CN111724010A - 一种确定危险等级的方法及装置 - Google Patents

一种确定危险等级的方法及装置 Download PDF

Info

Publication number
CN111724010A
CN111724010A CN201910208600.XA CN201910208600A CN111724010A CN 111724010 A CN111724010 A CN 111724010A CN 201910208600 A CN201910208600 A CN 201910208600A CN 111724010 A CN111724010 A CN 111724010A
Authority
CN
China
Prior art keywords
index
target
evaluation
vehicle
index parameter
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.)
Pending
Application number
CN201910208600.XA
Other languages
English (en)
Inventor
杨冬梅
颜文睿
董晓德
金哲锋
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.)
SAIC Motor Corp Ltd
Original Assignee
SAIC Motor Corp Ltd
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 SAIC Motor Corp Ltd filed Critical SAIC Motor Corp Ltd
Priority to CN201910208600.XA priority Critical patent/CN111724010A/zh
Publication of CN111724010A publication Critical patent/CN111724010A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种确定危险等级的方法及装置，该方法预先建立前方目标危险等级模型，针对车辆前方的目标获取到车辆的指标参数后，对获取到的多个不同类型的指标参数进行归一化处理，将归一化处理后的指标参数输入到前方目标危险等级模型中，经过前方目标危险等级模型的处理得到该目标的危险等级，从而实现了确定车辆前方目标的危险等级的目的。且考虑到实际场景中可能对车辆行驶造成影响的多种不同因素，因此采集到的指标参数包括多种不同的类型，基于多种不同类型的指标参数确定出危险等级，提高了确定出的危险等级的准确性。

Description

一种确定危险等级的方法及装置
技术领域
本发明属于车辆控制技术领域，尤其涉及一种确定危险等级的方法及装置。
背景技术
为了提高车辆行驶的安全性，根据确定的车辆前方目标危险等级制定行驶策略。现有技术中前方目标危险等级的识别方法为根据本车与本车道内前车之间的相对速度和TTC，确定前方目标危险等级。
由于车辆行驶过程中交通环境是复杂的，因此仅依据本车与本车道内前车之间的相对速度和TTC确定的前方目标危险等级是不准确的。
发明内容
有鉴于此，本发明的目的在于提供一种危险等级的识别方法及系统，以解决现有技术中确定的前方目标危险等级不准确的问题。
技术方案如下：
本发明提供一种确定危险等级的方法，包括：
针对车辆前方的目标，获取车辆的指标参数；其中，所述指标参数至少包括环境状态、车辆状态、车辆意图状态以及车辆类型中的至少两项；
对该目标的指标参数进行归一化处理；
将归一化处理后的指标参数输入预先建立的前方目标危险等级模型中；
经过所述前方目标危险等级模型处理后，得到该目标的危险等级。
可选地，采用以下方法建立前方目标危险等级模型：
获取评价指标；其中，所述评价指标为对前方目标危险等级进行评价的指标；
分别计算每两个评价指标之间的相关性；
针对每两个评价指标，确定该两个评价指标之间的相关性是否达到预设相关性；
确定该两个评价指标之间的相关性达到预设相关性，则从该两个评价指标中舍弃一个评价指标，将该两个评价指标中保留的评价指标作为所述指标参数，直至完成对所有评价指标中每两个评价指标的相关性处理；
根据所述指标参数，生成评价指标体系；
计算所述评价指标体系中的每个指标参数的权重；
基于所述评价指标体系和所述评价指标体系中的每个指标参数的权重，建立前方目标危险等级模型。
可选地，计算所述评价指标体系中的每个指标参数的权重包括：
基于模糊判断矩阵标度赋值表，建立指标参数的正互反矩阵；
确定所述正互反矩阵是否符合一致性；
确定所述正互反矩阵符合一致性，分别得到每个指标参数相对该指标参数的上级指标参数的权重。
可选地，所述对该目标的指标参数进行归一化处理包括：
分别获取每个指标参数的评价内容；
针对每个指标参数，根据该指标参数的评价内容，对该指标参数进行量化处理；
将该指标参数的量化结果代入隶属度函数中，得到对该指标参数的归一化结果。
可选地，所述经过所述前方目标危险等级模型处理后，得到该目标的危险等级后，还包括：
判断是否得到该车辆前方所有目标的危险等级；
若判断得到该车辆前方所有目标的危险等级，则确定该车辆前方所有目标的危险等级中危险等级最高的目标；
将危险等级最高的目标确定为该车辆的前方危险目标。
本发明还提供了一种确定危险等级的装置，包括：
获取单元，用于针对车辆前方的目标，获取车辆的指标参数；其中，所述指标参数至少包括环境状态、车辆状态、车辆意图状态以及车辆类型中的至少两项；
归一化单元，用于对该目标的指标参数进行归一化处理；
处理单元，用于将归一化处理后的指标参数输入预先建立的前方目标危险等级模型中，经过所述前方目标危险等级模型处理后，得到该目标的危险等级。
可选地，还包括：建立单元，用于采用以下方法建立前方目标危险等级模型：
获取评价指标；其中，所述评价指标为对前方目标危险等级进行评价的指标；
分别计算每两个评价指标之间的相关性；
针对每两个评价指标，确定该两个评价指标之间的相关性是否达到预设相关性；
确定该两个评价指标之间的相关性达到预设相关性，则从该两个评价指标中舍弃一个评价指标，将该两个评价指标中保留的评价指标作为所述指标参数，直至完成对所有评价指标中每两个评价指标的相关性处理；
根据所述指标参数，生成评价指标体系；
计算所述评价指标体系中的每个指标参数的权重；
基于所述评价指标体系和所述评价指标体系中的每个指标参数的权重，建立前方目标危险等级模型。
可选地，所述建立单元中计算所述评价指标体系中的每个指标参数的权重包括：
基于模糊判断矩阵标度赋值表，建立指标参数的正互反矩阵；
确定所述正互反矩阵是否符合一致性；
确定所述正互反矩阵符合一致性，分别得到每个指标参数相对该指标参数的上级指标参数的权重。
可选地，所述归一化单元包括：
获取子单元，用于分别获取每个指标参数的评价内容；
量化子单元，用于针对每个指标参数，根据该指标参数的评价内容，对该指标参数进行量化；
代入子单元，用于将该指标参数的量化结果代入隶属度函数中，得到对该指标参数的归一化结果。
可选地，还包括：
判断单元，用于判断是否得到该车辆前方所有目标的危险等级；
确定单元，用于若判断得到该车辆前方所有目标的危险等级，则确定该车辆前方所有目标的危险等级中危险等级最高的目标；将危险等级最高的目标确定为该车辆的前方危险目标。
与现有技术相比，本发明提供的上述技术方案具有如下优点：
从上述技术方案可知，本申请中预先建立前方目标危险等级模型，针对车辆前方的目标获取到车辆的指标参数后，对获取到的多个不同类型的指标参数进行归一化处理，将归一化处理后的指标参数输入到前方目标危险等级模型中，经过前方目标危险等级模型的处理得到该目标的危险等级，从而实现了确定车辆前方目标的危险等级的目的。且考虑到实际场景中可能对车辆行驶造成影响的多种不同因素，因此采集到的指标参数包括多种不同的类型，基于多种不同类型的指标参数确定出危险等级，提高了确定出的危险等级的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种确定危险等级的方法的流程图；
图2是本发明实施例提供的建立前方目标危险等级模型的流程图；
图3是本发明实施例生成的评价指标体系的示意图；
图4是本发明实施例提供的另一种确定危险等级的方法的流程图；
图5是本发明实施例提供的一种确定危险等级的装置的结构示意图；
图6是本发明实施例提供的另一种确定危险等级的装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例公开了一种确定危险等级的方法，参见图1，该实施例包括以下步骤：
S101、针对车辆前方的目标，获取车辆的指标参数；其中，所述指标参数至少包括环境状态、车辆状态、车辆意图状态以及车辆类型中的至少两项；
在实际应用中，车辆前方可能存在多个不同的目标，针对该车辆前方目标中的一个目标，获取车辆的指标参数，其中，所述指标参数至少包括环境状态、车辆状态、车辆意图状态以及车辆类型中的至少两项。
S102、对该目标的指标参数进行归一化处理；
针对该目标的指标参数，进行归一化处理。
指标参数包括数值以及单位，由于不同指标参数的单位是不同的，因此为了统一多个不同指标参数的数值，对每个指标参数的数值分别进行归一化处理，将每个指标参数的数值转换为[0，1]区间内的数值。
S103、将归一化处理后的指标参数输入预先建立的前方目标危险等级模型中；
在本实施例中，预先建立了前方目标危险等级模型，具体建立前方目标危险等级模型的方式在下面实施例中将详细描述。
基于预先建立的前方目标危险等级模型，将归一化处理后的指标参数作为输入量输入前方目标危险等级模型中。
S104、经过所述前方目标危险等级模型处理后，得到该目标的危险等级。
将归一化后的指标参数输入前方目标危险等级模型后，经过前方目标危险等级模型的处理，得到该目标的危险等级，其中，危险等级为具体数值。
从上述技术方案可知，本实施例中预先建立前方目标危险等级模型，针对车辆前方的目标获取到车辆的指标参数后，对获取到的多个不同类型的指标参数进行归一化处理，将归一化处理后的指标参数输入到前方目标危险等级模型中，经过前方目标危险等级模型的处理得到该目标的危险等级，从而实现了确定车辆前方目标的危险等级的目的。且考虑到实际场景中可能对车辆行驶造成影响的多种不同因素，因此采集到的指标参数包括多种不同的类型，基于多种不同类型的指标参数确定出危险等级，提高了确定出的危险等级的准确性。
下面详细描述本发明建立前方目标危险等级模型的方法，详细流程参见图2所示。
S201、获取评价指标；其中，所述评价指标为对前方目标危险等级进行评价的指标；
在实际场景中存在多种不同因素都将对车辆行驶造成影响，不同因素又可以包括多种不同评价指标。本实施例中，先获取大量可能对车辆行驶造成影响的评价指标。
S202、分别计算每两个评价指标之间的相关性；
针对获取到的大量评价指标中的任意两个评价指标，分别计算两个评价指标之间的相关性。
可选地，在本实施例中，采用Pearson相关系数对两个评价指标之间的相关性进行评价。计算得到的Pearson相关系数的绝对值越大，表示两个评价指标之间的相关性越强，Pearson相关系数越接近1或-1，两个评价指标之间的相关性越强，Pearson相关系数越接近0，两个评价指标之间的相关性越弱。参见表1所示，为Pearson相关系数与相关性强度之间的对应关系。
表1
Pearson相关系数 相关性强度
0.8-1.0 极强相关
0.6-0.8 强相关
0.4-0.6 中等相关
0.2-0.4 弱相关
0.0-0.2 极弱相关或不相关
S203、针对每两个评价指标，确定该两个评价指标之间的相关性是否达到预设相关性；
确定该两个评价指标之间的相关性达到预设相关性，则执行步骤S204；预设相关性可以是相关性强度，如强相关。若计算两个评价指标之间的Pearson相关系数为0.7，则这两个评价指标之间的相关性为强相关，达到预设相关性；若计算两个评价指标之间的Pearson相关系数为0.5，则这两个评价指标之间的相关性为中等相关，没有达到预设相关性。
预设相关性还可以是数值，如0.6。若计算两个评价指标之间的Pearson相关系数为0.7，则这两个评价指标之间的相关性达到预设相关性0.6；若计算两个评价指标之间的Pearson相关系数为0.5，则这两个评价指标之间的相关性没有达到预设相关性0.6。
S204、从该两个评价指标中舍弃一个评价指标，将该两个评价指标中保留的评价指标作为所述指标参数，直至完成对所有评价指标中每两个评价指标的相关性处理；
若确定两个评价指标之间的相关性达到预设相关性，则说明两个评价指标对结果的影响是相同或相似的，从而可以从两个评价指标中选用一个评价指标作为指标参数，降低了数据处理量。
若确定两个评价指标之间的相关性没有达到预设相关性，则说明两个评价指标对结果的影响是不同的，因此这两个评价指标都保留，并都作为指标参数。
针对获取到的全部评价指标中的任意两个评价指标，均执行上述步骤S202-S204，以从评价指标中获得指标参数。
可选地，在本实施例中，综合考虑环境状态、车辆状态、车辆意图状态和车辆类型，共获得14个用于评价车辆前方目标的危险等级的指标参数。指标参数包括交通流量、道路线形、能见度、交通灯、路面湿滑程度、道路类型、车辆横向状态、车辆纵向状态、旁车道切入、本车道车辆切出、乘用车、商用车、摩托车和三轮车。
S205、根据所述指标参数，生成评价指标体系；
根据上述获得的14个用于评价车辆前方目标的危险等级的指标参数，生成评价指标体系。参见图3所示，为本发明根据获得的指标参数生成的评价指标体系。
评价指标体系分为一级指标和二级指标，一级指标包括环境状态B1、车辆状态B2、车辆意图状态B3和车辆类型B4，二级指标包括交通流量C1、道路线形C2、能见度C3、交通灯C4、路面湿滑程度C5、道路类型C6、车辆横向状态C7、车辆纵向状态C8、旁车道切入C9、本车道车辆切出C10、乘用车C11、商用车C12、摩托车C13和三轮车C14这14个指标参数。其中，每个二级指标分别对应有一级指标，交通流量、道路线形、能见度、交通灯、路面湿滑程度、道路类型这6个二级指标均对应环境状态这一一级指标；车辆横向状态、车辆纵向状态这2个二级指标均对应车辆状态这一一级指标；旁车道切入、本车道车辆切出这2个二级指标均对应车辆意图状态这一一级指标；乘用车、商用车、摩托车和三轮车这4个二级指标均对应车辆类型这一一级指标。
S206、计算所述评价指标体系中的每个指标参数的权重；
不同指标参数对危险等级的影响程度是不同的，在确定了指标参数后，需要确定每个指标参数对危险等级的权重。
其中，由于评价指标体系是由危险等级、一级指标和二级指标组成的层次结构，因此在确定对危险等级的权重时，先计算每个二级指标分别对该二级指标对应的一级指标的权重，直至计算完毕每个二级指标对该二级指标对应的一级指标的权重后，再分别计算每个一级指标对危险等级的权重。即根据评价指标体系的层次结构计算出评价指标体系的不同层级间的权重。
可选地，在本实施例中，采用如下方法计算评价指标体系中的每个指标参数的权重：
步骤1：基于模糊判断矩阵标度赋值表，建立指标参数的正互反矩阵；
参见表2所示，为模糊判断矩阵标度赋值表。
表2
标度 评价等级
9 i比j极端重要
8 介于极端重要与强烈重要之间
7 i比j强烈重要
6 介于强烈重要与明显重要之间
5 i比j明显重要
4 介于明显重要与稍微重要之间
3 i比j稍微重要
2 介于稍微重要与同样重要之间
1 i比j具有同样的重要性
本实施例中，选择有ADAS开发经验的多位专家，对评价指标体系中的每两个指标参数的重要程度进行评分。
基于模糊判断矩阵标度赋值表以及评分结果，建立指标参数的正互反矩阵。
如表3所示，为本实施例中针对危险等级A，4个一级指标环境状态B1、车辆状态B2、车辆意图状态B3和车辆类型B4之间两两相对重要性的比较结果，得到正互反矩阵。
表3
A B<sub>1</sub> B<sub>2</sub> B<sub>3</sub> B<sub>4</sub>
B<sub>1</sub> 1 1/2 1/3 2
B<sub>2</sub> 2 1 1/4 5
B<sub>3</sub> 3 4 1 4
B<sub>4</sub> 1/2 1/5 1/4 1
以B1列B2行对应的是2为例，表示B2比B1重要性介于稍微重要与同样重要之间。即B1和B2对危险等级A的影响程度相同或相似。
如表4所示，为本实施例中针对一级指标环境状态B1，6个二级指标交通流量C1、道路线形C2、能见度C3、交通灯C4、路面湿滑程度C5、道路类型C6之间两两相对重要性的比较结果，得到正互反矩阵。
表4
B<sub>1</sub> C<sub>1</sub> C<sub>2</sub> C<sub>3</sub> C<sub>4</sub> C<sub>5</sub> C<sub>6</sub>
C<sub>1</sub> 1 1/2 1/4 1 1/4 1/4
C<sub>2</sub> 2 1 1/5 3 1/5 1/3
C<sub>3</sub> 4 5 1 6 1 3
C<sub>4</sub> 1 1/3 1/6 1 1/4 1
C<sub>5</sub> 5 3 1 4 1 4
C<sub>6</sub> 4 3 4 1 1/4 1
以C1列C3行对应的是4为例，表示C3比C1重要性介于明显重要与稍微重要之间。即C3对环境状态B1的影响程度明显大于C1对环境状态B1的影响程度或C3对环境状态B1的影响程度稍微大于C1对环境状态B1的影响程度。
如表5所示，为本实施例中针对一级指标环境状态B2，2个二级指标车辆横向状态C7、车辆纵向状态C8之间两两相对重要性的比较结果，得到正互反矩阵。
表5
B<sub>2</sub> C<sub>7</sub> C<sub>8</sub>
C<sub>7</sub> 1 1/7
C<sub>8</sub> 7 1
以C7列C8行对应的是7为例，表示C8比C7强烈重要。
如表6所示，为本实施例中针对一级指标车辆意图状态B3，2个二级指标旁车道切入C9、本车道车辆切出C10之间两两相对重要性的比较结果，得到正互反矩阵。
表6
B<sub>3</sub> C<sub>9</sub> C<sub>10</sub>
C<sub>9</sub> 1 1
C<sub>10</sub> 1 1
以C9列C10行对应的是1为例，表示C9与C10具有同样的重要性。即C9与C10对车辆意图状态B3的影响程度相同。
如表7所示，为本实施例中针对一级指标车辆类型B4，4个二级指标乘用车C11、商用车C12、摩托车C13和三轮车C14之间两两相对重要性的比较结果，得到正互反矩阵。
表7
B<sub>4</sub> C<sub>11</sub> C<sub>12</sub> C<sub>13</sub> C<sub>14</sub>
C<sub>11</sub> 1 1/6 1/3 1/2
C<sub>12</sub> 6 1 5 3
C<sub>13</sub> 3 5 1 2
C<sub>14</sub> 2 1/3 1/2 1
以C11列C12行对应的是6为例，表示C12比C11重要性介于强烈重要与明显重要之间。
步骤2：确定所述正互反矩阵是否符合一致性；
确定所述正互反矩阵符合一致性，则执行步骤3；
确定所述正互反矩阵不符合一致性，则需要对建立的正互反矩阵进行调整，直至所述正互反矩阵符合一致性。
在得到如上表3-表7所示的5个正互反矩阵后，分别确定每个正互反矩阵是否符合一致性。
针对每个正互反矩阵，先计算该正互反矩阵的最大特征值λmax。
基于公式
Figure BDA0001999799740000121
计算正互反矩阵的一致性指标，其中，CI为正互反矩阵的一致性指标，n表示正互反矩阵的行数或列数。若CI＝0，即λmax＝n时，正互反矩阵具有一致性。
为了衡量不同阶数的正互反矩阵是否具有一致性，还需要计算正互反矩阵的平均随机一致性指标，记为RI。
在正互反矩阵的阶数大于2时，基于公式
Figure BDA0001999799740000122
计算得到随机一致性比率，其中，CR为随机一致性比率。
若CR<0.1，则表示正互反矩阵具有一致性，否则，需要调整建立的正互反矩阵，直至正互反矩阵具有一致性。
如表8所示，为针对表3-表7分别对应的5个正互反矩阵，分别计算得到的最大特征值λmax、一致性指标CI、平均随机一致性指标RI、随机一致性比率CR。
表8
表 λ<sub>max</sub> CI RI CR
表3(n＝4) 4.241 0.08 0.9 0.089
表4(n＝6) 6.473 0.095 1.240 0.077
表5(n＝2) 2 0 0 <0.1
表6(n＝2) 2 0 0 <0.1
表7(n＝4) 4.105 0.035 0.9 0.039
基于表8所示的数据结果可知，每个正互反矩阵的CR均小于0.1，确定表3-表7分别对应的正互反矩阵均符合一致性。
步骤3：确定所述正互反矩阵符合一致性，分别得到每个指标参数相对该指标参数的上级指标参数的权重。
对于危险等级A，环境状态B1的权重为0.151；车辆状态B2的权重为0.249；车辆意图状态B3的权重为0.522；车辆类型B4的权重为0.079；
对于环境状态B1，交通流量C1的权重为0.057；道路线形C2的权重为0.083；能见度C3的权重为0.339；交通灯C4的权重为0.062；路面湿滑程度C5的权重为0.332；道路类型C6的权重为0.127；
对于车辆状态B2，车辆横向状态C7的权重为0.125；车辆纵向状态C8的权重为0.875；
对于车辆意图状态B3，旁车道切入C9的权重为0.5；本车道车辆切出C10的权重为0.5；
对于车辆类型B4，乘用车C11的权重为0.073；商用车C12的权重为0.622；摩托车C13的权重为0.186；三轮车C14的权重为0.119。
S207、基于所述评价指标体系和所述评价指标体系中的每个指标参数的权重，建立前方目标危险等级模型。
本实施例中建立的前方目标危险等级模型为：
V＝0.008607u1+0.012533u2+0.051189u3+0.009362u4+0.050132u5+0.019177u6+0.031125u7+0.217875u8+0.261u9+0.261u10+0.005767u11+0.049138u12+0.014694u13+0.009401u14。
其中，u1表示与交通流量C1这一指标参数对应的值，u2表示与道路线形C2这一指标参数对应的值，u3表示与能见度C3这一指标参数对应的值，u4表示与交通灯C4这一指标参数对应的值，u5表示与路面湿滑程度C5这一指标参数对应的值，u6表示与道路类型C6这一指标参数对应的值，u7表示与车辆横向状态C7这一指标参数对应的值，u8表示与车辆纵向状态C8这一指标参数对应的值，u9表示与旁车道切入C9这一指标参数对应的值，u10表示与本车道车辆切出C10这一指标参数对应的值，u11表示与乘用车C11这一指标参数对应的值，u12表示与商用车C12这一指标参数对应的值，u13表示与摩托车C13这一指标参数对应的值，u14表示与三轮车C14这一指标参数对应的值。
基于上述建立的前方目标危险等级模型，本实施例中还公开了另一种确定危险等级的方法，参见图4，该实施例包括以下步骤：
S401、获取车辆的指标参数；其中，所述指标参数至少包括环境状态、车辆状态、车辆意图状态以及车辆类型中的至少两项；
基于时间误差累计阈值法，获取车辆的指标参数，以在同一周期内获取到不同的指标参数，减少了获取车辆的不同指标参数之间的时间误差。
S402、分别获取每个指标参数的评价内容；
如针对交通流量C1，获取车载GPS提前预知的前方目标所处的拥堵情况，在GPS地图中用不同的颜色作为评价交通流量的评价内容。
S403、针对每个指标参数，根据该指标参数的评价内容，对该指标参数进行量化处理；
参见表9所示，为本实施例中对每项指标参数的评价内容进行量化后的结果。
表9
Figure BDA0001999799740000141
Figure BDA0001999799740000151
如针对交通流量C1的评价内容，将绿量化为数值1，将黄量化为数值2，将红量化为数值3，实现了对指标参数的量化。即可以使用具体的数值来表征指标参数。
S404、将该指标参数的量化结果代入隶属度函数中，得到对该指标参数归一化的结果；
本实施例中，隶属度函数为：
Figure BDA0001999799740000152
其中，m为各指标参数评价内容的个数；xi为各指标参数量化数值，u(xi)为各指标参数归一化后的数值。
S405、将归一化处理后的指标参数输入预先建立的前方目标危险等级模型中；
针对每个指标参数进行归一化后的数值，输入到V＝0.008607u1+0.012533u2+0.051189u3+0.009362u4+0.050132u5+0.019177u6+0.031125u7+0.217875u8+0.261u9+0.261u10+0.005767u11+0.049138u12+0.014694u13+0.009401u14中。
S406、经过所述前方目标危险等级模型处理后，得到该目标的危险等级；
将每个指标参数进行归一化后的数值，输入到V＝0.008607u1+0.012533u2+0.051189u3+0.009362u4+0.050132u5+0.019177u6+0.031125u7+0.217875u8+0.261u9+0.261u10+0.005767u11+0.049138u12+0.014694u13+0.009401u14中后，计算得到具体数值，为该目标的危险等级。
在计算得到该目标的危险等级后，考虑到可能存在多个目标，需要分别确定出存在的每个目标的危险等级，通过执行后续步骤S407-S409实现对存在的每个目标的危险等级的确定，且可以得到最危险的目标，并基于该最危险的目标，指定车辆的行驶策略，以避免该最危险的目标对车辆造成威胁。
S407、判断是否得到该车辆前方所有目标的危险等级；
若判断得到该车辆前方所有目标的危险等级，则执行步骤S408；
若判断该车辆前方的目标中还存在没有确定危险等级的目标，则返回执行步骤S401，直至得到该车辆前方所有目标的危险等级；
只要该车辆前方的目标中还存在没有确定危险等级的目标，就通过执行步骤S401-S406得到该目标的危险等级。
S408、确定该车辆前方所有目标的危险等级中危险等级最高的目标；
比较确定的所有目标的危险等级的数据值，得到危险等级的数据值最大的目标。将危险等级的数据值最大的目标确定为危险等级最高的目标。
S409、将危险等级最高的目标确定为该车辆的前方危险目标。
从上述技术方案可知，本实施例中预先建立前方目标危险等级模型，针对车辆前方的目标获取到车辆的指标参数后，对获取到的多个不同类型的指标参数进行归一化处理，将归一化处理后的指标参数输入到前方目标危险等级模型中，经过前方目标危险等级模型的处理得到该目标的危险等级，从而实现了确定车辆前方目标的危险等级的目的。且考虑到实际场景中可能对车辆行驶造成影响的多种不同因素，因此采集到的指标参数包括多种不同的类型，基于多种不同类型的指标参数确定出危险等级，提高了确定出的危险等级的准确性，满足了准确确定车辆前方各危险目标的需求。且可以确定出车辆前方最危险的目标。
且由于前方目标危险等级模型中使用了合理的权重，并对获取到的指标参数进行量化处理，可以计算得到目标危险等级的具体数值，实现了可量化的确定目标危险等级，进一步提高了确定的目标危险等级的准确性。
同时，由于基于时间误差累计阈值法获取各个指标参数，实现了在同一周期内获取到各个指标参数，减小了指标参数的获取误差，实现了对当前车辆的平稳控制，提升了ADAS的舒适性和适用性。
从目标危险等级对车辆行驶安全性影响程度的大小考虑，使用隶属度函数，将危险等级量化，通过计算得到的危险等级，比较前方各目标的危险等级，确定出最危险的目标，实现了目标危险等级的从定性到定量再到定性的过程。
对应上述实施例公开的确定危险等级的方法，本实施例提供了一种确定危险等级的装置，所述装置的结构示意图请参阅图5所示，本实施例中装置包括：
获取单元501、归一化单元502、处理单元503；
获取单元501，用于针对车辆前方的目标，获取车辆的指标参数；其中，所述指标参数至少包括环境状态、车辆状态、车辆意图状态以及车辆类型中的至少两项；
归一化单元502，用于对该目标的指标参数进行归一化处理；
处理单元503，用于将归一化处理后的指标参数输入预先建立的前方目标危险等级模型中，经过所述前方目标危险等级模型处理后，得到该目标的危险等级。
从上述技术方案可知，本实施例中预先建立前方目标危险等级模型，针对车辆前方的目标获取到车辆的指标参数后，对获取到的多个不同类型的指标参数进行归一化处理，将归一化处理后的指标参数输入到前方目标危险等级模型中，经过前方目标危险等级模型的处理得到该目标的危险等级，从而实现了确定车辆前方目标的危险等级的目的。且考虑到实际场景中可能对车辆行驶造成影响的多种不同因素，因此采集到的指标参数包括多种不同的类型，基于多种不同类型的指标参数确定出危险等级，提高了确定出的危险等级的准确性，满足了准确确定车辆前方各危险目标的需求。且可以确定出车辆前方最危险的目标。
可选地，本实施例中还包括：建立单元504；
建立单元504，用于采用以下方法建立前方目标危险等级模型：
获取评价指标；其中，所述评价指标为对前方目标危险等级进行评价的指标；
分别计算每两个评价指标之间的相关性；
针对每两个评价指标，确定该两个评价指标之间的相关性是否超过关联阈值；
确定该两个评价指标之间的相关性超过关联阈值，则从该两个评价指标中舍弃一个评价指标，将该两个评价指标中保留的评价指标作为所述指标参数，直至完成对所有评价指标中每两个评价指标的相关性处理；
根据所述指标参数，生成评价指标体系；
计算所述评价指标体系中的每个指标参数的权重；
基于所述评价指标体系和所述评价指标体系中的每个指标参数的权重，建立前方目标危险等级模型。
可选地，建立单元504中计算所述评价指标体系中的每个指标参数的权重包括：
基于模糊判断矩阵标度赋值表，建立指标参数的正互反矩阵；
确定所述正互反矩阵是否符合一致性；
确定所述正互反矩阵符合一致性，分别得到每个指标参数相对该指标参数的上级指标参数的权重。
可选地，本实施例中，归一化单元502包括：
获取子单元、量化子单元和代入子单元；
所述获取子单元，用于分别获取每个指标参数的评价内容；
所述量化子单元，用于针对每个指标参数，根据该指标参数的评价内容，对该指标参数进行量化；
所述代入子单元，用于将该指标参数的量化结果代入隶属度函数中，得到对该指标参数的归一化结果。
参见图6所示，为本实施例提供的另一种确定危险等级的装置，本实施例中确定危险等级的装置还包括：
判断单元601和确定单元602；
判断单元601，用于判断是否得到该车辆前方所有目标的危险等级；
确定单元602，用于若判断得到该车辆前方所有目标的危险等级，则确定该车辆前方所有目标的危险等级中危险等级最高的目标；将危险等级最高的目标确定为该车辆的前方危险目标。
从上述技术方案可知，本实施例中预先建立前方目标危险等级模型，针对车辆前方的目标获取到车辆的指标参数后，对获取到的多个不同类型的指标参数进行归一化处理，将归一化处理后的指标参数输入到前方目标危险等级模型中，经过前方目标危险等级模型的处理得到该目标的危险等级，从而实现了确定车辆前方目标的危险等级的目的。且考虑到实际场景中可能对车辆行驶造成影响的多种不同因素，因此采集到的指标参数包括多种不同的类型，基于多种不同类型的指标参数确定出危险等级，提高了确定出的危险等级的准确性，满足了准确确定车辆前方各危险目标的需求。且可以确定出车辆前方最危险的目标。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的装置而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种确定危险等级的方法，其特征在于，包括：
针对车辆前方的目标，获取车辆的指标参数；其中，所述指标参数至少包括环境状态、车辆状态、车辆意图状态以及车辆类型中的至少两项；
对该目标的指标参数进行归一化处理；
将归一化处理后的指标参数输入预先建立的前方目标危险等级模型中；
经过所述前方目标危险等级模型处理后，得到该目标的危险等级。
2.根据权利要求1所述的方法，其特征在于，采用以下方法建立前方目标危险等级模型：
获取评价指标；其中，所述评价指标为对前方目标危险等级进行评价的指标；
分别计算每两个评价指标之间的相关性；
针对每两个评价指标，确定该两个评价指标之间的相关性是否达到预设相关性；
确定该两个评价指标之间的相关性达到预设相关性，则从该两个评价指标中舍弃一个评价指标，将该两个评价指标中保留的评价指标作为所述指标参数，直至完成对所有评价指标中每两个评价指标的相关性处理；
根据所述指标参数，生成评价指标体系；
计算所述评价指标体系中的每个指标参数的权重；
基于所述评价指标体系和所述评价指标体系中的每个指标参数的权重，建立前方目标危险等级模型。
3.根据权利要求2所述的方法，其特征在于，计算所述评价指标体系中的每个指标参数的权重包括：
基于模糊判断矩阵标度赋值表，建立指标参数的正互反矩阵；
确定所述正互反矩阵是否符合一致性；
确定所述正互反矩阵符合一致性，分别得到每个指标参数相对该指标参数的上级指标参数的权重。
4.根据权利要求2所述的方法，其特征在于，所述对该目标的指标参数进行归一化处理包括：
分别获取每个指标参数的评价内容；
针对每个指标参数，根据该指标参数的评价内容，对该指标参数进行量化处理；
将该指标参数的量化结果代入隶属度函数中，得到对该指标参数的归一化结果。
5.根据权利要求1-4任意一项所述的方法，其特征在于，所述经过所述前方目标危险等级模型处理后，得到该目标的危险等级后，还包括：
判断是否得到该车辆前方所有目标的危险等级；
若判断得到该车辆前方所有目标的危险等级，则确定该车辆前方所有目标的危险等级中危险等级最高的目标；
将危险等级最高的目标确定为该车辆的前方危险目标。
6.一种确定危险等级的装置，其特征在于，包括：
获取单元，用于针对车辆前方的目标，获取车辆的指标参数；其中，所述指标参数至少包括环境状态、车辆状态、车辆意图状态以及车辆类型中的至少两项；
归一化单元，用于对该目标的指标参数进行归一化处理；
处理单元，用于将归一化处理后的指标参数输入预先建立的前方目标危险等级模型中，经过所述前方目标危险等级模型处理后，得到该目标的危险等级。
7.根据权利要求6所述的装置，其特征在于，还包括：建立单元，用于采用以下方法建立前方目标危险等级模型：
获取评价指标；其中，所述评价指标为对前方目标危险等级进行评价的指标；
分别计算每两个评价指标之间的相关性；
针对每两个评价指标，确定该两个评价指标之间的相关性是否达到预设相关性；
确定该两个评价指标之间的相关性达到预设相关性，则从该两个评价指标中舍弃一个评价指标，将该两个评价指标中保留的评价指标作为所述指标参数，直至完成对所有评价指标中每两个评价指标的相关性处理；
根据所述指标参数，生成评价指标体系；
计算所述评价指标体系中的每个指标参数的权重；
基于所述评价指标体系和所述评价指标体系中的每个指标参数的权重，建立前方目标危险等级模型。
8.根据权利要求7所述的装置，其特征在于，所述建立单元中计算所述评价指标体系中的每个指标参数的权重包括：
基于模糊判断矩阵标度赋值表，建立指标参数的正互反矩阵；
确定所述正互反矩阵是否符合一致性；
确定所述正互反矩阵符合一致性，分别得到每个指标参数相对该指标参数的上级指标参数的权重。
9.根据权利要求7所述的装置，其特征在于，所述归一化单元包括：
获取子单元，用于分别获取每个指标参数的评价内容；
量化子单元，用于针对每个指标参数，根据该指标参数的评价内容，对该指标参数进行量化；
代入子单元，用于将该指标参数的量化结果代入隶属度函数中，得到对该指标参数的归一化结果。
10.根据权利要求6-9任意一项所述的装置，其特征在于，还包括：
判断单元，用于判断是否得到该车辆前方所有目标的危险等级；
确定单元，用于若判断得到该车辆前方所有目标的危险等级，则确定该车辆前方所有目标的危险等级中危险等级最高的目标；将危险等级最高的目标确定为该车辆的前方危险目标。
CN201910208600.XA 2019-03-19 2019-03-19 一种确定危险等级的方法及装置 Pending CN111724010A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910208600.XA CN111724010A (zh) 2019-03-19 2019-03-19 一种确定危险等级的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910208600.XA CN111724010A (zh) 2019-03-19 2019-03-19 一种确定危险等级的方法及装置

Publications (1)

Publication Number Publication Date
CN111724010A true CN111724010A (zh) 2020-09-29

Family

ID=72563207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910208600.XA Pending CN111724010A (zh) 2019-03-19 2019-03-19 一种确定危险等级的方法及装置

Country Status (1)

Country Link
CN (1) CN111724010A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266483A (zh) * 2021-12-23 2022-04-01 江苏云聚汇科技有限公司 一种基于物联网的危险废物监管系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0554291A (ja) * 1991-08-21 1993-03-05 Mazda Motor Corp 車両の危険評価装置
CN104376400A (zh) * 2014-10-27 2015-02-25 广州市中南民航空管通信网络科技有限公司 基于模糊矩阵层次分析法的风险评估方法
CN105844384A (zh) * 2016-03-14 2016-08-10 北京工业大学 一种道路安全评价方法及装置
US20180134287A1 (en) * 2015-07-15 2018-05-17 Conti Temic Microelectronic Gmbh Anticipatory control system of a motor vehicle
CN109308816A (zh) * 2017-07-28 2019-02-05 华为技术有限公司 一种确定道路交通风险的方法、装置及车载系统
CN109409768A (zh) * 2018-11-12 2019-03-01 广东工业大学 物流运输车辆的预警方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0554291A (ja) * 1991-08-21 1993-03-05 Mazda Motor Corp 車両の危険評価装置
CN104376400A (zh) * 2014-10-27 2015-02-25 广州市中南民航空管通信网络科技有限公司 基于模糊矩阵层次分析法的风险评估方法
US20180134287A1 (en) * 2015-07-15 2018-05-17 Conti Temic Microelectronic Gmbh Anticipatory control system of a motor vehicle
CN105844384A (zh) * 2016-03-14 2016-08-10 北京工业大学 一种道路安全评价方法及装置
CN109308816A (zh) * 2017-07-28 2019-02-05 华为技术有限公司 一种确定道路交通风险的方法、装置及车载系统
CN109409768A (zh) * 2018-11-12 2019-03-01 广东工业大学 物流运输车辆的预警方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266483A (zh) * 2021-12-23 2022-04-01 江苏云聚汇科技有限公司 一种基于物联网的危险废物监管系统
CN114266483B (zh) * 2021-12-23 2022-11-22 江苏云聚汇科技有限公司 一种基于物联网的危险废物监管系统

Similar Documents

Publication Publication Date Title
CN109733390B (zh) 一种基于驾驶人特性的自适应换道预警方法
CN112201038B (zh) 一种基于单车不良驾驶行为风险的路网风险评估方法
CN109409768B (zh) 物流运输车辆的预警方法
CN109872075B (zh) 一种油耗相关驾驶行为的评估方法及系统
US20190299997A1 (en) Method for estimating a probability distribution of the maximum coefficient of friction at a current and/or future waypoint of a vehicle
CN111785023A (zh) 一种车辆碰撞风险预警方法及系统
RU2549578C1 (ru) Устройство предоставления информации для использования в транспортном средстве
US20180245966A1 (en) Vehicle mass estimation
EP2033168B1 (en) Device for brake wear assessment
CN112533775B (zh) 胎面磨损监测系统和方法
CN109455183B (zh) 车辆碰撞预判方法及系统
DE102007058193A1 (de) Verfahren zur Kalibrierung eines Raddrehzahlerfassungssystems
CN111512351A (zh) 基于装配车队的卡车的轮胎相关的信息来管理卡车的所述车队的方法
CN112937591B (zh) 驾驶安全监测方法、装置、设备及计算机可读存储介质
CN105160431A (zh) 一种对未来车辆汽车驾驶员辅助系统的安全效能预测方法
CN111613060B (zh) 一种数据处理方法以及设备
CN113487197A (zh) 一种基于topsis评价模型的车联网信息筛选方法
CN111724010A (zh) 一种确定危险等级的方法及装置
RU2709357C2 (ru) Алгоритмы сжатия для передачи сообщений по шине транспортного средства с данными предварительного представления
CN108171975B (zh) 一种基于路段和交叉口分布的城市汽车运行速度预测方法
CN114065370A (zh) 汽车风阻系数的确定方法、装置、电子设备及存储介质
CN103353919A (zh) 适于模糊不确定环境下卡车司机应急反应能力的评价方法
KR20200058616A (ko) 차량의 군집주행 제어 장치 및 그 방법
CN117216666A (zh) 一种基于计算机大数据的交通事故预估方法及系统
CN114074660A (zh) 一种预见性巡航节油控制方法、装置及存储介质

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