CN112015843A - 基于多车意图交互结果的行车风险态势评估方法及系统 - Google Patents

基于多车意图交互结果的行车风险态势评估方法及系统 Download PDF

Info

Publication number
CN112015843A
CN112015843A CN202010911972.1A CN202010911972A CN112015843A CN 112015843 A CN112015843 A CN 112015843A CN 202010911972 A CN202010911972 A CN 202010911972A CN 112015843 A CN112015843 A CN 112015843A
Authority
CN
China
Prior art keywords
vehicle
model
prediction
time
risk
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
Application number
CN202010911972.1A
Other languages
English (en)
Other versions
CN112015843B (zh
Inventor
高洪波
何希
李智军
朱菊萍
郝正源
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202010911972.1A priority Critical patent/CN112015843B/zh
Publication of CN112015843A publication Critical patent/CN112015843A/zh
Application granted granted Critical
Publication of CN112015843B publication Critical patent/CN112015843B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/042—Backward inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明提供了一种基于多车意图交互结果的行车风险态势评估方法及系统，包括：步骤M1：基于非完全信息动态博弈，得到多车意图交互结果；步骤M2：基于多车意图交互结果和当前交通元素的参数以及预测未来的交通元素的参数，建立随机性环境模型；步骤M3：通过运动学模型与驾驶行为认知模型融合，建立长短时域车辆轨迹预测模型，实现长短时域综合预测车辆轨迹；步骤M4：基于随机性环境模型以及车辆轨迹预测结果，对碰撞进行概率分析；步骤M5：基于碰撞概率分析，对碰撞进行风险评估，从而建成行车风险态势评估模型；本发明有效地提高了多车碰撞风险评估的准确性，增强了行驶车辆的安全性。

Description

基于多车意图交互结果的行车风险态势评估方法及系统
技术领域
本发明涉及智能驾驶技术领域，具体地，涉及基于多车意图交互结果的行车风险态势评估方法及系统，更为具体地，涉及一种城市场景下多车意图交互结果的行车风险态势评估方法及系统。
背景技术
智能驾驶技术的发展是衡量一个国家科研实力和工业水平的重要标志。智能驾驶技术利用先进的电子与信息技术控制智能车辆行驶，让驾驶活动中常规的、持久且疲劳的操作自动完成，驾驶人仅仅做高级的目的性操作，能够提高智能交通系统的效率和安全性，极大地增强我国汽车产业的核心竞争力。
随着智能驾驶技术的发展，行车风险态势评估是一个值得研究的重点。智能车辆在驾驶过程中的安全性，与行车风险态势评估密切相关。特别地，在城市场景下车辆的行车风险态势评估，对于人及车辆的驾驶安全有着十分重要的影响。如何准确地对车辆进行碰撞风险态势评估，成为了智能驾驶技术研究的关键问题之一。
专利文献CN109242227A(申请号：201710554357.8)公开了一种驾驶行为风险评估模型，通过对驾驶员的驾驶行为进行分析，评估驾驶员触发交通事故和交通违规事件的风险，并提供数值化评估结果。(1)针对不同的行车事件及其与行车风险之间的关系紧密性，定义了行车事件的量值表达方法及其在行车风险评估中的权重。(2)行车事件的量值归一化方法，经过N次行车事件量化指标归一化后的指标值为：其中i＝1，2，…，N，可获得用于评估行车风险的每个行车事件。(3)行车事件的评估方法，根据行车事件无量纲化的量化估计，结合行车事件的行车风险权重，进一步用下述模型评估行车事件对行车风险的影响。即其中r称为行车风险指数，它是根据指定时间范围内的行车记录评估得到，反映了车辆驾驶人员在该期间驾驶行为引起的行车风险大小；si和wi行车风险的数值越大，行车风险最大。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于多车意图交互结果的行车风险态势评估方法及系统。
根据本发明提供的一种基于多车意图交互结果的行车风险态势评估方法，包括：
步骤M1：基于非完全信息动态博弈，得到多车意图交互结果；
步骤M2：基于多车意图交互结果和当前交通元素的参数以及预测未来的交通元素的参数，建立随机性环境模型；
步骤M3：通过运动学模型与驾驶行为认知模型融合，建立长短时域车辆轨迹预测模型，实现长短时域综合预测车辆轨迹；
步骤M4：基于随机性环境模型以及车辆轨迹预测结果，对碰撞进行概率分析；
步骤M5：基于碰撞概率分析，对碰撞进行风险评估，从而建成行车风险态势评估模型；
所述随机性环境模型是通过概率分布模型来表示环境中元素参数的不确定性，考虑了环境的不确定性，能够有效地应对环境噪声以及随机行为，提高智能车辆对环境的认知评估能力；
所述运动学模型实现短时域车辆轨迹的预测；
所述驾驶行为认知模型基于动态贝叶斯网络驾驶行为认知模型，估计驾驶行为，进行行为层的轨迹预测，实现长时域车辆轨迹预测；
所述长短时域车辆轨迹预测模型将运动学模型和驾驶行为认知模型通过多模型融合算法融合，得到长短时域车辆轨迹预测模型，更准确地预测时间范围内某时刻的车辆位置及概率；
所述行车风险态势评估模型是在预测范围内进行车辆碰撞风险评估。
优选地，所述步骤M1中的非完全信息动态博弈包括：
多车意图交互时一个动态博弈问题，用扩展树表示博弈的过程，动态博弈扩展树公式如下：
S＝(T，P，A，U) (1)
其中，T是由节点和枝组成的有向树，P＝{P1，P2，…，Pi，…，PN}是参与博弈的车辆集，且i∈{1，2，…，N}，
Figure BDA0002663633170000021
是车辆Pi的行为集合，U＝{U1，U2，…，Ui，…，UN}是参与博弈车辆的代价函数；
动态博弈扩展树包括节点和枝，节点包括参与博弈车辆的节点和博弈结束节点；博弈结束节点包括各个博弈车辆的收益或者行为代价，枝表示博弈参与者的行为；
所述多车意图交互是指在复杂的城市交通环境中，多车间的行为和决策相互影响；智能车辆周围环境或者行人的决策影响着智能车辆的决策；同时，智能车辆的决策也影响着周围车辆或者行人的决策。
优选地，所述步骤M3包括：
采用CTRA模型，建立基于运动学模型的轨迹预测模型，通过不断迭代运动方程，实现短时间内对车辆轨迹的预测；
通过动态贝叶斯网络，估计驾驶行为，得到基于驾驶行为认知模型的车辆轨迹预测模型，能够在长的时间范围内对车辆轨迹的预测；
通过短时间内对车辆轨迹的预测和长时间对车辆轨迹的预测，通过多模型融合算法，得到长短时域车辆轨迹预测模型，从而获得预测时间范围内预设时刻的车辆位置及概率；
所述CTRA模型是假设行车加速度和横摆角速度不变情况下进行预测。
优选地，所述步骤M4包括：
在预测时间范围内，预设时间点的两辆车(Vi，Vj)轨迹预测的碰撞概率公式如下：
Figure BDA0002663633170000031
其中，Vi表示车辆i，Vj表示车辆j，t表示时间，
Figure BDA0002663633170000032
表示车辆Vi在t时刻预测的位置，
Figure BDA0002663633170000039
表示车辆Vj在t时刻预测的位置，
Figure BDA0002663633170000033
表示t时刻车辆i、j的位置概率，t0表示开始预测时间，TP表示预测时间范围，
Figure BDA0002663633170000034
表示考虑车辆物理大小的碰撞因子，如下：
Figure BDA0002663633170000035
式中，
Figure BDA0002663633170000036
表示车辆i所占的平面空间；
Figure BDA0002663633170000037
表示车辆j所占的平面空间。
优选地，所述步骤M5包括：
在预测时间范围内，车辆间的碰撞风险公式如下：
Figure BDA0002663633170000038
其中，Tmax表示在碰撞风险预测序列中达到最大值的时间，Risk()：表示碰撞风险；Vi(t0：t0+Tp)：表示车辆Vi在t0至t0+TP的预测时间范围内；Risk(Vi(t0：t0+TP)，Vj(t0：t0+TP))：表示车辆Vi与Vj在t0至t0+TP的预测时间范围内的碰撞风险；
公式如下：
Figure BDA0002663633170000041
在复杂交通环境下，车辆Vi在场景Si中的风险公式如下：
Figure BDA0002663633170000042
其中，Si表示场景i，Vi，Vj表示场景中的车辆；j表示与车辆Vj中的j一致；公式(6)表明，在场景Si中，车辆Vi的风险表示为与除本车之外的车辆的碰撞风险的最大值。
根据本发明提供的一种基于多车意图交互结果的行车风险态势评估系统，包括：
模块M1：基于非完全信息动态博弈，得到多车意图交互结果；
模块M2：基于多车意图交互结果和当前交通元素的参数以及预测未来的交通元素的参数，建立随机性环境模型；
模块M3：通过运动学模型与驾驶行为认知模型融合，建立长短时域车辆轨迹预测模型，实现长短时域综合预测车辆轨迹；
模块M4：基于随机性环境模型以及车辆轨迹预测结果，对碰撞进行概率分析；
模块M5：基于碰撞概率分析，对碰撞进行风险评估，从而建成行车风险态势评估模型；
所述随机性环境模型是通过概率分布模型来表示环境中元素参数的不确定性，考虑了环境的不确定性，能够有效地应对环境噪声以及随机行为，提高智能车辆对环境的认知评估能力；
所述运动学模型实现短时域车辆轨迹的预测；
所述驾驶行为认知模型基于动态贝叶斯网络驾驶行为认知模型，估计驾驶行为，进行行为层的轨迹预测，实现长时域车辆轨迹预测；
所述长短时域车辆轨迹预测模型将运动学模型和驾驶行为认知模型通过多模型融合算法融合，得到长短时域车辆轨迹预测模型，更准确地预测时间范围内某时刻的车辆位置及概率；
所述行车风险态势评估模型是在预测范围内进行车辆碰撞风险评估。
优选地，所述模块M1中的非完全信息动态博弈包括：
多车意图交互时一个动态博弈问题，用扩展树表示博弈的过程，动态博弈扩展树公式如下：
S＝(T，P，A，U) (1)
其中，T是由节点和枝组成的有向树，P＝{P1，P2，…，Pi，…，PN}是参与博弈的车辆集，且i∈{1，2，…，N}，
Figure BDA0002663633170000051
是车辆Pi的行为集合，U＝{U1，U2，…，Ui，…，UN}是参与博弈车辆的代价函数；
动态博弈扩展树包括节点和枝，节点包括参与博弈车辆的节点和博弈结束节点；博弈结束节点包括各个博弈车辆的收益或者行为代价，枝表示博弈参与者的行为；
所述多车意图交互是指在复杂的城市交通环境中，多车间的行为和决策相互影响；智能车辆周围环境或者行人的决策影响着智能车辆的决策；同时，智能车辆的决策也影响着周围车辆或者行人的决策。
优选地，所述模块M3包括：
采用CTRA模型，建立基于运动学模型的轨迹预测模型，通过不断迭代运动方程，实现短时间内对车辆轨迹的预测；
通过动态贝叶斯网络，估计驾驶行为，得到基于驾驶行为认知模型的车辆轨迹预测模型，能够在长的时间范围内对车辆轨迹的预测；
通过短时间内对车辆轨迹的预测和长时间对车辆轨迹的预测，通过多模型融合算法，得到长短时域车辆轨迹预测模型，从而获得预测时间范围内预设时刻的车辆位置及概率；
所述CTRA模型是假设行车加速度和横摆角速度不变情况下进行预测。
优选地，所述模块M4包括：
在预测时间范围内，预设时间点的两辆车(Vi，Vj)轨迹预测的碰撞概率公式如下：
Figure BDA0002663633170000052
其中，Vi表示车辆i，Vj表示车辆j，t表示时间，
Figure BDA0002663633170000053
表示车辆Vi在t时刻预测的位置，
Figure BDA00026636331700000510
表示车辆Vj在t时刻预测的位置，
Figure BDA0002663633170000054
表示t时刻车辆i、j的位置概率，t0表示开始预测时间，TP表示预测时间范围，
Figure BDA0002663633170000055
表示考虑车辆物理大小的碰撞因子，如下：
Figure BDA0002663633170000056
式中，
Figure BDA0002663633170000057
表示车辆i所占的平面空间；
Figure BDA0002663633170000058
表示车辆j所占的平面空间。
优选地，所述模块M5包括：
在预测时间范围内，车辆间的碰撞风险公式如下：
Figure BDA0002663633170000059
其中，Tmax表示在碰撞风险预测序列中达到最大值的时间，Risk()：表示碰撞风险；Vi(t0：t0+Tp)：表示车辆Vi在t0至t0+TP的预测时间范围内；Risk(Vi(t0：t0+TP)，Vj(t0：t0+TP))：表示车辆Vi与Vj在t0至t0+TP的预测时间范围内的碰撞风险；
公式如下：
Figure BDA0002663633170000061
在复杂交通环境下，车辆Vi在场景Si中的风险公式如下：
Figure BDA0002663633170000062
其中，Si表示场景i，Vi，Vj表示场景中的车辆；j表示与车辆Vj中的j一致；公式(6)表明，在场景Si中，车辆Vi的风险表示为与除本车之外的车辆的碰撞风险的最大值。
与现有技术相比，本发明具有如下的有益效果：
1、本发明基于非完全信息动态博弈，得到多车意图交互结果，并基于此交互结果，在行车轨迹预测模型更改为：长短时域车辆轨迹预测模型上建立了多车碰撞风险评估模型，有效地提高了多车碰撞风险评估的准确性，确保了人及车辆的驾驶安全；
2、本发明通过采用运动学模型和驾驶行为认知模型融合的长短时域车辆轨迹预测模型，既保证短时间内轨迹预测的准确性，也符合车辆长时间轨迹变化的趋势，实现了更准确的车辆轨迹预测。
3、本发明通过基于长短时域车辆轨迹预测结果，得到预测时间范围内的碰撞概率，进而得到车辆间的碰撞风险，从而建立了一种完善的行车风险态势评估方法，提高了智能车辆对环境的认知能力，降低了城市环境下行车的碰撞风险。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为一种城市场景下多车意图交互结果的行车风险态势评估方法的流程示意图；
图2为基于CTRA模型的车辆运动学模型示意图；
图3为建立长短时域车辆轨迹预测模型的过程示意图；
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
本发明的目的在于克服现有技术存在的不足或缺陷，以便于在城市场景下，基于多车意图交互结果，对车辆间的碰撞进行风险态势评估，从而提高智能车辆行驶的安全性。
根据本发明提供的一种基于多车意图交互结果的行车风险态势评估方法，包括：
步骤M1：基于非完全信息动态博弈，得到多车意图交互结果，以便对车辆间的碰撞进行风险评估；
步骤M2：基于多车意图交互结果和当前交通元素的参数以及预测未来的交通元素的参数，建立随机性环境模型；
所述交通元素包括车辆和行人；
预测未来的交通元素参数包括车辆的预测位置及此预测位置出现的概率；
步骤M3：通过运动学模型与驾驶行为认知模型融合，建立长短时域车辆轨迹预测模型，实现长短时域综合预测车辆轨迹；
步骤M4：基于随机性环境模型以及车辆轨迹预测结果，对碰撞进行概率分析；
步骤M5：基于碰撞概率分析，对碰撞进行风险评估，从而建成行车风险态势评估模型；
所述随机性环境模型是通过概率分布模型来表示环境中元素参数的不确定性，一般用概率分布密度函数，可用高斯分布，则计算量一般较大；考虑了环境的不确定性，能够有效地应对环境噪声以及随机行为，提高智能车辆对环境的认知评估能力；
所述运动学模型实现短时域车辆轨迹的预测；
所述驾驶行为认知模型基于动态贝叶斯网络驾驶行为认知模型，估计驾驶行为，进行行为层的轨迹预测，实现长时域车辆轨迹预测；
所述长短时域车辆轨迹预测模型将运动学模型和驾驶行为认知模型通过多模型融合算法融合，得到长短时域车辆轨迹预测模型，更准确地预测时间范围内某时刻的车辆位置及概率；
所述行车风险态势评估模型是在预测范围内进行车辆碰撞风险评估。
城市环境包括相比较于高速路环境，城市环境下车流量大，环境不确定性高，因此行车碰撞风险更大，危险程度更高，更需要对此环境进行行车风险态势评估。
所述行车风险态势评估包括通过随机性环境模型来表达智能车辆周围环境，从而表示交通环境的不确定性以及预测不确定性。然后，建立行车轨迹预测模型，得到轨迹预测结果。接着，基于行车轨迹的预测结果，对多车碰撞进行概率分析。最后，在预测时间范围内，基于碰撞概率以及碰撞时间，构建行车风险态势评估模型。
具体地，所述步骤M3包括：
长短时域车辆轨迹预测模型主要包括短时域预测(Short-term Prediction)模型和长时域预测(Long-term Prediction)模型。
短时域预测主要是基于车辆动力学或者运动学方法，假设某些运动变量比如行车速度、加速度、横摆角速度等保持不变的情况下进行预测。短时域预测虽然预测时间短，但是在较短时间内，由于其考虑车辆动力学或者运动学的模型，其预测结果较准确。
长时域预测主要是基于行为认知结果，考虑驾驶行为信息，进行车辆轨迹预测。基于驾驶行为认知的轨迹预测方法是在考虑运动参数的条件下，对车辆行为进行估计，根据行为概率分布，预测某一段时间内车辆的轨迹变化。由于基于行为认知的轨迹预测方法考虑了驾驶行为信息，所以能够在较长的一段时间内进行轨迹预测，但并没有考虑车辆运动学物理特性，在短时间内的预测精度较低。
为了既保证短时间内轨迹预测的精度，也确保长时间内预测趋势的正确，融合基于运动学模型和驾驶行为认知模型，建立长短时域车辆轨迹预测模型，实现更加准确的车辆轨迹预测。
采用CTRA模型，建立基于运动学模型的轨迹预测模型，通过不断迭代运动方程，实现短时间内对车辆轨迹的预测；
通过动态贝叶斯网络，估计驾驶行为，得到基于驾驶行为认知模型的车辆轨迹预测模型，能够在长的时间范围内对车辆轨迹的预测；
通过短时间内对车辆轨迹的预测和长时间对车辆轨迹的预测，通过多模型融合算法，得到长短时域车辆轨迹预测模型，从而获得预测时间范围内预设时刻的车辆位置及概率；
所述CTRA模型是假设行车加速度和横摆角速度不变情况下进行预测。
具体地，所述步骤M4包括：
在预测时间范围内，预设时间点的两辆车(Vi，Vj)轨迹预测的碰撞概率公式如下：
Figure BDA0002663633170000091
其中，Vi表示车辆i，Vj表示车辆j，t表示时间，
Figure BDA0002663633170000092
表示车辆Vi在t时刻预测的位置，
Figure BDA0002663633170000093
表示车辆Vj在t时刻预测的位置，
Figure BDA0002663633170000094
表示t时刻车辆i、j的位置概率，t0表示开始预测时间，TP表示预测时间范围，
Figure BDA0002663633170000095
表示考虑车辆物理大小的碰撞因子，如下：
Figure BDA0002663633170000096
式中，
Figure BDA0002663633170000097
表示车辆i所占的平面空间；
Figure BDA0002663633170000098
表示车辆j所占的平面空间。
具体地，所述步骤M5包括：
在预测时间范围内，车辆间的碰撞风险公式如下：
Figure BDA0002663633170000099
其中，Tmax表示在碰撞风险预测序列中达到最大值的时间，Risk()：表示碰撞风险；Vi(t0：t0+Tp)：表示车辆Vi在t0至t0+TP的预测时间范围内；Risk(Vi(t0：t0+TP)，Vj(t0：t0+TP))：表示车辆Vi与Vj在t0至t0+TP的预测时间范围内的碰撞风险；
公式如下：
Figure BDA00026636331700000910
在复杂交通环境下，车辆Vi在场景Si中的风险公式如下：
Figure BDA00026636331700000911
其中，Si表示场景i，Vi，Vj表示场景中的车辆；j表示与车辆Vj中的j一致；公式(6)表明，在场景Si中，车辆Vi的风险表示为与除本车之外的车辆的碰撞风险的最大值。
根据本发明提供的一种基于多车意图交互结果的行车风险态势评估系统，包括：
模块M1：基于非完全信息动态博弈，得到多车意图交互结果，以便对车辆间的碰撞进行风险评估；
模块M2：基于多车意图交互结果和当前交通元素的参数以及预测未来的交通元素的参数，建立随机性环境模型；
所述交通元素包括车辆和行人；
预测未来的交通元素参数包括车辆的预测位置及此预测位置出现的概率；
模块M3：通过运动学模型与驾驶行为认知模型融合，建立长短时域车辆轨迹预测模型，实现长短时域综合预测车辆轨迹；
模块M4：基于随机性环境模型以及车辆轨迹预测结果，对碰撞进行概率分析；
模块M5：基于碰撞概率分析，对碰撞进行风险评估，从而建成行车风险态势评估模型；
所述随机性环境模型是通过概率分布模型来表示环境中元素参数的不确定性，一般用概率分布密度函数，可用高斯分布，则计算量一般较大；考虑了环境的不确定性，能够有效地应对环境噪声以及随机行为，提高智能车辆对环境的认知评估能力；
所述运动学模型实现短时域车辆轨迹的预测；
所述驾驶行为认知模型基于动态贝叶斯网络驾驶行为认知模型，估计驾驶行为，进行行为层的轨迹预测，实现长时域车辆轨迹预测；
所述长短时域车辆轨迹预测模型将运动学模型和驾驶行为认知模型通过多模型融合算法融合，得到长短时域车辆轨迹预测模型，更准确地预测时间范围内某时刻的车辆位置及概率；
所述行车风险态势评估模型是在预测范围内进行车辆碰撞风险评估。
城市环境包括相比较于高速路环境，城市环境下车流量大，环境不确定性高，因此行车碰撞风险更大，危险程度更高，更需要对此环境进行行车风险态势评估。
所述行车风险态势评估包括通过随机性环境模型来表达智能车辆周围环境，从而表示交通环境的不确定性以及预测不确定性。然后，建立行车轨迹预测模型，得到轨迹预测结果。接着，基于行车轨迹的预测结果，对多车碰撞进行概率分析。最后，在预测时间范围内，基于碰撞概率以及碰撞时间，构建行车风险态势评估模型。
具体地，所述模块M3包括：
长短时域车辆轨迹预测模型主要包括短时域预测(Short-term Prediction)模型和长时域预测(Long-term Prediction)模型。
短时域预测主要是基于车辆动力学或者运动学方法，假设某些运动变量比如行车速度、加速度、横摆角速度等保持不变的情况下进行预测。短时域预测虽然预测时间短，但是在较短时间内，由于其考虑车辆动力学或者运动学的模型，其预测结果较准确。
长时域预测主要是基于行为认知结果，考虑驾驶行为信息，进行车辆轨迹预测。基于驾驶行为认知的轨迹预测方法是在考虑运动参数的条件下，对车辆行为进行估计，根据行为概率分布，预测某一段时间内车辆的轨迹变化。由于基于行为认知的轨迹预测方法考虑了驾驶行为信息，所以能够在较长的一段时间内进行轨迹预测，但并没有考虑车辆运动学物理特性，在短时间内的预测精度较低。
为了既保证短时间内轨迹预测的精度，也确保长时间内预测趋势的正确，融合基于运动学模型和驾驶行为认知模型，建立长短时域车辆轨迹预测模型，实现更加准确的车辆轨迹预测。
采用CTRA模型，建立基于运动学模型的轨迹预测模型，通过不断迭代运动方程，实现短时间内对车辆轨迹的预测；
通过动态贝叶斯网络，估计驾驶行为，得到基于驾驶行为认知模型的车辆轨迹预测模型，能够在长的时间范围内对车辆轨迹的预测；
通过短时间内对车辆轨迹的预测和长时间对车辆轨迹的预测，通过多模型融合算法，得到长短时域车辆轨迹预测模型，从而获得预测时间范围内预设时刻的车辆位置及概率；
所述CTRA模型是假设行车加速度和横摆角速度不变情况下进行预测。
具体地，所述模块M4包括：
在预测时间范围内，预设时间点的两辆车(Vi，Vj)轨迹预测的碰撞概率公式如下：
Figure BDA0002663633170000111
其中，Vi表示车辆i，Vj表示车辆j，t表示时间，
Figure BDA0002663633170000112
表示车辆Vi在t时刻预测的位置，
Figure BDA0002663633170000113
表示车辆Vj在t时刻预测的位置，
Figure BDA0002663633170000114
表示t时刻车辆i、j的位置概率，t0表示开始预测时间，TP表示预测时间范围，
Figure BDA0002663633170000115
表示考虑车辆物理大小的碰撞因子，如下：
Figure BDA0002663633170000116
式中，
Figure BDA0002663633170000117
表示车辆i所占的平面空间；
Figure BDA0002663633170000118
表示车辆j所占的平面空间。
具体地，所述模块M5包括：
在预测时间范围内，车辆间的碰撞风险公式如下：
Figure BDA0002663633170000119
其中，Tmax表示在碰撞风险预测序列中达到最大值的时间，Risk()：表示碰撞风险；Vi(t0：t0+Tp)：表示车辆Vi在t0至t0+TP的预测时间范围内；Risk(Vi(t0：t0+TP)，Vj(t0：t0+TP))：表示车辆Vi与Vj在t0至t0+TP的预测时间范围内的碰撞风险；
公式如下：
Figure BDA0002663633170000121
在复杂交通环境下，车辆Vi在场景Si中的风险公式如下：
Figure BDA0002663633170000122
其中，Si表示场景i，Vi，Vj表示场景中的车辆；j表示与车辆Vj中的j一致；公式(6)表明，在场景Si中，车辆Vi的风险表示为与除本车之外的车辆的碰撞风险的最大值。
实施例2
实施例2是实施例1的变化例
为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。
如图1所示，本实施例公开了一种城市场景下多车意图交互结果的行车风险态势评估方法，包括如下步骤S00～S40：
S00、确定多车意图交互结果：基于非完全信息动态博弈，得到多车意图交互结果，以便对车辆间的碰撞进行风险评估；
S10、建立智能车辆环境模型：基于多车意图交互结果和交通元素(如车辆、行人等)当前以及未来参数，建立随机性环境模型；
S20、进行车辆轨迹预测：通过运动学模型与驾驶行为认知模型融合，建立车辆轨迹预测模型，实现长短时域综合预测车辆轨迹；
S30、进行碰撞概率评估：基于随机性环境模型，以及车辆轨迹预测结果，对碰撞进行概率分析；
S40、构建风险态势评估模型：基于碰撞概率分析，对碰撞进行风险评估，从而建成行车风险态势评估模型。
具体来说，所述确定多车意图交互结果：基于非完全信息动态博弈，得到多车意图交互结果，以便对车辆间的碰撞进行风险评估，包括：
多车意图交互是一个动态博弈问题，可以用扩展树来表示博弈的过程。动态博弈扩展树理论如下：
S＝(T，P，A，U) (1)
其中，T是由节点和枝组成的有向树，P＝{P1，P2，…，Pi，…，PN}是参与博弈的车辆集，且i∈{1，2，…，N}，
Figure BDA0002663633170000123
是车辆Pi的行为集合，U＝{U1，U2，…，Ui，…，UN}是参与博弈车辆的代价函数。
动态博弈扩展树由节点和枝组成。节点主要包括参与博弈车辆的节点和博弈结束节点。其中，结束节点中包含了各个博弈车辆的收益或者行为代价，每个枝表示博弈参与者的行为。由于某些博弈车辆可能并不知道其他车辆的行为，则采用非完全信息动态博弈。
需要说明的是，根据参与博弈车辆对其他车辆行为是否完全掌握，动态博弈主要包括完全信息动态博弈和非完全信息动态博弈，由于车辆博弈过程的特性，因此采用非完全信息动态博弈。不完全信息下的扩展博弈问题可以转化为静态博弈问题进行求解，在静态博弈中，多车之间的博弈结果可用混合策略均衡来表达。假设自车只与其邻近的车辆进行交互和博弈。
通过求解混合策略纳什均衡，对周围车辆行为进行预测的同时规划自车行为，从而得到多车意图交互结果，即确定与自车有碰撞风险的目标车辆，以便后续进行自车与目标车辆的碰撞风险态势评估。
具体来说，所述建立智能车辆环境模型：基于多车意图交互结果和交通元素(如车辆、行人等)当前以及未来参数，建立随机性环境模型，包括：
随机性环境模型(Stochastic Model，SM)是通过概率分布模型来表示环境中元素参数的不确定性，一般用概率分布密度函数(Probabilistic Density Functions，PDFs)来表示，如高斯分布，则计算量一般较大。
需要说明的是，相对于确定性环境模型来说，随机性环境模型通过概率分布函数描述交通环境中各元素的状态分布，考虑环境的不确定性，能够有效地应对环境噪声以及随机行为等。
具体来说，所述进行车辆轨迹预测：通过运动学模型与驾驶行为认知模型融合，建立车辆轨迹预测模型，实现长短时域综合预测车辆轨迹，包括：
采用CTRA模型，考虑轨迹预测过程中的噪声，建立基于运动学模型的轨迹预测模型，通过不断迭代运动方程，实现短时间内对车辆轨迹的预测。
需要说明的是，CTRA模型，即Constant Turn Rate and Acceleration模型，可用无迹卡曼尔滤波解决此模型的非线性问题。车辆运动学模型示意图如图2所示，其运动参数如下：
Figure BDA0002663633170000131
式中，(x，y)表示车辆的位置，θ表示车辆横摆角，v表示车辆的行车速度，a表示车辆的加速度，ω表示行车的横摆角速度。
考虑噪声的情况下，车辆的运动问题由如下方程表示：
Figure BDA0002663633170000141
Figure BDA0002663633170000142
式中，f是运动方程，q是系统噪声，
Figure BDA0002663633170000143
是观测变量，h是观测方程，r是观测噪声。系统和观测噪声可用高斯白噪声表示。
同时，通过动态贝叶斯网络，估计驾驶行为，得到基于驾驶行为认知模型的车辆轨迹预测模型，能够在较长的时间范围内对行车轨迹进行预测分析。
将上述两种模型通过多模型融合算法，如线性加权融合法融合起来，得到长短时域车辆轨迹预测模型，从而获得预测时间范围内某时刻的车辆位置及概率，如图3所示。
需要说明的是，车辆状态可表示为X＝(x，y，θ，v，a，ω)，则车辆状态的不确定性可以表示为概率分布pi(X(t0)，t)，t≥t0，其中，t0表示初始时间，i表示环境中第i个车辆。假设i＝0代表自车，即p0(X(t0)，t)，t≥t0表示自车轨迹规划。若自车轨迹规划是确定的，则存在(X(t0)，t)，t≥t0满足p0(X(t0)，t)＝1。车辆状态的初始分布可通过扩展卡曼尔滤波算法获得。车辆未来状态的概率分布表示如下：
pi(X(t0)，t)＝fi(X(t0)，t)，t∈[t0，t0+Tp] (5)
式中，fi表示基于最新检测结果X(t0)的预测函数，此预测函数由长短时域车辆轨迹预测模型得到，Tp表示预测时长。
具体来说，所述进行碰撞概率评估：基于随机性环境模型，以及车辆轨迹预测结果，对碰撞进行概率分析，包括：
在预测时间范围内，某个特定时间点的两辆车(Vi，Vj)轨迹预测的碰撞概率如下：
Figure BDA0002663633170000149
式中，Vi表示车辆i，t表示时间，
Figure BDA0002663633170000144
表示车辆Vi在t时刻预测的位置，
Figure BDA0002663633170000145
表示t时刻车辆i、j的位置概率，t0表示开始预测时间，TP表示预测时间范围，
Figure BDA0002663633170000146
表示考虑车辆物理大小的碰撞因子，如下：
Figure BDA0002663633170000147
式中，
Figure BDA0002663633170000148
表示车辆i所占的平面空间。
需要说明的是，若两辆车Vi，Vj所占的平面空间有交集，即交集不空，则在t时刻时，这两辆车会发生碰撞，即碰撞因子
Figure BDA0002663633170000151
若两辆车Vi，Vj所占的平面空间没有交集，即交集为空，则在t时刻时，这两辆车不会发生碰撞，即碰撞因子
Figure BDA0002663633170000152
具体来说，所述构建风险态势评估模型：基于碰撞概率分析，对碰撞进行风险评估，从而建成行车风险态势评估模型，包括：
在预测时间范围内，车辆间的碰撞风险表示如下：
Figure BDA0002663633170000153
式中，Tmax表示在碰撞风险预测序列中达到最大值的时间，可由下式得到：
Figure BDA0002663633170000154
在复杂交通环境下，车辆Vi在场景Si中的风险表示如下：
Figure BDA0002663633170000155
式中，Si表示场景i，Vi，Vj表示场景中的车辆。本公式表明，在场景Si中，车辆Vi的风险表示为与其他车辆碰撞风险的最大值。
本发明基于非完全信息动态博弈，得到多车意图交互结果，并基于此交互结果，在行车轨迹预测模型上建立了多车碰撞风险评估模型。其中，此行车轨迹预测模型融合了车辆运动学预测模型和驾驶行为预测模型，既保证短时间预测的精确性，也保证长时间预测趋势的正确。然后，基于行车轨迹预测结果，得到预测时间范围内的碰撞概率，进而得到车辆间的碰撞风险，最终得到行车风险态势评估结果。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于多车意图交互结果的行车风险态势评估方法，其特征在于，包括：
步骤M1：基于非完全信息动态博弈，得到多车意图交互结果；
步骤M2：基于多车意图交互结果和当前交通元素的参数以及预测未来的交通元素的参数，建立随机性环境模型；
步骤M3：通过运动学模型与驾驶行为认知模型融合，建立长短时域车辆轨迹预测模型，实现长短时域综合预测车辆轨迹；
步骤M4：基于随机性环境模型以及车辆轨迹预测结果，对碰撞进行概率分析；
步骤M5：基于碰撞概率分析，对碰撞进行风险评估，从而建成行车风险态势评估模型；
所述随机性环境模型是通过概率分布模型来表示环境中元素参数的不确定性，有效地应对环境噪声以及随机行为，提高智能车辆对环境的认知评估能力；
所述运动学模型实现短时域车辆轨迹的预测；
所述驾驶行为认知模型基于动态贝叶斯网络驾驶行为认知模型，估计驾驶行为，进行行为层的轨迹预测，实现长时域车辆轨迹预测；
所述长短时域车辆轨迹预测模型将运动学模型和驾驶行为认知模型通过多模型融合算法融合，得到长短时域车辆轨迹预测模型，更准确地预测时间范围内某时刻的车辆位置及概率；
所述行车风险态势评估模型是在预测范围内进行车辆碰撞风险评估。
2.根据权利要求1所述的基于多车意图交互结果的行车风险态势评估方法，其特征在于，所述步骤M1中的非完全信息动态博弈包括：
多车意图交互时一个动态博弈问题，用扩展树表示博弈的过程，动态博弈扩展树公式如下：
S＝(T，P，A，U) (1)
其中，T是由节点和枝组成的有向树，P＝{P1，P2，…，Pi，…，PN}是参与博弈的车辆集，且i∈{1，2，…，N}，
Figure FDA0002663633160000011
是车辆Pi的行为集合，U＝{U1，U2，…，Ui，…，UN}是参与博弈车辆的代价函数；
动态博弈扩展树包括节点和枝，节点包括参与博弈车辆的节点和博弈结束节点；博弈结束节点包括各个博弈车辆的收益或者行为代价，枝表示博弈参与者的行为；
所述多车意图交互是指在复杂的城市交通环境中，多车间的行为和决策相互影响；智能车辆周围环境或者行人的决策影响着智能车辆的决策；同时，智能车辆的决策也影响着周围车辆或者行人的决策。
3.根据权利要求1所述的基于多车意图交互结果的行车风险态势评估方法，其特征在于，所述步骤M3包括：
采用CTRA模型，建立基于运动学模型的轨迹预测模型，通过不断迭代运动方程，实现短时间内对车辆轨迹的预测；
通过动态贝叶斯网络，估计驾驶行为，得到基于驾驶行为认知模型的车辆轨迹预测模型，在长的时间范围内对车辆轨迹的预测；
通过短时间内对车辆轨迹的预测和长时间对车辆轨迹的预测，通过多模型融合算法，得到长短时域车辆轨迹预测模型，从而获得预测时间范围内预设时刻的车辆位置及概率；
所述CTRA模型是假设行车加速度和横摆角速度不变情况下进行预测。
4.根据权利要求1所述的基于多车意图交互结果的行车风险态势评估方法，其特征在于，所述步骤M4包括：
在预测时间范围内，预设时间点的两辆车(Vi，Vj)轨迹预测的碰撞概率公式如下：
Figure FDA0002663633160000021
其中，Vi表示车辆i，Vj表示车辆j，t表示时间，
Figure FDA0002663633160000022
表示车辆Vi在t时刻预测的位置，
Figure FDA0002663633160000023
表示车辆Vj在t时刻预测的位置，
Figure FDA0002663633160000024
表示t时刻车辆i、j的位置概率，t0表示开始预测时间，TP表示预测时间范围，
Figure FDA0002663633160000025
表示考虑车辆物理大小的碰撞因子，如下：
Figure FDA0002663633160000026
式中，
Figure FDA0002663633160000027
表示车辆i所占的平面空间；
Figure FDA0002663633160000028
表示车辆j所占的平面空间。
5.根据权利要求1所述的基于多车意图交互结果的行车风险态势评估方法，其特征在于，所述步骤M5包括：
在预测时间范围内，车辆间的碰撞风险公式如下：
Figure FDA0002663633160000029
其中，Tmax表示在碰撞风险预测序列中达到最大值的时间，Risk()：表示碰撞风险；Vi(t0：t0+Tp)：表示车辆Vi在t0至t0+TP的预测时间范围内；Risk(Vi(t0：t0+TP)，Vj(t0：t0+TP))：表示车辆Vi与Vj在t0至t0+TP的预测时间范围内的碰撞风险；
公式如下：
Figure FDA0002663633160000031
在复杂交通环境下，车辆Vi在场景Si中的风险公式如下：
Figure FDA0002663633160000032
其中，Si表示场景i，Vi，Vj表示场景中的车辆；j表示与车辆Vj中的j一致；公式(6)表明，在场景Si中，车辆Vi的风险表示为与除本车之外的车辆的碰撞风险的最大值。
6.一种基于多车意图交互结果的行车风险态势评估系统，其特征在于，包括：
模块M1：基于非完全信息动态博弈，得到多车意图交互结果；
模块M2：基于多车意图交互结果和当前交通元素的参数以及预测未来的交通元素的参数，建立随机性环境模型；
模块M3：通过运动学模型与驾驶行为认知模型融合，建立长短时域车辆轨迹预测模型，实现长短时域综合预测车辆轨迹；
模块M4：基于随机性环境模型以及车辆轨迹预测结果，对碰撞进行概率分析；
模块M5：基于碰撞概率分析，对碰撞进行风险评估，从而建成行车风险态势评估模型；
所述随机性环境模型是通过概率分布模型来表示环境中元素参数的不确定性，考虑了环境的不确定性，能够有效地应对环境噪声以及随机行为，提高智能车辆对环境的认知评估能力；
所述运动学模型实现短时域车辆轨迹的预测；
所述驾驶行为认知模型基于动态贝叶斯网络驾驶行为认知模型，估计驾驶行为，进行行为层的轨迹预测，实现长时域车辆轨迹预测；
所述长短时域车辆轨迹预测模型将运动学模型和驾驶行为认知模型通过多模型融合算法融合，得到长短时域车辆轨迹预测模型，更准确地预测时间范围内某时刻的车辆位置及概率；
所述行车风险态势评估模型是在预测范围内进行车辆碰撞风险评估。
7.根据权利要求6所述的基于多车意图交互结果的行车风险态势评估系统，其特征在于，所述模块M1中的非完全信息动态博弈包括：
多车意图交互时一个动态博弈问题，用扩展树表示博弈的过程，动态博弈扩展树公式如下：
S＝(T，P，A，U) (1)
其中，T是由节点和枝组成的有向树，P＝{P1，P2，…，Pi，…，PN}是参与博弈的车辆集，且i∈{1，2，…，N}，
Figure FDA0002663633160000041
是车辆Pi的行为集合，U＝{U1，U2，…，Ui，…，UN}是参与博弈车辆的代价函数；
动态博弈扩展树包括节点和枝，节点包括参与博弈车辆的节点和博弈结束节点；博弈结束节点包括各个博弈车辆的收益或者行为代价，枝表示博弈参与者的行为；
所述多车意图交互是指在复杂的城市交通环境中，多车间的行为和决策相互影响；智能车辆周围环境或者行人的决策影响着智能车辆的决策；同时，智能车辆的决策也影响着周围车辆或者行人的决策。
8.根据权利要求6所述的基于多车意图交互结果的行车风险态势评估系统，其特征在于，所述模块M3包括：
采用CTRA模型，建立基于运动学模型的轨迹预测模型，通过不断迭代运动方程，实现短时间内对车辆轨迹的预测；
通过动态贝叶斯网络，估计驾驶行为，得到基于驾驶行为认知模型的车辆轨迹预测模型，能够在长的时间范围内对车辆轨迹的预测；
通过短时间内对车辆轨迹的预测和长时间对车辆轨迹的预测，通过多模型融合算法，得到长短时域车辆轨迹预测模型，从而获得预测时间范围内预设时刻的车辆位置及概率；
所述CTRA模型是假设行车加速度和横摆角速度不变情况下进行预测。
9.根据权利要求6所述的基于多车意图交互结果的行车风险态势评估系统，其特征在于，所述模块M4包括：
在预测时间范围内，预设时间点的两辆车(Vi，Vj)轨迹预测的碰撞概率公式如下：
Figure FDA0002663633160000042
其中，Vi表示车辆i，Vj表示车辆j，t表示时间，
Figure FDA0002663633160000043
表示车辆Vi在t时刻预测的位置，
Figure FDA0002663633160000044
表示车辆Vj在t时刻预测的位置，
Figure FDA0002663633160000045
表示t时刻车辆i、j的位置概率，t0表示开始预测时间，TP表示预测时间范围，
Figure FDA0002663633160000046
表示考虑车辆物理大小的碰撞因子，如下：
Figure FDA0002663633160000051
式中，
Figure FDA0002663633160000052
表示车辆i所占的平面空间；
Figure FDA0002663633160000053
表示车辆j所占的平面空间。
10.根据权利要求6所述的基于多车意图交互结果的行车风险态势评估系统，其特征在于，所述模块M5包括：
在预测时间范围内，车辆间的碰撞风险公式如下：
Figure FDA0002663633160000054
其中，Tmax表示在碰撞风险预测序列中达到最大值的时间，Risk()：表示碰撞风险；Vi(t0：t0+Tp)：表示车辆Vi在t0至t0+TP的预测时间范围内；Risk(Vi(t0：t0+TP)，Vj(t0：t0+TP))：表示车辆Vi与Vj在t0至t0+TP的预测时间范围内的碰撞风险；
公式如下：
Figure FDA0002663633160000055
在复杂交通环境下，车辆Vi在场景Si中的风险公式如下：
Figure FDA0002663633160000056
其中，Si表示场景i，Vi，Vj表示场景中的车辆；j表示与车辆Vj中的j一致；公式(6)表明，在场景Si中，车辆Vi的风险表示为与除本车之外的车辆的碰撞风险的最大值。
CN202010911972.1A 2020-09-02 2020-09-02 基于多车意图交互结果的行车风险态势评估方法及系统 Active CN112015843B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010911972.1A CN112015843B (zh) 2020-09-02 2020-09-02 基于多车意图交互结果的行车风险态势评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010911972.1A CN112015843B (zh) 2020-09-02 2020-09-02 基于多车意图交互结果的行车风险态势评估方法及系统

Publications (2)

Publication Number Publication Date
CN112015843A true CN112015843A (zh) 2020-12-01
CN112015843B CN112015843B (zh) 2023-10-24

Family

ID=73515727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010911972.1A Active CN112015843B (zh) 2020-09-02 2020-09-02 基于多车意图交互结果的行车风险态势评估方法及系统

Country Status (1)

Country Link
CN (1) CN112015843B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950811A (zh) * 2021-02-02 2021-06-11 武汉理工大学 融合整车安全的新能源汽车区域运行风险评估及预警系统
CN113076897A (zh) * 2021-04-09 2021-07-06 广州机械科学研究院有限公司 智能网联汽车的博弈动态行驶安全测控方法及调控终端
CN113096411A (zh) * 2021-03-17 2021-07-09 武汉大学 一种基于车联网环境系统的交叉路口处车辆碰撞预警方法
CN113189989A (zh) * 2021-04-21 2021-07-30 东风柳州汽车有限公司 车辆意图预测方法、装置、设备及存储介质
CN113657433A (zh) * 2021-07-01 2021-11-16 华南理工大学 一种车辆轨迹多模态预测方法
CN113705394A (zh) * 2021-08-16 2021-11-26 电子科技大学 一种长短时域特征结合的行为识别方法
CN113777918A (zh) * 2021-07-28 2021-12-10 张金宁 一种数字孪生架构的汽车智能线控底盘控制方法
CN114124461A (zh) * 2021-10-26 2022-03-01 南京航空航天大学 空中交通风险热点识别方法、关键航空器识别方法及系统
CN114662967A (zh) * 2022-04-07 2022-06-24 西南交通大学 基于动态贝叶斯网络的无人驾驶碰撞风险评估方法及系统
CN115691124A (zh) * 2022-10-18 2023-02-03 北京联合大学 面向城市道路驾驶数据的危险评估方法和装置
WO2024021871A1 (zh) * 2022-07-26 2024-02-01 上海交通大学 一种车路协同感知路侧测试数据质量评价方法
CN117698770A (zh) * 2024-02-06 2024-03-15 北京航空航天大学 基于多场景融合的自动驾驶决策安全碰撞风险评估方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190391580A1 (en) * 2018-06-25 2019-12-26 Mitsubishi Electric Research Laboratories, Inc. Systems and Methods for Safe Decision Making of Autonomous Vehicles
CN111079834A (zh) * 2019-12-16 2020-04-28 清华大学 一种考虑多车交互的智能车辆安全态势评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190391580A1 (en) * 2018-06-25 2019-12-26 Mitsubishi Electric Research Laboratories, Inc. Systems and Methods for Safe Decision Making of Autonomous Vehicles
CN111079834A (zh) * 2019-12-16 2020-04-28 清华大学 一种考虑多车交互的智能车辆安全态势评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张一鸣;周兵;吴晓建;崔庆佳;柴天;: "基于前车轨迹预测的高速智能车运动规划", 汽车工程, no. 05 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950811A (zh) * 2021-02-02 2021-06-11 武汉理工大学 融合整车安全的新能源汽车区域运行风险评估及预警系统
CN113096411A (zh) * 2021-03-17 2021-07-09 武汉大学 一种基于车联网环境系统的交叉路口处车辆碰撞预警方法
CN113076897A (zh) * 2021-04-09 2021-07-06 广州机械科学研究院有限公司 智能网联汽车的博弈动态行驶安全测控方法及调控终端
CN113189989A (zh) * 2021-04-21 2021-07-30 东风柳州汽车有限公司 车辆意图预测方法、装置、设备及存储介质
CN113189989B (zh) * 2021-04-21 2022-07-01 东风柳州汽车有限公司 车辆意图预测方法、装置、设备及存储介质
CN113657433A (zh) * 2021-07-01 2021-11-16 华南理工大学 一种车辆轨迹多模态预测方法
CN113657433B (zh) * 2021-07-01 2023-07-21 华南理工大学 一种车辆轨迹多模态预测方法
CN113777918A (zh) * 2021-07-28 2021-12-10 张金宁 一种数字孪生架构的汽车智能线控底盘控制方法
CN113705394B (zh) * 2021-08-16 2023-05-30 电子科技大学 一种长短时域特征结合的行为识别方法
CN113705394A (zh) * 2021-08-16 2021-11-26 电子科技大学 一种长短时域特征结合的行为识别方法
CN114124461A (zh) * 2021-10-26 2022-03-01 南京航空航天大学 空中交通风险热点识别方法、关键航空器识别方法及系统
CN114124461B (zh) * 2021-10-26 2022-08-19 南京航空航天大学 空中交通风险热点识别方法、关键航空器识别方法及系统
CN114662967A (zh) * 2022-04-07 2022-06-24 西南交通大学 基于动态贝叶斯网络的无人驾驶碰撞风险评估方法及系统
CN114662967B (zh) * 2022-04-07 2023-04-07 西南交通大学 基于动态贝叶斯网络的无人驾驶碰撞风险评估方法及系统
WO2024021871A1 (zh) * 2022-07-26 2024-02-01 上海交通大学 一种车路协同感知路侧测试数据质量评价方法
CN115691124A (zh) * 2022-10-18 2023-02-03 北京联合大学 面向城市道路驾驶数据的危险评估方法和装置
CN117698770A (zh) * 2024-02-06 2024-03-15 北京航空航天大学 基于多场景融合的自动驾驶决策安全碰撞风险评估方法
CN117698770B (zh) * 2024-02-06 2024-04-12 北京航空航天大学 基于多场景融合的自动驾驶决策安全碰撞风险评估方法

Also Published As

Publication number Publication date
CN112015843B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN112015843B (zh) 基于多车意图交互结果的行车风险态势评估方法及系统
Yang et al. A novel car-following control model combining machine learning and kinematics models for automated vehicles
Wachenfeld et al. The worst-time-to-collision metric for situation identification
Nishi et al. Merging in congested freeway traffic using multipolicy decision making and passive actor-critic learning
Wagner et al. Using time-to-react based on naturalistic traffic object behavior for scenario-based risk assessment of automated driving
CN110686906B (zh) 车辆自动驾驶测试方法及装置
CN112015842B (zh) 自行车轨迹预测的自动驾驶车辆风险评估方法及系统
CN111079800B (zh) 一种智能驾驶虚拟测试的加速方法及加速系统
CN109977571B (zh) 基于数据与模型混合的仿真计算方法及装置
Lord-Attivor et al. Modeling gap acceptance and driver behavior at stop controlled (priority) intersections in developing countries
Huang et al. A versatile approach to evaluating and testing automated vehicles based on kernel methods
De Gelder et al. Risk quantification for automated driving systems in real-world driving scenarios
CN114446049B (zh) 基于社会价值取向的交通流预测方法、系统、终端及介质
CN114881339A (zh) 车辆轨迹预测方法、系统、计算机设备及存储介质
Platho et al. Predicting velocity profiles of road users at intersections using configurations
Wang et al. An interaction-aware evaluation method for highly automated vehicles
US20190146493A1 (en) Method And Apparatus For Autonomous System Performance And Benchmarking
Srinivasan et al. Comparing merging behaviors observed in naturalistic data with behaviors generated by a machine learned model
US20220383736A1 (en) Method for estimating coverage of the area of traffic scenarios
Hua et al. Modeling and simulation of approaching behaviors to signalized intersections based on risk quantification
Klingelschmitt et al. Probabilistic, discriminative maneuver estimation in generic traffic scenes using pairwise probability coupling
Miani et al. Young drivers’ pedestrian anti-collision braking operation data modelling for ADAS development
Oh et al. Impact of traffic lights on trajectory forecasting of human-driven vehicles near signalized intersections
Nishiwaki et al. A stochastic approach for modeling lane-change trajectories
CN114596702A (zh) 一种交通状态预测模型构建方法及交通状态预测方法

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