CN110362077B - 无人驾驶车辆紧急避险决策系统、方法及介质 - Google Patents

无人驾驶车辆紧急避险决策系统、方法及介质 Download PDF

Info

Publication number
CN110362077B
CN110362077B CN201910595551.XA CN201910595551A CN110362077B CN 110362077 B CN110362077 B CN 110362077B CN 201910595551 A CN201910595551 A CN 201910595551A CN 110362077 B CN110362077 B CN 110362077B
Authority
CN
China
Prior art keywords
obstacle
vehicle
information
accident
severity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910595551.XA
Other languages
English (en)
Other versions
CN110362077A (zh
Inventor
张希
刘磊
张凯炯
杨文彦
陈浩
朱旺旺
赵柏暄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201910595551.XA priority Critical patent/CN110362077B/zh
Publication of CN110362077A publication Critical patent/CN110362077A/zh
Application granted granted Critical
Publication of CN110362077B publication Critical patent/CN110362077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle

Abstract

本发明提供了一种无人驾驶车辆紧急避险决策系统、方法及介质，包括：环境感知模块：获取环境信息；危险判别模块：根据获得的环境信息，分析车辆同障碍物之间是否会发生碰撞危险，输出危险状况信息，同时判定障碍物的类别，输出障碍物类别信息；智能决策模块：根据获得的环境信息、危险状况信息及障碍物类别信息，构建可行任务池，对可行任务的事故严重程度进行分析，确定最优可行任务。本发明具有应用上的便利性，能够兼容目前针对无事故下的车辆智能决策方案。本发明能够使车辆在面对必然发生的事故时，给出事故损害最小化的决策方案。

Description

无人驾驶车辆紧急避险决策系统、方法及介质
技术领域
本发明涉及无人驾驶技术领域，具体地，涉及无人驾驶车辆紧急避险决策系统、方法及介质。
背景技术
无人驾驶汽车是传统汽车技术与信息通信技术高效融合的产物，能够有效改善交通运输的效率，提高交通过程中的安全性。近年来，随着信息通信技术的不断发展，无人驾驶技术也成为当下的发展热点之一，是未来汽车发展的重要方向。
无人驾驶技术主要包括环境信息获取的感知层，车辆行为的决策层，安全路径的规划层以及车辆运动的控制层。其中，智能决策充当无人车大脑的角色，起着至关重要的作用,直接影响无人驾驶汽车行为的合规性及安全性。
目前关于无人驾驶车辆智能决策的研究，基本建立在车辆能够对周围障碍物进行避让的条件下。
文献Wang H,Huang Y,Khajepour A,et al.Crash Mitigation in MotionPlanning for Autonomous Vehicles[J].IEEE Transactions on IntelligentTransportation Systems,2019,PP(99):1-11.开展了关于无人驾驶不可避免碰撞运动规划层面的研究，考虑潜在碰撞严重程度因子和虚拟势场法作为在运动控制过程中的两个最小化对象，采用模型预测控制方法计算控制序列，降低车辆碰撞过程中的损害。
但关于紧急状况下，针对无法避免事故发生条件下,无人驾驶车辆做出碰撞程度最小化的智能决策方案仍是一个亟待解决的问题。
因此，本发明主要针对无人驾驶车辆在运行过程中，面对事故无法避免的紧急状况，根据预先获得的环境信息进行分析计算，给出决策方案，使得所决策的任务为当前环境下损害程度最小的决策方案。
专利文献CN107168327A(申请号：201710452915.X)公开了一种基于双目视觉的无人驾驶汽车雾天主动避险的方法，首先通过双目视觉系统对前方进行拍摄，获得双目视觉图；然后再对所得双目视觉图进行平滑、光顺、去噪预处理，从预处理后的双目视觉图中寻找相对清晰的特征区域，并在GPU并行架构下，计算得到浓密的视差图，将得到的视差图信息反映到灰度空间0～255，利用了双目视觉系统中视差与深度的关系，无需对物体进行三维重建，只需要不断对比前后两帧图片的深度信息并判断是否达到安全阈值，便能够实现无人驾驶车辆的主动避险
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种无人驾驶车辆紧急避险决策系统、方法及介质。
根据本发明提供的一种无人驾驶车辆紧急避险决策系统，包括：
环境感知模块：获取环境信息；
危险判别模块：根据获得的环境信息，分析车辆同障碍物之间是否会发生碰撞危险，输出碰撞判断信息，同时判定障碍物的类别，输出障碍物类别信息；
智能决策模块：根据获得的环境信息、碰撞判断信息及障碍物类别信息，构建可行任务池，对可行任务的事故严重程度进行分析，确定最优可行任务。
优选地，所述环境感知模块：
所述环境信息包括：
车辆位置参数、障碍物与无人驾驶车辆之间的距离、障碍物的形状信息、无人驾驶车辆与其他物体的相对距离、相对速度、角度及运动方向、障碍物的二维图像信息，采集车道线、交通灯信息、获取无人驾驶车辆制动压力信息、车辆减速度、车辆行驶中的加速度信息、车辆质量信息、气门位置信息、车辆速度信息；
根据障碍物的二维图像信息，结合雷达获得的点云数据从而推测物体的三维信息。
优选地，所述危险判别模块：
碰撞判断模块：根据获得的环境信息，计算无人驾驶车辆同障碍物之间的安全距离，判定碰撞事故是否发生：若是，调用障碍物跨越判定模块；否则，则车辆无需激活进行避险，车辆按照原规划进行；
障碍物跨越判断模块：识别判断障碍物是否为可跨越障碍物：若障碍物是可跨越障碍物，则车辆无需激活进行避险，车辆按照原规划行驶；若不是，则调用障碍物类别判断模块；
障碍物类别判断模块：根据获得的三维信息，判定障碍物的类别，判断障碍物是否为弱势对象：若是，则判定障碍物所处车道为非可行任务路径，输出碰撞判断信息及障碍物类别信息，并调用智能决策模块；否则，则判定障碍物所处车道为可行任务路径，输出碰撞危险信息及障碍物类别信息，并调用智能决策模块；
所述类别包括：弱势对象、非弱势对象；
所述弱势对象指在与车辆发生碰撞时处于弱势地位的目标物。
优选地，所述碰撞判断模块：
设无人驾驶车辆以v1的速度行驶，由雷达和摄像头传感器测得前方有一障碍物以v0的速度在距无人驾驶车辆s0的位置处行驶，左侧有一车辆以v2的速度向前行驶，无人驾驶车辆距同车道障碍物的安全距离为Sd，计算公式如下：
Figure BDA0002117526960000031
其中，
v1,a1,amax分别为无人驾驶车辆速度，无人驾驶车辆加速度，无人驾驶车辆最大加速度；
v0,a0分别为障碍车辆的速度，加速度，若障碍物未配置通讯模块则视其加速度为0；
Δt为数据更新周期；
如果Sd＞S0，则判定为具有碰撞危险，调用障碍物跨越判定模块；否则，如果Sd≤S0,则判断为不可能碰撞，则判定障碍物所处车道为可行任务路径，输出碰撞判断信息，并调用智能决策模块。
优选地，所述智能决策模块：
任务池构建模块：根据获得的碰撞判断信息及障碍物类别信息，构建相应的任务池；
事故严重程度分析模块：根据获得的任务池，根据设定的事故严重程度判定规则，计算分析任务池中各任务的事故严重程度，输出事故严重性程度分析结果；
任务路径选择模块：根据获得的事故严重性程度分析结果，选取事故严重性程度最小的任务路径；
所述任务池的任务包括：向左侧车道行驶、向右侧车道行驶、继续在原车道行驶。
优选地，所述事故严重程度分析模块：
所述根据设定的事故严重程度判定规则，计算分析任务池中各任务的事故严重程度，具体计算分析过程如下：
根据车辆探测到的特征参数，基于建立的机器学习模型预测事故所属严重程度类别；
所述特征参数属于环境信息，是环境信息中的一部分；
所述严重程度类别：
不同严重程度类别对应不同等级的事故严重程度，等级越高，事故越严重，事故类别属于Y(1)即对应事故严重程度为等级一，事故类别属于Y(2)即对应事故严重程度为等级二，事故类别属于Y(3)即对应事故严重程度为等级三，事故类别属于Y(4)即对应事故严重程度为等级四；
所述建立的机器学习模型会输出关于预测的不同类别的概率，对于不同事故，模型预测所属类别等级相同时，采用概率加权求和进一步比较两者的事故严重程度，即：
Ptotal＝k1P(Y(1))+k2P(Y(2))+k3P(Y(3))+k4P(Y(4))
其中，
Ptotal表示加权事故严重程度；
P(Y(i)),i＝1,2,3,4表示事故类别属于第i类的概率；
ki,i＝1,2,3,4表示第i类概率的加权因子且
Figure BDA0002117526960000041
根据本发明提供的一种无人驾驶车辆紧急避险决策方法，包括：
环境感知步骤：获取环境信息；
危险判别步骤：根据获得的环境信息，分析车辆同障碍物之间是否会发生碰撞危险，输出碰撞判断信息，同时判定障碍物的类别，输出障碍物类别信息；
智能决策步骤：根据获得的环境信息、碰撞判断信息及障碍物类别信息，构建可行任务池，对可行任务的事故严重程度进行分析，确定最优可行任务。
优选地，所述环境感知步骤：
所述环境信息包括：
车辆位置参数、障碍物与无人驾驶车辆之间的距离、障碍物的形状信息、无人驾驶车辆与其他物体的相对距离、相对速度、角度及运动方向、障碍物的二维图像信息，采集车道线、交通灯信息、获取无人驾驶车辆制动压力信息、车辆减速度、车辆行驶中的加速度信息、车辆质量信息、气门位置信息、车辆速度信息；
根据障碍物的二维图像信息，结合雷达获得的点云数据从而推测物体的三维信息；
所述危险判别步骤：
碰撞判断步骤：根据获得的环境信息，计算无人驾驶车辆同障碍物之间的安全距离，判定碰撞事故是否发生：若是，进入障碍物跨越判定步骤继续执行；否则，则车辆无需激活进行避险，车辆按照原规划进行；
障碍物跨越判断步骤：识别判断障碍物是否为可跨越障碍物：若障碍物是可跨越障碍物，则车辆无需激活进行避险，车辆按照原规划行驶；若不是，则进入障碍物类别判断步骤继续执行；
障碍物类别判断步骤：根据获得的三维信息，判定障碍物的类别，判断障碍物是否为弱势对象：若是，则判定障碍物所处车道为非可行任务路径，输出碰撞判断信息及障碍物类别信息，并进入智能决策步骤继续执行；否则，则判定障碍物所处车道为可行任务路径，输出碰撞危险信息及障碍物类别信息，并进入智能决策步骤继续执行；
所述类别包括：弱势对象、非弱势对象；
所述弱势对象指在与车辆发生碰撞时处于弱势地位的目标物。
优选地，所述碰撞判断步骤：
设无人驾驶车辆以v1的速度行驶，由雷达和摄像头传感器测得前方有一障碍物以v0的速度在距无人驾驶车辆s0的位置处行驶，左侧有一车辆以v2的速度向前行驶，无人驾驶车辆距同车道障碍物的安全距离为Sd，计算公式如下：
Figure BDA0002117526960000051
其中，
v1,a1,amax分别为无人驾驶车辆速度，无人驾驶车辆加速度，无人驾驶车辆最大加速度；
v0,a0分别为障碍车辆的速度，加速度，若障碍物未配置通讯模块则视其加速度为0；
Δt为数据更新周期；
如果Sd＞S0，则判定为具有碰撞危险，进入障碍物跨越判定步骤继续执行；否则，如果Sd≤S0,则判断为不可能碰撞，则判定障碍物所处车道为可行任务路径，输出碰撞判断信息，并进入智能决策步骤继续执行；
所述智能决策步骤：
任务池构建步骤：根据获得的碰撞判断信息及障碍物类别信息，构建相应的任务池；
事故严重程度分析步骤：根据获得的任务池，根据设定的事故严重程度判定规则，计算分析任务池中各任务的事故严重程度，输出事故严重性程度分析结果；
任务路径选择步骤：根据获得的事故严重性程度分析结果，选取事故严重性程度最小的任务路径；
所述任务池的任务包括：向左侧车道行驶、向右侧车道行驶、继续在原车道行驶；
所述事故严重程度分析步骤：
所述根据设定的事故严重程度判定规则，计算分析任务池中各任务的事故严重程度，具体计算分析过程如下：
根据车辆探测到的特征参数，基于建立的机器学习模型预测事故所属严重程度类别；
所述特征参数属于环境信息，是环境信息中的一部分；
所述严重程度类别：
不同严重程度类别对应不同等级的事故严重程度，等级越高，事故越严重，事故类别属于Y(1)即对应事故严重程度为等级一，事故类别属于Y(2)即对应事故严重程度为等级二，事故类别属于Y(3)即对应事故严重程度为等级三，事故类别属于Y(4)即对应事故严重程度为等级四；
所述建立的机器学习模型会输出关于预测的不同类别的概率，对于不同事故，模型预测所属类别等级相同时，采用概率加权求和进一步比较两者的事故严重程度，即：
Ptotal＝k1P(Y(1))+k2P(Y(2))+k3P(Y(3))+k4P(Y(4))
其中，
Ptotal表示加权事故严重程度；
P(Y(i)),i＝1,2,3,4表示事故类别属于第i类的概率；
ki,i＝1,2,3,4表示第i类概率的加权因子且
Figure BDA0002117526960000061
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述中任一项所述的无人驾驶车辆紧急避险决策方法的步骤。
与现有技术相比，本发明具有如下的有益效果：
1、本发明具有应用上的便利性，能够兼容目前针对无事故下的车辆智能决策方案。
2、本发明能够使车辆在面对必然发生的事故时，给出事故损害最小化的决策方案。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明提供的损害程度最小化的紧急避险决策系统结构示意图；
图2是本发明提供的损害程度最小化的紧急避险决策系统流程示意图；
图3是本发明提供的系统根据获取的环境信息对车辆进行危险判别示意图；
图4是本发明提供的车辆前方障碍物为可跨越障碍物(减速带)示意图；
图5是本发明提供的车辆前方障碍物为不可跨越障碍物，同时在交通环境中为弱势对象的障碍物示意图；
图6是本发明提供的车辆前方障碍物为不可跨越障碍物，同时在交通环境中为非弱势对象的障碍物示意图；
图7是本发明提供的车辆面对前方为不可跨越障碍物，同时在交通环境中为弱势对象，左侧车道有车辆，右侧车道无车辆的智能决策场景示意图；
图8是本发明提供的车辆面对前方为不可跨越障碍物，同时在交通环境中为弱势对象，左侧车道有车辆，右侧车道也有车辆的智能决策场景示意图；
图9是本发明提供的车辆面对前方为不可跨越障碍物，同时在交通环境中为弱势对象，左侧车道有与自车在交通环境中处同等地位的车辆，右侧车道有同自车相比在交通环境中处强势地位的车辆的智能决策场景示意图；
图10是本发明提供的车辆面对前方为不可跨越障碍物，同时在交通环境中为与自车在交通环境中处同等地位的车辆，左右两侧车道也有同自车相比在交通环境中处同等地位的车辆的智能决策场景示意图；
图11是本发明提供的事故严重程度预测示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的一种无人驾驶车辆紧急避险决策系统，包括：
环境感知模块：获取环境信息；
危险判别模块：根据获得的环境信息，分析车辆同障碍物之间是否会发生碰撞危险，输出碰撞判断信息，同时判定障碍物的类别，输出障碍物类别信息；
智能决策模块：根据获得的环境信息、碰撞判断信息及障碍物类别信息，构建可行任务池，对可行任务的事故严重程度进行分析，确定最优可行任务。
具体地，所述环境感知模块：
所述环境信息包括：
车辆位置参数、障碍物与无人驾驶车辆之间的距离、障碍物的形状信息、无人驾驶车辆与其他物体的相对距离、相对速度、角度及运动方向、障碍物的二维图像信息，采集车道线、交通灯信息、获取无人驾驶车辆制动压力信息、车辆减速度、车辆行驶中的加速度信息、车辆质量信息、气门位置信息、车辆速度信息；
根据障碍物的二维图像信息，结合雷达获得的点云数据从而推测物体的三维信息。
具体地，所述危险判别模块：
碰撞判断模块：根据获得的环境信息，计算无人驾驶车辆同障碍物之间的安全距离，判定碰撞事故是否发生：若是，调用障碍物跨越判定模块；否则，则车辆无需激活进行避险，车辆按照原规划进行；
障碍物跨越判断模块：识别判断障碍物是否为可跨越障碍物：若障碍物是可跨越障碍物，则车辆无需激活进行避险，车辆按照原规划行驶；若不是，则调用障碍物类别判断模块；
障碍物类别判断模块：根据获得的三维信息，判定障碍物的类别，判断障碍物是否为弱势对象：若是，则判定障碍物所处车道为非可行任务路径，输出碰撞判断信息及障碍物类别信息，并调用智能决策模块；否则，则判定障碍物所处车道为可行任务路径，输出碰撞危险信息及障碍物类别信息，并调用智能决策模块；
所述类别包括：弱势对象、非弱势对象；
所述弱势对象指在与车辆发生碰撞时处于弱势地位的目标物。
具体地，所述碰撞判断模块：
设无人驾驶车辆以v1的速度行驶，由雷达和摄像头传感器测得前方有一障碍物以v0的速度在距无人驾驶车辆s0的位置处行驶，左侧有一车辆以v2的速度向前行驶，无人驾驶车辆距同车道障碍物的安全距离为Sd，计算公式如下：
Figure BDA0002117526960000081
其中，
v1,a1,amax分别为无人驾驶车辆速度，无人驾驶车辆加速度，无人驾驶车辆最大加速度；
v0,a0分别为障碍车辆的速度，加速度，若障碍物未配置通讯模块则视其加速度为0；
Δt为数据更新周期；
如果Sd＞S0，则判定为具有碰撞危险，调用障碍物跨越判定模块；否则，如果Sd≤S0,则判断为不可能碰撞，则判定障碍物所处车道为可行任务路径，输出碰撞判断信息，并调用智能决策模块。
具体地，所述智能决策模块：
任务池构建模块：根据获得的碰撞判断信息及障碍物类别信息，构建相应的任务池；
事故严重程度分析模块：根据获得的任务池，根据设定的事故严重程度判定规则，计算分析任务池中各任务的事故严重程度，输出事故严重性程度分析结果；
任务路径选择模块：根据获得的事故严重性程度分析结果，选取事故严重性程度最小的任务路径；
所述任务池的任务包括：向左侧车道行驶、向右侧车道行驶、继续在原车道行驶。
具体地，所述事故严重程度分析模块：
所述根据设定的事故严重程度判定规则，计算分析任务池中各任务的事故严重程度，具体计算分析过程如下：
根据车辆探测到的特征参数，基于建立的机器学习模型预测事故所属严重程度类别；
所述特征参数属于环境信息，是环境信息中的一部分；
所述严重程度类别：
不同严重程度类别对应不同等级的事故严重程度，等级越高，事故越严重，事故类别属于Y(1)即对应事故严重程度为等级一，事故类别属于Y(2)即对应事故严重程度为等级二，事故类别属于Y(3)即对应事故严重程度为等级三，事故类别属于Y(4)即对应事故严重程度为等级四；
所述建立的机器学习模型会输出关于预测的不同类别的概率，对于不同事故，模型预测所属类别等级相同时，采用概率加权求和进一步比较两者的事故严重程度，即：
Ptotal＝k1P(Y(1))+k2P(Y(2))+k3P(Y(3))+k4P(Y(4))
其中，
Ptotal表示加权事故严重程度；
P(Y(i)),i＝1,2,3,4表示事故类别属于第i类的概率；
ki,i＝1,2,3,4表示第i类概率的加权因子且
Figure BDA0002117526960000091
本发明提供的无人驾驶车辆紧急避险决策系统，可以通过本发明给的无人驾驶车辆紧急避险决策方法的步骤流程实现。本领域技术人员可以将所述无人驾驶车辆紧急避险决策方法，理解为所述无人驾驶车辆紧急避险决策系统的一个优选例。
根据本发明提供的一种无人驾驶车辆紧急避险决策方法，包括：
环境感知步骤：获取环境信息；
危险判别步骤：根据获得的环境信息，分析车辆同障碍物之间是否会发生碰撞危险，输出碰撞判断信息，同时判定障碍物的类别，输出障碍物类别信息；
智能决策步骤：根据获得的环境信息、碰撞判断信息及障碍物类别信息，构建可行任务池，对可行任务的事故严重程度进行分析，确定最优可行任务。
具体地，所述环境感知步骤：
所述环境信息包括：
车辆位置参数、障碍物与无人驾驶车辆之间的距离、障碍物的形状信息、无人驾驶车辆与其他物体的相对距离、相对速度、角度及运动方向、障碍物的二维图像信息，采集车道线、交通灯信息、获取无人驾驶车辆制动压力信息、车辆减速度、车辆行驶中的加速度信息、车辆质量信息、气门位置信息、车辆速度信息；
根据障碍物的二维图像信息，结合雷达获得的点云数据从而推测物体的三维信息；
所述危险判别步骤：
碰撞判断步骤：根据获得的环境信息，计算无人驾驶车辆同障碍物之间的安全距离，判定碰撞事故是否发生：若是，进入障碍物跨越判定步骤继续执行；否则，则车辆无需激活进行避险，车辆按照原规划进行；
障碍物跨越判断步骤：识别判断障碍物是否为可跨越障碍物：若障碍物是可跨越障碍物，则车辆无需激活进行避险，车辆按照原规划行驶；若不是，则进入障碍物类别判断步骤继续执行；
障碍物类别判断步骤：根据获得的三维信息，判定障碍物的类别，判断障碍物是否为弱势对象：若是，则判定障碍物所处车道为非可行任务路径，输出碰撞判断信息及障碍物类别信息，并进入智能决策步骤继续执行；否则，则判定障碍物所处车道为可行任务路径，输出碰撞危险信息及障碍物类别信息，并进入智能决策步骤继续执行；
所述类别包括：弱势对象、非弱势对象；
所述弱势对象指在与车辆发生碰撞时处于弱势地位的目标物。
具体地，所述碰撞判断步骤：
设无人驾驶车辆以v1的速度行驶，由雷达和摄像头传感器测得前方有一障碍物以v0的速度在距无人驾驶车辆s0的位置处行驶，左侧有一车辆以v2的速度向前行驶，无人驾驶车辆距同车道障碍物的安全距离为Sd，计算公式如下：
Figure BDA0002117526960000101
其中，
v1,a1,amax分别为无人驾驶车辆速度，无人驾驶车辆加速度，无人驾驶车辆最大加速度；
v0,a0分别为障碍车辆的速度，加速度，若障碍物未配置通讯模块则视其加速度为0；
Δt为数据更新周期；
如果Sd＞S0，则判定为具有碰撞危险，进入障碍物跨越判定步骤继续执行；否则，如果Sd≤S0,则判断为不可能碰撞，则判定障碍物所处车道为可行任务路径，输出碰撞判断信息，并进入智能决策步骤继续执行；
所述智能决策步骤：
任务池构建步骤：根据获得的碰撞判断信息及障碍物类别信息，构建相应的任务池；
事故严重程度分析步骤：根据获得的任务池，根据设定的事故严重程度判定规则，计算分析任务池中各任务的事故严重程度，输出事故严重性程度分析结果；
任务路径选择步骤：根据获得的事故严重性程度分析结果，选取事故严重性程度最小的任务路径；
所述任务池的任务包括：向左侧车道行驶、向右侧车道行驶、继续在原车道行驶；
所述事故严重程度分析步骤：
所述根据设定的事故严重程度判定规则，计算分析任务池中各任务的事故严重程度，具体计算分析过程如下：
根据车辆探测到的特征参数，基于建立的机器学习模型预测事故所属严重程度类别；
进一步地，所述机器学习模型指现有技术已有的学习模型，基于支持向量机(Support Vector Machine,SVM)的机器学习模型。
所述特征参数属于环境信息，是环境信息中的一部分；
所述严重程度类别：
不同严重程度类别对应不同等级的事故严重程度，等级越高，事故越严重，事故类别属于Y(1)即对应事故严重程度为等级一，事故类别属于Y(2)即对应事故严重程度为等级二，事故类别属于Y(3)即对应事故严重程度为等级三，事故类别属于Y(4)即对应事故严重程度为等级四；
所述建立的机器学习模型会输出关于预测的不同类别的概率，对于不同事故，模型预测所属类别等级相同时，采用概率加权求和进一步比较两者的事故严重程度，即：
Ptotal＝k1P(Y(1))+k2P(Y(2))+k3P(Y(3))+k4P(Y(4))
其中，
Ptotal表示加权事故严重程度；
P(Y(i)),i＝1,2,3,4表示事故类别属于第i类的概率；
ki,i＝1,2,3,4表示第i类概率的加权因子且
Figure BDA0002117526960000111
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述中任一项所述的无人驾驶车辆紧急避险决策方法的步骤。
下面通过优选例，对本发明进行更为具体地说明。
优选例1：
一种无人驾驶车辆紧急避险决策系统及方法，应用如下系统：
通过环境感知模块获取环境信息；
危险判别模块：通过环境感知模块获得的数据分析车辆同障碍物之间是否会发生碰撞危险，同时判定障碍物的类别；
智能决策模块：在上述两模块之后根据前端传来的信息构建可行任务池，对可行任务的事故严重程度进行分析，确定最优可行任务。
环境感知模块负责车辆位置参数的获取，对无人车进行准确的实时定位；获取障碍物与主车之间的距离，障碍物的形状等参数；车辆与其他物体的相对距离、相对速度、角度、运动方向等；采集二维图像信息结合雷达获得的点云数据从而推测物体的三维信息，此外，摄像头还完成车道线、交通灯等信息的采集；获得自车制动压力信息，获得车辆减速度；获取主车行驶中的加速度信息；获取车辆质量信息；获得气门位置信息；获取车辆速度信息。
危险判别模块：
通过计算主车同障碍物之间的安全距离判定碰撞事故是否发生；通过环境感知模块获得自车及自车前方车辆的行驶速度，自车加速度。环境感知模块数据更新周期，以数学表达式形式计算安全距离。
结合激光雷达、毫米波雷达、摄像头所推测的物体的三维信息判定障碍物的类别。
智能决策模块：
根据所采集的环境信息构建避险的可行任务池，根据设定的事故严重程度判定规则计算分析任务池中各任务的事故严重程度，确定最优任务；
应当明确，构建任务池的过程发生在说明书附图图2的步骤205
此处作详细释明。
不妨以三车道驾驶环境阐述两种类型任务构建过程，自车行驶在中间车道。
1.自车车道前方及左侧、右侧车道均为非弱势障碍物(即包括但不限于如轿车、卡车、货车等同自车相匹配的目标)，步骤204判别环境中的目标为非弱势群体，则经由步骤204直接至步骤205。此时的任务池为①继续在原车道行驶；②驶向左侧车道；③驶向右侧车道。
2.自车车道前方为道路弱势群体(包括但不限于行人、骑自行车的人等与自车不匹配的道路使用者)，自车左侧、右侧车道均为非弱势障碍物，则步骤204经步骤2041至步骤205。此时的任务池为①驶向左侧车道；②驶向右侧车道。
同理，若弱势群体处于左侧或右侧车道，则弱势群体所处车道行驶为非可行任务。
计算分析过程具体如下：
根据车辆探测到的特征参数，基于建立的机器学习模型预测当前事故所属严重程度类别。不同类别对应不同等级的事故严重程度，等级越高，事故越严重。事故类别属于Y(1)即对应事故严重程度为等级一，事故类别属于Y(2)即对应事故严重程度为等级二，事故类别属于Y(3)即对应事故严重程度为等级三，事故类别属于Y(4)即对应事故严重程度为等级四。所述特征参数属于环境信息，但不等同于环境信息。即所选用的特征参数是环境信息中的一部分，具体示例如Dc(v1,v2,m1,m2,θ1,θ2,s1,s2)，则为选择了8个特征参数，但8个特征参数仅作为说明，即这里采用的特征参数包括但不限于只有上述8个。
同时，建立的机器学习模型会输出关于预测的不同类别的概率。对于不同事故，模型预测所属类别相同时，采用概率加权求和进一步比较两者的事故严重程度。即采用：
Ptotal＝k1P(Y(1))+k2P(Y(2))+k3P(Y(3))+k4P(Y(4))
其中P(Y(i)),i＝1,2,3,4代表属于第i类的概率
ki,i＝1,2,3,4代表第i类概率的加权因子且
Figure BDA0002117526960000131
首先应当明确事故类别属于不同类别Y(1)、Y(2)、Y(3)、Y(4)，即例如机器学习模型预估x、y可行方案事故严重等级分别为Y(2)和Y(4)，则事故y比事故x严重，则事故严重程度判别结束。
若不同可行方案经机器学习模型预估事故严重等级相同，则需进一步利用该式对事故严重程度做比较。
该式表明机器学习模型基于车辆行驶当前的特征参数预估了车辆将面临的对应事故类别的事故严重程度，即对车辆将面临一、二、三、四等级的事故各自概率进行加权求和。用来比较属于同一等级事故类别哪个更加严重。
不同等级相应的权值k代表不同严重程度，如四等级事故最为严重，它所对应的概率乘的权重k4就最大。
相应地四个概率加权求和后得到当前可行方案面临的加权事故严重程度。此式用来判定属于相同等级类别的事故哪个更为严重，即加权事故严重程度Ptotal。
例如车辆面临a、b可行方案，机器学习模型预估a、b事故严重等级均为Y(2)，则需要进一步比较加权事故严重程度，即事故严重等级相同时，Ptotal越大则事故越严重。如a事故Ptotal大于b事故，虽然a、b同属于事故严重等级Y(2)，但a事故更加严重。
所述方法包括：
实时获取本车及本车所在交通环境中交通参与者的状态信息，以及车道标识、道路标志等环境信息；
对于所获取的信息进行分析判定危险状况，识别危险对象；
依据所处的交通环境信息规划可行任务；
判定各可行任务所造成的损害严重程度，确定最优可行任务。
所述智能决策方法，其步骤为：
(1)根据采集到的环境信息，判断本车是否会与前方障碍物发生碰撞；
(2)计算本车与障碍物之间的安全距离，确定危险；
(3)结合采集到的信息，判断障碍物类型；
(4)确定可行任务，构建任务池；
(5)对任务池的每个任务进行事故严重程度判别；
(6)确定最优任务。
优选例2：
下面将结合附图，对本发明作进一步说明。
参照图1所示，对本发明的决策系统进行介绍。
环境感知模块，由各类传感器组成，主要作用是采集环境信息，并对信息做初步分析处理，成为下一模块可直接应用的状态量。
其中，全球定位系统11，惯性导航系统12，两者共同负责车辆位置参数的获取，采用卡尔曼滤波器对全球定位系统和惯性导航系统数据进行融合，对无人车进行准确的实时定位；激光雷达13能够反射障碍物的远近、高低，对表面形状也有较准确的估计，从而获取障碍物与主车之间的距离，障碍物的形状等参数；毫米波雷达14通过发射无线电信号并接收反射信号来测定主车周围的物理环境信息，例如车辆与其他物体的相对距离、相对速度、角度、运动方向等；摄像头15采集到的二维图像信息结合雷达获得的点云数据从而推测物体的三维信息，此外，摄像头还完成车道线、交通灯等信息的采集；压力传感器16主要用来获得自车制动压力信息，从而获得车辆减速度；加速度传感器17则用来获取主车行驶中的加速度信息；车车通讯模块18则用来获取包括但不限于质量，加速度等难以通过单车获得的信息；位置传感器19主要用来获得气门位置信息；速度传感器110用来获取车辆速度信息。
参照图2所示的本发明的流程图，对本发明所提出的损害程度最小化的无人驾驶车辆紧急避险决策系统的运行流程作了介绍，下面将描述实现步骤：
步骤201：由环境感知模块1中的全球定位系统11，惯性导航系统12，激光雷达13，毫米波雷达14，摄像头15，压力传感器16，加速度传感器17，车车通讯模块18，位置传感器19，速度传感器110等实时采集周围环境信息和避让物的运行状态以及车辆自身的即时状态信息；
步骤202：将上述采集到的实时信息传输到危险判别模块，实时计算碰撞是否会发生。若碰撞不发生，则转步骤208；若碰撞发生则继续进入下一步；
步骤203：识别障碍物是否为可跨越障碍物。若障碍物是可跨越障碍物，则转步骤208；若不是则继续进入下一步；
步骤204：判断障碍物是否为弱势对象，即行人，骑自行车的人等在与车辆发生碰撞时处于弱势地位的目标物。若是，则障碍物所处车道作为不可行任务，即步骤2041，后转下一步骤；
步骤205：构建任务池。根据上一步决定当前可行的任务路径有哪些，构建相应的任务池，若上一步来自步骤2041，则障碍物所处的车道为不可行任务；若上一步来自步骤204，则障碍物所在车道也可以作为可行任务；
此处作详细释明。
不妨以三车道驾驶环境阐述两种类型任务构建过程，自车行驶在中间车道。
1.自车车道前方及左侧、右侧车道均为非弱势障碍物(即包括但不限于如轿车、卡车、货车等同自车相匹配的目标)，步骤204判别环境中的目标为非弱势群体，则经由步骤204直接至步骤205。此时的任务池为①继续在原车道行驶；②驶向左侧车道；③驶向右侧车道。
2.自车车道前方为道路弱势群体(包括但不限于行人、骑自行车的人等与自车不匹配的道路使用者)，自车左侧、右侧车道均为非弱势障碍物，则步骤204经步骤2041至步骤205。此时的任务池为①驶向左侧车道；②驶向右侧车道。
步骤206：事故严重程度分析。该步骤对任务池中的每一项任务进行事故严重程度分析，依据碰撞因素不同，在此根据主车与障碍物的速度，预估的碰撞角度，以及按照质量，尺寸参数确定的碰撞严重程度量化判别准则，对基于真实质量和基于尺寸参数所得的碰撞前后速度变化施加权重并求和，作为碰撞严重性程度的判定依据。
步骤207：根据步骤206所判定的不同的碰撞严重性程度的结果，选取事故严重性程度最小的任务。
步骤208：将所确定的任务发送给局部路径规划模块，完成无人驾驶车辆的智能决策。
参照图3所示，主车以v1的速度行驶，由雷达和摄像头传感器测得前方有一障碍物以v0的速度在距主车s0的位置处行驶，左侧有一车辆以v2的速度向前行驶。主车距同车道障碍物的安全距离为Sd：
Figure BDA0002117526960000161
其中v1,a1,amax分别为主车车辆速度，加速度，最大加速度；
其中v0,a0分别为障碍车辆的速度，加速度，若障碍物未配置通讯模块则视其加速度为0；
其中Δt为数据更新周期。
如果Sd＞S0，则步骤202判别为具有碰撞危险；反之，如果Sd≤S0,则步骤202判别为不可能碰撞。
参照图4所示，主车1前方有一障碍物2为减速带，则步骤203判定该障碍物为可跨越障碍物。
参照图5及3D所示，障碍物为不可跨越，则步骤203判定该障碍物为不可跨越障碍物。
参照图5所示，障碍物为行人，步骤204则判定该障碍物为弱势目标，从而转向步骤2041，将障碍物所处车道设定为非可行任务。按照设定的判别规则，弱势对象在事故中所受损害严重程度视为最大，为实现事故严重程度最小化，将朝向弱势障碍物继续行驶的任务视为不可行任务。
参照图6所示，障碍物为非弱势目标，则继续执行步骤205。此时，因为障碍物2为非弱势目标，所以主车1可以在该车道继续行驶，作为可行方案同其他可行方案一起构建为任务池。
所述事故严重性程度判别具体如下：
根据车辆探测到的特征参数，基于建立的机器学习模型预测当然事故所属严重程度类别。不同类别对应不同等级的事故严重程度，等级越高，事故越严重。事故类别属于Y(1)即对应事故严重程度为等级一，事故类别属于Y(2)即对应事故严重程度为等级二，事故类别属于Y(3)即对应事故严重程度为等级三，事故类别属于Y(4)即对应事故严重程度为等级四。所述特征参数属于环境信息，但不等同于环境信息。即所选用的特征参数是环境信息中的一部分，具体示例如Dc(v1,v2,m1,m2,θ1,θ2,s1,s2)，则为选择了8个特征参数，但8个特征参数仅作为说明，即这里采用的特征参数包括但不限于只有上述8个。
同时，建立的机器学习模型会输出关于预测的不同类别的概率。对于不同事故，模型预测所属类别相同时，采用概率加权求和进一步比较两者的事故严重程度。即采用：
Ptotal＝k1P(Y(1))+k2P(Y(2))+k3P(Y(3))+k4P(Y(4))
其中P(Y(i)),i＝1,2,3,4代表属于第i类的概率
ki,i＝1,2,3,4代表第i类概率的加权因子且
Figure BDA0002117526960000171
首先应当明确事故类别属于不同类别Y(1)、Y(2)、Y(3)、Y(4)，即例如机器学习模型预估x、y可行方案事故严重等级分别为Y(2)和Y(4)，则事故y比事故x严重，则事故严重程度判别结束。
若不同可行方案经机器学习模型预估事故严重等级相同，则需进一步利用该式对事故严重程度做比较。
该式表明机器学习模型基于车辆行驶当前的特征参数预估了车辆将面临的对应事故类别的事故严重程度，即对车辆将面临一、二、三、四等级的事故各自概率进行加权求和。用来比较属于同一等级事故类别哪个更加严重。
不同等级相应的权值k代表不同严重程度，如四等级事故最为严重，它所对应的概率乘的权重k4就最大。
相应地四个概率加权求和后得到当前可行方案面临的加权事故严重程度。此式用来判定属于相同等级类别的事故哪个更为严重，即加权事故严重程度Ptotal。
例如车辆面临a、b可行方案，机器学习模型预估a、b事故严重等级均为Y(2)，则需要进一步比较加权事故严重程度，即事故严重等级相同时，Ptotal越大则事故越严重。如a事故Ptotal大于b事故，虽然a、b同属于事故严重等级Y(2)，但a事故更加严重。
具体严重程度预测示意图如图11所示，其中机器学习模型基于真实世界的事故数据集建立，具体指现有技术已有的学习模型，基于支持向量机(Support Vector Machine,SVM)的机器学习模型。选用车辆可测特征包括但不限于文中所述的车辆尺寸、行驶速度、航向角、质量等特征。如实例特征Dc(v1,v2,m1,m2,θ1,θ2,s1,s2)
s1,s2分别为无人驾驶车辆和目标车辆的尺寸参数，即车长×车宽；
v1,v2分别为无人驾驶车辆和目标车辆的行驶速度；
θ1,θ2分别为无人驾驶车辆和目标车辆的航向角；
m1,m2分别为无人驾驶车辆和目标车辆的实际质量。
上述事故严重性程度判别所涉及车辆速度及航向角为基于当前状态预估的碰撞前的状态参数。其中，自车航向角即θ1在执行需要改变航向角时的可行任务时需要满足车辆机械结构约束的最大值，以及躲避当前车道前方障碍限制的最小航向角，即θmin≤θ1≤θmax；
根据主车与目标车辆的横向距离可以预估车辆从当前状态至碰撞前的时间，从而可以预估碰撞前的速度范围。
参照图7，主车以v1速度在中间车道行驶，继续行驶则会撞到同车道前方过马路的行人。系统判定其为不可跨越弱势对象，构建任务池由任务1及任务2。左侧车道有一车辆以速度v2行驶，智能决策模块判定任务2为最优任务。作为最优，任务2所描绘车道如图7所示为空车道，较任务1而言更为安全，故执行任务2。
参照图8，主车以v1速度在中间车道行驶，继续行驶则会撞到同车道前方过马路的行人。系统判定其为不可跨越弱势对象，构建任务池由任务1及任务2。左侧车道有一车辆以速度v2行驶，右侧车道有一车辆以速度v3行驶，智能决策系统则会根据碰撞严重程度判别准则判定未来同两车碰撞的严重程度，确定损害程度为最小的任务。此处假设右侧车道行驶车辆速度v3大于左侧车道行驶车辆v2，则任务2的碰撞严重程度小于任务1，智能决策系统判定最优任务为任务2。
参照图9，主车以v1速度在中间车道行驶，继续行驶则会撞到同车道前方过马路的行人。系统判定其为不可跨越弱势对象，构建任务池由任务1及任务2。左又两侧车道各有一车辆以速度v2行驶，右侧车道车辆为货车，即在质量体积上大于左侧车道行驶的车辆，智能决策系统则会根据碰撞严重程度判别准则判定未来同两车碰撞的严重程度，确定损害程度为最小的任务。此处假设右侧车道行驶车辆速度一样，则任务1的碰撞严重程度小于任务2，智能决策系统判定最优任务为任务1。
参照图10，主车以v1速度在中间车道行驶，继续行驶则会撞到同车道前方以速度v3行驶的车辆。系统判定其为不可跨越非弱势对象，构建任务池由任务1及任务2及任务3。左侧车道有一车辆以速度v2行驶，右侧车道有一车辆以速度v4行驶，智能决策系统则会根据碰撞严重程度判别准则判定未来同两车碰撞的严重程度，确定损害程度为最小的任务。此处，不妨假设主车前方行驶车辆速度v3大于左侧车道行驶车辆速度v2；同时大于右侧车道行驶车辆速度v4；则碰撞严重程度对比任务3损害程度为最小，智能系统将判定最优任务为任务3。
前文所述过程和方法按照一定顺序来作描述，但应当指出，一些操作可以并行地而不是顺序执行。
此外，上述实例仅以描述本发明的相关功能，实际应用中，可以根据需要，采用各模块的全部和部分子模块，完成上述的全部或部分功能。
以上介绍和描述阐释了本发明的基本原理和主要特征以及本发明的优点。本行业的技术人员应当了解，本发明不受上述所述场景实例的限制，在基于本发明原理不脱离本发明精神和范围的前提下，做出变化和改进，都将视为本发明要求保护的范围之内。本发明要求保护范围由所附的权利要求书及其等效物界定。
优选例3：
本发明提供一种在紧急状况下，针对无法避免的事故的无人驾驶车辆决策系统及方法，提高车辆的智能化程度，降低不可避免事故发生时的损害程度。
本发明所采用的技术方案如下。
一种无人驾驶车辆紧急避险决策系统，其特征在于：包括，
A1：环境感知模块
所述环境感知模块是由全球定位系统(GPS，Global Positioning System)、惯性导航系统(INS，Inertial Navigation System)、激光雷达、毫米波雷达、车载摄像头、车车通讯模块、速度传感器、位置传感器、加速度传感器、压力传感器等组成。
所述环境感知模块包括车辆自身状态感知模块和车辆外部环境感知模块。
其中，车辆自身状态感知模块用于采集车辆自身的实时运行状态，包括但不限于车辆行驶速度、车辆位置坐标、车辆加速度、车辆横摆角速度、车辆航向角、车辆制动压力。
其中，车辆外部环境感知模块用于获取车辆外部环境的实时信息，包括但不限于车辆、行人、非机动车等障碍物的运行状态及形状类别，车辆质量信息，以及车道标识、道路标志信息。
A2:危险评判模块
所述危险评判模块根据环境感知模块所获得的信息，根据预先设定的评判规则确定车辆是否面临危险，若有危险，则对危险对象进行识别分类。
A3:任务决策模块
所述任务决策模块根据危险评判模块所得结果构建可行任务池，并对可行任务可能造成的事故严重性进行评判，选择最优可行任务，将该任务指令发送给路径规划模块。
作为最优，该任务为可行任务池中的方案。
作为最优，该任务具体表现为：
与主车发生碰撞的对象及主车所造成的伤害为可行任务池中损害最小。
作为最优，
一种上述无人驾驶车辆决策系统的决策方法，包括以下内容：
a,获得环境感知模块所得到的数据信息。
b,判断主车与当前车道前方之间的碰撞可能性。
c,判断障碍物的类型，具体表现为：
d1，障碍物类型为可跨越障碍物，包含但不限于地面凸起，软体垃圾等对象。
h开展局部路径规划。
d2，障碍物为不可跨越障碍物，具体表现为：
e1,包含但不限于行人，骑自行车的人等在交通环境中为弱势的对象。
f,构建任务池，
车辆当前所行驶车道为非任务池方案，亦即碰撞严重程度最高。
其他可行驶车道或区域为车辆可行任务方案。
g,对可行任务方案进行事故损害严重程度分析，确定任务。
h,开展局部路径规划。
e2,包含但不限于乘用车，商用车，以及其他可能对主车造成损害的对象。
f,构建任务池，
车辆当前所行驶车道为任务池方案之一，
其他可行方案与该方案一起构成任务池。
g,对可行任务方案进行事故损害严重程度分析，确定任务。
h,开展局部路径规划。
在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (8)

1.一种无人驾驶车辆紧急避险决策系统，其特征在于，包括：
环境感知模块：获取环境信息；
危险判别模块：根据获得的环境信息，分析车辆同障碍物之间是否会发生碰撞危险，输出碰撞判断信息，同时判定障碍物的类别，输出障碍物类别信息；
智能决策模块：根据获得的环境信息、碰撞判断信息及障碍物类别信息，构建可行任务池，对可行任务的事故严重程度进行分析，确定最优可行任务；
所述危险判别模块：
碰撞判断模块：根据获得的环境信息，计算无人驾驶车辆同障碍物之间的安全距离，判定碰撞事故是否发生：若是，调用障碍物跨越判定模块；否则，则车辆无需激活进行避险，车辆按照原规划进行；
障碍物跨越判断模块：识别判断障碍物是否为可跨越障碍物：若障碍物是可跨越障碍物，则车辆无需激活进行避险，车辆按照原规划行驶；若不是，则调用障碍物类别判断模块；
障碍物类别判断模块：根据获得的三维信息，判定障碍物的类别，判断障碍物是否为弱势对象：若是，则判定障碍物所处车道为非可行任务路径，输出碰撞判断信息及障碍物类别信息，并调用智能决策模块；否则，则判定障碍物所处车道为可行任务路径，输出碰撞危险信息及障碍物类别信息，并调用智能决策模块；
所述类别包括：弱势对象、非弱势对象；
所述弱势对象指在与车辆发生碰撞时处于弱势地位的目标物。
2.根据权利要求1所述的无人驾驶车辆紧急避险决策系统，其特征在于，所述环境感知模块：
所述环境信息包括：
车辆位置参数、障碍物与无人驾驶车辆之间的距离、障碍物的形状信息、无人驾驶车辆与其他物体的相对距离、相对速度、角度及运动方向、障碍物的二维图像信息，采集车道线、交通灯信息、获取无人驾驶车辆制动压力信息、车辆减速度、车辆行驶中的加速度信息、车辆质量信息、气门位置信息、车辆速度信息；
根据障碍物的二维图像信息，结合雷达获得的点云数据从而推测物体的三维信息。
3.根据权利要求1所述的无人驾驶车辆紧急避险决策系统，其特征在于，所述碰撞判断模块：
设无人驾驶车辆以v1的速度行驶，由雷达和摄像头传感器测得前方有一障碍物以v0的速度在距无人驾驶车辆s0的位置处行驶，左侧有一车辆以v2的速度向前行驶，无人驾驶车辆距同车道障碍物的安全距离为Sd，计算公式如下：
Figure FDA0002488576750000021
其中，
v1,a1,amax分别为无人驾驶车辆速度，无人驾驶车辆加速度，无人驾驶车辆最大加速度；
v0,a0分别为障碍车辆的速度，加速度，若障碍物未配置通讯模块则视其加速度为0；
Δt为数据更新周期；
如果Sd＞S0，则判定为具有碰撞危险，调用障碍物跨越判定模块；否则，如果Sd≤S0,则判断为不可能碰撞，则判定障碍物所处车道为可行任务路径，输出碰撞判断信息，并调用智能决策模块。
4.根据权利要求3所述的无人驾驶车辆紧急避险决策系统，其特征在于，所述智能决策模块：
任务池构建模块：根据获得的碰撞判断信息及障碍物类别信息，构建相应的任务池；
事故严重程度分析模块：根据获得的任务池，根据设定的事故严重程度判定规则，计算分析任务池中各任务的事故严重程度，输出事故严重性程度分析结果；
任务路径选择模块：根据获得的事故严重性程度分析结果，选取事故严重性程度最小的任务路径；
所述任务池的任务包括：向左侧车道行驶、向右侧车道行驶、继续在原车道行驶。
5.根据权利要求4所述的无人驾驶车辆紧急避险决策系统，其特征在于，所述事故严重程度分析模块：
所述根据设定的事故严重程度判定规则，计算分析任务池中各任务的事故严重程度，具体计算分析过程如下：
根据车辆探测到的特征参数，基于建立的机器学习模型预测事故所属严重程度类别；
所述特征参数属于环境信息，是环境信息中的一部分；
所述严重程度类别：
不同严重程度类别对应不同等级的事故严重程度，等级越高，事故越严重，事故类别属于Y(1)即对应事故严重程度为等级一，事故类别属于Y(2)即对应事故严重程度为等级二，事故类别属于Y(3)即对应事故严重程度为等级三，事故类别属于Y(4)即对应事故严重程度为等级四；
所述建立的机器学习模型会输出关于预测的不同类别的概率，对于不同事故，模型预测所属类别等级相同时，采用概率加权求和进一步比较两者的事故严重程度，即：
Ptotal＝k1P(Y(1))+k2P(Y(2))+k3P(Y(3))+k4P(Y(4))
其中，
Ptotal表示加权事故严重程度；
P(Y(i)),i＝1，2，3,4表示事故类别属于第i类的概率；
ki,i＝1，2,3，4表示第i类概率的加权因子且
Figure FDA0002488576750000031
6.一种无人驾驶车辆紧急避险决策方法，其特征在于，包括：
环境感知步骤：获取环境信息；
危险判别步骤：根据获得的环境信息，分析车辆同障碍物之间是否会发生碰撞危险，输出碰撞判断信息，同时判定障碍物的类别，输出障碍物类别信息；
智能决策步骤：根据获得的环境信息、碰撞判断信息及障碍物类别信息，构建可行任务池，对可行任务的事故严重程度进行分析，确定最优可行任务；
所述环境感知步骤：
所述环境信息包括：
车辆位置参数、障碍物与无人驾驶车辆之间的距离、障碍物的形状信息、无人驾驶车辆与其他物体的相对距离、相对速度、角度及运动方向、障碍物的二维图像信息，采集车道线、交通灯信息、获取无人驾驶车辆制动压力信息、车辆减速度、车辆行驶中的加速度信息、车辆质量信息、气门位置信息、车辆速度信息；
根据障碍物的二维图像信息，结合雷达获得的点云数据从而推测物体的三维信息；
所述危险判别步骤：
碰撞判断步骤：根据获得的环境信息，计算无人驾驶车辆同障碍物之间的安全距离，判定碰撞事故是否发生：若是，进入障碍物跨越判定步骤继续执行；否则，则车辆无需激活进行避险，车辆按照原规划进行；
障碍物跨越判断步骤：识别判断障碍物是否为可跨越障碍物：若障碍物是可跨越障碍物，则车辆无需激活进行避险，车辆按照原规划行驶；若不是，则进入障碍物类别判断步骤继续执行；
障碍物类别判断步骤：根据获得的三维信息，判定障碍物的类别，判断障碍物是否为弱势对象：若是，则判定障碍物所处车道为非可行任务路径，输出碰撞判断信息及障碍物类别信息，并进入智能决策步骤继续执行；否则，则判定障碍物所处车道为可行任务路径，输出碰撞危险信息及障碍物类别信息，并进入智能决策步骤继续执行；
所述类别包括：弱势对象、非弱势对象；
所述弱势对象指在与车辆发生碰撞时处于弱势地位的目标物。
7.根据权利要求6所述的无人驾驶车辆紧急避险决策方法，其特征在于，所述碰撞判断步骤：
设无人驾驶车辆以v1的速度行驶，由雷达和摄像头传感器测得前方有一障碍物以v0的速度在距无人驾驶车辆s0的位置处行驶，左侧有一车辆以v2的速度向前行驶，无人驾驶车辆距同车道障碍物的安全距离为Sd，计算公式如下：
Figure FDA0002488576750000041
其中，
v1,a1,amax分别为无人驾驶车辆速度，无人驾驶车辆加速度，无人驾驶车辆最大加速度；
v0,a0分别为障碍车辆的速度，加速度，若障碍物未配置通讯模块则视其加速度为0；
Δt为数据更新周期；
如果Sd＞S0，则判定为具有碰撞危险，进入障碍物跨越判定步骤继续执行；否则，如果Sd≤S0,则判断为不可能碰撞，则判定障碍物所处车道为可行任务路径，输出碰撞判断信息，并进入智能决策步骤继续执行；
所述智能决策步骤：
任务池构建步骤：根据获得的碰撞判断信息及障碍物类别信息，构建相应的任务池；
事故严重程度分析步骤：根据获得的任务池，根据设定的事故严重程度判定规则，计算分析任务池中各任务的事故严重程度，输出事故严重性程度分析结果；
任务路径选择步骤：根据获得的事故严重性程度分析结果，选取事故严重性程度最小的任务路径；
所述任务池的任务包括：向左侧车道行驶、向右侧车道行驶、继续在原车道行驶；
所述事故严重程度分析步骤：
所述根据设定的事故严重程度判定规则，计算分析任务池中各任务的事故严重程度，具体计算分析过程如下：
根据车辆探测到的特征参数，基于建立的机器学习模型预测事故所属严重程度类别；
所述特征参数属于环境信息，是环境信息中的一部分；
所述严重程度类别：
不同严重程度类别对应不同等级的事故严重程度，等级越高，事故越严重，事故类别属于Y(1)即对应事故严重程度为等级一，事故类别属于Y(2)即对应事故严重程度为等级二，事故类别属于Y(3)即对应事故严重程度为等级三，事故类别属于Y(4)即对应事故严重程度为等级四；
所述建立的机器学习模型会输出关于预测的不同类别的概率，对于不同事故，模型预测所属类别等级相同时，采用概率加权求和进一步比较两者的事故严重程度，即：
Ptotal＝k1P(Y(1))+k2P(Y(2))+k3P(Y(3))+k4P(Y(4))
其中，
Ptotal表示加权事故严重程度；
P(Y(i)),i＝1,2,3，4表示事故类别属于第i类的概率；
ki，i＝1,2，3,4表示第i类概率的加权因子且
Figure FDA0002488576750000051
8.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求6至7中任一项所述的无人驾驶车辆紧急避险决策方法的步骤。
CN201910595551.XA 2019-07-03 2019-07-03 无人驾驶车辆紧急避险决策系统、方法及介质 Active CN110362077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910595551.XA CN110362077B (zh) 2019-07-03 2019-07-03 无人驾驶车辆紧急避险决策系统、方法及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910595551.XA CN110362077B (zh) 2019-07-03 2019-07-03 无人驾驶车辆紧急避险决策系统、方法及介质

Publications (2)

Publication Number Publication Date
CN110362077A CN110362077A (zh) 2019-10-22
CN110362077B true CN110362077B (zh) 2020-09-04

Family

ID=68217967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910595551.XA Active CN110362077B (zh) 2019-07-03 2019-07-03 无人驾驶车辆紧急避险决策系统、方法及介质

Country Status (1)

Country Link
CN (1) CN110362077B (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112925301A (zh) * 2019-12-05 2021-06-08 杭州海康机器人技术有限公司 用于agv避险的控制方法和agv
CN111126904B (zh) * 2019-12-16 2023-01-03 西南交通大学 一种基于ArcGis的危险品运输管理方法
CN111098890B (zh) * 2019-12-18 2023-04-07 中铁电气化局集团有限公司 一种基于毫米波雷达的列车防撞方法及装置
CN113393594A (zh) * 2020-03-13 2021-09-14 任梓豪 一种基于周边物体碰撞风险的汽车可视化安全态势感知方法
CN111402161B (zh) * 2020-03-13 2023-07-21 北京百度网讯科技有限公司 点云障碍物的去噪方法、装置、设备和存储介质
CN111427349A (zh) * 2020-03-27 2020-07-17 齐鲁工业大学 基于激光与视觉的车辆导航避障方法与系统
CN111750887B (zh) * 2020-06-11 2023-11-21 上海交通大学 降低事故严重程度的无人驾驶车辆轨迹规划方法及系统
CN111722617B (zh) * 2020-06-29 2021-08-10 航天探索太空(北京)技术产业有限公司 一种基于大数据的自动驾驶汽车性能判定系统及方法
CN111856188B (zh) * 2020-07-28 2021-03-23 深圳职业技术学院 一种基于物联网的新能源车辆检测方法及系统
CN112477856B (zh) * 2020-12-03 2022-03-18 东风汽车集团有限公司 一种紧急转向的仲裁方法及系统
CN112540365B (zh) * 2020-12-10 2022-07-12 中国第一汽车股份有限公司 一种评估方法、装置、设备及存储介质
EP4261092A1 (en) * 2020-12-21 2023-10-18 Huawei Technologies Co., Ltd. Control method, related device, and computer-readable storage medium
CN112849130B (zh) * 2021-02-07 2022-06-14 厦门金龙联合汽车工业有限公司 一种智能碰撞缓解系统及方法
CN112991733A (zh) * 2021-03-02 2021-06-18 南京航空航天大学 一种公交车智能网联碰撞优化系统及方法
CN112926748B (zh) * 2021-04-14 2024-02-27 华东交通大学 一种无人驾驶汽车伦理行为的确定方法、系统及智能汽车
CN113232655B (zh) * 2021-06-29 2023-01-06 安徽江淮汽车集团股份有限公司 紧急场景下自动驾驶行驶模式决策方法
CN113763694B (zh) * 2021-07-31 2023-04-25 重庆长安汽车股份有限公司 多用户协同交互式导航及应急控制系统
CN114077252B (zh) * 2021-11-16 2023-09-12 中国人民解放军陆军工程大学 机器人碰撞障碍区分装置及方法
CN114104630B (zh) * 2021-11-30 2024-04-09 重庆华世丹农业装备制造有限公司 一种农机生产总装线的控制系统
CN114550476A (zh) * 2021-11-30 2022-05-27 深圳元戎启行科技有限公司 数据处理方法、车辆管理平台以及计算机可读存储介质
CN115257717B (zh) * 2022-08-09 2023-07-04 上海保隆汽车科技股份有限公司 车辆智能避障方法、系统、介质、车机及车辆
CN116279341B (zh) * 2023-05-19 2023-09-19 北京宏景智驾科技有限公司 安全刹车方法和装置、电子设备和存储介质
CN117351774A (zh) * 2023-09-27 2024-01-05 昆明理工大学 一种基于自动驾驶车辆的机非碰撞预警系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103597527A (zh) * 2011-06-13 2014-02-19 丰田自动车株式会社 驾驶辅助装置和驾驶辅助方法
KR20160059149A (ko) * 2014-11-18 2016-05-26 한밭대학교 산학협력단 차량 부착 카메라의 영상 정보를 이용한 도로 거리 예측 방법
CN107226089A (zh) * 2017-04-14 2017-10-03 南京航空航天大学 一种无人驾驶汽车避撞策略
CN108225364A (zh) * 2018-01-04 2018-06-29 吉林大学 一种无人驾驶汽车驾驶任务决策系统及方法
CN109677402A (zh) * 2018-11-13 2019-04-26 顺丰科技有限公司 自动驾驶工具的安全防护系统及方法
CN109920246A (zh) * 2019-02-22 2019-06-21 重庆邮电大学 一种基于v2x通信与双目视觉的协同局部路径规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103597527A (zh) * 2011-06-13 2014-02-19 丰田自动车株式会社 驾驶辅助装置和驾驶辅助方法
KR20160059149A (ko) * 2014-11-18 2016-05-26 한밭대학교 산학협력단 차량 부착 카메라의 영상 정보를 이용한 도로 거리 예측 방법
CN107226089A (zh) * 2017-04-14 2017-10-03 南京航空航天大学 一种无人驾驶汽车避撞策略
CN108225364A (zh) * 2018-01-04 2018-06-29 吉林大学 一种无人驾驶汽车驾驶任务决策系统及方法
CN109677402A (zh) * 2018-11-13 2019-04-26 顺丰科技有限公司 自动驾驶工具的安全防护系统及方法
CN109920246A (zh) * 2019-02-22 2019-06-21 重庆邮电大学 一种基于v2x通信与双目视觉的协同局部路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Guangming Xiong等.Decision - making of Lane Change Behavior Based on RCS for Automated Vehicles in the Real Environment.《2018 IEEE Intelligent Vehicles Symposium (IV)》.2018,全文. *
李凤娇.无人驾驶车辆综合避障行为研究与评价.《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2015,(第07期),全文. *

Also Published As

Publication number Publication date
CN110362077A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN110362077B (zh) 无人驾驶车辆紧急避险决策系统、方法及介质
JP6800899B2 (ja) 視界に制限のある交差点への接近のためのリスクベースの運転者支援
JP6494121B2 (ja) 車線変更推定装置、車線変更推定方法、およびプログラム
US9983591B2 (en) Autonomous driving at intersections based on perception data
JP6601696B2 (ja) 予測装置、予測方法、およびプログラム
EP3715204A1 (en) Vehicle control device
CN113460077B (zh) 移动体控制装置、移动体控制方法及存储介质
JPWO2018158873A1 (ja) 車両制御装置、車両制御方法、およびプログラム
JP7085371B2 (ja) 車両制御装置、車両制御方法、およびプログラム
JP2021160530A (ja) 車両制御装置、車両制御方法、及びプログラム
WO2018123019A1 (ja) 車両制御システム、車両制御方法、および車両制御プログラム
WO2018179275A1 (ja) 車両制御システム、車両制御方法、および車両制御プログラム
JPWO2019064490A1 (ja) 車両制御装置、車両制御方法、およびプログラム
JP2020147139A (ja) 車両制御装置、車両制御方法、およびプログラム
JP2020083106A (ja) 車両制御装置、車両制御方法、およびプログラム
US20220161849A1 (en) Vehicle control device, vehicle control method, and non-transitory computer-readable recording medium recording program
US20210300350A1 (en) Vehicle control device, vehicle control method, and storing medium
US11273825B2 (en) Vehicle control device, vehicle control method, and storage medium
CN112686421A (zh) 将来行动推定装置、将来行动推定方法及存储介质
JP7080091B2 (ja) 車両制御装置、車両制御方法、およびプログラム
JP6583697B2 (ja) 周辺監視装置、制御装置、周辺監視方法、およびプログラム
JP7125969B2 (ja) 車両制御装置、車両制御方法、およびプログラム
JP7369078B2 (ja) 車両制御装置、車両制御方法、及びプログラム
CN113460079A (zh) 车辆控制装置、车辆控制方法及存储介质
CN113525413A (zh) 车辆控制装置、车辆控制方法及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant