考虑过街行人运动不确定性的人-车碰撞伤害评估

过街行人运动不确定性是影响人-车碰撞和行人伤害预测准确性与可靠性的重要因素。本文中采用1阶马尔科夫模型描述行人过街运动,利用无味变换,高效地估计人-车碰撞概率和碰撞时间与速度的概率密度,从而预测人-车冲突中行人的伤害概率。在运动仿真的基础上,构建了无味变换点集。以蒙特卡罗模拟为参考,验证所提出方法预测行人伤害概率的准确性。采用仿真,预测在人-车冲突场景下,采取不同避撞操作的行人伤害概率。结果表明,相比于确定性方法,本文中所提出的方法能更加真实地反映在不同避撞操作下对行人的伤害,为避撞决策与控制提供有效的目标量化手段。     

“杀手”突袭--在高速公路上行车的纠结

车行高速公路上，速度80km/h，心情也比较放松。但突然窜出的行人有可能令你瞬间窒息，措手不及之间到底是撞还是让，这成了一件让人纠结不清的事情。下面，我们来看看这样一个发生在高速路上的案例。     

看看国外开车“怪规则”

在国内的高速路上．经常可以看到遮了牌照超速飙车的车辆；在城市道路上，也经常可以看到闯红灯、乱并线、占用人行道的现象：在路边．还可以看到违章停车的现象……如果你到了国外，请注意收起这些不规范的驾驶行为．遵守当地交通规则，国外的交通规则和国内大同小异．但执行起来比国内严格得多．一不留意．就有可能受到巨额罚款，并吊销驾照。国外道路上的电子摄像头并不多．但路上每个行人和每一辆车都有可能因你的违规行为电话报警。     

安全小贴士：学会预见性驾驶能回避危险

超车头、会车尾时在超越同向行驶的汽车时一定要注意它的前部,因为看似慢吞吞行驶的车,其实有可能正在避让从它车头经过的行人;而与对面来车会车时则需注意它的尾部,因为那里也可能会突然蹿出横穿马路的行人。类似的情况还有很多,比如一辆正常行驶的汽车突然减速,那么你也要采取相应的举措,因为那辆车很有可能突然发现了一些情况,比如路中间有异物、大坑等,如果你此时贸然加速很可能会发生险情。     

基于动作预测与环境条件的行人过街意图识别

考虑到人车冲突多发于行人过街过程,本文中提出了一种基于行人动作预测与环境条件的过街意图识别网络MIFRN,它通过结构各异的子网络分别对行人的未来动作信息、行人周围的局部交通场景、车速和人车距离信息进行编码,并在信息融合的基础上预测行人是否有过街意图。最后在公共数据集PIE和JAAD上验证了算法的性能。结果表明:本文提出的方法可准确并鲁棒地识别行人的过街意图。     

车人碰撞中人地接触损伤仿真及防护方法鲁棒性分析

人车事故中行人主要与车辆和地面接触而遭受损伤。此前已有大量研究在车辆接触阶段对多体行人模型进行了验证,但对地面接触阶段的验证较少。本文中评估了用于预测车辆撞击后行人运动和地面接触的4个PC-Crash行人模型。通过车辆和地面接触的HIC伤害与最近研究中的6个尸体实验数据对比显示,其中PC2014行人模型能很好地预测行人头部损伤,车辆和地面接触HIC的平均误差分别为6.07%和5.85%,数据说明PC2014行人模型可以用于再现人车碰撞事故以及开发未来地面接触伤害防护对策。控制制动防护方法鲁棒性研究显示,在3种行人姿态（奔跑、步行和应急）扰动下,HIC平均降低比例分别为63.2%、57.9%和67.8%,说明控制制动防护方法具有很好的抗行人姿态干扰能力。进一步分析不同姿态下的行人损伤发现,3种步态序列之间均有显著性差异,在应急步态下控制制动防护方法有着更好的抗行人姿态干扰能力;而在奔跑步态序列下,往往可以通过控制制动防护方法产生最低的头地碰撞损伤,表明在使用控制制动防护方法对行人进行保护时须考虑到不同姿态产生的影响,以进一步提高控制制动防护方法的地面伤防护效果。     

基于社会力的自动驾驶汽车行人轨迹预测模型

为了改善自动驾驶领域对行人保护的局限性,研究了人车混行路口行人的行走模式与人车之间的交互行为,提出了一种基于社会力的自动驾驶汽车行人轨迹预测模型,对人车混行路口的行人行走轨迹进行预测。模型整合了判断行人面对来车行走或是停下的行人走、停决策与改进的社会力模型,并考虑了不同年龄、性别行人的个体差异性。通过数据采集与分析,得到行人的个体特征与真实行走轨迹,用逻辑回归的方法,以真实行走轨迹训练行人走、停决策,用极大似然估计法标定了改进的社会力模型中的系数。通过相同场景与初始条件下,模型预测结果与真实轨迹的对比验证了模型的准确性,结果表明:行人走、停决策能够以总体90%的正确率判断行人面对来车行走与否,改进的社会力模型可以计算出行人在周围环境、其他行人和车辆影响下可能的行走轨迹,与真实轨迹之间的平均位移误差AE15 cm,最终位移误差FE25 cm。轨迹预测模型具有一定的准确性,能够在人车混行路口为自动驾驶汽车的决策与路径规划提供依据,从而达到行人保护的目的。     

城乡快速干道车-人冲突时间窗预测模型

为了解决城乡快速干道车-人冲突和事故严重的问题，将车-人冲突点的分析方法扩展到车-人冲突时间窗的分析方法，构建一种行人运动轨迹实时监测和穿越时间预测相结合的车-人冲突时间窗组合预测模型。首先，分析行人违规穿越的实测数据，确定不同类别行人对应的穿越时间置信区间以及松弛时间；其次，根据运动学模型的预测结果判断行人的所属类别并初步确定行人的穿越时间，同时通过卡尔曼滤波算法对行人穿越过程进行实时监测；再次，融合运动学模型预测结果和卡尔曼滤波监测结果，确定最终的车-人冲突时间窗；最后，对所提出的组合预测模型进行标定和验证，并通过VISSIM仿真平台进行安全性能测试。模型验证结果表明：在正常情况下，该模型能够保障行人的安全且能兼顾松弛时间重置次数；在行人初始穿越速度过低或穿越前、中期存在持续低速的情况下，该模型可以通过多次松弛时间重置来解决模型的适用性问题。安全性能测试结果表明，在车辆行驶时间均值增加4.7%的情况下，安全车辆数占比增加了37.3%，车辆的后侵占时间(PET)测试值则增加53.8%。因此，与无松弛时间的预测模型相比，所提出的有松弛时间的车-人冲突时间窗预测模型能够在对交通效率影响较小的前提下，较大程度地提高车-人冲突的安全性。     

虢誌化路口行人早开时相舆控制策略之研究

以行人早开时相为切入点，尝试让部分行人流能够安全地通过路口之人车冲突区域，以兼顾安全与效率。为了充分了解人车特性，针对行人步行速率，行人起动延滞与车辆右转与行人冲突之特性进行研究调查。另外为了了解在实施行人早开时相之过程中，不同早开长度影响冲突行人敷多寡，故以行人在行人穿越道之扩散模式为基础，推估绿灯时间行人穿越道冲突区冲突行人数之预测模式，以充分掌握行人可能受车辆冲突之状况。在个案研究中，以成本之概念将延滞与冲突统一单位进行比较，发现行人早开时相在行人流每小时1000人以下之情境下，较行人专用时相之成本低。而在车流量接近道路容量的情形下，不适合使用长度较长之行人早开时相或行人专用时相，建议采用较短（4s）之行人早开时相。右转转向比小於0．1时，行人早开时相运作成本较低。当右转比大於0．1时，由於右转车辆将严重与行人流冲突，使得人车冲突成本增高，行人专用时相因无人车冲突成本，故适用於此情境。而在多车道环境下需采用行人早开控制，且右转比小於0．4时，建议可以采用独立之右转专用车道与右转专用号志时相，以减少直行车无谓之延滞。     

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络(Long Short-term Memory Network,LSTM)对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型(VP-LSTM).该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场...     

信号交叉口行人使用手机对其过街行为和安全的影响

针对信号交叉口处行人使用手机对其安全产生不利影响的问题,以武汉市9个信号交叉口的实测数据为基础,对行人使用与不使用手机情况下的过街行为与安全性差异进行统计分析.以往的研究中,评价行人安全多通过简单的对比分析,很少有量化的参数依据;针对行人使用手机对过街安全的影响,以人车冲突为评价指标,建立了基于有序概率(OP)的模型,可以更好地量化评价与预测信号交叉口处的行人安全.结果 表明,有11个因素与人车冲突显著相关,包括行人年龄、使用手机方式、过街速度、行人是否与他人结伴过街、嘹望次数、闯红灯与否、车道数、上游车道左转流量、上游车道右转流量、进口道右转流量和信号周期.其中,使用手机会增加人车冲突的概率:在双向2,4,5,6和7车道上,过街时打电话行人的人均冲突分别是不使用手机行人的3.56,3.42,3.33,3.29和3.00倍;看屏幕行人的人均冲突分别是不使用手机行人的4.78,4.17,3.80,3.59和3.30倍;而听音乐行人和不使用手机行人之间的人均冲突并没有明显差异.      

考虑过街行人运动轨迹不确定性的人-车碰撞概率预测方法

为了准确预测人-车冲突中的碰撞风险,研究了利用碰撞概率评估人-车碰撞风险的预测方法。基于车辆运动特征建立车辆运动学模型,通过采集行人实际过街运动轨迹并提取不确定性特征,采用一阶马尔科夫模型和高斯白噪声建立行人随机运动模型,在此基础上构建人-车冲突距离模型;运用蒙特卡洛抽样,提取行人过街过程中的人-车最短距离和碰撞时间（time to collision,TTC）分布特征,通过拟合这些特征来估算最短距离和TTC的概率密度函数,建立人-车碰撞概率预测模型;结合2起人-车深度事故案例和3种不同制动特性的自动紧急制动（automatic emergency braking,AEB）系统,对比验证人-车碰撞概率预测模型的有效性。结果显示：建立的行人随机运动模型,其模拟的行人运动速度的均值和标准差与实际值的绝对误差在2%以内,模型精度较高;在事故案例仿真中,车辆与行人在发生碰撞时刻对应的碰撞概率为100%;在车辆加装AEB的仿真中,激进型AEB,法规型AEB以及保守型AEB在触发时刻对应的碰撞概率分别为超过了80%,在30%～40%之间,以及不足5%,这表明人-车碰撞概率预测模型可有效预测2起真实...     

基于多特征融合的行人意图以及行人轨迹预测方法研究

行人作为重要的交通参与者,其行走意图和轨迹预测对智能驾驶汽车的决策规划具有重要意义。基于注意力机制增强的长短时记忆(Long Short-term Memory, LSTM)网络,设计一种多特征融合的行人意图以及行人轨迹预测方法。该方法通过融合行人骨架和头部方向特征,以加强行人运动特征的表达,并将融合特征作为意图预测网络输入,继而得到行人意图;由于行人运动具有不确定性,将行人意图预测类别和历史轨迹坐标的联合向量作为行人轨迹预测网络的输入,以期生成更为精确的轨迹预测结果。此外,在轨迹预测网络中引入注意力机制,以加强LSTM对各个时刻编码向量的有效利用,从而提高网络的行人轨迹预测性能,并基于Daimler数据集进行训练及验证。研究结果表明：所提出的多特征意图预测方法准确率可达96.0%,优于基于骨架单特征的意图预测网络;在预测时域为1 s的情况下,预测轨迹的位置均方根误差为347 mm,相较于恒速度(Constant Velocity, CV)模型、交互多模型(Interacting Multiple Model, IMM)、常规LSTM等基线方法均有明显的提升;在实际场景分析中,提出的方...     

人行横道安全

正出行总是始于步行,终于步行。步行过程中,有可能离开人行道,跨越车辆行驶的道路,产生行人与机动车和非机动车的冲突。美国国家交通安全管理局(National Highway Traffic Safety Administration,简称NHTSA)数据显示,2015年美国共发生5295起行人死亡事故,造成5376人死亡。其中,72%的事故发生在路段,18%发生在交叉口。不论美国还是中国,行人交通安全任重而道远。     

福特汽车2000年开发的预测碰撞发生技术

据福特中国有限公司提供的资料，福特汽车公司 2000年开发的 SensorCar技术可预测碰撞的发生。 ●该技术提供的行人安全性 据统计，行人被撞事故在交通事故中占有很大比例。事故分析表明，人车相撞事故的一个主要原因是驾驶没有看到行驶方向上的行人，待到看见时再制动为时已晚了。 SensorCar技术采取的设计思想是采用主动传感器监测汽车前方的行人通道，向驾驶员提供预警，从而避免碰撞的发生。其采用一个装在格栅上的激光雷达装置来扫描汽车前方的行人，发出的波束碰到行人后即被反射回传感器，然后对反射波进行分析。 该系统可以探测到…     

行人过街预警方法

行人是交通系统中不可或缺的一部分,也是交通场景内最灵活、复杂、多变的因素。据统计,90%以上的交通事故都是由人为因素造成的。文章主要面向行人,研究行人过街的预警方法。建立人车微观交互模型,提出以行人头部偏差角为基础的关注度算法。采集行人和车辆鸟瞰视频,标定行人与车辆的二维坐标点为轨迹数据,通过轨迹数据和头部偏差角计算出最大加速度和关注度,以最大加速度和关注度聚类出两种典型过街风格,分析不同过街风格的预警程度。最后利用生成对抗网络模型预测出人车交互时行人的轨迹,用预测轨迹描述行人对交互车的反应情况。该实验对研究无信号十字交叉路口行人过街预警有重要参考意义,理论上增强了行人与车辆在无信号交叉路口的交互安全性。     

开心一笑

你真走运威尔逊开摩托车撞倒了一个行人,他安慰这个愤怒的人说:"先生,你真幸运,今天凑巧我     

基于行人位置预测的人车转向避撞路径规划

针对行人违规过街导致人车碰撞事故频发的交通安全问题,采用改进人工势场法并考虑行人行为的不确定性,对车辆避撞路径进行动态规划.为表达行人违规过街时的方向不确定性,提出一种基于加权效用函数法的行人过街方向概率模型,并以此为基础预测行人位置.针对动态障碍的转向避撞轨迹规划,以避撞安全距离为基础,提出一种相对位置自适应的变长轴...     

基于车辆视角数据的行人轨迹预测与风险等级评定

常用的基于路基视角数据的行人轨迹和风险预测模型往往无法避免复杂的建模运算和人工判断。为简洁而有效地预测行人轨迹和评定风险等级,本文中采用车辆视角数据建立行人轨迹和风险等级的预测模型,并先后进行车辆视角行人数据的采集、基于长短期记忆神经网络的行人轨迹预测和基于聚类分析-支持向量机方法的风险等级评定。实验结果表明,基于车辆视角数据所建立的数据驱动的模型能捕捉行人与车辆的运动趋势和交互特征,具有预测行人轨迹和评定风险等级的能力。     

城市道路无信号控制路段行人过街风险分级预警模型

为量化城市无信号控制路段下的行人过街风险,避免人车冲突事故频发,提出基于K-means算法的行人过街风险量化分级方法,并在此基础上建立了基于随机森林的行人过街风险分级预警模型。考虑时空接近程度及潜在碰撞伤害大小,选取冲突时间差、潜在碰撞距离与潜在碰撞能量3个指标,准确刻画出实际的人车交互场景,并利用K-means算法对行人过街风险状态进聚类划分,明确相应的行人过街风险等级。综合行人过街场景中包含的天气状况、道路交通设施、行人交通特征、机动车交通特征与历史事故等5类风险隐患因素,提出了30项行人过街风险二级指标,依据基尼不纯度对风险指标进行筛选并构建出最优的预警指标集,以此为模型输入,利用随机森林算法建立了能对行人过街风险进行细化、量化预测的分级预警模型。以山西省某市3处行人过街样本数据为算例验证模型的可行性。算例分析表明：行人过街风险等级分为5级时,量化分级结果能与实际行人过街情景较好吻合;本文提出的分级预警模型对各风险等级预测的整体正确率可达86.67%,其中对一级与四级风险的预警能力最为突出,一级风险识别准确率达到100%,四级风险识别准确率达到94.7%。本研究提出的行人过街风险...