1.一种考虑大型车辆影响的信号交叉口行车风险智能预警方法,其特征在于,步骤包括:S01.选取高危信号交叉口;
S02.构建高危信号交叉口风险场模型,以高危信号交叉口的历史轨迹数据标定高危信号交叉口风险场模型的静态参数;
S03.监测高危信号交叉口的进出车辆,当识别到大型车辆时,执行步骤S04;
S04.实时提取大型车辆及其周边车辆的目标数据,获取大型车辆的遮挡情况并计算大型车辆盲区,基于大型车辆的遮挡情况、大型车辆盲区和目标数据,标定高危信号交叉口风险场模型的动态参数;
S05.将目标数据实时输入高危信号交叉口风险场模型计算得到高危信号交叉口风险场,并根据高危信号交叉口风险场计算高危风险判别指标,若高危风险判别指标大于预设阈值则进行安全预警,否则跳转执行步骤S04直到大型车辆驶出高危信号交叉口。
2.根据权利要求1所述的考虑大型车辆影响的信号交叉口行车风险智能预警方法,其特征在于,所述步骤S01包括:若当前信号交叉口满足预设的交通流量条件、事故率条件、可见性条件中的一种或多种,将当前信号交叉口加入高危信号交叉口的集合。
3.根据权利要求1所述的考虑大型车辆影响的信号交叉口行车风险智能预警方法,其特征在于,所述步骤S02中,构建高危信号交叉口风险场模型时,包括:根据车辆轨迹的坐标数据,拟合出直行和转向的期望轨迹,得到期望轨迹场;
根据车辆通过信号交叉口时,不同的信号灯显示对于其不同程度的影响,构建信号灯约束场;
根据在基本路段区域和交叉口交织区的大型车辆对位于同一车道的小车产生遮挡影响,构建大型车辆遮挡场;
根据在基本路段区域和交叉口交织区大型车辆对位于大型车辆盲区的小车产生的影响,构建盲区约束场;
根据弹簧阻尼模型,构建大型车辆和小型车的运动场;
将期望轨迹场的场强、信号灯约束场的场强、大型车辆遮挡场强的场强、盲区约束场的场强和运动场的场强叠加,得到高危信号交叉口风险场的场强。
4.根据权利要求3所述的考虑大型车辆影响的信号交叉口行车风险智能预警方法,其特征在于,步骤S01中,选取高危信号交叉口之后还包括建立高危信号交叉口静态交通场景数据库的步骤,包括:获取不同高危信号交叉口的静态数据,所述静态数据包括各进口道车道数据、信号灯高度、信号交叉口允许最大车速;所述期望轨迹场的场强表达式如下:式中,klat为横向约束系数;llane为车道宽度,kdes是目标车道吸引系数,dexp为车辆行驶ij ij至空间点(x,y)距离轨迹带中心线的垂直距离, 为垂点为(x ,y )与j出口道目标终点的轨迹长度; 为车辆受到n出口道影响的期望轨迹约束场强值;
所述信号灯约束场的场强表达式如下:
式中, 为车辆受到信号控制约束的信号灯约束场强值,T0为绿灯剩余时间;vmax为交叉口允许最大车速;v1为交叉口的平均车速; 为车辆到达交叉口出口道所需要的时间,ksig是目标信号控制约束系数。
5.根据权利要求4所述的考虑大型车辆影响的信号交叉口行车风险智能预警方法,其特征在于,步骤S02中,以高危信号交叉口的历史轨迹数据标定高危信号交叉口风险场模型的静态参数时,包括:获取高危信号交叉口的历史轨迹数据,对历史轨迹数据预处理后拟合高危信号交叉口各进口道各转向的期望轨迹方程,计算得到车辆到达交叉口出口道所需要的时间、轨迹带长度和轨迹带中心线,基于车辆到达交叉口出口道所需要的时间、轨迹带长度和轨迹带中心线标定横向约束系数、目标车道吸引系数和目标信号控制约束系数。
6.根据权利要求3所述的考虑大型车辆影响的信号交叉口行车风险智能预警方法,其特征在于,所述大型车辆遮挡场的场强表达式如下:其中,
dshe=Δl1tanα
lshe=Δl2tanβ
为空间点(x,y)在时刻t下位于基本路段区域的遮挡约束场强度值,α为小型车驾驶员水平视线与信号灯的夹角;h2为信号灯高度;h3为大型车辆高度;h1为小型车高度;
Δx为小型车距信号灯的水平距离;dshe为遮挡高度;Δl1为大型车辆与小型车在基本路段的车辆间距;ksher为基本路段区域的遮挡系数;lshe为遮挡距离;Δl2为大型车辆通过交织区时与小型车的平均车头间距,kshei为交叉口交织区的遮挡系数;
所述盲区约束场的场强表达式如下:
其中,
dbli=Wcar‑Δd
为空间点(x,y)在时刻t下位于基本路段区域的盲区约束场强度值;Δl3为大型车辆后视镜至小型车车尾的距离;大型车辆车长及小型车车长为ltru与lcar,大型车辆车宽及小型车车宽为Wtru与Wcar;Δd为小型车进入大型车辆后视镜视野在y坐标上的距离;dbli为大型车辆前方盲区距离;dw为大型车辆和小型车的实际距离;Ω为小型车车尾与大型车辆后视镜的夹角;P=0时,小型车在大型车辆前,P=1时,小型车在大型车辆后,kwblir为大型车辆前方盲区约束系数;kblir为大型车辆后方盲区约束系数;lpra小型车和大型车辆的实际距离;Δl5为大型车辆后视镜距大型车辆车尾的距离;lbli为大型车辆后方盲区距离;φ为小型车中心点与大型车辆后视镜的夹角,用以判断小型车是否进入大型车辆盲区。
7.根据权利要求6所述的考虑大型车辆影响的信号交叉口行车风险智能预警方法,其特征在于,所述运动场的场强表达式如下:其中,Lcar为小型车安全距离;Ltru为大型车辆安全距离;前后车的速度为vp和vego;i表示模型分别为前车为大型车辆和前车为小型车;ci为模型中的虚拟阻尼系数,ki为模型中的虚拟弹簧刚度系数;Umov(x,y,t)为车辆行驶的运动场强度值。
8.根据权利要求7所述的考虑大型车辆影响的信号交叉口行车风险智能预警方法,其特征在于,所述步骤S04包括以下步骤:根据车辆的坐标数据,识别在以大型车辆为中心的前后第一长度的范围内,与大型车辆相对距离最近且行驶方向相同的小型车;
对识别到的大型车辆与对应的小型车进行分析,分别提取长宽高、速度以及两车之间的距离作为目标数据;
以大型车辆车头为中心,半径为第二长度的半圆为大型车辆的前方盲区;大型车辆后方取值目标角度区间之间的范围为大型车辆的后方盲区;
获取高危信号交叉口的实测轨迹数据,并根据实测轨迹数据的车辆信息测算得到安全距离、实际距离、车辆加速度与车辆速度,基于测算所得参数和对应的实际数据,采用PSO算法对弹簧阻尼模型中分车型参数迭代寻优,选出最优参数值并以此标定大型车辆对应的遮挡系数、盲区约束系数、虚拟阻尼系数和虚拟弹簧刚度系数。
9.根据权利要求1所述的考虑大型车辆影响的信号交叉口行车风险智能预警方法,其特征在于,所述步骤S05中的高危风险判别指标为相对行车安全指数RDIS,其表达式如下所示:其中,U(x,y,t)表示高危信号交叉口内车辆行驶的高危信号交叉口风险场强度值,为被评估车辆在特定危险场景中的标准行车风险场强度,当RIDS大于1时,判定车辆处于危险状态,反之,车辆处于安全状态。
10.一种高危场景行车风险智能预警系统,其特征在于,包括互相连接的微处理器的存储介质,所述微处理器被编程或配置以执行权利要求1~9任一所述的考虑大型车辆影响的信号交叉口行车风险智能预警方法。