畢國耀　李佳灝

關(guān)鍵詞：多車協(xié)同；非機動車；角速度特性；轉(zhuǎn)彎意向判定；行駛安全

中圖分類號：TP39 文獻標識碼：A

文章編號：1009-3044（2023）02-0004-03

1 引言

隨著經(jīng)濟的發(fā)展和汽車的普及，城市或者城郊的交通環(huán)境變得更為復雜。而非機動車作為日常交通出行的交通工具的補充，由于自身體積較小，操作靈活，在短距離出行扮演重要角色。中國事故統(tǒng)計數(shù)據(jù)顯示，近年來中國與非機動車相關(guān)的事故發(fā)生率持續(xù)上升，2017年和2018年分別為16568起和23716起[1]。最近的一項研究表明，中國十字路口超過一半的交通事故與非機動車有關(guān)[2]。

避免碰撞在自動駕駛輔助系統(tǒng)的關(guān)鍵功能之一，碰撞預警系統(tǒng)（Collision avoidance systems），能提前對風險預警，縮短駕駛員的反應時間，降低交通的事故率[3]。但是主要的研究都是避免與其他車輛碰撞，行人檢測與風險預警。日本馬自達公司提出了以自車和前方障礙物來規(guī)劃安全的車距[4]，本田公司提出了honda安全距離模型，采用了兩端式的預警方式，成為當時應用最廣泛的安全距離模型[5]。Park[6]等人基于傳感器獲取車輛的速度，加速度與行人的距離做出相應的反應。

然而碰撞預警系統(tǒng)無法解決視線被阻擋的問題[7]，黃[8]等人提出了一個基于矢量的協(xié)同碰撞系統(tǒng)（VCCW），可以通過無線通信和附近的車輛進行信息交換，從而解決視野被阻擋的問題。但是僅限于智能車輛之間的位置識別，無法對非機動車的危險場景進行預警。再者，如果對所有非機動車軌跡進行預測，多個機動車軌跡從主車（Host Vehicle）發(fā)送給遠程車輛（Near Vehicle）， 廣播信道中發(fā)送，所有鄰近的車輛必須處理接收到的信息，并對得到的數(shù)據(jù)進行時間空間上的預測，以避免碰撞，這給車輛帶來了沉重的工作負擔[9]。嚴重鄰近的車輛的運算性能。

上述研究都沒有考慮到在被其他汽車阻擋視野的環(huán)境下，非機動車往阻擋汽車方向行駛的情況。本文通過協(xié)同車輛檢測非機動車的角速度與速度單位矢量，提供非機動車的轉(zhuǎn)彎意向判斷，能夠有效地預防非機動車視野被阻擋的問題。

2 模型應用場景

智能主車（Host vehicle）在行駛的過程中傳感器攝像頭容易被附近車輛（Near Vehicle）阻擋，此時在HV的視野中相當于突然出現(xiàn)非機動車，沒有提前反應的時間。與其他智能汽車變道的不同，非機動車的跨道行駛?cè)菀资艿礁浇能囕v阻擋。與行人穿越NV 到達HV的視野不同，由于非機動車車身有一定的長度，非機動車在路面轉(zhuǎn)彎時候會有一定的角度。再者，非機動車相對于行人有著更高的速度，即角速度更具有連貫性。因此，根據(jù)非機動車的角速度來判斷非機動車的轉(zhuǎn)向意圖提供了依據(jù)。

2.1 非機動車轉(zhuǎn)彎意向場景分析

非機動車在直道轉(zhuǎn)彎上分為兩種情況，一種是非機動車車身轉(zhuǎn)角與智能汽車行駛方向垂直，這種情況可以直接對附近車輛進行預警。另一種是非機動車車身在初始階段與智能汽車行駛方向一致，非機動車距離NV有安全距離，并且意圖穿越NV進行轉(zhuǎn)向，文章主要討論后一種情況。

3.3 非機動車角速度的特性的研究實驗

本文通過研究常數(shù)K₁、K₂在不同數(shù)值下對應方法的誤報率表現(xiàn)。圖4為電動自行車在K₁、K₂不同數(shù)值下的誤報率表現(xiàn)，圖5為電動自行車在K₁、K₂不同數(shù)值下的誤報率表現(xiàn)。通過圖4、圖5可以看出，在研究角速度特性與非機動車是否轉(zhuǎn)彎的判斷中，考慮與非機動車與附近智能汽車單位矢量夾角的方法會比直接考慮角速度的變化有著更低的誤報率。

本文通過研究常數(shù)K₁、K₂在不同數(shù)值下對應方法的不同準確率表現(xiàn)。圖6為電動自行車和自行車在K₁、K₂不同數(shù)值下的準確率表現(xiàn)，在研究角速度特性與非機動車是否轉(zhuǎn)彎的判斷中，考慮與非機動車與附近智能汽車單位矢量夾角會有更好的準確率。另外，由于非機動車中，電動自行車相比自行車有更高的速度，在運用角速度特性分析方法中，速度更高的非機動車會有更低的誤判率。

從圖6中可以看出，在目前的采樣頻率下，權(quán)衡準確率與錯誤率的前提下，K₁= 52中，利用角速度變化特性的優(yōu)化算法在電動自行車轉(zhuǎn)彎意向判斷的準確率有96.4%，誤報率為6.1%。K₂= 52中，利用角速度變化特性的優(yōu)化算法在自行車轉(zhuǎn)彎意向判斷的準確率有97.1%，誤報率為8.1%。

本文從采樣的頻率對非機動車角速度轉(zhuǎn)彎特性進行分析，圖7是不同頻率下電動自行車轉(zhuǎn)彎特性判斷的準確率，圖8是不同頻率下自行車轉(zhuǎn)彎特性判斷的準確率。由此可以得出，采樣頻率越高，用角速度特性判斷非機動車是否轉(zhuǎn)彎的準確度會越高。

4 結(jié)論

基于非機動車角速度特性的轉(zhuǎn)彎判斷算法對非機動車轉(zhuǎn)彎判斷有較高的準確性和較低的誤報率，當檢測頻率越高，準確率越高。面向多車協(xié)同的非機動車轉(zhuǎn)彎意向判定算法能夠一定程度上讓附近的車通過角速度檢測探測前方跨越非機動車的轉(zhuǎn)彎意向，從而對控制主車有提前反應的時間，從而在一定程度上保證了智能汽車與非機動車行駛的安全。