CN112304633A - 一种路面湿滑状态下汽车制动安全性风险识别方法 - Google Patents

Abstract

本发明涉及一种路面湿滑状态下汽车制动安全性风险识别方法，包括步骤1：获取全域水膜厚度实时分布及预测模型；步骤2：获取路面形貌特征数据、车辆行驶状态数据，结合水膜厚度实时分布及预测模型模拟车辆制动时的轮胎制动工况模型，同时建立轮胎运行状态数据库；步骤3：构建路面平整度模型；步骤4：建立车辆制动模型，同时建立整车运行状态数据库；步骤5：对车辆的制动距离进行实时评估；步骤6：根据路侧车辆检测模块获取周围车辆信息；步骤7：根据步骤5获取的制动距离实时评估结果以及步骤6获取的周围车辆信息，获取汽车制动安全性风险评估结果。与现有技术相比，本发明具有准确性高、自动化程度高等优点。

Description

一种路面湿滑状态下汽车制动安全性风险识别方法

技术领域

本发明涉及车辆工程技术领域，尤其是涉及一种路面湿滑状态下汽车制动安全性风险识别方法。

背景技术

随着汽车在我国的普及，道路通行量成倍增长，由此引发的车辆追尾事故一直是道路安全领域关注的重点，车辆行驶过程中受到气候、路面状态等因素的影响，驾驶员难以有效掌握车辆的最终刹停距离。特别是路面湿滑条件下车辆制动距离是干燥路面制动距离的2-4倍，如何全面地了解湿滑路面上水膜的分布状态，获取轮胎制动过程中的运行状态以及整车的制动距离，为评价当前条件下车辆的碰撞风险奠定基础，已成为道路安全管理过程中亟待解决的关键技术。

目前路面湿滑程度的评价工作主要依靠人工巡查，以此为基础的路面管理难以为车辆的制动距离的准确度量提供依据，导致雨雪天气时驾驶员无法保障车辆的行驶安全，进而影响恶劣天气条件下的道路车流量甚至导致车辆安全事故。鉴于此，通过自动化的技术手段对路面水膜厚度实现全域感知，结合路面状态与车辆运行条件建立汽车制动安全性风险识别方法具有重要意义。

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准确性高、自动化程度高、实用价值高、覆盖范围广的路面湿滑状态下汽车制动安全性风险识别方法。

本发明的目的可以通过以下技术方案来实现：

一种路面湿滑状态下汽车制动安全性风险识别方法，包括：

步骤1：通过路面水膜厚度传感装置获取全域水膜厚度实时分布及预测模型；

步骤2：获取路面形貌特征数据、车辆行驶状态数据，结合水膜厚度实时分布及预测模型模拟车辆制动时的轮胎制动工况模型，同时建立轮胎运行状态数据库；

步骤3：获取路面平整度信息，构建路面平整度模型；

步骤4：根据路面平整度模型和轮胎制动工况模型，结合车辆自身结构建立车辆制动模型，同时建立整车运行状态数据库；

步骤5：对车辆的制动距离进行实时评估；

步骤6：根据路侧车辆检测模块获取周围车辆信息；

步骤7：根据步骤5获取的制动距离实时评估结果以及步骤6获取的周围车辆信息，获取汽车制动安全性风险评估结果。

优选地，所述的步骤1具体为：

水膜厚度传感装置的感知数据收到压力水平波动p_f、气压周期与短期变动p_p、温度影响T和水膜厚度影响的综合影响，即：λ＝F(p_f,p_p,T,h)，采用时间序列建模处理传感器装置采集的数据，采用封装传感器内置的光纤温度计修正温度对水膜厚度监测结果的影响，采用外置气压计进行修正大气压对水膜厚度监测结果的影响；

基于流体力学理论将传感器监测数据由点扩展到面域监测，面域水膜实时分布模型具体为：

其中，h(l,t)为流线上距离单元起点l的点位在t时刻的水膜厚度；δ为量纲系数；η(t)为时变修正系数；h₀为单元内流线起点水膜厚度；n为粗糙度；I(t)为t时刻的降雨强度；l为计算点位到单元内起始点距离；i为单元内点综合坡度；

然后建立状态空间方程结合将于强度预测信息对未来一段时间内的水膜厚度变化进行预测。

更加优选地，所述的水膜厚度传感装置包括固定支架以及封装好的传感器模块；所述的传感器模块内安装有压力及温度传感器；所述的传感器模块上设有透水孔。

更加优选地，所述的水膜厚度传感装置等间距埋设于被测路面两侧。

优选地，所述步骤2中路面形貌特征数据的获取方法为：

采用光学扫描设备获取路面形貌特征，使用模拟程序模拟未来一定龄期内道面形貌特征变化情况，获取路面形貌特征数据。

优选地，所述步骤2中车辆行驶状态数据包括：车辆的荷载、行驶速度和防抱死系统ABS的工作状态。

优选地，所述的步骤5具体为：

步骤5-1：结合车辆行驶车速，确定驾驶员反应时间内的行驶距离的概率分布f(S₁)；

步骤5-2：确定制动器协调时间，即消除制动踏板间隙所需时间，以及在该协调时间内行驶距离的概率分布f(S₂)；

步骤5-3：确定减速度增长时间内的行驶距离的概率分布f(S₃)；

步骤5-4：确定最大制动力持续时间内的行驶距离的概率分布f(S₄)；

步骤5-5：计算总制动距离的概率分布。

优选地，所述的步骤6中的路侧车辆检测模块内嵌有基于视频深度学习的车辆检测与跟踪算法、基于激光雷达点云的车辆检测与跟踪算法以及基于多贝叶斯估计的多源数据融合算法。

更加优选地，所述的步骤6具体为：

步骤6-1：基于视频数据进行卡尔曼滤波降噪后，采用基于视频深度学习的车辆检测与跟踪算法捕捉车辆位置和速度信息；

步骤6-2：使用基于激光雷达点云的车辆检测与跟踪算法获取车辆位置和速度信息；

步骤6-3：使用基于多贝叶斯估计的多元数据融合算法，将步骤6-1和步骤6-2获取的车辆位置和速度信息进行融合，获取最终的周围车辆位置和速度信息。

优选地，所述的步骤7具体为：

根据整制动距离的概率分布以及周围车辆位置和速度信息，结合碰撞发生风险概率、碰撞伤害程度等级以及制动安全性风险等级判断标准，获取当前车辆的制动安全性风险等级。

与现有技术相比，本发明具有以下优点：

一、准确性高：本发明中的汽车制动安全性风险识别方法针对路面的平整度规律、结合水膜传感装置获取的水膜厚度信息，实现了路面水膜厚度信息的全域获取；针对路面的条件、车辆的行驶状态以及天气信息，针对性的提出了评价车辆制动局的量化评估方案，提高了湿滑条件下道路的安全保障水平；针对现有湿滑路面评价体系中缺乏量化评价指标的特点，以水膜厚度、轮胎运行状态、行驶制动距离为基础，奠定建立了面向湿滑路面的综合安全评价体系的基础。

二、自动化程度高：本发明中的汽车制动安全性风险识别方法可以自动对路面湿滑状态下汽车制动安全性风险进行评估，评估过程中无需人工介入，提高了自动化程度。

三、实用价值高：本发明中的汽车制动安全性风险识别方法考虑到与周围汽车碰撞的可能性，综合考虑路面湿滑状态下的各类环境条件，最终得到当前车辆的制动安全性风险等级，进而为路面湿滑状态下驾驶员进行制动提供预警提醒或者为自动驾驶领域提供数据基础。

四、覆盖范围广：本发明中的汽车制动安全性风险识别方法将建立整车运行状态数据库，范围涵盖各种型号车辆，对于保障道路交通中的各类车辆运行安全提供保障。

附图说明

图1为本发明中汽车制动安全性风险识别方法的流程示意图；

图2为本发明中水膜厚度传感装置的主视图；

图3为本发明中水膜厚度传感装置的俯视图；

图4为本发明实施例中路面径流流线计算示意图；

图5为本发明实施例中路面水膜厚度分布计算流程图；

图6为本发明实施例中轮胎有限元的模拟示意图；

图7为本发明实施例中进行轮胎有限元的模拟时路面的微观形貌特征局部放大图；

图8为本发明实施例中整车制动行驶仿真示意图；

图9为本发明实施例中总制动距离概率分布示意图；

图10为本发明实施例中路侧车辆检测模块对视频进行处理时的示意图；

图11为本发明实施例中路侧车辆检测模块对激光点云进行处理时的示意图。

图中标号所示：

1、固定支架，2、传感器模块，201、压力及温度传感器，202、透水孔。

具体实施方式

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的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

一种路面湿滑状态下汽车制动安全性风险识别方法，其流程如图1所示，包括：

步骤1：通过路面水膜厚度传感装置获取全域水膜厚度实时分布及预测模型，具体为：

路面水膜厚度传感装置，为准确获得路面水膜厚度的实时分布，选择基于压敏传感的光纤水膜厚度传感器对其进行动态监测。传感器可以将探测气体、液体等产生的压力转换成光信号，通过光纤传感解调仪完成光学频谱分析和压力换算，并给出监测点的数字压力信息。将传感器封装在以嵌入式道路照明设施为原型的结构中，压敏传感器感知水压，并采用温度传感器进行数据的实时修正，两者一并被封装在硬质结构体内，考虑温度和大气压力对传感器内部进行温度的实时监测与补偿；

水膜厚度传感装置的感知数据收到压力水平波动p_f、气压周期与短期变动p_p、温度影响T和水膜厚度影响的综合影响，即：λ＝F(p_f,p_p,T,h)，采用时间序列建模处理传感器装置采集的数据，采用封装传感器内置的光纤温度计修正温度对水膜厚度监测结果的影响，采用外置气压计进行修正大气压对水膜厚度监测结果的影响；

基于流体力学理论将传感器监测数据由点扩展到面域监测，面域水膜实时分布模型具体为：

其中，h(l,t)为流线上距离单元起点l的点位在t时刻的水膜厚度；δ为量纲系数；η(t)为时变修正系数；h₀为单元内流线起点水膜厚度；n为粗糙度；I(t)为t时刻的降雨强度；l为计算点位到单元内起始点距离；i为单元内点综合坡度；

然后建立状态空间方程结合将于强度预测信息对未来一段时间内的水膜厚度变化进行预测。

水膜厚度传感装置的结构如图2和图3所示，包括固定支架1以及封装好的传感器模块2，传感器模块2内安装有压力及温度传感器201，传感器模块2上设有透水孔202。水膜厚度传感装置等间距埋设于被测路面两侧。

步骤2：获取路面形貌特征数据、车辆行驶状态数据，结合水膜厚度实时分布及预测模型模拟车辆制动时的轮胎制动工况模型，同时建立轮胎运行状态数据库；

路面形貌特征数据的获取方法为：

采用光学扫描设备获取路面形貌特征，使用模拟程序模拟未来一定龄期内道面形貌特征变化情况，获取路面形貌特征数据。

车辆行驶状态数据包括：车辆的荷载、行驶速度和防抱死系统ABS的工作状态等信息。

步骤3：获取路面平整度信息，构建路面平整度模型；

步骤4：根据路面平整度模型和轮胎制动工况模型，结合车辆的车身、底盘、刹车装置等自身结构信息建立车辆制动模型，同时建立整车运行状态数据库；

步骤5：对车辆的制动距离进行实时评估，具体为：

步骤5-1：结合车辆行驶车速，确定驾驶员反应时间内的行驶距离的概率分布f(S₁)，反应时间选取0.3～1.0秒；

步骤5-2：取制动器协调时间为0.1～1.0秒，确定制动器协调时间，即消除制动踏板间隙所需时间，以及在该协调时间内行驶距离的概率分布f(S₂)；

步骤5-3：结合当前道面水膜厚度及行驶速度、轮胎花纹等参数，基于轮胎状态数据库计算车辆发生滑水行为的概率，确定减速度增长时间内的行驶距离的概率分布f(S₃)；

步骤5-4：结合发生滑水行为的概率，确定最大制动力持续时间内的行驶距离的概率分布f(S₄)；

步骤5-5：叠加上述概率分布，计算总制动距离的概率分布。

步骤6：根据路侧车辆检测模块获取周围车辆信息，路侧车辆检测模块内嵌有：

(1)基于视频深度学习的车辆检测与跟踪算法；

(2)基于激光雷达点云的车辆检测与跟踪算法包括地面点与非地面点的分割子算法、后续局部特征的提取及车辆的聚类分割子算法以及在道路复杂场景下的车辆粘连问题的分割精确性优化子算法；

(3)基于多贝叶斯估计的多源数据融合算法。

需要指出的是上述算法均为既有算法，本发明不对上述算法进行赘述。

步骤6具体为：

步骤6-1：基于视频数据进行卡尔曼滤波降噪后，采用基于视频深度学习的车辆检测与跟踪算法捕捉车辆位置和速度信息；

步骤6-2：使用基于激光雷达点云的车辆检测与跟踪算法获取车辆位置和速度信息；

步骤6-3：使用基于多贝叶斯估计的多元数据融合算法，将步骤6-1和步骤6-2获取的车辆位置和速度信息进行融合，获取最终的周围车辆位置和速度信息。

步骤7：根据步骤5获取的制动距离实时评估结果以及步骤6获取的周围车辆信息，获取汽车制动安全性风险评估结果，具体为：

根据整制动距离的概率分布、周围车辆位置、速度信息以及车辆之间的距离信息，计算距离之间的重叠概率从而导出碰撞风险概率。结合碰撞发生风险概率、碰撞伤害程度等级以及制动安全性风险等级判断标准，获取当前车辆的制动安全性风险等级。

制动安全性风险等级判断标准具体为：

制动安全性风险等级矩阵如表1所示。

表1制动安全性风险等级矩阵

表1中，L、M和H分别代表制动安全性风险等级为轻微、中等和严重。碰撞发生风险概率分为A、B、C、D和E五个等级。

碰撞发生风险概率的具有划分方法如表2所示。

表2碰撞发生风险概率

概率等级	概率大小
		A(频繁的)	≥10<sup>-3</sup>
B(可能的)	[10<sup>-5</sup>,10<sup>-3</sup>)
		C(偶尔的)	[10<sup>-7</sup>,10<sup>-5</sup>)
D(很少的)	[10<sup>-9</sup>,10<sup>-7</sup>)
		E(几乎不发生的)	＜10<sup>-9</sup>

碰撞伤害程度等级的具体划分方法如表3所示。

表3碰撞伤害程度等级

伤害等级	碰撞时车辆相对速度(km/h)
		危险的	[10,25)
灾害的	[25,35)
		致命的	>35

下面提供一种具体的应用例：

选取某一高速公路，将如图2和图3所示的水膜厚度传感装置等间距埋设于道面两侧，采集该位置水膜厚度信息。通过温度传感器数据计算实时温度T，通过λ'_p＝G(T)-λ₀计算温度对压力传感器产生的波长影响，进行温度修正后压力传感器波长

其中，λ'_p为传感器压力数据温度波长修正差，G(T)为压力传感器随温度变化的关系式，λ₀为零度时波长，

为温度修正后的压力传感器波长，λ_p为通过传感器获得的压力数据。

如图4所示，建立水流径流模型将传感器监测数据由点扩展到面域监测，对于路面水膜厚度面域感知模型，在实际应用中除水膜厚度信息外，还需要获取路面坡度信息、路面粗糙度、实时降雨信息等计算参数，采集方法如下：

路面坡度是由横坡和纵坡综合而成，对于新建路面，路面的坡度以及变坡点位置可以通过设计图获得，但对于长期使用或有损坏的路面，通常其部分点位的坡度已经与设计时不同，路面坡度可通过全站仪或三维扫描仪获取的路面点云数据计算得到，通过提高点云的密度和精度，使由点云重构的模型更加逼近真实路面形态。

路面的粗糙度常通过宏观纹理深度进行表征，采用深度相机获取路面的三维点云数据，通过点云信息特征挖掘获取路面宏观纹理深度，并根据所示的宏观纹理深度与路面粗糙度的关系可对路面粗糙度n进行直接计算。

利用公路附近的气象站和降雨传感器以及通过气象软件抓取实时降雨信息。

基于以上数据，综合修正后的水膜厚度面域分布模型以及沥青水膜厚度传感器的监测数据，得到沥青路面水膜厚度面域感知流程如下：

首先在模型中输入路面信息进行单元划分，为模型计算提供路面单元间几何关系(编号)、各单元的坡度和粗糙度。

其次获取实时降雨信息对道面水膜厚度分布进行计算，并对极小坡度情况进行水膜厚度修正。

最后依据传感器监测结果进行时间修正和多传感器协同修正，从而输出监测全域的水膜厚度实时分布。

流程框图如图5所示，其中输入参数为路面信息、降雨强度、传感器位置及测量结果，首先对路面单元划分并进行流线位置判断，针对不同点判断其是否在流线汇线处：如果某点不在流线汇线处，根据降雨强度信息以及非积水区检测值并根据时空洗漱修正，得到此处的水膜厚度；如果某点流线汇线处但是没有水位计或水膜有益处情况，则水膜厚度计算流程同上；如果某点流线汇线处、有水位计并且水膜并未溢出，则直接将水膜厚度检测值导出作为水膜厚度。传感器最终的输出为路面内任意点水膜厚度和面域范围内水膜厚度分布云图。通过光学扫描设备采集路面微观形貌特征，并根据路面受机轮作用的应力分布特征预测未来一定龄期内路面受磨耗后的微观形貌特征。

如图6所示，基于水膜厚度分布规律、路面微观形貌特征、轮胎材料、车辆行驶速度、荷载、轮胎充气压力、轮胎角速度、轮胎线速度等信息，建立湿滑路面上轮胎制动工况模型。通过模型获取轮胎动水压力、摩擦系数等运行状态信息，并建立相应轮胎运行状态数据库。

图7为图6中路面的局部放大图，湿滑路面上轮胎制动工况模型将采用引入路面微观形貌特征，保证当前的路表磨损、病害情况在模型中被考虑。

如图8所示，在整机制动滑跑仿真中需获取转向子系统、悬挂子系统、轮胎子系统、引擎系统等部分。其中各个子系统通过Adams/car模拟软件进行构建。

车辆制动距离具有概率分布特征，对于给定车辆、路面条件和道路信息，湿滑路面上车辆制动距离的量化评估方法可总结为以下步骤：

(1)结合车辆行驶车速，确定驾驶员反应时间内的行驶距离的概率分布f(S₁)；

(2)确定制动器协调时间，既消除制动踏板间隙所需时间内行驶距离的概率分布f(S₂)；

(3)确定减速度增长时间内的行驶距离的概率分布f(S₃)；

(4)确定最大制动力持续时间内的行驶距离的概率分布f(S₄)；

(4)计算总制动距离的概率分布。

如图9所示，根据上述步骤可以获得干燥路面和3mm水膜厚度湿滑路面上以60km/h车速行驶的车辆的制动距离概率分布特征。

如图10和图11所示，车辆检测系统将基于深视频数据以及基于激光雷达点云数据，步骤如下：

基于视频数据进行卡尔曼滤波降噪后，采用基于视频深度学习的车辆检测与跟踪算法捕捉车辆位置和速度信息；

使用基于激光雷达点云的车辆检测与跟踪算法获取车辆位置和速度信息；

使用基于多贝叶斯估计的多元数据融合算法，将车辆位置和速度信息进行融合，获取最终的周围车辆位置和速度信息。

根据整制动距离的概率分布、周围车辆位置、速度信息以及车辆之间的距离信息，计算距离之间的重叠概率从而导出碰撞风险概率。结合碰撞发生风险概率、碰撞伤害程度等级以及制动安全性风险等级判断标准，获取当前车辆的制动安全性风险等级。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种路面湿滑状态下汽车制动安全性风险识别方法，其特征在于，包括：

步骤1：通过路面水膜厚度传感装置获取全域水膜厚度实时分布及预测模型；

步骤2：获取路面形貌特征数据、车辆行驶状态数据，结合水膜厚度实时分布及预测模型模拟车辆制动时的轮胎制动工况模型，同时建立轮胎运行状态数据库；

步骤3：获取路面平整度信息，构建路面平整度模型；

步骤4：根据路面平整度模型和轮胎制动工况模型，结合车辆自身结构建立车辆制动模型，同时建立整车运行状态数据库；

步骤5：对车辆的制动距离进行实时评估；

步骤6：根据路侧车辆检测模块获取周围车辆信息；

步骤7：根据步骤5获取的制动距离实时评估结果以及步骤6获取的周围车辆信息，获取汽车制动安全性风险评估结果。

2.根据权利要求1所述的一种路面湿滑状态下汽车制动安全性风险识别方法，其特征在于，所述的步骤1具体为：

水膜厚度传感装置的感知数据收到压力水平波动p_f、气压周期与短期变动p_p、温度影响T和水膜厚度影响的综合影响，即：λ＝F(p_f,p_p,T,h)，采用时间序列建模处理传感器装置采集的数据，采用封装传感器内置的光纤温度计修正温度对水膜厚度监测结果的影响，采用外置气压计进行修正大气压对水膜厚度监测结果的影响；

基于流体力学理论将传感器监测数据由点扩展到面域监测，面域水膜实时分布模型具体为：

其中，h(l,t)为流线上距离单元起点l的点位在t时刻的水膜厚度；δ为量纲系数；η(t)为时变修正系数；h₀为单元内流线起点水膜厚度；n为粗糙度；I(t)为t时刻的降雨强度；l为计算点位到单元内起始点距离；i为单元内点综合坡度；

然后建立状态空间方程结合将于强度预测信息对未来一段时间内的水膜厚度变化进行预测。

3.根据权利要求2所述的一种路面湿滑状态下汽车制动安全性风险识别方法，其特征在于，所述的水膜厚度传感装置包括固定支架(1)以及封装好的传感器模块(2)；所述的传感器模块(2)内安装有压力及温度传感器(201)；所述的传感器模块(2)上设有透水孔(202)。

4.根据权利要求3所述的一种路面湿滑状态下汽车制动安全性风险识别方法，其特征在于，所述的水膜厚度传感装置等间距埋设于被测路面两侧。

5.根据权利要求1所述的一种路面湿滑状态下汽车制动安全性风险识别方法，其特征在于，所述步骤2中路面形貌特征数据的获取方法为：

采用光学扫描设备获取路面形貌特征，使用模拟程序模拟未来一定龄期内道面形貌特征变化情况，获取路面形貌特征数据。

6.根据权利要求1所述的一种路面湿滑状态下汽车制动安全性风险识别方法，其特征在于，所述步骤2中车辆行驶状态数据包括：车辆的荷载、行驶速度和防抱死系统ABS的工作状态。

7.根据权利要求1所述的一种路面湿滑状态下汽车制动安全性风险识别方法，其特征在于，所述的步骤5具体为：

步骤5-1：结合车辆行驶车速，确定驾驶员反应时间内的行驶距离的概率分布f(S₁)；

步骤5-2：确定制动器协调时间，即消除制动踏板间隙所需时间，以及在该协调时间内行驶距离的概率分布f(S₂)；

步骤5-3：确定减速度增长时间内的行驶距离的概率分布f(S₃)；

步骤5-4：确定最大制动力持续时间内的行驶距离的概率分布f(S₄)；

步骤5-5：计算总制动距离的概率分布。

8.根据权利要求1所述的一种路面湿滑状态下汽车制动安全性风险识别方法，其特征在于，所述的步骤6中的路侧车辆检测模块内嵌有基于视频深度学习的车辆检测与跟踪算法、基于激光雷达点云的车辆检测与跟踪算法以及基于多贝叶斯估计的多源数据融合算法。

9.根据权利要求8所述的一种路面湿滑状态下汽车制动安全性风险识别方法，其特征在于，所述的步骤6具体为：

步骤6-1：基于视频数据进行卡尔曼滤波降噪后，采用基于视频深度学习的车辆检测与跟踪算法捕捉车辆位置和速度信息；

步骤6-2：使用基于激光雷达点云的车辆检测与跟踪算法获取车辆位置和速度信息；

步骤6-3：使用基于多贝叶斯估计的多元数据融合算法，将步骤6-1和步骤6-2获取的车辆位置和速度信息进行融合，获取最终的周围车辆位置和速度信息。

10.根据权利要求1所述的一种路面湿滑状态下汽车制动安全性风险识别方法，其特征在于，所述的步骤7具体为：

根据整制动距离的概率分布以及周围车辆位置和速度信息，结合碰撞发生风险概率、碰撞伤害程度等级以及制动安全性风险等级判断标准，获取当前车辆的制动安全性风险等级。

Images