CN111612140B - 基于路侧单元的自动驾驶安全判别方法、设备、存储介质 - Google Patents

Abstract

本发明涉及一种基于路侧单元的自动驾驶安全判别方法、设备、存储介质，其中方法包括：步骤S1.获取本车及其前车的速度和位置，并向邻近的路侧单元请求下载当前路段的历史事故数据；步骤S2.基于速度、位置与历史事故数据，判断当前路段的风险等级；步骤S3.基于本车车主以往在事故多发路段的车速控制行为，判断本车车主对道路潜在风险的应对倾向；步骤S4.根据当前路段的风险等级及车主的应对倾向，调节本车的当前车速。本发明基于速度、位置与历史事故判别路段风险等级，并结合以往事故多发路段的车速控制行为分析车主的风险应对倾向，根据风险等级及应对倾向综合考量车速调整，实现保障驾驶安全的同时，充分考虑车主意愿，提高车主的自动驾驶体验。

Description

基于路侧单元的自动驾驶安全判别方法、设备、存储介质

技术领域

本发明涉及自动驾驶技术，特别涉及一种基于路侧单元的自动驾驶安全判别方法、设备、存储介质。

背景技术

现有的自动驾驶车辆均设有由激光传感器、视觉传感器、位置传感器、前后雷达、主控电脑所组成的自动驾驶系统，通过依赖视觉计算、雷达监控和全球定位系统协同合作，让主控电脑能根据道路车辆之间的相对位置及速度，自动操控车辆进行行驶，并在自动驾驶过程中，根据路段风险、前后车之间的相对位置及速度实时作出安全判别，进而调整车速以保障自动驾驶安全。

现有方案存在的缺陷是，基于安全判别的车速调整仅考虑位置及速度参数，忽略车主对道路潜在风险的应对意愿，存在违背车主驾驶习惯的可能，导致车主的自动驾驶体验度不高。

发明内容

本发明为解决或部分解决现有技术中的不足之处，而提供一种基于路侧单元的自动驾驶安全判别方法、设备、存储介质。

为此，提供一种基于路侧单元的自动驾驶安全判别方法，所述路侧单元指等间距排列于道路旁侧且与运营中心通信的多个网联通信设备，各网联通信设备之间相互通信且分别与其通信范围内的各车辆组网，其特征在于，包括下述步骤：

步骤S1.获取本车及其前车的速度和位置，并向邻近的路侧单元请求下载当前路段的历史事故数据；

步骤S2.基于速度、位置与历史事故数据，判断当前路段的风险等级；

步骤S3.基于本车车主以往在事故多发路段的车速控制行为，判断本车车主对道路潜在风险的应对倾向；

步骤S4.根据当前路段的风险等级及车主的应对倾向，调节本车的当前车速。

作为优选方案，所述风险等级分为高中低三级，所述应对倾向具体指本车车主对道路潜在风险的应对态度。

作为优选方案，所述步骤S2进一步包括：

以速度、位置与历史事故数据作为输入量输入至事先训练好的神经网络模型，从而获得神经网络模型所输出的风险等级。

作为优选方案，其特征在于：

所述步骤S1中还向邻近的路侧单元请求当前路段的天气信息；

所述步骤S2中还将天气信息作为神经网络模型的输入量之一进行评估。

作为优选方案，所述步骤S3进一步包括：

统计本车车主以往在事故多发路段的车速控制总数，并从中筛选出减速次数，若减速次数在车速控制总数中的占比超过设定阈值则将所述应对态度归为谨慎，否者将所述应对态度归为激进。

作为优选方案，所述步骤S4进一步包括：

若所述风险等级为高，则无视车主的应对态度而将本车的车速控制为设定的安全速度；

若所述风险等级为中，且所述应对态度为激进，则控制本车与前车保持相同速度行驶；

若所述风险等级为中，且所述应对态度为谨慎，则控制本车进行减速；

若所述风险等级为低，则控制本车按原速行驶。

作为优选方案，根据本车与前车之间的距离，结合刹车滑动理论，确定所述安全速度。

还提供一种设备，其中，该设备包括：

控制器；以及，

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述控制器实现上述的方法。

还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被控制器执行时，实现上述的方法。

有益效果：

本发明的方法通过路侧单元下载当前路段的历史事故数据，基于速度、位置与历史事故数据判别路段风险等级，并结合以往在事故多发路段的车速控制行为分析车主的风险应对倾向，根据风险等级及应对倾向综合考量车速调整措施，实现保障自动驾驶安全的同时，充分考虑车主意愿，提高车主的自动驾驶体验。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例所述方法的实施流程图；

图2为本发明的电子设备的结构示意图；

图3为本发明的计算机可读存储介质的结构示意图。

具体实施方式

本实施例的车辆为自动驾驶车辆，其上设有由常规激光传感器(Ibeo)、视觉传感器(双目视觉摄像头)、位置传感器(GPS)、前后雷达、主控电脑(Nuvo-5095GC工控机)所组成的自动驾驶系统，能够实施自动驾驶所需的常规传感检测及驾驶控制。

本实施例中，路侧单元指代等间距排列于道路旁侧的多个网联通信设备，设置各网联通信设备的通信范围紧邻而又互不重叠，各网联通信设备之间基于移动通信技术相互通信，然后控制各路侧单元在其通信范围内以较短周期进行周期性广播组网寻呼请求，车辆接收到请求后建立通信链路，从而实现路侧单元与其通信范围内的各车辆组网，保障每个路侧单元及其组网车辆均组成一局域通信网络，接着，各网联通信设备分别与作为运营中心的交通控制中心联网通信，从而承担道路车辆与交通控制中心之间数据中继传输功能，使车辆在驾驶路途中得以经路侧单元向交通控制中心请求交通数据，从而辅助实施自动驾驶行为。

本实施例的自动驾驶安全判别方法，包括如图1所示的以下步骤：

步骤S1.获取本车及其前车的速度和位置，并向邻近的路侧单元请求下载当前路段的历史事故数据。

具体地，本车上的主控电脑利用位置传感器及车载计速器获取本车的位置及速度，利用激光传感器及雷达采集前车的位置并以位置变化量测算前车速度，然后通过与之组网的临近路侧单元，向运营中心请求当前路段的天气情况及历史发生的车祸事故数据，其中车祸事故数据具体包括年均车祸发生次数、车辆类型、荷载量等，运营中心根据请求经路侧单元反馈数据至主控电脑，供主控电脑存储处理。

步骤S2.基于速度、位置与历史事故数据，判断当前路段的风险等级。

具体地，以本车及其前车的速度和位置、当前路段的历史事故数据及天气情况作为训练样本，采用神经网络算法构建训练模型进行训练，训练输出高中低三个风险等级，模型训练好后再用同类数据进行校验，其中训练数据与校验数据的比例划分为4:1。

进行自动驾驶模式时，实时将本车及其前车的速度和位置、当前路段的历史事故数据及天气情况作为输入量，送入神经网络模型中进行决策，从而输出风险等级结果。

步骤S3.基于本车车主以往在事故多发路段的车速控制行为，判断本车车主对道路潜在风险的应对倾向，即车主面对道路潜在风险时的应对态度。

具体地，在日常车主手动驾驶时，主控电脑均通过电子地图区分行驶路段是否为事故多发路段，在标记到属于事故多发路段时，实时记录车主在该路段的车速控制行为，其中车速控制行为具体包含加速、减速及保持原速度不变三类。获得记录后，分别统计三类车速控制行为的次数，将三类的次数相加求取车速控制总数，并求取其中的减速次数在车速控制总数中的占比，若占比超过设定阈值，则认为车主面对事故多发路段这类型道路潜在风险时，持谨慎的应对态度，若占比未超过设定阈值，则认为车主面对道路潜在风险时，属于激进类型。

步骤S4.根据当前路段的风险等级及车主的应对倾向，调节本车的当前车速。

具体地，若判断到风险等级为高，则直接无视车主的应对态度，将本车的车速控制为设定的安全速度，以优先保证驾驶安全，其中，安全速度根据本车与前车之间的距离确定，具体为获取本车与前车之间的距离S，根据刹车滑动理论S＝v²/300反向计算当前的速度v，以速度v作为所述安全速度，从而实现根据两车间距实现速度自适应调整。

若判断到风险等级为中，且车主属于激进类型，则控制本车与前车保持相同速度行驶与保持安全距离，实现在满足驾驶安全的前提下尽量满足车主驾驶习惯；

若判断到风险等级为中，且车主面对道路潜在风险的应对态度较为谨慎，则控制本车减速以贴合车主意愿；

若判断到风险等级为低，说明该路段对本车类型仍然安全，则控制本车按原速行驶，无需变速。

本实施例通过路侧单元下载当前路段的历史事故数据，基于速度、位置与历史事故数据判别路段风险等级，并结合以往在事故多发路段的车速控制行为分析车主的风险应对倾向，根据风险等级及应对倾向综合考量车速调整措施，实现保障自动驾驶安全的同时，充分考虑车主意愿，提高车主的自动驾驶体验。

需要说明的是：

本实施例所用的方法，可转化为可存储于计算机存储介质中的程序步骤及装置，通过被控制器调用执行的方式进行实施。

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的检测电子设备的佩戴状态的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图2示出了根据本发明一个实施例的电子设备的结构示意图。该电子设备传统上包括处理器21和被安排成存储计算机可执行指令(程序代码)的存储器22。存储器22可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器22具有存储用于执行实施例中的任何方法步骤的程序代码24的存储空间23。例如，用于程序代码的存储空间23可以包括分别用于实现上面的方法中的各种步骤的各个程序代码24。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图3所述的计算机可读存储介质。该计算机可读存储介质可以具有与图2的电子设备中的存储器22类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常，存储单元存储有用于执行根据本发明的方法步骤的程序代码31，即可以由诸如21之类的处理器读取的程序代码，当这些程序代码由电子设备运行时，导致该电子设备执行上面所描述的方法中的各个步骤。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (4)

1.基于路侧单元的自动驾驶安全判别方法，所述路侧单元指等间距排列于道路旁侧且与运营中心通信的多个网联通信设备，各网联通信设备之间相互通信且分别与其通信范围内的各车辆组网，其特征在于，包括下述步骤：

步骤S1.获取本车及其前车的速度和位置，并向邻近的路侧单元请求下载当前路段的历史事故数据；

步骤S2.基于速度、位置与历史事故数据，判断当前路段的风险等级；

步骤S3.基于本车车主以往在事故多发路段的车速控制行为，判断本车车主对道路潜在风险的应对倾向；

步骤S4.根据当前路段的风险等级及车主的应对倾向，调节本车的当前车速；

所述风险等级分为高中低三级，所述应对倾向具体指本车车主对道路潜在风险的应对态度；

所述步骤S2进一步包括：

以速度、位置与历史事故数据作为输入量输入至事先训练好的神经网络模型，从而获得神经网络模型所输出的风险等级；

所述步骤S1中还向邻近的路侧单元请求当前路段的天气信息；

所述步骤S2中还将天气信息作为神经网络模型的输入量之一进行评估；

所述步骤S3进一步包括：

统计本车车主以往在事故多发路段的车速控制总数，并从中筛选出减速次数，若减速次数在车速控制总数中的占比超过设定阈值则将所述应对态度归为谨慎，否者将所述应对态度归为激进；

所述步骤S4进一步包括：

若所述风险等级为高，则无视车主的应对态度而将本车的车速控制为设定的安全速度；

若所述风险等级为中，且所述应对态度为激进，则控制本车与前车保持相同速度行驶；

若所述风险等级为中，且所述应对态度为谨慎，则控制本车进行减速；

若所述风险等级为低，则控制本车按原速行驶。

2.根据权利要求1所述的方法，其特征在于：根据本车与前车之间的距离，结合刹车滑动理论，确定所述安全速度。

3.存储介质，其存储有计算机程序，该程序被处理器执行时实现如权利要求1-2任一项所述的方法。

4.设备，其中，该设备包括：控制器；以及，被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述控制器实现如权利要求1-2任一项所述的方法。