本發(fā)明屬于智能交通領(lǐng)域，特別涉及一種基于車輛定位軌跡的車道內(nèi)異常駕駛檢測(cè)方法。
背景技術(shù)：
：近些年隨著衛(wèi)星定位技術(shù)在智能交通應(yīng)用的發(fā)展，人們對(duì)于定位技術(shù)精度的需求在不斷地提高。目前，大部分米級(jí)別的應(yīng)用都可以被目前的定位精度滿足。然而，對(duì)于一些特別的安全相關(guān)的應(yīng)用，我們需要分米甚至厘米級(jí)別的定位精度才能夠被滿足。這些應(yīng)用包括車道控制、碰撞預(yù)防還有智能速度協(xié)助等。檢測(cè)車道內(nèi)的早期各種不規(guī)則駕駛的形態(tài)對(duì)于這些應(yīng)用至關(guān)重要。在目前的研究中，有兩個(gè)主要的因素決定了車道內(nèi)不規(guī)則駕駛的檢測(cè)技術(shù)的效果，其中，第一個(gè)因素包括高精度的定位數(shù)據(jù)的獲取和車輛動(dòng)態(tài)參數(shù)的獲得；第二個(gè)因素包括從這些檢測(cè)出來的車輛位置信息和動(dòng)態(tài)參數(shù)里面提取出各種不規(guī)則駕駛的形態(tài)。近些年來，國(guó)內(nèi)外關(guān)于不規(guī)則駕駛的檢測(cè)進(jìn)行了一定的研究，主要研究包括兩個(gè)研究方向：第一個(gè)方向是基于車輛實(shí)時(shí)軌跡的樣式的檢測(cè)；第二個(gè)方向是對(duì)于駕駛員在駕駛過程中的身體行為的監(jiān)控。對(duì)于車輛實(shí)時(shí)軌跡樣式檢測(cè)的這個(gè)研究方向，研究者們主要采用了各種不同的傳感器，包括定位儀器、轉(zhuǎn)向儀、測(cè)速儀，以及視頻采集儀等設(shè)備來檢測(cè)出車輛的運(yùn)動(dòng)信息數(shù)據(jù)，然后對(duì)采集出來的信息用相應(yīng)的匹配算法進(jìn)行分析，從而發(fā)現(xiàn)不規(guī)則駕駛。在國(guó)外，LeeceandCalabrese(2008)提出了一種基于GPS和特殊數(shù)據(jù)采集器的方法來獲取汽車的駕駛信息，然后采用樣式匹配的方法對(duì)駕駛方式進(jìn)行了分類。不過他們只是一些初步的研究，也沒有做出任何的模擬和實(shí)驗(yàn)結(jié)果。Changetal.(2008)提出了一種基于視覺傳感器和神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)的方法，通過采集汽車的軌跡和速度信息，來分辨駕駛軌跡的不同安全級(jí)別，然而他的方法只是粗略地劃分了不規(guī)則駕駛的安全級(jí)別，比如安全、警示和危險(xiǎn)。此外，他的方法采用的視頻傳感器的表現(xiàn)高度依賴于天氣條件，難以適應(yīng)雨天等復(fù)雜的工作環(huán)境。之后，Imkamonetal.(2008)和Krajewskietal.(2009)也采用了類似的方法，同樣他們也只是粗略地劃分了危險(xiǎn)駕駛的級(jí)別，同樣也沒有量化分析不規(guī)則駕駛的表現(xiàn)。Saruwatarietal.(2012)提出來一種基于檢測(cè)不規(guī)則駕駛的方法，他們認(rèn)為可以通過對(duì)空間時(shí)序圖片多線性關(guān)系的分析，來抽取出一組駕駛行為中的某個(gè)車輛的不規(guī)則駕駛的行為。但是他們并沒有進(jìn)行模擬更沒有實(shí)地的實(shí)驗(yàn)測(cè)試。在我國(guó)，陳清陽等(2008)，王也(2012)，彭金栓等(2013)，劉永濤等(2014)采用了圖像或者角度傳感器對(duì)不規(guī)則駕駛以及預(yù)警進(jìn)行了一定的研究。然而他們的研究也只是停留在初步階段，缺乏詳細(xì)的論證和分析。Daietal.(2010)結(jié)合了手機(jī)，加速度計(jì)還有轉(zhuǎn)向的傳感器來檢測(cè)出汽車的駕駛行為，加速度計(jì)檢測(cè)出來的樣式圖形和典型的圖形進(jìn)行匹配。雖然研究指出如果整合入GPS，那么系統(tǒng)的表現(xiàn)可以被提高，然而他們的研究也并沒有量化檢測(cè)的結(jié)果。總體來說，根據(jù)國(guó)內(nèi)外的文獻(xiàn)分析，基于車輛軌跡的不規(guī)則駕駛的研究是一個(gè)潛在可行的方法，但是目前還是存在一些技術(shù)上的壁壘，比如不同的天氣情況會(huì)影響視頻采集儀器的表現(xiàn)；而且大部分的研究只是處于初級(jí)階段，許多研究并沒有提出可靠的算法來檢測(cè)各種形態(tài)的不規(guī)則駕駛，而且也沒有做具體的實(shí)驗(yàn)和分析。因此，對(duì)于基于車輛實(shí)時(shí)軌跡樣式的不規(guī)則駕駛檢測(cè)的效率和可靠性有待進(jìn)一步的研究。針對(duì)駕駛員在駕駛過程中的身體行為的監(jiān)控的這個(gè)研究方向，研究者們主要采用了視覺傳感器或者輔助系統(tǒng)來監(jiān)控駕駛員在駕駛過程中的身體行為。在國(guó)外，很多學(xué)者采用了視頻輔助系統(tǒng)來監(jiān)控駕駛?cè)藛T的身體行為，比如通過監(jiān)控駕駛?cè)藛T的眨眼頻率，眼皮移動(dòng)的情況，頭部動(dòng)作以及面部表情等來獲得其疲倦狀態(tài)的信號(hào)，從而發(fā)出警示指令(ErikssonandPapanikolopoulos,2001；Leeetal.,2006；Omidyeganehetal.,2001)。此外很多學(xué)者采取了一些輔助系統(tǒng)來對(duì)駕駛?cè)藛T進(jìn)行檢測(cè)，比如通過采用視頻系統(tǒng)結(jié)合輔助的油門力度傳感器通過評(píng)估傳感器輸出的力度，以及眼動(dòng)情況來檢測(cè)出疲勞駕駛(Heitmannetal.,2001；DesaiandHaque,2006，Albuetal.,2008)。還有的學(xué)者采用了電腦圖探測(cè)儀來檢測(cè)駕駛員的腦部活動(dòng)，從而獲得疲勞駕駛的信息(Sandbergetal.,2011)。在國(guó)內(nèi)，也有一些類似的研究。Zhu和Ji(2009)提出了一種基于眼皮運(yùn)動(dòng)，眨眼頻率，頭部運(yùn)動(dòng)，以及面部表情的視頻采集系統(tǒng)來獲取駕駛?cè)藛T疲勞駕駛的信息，并進(jìn)行了初步的評(píng)估。孫偉等(2009)概略的總結(jié)了疲勞駕駛預(yù)警系統(tǒng)的研究，并沒有提出具體的解決方案和評(píng)估結(jié)果。詹彤等(2011)提出了包括視覺，加速度和酒精氣體等傳感器的來檢測(cè)駕駛員身體變化的行為檢測(cè)。總體來說，雖然通過對(duì)國(guó)內(nèi)外研究的分析，對(duì)駕駛員身體行為的監(jiān)控從而檢測(cè)不規(guī)則駕駛的這個(gè)方向是個(gè)潛在可行的方案，但是由于檢測(cè)通常會(huì)使用到視頻或者圖像采集儀器，這些也容易導(dǎo)致駕駛員駕駛的分心從而形成安全隱患。對(duì)于采用輔助系統(tǒng)進(jìn)行駕駛員行為的監(jiān)控，系統(tǒng)的兼容性是一個(gè)非常值得關(guān)注的問題，并且整合系統(tǒng)的昂貴的費(fèi)用使得它很難以得到廣泛的應(yīng)用。所以通過探討實(shí)現(xiàn)不規(guī)則駕駛檢測(cè)的兩種方案：駕駛軌跡的檢測(cè)和駕駛員身體行為的檢測(cè)，我們可以發(fā)現(xiàn)，對(duì)駕駛員身體行為的檢測(cè)的實(shí)際應(yīng)用可行性比較差。反而，通過對(duì)駕駛軌跡的檢測(cè)相對(duì)比較可行，并且有可供提高的空間。并且在目前的研究中，沒有一種算法能夠比較可靠地檢測(cè)出各種不同形態(tài)的不規(guī)則駕駛，主要由于受到定位精度的限制和精確的駕駛信息的限制。如果能夠有效地提高精度精度并且可靠地檢測(cè)出不規(guī)則駕駛的軌跡，這將對(duì)碰撞防制等安全相關(guān)的智能交通的應(yīng)用產(chǎn)生深遠(yuǎn)的影響。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的，在于提供一種基于車輛定位軌跡的車道內(nèi)異常駕駛檢測(cè)方法，其可準(zhǔn)確識(shí)別異常駕駛的類型。為了達(dá)成上述目的，本發(fā)明的解決方案是：一種基于車輛定位軌跡的車道內(nèi)異常駕駛檢測(cè)方法，包括如下步驟：(1)采集待檢測(cè)車輛的狀態(tài)向量X(t)＝[xyvωd]T，其中，(x,y)表示車輛在本地坐標(biāo)系統(tǒng)中的X-Y軸坐標(biāo)，v表示車輛前進(jìn)方向的速度，ω表示車輛的角速率，d表示車輛的橫向位移，設(shè)計(jì)基于粒子濾波的算法，以預(yù)設(shè)的誤差范圍為半徑，在該范圍內(nèi)隨機(jī)產(chǎn)生n個(gè)粒子，并通過對(duì)粒子的預(yù)測(cè)和估計(jì)，得到v、ω、d的估計(jì)值(2)對(duì)估計(jì)值進(jìn)行移動(dòng)視窗平滑處理，并將處理后的數(shù)據(jù)定義為V指標(biāo)、W指標(biāo)和D指標(biāo)，將這三個(gè)指標(biāo)輸入基于模糊邏輯的算法，根據(jù)異常駕駛檢測(cè)模型得出駕駛類型。上述步驟(1)中，(x,y)利用GPS或北斗衛(wèi)星系統(tǒng)來獲得，v通過GPS或北斗衛(wèi)星系統(tǒng)獲得，ω通過安裝在車身軸線上的IMU中的陀螺儀獲得，d利用坐標(biāo)(x,y)和車道中心線的最短距離來計(jì)算獲得。上述步驟(1)中，對(duì)隨機(jī)產(chǎn)生的n個(gè)粒子進(jìn)行預(yù)測(cè)和估計(jì)的過程是：(a)設(shè)n個(gè)粒子P1,P2,…,Pn的狀態(tài)向量分別為X1(t),X2(t),…,Xn(t)，對(duì)這n個(gè)粒子P1(t),P2(t),…,Pn(t)采用運(yùn)動(dòng)模型進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)周期T后的狀態(tài)向量X1(t+T),X2(t+T),…,Xn(t+T)；(b)對(duì)預(yù)測(cè)得到的t+T時(shí)刻的粒子P1(t+T),P2(t+T),…,Pn(t+T)進(jìn)行濾波更新，根據(jù)粒子的有效性進(jìn)行取舍；(c)測(cè)試衛(wèi)星定位系統(tǒng)的有效性，調(diào)整粒子濾波的估計(jì)值為(d)結(jié)合調(diào)整后的估計(jì)值，對(duì)粒子的權(quán)重進(jìn)行標(biāo)準(zhǔn)化處理，重新隨機(jī)生成n個(gè)粒子，然后重復(fù)步驟(a)-(d)，直至駕駛過程結(jié)束，得到數(shù)組估計(jì)值。上述步驟(a)中，利用勻速直線運(yùn)動(dòng)模型對(duì)n個(gè)粒子P1(t),P2(t),…,Pn(t)進(jìn)行預(yù)測(cè)，t+T時(shí)刻的狀態(tài)向量的計(jì)算公式是：xt+1yt+1vt+1ωt+1dt+1=xtytvtωtdt+vTvT000]]>其中，[xt+1yt+1vt+1ωt+1dt+1]T表示t+T時(shí)刻的狀態(tài)向量，[xtytvtωtdt]T表示t時(shí)刻的狀態(tài)向量，v表示車輛的運(yùn)動(dòng)速度。上述步驟(b)中，判斷粒子有效性的判據(jù)是該粒子是否在車道寬度1.5倍的半徑范圍內(nèi)，若預(yù)測(cè)t+T時(shí)刻的粒子Pi(t+T)仍在車道寬度1.5倍的半徑范圍內(nèi)，i＝1,2,…,n，則認(rèn)為該粒子有效，同時(shí)t時(shí)刻的粒子Pi(t)也有效，反之，若預(yù)測(cè)Pi(t+T)不在所述范圍內(nèi)，則認(rèn)為該粒子Pi(t+T)無效，前一時(shí)刻的該粒子Pi(t)也被認(rèn)為無效，將該粒子的權(quán)重設(shè)為0。上述步驟(c)中，測(cè)試衛(wèi)星定位系統(tǒng)的有效性的方法是：檢測(cè)衛(wèi)星定位系統(tǒng)的顆數(shù)，當(dāng)顆數(shù)大于4時(shí)，認(rèn)為系統(tǒng)有效。上述步驟(2)中，異常駕駛檢測(cè)模型的構(gòu)建過程是：定義模糊邏輯輸出的危險(xiǎn)等級(jí)指標(biāo)，用來表示車輛運(yùn)動(dòng)的危險(xiǎn)級(jí)別，并且對(duì)模糊邏輯的規(guī)則進(jìn)行制定，分別定義四種模糊值：Ⅰ、Ⅱ、Ⅲ、Ⅳ，危險(xiǎn)等級(jí)從Ⅰ到Ⅳ遞增，然后統(tǒng)計(jì)各種駕駛類型包含的從Ⅰ到Ⅳ的百分比，確定各種駕駛類型所對(duì)應(yīng)的四種模糊值的百分比。采用上述方案后，本發(fā)明的重點(diǎn)在于基于多源信息融合的車道高精度定位方法和基于模糊邏輯的異常駕駛檢測(cè)方法，具有以下特點(diǎn)：(1)對(duì)采集到的初始位置設(shè)計(jì)基于粒子濾波(PF)的高精度融合算法，對(duì)觀測(cè)到的車輛位置信息，采集到的車道幾何信息，以及建立精確的車輛運(yùn)動(dòng)模型，在下一時(shí)段進(jìn)行迭代，從而提供預(yù)計(jì)位置和姿態(tài)參數(shù)；(2)對(duì)W,D,V使用移動(dòng)平滑算法，并對(duì)移動(dòng)平滑算法之后的數(shù)據(jù)輸入基于模糊邏輯(FIS)的異常檢測(cè)算法，F(xiàn)IS輸出危險(xiǎn)類型指標(biāo)，從而減少算法估計(jì)中的噪聲并提取出動(dòng)態(tài)參數(shù)隨著時(shí)間序列的變化趨勢(shì)。附圖說明圖1是本發(fā)明的流程圖；圖2是本發(fā)明中車輛與車道的幾何關(guān)系示意圖。具體實(shí)施方式以下將結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。根據(jù)美國(guó)公路局的研究表明，公路上最普遍的異常駕駛類型有S形駕駛、抖動(dòng)駕駛、超速駕駛和回撤駕駛，其中，S形駕駛主要由醉酒等原因引起，抖動(dòng)駕駛經(jīng)常由于司機(jī)是新手，操作不穩(wěn)導(dǎo)致，超速駕駛是由于速度超過某一個(gè)特定的閾值，回撤駕駛是司機(jī)因?yàn)槠诶Ь氲仍驅(qū)е萝囕v偏離車道，然后猛然回撤導(dǎo)致的一個(gè)駕駛過程。與異常駕駛相對(duì)于，正常駕駛是指車輛沿著車道中心線進(jìn)行行駛。如圖1所示，本發(fā)明提供一種基于車輛定位軌跡的車道內(nèi)異常駕駛檢測(cè)方法，該方法主要包括兩個(gè)方面的內(nèi)容：采集狀態(tài)向量，設(shè)計(jì)基于粒子濾波的算法，得出高精度估計(jì)的參數(shù)；設(shè)計(jì)基于模糊邏輯的算法，構(gòu)建異常駕駛檢測(cè)模型，判斷當(dāng)前駕駛類型，具體包括如下步驟：第一部分，基于粒子濾波的算法(1)定義車輛的狀態(tài)向量X(t)＝[xyvωd]T，其中，(x,y)表示車輛在本地坐標(biāo)系統(tǒng)中的X-Y軸坐標(biāo)，可利用GPS或北斗衛(wèi)星系統(tǒng)來獲得；v表示車輛前進(jìn)方向的速度，ω表示車輛的角速率，d表示車輛的橫向位移，v、ω、d均為車輛的高精度動(dòng)態(tài)參數(shù)，v可通過GPS或北斗衛(wèi)星系統(tǒng)來獲得，ω可通過安裝在車身軸線上的IMU中的陀螺儀來獲得，而d可以利用坐標(biāo)(x,y)和車道中心線的最短距離來計(jì)算獲得，其中，車道中心線的位置可以由事先測(cè)繪的車道數(shù)據(jù)庫信息獲得；(2)對(duì)前述狀態(tài)向量進(jìn)行初始化，并以預(yù)設(shè)的誤差范圍為半徑，在該范圍內(nèi)隨機(jī)產(chǎn)生n個(gè)粒子P1,P2,…,Pn，其狀態(tài)向量分別為X1(t),X2(t),…,Xn(t)，對(duì)這n個(gè)粒子P1(t),P2(t),…,Pn(t)采用運(yùn)動(dòng)模型進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)周期T后的狀態(tài)向量X1(t+T),X2(t+T),…,Xn(t+T)；在本實(shí)施例中，可以利用勻速直線運(yùn)動(dòng)模型進(jìn)行預(yù)測(cè)，t+T時(shí)刻的狀態(tài)向量的計(jì)算公式是：xt+1yt+1vt+1ωt+1dt+1=xtytvtωtdt+vTvT000]]>其中，[xt+1yt+1vt+1ωt+1dt+1]T表示t+T時(shí)刻的狀態(tài)向量，[xtytvtωtdt]T表示t時(shí)刻的狀態(tài)向量，v表示車輛的運(yùn)動(dòng)速度。(3)對(duì)預(yù)測(cè)得到的t+T時(shí)刻的粒子P1(t+T),P2(t+T),…,Pn(t+T)進(jìn)行濾波更新，根據(jù)粒子的有效性進(jìn)行取舍：判斷粒子有效性的判據(jù)是該粒子是否在車道寬度1.5倍的半徑范圍內(nèi)，若預(yù)測(cè)t+T時(shí)刻的粒子Pi(t+T)仍在車道寬度1.5倍的半徑范圍內(nèi)，i＝1,2,…,n，則認(rèn)為該粒子有效，可以繼續(xù)使用，同時(shí)t時(shí)刻的粒子Pi(t)也有效，反之，若預(yù)測(cè)Pi(t+T)不在所述范圍內(nèi)，則認(rèn)為該粒子Pi(t+T)無效，前一時(shí)刻的該粒子Pi(t)也被認(rèn)為無效，將該粒子的權(quán)重設(shè)為0；(4)檢測(cè)衛(wèi)星定位系統(tǒng)的顆數(shù)，當(dāng)顆數(shù)大于4時(shí)，認(rèn)為系統(tǒng)有效，調(diào)整粒子濾波的估計(jì)值為(5)結(jié)合調(diào)整后的估計(jì)值，對(duì)粒子的權(quán)重進(jìn)行標(biāo)準(zhǔn)化處理，重新隨機(jī)生成n個(gè)粒子，然后重復(fù)步驟(2)-(5)，直至駕駛過程結(jié)束，得到數(shù)組估計(jì)值。第二部分，基于模糊邏輯的算法對(duì)在第一部分得到的估計(jì)值：進(jìn)行移動(dòng)視窗平滑處理，并將處理后的數(shù)據(jù)定義為V指標(biāo)、W指標(biāo)和D指標(biāo)，對(duì)這三個(gè)指標(biāo)輸入基于模糊邏輯的算法，并定義模糊邏輯輸出的危險(xiǎn)等級(jí)指標(biāo)，用來表示車輛運(yùn)動(dòng)的危險(xiǎn)級(jí)別，并且對(duì)模糊邏輯的規(guī)則進(jìn)行制定，規(guī)則來源于大量訓(xùn)練歷史的異常駕駛數(shù)據(jù)中抽取的異常駕駛的形態(tài)，分別定義四種模糊值：Ⅰ、Ⅱ、Ⅲ、Ⅳ，危險(xiǎn)等級(jí)從Ⅰ到Ⅳ遞增，模糊值Ⅰ意味著最低的危險(xiǎn)類型，模糊值Ⅳ意味著最高的危險(xiǎn)類型；然后通過統(tǒng)計(jì)各種駕駛類型包含的從Ⅰ到Ⅳ的百分比，確定各種駕駛類型所對(duì)應(yīng)的四種模糊值的百分比。將前述估計(jì)值輸入前述基于模糊邏輯的算法后，得到四種模糊值Ⅰ、Ⅱ、Ⅲ、Ⅳ分別對(duì)應(yīng)的百分比，再據(jù)此輸出駕駛類型。其中，在第一部分進(jìn)行訓(xùn)練的過程中，通過安裝在車身軸線上的IMU中的陀螺儀來輸出車輛的前進(jìn)方向的角速率和前進(jìn)方向的前進(jìn)角，并通過安裝在車身軸線上的加速計(jì)用來輸出加速度，通過RTKGPS來采集車輛位置坐標(biāo)和前進(jìn)速度，并且通過高精度RTKGPS測(cè)繪出道路中的車道線數(shù)據(jù)，獲得精確的車道信息坐標(biāo)。設(shè)置五種駕駛場(chǎng)景，具體的異常駕駛的場(chǎng)景分為S形駕駛、抖動(dòng)駕駛、超速駕駛和回撤駕駛和正常駕駛。對(duì)這五種場(chǎng)景，用10HZ的采樣頻率進(jìn)行記錄，并且記錄采樣的時(shí)間，對(duì)每個(gè)場(chǎng)景記錄開始時(shí)間，結(jié)束時(shí)間，每個(gè)時(shí)刻的前進(jìn)方向轉(zhuǎn)向角，角速率，位置坐標(biāo)信息，前進(jìn)速度信息。本發(fā)明能夠有效克服現(xiàn)有技術(shù)存在的缺陷：(1)現(xiàn)有技術(shù)異常駕駛檢測(cè)受到天氣影響，以及檢測(cè)的精度低可靠性差的問題本發(fā)明通過結(jié)合系統(tǒng)RTKGPS系統(tǒng)和IMU傳感器以及車道信息，提出實(shí)現(xiàn)低成本、高精度的定位信息和動(dòng)態(tài)參數(shù)估計(jì)的算法，并且具有不受天氣、環(huán)境、全天候，實(shí)時(shí)性，可靠性高的優(yōu)點(diǎn)。GPS和IMU系統(tǒng)聯(lián)合使用增強(qiáng)無線定位系統(tǒng)的魯棒性，可靠性和精度。通過無線定位系統(tǒng)和慣性導(dǎo)航系統(tǒng)的結(jié)合，對(duì)系統(tǒng)進(jìn)行取長(zhǎng)補(bǔ)短，組合系統(tǒng)的連續(xù)性和精度又可以得到很大的提高。因此，通過設(shè)計(jì)PF算法結(jié)合車輛高精度動(dòng)態(tài)模型，可以有效的實(shí)現(xiàn)組合定位系統(tǒng)在復(fù)雜城市環(huán)境中的運(yùn)行，為不規(guī)則駕駛提供全天候高精度的數(shù)據(jù)源。(2)目前沒有可靠的對(duì)車道內(nèi)時(shí)間序列的異常形態(tài)檢測(cè)的方法由于目前存在的研究都沒有一種有效可靠的方法對(duì)車道內(nèi)事件序列的異常駕駛進(jìn)行高效，可靠的檢測(cè)，因此，本發(fā)明通過設(shè)計(jì)基于模糊邏輯的異常駕駛檢測(cè)算法，用來提高基于模糊邏輯的不規(guī)則駕駛檢測(cè)算法判斷的準(zhǔn)確性和有效性和及時(shí)性?；诜置准?jí)別的高完好性，高精確性的定位技術(shù)，車輛的異常駕駛的軌跡可以準(zhǔn)確的被檢測(cè)出來，從而進(jìn)行異常駕駛的類別的識(shí)別。綜合上述，本發(fā)明一種基于車輛定位軌跡的車道內(nèi)異常駕駛檢測(cè)方法，首先通過衛(wèi)星定位系統(tǒng)和慣性導(dǎo)航單元(IMU)對(duì)車輛動(dòng)態(tài)參數(shù)進(jìn)行采集，然后設(shè)計(jì)基于粒子濾波PF算法，對(duì)采集的車輛位置和動(dòng)態(tài)信息和車道信息進(jìn)行融合，從而進(jìn)行得出高精度估計(jì)；最后基于高精度估計(jì)的信息，定義V指標(biāo)、W指標(biāo)和D指標(biāo)進(jìn)行建模并得出異常駕駛的檢測(cè)結(jié)果。本發(fā)明通過利用RTKGPS和低成本IMU,就能實(shí)現(xiàn)車道內(nèi)各種異常駕駛檢測(cè)，成本低并且實(shí)用性強(qiáng)，并且是實(shí)現(xiàn)將來車道級(jí)別上的控制、防撞和智能加速等應(yīng)用的基礎(chǔ)。以上實(shí)施例僅為說明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護(hù)范圍，凡是按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動(dòng)，均落入本發(fā)明保護(hù)范圍之內(nèi)。當(dāng)前第1頁1 2 3