1.一种基于无人机识别车辆轨迹的湿滑道路风险评估方法,其特征在于,该方法包括以下步骤:步骤S1.利用无人机采集数据信息,输出原始视频帧与飞控日志,将气象数据时间序列插值到帧时刻,形成统一的“帧—姿态—气象”时间轴,生成一次性采集数据;
步骤S2.进行相机标定与地面映射,构建至少一种像素→地面映射模型;
步骤S3.对无人机视频中的车辆进行检测与时序跟踪,基于像素→地面映射模型将其从像素坐标转换为地面坐标,输出车辆地面轨迹序列;
步骤S4.正常天气下,根据参考轨迹曲线计算正常样本的参数指标,包括横向偏移、航向误差、角速度波动、速度—方向耦合指数,并基于获取的数据计算轨迹振荡频率,估计路面附着系数与动态稳定边界,计算轨迹曲率异常指数、横摆-侧滑耦合度,所有数据归一化后输出,以此构建正常天气分布库;
步骤S5.根据步骤S3获取的多车轨迹及参考轨迹曲线,输出湿滑道路下能够与正常天气分布库直接对比的标准化指标,同时生成阈上指标;
步骤S6.将步骤S5输出的标准化指标与步骤S4的正常天气分布库进行对比,输出分布差异;基于气象系数对湿滑道路下的阈上指标自适应调节,并计算加权阈上比例及超过正常天气95%分位数的持续时间;评判邻接一致度与段内空间连贯度,最终形成段级风险分数与风险等级。
2.根据权利要求1所述的一种基于无人机识别车辆轨迹的湿滑道路风险评估方法,其特征在于,步骤S2中相机标定后,所有航拍帧先去畸变后再做地面映射,并根据道路情况,对于平面路段建立一种像素→地面映射模型,对于起伏/桥面/坡道路段建立另外一种像素→地面映射模型。
3.根据权利要求1所述的一种基于无人机识别车辆轨迹的湿滑道路风险评估方法,其特征在于,步骤S3采用YOLOv8对每帧输出车辆候选框及置信度,之后应用DeepSORT多目标跟踪算法实现跨帧车辆ID匹配,从而确定车辆轨迹。
4.根据权利要求1所述的一种基于无人机识别车辆轨迹的湿滑道路风险评估方法,其特征在于,步骤S4中先沿道路主走向将目标路段划分多段,基于步骤S3获取的多车轨迹,在正常天气样本上为每段道路拟合参考轨迹曲线,拟合过程以“寻找最近点计算法向残差—参数更新—曲线修正”的迭代方式收敛;拟合结束后,拼接各分段曲线,确保段与段在端点处一阶连续。
5.根据权利要求4所述的一种基于无人机识别车辆轨迹的湿滑道路风险评估方法,其特征在于,步骤S4中对于每个分段拟合参考轨迹曲线后,按照曲率层级、车道进一步区分情景维度,针对每个情景维度均构建正常天气分布库,并按照情景维度将湿滑道路样本数据与正常天气分布库对比。
6.根据权利要求5所述的一种基于无人机识别车辆轨迹的湿滑道路风险评估方法,其特征在于,步骤S5中基于横向偏移计算轨迹振荡频率;基于速度、横摆角速度、航向与轨迹方向推算侧偏角,获取估计的路面附着系数,计算附着力估计指数与动态稳定边界;基于车辆实际轨迹的瞬时曲率与期望曲率计算轨迹曲率异常指数;基于横摆角速度与质心侧偏角计算横摆-侧滑耦合度。
7.根据权利要求6所述的一种基于无人机识别车辆轨迹的湿滑道路风险评估方法,其特征在于,步骤S6中第m段k时刻的风险分数的表达式为:;
其中,即:横向偏移、航向误差、角速度波动、速度—方向耦合、轨迹振荡频率、附着力估计指数、轨迹曲率异常指数、动态稳定边界、横摆-侧滑耦合度;m:路段;k:时间窗;;非负权重;:阈值收缩系数;:邻接一致度;:段内空间连贯度;:数值连续超过正常天气95%分位数的持续时间的期望值或平均值;:经验分布转为正常基线分布所需要的最小成本;:95%,99%分位数的比例;c为偏置项;
之后根据风险分数确定风险等级。
8.根据权利要求7所述的一种基于无人机识别车辆轨迹的湿滑道路风险评估方法,其特征在于,邻接一致度;
其中,为上一步或上周期的预打分,为横向偏移与航向误差的加权阈上比例之和或复合打滑可疑度的窗内均值,代表分段,为道路分段总数,为阈值。
9.根据权利要求7所述的一种基于无人机识别车辆轨迹的湿滑道路风险评估方法,其特征在于,经验分布转为正常基线分布所需要的最小成本的表达式为:;
其中,为当前窗口的经验分布转为正常基线分布所需要的最小成本,为窗内加权经验分布,为步骤S4的正常分布。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至9任意一项所述的一种基于无人机识别车辆轨迹的湿滑道路风险评估方法。