CN109094482A - 车辆运行风险评估信息采集系统、风险评估系统及方法 - Google Patents

Abstract

车辆运行风险评估信息采集系统、风险评估系统及方法，涉及交通工程领域，具体涉及车辆运行风险评估系统及方法。本发明为了解决现有的基于车辆运行的状况的车辆风险评估存在考虑因素相对不全面导致的风险评估结果相对不准确的问题。本发明根据当前车辆的速度、加速度、当前车辆与前车的车辆间距，以及驾驶员的视线转移时间、扫视速度、眨眼频率；计算车辆间距指标数据和方向盘转向熵指标数据；并根据每个判断周期内各项指标以及各自对应的风险指标阈值判断各自对应的风险，然后构建贝叶斯网络，并通过学习计算条件概率，得到车辆运行风险值。本发明用于车辆运行的风险评估。

Description

车辆运行风险评估信息采集系统、风险评估系统及方法

技术领域

本发明涉及交通工程领域，具体涉及车辆运行风险评估系统及方法。

背景技术

人们习惯于将交通事故等同于交通安全，实际上，由人、车、路、环境组成的道路交通系统，从正常状态向可能造成人员伤亡和财产损失的非正常状态转移的过程中，在经历安全暴露—遭遇—避险—能量转移四个阶段后，才最终产生交通安全后果。对照该理论，现有驾驶辅助系统ADAS主要工作在避险阶段。如能在早期发现车辆的异常状态，并使其对ADAS可见、可观和可控，就可以在安全暴露阶段进行预警，进而为驾驶员提供足够的时间将交通事故消灭在萌芽之中，实现对车辆安全的早起估计。正如德国奔驰公司专家在系统调查各类交通事故后所言，如能提前“关键1秒”让驾驶员意识到车辆的不安全性，则绝大多数事故将可避免。

实际驾驶过程中，驾驶员通过操作使车辆进行运动，这个过程本身就是一个复杂的时变过程，对于运行系统其中的因素相互影响，既涉及到车辆，又包括驾驶员因素，且这些因素错综复杂，相互耦合。车辆运行安全辅助的基础是对车辆运行风险的评估，只有对车辆运行风险进行正确的评估后才能合理的进行对车辆的安全辅助。

目前现有的在交通安全风险评估方面的研究内容中，仍然停留在针对道路交通安全风险、道路交通事故分析阶段或考虑驾驶员或不良天气等单因素影响下的车辆运行风险，缺少考虑多风险影响因素下的车辆运行风险评估方法。因此，研究考虑多风险影响因素的车辆运行风险评估方法具有很大的意义。对车辆安全估计方法进行研究，对提升智能交通汽车核心竞争力，对培育我国汽车产业增长点，也有重要的意义。

专利文献CN101937421A公开了一种采集车辆实时运行信息而进行运行安全风险评估的方法，但是评估汽车行驶安全程度时仅仅考虑车辆运行信息和事故信息，而未考虑到驾驶员对交通的影响。

专利文献CN107215335A公开了一种基于微观驾驶的交通安全风险反馈预警系统及预警方法，基于TTC和SM等指标作为风险判定标准，但是忽视了驾驶员的动态指标对车辆运行安全的影响。

发明内容

本发明为了解决现有的基于车辆运行的状况的车辆风险评估存在考虑因素相对不全面导致的风险评估结果相对不准确的问题。

一种车辆运行风险评估的信息采集系统，包括：

眼动仪，用于采集驾驶员视线偏移时间、扫视速度、眨眼频率；

测距仪，用于采集当前车与前车的间距数据；

加速度传感器，用于采集车辆的加速度信息；

方向盘传感器，用于采集驾驶员对方向盘控制情况，方向盘转向信息。

一种车辆运行风险评估系统，包括：

眼动仪，用于采集驾驶员视线偏移时间、扫视速度、眨眼频率；

测距仪，用于采集当前车与前车的间距数据；

加速度传感器，用于采集车辆的加速度信息；

方向盘传感器，用于采集驾驶员对方向盘控制情况，方向盘转向信息。

风险评估单元，基于当前车辆的速度、加速度、当前车辆与前车的车辆间距，以及驾驶员的视线转移时间、扫视速度、眨眼频率；计算车辆间距指标数据和方向盘转向熵指标数据，同时将视线转移时间、扫视速度、眨眼频率和车辆的加速度对应直接作为视线转移时间指标数据、扫视速度指标数据、眨眼频率指标数据和加速度指标数据；

并根据车辆间距指标数据、方向盘转向熵指标数据、视线转移时间指标数据、扫视速度指标数据、眨眼频率指标数据和加速度指标数据以及各自对应的风险构建贝叶斯网络，并通过学习计算条件概率，得到车辆运行风险值。

一种车辆运行风险评估方法，包括以下步骤：

步骤一：采集自然驾驶过程中的当前车辆的速度、加速度、当前车辆与前车的车辆间距，以及驾驶员的视线转移时间、扫视速度、眨眼频率；

步骤二：计算车辆间距指标数据和方向盘转向熵指标数据；

同时将视线转移时间、扫视速度、眨眼频率和车辆的加速度对应直接作为视线转移时间指标数据、扫视速度指标数据、眨眼频率指标数据和加速度指标数据；

获得每个判断周期内车辆间距指标数据最大值、方向盘转向熵指标数据最大值、视线转移时间指标数据最大值、扫视速度指标数据最大值、眨眼频率指标数据最大值和加速度指标数据最大值；

步骤三：根据每个判断周期内车辆间距指标数据最大值、方向盘转向熵指标数据最大值、视线转移时间指标数据最大值、扫视速度指标数据最大值、眨眼频率指标数据最大值和加速度指标数据最大值，以及各自对应的风险指标阈值，判断车辆间距指标数据、方向盘转向熵指标数据、视线转移时间指标数据、扫视速度指标数据、眨眼频率指标数据和加速度指标数据各自对应的风险；

步骤四：根据车辆间距指标数据、方向盘转向熵指标数据、视线转移时间指标数据、扫视速度指标数据、眨眼频率指标数据和加速度指标数据以及各自对应的风险构建贝叶斯网络，并通过学习计算条件概率，得到车辆运行风险值。

进一步地，所述步骤二中计算车辆间距指标数据的过程如下：

计算车辆间距指标数据ξ(t)：

D_min(t)＝v_i(t)τ+d₀ (2)

其中，D(t)为t时刻当前车辆与前车的车辆间距，D_min(t)为最小车辆间距；v_i(·)为制动过程开始前当前车辆的行驶速度；α_i(·)为当前车辆的最大制动减速度；τ为驾驶员反应时间和制动起效时间之和；d₀为车辆完全停止后车辆间的最小距离。

进一步地，所述步骤二中计算方向盘转向熵指标数据的过程如下：

计算方向盘转向熵指标数据H_p：

e(t)＝θ(t)-θ_p(t) (4)

其中，p_n′为预测误差落在误差区间的分布概率，e(t)为预测误差，θ(t)为t时刻实际方向盘转角，θ_p(t)为t时刻预测方向盘转角；θ(t-1)、θ(t-2)、θ(t-3)分别表示t-1、t-2、t-3时刻对应的实际方向盘转角。

进一步地，所述步骤三的具体过程如下：

将每个判断周期内车辆间距指标数据最大值、方向盘转向熵指标数据最大值、视线转移时间指标数据最大值、扫视速度指标数据最大值、眨眼频率指标数据最大值和加速度指标数据最大值分别记为ξ(t)、H_p、DT、GS、BF和a，并分别作为对应的指标；判断各项指标的风险：

车辆距离控制指标ξ(t)风险：1<ξ(t)为高风险，0.85<ξ(t)≤1为较高风险，0.8<ξ(t)≤0.85为一般风险，ξ(t)≤0.8为低风险；

方向盘转向熵控制指标H_p风险：0.7<H_p为高风险，0.6<H_p≤0.7为较高风险，0.5<H_p≤0.6为一般风险，H_p≤0.5为低风险；

加速度指标|a|风险：|a|≥1.3g为高风险，0.5g≤|a|<1.3g为较高风险，0.3g≤|a|<0.5g为一般风险，|a|<0.3g为低风险；g表示重力加速度；

视线转移时间DT风险：1.0≤DT为高风险，0.4≤DT<1.0为较高风险，0.2≤DT<0.4为一般风险，DT<0.2为低风险；

扫视速度指标GS风险：2500≤GS为高风险，1000≤GS<2500为较高风险，440≤GS<1000为一般风险，GS<440为低风险；

眨眼频率指标BF风险：BF≤0.2为高风险，0.2≤BF<0.5为较高风险，0.5≤BF<1为一般风险，BF>1为低风险。

进一步地，所述步骤四的具体过程如下：

步骤4.1、构建贝叶斯网络：

将车辆控制指标OR作为车辆距离控制指标ξ(t)、方向盘转向熵控制指标H_p、加速度指标|a|的父节点；

将眼动表征指标ER作为视线转移时间指标DT、扫视速度指标GS、眨眼频率指标BF的父节点；

将车辆运行风险R作为车辆控制指标OR和眼动表征指标ER的父节点；

车辆运行风险R节点、对应车辆控制指标OR节点、眼动表征指标ER节点分别对应为隐含节点X₁、隐含节点X₂、隐含节点X₃；

车辆距离控制指标ξ(t)节点、方向盘转向熵控制指标H_p节点、加速度指标|a|节点、视线转移时间指标DT节点、扫视速度指标GS节点和眨眼频率指标BF节点分别对应为观测节点Y₁至观测节点Y₆；

并根据将车辆距离控制指标ξ(t)风险、方向盘转向熵控制指标H_p风险、加速度|a|风险、视线转移时间DT风险、扫视速度GS风险、眨眼频率BF风险输入贝叶斯网络；

步骤4.2、进行参数学习，计算条件概率表，计算隐含指标风险及车辆运行风险：

其中，i′∈[1,3]，j′∈[1,6]，m′∈[2,3]，parent(·)表示父节点。

本发明的有益效果为：

本发明采集的是车辆运行风险的最直接相关因素，即分别在车内布置加速度传感器、方向盘传感器、测距仪，用于采集与驾驶员操作相关的运行指标，同时在试验车内布置眼动仪用于记录驾驶员驾驶过程中眼动情况，用于反映驾驶员的状态。然后基于二者的数据，运用贝叶斯网络理论评估车辆运行的风险程度，由于本发明考虑的都是与驾驶员的状态和车辆运行的状态直接相关的指标，同时根据贝叶斯网络进行学习预测，使得风险评估的结果更加准确。而且本发明的预测结果稳定性好，出现评估异常的概率几乎为0，从侧面反映了本发明的风险评估结果比较准确。而且本发明的风险评估速度快，能够实时风险评估任务。

附图说明

图1为车辆运行风险评估方法示意图；

图2为基于车辆运行风险的贝叶斯网络结构图；

图3为贝叶斯网络风险输出结果图。

具体实施方式

具体实施方式一：

一种车辆运行风险评估的信息采集系统，包括：

眼动仪，用于采集驾驶员视线偏移时间、扫视速度、眨眼频率；眼动仪的摄像头可以安装在方向盘或后视镜上，只要能够采集到驾驶员视线偏移时间、扫视速度、眨眼频率信息即可；

测距仪，用于采集当前车与前车的间距数据；测距仪可以安装在前挡风玻璃上；

加速度传感器，用于采集车辆的加速度信息；加速度传感器可以为车辆自带设备，也可以是后期加装的，只要能够采集到车辆的加速度信息即可；

方向盘传感器，用于采集驾驶员对方向盘控制情况，方向盘转向信息；方向盘传感器可以是车辆自带设备中的方向盘传感器，只要能够采集到方向盘转向信息即可。

具体实施方式二：

一种车辆运行风险评估系统，包括：

具体实施方式一所述的一种车辆运行风险评估的信息采集系统和风险评估单元；

所述风险评估单元，基于当前车辆的速度、加速度、当前车辆与前车的车辆间距，以及驾驶员的视线转移时间、扫视速度、眨眼频率；计算车辆间距指标数据和方向盘转向熵指标数据，同时将视线转移时间、扫视速度、眨眼频率和车辆的加速度对应直接作为视线转移时间指标数据、扫视速度指标数据、眨眼频率指标数据和加速度指标数据；

并根据车辆间距指标数据、方向盘转向熵指标数据、视线转移时间指标数据、扫视速度指标数据、眨眼频率指标数据和加速度指标数据以及各自对应的风险构建贝叶斯网络，并通过学习计算条件概率，得到车辆运行风险值。

具体实施方式三：结合图1说明本实施方式，

一种车辆运行风险评估方法，包括以下步骤：

步骤一：基于车辆运行风险评估的信息采集系统和车辆自身设备采集自然驾驶过程中的当前车辆的速度、加速度、当前车辆与前车的车辆间距，以及驾驶员的视线转移时间、扫视速度、眨眼频率；

步骤二：计算车辆间距指标数据和方向盘转向熵指标数据；

同时将视线转移时间、扫视速度、眨眼频率和车辆的加速度对应直接作为视线转移时间指标数据、扫视速度指标数据、眨眼频率指标数据和加速度指标数据；

一个判断周期包含若干个采样周期；获得每个判断周期内车辆间距指标数据最大值、方向盘转向熵指标数据最大值、视线转移时间指标数据最大值、扫视速度指标数据最大值、眨眼频率指标数据最大值和加速度指标数据最大值；

步骤三：根据每个判断周期内车辆间距指标数据最大值、方向盘转向熵指标数据最大值、视线转移时间指标数据最大值、扫视速度指标数据最大值、眨眼频率指标数据最大值和加速度指标数据最大值，以及各自对应的风险指标阈值，判断车辆间距指标数据、方向盘转向熵指标数据、视线转移时间指标数据、扫视速度指标数据、眨眼频率指标数据和加速度指标数据各自对应的风险；

步骤四：根据车辆间距指标数据、方向盘转向熵指标数据、视线转移时间指标数据、扫视速度指标数据、眨眼频率指标数据和加速度指标数据以及各自对应的风险构建贝叶斯网络，并通过学习计算条件概率，得到车辆运行风险值。

步骤五：将车辆运行风险划分为四个等级，根据计算所得车辆运行风险值确定车辆运行风险，根据风险等级对驾驶员进行预警。

车辆运行风险划分为四个等级：低风险、一定风险、较高风险和高风险，见表1；

表1 风险等级表

其中，低风险为车辆运行过程中发生交通事故可能性较小，驾驶员信息采集正常，车辆操控正常，若风险处于该阈值内，其对道路交通产生影响较小，存在较小危害，可以不采取相应措施；

有一定风险为车辆运行过程中发生交通事故存在一定概率，驾驶员信息采集存在较小误差，车辆操控性能一般，若风险处于该阈值内，需要对驾驶员预以提醒；

较高风险为车辆运行过程中发生交通事故存在较高概率，驾驶员信息采集存在误差，车辆操控性能较差，若风险处于该阈值内，需要对驾驶员预以预警；

高风险为车辆运行过程中发生交通事故存在极高概率，驾驶员信息采集存在显著误差，车辆操控性能差，若风险处于该阈值内，需要对驾驶员预以警示。

具体实施方式四：

本实施方式所述步骤二中计算车辆间距指标数据的过程如下：

计算车辆间距指标数据ξ(t)：

D_min(t)＝v_i(t)τ+d₀ (2)

其中，D(t)为t时刻当前车辆与前车的车辆间距，D_min(t)为最小车辆间距；v_i(·)为制动过程开始前当前车辆的行驶速度；α_i(·)为当前车辆的最大制动减速度；τ为驾驶员反应时间和制动起效时间之和；d₀为车辆完全停止后车辆间的最小距离。

其他步骤和参数与具体实施方式三相同。

具体实施方式五：

本实施方式所述步骤二中计算方向盘转向熵指标数据的过程如下：

计算方向盘转向熵指标数据H_p：

e(t)＝θ(t)-θ_p(t) (4)

其中，p_n′为预测误差落在误差区间的分布概率，e(t)为预测误差，θ(t)为t时刻实际方向盘转角，θ_p(t)为t时刻预测方向盘转角；θ(t-1)、θ(t-2)、θ(t-3)分别表示t-1、t-2、t-3时刻对应的实际方向盘转角。

其它步骤及参数与具体实施方式三或四相同。

具体实施方式六：

本实施方式所述步骤三的具体过程如下：

将每个判断周期内车辆间距指标数据最大值、方向盘转向熵指标数据最大值、视线转移时间指标数据最大值、扫视速度指标数据最大值、眨眼频率指标数据最大值和加速度指标数据最大值分别记为ξ(t)、H_p、DT、GS、BF和a，并分别作为对应的指标；判断各项指标的风险：

车辆距离控制指标ξ(t)风险：1<ξ(t)为高风险，0.85<ξ(t)≤1为较高风险，0.8<ξ(t)≤0.85为一般风险，ξ(t)≤0.8为低风险；

方向盘转向熵控制指标H_p风险：0.7<H_p为高风险，0.6<H_p≤0.7为较高风险，0.5<H_p≤0.6为一般风险，H_p≤0.5为低风险；

加速度指标|a|风险：|a|≥1.3g为高风险，0.5g≤|a|<1.3g为较高风险，0.3g≤|a|<0.5g为一般风险，|a|<0.3g为低风险；g表示重力加速度；

视线转移时间DT(单位：s(秒))风险：1.0≤DT为高风险，0.4≤DT<1.0为较高风险，0.2≤DT<0.4为一般风险，DT<0.2为低风险；

扫视速度指标GS(单位：deg/s)风险：2500≤GS为高风险，1000≤GS<2500为较高风险，440≤GS<1000为一般风险，GS<440为低风险；

眨眼频率指标BF(单位：次/s)风险：BF≤0.2为高风险，0.2≤BF<0.5为较高风险，0.5≤BF<1为一般风险，BF>1为低风险。

以上的指标各自对应的风险指标阈值并不是唯一的，可以根据实际的道路级别视交通状况进行设定。

其它步骤及参数与具体实施方式三至五之一相同。

具体实施方式七：

本实施方式所述步骤四的具体过程如下：

步骤4.1、如图2所示，构建贝叶斯网络：

将车辆控制指标OR作为车辆距离控制指标ξ(t)、方向盘转向熵控制指标H_p、加速度指标|a|的父节点；

将眼动表征指标ER作为视线转移时间指标DT、扫视速度指标GS、眨眼频率指标BF的父节点；

将车辆运行风险R作为车辆控制指标OR和眼动表征指标ER的父节点；

车辆运行风险R节点、对应车辆控制指标OR节点、眼动表征指标ER节点分别对应为隐含节点X₁、隐含节点X₂、隐含节点X₃；

车辆距离控制指标ξ(t)节点、方向盘转向熵控制指标H_p节点、加速度指标|a|节点、视线转移时间指标DT节点、扫视速度指标GS节点和眨眼频率指标BF节点分别对应为观测节点Y₁至观测节点Y₆；

并根据将车辆距离控制指标ξ(t)风险、方向盘转向熵控制指标H_p风险、加速度|a|风险、视线转移时间DT风险、扫视速度GS风险、眨眼频率BF风险输入贝叶斯网络；

车辆运行风险R如指标体系如表2所示。车辆运行风险中每个节点的意义如表3所示。

表2

表3 车辆运行风险节点意义

步骤4.2、进行参数学习，计算条件概率表，即表示每个节点之间的因果关系程度，设两随机事件为X、Y，且P(Y)>0，在给定Y发生时X发生的概率为：

计算隐含指标风险及车辆运行风险：

其中，i′∈[1,3]，j′∈[1,6]，m′∈[2,3]，parent(·)表示父节点。

贝叶斯网络风险输出结果如图3所示。

其它步骤及参数与具体实施方式三至六之一相同。

实施例

采用以下实施例验证本发明的有益效果：

实施例一：

当采集到的ξ(t)＝0.4745，|a|＝0.0654G，S＝0.6542，DT＝0.22s，GS＝689.67deg/s，BF＝5次/s时，经过上述步骤输出风险值为69.1％。利用该组数据进行100次试验，其风险输出结果基本相同。

当采集到的ξ(t)＝0.2651，|a|＝0.1654G，S＝0.2634，DT＝0.20s，GS＝50.17deg/s，BF＝3次/s时，经过上述步骤输出风险值为23.8％。利用该组数据进行100次试验，其风险输出结果基本相同。

通过相同条件的多次仿真，本发明风险评估结果对应的评价值基本恒定，证明了本发明稳定性好，出现评估异常的概率几乎为0。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (7)

1.一种车辆运行风险评估的信息采集系统，其特征在于，包括：

眼动仪，用于采集驾驶员视线偏移时间、扫视速度、眨眼频率；

测距仪，用于采集当前车与前车的间距数据；

加速度传感器，用于采集车辆的加速度信息；

方向盘传感器，用于采集驾驶员对方向盘控制情况，方向盘转向信息。

2.一种车辆运行风险评估系统，其特征在于，包括：权利要求1所述的一种车辆运行风险评估的信息采集系统，以及风险评估单元；

所述风险评估单元，基于当前车辆的速度、加速度、当前车辆与前车的车辆间距，以及驾驶员的视线转移时间、扫视速度、眨眼频率；计算车辆间距指标数据和方向盘转向熵指标数据，同时将视线转移时间、扫视速度、眨眼频率和车辆的加速度对应直接作为视线转移时间指标数据、扫视速度指标数据、眨眼频率指标数据和加速度指标数据；

并根据车辆间距指标数据、方向盘转向熵指标数据、视线转移时间指标数据、扫视速度指标数据、眨眼频率指标数据和加速度指标数据以及各自对应的风险构建贝叶斯网络，并通过学习计算条件概率，得到车辆运行风险值。

3.一种车辆运行风险评估方法，其特征在于，包括以下步骤：

步骤一：采集自然驾驶过程中的当前车辆的速度、加速度、当前车辆与前车的车辆间距，以及驾驶员的视线转移时间、扫视速度、眨眼频率；

步骤二：计算车辆间距指标数据和方向盘转向熵指标数据；

同时将视线转移时间、扫视速度、眨眼频率和车辆的加速度对应直接作为视线转移时间指标数据、扫视速度指标数据、眨眼频率指标数据和加速度指标数据；

获得每个判断周期内车辆间距指标数据最大值、方向盘转向熵指标数据最大值、视线转移时间指标数据最大值、扫视速度指标数据最大值、眨眼频率指标数据最大值和加速度指标数据最大值；

步骤三：根据每个判断周期内车辆间距指标数据最大值、方向盘转向熵指标数据最大值、视线转移时间指标数据最大值、扫视速度指标数据最大值、眨眼频率指标数据最大值和加速度指标数据最大值，以及各自对应的风险指标阈值，判断车辆间距指标数据、方向盘转向熵指标数据、视线转移时间指标数据、扫视速度指标数据、眨眼频率指标数据和加速度指标数据各自对应的风险；

步骤四：根据车辆间距指标数据、方向盘转向熵指标数据、视线转移时间指标数据、扫视速度指标数据、眨眼频率指标数据和加速度指标数据以及各自对应的风险构建贝叶斯网络，并通过学习计算条件概率，得到车辆运行风险值。

4.根据权利要求3所述的一种车辆运行风险评估方法，其特征在于，所述步骤二中计算车辆间距指标数据的过程如下：

计算车辆间距指标数据ξ(t)：

D_min(t)＝v_i(t)τ+d₀ (2)

其中，D(t)为t时刻当前车辆与前车的车辆间距，D_min(t)为最小车辆间距；v_i(·)为制动过程开始前当前车辆的行驶速度；α_i(·)为当前车辆的最大制动减速度；τ为驾驶员反应时间和制动起效时间之和；d₀为车辆完全停止后车辆间的最小距离。

5.根据权利要求4所述的一种车辆运行风险评估方法，其特征在于，所述步骤二中计算方向盘转向熵指标数据的过程如下：

计算方向盘转向熵指标数据H_p：

e(t)＝θ(t)-θ_p(t) (4)

其中，p_n′为预测误差落在误差区间的分布概率，e(t)为预测误差，θ(t)为t时刻实际方向盘转角，θ_p(t)为t时刻预测方向盘转角；θ(t-1)、θ(t-2)、θ(t-3)分别表示t-1、t-2、t-3时刻对应的实际方向盘转角。

6.根据权利要求5所述的一种车辆运行风险评估方法，其特征在于，所述步骤三的具体过程如下：

将每个判断周期内车辆间距指标数据最大值、方向盘转向熵指标数据最大值、视线转移时间指标数据最大值、扫视速度指标数据最大值、眨眼频率指标数据最大值和加速度指标数据最大值分别记为ξ(t)、H_p、DT、GS、BF和a，并分别作为对应的指标；判断各项指标的风险：

车辆距离控制指标ξ(t)风险：1<ξ(t)为高风险，0.85<ξ(t)≤1为较高风险，0.8<ξ(t)≤0.85为一般风险，ξ(t)≤0.8为低风险；

方向盘转向熵控制指标H_p风险：0.7<H_p为高风险，0.6<H_p≤0.7为较高风险，0.5<H_p≤0.6为一般风险，H_p≤0.5为低风险；

加速度指标|a|风险：|a|≥1.3g为高风险，0.5g≤|a|<1.3g为较高风险，0.3g≤|a|<0.5g为一般风险，|a|<0.3g为低风险；g表示重力加速度；

视线转移时间DT风险：1.0≤DT为高风险，0.4≤DT<1.0为较高风险，0.2≤DT<0.4为一般风险，DT<0.2为低风险；

扫视速度指标GS风险：2500≤GS为高风险，1000≤GS<2500为较高风险，440≤GS<1000为一般风险，GS<440为低风险；

眨眼频率指标BF风险：BF≤0.2为高风险，0.2≤BF<0.5为较高风险，0.5≤BF<1为一般风险，BF>1为低风险。

7.根据权利要求3至6之一所述的一种车辆运行风险评估方法，其特征在于，所述步骤四的具体过程如下：

步骤4.1、构建贝叶斯网络：

将车辆控制指标OR作为车辆距离控制指标ξ(t)、方向盘转向熵控制指标H_p、加速度指标|a|的父节点；

将眼动表征指标ER作为视线转移时间指标DT、扫视速度指标GS、眨眼频率指标BF的父节点；

将车辆运行风险R作为车辆控制指标OR和眼动表征指标ER的父节点；

车辆运行风险R节点、对应车辆控制指标OR节点、眼动表征指标ER节点分别对应为隐含节点X₁、隐含节点X₂、隐含节点X₃；

车辆距离控制指标ξ(t)节点、方向盘转向熵控制指标H_p节点、加速度指标|a|节点、视线转移时间指标DT节点、扫视速度指标GS节点和眨眼频率指标BF节点分别对应为观测节点Y₁至观测节点Y₆；

并根据将车辆距离控制指标ξ(t)风险、方向盘转向熵控制指标H_p风险、加速度|a|风险、视线转移时间DT风险、扫视速度GS风险、眨眼频率BF风险输入贝叶斯网络；

步骤4.2、进行参数学习，计算条件概率表，计算隐含指标风险及车辆运行风险：

其中，i′∈[1,3]，j′∈[1,6]，m′∈[2,3]，parent(·)表示父节点。