CN110598980B - 交通场景的风险评估方法及装置 - Google Patents

Abstract

本申请提供一种交通场景的风险评估方法及装置，通过交通场景中的风险因子的风险特征对交通场景进行风险评估，其中，风险因子包括交通场景中的碰撞因子、遮挡因子和干扰因子。本申请在对交通场景进行风险评估时，由于能够综合考虑交通场景中不同风险因子之间存在的相互联系关系，从而更加全面地针对交通场景中带来风险的风险因子本身进行风险特征的计算，进而提高了对交通场景进行风险评估时的评估效率。

Description

交通场景的风险评估方法及装置

技术领域

本申请涉及自动驾驶技术领域，尤其涉及一种交通场景的风险评估方法及装置。

背景技术

目前，随着车辆技术以及电子技术的快速发展，自动驾驶车辆逐渐走进人们的生活中。自动驾驶车辆可以通过设置在车辆上的各种传感器，例如：激光雷达，成像装置等，确定车辆所在的交通场景后，对车辆所行驶的交通场景进行风险评估。并根据风险评估结果，在交通场景中选择车辆更为合适的行驶策略，以实时控制车辆自动行驶。

现有技术中，自动驾驶车辆采集交通场景中出现的所有对象的位置和速度等参数，并根据车辆的行驶参数确定车辆未来一段时间内可能的多条行驶轨迹，随后根据每条行驶轨迹与交通场景中其他对象的轨迹交叉点对每条行驶轨迹的进行风险评估，并选择风险最小的行驶轨迹作为引导路径来调整车辆的行驶参数，例如速度、方向和加速度等，从而控制车辆按照风险最小的行驶轨迹自动行驶。

但是在现有技术中，在对交通场景进行风险评估时，仅针对交通场景中可能与车辆发生碰撞的对象本身，造成了对交通场景进行风险评估时的评估效率较低。因此，如何提高对交通场景进行风险评估时风险评估效率，是本领域亟待解决的技术问题。

发明内容

本申请提供一种交通场景的风险评估方法及装置，通过综合考虑交通场景中不同风险因子之间存在的相互联系关系，以更加全面地针对交通场景中带来风险的风险因子本身进行风险特征的计算，进而提高对交通场景进行风险评估时的评估效率。

本申请第一方面提供一种交通场景的风险评估方法，包括：

确定自动驾驶车辆在第一时刻所在交通场景中的至少一个风险因子，以及所述至少一个风险因子的运动状态和属性信息；其中，所述风险因子包括：所述交通场景中的碰撞因子、遮挡因子、干扰因子中的至少一个；所述碰撞因子包括当所述自动驾驶车辆保持所述第一时刻的行驶状态，在所述第一时刻后的第二时刻将要与所述自动驾驶车辆相撞的物体；所述遮挡因子在所述第一时刻与所述第二时刻之间任一时刻，使所述自动驾驶车辆无法检测到所述碰撞因子的物体；所述干扰因子包括在所述自动驾驶车辆为了避免与所述碰撞因子相撞而调整行驶状态后，所述交通场景中可能会与以调整后的行驶状态行驶的自动驾驶车辆相撞的物体；

根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态和所述风险因子的属性信息，分别确定每个所述风险因子的风险特征；其中，所述风险因子的风险特征用于表示所述风险因子对所述自动驾驶车辆带来的能力损失，所述风险特征用于对所述交通场景进行风险评估。

综上，本实施例提供的交通场景的风险评估方法中，通过交通场景中的风险因子的风险特征对交通场景进行风险评估，其中，风险因子包括交通场景中的碰撞因子、遮挡因子和干扰因子。本申请在对交通场景进行风险评估时，由于能够综合考虑交通场景中不同风险因子之间存在的相互联系关系，从而更加全面地针对交通场景中带来风险的风险因子本身进行风险特征的计算，进而提高了对交通场景进行风险评估时的评估效率。

在本申请第一方面一实施例中，所述能力损失包括：所述自动驾驶车辆的纵向能力损失、横向能力损失和感知能力损失。

其中，本实施例提供的交通场景的风险评估方法中，更加具体地提出了能力损失可以根据自动驾驶车辆向前后方向行驶的纵向能力损失、向左右方向行驶的横向能力损失，以及感知交通场景中风险因子的感知能力损失，能够对交通场景中的风险因子所带来的损失细化并量化描述，从而更好地对风险因子所造成的交通场景中的风险进行风险评估。

在本申请第一方面一实施例中，所述确定自动驾驶车辆在第一时刻所在的交通场景中的至少一个风险因子，包括：

通过通信模块和/或传感器接收所述风险场景中至少一个物体所发送的所述至少一个风险因子的运动状态和属性信息；其中，所述通信模块包括：车车互联V2V模块、车路互联V2I模块、车人V2P互联模块或者短距离通信模块。

其中，本实施例提供的交通场景的风险评估方法中，能够通过自动驾驶车辆上设置的传感器获取场景中的风险因子，还能够通过通信模块接收其他物体所发送的风险因子，即使风险因子被遮挡，还是能够更为全面地确定交通场景中的风险因子，进而提高了对交通场景进行风险评估的全面程度。

在本申请第一方面一实施例中，当所述风险因子包括所述碰撞因子，则根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态和所述风险因子的属性信息，确定所述风险因子的风险特征，包括：

根据所述自动驾驶车辆的行驶状态、所述碰撞因子的运动状态，确定所述碰撞因子与所述自动驾驶车辆碰撞时的碰撞风险程度；

根据所述自动驾驶车辆的行驶状态，确定所述自动驾驶车辆纵向减速度损失率；

根据所述碰撞因子的属性信息，所述碰撞风险程度和所述纵向减速度损失率，确定所述碰撞因子的风险特征。

在本申请第一方面一实施例中，所述根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述碰撞因子与所述自动驾驶车辆碰撞时的碰撞风险程度，包括：

根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述自动驾驶车辆与所述碰撞因子相撞时，所述自动驾驶车辆碰撞面的第一表面与自动驾驶车辆碰撞面的第二表面相撞；

根据映射关系确定所述第一表面和所述第二表面对应的碰撞风险程度；其中，所述映射关系包括至少一个所述自动驾驶车辆碰撞面、自动驾驶车辆碰撞面和碰撞风险程度之间的对应关系。

在本申请第一方面一实施例中，所述根据所述碰撞因子的属性信息，确定所述自动驾驶车辆纵向减速度损失率，包括：

确定所述自动驾驶车辆在所述第一时刻与所述第二时刻之间任意时刻的纵向减速度损失范围；其中，所述纵向减速度损失范围包括所述自动驾驶车辆采用减速方式避免与所述碰撞因子在第二时刻相撞时，不能使用的纵向减速度；

确定所述自动驾驶车辆的纵向减速度范围；其中，所述纵向减速度范围包括所述自动驾驶车辆能够使用的所有纵向减速度；

根据所述纵向减速度损失范围与所述纵向减速度范围之比确定所述纵向减速度损失率。

综上，本实施例提供的交通场景的风险评估方法中，通过纵向减速度损失率，对碰撞因子对自动驾驶车辆带来的纵向能力损失进行评估，进而在对交通场景进行风险评估时，能够更为全面地确定碰撞因子所带来的影响。

在本申请第一方面一实施例中，当所述风险因子包括所述遮挡因子，则根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态和所述风险因子的属性信息，确定所述风险因子的风险值，包括：

根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述遮挡因子对所述自动驾驶车辆的时序遮挡率；

根据所述时序遮挡率，确定所述遮挡因子的风险特征。

在本申请第一方面一实施例中，所述根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述遮挡因子对所述自动驾驶车辆的时序遮挡率，包括：

根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述自动驾驶车辆上用于检测所述碰撞因子的至少一个模块；

对于所述至少一个模块中的每个模块的实际遮挡角度；其中，所述实际遮挡角度包括所述模块在所述第一时刻与所述第二时刻之间任意时刻，能够检测的角度范围与所述遮挡因子所遮挡的角度范围的交集；

根据所述至少一个模块中，所述实际遮挡角度的最小值与遮挡临界值之间的大小关系，确定所述自动驾驶车辆的时序遮挡率。

综上，本实施例提供的交通场景的风险评估方法中，通过时序遮挡率，对遮挡因子对自动驾驶车辆带来的感知能力损失进行评估，进而在对交通场景进行风险评估时，能够更为全面地确定遮挡因子所带来的影响。

在本申请第一方面一实施例中，当所述风险因子包括所述干扰因子，则根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态和所述风险因子的属性信息，确定所述风险因子的风险值，包括：

根据所述自动驾驶车辆的行驶状态和所述风险因子的运动状态，确定所述自动驾驶车辆的横向加速度损失率；

根据所述自动驾驶车辆的行驶状态，确定所述自动驾驶车辆的纵向减速度损失率；

根据所述干扰因子的属性信息，所述干扰因子的横向加速度损失率，以及所述干扰因子的纵向减速度损失率，确定所述干扰因子的风险特征。

在本申请第一方面一实施例中，所述根据所述自动驾驶车辆的行驶状态和所述风险因子的运动状态，确定所述自动驾驶车辆的横向加速度损失率，包括：

确定所述自动驾驶车辆在所述第一时刻之后的横向加速度损失范围；其中，所述横向加速度损失范围包括所述自动驾驶车辆采用改变行驶方向的方式避免与所述碰撞因子在第二时刻相撞时，会与所述干扰因子相撞所使用的横向加速度；

确定所述自动驾驶车辆的横向加速度范围；其中，所述横向加速度范围包括所述自动驾驶车辆能够使用的所有横向加速度；

根据所述横向加速度损失范围与所述横向加速度范围之比确定所述横向加速度损失率。

综上，本实施例提供的交通场景的风险评估方法中，通过横向加速度损失率，对干扰因子对自动驾驶车辆带来的横向能力损失进行评估，进而在对交通场景进行风险评估时，能够更为全面地确定干扰因子所带来的影响。

在本申请第一方面一实施例中，还包括：

根据所述至少一个风险因子中，所述碰撞因子的风险特征、所述遮挡因子的风险特征和所述干扰因子的风险特征，共同确定所述交通场景的风险特征；其中，所述交通场景的风险特征用于表示所述交通场景对所述自动驾驶车辆带来的能力损失；

通过所述交通场景的风险特征对所述交通场景进行风险评估。

在本申请第一方面一实施例中，还包括：

根据所述至少一个风险因子构建所述交通场景的基础风险场景；其中，所述基础风险场景用于验证自动驾驶车辆是否能够对交通场景进行准确的风险评估。

在本申请第一方面一实施例中，所述根据所述至少一个风险因子构建所述交通场景的基础风险场景，包括：

确定所述交通场景的基础道路模型；

将所述至少一个风险因子，以及所述至少一个风险因子的运动状态和属性信息注入所述基础道路模型中，得到所述基础风险场景；

根据所述至少一个风险因子的风险特征，标记所述基础风险场景的风险特征。

综上，本实施例提供的交通场景的风险评估方法中，经过上述步骤所构建的基础风险场景，其中包括了交通场景中的基础道路模型，以及所得到的各风险因子的行驶轨迹、风险值等信息。所建立的基础风险场景可用于在自动驾驶车辆生产或检测过程中，验证自动驾驶车辆是否能够对基础风险场景进行准确的评估，不需要再将自动驾驶车辆行驶上路并还原存在碰撞风险的实际交通场景中。进而使得服务器能够通过构建的基础风险场景，验证自动驾驶车辆是否能够对所构建的基础风险场景进行准确的风险评估，还能够提高验证效率，并尽可能在验证过程中覆盖更多存在风险的交通场景。

在本申请第一方面一实施例中，还包括：

确定所述自动驾驶车辆在所述交通场景中所述第一时刻后的预设行驶轨迹；

所述根据所述至少一个风险因子的风险特征对所述交通场景进行风险评估，还包括：

根据所述至少一个风险因子的风险特征，对所述自动驾驶车辆在所述交通场景中的预设行驶轨迹进行风险评估。

综上，本实施例提供的交通场景的风险评估方法中，能够根据预设行驶轨迹的风险评估结果，实时调整行驶轨迹，并根据调整所确定的轨迹，确定车辆后续的行驶策略，从而实现了根据实时对行驶轨迹的风险评估结果，调整车辆的行驶参数，使得以实现车辆以较低的风险值对应的行驶轨迹进行自动行驶。

在本申请第一方面一实施例中，还包括：

按照所述风险特征的预设变化规律对所述至少一个风险因子的风险特征进行泛化处理后，得到所述至少一个风险因子与所述预设变化规律对应的泛化风险特征；

根据所述至少一个风险因子的泛化风险特征构建所述交通场景的泛化风险场景。

在本申请第一方面一实施例中，所述根据所述至少一个风险因子的泛化风险特征构建所述交通场景的泛化风险场景，包括：

根据所述至少一个风险因子的泛化风险特征，确定泛化后的所述至少一个风险因子的运动状态和属性信息；

确定所述交通场景的基础道路模型；

将所述至少一个风险因子，以及泛化后的所述至少一个风险因子的运动状态和属性信息注入所述基础道路模型中，得到所述泛化风险场景；

根据泛化后的所述至少一个风险因子的风险特征，标记所述泛化风险场景的风险特征。

综上，本实施例中提供的交通场景的风险评估方法中，能够通过实际的交通场景，经过对风险因子的风险值进行泛化后，在交通场景的基础上，建立更多虚拟的泛化风险场景。而所建立的泛化风险场景可用于在自动驾驶车辆生产或检测过程中，能够更加全面地通过不同的泛化风险场景，验证自动驾驶车辆是否能够对基础风险场景进行准确的评估，进一步提高了自动驾驶车辆行驶验证时的验证效率。

本申请第二方面提供一种交通场景的风险评估装置，可用于执行如本申请第一方面任一项所述的交通场景的风险评估方法。该装置包括：

获取模块和确定模块。其中，获取模块用于确定自动驾驶车辆在第一时刻所在交通场景中的至少一个风险因子，以及至少一个风险因子的运动状态和属性信息；其中，风险因子包括：交通场景中的碰撞因子、遮挡因子、干扰因子中的至少一个；碰撞因子包括当自动驾驶车辆保持第一时刻的行驶状态，在第一时刻后的第二时刻将要与自动驾驶车辆相撞的物体；遮挡因子在第一时刻与第二时刻之间任一时刻，使自动驾驶车辆无法检测到碰撞因子的物体；干扰因子包括在自动驾驶车辆为了避免与碰撞因子相撞而调整行驶状态后，交通场景中可能会与以调整后的行驶状态行驶的自动驾驶车辆相撞的物体；确定模块用于根据自动驾驶车辆的行驶状态、风险因子的运动状态和风险因子的属性信息，分别确定每个风险因子的风险特征；其中，风险因子的风险特征用于表示风险因子对自动驾驶车辆带来的能力损失所述风险特征用于对交通场景进行风险评估。

在本申请第二方面一实施例中，能力损失包括：自动驾驶车辆的纵向能力损失、横向能力损失和感知能力损失。

在本申请第二方面一实施例中，获取模块具体通过通信模块和/或传感器接收风险场景中至少一个物体所发送的至少一个风险因子的运动状态和属性信息；其中，通信模块包括：车车互联V2V模块、车路互联V2I模块、车人V2P互联模块或者短距离通信模块。

在本申请第二方面一实施例中，当风险因子包括碰撞因子，确定模块具体用于，根据自动驾驶车辆的行驶状态、碰撞因子的运动状态，确定碰撞因子与自动驾驶车辆碰撞时的碰撞风险程度；

根据自动驾驶车辆的行驶状态，确定自动驾驶车辆纵向减速度损失率；

根据碰撞因子的属性信息，碰撞风险程度和纵向减速度损失率，确定碰撞因子的风险特征。

在本申请第二方面一实施例中，确定模块具体用于，根据自动驾驶车辆的行驶状态、风险因子的运动状态，确定自动驾驶车辆与碰撞因子相撞时，自动驾驶车辆碰撞面的第一表面与自动驾驶车辆碰撞面的第二表面相撞；

根据映射关系确定第一表面和第二表面对应的碰撞风险程度；其中，映射关系包括至少一个自动驾驶车辆碰撞面、自动驾驶车辆碰撞面和碰撞风险程度之间的对应关系。

在本申请第二方面一实施例中，确定模块具体用于，确定自动驾驶车辆在第一时刻与第二时刻之间任意时刻的纵向减速度损失范围；其中，纵向减速度损失范围包括自动驾驶车辆采用减速方式避免与碰撞因子在第二时刻相撞时，不能使用的纵向减速度；

确定自动驾驶车辆的纵向减速度范围；其中，纵向减速度范围包括自动驾驶车辆能够使用的所有纵向减速度；

根据纵向减速度损失范围与纵向减速度范围之比确定纵向减速度损失率。

在本申请第二方面一实施例中，当风险因子包括遮挡因子，确定模块具体用于，根据自动驾驶车辆的行驶状态、风险因子的运动状态，确定遮挡因子对自动驾驶车辆的时序遮挡率；

根据时序遮挡率，确定遮挡因子的风险特征。

在本申请第二方面一实施例中，确定模块具体用于，根据自动驾驶车辆的行驶状态、风险因子的运动状态，确定自动驾驶车辆上用于检测碰撞因子的至少一个模块；

对于至少一个模块中的每个模块的实际遮挡角度；其中，实际遮挡角度包括模块在第一时刻与第二时刻之间任意时刻，能够检测的角度范围与遮挡因子所遮挡的角度范围的交集；

根据至少一个模块中，实际遮挡角度的最小值与遮挡临界值之间的大小关系，确定自动驾驶车辆的时序遮挡率。

在本申请第二方面一实施例中，当风险因子包括干扰因子，确定模块具体用于，根据自动驾驶车辆的行驶状态和风险因子的运动状态，确定自动驾驶车辆的横向加速度损失率；

根据自动驾驶车辆的行驶状态，确定自动驾驶车辆的纵向减速度损失率；

根据干扰因子的属性信息，干扰因子的横向加速度损失率，以及干扰因子的纵向减速度损失率，确定干扰因子的风险特征。

在本申请第二方面一实施例中，确定模块具体用于，确定自动驾驶车辆在第一时刻之后的横向加速度损失范围；其中，横向加速度损失范围包括自动驾驶车辆采用改变行驶方向的方式避免与碰撞因子在第二时刻相撞时，会与干扰因子相撞所使用的横向加速度；

确定自动驾驶车辆的横向加速度范围；其中，横向加速度范围包括自动驾驶车辆能够使用的所有横向加速度；

根据横向加速度损失范围与横向加速度范围之比确定横向加速度损失率。

在本申请第二方面一实施例中，还包括：风险评估模块；所述风险评估模块用于，

根据至少一个风险因子中，碰撞因子的风险特征、遮挡因子的风险特征和干扰因子的风险特征，共同确定交通场景的风险特征；其中，交通场景的风险特征用于表示交通场景对自动驾驶车辆带来的能力损失；

通过交通场景的风险特征对交通场景进行风险评估。

在本申请第二方面一实施例中，还包括：自动驾驶评估模块；

获取模块还用于，确定自动驾驶车辆在交通场景中第一时刻后的预设行驶轨迹；

自动驾驶评估模块用于，根据至少一个风险因子的风险特征，对自动驾驶车辆在交通场景中的预设行驶轨迹进行风险评估。

在本申请第二方面一实施例中，风险评估模块还用于，根据至少一个风险因子构建交通场景的基础风险场景；其中，基础风险场景用于验证自动驾驶车辆是否能够对交通场景进行准确的风险评估。

在本申请第二方面一实施例中，风险评估模块具体用于，确定交通场景的基础道路模型；

将至少一个风险因子，以及至少一个风险因子的运动状态和属性信息注入基础道路模型中，得到基础风险场景；

根据至少一个风险因子的风险特征，标记基础风险场景的风险特征。

在本申请第二方面一实施例中，还包括：泛化模块；所述泛化模块用于，按照风险特征的预设变化规律对至少一个风险因子的风险特征进行泛化处理后，得到至少一个风险因子与预设变化规律对应的泛化风险特征；

根据至少一个风险因子的泛化风险特征构建交通场景的泛化风险场景。

在本申请第二方面一实施例中，泛化模块具体用于，根据至少一个风险因子的泛化风险特征，确定泛化后的至少一个风险因子的运动状态和属性信息；

确定交通场景的基础道路模型；

将至少一个风险因子，以及泛化后的至少一个风险因子的运动状态和属性信息注入基础道路模型中，得到泛化风险场景；

根据泛化后的至少一个风险因子的风险特征，标记泛化风险场景的风险特征。

本申请第三方面提供一种装置，该装置包括：处理器和存储器，所述存储器中存储有指令，所述处理器调用所述指令时，使所述装置执行如下方法：

确定自动驾驶车辆在第一时刻所在交通场景中的至少一个风险因子，以及所述至少一个风险因子的运动状态和属性信息；其中，所述风险因子包括：所述交通场景中的碰撞因子、遮挡因子、干扰因子中的至少一个；所述碰撞因子包括当所述自动驾驶车辆保持所述第一时刻的行驶状态，在所述第一时刻后的第二时刻将要与所述自动驾驶车辆相撞的物体；所述遮挡因子在所述第一时刻与所述第二时刻之间任一时刻，使所述自动驾驶车辆无法检测到所述碰撞因子的物体；所述干扰因子包括在所述自动驾驶车辆为了避免与所述碰撞因子相撞而调整行驶状态后，所述交通场景中可能会与以调整后的行驶状态行驶的自动驾驶车辆相撞的物体；

根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态和所述风险因子的属性信息，分别确定每个所述风险因子的风险特征；其中，所述风险因子的风险特征用于表示所述风险因子对所述自动驾驶车辆带来的能力损失，所述风险特征用于对所述交通场景进行风险评估。

在本申请第三方面一实施例中，所述能力损失包括：所述自动驾驶车辆的纵向能力损失、横向能力损失和感知能力损失。

在本申请第三方面一实施例中，所述确定自动驾驶车辆在第一时刻所在的交通场景中的至少一个风险因子，包括：

通过通信模块和/或传感器接收所述风险场景中至少一个物体所发送的所述至少一个风险因子的运动状态和属性信息；其中，所述通信模块包括：车车互联V2V模块、车路互联V2I模块、车人V2P互联模块或者短距离通信模块。

在本申请第三方面一实施例中，当所述风险因子包括所述碰撞因子，则根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态和所述风险因子的属性信息，确定所述风险因子的风险特征，包括：

根据所述自动驾驶车辆的行驶状态、所述碰撞因子的运动状态，确定所述碰撞因子与所述自动驾驶车辆碰撞时的碰撞风险程度；

根据所述自动驾驶车辆的行驶状态，确定所述自动驾驶车辆纵向减速度损失率；

根据所述碰撞因子的属性信息，所述碰撞风险程度和所述纵向减速度损失率，确定所述碰撞因子的风险特征。

在本申请第三方面一实施例中，所述根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述碰撞因子与所述自动驾驶车辆碰撞时的碰撞风险程度，包括：

根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述自动驾驶车辆与所述碰撞因子相撞时，所述自动驾驶车辆碰撞面的第一表面与自动驾驶车辆碰撞面的第二表面相撞；

根据映射关系确定所述第一表面和所述第二表面对应的碰撞风险程度；其中，所述映射关系包括至少一个所述自动驾驶车辆碰撞面、自动驾驶车辆碰撞面和碰撞风险程度之间的对应关系。

在本申请第三方面一实施例中，所述根据所述碰撞因子的属性信息，确定所述自动驾驶车辆纵向减速度损失率，包括：

确定所述自动驾驶车辆在所述第一时刻与所述第二时刻之间任意时刻的纵向减速度损失范围；其中，所述纵向减速度损失范围包括所述自动驾驶车辆采用减速方式避免与所述碰撞因子在第二时刻相撞时，不能使用的纵向减速度；

确定所述自动驾驶车辆的纵向减速度范围；其中，所述纵向减速度范围包括所述自动驾驶车辆能够使用的所有纵向减速度；

根据所述纵向减速度损失范围与所述纵向减速度范围之比确定所述纵向减速度损失率。

在本申请第三方面一实施例中，当所述风险因子包括所述遮挡因子，则根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态和所述风险因子的属性信息，确定所述风险因子的风险值，包括：

根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述遮挡因子对所述自动驾驶车辆的时序遮挡率；

根据所述时序遮挡率，确定所述遮挡因子的风险特征。

在本申请第三方面一实施例中，所述根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述遮挡因子对所述自动驾驶车辆的时序遮挡率，包括：

根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述自动驾驶车辆上用于检测所述碰撞因子的至少一个模块；

对于所述至少一个模块中的每个模块的实际遮挡角度；其中，所述实际遮挡角度包括所述模块在所述第一时刻与所述第二时刻之间任意时刻，能够检测的角度范围与所述遮挡因子所遮挡的角度范围的交集；

根据所述至少一个模块中，所述实际遮挡角度的最小值与遮挡临界值之间的大小关系，确定所述自动驾驶车辆的时序遮挡率。

在本申请第三方面一实施例中，当所述风险因子包括所述干扰因子，则根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态和所述风险因子的属性信息，确定所述风险因子的风险值，包括：

根据所述自动驾驶车辆的行驶状态和所述风险因子的运动状态，确定所述自动驾驶车辆的横向加速度损失率；

根据所述自动驾驶车辆的行驶状态，确定所述自动驾驶车辆的纵向减速度损失率；

根据所述干扰因子的属性信息，所述干扰因子的横向加速度损失率，以及所述干扰因子的纵向减速度损失率，确定所述干扰因子的风险特征。

在本申请第三方面一实施例中，所述根据所述自动驾驶车辆的行驶状态和所述风险因子的运动状态，确定所述自动驾驶车辆的横向加速度损失率，包括：

确定所述自动驾驶车辆在所述第一时刻之后的横向加速度损失范围；其中，所述横向加速度损失范围包括所述自动驾驶车辆采用改变行驶方向的方式避免与所述碰撞因子在第二时刻相撞时，会与所述干扰因子相撞所使用的横向加速度；

确定所述自动驾驶车辆的横向加速度范围；其中，所述横向加速度范围包括所述自动驾驶车辆能够使用的所有横向加速度；

根据所述横向加速度损失范围与所述横向加速度范围之比确定所述横向加速度损失率。

在本申请第三方面一实施例中，所述处理器调用所述指令时，使所述装置执行的方法，还包括：

根据所述至少一个风险因子中，所述碰撞因子的风险特征、所述遮挡因子的风险特征和所述干扰因子的风险特征，共同确定所述交通场景的风险特征；其中，所述交通场景的风险特征用于表示所述交通场景对所述自动驾驶车辆带来的能力损失；

通过所述交通场景的风险特征对所述交通场景进行风险评估。

在本申请第三方面一实施例中，所述处理器调用所述指令时，使所述装置执行的方法，还包括：

根据所述至少一个风险因子构建所述交通场景的基础风险场景；其中，所述基础风险场景用于验证自动驾驶车辆是否能够对交通场景进行准确的风险评估。

在本申请第三方面一实施例中，所述根据所述至少一个风险因子构建所述交通场景的基础风险场景，包括：

确定所述交通场景的基础道路模型；

将所述至少一个风险因子，以及所述至少一个风险因子的运动状态和属性信息注入所述基础道路模型中，得到所述基础风险场景；

根据所述至少一个风险因子的风险特征，标记所述基础风险场景的风险特征。

在本申请第三方面一实施例中，所述处理器调用所述指令时，使所述装置执行的方法，还包括：

确定所述自动驾驶车辆在所述交通场景中所述第一时刻后的预设行驶轨迹；

所述根据所述至少一个风险因子的风险特征对所述交通场景进行风险评估，还包括：

根据所述至少一个风险因子的风险特征，对所述自动驾驶车辆在所述交通场景中的预设行驶轨迹进行风险评估。

在本申请第三方面一实施例中，所述处理器调用所述指令时，使所述装置执行的方法，还包括：

按照所述风险特征的预设变化规律对所述至少一个风险因子的风险特征进行泛化处理后，得到所述至少一个风险因子与所述预设变化规律对应的泛化风险特征；

根据所述至少一个风险因子的泛化风险特征构建所述交通场景的泛化风险场景。

在本申请第三方面一实施例中，所述根据所述至少一个风险因子的泛化风险特征构建所述交通场景的泛化风险场景，包括：

根据所述至少一个风险因子的泛化风险特征，确定泛化后的所述至少一个风险因子的运动状态和属性信息；

确定所述交通场景的基础道路模型；

将所述至少一个风险因子，以及泛化后的所述至少一个风险因子的运动状态和属性信息注入所述基础道路模型中，得到所述泛化风险场景；

根据泛化后的所述至少一个风险因子的风险特征，标记所述泛化风险场景的风险特征。

本申请第四方面提供一种包含指令的计算机程序产品，当其在终端设备上运行时，使得终端设备计算机执行上述第一方面中任一项所述的方法。

本申请第五方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面任一项所述的方法。

本申请第六方面提供一种芯片系统，该芯片系统包括处理器，还可以包括存储器，用于实现上述第一方面中任一项的功能。该芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。

附图说明

图1为本申请提供的交通场景的风险评估方法应用场景的示意图；

图2为本申请提供的交通场景的风险评估方法一实施例的流程示意图；

图3为本申请提供的交通场景一实施例的结构示意图；

图4为本申请提供的交通场景中风险因子的示意图；

图5为本申请提供的交通场景建立坐标系的示意图；

图6为本申请提供的交通场景中风险因子的轮廓信息示意图；

图7为本申请提供的碰撞因子的碰撞风险程度的示意图；

图8为本申请提供的碰撞因子的纵向减速度损失率的示意图；

图9为本申请提供的遮挡因子的示意图；

图10为本申请提供的遮挡因子的时序遮挡率的示意图；

图11为本申请提供的干扰因子的纵向减速度损失率的示意图；

图12为本申请提供的干扰因子的横向加速度损失率的示意图；

图13为本申请提供的交通场景的风险评估方法一实施例的流程示意图；

图14为本申请提供的交通场景的风险评估方法一实施例的流程示意图；

图15为本申请提供的碰撞因子的泛化示意图；

图16为本申请提供的遮挡因子的泛化示意图；

图17为本申请提供的干扰因子的泛化示意图；

图18为本申请提供的交通场景的风险评估方法一实施例的流程示意图；

图19为本申请提供的交通场景的风险评估装置一实施例的结构示意图；

图20为本申请提供的交通场景的风险评估装置一实施例的结构示意图；

图21为本申请提供的交通场景的风险评估装置一实施例的结构示意图；

图22为本申请提供的交通场景的风险评估装置一实施例的结构示意图；

图23为本申请提供的装置的结构示意图。

具体实施方式

在正式介绍本申请提供的交通风险评估方法前，先结合图1对本申请所应用的场景进行说明。其中，图1为本申请提供的交通场景的风险评估方法应用场景的示意图。

如图1所示，在本申请一个可能的应用场景①中，本申请提供的交通风险评估方法可应用于对自动驾驶车辆进行评估的自动驾驶评估系统中，用于验证自动驾驶车辆是否能够对交通场景进行准确的风险评估。其中，本实施例的执行主体可以是用于构建风险评估系统的设备例如服务器等，则服务器可以在获取交通场景后，根据本申请所提供的交通场景的风险评估方法对交通场景进行风险评估，并根据风险评估结果仿真构建风险场景，所述风险场景可以存储在设备中。而后续对自动驾驶车辆进行检测或者验证时，可以由自动驾驶车辆获取设备中存储的风险场景，并对风险场景进行风险评估，从而根据自动驾驶车辆的风险评估结果，验证自动驾驶车辆是否能够对交通场景进行准确的风险评估。

或者，在本申请另一个可能的应用场景②中，本申请提供的交通场景的风险评估方法可应用于自动驾驶车辆上，用于自动驾驶车辆在自动驾驶时进行路径规划。其中，当自动驾驶车辆在行驶过程中，实时通过其传感器获取车辆周围的交通场景，根据本申请所提供的交通场景的风险评估方法对交通场景进行风险评估后，确定车辆后续的行驶策略，并根据行驶策略实时调整车辆的行驶参数，以实现车辆的自动行驶。

下面结合附图对本申请各实施例提供的交通风险评估方法进行介绍。

图2为本申请提供的交通场景的风险评估方法一实施例的流程示意图。如图2所示，本实施例提供的交通风险评估方法包括：

S101：确定自动驾驶车辆第一时刻在交通场景中的至少一个风险因子，以及该至少一个风险因子的运动状态和属性信息。

具体地，本实施例的执行主体可以是具有相关数据处理功能的电子设备，例如，手机、平板电脑、笔记本电脑、台式机或者服务器等。或者，本实施例的执行主体还可以是电子设备中的芯片，例如，CPU、GPU、车载微控制器(micro controller unit，MCU)或者电子控制单元(electronic control unit，ECU)等。本申请后续各实施例中，仅以执行主体为电子设备为例进行说明，而非对其进行限定。

则为了对交通场景进行风险评估，在S101中电子设备首先确定交通场景中的至少一个风险因子。其中，本实施例中所述的风险因子包括交通场景中，能够对自动驾驶车辆的正常行驶产生干扰的因子。由于交通场景中的该些风险因子的存在，会影响自动驾驶车辆的正常行驶，从而导致自动驾驶车辆因为该些风险因子而调整行驶策略以及行驶参数，故称为风险因子。所述的风险因子具有物体的类型、时间和位置属性，风险因子的承载对象为交通场景中的交通参与者或者交通场景中的物体，包括但不限于：交通场景中的汽车、电动车、自行车、行人、行道树、护栏、交通标识和建筑物等。

可选地，本实施例中的风险因子还可以进一步分类为：碰撞因子、遮挡因子和干扰因子。则S101中所获取的至少一个风险因子包括：交通场景中的碰撞因子、遮挡因子、干扰因子中的至少一个。

其中，所述碰撞因子指交通场景中，当自动驾驶车辆以第一时刻的行驶参数(如速度、方向和加速度等)继续行驶到第二时刻时会与之产生碰撞的因子。而由于该碰撞因子的存在，就需要自动驾驶车辆在第一时刻后需要减速或者改变方向以避免。

所述遮挡因子指交通场景中，干扰自动驾驶车辆确定碰撞因子的因子。而由于交通场景中该遮挡因子的存在，会导致自动驾驶车辆无法通过传感器等方式直接确定交通场景中所存在的碰撞因子，进而可能会导致自动驾驶车辆与碰撞因子产生碰撞。

所述干扰因子指交通场景中，自动驾驶车辆在检测到碰撞因子后，为了避免与碰撞因子相撞而调整驾驶参数时，可能会对与之产生碰撞的因子。由于交通场景中干扰因子的存在，因此自动驾驶车辆在调整驾驶参数时需要避开干扰因子的范围。但是干扰因子会缩小自动驾驶车辆在调整行驶参数时的调整范围，减少自动驾驶车辆能够躲避碰撞因子的机会。

则本实施例S101，需要确定上述所有风险因子的运动状态以及属性信息。其中，所述运动状态至少包括：运动方向、运动速度和运动加速度等。所述属性信息至少包括：风险因子为汽车、行人、摩托车或者自行车；或者属性信息还可以进一步将行人划分为：成人、儿童和老人，将汽车进一步划分为轿车和卡车等。在一些实现中，所述风险因子的属性信息又可被称为风险因子的“类型”，二者等同，不再赘述。

例如：图3为本申请提供的交通场景一实施例的结构示意图。将如图3所示的交通场景的时刻记为t0，在该t0时刻，自动驾驶车辆为车辆A，以速度a向前正常行驶在车道②上，车辆A上可以设置相关的电子设备，并检测出车辆A所在的交通场景中包括：与车辆A同方向行驶在车辆A左侧车道①上的车辆C、横穿车道①和车道②行驶的自行车B，以及在车道②右侧并朝向车辆A逆向行走的行人D。

则参考图4，图4为本申请提供的交通场景中风险因子的示意图。如图4绘制出了当车辆A以t0时刻的速度向前行驶，会和自行车B在图中的碰撞点O处产生碰撞，因此自行车B与车辆A存在碰撞关系，自行车B为交通场景中对于车辆A的碰撞因子。而车辆C位于车辆A的左侧车道，即使二者的速度不同，在t0时刻车辆C还是会对车辆A检测碰撞因子产生干扰，其干扰的车辆A的检测范围为图4中所示的角度α，因此车辆C与车辆A存在遮挡关系，车辆C为交通场景中对于车辆A的遮挡因子。同时，在车辆A已知碰撞因子自行车B的情况下，可以采取向左侧或向右侧调整行驶方向的方式避免与碰撞因子产生碰撞，车辆A能够调整的行驶方向范围为图4中所示的角度β，而由于车辆A右侧行人D的存在，车辆A会避免在调整行驶方向时对行人D产生碰撞，因此行人D对车辆A向其右侧前方调整行驶方向的角度产生干扰，行人D与车辆A存在干扰关系，行人D为交通场景中对于车辆A的干扰因子。

需要说明的是，本申请后续各实施例中，仅以如图3所示的交通场景作为示例性的说明，而非对其进行限定，符合上述要求的风险因子以及交通场景均在本申请保护范围之内，不再重复举例。

可选地，本实施例中提供S101一种可能的实现方式为，电子设备可以通过自动驾驶车辆上设置的传感器和/或通信模块来确定该车辆所在交通场景的风险因子，而本实施例中的电子设备可以是自动驾驶车辆上设置的用于实现自动驾驶车辆的装置，例如：ECU等。即，本实现方式可应用于如图1所示的自动驾驶车辆进行自动驾驶时的路径规划的应用场景中。所述传感器包括但不限于：照相机模块、摄像机模块、雷达(radar)模块、激光雷达(lidar)模块和超声波模块等。所述通信模块包括但不限于：车车互联(vehicle tovehicle，V2V)通信模块、车路互联(vehicle to infrastructure，V2I)通信模块、车人互联(vehicle to pedestrian，V2P)通信模块以及其他短距离通信模块(例如：蓝牙模块和无线保真Wifi模块)等。例如，在如图3所示的交通场景中，车辆A可以通过照相机模块拍摄其前方的图像后，通过照相机模块所拍摄的图像，确定交通场景中包括的干扰因子行人D；而在该交通场景中可能无法通过可视化的照相机模块和摄像机模块确定出交通场景中的碰撞因子B，则车辆A可以通过V2V通信模块，接收车辆C所发送的自行车B的速度和位置等信息后，确定交通场景中包括的碰撞因子B；车辆A可以通过雷达模块发出雷达信号后，由接收到的车辆C的反射信号确定交通场景中车辆C的位置，并结合碰撞因子B的速度和位置等信息，确定交通场景中包括的遮挡因子车辆C。

本实施例提供S101另一种可能的实现方式为，电子设备通过图像识别技术，将已知的发生事故现场的视频、照片等，以事故现场的事故车辆为主体，通过图像识别技术确定事故车辆所在交通场景的风险因子，所述的电子设备可以是服务器。其中，本实现方式可应用于如图1所示的用于验证自动驾驶车辆对根据风险评估结果构建的交通场景的风险评估功能的应用场景中，当服务器在构建用于验证自动驾驶车辆对交通场景的风险评估能力的风险场景时，可以通过不同事故现场的视频、照片等影像资料确定交通场景中的风险因子。例如，如图3所示的交通场景可以是车辆A与自行车B发生碰撞的监控视频图像，服务器通过对该时刻视频图像基于图像处理技术进行识别后，确定出交通场景中自行车B为碰撞因子、车辆C为遮挡因子以及行人D为干扰因子。

本实施例提供S101又一种可能的实现方式为，电子设备接收用户所输入的交通场景中的风险因子。例如，用户为了对交通场景进行风险评估，则可以通过鼠标、键盘等交互设备向电子设备输入交通场景中的风险因子，以由电子设备根据执行后续步骤从而对交通场景进行风险评估。

进一步地，当电子设备通过S101确定交通场景中的风险因子之后，还可以建立坐标系，以通过坐标系来表示交通场景中各因子之间的相对位置关系，以及不同时刻各风险因子的运动轨迹信息，并在后续借助所建立的坐标系对交通场景中的风险因子进行风险评估。例如，图5为本申请提供的交通场景建立坐标系的示意图，在如图5所示的示例中，以图3所示的车辆A为坐标原点(0,0)，并根据图3所示的交通场景中各风险因子与车辆A的相对距离关系确定每个风险因子在该坐标系中的坐标(X,Y)，并结合时间参数T得到风险因子在不同的T时刻的运动轨迹信息S_i(T)＝(X_i(T),Y_i(T))。本示例图5中，记车辆A在T时刻的运动轨迹信息为S₁(T)＝(X₁(T),Y₁(T))，车辆C在T时刻的运动轨迹信息为S₂(T)＝(X₂(T),Y₂(T))，自行车B在T时刻的运动轨迹信息为S₃(T)＝(X₃(T),Y₃(T))，行人D在T时刻的运动轨迹信息为S₄(T)＝(X₄(T),Y₄(T))。

可选地，S101中电子设备确定风险因子时还包括：确定风险因子的类型，所述的类型包括：汽车、电动车、自行车以及行人等。本实施例中将风险因子的类型记为G_X。例如，在如图5所示的示例中，车辆A和车辆C的类型为汽车，自行车B的类型为电动车，行人D的类型为行人。

则当电子设备确定风险因子的类型后，可以根据风险因子的类型，更进一步地确定风险因子在如图5所示的坐标系中，以绝对坐标形式表示的轮廓信息。风险因子的轮廓信息可用于后续步骤中，对自动驾驶车辆与不同风险因子之间的碰撞、遮挡、干扰关系之间进行分析。而电子设备中可以存储不同类型的风险因子的相对坐标，并根据风险因子的相对坐标计算坐标系中风险因子的绝对坐标。

例如，图6为本申请提供的交通场景中风险因子的轮廓信息示意图，示出了风险因子为汽车、行人和自行车时的相对坐标。则当电子设备确定如图3所示的交通场景中，车辆A和车辆C的属性为汽车，行人D的属性为行人，自行车B的属性为自行车后，可以获取电子设备所存储的不同属性的风险因子的轮廓的相对坐标p_i＝(p_xi,p_yi)则在图6中，p_c1,p_c2…p_c8为汽车相对于基准点p_c0的轮廓的相对坐标，p_p1,p_p2…p_p8为行人相对于基准点p_p0的轮廓的相对坐标，p_b1,p_b2…p_b8为自行车相对于基准点p_b0的轮廓的相对坐标。

可选地，基准点可以是汽车、行人以及自行车等风险因子的轮廓图像的中心或重心，风险因子的相对坐标以该基准点为原点(0,0)；或者，如图6所示的汽车的基准点还可以选取汽车后轴的中心位置。本实施例对相对坐标的标识以及原点的选择不作具体限定，能够表现出不同风险因子的轮廓坐标即可。

随后，当电子设备确定如图6所示的不同风险因子的相对坐标后，将相对坐标代入图5中所建立的坐标系中，得到车辆A、车辆C、自行车B和行人D在坐标系中的轮廓的绝对坐标，记为Um＝(P_xi,P_yi)。

可选地，电子设备在确定风险因子的相对坐标时，还可以根据不同风险因子不同的属性进行区分。例如，车辆A为轿车时对应轿车的相对坐标，车辆C为卡车时对应卡车的相对坐标，可以理解的是，卡车的相对坐标围成的区域面积大于轿车的相对坐标围成的区域面积；或者，行人D为小孩时对应小孩的相对坐标，行人D为坐轮椅的老人时对应老人的相对坐标，老人的相对坐标围成的区域面积大于小孩的相对坐标围成的区域面积。

S102：根据自动驾驶车辆的行驶状态、S101中所获取的至少一个风险因子的运动状态和属性信息，分别确定每个风险因子的的风险特征。其中，风险因子的风险特征用于标识风险因子对自动驾驶车辆带来的能力损失。即，由于风险因子的存在，使得自动驾驶车辆不能以其现有的行驶状态进行行驶；即使自动驾驶车辆拥有较强的能力，也需要根据风险因子进行调整，此时，自动驾驶车辆只能实现一定能力的情况下，因风险因子的存在所减少的能力称为能力损失。示例性地，所述能力损失包括：纵向能力损失、横向能力损失和感知能力损失。

具体地，当电子设备通过S101获取到交通场景内的风险因子后，需要对每个风险因子进行评估，通过每个风险因子的运动状态和属性信息，与自动驾驶车辆的自身属性、运动状态，以及二者之间的相对位置关系量化计算出风险因子的风险值，得到的所有风险因子风险值可用于后续对整个交通场景进行风险评估。下面结合附图，对S102中计算不同的三类风险因子：碰撞因子、遮挡因子和干扰因子的风险值所采用的具体评估方式分别进行说明。可以理解的是，S101中所获取的风险因子可能部分包含或全部包含上述三类因子，因此S102中计算风险因子的风险值时，可以根据风险因子的类型确定对应的评估方式进行风险值的评估。

1、评估碰撞因子的风险特征。

具体地，当S101所确定的风险因子中包括碰撞因子，则对于风险因子中的任一碰撞因子，本实施例中通过如下公式1计算得到的风险值f_BR(B)评估碰撞因子的风险特征：

f_BR(B)＝f_BR(G_B,μ_aBlon(T),f_AB(R)) 公式1

其中，B为碰撞因子，G_B为碰撞因子的类型，μ_aBlon(T)为自动驾驶车辆的纵向减速度损失率，本实施例中通过纵向减速度损失率来表示碰撞因子对自动驾驶车辆带来的纵向能力损失，f_AB(R)为自动驾驶车辆A与碰撞因子B之间发生碰撞总体风险。

公式1中的碰撞因子的类型G_B用于表示将要与自动驾驶车辆产生碰撞的碰撞因子的类型。可以理解的是，由于G_B参与碰撞因子风险值的计算，因此G_B可以以不同数值形式来表示，取值越大说明该类型的碰撞因子能够给自动驾驶车辆产生的风险越大。例如，在图3所示的交通场景中，车辆A为自动驾驶车辆，自行车B为将要在如图4所示的碰撞点O与车辆B相撞的碰撞因子，则公式1中的碰撞因子用于表示自行车类型的碰撞因子。

公式1中的碰撞风险程度f_AB(R)用于表示碰撞因子与自动驾驶车辆产生碰撞时，发生碰撞的部位所对应的风险程度。例如，若碰撞因子是建筑物，则自动驾驶车辆的行驶方向后方与建筑物碰撞时的风险程度较低，而自动驾驶车辆乘坐乘客的一边与建筑物碰撞时可能会给乘客造成伤害则风险程度较高。

下面结合图7对本实施例提供的计算碰撞风险程度f_AB(R)的方法进行说明，其中，图7为本申请提供的碰撞因子的碰撞风险程度的示意图。如图7示出了如图3所示的交通场景中，自动驾驶的车辆A与碰撞因子自行车B在碰撞点O发生碰撞时二者的相对位置。根据如图7所示的相对位置，可以得到车辆A和自行车B行驶到碰撞点的时刻T_AB，可能的碰撞轮廓集合U_LcrassAB((L_crossAaAb),(L_crossBpBq))，其中，L_crossAaAb为车辆A发生碰撞的轮廓，L_crossBqBq为自行车B发生碰撞的轮廓。具体地，对于车辆A在碰撞时，可能发生碰撞的轮廓L_crossAaAb包括：P_A1-P_A2和P_A1-P_A8的轮廓线段；对于自行车B在碰撞时，可能发生碰撞的轮廓L_crossBqBq包括：P_B1-P_B2和P_B2-P_B3的轮廓线段。

随后，在确定车辆A和自行车B在碰撞点的碰撞轮廓集合后，根据该集合中不同轮廓发生碰撞时的风险值，进一步通过公式计算出碰撞时的碰撞风险程度f_AB(R)。其中，电子设备中可以存储自动驾驶车辆与不同类型的碰撞因子以不同的轮廓线段的风险程度，记为(g_i,(R_g1g2,…,R_gxg1))，其中，g_i为碰撞因子的类型，R_g1g2为碰撞因子与自动驾驶车辆的g1-g2的轮廓线段发生碰撞时造成的碰撞风险程度，可以用不同的数值来表示不同的碰撞风险程度。则碰撞风险程度f_AB(R)可以通过如下公式2计算：

其中，

为车辆A所有发生碰撞的轮廓线段对应的碰撞风险程度之和，

为自行车B所有发生碰撞的轮廓线段对应的碰撞风险程度之和，m为车辆A可能发生碰撞的轮廓线段的数量，n为自行车B可能发生碰撞的轮廓线段的数量。

例如在图7中，自行车B与自动驾驶车辆A发生碰撞时的碰撞风险程度可以通过:车辆A的P_A1-P_A2轮廓线段对应的R_A1A2,车辆A的P_A8-P_A1轮廓线段对应的R_A8A1,自行车B的P_B1B2轮廓线段对应的R_B1B2，以及自行车B的P_B2B3轮廓线段对应的R_B2B3表示。则对于图7中所示场景中，公式2中的m和n均为2，碰撞因子的碰撞风险程度f_AB(R)＝R_A1A2+R_A8A1+R_B1B2+R_B2B3。

公式1中的纵向减速度损失率μ_aBlon(T)用于表示在车辆A为了避免与碰撞因子自行车B相撞而进行减速时，可以调整的减速度范围与车辆A能够使用的减速度范围之比，用于衡量车辆A是否能够使用减速的方式避免与碰撞因子相撞。

具体地，假设在如图3所示的交通场景中，t0时刻车辆A以一定速度向前方行驶时可能会与自行车B在碰撞点O发生碰撞，因此为了避免与自行车B相撞，车辆A需要进行减速。若车辆A以减速度a_Blon进行减速，则车辆A刚好可以将速度减小为0而避免与自行车B相撞，则可以得到该交通场景中车辆A的减速度损失范围Ua_Blon＝[0,a_Blon]，所述的减速度损失范围指的是，车辆A若以该范围内的减速度进行减速则到达碰撞点O时速度不为零，必然会与自行车B相撞。因此，车辆A需要以减速度损失范围之外的减速度进行减速，而车辆A可能的减速度范围中[0,a_Blon]是不能使用的纵向减速度，故称该范围的纵向减速度被损失。同时，计算纵向减速度损失率时还需要确定车辆A本身的减速度能力，例如，车辆A能够拥有的最大纵向减速度范围为Ua_Blonmax＝[0，a_Blonmax]。则纵向减速度损失率可通过如下公式3计算：

其中，Ua_Blon(T)为车辆A在T时刻避免与自行车B相撞的纵向减速度损失范围，例如，图8为本申请提供的碰撞因子的纵向减速度损失率的示意图，图8示出了车辆A的纵向减速度损失率在不同时刻T的变化方式，其中，μ_aBlon的变化范围为[0,1]，当μ_aBlon＝0时，表示车辆A的纵向减速度没有损失，前方可能没有碰撞因子，车辆采用任何纵向减速度都可以避免与碰撞因子相撞；而当μ_aBlon＝1时，表示车辆A的纵向减速度完全损失，无论车辆采用何种纵向减速度进行减速都会与碰撞因子相撞。可以理解的是，在如图8所示的示例中，由于车辆A在行驶过程中，T2时刻相比T1时刻距离碰撞点的距离更近，因此μ_aBlon(T₁)＜μ_aBlon(T₂)。

最终，当通过本实施例上述步骤得到碰撞因子的类型G_B、碰撞风险程度f_AB(R)和纵向减速度损失率μ_aBlon(T)量化后的数值后，可以根据公式1计算碰撞因子的风险值f_BR(B)。例如，可以将类型G_B、碰撞风险程度f_AB(R)和纵向减速度损失率μ_aBlon(T)加权相加后得到碰撞因子的风险值f_BR(B)；或者，可选地，在本实施例提供的公式1一种可能的具体实现方式中，f_BR(B)可以通过如下的公式4中的函数计算：

其中，K_B1、K_B2和K_B3为风险调节系数，可以取任何大于零的自然数；W_B1和W_B2为调节系数，可以取任何自然数；通过该些系数的调节，可以使类型G_B、碰撞风险程度f_AB(R)和纵向减速度损失率μ_aBlon(T)以不同的权重参与碰撞因子的风险值f_BR(B)的计算；T_AB为自动驾驶车辆与碰撞因子发生碰撞的时刻；p为交通场景的初始时刻至车辆与碰撞因子碰撞时刻之间的离散时刻；K_BGi为碰撞因子的类型风险系数，不同类型的碰撞因子对应不同的类型风险系数，例如，按照碰撞因子为汽车、自行车或行人来确定类型风险系数。

2、评估遮挡因子的风险特征。

具体地，当S101所确定的风险因子中包括遮挡因子，则对于风险因子中的任一遮挡因子，本实施例中通过如下公式5计算得到的风险值f_CR(C)，评估遮挡因子的风险特征：

f_CR(C)＝f_CR(K_cba(T)) 公式5

其中，K_cba(T)为交通场景中遮挡因子对车辆检测碰撞因子的时序遮挡率，本实施例中通过时序遮挡率来表示遮挡因子对自动驾驶车辆带来的感知能力损失，时序遮挡率具体用于表示在T时刻，遮挡因子是否对车辆检测碰撞因子产生了遮挡。

下面结合图9对本实施例提供的计算遮挡因子的时序遮挡率K_cba(T)的方法进行说明，其中，图9为本申请提供的遮挡因子的示意图。如图9示出了如图3所示的交通场景中，自动驾驶的车辆A与碰撞因子自行车B在碰撞点O发生碰撞前，车辆C对车辆A检测自行车B所产生的干扰。则根据图9所示的位置关系，以车辆A使用毫米波雷达检测碰撞因子为例，车辆C对车辆A所能够产生的遮挡范围记为URA_CAMWR1＝(θ_CAMWR1min,θ_CAMWR1max)，同时，将车辆A的雷达检测范围记为URA_BMWR1＝(θ_BMWR1min,θ_BMWR1max)。则URA_CAMWR1和URA_BMWR1所重合的角度范围即为车辆C对车辆A检测碰撞因子自行车B时所遮挡的角度范围，因此，得到遮挡因子对车辆A的毫米波雷达的遮挡角度范围为URA_CABMWR1＝URA_CAMWR1∩URA_BMWR1。

随后，根据上述示例统计车辆A上所有传感器S_enserTi的遮挡角度范围后，通过公式6计算车辆C对车辆A的总体遮挡率K_CAB：

K_CAB＝min(K_CABSensori) 公式6

即，通过公式6取车辆A的每个传感器中被车辆C所遮挡的角度范围的最小值。因此，当车辆A的某个传感器能够检测出碰撞因子的情况下K_CAB＝0，车辆A不会被车辆C所遮挡；而当车辆A的所有传感器均被车辆C遮挡的情况下，根据公式6计算出的遮挡范围是车辆A被车辆C所遮挡最小的角度范围。

随后，根据公式6所得到的总体遮挡率K_CAB与遮挡临界值Kp进行对比，其中，当车辆A被车辆C遮挡了用于检测碰撞因子的角度范围为K，但还是能够根据未被车辆C遮挡的角度检测到车辆C时，K的最大值为遮挡临界值Kp。则当K_CAB≥Kp，说明车辆C对车辆A产生了有效遮挡，使得车辆A无法检测到碰撞因子，而当K_CAB＜Kp，说明车辆C未对车辆A产生有效遮挡，车辆A还是可以检测到碰撞因子。可选地，本实施例中所述的遮挡临界值Kp可以通过车辆A与碰撞因子之间的距离、碰撞角度、碰撞因子类型和传感器类型等因素确定；或者可以通过实验标定确定，本申请对遮挡临界值Kp的具体取值不做限定。

进一步地，根据上述实施例确定不同时刻T车辆C对车辆A的总体遮挡率K_CAB后，可以通过如下公式7计算遮挡因子对车辆检测碰撞因子的时序遮挡率K_CAB(T)：

其中，K_CAB(T)指在T时刻的车辆C对车辆A的总体遮挡率K_CAB。则通过公式7可以计算出如图10所示的曲线，其中，图10为本申请提供的遮挡因子的时序遮挡率的示意图，在图10中，通过阶跃变化曲线表示的K_CAB(T)，能够示出不同时刻车辆C对车辆A是否产生了干扰。当时序遮挡率K_CAB(T)在T时刻为0时，说明车辆A被车辆C遮挡不能检测到碰撞因子；当时序遮挡率K_CAB(T)在T时刻为1时，说明车辆C未被车辆A遮挡而能够检测到碰撞因子。例如在如图10所示的示例中，在T1之前的时间段内车辆A未被车辆C遮挡，因此遮挡因子的风险程度降低；而在T1-T2之间的时间段内车辆A一直被车辆C所遮挡，因此遮挡因子的风险程度增加。

最终，当通过本实施例上述步骤得到遮挡因子的时序遮挡率K_CAB(T)后，可以根据公式5计算风险因子中遮挡因子的风险值f_CR(C)。例如，可以将时序遮挡率K_CAB(T)加权后作为f_CR(C)；或者，可选地，在本实施例提供的公式5一种可能的具体实现方式中，f_CR(C)可以通过如下公式8计算：

其中，K_C2和K_C3为风险调节系数，可以取任何大于零的自然数；W_C为调节系数，可以取任何自然数；Tn为交通场景的最终时刻；T_i为时序遮挡率K_CAB(T)取值发生阶跃变化的时刻，在如图10所示的示例中，T_i包括T₁和T₂。

3、评估干扰因子的风险值。

具体地，当S101所确定的风险因子中包括干扰因子，则对于风险因子中的任一干扰因子，本实施例中通过如下公式9计算得到的风险值f_DR(D)，评估干扰因子的风险特征：

其中，D为干扰因子，G_D为干扰因子的类型，

和

为自动驾驶车辆的横向加速度损失率，μ_aDlat(T)为自动驾驶车辆的横向加速度损失率，本实施例中通过横向加速度损失率来标识干扰因子对自动驾驶车辆带来的横向能力损失。

公式9中的干扰因子的类型G_D用于表示对自动驾驶车辆检测碰撞因子产生干扰的干扰因子的类型。可以理解的是，由于G_D参与干扰因子风险值的计算，因此G_D可以以不同数值形式来表示，并且数值越大说明干扰因子本身的类型对自动驾驶车辆的干扰越大，例如：干扰因子是汽车时可能会对自动驾驶车辆产生较大干扰而G_D较大，干扰因子是行人时可能会对自动驾驶车辆产生较小干扰而G_D较小。在图3所示的交通场景中，车辆A为自动驾驶车辆，行人D为车辆A为了避免与碰撞因子相撞而调整方向时，对车辆A产生干扰的干扰因子。

公式9中的纵向减速度损失率μ_aDlat(T)，可参照前述实施例的公式1的说明中，计算纵向减速度损失率μ_aBlon(T)的方法进行计算，不再赘述。公式9中将计算得到的纵向减速度损失率记为μ_aDlat(T)。

公式9中的横向加速度损失率

和

用于表示车辆A为了避免与碰撞因子自行车B相撞而调整行驶方向的角度时，可以调整的角度范围与车辆A能够调整的最大角度范围之比，用于衡量车辆A是否能够使用调整角度的方式避免与碰撞因子相撞。

具体地，图11为本申请提供的干扰因子的纵向减速度损失率的示意图。如图11示出了图3所示的交通场景中，车辆A在调整其行驶方向的角度时，可能与干扰因子行人D发生碰撞，因此，车辆A为了避免在调整行驶方向的角度时与行人D相撞，车辆A需要以图中角度

范围之外的角度对行驶方向进行调整。则记车辆A以图中所示

对应的曲线向行人D左侧调整方向时的横向加速度为a_Dlat1，记车辆A以图中所示

对应的曲线向行人D右侧调整方向时的横向加速度为a_Dlat2，而当车辆A以U_aDlat＝[a_Dlat1,a_Dlat2]范围内的横向加速度调整行驶方向的角度时，会与行人D相撞。因此，车辆A需要以[a_Dlat1,a_Dlat2]范围之外的横向加速度调整行驶方向的角度，而车辆A可能使用的横向加速度中[a_Dlat1,a_Dlat2]是不能使用的横向加速度，故称该范围的横向加速度被损失。同时，计算横向加速度损失率时还需要确定车辆A本身的减速度能力，例如，在图11所示的场景中车辆A能够拥有的最大横向加速度范围为U_aDlatmax＝[-a_latmax,a_latmax]，即图11中车辆A向左侧和最右侧最外侧的虚线。则横向加速度损失率可通过如下公式10计算：

其中，U_aDlat(T)为车辆A在T时刻调整行驶方向的角度时，为了避免与行人D相撞的横向加速度损失范围，例如，图12为本申请提供的干扰因子的横向加速度损失率的示意图；图12示出了车辆A的横向加速度损失率在不同时刻T的变化方式，其中，如图12所示的

可以是

或者

的变化范围为[0,1]，当

时，表示车辆A的横向加速度没有损失，前方可能没有干扰因子，车辆可以采用任何横向加速度以避免与碰撞因子相撞；而当

时，表示车辆A的横向加速度完全损失，无论车辆采用何种横向加速度进行减速都会与干扰因子相撞。

最终，当通过本实施例上述步骤得到干扰因子的类型G_D、纵向减速度损失率μ_aDlat(T)，以及横向加速度损失率

和

后，可以根据公式9计算干扰因子的风险值f_DR(D)。例如，可以将G_D、μ_aDlat(T)、

和

加权相加后得到干扰因子的风险值f_DR(D)；或者，可选地，在本实施例提供的公式9一种可能的实现方式中，f_DR(D)可以通过如下的公式11中的函数计算：

其中，K_D1、K_D2和K_D3为风险调节系数，可以取任何大于零的自然数；W_D1和W_D2为调节系数，可以取任何自然数；通过该些系数的调节，可以使G_D、μ_aDlat(T)、

和

以不同的权重参与干扰因子的风险值f_DR(D)的计算；T_AB为自动驾驶车辆与碰撞因子发生碰撞的时刻；p为交通场景的初始时刻至车辆与碰撞因子碰撞时刻之间的离散时刻；

为T_i时刻

和

之间绝对值的最小值，

为T_i时刻

和

之间绝对值的最大值；K_DG为干扰因子的类型风险系数，不同类型的干扰因子对应不同的类型风险系数，例如，按照干扰因子为汽车、自行车或行人来确定类型风险系数。

综上，本实施例提供的交通场景的风险评估方法中，通过计算交通场景中的风险因子的风险特征，用于对交通场景进行风险评估，其中，风险因子包括交通场景中的碰撞因子、遮挡因子和干扰因子。本实施例提供的交通场景的风险评估方法，综合考虑交通场景中不同风险因子之间存在的相互联系关系，能够更加全面地针对交通场景中带来风险的风险因子本身进行风险值的计算，进而能够提高对交通场景进行风险评估时的评估效率。

可选地，在上述实施例中当通过S102得到至少一个风险因子的风险特征后，可以通过根据S102中计算得到的至少一个风险因子的风险特征对交通场景进行风险评估。例如，图13为本申请提供的交通场景的风险评估方法一实施例的流程示意图。如图13所示，本实施例提供的交通场景的评估方法在如图2所示方法的基础上，可应用如如图1所示的应用场景①中，则该方法在S102之后还包括：

S103：根据所述至少一个风险因子的风险特征对交通场景进行风险评估。

具体地，在S103中，电子设备根据S102中所评估的至少一个风险因子的风险特征后，可通过每个风险因子的风险特征，即每个风险因子的风险值，共同确定交通场景的风险特征，对交通场景进行风险评估。其中，可以通过如下公式12计算交通场景的风险值，从而通过交通场景的风险值对交通场景进行风险评估：

f_R(O)＝f_R(f_BR(B),f_CR(C),f_DR(D)) 公式12

其中，f_R(O)为交通场景的风险特征，用于表示交通场景对自动驾驶车辆带来的能力损失，f_BR(B)为风险因子中碰撞因子的风险值，可由公式1计算得到；f_CR(C)为风险因子中遮挡因子的风险值，可由公式5计算得到；f_DR(D)为风险因子中干扰因子的风险值，可由公式9计算得到。

可选地，在本实施例提供的公式12一种可能的实现方式中，f_R(O)可以通过如下的公式13中的函数计算：

f_R(O)＝K_R1*f_BR(B)+K_R2*f_CR(C)+K_R3*f_DR(D)+W₀ 公式13

其中，K_R1为碰撞因子的风险调节系数，K_R2为遮挡因子的风险调节系数，K_R3为干扰因子的风险调节系数，可以取任何大于零的自然数；Wo为调节系数，可以取任何大于零的自然数，调节系数Wo由交通场景的自然属性决定，例如，交通场景的天气、光照等因素，夜间和雨雪天气的调节系数取值较大，而白天和晴天的调节系数取值较小。

最终，通过公式12得到的交通场景的风险值f_R(O)可用于对交通场景进行风险评估。由于风险值f_R(O)是数值形式表示的风险特征，则可以根据风险值f_R(O)的大小对交通场景进行风险评估，例如，在如图3所示的交通场景中，风险值f_R(O)越大说明在该交通场景中车辆A的可能存在的风险越多，风险值f_R(O)越小说明在该交通场景中车辆A的可能存在的风险越少。

可选地，在上述如图13所示的实施例中，当通过S102得到至少一个风险因子的风险特征后，还包括：S201：根据S103中得到的交通场景的风险值，构建基础风险场景。

具体地，本实施例可应用于如图1所示的对自动驾驶车辆进行评估的自动驾驶评估系统中，所构建的基础风险场景的风险值对服务器是已知的情况下，使得服务器能够验证自动驾驶车辆是否能够对所构建的基础风险场景进行准确的风险评估。

可选地，S201一种具体的实现方式中，所述的构建的基础风险场景包括：

S2011：获取风险元素组合。其中，所述风险元素组合包括上述S101中所获取的交通场景中的至少一个风险因子，以及至少一个风险因子中每个风险因子的运动轨迹信息。

S2012：构建基础道路模型。其中，所述基础道路模型包括所述交通场景中用于当前道路行驶状态的元素，例如：道路边界、红绿灯状态、车道线、道路标志、天气和光照等。将交通场景中的该些元素以及相对位置关系可以构建基础道路模型。

S2013：注入行驶状态。随后，将交通场景中每个风险因子及其运动轨迹信息注入到所构建的基础道路模型中，得到包含风险因子的基础风险场景。

S2014：标记所建立的基础风险场景的风险值。其中，将S103中得到的交通场景的风险值对所构建的基础风险场景进行标记。

可以理解的是，用于验证自动驾驶车辆的服务器可以根据上述步骤构建不同多个的基础风险场景，对于每个基础风险场景的构建方式可参照上述步骤，不再赘述。

最终，经过上述步骤所构建的基础风险场景，其中包括了交通场景中的基础道路模型，以及所得到的各风险因子的行驶轨迹、风险值等信息。即，本实施例中通过获取的实际交通场景，经过交通场景的风险评估后，建立能够还原实际交通场景的、虚拟的基础风险场景。而所建立的基础风险场景可用于在自动驾驶车辆生产或检测过程中，验证自动驾驶车辆是否能够对基础风险场景进行准确的评估，不需要再将自动驾驶车辆行驶上路并还原存在碰撞风险的实际交通场景中。进而使得服务器能够通过构建的基础风险场景，验证自动驾驶车辆是否能够对所构建的基础风险场景进行准确的风险评估，还能够提高验证效率，并尽可能在验证过程中覆盖更多存在风险的交通场景。

进一步地，图14为本申请提供的交通场景的风险评估方法一实施例的流程示意图。如图14所示的交通场景的风险评估方法，在前述实施例基础上，S102之后还包括：

S301：计算至少一个风险因子的泛化风险特征。

具体地，在S301中，将S102中所得到的，用于表示至少一个风险因子的风险特征的风险值，按照风险特征的预设变化规律，分别进行泛化处理后，得到至少一个风险因子与预设变化规律对应的泛化风险值，来表示至少一个风险因子的泛化风险特征。其中，所述的泛化指，通过调整风险值在不同时刻的取值，按照预设变化规律，反向推断出自动驾驶车辆实现调整后的风险值所需要的行驶参数，进而能够在调整后的风险值对应的模拟交通场景中，验证自动驾驶车辆是否能够对所构建的基础风险场景进行准确的风险评估。下面结合附图，对风险因子中碰撞因子、遮挡因子和干扰因子的泛化进行分别说明。

1、泛化碰撞因子的风险特征。

具体地，本实施例中通过如下公式14实现风险因子中碰撞因子的泛化：

μ_aBlon(T′)＝f_B(μ_aBlon(T)) 公式14

其中，μ_aBlon(T)为公式3中所计算的车辆A在T时刻避免与自行车B相撞的纵向减速度损失范围，则公式14通过调整μ_aBlon(T)在不同时刻的取值得到泛化后的纵向减速度损失范围μ_aBlon(T’)后，进一步将泛化后的纵向减速度损失范围μ_aBlon(T’)代入公式1中，能够计算出碰撞因子的泛化风险值f_BR(B’)。

可选地，在本实施例提供的公式14一种具体的实现方式中，预设变化规律包括碰撞因子的取值在不同时刻的变化，例如，μ_aBlon(T’)可以通过如下公式15计算：

μ_aBlon(T′)＝μ_aBlon(T))±i*Δμ_aBlon 公式15

其中，△μ_aBlon为泛化参数的步长，i为调整系数，可以取i＝1,2，…，k的整数。

例如，图15为本申请提供的碰撞因子的泛化示意图；其中，实线为泛化前的公式3中所计算的μ_aBlon(T)；虚线μ_aBlon(T_j’)和μ_aBlon(T₁’)为对μ_aBlon(T)整个T时间范围内进行调整得到的曲线；虚线μ_aBlon(T_n’)为对μ_aBlon(T)部分时间范围内进行调整得到的曲线。

则如图15所示，当经过调整后的μ_aBlon(T_n’)在部分时间范围内的纵向减速度损失率小于调整前的μ_aBlon(T)的纵向减速度损失率，也就意味着自动驾驶车辆可以按照虚线μ_aBlon(T_n’)所示的纵向减速度损失率调整其行驶参数，使得自动驾驶车辆获得更多的纵向减速度调整范围，降低交通场景中碰撞因子所带来的风险。而对于调整后的μ_aBlon(T_j’)和μ_aBlon(T₁’)的纵向减速度损失率大于调整前的μ_aBlon(T)的纵向减速度损失率，说明自动驾驶车辆按照μ_aBlon(T_j’)和μ_aBlon(T₁’)的纵向减速度损失率调整行驶参数时，会增加交通场景中的碰撞因子所带来的风险。

2、泛化遮挡因子的风险特征。

具体地，本实施例中通过如下公式16实现风险因子中遮挡因子的泛化：

K_CBA(T′)＝f_C(K_CBA(T)) 公式16

其中，K_CAB(T)为公式6中所计算的车辆C对车辆A的总体遮挡率，则公式16通过调整K_CAB(T)在不同时刻T的取值得到泛化后的总体遮挡率K_CAB(T’)后，进一步将泛化后的总体遮挡率K_CAB(T’)代入公式5中，能够计算出遮挡因子的泛化风险值f_CR(C’)。

可选地，在本实施例提供的公式16一种具体的实现方式中，预设变化规律包括遮挡因子的取值在不同时刻的变化，例如，K_CAB(T’)可以通过如下公式17计算：

T′_ij＝T′_i±j*ΔT 公式17

其中，T_ij’为与K_CAB(T)中的T_i成映射关系而相对应的时刻点，△T为泛化参数的步长，j为调整系数，可以取j＝1,2，…，k的整数。

例如：图16为本申请提供的遮挡因子的泛化示意图；其中，实线为泛化前的公式6中所计算的K_CAB(T)，t₁、t₂、t₃和t₄为曲线K_CAB(T)的阶跃变化的时刻点，依次对应的属性为不可视碰撞因子时刻点、可视碰撞因子时刻点、不可视碰撞因子时刻点、可视碰撞因子时刻点；则根据公式17对K_CAB(T)在整个时间范围T内进行调整后得到的泛化后的K_CAB(T₁’)，阶跃变化的时刻点变化为t₁₁’、t₂₁’、t₃₁’和t₄₁’；而根据公式17对K_CAB(T)在部分时间范围内进行调整后得到的泛化后的K_CAB(T₂’)和K_CAB(T₃’)，其中，K_CAB(T₂’)的阶跃变化的时刻点变化为t₁₂’、t₂₂’、t₃₂’和t₄₂’，K_CAB(T₃’)的阶跃变化的时刻点变化为t₁₃’、t₂₃’、t₃₃’和t₄₃’。

则如图16所示，当调整后的K_CAB(T₂’)的阶跃变化的时刻点t₁₂’和t₂₂’之间的时间差大于泛化前的K_CAB(T)的阶跃变化的时刻点t₁和t₂之间的时间差，因此当自动驾驶车辆按照泛化后的总体遮挡率K_CAB(T₂’)调整其行驶参数时，会在更多的时刻被遮挡因子遮挡而无法观察到碰撞因子，从而会增加交通场景中的遮挡因子给自动驾驶车辆所带来的风险。

3、泛化干扰因子的风险特征。

具体地，本实施例中通过如下公式18实现风险因子中干扰因子的泛化：

其中，

为公式10中所计算的车辆A在T时刻调整行驶方向的角度时，为了避免与行人D相撞的横向减速度损失范围，则公式18通过调整

在不同时刻的取值得到泛化后的横向减速度损失范围

后，进一步将泛化后的横向减速度损失范围

代入公式9中，能够计算出碰撞因子的泛化风险值f_DR(D’)。

可选地，在本实施例提供的公式18一种具体的实现方式中，预设变化规律包括干扰因子的取值在不同时刻的变化，例如，

可以通过如下公式19计算：

其中，

为泛化参数的步长，i为调整系数，可以取i＝1,2，…，k的整数。

需要说明的是，其中，公式18和公式19中所示的

可以是

或者

其表示方式及泛化调整方式相同，下面以

为

进行说明。例如，如图17为本申请提供的干扰因子的泛化示意图；其中，实现为通过公式10所计算的泛化前的

虚线

和

为对

整个T时间范围内进行调整得到的曲线；虚线

为对

部分时间范围内进行调整得到的曲线。

则如图17所示，当经过调整后的

在全部的时间范围内的横向减速度损失率均小于调整前的

的横向减速度损失率，也就意味着自动驾驶车辆可以按照虚线

所示的横向减速度损失率调整其行驶参数，使得自动驾驶车辆获得更多的横向减速度调整范围，降低交通场景中干扰因子所带来的风险。而对于调整后的

的横向减速度损失率大于调整前的

的横向减速度损失率，说明自动驾驶车辆按照

的横向减速度损失率调整行驶参数时，会增加交通场景中的干扰因子所带来的风险。

随后，使用泛化后的交通场景中所有风险因子泛化后的风险值，共同得到交通场景交通泛化后的风险值，该风险值可用于对泛化后的交通场景进行风险评估。可选地，本实施例中可以将计算得到的泛化后的碰撞因子的风险值f_BR(B’)、泛化后的遮挡因子的风险值f_CR(C’)和泛化后的干扰因子的风险值f_DR(D’)代入如下公式20计算交通场景泛化后的风险值f_R(O’)。

f_R(O′)＝K_R1*f_BR(B′)+K_R2*f_CR(C′)+K_R3*f_DR(D′)+W₀ 公式20

S302：根据S301得到的至少一个风险因子的泛化风险值特征，构建交通场景的泛化风险场景。

具体地，在S302中，根据S301中所评估的泛化后的风险因子，以及风险因子的风险值，在前述实施例得到的基础风险场景的基础上，构建泛化后的泛化风险场景。

其中，构建泛化风险场景的步骤可参照如S201中所示的构建基础风险场景的步骤，所不同在于构建泛化风险场景时使用的参数，是根据泛化后的风险因子的风险值反推出。例如：在构建泛化风险场景时，首先确定至少一个风险因子中每个风险因子的属性信息以及运动状态。则本实施例中可以根据S301中所计算的每个风险因子的泛化风险特征，确定泛化后的至少一个风险因子的运动状态和属性信息，并确定交通场景的基础道路模型后，将至少一个风险因子，以及泛化后的至少一个风险因子的运动状态和属性信息注入到基础道路模型中，得到泛化风险场景。并根据泛化后的至少一个风险因子的风险特征，标记泛化风险场景的风险特征。例如当自动驾驶车辆在实现如图15所示的泛化后的碰撞因子的纵向减速度损失率μ_aBlon(T_n’)时，需要在以一定的纵向减速度向前行驶，可根据泛化后的风险因子反向计算出车辆可能的运动轨迹信息。随后，将计算出的车辆的运动轨迹信息注入泛化前的交通场景的基础道路模型中，得到包含泛化后的风险因子的泛化风险场景。

可以理解的是，在一个交通场景的基础上，可以得到至少一个泛化风险场景。同时，用于验证自动驾驶车辆的服务器可以根据上述步骤构建不同多个的泛化风险场景，对于每个泛化风险场景的构建方式可参照上述步骤，不再赘述。

最终，经过上述步骤所构建的泛化风险场景，其中包括了交通场景中的基础道路模型，还包括了泛化后的各风险因子的行驶轨迹、风险值等信息。所述泛化风险场景可用于验证自动驾驶车辆是否能够对交通场景进行准确的风险评估。即，本实施例中通实际的交通场景，经过对风险因子的风险值进行泛化后，在交通场景的基础上，建立更多虚拟的泛化风险场景。而所建立的泛化风险场景可用于在自动驾驶车辆生产或检测过程中，能够更加全面地通过不同的泛化风险场景，验证自动驾驶车辆是否能够对基础风险场景进行准确的评估，进一步提高了自动驾驶车辆行驶验证时的验证效率。

综上，结合经过如图13所示实施例所构建的基础风险场景，以及经过如图14所示实施例所构建的泛化风险场景，可以共同对自动驾驶车辆是否能够对交通场景进行准确的风险评估进行验证。其中，在如图13所示的实施例中所构建的基础风险场景，是根据实际交通场景进行模拟而仿真得到的，试图通过模拟的基础风险场景最大限度地还原实际交通场景，以对自动驾驶车辆对交通场景的风险评估进行验证；而在图14所示的实施例中所构建的泛化风险场景，是根据所构建的基础风险场景的基础上，对风险因子的风险值进行泛化调整后，反向构建出虚拟的泛化风险场景，而该泛化风险场景可以对应现实中更多的泛化后的实际交通场景，从而能够使用数量更多、风险因子的参数更加全面的风险场景，对自动驾驶车辆对交通场景的风险评估进行验证，以进一步提高对自动驾驶车辆行驶对交通场景的风险评估进行验证的效率。

图18为本申请提供的交通场景的风险评估方法一实施例的流程示意图。如图18所示，本实施例提供的交通场景的评估方法在如图2所示方法的基础上，可应用如如图1所示的应用场景②中，则该方法在S102之后还包括：

S401：确定自动驾驶车辆在交通场景中第一时刻后的预设行驶轨迹。

具体地，在本实施例中，在对自动驾驶车辆在自动驾驶时进行路径规划时，除了根据S101-S102确定该自动驾驶车辆所在交通场景的至少一个风险因子的风险特征，还需要确定第一时刻自动驾驶车辆的预设行驶轨迹。其中，可以根据自动驾驶车辆第一时刻所在的位置、行驶方向、行驶速度、横向加速度和纵向加速度等等行驶参数，确定按照该些行驶参数在第一时刻后的预设行驶轨迹。

S402：根据至少一个风险因子的风险特征，对自动驾驶车辆在交通场景中的预设行驶轨迹进行风险评估。其中，根据S102所确定的至少一个风险因子的风险特征，对S401中所获取的预设行驶轨迹进行风险评估。在一种具体的实现方式中，可以按照如图2所示的S103中的方式计算得到的交通场景的风险值，对预设行驶轨迹进行风险评估。

随后，可以根据S402中对预设行驶轨迹的风险评估结果，调整自动驾驶车辆的行驶参数后，再次对调整后的行驶轨迹进行风险评估。并可以不断调整行驶参数得到不同的行驶轨迹，并最终得到风险值最小的行驶轨迹，作为自动驾驶车辆后续行驶的轨迹。最终，根据所确定的轨迹，确定车辆后续的行驶策略，从而实现了根据实时对行驶轨迹的风险评估结果，调整车辆的行驶参数，使得以实现车辆以较低的风险值对应的行驶轨迹进行自动行驶。

上述本申请提供的实施例中，以执行主体为电子设备为例，对本申请实施例提供的方法进行了介绍。为了实现上述本申请实施例提供的方法中的各功能，作为执行主体的电子设备还可以包括硬件结构和/或软件模块，以硬件结构、软件模块、或硬件结构加软件模块的形式来实现上述各功能。上述各功能中的某个功能以硬件结构、软件模块、还是硬件结构加软件模块的方式来执行，取决于技术方案的特定应用和设计约束条件。

例如，图19为本申请提供的交通场景的风险评估装置一实施例的结构示意图，如图19所示，本实施例提供的交通风险场景的评估装置1900包括：获取模块1901和确定模块1902。其中，获取模块1901用于确定自动驾驶车辆在第一时刻所在交通场景中的至少一个风险因子，以及至少一个风险因子的运动状态和属性信息；其中，风险因子包括：交通场景中的碰撞因子、遮挡因子和/或干扰因子；碰撞因子包括当自动驾驶车辆保持第一时刻的行驶状态，在第一时刻后的第二时刻将要与自动驾驶车辆相撞的物体；遮挡因子在第一时刻与第二时刻之间任一时刻，使自动驾驶车辆无法检测到碰撞因子的物体；干扰因子包括在自动驾驶车辆为了避免与碰撞因子相撞而调整行驶状态后，交通场景中可能会与以调整后的行驶状态行驶的自动驾驶车辆相撞的物体；确定模块1902用于根据自动驾驶车辆的行驶状态、风险因子的运动状态和风险因子的属性信息，分别确定每个风险因子的风险特征；其中，风险因子的风险特征用于表示风险因子对自动驾驶车辆带来的能力损失；风险特征用于对交通场景进行风险评估。

可选地，能力损失包括：自动驾驶车辆的纵向能力损失、横向能力损失和感知能力损失。

可选地，获取模块1901具体通过通信模块和/或传感器接收风险场景中至少一个物体所发送的至少一个风险因子的运动状态和属性信息；其中，通信模块包括：车车互联V2V模块、车路互联V2I模块、车人V2P互联模块或者短距离通信模块。

可选地，当风险因子包括碰撞因子，确定模块1902具体用于，根据自动驾驶车辆的行驶状态、碰撞因子的运动状态，确定碰撞因子与自动驾驶车辆碰撞时的碰撞风险程度；

根据自动驾驶车辆的行驶状态，确定自动驾驶车辆纵向减速度损失率；

根据碰撞因子的属性信息，碰撞风险程度和纵向减速度损失率，确定碰撞因子的风险特征。

可选地，确定模块1902具体用于，根据自动驾驶车辆的行驶状态、风险因子的运动状态，确定自动驾驶车辆与碰撞因子相撞时，自动驾驶车辆碰撞面的第一表面与自动驾驶车辆碰撞面的第二表面相撞；

根据映射关系确定第一表面和第二表面对应的碰撞风险程度；其中，映射关系包括至少一个自动驾驶车辆碰撞面、自动驾驶车辆碰撞面和碰撞风险程度之间的对应关系。

可选地，确定模块1902具体用于，确定自动驾驶车辆在第一时刻与第二时刻之间任意时刻的纵向减速度损失范围；其中，纵向减速度损失范围包括自动驾驶车辆采用减速方式避免与碰撞因子在第二时刻相撞时，不能使用的纵向减速度；

确定自动驾驶车辆的纵向减速度范围；其中，纵向减速度范围包括自动驾驶车辆能够使用的所有纵向减速度；

根据纵向减速度损失范围与纵向减速度范围之比确定纵向减速度损失率。

可选地，当风险因子包括遮挡因子，确定模块1902具体用于，根据自动驾驶车辆的行驶状态、风险因子的运动状态，确定遮挡因子对自动驾驶车辆的时序遮挡率；

根据时序遮挡率，确定遮挡因子的风险特征。

可选地，确定模块1902具体用于，根据自动驾驶车辆的行驶状态、风险因子的运动状态，确定自动驾驶车辆上用于检测碰撞因子的至少一个模块；

对于至少一个模块中的每个模块的实际遮挡角度；其中，实际遮挡角度包括模块在第一时刻与第二时刻之间任意时刻，能够检测的角度范围与遮挡因子所遮挡的角度范围的交集；

根据至少一个模块中，实际遮挡角度的最小值与遮挡临界值之间的大小关系，确定自动驾驶车辆的时序遮挡率。

可选地，当风险因子包括干扰因子，确定模块1902具体用于，根据自动驾驶车辆的行驶状态和风险因子的运动状态，确定自动驾驶车辆的横向加速度损失率；

根据自动驾驶车辆的行驶状态，确定自动驾驶车辆的纵向减速度损失率；

根据干扰因子的属性信息，干扰因子的横向加速度损失率，以及干扰因子的纵向减速度损失率，确定干扰因子的风险特征。

可选地，确定模块1902具体用于，确定自动驾驶车辆在第一时刻之后的横向加速度损失范围；其中，横向加速度损失范围包括自动驾驶车辆采用改变行驶方向的方式避免与碰撞因子在第二时刻相撞时，会与干扰因子相撞所使用的横向加速度；

确定自动驾驶车辆的横向加速度范围；其中，横向加速度范围包括自动驾驶车辆能够使用的所有横向加速度；

根据横向加速度损失范围与横向加速度范围之比确定横向加速度损失率。

可选地，在上述如图19所示实施例的基础上，图20为本申请提供的交通场景的风险评估装置一实施例的结构示意图，如图20所示的实施例中提供的装置还包括：风险评估模块1903。

可选地，风险评估模块1903具体用于，根据至少一个风险因子中，碰撞因子的风险特征、遮挡因子的风险特征和干扰因子的风险特征，共同确定交通场景的风险特征；其中，交通场景的风险特征用于表示交通场景对自动驾驶车辆带来的能力损失；

通过交通场景的风险特征对交通场景进行风险评估。

可选地，在上述如图19或图20所示实施例的基础上，图21为本申请提供的交通场景的风险评估装置一实施例的结构示意图，如图20所示的实施例中提供的装置还包括：自动驾驶评估模块1904。

可选地，获取模块1901还用于，确定自动驾驶车辆在交通场景中第一时刻后的预设行驶轨迹；

自动驾驶评估模块1904还用于，根据至少一个风险因子的风险特征，对自动驾驶车辆在交通场景中的预设行驶轨迹进行风险评估。

可选地，风险评估模块1903还用于，根据至少一个风险因子构建交通场景的基础风险场景；其中，基础风险场景用于验证自动驾驶车辆是否能够对交通场景进行准确的风险评估。

可选地，评风险估模块1903具体用于，确定交通场景的基础道路模型；

将至少一个风险因子，以及至少一个风险因子的运动状态和属性信息注入基础道路模型中，得到基础风险场景；

根据至少一个风险因子的风险特征，标记基础风险场景的风险特征。

可选地，在上述如图19、图20或图21所示实施例的基础上，图22为本申请提供的交通场景的风险评估装置一实施例的结构示意图，如图22所示的实施例提供的装置还包括：泛化模块1905。

泛化模块1905用于，按照风险特征的预设变化规律对至少一个风险因子的风险特征进行泛化处理后，得到至少一个风险因子与预设变化规律对应的泛化风险特征；

根据至少一个风险因子的泛化风险特征构建交通场景的泛化风险场景。

可选地，泛化模块1905具体用于，根据至少一个风险因子的泛化风险特征，确定泛化后的至少一个风险因子的运动状态和属性信息；

确定交通场景的基础道路模型；

将至少一个风险因子，以及泛化后的至少一个风险因子的运动状态和属性信息注入基础道路模型中，得到泛化风险场景；

根据泛化后的至少一个风险因子的风险特征，标记泛化风险场景的风险特征。

本实施例提供的交通场景的风险评估装置，可用于执行本申请前述实施例中对应的交通场景的交通场景的风险评估方法，其实现方式与原理相同，不再赘述。

本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本申请各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个专用集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。

图23为本申请提供的装置的结构示意图，该装置可用于实现本申请前述任一实施例中的交通场景的风险评估方法。其中，该装置可以是电子设备，或者该装置可以为芯片系统，或者可以是其他处理装置。本申请实施例中，芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。装置1000包括至少一个处理器1020，用于实现本申请实施例提供的方法中电子设备的功能。

装置1000还可以包括至少一个存储器1030，用于存储程序指令和/或数据。存储器1030和处理器1020耦合。本申请实施例中的耦合是装置、单元或模块之间的间接耦合或通信连接，可以是电性，机械或其它的形式，用于装置、单元或模块之间的信息交互。处理器1020可能和存储器1030协同操作。处理器1520可能执行存储器1030中存储的指令。当处理器1020执行所述执行存储器1030中存储的指令时，使得装置1000执行确定每个风险因子的风险特征等方法流程，具体参见方法示例中的详细描述，此处不做赘述。

装置1000还可以包括通信接口1010，用于通过传输介质和其它设备进行通信，从而用于装置1000中的装置可以和其它设备进行通信。示例性地，该其它设备可以是通信模块和/或传感器。示例性地，处理器1020可以通过通信接口1010获取通信模块和/或传感器发送的所述至少一个风险因子的运动状态和属性信息。

本申请实施例中不限定上述收发器1010、处理器1020以及存储器1030之间的具体连接介质。本申请实施例在图23中以存储器1030、处理器1020以及收发器1010之间通过总线1040连接，总线在图23中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图23中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

在本申请实施例中，处理器可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

在本申请实施例中，存储器可以是非易失性存储器，比如硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)等，还可以是易失性存储器(volatilememory)，例如随机存取存储器(random-access memory，RAM)。存储器是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。

本申请实施例提供的方法中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、网络设备、用户设备或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，简称DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机可以存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，数字视频光盘(digital video disc，简称DVD))、或者半导体介质(例如,SSD)等。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (20)

1.一种交通场景的风险评估方法，其特征在于，包括：

确定自动驾驶车辆在第一时刻所在交通场景中的至少一个风险因子，以及所述至少一个风险因子的运动状态和属性信息；其中，所述风险因子包括：所述交通场景中的碰撞因子、遮挡因子、干扰因子中的至少一个；所述碰撞因子包括当所述自动驾驶车辆保持所述第一时刻的行驶状态，在所述第一时刻后的第二时刻将要与所述自动驾驶车辆相撞的物体；所述遮挡因子在所述第一时刻与所述第二时刻之间任一时刻，使所述自动驾驶车辆无法检测到所述碰撞因子的物体；所述干扰因子包括在所述自动驾驶车辆为了避免与所述碰撞因子相撞而调整行驶状态后，所述交通场景中可能会与以调整后的行驶状态行驶的自动驾驶车辆相撞的物体；

根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态和所述风险因子的属性信息，分别确定每个所述风险因子的风险特征；其中，所述风险因子的风险特征用于表示所述风险因子对所述自动驾驶车辆带来的能力损失，所述风险特征用于对所述交通场景进行风险评估；

当所述风险因子包括所述碰撞因子，则根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态和所述风险因子的属性信息，确定所述风险因子的风险特征，包括：

根据所述自动驾驶车辆的行驶状态、所述碰撞因子的运动状态，确定所述碰撞因子与所述自动驾驶车辆碰撞时的碰撞风险程度；

根据所述自动驾驶车辆的行驶状态，确定所述自动驾驶车辆纵向减速度损失率；

根据所述碰撞因子的属性信息，所述碰撞风险程度和所述纵向减速度损失率，确定所述碰撞因子的风险特征；

当所述风险因子包括所述遮挡因子，则根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态和所述风险因子的属性信息，确定所述风险因子的风险特征，包括：

根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述遮挡因子对所述自动驾驶车辆的时序遮挡率；

根据所述时序遮挡率，确定所述遮挡因子的风险特征；

当所述风险因子包括所述干扰因子，则根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态和所述风险因子的属性信息，确定所述风险因子的风险特征，包括：

根据所述自动驾驶车辆的行驶状态和所述风险因子的运动状态，确定所述自动驾驶车辆的横向加速度损失率；

根据所述自动驾驶车辆的行驶状态，确定所述自动驾驶车辆的纵向减速度损失率；

根据所述干扰因子的属性信息，所述横向加速度损失率，以及所述纵向减速度损失率，确定所述干扰因子的风险特征。

2.根据权利要求1所述的方法，其特征在于，所述根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述碰撞因子与所述自动驾驶车辆碰撞时的碰撞风险程度，包括：

根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述自动驾驶车辆与所述碰撞因子相撞时，所述自动驾驶车辆碰撞面的第一表面与自动驾驶车辆碰撞面的第二表面相撞；

根据映射关系确定所述第一表面和所述第二表面对应的碰撞风险程度；其中，所述映射关系包括至少一个所述自动驾驶车辆碰撞面、自动驾驶车辆碰撞面和碰撞风险程度之间的对应关系。

3.根据权利要求1所述的方法，其特征在于，所述根据所述碰撞因子的属性信息，确定所述自动驾驶车辆纵向减速度损失率，包括：

确定所述自动驾驶车辆在所述第一时刻与所述第二时刻之间任意时刻的纵向减速度损失范围；其中，所述纵向减速度损失范围包括所述自动驾驶车辆采用减速方式避免与所述碰撞因子在第二时刻相撞时，不能使用的纵向减速度；

确定所述自动驾驶车辆的纵向减速度范围；其中，所述纵向减速度范围包括所述自动驾驶车辆能够使用的所有纵向减速度；

根据所述纵向减速度损失范围与所述纵向减速度范围之比确定所述纵向减速度损失率。

4.根据权利要求1所述的方法，其特征在于，所述根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述遮挡因子对所述自动驾驶车辆的时序遮挡率，包括：

根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述自动驾驶车辆上用于检测所述碰撞因子的至少一个模块；

对于所述至少一个模块中的每个模块的实际遮挡角度；其中，所述实际遮挡角度包括所述模块在所述第一时刻与所述第二时刻之间任意时刻，能够检测的角度范围与所述遮挡因子所遮挡的角度范围的交集；

根据所述至少一个模块中，所述实际遮挡角度的最小值与遮挡临界值之间的大小关系，确定所述自动驾驶车辆的时序遮挡率。

5.根据权利要求1所述的方法，其特征在于，所述根据所述自动驾驶车辆的行驶状态和所述风险因子的运动状态，确定所述自动驾驶车辆的横向加速度损失率，包括：

确定所述自动驾驶车辆在所述第一时刻之后的横向加速度损失范围；其中，所述横向加速度损失范围包括所述自动驾驶车辆采用改变行驶方向的方式避免与所述碰撞因子在第二时刻相撞时，会与所述干扰因子相撞所使用的横向加速度；

确定所述自动驾驶车辆的横向加速度范围；其中，所述横向加速度范围包括所述自动驾驶车辆能够使用的所有横向加速度；

根据所述横向加速度损失范围与所述横向加速度范围之比确定所述横向加速度损失率。

6.根据权利要求1-5任一项所述的方法，其特征在于，还包括：

根据所述至少一个风险因子中，所述碰撞因子的风险特征、所述遮挡因子的风险特征和所述干扰因子的风险特征，共同确定所述交通场景的风险特征；其中，所述交通场景的风险特征用于表示所述交通场景对所述自动驾驶车辆带来的能力损失；

通过所述交通场景的风险特征对所述交通场景进行风险评估。

7.根据权利要求1-5任一项所述的方法，其特征在于，还包括：

确定所述自动驾驶车辆在所述交通场景中所述第一时刻后的预设行驶轨迹；

根据所述至少一个风险因子的风险特征，对所述自动驾驶车辆在所述交通场景中的预设行驶轨迹进行风险评估。

8.根据权利要求1-5任一项所述的方法，其特征在于，还包括：

按照所述风险特征的预设变化规律对所述至少一个风险因子的风险特征进行泛化处理后，得到所述至少一个风险因子与所述预设变化规律对应的泛化风险特征；

根据所述至少一个风险因子的泛化风险特征构建所述交通场景的泛化风险场景。

9.根据权利要求8所述的方法，其特征在于，所述根据所述至少一个风险因子的泛化风险特征构建所述交通场景的泛化风险场景，包括：

根据所述至少一个风险因子的泛化风险特征，确定泛化后的所述至少一个风险因子的运动状态和属性信息；

确定所述交通场景的基础道路模型；

将所述至少一个风险因子，以及泛化后的所述至少一个风险因子的运动状态和属性信息注入所述基础道路模型中，得到所述泛化风险场景；

根据泛化后的所述至少一个风险因子的风险特征，标记所述泛化风险场景的风险特征。

10.一种交通场景的风险评估装置，其特征在于，包括：

获取模块，用于确定自动驾驶车辆在第一时刻所在交通场景中的至少一个风险因子，以及所述至少一个风险因子的运动状态和属性信息；其中，所述风险因子包括：所述交通场景中的碰撞因子、遮挡因子、干扰因子中的至少一个；所述碰撞因子包括当所述自动驾驶车辆保持所述第一时刻的行驶状态，在所述第一时刻后的第二时刻将要与所述自动驾驶车辆相撞的物体；所述遮挡因子在所述第一时刻与所述第二时刻之间任一时刻，使所述自动驾驶车辆无法检测到所述碰撞因子的物体；所述干扰因子包括在所述自动驾驶车辆为了避免与所述碰撞因子相撞而调整行驶状态后，所述交通场景中可能会与以调整后的行驶状态行驶的自动驾驶车辆相撞的物体；

确定模块，用于根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态和所述风险因子的属性信息，分别确定每个所述风险因子的风险特征；其中，所述风险因子的风险特征用于表示所述风险因子对所述自动驾驶车辆带来的能力损失，所述风险特征用于对所述交通场景进行风险评估；

当所述风险因子包括碰撞因子，所述确定模块具体用于，

根据所述自动驾驶车辆的行驶状态、所述碰撞因子的运动状态，确定所述碰撞因子与所述自动驾驶车辆碰撞时的碰撞风险程度；

根据所述自动驾驶车辆的行驶状态，确定所述自动驾驶车辆纵向减速度损失率；

根据所述碰撞因子的属性信息，所述碰撞风险程度和所述纵向减速度损失率，确定所述碰撞因子的风险特征；

当所述风险因子包括所述遮挡因子，所述确定模块具体用于，

根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述遮挡因子对所述自动驾驶车辆的时序遮挡率；

根据所述时序遮挡率，确定所述遮挡因子的风险特征；

当所述风险因子包括所述干扰因子，所述确定模块具体用于，

根据所述自动驾驶车辆的行驶状态和所述风险因子的运动状态，确定所述自动驾驶车辆的横向加速度损失率；

根据所述自动驾驶车辆的行驶状态，确定所述自动驾驶车辆的纵向减速度损失率；

根据所述干扰因子的属性信息，所述横向加速度损失率，以及所述纵向减速度损失率，确定所述干扰因子的风险特征。

11.根据权利要求10所述的装置，其特征在于，所述确定模块具体用于，

根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述自动驾驶车辆与所述碰撞因子相撞时，所述自动驾驶车辆碰撞面的第一表面与自动驾驶车辆碰撞面的第二表面相撞；

根据映射关系确定所述第一表面和所述第二表面对应的碰撞风险程度；其中，所述映射关系包括至少一个所述自动驾驶车辆碰撞面、自动驾驶车辆碰撞面和碰撞风险程度之间的对应关系。

12.根据权利要求10所述的装置，其特征在于，所述确定模块具体用于，

确定所述自动驾驶车辆在所述第一时刻与所述第二时刻之间任意时刻的纵向减速度损失范围；其中，所述纵向减速度损失范围包括所述自动驾驶车辆采用减速方式避免与所述碰撞因子在第二时刻相撞时，不能使用的纵向减速度；

确定所述自动驾驶车辆的纵向减速度范围；其中，所述纵向减速度范围包括所述自动驾驶车辆能够使用的所有纵向减速度；

根据所述纵向减速度损失范围与所述纵向减速度范围之比确定所述纵向减速度损失率。

13.根据权利要求10所述的装置，其特征在于，所述确定模块具体用于，

根据所述自动驾驶车辆的行驶状态、所述风险因子的运动状态，确定所述自动驾驶车辆上用于检测所述碰撞因子的至少一个模块；

对于所述至少一个模块中的每个模块的实际遮挡角度；其中，所述实际遮挡角度包括所述模块在所述第一时刻与所述第二时刻之间任意时刻，能够检测的角度范围与所述遮挡因子所遮挡的角度范围的交集；

根据所述至少一个模块中，所述实际遮挡角度的最小值与遮挡临界值之间的大小关系，确定所述自动驾驶车辆的时序遮挡率。

14.根据权利要求10所述的装置，其特征在于，所述确定模块具体用于，

确定所述自动驾驶车辆在所述第一时刻之后的横向加速度损失范围；其中，所述横向加速度损失范围包括所述自动驾驶车辆采用改变行驶方向的方式避免与所述碰撞因子在第二时刻相撞时，会与所述干扰因子相撞所使用的横向加速度；

确定所述自动驾驶车辆的横向加速度范围；其中，所述横向加速度范围包括所述自动驾驶车辆能够使用的所有横向加速度；

根据所述横向加速度损失范围与所述横向加速度范围之比确定所述横向加速度损失率。

15.根据权利要求10-14任一项所述的装置，其特征在于，还包括：风险评估模块；所述风险评估模块用于，

根据所述至少一个风险因子中，所述碰撞因子的风险特征、所述遮挡因子的风险特征和所述干扰因子的风险特征，共同确定所述交通场景的风险特征；其中，所述交通场景的风险特征用于表示所述交通场景对所述自动驾驶车辆带来的能力损失；

通过所述交通场景的风险特征对所述交通场景进行风险评估。

16.根据权利要求10-14任一项所述的装置，其特征在于，还包括：自动驾驶评估模块；

所述获取模块还用于，确定所述自动驾驶车辆在所述交通场景中所述第一时刻后的预设行驶轨迹；

所述自动驾驶评估模块用于，根据所述至少一个风险因子的风险特征，对所述自动驾驶车辆在所述交通场景中的预设行驶轨迹进行风险评估。

17.根据权利要求10-14任一项所述的装置，其特征在于，还包括：泛化模块；所述泛化模块用于，

按照所述风险特征的预设变化规律对所述至少一个风险因子的风险特征进行泛化处理后，得到所述至少一个风险因子与所述预设变化规律对应的泛化风险特征；

根据所述至少一个风险因子的泛化风险特征构建所述交通场景的泛化风险场景。

18.根据权利要求17所述的装置，其特征在于，所述泛化模块具体用于，

根据所述至少一个风险因子的泛化风险特征，确定泛化后的所述至少一个风险因子的运动状态和属性信息；

确定所述交通场景的基础道路模型；

将所述至少一个风险因子，以及泛化后的所述至少一个风险因子的运动状态和属性信息注入所述基础道路模型中，得到所述泛化风险场景；

根据泛化后的所述至少一个风险因子的风险特征，标记所述泛化风险场景的风险特征。

19.一种装置，其特征在于，包括处理器和存储器，所述存储器中存储有指令，所述处理器调用所述指令时，使所述装置执行如权利要求1-9中任一项所述的方法。

20.一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得所述计算机执行如权利要求1-9中任一项所述的方法。

Images