CN112550287B - 一种面向结构化道路的驾驶风险评估方法 - Google Patents

Abstract

本发明公开了一种面向结构化道路的驾驶风险评估方法，包括：基于离散路点信息对参考道路中心线进行参数化建模，获得前方道路模型；基于道路模型，通过向量正交法对障碍物在Frenet‑Serret坐标系下进行定位，将实际道路交通场景降维成二维直线道路交通场景；结合道路模型、障碍物信息以及交通行驶状况，建立反应车路一体化的驾驶风险量化评估模型，计算综合行车风险势能对行车风险态势进行评估。本发明对道路参数化建模和障碍物坐标转换，将所评估的复杂道路环境转变为“直道”环境，省去了因路形差异而导致的算法修改工作，增强了算法对复杂交通工况的鲁棒性与适用性。

Description

一种面向结构化道路的驾驶风险评估方法

技术领域

本发明涉及自动驾驶技术领域，具体是涉及一种面向结构化道路的驾驶风险评估方法。

背景技术

装备有自动驾驶系统的智能车辆应能实时地根据当前的行车环境做出正确的驾驶行为决策，以满足车辆的行车安全以及乘坐舒适的要求。其中，对行车环境安全风险进行准确评估是实现正确行为决策的前提，而如何准确地对复杂交通场景的驾驶风险进行评估一直都是自动驾驶领域的难题与挑战。目前大多都采用相对安全距离、碰撞时间等基于时间或空间的逻辑评估方法，但是这些均属于单一维度评价方法的范畴，难以在复杂交通环境下同时对多维危险态势进行评估。近些年来，基于人工势场的驾驶风险评价方法备受人们关注，该方法通过建立结合车道势场、车辆势场、速度势场等势场模型来描述交通环境中的驾驶风险的分布，从而指导车辆的决策与规划，此类方法能够在实际交通场景中同时对多维方向上的风险进行评估，其评估结果也更加精准与合理。但这些方法的应用对象无一例外都是直道工况，对弯道或是其他路形进行评估时则需要做大量的算法修改工作，实际应用受到了极大的限制。

发明内容

本发明的目的在于提供一种面向结构化道路的驾驶风险评估方法，以解决现有的基于人工势场的驾驶风险评价方法难以适应复杂道路的问题。

为了达到上述目的，本发明提供了一种面向结构化道路的驾驶风险评估方法，包括：

基于离散路点信息对参考道路中心线进行参数化建模，获得前方道路模型；

基于道路模型，通过向量正交法对障碍物在Frenet-Serret坐标系下进行定位，将实际道路交通场景降维成二维直线道路交通场景；

结合道路模型、障碍物信息以及交通行驶状况，建立反应车路一体化的驾驶风险量化评估模型，计算综合行车风险势能对行车风险态势进行评估。

可选的，还包括：基于道路模型，将行车风险评估结果在大地固连坐标系下进行场景重构。

可选的，采用三次多项式构造参考道路中心线模型：

其中，a₀，a₁，a₂，a₃分别代表道路模型中路点X坐标关于欧式长度的0阶、1阶、2阶以及3阶项系数，b₀，b₁，b₂，b₃分别代表道路模型中路点Y坐标关于欧式长度的0阶、1阶、2阶以及3阶项系数，s为离散路点序列最后一点到第一点曲线长度。

可选的，对障碍物进行定位时，根据障碍车的位置坐标和自车位置信息，通过正交法来确定满足向量点乘最小值的映射点，障碍物的S坐标为离参考中心线欧式距离最短点的相应的S坐标，通过参考道路中心线上对应点的笛卡尔坐标、参考道路中心线在对应点处的航向角、障碍物位置笛卡尔坐标以及障碍物到对应点的欧式距离计算得到障碍物离参考道路中心线偏置D坐标。

可选的，综合行车风险势能为：

P_U(s,d)＝P_R(s,d)+P_O(s,d)

其中，P_u为综合行车风险势能，P_r和P_o分别为道路风险势能和障碍物风险势能。

可选的，道路风险势能为：

P_R(s,d)＝A(s)A(d)

其中，

A(s)为弧长方向风险因子，A(d)为偏置方向风险因子，s，d分别为Frenet-Serret坐标系下的弧长和偏置坐标，D_l，D_r分别为第一条车道中心线位置和第二条道路中心线离参考道路中心线的偏置，L_w为车道宽度，s_o为障碍物的弧长位置，S_d和S_t分别为期望跟车纵向距离和障碍物势场影响距离，v₀为自车速度，t_h为固定车头时距，s₀为停车安全距离，P_m为两车道之间的隔离势场。

可选的，障碍物风险势能为：

其中，c₁，c₂分别为沿弧长、偏置方向势场形状控制参数，d_o为障碍物所在的偏置位置，P_t和P_s均为障碍物势场阈值。

可选的，根据道路模型中参考道路中心线信息，Frenet-Serret坐标系中的点能够转换映射到大地固连坐标系中，使得重构驾驶风险场景：

式中，x_r(s)，y_r(s)分别为道路其余点在大地固连坐标系下的X，Y坐标位置，x′_c(s)，y′_c(s)为参考道路中心线上点的X，Y坐标分别为关于曲线长度的微分。

本发明提供一种面向结构化道路的驾驶风险评估方法，包括：基于离散路点信息对参考道路中心线进行参数化建模，获得前方道路模型；基于道路模型，通过向量正交法对障碍物在Frenet-Serret坐标系下进行定位，将实际道路交通场景降维成二维直线道路交通场景；结合道路模型、障碍物信息以及交通行驶状况，建立反应车路一体化的驾驶风险量化评估模型，计算综合行车风险势能对行车风险态势进行评估。本发明对道路参数化建模和障碍物坐标转换，将所评估的复杂道路环境转变为“直道”环境，省去了因路形差异而导致的算法修改工作，增强了算法对复杂交通工况的鲁棒性与适用性。

附图说明

为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍。在所有附图中，各元件或部分并不一定按照实际的比例绘制。

图1为面向结构化道路的驾驶风险评估方法流程图；

图2为Frenet-Serret坐标系下基于正交法定位示意图；

图3为Frenet-Serret坐标系下综合行车风险势能分布图；

图4为Frenet-Serret坐标系下道路风险势能分布图；

图5为Frenet-Serret坐标系下障碍物风险势能分布图；

图6为参考道路中心线与路上其余点之间的几何关系图；

图7为大地固连坐标系下综合行车风险势能分布图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。

为使本发明实现的技术手段、创作思路、应用原理与功效更易于明白，下面结合具体实施方式，进一步阐述本发明。为方便本发明的实施，需要做出如下假设：

(1)前方道路的路点信息能够从高精地图上或是车载感知层中获取；

(2)车载感知层能够准确提供周围障碍物的笛卡尔坐标。

图1为面向结构化道路的驾驶风险评估方法流程图，如图1所示，面向结构化道路的驾驶风险评估方法包括以下步骤：

S1：基于离散路点信息对参考道路中心线进行参数化建模，获得前方道路模型；

S2：基于道路模型，通过向量正交法对障碍物在Frenet-Serret坐标系下进行定位，将实际道路交通场景降维成二维直线道路交通场景；

S3：结合道路模型、障碍物信息以及交通行驶状况，建立反应车路一体化的驾驶风险量化评估模型，计算综合行车风险势能对行车风险态势进行评估；

S4：基于道路模型，将行车风险评估结果在大地固连坐标系下进行场景重构。

本发明提供的面向结构化道路的驾驶风险评估方法，通过对道路参数化建模和障碍物坐标转换，将所评估的复杂道路环境转变为“直道”环境；同时，将Frenet-Serret坐标系引入行车风险势场，省去了因路形差异而导致的算法修改工作，增强了算法对复杂交通工况的鲁棒性与适用性。面向结构化道路的驾驶风险评估方法可对任意路形的高速公路行车工况的驾驶风险进行精准评估与分析，能有效地检测周围潜在的安全隐患，为智能车辆预测和降低碰撞事故发生提供可靠依据，保证了智能车辆在复杂动态交通场景下的行车安全。

步骤1中，根据离散路点坐标序列信息((x_c1，y_c1)，(x_c2，y_c2)，(x_c3，y_c3)，…，(x_cend，y_cend))依次求出相邻点之间的弧长：

其中，k为2～end；

将弧长依次累加：

s_k＝s_k-1+Δs_k(s₀＝Δs₀＝0) (2)

其中，k为1～end-1；

由此可以得到离散路点相对应的弧长坐标信息([(x_c1，y_c1)，s₀]，[(x_c2，y_c2)，s₁]，[(x_c3，y_c3)，s₂]，…，[(x_cend，y_cend)，s_end-1])，并分别对路点坐标求关于弧长的微分，可得：

考虑到道路模型也需要保证曲率的连续性，本发明采用三次多项式构造参考道路中心线模型：

其中，a₀，a₁，a₂，a₃分别代表道路模型中路点X坐标关于欧式长度的0阶、1阶、2阶以及3阶项系数，b₀，b₁，b₂，b₃分别代表道路模型中路点Y坐标关于欧式长度的0阶、1阶、2阶以及3阶项系数，s为离散路点序列最后一点到第一点曲线长度。

分别求出参考道路中心线关于弧长s的导数：

当s＝0时可以得到：

当s＝s_end-1时可以得到：

将式(6)-式(7)转换成线性方程组后可得：

其中，(x(0)，y(0))、(x(s_end)，y(s_end))分别为离散路点序列中第一个路点和最后一个路点的笛卡尔坐标，(x′(0)，y′(0))、(x′(s_end)，y′(s_end))分别为离散路点序列中第一个和最后一个路点X，Y坐标关于曲线长度的导数。

将事先求出的起始和终了路点的坐标信息以及关于弧长的微分信息带入上式便可以得到基于三次多项式的参考道路中心线模型。

图2为Frenet-Serret坐标系下基于正交法定位示意图，如图2所示，2在步骤2中，对0-s_end-1进行小等间距采样，基于参考道路中心线模型进行插值，得到参考道路中心线上对应点的X，Y坐标，依次连接障碍物(x_oi，y_oi)与参考道路中心线上的离散点(x_ci，y_ci)，由此可以得到连线向量：

(x_ci-x_oi,y_ci-y_oi) (9)

中心线上离散点(x_ci，y_ci)的切线向量为：

(x_ci',y_ci') (10)

依次将连线向量与相应的切线向量进行点乘可以得到：

x'_ci×(x_oi-x_ci)+y'_ci×(y_oi-y_ci) (11)

取点乘最小的离散点为障碍物在参考道路中心线上的映射点，且该离散点的弧长便为障碍物在Frenet-Serret坐标系下的弧长坐标，而障碍物与对应点的之间的欧式距离为偏置坐标的绝对值，其正负号关系由如下的判断逻辑进行决定：

在步骤3中，本发明根据道路结构参数、周围交通情况等信息反应当前工况危险程度的行车风险评估模型。其中，行车风险评估模型由道路危险势场和障碍物危险势场。

道路势场的构建主要与道路和障碍物相关。根据交通法规，通常情况下车辆应尽量沿着车道中心线行驶，所以车道中心线处的道路危险势能应最小，往路沿两边走就越大，且在车道之间应有一定的危险势能阈值以避免车辆随意变道，图4为Frenet-Serret坐标系下道路风险势能分布图，基于三角函数设计了如图4所示的的道路危险势能，其计算式为：

P_R(s,d)＝A(s)A(d) (12)

式中，A(s)，A(d)分别为道路弧长方向风险因子和偏置方向风险因子。其计算式分别为：

式中，s，d分别为Frenet-Serret坐标系下的弧长和偏置坐标，D_l，D_r分别为第一条车道中心线位置和第二条道路中心线离参考道路中心线的偏置，L_w为车道宽度，s_o为障碍物的弧长位置，S_d和S_t分别为期望跟车纵向距离和障碍物势场影响距离，其中S_d＝v₀*t_h+s₀，v₀为自车速度，t_h为固定车头时距，s₀为停车安全距离。P_m为两车道之间的隔离势场。客观的，与障碍物纵向相对距离越近，碰撞风险越高，相对横向距离越近，也越容易发生碰撞，故通过二维高斯分布建立障碍物风险势场，将纵横向两个维度的交通态势囊括在同一框架下进行统一评估，图5为Frenet-Serret坐标系下障碍物风险势能分布图，障碍物风险势能分布如图5所示，其计算式如下

式中，c1，c2分别为沿弧长、偏置方向势场形状控制参数，d_o为障碍物所在的偏置位置。P_t和P_s均为障碍物势场阈值。由此，可以通过下式得到综合行车风险势能，图3为Frenet-Serret坐标系下综合行车风险势能分布图，Frenet-Serret坐标系下的综合行车风险势能分布如图3所示。

P_U(s,d)＝P_R(s,d)+P_O(s,d) (16)

在步骤4中，根据道路模型，易得到参考道路中心线上路点的航向角信息：

式中，θ_c为参考道路中心线上路点的航向角，由此可以将Frenet-Serret坐标系中的任意一点通过下式映射到大地固连坐标系中，完成行车风险态势重构，图6为参考道路中心线与路上其余点之间的几何关系图，图7为大地固连坐标系下综合行车风险势能分布图，如图6和图7所示。

式中，x_r(s)，y_r(s)分别为道路其余点在大地固连坐标系下的X，Y坐标位置。x′_c(s)，y′_c(s)为参考道路中心线上点的X，Y坐标分别为关于曲线长度的微分。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (6)

1.一种面向结构化道路的驾驶风险评估方法，其特征在于，包括：

基于离散路点信息对参考道路中心线进行参数化建模，获得前方道路模型；

基于道路模型，通过向量正交法对障碍物在Frenet-Serret坐标系下进行定位，将实际道路交通场景降维成二维直线道路交通场景；

结合道路模型、障碍物信息以及交通行驶状况，建立反应车路一体化的驾驶风险量化评估模型，计算综合行车风险势能对行车风险态势进行评估；

综合行车风险势能为：

P_U(s,d)＝P_R(s,d)+P_O(s,d)

其中，P_u为综合行车风险势能，P_r和P_o分别为道路风险势能和障碍物风险势能；

其中，道路危险势能，其计算式为：

P_R(s,d)＝A(s)A(d)

式中，A(s)，A(d)分别为道路弧长方向风险因子和偏置方向风险因子；其计算式分别为：

式中，s，d分别为Frenet-Serret坐标系下的弧长和偏置坐标，D_l，D_r分别为第一条车道中心线位置和第二条道路中心线离参考道路中心线的偏置，L_w为车道宽度，s_o为障碍物的弧长位置，S_d和S_t分别为期望跟车纵向距离和障碍物势场影响距离，其中S_d＝v₀*t_h+s₀，v₀为自车速度，t_h为固定车头时距，s₀为停车安全距离，P_m为两车道之间的隔离势场。

2.根据权利要求1所述的面向结构化道路的驾驶风险评估方法，其特征在于，还包括：基于道路模型，将行车风险评估结果在大地固连坐标系下进行场景重构。

3.根据权利要求2所述的面向结构化道路的驾驶风险评估方法，其特征在于，采用三次多项式构造参考道路中心线模型：

其中，a₀，a₁，a₂，a₃分别代表道路模型中路点X坐标关于欧式长度的0阶、1阶、2阶以及3阶项系数，b₀，b₁，b₂，b₃分别代表道路模型中路点Y坐标关于欧式长度的0阶、1阶、2阶以及3阶项系数，s为离散路点序列最后一点到第一点曲线长度。

4.根据权利要求3所述的面向结构化道路的驾驶风险评估方法，其特征在于，对障碍物进行定位时，根据障碍车的位置坐标和自车位置信息，通过正交法来确定满足向量点乘最小值的映射点，障碍物的S坐标为离参考中心线欧式距离最短点的相应的S坐标，通过参考道路中心线上对应点的笛卡尔坐标、参考道路中心线在对应点处的航向角、障碍物位置笛卡尔坐标以及障碍物到对应点的欧式距离计算得到障碍物离参考道路中心线偏置D坐标。

5.根据权利要求4所述的面向结构化道路的驾驶风险评估方法，其特征在于，障碍物风险势能为：

其中，c₁，c₂分别为沿弧长、偏置方向势场形状控制参数，d_o为障碍物所在的偏置位置，P_t和P_s均为障碍物势场阈值。

6.根据权利要求4所述的面向结构化道路的驾驶风险评估方法，其特征在于，根据道路模型中参考道路中心线信息，Frenet-Serret坐标系中的点能够转换映射到大地固连坐标系中，使得重构驾驶风险场景：

式中，x_r(s)，y_r(s)分别为道路其余点在大地固连坐标系下的X，Y坐标位置，x′_c(s)，y′_c(s)为参考道路中心线上点的X，Y坐标分别为关于曲线长度的微分。

Images