本申请涉及交通信息领域，具体而言，涉及一种基于自动驾驶车辆移动检测的快速路交通流全样本轨迹重构方法。
背景技术：
车辆轨迹数据可在时域和空域内提供大量重要交通信息，为交通管理与控制方案的制定提供重要基础。一旦完整的轨迹数据可以被准确获取，道路交通状态和服务水平便可准确估计，决策者可以据此改善优化当前交通管理和控制方案，这对于改善城市交通状况有重要现实意义。
目前，车辆轨迹数据的收集主要包括定点检测和移动检测，例如视频、航拍、探测车等。受限于安装维护成本，依赖定点检测器如视频、航拍等收集到的轨迹数据往往覆盖范围有限，这类轨迹数据往往不完整而且包含大量错误。而基于移动检测如探测车等获取的轨迹数据只是部分抽样车辆轨迹，无法反应交通流全貌，同时，受限于通信成本和通信可靠性，这种采集方式获取的轨迹数据在时空上有时甚至只是稀疏的几个数据点，无法提供交通流时空信息。
随着自动驾驶技术和5g通信的快速发展，未来道路将会是自动驾驶车辆和人工驾驶车辆混行的状态。自动驾驶车辆具备大量丰富检测传感设备，如3d雷达、激光雷达、图像处理系统、移动物体追踪系统等，检测范围内的物体都可以被自动驾驶车辆准确识别。可以将自动驾驶车辆视作在道路上随机分布的大量高精度移动检测器，它们不仅可以准确记录自身轨迹数据，还可以将检测范围内的其他车辆轨迹数据一并采集。因此，自动驾驶车辆为交通数据的获取提供了新来源。然而，考虑到自动驾驶车辆的大范围应用仍存在许多现实问题，无法快速普及，未来一段时间内，自动驾驶车辆的渗透率会维持在低水平。受限于检测范围，自动驾驶车辆检测到的轨迹数据只是部分抽样交通流轨迹，无法反应交通流全貌。尽管未来自动驾驶车辆渗透率可能达到100％，但高频率的采样记录车辆轨迹会造成隐私担忧和安全隐患。因此，如何基于自动驾驶车辆检测到的部分抽样交通流轨迹数据重构全样本混行交通流轨迹，是交通信息领域待解决的新问题。
技术实现要素：
1.发明目的
本发明针对自动驾驶车辆检测到的轨迹数据只是部分抽样交通流轨迹，无法反应交通流全貌，提出一种基于自动驾驶车辆移动检测的快速路交通流全样本轨迹重构方法，实现全样本混行交通流轨迹的获取。
2.本发明所采用的技术方案
定义快速路上相邻两辆自动驾驶车辆为av1和av2，头车为av1，跟随车为av2，av1检测范围内完整记录轨迹的最后一辆跟随人工驾驶车辆为hva，av2检测范围内的完整记录轨迹的第一辆人工驾驶车辆为hvb，本发明提出的基于自动驾驶车辆移动检测数据的快速路全样本轨迹重构方法可以通过以下步骤来实现：
(1)将车辆行驶状态分为跟随和逼近，基于av1检测到的hva轨迹数据估计后车hvb下一时刻的期望行驶状态参数；
(2)基于av2检测到的hvb实际轨迹数据计算下一时刻车辆的实际行驶状态参数，结合步骤(1)结果，计算hvb下一时刻期望行驶状态参数与实际行驶状态参数差值，若该差值超出可接受范围，则认为后车hvb受到检测范围外未检测到车辆的影响导致该车无法按照期望速度行驶，此时要在hva和hvb之间插入新的人工驾驶车辆；
(3)根据自动驾驶车辆移动检测数据，计算道路局部交通密度和区域平均速度，据此计算车辆之间的理想期望间距，进一步确定插入人工驾驶车辆初始插入位置和初始插入速度；
(4)根据步骤(3)结果，设计元胞自动机运动更新规则，包括：匀速、加速、减速、随机慢化和位置更新，仿真车辆运动，计算插入车辆下一时刻位置，完成插入车辆轨迹重构。
所述步骤(1)具体为：车辆行驶状态可以用不同参数表示，如速度、加速度等，本方法采用加速度表征车辆行驶状态。若车辆处于跟随状态，则后车驾驶行为应该与前车保持一致，因此，后车下一时刻期望加速度ai-1为零，如式(1)所示：
ai-1＝0(1)
若后车处于逼近状态，为了避免碰撞，后车下一时刻的速度应该小于前车，后车会根据与前车的距离不断调整自身速度直到开始跟随前车行驶，后车下一时刻期望加速度ai-1的计算方法如式(2)所示：
其中，da＝l ds，l表示车辆长度；ds表示相对安全距离；ai表示前车的加速度；amin表示最小加速度，
所述步骤(2)具体为：hvb下一时刻的实际加速度
其中，t1,t2表示时间戳；
结合步骤(1)计算结果，用
其中，si-1表示后车当前速度；si表示前车当前速度。则hvb下一时刻期望行驶状态参数与实际行驶状态参数差值δ如式(5)所示：
用τ表示可接受差值阈值，假设快速路限速为20m/s，如果车辆速度低于20m/s且下一时刻实际加速度为0，而预测该车下一时刻期望加速度为最大值，此时一定需要插入人工驾驶车辆。
所述步骤(3)具体为：首先，基于自动驾驶车辆探测到的部分轨迹数据，估计道路局部交通密度，将道路划分为m个单元，长度均为l，假设道路上共有n辆自动驾驶车辆，一个道路单元只能被一辆车占据。对于自动驾驶车辆avi，其检测范围内有zi辆车的轨迹数据可以被完整记录，在时刻t，zi辆车所在道路单元表示为
其中，d∈[0,1]，t表示仿真时间。
根据式(6)计算结果可以估计道路上车辆之间的理想期望间距，计算方法如式(7)所示：
用pd表示前后车辆位置差值：
其中，α表示调整参数，一般情况α∈(0,1)。
根据式(8)计算结果，人工驾驶车辆插入位置如式(9)所示：
pinsert＝pi-1＝pi-pd(9)
之后，进一步估计插入人工驾驶车辆初始插入速度。假设道路区域a共有n辆自动驾驶车辆表示为{av1,av2,…,avn}，其中某一avi检测范围内共有zi辆车的轨迹被完整记录，在时刻t，zi辆车的位置表示为
其中，k表示仿真总次数；δt表示时间步长。
因为插入车辆位于区域道路区域a，因此，插入人工驾驶车辆初始插入速度可以取道路区域a的平均速度，即式(10)的计算结果为插入人工驾驶车辆初始插入速度。
所述步骤(4)具体为：首先，在设计元胞自动机运动更新规则之前，为了避免碰撞，后车应该与前车保持一定的安全距离，要计算安全参数临界值，计算方法如式(11)所示：
其中，ai和ai-1分别表示前车和后车的最大减速度，ai＝ai-1＝3m/s2；l表示车辆长度；tr表示反应时间，若后车为人工驾驶车辆，则tr＝0.8s，若后车为自动驾驶车辆，则tr＝0.5s。
根据式(11)计算结果可以分别得到安全距离gapsi-1(t)和安全速度ssi-1(t)的临界值：
根据式(12)和式(13)计算的安全参数临界值，进一步制定元胞自动机运动更新规则，包括：匀速、加速、减速、随机慢化和位置更新。
step1：匀速运动。如果在时刻t，前车vi和后车vi-1的距离gapi-1(t)等于安全间距临界值，即gapi-1(t)＝gapsi-1(t)，则后车在下一时刻会保持当前速度：
si-1(t 1)＝si-1(t)(14)
step2：加速运动。如果gapi-1(t)≠gapsi-1(t)，则后车在下一时刻首先进行加速，如式(15)所示：
si-1(t 1)＝min{si-1(t) 1,smax,ssi-1(t)}(15)
其中，smax表示后车的最大速度。
step3：减速运动。后车为了保证与前车之间的间距在安全范围内，在加速之后可能需要进一步减速：
其中，si(t 1)表示在t 1时刻车辆加速后的速度。
step4：随机慢化。由于插入人工驾驶车辆的驾驶员存在生理差异，以慢化概率p调整车辆速度：
其中，
step5：位置更新。插入的人工驾驶车辆下一时刻的位置pi-1(t 1)可以按照式(18)的计算方法进行更新：
pi-1(t 1)＝pi-1(t) si-1(t 1)″(18)
其中，pi-1(t)表示后车vi-1在时刻t的位置，初始时刻，pi-1(t)即插入人工驾驶车辆的初始插入位置，si-1(t)即插入人工驾驶车辆的初始插入速度。
因此，根据制定元胞自动机运动更新规则step1-step5仿真车辆运动，不断计算更新插入人工驾驶车辆下一时刻的位置，可以重构出插入人工驾驶车辆的完整轨迹，得到快速路混行交通流全样本轨迹。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为根据本公开具体实施方式所述的快速路示意图；
图2为根据本公开具体实施方式所述的轨迹重构结果，其中自动驾驶车辆渗透率为5％，道路交通密度分别取40veh/km和60veh/km；
图3为根据本公开具体实施方式所述的轨迹重构结果，其中道路交通密度为100veh/km，自动驾驶车辆渗透率分别取2％和5％；
图4为根据本公开具体实施方式所述的不同道路交通密度下的轨迹重构误差，其中自动驾驶车辆渗透率固定为5％；
图5为根据本公开具体实施方式所述的不同自动驾驶车辆渗透率下的轨迹重构误差，其中道路交通密度固定为100veh/km；
图6为根据本公开具体实施方式的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明提出的基于自动驾驶车辆移动检测的快速路交通流全样本轨迹重构方法可以通过以下步骤来实现：
(1)将车辆行驶状态分为跟随和逼近，基于av1检测到的hva轨迹数据估计后车hvb下一时刻的期望行驶状态参数；
(2)基于av2检测到的hvb实际轨迹数据计算下一时刻车辆的实际行驶状态参数，结合步骤(1)结果，计算hvb下一时刻期望行驶状态参数与实际行驶状态参数差值，若该差值超出可接受范围，则认为后车hvb受到检测范围外未检测到车辆的影响导致该车无法按照期望速度行驶，此时要在hva和hvb之间插入新的人工驾驶车辆；
(3)根据自动驾驶车辆移动检测数据，计算道路局部交通密度和区域平均速度，据此计算车辆之间的理想期望间距，进一步确定插入人工驾驶车辆初始插入位置和初始插入速度；
(4)根据步骤(3)结果，设计元胞自动机运动更新规则，包括：匀速、加速、减速、随机慢化和位置更新，仿真车辆运动，计算插入车辆下一时刻位置，据此完成插入车辆轨迹重构。
由于自动驾驶技术尚未普及，实际数据获取存在难度，因此采用仿真数据具体介绍方法实施的每步骤。
第(1)步：仿真快速路路段如图1所示，道路长度为3000m，将其划分为600个道路单元，每个单元的长度均为5m。采用刺激反应跟驰模型，仿真自动驾驶和人工驾驶车辆混行交通流获得完整轨迹数据用于方法验证，其中，假设人工驾驶车辆的敏感性参数服从高斯分布，均值为0.7，方差为0.01，由于自动驾驶车辆具有同质性，为了确保安全，其相对而言会更保守，因此，自动驾驶车辆的敏感性参数全部设置为0.8。
第(2)步：假设自动驾驶车辆的渗透率p为5％，道路的交通密度d分别为40veh/km和60veh/km,假设自动驾驶车辆检测范围为100m，如果车辆均匀分布，则自动驾驶车辆检测范围内至少存在8辆车。然而，车辆随机分布，靠近检测边缘的车辆轨迹数据可能无法完整记录，因此，假设自动驾驶车辆检测范围内有6辆车的轨迹数据被完整记录。之后，按照式(4)依次估计车辆驾驶状态，基于实际车辆驾驶状态与期望驾驶状态的差值按照式(9)和式(10)插入人工驾驶车辆。
另外，假设道路交通密度为100veh/km，自动驾驶车辆分别渗透率为2％和5％，自动驾驶车辆的检测范围同样设置为100m，此时，自动驾驶车辆检测范围内至少存在20辆车，考虑到车辆随机分布并且车辆通信信道资源有限，因此，同样假设自动驾驶车辆检测范围内被完整记录轨迹的车辆数为6。之后，再次按照式(4)依次估计车辆驾驶状态，基于实际车辆驾驶状态与期望驾驶状态的差值按照式(9)和式(10)插入人工驾驶车辆。
第(3)步：插入人工驾驶车辆后，按照制定元胞自动机运动更新规则step1-step5即式(14)-式(18)仿真车辆运动，不断计算更新插入人工驾驶车辆下一时刻的位置，可以重构出插入人工驾驶车辆的完整轨迹，如图2、图3所示。
第(4)步：选择平均绝对误差(mae)对每秒更新的插入车辆位置和实际车辆位置进行比较，计算轨迹重构误差，如式(19)所示，自动驾驶车辆渗透率为5％，道路交通密度分别为40,60,80,100,120,140,160,and180veh/km的计算结果如图4所示；道路交通密度为100veh/km，自动驾驶车辆渗透率分别为1％,2％,3％,5％,7％,8％,10％,and12％的计算结果如图5所示。
其中，
本实施例中通过利用基于自动驾驶车辆移动检测数据的快速路全样本轨迹重构方法，结果显示不同的交通密度和自动驾驶车辆渗透率下，本方法都可以很好的完成混行交通流全样本轨迹重构。
1.一种基于自动驾驶车辆移动检测的快速路交通流全样本轨迹重构方法，其特征在于，包括以下步骤：
步骤一：对于自动驾驶车辆可以检测到的两辆相邻人工驾驶车辆，将后车行驶状态分为跟随和逼近，利用自动驾驶车辆移动检测到的前车轨迹数据预测后车下一时刻的期望行驶状态参数；
步骤二：利用自动驾驶车辆移动检测到的后车数据计算下一时刻后车的实际行驶状态参数，结合步骤一结果，计算后车下一时刻期望行驶状态参数与实际行驶状态参数差值，若该差值超出可接受范围，则认为后车受到检测范围外未检测到车辆的影响导致该车无法按照期望速度行驶，此时要在这两辆相邻人工驾驶车辆之间插入新的车辆；
步骤三：根据自动驾驶车辆移动检测数据，计算道路局部交通密度和区域平均速度，据此计算车辆之间的理想期望间距，进一步确定插入人工驾驶车辆初始插入位置和初始插入速度；
步骤四：设计元胞自动机运动更新规则，包括：匀速、加速、减速、随机慢化和位置更新，仿真车辆运动，计算插入车辆下一时刻位置，据此完成插入车辆轨迹重构，得到快速路混行交通流全样本轨迹。
2.如权利要求1所述的方法，其特征在于，所述的步骤一包括将车辆行驶状态分为跟随和逼近，据此预测车辆期望行驶状态参数。
3.如权利要求1所述的方法，其特征在于，所述的步骤二包括计算车辆期望行驶状态参数与实际行驶状态参数之间的差值，据此判断车辆是否受到检测范围外未检测到车辆的影响，进一步决定是否进行插车。
4.如权利要求1所述的方法，其特征在于，所述的步骤三包括利用道路局部交通密度和区域平均速度估计插入人工驾驶车辆初始插入位置和初始插入速度。
5.如权利要求1所述的方法，其特征在于，所述的步骤四包括设计元胞自动机运动更新规则：匀速、加速、减速、随机慢化和位置更新，仿真插入车辆运动，实现插入车辆轨迹重构。
技术总结