CN111401414B - 一种基于自然驾驶数据的危险场景提取及分类方法 - Google Patents

一种基于自然驾驶数据的危险场景提取及分类方法 Download PDF

Info

Publication number
CN111401414B
CN111401414B CN202010131928.9A CN202010131928A CN111401414B CN 111401414 B CN111401414 B CN 111401414B CN 202010131928 A CN202010131928 A CN 202010131928A CN 111401414 B CN111401414 B CN 111401414B
Authority
CN
China
Prior art keywords
dangerous
value
scene
vehicle
scenes
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
CN202010131928.9A
Other languages
English (en)
Other versions
CN111401414A (zh
Inventor
韩大双
朱西产
马志雄
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202010131928.9A priority Critical patent/CN111401414B/zh
Publication of CN111401414A publication Critical patent/CN111401414A/zh
Application granted granted Critical
Publication of CN111401414B publication Critical patent/CN111401414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于自然驾驶数据的危险场景提取及分类方法，包括：获取自然驾驶样本数据，得到危险场景实测值，选取直接参量和间接参量，根据危险等级，以确定危险场景提取标准；从自然驾驶样本数据中提取得到危险场景预测值；比较危险场景预测值与危险场景实测值之间的吻合程度，若吻合程度大于或等于预设值，则采用危险场景提取标准从自然驾驶实际数据中提取得到危险场景，最后基于SHRP2分类，补充行驶干涉对象类型的描述以及行驶场景的描述，以对提取得到的危险场景进行分类，否则需重新确定危险场景提取标准。与现有技术相比，本发明采用三层筛选的方式，并对现有分类进行补充描述，能够有效提高危险场景的提取及分类准确度。

Description

一种基于自然驾驶数据的危险场景提取及分类方法
技术领域
本发明涉及车辆测试技术领域，尤其是涉及一种基于自然驾驶数据的危险场景提取及分类方法。
背景技术
目前关于危险场景的分类标准，主要包括National Highway Traffic SafetyAdministration(NHTSA)的37类危险工况以及SHRP2(STRATEGIC HIGHWAY RESEARCHPROGRAM)报告中显示的美国高速公路安全管理局的事故类型，其中，SHRP2中具有车辆或行人等较详细运动状态的危险场景分类；各个测试机构在对各类ADAS(Advanced DriverAssistance System，先进驾驶辅助系统)产品进行测试时，基于选用的测试场景，也能获得危险场景的分类，例如，ASSESS(Assessment of Integrated Vehicle Safety Systems)项目，主要包括追尾测试场景，路口测试场景，迎面交通测试场景和切入测试场景；欧洲eVALUE项目旨在研究基于信息通信技术(Information and CommunicationTechnologies，ICT)的安全系统的测试评价方法，eVALUE项目的测试场景包括纵向、侧向和车辆稳定性三个大类的测试场景；SAFESPOT项目旨在利用协同系统(Cooperative System)提升道路安全，增加驾驶员对周围环境感知的时空范围；国内有研究利用聚类分析得到了7类涉及骑车人的典型危险场景；此外，近年一些研究机构提出的基于智能车的测试的一些测试场景，欧洲interactIVe(Accident avoidance by active intervention forIntelligent Vehicles)项目旨在测试评价集成先进驾驶辅助系统和主动安全系统的新一代智能汽车，以实现更安全高效出行；以上均可作为危险场景的分类依据，相比于NHTSA的37类危险工况，SHRP2的分类更为详细，但却无法确定占比较大的危险场景，使得危险场景分类结果与实际相差较大。
在对危险场景进行分类之前，通常需要提取出危险场景，目前危险驾驶场景的研究越来越受到重视，同时基于不同的研究目的提出了危险驾驶场景的提取标准，其中以100-car，IVBSS-FOT以及Euro-FOT较为常见，这些提取标准的精度较低，且其研究数据均来自于国外驾驶环境，与国内的驾驶环境有较大的区别，而国内China-FOT数据中不含有其他标准中认为重要的部分参量：如TTC(time to collision,碰撞时间)值。我国学者朱西产，张开元等利用China-FOT数据制定了危险场景的提取标准，该标准虽然相较于国外标准的提取精度有了一定提高，但是依旧不能保证危险场景的提取准确度，也就无法保证后续危险场景分类的准确度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自然驾驶数据的危险场景提取及分类方法，基于国内的自然驾驶数据，利用三层筛选提取危险场景，以提高危险场景的筛选提取准确度，并对现有SHRP2中的危险场景分类进行相关描述补充，从而保证危险场景分类的准确度。
本发明的目的可以通过以下技术方案来实现：一种基于自然驾驶数据的危险场景提取及分类方法，包括以下步骤：
S1、获取自然驾驶样本数据，得到危险场景实测值，并选取直接参量和间接参量，根据危险等级，以确定危险场景提取标准；
S2、采用危险场景提取标准，从自然驾驶样本数据中提取得到危险场景预测值；
S3、利用混合矩阵比较危险场景预测值与危险场景实测值之间的吻合程度，若吻合程度大于或等于预设值，则执行步骤S4，否则返回步骤S1；
S4、获取自然驾驶实际数据，采用危险场景提取标准，从自然驾驶实际数据中提取得到危险场景；
S5、基于SHRP2分类，补充行驶干涉对象类型的描述以及行驶场景的描述，以对步骤S4提取得到的危险场景进行分类，得到对应于自然驾驶实际数据不同危险场景的占比结果。
进一步地，所述步骤S1具体包括以下步骤：
S11、获取自然驾驶样本数据，并直接得到对应的危险场景实测值；
S12、从自然驾驶样本数据中选取直接参量以及间接参量；
S13、定义危险等级，其中，危险等级包括等级1、等级2和等级3，所述等级1用于描述“超过正常驾驶范畴”，所述等级2用于描述“激烈驾驶”，所述等级3用于描述“接近车辆动力学极限操作”；
S14、构建包含三层筛选的危险场景提取标准，其中，第一层筛选用于筛选得到危险程度分级，第二层筛选用于进行危险程度分级修正，第三层筛选用于量化危险程度，以建立危险等级模型。
进一步地，所述直接参量包括车辆制动液压力、制动系统激活指示值、车辆侧向加速度、车辆纵向加速度、车辆横摆角速度、车辆纵向速度和最小TTC值；
间接参量包括制动压力峰值PP、制动压力峰值最早出现时刻PPt、开始紧急制动的时刻HBt以及制动时间差Td：
Td＝PPt-HBt。
进一步地，所述步骤S14中第一层筛选具体是依据纵向加速度、横向加速度以及横摆角速度与速度关联下的偏离正常驾驶的特征分布，以进行筛选以及危险程度分级。
进一步地，所述步骤S14中第二层筛选具体是依据制动压力变化率以及TTC触发值，以进行筛选以及危险程度分级修正。
进一步地，所述步骤S14中第三层筛选具体是利用模糊综合评价法，对制动压力平均变化率，最小TTC值，车辆纵向加速度峰值，车辆侧向加速度峰值，车辆横摆角速度峰值共五个参量进行综合评价，并结合不同的车速制定不同的危险等级阈值，从而建立危险等级模型。
进一步地，所述危险等级模型具体为：
D＝B·W＝w1A1(x)+w2A2(x)+w3A3(x)+w4A4(x)+w5A5(x)
B＝(A1(x),A2(x),A3(x),A4(x),A5(x))
W＝(w1,w2,w3,w4,w5)T
其中，B为评判函数矩阵，A1(x)，A2(x)，A3(x)，A4(x)，A5(x)依次为制动压力平均变化率，最小TTC值，车辆纵向加速度峰值，车辆侧向加速度峰值，车辆横摆角速度峰值的判别隶属函数，W为权向量矩阵，w1，w2，w3，w4，w5依次为制动压力平均变化率，最小TTC值，车辆纵向加速度峰值，车辆侧向加速度峰值，车辆横摆角速度峰值的权向量。
进一步地，所述步骤S3中危险场景预测值与危险场景实测值之间的吻合程度包括：
正阳性TP：被正确预测的危险场景的数量；
正阴性TN：被正确预测的不危险场景的数量；
负阳性FP：被错误的标记为危险场景的不危险场景的数量；
负阴性FN：被错误的标记为不危险场景的危险场景的数量；
灵敏性TPR：正确识别危险场景的数量在所有危险场景的数量中的占比，有
TPR＝TP/(TP+FN)；
负阳率FPR：错误预测为危险场景的数量占所有不危险场景的比例，有
FPR＝FP/(FP+TN)；
正向预测精度PPV：标记为危险场景的数量预测的准确度，有
PPV＝TP/(TP+FP)；
负向预测精度NPV：标记为不危险场景的数量预测的准确度，有
NPV＝TN/(FN+TN)；
模型准确度ACC：所有正确预测的比例，有
ACC＝(TP+TN)/N。
与现有技术相比，本发明基于自然驾驶数据，综合利用纵向加速度、横向加速度、横摆角速度、转向灯信号、制动压力及其变化率和TTC值与危险场景之间的关系，利用模糊综合评价法以及三层筛选，能够有效提高危险场景的筛选准确度，通过量化评价实现危险等级划分，并对SHRP2中的危险场景分类标准进行补充，能够确定占比较大的危险场景，从而完成对危险场景的准确分类。
附图说明
图1为本发明的方法流程示意图；
图2为实施例的应用过程示意图；
图3为实施例中制动压力变化图；
图4为实施例中速度与纵向加速度关联图；
图5为实施例中速度与横向加速度关联图；
图6为实施例中速度与横摆角速度关联图；
图7为实施例中速度与TTC关联图；
图8为实施例中危险等级修正关系图；
图9为实施例中危险场景分类中各种类分布图；
图10为实施例中危险程度较低的危险种类分布图；
图11为实施例中危险等级2和3的危险场景分布图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种基于自然驾驶数据的危险场景提取及分类方法，包括以下步骤：
S1、获取自然驾驶样本数据，得到危险场景实测值，并选取直接参量和间接参量，根据危险等级，以确定危险场景提取标准；
S2、采用危险场景提取标准，从自然驾驶样本数据中提取得到危险场景预测值；
S3、利用混合矩阵比较危险场景预测值与危险场景实测值之间的吻合程度，若吻合程度大于或等于预设值，则执行步骤S4，否则返回步骤S1；
S4、获取自然驾驶实际数据，采用危险场景提取标准，从自然驾驶实际数据中提取得到危险场景；
S5、基于SHRP2分类，补充行驶干涉对象类型的描述以及行驶场景的描述，以对步骤S4提取得到的危险场景进行分类，得到对应于自然驾驶实际数据不同危险场景的占比结果。
将本发明方法应用于实施例，如图2所示，主要包括：
Z1.确定基于自然驾驶数据的提取危险场景的相关变量和危险度定义；
Z2.危险场景提取标准制定；
Z3.分析危险场景提取结果；
Z4.对基于自然驾驶数据的危险场景进行分类；
其中，确定提取危险场景的相关变量的具体过程如下：
Z1.1选取基于自动驾驶数据的提取危险场景的相关变量。
1.标准制定中所使用的直接参量：
mBrakePressure：CAN总线读出的车辆制动液压力，驾驶员踩制动踏板力越大此值越大，单位Bar；
mDriverBraking：指示司机是否激活制动系统，1＝未激活制动系统，2＝激活制动系统；
mLateralAcc：加速度计测量的车辆侧向加速度，从CAN总线中读出；
mLongAcc：加速度计测量的车辆纵向加速度，从CAN总线中读出；
mYawRate：从CAN总线中读出的车辆横摆角速度；
mVehicleZpeed：从CAN总线中读出的车辆纵向速度；
eCRE_TTC：最小TTC值；
2.数据筛选过程中定义了间接参量：
PressurePeak(PP)：数据片段中的制动压力峰值；
PressurePeaktime(PPt)：该数据片段中制动压力峰值最早出现时刻；
HardBreakingtime(HBt)：该数据片段中驾驶员开始紧急制动的时刻，PP值前的第一个局部最小值情况；
Timedifference(Td)：PPt与HBt差值，该值越小表明制动动作越紧急。
对HBt进行说明，由于在紧急制动过程中，制动压力常见的变化趋势如图3所示，对于制动压力1、3，其HBt是对应的第一个局部最小值，而对于制动压力2，HBt应该为局部最小值之前的零值，如以该值为HBt时刻点，则易产生漏报情况，为获得尽可能全面的危险情况，故在数据筛选时选择制动压力峰值前的第一个局部最小值为HBt时刻。
Z1.2定义基于自然驾驶数据的危险场景的危险程度。
在进行危险场景筛选之前，需要对“危险”以及“危险程度”进行定义。关于“危险”的定义，ZeMiFOT，German1-VMC，我国研究学者李霖等均给出了相关的定义，而且危险的评价主要依据主观评价。由于实施例中自然驾驶数据中不含有事故情况，同时为更加详细的获得事件信息，以ZeMiFOT中的分级为基础，本次研究中主要关注的为其中的等级2～等级4，分别为：2—接近型干涉、3—碰撞相关干涉、4—近碰撞。基于ZeMiFOT相关定义，拓展相应表述范围，用等级1到等级3，依次描述驾驶员的操作行为“超过正常驾驶范畴”、“激烈驾驶”和“接近车辆动力学极限操作”。
Z2.1第一层危险场景筛选标准。
第一层标准的制定选用100段行程，共含有1867千米，53.45小时的自然驾驶行驶数据作为研究基础，从中筛选出危险的驾驶情况作为标准制定时的参考，且危险场景中以紧急制动进行避让的危险场景较多。
首先是速度(v)与纵向加速度(ax)的关联图，如图4所示。以其中的偏离正常驾驶的危险场景作为基础阈值，通过多次尝试，以所有减速度值的99.8百分位值作为阈值最合适，同时100百分位值作为二等危险的提取标准，以减速度的极限值-8m/s2作为三等危险值。其中通过对不同百分位值进行分段拟合，并进行边缘值圆整。依据第二危险等级的危险场景特点设定危险阈值时，需要说明的是，因为实施例中自然驾驶样本数据量有限，为尽可能准确的辨别危险程度，需在原拟合曲线的基础上进行适当的外延，以尽可能包络100百分位值的所有值，进而得到各个危险等级对应的车速与纵向加速度之间的关系，见表1。
表1
Figure BDA0002396010920000071
同样，依据该100段行程数据，获得如图5所示的横向加速度(ay)和车速关联图，图5中包括向左转向的99百分位线以及向左转向的100百分位线，且向左转向与向右转向的横向加速度值基本对等。在该100行程中，几乎没有以转向为主进行避让的危险场景，且当横向加速度阈值制定较低时易出现大量误报情况，故仅采取两级危险程度划分。同时参照其他标准，依据横向加速度的变化趋势采取分段线性拟合后进行适当外扩，以将100百分位线上的值尽可能包络(如图5中L1)作为危险等级1，依据横向加速度的极限值定义为危险等级2(如图5中L2)。各个危险等级对应的车速与横向加速度之间的关系，见表2。
表2
Figure BDA0002396010920000072
Figure BDA0002396010920000081
同理获得车速与横摆角速度
Figure BDA0002396010920000082
关系图，如图6所示，图中包括向左转向的99百分位线和100百分位线，得到对应的危险等级2曲线(如图6中L2)，由于当驾驶场景中当考虑到横摆角速度进行危险评价时，此危险程度较高，故直接定义为危险等级2，最终车速于横摆角速度关系见表3。
表3
Figure BDA0002396010920000083
最终，事件的危险程度划分为当纵向加速度，横向加速度与横摆角速度的危险等级之和超过1时，该数据片段被保存为潜在的危险片段，最终危险等级D为各个危险等级的最大值(如公式1所示)，值越大代表危险等级越高，并选取纵向加速度峰值出现时刻的前10s以及后5s作为危险场景数据片段进行后续筛选
D＝MAX{D1,D2,D3} (1)
进行小批量数据的初步筛选获得的大量的FP(False Positive)误报事件类型，大量的误报原因集中于驾驶员避免闯红灯进行紧急制动、驾驶员激进的驾驶行为如驾驶员急减速、迅速过弯等以及车和车间具有较大的安全空间下驾驶员采取较为激烈的避让行为。同时由于初始阈值设置较低，经过数据查看几乎不存在危险事件漏报FN(False Negative)的情况。
Z2.2第二层危险场景筛选标准；
随机选取80例典型危险场景，其中包括3例三级危险，30例2级危险以及47例一级危险事件进行分析，同时对FP事件特征进行了研究，发现危险场景的制动压力峰值(PP)以及Td满足公式(2)，具体分布如图7所示，同时平均制动压力平均变化率(PP/Td)能够一定程度上显示驾驶员采取避让行为的快慢以及危险程度。选取前15％较高的平均制动压力变化率的危险片段(3例三级危险，9例二级危险)进行线性拟合得到公式(3)。
PP≥30Bar且Td≤3s (2)
Td＝0.0108PP-0.1316 (3)
依据危险场景分析可知驾驶员在横向加速度较低，即D2处于第二危险等级以下时，开启转向灯，则认为驾驶员对该场景的危险程度在可控范围内，故应降低原危险等级。同时依据场景中含有的TTC小于1.5s的触发值以及最小值进行危险等级的调整，当TTC小于等于1s时对应的危险程度较高，通过样本数据分析可知，当车速超过25km/h时危险程度才会升高，以及对于平均制动压力变化力较大的危险驾驶场景中由于驾驶员采取避让行为较为激烈，故对应的危险程度较高，如此对危险等级进行修正，修正过程如图8所示。
通过第二层筛选可以几乎消除驾驶员由于激进驾驶如驾驶中连续踩刹车，进出场院门口时驾驶员采取制动，以及大幅度转弯造成的FP事件，同时对于驾驶过程中路遇红灯以及车和车具有较大安全空间时驾驶员偏离正常驾驶的驾驶行为造成的FP事件也得到了大幅度的降低。
Z2.3第三层危险场景筛选标准.
在进行第二层筛选完成之后，由于主要对象为明显偏离正常驾驶的一切潜在的危险场景，故由于不存在连续变化的TTC值，容易漏掉TTC大于1.5s的潜在危险情况，利用第二层筛选标准中的平均制动压力变化率的相关特征，可以获得较为激进的避让行为下的危险场景，但是同时也易产生相对较多的不足够危险下驾驶员的驾驶场景。特别是危险等级评价为1的驾驶场景中，为进一步筛除该类TP事件，引入模糊综合评价法进行进一步筛选。
模糊综合评价法是在对单一对象评价的基础上获得对某类对象的整体评价。模糊评价首先要建立起单因素评价，进而建立综合评判函数。常用的综合评判函数都与权向量有关，记为W＝(w1,w2…wn)T∈[0,1]，一般采用归一化的权向量进行计算。进而利用权向量进行加权平均、几何平均、单因素决定或主因素突出的方法得到最终评价值。故权向量的确定对于评价的准确性至关重要，而权向量的确定一般可以使用层次分析法来得到。
层次分析法即对于某个实际问题，设X＝{X1,X2,…,Xn}是全部因素的集，请专家按照表4所列各项意义，对全部因素作两两之间的对比，最终形成判断矩阵A＝(aij)n×n，其中aij＝f(xi,xj)。
表4
Figure BDA0002396010920000101
为避免对因素评判时，出现逻辑错误，需要对判断矩阵A进行一致性检验，CR为一致性比率(如公式4所示)，当CR<0.1时认为判断矩阵满足一致性要求。其中CI为矩阵A的一致性指标(如公式5)，λ1为判断矩阵A的第一特征值，n为判断矩阵A的阶数，RI是随机一致性指标(其值如表5)。
Figure BDA0002396010920000102
Figure BDA0002396010920000103
表5
矩阵阶数 3 4 5 6 7 8 9
RI 0.52 0.89 1.12 1.26 1.36 1.41 1.46
矩阵阶数 10 11 12 13 14 15
RI 1.49 1.52 1.54 1.56 1.58 1.59
根据判断矩阵，常用的权向量求解方法有特征向量法、和法、根法等，该三种方法得到的权向量相差不大，本实施例采用和法(如公式6)。得到归一化权向量W＝(w1,w2…wn)T。
Figure BDA0002396010920000104
鉴于上述两层的筛选结果以及前述相关参量的筛选情况，本次所选单一评价参量为：
制动压力平均变化率，最小TTC值，车辆纵向加速度峰值，车辆侧向加速度峰值，车辆横摆角速度峰值。
其中驾驶员急转弯或者进行转向回正容易导致车辆侧向加速度或是车辆横摆角速度达到当前阶段内峰值，实际上，驾驶员采取转向避让行为时产生的峰值才是需要考虑的变量，故需选定特定的时间段，而不是15s数据片段。通过对80例危险场景片段进行分析研究可知，驾驶员采取避让时更倾向于制动行为，不含有只采取转向行为的案例，同时对于既采取转向又采取制动的避让行为中可知，驾驶员采取转向的时间极少是在紧急制动之前，即使在制动之前也不超过1秒，故选用的判断时间区间为紧急制动前1秒至数据片段最后，同时由于在第一个横向加速度峰值之后的峰值多为驾驶员转向回正所得，故选取的横向加速度峰值为该段时间内的第一个峰值，同理获得横摆角速度峰值。
鉴于各参量特征，单因素的评判函数对于除最小TTC值以外的参量选用左半梯形分布(如公式7所示)，即参量值越大对应的函数值越大，场景危险程度越高，最小TTC值的参量选用右半梯形分布(如公式8所示)，即TTC值越小对应的函数值越大，场景危险程度越高。
Figure BDA0002396010920000111
Figure BDA0002396010920000112
a、b值均取样本场景中的最值，但由于实施例自然驾驶数据中TTC值只有在危险场景小于等于1.5s才有相应最值，而对于危险场景大于1.5s的场景不含有对应值，无法按照最值分布进行定义，故在选取相关值时需要进行调整。由于本次样本数据中所有工况采取的避让行为为制动或制动加转向，同时由于从第二层筛选情况可知，制动压力平均变化率对于工况是否危险的辨别起到的重要作用，故其b值选择其中的第二级危险场景样本的最大值13.3Bar/0.1s。其余参量选择所有80例样本中的最值。最终得到相应值见表6。
表6
Figure BDA0002396010920000113
Figure BDA0002396010920000121
代入相关参量得到各个单因素(制动压力平均变化率，最小TTC值，车辆纵向加速度峰值，车辆侧向加速度峰值，车辆横摆角速度峰值)判别隶属函数依次为A1(x)，A2(x)，A3(x)，A4(x)，A5(x)，评判函数矩阵B如公式9所示。
B＝(A1(x),A2(x),A3(x),A4(x),A5(x)) (9)
通过对样本数据分析得知，驾驶员中更倾向于以制动进行危险避让，相关研究也表明驾驶员很少只采取转向避让危险。故车辆侧向加速度，车辆横摆角速度对危险程度的影响力较低，制动加速度峰值影响性较高，同时由于平均制动压力变化率与驾驶员的驾驶行为更为相关，例如部分驾驶员在不是危险的场景中也习惯性进行急刹车行为，同时其作用只有在驾驶员制动加速度触发阈值后才显现，故该项因素的影响性较纵向加速度峰值较低。对于TTC值在众多危险场景筛选方法中均作为关键的判别因素，但同时只有车辆的制动加速度达到危险阈值后才具有较好的危险代表性，两者具有相同的影响性，最终得到判别因素的危险程度关系如表7所示。
表7
Figure BDA0002396010920000122
评判矩阵A如公式10所示。
Figure BDA0002396010920000131
矩阵A的第一特征值λ1＝5.055根据公式4，5和表6知RI＝1.12，得到公式11及12：
Figure BDA0002396010920000132
Figure BDA0002396010920000133
判别结果满足一致性要求。根据和法公式6，得到归一化权向量13所示：
W＝(0.155,0.358,0.358,0.0646,0.0646)T (13)
最终危险等级值为公式14：
D＝B·W＝0.155A1(x)+0.358A2(x)+0.358A3(x)+0.0646A4(x)+0.0646A5(x) (14)
利用该公式对80例危险样本数据进行评价，经过反复尝试发现，以单一的D值进行危险与否的界定是不完善的，同时第一层第二层筛选方法的尝试均发现车辆速度对危险程度的影响不可忽视，故按照实际分析情况依据不同速度区间(该速度选取最大制动压力前3s时间段内的平均速度，该时间段基本可以涵括危险场景中危险出现时以及驾驶员采取制动时车辆行驶速度)，定义不同的危险D值，具体D值分布见表8。
表8
车速(km/h) 样本数量 最小值 5百分位值 10百分位值 50百分位值 最大值
[0,25) 12 0.1331 0.1339 0.1348 0.2420 0.3884
[25,60) 48 0.1045 0.1122 0.1233 0.2297 0.8627
[60,80) 13 0.0951 0.0962 0.1002 0.1828 0.4806
[80,+∞) 7 0.0915 0.0915 0.0921 0.1964 0.4099
由表8中分布可看出，危险D值的最小值，以及5和10百分位值分布随速度的增高，D值有所下降，该特征符合驾驶规律，速度越大突遇危险后所造成的伤害越大，所以在同等危险程度下，对应的危险D值越小。同时发现，随着速度的增高，不同的速度区间所对应的危险场景发生状况依次为拥堵或狭窄路段，城区道路，城郊公路或城区车辆稀疏路段，高速路段或城郊公路。以各个速度区间中的最小值定义为危险等级1的触发值，同时在80例危险样本中并不含有速度为危险等级2且速度小于25km/h的场景，同样选取各个速度区间内不同危险等级对应的最小值进行阈值设定，其中当速度小于25km/h时的危险等级为2、3的值暂不设定，视具体危险情况进行确定，最终设定结果见表9。
表9
Figure BDA0002396010920000141
其中进行设定值之后进行初步筛选尝试，最终发现，当工况中含有骑行人，行人，动物时，往往由于对象在交通环境中运动自由度较大，故其对应的D值同等级下要求较低，同样对于中间变道的情况以及转向时欲发生侧碰的情况，不易获得前方TTC值，故经过筛选计算得到的D值比实际情况要低，故针对危险等级2的判断中存在不准确性，但在随机筛选的105例危险片段中关于判断为第二等级危险的共有39例其中错误判断为1例，漏掉1例，该情况可接受。同时关于危险程度的定义多为主观定义，故关于具体阈值的设定也是可以依据不同研究目的以及不同研究方法进行定义。
针对前两层筛选结果进行再度筛选，主要存在的FP事件为路遇红灯驾驶员紧急制动避免闯红灯的情况，该场景主要存在于车辆稀疏道路中，故驾驶员警惕性下降且易出现较为激烈的驾驶行为，该类场景中的TTC值十分大，如可获得连续的TTC值该类FP事件基本可以消除。
Z3.分析危险场景提取结果
将数据利用上述三层方法的综合筛选，最终得到本实施例自然驾驶数据对应的危险场景，由于第一层结果中含有大量的不危险场景，故只针对全局数据具体统计第一、二层以及三层综合筛选结果，以及FP事件类型。表10及表11中“1”代表事件危险，“0”代表事件不危险。表10中数据为第一层和第二层筛选结果混合矩阵，表11中数据为第三层综合筛选结果混合矩阵，混合矩阵可以直观评价所用模型的优劣，它以表格形式展示模型预测值和实际观测值之间的吻合程度。
表10
Figure BDA0002396010920000142
Figure BDA0002396010920000151
表11
Figure BDA0002396010920000152
表中所含参数含义如下：
正阳性TP(True Positive)：指被正确预测的危险场景的数量；
正阴性TN(True Negative)：指被正确预测的不危险场景的数量；
负阳性FP(False Positive)：被错误的标记为危险场景的不危险场景的数量；
负阴性FN(False Negative)：被错误的标记为不危险场景的危险场景的数量；
灵敏性TPR(True Positive Rate(％))＝TP/(TP+FN)：正确识别危险场景的数量在所有危险场景的数量中的占比；
负阳率FPR(False Positive Rate(％))＝FP/(FP+TN)：错误预测为危险场景的数量占所有不危险场景的比例；
精度PPV(Positive Predicted Value(％))＝TP/(TP+FP)：标记为危险场景的数量预测的准确度；
NPV(Negative Predicted Value(％))＝TN/(FN+TN)：标记为不危险场景的数量预测的准确度；
模型准确度ACC(Accuracy(％))＝(TP+TN)/N：所有正确预测的比例。
经过三层的综合筛选结果可获得较好的筛选结果，相比于100-Car等研究方法均得到了较大程度上的优化。
通过对产生FP事件的原因进行统计可知，如表12所示，类别2、3、4、5中车辆所处的行驶环境几乎都比较稀疏，而驾驶员处于激进驾驶过程中，如果数据中有连续的TTC值，几乎可以避免该类FP事件，如此经过三层筛选几乎可以获得100％准确率。但是对于该类驾驶行为，仍然对交通环境造成了一定的危险。对于经过三次筛选过程后的FN事件多为骑行人以及驾驶过程中驾驶员采取转向进行避让的危险场景，这与该方法的设置有直接关系，但该方法在数据不完善的情况下提供新的研究思路。同时不同于其他研究方法中单一量非零即一的情况，本发明的方法给出了不同量的连续变化过程对危险程度的影响，以及多变量对危险程度的综合影响。
表12
Figure BDA0002396010920000161
Z4：危险场景分类
为获知危险场景的种类分布情况，同时便于针对某类危险场景进行深入研究，需要对危险场景进行分类。关于危险场景的分类标准，常用的有各个检测机构中基于不同测试目的进行分类，如AEB、FCW、interactive的功能测试标准等，以及NHTZA提到的37类碰撞类型，ZHRP2中提到的危险场景分类，两者同为美国高速公路管理局提出的研究项目，具有相似性。相比于37类危险场景分类而言，ZHRP2中提到的分类更倾向于车辆的行驶轨迹，分类较详细。对于本发明而言，所含的危险场景包括一切偏离正常驾驶的驾驶场景，对驾驶员的驾驶行为以及驾驶轨迹较为关注，故选用ZHRP2中提到的分类标准，但是相对于NHTZA37分类标准，缺少行驶干涉对象类型的描述，以及行驶场景的描述，故数据分析过程中加入上述描述，实施例主要将干涉对象分为机动车(不进行特殊标志)，骑行人(C)，行人(P)，动物(A)。最终危险场景类别名称为“d2021c”，依次代表场景类型，本车轨迹，干涉对象轨迹，干涉对象类型。具体分类结果如表13所示，各个大类的分布见图9。
表13
Figure BDA0002396010920000162
Figure BDA0002396010920000171
Figure BDA0002396010920000181
依据上述危险程度分类标准将筛选获得的780例危险场景进行危险程度分级，共得到危险等级3的危险场景14例具体类别见表14，危险等级2的危险场景共有158例，危险等级1的危险场景608例，其具体分布占比见图10，危险等级2、3的危险场景种类分布见图11。
表14
危险场景类别 数量 占比(％)
与骑行人冲突 3 21.43
D 5 35.71
E 1 7.14
F 3 21.43
J 1 7.14
K 1 7.14
依据图中分布可以明显看出在所有危险场景中占比最多的为“DⅡ相同行驶道路及方向：追尾”，占比为36.79％，其次为“FⅡ相同行驶道路及方向：侧碰撞”占比为23.85％，随着危险等级为2、3类时，D类危险场景有所下降，但仍然在同等危险程度中占比最高，可见在以城区为主的驾驶环境中，最易出现的危险驾驶场景为追尾类场景。

Claims (7)

1.一种基于自然驾驶数据的危险场景提取及分类方法，其特征在于，包括以下步骤：
S1、获取自然驾驶样本数据，得到危险场景实测值，并选取直接参量和间接参量，根据危险等级，以确定危险场景提取标准；
S2、采用危险场景提取标准，从自然驾驶样本数据中提取得到危险场景预测值；
S3、利用混合矩阵比较危险场景预测值与危险场景实测值之间的吻合程度，若吻合程度大于或等于预设值，则执行步骤S4，否则返回步骤S1；
S4、获取自然驾驶实际数据，采用危险场景提取标准，从自然驾驶实际数据中提取得到危险场景；
S5、基于SHRP2分类，补充行驶干涉对象类型的描述以及行驶场景的描述，以对步骤S4提取得到的危险场景进行分类，得到对应于自然驾驶实际数据不同危险场景的占比结果；
所述步骤S1具体包括以下步骤：
S11、获取自然驾驶样本数据，并直接得到对应的危险场景实测值；
S12、从自然驾驶样本数据中选取直接参量以及间接参量；
S13、定义危险等级，其中，危险等级包括等级1、等级2和等级3，所述等级1用于描述“超过正常驾驶范畴”，所述等级2用于描述“激烈驾驶”，所述等级3用于描述“接近车辆动力学极限操作”；
S14、构建包含三层筛选的危险场景提取标准，其中，第一层筛选用于筛选得到危险程度分级，第二层筛选用于进行危险程度分级修正，第三层筛选用于量化危险程度，以建立危险等级模型。
2.根据权利要求1所述的一种基于自然驾驶数据的危险场景提取及分类方法，其特征在于，所述直接参量包括车辆制动液压力、制动系统激活指示值、车辆侧向加速度、车辆纵向加速度、车辆横摆角速度、车辆纵向速度和最小TTC值；
间接参量包括制动压力峰值PP、制动压力峰值最早出现时刻PPt、开始紧急制动的时刻HBt以及制动时间差Td：
Td＝PPt-HBt。
3.根据权利要求2所述的一种基于自然驾驶数据的危险场景提取及分类方法，其特征在于，所述步骤S14中第一层筛选具体是依据纵向加速度、横向加速度以及横摆角速度与速度关联下的偏离正常驾驶的特征分布，以进行筛选以及危险程度分级。
4.根据权利要求2所述的一种基于自然驾驶数据的危险场景提取及分类方法，其特征在于，所述步骤S14中第二层筛选具体是依据制动压力变化率以及TTC触发值，以进行筛选以及危险程度分级修正。
5.根据权利要求2所述的一种基于自然驾驶数据的危险场景提取及分类方法，其特征在于，所述步骤S14中第三层筛选具体是利用模糊综合评价法，对制动压力平均变化率，最小TTC值，车辆纵向加速度峰值，车辆侧向加速度峰值，车辆横摆角速度峰值共五个参量进行综合评价，并结合不同的车速制定不同的危险等级阈值，从而建立危险等级模型。
6.根据权利要求5所述的一种基于自然驾驶数据的危险场景提取及分类方法，其特征在于，所述危险等级模型具体为：
D＝B·W＝w1A1(x)+w2A2(x)+w3A3(x)+w4A4(x)+w5A5(x)
B＝(A1(x),A2(x),A3(x),A4(x),A5(x))
W＝(w1,w2,w3,w4,w5)T
其中，B为评判函数矩阵，A1(x)，A2(x)，A3(x)，A4(x)，A5(x)依次为制动压力平均变化率，最小TTC值，车辆纵向加速度峰值，车辆侧向加速度峰值，车辆横摆角速度峰值的判别隶属函数，W为权向量矩阵，w1，w2，w3，w4，w5依次为制动压力平均变化率，最小TTC值，车辆纵向加速度峰值，车辆侧向加速度峰值，车辆横摆角速度峰值的权向量。
7.根据权利要求1所述的一种基于自然驾驶数据的危险场景提取及分类方法，其特征在于，所述步骤S3中危险场景预测值与危险场景实测值之间的吻合程度包括：
正阳性TP：被正确预测的危险场景的数量；
正阴性TN：被正确预测的不危险场景的数量；
负阳性FP：被错误的标记为危险场景的不危险场景的数量；
负阴性FN：被错误的标记为不危险场景的危险场景的数量；
灵敏性TPR：正确识别危险场景的数量在所有危险场景的数量中的占比，有
TPR＝TP/(TP+FN)；
负阳率FPR：错误预测为危险场景的数量占所有不危险场景的比例，有
FPR＝FP/(FP+TN)；
正向预测精度PPV：标记为危险场景的数量预测的准确度，有
PPV＝TP/(TP+FP)；
负向预测精度NPV：标记为不危险场景的数量预测的准确度，有
NPV＝TN/(FN+TN)；
模型准确度ACC：所有正确预测的比例，有
ACC＝(TP+TN)/N。
CN202010131928.9A 2020-02-29 2020-02-29 一种基于自然驾驶数据的危险场景提取及分类方法 Active CN111401414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010131928.9A CN111401414B (zh) 2020-02-29 2020-02-29 一种基于自然驾驶数据的危险场景提取及分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010131928.9A CN111401414B (zh) 2020-02-29 2020-02-29 一种基于自然驾驶数据的危险场景提取及分类方法

Publications (2)

Publication Number Publication Date
CN111401414A CN111401414A (zh) 2020-07-10
CN111401414B true CN111401414B (zh) 2023-02-10

Family

ID=71432132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010131928.9A Active CN111401414B (zh) 2020-02-29 2020-02-29 一种基于自然驾驶数据的危险场景提取及分类方法

Country Status (1)

Country Link
CN (1) CN111401414B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111599181B (zh) * 2020-07-22 2020-10-27 中汽院汽车技术有限公司 用于智能驾驶系统测试的典型自然驾驶场景识别提取方法
CN112115819B (zh) * 2020-09-03 2022-09-20 同济大学 基于目标检测及tet扩展指标的行车危险场景识别方法
CN112487905B (zh) * 2020-11-23 2022-02-11 北京理工大学 一种车辆周边行人危险等级预测方法及系统
CN113868875B (zh) * 2021-09-30 2022-06-17 天津大学 测试场景自动生成方法、装置、设备和存储介质
CN115223147B (zh) * 2022-09-19 2022-12-09 天津所托瑞安汽车科技有限公司 商用车防碰撞系统的防误触方法、设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013105869A1 (en) * 2012-01-13 2013-07-18 Pulse Function F6 Limited Telematics system with 3d inertial sensors
CN103268426A (zh) * 2013-06-05 2013-08-28 北京宣爱智能模拟技术股份有限公司 一种汽车驾驶人安全驾驶水平测评的方法
CN109684933A (zh) * 2018-11-30 2019-04-26 广州大学 一种前方行人窜出马路的预警方法
CN109816811A (zh) * 2018-10-31 2019-05-28 杭州云动智能汽车技术有限公司 一种自然驾驶数据采集装置
CN109885870A (zh) * 2019-01-09 2019-06-14 同济大学 一种用于自动驾驶汽车预期功能安全的验证方法及系统
CN110008978A (zh) * 2017-12-07 2019-07-12 亿目朗欧洲股份有限公司 危险分级训练方法、危险分级方法、辅助或自动车辆驾驶系统
CN110414831A (zh) * 2019-07-24 2019-11-05 清华大学 基于驾驶人认知视角的人车路耦合风险评估方法及装置
CN110705370A (zh) * 2019-09-06 2020-01-17 中国平安财产保险股份有限公司 基于深度学习的路况识别方法、装置、设备及存储介质
CN110727706A (zh) * 2019-09-02 2020-01-24 清华大学苏州汽车研究院（相城） 一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150187224A1 (en) * 2013-10-15 2015-07-02 Mbfarr, Llc Driving assessment and training method and apparatus

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013105869A1 (en) * 2012-01-13 2013-07-18 Pulse Function F6 Limited Telematics system with 3d inertial sensors
CN103268426A (zh) * 2013-06-05 2013-08-28 北京宣爱智能模拟技术股份有限公司 一种汽车驾驶人安全驾驶水平测评的方法
CN110008978A (zh) * 2017-12-07 2019-07-12 亿目朗欧洲股份有限公司 危险分级训练方法、危险分级方法、辅助或自动车辆驾驶系统
CN109816811A (zh) * 2018-10-31 2019-05-28 杭州云动智能汽车技术有限公司 一种自然驾驶数据采集装置
CN109684933A (zh) * 2018-11-30 2019-04-26 广州大学 一种前方行人窜出马路的预警方法
CN109885870A (zh) * 2019-01-09 2019-06-14 同济大学 一种用于自动驾驶汽车预期功能安全的验证方法及系统
CN110414831A (zh) * 2019-07-24 2019-11-05 清华大学 基于驾驶人认知视角的人车路耦合风险评估方法及装置
CN110727706A (zh) * 2019-09-02 2020-01-24 清华大学苏州汽车研究院（相城） 一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法
CN110705370A (zh) * 2019-09-06 2020-01-17 中国平安财产保险股份有限公司 基于深度学习的路况识别方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于真实事故和自然驾驶场景的车辆-骑车人危险工况的统计分析;曾宇凡,朱西产,马志雄;《Infats Proceedings of the 14th International Forum of Automotive Traffic Safety》;20171201;9-17 *
基于自然驾驶的前车切出场景驾驶员纵向行为分析;韩大双,马志雄,朱西产;《Proceedings of the 16th International Forum of Automotive Traffic Safety（INFATS 2019）》;20191114;177-178 *
自动驾驶分级方法及相关测试评价技术研究;石娟,秦孔建,郭魁元;《汽车工业研究》;20180715;30-37 *

Also Published As

Publication number Publication date
CN111401414A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111401414B (zh) 一种基于自然驾驶数据的危险场景提取及分类方法
CN112508392B (zh) 一种山区双车道公路隐患路段交通冲突风险动态评估方法
CN103562978B (zh) 车辆数据分析方法和车辆数据分析系统
CN103531042A (zh) 基于驾驶人类型的车辆追尾预警方法
US20080059051A1 (en) System and Method for Collecting and Distributing Traffic Information
CN113609016B (zh) 车辆自动驾驶测试场景的构建方法、装置、设备及介质
CN109448384B (zh) 一种高速公路危险交通行为识别方法
JP2008046759A (ja) 運転支援装置
CN114822044B (zh) 一种基于隧道的行车安全预警方法及设备
CN110562261B (zh) 一种基于马尔可夫模型检测驾驶员风险等级的方法
CN110766943B (zh) 一种基于事故数据的不良驾驶行为判定的监测方法和系统
Papazikou et al. Detecting deviation from normal driving using SHRP2 NDS data
CN105975757A (zh) 一种基于车辆行驶数据的急减速行为识别方法
CN113581188A (zh) 一种基于车联网数据的商用车驾驶员驾驶风格识别方法
US20220319323A1 (en) Method for identifying road risk based on networked vehicle-mounted adas
CN112070927A (zh) 一种高速公路车辆微观驾驶行为分析系统与分析方法
CN111858719A (zh) 基于车辆事故数据挖掘分析的特定条件预警方法和系统
CN116383678B (zh) 一种营运客车异常变速行为常发性路段识别方法
CN116753938A (zh) 车辆测试场景生成方法、装置、存储介质及设备
Liu et al. Construction of driving behavior scoring model based on obd terminal data analysis
CN110705628A (zh) 一种基于隐马尔可夫模型检测驾驶员风险等级的方法
CN111775948B (zh) 一种驾驶行为分析方法及装置
CN114155742A (zh) 一种网联车纵向行车风险评估和预警方法
Ma et al. Lane change analysis and prediction using mean impact value method and logistic regression model
CN114944083B (zh) 一种高速公路上行驶车辆与前车距离的判断方法

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