基于变精度粗糙集的汽车碰撞危险态势评估

交通运输系统工程与信息 ›› 2013, Vol. 13 ›› Issue (5): 120-126.

所属专题：车路协同与智能化技术

基于变精度粗糙集的汽车碰撞危险态势评估

彭理群^1,2，吴超仲^*1,2，黄珍³

1.武汉理工大学智能运输系统研究中心，武汉 430063； 2.水路公路交通安全控制与装备教育部工程研究中心，武汉430063；3.武汉理工大学自动化学院，武汉 430070

收稿日期:2013-04-01 修回日期:2013-05-13 出版日期:2013-10-25 发布日期:2013-11-08
作者简介:彭理群（1984-），男，湖北武汉人，博士生.
基金资助:
国家自然科学基金(61104158,51178364)；教育部新世纪优秀人才计划(NCET-10-0663)；武汉市学科带头人计划(201271130445).

Situation Assessment of Vehicle Collision Risk Based on Variable Precision Rough Set

PENG Li-qun^1,2, WU Chao-^zhong1,2, HUANG Zhen³

1.Intelligent Transport Systems Research Center, Wuhan University of Technology, Wuhan 430063, China;2.Engineering Research Center of Transportation Safety, Ministry of Education, Wuhan 430063, China;3. Automation school, Wuhan University of Technology,Wuhan 430070, China

Received:2013-04-01 Revised:2013-05-13 Online:2013-10-25 Published:2013-11-08

摘要/Abstract

摘要：

汽车碰撞危险辨识与预警是智能防撞系统的关键技术之一，为了解决现有的防撞系统在复杂交通环境下虚警率较高、灵活性差的问题，本文对“人—车—路”多因素影响下的汽车碰撞危险辨识方法进行了研究.综合考虑驾驶员、车间距、路面等因素对行车安全性的影响，并基于车路协同平台获取相关信息，应用态势评估理论建立汽车碰撞危险评估模型.在该模型的基础上，结合变精度粗糙集理论形成汽车碰撞危险态势评估规则.应用属性加权相似度方法比较当前行车状态与决策信息表中所有行车状态的相似程度，得到碰撞危险态势的评估结果.模拟驾驶实验结果表明，该方法能融合行车安全相关的多种因素来检测碰撞风险，为汽车防撞系统提供准确的决策.

关键词: 智能交通, 态势评估, 变精度粗糙集, 汽车防撞系统, 人-车-路多因素, 车路协同

Abstract:

Vehicle collision risk identification and warning is one of the key technologies of intelligent collision avoidance system. In view of the problems that the existing vehicle collision avoidance systems keep high false alarm rate and low flexibility in complicated road traffic environment, this paper presents a method for vehicle collision risk identification with the impact from “drivervehicleroad” multifactors. A model is established for identification of vehicle collision risk considering the fusion of related factors such as driver state, distance between vehicles, road surface, etc. The relevant information is obtained from cooperative vehicleinfrastructure system (CVIS). Then, the risk situation assessment algorithm is formulated based on theory of variable precision rough set (VPRS). Finally, similarity degrees between the current driving status and driving status in decisionmaking table are compared based on attribute weighted similarity, which could get the situation assessment results. The simulated driving results show that this method can be used for fusion of safety related factors and detection of collision risk.

Key words: intelligent transportation, situation assessment, variable precision rough set (VPRS), vehicle collision avoidance system, drivervehicleroad multifactors, cooperative vehicleinfrastructure system (CVIS)

中图分类号:

U268.6

彭理群，吴超仲，黄珍. 基于变精度粗糙集的汽车碰撞危险态势评估[J]. 交通运输系统工程与信息, 2013, 13(5): 120-126.

PENG Li-qun, WU Chao-zhong, HUANG Zhen. Situation Assessment of Vehicle Collision Risk Based on Variable Precision Rough Set[J]. Journal of Transportation Systems Engineering and Information Technology, 2013, 13(5): 120-126.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract18657.shtml

http://www.tseit.org.cn/CN/Y2013/V13/I5/120

参考文献

[1]宋晓琳，冯广刚，杨济匡. 汽车主动避撞系统的发展现状及趋势[J]. 汽车工程，2008,30(4)：285-289.[SONG X N, FENG G G, YANG J K. The current state and trends of automotive active collisionavoidance system[J]. Automotive Engineering, 2008,30(4)：285-289.]

[2]E RendonVelez, I Horváth, E Z Opiyo. Progress with situation assessment and risk prediction in advanced driver assistance systems: a survey[C]. In Proceedings of the 16th ITS World Congress, 2009: 21-25.

[3]R Bishop. Intelligent vehicle applications worldwide[J].IEEE Intelligent Systems, 2000(15): 78-81.

[4]李清泉，熊炜，李宇光. 智能道路系统的体系框架及其关键技术研究[J].交通运输系统工程与信息,2008,8(1)：40-48. [LI Q Q, XIONG W, LI Y G. System architecture and enabling technologies of intelligent roadway system[J]. Journal of Transportation Systems Engineering and Information Technology, 2008,8(1)：40-48.]

[5]刘效武. 基于多源融合的网络安全态势量化感知与评估[D]. 哈尔滨工程大学，2009. [LIU X W. Network security situation quantification awareness and evaluation based on multisource fusion[D]. Harbin Engineering University, 2009.]

[6]A Polychronopoulos, U Scheunert, et al.Revisiting the JDL model for automotive safety applications: the PF2 functional model[C]. Proceedings of Information Fusion, 2006:1-7.

[7]A J AN. Discovering rules for water demand prediction: An enhanced roughset approach[J]. Engineering Applications of Artificial Intelligence, 1996,9(6): 645-653.

[8]胡杰，黄长强，赵辉，等.基于变精度粗糙集理论的UCAV态势评估方法研究[J].电光与控制，2010,17(3):23-26. [HU J, HUANG C Q, ZHAO H, et al.On UCAV’s situation assessment method based on variable precision rough set theory[J]. Electronics Optics & Control,2010,17(3):23-26.]

[9]盛步云，林志军，丁毓峰,等. 基于粗糙集的协同设计冲突消解事例推理技术[J]. 计算机集成制造系统，2006,12(12):1952-1956. [SHENG B Y, LIN Z J, DING Y F,et al. Rough setbased conflict resolution case reasoning in collaborative design[J]. Computer Integrated Manufacturing Systems,2006,12(12):1952-1956.]

[10]侯德藻，刘刚，高峰，等. 新型汽车主动避撞安全距离模型[J]. 汽车工程，2005，27(2): 186-190. [HOU D Z, LIU G, GAO F,et al. A new safety distance model for vehicle collision avoidance[J]. Automotive Engineering, 2005，27(2): 186-190.]

[11]马国胜，白玉，朱彤. 交叉口左转与直行车辆动态碰撞风险估计模型[J]. 交通信息与安全，2012，30 (1)：116-118. [MA G S, BAI Y, ZHU T. Collision risk assessment model between leftturn and straight vehicles at intersection[J]. Journal of Transport Information and Safety, 2012，30 (1)：116-118.]

[1]	郭烈, 胥林立, 秦增科, 王旭. 自动驾驶接管影响因素分析与研究进展[J]. 交通运输系统工程与信息, 2022, 22(2): 72-90.
[2]	徐猛, 刘涛, 钟绍鹏, 姜宇. 城市智慧公交研究综述与展望[J]. 交通运输系统工程与信息, 2022, 22(2): 91-108.
[3]	程君, 张立炎, 陈启宏. 一种基于地图辅助的自动驾驶视-惯融合定位方法[J]. 交通运输系统工程与信息, 2022, 22(2): 117-126.
[4]	王国栋, 刘立, 孟宇, 马智萍, 郑淏清, 顾青, 白国星. 一体式车辆避撞轨迹规划与跟踪控制[J]. 交通运输系统工程与信息, 2022, 22(2): 127-136.
[5]	马东方, 陈曦, 吴晓东, 金盛. 基于强化学习的干线信号混合协同优化方法[J]. 交通运输系统工程与信息, 2022, 22(2): 145-153.
[6]	许波桅, 王玲玲, 李军军. 自动化码头多级作业超网络延误传导特性研究[J]. 交通运输系统工程与信息, 2022, 22(2): 280-289.
[7]	田会娟, 刘嘉伟, 翟佳豪, 邓琳琳. 基于多入侵线的视频车速检测方法[J]. 交通运输系统工程与信息, 2022, 22(1): 49-56.
[8]	贾彦峰, 曲大义, 赵梓旭, 王韬, 宋慧. 基于安全势场的网联自主车辆跟驰行为决策及模型[J]. 交通运输系统工程与信息, 2022, 22(1): 85-97.
[9]	刘文, 汪文博. 基于秩最小化矩阵去噪的船舶轨迹重构方法[J]. 交通运输系统工程与信息, 2022, 22(1): 106-114.
[10]	赵建东, 陈溱, 焦彦利, 张凯丽, 韩明敏. 重点营运车辆的异常驾驶行为识别研究[J]. 交通运输系统工程与信息, 2022, 22(1): 282-291.
[11]	徐东伟, 彭航, 商学天, 魏臣臣, 杨艳芳. 基于图自编码-生成对抗网络的路网数据修复[J]. 交通运输系统工程与信息, 2021, 21(6): 33-41.
[12]	游峰, 梁健中, 曹水金, 肖智豪, 吴镇江, 王海玮. 面向多目标跟踪的密集行人群轨迹提取和运动语义感知[J]. 交通运输系统工程与信息, 2021, 21(6): 42-54.
[13]	王福建, 俞佳浩, 赵锦焕, 梅振宇. 基于站点实时关联度的短时公交客流预测方法[J]. 交通运输系统工程与信息, 2021, 21(6): 131-144.
[14]	张毅, 姚丹亚, 李力, 裴华鑫, 晏松, 葛经纬. 智能车路协同系统关键技术与应用[J]. 交通运输系统工程与信息, 2021, 21(5): 40-51.
[15]	龙建成, 郭嘉琪. 动态交通分配问题研究回顾与展望[J]. 交通运输系统工程与信息, 2021, 21(5): 125-138.

基于变精度粗糙集的汽车碰撞危险态势评估

Situation Assessment of Vehicle Collision Risk Based on Variable Precision Rough Set

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics