技术摘要：
本发明公开了一种用于减少抖动的多车队驾驶危险预测系统与方法，预测方法：通过数据采集模块获取一段时间内的车辆状态特征信息；数据分析模块通过时间递归神经网LSTM对驾驶行为状态进行识别，并结合时滞函数共同确定最终的驾驶行为状态；根据驾驶行为识别结果确定每辆  全部
背景技术：
近年来，多车协同驾驶系统作为车路协同驾驶系统的主要应用场景之一，已经受 到了大多数研究部门和企业的广泛关注，相关研究已经证明了协同驾驶系统能够有效的提 高交通运行效率和汽车驾驶的安全平稳性。 现阶段车队协同控制策略的研究与应用方向主要集中在比较简单的固定单一车 队控制策略上，研究目的聚焦于提高单一车队的驾驶安全平稳性。协同驾驶方面的研究大 都注重在自动控制层面上车辆控制稳定性和驾驶安全性的优化，而没有研究多种驾驶行为 混杂情况下的驾驶行为建模和驾驶状态预测，所以也就难以准确评估当前驾驶行为和策略 的危险性。考虑到实际驾驶环境的复杂多变性和车队内驾驶员目的各自不同，驾驶行为的 转换和不同驾驶行为混杂将会导致车辆驾驶状态出现大幅度变化(甚至需要脱离当前车 队)，从而严重影响车辆驾驶安全和容易造成周围驾驶环境的混乱。 现有技术1(一种多车驾驶行为分析和危险预警方法及系统)公开了基于神经网络 和可变时间窗口的驾驶行为识别模型确定驾驶行为类别，但是时间窗口为预估值，难以准 确驾驶行为类别；现有技术1采用基于误差比值高斯模型和蒙特卡洛方法共同进行相关模 拟，仅仅是在预警系统介绍下的一个子模块做一个理论的引入或者是构想，并未做实际的 探讨，也并未细化相关计算模型。虽然重要性采样是蒙特卡洛方法中的一个重要策略，用来 降低方差，但是发明人在实际研究中发现，涉及到操作延迟和波动周期这两个因素并不适 合采用均匀分布概率密度函数表征概率。现有技术1采用最小二乘法对高阶多项式模型进 行参数估计，识别的驾驶行为状态抖动程度大，极大程度上降低预测精度。 因此，在多种驾驶行为混杂情况下，本发明提出的一种用于减少抖动的多车队驾 驶危险预测系统与方法，为动态调整车辆驾驶策略和提高车辆驾驶的安全平稳性提供依 据，具有重要意义。
技术实现要素：
为了解决上述问题，本发明提供一种用于减少抖动的多车队驾驶危险预测方法， 结合时间递归神经网LSTM和时滞函数，能快速、有效、稳定地对各种驾驶行为和驾驶策略进 行识别和危险评估，提高危险评估准确性，解决了现有技术中存在的问题。 本发明的另一目的是，提供一种用于减少抖动的多车队驾驶危险预测系统。 本发明所采用的技术方案是，一种用于减少抖动的多车队驾驶危险预测方法，具 体按照以下步骤进行： S1，通过数据采集模块获取一段时间内的车辆状态特征信息，并输入至数据分析 模块； 5 CN 111582586 A 说　明　书 2/10 页 S2，数据分析模块通过时间递归神经网LSTM对驾驶行为状态进行识别，并结合时 滞函数共同确定最终的驾驶行为状态；根据驾驶行为识别结果确定每辆车的行为动态模 型，通过跟车动态模型计算车辆的实际加速度； 所述时滞函数通过式(1)计算： 式中，TWdstate为时滞函数的持续时间， 是TWdstate的基值， 为tan  h函 数的强度调整值， 为时滞函数值的基准值，参数 和 在各个驾 驶行为状态下的值各不相同，dstate是时间递归神经网LSTM用时滞函数法确定的驾驶行为 状态，包括：CCF为协同跟车状态、NCF为普通跟车状态、ACF为异常跟车状态，THW为目标车与 前车的车头时距，v是目标车速，s是目标车辆与前一辆车之间的间距，safeGap是自定义安 全间距； S3，基于蒙特卡洛模拟方法和重要性采样策略确定在各种驾驶行为状态下所有相 关车辆的驾驶危险概率。 进一步的，所述步骤S2中，参数 分别与时滞函数的持续时间值 TWdstate和车头时距值THW相关联，限定： 异 常跟车状态下的时滞函数参数大于其他状态下的时滞函数参数： 进一步的，所述步骤S2中，基于最小二乘法估计各种驾驶行为状态下的时滞函数 参数 最小二乘法的代价函数，见式(2)： 式中，dstatei是由时间递归神经网LSTM结合时滞函数确定的驾驶行为状态， rstatei是被标记为训练数据集的真实状态，diff(dstate)表示确定的驾驶行为状态的变 化水平，λ是一个权重因子，用于比较确定的驾驶行为状态与变化水平的精度。 进一步的，所述S3中，相关车辆的驾驶危险概率P(D)，根据式(5)计算： 其中，B是驾驶行为控制模式，x是车队中每个车辆的驾驶行为控制模式的参数， 是根据车队中每个车辆的驾驶行为控制模式生成的车辆实际加速度； 为相关车辆一段时间内状态，包括位置、速度和加速度，o和t分别表示车辆指数和时间指 数；f(D)表示车辆危险状态，取决于各个车辆与前车的最小车头时距是否出现小于预定车 6 CN 111582586 A 说　明　书 3/10 页 头时距阈值的情况，见式(4)； 其中， 为相关车辆一段时间内与前车的最小车头时距， 为相 关车辆的预定安全车头时距阈值。 进一步的，所述车辆实际加速度的确定具体为：根据CACC跟车动态模型，采用较小 固定车头时距的协同跟车动态模型，结合普通跟车动态模型中的OV最优速度动态模型，通 过式(3)计算： 式中，accdes(t)是时间t时的目标车的期望加速度，accact(t)是时间t时的目标车 的实际加速度，τ为车辆操控延迟时间，Δt是模拟时间步长，β指时间修正系数，accact(t-△ t)指某一时间点的目标车的实际加速度。 进一步的，所述相关车辆的驾驶危险概率P(D)基于重要性采样策略的蒙特卡洛模 拟方法计算，见式(6)； 其中，P(X)表示危险状态的概率，x表示车队中每个车辆的驾驶行为控制模式的参 数，p(x)为服从特定分布的随机变量概率密度函数，f(x)为随机采样结果，f(xi)是每次随 机采样结果，r是随机模拟次数； 进一步的，所述相关车辆的驾驶危险概率P(D)基于引入的概率密度分布q(x)进行 采样、引入采样权重值w(xi)进行计算： 其中，q(x)是具有概率密度函数的引入因子，用q(x)代替p(x)作为采样函数。 进一步的，所述概率密度函数为基于上升和下降斜线分布概率密度函数，见式 (8)-(9)； 式中，a，b是随机变量x的变化范围，x为q(x)或p(x)的自变量。 进一步的，所述S1，一段时间内的车辆状态特征信息包括：当前时刻前一段时间内 的目标车与前车速度差、目标车与前车的加速度差、目标车与当前车道中线的距离、目标车 7 CN 111582586 A 说　明　书 4/10 页 与前车的车头时距。 一种用于减少抖动的多车队驾驶危险预测系统，包括数据采集模块、数据分析模 块、交互模块、可视化模块； 所述数据采集模块，用于通过车载感知元件获取一段时间内的车辆状态特征信 息，并输入至数据分析模块； 所述数据分析模块包括驾驶行为状态识别子模块、跟车动态模型子模块、危险性 预测子模块；所述状态识别子模块，用于通过时间递归神经网LSTM对驾驶行为状态进行识 别，并结合时滞函数共同决定最终的驾驶行为状态； 所述跟车动态模型子模块，用于根据驾驶行为识别结果确定每辆车的行为动态模 型，通过跟车动态模型计算车辆的实际加速度； 所述危险性预测子模块，用于基于蒙特卡洛模拟方法和重要性采样策略计算在各 种驾驶行为状态下所有相关车辆的驾驶危险概率； 所述交互模块，用于选取合适的预测结果交互至所述可视化模块，从而为用户提 供道路出行信息； 所述可视化模块，用于分析数据、采样部分状态评估结果的显示。 本发明的有益效果是： (1)本发明提出了一种多车队驾驶危险预测方法，在多车协同驾驶和多种驾驶行 为混杂状态下，建立结合时间递归神经网LSTM和时滞函数的集成驾驶行为识别模型，能够 明显减少大量不必要的驾驶行为状态转换，使识别结果更加稳定，从而有利于减少危险预 测的车辆覆盖范围和提高计算效率。 (2)本发明基于蒙特卡洛模拟方法和重要性采样策略确定在各种驾驶行为状态下 所有相关车辆的驾驶危险概率，能够准确计算危险概率以及在危险概率较小时减少危险概 率计算结果的方差，还能够高效、准确、稳定的综合评估相关车辆的各种驾驶行为的危险性 和平稳性，为选择合适驾驶策略提供重要依据。 (3)本发明还能研究更复杂的交通状态下(如交通灯、行人、电动自行车的影响)的 驾驶行为建模、识别和危险预测方法，为更复杂的驾驶状态和驾驶环境变化中提高车辆驾 驶的平稳性和安全性的研究打下一定的基础。 附图说明 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。 图1是本发明实施例预测系统的结构示意图。 图2是本发明实施例的驾驶状态识别和决策图。 图3是本发明实例中实验场景图。 图4a是本发明实例中标记的驾驶行为类别。 图4b是采用LSTM预测的驾驶行为识别结果。 图4c是本发明实例预测的驾驶行为识别结果。 8 CN 111582586 A 说　明　书 5/10 页 图5a是情况1中前车为异常跟车状态时后面车辆的危险概率计算结果。 图5b是情况2中前车为异常跟车状态时后面车辆的危险概率计算结果。 图6a是情况1中前车为异常跟车状态时后面车辆的危险概率标准偏差计算结果。 图6b是情况2中前车为异常跟车状态时后面车辆的危险概率标准偏差计算结果。