CN108648447A - 基于行车安全场的车辆智能安全决策方法 - Google Patents

Abstract

本发明公开了一种基于行车安全场的车辆智能安全决策方法，方法包括：步骤1，在自车的电子控制单元中或在智能交通管理系统的中央计算机系统中预先设置行车安全场模型和行车风险辨识模型；其中，行车安全场模型用于反映交通风险随时间空间的变化，是通过分析人‑车‑路系统各因素对交通系统的影响而构建得到；步骤2，通过行车安全场模型，获取交通系统处于稳态时当前行车最优速度和车辆与该车辆之外的物体之间的安全行驶距离；步骤3，根据当前行车最优速度和安全行驶距离，通过获取行车风险辨识模型的作用量的最小值，进而得到车辆当前的行车风险等级值。本发明能够达到对道路交通系统进行安全调控，有利于降低道路碰撞交通事故发生率。

Description

基于行车安全场的车辆智能安全决策方法

技术领域

本发明涉及交通安全领域，特别是关于一种基于行车安全场的车辆智能安全决策方法。

背景技术

近年来，我国国民经济迅速发展，汽车化进程也快速推进，汽车保有量迅速增加，与此同时，我国道路交通安全状况也日趋严峻。传统的交通安全控制都是建立在车辆动力学或道路规划的基础上，其理论假设没有充分考虑交通行为中人－车－路的系统作用，尤其对人(驾驶人)的心理特性研究缺乏重视和研究。此外，在研究方法上，基本上是在单一的相关层面上，即以某一影响因素为自变量，以车辆性能指标变化作为反应车辆安全性的目标值，常规的将两种因素进行直接关联，来分析该因素对车辆安全性的影响。交通系统安全性取决于客观安全保证的可靠性与驾驶人对这种可靠性的信息表现的感知之间的协调，即交通安全性与客观安全保证有关，也与驾驶人安全感有关，只有当两者相互协调统一时，系统交通安全才能实现。而对于行车的智能化控制是汽车产业的重大变革方向，汽车安全是智能化的最重要目标，行车风险量化评估与智能安全控制是实现驾驶辅助、无人驾驶、车路协同等汽车智能化技术的基础。然而，我国复杂的混合交通环境急需新的汽车智能安全理论方法以突破车辆智能化中的发展瓶颈。

目前，国内外在针对车辆安全控制、道路安全评估等单一目标的行车安全控制方法已经有初步的成果，但综合考虑人-车-路三者的多目标统一协调的行车安全控制方法还在发展之中。

最初在心理学方面对场论概念加以应用，勒温提出心理学原理，定义为心理场，通过利用有经验的驾驶人迅速辨识障碍物过程所产生的场，结合相对速度、路面条件、自车状态，进而规划合理的可行边界；势能场法通常用于机器人领域的路径规划，实现路径规划和动态转向控制，Arkin R C利用人工势能场方法，实现了移动机器人在室内的路径规划和主动避撞；戴姆勒奔驰的Reichardt D将驾驶环境看成以自动驾驶车辆为中心的地图并将每个坐标点看成一个带电粒子，从而研究智能车运动过程受到的风险的影响，但该研究中简化了实际环境因素及忽略了驾驶人因素；Kitamura Y等人利用人工势能场对3D环境中的自动飞行器的路径规划进行了研究，认为用该方法可以解决多运动体问题求解；Wolf M T等利用汤川势提出了一种高速公路车辆避撞算法，利用电场的思想，建立自车和他车产生的势能场，并对自车在跟车、超车、拥堵等典型场景下进行避撞路径规划研究，但一定程度上对场景进行了简化，且此算法只对特定场景有效；Tsourveloudis N C等人在移动小车的周围安装超声波传感器，感知周围的障碍物并确定障碍物的相对重要性；Reichardt等人引入电场模型研究动态的高速路无人驾驶车辆的避撞行为，以两个正电荷模型模拟行车过程两车的相斥状态，利用电场力的计算式计算名义电场力，并应用于纵向和横向的控制模型。整个理论相对成熟，但对驾驶人自身决策考虑不周，忽略了协调环境下的耦合特性。针对目前存在交通安全模型难以全面反映反映人、车和路等各种交通要素对交通环境造成的风险这一难题，王建强等人提出行车风险场思想，其模型涵盖了人、车、路中的大量参数，但是该模型只针对行车安全提供辅助决策，无法为复杂交通环境下的道路安全评估提供准确的判定依据。

目前，已有研究在行车风险造成因素考虑时比较分散，主要针对特定场景，类似于汽车上配置的驾驶辅助设备，单一处理问题，而尚未构成系统来协调解决问题总成。这就可能会造成汽车行驶于复杂交通环境中没有一种有效管控整个交通系统的策略，不能在混合交通时及时提供对整个交通出行者的决策信息支撑。在实际交通环境中，如何准确、定量地评估车辆行驶的危险态势是实现行车安全的关键，因此在现有交通管控下迫切需要一套综合交通智能安全控制系统，从而更好实现对一定区域内道路交通环境的安全状态实时监测、评估，进而指导交通管理、道路规划及建设，提高道路交通安全性，降低道路交通事故率，改善道路交通环境。

发明内容

针对上述问题，本发明旨在提供一种能够为交通系统智能管控提供风险识别重要手段和决策信息支撑理论方法的基于行车安全场的车辆智能安全决策方法。

为实现上述目的，本发明提供一种基于行车安全场的车辆智能安全决策方法，所述基于行车安全场的车辆智能安全决策方法包括如下步骤：

步骤1，在自车的电子控制单元中或在智能交通管理系统的中央计算机系统中预先设置行车安全场模型和行车风险辨识模型；其中，所述行车安全场模型用于反映交通风险随时间空间的变化，是通过分析人-车-路系统各因素对交通系统的影响而构建得到；

步骤2，通过所述行车安全场模型，获取交通系统处于稳态时当前行车最优速度和车辆与该车辆之外的物体之间的安全行驶距离；和

步骤3，根据步骤2获得的交通系统在稳态时当前行车最优速度和自车与自车之外的物体之间的安全行驶距离，通过获取所述行车风险辨识模型的作用量的最小值，利用风险归一化评价指标对道路车辆的危险行驶态势进行综合描述和定量评估，进而得到车辆当前的行车风险等级值。

进一步地，步骤1中的“行车风险辨识模型”的获得方法包括如下步骤：

步骤11，建立描述行车风险产生机理的物理模型，以获得交通系统的稳态和失稳状态的条件；

步骤12，基于所述物理模型，建立如下的车辆行驶作用量模型：

(低风险×短时间)

其中，S_Risk代表为自车在预设交通过程中的作用量或智能交通管理系统所管理的预设路段的所有道路使用者在所述预设交通过程中的作用量，t₁为所述预设交通过程的起始时刻，t₂为所述预设交通过程的终止时刻；

步骤13，根据所述车辆行驶作用量模型，获得交通系统所对应的行车场景相对应的所述行车风险辨识模型。

进一步地，步骤1中的“行车安全场模型”的表达式为：

M_i＝M_i(m_i,T_i,v_i)

M_j＝M_j(m_j,T_j,v_j)

式中，U_ji表示车辆i在(x_i,y_i)处由于车辆j对其作用而具备的势能；K>0为待定常数；DR_i表示驾驶人影响因子；R_i表示车辆i受到的由滚动阻力、爬坡阻力、加速阻力、空气阻力造成的阻力场；R_j表示车辆j受到的由滚动阻力、爬坡阻力、加速阻力、空气阻力造成的阻力场；M_i表示车辆i的等效质量；M_j表示车辆j的等效质量；m_i为车辆i的质量；x_i为车辆i的纵向位移；为车辆i的纵向速度；为车辆的纵向加速度；g为重力加速度；f为滚动阻力系数；i_α为坡度；C_Di为车辆i的风阻系数；C_Dj为车辆j的风阻系数；A_i为车辆i的迎风面积；A_j为车辆j的迎风面积；λ_i为车辆i旋转质量换算系数；λ_j为车辆j旋转质量换算系数；T_i是车辆i的类型；T_j是车辆j的类型；v_i是车辆i的速度；v_j是车辆j的速度。

进一步地，步骤2中的“通过所述行车安全场模型，获取交通系统在稳态时车辆与该车辆之外的物体之间的安全行驶距离”的方法如下包括：

定义则反映势能随时空变化的变化率表示为：

式中，k、k₁、k₂均为待定参数，k₁具体表现为场的变化系数，k₂具体体现为势能随时空变化的变化系数；

定义所述步骤4中的“当前行车最优速度”为v^*，则车辆i在交通环境中运行受力为f(v^*)；

当车辆达到稳态行驶时，交通系统处于稳态，则存在即：

对交通管控系统和行车进行智能安全管控时追求车辆速度为匀速时交通系统达到均衡，此时Δv＝0，得出：

则得到：

式中，R表示车辆与该车辆之外的物体之间的安全行驶距离。

进一步地，步骤2中的“物理模型”用于对驾驶人在交通环境中进行驾驶操纵过程，并对行车风险产生机理进行阐述，所述物理模型的建立方法如下：

在U形槽内，小球沿着槽路径运动，当阻力与引力平衡时，小球处于稳态；当遇到障碍物，使得小球产生偏离安全界限趋势，在合力作用下将会出现受力不平衡，此时小球处于失稳状态；

将所述U形槽对应交通系统，将上述小球对应行驶车辆，将所述U形槽与水平面基准间夹角的变化对应驾驶人对于速度的不同需求，所述交通系统的稳态和失稳状态的条件表示为：

θ_i<θ_limit时,S_Risk≤S_Risk,limit，稳态

θ_i>θ_limit时,S_Risk>S_Risk,limit，分岔

G_i＝m_igsinθ_i

R_c＝R(r,d,v)

θ_i＝θ(d)

其中，r为道路影响因素；d为驾驶人影响因素；v为车辆影响因素；G_i为达到高效的驱动力，即追求高速度完成这一过程时受到的驱动力；R_c为保障行车安全的约束力；θ_limit为保持稳态时的临界角度；S_Risk,limit为保持稳态时极限作用量；为运动过程交通环境对小球运动的外在力；θ_i为驾驶人对高效的期望程度；当G_i和R_c平衡时，θ_i达到平衡状态，此时的作用量S_Risk取最小值。

进一步地，步骤3中的“所述行车风险辨识模型的作用量S_Risk”在单车自由行驶场景中的表达式为：

式中，m_i为车辆i的质量；k_i是车辆i所受到的重力引力系数；x_i为车辆i的纵向位移；为车辆i的纵向速度；为车辆的纵向加速度；g为重力加速度；f为滚动阻力系数；i_α为坡度；C_Di为车辆的风阻系数；A_i为车辆的迎风面积；λ_i为车辆旋转质量系数；t₀为初始时刻；t_f为末端时刻；x₀为出发地；x_f为目的地。

所述步骤3具体包括：

步骤31，通过求所述作用量S_Risk的最小值，求得作用量S_Risk的最小值和

步骤32，单车自由行驶场景中的交通系统达到稳态，车辆为匀速运动，其达到最优状态时风险最小，此时数学表达式为：

v^*＝v_ego；

通过下面公式求出车辆当前的行车风险等级值L_Risk：

进一步地，步骤3中的“所述行车风险辨识模型的作用量S_Risk”在跟车场景中的表达式为：

其中，m₁为第一车辆的质量；m₂为第二车辆的质量；U₁₂为第二车辆受到第一车辆产生的势能场的势能；U₂₁为第一车辆受到第二车辆产生的势能场的势能；x₁表示第一车辆的纵向位移，x₂表示第二车辆的纵向位移；k_i是重力引力系数；

所述步骤3具体包括：

步骤31，通过求作用量S_Risk的最小值，求得作用量S_Risk的最小值

步骤32，跟车场景中，Δv＝v_ego-v₁始终为正，通过下面公式求出车辆当前的行车风险等级值L_Risk：

本发明由于采取以上技术方案，其具有以下优点：1、本发明首次基于场论阐明了交通安全影响要素间相互作用关系，揭示了人-车-路相互作用机理，建立了交通综合因素作用的行车安全统一评估模型。单一影响要素风险评估模型都有局限性的一面，而真实的驾驶任务是处于一个由人一车一路、车内外环境构成的极其复杂的系统，因此只有考虑各个因素之间耦合关系构建统一行车安全评估模型才能更好地真实对交通环境安全智能控制做出决策支持。2、本发明改变了过去风险研究的侧重点,对不同类型的决策者及交通环境客体属性进行区分，衡量其对交通环境的贡献值，揭示了风险客观存在及行车失稳产生机理，分析了影响风险效应的因素，为揭示人－车－路相互作用机理及交通各要素对行车安全性的影响规律，从场论角度出发对整个道路交通系统做一个具体的风险诠释，进一步研究了驾驶人操纵与风险效应之间的关系,开发了适应复杂环境风险评估算法。3、本发明基于最小作用量原理，揭示了行车风险产生机理即行车风险产生的根本动因，是驾驶人的操控偏离了风险与耗时之积的最小值，从而寻求高速度和低风险的均衡值，为行车安全智能控制提供决策基础。

附图说明

图1是本发明借鉴物理场原理示意图；

图2是本发明交通系统风险影响因素分析示意图；

图3是本发明行车各类风险与各种场对应关系示意图；

图4a是本发明物理模型在初始状态的示意图；

图4b是本发明物理模型处于稳态时的示意图；

图4c是本发明物理模型处于发生失稳状态的示意图；

图5是本发明自由行驶场景示意图及其对应行车风险场场强分布示意图；

图6是本发明一种跟车场景及其对应行车风险场场强分布示意图；

图7a是1990年至2015年国内交通事故起数与死亡人数的情况；

图7b是1990年至2015年交通事故死亡率的情况。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

本实施例所提供的基于行车安全场的车辆智能安全决策方法包括以下步骤：

步骤1，在自车的电子控制单元中或在智能交通管理系统的中央计算机系统中预先设置行车安全场模型和行车风险辨识模型。其中，所述行车安全场模型用于反映交通风险随时间空间的变化，是通过分析人-车-路系统各因素对交通系统的影响而构建得到。如图1所示，本发明所定义的行车安全场是基于物理场的基本模型出发，进而对行车风险进行描述。通过分析整个道路交通系统，由于客体障碍物的存在导致了由道路上静止物体形成的势能场、运动物体形成的动能场和驾驶员形成的行为场的形成。这些客体都产生了以自身为中心的场范围，并与其它客体存在相互干涉。在交通系统应用场论思想在行车安全场中，其可实施性为：行车安全场中各类交通要素风险客观存在对应于物理场的客观存在性及普遍性；行车安全场中场量可以表征为时空函数，而物理场也随时空变化而变化，具有可测性；行车安全场中风险影响具有类场的方向性。

从图2、3中可以得出：通过在交通系统中进行交通安全分析旨在通过对行车安全场模型及影响交通系统安全性的各因素的进行应用分析，进而提出降低事故发生概率和严重性的方法和措施。关联交通设施安全水平与人-车-路-环境系统中的各种风险因素，预测在各因素不同取值和组合条件下的安全水平，从而获得高效提高安全水平的改善措施。

步骤2，通过所述行车安全场模型，获取交通系统处于稳态时当前行车最优速度和车辆与该车辆之外的物体之间的安全行驶距离。

步骤3，根据步骤2获得的交通系统在稳态时当前行车最优速度和自车与自车之外的物体之间的安全行驶距离，通过获取所述行车风险辨识模型的作用量的最小值，利用风险归一化评价指标对道路车辆的危险行驶态势进行综合描述和定量评估，进而得到车辆当前的行车风险等级值。

本实施例通过分析人-车-路系统各因素耦合关系及其对交通系统安全的贡献值，构建风险动态变化的行车安全场模型为行车安全决策提供依据。并基于最小作用量原理，利用风险归一化评价指标对道路车辆的危险行驶态势进行综合描述和定量评估，并对车辆当前的行车进行风险分析，得到车辆当前的行车风险等级值，进而实现行车操纵的智能控制，最终达到道路交通系统安全调控从而降低道路碰撞交通事故发生率的目标。

在一个实施例中，步骤1中的“行车风险辨识模型”的获得方法包括如下步骤：

步骤11，建立描述行车风险产生机理的物理模型，以获得交通系统的稳态和失稳状态的条件。通过“物理模型”详细阐明行车风险产生机理，通过搭建物理模型来形象表明交通系统处于稳态和失稳两个状态时的临界阈值。

步骤12，“物理模型”阐述了行车风险产生原因，按照最小作用量原理的思想，当交通过程实现有多种方式可选择，自然界总是选取时间和能量之积为最小的方式。而驾驶人驾驶行为也同时追求着速度与安全，符合最小作用量原理。同时基于最小作用量原理揭示了行车风险产生机理，驾驶人操控偏离最小作用量是行车风险产生的根本动因，作用量偏离极值的程度决定了行车风险大小，基于此思想建立车辆行驶作用量模型。

基于所述物理模型，建立如下的车辆行驶作用量模型：

(低风险×短时间)

其中，S_Risk代表为自车在预设交通过程中的作用量或智能交通管理系统所管理的预设路段的所有道路使用者在所述预设交通过程中的作用量，t₁为所述预设交通过程的起始时刻，t₂为所述预设交通过程的终止时刻。

步骤13，根据所述车辆行驶作用量模型，获得交通系统所对应的行车场景相对应的所述行车风险辨识模型。“行车场景”比如可以是“单车自由行驶场景”，也可以是“跟车场景”。

在一个实施例中，如图2、3所示，要保证行车安全，对交通系统进行智能化控制，需要对影响系统的各因素进行分析，得出各因素间的相互关系。在一个完整的交通系统中，主要与驾驶人特性、车辆物理特性、道路交通环境特性相关，这些特性对整个行车过程造成了干涉，同时也为后续模型的构建需要考虑的影响因素奠定基础。主要影响因素可以归纳为以下几类：

a)驾驶人因素(人与驾驶目标车)，驾驶人在车内进行操纵或与通过驾驶辅助装置协助驾驶或半自动驾驶车的交互驾驶，其对交通系统的影响主要反映在驾驶人操纵策略和行为结果(目标路径、保持车道、跟车距离、行驶速度)，驾驶人特性主要体现在驾驶过程中的感知－决策－操作机制各环节，驾驶人生理机能、心理状况、习惯等差异及对交通信息的认知、处理和驾驶技术的差别将导致其行车决策和车辆控制方式的不同，从而外化为驾驶行为的差异性，进而为具体探究人车交互的耦合特性奠定了基础；

b)道路使用者的因素(机动车、非机动车与行人等)，突出在交通环境中运动物体对整个交通系统的影响，其多样性复杂性也造成了混合交通的出行特性，通过分析其它道路使用者的运动状态对目标车的影响进而分析安全控制智能化方向的演变规律；

c)道路环境因素(路与客观环境)，道路条件包括道路附着系数、道路线形、车道功能和位置、道路设施、交通标志标线安放的位置等；而环境条件主要包括周边环境条件、天气状况、交通系统状况等，通过对其进行分析，突出道路环境因素对交通环境风险值的贡献。

本实施例以车辆i形成的行车安全场为例进行说明。

定义：当车辆在交通环境行驶过程中，存在由滚动阻力、爬坡助力、加速阻力、空气阻力造成的阻力场，该阻力场的表达式可表示为：

在交通环境中存在的任意客体，如车辆、行人、非机动车等，可以知道其在交通环境中对整个交通系统所产生的风险的大小与其质量、类型以及其运动状态尤其是速度有关，因此，借鉴“等效质量”概念来进行表述，即：

M_i＝M_i(m_i,T_i,v_i)

M_j＝M_j(m_j,T_j,v_j)

M_i表征交通环境中客体对行车系统产生的风险的等效质量，该质量越大，车辆i与车辆发生碰撞时能够造成的损失越大。

其中，m_i是车辆i的实际物理质量，T_i是车辆i的类型，v_i是车辆i的速度。根据上述分析，按照行车安全场思想，运动物体所产生的场强大小为：

定义：车辆在行车安全场中受场力作用从而在空间位置上具有一定势能，即为安全势能，用U_ji表示行车风险在时间和空间上的分布。

车辆j在距离车辆i为r_ji处时，即车辆i在(x_i,y_i)处由于车辆j对其作用而具备的势能U_ji为：

即步骤1中的“行车安全场模型”的表达式为：

式中，U_ji表示车辆i在(x_i,y_i)处由于车辆j对其作用而具备的势能，该势能由车辆j相对车辆i的位置r_ji决定，其反映了车辆i造成的行车风险在空间上的分布。U_ji越大，车辆j受到的来自车辆i的行车风险越大。

K>0为待定常数，可以用人工势能场的方法来进行标定；DR_i表示驾驶人影响因子；R_i表示车辆i受到的由滚动阻力、爬坡助力、加速阻力、空气阻力造成的阻力场；R_j表示车辆j受到的由滚动阻力、爬坡助力、加速阻力、空气阻力造成的阻力场；M_i表示车辆i的等效质量；M_j表示车辆j的等效质量；m_i为车辆i的质量；x_i为车辆i的纵向位移；为车辆i的纵向速度；为车辆的纵向加速度；g为重力加速度；f为滚动阻力系数；i_α为坡度；C_Di为车辆的风阻系数；A_i为车辆的迎风面积；λ_i为车辆旋转质量换算系数；T_i是车辆i的类型；v_i是车辆i的速度。

需要说明的是：车辆j是除了第i辆车以外的其他道路使用者或者障碍物；第i辆车为当前研究的对象车辆。

在一个实施例中，步骤2中的“通过所述行车安全场模型，获取交通系统在稳态时车辆与该车辆之外的物体之间的安全行驶距离”的方法如下包括：

定义则反映势能随时空变化的变化率表示为：

式中，k、k₁、k₂均为待定参数，k₁具体表现为场的变化系数，k₂具体体现为势能随时空变化的变化系数。

定义“当前行车最优速度”为v^*，则车辆i在交通环境中运行受力为f(v^*)；

当车辆达到稳态行驶时，交通系统处于稳态，则存在即：

对交通管控系统和行车进行智能安全管控时追求车辆速度为匀速时交通系统达到均衡，此时Δv＝0，得出：

则得到：

式中，R表示车辆与该车辆之外的物体之间的安全行驶距离。

本实施例提供的机理为行车风险准确评估奠定了理论基础。

在一个实施例中，如图4所示，步骤2中的“物理模型”用于对驾驶人在交通环境中进行驾驶操纵过程，并对行车风险产生机理进行阐述，所述物理模型的建立方法如下：

在U形槽内，小球沿着槽路径运动，如图4a所示的初始状态；当阻力与引力平衡时，稳态运动，即由图4b所反映；当遇到障碍物，使得其产生了偏离安全界限趋势，在合力作用下可能会出现分岔行为，从而失稳，即由图4c所反映。即在交通系统中，驾驶人操纵过程类比小球在U形槽中滚动，若驾驶人对高效的期望过大，即θ_i过大，则小球越过安全界限，在合力作用下将会出现受力不平衡，此时小球处于失稳状态；。

将所述U形槽对应交通系统，将上述小球对应行驶车辆，将所述U形槽与水平面基准间夹角的变化对应驾驶人对于速度的不同需求，所述交通系统的稳态和失稳状态的条件表示为：

θ_i<θ_limit时,S_Risk≤S_Risk,limit，稳态

θ_i>θ_limit时,S_Risk>S_Risk,limit，分岔

G_i＝m_igsinθ_i

R_c＝R(r,d,v)

θ_i＝θ(d)

其中，r为道路影响因素；d为驾驶人影响因素；v为车辆影响因素；G_i为达到高效的驱动力，即追求高速度完成这一过程时受到的驱动力；R_c为保障行车安全的约束力；θ_limit为保持稳态时的临界角度；S_Risk,limit为保持稳态时极限作用量；为运动过程交通环境对小球运动的外在力；θ_i为驾驶人对高效的期望程度；当G_i和R_c平衡时，θ_i达到平衡状态，此时的作用量S_Risk取最小值。G_i、R_i等都表示小球i在运动过程中所受到的力，而还可以增加j等其它标号的小球，类似于交通系统有很多辆车。

在一个实施例中，如图5所示，其表述了自由行驶的车辆场景中的对交通风险的评估及安全控制。对于一辆自由行驶的车辆，在其处于均衡态时，根据交通系统特征，沿着车辆前进方向，在自由行驶状态时，交通系统达到稳态时，自车为匀速运动，其达到最优状态时风险最小，此时有：

v^*＝v_ego

对自由行驶状态时的交通系统建立拉格朗日方程，在该状态无其它车辆对其进行影响，且根据交通系统定向流动现象，假设沿着车流方向存在一种类似重力的引力场G_i。

自由行驶时的系统拉格朗日方程为：

其中，T表示系统总动能，U表示系统总势能。

考虑车道线或道路边界的影响，按照行车安全场理论，对于位于(x_a,y_a)处的车道线a形成的势能场在(x_i,y_i)处的矢量场强E_ij可表示为：

其中，LT_a表示车道线a的类型，其大小由当地的交通法规确定(例如，白实线比白虚线对应的值更大)，D是车道宽度，r_ai＝(x_i-x_a,y_i-y_a)是从车道线a指向图2中白色矩形框表示的车辆的质心(x_i,y_i)的距离矢量，|r_ai|的范围为[0,D/2]。越靠近这类静止物体，车辆所受的约束势能增大。那么，由车道线产生的场力可以描述为：

F_ai＝E_ai·M_i·R_i·(1+DR_i)

因此考虑车道线的单个自由行驶车辆交通系统的拉格朗日方程可表述为：

其中，F_Di为描述驾驶员注意力的广义力，其越接近车道线数值越大，可理解为，驾驶员在换道过程中，注意力先提高，跨过车道线后，注意力恢复初始水平。F_Di与驾驶员的行为有关，按照行车安全场理论思想，其可表述为：

F_Di＝F_Di(DR_c)

DR_c＝ω₁·DR_pp,c+ω₂·DR_c,c+ω₃·DR_s,c+ω₄·DR_v,c

其中，DR_pp,c为驾驶员生理-心理因素方面的风险因子，DR_c,c为驾驶员认知水平方面的风险因子，DR_s,c为驾驶员驾驶技能方面的风险因子，DR_v,c为驾驶员驾驶违规行为的风险因子，ω₁～ω₄分别为各因子权重系数，且各风险因子及权重系数的取值都在(0,1]。

同理，若将交通标志考虑在内，令F_sign为交通标志对驾驶行为产生的阻力，其与驾驶员的遵守交通规则的程度有关，按照行车安全场理论有：

F_sign＝F_sign(DR_V,C)

交通标志等产生的作用力整合到安全势能能变化中考虑。

基于最小作用量原理，利用风险归一化评价指标对道路车辆的危险行驶态势进行综合描述和定量评估，对自由行驶和跟车场景进行实例分析，进而实现行车操纵的智能控制，最终达到道路交通系统安全调控从而降低道路碰撞交通事故发生率的目标。

若将交通风险看作一种作用量，通过交通管控达到最优状态时，势必出现那种在满足高效的前提下交通风险最小的过程。根据系统的拉格朗日方程：

L＝T-U

行车安全场理论中，当作用量最小时存在系统交通风险取最低值，即：

交通风险程度为L_Risk，并定义其为：

其中，S_Risk，t表示现实场景下交通系统的作用量。当时，交通风险程度最低，L_Risk＝0；当S_Risk,t取无穷大时，交通风险程度最最大，L_Risk＝1。

基于上述理论，步骤3中的“所述行车风险辨识模型的作用量S_Risk”在单车自由行驶场景中的表达式为：

式中，m_i为车辆i的质量；k_i是车辆i所受到的重力引力系数；x_i为车辆i的纵向位移；为车辆i的纵向速度；为车辆的纵向加速度；g为重力加速度；f为滚动阻力系数；i_α为坡度；C_Di为车辆的风阻系数；A_i为车辆的迎风面积；λ_i为车辆旋转质量系数；t₀为初始时刻；t_f为末端时刻；x₀为出发地；x_f为目的地。

所述步骤3具体包括：

步骤31，通过求所述作用量S_Risk的最小值，求得作用量S_Risk的最小值为求S_Risk的最小值，即求取交通系统的最小作用量，则对其求变分，使之为0，即可求得并求解出v^*＝v_ego：

步骤32，单车自由行驶场景中的交通系统达到稳态，车辆为匀速运动，其达到最优状态时风险最小，此时数学表达式为：

v^*＝v_ego；

通过下面公式求出车辆当前的行车风险等级值L_Risk：

根据行车风险等级值L_Risk进行驾驶行为调整，从而追求驾驶最优状态。

如图6所示，在跟车场景中，Δv＝v_ego-v₁始终为正。由上述：

可知，在两车跟随场景中，Δv增加时，为保持两车之间势能变化趋势一致，R也需增加，且在跟车场景中，有v^*＝v_min

同样，跟车时的系统拉格朗日方程为：

其中，U₁₂为第二车辆受到第一车辆产生的势能场的势能，U₂₁为第一车辆受到第二车辆产生的势能场的势能。若交通环境中有n辆车、b条车道边界，则L可以描述为：

同样，求取系统在跟车场景下交通系统的作用量：

进一步求其变分为：

同理，求出系统交通风险程度为L_Risk

基于以上理论，步骤3中的“所述行车风险辨识模型的作用量S_Risk”在跟车场景中的表达式为：

其中，m₁为第一车辆的质量；m₂为第二车辆的质量；U₁₂为第二车辆受到第一车辆产生的势能场的势能；U₂₁为第一车辆受到第二车辆产生的势能场的势能；x₁表示第一车辆的纵向位移，x₂表示第二车辆的纵向位移；k_i是重力引力系数；

所述步骤3具体包括：

步骤31，通过求作用量S_Risk的最小值，求得作用量S_Risk的最小值和

步骤32，跟车场景中，Δv＝v_ego-v₁始终为正，通过下面公式求出车辆当前的行车风险等级值L_Risk：

本发明中所述的各种行车场景具体包括以下几个：

对单车自由行驶场景进行分析，则作用量表示为：

式中，m_i为车辆i的质量；k_i是重力引力系数；x_i为车辆i的纵向位移；为车辆i的纵向速度；为车辆的纵向加速度；g为重力加速度；f为滚动阻力系数；i_α为坡度；C_Di为车辆的风阻系数；A_i为车辆的迎风面积；λ_i为车辆旋转质量换算系数。

需要说明的是，上述各个参数中，第i辆车即车辆平台本身，因此这里m_i为已知；x_i以及转向角信息、GPS位置均为自车CAN数据，其它传感器采集的是车辆间的相对速度、相对位移、他车的位置信息等。这些数据的获取主要依赖于车载CAN总线、毫米波雷达、摄像头、激光雷达、视觉传感器等获得。

f为滚动阻力系数、i_α为坡度、C_Di为车辆的风阻系数、A_i为车辆的迎风面积和λ_i为车辆旋转质量换算系数可以由技术手册或教科书上的内容获得。k_i是重力引力系数，其变化对结果呈现趋势影响不大，可以通过实验数据进行标定，通常取k_i∈[1,10]，k、k₁、k₂为待定系数，通过人工势能场方法进行标定。

上述各实施例中，x_i获得的参考坐标系可定义为：x轴为平行于自车车辆行驶方向的水平轴，y轴为垂直于自车行驶方向的垂直轴，x轴正方向为自车行驶方向，自车的坐标为(0，0)。

如图7a和图7b所示，对我国1990-2015年交通事故进行统计，图7a显示了1990年至2015年国内交通事故起数的情况，图7b显示了1990年至2015年死亡人数及死亡率的情况。从图中可以看出，在2002年道路交通事故和死亡人数达到最大值，急剧减少至2008年之后呈现稳中有降的趋势。但在总量上仍然居高不下，成为威胁我国国民安全的重大事故。在统计过程中，将造成交通事故的因素进行分类统计，统计表明，由于驾驶人操纵失误所导致的交通事故占事故总数的85％-92％；具体统计结果为：驾驶人因素导致的交通事故占总事故的88.23％，交通事故伤亡人数占总伤亡人数90.6％；道路环境因素导致的交通事故占总事故的8％-11.2％。因此在由人、车、路组成的道路交通系统中，汽车是核心组成部分，驾驶人的驾驶行为是核心行为，道路与环境是汽车行驶的基本条件，对系统进行智能管控是提高交通通行效率与道路交通系统安全的重要手段。

道路交通系统是一个由人、车、路组成的复杂的动态系统。系统中，驾驶员不断地从道路环境中获取信息，这种信息综合到驾驶员的大脑，经过复杂的决策过程做出判断并形成动作指令，指挥通过驾驶员执行操作，使汽车在道路上产生相应的动作。运行中，汽车的运行状态和道路环境的变化又作为新的信息反馈给驾驶员，如此循环往复，完成驾驶任务。当人、车、路三要素构成的交通系统的协调出现问题时，就有可能引发交通事故。人、车、路三要素在交通系统中缺一不可。

上述各实施例仅用于说明本发明，其中方法的各个步骤等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (7)

1.一种基于行车安全场的车辆智能安全决策方法，其特征在于，包括以下步骤：

步骤1，在自车的电子控制单元中或在智能交通管理系统的中央计算机系统中预先设置行车安全场模型和行车风险辨识模型；其中，所述行车安全场模型用于反映交通风险随时间空间的变化，是通过分析人-车-路系统各因素对交通系统的影响而构建得到；

步骤2，通过所述行车安全场模型，获取交通系统处于稳态时当前行车最优速度和车辆与该车辆之外的物体之间的安全行驶距离；和

步骤3，根据步骤2获得的交通系统在稳态时当前行车最优速度和自车与自车之外的物体之间的安全行驶距离，通过获取所述行车风险辨识模型的作用量的最小值，利用风险归一化评价指标对道路车辆的危险行驶态势进行综合描述和定量评估，进而得到车辆当前的行车风险等级值。

2.如权利要求1所述的基于行车安全场的车辆智能安全决策方法,其特征在于，步骤1中的“行车风险辨识模型”的获得方法包括如下步骤：

步骤11，建立描述行车风险产生机理的物理模型，以获得交通系统的稳态和失稳状态的条件；

步骤12，基于所述物理模型，建立如下的车辆行驶作用量模型：

其中，S_Risk代表为自车在预设交通过程中的作用量或智能交通管理系统所管理的预设路段的所有道路使用者在所述预设交通过程中的作用量，t₁为所述预设交通过程的起始时刻，t₂为所述预设交通过程的终止时刻；

步骤13，根据所述车辆行驶作用量模型，获得交通系统所对应的行车场景相对应的所述行车风险辨识模型。

3.如权利要求2所述的基于行车安全场的车辆智能安全决策方法，其特征在于，步骤1中的“行车安全场模型”的表达式为：

M_i＝M_i(m_i,T_i,v_i)

M_j＝M_j(m_j,T_j,v_j)

式中，U_ji表示车辆i在(x_i,y_i)处由于车辆j对其作用而具备的势能；K>0为待定常数；DR_i表示驾驶人影响因子；R_i表示车辆i受到的由滚动阻力、爬坡阻力、加速阻力、空气阻力造成的阻力场；R_j表示车辆j受到的由滚动阻力、爬坡阻力、加速阻力、空气阻力造成的阻力场；M_i表示车辆i的等效质量；M_j表示车辆j的等效质量；m_i为车辆i的质量；x_i为车辆i的纵向位移；为车辆i的纵向速度；为车辆的纵向加速度；g为重力加速度；f为滚动阻力系数；i_α为坡度；C_Di为车辆i的风阻系数；C_Dj为车辆j的风阻系数；A_i为车辆i的迎风面积；A_j为车辆j的迎风面积；λ_i为车辆i旋转质量换算系数；λ_j为车辆j旋转质量换算系数；T_i是车辆i的类型；T_j是车辆j的类型；v_i是车辆i的速度；v_j是车辆j的速度。

4.如权利要求3所述的基于行车安全场的车辆智能安全决策方法,其特征在于，步骤2中的“通过所述行车安全场模型，获取交通系统在稳态时车辆与该车辆之外的物体之间的安全行驶距离”的方法如下包括：

定义Δv＝v_i-v_j，则反映势能随时空变化的变化率表示为：

式中，k、k₁、k₂均为待定参数，k₁具体表现为场的变化系数，k₂具体体现为势能随时空变化的变化系数；

定义所述步骤4中的“当前行车最优速度”为v^*，则车辆i在交通环境中运行受力为f(v^*)；

当车辆达到稳态行驶时，交通系统处于稳态，则存在即：

对交通管控系统和行车进行智能安全管控时追求车辆速度为匀速时交通系统达到均衡，此时Δv＝0，得出：

则得到：

式中，R表示车辆与该车辆之外的物体之间的安全行驶距离。

5.如权利要求4所述的基于行车安全场的车辆智能安全决策方法，其特征在于，步骤2中的“物理模型”用于对驾驶人在交通环境中进行驾驶操纵过程，并对行车风险产生机理进行阐述，所述物理模型的建立方法如下：

在U形槽内，小球沿着槽路径运动，当阻力与引力平衡时，小球处于稳态；当遇到障碍物，使得小球产生偏离安全界限趋势，在合力作用下将会出现受力不平衡，此时小球处于失稳状态；

将所述U形槽对应交通系统，将上述小球对应行驶车辆，将所述U形槽与水平面基准间夹角的变化对应驾驶人对于速度的不同需求，所述交通系统的稳态和失稳状态的条件表示为：

θ_i＜θ_limit时,S_Risk≤S_Risk,limit，稳态

θ_i>θ_limit时,S_Risk>S_Risk,limit，分岔

G_i＝m_igsinθ_i

R_c＝R(r,d,v)

θ_i＝θ(d)

其中，r为道路影响因素；d为驾驶人影响因素；v为车辆影响因素；G_i为达到高效的驱动力，即追求高速度完成这一过程时受到的驱动力；R_c为保障行车安全的约束力；θ_limit为保持稳态时的临界角度；S_Risk,limit为保持稳态时极限作用量；为运动过程交通环境对小球运动的外在力；θ_i为驾驶人对高效的期望程度；当G_i和R_c平衡时，θ_i达到平衡状态，此时的作用量S_Risk取最小值。

6.如权利要求1至5中任一项所述的基于行车安全场的车辆智能安全决策方法，其特征在于，步骤3中的“所述行车风险辨识模型的作用量S_Risk”在单车自由行驶场景中的表达式为：

式中，m_i为车辆i的质量；k_i是车辆i所受到的重力引力系数；x_i为车辆i的纵向位移；为车辆i的纵向速度；为车辆的纵向加速度；g为重力加速度；f为滚动阻力系数；i_α为坡度；C_Di为车辆的风阻系数；A_i为车辆的迎风面积；λ_i为车辆旋转质量系数；t₀为初始时刻；t_f为末端时刻；x₀为出发地；x_f为目的地。

所述步骤3具体包括：

步骤31，通过求所述作用量S_Risk的最小值，求得作用量S_Risk的最小值和

步骤32，单车自由行驶场景中的交通系统达到稳态，车辆为匀速运动，其达到最优状态时风险最小，此时数学表达式为：

v^*＝v_ego；

通过下面公式求出车辆当前的行车风险等级值L_Risk：

7.如权利要求1至5中任一项所述的基于行车安全场的车辆智能安全决策方法，其特征在于，步骤3中的“所述行车风险辨识模型的作用量S_Risk”在跟车场景中的表达式为：

其中，m₁为第一车辆的质量；m₂为第二车辆的质量；U₁₂为第二车辆受到第一车辆产生的势能场的势能；U₂₁为第一车辆受到第二车辆产生的势能场的势能；x₁表示第一车辆的纵向位移，x₂表示第二车辆的纵向位移

所述步骤3具体包括：

步骤31，通过求作用量S_Risk的最小值，求得作用量S_Risk的最小值和

步骤32，跟车场景中，Δv＝v_ego-v₁始终为正，通过下面公式求出车辆当前的行车风险等级值L_Risk：