一种基于卡口检测的网联车轨迹重构方法、装置和介质与流程

本发明涉及车辆轨迹重构领域，尤其是涉及一种基于卡口检测的网联车轨迹重构方法、装置和介质。

背景技术：

1、车辆轨迹包含丰富的交通流信息，能够更准确地估计交通状态、为交通管理和控制提供良好基础。轨迹数据的收集依赖于传感技术，如线圈、视频和基于4g通信的移动传感器等。然而，目前常用的固定探测器的覆盖范围、安装维护成本较高；移动传感器由于技术限制仍存在一定误差，且普及率较低。随着智能网联通信技术(vehicle-to-everything,v2x)的发展，网联车(connected vehicles,cvs)能够检测周围车辆的微观状态，被视作一种新型的移动传感器。然而，cv的大规模部署需要较长时间，且全样本轨迹数据较难获得。故而通过cv检测数据重构非网联人工驾驶车辆(human-driven vehicles,hvs)的轨迹具有重要意义。

2、目前的现有的轨迹重构方法大多只考虑了hv的纵向跟驰行为，而没有考虑横向变道行为，这是不现实的。除此之外，目前的方法在cv渗透率较低的情况下精度不足。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于卡口检测的网联车轨迹重构方法、装置和介质。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于卡口检测的网联车轨迹重构方法，包括以下步骤：

4、s1：通过路侧中心控制器实时获取并更新卡口检测数据和网联车数据，其中卡口检测数据包括待测车辆编号、进入时间及速度，网联车数据包括待测车辆的前后车的车辆编号、位置及速度；

5、s2：以相邻网联车范围作为一个估计单元，依据当前时间段的卡口检测数据和网联车数据，通过隐马尔科夫模型估计车辆在不同估计单元内的数量分布，数量分布的变化即车辆在不同网联车单元内的换道行为；

6、s3：基于数量分布和换道行为，考虑车辆的跟驰行为，使用跟驰模型进行车辆轨迹重构，得到当前时间段内完整的车辆轨迹。

7、进一步地，步骤s2具体包括以下步骤：

8、s21：以相邻网联车范围作为一个估计单元，通过隐马尔科夫模型估计每个单元内人工驾驶车辆的数量；

9、s22：利用卡口检测数据估计每一个人工驾驶车辆归属的单元；

10、s23：利用跟驰模型重构完整轨迹。

11、进一步地，步骤s21具体包括以下步骤：

12、s211：对于一辆网联车，其特征向量包括当前车道其与后一辆网联车之间的的车辆数，以及相邻两车道网联车单元的车辆数，表示为：

13、

14、

15、式中，it为实际车辆数，ot为期望车辆数，上标o、l和r分别表示当前车道、左侧车道及右侧车道，t为当前时刻；

16、s212：期望车辆数ot通过平均跟驰距离计算得到，计算公式为：

17、

18、

19、式中，s*为平均跟驰距离，v是网联车及其前后车的平均速度，l是网联车单元的距离；

20、s213：得到状态序列i＝{i1,…,it,…,it}，其中t为规划时段，状态集合为it∈{1,……,q}，q为状态集合的取值范围，得到观测序列o＝{o1,…,ot,…,ot}，观测集合为ot∈{1,……,v}，v为观测集合的取值范围，得到初始状态概率向量为其中πi＝p(i1＝i)，通过状态转移矩阵a＝{aij}表示车辆换道过程中，每个单元之间数量的变化，即从到的过程，其中ai,j＝p(it+1＝j|it＝i),1≤i,j≤q，通过状态观测矩阵b＝{bj(k)}表示期望车辆数与实际车辆数间的关系，即从到的过程，其中bj(k)＝p(ot＝k|jt＝j),1≤i≤q,1≤k≤v；

21、s214：使用前向算法和后向算法估计状态概率，递推公式如下：

22、

23、

24、式中，α是前向算法估计的状态序列的值，β是后向算法估计的状态序列的值，得到观测序列的统一概率：

25、

26、

27、式中，λ为给定的马尔可夫模型，可以得到γt(i,j)及ξt(i,j)，γt(i,j)表示在时刻t处于状态i的概率，ξt(i,j)表示在时刻t处于状态i且在t+1时刻处于状态j的概率，计算公式如下：

28、

29、

30、进一步地，状态转移矩阵和状态观测矩阵的取值均通过监督学习的方式进行估计。

31、进一步地，步骤s22具体包括以下步骤：

32、s221：根据每个时刻每个单元内最大概率的车辆数量计算出估计的所有人工驾驶车辆的数量，与卡口检测到的车辆数进行对比，

33、s222：根据对比情况确定估计数量的调整方向，再从最大概率的车辆数量中状态概率最小的网联车单元开始调整，直至达到该时刻检测到的车辆数；

34、s223：建立优化模型，根据不同时刻不同单元的人工驾驶车辆数各级车辆在不同时刻所处的单元，优化的目标为车辆分布结果与s222调整后的分布情况最为匹配，约束在于车辆最远能位于的cv单元，取决于固定检测器得到的车辆进入区域的初始时间；

35、s224：每辆人工驾驶车辆每个时刻所在的单元的估计结果表示如下：

36、hvm＝{cvn1,…,cvnt,…,cvnt}n1,…,nt,…nt∈n

37、其中n是cv车辆集合，cvnt表示在时刻t该hvm所处的网联车单元。

38、进一步地，s223中，优化的过程中假定单元内车辆的顺序固定，依次确定进入区域车辆每一时刻所在单元。

39、进一步地，步骤s23具体包括以下步骤：

40、s231：跟驰模型将车辆的速度差和距离变化作为刺激因素，表达式为：

41、

42、式中，为第m辆车在时刻t的加速度；为第m-1辆车在时刻t-1的速度；第m辆车在时刻t-1的速度；为第m辆车和第m-1辆车在时刻t-1之间的距离；为跟驰过程中的期望车头时距；c1、c2为模型参数；

43、通过估计的车辆加速度，计算每一时刻车辆位置及车辆位置及车辆速度，进而重构整条车辆轨迹，计算表达式为：

44、

45、

46、

47、

48、

49、式中，与跟驰模型相关参数c1、c2及相关，通过仿真数据进行标定；

50、s232：将在规划时段t内对m辆hv的轨迹重构问题建模为求速度概率分布函数的最值问题，其中目标函数为：

51、

52、

53、式中，为hvm在时刻t的实际速度；为hvm在时刻t的估计速度；σ为标准差；

54、将该目标函数分解至每个cv单元，由helly模型及车辆动力学公式可得，速度估计值与前车行驶状态有关，故在计算车辆速度分布函数时，假定cv单元内hv编号为1,…,q，0和q+1代表单元中的cv，每个单元目标函数如下：

55、

56、式中，及为决策变量，及可直接由cv检测得到，模型受到如下约束：

57、

58、

59、

60、通过此优化模型，可以得到每个单元内hv在规划时段内的速度及位置，即完成完整的轨迹重构。

61、进一步地，步骤s232中，当σ等参数均为定值时，目标函数转化为：

62、

63、本发明的第二方面，一种基于网联车渗透率及卡口检测的车辆轨迹重构装置，包括存储器、处理器，以及存储于存储器中的程序，处理器执行程序时实现如上任一的一种基于卡口检测的网联车轨迹重构方法。

64、本发明的第三方面，一种存储介质，其上存储有程序，程序被执行时实现如上任一的一种基于卡口检测的网联车轨迹重构方法。

65、与现有技术相比，本发明具有以下有益效果：

66、1)本发明在考虑了人工驾驶车辆的跟驰行为的基础上，利用多源数据检测，通过结合卡口检测器及cv移动检测器的检测数据，能够对重构结果进行校正，利用马尔可夫模型对人工驾驶车辆在网联车单元内的换道行为进行考虑，估计车辆在每个时刻所在的估计单元，分析车辆在行驶中的换道行为，根据估计单元内的车辆数量和换道行为推断车辆的行驶轨迹，更符合实际行驶情况，提高轨迹重构的精度。

67、2)本发明基于网联车单元进行轨迹重构，通过同时考虑网联车的检测数据和人工驾驶车辆的跟驰及变道行为，使本发明的方法适用于低渗透率网联车单元。