的发展为道路交通安全管理应用提供更加丰富的数据源和手段。在最新发布的SAE J2735-2016和T/CSAE 53-2017标准定义中指出,车联网V2X环境下能够有效获取行车安全相关的基本安全消息集(Basic Safety Message,BSM)。本文通过采集实车BSM数据,对典型场景下的车辆运动状态和危险行车状态进行全面感知与预测,最终实现车联网环境下的行车风险感知与预警研究。首先,以江西省昌九智慧高速试验段为例,阐述了车联网技术的基本架构体系、关键技术以及智慧道路网联化分级标准,并对行车安全数据协议进行了整理。在此基础上搭建基于车联网的实车测试试验平台,并开展实车试验对BSM数据进行采集。其次,为有效提升BSM运动信息准确性,建立了一个基于车路协同的BSM行车运动信息采集方法。通过利用交互式多模型滤波与改进型汽车运动学的组合模型,将车载端和路侧端采集的车辆状态数据进行融合,实现汽车大机动运动下的运动状态最优估计。与其他方法对比后表明,所提出的方法整体误差更小,跟踪效果更好。再次,为有效感知车联网环境下行车过程中存在潜在风险的行车状态,提出了一种基于粗糙集和改进型支持向量机的行车状态感知方法。利用粗糙集从BSM行车状态信息中甄选出8个特征表征潜在风险行车状态,并结合遗传算法与支持向量机组合模型对参数进行快速寻优及标定。与其他方法对比后表明,该方法准确性更高,可正确判别出94.44%的潜在风险行车状态。最后,针对复杂道路交通场景下的驾驶行为不确定问题,将深度学习理论引入到汽车前向碰撞风险态势感知方法研究中,基于车联网V2X环境下充分考虑了跟驰、换道、自由驾驶等场景中的BSM信息并进行连续采样,从而构建多维行车安全状态序列样本并输入LSTM(Long Term Short Time)神经网络中,实现对车辆加速度的短时预测(0.5s)。通过ROC曲线对预测结果进行评估,并进一步利用约登指数,选取基于预测值的潜在碰撞风险最优阈值。结果表明,该方法能提前0.5s预测87.838%的潜在前向碰撞风险。本文基于车联网的角度对行车风险感知与预警方法开展了研究,对从车联网获取的BSM信息进行了多角度的甄选和有效融合,取得了一定的研究成果。该成果对于提高道路交通安全水平,以及加快车联网与交通安全应用的融合具有一定的意义。