一种基于模拟驾驶器的车辆位置预测建模方法

摘要

本发明公开一种基于模拟驾驶器的车辆位置预测建模方法，包括以下步骤：进行第一阶段模拟驾驶试验，使用驾驶模拟器进行模拟驾驶试验并采集车辆的横向速度、横向加速度、横向坐标和纵向速度、纵向加速度、纵向坐标；处理第一阶段模拟驾驶试验所采集的车辆数据；使用K‑Means算法对处理后的车辆数据进行分类；对分类后的车辆数据，使用高斯过程回归算法建立横向位移预测模型和纵向位移预测模型；进行第二阶段模拟驾驶试验，测试所建立的高斯回归模型，测试合格则输出由横向位移预测模型和纵向位移预测模型共同组成的车辆位置预测模型。本发明运用模拟驾驶器进行模拟驾驶试验实现车辆位置预测建模，计算量小，且不需要实车测试，降低了成本。

说明书

技术领域

本发明涉及交通安全技术领域，特别涉及一种基于模拟驾驶器的车辆位置预测建模方法。

背景技术

随着我国基础设施的不断完善，高质量的交通系统体系已经建成，这也促使人们购买汽车，享受交通的便利。然而，汽车的普及也带来了一定的交通安全隐患。交通事故的发生原因多种多样，如驾驶员疲劳驾驶、车辆传动系统故障等等。辅助驾驶是一种近几年发展迅速的技术，其能够在不影响驾驶员正常驾驶的前提下，尽可能地减小交通事故的发生概率。车辆位置预测技术是一种较为复杂的辅助驾驶技术。专利CN201811603430.7，“一种车辆轨迹预测方法、装置及电子设备”，提出了一种基于车辆熵值的车辆轨迹预测方法，其中主要涉及车辆熵值计算方法及其在车辆轨迹预测方面的应用，理论性较强但计算量较大，且不涉及虚拟驾驶系统的使用和高斯过程回归模型的应用。

目前，市场上缺少一种能够以较低计算成本对车辆位置变化进行建模的技术或方法。

发明内容

本发明的主要目的在于提供一种基于模拟驾驶器的车辆位置预测建模方法，以模拟驾驶器试验为基础，建立车辆位置预测模型。

为了达到上述目的，本发明提供一种基于模拟驾驶器的车辆位置预测建模方法，包括以下步骤：

进行第一阶段模拟驾驶试验，使用驾驶模拟器进行模拟驾驶试验并采集车辆数据，所述车辆数据包括横向速度、横向加速度、横向坐标和纵向速度、纵向加速度、纵向坐标；

处理第一阶段模拟驾驶试验所采集的车辆数据；

使用K-Means算法对处理后的车辆数据进行分类；

对分类后的车辆数据，使用高斯过程回归算法建立横向位移预测模型和纵向位移预测模型；

进行第二阶段模拟驾驶试验，测试所建立的横向位移预测模型和纵向位移预测模型，测试合格则输出由所述横向位移预测模型和纵向位移预测模型共同组成的车辆位置预测模型。

进一步地，第一阶段模拟驾驶试验中，模拟道路包括城市道路和高速道路，且城市道路驾驶不少于20公里，高速道路驾驶不少于50公里。

更进一步地，车辆在城市道路驾驶和高速道路驾驶中必须包括前进左转、前进右转、前进直行、倒退左转、倒退右转、倒退直行6种行车方式，且每一种行车方式行驶的里程不少于1公里。

进一步地，所述车辆数据的采集方式为：以1s为采样时间间隔采集车辆的横向速度、横向加速度、横向坐标和纵向速度、纵向加速度、纵向坐标。

进一步地，处理第一阶段模拟驾驶试验的车辆数据时，计算得到每一时刻相对于前5s时刻的相对横向位移和相对纵向位移，并将每一时刻的横向速度、横向加速度、纵向速度、纵向加速度与5s后的位置相对于当前位置的相对横向位移和相对纵向位移组成一组数据。

更进一步地，使用K-Means算法进行数据点分类时，将横向速度、横向加速度数据与纵向速度、纵向加速度数据分成两个小组；两个小组的数据分别进行分类，且各自分出6类，所有数据点分类后共得到12类数据点，12个分类重心。

再进一步地，进行高斯过程回归建模的输入数据的获取方式是随机从K-Means分类得到的12类数据点中分别随机挑选多个点，然后以数据点中的速度和加速度为输入变量，以相对位移为输出变量，进行高斯过程回归建模；建模后得到6个横向位移预测模型和6个纵向位移预测模型。

进一步地，进行第二阶段模拟驾驶试验时，选择的模拟道路为城市道路和高速道路，且包含车辆行驶方式包括前进左转、前进右转、前进直行、倒退左转、倒退右转、倒退直行6种行车方式，每一种行车方式行驶的里程不少于1公里，总里程不少于10公里。

进一步地，完成后第二阶段模拟驾驶试验后，进行以下步骤进行高斯回归模型测试：

1)采集得到t时刻的横向速度V

2)计算得到距离(V

3)将当前横向速度、当前横向加速度作为输入，使用C

4)将当前纵向速度、当前纵向加速度作为输入，使用C

5)计算预测横向相对位移P

更进一步地，每5s进行一次高斯回归模型测试，若预测成功的车辆位置点的比例超过80％，则表示建模得到的12个高斯回归模型共同组成的车辆位置预测模型建模成功，否则重新进行数据分类和建模。

由于采用上述技术方案，本发明达到以下技术效果：本发明以模拟驾驶器试验为基础，采集车辆数据，并通过K-Means算法分类和高斯过程回归建模，可得到高准确性的车辆位置预测模型，且不需要实车测试，计算量小，成本较低。

附图说明

图1为根据本发明的基于模拟驾驶器的车辆位置预测建模方法的流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明，下面将结合实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所做的等效变化与修饰前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

请结合图1，本实施例提供的一种基于模拟驾驶器的车辆位置预测建模方法，包括如下步骤：

S1.进行第一阶段模拟驾驶试验：

第一阶段模拟驾驶试验中，模拟道路包括城市道路和高速道路，且城市道路驾驶不少于20公里，高速道路驾驶不少于50公里；城市道路驾驶和高速驾驶中的行车方式必须包括前进左转、前进右转、前进直行、倒退左转、倒退右转、倒退直行6种行车方式，且每一种行车方式的里程不少于1公里。试验中，以1s为采样时间间隔采集车辆数据：横向速度、横向加速度、横向坐标和纵向速度、纵向加速度、纵向坐标。

S2.处理第一阶段模拟驾驶试验数据：

处理第一阶段模拟驾驶试验数据时，计算得到每一时刻相对于前5s时刻的相对横向位移和相对纵向位移，并将每一时刻的横向速度、横向加速度、纵向速度、纵向加速度、与5s后的位置相对于当前位置的横向位移和相对纵向位移组成一组数据。

S3.使用K-Means算法对所采数据进行分类：

进行K-Means算法进行数据点分类时，需要将横向速度、横向加速度数据与纵向速度、纵向加速度分成两个小组。两个小组的数据将分别进行分类，且各自分出6类，即所有数据点共将得到12类数据，12个分类重心。

S4.建立高斯过程回归模型

用高斯过程回归算法建立横向位移预测模型6个，纵向位移预测模型6个。

进行高斯过程回归建模的输入数据的获取方式是随机从K-Means分类得到的12类数据点中分别随机挑选N个点(N为大于1的自然数)，然后以数据点中的速度和加速度为输入变量，以相对位移为输出变量，进行高斯过程回归建模。

S5.进行第二阶段模拟驾驶试验

进行第二阶段模拟驾驶试验时，选择的模拟道路为城市道路和高速道路，且行车方式包含前进左转、前进右转、前进直行、倒退左转、倒退右转、倒退直行6种行车方式，每种行车方式的行驶里程不少于1公里，总里程不少于10公里。

S6.测试模型质量

完成后第二次模拟驾驶试验后，进行以下步骤进行高斯回归模型测试：进行以下步骤进行高斯回归模型测试：

1)采集得到t时刻的横向速度V

2)计算得到距离(V

3)将当前横向速度、当前横向加速度作为输入，使用C

4)将当前纵向速度、当前纵向加速度作为输入，使用C

5)计算预测横向相对位移P

每5s进行一次高斯回归模型测试，若预测成功的车辆位置点的比例超过80％，则表示建模得到的12个高斯回归模型共同组成的车辆位置预测模型建模成功，否则重新进行数据分类和建模。

测试合格后，输出由12个高斯回归模型共同组成的车辆位置预测模型。该模型可用于车辆行驶过程中的车辆位置预测，以及用于车辆制动系统的研发，提高车辆的安全性，减少交通事故的发生。

以上所述仅为本发明较佳的实施方式，并非用以限定本发明的保护范围；同时，以上的描述对于相关技术领域中具有通常知识者应可明了并据以实施，因此其他未脱离本发明所揭露概念下所完成之等效改变或修饰，都应涵盖在本发明的保护范围之内。