一种复杂交通场景下行人集群运动的要素表征方法及系统与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及行人运动技术领域，特别是涉及一种复杂交通场景下行人集群运动的要素表征方法及系统。背景技术：2.近年来，随着人工智能、电子信息和计算机技术等学科蓬勃发展，汽车工业正面临巨大变革，自动驾驶汽车成为汽车未来重要发展方向之一。然而，随着自动驾驶等级的提高，汽车系统复杂性进一步增加，不完善的自动驾驶系统也频频引发交通事故，造成人员伤亡和财产损失，如何保证自动驾驶汽车的安全性成为阻碍自动驾驶汽车量产上路的首要问题。3.自动驾驶的决策因素包括道路特征、车辆特征、行人特征和交通要素，每一项都严重影响着自动驾驶的安全性，关于行人特征，现有技术中通过对行人运动机理的设置，以计算机仿真模拟的方式对行人流过程进行定量解析，用以再现实际生活中一些行人流现象，继而全面的从物理环境、心理因素等方面对行人动力学演化过程进行真实再现，从而揭示行人集群运动过程中存在的一般规律。然而计算机模拟过程中存在着大量简化与假定，因此模型预测就会表现出一定的波动性，实际上一旦这种波动性过大，计算机模拟结果也就失去了意义。技术实现要素：4.有鉴于此，本发明提供了一种复杂交通场景下行人集群运动的要素表征方法及系统，来准确得到行人运动特征要素。5.为实现上述目的，本发明提供了如下方案：6.一种复杂交通场景下行人集群运动的要素表征方法，包括：7.基于社会力模型构建复杂交通场景下行人集群运动的转向微观模型；8.基于所述转向微观模型，得到转向行为与动力学特征参数之间的特征关系；9.构建复杂交通场景下行人集群运动的宏观动力学参量模型；10.基于所述宏观动力学参量模型得到各参量之间的线性关系；基于所述线性关系得到宏观分布特征；11.基于所述特征关系和所述宏观分布特征，对行人集群运动进行定量描述，得到运动特征要素。12.优选地，所述复杂交通场景包括交叉口有无红绿灯、有无车道线分离机非车和行人在非机动车道行走方向。13.优选地，所述参量包括人群数量、密度线长和平均宽度。14.本发明还提供了一种复杂交通场景下行人集群运动的要素表征系统，包括：15.微观构建模块，用于基于社会力模型构建复杂交通场景下行人集群运动的转向微观模型；16.微观特征模块，用于基于所述转向微观模型，得到转向行为与动力学特征参数之间的特征关系；17.宏观构建模块，用于构建复杂交通场景下行人集群运动的宏观动力学参量模型；18.宏观特征模块，用于基于所述宏观动力学参量模型得到各参量之间的线性关系；基于所述线性关系得到宏观分布特征；19.要素表征模块，用于基于所述特征关系和所述宏观分布特征，对行人集群运动进行定量描述，得到运动特征要素。20.优选地，所述复杂交通场景包括交叉口有无红绿灯、有无车道线分离机非车和行人在非机动车道行走方向。21.优选地，所述参量包括人群数量、密度线长和平均宽度。22.根据本发明提供的具体实施例，本发明公开了以下技术效果：23.本发明涉及一种复杂交通场景下行人集群运动的要素表征方法及系统，方法包括：基于社会力模型构建复杂交通场景下行人集群运动的转向微观模型；基于所述转向微观模型，得到转向行为与动力学特征参数之间的特征关系；构建复杂交通场景下行人集群运动的宏观动力学参量模型；基于所述宏观动力学参量模型得到各参量之间的线性关系；基于所述线性关系得到宏观分布特征；基于所述特征关系和所述宏观分布特征，对行人集群运动进行定量描述，得到运动特征要素。本发明能准确得到行人运动特征要素。附图说明24.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。25.图1为本发明复杂交通场景下行人集群运动的要素表征方法流程图；26.图2为本发明复杂交通场景下行人集群运动的要素表征系统结构图；27.图3为本发明转向策略示意图；28.图4为本发明行人集群运动的密度线示意图。29.符号说明：1-微观构建模块，2-微观特征模块，3-宏观构建模块，4-宏观特征模块，5-要素表征模块。具体实施方式30.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。基于本发明中的实施例，本领域普通技术人员在没有做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。31.本发明的目的是提供一种复杂交通场景下行人集群运动的要素表征方法及系统，来准确得到行人运动特征要素。32.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。33.图1为本发明复杂交通场景下行人集群运动的要素表征方法流程图。如图1所示，本发明提供了一种复杂交通场景下行人集群运动的要素表征方法，包括：34.步骤s1，基于社会力模型构建复杂交通场景下行人集群运动的转向微观模型。所述复杂交通场景包括交叉口有无红绿灯、有无车道线分离机非车和行人在非机动车道行走方向。35.具体地：由于自驱动力是社会力模型当中唯一的主动力，考虑个体在简单环境下无特殊位置吸引的运动行为，此时，墙壁作用力随相对距离的指数衰减很快，因此几乎可以忽略不计；而相互作用力在个体运动时亦不存在，这样就可以建立一个只考虑自驱动力作用的模拟环境，个体行人的动力学方程如下式：[0036][0037]为当前时刻的第i个行人的自驱动力产生的加速度，为当前时刻第i个行人的位置指向目标点的方向向量，τ为社会力模型的基本参数值，取0.5s，v0为当前位置与目标点的连线方向的期望速度，表示当前位置与目标点非连线方向上的速度向量。[0038]一般己知的粒子位于任意力场作用下的运动轨迹上任一点的运动状态都可以按照其平行于速度方向与垂直于速度方向做受力分析，其中平行于速度方向的力被用于改变速度值的大小，而垂直于速度方向的力被用于提供法向加速度，这部分的力分量仅用于转向，即轨迹的曲率半径。定义曲线上粒子处于某点时的速度角速度ω、曲率半径和曲线微元中曲率半径之间的夹角θ：[0039][0040][0041][0042]其中，表示第i个行人在曲线任意点处的曲率半径，δt表示时间变化量，vi(t)表示第i个行人的在t时刻的速度。[0043]另外，通过分析不同的复杂交通场景下个体行人运动的可能转向策略，如：交叉口无红绿灯场景下，大多数行人按照车道过街即行人在完成穿越一条机动车道后站在车道分界线附近判断相邻车道的来车情况再进行避让行为直至完成过街。在此过程中造成的行人与机动车冲突采用过街行人主动避让机动车原则，对于通过脚印的落点进行分析，假设当前行人下一步需要迈出的是右腿，则其左腿为转向支点，垂直线的方向表示行人面向的正前方，当下一步右腿落在垂直线左边时即为侧身转向；有车道线分离机非车场景下，一般的，下一步右腿落在红色线的左边时即为迈步转向；无车道线分离机非车和行人在非机动车道行走方向场景下会包含前面两种转向策略。由此可以得出个体行人的运动存在两种转向策略，即侧身转向和迈步转向，行人在执行这两种行为策略时候的表现不同，其中迈步转向是行人腿部优先迈出，然后身体发生随之而转动，而侧身转向则是行人的上半身先转身，继而腿部朝着转身的方向迈步，如图3所示。[0044]但无论哪种转向策略，对处于非静止状态的行人，其头部运动轨迹都是连续的，在不考虑行人静止时以自身为轴的定轴转动的情况下，对曲率半径以及的两种极端情况做分析。[0045]对于行人的轨迹将退化为直线运动，此时有即特别的，当行人速度v＝0时，有加速度对于，由于真实情况下行人运动角速度的有界性(为速度绝对值)，故有：[0046][0047]事实上，这种情况等于行人以法向加速度做近似圆周运动，平行于速度方向几乎不受力。[0048]通过行人在两种极端转向半径情况下的分析，通过自驱动力的转向标度参数可以得到不同复杂交通场景下的转向微观模型。[0049]步骤s2，基于所述转向微观模型，得到转向行为与动力学特征参数之间的特征关系。[0050]具体地，结合自驱动力的产生机理可得：[0051][0052]其中，为行人自驱动力产生的加速度。从上式可以看到转向标度参数实际上是自驱动力作用下行人运动的法向加速度可及的最大理论值。[0053]另外，根据运动学基本规律可知：[0054][0055]联立上述两式可得：[0056][0057]在实验环境下，有：[0058][0059]另外，由于实际情况下行人运动速度和角速度是有界的，因此角速度和速度都存在最大值，即建立在角速度-速度空间的不等式方程组：[0060][0061]在自驱动力模型中，由于弛豫时间r与期望速度v0是给定的模型基本参数，所以此时的转向标度为定值，于是上述通过转向标度可确定模拟条件下角速度-速度空间的取值情况。通过实验可以确定当转向标度确认后，模拟状态下行人最大可及的法向加速度与曲率半径无关，只会受到最大速度的限制，转向标度的理论最大值随着曲率半径的增大而减小。在较小的转向半径时，行人自驱动力更多的被分配到速度的法向上，即自驱动力与速度的法向夹角更小，这样更有利于行人转向；而转向半径较大时，自驱动力则与速度方向夹角更小，更有利于加速过程。也就是说，行人为自身转向所提供的自驱动力大小与环境的相关性很大，当环境能够提供给行人的信息越多时，如交叉口无红绿灯场景下，过街行人与右转机动车发生冲突时，行人此时会选择绕行过街，即行人转向也越快；当环境信息不足时，如无车道线分离机非车场景下，正常行驶行人与直行机动车发生同向冲突时，行人更迫切的想要离开环境，因此自驱动力更多的被用于直行。因此当用社会力模型对行人建模时，自驱动力的设置机理可以被分为转向和直行两个方面，而这两方面的演化过程受到环境信息影响，由转向标度这一参量来控制。[0062]步骤s3，构建复杂交通场景下行人集群运动的宏观动力学参量模型。[0063]步骤s4，基于所述宏观动力学参量模型得到各参量之间的线性关系；基于所述线性关系得到宏观分布特征。[0064]步骤s5，基于所述特征关系和所述宏观分布特征，对行人集群运动进行定量描述，得到运动特征要素。[0065]优选地，首先需要构建基于三个参量的宏观动力学参量模型以定量描述人群运动分布特征，即人群数量n、密度线长l和平均线宽w。通过类比物理学中计算质心的办法，利用密度对空间加权的方式计算得到了人群分布所沿的曲线；基于可靠的个体微观行为观察结果，获得了这三个参量间的基本线性关系式；根据参量之间的基本关系绘制出了人群的动态分布特征曲线用于定量分析人群的分布特征。[0066]具体地，当人群向着某一特定位置运动时，每一个体为了寻找最为便捷的方式抵达目标，他们都会进行路径选择这就使得人群的分布看起来会集中在某条线两侧，参考图4中的虚线。显然，这种线的形状与人群的位置分布有关，因此将这条虚线称为行人集群运动的密度线。[0067]为了识别密度线，设环境平面内任一给定人群站位，人群有如下依时间分布的位置序列：[0068]{(x1(t),y1(t)),(x2(t),y2(t)),(x3(t),y3(t))…(xn(t),yn(t))}；[0069]则其第i个行人对于平面上某一点的密度贡献与平面内的密度分布的表示方式为如下两式：[0070][0071][0072]其中fi(xi,yi；t)是二维高斯函数，r是一个尺寸参数，反映了不同人群的固有尺寸特征，由此可以得到一个二维平面内人群的面密度分布情况，参考物理学中计算平面质心的方法，面密度为的质心坐标如下式所示：[0073][0074]这种计算方式的本质是以密度分布对空间求加权平均值，由此可以定义x方向上的密度线lx(x0,y0)满足下式：[0075][0076]相应的y方向的密度线ly(x0,y0)则为：[0077][0078]可以证明，曲线lx(x0,y0)与ly(x0,y0)只有一个交点，这一交点为质心。另外，密度线上密度值过小的点表示该处几乎没有被行人所占据，因此应予以剔除。设置一个密度阈值，当密度线上的密度值小于该值时可以认为该处基本不存在人群分布，据此方法即可得到不同人数时的密度线。[0079]在识别出行人集群运动的密度线后，设密度线的长度为l，定义单位密度线长度上的人数，则平均线宽w为：[0080][0081]从上式中可以看出，在相同人数的条件下，平均线宽越大，表示行人更倾向沿着垂直于行走方向分布，而密度线长度越大则表示行人更倾向于沿着行走方向分布。特别的，当人群彼此之间的关系为一一跟随时，平均线宽达到最小，而密度线长达到最大。对于距离主要人群较远的行人个体来说，他们更倾向于形成队列而选择靠近人群，这是路径选择的必然结果。而对于个体距离群体较近时，根据群体人数的多少会出现不同的情况。[0082]即平均线宽应随人数的增加而增加，因此我们做如下线性关系假定，其中，aw和bw为常数，通过实验规律确定：[0083]w＝awn+bw；[0084]可以得到，密度线长度l与长度成反比，即：[0085][0086]另外，当平均线宽足够大时，行人无法再选择绕行或者插入人群当中，此时的行人只能选择跟随在人群末端，这时增加单位人数时应与单位增加的密度线长度l成正比，因此存在如下两个关系，其中，al和bl为常数，通过实验规律确定：[0087]l＝aln+bl；[0088][0089]经过上述步骤构建了一个基于人数n、密度线长和平均线宽w的三参量描述行人集群运动分布特征的规则。[0090]图2为本发明复杂交通场景下行人集群运动的要素表征系统结构图。如图2所示，本发明提供了一种复杂交通场景下行人集群运动的要素表征系统，包括：微观构建模块1、微观特征模块2、宏观构建模块3、宏观特征模块4和要素表征模块5。[0091]所述微观构建模块1用于基于社会力模型构建复杂交通场景下行人集群运动的转向微观模型。[0092]所述微观特征模块2用于基于所述转向微观模型，得到转向行为与动力学特征参数之间的特征关系。[0093]所述宏观构建模块3用于构建复杂交通场景下行人集群运动的宏观动力学参量模型。[0094]所述宏观特征模块4用于基于所述宏观动力学参量模型得到各参量之间的线性关系；基于所述线性关系得到宏观分布特征。[0095]所述要素表征模块5用于基于所述特征关系和所述宏观分布特征，对行人集群运动进行定量描述，得到运动特征要素。[0096]优选地，所述复杂交通场景包括交叉口有无红绿灯、有无车道线分离机非车和行人在非机动车道行走方向。[0097]优选地，所述参量包括人群数量、密度线长和平均宽度。[0098]本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。[0099]本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!