CN111311947B - 一种网联环境下考虑驾驶人意图的行车风险评估方法和装置 - Google Patents

Abstract

本发明公开了一种网联环境下考虑驾驶人意图的行车风险评估方法和装置，该方法包括：S1，采集环境信息和自车信息；S2，根据环境信息中的驾驶场景、他车的位置和速度信息、以及的自车的位置和速度信息，枚举出他车和自车的所有行为，由相应的收益函数计算出所有行为的收益值，通过混合策略博弈的纳什均衡求解方法计算他车和自车的所有行为组合的概率；S3，根据枚举的所有行为，分别计算他车行为和自车行为的不同行为组合的风险；S4，根据他车行为和自车行为的不同行为组合的风险及概率，将概率作为权重，叠加计算出不同行为组合的风险；S5，判断车辆是否为处于工作状态，循环运行切换方法直至车辆停止运行时再停止切换机制。本发明能够通过道路环境信息、他车信息和自车信息，判断周围驾驶员的行车意图，并对风险加以识别，实现了风险的提前感知。

Description

一种网联环境下考虑驾驶人意图的行车风险评估方法和装置

技术领域

本发明涉及汽车辅助驾驶技术领域和自动驾驶技术领域，特别是关于一种网联环境下考虑驾驶人意图的行车风险评估方法和装置。

背景技术

随着汽车智能化、网联化水平的逐步提高，车辆主动安全技术得到充分的发展，各种车辆避撞系统通过对车辆行驶过程的风险进行评估，在危险情况时提前预警驾驶员，达到避撞的效果。而越能尽早地认知到风险，尽早预警驾驶员，避撞的效果将会越好。

目前风险的评估可以分为三个等级，其中，第一等级为物理层预测，即根据车辆当时的位置和速度，用恒定速度或者恒定加速度推算未来车辆轨迹，检测是否会发生碰撞；第二等级为行为层预测，即识别驾驶员动作，比如驾驶员给方向盘已经施加扭矩，但是车辆仍为表现出换道行为，此时，根据车辆的行为推算未来轨迹识别风险；第三等级为意图层预测，则驾驶员未采取任何动作时，根据驾驶员的驾驶风格，驾驶目的，可以预判该驾驶员会有不同的概率采取不同的行为，将驾驶员采取不同行为的概率理解为驾驶员的意图。如激进的驾驶员前面遇到低速车辆，该车会具有较大的换道的概率，而减速跟车的概率较小。根据该意图推算行为推算轨迹，得到风险。由此可以看出，上述的第三等级提供的意图层面的风险识别的时间最早，从而能够最大程度地保障驾驶员的安全。

发明内容

本发明的目的在于提供一种网联环境下考虑驾驶人意图的行车风险评估方法来克服或至少减轻现有技术的上述缺陷中的至少一个。

为实现上述目的，本发明提供一种网联环境下考虑驾驶人意图的行车风险评估方法，该方法包括：

S1，采集环境信息和自车信息；

S2，根据环境信息中的驾驶场景、他车的位置和速度信息、以及的自车的位置和速度信息，枚举出他车和自车的所有行为，由相应的收益函数计算出所有行为的收益值，通过混合策略博弈的纳什均衡求解方法计算他车和自车的所有行为组合的概率；

S3，根据枚举的所有行为，分别计算他车行为和自车行为的不同行为组合的风险；

S4，根据他车行为和自车行为的不同行为组合的风险及概率，将概率作为权重，叠加计算出不同行为组合的风险：

risk_ji＝p_i1*p_j1*risk_ji，11+p_i2*p_j1*risk_ji，12+p_i1*p_j2*risk_ji，21+p_i2*p_j2*risk_ji，22

式中，risk_ji为不同行为组合的风险，p_i1为自车行为为减速等待的概率，p_i2为自车行为为并道汇入的概率，p_j1为他车行为为加速不让行的概率，p_j2为他车行为为减速让行的概率，risk_ji，11为自车采取减速等待行为、他车采取加速不让行行为的风险，risk_ji，12为自车采取并道汇入行为、他车采取加速不让行行为的风险，risk_ji，21为自车采取减速等待行为、他车采取减速让行行为的风险，risk_ji，22为自车采取并道汇入行为、他车采取减速让行行为的风险；

S5，判断车辆是否为处于工作状态，循环运行切换方法直至车辆停止运行时再停止切换机制。

进一步地，所述步骤S2中，自车采取不同行为时所对应的收益函数表示为下式(1)，他车j采取不同行为时所对应的收益函数表示为下式(2)：

f_i(a_i，a_j)＝w_i1×s_i1(a_i，a_j)+w_i2×s_i2(a_i，a_j) (1)

f_j(a_i，a_j)＝w_j1×s_j1(a_i，a_j)+w_j2×s_j2(a_i，a_j) (2)

式(1)和式(2)中，f_i(a_i，a_j)为自车的收益函数，f_j(a_i，a_j)为他车j的收益函数，s_i1(a_i，a_j)表示自车的安全性收益函数，s_i2(a_i，a_j)表示自车的快速性收益函数，s_j1(a_i，a_j)表示他车j的安全性收益函数，s_j2(a_i，a_j)表示他车j的快速性收益函数，a_i表示自车采取的行为，a_j表示他车j采取的行为。w_i1表示自车的安全性收益的权重，w_i2表示自车的快速性收益的权重，w_j1表示他车j的安全性收益的权重，w_j2表示他车j的快速性收益的权重。

进一步地，所述步骤B2中，自车采取不同行为时所对应的收益函数表示为下式(3)，他车j采取不同行为时所对应的收益函数表示为下式(4)：

f_i(a_i，a_j)＝cosφ_i×s_i1(a_i，a_j)+sinφ_i×s_i2(a_i，a_j) (3)

f_j(a_i，a_j)＝cosφ_j×s_j1(a_i，a_j)+sinφ_j×s_j2(a_i，a_j) (4)

式(3)和式(4)中，f_i(a_i，a_j)为自车的收益函数，f_j(a_i，a_j)为他车j的收益函数，s_i1(a_i，a_j)表示自车的安全性收益函数，s_i2(a_i，a_j)表示自车的快速性收益函数，s_j1(a_i，a_j)表示他车j的安全性收益函数，s_j2(a_i，a_j)表示他车j的快速性收益函数，a_i表示自车采取的行为，a_j表示他车j采取的行为，φ_i表示自车的社会价值取向，φ_j表示自车和他车的社会价值取向。

进一步地，自车采取的行为包括减速等待和并道汇入，他车j采取的行为包括减速让行和加速不让行。

进一步地，自车采取减速等待行为，他车j采取加速不让行的情形下，s_i1＝θ_1，i1×t₁+b_1，i1；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_i1＝θ_2，i1×t₂+b_2，i1；自车采取减速等待行为，他车j采取减速让行的情形下，s_i1＝θ_3，i1×t₁+b_3，i1；自车采取并道汇入行为，他车j采取减速让行的情形下，s_i1＝θ_4，i1×t₂+b_4，i1；

自车采取减速等待行为，他车j采取加速不让行的情形下，s_i2＝θ_1，i2×v₁₀+b_1，i2；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_i2＝θ_2，i2×v_j+b_2，i2；自车采取减速等待行为，他车j采取减速让行的情形下，s_i2＝θ_3，i2×v₁₀+b_3，i2；自车采取并道汇入行为，他车j采取减速让行的情形下，s_i2＝θ_4，i2×v_j+b_4，i2；t₁为自车从当前所在位置行驶到匝道汇入点所需的时间，t₂为自车与他车j之间的TTC，v和x分别代表下标所对应的当前时刻车辆的速度和位置；

自车采取减速等待行为，他车j采取加速不让行的情形下，s_j1＝θ_1，j1×t₃+b_1，j1；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_j1＝θ_2，j1×t₃+b_2，j1；自车采取减速等待行为，他车j采取减速让行的情形下，s_j1＝θ_3，j1×t₂+b_3，j1；自车采取并道汇入行为，他车j采取减速让行的情形下，s_j1＝θ_4，j1×t₂+b_4，j1；t₂为自车与他车j之间的TTC，t₃表示他车j从当前所在位置行驶到匝道汇入点所需的时间；

自车采取减速等待行为，他车j采取加速不让行的情形下，s_j2＝θ_1，j2×v_j+b_1，j2；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_j2＝θ_2，j2×v_j+b_2，j2；自车采取减速等待行为，他车j采取减速让行的情形下，s_j2＝θ_3，j2×v₁₀+b_3，j2；自车采取并道汇入行为，他车j采取减速让行的情形下，s_j2＝θ_4，j2×v₁₀+b_4，j2。

本发明还提供一种网联环境下考虑驾驶人意图的行车风险评估装置，该装置包括：

环境感知模块，其用于采集环境信息；

车辆感知模块，其用于采集自车信息；

意图识别模块，其用于根据环境信息中的驾驶场景、他车的位置和速度信息、以及自车的位置和速度信息，枚举出他车和自车的所有行为，由相应的收益函数计算出所有行为的收益值，通过混合策略博弈的纳什均衡求解方法计算他车和自车的所有行为组合的概率；

风险量化模块，其用于根据意图识别模块枚举的所有行为，分别计算他车行为和自车行为的不同行为组合的风险，以及用于根据他车行为和自车行为的不同行为组合的风险及概率，将概率作为权重，叠加计算出不同行为组合的风险：risk_ji＝p_i1*p_j1*risk_ji，11+p_i2*p_j1*risk_ji，12+p_i1*p_j2*risk_ji，21+p_i2*p_j2*risk_ji，22

式中，risk_ji为不同行为组合的风险，p_i1为自车行为为减速等待的概率，p_i2为自车行为为并道汇入的概率，p_j1为他车行为为加速不让行的概率，p_j2为他车行为为减速让行的概率，risk_ji，11为自车采取减速等待行为、他车采取加速不让行行为的风险，risk_ji，12为自车采取并道汇入行为、他车采取加速不让行行为的风险，risk_ji，21为自车采取减速等待行为、他车采取减速让行行为的风险，risk_ji，22为自车采取并道汇入行为、他车采取减速让行行为的风险。

进一步地，自车采取不同行为时所对应的收益函数表示为下式(1)，他车j采取不同行为时所对应的收益函数表示为下式(2)：

f_i(a_i，a_j)＝w_i1×s_i1(a_i，a_j)+w_i2×s_i2(a_i，a_j) (1)

f_j(a_i，a_j)＝w_j1×s_j1(a_i，a_j)+w_j2×s_j2(a_i，a_j) (2)

式(1)和式(2)中，f_i(a_i，a_j)为自车的收益函数，f_j(a_i，a_j)为他车j的收益函数，s_i1(a_i，a_j)表示自车的安全性收益函数，s_i2(a_i，a_j)表示自车的快速性收益函数，s_j1(a_i，a_j)表示他车j的安全性收益函数，s_j2(a_i，a_j)表示他车j的快速性收益函数，a_i表示自车采取的行为，a_j表示他车j采取的行为。w_i1表示自车的安全性收益的权重，w_i2表示自车的快速性收益的权重，w_j1表示他车j的安全性收益的权重，w_j2表示他车j的快速性收益的权重。

进一步地，自车采取不同行为时所对应的收益函数表示为下式(3)，他车j采取不同行为时所对应的收益函数表示为下式(4)：

f_i(a_i，a_j)＝cosφ_i×s_i1(a_i，a_j)+sinφ_i×s_i2(a_i，a_j) (3)

f_j(a_i，a_j)＝cosφ_j×s_j1(a_i，a_j)+sinφ_j×s_j2(a_i，a_j) (4)

式(3)和式(4)中，f_i(a_i，a_j)为自车的收益函数，f_j(a_i，a_j)为他车j的收益函数，s_i1(a_i，a_j)表示自车的安全性收益函数，s_i2(a_i，a_j)表示自车的快速性收益函数，s_j1(a_i，a_j)表示他车j的安全性收益函数，s_j2(a_i，a_j)表示他车j的快速性收益函数，a_i表示自车采取的行为，a_j表示他车j采取的行为，φ_i表示自车的社会价值取向，φ_j表示自车和他车的社会价值取向。

进一步地，自车采取的行为包括减速等待和并道汇入，他车j采取的行为包括减速让行和加速不让行。

进一步地，自车采取减速等待行为，他车j采取加速不让行的情形下，s_i1＝θ_1，i1×t₁+b_1，i1；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_i1＝θ_2，i1×t₂+b_2，i1；自车采取减速等待行为，他车j采取减速让行的情形下，s_i1＝θ_3，i1×t₁+b_3，i1；自车采取并道汇入行为，他车j采取减速让行的情形下，s_i1＝θ_4，i1×t₂+b_4，i1；

自车采取减速等待行为，他车j采取加速不让行的情形下，s_i2＝θ_1，i2×v₁₀+b_1，i2；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_i2＝θ_2，i2×v_j+b_2，i2；自车采取减速等待行为，他车j采取减速让行的情形下，s_i2＝θ_3，i2×v₁₀+b_3，i2；自车采取并道汇入行为，他车j采取减速让行的情形下，s_i2＝θ_4，i2×v_j+b_4，i2；t₁为自车从当前所在位置行驶到匝道汇入点所需的时间，t₂为自车与他车j之间的TTC，v和x分别代表下标所对应的当前时刻车辆的速度和位置；

自车采取减速等待行为，他车j采取加速不让行的情形下，s_j1＝θ_1，j1×t₃+b_1，j1；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_j1＝θ_2，j1×t₃+b_2，j1；自车采取减速等待行为，他车j采取减速让行的情形下，s_j1＝θ_3，j1×t₂+b_3，j1；自车采取并道汇入行为，他车j采取减速让行的情形下，s_j1＝θ_4，j1×t₂+b_4，j1；t₂为自车与他车j之间的TTC，t₃表示他车j从当前所在位置行驶到匝道汇入点所需的时间；

自车采取减速等待行为，他车j采取加速不让行的情形下，s_j2＝θ_1，j2×v_j+b_1，j2；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_j2＝θ_2，j2×v_j+b_2，j2；自车采取减速等待行为，他车j采取减速让行的情形下，s_j2＝θ_3，j2×v₁₀+b_3，j2；自车采取并道汇入行为，他车j采取减速让行的情形下，s_j2＝θ_4，j2×v₁₀+b_4，j2。

本发明能够通过道路环境信息、他车信息和自车信息，判断周围驾驶员的行车意图，并对风险加以识别，实现了风险的提前感知。

附图说明

图1为本发明实施例提供的网联环境下考虑驾驶人意图的行车风险评估方法的构成框图；

图2为本发明实施例提供的网联环境下考虑驾驶人意图的行车风险评估方法的运行流程图；

图3为车辆在匝道汇入场景示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1和图2所示，本发明实施例所提供的网联环境下考虑驾驶人意图的行车风险评估方法所采用的系统包括自车10和安装于自车10上的环境感知模块110、车辆感知模块120、意图识别模块130和风险量化模块140。

自车10为自动或半自动车辆，并且自车10可以具备非自动车辆的所有特征和功能，例如完成驾驶任务所需的转向系统、制动系统和导航系统等。

环境感知模块110用于允许自车10理解其周围环境中的静态和动态事物，即对周围环境中的人、车和各类运动物体进行尽可能正确地识别，采集环境信息。该环境信息包括车道线位置、道路类型、驾驶场景信息、周围车辆的位置和周围车辆的速度等信息，并将采集环境信息传输给意图识别模块130。

具体地，环境感知模块110包括自车感知部分和网联设备部分。

其中，自车感知部分包括定位系统、以及具有探测自车10外部的静态和动态物体的速度、位置等信息的功能的感知设备。其中，定位系统包括用于检测自车10所处地理位置的子系统，例如用于确定经纬度和/或海拔位置或在高精度地图中相对位置的信息。还例如：全球卫星定位系统等。具有探测外部静态物体功能的设备包括用于探测自车10所在车道以及相邻车道的车道线、道路中的静态障碍物、交通信号、交通标志等静态环境的激光雷达、超声波雷达和/或摄像机。具有探测外部动态物体功能的设备包括用于探测自车10周围行人、非机动车等动态交通参与者的激光雷达、超声波雷达和/或摄像机。

网联设备部分实现与传感器检测范围内的其它车辆通信的功能，如DSRC短程通讯、V2X车载通讯和/或穿透传感器等。网联设备部分包括OBU(英文全称为“OnBoard Unit”；中文全称为“车载通讯单元”)和配对的RSU(英文全称为“RoadSide Unit”；中文全称为“路边通讯单元”)。

需要说明的是，本实施例并未对环境感知模块110中能够使用的检测和通信设备进行穷举，也就是说，除了上述传感器和设备之外，还可以通过增加其它检测和通信设备，来提高自车10对驾驶过程中周围运动事物的理解识别能力。

车辆感知模块120用于采集自车信息，并将采集环境信息输送给意图识别模块130。其中，自车为图1中示出的自车10，自车的周围的车辆在下文简称为“他车j”。自车信息可以包括用于检测车辆运动方向、速度和加速度等运动状态的加速度传感器、陀螺仪或其它速度和方向检测设备。车辆感知模块120还可以接收非自动驾驶车辆应当配备的车载传感器的数据，这些数据包括：轮胎压力传感器、发动机温度传感器、发动机排气温度传感器、档位传感器、制动热传感器、燃料传感器、进气量传感器和其它任何检测车身运动状态的传感器。因此，自车信息包括自车10的位置、速度、加速度、油门踏板深度和刹车信号等信息。

意图识别模块130通过环境感知模块110和车辆感知模块120感知到的信息，用于根据环境信息中的驾驶场景、他车的位置和速度信息、以及自车的位置和速度信息，枚举出他车和自车的所有行为，由相应的收益函数计算出所有行为的收益值，通过混合策略博弈的纳什均衡求解方法计算他车和自车的所有行为组合的概率。

风险量化模块140用于根据意图识别模块130枚举的所有行为，分别计算他车行为和自车行为的不同行为组合的风险，以及用于根据他车行为和自车行为的不同行为组合的风险及概率，将概率作为权重，叠加计算出不同行为组合的风险。该风险值可以作为驾驶辅助系统或自动驾驶系统的控制车辆的依据，比如驾驶辅助系统中风险值过大时，强制车辆紧急制动。

如图2所示，本实施例提供的网联环境下考虑驾驶人意图的行车风险评估方法包括：

S1，环境感知模块110采集环境信息，车辆感知模块120采集自车信息。

S2，意图识别模块130接收由环境感知模块110采集到的环境信息和车辆感知模块120采集的自车信息，根据环境信息中的驾驶场景、他车的位置和速度信息、以及自车的位置和速度信息，枚举出他车和自车的所有行为，以识别出自车和他车的驾驶意图。

作为步骤S2判断自车和他车的驾驶意图的一种优选实现方式，本实施例采用混合策略博弈的纳什均衡求解方法，计算他车和自车的所有行为组合的概率，以识别出自车和他车的驾驶意图。博弈论混合策略纳什均衡求解方法为支集枚举法，其是通过计算对应的收益矩阵得到。而不同驾驶场景的收益矩阵各不相同，该收益矩阵可以通过设计收益函数得到，根据枚举出的他车和自车的所有行为，由相应的收益函数计算出所有行为的收益值。自车采取不同行为时所对应的收益函数表示为下式(1)，他车j采取不同行为时所对应的收益函数表示为下式(2)：

f_i(a_i，a_j)＝w_i1×s_i1(a_i，a_j)+w_i2×s_i2(a_i，a_j) (1)

f_j(a_i，a_j)＝w_j1×s_j1(a_i，a_j)+w_j2×s_j2(a_i，a_j) (2)

式(1)和式(2)中，f_i(a_i，a_j)为自车10的收益函数，f_j(a_i，a_j)为他车j的收益函数，s_i1(a_i，a_j)表示自车10的安全性收益函数，s_i2(a_i，a_j)表示自车10的快速性收益函数，s_j1(a_i，a_j)表示他车j的安全性收益函数，s_j2(a_i，a_j)表示他车j的快速性收益函数，f_i(a_i，a_j)、s_i1(a_i，a_j)、s_i2(a_i，a_j)、f_j(a_i，a_j)、s_j1(a_i，a_j)、s_j2(a_i，a_j)都是自车10和他车j的行为a_i，a_j的函数，a_i表示自车10采取的行为，a_j表示他车j采取的行为。w_i1表示自车10的安全性收益的权重，w_i2表示自车10的快速性收益的权重，w_j1表示他车j的安全性收益的权重，w_j2表示他车j的快速性收益的权重。其中，权重w_i1、W_i2、w_j1和w_j2的确定方法包括：

比如，可以根据驾驶经验进行人工阈值确定。当能够从其它系统中确定驾驶员的类型，则根据驾驶员类型确定参数，如激进型安全性w₁取0.3，快速性w₂取0.7，均衡型分别取0.5、0.5，保守型取0.7，、0.3。如果不能从其它系统中确定，为了安全起见，将他车假定为激进型驾驶员，自车假定为激进型驾驶员，得到当前最危险的风险评估结果。

还比如，也可以通过人工智能中的参数学习方法。通过采集车辆的环境和自车信息的数据，或者使用现有的公开数据集，用极大似然法或双层规划等方法进反向求解学习获得。

所述步骤S2中，自车采取不同行为时所对应的收益函数表示为下式(3)，他车j采取不同行为时所对应的收益函数表示为下式(4)：

f_i(a_i，a_j)＝cosφ_i×s_i1(a_i，a_j)+sinφ_i×s_i2(a_i，a_j) (3)

f_j(a_i，a_j)＝cosφ_j×s_j1(a_i，a_j)+sinφ_j×s_j2(a_i，a_j) (4)

式(3)和式(4)中，f_i(a_i，a_j)为自车的收益函数，f_j(a_i，a_j)为他车j的收益函数，s_i1(a_i，a_j)表示自车的安全性收益函数，s_i2(a_i，a_j)表示自车的快速性收益函数，s_j1(a_i，a_j)表示他车j的安全性收益函数，s_j2(a_i，a_j)表示他车j的快速性收益函数，a_i表示自车采取的行为，a_j表示他车j采取的行为，φ_i表示自车的社会价值取向(Social Value OrientationSVO)，φ_j表示自车和他车的社会价值取向。φ和φ_j分别代表自车和他车的社会价值取向，量化了驾驶人的自私程度，可以使用心理学方法等进行测量。

下面针对高速匝道汇入场景(如图3所示)，图3中示出了自车10当前匀速行驶在匝道上，他车j当前匀速行驶在主道上，但是自车10必须在其前方的匝道汇入点汇入到他车j所行使的主道上。图3所示的驾驶场景下，自车10的行为a_i和他车j的行为a_j均由驾驶环境决定，自车10的行为a_i有减速等待和并道汇入两种行为可供选择，他车j的行为a_j有减速让行和加速不让行两种行为可供选择，由此可知：枚举出的自车的行为a_i包括减速等待行为和并道汇入行为，他车j的行为a_j包括减速让行行为和加速不让行行为。于是，自车10的行为a_i和他车j的行为a_j通过排列组合方式，得到四种行为组合，这四种行为组合的对应的自车的安全性收益s_i1(a_i，a_j)(下文中简称为“s_i1”)、自车的快速性收益函数s_i2(a_i，a_j)(下文中简称为“s_i2”)、他车j的安全性收益函数s_j1(a_i，a_j)(下文中简称为“s_j1”)、他车j的快速性收益函数s_j2(a_i，a_j)(下文中简称为“s_j2”)的计算公式分别表示为下表：

s_i1计算公式可表示为表1：

表1

由上述表1可知有如下4种可能情况：

自车10采取减速等待行为，他车j采取加速不让行的情形下，s_i1＝θ_1，i1×t₁+b_1，i1；

自车10采取并道汇入行为，他车j采取加速不让行的情形下，s_i1＝θ_2，i1×t₂+b_2，i1；

自车10采取减速等待行为，他车j采取减速让行的情形下，s_i1＝θ_3，i1×t₁+b_3，i1；

自车10采取并道汇入行为，他车j采取减速让行的情形下，s_i1＝θ_4，i1×t₂+b_4，i1。

s_i2计算公式可表示为表2：

表2

由上述表2可知有如下4种可能情况：

自车10采取减速等待行为，他车j采取加速不让行的情形下，s_i2＝θ_1，i2×v₁₀+b_1，i2；

自车10采取并道汇入行为，他车j采取加速不让行的情形下，s_i2＝θ_2，i2×v_j+b_2，i2；

自车10采取减速等待行为，他车j采取减速让行的情形下，s_i2＝θ_3，i2×v₁₀+b_3，i2；

自车10采取并道汇入行为，他车j采取减速让行的情形下，s_i2＝θ_4，i2×v_j+b_4，i2。

t₁为自车10从当前所在位置行驶到匝道汇入点所需的时间，t₂为自车10与他车j之间的TTC(time to collision碰撞时间)，由下式计算：

t₂＝TTC_10，j＝(v₁₀-v_j)/(x₁₀-x_j) (5)

式(3)以及表格中的v和x分别代表下标所对应的当前时刻(图3中所示时刻，两车仍然在匀速行驶的时刻)车辆的速度和位置。

同理，他车j的安全性、快速性s_j1，s_j2收益函数如下表：

s_j1计算公式可表示为表3：

表3

由上述表3可知有如下4种可能情况：

自车10采取减速等待行为，他车j采取加速不让行的情形下，s_j1＝θ_1，j1×t₃+b_1，j1；

自车10采取并道汇入行为，他车j采取加速不让行的情形下，s_j1＝θ_2，j1×t₃+b_2，j1；

自车10采取减速等待行为，他车j采取减速让行的情形下，s_j1＝θ_3，j1×t₂+b₃，_j1；

自车10采取并道汇入行为，他车j采取减速让行的情形下，s_j1＝θ_4，j1×t₂+b_4，j1。

表3中，t₂采用式(3)计算得到，t₃表示他车j从当前所在位置行驶到匝道汇入点所需的时间。

s_j2计算公式可表示为表4：

表4

由上述表4可知有如下4种可能情况：

自车10采取减速等待行为，他车j采取加速不让行的情形下，s_j2＝θ_1，j2×v_j+b1，_j2；

自车10采取并道汇入行为，他车j采取加速不让行的情形下，s_j2＝θ₂，_j2×v_j+b_2，j2；

自车10采取减速等待行为，他车j采取减速让行的情形下，s_j2＝θ_3，j2×v₁₀+b_3，j2；

自车10采取并道汇入行为，他车j采取减速让行的情形下，s_j2＝θ_4，j2×v₁₀+b_4，j2。

表1至表4中与θ相关的参数与驾驶员的激进程度有关，与b相关的参数与驾驶员的激进程度有关，参数的确定方法为人工智能中的参数学习方法。通过采集车辆的环境和自车信息的数据，或者使用现有的公开数据集，用极大似然法或双层规划等方法进反向求解学习。

每一种行为组合的s_i1，s_i2，s_j1，s_j2的除了上述各表格中的表达方式之外，对于其它的驾驶场景，还可以用二次函数表示，比如：自车10采取减速等待行为，他车j采取加速不让行的情形下，

以此类推，可以获知其它行为组合的s_i1，s_i2，s_j1，s_j2的计算表达式，在此不再一一展开。

根据公式(1)(2)计算得出的收益函数f_i(a_i，a_j)，f_j(a_i，a_j)的收益值，通过混合策略博弈的纳什均衡求解方法，如通用的支集枚举法(support enumerating)，可以求解出他车j和自车10的驾驶意图，即他车j采取加速行为的概率p_j1，采取减速行为的概率p_j2，自车10采取等待行为的概率p_i1和汇入行为p_i2。

S3，根据步骤S2枚举出他车和自车的所有行为，分别计算他车行为和自车行为的不同行为组合的风险risk_ji，mn。

风险risk_ji，mn的计算方法可以与目前已有的各种风险计算方法相兼容。可以通过采用下式(10)所表示的TTC(time to collision碰撞时间差)评估他车j对自车10的综合风险作用强度risk_ji：

式(10)中，Δx为两车之间的相对距离，Δv为两车的相对速度。

也可以采用下式(11)所表示的THW(Time headway跟车时距)评估他车j对自车10的综合风险作用强度risk_ji：

式(11)中，Δx为两车之间的相对距离，v_自车为自车的相对速度。

式(10)和式(11)提供的两种方式只能用来评估前后两个方向的，侧向的无法计算，无法评估，而且考虑因素简单，评估结果不准确。

还可以采用专利申请号为ZL201810433436.8、主题名称为《基于等效力的行车风险实时评估方法及其装置》中提供的方式对他车j对自车10的综合风险作用强度进行评估，该方法考虑因素全面。

S4，根据不同行为组合可以得到对应的4种不同的风险risk_ji，mn，如下表5，则按照其行为组合相应的概率，将概率作为权重，叠加计算出以上四种行为组合的风险。

risk_ji＝p_i1*p_j1*risk_ji，11+p_i2*p_j1*risk_ji，12+p_i1*p_j2*risk_ji，21+p_i2*p_j2*risk_ji，22

S5，判断车辆是否为处于工作状态(如车辆没启动)，循环运行切换方法直至车辆停止运行时再停止切换机制。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种网联环境下考虑驾驶人意图的行车风险评估方法，其特征在于，包括：

S1，采集环境信息和自车信息；

S2，根据环境信息中的驾驶场景、他车的位置和速度信息、以及自车的位置和速度信息，枚举出他车和自车的所有行为，由相应的收益函数计算出所有行为的收益值，通过混合策略博弈的纳什均衡求解方法计算他车和自车的所有行为组合的概率；

S3，根据枚举的所有行为，分别计算他车行为和自车行为的不同行为组合的风险；

S4，根据他车行为和自车行为的不同行为组合的风险及概率，将概率作为权重，叠加计算出不同行为组合的风险：

risk_ji＝p_i1*p_j1*risk_ji，11+p_i2*p_j1*risk_ji，12+p_i1*p_j2*risk_ji，21+p_i2*p_j2*risk_ji，22

式中，risk_ji为他车行为和自车行为的不同行为组合的风险，p_i1为自车行为为减速等待的概率，p_i2为自车行为为并道汇入的概率，p_j1为他车行为为加速不让行的概率，p_j2为他车行为为减速让行的概率，risk_ji，11为自车采取减速等待行为、他车采取加速不让行行为的风险，risk_ji，12为自车采取并道汇入行为、他车采取加速不让行行为的风险，risk_ji，21为自车采取减速等待行为、他车采取减速让行行为的风险，risk_ji，22为自车采取并道汇入行为、他车采取减速让行行为的风险；

S5，判断车辆是否为处于工作状态，循环运行切换方法直至车辆停止运行时再停止切换机制。

2.如权利要求1所述的网联环境下考虑驾驶人意图的行车风险评估方法，其特征在于，所述步骤S2中，自车采取不同行为时所对应的收益函数表示为下式(1)，他车j采取不同行为时所对应的收益函数表示为下式(2)：

f_i(a_i，a_j)＝w_i1×s_i1(a_i，a_j)+w_i2×s_i2(a_i，a_j) (1)

f_j(a_i，a_j)＝w_j1×s_j1(a_i，a_j)+w_j2×s_j2(a_i，a_j) (2)

式(1)和式(2)中，f_i(a_i，a_j)为自车的收益函数，f_j(a_i，a_j)为他车j的收益函数，s_i1(a_i，a_j)表示自车的安全性收益函数，s_i2(a_i，a_j)表示自车的快速性收益函数，s_j1(a_i，a_j)表示他车j的安全性收益函数，s_j2(a_i，a_j)表示他车j的快速性收益函数，a_i表示自车采取的行为，a_j表示他车j采取的行为，w_i1表示自车的安全性收益的权重，w_i2表示自车的快速性收益的权重，w_j1表示他车j的安全性收益的权重，w_j2表示他车j的快速性收益的权重。

3.如权利要求1所述的网联环境下考虑驾驶人意图的行车风险评估方法，其特征在于，所述步骤S2中，自车采取不同行为时所对应的收益函数表示为下式(3)，他车j采取不同行为时所对应的收益函数表示为下式(4)：

f_i(a_i，a_j)＝cosφ_i×s_i1(a_i，a_j)+sinφ_i×s_i2(a_i，a_j) (3)

f_j(a_i，a_j)＝cosφ_j×s_j1(a_i，a_j)+sinφ_j×s_j2(a_i，a_j) (4)

式(3)和式(4)中，f_i(a_i，a_j)为自车的收益函数，f_j(a_i，a_j)为他车j的收益函数，s_i1(a_i，a_j)表示自车的安全性收益函数，s_i2(a_i，a_j)表示自车的快速性收益函数，s_j1(a_i，a_j)表示他车j的安全性收益函数，s_j2(a_i，a_j)表示他车j的快速性收益函数，a_i表示自车采取的行为，a_j表示他车j采取的行为，φ_i表示自车的社会价值取向，φ_j表示自车和他车的社会价值取向。

4.如权利要求2或3所述的网联环境下考虑驾驶人意图的行车风险评估方法，其特征在于，自车采取的行为包括减速等待和并道汇入，他车j采取的行为包括减速让行和加速不让行。

5.如权利要求4所述的网联环境下考虑驾驶人意图的行车风险评估方法，其特征在于，自车采取减速等待行为，他车j采取加速不让行的情形下，s_i1＝θ_1，i1×t₁+b_1，i1；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_i1＝θ_2，i1×t₂+b_2，i1；自车采取减速等待行为，他车j采取减速让行的情形下，s_i1＝θ_3，i1×t₁+b_3，i1；自车采取并道汇入行为，他车j采取减速让行的情形下，s_i1＝θ_4，i1×t₂+b_4，i1；

自车采取减速等待行为，他车j采取加速不让行的情形下，s_i2＝θ_1，i2×v₁₀+b_1，i2；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_i2＝θ_2，i2×v_j+b_2，i2；自车采取减速等待行为，他车j采取减速让行的情形下，s_i2＝θ_3，i2×v₁₀+b_3，i2；自车采取并道汇入行为，他车j采取减速让行的情形下，s_i2＝θ_4，i2×v_j+b_4，i2；t₁为自车从当前所在位置行驶到匝道汇入点所需的时间，t₂为自车与他车j之间的TTC，v和x分别代表下标所对应的当前时刻车辆的速度和位置；

自车采取减速等待行为，他车j采取加速不让行的情形下，s_j1＝θ_1，j1×t₃+b_1，j1；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_j1＝θ_2，j1×t₃+b_2，j1；自车采取减速等待行为，他车j采取减速让行的情形下，s_j1＝θ_3，j1×t₂+b_3，j1；自车采取并道汇入行为，他车j采取减速让行的情形下，s_j1＝θ_4，j1×t₂+b_4，j1；t₂为自车与他车j之间的TTC，t₃表示他车j从当前所在位置行驶到匝道汇入点所需的时间；

自车采取减速等待行为，他车j采取加速不让行的情形下，s_j2＝θ_1，j2×v_j+b_1，j2；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_j2＝θ_2，j2×v_j+b_2，j2；自车采取减速等待行为，他车j采取减速让行的情形下，s_j2＝θ_3，j2×v₁₀+b_3，j2；自车采取并道汇入行为，他车j采取减速让行的情形下，s_j2＝θ_4，j2×v₁₀+b_4，j2；

其中，s_i1(a_i，a_j)简称为s_i1，s_i2(a_i，a_j)简称为s_i2，s_j1(a_i，a_j)简称为S_j1，S_j2(a_i，a_j)简称为S_j2，与θ相关的参数与驾驶员的激进程度有关，与b相关的参数与驾驶员的激进程度有关，与θ、b相关的参数的下标i表示对应于自车采取的行为，与θ、b相关的参数的下标j表示对应于他车采取的行为。

6.一种网联环境下考虑驾驶人意图的行车风险评估装置，其特征在于，包括：

环境感知模块，其用于采集环境信息；

车辆感知模块，其用于采集自车信息；

意图识别模块，其用于根据环境信息中的驾驶场景、他车的位置和速度信息、以及自车的位置和速度信息，枚举出他车和自车的所有行为，由相应的收益函数计算出所有行为的收益值，通过混合策略博弈的纳什均衡求解方法计算他车和自车的所有行为组合的概率；

风险量化模块，其用于根据意图识别模块枚举的所有行为，分别计算他车行为和自车行为的不同行为组合的风险，以及用于根据他车行为和自车行为的不同行为组合的风险及概率，将概率作为权重，叠加计算出不同行为组合的风险：

risk_ji＝p_i1*p_j1*risk_ji，11+p_i2*p_j1*risk_ji，12+p_i1*p_j2*risk_ji，21+p_i2*p_j2*risk_ji，22

式中，risk_ji为不同行为组合的风险，p_i1为自车行为为减速等待的概率，p_i2为自车行为为并道汇入的概率，p_j1为他车行为为加速不让行的概率，p_j2为他车行为为减速让行的概率，risk_ji，11为自车采取减速等待行为、他车采取加速不让行行为的风险，risk_ji，12为自车采取并道汇入行为、他车采取加速不让行行为的风险，risk_ji，21为自车采取减速等待行为、他车采取减速让行行为的风险，risk_ji，22为自车采取并道汇入行为、他车采取减速让行行为的风险。

7.如权利要求6所述的网联环境下考虑驾驶人意图的行车风险评估装置，其特征在于，自车采取不同行为时所对应的收益函数表示为下式(1)，他车j采取不同行为时所对应的收益函数表示为下式(2)：

f_i(a_i，a_j)＝w_i1×s_i1(a_i，a_j)+w_i2×s_i2(a_i，a_j) (1)

f_j(a_i，a_j)＝w_j1×s_j1(a_i，a_j)+w_j2×s_j2(a_i，a_j) (2)

式(1)和式(2)中，f_i(a_i，a_j)为自车的收益函数，f_j(a_i，a_j)为他车j的收益函数，s_i1(a_i，a_j)表示自车的安全性收益函数，s_i2(a_i，a_j)表示自车的快速性收益函数，s_j1(a_i，a_j)表示他车j的安全性收益函数，s_j2(a_i，a_j)表示他车j的快速性收益函数，a_i表示自车采取的行为，a_j表示他车j采取的行为，w_i1表示自车的安全性收益的权重，w_i2表示自车的快速性收益的权重，w_j1表示他车j的安全性收益的权重，w_j2表示他车j的快速性收益的权重。

8.如权利要求6所述的网联环境下考虑驾驶人意图的行车风险评估装置，其特征在于，自车采取不同行为时所对应的收益函数表示为下式(3)，他车j采取不同行为时所对应的收益函数表示为下式(4)：

f_i(a_i，a_j)＝cosφ_i×s_i1(a_i，a_j)+sinφ_i×s_i2(a_i，a_j) (3)

f_j(a_i，a_j)＝cosφ_j×s_j1(a_i，a_j)+sinφ_j×s_j2(a_i，a_j) (4)

式(3)和式(4)中，f_i(a_i，a_j)为自车的收益函数，f_j(a_i，a_j)为他车j的收益函数，s_i1(a_i，a_j)表示自车的安全性收益函数，s_i2(a_i，a_j)表示自车的快速性收益函数，s_j1(a_i，a_j)表示他车j的安全性收益函数，s_j2(a_i，a_j)表示他车j的快速性收益函数，a_i表示自车采取的行为，a_j表示他车j采取的行为，φ_i表示自车的社会价值取向，φ_j表示自车和他车的社会价值取向。

9.如权利要求7或8所述的网联环境下考虑驾驶人意图的行车风险评估装置，其特征在于，自车采取的行为包括减速等待和并道汇入，他车j采取的行为包括减速让行和加速不让行。

10.如权利要求9所述的网联环境下考虑驾驶人意图的行车风险评估装置法，其特征在于，自车采取减速等待行为，他车j采取加速不让行的情形下，s_i1＝θ_1，i1×t₁+b_1，i1；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_i1＝θ_2，i1×t₂+b_2，i1；自车采取减速等待行为，他车j采取减速让行的情形下，s_i1＝θ_3，i1×t₁+b_3，i1；自车采取并道汇入行为，他车j采取减速让行的情形下，s_i1＝θ_4，i1×t₂+b_4，i1；

自车采取减速等待行为，他车j采取加速不让行的情形下，s_i2＝θ_1，i2×v₁₀+b_1，i2；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_i2＝θ_2，i2×v_j+b_2，i2；自车采取减速等待行为，他车j采取减速让行的情形下，s_i2＝θ_3，i2×v₁₀+b_3，i2；自车采取并道汇入行为，他车j采取减速让行的情形下，s_i2＝θ_4，i2×v_j+b_4，i2；t₁为自车从当前所在位置行驶到匝道汇入点所需的时间，t₂为自车与他车j之间的TTC，v和x分别代表下标所对应的当前时刻车辆的速度和位置；

自车采取减速等待行为，他车j采取加速不让行的情形下，s_j1＝θ_1，j1×t₃+b_1，j1；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_j1＝θ_2，j1×t₃+b_2，j1；自车采取减速等待行为，他车j采取减速让行的情形下，s_j1＝θ_3，j1×t₂+b_3，j1；自车采取并道汇入行为，他车j采取减速让行的情形下，s_j1＝θ_4，j1×t₂+b_4，j1；t₂为自车与他车j之间的TTC，t₃表示他车j从当前所在位置行驶到匝道汇入点所需的时间；

自车采取减速等待行为，他车j采取加速不让行的情形下，s_j2＝θ_1，j2×v_j+b_1，j2；自车采取并道汇入行为，他车j采取加速不让行的情形下，s_j2＝θ_2，j2×v_j+b_2，j2；自车采取减速等待行为，他车j采取减速让行的情形下，s_j2＝θ_3，j2×v₁₀+b_3，j2；自车采取并道汇入行为，他车j采取减速让行的情形下，s_j2＝θ_4，j2×v₁₀+b_4，j2；

其中，s_i1(a_i，a_j)简称为s_i1，s_i2(a_i，a_j)简称为s_i2，s_j1(a_i，a_j)简称为s_j1，s_j2(a_i，a_j)简称为s_j2，与θ相关的参数与驾驶员的激进程度有关，与b相关的参数与驾驶员的激进程度有关，与θ、b相关的参数的下标i表示对应于自车采取的行为，与θ、b相关的参数的下标j表示对应于他车采取的行为。

Images