CN108469806B - 交替式人机共驾中驾驶权转移方法 - Google Patents

Abstract

本发明涉及一种交替式人机共驾中驾驶权转移方法，属于智能交通领域。包括对当前驾驶环境、车辆和驾驶员的状态等多因素进行降维，提取出影响当前驾驶的关键因子；利用提取出的因子进行态势估计，判断是否需要转移驾驶权；同步评估自动驾驶系统和驾驶员的驾驶能力，判定是否能够进行驾驶权转移。为交替式人机协同驾驶的安全性提供保障，为提高智能交通系统的性能奠定基础。本发明在减轻了驾驶员驾驶负担的同时，提高了驾驶的安全性，减少了事故的发生，全面提高了智能交通系统的性能。

Description

交替式人机共驾中驾驶权转移方法

技术领域

本发明属于智能交通领域，涉及交替式人机共驾中驾驶权转移方法。

背景技术

在共享型人机共驾中安全干预部分的应用，建构非线性轮胎模型，分析其稳定性安全包络和碰撞性安全包络，并分析加速度与方向盘转角之间的关系，但此系统仅当车辆可能发生失稳或碰撞风险时进行干预；建立间接式协同控制的系统框架，利用基于线性加权法的输入融合算法，将人机控制权用显式表达为对应的权重系数，在控制权连续转移方面，对驾驶员控制权意图做出识别，得到辨识期望控制权分配，再将其结果进行平滑滤波，使用零阶保持器进行速率抑制，但此系统的辨识系统可能存在波动，且控制权变化可能会给人带来不适感。

发明内容

有鉴于此，本发明的目的在于提供一种交替式人机共驾中驾驶权转移方法，在减轻驾驶员驾驶负担的同时，提高驾驶的安全性，减少事故发生，全面提高智能交通系统的性能。

为达到上述目的，本发明提供如下技术方案：

交替式人机共驾中驾驶权转移方法，包括以下步骤：

S1：通过车联网、各种传感器和路侧设备收集影响驾驶安全的信息，包括车辆信息、环境信息、驾驶员信息和交通信息；

S2：利用多因素融合的方法对收集的信息进行降维，提取出当前影响驾驶安全的几个关键因子；

S3：根据关键因子构建D-S证据网络态势估计，分析当前驾驶状态的安全性，判断是否需要转移驾驶权；

S4：后台分别对自动驾驶系统和驾驶员的驾驶能力进行评估和比较，对备用驾驶者和当前驾驶者能力进行评估，判断在态势估计危险的情况下是否能够进行安全转移，最终利用相应方法进行转移。

进一步，所述步骤S2具体为：

S201：原始数据标准化，构成子特征数据矩阵，将传感器采集到的原始驾驶数据如速度、加速度、距离、驾驶员驾龄、驾驶员健康状况、心情因素、天气因素和道路情况原本不统一的驾驶数据标准化；

S202：标准化是对同一变量减去其均值，再除以标准差所得的数据，构成m×n阶用户驾驶子特征数据矩阵X：

S203：构建各驾驶因素间的相关系数矩阵、相关系数矩阵特征方程；

对同一类型的相关威胁因素利用协方差公式求相关系数r_ij，r_ij表示第i个威胁子特征相对于第j个威胁子特征的相关系数：

其中k表示用户数，

为x_i的平均值，

为x_j的平均值；

得到所有威胁子特征相互之间的相关系数矩阵R：

式中，r_ij和r_ji相等；

由这m个威胁子特征的相关系数矩阵R，构建相关系数矩阵特征方程|R-μE|＝0，其中μ为特征向量，其中包含第m个特征值μ_i，并按大小顺序排列它们，其由下式求解：

μ₁≥μ₂≥…≥μ_m≥0；

S204：利用特征矩阵方程形成主成分数据

用户的各个威胁子特征数据与主成分特征向量对应相乘，计算用户的三个主成分得分z_yp，z_yp表示第y个用户的第p个主成分得分：

得到n个用户的主成分得分，用矩阵Z表示：

Z为降维后的n个用户主成分数据，代替原有的m类威胁子特征对用户整体威胁特征的描述；

S205：计算特征类

所有威胁特征在三维空间内对应相应的坐标，随机选取n个初始聚类质心点，计算欧式距离，判断威胁特征类：

D(a,b)为欧式距离，a和b为其中两个点，x₁、x₂、y₁、y₂、z₁、z₂分别为其x、y、z轴坐标；

对于每一个特征点，计算其与初始聚类质心点的欧式距离来判断它应该属于的威胁特征类，即

c⁽ⁱ⁾＝min{D(x⁽ⁱ⁾,γ_a)}，a＝1,2,…,l

其中c⁽ⁱ⁾是用户i驾驶特征点与驾驶特征类别l之间的距离最近的类别，γ_a为其质心；

S206：特征点归属

当判断一个威胁特征点所属的类别后，对于每一个威胁特征类，重新计算质心：

不断迭代重复，直到n个用户驾驶特征点都归属到相应的类为止，得到多种传感器获取的因素融合后的重点威胁因素类型，最终得到多种传感器获取的因素融合后的几种重点威胁因素类型和对应融合结果。

进一步，所述步骤S3是采集到的信息经过多因素融合处理后，从中抽取出对当前情况下影响车辆态势的人-车-环境等因素，对其尽可能准确、完整的感知以逐步对车辆的安全情况加以辨别，为系统对驾驶权转移的决策提供直接的支持，具体为：

S301：设置基本概率分配函数；证据理论的论域称为识别框架，记作Θ，包括有限个基本命题记为{u₀,u₁,u_i}，即目标对应的态势类别，包括安全、警告和危险情况，这三种情况对应概率论中的基本事件称基元，Θ中事件是相互排斥的；选择某一场景，根据传感器采集的各影响因素进行实时数据构建，将各种互斥的影响驾驶安全的因素作为其基本事件即基元；

S302：基本概率分配函数的获取；基本概率分配函数分配表示人对目标模式假设可信程度的一种推理，是一种人对几种可能影响安全因数产生危险情况概率的判断，受各种因素影响，不同的想法会构成不同的基本概率分配函数分配公式，针对基本事件计算在其影响下智能车辆可能产生危险的概率；

S303：Dempster合成法则；设m₁，m₂是Θ上的两个mass函数，Bel₁，Bel₂是对应的信任度函数，其焦元分别为A₁,A₂,…,A_k和B₁,B₂,…,B_k，如果A、B两批证据不是完全冲突，那么对非空集A进行合成：

其中，k,h为各自焦元个数，K为归一化常数，

S304：对上述目标模式的分类决策的步骤，采用基于规则的方法，包括：

1)判定的目标类型具有最大的信度函数值；

2)判定的目标类型具有最大的基本概率函数值；

3)不确定信度函数值小于某个门限；

4)判定目标类型的基本概率函数值要大于不确定基本概率函数值。

进一步，所述步骤S4具体为：能力评估器利用当前驾驶者的动态驾驶行为进行评估能力，从而判断驾驶员和机器能力哪个更适合处理当前驾驶情况，能更安全的执行相应操作；

当态势评估得出危险结论后，能力评估器判断当前驾驶者和备用驾驶者的能力高低，判断备用驾驶者是否优于当前驾驶者，即将机器能力与驾驶员能力进行比较，是否适合切换；

驾驶员根据当前驾驶动态情况对驾驶员能力进行评估，自动驾驶系统根据车辆相应传感器、硬件是否故障和控制系统能力来综合评估自动驾驶系统的性能，驾驶决策器是根据能力程度判定高低情况，选择性得将车辆控制权分配给相应驾驶者，并制定相应控制命令；若当前驾驶者能力低于备用驾驶者，则进行正常的驾驶权转移，若当前驾驶者能力仍高于备用驾驶者时，则系统考虑采取备用应急方案。

进一步，所述传感器包括车身检测传感器、环境感知传感器和驾驶员检测传感器；车身检测传感器检测车辆本身状态，环境感知传感器检测其他车辆、道路情况和行人，驾驶员检测传感器检测驾驶员当前生理和心理状态；

所述控制系统能力表示一个或多个控制处理器的综合能力，单个控制处理器的能力是对传感器采集相应数据且对得到的数据进行相应处理，进行合理操作的能力及在异常事件下的紧急处理能力，具有历史依据，且不断更新；控制处理器的能力受过去的事故发生频率、行驶速度、车辆起停情况和平均汽油里程影响；

所述驾驶员的能力是指驾驶员在当前自动驾驶异常情况下对车辆控制使之恢复正常运行的能力。

本发明的有益效果在于：本发明在减轻了驾驶员驾驶负担的同时，提高了驾驶的安全性，减少了事故发生，全面提高了智能交通系统的性能。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为整体系统流程图；

图2为态势估计结构图；

图3为能力评估框图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

如图1所示，通过车联网、各种传感器和路侧设备收集车辆相关信息、环境信息、驾驶员信息和交通信息等影响驾驶安全的信息，利用多因素融合的方法对上述信息进行降维，提取出当前影响驾驶安全的几个关键因子。根据关键因子建立的D-S证据网络做态势估计分析当前驾驶状态的安全性，判断是否需要转移驾驶权。后台分别对自动驾驶系统和驾驶员的驾驶能力进行评估和比较，对备用驾驶者和当前驾驶者能力进行评估，判断是否需要转移驾驶权，且是否能否安全的进行转移，最终利用相应方法进行转移。

1)多因素融合

针对半自动驾驶环境，本发明结合车联网和其他传感器获取了多个的可能影响驾驶安全的众多因素，如天气、道路条件、车辆间速度、加速度、前后车距、驾驶员生理、心理状态等，先将其进行融合，提取影响驾驶的几种关键因子，再对其做下一步计算处理，便于减轻整个系统的计算量。

分析传感器采集到的数据，对影响到车辆安全的因素进行融合处理，由于数据在低维下更容易处理、更容易使用；且其相关特征，特别是重要特征更能在数据中明确的显示出来；而PCA(Principal Component Analysis)主成分分析法则是其中最常用的线性降维方法。其目标是通过某种线性投影，将高维的数据映射到低维的空间中表示，即把原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合。并期望在所投影的维度上数据的方差最大，尽量使新的m个特征互不相关。从旧特征到新特征的映射捕获数据中的固有变异性。以此使用较少的数据维度，同时保留住较多的原数据点的特性。

因此本发明利用PCA算法降维消除各威胁因素之间的差异性，将威胁特性相同的信息分为一类，如车速、加速度、距离、转角等分为车身信息，天气条件、道路情况、车流量等分为环境信息，驾驶员自身生理、心理因素、驾龄、性别等分为驾驶员因素，对其进行处理规划，将大量数据分为三个类型，并进行处理分析，减少运算量。

具体步骤：

具体步骤：

①原始数据标准化，构成子特征数据矩阵,将传感器采集到的原始驾驶数据如速度、加速度、距离、驾驶员驾龄、驾驶员健康状况、心情因素、天气因素、道路情况等原本不统一的驾驶数据标准化；

②标准化是对同一变量减去其均值，再除以标准差所得的数据，构成m×n阶用户驾驶子特征数据矩阵X：

③构建各驾驶因素间的相关系数矩阵、相关系数矩阵特征方程；

对同一类型的相关威胁因素利用协方差公式求相关系数r_ij，r_ij表示第i个威胁子特征相对于第j个威胁子特征的相关系数：

其中k表示用户数，

为x_i的平均值，

为x_j的平均值。

得到所有威胁子特征相互之间的相关系数矩阵R：

式中，r_ij和r_ji相等；

由这m个威胁子特征的相关系数矩阵R，构建相关系数矩阵特征方程|R-μE|＝0，其中μ为特征向量，其中包含第m个特征值μ_i，并按大小顺序排列它们，其可由下式求解

μ₁≥μ₂≥…≥μ_m≥0；

④利用特征矩阵方程形成主成分数据

驾驶的各个威胁子特征数据与主成分特征向量对应相乘，计算驾驶因素中的三个主因素z_yp，z_yp表示第y个用户的第p个主成分得分。

由此，可以得到n个用户的主成分得分，用矩阵Z表示。

Z即为降维后的n个用户主成分数据，代替了原有的m类威胁子特征对用户整体威胁特征的描述。最终得到了多种传感器获取的因素融合后的几种重点威胁因素类型和对应融合结果。

⑤计算特征类

所有威胁特征在三维空间内对应相应的坐标，随机选取n个初始聚类质心点，计算欧式距离，判断威胁特征类：

D(a,b)为欧式距离，a和b为其中两个点，x₁、x₂、y₁、y₂、z₁、z₂分别为其x、y、z轴坐标。

对于每一个特征点，计算其与初始聚类质心点的欧式距离来判断它应该属于的威胁特征类，即

c⁽ⁱ⁾＝min{D(x⁽ⁱ⁾,γ_a)}，a＝1,2,…,l

其中c⁽ⁱ⁾是用户i驾驶特征点与驾驶特征类别l之间的距离最近的类别。γ_a为其质心。

⑥特征点归属

当判断一个威胁特征点所属的类别后，对于每一个威胁特征类，重新计算质心：

不断迭代重复，直到n个用户驾驶特征点都归属到相应的类为止，最终得到多种传感器获取的因素融合后的重点威胁因素类型。最终得到了多种传感器获取的因素融合后的几种重点威胁因素类型和对应融合结果。

2)态势估计

态势估计是在决策级上进行的一种推理行为，它是采集到的信息经过多因素融合处理后，从中抽取出对当前情况下影响车辆态势的人-车-环境等因素，对其尽可能准确、完整的感知以逐步对车辆的安全情况加以辨别，为系统对驾驶权转移的决策提供直接的支持。用于分析并确定智能车辆威胁估计的影响因素，包括外部环境因素、目标特征以及驾驶员因素在内的影响因素，分析各种因素对智能车辆态势估计的影响程度，根据D-S证据理论模型进行推理计算确定概率分配函数及对应规则，最终得到目标威胁指数。在对整个态势进行评估时，由于车辆和环境具有较多的不确定因素，而D-S证据理论是太少评估中一种处理不确定性的推理方法，满足比概率论弱的条件，能够区分“不确定”与“不知道”的差异，并能处理由“不知道”引起的不确定性，具有较大的灵活性，在不确定信息的表达及合成方面具有很大的优点。对当前情况用PCA降维方法得到的多因素融合结果加权处理，分配适当的权重，再进行D-S证据理论进行当前驾驶情况下的态势评估。基于车辆行为、当前环境和驾驶员的驾驶行为对自动驾驶系统的驾驶状态进行态势估计，判断是否需要进行驾驶权的转移。如图2所示，具体步骤为：

①设置基本概率分配函数

证据理论的论域称为识别框架，记作Θ，包括有限个基本命题记为{u₀,u₁,u_i}，即目标对应的态势类别，如安全、警告和危险等情况，而这三种情况对应概率论中的基本事件称基元，Θ中事件是相互排斥的。选择某一场景，根据传感器采集的各影响因素进行实时数据构建，将各种互斥的影响驾驶安全的因素作为其基本事件即基元；

②基本概率分配函数的获取

基本概率分配函数分配表示人对目标模式假设可信程度的一种推理，是一种人对几种可能影响安全因数产生危险情况概率的判断，受各种因素影响，不同的想法会构成不同的基本概率分配函数分配公式，针对基本事件计算在其影响下智能车辆可能产生危险的概率；

③Dempster合成法则

设m₁，m₂是Θ上的两个mass函数，Bel₁，Bel₂是对应的信任度函数，其焦元分别为A₁,A₂,…,A_k和B₁,B₂,...,B_h，如果A、B两批证据不是完全冲突，那么对非空集A进行合成：

其中，k,h为各自焦元个数，K为归一化常数，

④目标模式判定法则

对目标模式的分类决策，采用基于规则的方法，其基本原则有：

1)判定的目标类型具有最大的信度函数值，信度函数

表示对A为真事件的信任函数，取其最大值；

2)判定的目标类型应具有最大的基本概率函数值；

3)不确定信度函数值必须小于某个门限；

4)判定目标类型的基本概率函数值要大于不确定基本概率函数值。

3)能力评估

如图3所示，能力评估器利用当前驾驶者的动态驾驶行为进行评估能力，从而判断驾驶员和机器能力哪个更适合处理当前驾驶情况，能更安全的执行相应操作。当态势评估模块得出危险结论后，能力评估器实时判断当前驾驶者和备用驾驶者的能力高低，判断备用驾驶者是否优于当前驾驶者，即将机器能力与驾驶员能力进行比较，此情况是否适合切换。驾驶员根据当前驾驶动态情况对驾驶员能力进行评估，自动驾驶系统根据车辆相应传感器、硬件是否故障和控制系统能力来综合评估自动驾驶系统的性能，驾驶决策器是根据能力程度判定高低情况，选择性得将车辆控制权分配给相应驾驶者，并制定相应控制命令，若当前驾驶者能力低于备用驾驶者，则进行正常的驾驶权转移，若当前驾驶者能力仍高于备用驾驶者时，则系统考虑采取备用应急方案。

在本发明中车辆的能力是处于车载计算机直接控制下车载自动驾驶系统控制处理器及车载相应传感器运行能力。其中车载传感器包括车身检测传感器、环境感知传感器和驾驶员检测传感器。车身检测传感器检测车辆本身状态，环境感知传感器检测其他车辆、道路情况、行人，驾驶员检测传感器检测驾驶员当前生理、心理等多方面状态。而控制器的能力实际是对一个或多个控制处理器综合能力的描述，单个控制处理器能力是指对传感器采集相应数据且对得到的数据进行相应处理，进行合理操作的能力及在异常事件下的紧急处理能力。而这些能力是有历史依据的，且不断更新。控制处理器的能力可以基于过去的事故发生频率、行驶速度、车辆起停情况和平均汽油里程等。车辆问题也可能因为软件、硬件、固件故障导致，车辆自身的相关故障包括但不仅包括在某些极端场景下轮胎阻力不够、胎压不稳定、轮胎胎面损伤、车窗不清洁、车灯故障、车轮对准不准确、制动器磨损过度、防抱死系统故障、全轮引起的故障等，其他常见的故障如控制器损坏、计算机死机、传感器检测错误等。

在本发明中驾驶员的能力是指驾驶员在当前自动驾驶异常情况下对车辆控制使之恢复正常运行的能力。例如车辆某些设备(例如雨刷、空调等)不能正常运行时，驾驶员依旧能够安全的控制车辆，或者自动驾驶系统故障时，驾驶员能安全的转接驾驶权并控制车辆。人本身也有对错误的修正学习能力，因此驾驶员的能力也是不断更新、不断提高的。

车辆监控系统检测当前驾驶者有无发生错误，基于检测到的当前驾驶者的错误判断是否到达危险的极限，再由决策器判断驾驶权是否需要转换。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.交替式人机共驾中驾驶权转移方法，其特征在于：该方法包括以下步骤：

S1：通过车联网、各种传感器和路侧设备收集影响驾驶安全的信息，包括车辆信息、环境信息、驾驶员信息和交通信息；

S2：利用多因素融合的方法对收集的信息进行降维，提取出当前影响驾驶安全的几个关键因子；

S3：根据关键因子构建D-S证据网络态势估计，分析当前驾驶状态的安全性，判断是否需要转移驾驶权；

S4：后台分别对自动驾驶系统和驾驶员的驾驶能力进行评估和比较，对备用驾驶者和当前驾驶者能力进行评估，判断在态势估计危险的情况下是否能够进行安全转移，最终利用相应方法进行转移；

所述步骤S2具体为：

S201：原始数据标准化，构成子特征数据矩阵，将传感器采集到的原始驾驶数据如速度、加速度、距离、驾驶员驾龄、驾驶员健康状况、心情因素、天气因素和道路情况原本不统一的驾驶数据标准化；

S202：标准化是对同一变量减去其均值，再除以标准差所得的数据，构成m×n阶用户驾驶子特征数据矩阵X：

S203：构建各驾驶因素间的相关系数矩阵、相关系数矩阵特征方程；

对同一类型的相关威胁因素利用协方差公式求相关系数r_ij，r_ij表示第i个威胁子特征相对于第j个威胁子特征的相关系数：

其中k表示用户数，

为x_i的平均值，

为x_j的平均值；

得到所有威胁子特征相互之间的相关系数矩阵R：

式中，r_ij和r_ji相等；

由这m个威胁子特征的相关系数矩阵R，构建相关系数矩阵特征方程|R-μE|＝0，其中μ为特征向量，其中包含第m个特征值μ_i，并按大小顺序排列它们，其由下式求解：

μ₁≥μ₂≥…≥μ_m≥0；

S204：利用特征矩阵方程形成主成分数据

用户的各个威胁子特征数据与主成分特征向量对应相乘，计算用户的三个主成分得分z_yp，z_yp表示第y个用户的第p个主成分得分：

得到n个用户的主成分得分，用矩阵Z表示：

Z为降维后的n个用户主成分数据，代替原有的m类威胁子特征对用户整体威胁特征的描述；

S205：计算特征类

所有威胁特征在三维空间内对应相应的坐标，随机选取n个初始聚类质心点，计算欧式距离，判断威胁特征类：

D(a,b)为欧式距离，a和b为其中两个点，x₁、x₂、y₁、y₂、z₁、z₂分别为其x、y、z轴坐标；

对于每一个特征点，计算其与初始聚类质心点的欧式距离来判断它应该属于的威胁特征类，即

c⁽ⁱ⁾＝min{D(x⁽ⁱ⁾,γ_a)}，a＝1,2,…,l

其中c⁽ⁱ⁾是用户i驾驶特征点与驾驶特征类别l之间的距离最近的类别，γ_a为其质心；

S206：特征点归属

当判断一个威胁特征点所属的类别后，对于每一个威胁特征类，重新计算质心：

不断迭代重复，直到n个用户驾驶特征点都归属到相应的类为止，得到多种传感器获取的因素融合后的重点威胁因素类型，最终得到多种传感器获取的因素融合后的几种重点威胁因素类型和对应融合结果。

2.根据权利要求1所述的交替式人机共驾中驾驶权转移方法，其特征在于：所述步骤S3是采集到的信息经过多因素融合处理后，从中抽取出对当前情况下影响车辆态势的人-车-环境因素，对人-车-环境因素感知以逐步对车辆的安全情况加以辨别，为系统对驾驶权转移的决策提供直接的支持，具体为：

S301：设置基本概率分配函数；证据理论的论域称为识别框架，记作Θ，包括有限个基本命题记为{u₀,u₁,u_i}，即目标对应的态势类别，包括安全、警告和危险情况，这三种情况对应概率论中的基本事件称基元，Θ中事件是相互排斥的；选择某一场景，根据传感器采集的各影响因素进行实时数据构建，将各种互斥的影响驾驶安全的因素作为其基本事件即基元；

S302：基本概率分配函数的获取；基本概率分配函数分配表示人对目标模式假设可信程度的一种推理，是一种人对几种可能影响安全因数产生危险情况概率的判断，受各种因素影响，不同的想法会构成不同的基本概率分配函数分配公式，针对基本事件计算在其影响下智能车辆可能产生危险的概率；

S303：Dempster合成法则；设m₁，m₂是Θ上的两个mass函数，Bel₁，Bel₂是对应的信任度函数，其焦元分别为A₁,A₂,…,A_k和B₁,B₂,…,B_k，如果A、B两批证据不是完全冲突，那么对非空集A进行合成：

其中，k,h为各自焦元个数，K为归一化常数，

S304：对上述目标模式的分类决策的步骤，采用基于规则的方法，包括：

1)判定的目标类型具有最大的信度函数值；

2)判定的目标类型具有最大的基本概率函数值；

3)不确定信度函数值小于某个门限；

4)判定目标类型的基本概率函数值要大于不确定基本概率函数值。

3.根据权利要求1所述的交替式人机共驾中驾驶权转移方法，其特征在于：所述步骤S4具体为：能力评估器利用当前驾驶者的动态驾驶行为进行评估能力，从而判断驾驶员和机器能力哪个更适合处理当前驾驶情况，能更安全的执行相应操作；

当态势评估得出危险结论后，能力评估器判断当前驾驶者和备用驾驶者的能力高低，判断备用驾驶者是否优于当前驾驶者，即将机器能力与驾驶员能力进行比较，是否适合切换；

驾驶员根据当前驾驶动态情况对驾驶员能力进行评估，自动驾驶系统根据车辆相应传感器、硬件是否故障和控制系统能力来综合评估自动驾驶系统的性能，驾驶决策器是根据能力程度判定高低情况，选择性得将车辆控制权分配给相应驾驶者，并制定相应控制命令；若当前驾驶者能力低于备用驾驶者，则进行正常的驾驶权转移，若当前驾驶者能力仍高于备用驾驶者时，则系统考虑采取备用应急方案。

4.根据权利要求3所述的交替式人机共驾中驾驶权转移方法，其特征在于：所述传感器包括车身检测传感器、环境感知传感器和驾驶员检测传感器；车身检测传感器检测车辆本身状态，环境感知传感器检测其他车辆、道路情况和行人，驾驶员检测传感器检测驾驶员当前生理和心理状态；

所述控制系统能力表示一个或多个控制处理器的综合能力，单个控制处理器的能力是对传感器采集相应数据且对得到的数据进行相应处理，进行合理操作的能力及在异常事件下的紧急处理能力，具有历史依据，且不断更新；控制处理器的能力受过去的事故发生频率、行驶速度、车辆起停情况和平均汽油里程影响；

所述驾驶员的能力是指驾驶员在当前自动驾驶异常情况下对车辆控制使之恢复正常运行的能力。

Images