CN111204336A - 一种车辆行车风险的评估方法及设备 - Google Patents
一种车辆行车风险的评估方法及设备 Download PDFInfo
- Publication number
- CN111204336A CN111204336A CN202010026827.5A CN202010026827A CN111204336A CN 111204336 A CN111204336 A CN 111204336A CN 202010026827 A CN202010026827 A CN 202010026827A CN 111204336 A CN111204336 A CN 111204336A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- field
- obstacle
- ellipse
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012502 risk assessment Methods 0.000 title abstract description 16
- 238000005381 potential energy Methods 0.000 claims abstract description 45
- 238000012937 correction Methods 0.000 claims abstract description 28
- 230000003068 static effect Effects 0.000 claims abstract description 25
- 230000003542 behavioural effect Effects 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 14
- 206010039203 Road traffic accident Diseases 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000013439 planning Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
一种车辆行车风险的评估方法、设备和计算机可读存储介质,其中,所述方法包括:实时获取车辆的位置以及所述车辆周围的障碍物的位置,所述障碍物包括静止障碍物和运动障碍物;对所述车辆和障碍物的相对位置进行椭圆修正,根据修正后的车辆和静止障碍物的相对位置确定所述静止障碍物对所述车辆产生的势能场的场强,以及根据修正后的车辆和运动障碍物的相对位置确定所述运动障碍物对所述车辆产生的动能场的场强;确定所述车辆的驾驶员形成的行为场的场强;根据所述势能场的场强、动能场的场强和行为场的场强确定所述车辆的行车风险场的场强。本申请实施例考虑了车辆风险场的各向异性,可实现车辆在全路段多障碍物条件下行车风险评估与分析。
Description
技术领域
本文涉及智能车路协同领域,尤指一种车辆行车风险的评估方法、设备和计算机可读存储介质。
背景技术
智能车路协同系统采用先进的无线通信和新一代互联网等技术,全方位实现车车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车路协同安全和道路主动控制,充分实现人、车、路的有效协同,保证交通安全,提高通行效率,从而形成安全、高效和环保的道路交通系统。
V2X(vehicle to everything,车对外界的信息交换)是车路协同环境下实现信息交互的基础性平台。通过将车辆与行人、道路基础设施等的互联,使得车辆具有更强的感知能力,在不依赖高精度传感器的基础上,实现与交通环境相结合的高精度车辆定位、车辆高精度运行轨迹数据的获取、车辆实时动态运行信息交互以及基于车路协同的道路交通协同控制、车辆驾驶协同安全等功能。
有别于传统的自动驾驶实现方法,基于车路协同的自动驾驶是世界范围内一种全新的技术路线。通过车路协同系统的辅助,可有效降低对高精度传感器和智能算法的依赖,是一种在可控低成本、高可靠、可适时实现的自动驾驶解决方案。
基于车路协同的自动驾驶的关键技术主要包含五个方面:基于GPS(GlobalPositioning System,全球定位系统)/北斗导航的高精度导航定位技术、环境协同感知技术、在途路径动态优化技术、在途自动避撞技术和高级度地图动态分发与管理技术。
其中,路径规划技术是自动驾驶技术中的重要一环,是在途路径优化技术和自动避撞技术部分内容的结合,自动驾驶车辆在进行路径规划时,需要实现对道路上的风险等级进行准确而恰当的估计。
发明内容
本申请提供了一种车辆行车风险的评估方法、设备和计算机可读存储介质,以实现对行车风险进行准确评估。
本申请实施例提供了一种车辆行车风险的评估方法,包括:
实时获取车辆的位置以及所述车辆周围的障碍物的位置,所述障碍物包括静止障碍物和运动障碍物;
对所述车辆和障碍物的相对位置进行椭圆修正,根据修正后的车辆和静止障碍物的相对位置确定所述静止障碍物对所述车辆产生的势能场的场强,以及根据修正后的车辆和运动障碍物的相对位置确定所述运动障碍物对所述车辆产生的动能场的场强;
确定所述车辆的驾驶员形成的行为场的场强;
根据所述势能场的场强、动能场的场强和行为场的场强确定所述车辆的行车风险场的场强。
在一实施例中,所述障碍物的位置包括第一位置坐标,所述车辆的位置包括第二位置坐标,所述对所述车辆和障碍物的相对位置进行椭圆修正,包括:
以所述第一位置坐标为椭圆的中心,根据椭圆修正系数,将位于椭圆上的第二位置坐标修正到位于圆的第三位置坐标;其中,所述椭圆修正系数为所述椭圆的短轴值和长轴值的比,所述圆的半径等于所述椭圆的长轴值。
在一实施例中,所述以所述第一位置坐标为椭圆的中心,根据椭圆修正系数,将位于椭圆上的第二位置坐标修正到位于圆的第三位置坐标,包括:
设置所述第三位置坐标为(a,0)。
在一实施例中,所述方法还包括:
根据所述车辆在不同车道上发生交通事故的概率与在同一车道上发生交通事故的概率的比值确定所述椭圆修正系数。
在一实施例中,所述根据修正后的车辆和静止障碍物的相对位置确定所述静止障碍物对所述车辆产生的势能场的场强,包括:
其中G是万有引力常数,k1为距离因子常数,rji表示所述静止障碍物的位置(xj,yj)和修正后的车辆的位置(xi,yi)之间的距离向量,Mj为所述静止障碍物的等效质量,Rj为道路影响因子。
在一实施例中,所述根据修正后的车辆和运动障碍物的相对位置确定所述运动障碍物对所述车辆产生的动能场的场强,包括:
其中G是万有引力常数,k1为距离因子常数,rji表示所述运动障碍物的位置(xj,yj)和修正后的车辆的位置(xi,yi)之间的距离向量,Mj为所述运动障碍物的等效质量,Rj为道路影响因子,k2为运动风险影响因子,vj为所述运动障碍物的速度,θj为所述运动障碍物的速度方向与rji的夹角。
在一实施例中,所述确定所述车辆的驾驶员形成的行为场的场强,包括:
在一实施例中,所述车辆的行车风险场的场强等于所述车辆周围的所有的静止障碍物对所述车辆产生的势能场的场强、所述车辆周围的所有的运动障碍物对所述车辆产生的动能场的场强以及所述行为场的场强的加权和。
本申请实施例还提供一种车辆行车风险的评估设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述车辆行车风险的评估方法。
本申请实施例还提供一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行所述车辆行车风险的评估方法。
与相关技术相比,本申请包括:实时获取车辆的位置以及所述车辆周围的障碍物的位置,所述障碍物包括静止障碍物和运动障碍物;对所述车辆和障碍物的相对位置进行椭圆修正,根据修正后的车辆和静止障碍物的相对位置确定所述静止障碍物对所述车辆产生的势能场的场强,以及根据修正后的车辆和运动障碍物的相对位置确定所述运动障碍物对所述车辆产生的动能场的场强;确定所述车辆的驾驶员形成的行为场的场强;根据所述势能场的场强、动能场的场强和行为场的场强确定所述车辆的行车风险场的场强。本申请实施例通过对车辆和障碍物的相对位置进行椭圆修正,充分考虑车辆安全性在不同方向上的差异,从而可以更准确地对行车风险场进行评估。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1为本申请实施例的车辆行车风险的评估方法的流程图;
图2为本申请实施例的椭圆伸缩修正与关系的示意图;
图3为本申请实施例的三维状态下的静止物体势能场的场强的示意图;
图4为本申请实施例的二维状态下的静止物体势能场的场强的示意图;
图5为本申请实施例的动能场的示意图;
图6为本申请实施例的三维状态下运动物体动能场的场强的示意图;
图7为本申请实施例的二维状态下运动物体动能场的场强的示意图;
图8为不同道路上安全性不同的示意图;
图9为本申请实施例的全路段多障碍物行车风险场的示意图;
图10为本申请实施例的全路段行车风险场动态演示图;
图11为本申请实施例的车辆行车风险的评估装置的示意图。
具体实施方式
本申请描述了多个实施例,但是该描述是示例性的,而不是限制性的,并且对于本领域的普通技术人员来说显而易见的是,在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合,并在具体实施方式中进行了讨论,但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外,任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用,或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合,以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合,以形成另一个由权利要求限定的独特的发明方案。因此,应当理解,在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此,除了根据所附权利要求及其等同替换所做的限制以外,实施例不受其它限制。此外,可以在所附权利要求的保护范围内进行各种修改和改变。
此外,在描述具有代表性的实施例时,说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而,在该方法或过程不依赖于本文所述步骤的特定顺序的程度上,该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的,其它的步骤顺序也是可能的。因此,说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外,针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤,本领域技术人员可以容易地理解,这些顺序可以变化,并且仍然保持在本申请实施例的精神和范围内。
针对不同的对象和应用场景,全路段行车风险场由如下几类组成:(1)势能场(2)动能场(3)行为场,分别对应静止物体生成的风险场、运动物体生成的风险场以及驾驶员行为生成的风险场,可表示为如下所示:
Es=ER+EV+ED
其中Es为全路段风险场函数,ER为静止物体的势能场,EV为运动物体生成的动能场,ED为驾驶员行为生成的行为场。利用上述行车风险场模型,即可计算出全路段各种交通要素或障碍物对某一行驶车辆所形成的行车风险大小。
如图1所示,本申请实施例提出一种车辆行车风险的评估方法,包括:
步骤101,实时获取车辆的位置以及所述车辆周围的障碍物的位置,所述障碍物包括静止障碍物和运动障碍物。
其中,所述位置可以包括位置坐标,车辆周围的障碍物可以是指距离所述车辆指定范围内的障碍物,例如距离所述车辆100米以内的障碍物。
所述静止障碍物为对所述车辆可能发生影响的静止物体,可以包括停止的车辆、隔离带、路障、交通标识等。
所述运动障碍物为对所述车辆可能发生影响的运动物体,可以包括运动的机动车,非机动车以及行人等。
步骤102,对所述车辆和障碍物的相对位置进行椭圆修正,根据修正后的车辆和静止障碍物的相对位置确定所述静止障碍物对所述车辆产生的势能场的场强,以及根据修正后的车辆和运动障碍物的相对位置确定所述运动障碍物对所述车辆产生的动能场的场强。
在考虑车道情况下,道路不同方向的安全性有差异。对于障碍物,距离其相同距离不同测试点,位于同一车道处的安全风险要大于垂直车道处。
原始的势能场和动能场仅仅考虑安全场的产生点和作用点之间的距离,故势能场和动能场的整体分布呈现一个圆形,为了考虑车辆安全性在不同方向上的差异,引入椭圆公式来对车辆和障碍物的相对位置进行修正,经过椭圆公式修正后的势能场和动能场分布呈现椭圆形。
在一实施例中,所述障碍物的位置包括第一位置坐标,所述车辆的位置包括第二位置坐标,所述对所述车辆和障碍物的相对位置进行椭圆修正,包括:
以所述第一位置坐标为椭圆的中心,根据椭圆修正系数,将位于椭圆上的第二位置坐标修正到位于圆的第三位置坐标;其中,所述椭圆修正系数为所述椭圆的短轴值和长轴值的比,所述圆的半径等于所述椭圆的长轴值。
参照图2,假设障碍物的位置为第一位置坐标(xj,yj)(也即障碍物的势能场或动能场的产生点),那么对于空间中任意一点(xi′,yi′),该点一定通过一个以(xj,yj)为中心,a、b为长短轴的椭圆,这里a、b不是固定的数值,但是他们的大小关系满足:
u为椭圆修正系数,体现的是椭圆公式的修正程度,表征纵向方向上驾驶风险强度与横向方向上驾驶风险强度的比值。该数值可以根据所述车辆在不同车道上发生交通事故的概率与在同一车道上发生交通事故的概率的比值确定。
因此,通过几何修正,将(xi′,yi′)点处的势能场和动能场可以修正到(xi,yi)的位置,其数值与(xi,yi)相同,即将椭圆1上的第二位置坐标(xi′,yi′)修正到圆2上的第三位置坐标(xi,yi)。通过以下公式求解部分来计算几何修正过程的参数。
将所述障碍物的位置设置为原点,即(xj,yj)=(0,0),由椭圆极坐标方程可得到:
经过变换后可以的出
最终通过代数变换,可以得到以下表达式。
根据所述极坐标方程参数ε和所述第二位置坐标(xi′,yi′),可以确定所述椭圆的长轴值a。
由于势能场和动能场为椭圆形,在相同椭圆上的势能场或动能场的场强相同,为了便于计算,可以设置所述第三位置坐标为(a,0)。
下面分别对势能场的场强和动能场的场强的计算方法进行阐述。
1)势能场
构建行车的势能场要需要考虑到以下3点因素:
(1)行驶车辆与之发生碰撞的严重程度与该静止障碍物的等效质量有关,等效质量越大,车辆与之发生的碰撞越严重;
(2)车辆越接近静止障碍物,则与它发生碰撞的可能性越大;
(3)在考虑车道情况下,道路不同方向的安全性有差异。例如,对于静止障碍物,距离其相同距离不同测试点,位于同一车道处的安全风险要大于垂直车道处。
其中G是万有引力常数,k1为距离因子常数,其表示物体间距离和行车风险之间成幂函数关系,一般取值不小于1,rji表示所述车辆的位置(xj,yj)和修正后的静止障碍物的位置(xi,yi)之间的距离向量,可以用rji=(xi-xj,yi-yj)表示,Mj为所述障碍物的等效质量,Rj为道路影响因子。
Mj为障碍物的等效质量,它与障碍物的质量、种类和速度有关:
mj为障碍物j的质量,cj为障碍物的种类,vj为障碍物的速度,对于静止障碍物,等效质量只和障碍物的质量和种类有关。k为速度相关系数,体现速度对等效质量的影响,速度与风险呈现正相关,可以用速度的多项式来表征这一关系,n取3,b1~b3分别取1~3。
Rj为道路影响因子,其余道路的附着系数、曲率、坡度以及能见度有关,其定义如下,对于静止障碍物,速度为0,道路影响因子只和能见度有关:
对于运动障碍物,道路影响因子与四个因素均有关:
其中,βj,χj,δj,αj分别为道路附着系数、曲率、坡度和能见度,β0,χ0,δ0,α0分别为标准路面附着系数、曲率、坡度和能见度,γ1,γ2,γ3,γ4均为预设系数。
图3和图4分别展示了三维状态下和二维状态下的静止物体势能场图像,此时u=0.5,可以看到,随着距离势能场原点的距离逐渐减少,势能场的大小以指数的形式递增,在距离远到一个程度时,势能场的大小基本接近于0,这也代表着静止物体对距离较远的点产生的潜在安全风险基本可以忽略。
2)动能场
动能场的来源是在路段上进行运动的障碍物,一般是机动车,非机动车以及行人等,考虑运动物体的等效质量,运动物体之间的距离以及运动物体速度和运动方向,可以构建运动障碍物i(xj,yj)在其周围形成的动能场,为计算动能场在(xi′,yi′)处的场强,先将(xi′,yi′)通过椭圆公式修正到(xi,yi),随后用动能场场强公式计算场强:
其中G是万有引力常数,k1为距离因子常数,rji表示所述运动障碍物的位置(xj,yj)和修正后的车辆的位置(xi,yi)之间的距离向量,Mj为所述运动障碍物的等效质量,Rj为道路影响因子,k2为运动风险影响因子,一般为常数,常取1,vj为所述运动障碍物的速度,θj为所述运动障碍物的速度方向与rji的夹角,参照图5,也即运动物体运动方向与运动物体和测试点的连线所组成的夹角。表示运动障碍物带来的行车风险大小与运动障碍物的速度和接近方向相关,当夹角|θ|j越小,cos(θj)越大,行车风险越高,当速度vj越大,行车风险越高。
图6和图7分别展示了三维状态下和二维状态下的运动物体动能场图像,此时u=1,可以看到,随着距离动能场原点的距离逐渐减少,动能场的大小以指数的形式递增,在距离远到一个程度时,动能场的大小基本接近于0,这也代表着运动物体对距离较远的点产生的潜在安全风险基本可以忽略。同时,当测试点和运动物体的连线处在运动物体的运动方向上时,相同距离相同速度下的动能场场强是最大的,而当测试点和运动物体的连线处在运动物体的运动方向相反的方向上时,相同距离相同速度下的动能场场强是最小的,符合直观上对于动能场场强大小的性质理解。
步骤103,确定所述车辆的驾驶员形成的行为场的场强。
步骤104,根据所述势能场的场强、动能场的场强和行为场的场强确定所述车辆的行车风险场的场强。
在一实施例中,所述车辆的行车风险场的场强等于所述车辆周围的所有的静止障碍物对所述车辆产生的势能场的场强、所述车辆周围的所有的运动障碍物对所述车辆产生的动能场的场强以及所述行为场的场强的加权和。
定义某一点的行车风险场的大小为所有的障碍物对于该点产生的场强的势能的总和,如下所示
其中SPER,j代表所有的静止障碍物生成的势能场的总和,SPEV,j代表所有的运动障碍物生成的动能场的总和,SPED,j代表所有的驾驶员行为因素影响的行为场的总和,ha,hb,hc为加权系数,最终三个场的加权和就是车辆的行车风险场的场强。
相关技术的运动物体的动能场生成和静止物体的势能场生成方法不能解决不同道路上安全性问题,方法不具有普适性,例如:图8中,C、D和运动车辆不在同一车道上,B和运动车辆在同一车道上,故C、D的行车风险应该小于B,但如果不考虑不同方向安全性不同的问题,计算出的动能场大小排序为:A>C=D>B,与事实相反。本申请实施例通过将不同方向的安全性参数和车辆几何的影响利用椭圆伸缩与不同权重进行修正很好地解决这一问题。
综上所述,本申请实施例提出一种新的全路段多障碍物的行车风险场的评估方法,可以计算复杂交通场景及其对应行车风险场场强分布,仅通过寻找风险场梯度方向,即可预测行车风险的动态变化趋势,为驾驶安全辅助算法设计和智能车辆路径规划奠定了基础,大大减小了算法计算量和难度。
下面以一个多障碍物包括运动障碍物以及静止障碍物复合的行车风险场的应用实例说明用以评估自动驾驶汽车在道路上进行路径规划时的风险。
在本应用实例中,使用两个运动的障碍物以及一个静止的障碍物作为生成行车风险场的源头,静止的障碍物位于(-40,-20)处,两个运动的障碍物分别位于(-40,20)和(0,0)处,均以1m/s的速度向前行驶。参考行车风险场模型构建方法,搭建该情况下全路段多障碍行车风险场,将计算出的行车风险场的势函数使用二维图像刻画,可以得到直观的表述如图9所示。
从图9中可以看到,在路段行车风险场的图像中,三个障碍物的行车风险场彼此叠加,形成了完整的全路段的行车风险场的结果。
图10展示了全路段行车风险场的动态演示。在整个路段中存在两个运动物体以及一个静止物体,自动驾驶的车辆沿道路向前行驶,静止的障碍物位于(-10,20)处,两个运动的障碍物分别位于(-20,-20)和(10,20)处,分别以4m/s以及8m/s的速度向前行驶,自动驾驶车辆初始速度为2m/s,并有1m/s2的加速度,不断仿真,截取仿真过程中的几帧进行分析。该图像展示了在一次完整的仿真过程中的几个片段,一辆处于匀加速的运动状态的自动驾驶车辆,两辆匀速行驶的车辆以及一个静止的障碍物组成的全路段势能场的变化过程。自动驾驶车辆速度不断变快,环境对它的风险程度也在不断增加,反映在图像中就是随着速度不断变快,图像中亮度较高的区域也在不断变大。
如图11所示,本申请实施例还提供一种车辆行车风险的评估装置,包括:
获取模块21,用于实时获取车辆的位置以及所述车辆周围的障碍物的位置,所述障碍物包括静止障碍物和运动障碍物;
第一场强模块22,用于对所述车辆和障碍物的相对位置进行椭圆修正,根据修正后的车辆和静止障碍物的相对位置确定所述静止障碍物对所述车辆产生的势能场的场强,以及根据修正后的车辆和运动障碍物的相对位置确定所述运动障碍物对所述车辆产生的动能场的场强;
第二场强模块23,用于确定所述车辆的驾驶员形成的行为场的场强;
风险场确定模块24,用于根据所述势能场的场强、动能场的场强和行为场的场强确定所述车辆的行车风险场的场强。
在一实施例中,所述障碍物的位置包括第一位置坐标,所述第一场强模块22,用于:
以所述第一位置坐标为椭圆的中心,根据椭圆修正系数,将位于椭圆上的第二位置坐标修正到位于圆的第三位置坐标;其中,所述椭圆修正系数为所述椭圆的短轴值和长轴值的比,所述圆的半径等于所述椭圆的长轴值。
在一实施例中,所述第一场强模块22,用于:
设置所述第三位置坐标为(a,0)。
在一实施例中,所述第一场强模块22,还用于:
根据所述车辆在不同车道上发生交通事故的概率与在同一车道上发生交通事故的概率的比值确定所述椭圆修正系数。
在一实施例中,所述第一场强模块22,用于:
其中G是万有引力常数,k1为距离因子常数,rji表示所述静止障碍物的位置(xj,yj)和修正后的车辆的位置(xi,yi)之间的距离向量,Mj为所述静止障碍物的等效质量,Rj为道路影响因子。
在一实施例中,所述第一场强模块22,用于:
其中G是万有引力常数,k1为距离因子常数,rji表示所述运动障碍物的位置(xj,yj)和修正后的车辆的位置(xi,yi)之间的距离向量,Mj为所述运动障碍物的等效质量,Rj为道路影响因子,k2为运动风险影响因子,vj为所述运动障碍物的速度,θj为所述运动障碍物的速度方向与rji的夹角。
在一实施例中,所述第二场强模块23,用于:
在一实施例中,所述车辆的行车风险场的场强等于所述车辆周围的所有的静止障碍物对所述车辆产生的势能场的场强、所述车辆周围的所有的运动障碍物对所述车辆产生的动能场的场强以及所述行为场的场强的加权和。
本申请实施例还提供一种车辆行车风险的评估设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述车辆行车风险的评估方法。
本申请实施例还提供一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行所述车辆行车风险的评估方法。
在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (10)
1.一种车辆行车风险的评估方法,其特征在于,包括:
实时获取车辆的位置以及所述车辆周围的障碍物的位置,所述障碍物包括静止障碍物和运动障碍物;
对所述车辆和障碍物的相对位置进行椭圆修正,根据修正后的车辆和静止障碍物的相对位置确定所述静止障碍物对所述车辆产生的势能场的场强,以及根据修正后的车辆和运动障碍物的相对位置确定所述运动障碍物对所述车辆产生的动能场的场强;
确定所述车辆的驾驶员形成的行为场的场强;
根据所述势能场的场强、动能场的场强和行为场的场强确定所述车辆的行车风险场的场强。
2.根据权利要求1所述的方法,其特征在于,所述障碍物的位置包括第一位置坐标,所述车辆的位置包括第二位置坐标,所述对所述车辆和障碍物的相对位置进行椭圆修正,包括:
以所述第一位置坐标为椭圆的中心,根据椭圆修正系数,将位于椭圆上的第二位置坐标修正到位于圆的第三位置坐标;其中,所述椭圆修正系数为所述椭圆的短轴值和长轴值的比,所述圆的半径等于所述椭圆的长轴值。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述车辆在不同车道上发生交通事故的概率与在同一车道上发生交通事故的概率的比值确定所述椭圆修正系数。
8.根据权利要求1所述的方法,其特征在于,
所述车辆的行车风险场的场强等于所述车辆周围的所有的静止障碍物对所述车辆产生的势能场的场强、所述车辆周围的所有的运动障碍物对所述车辆产生的动能场的场强以及所述行为场的场强的加权和。
9.一种车辆行车风险的评估设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~8中任意一项所述的方法。
10.一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行权利要求1~8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010026827.5A CN111204336B (zh) | 2020-01-10 | 2020-01-10 | 一种车辆行车风险的评估方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010026827.5A CN111204336B (zh) | 2020-01-10 | 2020-01-10 | 一种车辆行车风险的评估方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111204336A true CN111204336A (zh) | 2020-05-29 |
CN111204336B CN111204336B (zh) | 2021-04-30 |
Family
ID=70783403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010026827.5A Active CN111204336B (zh) | 2020-01-10 | 2020-01-10 | 一种车辆行车风险的评估方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111204336B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985850A (zh) * | 2020-09-04 | 2020-11-24 | 吉林大学 | 行车风险控制方法及行车风险控制装置、计算机存储介质 |
CN112002143A (zh) * | 2020-08-25 | 2020-11-27 | 哈尔滨工业大学 | 基于动态风险势能场的多车环境下车辆运行风险评估系统 |
CN112540365A (zh) * | 2020-12-10 | 2021-03-23 | 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 |
CN112644498A (zh) * | 2021-01-05 | 2021-04-13 | 南京航空航天大学 | 一种基于新型行车安全场的智能车安全决策方法 |
CN112896185A (zh) * | 2021-01-25 | 2021-06-04 | 北京理工大学 | 一种面向车路协同的智能驾驶行为决策规划方法及系统 |
CN113706899A (zh) * | 2021-07-20 | 2021-11-26 | 山东高速集团有限公司创新研究院 | 一种基于高速公路桥面气象结冰预测的交通运行风险防控方法 |
CN113781633A (zh) * | 2021-09-09 | 2021-12-10 | 清华大学 | 一种基于势能场的空间感知安全形式化方法 |
CN113793534A (zh) * | 2021-09-09 | 2021-12-14 | 清华大学 | 一种确定车路协同环境下行车风险场的方法和装置 |
CN114419874A (zh) * | 2021-11-25 | 2022-04-29 | 山东高速建设管理集团有限公司 | 基于路侧感知设备数据融合的目标行车安全风险预警方法 |
CN115081822A (zh) * | 2022-05-30 | 2022-09-20 | 同济大学 | 一种基于心理和物理风险场的行车风险评估方法和系统 |
CN116279572A (zh) * | 2023-02-08 | 2023-06-23 | 中南大学 | 一种车辆安全态势评估与稳态驾驶模式切换方法及系统 |
CN117829256A (zh) * | 2024-01-08 | 2024-04-05 | 南京航空航天大学 | 基于深度强化学习人机共驾转向权重系数预测分配方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239741A (zh) * | 2014-09-28 | 2014-12-24 | 清华大学 | 基于行车风险场的汽车驾驶安全辅助方法 |
CN105892471A (zh) * | 2016-07-01 | 2016-08-24 | 北京智行者科技有限公司 | 汽车自动驾驶方法和装置 |
US20170241790A1 (en) * | 2016-02-24 | 2017-08-24 | Honda Motor Co., Ltd. | Path plan generating apparatus for mobile body |
CN108375987A (zh) * | 2018-05-28 | 2018-08-07 | 济南大学 | 一种低空飞行无人机的实时航迹规划 |
CN109933945A (zh) * | 2019-03-28 | 2019-06-25 | 北京智行者科技有限公司 | 交通环境建模方法 |
-
2020
- 2020-01-10 CN CN202010026827.5A patent/CN111204336B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239741A (zh) * | 2014-09-28 | 2014-12-24 | 清华大学 | 基于行车风险场的汽车驾驶安全辅助方法 |
US20170241790A1 (en) * | 2016-02-24 | 2017-08-24 | Honda Motor Co., Ltd. | Path plan generating apparatus for mobile body |
CN105892471A (zh) * | 2016-07-01 | 2016-08-24 | 北京智行者科技有限公司 | 汽车自动驾驶方法和装置 |
CN108375987A (zh) * | 2018-05-28 | 2018-08-07 | 济南大学 | 一种低空飞行无人机的实时航迹规划 |
CN109933945A (zh) * | 2019-03-28 | 2019-06-25 | 北京智行者科技有限公司 | 交通环境建模方法 |
Non-Patent Citations (2)
Title |
---|
王建强等: "基于人-车-路协同的行车风险场概念、原理及建模", 《中国公路学报》 * |
程拥强等: "用势场法改进的极限环导航方法在移动机器人中的应用", 《机器人》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112002143A (zh) * | 2020-08-25 | 2020-11-27 | 哈尔滨工业大学 | 基于动态风险势能场的多车环境下车辆运行风险评估系统 |
CN112002143B (zh) * | 2020-08-25 | 2021-05-28 | 哈尔滨工业大学 | 基于动态风险势能场的多车环境下车辆运行风险评估系统 |
CN111985850A (zh) * | 2020-09-04 | 2020-11-24 | 吉林大学 | 行车风险控制方法及行车风险控制装置、计算机存储介质 |
CN111985850B (zh) * | 2020-09-04 | 2022-04-22 | 吉林大学 | 行车风险控制方法及行车风险控制装置、计算机存储介质 |
CN112540365A (zh) * | 2020-12-10 | 2021-03-23 | 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 |
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 |
CN112644498B (zh) * | 2021-01-05 | 2022-04-08 | 南京航空航天大学 | 一种基于行车安全场的智能车安全决策方法 |
CN112644498A (zh) * | 2021-01-05 | 2021-04-13 | 南京航空航天大学 | 一种基于新型行车安全场的智能车安全决策方法 |
CN112896185A (zh) * | 2021-01-25 | 2021-06-04 | 北京理工大学 | 一种面向车路协同的智能驾驶行为决策规划方法及系统 |
CN113706899A (zh) * | 2021-07-20 | 2021-11-26 | 山东高速集团有限公司创新研究院 | 一种基于高速公路桥面气象结冰预测的交通运行风险防控方法 |
CN113793534A (zh) * | 2021-09-09 | 2021-12-14 | 清华大学 | 一种确定车路协同环境下行车风险场的方法和装置 |
CN113781633A (zh) * | 2021-09-09 | 2021-12-10 | 清华大学 | 一种基于势能场的空间感知安全形式化方法 |
CN113781633B (zh) * | 2021-09-09 | 2022-11-29 | 清华大学 | 一种基于势能场的空间感知安全形式化方法 |
CN113793534B (zh) * | 2021-09-09 | 2023-02-24 | 清华大学 | 一种确定车路协同环境下行车风险场的方法和装置 |
CN114419874A (zh) * | 2021-11-25 | 2022-04-29 | 山东高速建设管理集团有限公司 | 基于路侧感知设备数据融合的目标行车安全风险预警方法 |
CN114419874B (zh) * | 2021-11-25 | 2023-12-26 | 山东高速建设管理集团有限公司 | 基于路侧感知设备数据融合的目标行车安全风险预警方法 |
CN115081822A (zh) * | 2022-05-30 | 2022-09-20 | 同济大学 | 一种基于心理和物理风险场的行车风险评估方法和系统 |
CN115081822B (zh) * | 2022-05-30 | 2023-09-26 | 同济大学 | 一种基于心理和物理风险场的行车风险评估方法和系统 |
CN116279572A (zh) * | 2023-02-08 | 2023-06-23 | 中南大学 | 一种车辆安全态势评估与稳态驾驶模式切换方法及系统 |
CN116279572B (zh) * | 2023-02-08 | 2024-01-30 | 中南大学 | 一种车辆安全态势评估与稳态驾驶模式切换方法及系统 |
CN117829256A (zh) * | 2024-01-08 | 2024-04-05 | 南京航空航天大学 | 基于深度强化学习人机共驾转向权重系数预测分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111204336B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111204336B (zh) | 一种车辆行车风险的评估方法及设备 | |
US11554785B2 (en) | Driving scenario machine learning network and driving environment simulation | |
US11698263B2 (en) | Safety and comfort constraints for navigation | |
CN113272830B (zh) | 行为预测系统中的轨迹表示 | |
CN109828592B (zh) | 一种障碍物检测的方法及设备 | |
CN109470254B (zh) | 地图车道线的生成方法、装置、系统及存储介质 | |
CN112212874B (zh) | 车辆轨迹预测方法、装置、电子设备及计算机可读介质 | |
CN112307566A (zh) | 车辆仿真测试方法、装置、设备及存储介质 | |
CN108896994A (zh) | 一种无人驾驶车辆定位方法及设备 | |
CN113544467A (zh) | 对齐用于导航的道路信息 | |
US11670088B2 (en) | Vehicle neural network localization | |
CN114061581A (zh) | 通过相互重要性对自动驾驶车辆附近的智能体排名 | |
EP4425462A1 (en) | Method and apparatus for predicting drivable lane | |
CN115158309A (zh) | 使用上下文敏感融合的因素轨迹预测 | |
CN113034970A (zh) | 安全性系统、自动化驾驶系统及其方法 | |
CN115406462A (zh) | 一种导航与实景融合方法及装置、电子设备、存储介质 | |
Camarda et al. | Fusion of evidential occupancy grids for cooperative perception | |
CN113793534A (zh) | 一种确定车路协同环境下行车风险场的方法和装置 | |
CN111258312B (zh) | 可移动模型及其控制方法、装置、系统、设备和存储介质 | |
Chipka et al. | Estimation and navigation methods with limited information for autonomous urban driving | |
EP4148388A1 (en) | Vehicle localization to map data | |
CN115610442A (zh) | 实现自主载具的合成场景 | |
Chipka et al. | Autonomous urban localization and navigation with limited information | |
Raaijmakers | Towards environment perception for highly automated driving: With a case study on roundabouts | |
JP2019109393A (ja) | 静止物体地図情報生成装置 |
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 |