CN112829742B - 乘员安全决策方法和装置 - Google Patents

乘员安全决策方法和装置 Download PDF

Info

Publication number
CN112829742B
CN112829742B CN202011614889.4A CN202011614889A CN112829742B CN 112829742 B CN112829742 B CN 112829742B CN 202011614889 A CN202011614889 A CN 202011614889A CN 112829742 B CN112829742 B CN 112829742B
Authority
CN
China
Prior art keywords
vehicle
safety decision
safety
target
decision
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.)
Active
Application number
CN202011614889.4A
Other languages
English (en)
Other versions
CN112829742A (zh
Inventor
聂冰冰
王情帆
甘顺
孙志伟
李泉
陈文韬
李升波
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202011614889.4A priority Critical patent/CN112829742B/zh
Publication of CN112829742A publication Critical patent/CN112829742A/zh
Application granted granted Critical
Publication of CN112829742B publication Critical patent/CN112829742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种乘员安全决策方法、装置、计算机设备和存储介质。所述方法包括：根据目标车辆行驶轨迹及行车环境信息，确定目标车辆在行车环境中的行驶状态；当目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，根据每一安全决策确定目标车辆在行车环境中的潜在碰撞形式；根据潜在碰撞形式以及乘员损伤估计算法，得到目标车辆的预估乘员损伤值，并将对应预估乘员损伤值最低的安全决策确定为目标安全决策。采用本方法能够提高自动驾驶的乘员安全性。

Description

乘员安全决策方法和装置
技术领域
本申请涉及自动驾驶技术领域，特别是涉及一种乘员安全决策方法、装置、计算机设备和存储介质。
背景技术
随着汽车自动驾驶技术的发展，针对车辆安全的技术越来越成熟，例如，目前为保证车辆安全采用的最普遍的自动紧急制动技术(AEB，Autonomous Emergency Braking)，可对危险工况进行探测并自动启动紧急制动功能，以降低两车碰撞强度。
然而，车辆碰撞强度不仅取决于两车的相对车速，还取决于碰撞角度、碰撞形式、碰撞位置等，AEB技术通过单纯减速的决策，并非能最大程度降低车内乘员的损伤情况，即并非车辆的最优决策。
发明内容
基于此，有必要针对上述技术问题，提供一种乘员安全决策方法、装置、计算机设备和存储介质。
一种乘员安全决策方法，所述方法包括：
根据目标车辆行驶轨迹及行车环境信息，确定所述目标车辆在行车环境中的行驶状态；
当所述目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，根据所述每一安全决策确定所述目标车辆在所述行车环境中的潜在碰撞形式；
根据所述潜在碰撞形式以及乘员损伤估计算法，得到所述目标车辆的预估乘员损伤值，并将对应所述预估乘员损伤值最低的安全决策确定为目标安全决策。
在其中一个实施例中，所述根据目标车辆行驶轨迹及行车环境信息，确定所述目标车辆在行车环境中的行驶状态，包括：
获取目标车辆行驶数据和行车环境信息；所述行车环境信息表征行车过程中路面障碍物以及路面除所述目标车辆之外其他车辆的位置信息；
基于二自由度运动学微分方法，根据所述目标车辆行驶数据中的行驶速度和行驶方向角，判断所述目标车辆自身位移与车身姿态；
根据所述位置信息与所述目标车辆自身位移与车身姿势，确定所述目标车辆所处行驶状态。
在其中一个实施例中，所述当所述目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，根据所述每一安全决策确定所述目标车辆在所述行车环境中的潜在碰撞形式，包括：
当检测到所述目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，并根据所述每一安全决策与车辆轨迹库中车辆轨迹的对应关系，确定每一所述安全决策对应的车辆轨迹；
根据每一所述安全决策对应的车辆轨迹，确定所述目标车辆基于所述安全决策对应的车辆轨迹在所述行车环境中的潜在碰撞形式。
在其中一个实施例中，所述当检测到所述目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，并根据所述每一安全决策与车辆轨迹库中车辆轨迹的对应关系，确定每一所述安全决策对应的车辆轨迹，包括：
遍历所述安全决策数据库中的每一安全决策，所述每一安全决策与车辆轨迹库中的车辆轨迹建立有对应关系；
调用所述安全决策与车辆轨迹库中的车辆轨迹的对应关系，确定每一安全决策对应的车辆轨迹。
在其中一个实施例中，每一安全决策与车辆轨迹库中的车辆轨迹的对应关系的生成方式，包括：
根据所述安全决策数据库的每一安全决策中包含的车辆极限加/减速数据和极限方向盘转角数据基于二自由度平面运动学微分算法中包括的车辆运动微分方程和车辆动力学方程，得到所述目标车辆的速度约束条件；
根据所述每一安全决策对应的所述速度约束条件，确定所述目标车辆的位置导数信息；
对基于所述二自由度平面运动学微分算法得到的所述目标车辆的位置导数信息进行积分，得到所述每一安全决策对应的车辆轨迹。
在其中一个实施例中，所述根据所述潜在碰撞形式以及乘员损伤估计算法，得到所述目标车辆的预估乘员损伤值，并将对应所述预估乘员损伤值最低的安全决策确定为目标安全决策，包括：
根据每一种潜在碰撞形式，基于逻辑斯特回归模型对所述每一种潜在碰撞形式对应的碰撞前后车辆速度改变量、碰撞方向、乘员安全带使用情况、车辆类型、碰撞次数、乘员年龄、乘员性别进行融合计算，得到乘员综合损伤评分超过预设等级值的概率值；
根据所述每一种潜在碰撞形式对应的所述概率值，确定所述概率值最低的潜在碰撞形式对应的安全决策为目标安全决策。
在其中一个实施例中，所述根据所述潜在碰撞形式以及乘员损伤估计算法，得到所述目标车辆的预估乘员损伤值，并将对应所述预估乘员损伤值最低的安全决策确定为目标安全决策，包括：
根据每一种潜在碰撞形式，基于卷积神经网络模型对所述每一种潜在碰撞形式对应的碰撞前后车辆速度改变量、碰撞方向、乘员安全带使用情况、乘员性别进行模型预测处理，得到乘员目标身体部位损伤值；
根据所述每一种潜在碰撞形式对应的所述乘员目标身体部位损伤值，确定所述乘员目标身体部位损伤值最低的潜在碰撞形式对应的安全决策为目标安全决策。
一种乘员安全决策装置，所述装置包括：
行驶状态预估模块，用于根据目标车辆行驶轨迹及行车环境信息，确定所述目标车辆在行车环境中的行驶状态；
潜在碰撞预估模块，用于当所述目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，根据所述每一安全决策确定所述目标车辆在所述行车环境中的潜在碰撞形式；
目标决策确定模块，用于根据所述潜在碰撞形式以及乘员损伤估计算法，得到所述目标车辆的预估乘员损伤值，并将对应所述预估乘员损伤值最低的安全决策确定为目标安全决策。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据目标车辆行驶轨迹及行车环境信息，确定所述目标车辆在行车环境中的行驶状态；
当所述目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，根据所述每一安全决策确定所述目标车辆在所述行车环境中的潜在碰撞形式；
根据所述潜在碰撞形式以及乘员损伤估计算法，得到所述目标车辆的预估乘员损伤值，并将对应所述预估乘员损伤值最低的安全决策确定为目标安全决策。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
根据目标车辆行驶轨迹及行车环境信息，确定所述目标车辆在行车环境中的行驶状态；
当所述目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，根据所述每一安全决策确定所述目标车辆在所述行车环境中的潜在碰撞形式；
根据所述潜在碰撞形式以及乘员损伤估计算法，得到所述目标车辆的预估乘员损伤值，并将对应所述预估乘员损伤值最低的安全决策确定为目标安全决策。
上述乘员安全决策方法、装置、计算机设备和存储介质，根据目标车辆行驶轨迹及行车环境信息，确定所述目标车辆在行车环境中的行驶状态；当所述目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，根据所述每一安全决策确定所述目标车辆在所述行车环境中的潜在碰撞形式；根据所述潜在碰撞形式以及乘员损伤估计算法，得到所述目标车辆的预估乘员损伤值，并将对应所述预估乘员损伤值最低的安全决策确定为目标安全决策。采用本方法，通过制定不同的安全决策，并预估不同安全决策下目标车辆的潜在碰撞方式以及对应的乘员损伤值，筛选出确保乘员损伤值最低的目标安全决策，降低乘员在险态交通工况下的安全风险。
附图说明
图1为一个实施例中乘员安全决策方法的流程示意图；
图2为一个实施例中确定目标车辆所处行驶状态的方法的流程示意图；
图3为一个实施例中预估潜在碰撞形式的步骤的流程示意图；
图4为一个实施例中调用安全决策与车辆轨迹间的对应关系的流程示意图；
图5为一个实施例中车辆轨迹平滑切换的示意图；
图6为一个实施例中安全决策与车辆轨迹对应关系的生成方法的流程图；
图7为一个实施例中平面二自由度动力学自行车模型的位置示意图；
图8为一个实施例中车辆轮胎侧偏特性示意图；
图9为一个实施例中基于逻辑斯特模型确定目标安全决策步骤的流程图；
图10为一个实施例中典型车辆碰撞示意图；
图11为一个实施例中恢复系数分布情况示意图；
图12为一个实施例中基于神经网络模型确定目标安全决策步骤的流程图；
图13为一个实施例中确定目标安全决策所需的卷积神经网络内部结构图；
图14为一个实施例中乘员安全决策方法示例流程图；
图15为一个实施例中乘员安全决策装置的结构框图；
图16为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种乘员安全决策方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端或服务器集成于自动驾驶汽车处理器中，本实施例中，该方法包括以下步骤：
步骤101，根据目标车辆行驶轨迹及行车环境信息，确定目标车辆在行车环境中的行驶状态。
在实施中，目标车辆中集成有多种传感器，用于采集行驶过程中的行驶数据以及行车环境信息，目标车辆的控制器根据各传感器采集的行驶数据可以预估自身车辆轨迹，进一步地，目标车辆的控制器根据自身行驶轨迹及行车环境信息，确定目标车辆在行车环境中的行驶状态。其中，目标车辆的行驶状态包括：正常行驶状态和险态交通工况行驶状态，险态交通工况行驶状态即为即将发生碰撞的行驶状态。
步骤102，当目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，根据每一安全决策确定目标车辆在行车环境中的潜在碰撞形式。
在实施中，当检测到自身所处行驶状态为即将发生碰撞的行驶状态(险态交通工况行驶状态)时，控制器遍历安全决策数据库中的每一条安全决策(其中，每一条安全决策中包含方向盘转向操作和加减速操作的约束条件，即可以表征目标车辆在险态交通工况下的具体处理操作，根据每一条安全决策中包含的约束条件，可以预估车辆行驶轨迹，即每一条安全决策与车辆轨迹建立有对应关系)，然后，调用每一条安全决策与对应的车辆轨迹，确定目标车辆在行车环境中的潜在碰撞形式，其中，预估的潜在的碰撞形式可以包括：碰撞方向、碰撞角度、碰撞位置和碰撞速度等。
步骤103，根据潜在碰撞形式以及乘员损伤估计算法，得到目标车辆的预估乘员损伤值，并将对应预估乘员损伤值最低的安全决策确定为目标安全决策。
在实施中，目标车辆的控制器根据潜在碰撞形式以及乘员损伤估计算法，得到目标车辆的预估乘员损伤值，并将安全决策数据库中各安全决策中对应的预估乘员损伤值最低的安全决策确定为目标安全决策。
可选地，上述步骤101-103根据行车环境信息(Et)、安全决策数据库中每一条安全决策对应的车辆轨迹，估计未来时刻(t)目标车辆与行车环境中其他障碍物的潜在碰撞形式，确定目标车辆乘员损伤严重性(J(·))最低的安全策略为当前时刻的目标安全决策
Figure BDA0002870729280000061
的总表达式可以为：
Figure BDA0002870729280000062
具体地，乘员损伤严重性指标可以通过AIS(Abbreviated Injury Scale，简明损伤等级)来衡量，简明损伤等级可以衡量交通事故中的乘员某身体部位的损伤严重性，包括头颈、脸部、胸部、腹部、四肢、皮肤共六个部位，AIS分为6级，如下表1所示：
表1 AIS等级与损伤严重性的对应关系
Figure BDA0002870729280000063
进而，在AIS指标的基础上，通过不同部位AIS最大值的平方和计算可以得到ISS(Injury Severity Score，综合损伤严重性评分)，该综合损伤严重性评分可以用于衡量交通事故中的乘员全身的综合损伤严重性，其取值范围一般在0-75。基于上述AIS或者ISS损伤严重性指标，控制器可以通过传统统计模型和机器学习模型两类方法，作为乘员损伤估计方法来计算目标车辆上的乘员的潜在损伤严重性指标值，其中，传统统计模型以OnStar模型为代表，机器学习模型以(卷积)神经网络模型为代表，本实施例不做限定。
可选地，在险态交通工况情况下，目标车辆控制器可以根据确定出的目标安全决策驱动车辆在险态情况下按照目标安全决策中的约束条件行驶，以保证目标车辆的成员损伤最小。
可选地，由于在险态交通工况下，道路交通场景中的多车存在极强的实时交互，又由于时间有限(碰撞即将发生)，难以保证准确可靠的车间通信，因此车辆在当前时刻所得到的环境信息和周车信息(行车环境信息)有限且存在一定误差，难以保证当前时刻确定的目标安全决策在未来时域内的最优性，因此需要在时间域上根据车间通信滚动优化及实时更新安全决策。
上述乘员安全决策方法中，根据目标车辆行驶轨迹及行车环境信息，确定目标车辆在行车环境中的行驶状态；当目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，根据每一安全决策确定目标车辆在行车环境中的潜在碰撞形式；根据潜在碰撞形式以及乘员损伤估计算法，得到目标车辆的预估乘员损伤值，并将对应预估乘员损伤值最低的安全决策确定为目标安全决策。采用本方法，通过制定不同的安全决策，并预估不同安全决策下目标车辆的潜在碰撞方式以及对应的乘员损伤值，筛选出确保乘员损伤值最低的目标安全决策，降低乘员在险态交通工况下的安全风险。
在一个实施例中，如图2所示，步骤101的具体处理过程包括以下步骤：
步骤201，获取目标车辆行驶数据和行车环境信息；行车环境信息表征行车过程中路面障碍物以及路面除目标车辆之外其他车辆的位置信息。
在实施中，目标车辆的控制器获取目标车辆自身的行驶数据(例如，速度、方向角、位移等)和行车环境信息，其中，行车环境信息可以表征行车过程中路面障碍物以及路面中除去目标车辆之外的其他车辆的位置信息。具体地，行车环境信息可以包括：车道线位置、静止障碍物(例如，路灯、指示牌、绿化、建筑物以及静止的车辆或者行人)的位置信息。
步骤202，基于二自由度运动学微分方法，根据目标车辆行驶数据中的行驶速度和行驶方向角，判断目标车辆自身位移与车身姿态。
在实施中，目标车辆的控制器基于二自由度运动学微分方法(包含车辆动力学方程和车辆微分方程)，根据目标车辆车载传感器采集到的行驶数据中的行驶速度和行驶方向角，判断目标车辆自身位移和车身姿态。其中，目标车辆的自身位移和车身姿态即为目标车辆的行驶轨迹。
步骤203，根据位置信息与目标车辆自身位移与车身姿势，确定目标车辆所处行驶状态。
在实施中，控制器根据路面障碍物位置信息与目标车辆自身位移和车身姿势(车辆轨迹)，可以确定目标车辆所处行驶状态。
具体地，根据路面障碍物位置信息与预估的目标车辆自身位移和车身姿势(即车辆轨迹)，确定路面障碍物是否出现在目标车辆车辆轨迹上，若出现，则确定目标车辆所处行驶状态为险态交通工况行驶状态(即将发生碰撞的行驶状态)。
在一个实施例中，如图3所示，步骤102的具体处理过程包括以下步骤：
步骤301，当检测到目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，并根据每一安全决策与车辆轨迹库中车辆轨迹的对应关系，确定每一安全决策对应的车辆轨迹。
在实施中，控制器根据目标车辆的预估车辆轨迹，监测目标车辆所处行驶状态，当检测到目标车辆所处行驶状态为即将发生碰撞时，控制器遍历安全决策数据库中的每一安全决策，其中，每一安全决策均包括车辆的方向盘转角操作和加/减速操作的约束条件，以此限制车辆在即将发生碰撞时的行驶状态，因此，遍历安全决策数据库中的每一安全决策，并调取每一安全决策与车辆轨迹库中车辆轨迹的对应关系，根据该对应关系确定每一安全决策对应的车辆轨迹。
可选地，当控制器根据目标车辆的行驶数据预估目标车辆的车辆轨迹，并根据车辆轨迹和行车环境信息中各障碍物的位置信息判断目标车辆未来行驶状态不会发生碰撞时，则目标车辆控制器不启用上述实施例中提供的乘员安全决策方法，仅保持监控目标车辆行驶状态的操作。
步骤302，根据每一安全决策对应的车辆轨迹，确定目标车辆基于安全决策对应的车辆轨迹在行车环境中的潜在碰撞形式。
在实施中，控制器根据每一安全决策对应的车辆轨迹，确定目标车辆基于安全决策对应的车辆轨迹在行车环境中的潜在碰撞形式。
例如，在行车环境中存在对面来车，该对面来车为匀速直行，而目标车辆自身处于险态交通工况下，安全决策数据库其中的一条安全决策为极限左转+极限减速，由于对方车辆为匀速直行，则基于该安全决策(极限左转+极限减速)预估的(目标车辆)行驶轨迹(也可以称为车辆轨迹)以及对面车辆的行驶轨迹(直线行驶轨迹)，即可以判断出目标车辆在该安全决策下与对面来车的潜在碰撞形式。
本实施例中，在目标车辆处于险态交通工况情况时，通过在预先建立好的安全决策数据库中遍历每一条安全决策，基于安全决策与车辆轨迹的对应关系，快速确定每一条安全决策给目标车辆带来的潜在碰撞形式，从而可以快速分析每一种潜在碰撞形式的损失严重性，确保筛选出损伤性最低的安全决策作为目标决策。
在一个实施例中，如图4所示，步骤301的具体处理过程如下所示：
步骤401，遍历安全决策数据库中的每一安全决策，每一安全决策与车辆轨迹库中的车辆轨迹建立有对应关系。
在实施中，控制器遍历安全决策数据库中的每一条安全决策，其中，每一条安全决策均与对应的车辆轨迹库中的车辆轨迹建立有对应关系。即，针对安全决策数据库中的每一条安全决策包含的约束条件，均可以预估车辆的车辆轨迹。
步骤402，调用安全决策与车辆轨迹库中的车辆轨迹的对应关系，确定每一安全决策对应的车辆轨迹。
在实施中，控制器调用安全决策与车辆轨迹库中的车辆轨迹的对应关系，确定每一条安全决策对应的车辆轨迹。
可选地，由于不同安全决策下的车辆轨迹存在较大差异性，为了保证不同安全决策间的车辆轨迹平滑切换，即需要保证目标车辆位移、速度的连续性，故在计算下一时刻对应的安全决策下的车辆轨迹时，把当前时刻的安全决策下的车辆位移、速度当做计算下一时刻计算车辆轨迹的初始条件(具体计算轨迹的方法和前面一致)。如图5所示，以三种安全决策(左转、直行、右转)为例展示不同车辆轨迹间的平滑切换。
在一个实施例中，需要根据真实决策数据以及真实碰撞事故数据，预先构建车辆的安全决策空间(也即安全决策数据库)以及对应的车辆轨迹库，以用于直接调取安全决策与车辆轨迹的对应关系，在安全决策数据库中包含车辆在险态交通工况中的不同的安全决策，具体地，在险态交通工况中，车辆需要根据预估出的即将发生的碰撞信息，预估自身车辆在未来时段的车辆动力学参数。主要参数由方向盘转角和油门、刹车开度共同决定并且为连续空间。因此，针对连续的参数空间，为了保证决策的独立性，首先对连续的车辆动力学参数空间进行分割，车辆动力学参数空间中包括转向操作和加减速操作两种类型参数，针对这两种类型的参数进行离散化处理。其中，转向操作(对应方向盘转角参数)被离散化为5种：左转、半左转、直行、半右转、右转。加减速操作(对应车辆速度参数，由油门、刹车开度共同决定)被离散化为5种：加速、半加速、匀速、半减速、减速。车辆转向操作和加减速操作彼此耦合，两种类型操作最终可以得到车辆的25种搭配方式的离散化安全决策，每一种安全决策中的车辆转向操作和加减速操作协同控制车辆险态交通工况下的行驶(25种离散化的安全决策可以近似表征车辆在真实交通场景下的连续决策空间)。
具体地，考虑目标车辆在真实情况下，为保证方向盘转角γ(也对应车轮前轮转角δ)的操作稳定性，则安全决策空间中的方向盘转角安全决策取值可以为：方向盘极限转角：γmax＝100°(对应的极限转速为
Figure BDA0002870729280000101
)(该安全决策可以分为左右转角两种决策)，方向盘半极限转角：
Figure BDA0002870729280000102
(对应的极限转速为
Figure BDA0002870729280000103
)(该安全决策可以分为左右半转角两种决策)；另外，方向盘转角对应的安全决策还包括转角为0的直行安全决策。为保证加/减速操作的稳定性，则安全决策空间中的加/减速安全决策取值可以为：车辆极限速度|v|max为5m/s(该安全决策可以分为加速和减速两种决策)，车辆半极限速度
Figure BDA0002870729280000111
为2.5m/s(可以分为加速和减速两种决策)；另外，加/减速对应的安全决策还包括加/减速操作为0的匀速安全决策。
在定义了车辆的安全决策空间(也即安全决策数据库)后，针对安全决策数据库中的每一条安全决策，建立每一条安全决策与车辆轨迹的对应关系，并将车辆轨迹存储至车辆轨迹库中。
具体地，在一个实施例中，如图6所示，每一安全决策与车辆轨迹库中的车辆轨迹的对应关系的生成方式，包括：
步骤601，根据安全决策数据库的每一安全决策中包含的车辆极限加/减速数据和极限方向盘转角数据基于二自由度平面运动学微分算法中包括的车辆运动微分方程和车辆动力学方程，得到目标车辆的速度约束条件。
在实施中，目标车辆的控制器根据安全决策数据库中的每一安全决策中包含的车辆极限加/减速数据和极限方向盘转角数据基于车辆运动微分方程和车辆动力学方程，得到车辆的速度约束条件。
具体地，极限加/减速数据和极限方向盘转角数据即是上述安全决策空间中定义的25种针对车辆转向操作和加减速操作的约束条件，所述“极限”即表征车辆在险态交通工况下应急所达到的车辆动力学参数的最大值。
由于平面二自由度动力学自行车模型存在以下假设：
1)不考虑车辆在Z轴方向的运动，只考虑XY轴水平面的运动；
2)左右侧车轮转角一致，这样可将左右侧轮胎合并为一个轮胎，以便于搭建单车模型；
3)车辆行驶速度变化缓慢，忽略前后轴载荷的转移；
4)车身及悬架系统是刚性的。
则针对上述假设，可以确定车辆的运动微分方程为：
Figure BDA0002870729280000112
Figure BDA0002870729280000113
其中，∑FY为侧向的合力、∑MZ为车辆的合力矩，v为速度的侧向分量，u为速度的纵向分量(参数上标“点”代表导数，如v为速度的纵向分量，则
Figure BDA0002870729280000114
为加速度的纵向分量)，ωr为车辆旋转角速度(
Figure BDA0002870729280000115
为车辆旋转角加速度)，m为车身质量，一般取值为1600kg，IZ为绕z轴的转动惯量，一般取值为3000kg·m2。
进一步，如图7所示，图7为平面二自由度动力学自行车模型的车辆位置示意图，根据图7中所示的车辆位置信息，可以得到车辆动力学方程如下所示：
Figure BDA0002870729280000121
Figure BDA0002870729280000122
其中，δ为车辆前轮转角，
Figure BDA0002870729280000123
为车辆前轮侧偏力，
Figure BDA0002870729280000124
为车辆后轮侧偏力，a是车辆质心到前轴的轴距，一般取值为1.6m；b是车辆质心到后轴的轴距，一般值取为2.2m。车辆轮胎侧偏力由其轮胎侧偏特性f决定，有
Figure BDA0002870729280000125
其中α1和α2为前后轮胎的侧偏角。”考虑到决策空间中存在极限转向，故取非线性轮胎侧偏特性，如图8所示。轮胎侧偏角α(包括α1和α2)可根据下式计算：
Figure BDA0002870729280000126
Figure BDA0002870729280000127
其中，β为车辆质心侧偏角，有β＝arctan(v/u)，δ为车辆前轮转角。针对上述公式(1)-(6)，该车辆前轮转角δ，为上述车辆动力学方程(公式(3)-(4))中的变量，而车辆前轮转角δ与方向盘转角(安全决策中的约束条件)之间的关系为γ＝iturnδ(其中，iturn为车辆的转向传动比，一般iturn＝20)，则由安全决策中的方向盘转角通过与车辆前轮转角δ的对应关系，进一步限制车辆的侧向合力∑FY和车辆的合力矩∑MZ(公式(3)-(4))，进而根据公式(1)-(2)限制车辆侧向合力和车辆合力矩中包含的加速度侧向分量
Figure BDA0002870729280000128
和速度纵向分量(u)。再由安全决策中的加/减速约束条件，进一步限制车辆在应急时的加/减速阈值。
步骤602，根据每一安全决策对应的速度约束条件，确定目标车辆的位置导数信息。
其中，速度约束条件可以包括速度纵向分量、速度侧向分量和车辆旋转角速度的约束条件，另外，根据参数变量的导数的约束条件也可以针对该约束条件积分，得到该参数变量的约束条件，同理，针对该参数变量的约束条件可以求导得到对应参数变量的导数的约束条件。
在实施中，目标车辆的控制器根据针对每一安全决策中方向盘转向和加/减速约束条件得到的对应的速度约束条件，确定在预估时间段内目标车辆在该安全决策的对应操作下的位置导数信息。
具体地，横纵坐标坐标位置导数的计算公式为：
Figure BDA0002870729280000131
Figure BDA0002870729280000132
其中，x为车辆质心的横坐标(
Figure BDA0002870729280000133
为车辆质心的横坐标的导数值)，y为车辆质心的纵坐标(
Figure BDA0002870729280000134
为车辆质心的纵坐标的导数值)，θ为车辆的前进方向与x轴(如图7建立的坐标系的x轴)夹角，公式中的有
Figure BDA0002870729280000135
步骤603，对基于二自由度平面运动学微分算法得到的目标车辆的位置导数信息进行积分，得到每一安全决策对应的车辆轨迹。
在实施中，控制器基于二自由平面运动学微分算法对目标车辆的位置导数信息(
Figure BDA0002870729280000136
和
Figure BDA0002870729280000137
)进行积分，可以得到车辆质心处的位移与车身姿态，即得到每一安全决策对应的车辆轨迹。
本实施例中，将连续性的决策空间进行分割离散化，预先定义好险态交通工况下的安全决策空间，同时，根据二自由度平面运动学微分算法，根据每一条安全决策中包含的约束条件，得到对应的车辆轨迹，进而建立对应的车辆轨迹空间，保证目标车辆在险态交通工况下可以直接调取每一安全决策与车辆轨迹的对应关系进行应急处理。
在一个实施例中，如图9所示，步骤103的具体处理过程如下所示：
步骤901，根据每一种潜在碰撞形式，基于逻辑斯特回归模型对每一种潜在碰撞形式对应的碰撞前后车辆速度改变量、碰撞方向、乘员安全带使用情况、车辆类型、是否包含二次及以上碰撞、乘员年龄、乘员性别进行融合计算，得到乘员综合损伤评分超过预设等级值的概率值。
在实施中，根据上述步骤302的描述，在险态交通工况下，针对每一种安全决策都可以预估出目标车辆与周车环境(即行车环境)存在的潜在碰撞形式，则控制器根据每一种潜在碰撞形式，基于逻辑斯特模型对每一种潜在碰撞形式对应的碰撞前后车辆速度改变量、碰撞方向、乘员安全带使用情况、车辆类型、是否包含二次及以上碰撞(碰撞次数)、乘员年龄、乘员性别进行融合计算，得到乘员综合损伤评分超过预设等级值的概率值。
其中，每一安全决策对应的潜在碰撞形式包含的碰撞前后车辆速度改变量(delta-v)参数具体的预估方法为：
将碰撞辆车简化为刚体模型，碰撞点选择为两车的第一接触点，碰撞面选择被撞车辆包含碰撞点的面。如图10所示，碰撞面选取车辆1的左侧面。根据已知的车辆属性信息(包括车辆几何特征、质量、绕Z轴的转动惯量等参数信息，均已预先存储于车载存储器中)、运动状态(如车载传感器采集到的车辆实时速度、角速度)、碰撞点等参数，利用二维动量守恒模型求解：
Figure BDA0002870729280000141
Figure BDA0002870729280000142
其中，P为两车碰撞过程的冲量，其方向为撞车车辆(车辆2)碰撞角度方向(即图10中n方向)，e为恢复系数，v1n,v2n为两车在冲量方向上的速度分量，m1,m2为两车的质量，I1,I2为两车绕z轴的转动惯量，ω1,ω2为两车的旋转角速度，h1,h2为两车质心与冲量线间的距离。恢复系数e为两车在冲量方向上碰撞前后的速度之比，反应了车辆的弹塑性变形能力可用以下公式估计恢复系数e：
Figure BDA0002870729280000143
RDS＝v2n-h2ω2-v1n+h1ω1
如图11所示，图11为车辆恢复系数e的具体分布情况，进而考虑到车辆前、后、侧方的弹塑性变形能力显著不同，对于不同碰撞形式，对恢复系数e有如下取值：正面碰撞，
Figure BDA0002870729280000144
侧面碰撞，
Figure BDA0002870729280000145
追尾碰撞，
Figure BDA0002870729280000146
根据预估出的潜在碰撞形式中包含的碰撞前后车辆速度改变量，以及对应的车辆恢复系数的取值，进一步预估乘员综合损伤评分。
具体地，以乘员综合损伤评分(ISS)超过15分及以上的概率值P(ISS15+)作为输出变量，其具体的逻辑斯特回归模型计算公式为：
Figure BDA0002870729280000151
其中，x为各输入变量(即上述碰撞前后车辆速度改变量、碰撞方向、乘员安全带使用情况、车辆类型、碰撞次数、乘员年龄、乘员性别等)构成的向量，w为其系数向量。具体的输入变量如下表2所示，表2中还对应有每个输入变量对应的向量化数据值，该数据值由大量历史数据统计分析得到。
表2
Figure BDA0002870729280000152
例如，在一个实例中，目标车辆碰撞前后的速度改变量delta-v＝10，前方碰撞(碰撞方向)，使用安全带，小型货车，一次碰撞(碰撞次数)，超过55岁，女性，在上述碰撞初始条件(输入变量参照上表2)下，则乘员综合损伤评分(ISS)超过15分及以上的概率值有：
Figure BDA0002870729280000161
步骤902，根据每一种潜在碰撞形式对应的概率值，确定概率值最低的潜在碰撞形式对应的安全决策为目标安全决策。
在实施中，由于乘员损伤发生的概率值与其严重程度具有正相关性，因此，控制器根据每一种潜在碰撞形式对应的概率值，可以确定出其对应的乘员损伤严重性，进而，将乘员损伤严重性最低的潜在碰撞形式对应的安全决策为目标安全决策。
本实施例中，通过传统统计模型对乘员损伤严重性进行预估，其模型复杂度低，对于车载控制器中的计算系统的性能要求较低，可以节约车载控制器的计算资源。
在另一个实施例中，如图12所示，步骤103的具体处理过程如下所示：
步骤1201，根据每一种潜在碰撞形式，基于卷积神经网络模型对每一种潜在碰撞形式对应的碰撞前后车辆速度改变量、碰撞方向、乘员安全带使用情况、乘员性别进行模型预测处理，得到乘员目标身体部位损伤值。
在实施中，根据上述步骤302的描述，在险态交通工况下，针对每一种安全决策都可以预估出目标车辆与周车环境(即行车环境)存在的潜在碰撞形式，则控制器根据每一种潜在碰撞形式，如图13所示，基于卷积神经网络模型(CNN)对每一种潜在碰撞形式对应的碰撞前后车辆速度改变量、碰撞方向、乘员安全带使用情况(还可以包括安全气囊使用情况)、乘员性别等通过模型卷积层、归一化层、ReLU层、丢弃层等进行预测处理，得到乘员目标身体部位损伤值(例如，以乘员头部、胸部、颈部等身体部位的损伤严重性作为AIS损伤等级的输出变量)。
步骤1202，根据每一种潜在碰撞形式对应的乘员目标身体部位损伤值，确定乘员目标身体部位损伤值最低的潜在碰撞形式对应的安全决策为目标安全决策。
在实施中，控制器根据每一种潜在碰撞形式对应的乘员目标身体部位损伤值，确定乘员目标身体部位损伤值最低的潜在碰撞形式对应的安全决策为目标安全决策。
本实施例中，针对卷积神经网络模型对乘员损伤严重性进行预测，其算法复杂度高，对于车载控制器的性能要求更高，但其预测精度更高，进而可以更准确的确定出乘员损伤值最低的潜在碰撞形式对应的安全决策为目标安全决策。
在一个实施例中，如图14所示，提供了一种乘员安全决策示例，如图中14所示，基于车辆动力学方程，预先对车辆的(安全)决策空间进行定义，根据车辆的决策空间进行车辆轨迹库的生成以及保证车辆轨迹间的平滑切换；同时，针对车辆安全决策确定对应的潜在碰撞形式，针对每一种潜在碰撞形式基于碰撞前后速度改变量估计方法和乘员损伤严重性预测方法，计算每一种安全决策发生潜在碰撞对应的乘员损伤。进而在目标车辆自动化行驶过程中，应用该车辆最优决策(目标决策)实时优化系统，实时监测行车环境，预估行车环境未来状态，(直接调用安全决策数据库中的安全决策与车辆轨迹库中车辆轨迹的对应关系)求解开环最优化决策，进而在即将发生碰撞的时间段内，滚动更新当前决策，以保证碰撞时刻下的安全决策为该时刻最优决策。
可选地，由于在险态交通工况下，道路交通场景中的多车存在极强的实时交互，又由于时间有限(碰撞即将发生)，难以保证准确可靠的车间通信，因此车辆在当前时刻所得到的环境信息和周车信息(行车环境信息)有限且存在一定误差，难以保证当前时刻确定的目标安全决策在未来时域内的最优性，因此需要在时间域上根据车间通信滚动优化及实时更新安全决策。
应该理解的是，虽然图1-4,6-7,9,12的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-4,6-7,9,12中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图15所示，提供了一种乘员安全决策装置1500，包括：行驶状态预估模块1510、潜在碰撞预估模块1520和目标决策确定模块1530，其中：
行驶状态预估模块1510，用于根据目标车辆行驶轨迹及行车环境信息，确定所述目标车辆在行车环境中的行驶状态；
潜在碰撞预估模块1520，用于当所述目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，根据所述每一安全决策确定所述目标车辆在所述行车环境中的潜在碰撞形式；
目标决策确定模块1530，用于根据所述潜在碰撞形式以及乘员损伤估计算法，得到所述目标车辆的预估乘员损伤值，并将对应所述预估乘员损伤值最低的安全决策确定为目标安全决策。
在一个实施例中，行驶状态预估模块1510，具体用于获取目标车辆行驶数据和行车环境信息；行车环境信息表征行车过程中路面障碍物以及路面除目标车辆之外其他车辆的位置信息；
基于二自由度运动学微分方法，根据目标车辆行驶数据中的行驶速度和行驶方向角，判断目标车辆自身位移与车身姿态；
根据位置信息与目标车辆自身位移与车身姿势，确定目标车辆所处行驶状态。
在一个实施例中，潜在碰撞预估模块1520，具体用于当检测到目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，并根据每一安全决策与车辆轨迹库中车辆轨迹的对应关系，确定每一安全决策对应的车辆轨迹；
根据每一安全决策对应的车辆轨迹，确定目标车辆基于安全决策对应的车辆轨迹在行车环境中的潜在碰撞形式。
在一个实施例中，潜在碰撞预估模块1520，还用于遍历安全决策数据库中的每一安全决策，每一安全决策与车辆轨迹库中的车辆轨迹建立有对应关系；
调用安全决策与车辆轨迹库中的车辆轨迹的对应关系，确定每一安全决策对应的车辆轨迹。
在一个实施例中，潜在碰撞预估模块1520，还用于根据安全决策数据库的每一安全决策中包含的车辆极限加/减速数据和极限方向盘转角数据基于二自由度平面运动学微分算法中包括的车辆运动微分方程和车辆动力学方程，得到目标车辆的速度约束条件；
根据每一安全决策对应的速度约束条件，确定目标车辆的位置导数信息；
对基于二自由度平面运动学微分算法得到的目标车辆的位置导数信息进行积分，得到每一安全决策对应的车辆轨迹。
在一个实施例中，目标决策确定模块1530，具体用于根据每一种潜在碰撞形式，基于逻辑斯特回归模型对每一种潜在碰撞形式对应的碰撞前后车辆速度改变量、碰撞方向、乘员安全带使用情况、车辆类型、碰撞次数、乘员年龄、乘员性别进行融合计算，得到乘员综合损伤评分超过预设等级值的概率值；
根据每一种潜在碰撞形式对应的概率值，确定概率值最低的潜在碰撞形式对应的安全决策为目标安全决策。
在一个实施例中，目标决策确定模块1530，还用于根据每一种潜在碰撞形式，基于卷积神经网络模型对每一种潜在碰撞形式对应的碰撞前后车辆速度改变量、碰撞方向、乘员安全带使用情况、乘员性别进行模型预测处理，得到乘员目标身体部位损伤值；
根据每一种潜在碰撞形式对应的乘员目标身体部位损伤值，确定乘员目标身体部位损伤值最低的潜在碰撞形式对应的安全决策为目标安全决策。
采用本装置，通过制定不同的安全决策，并预估不同安全决策下目标车辆的潜在碰撞方式以及对应的乘员损伤值，筛选出确保乘员损伤值最低的目标安全决策，降低乘员在险态交通工况下的安全风险。
关于乘员安全决策装置1500的具体限定可以参见上文中对于乘员安全决策方法的限定，在此不再赘述。上述乘员安全决策装置1500中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种乘员安全决策方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图16中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
根据目标车辆行驶轨迹及行车环境信息，确定目标车辆在行车环境中的行驶状态；
当目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，根据每一安全决策确定目标车辆在行车环境中的潜在碰撞形式；
根据潜在碰撞形式以及乘员损伤估计算法，得到目标车辆的预估乘员损伤值，并将对应预估乘员损伤值最低的安全决策确定为目标安全决策。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取目标车辆行驶数据和行车环境信息；行车环境信息表征行车过程中路面障碍物以及路面除目标车辆之外其他车辆的位置信息；
基于二自由度运动学微分方法，根据目标车辆行驶数据中的行驶速度和行驶方向角，判断目标车辆自身位移与车身姿态；
根据位置信息与目标车辆自身位移与车身姿势，确定目标车辆所处行驶状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
当检测到目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，并根据每一安全决策与车辆轨迹库中车辆轨迹的对应关系，确定每一安全决策对应的车辆轨迹；
根据每一安全决策对应的车辆轨迹，确定目标车辆基于安全决策对应的车辆轨迹在行车环境中的潜在碰撞形式。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
遍历安全决策数据库中的每一安全决策，每一安全决策与车辆轨迹库中的车辆轨迹建立有对应关系；
调用安全决策与车辆轨迹库中的车辆轨迹的对应关系，确定每一安全决策对应的车辆轨迹。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据安全决策数据库的每一安全决策中包含的车辆极限加/减速数据和极限方向盘转角数据基于二自由度平面运动学微分算法中包括的车辆运动微分方程和车辆动力学方程，得到目标车辆的速度约束条件；
根据每一安全决策对应的速度约束条件，确定目标车辆的位置导数信息；
对基于二自由度平面运动学微分算法得到的目标车辆的位置导数信息进行积分，得到每一安全决策对应的车辆轨迹。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据每一种潜在碰撞形式，基于逻辑斯特回归模型对每一种潜在碰撞形式对应的碰撞前后车辆速度改变量、碰撞方向、乘员安全带使用情况、车辆类型、碰撞次数、乘员年龄、乘员性别进行融合计算，得到乘员综合损伤评分超过预设等级值的概率值；
根据每一种潜在碰撞形式对应的概率值，确定概率值最低的潜在碰撞形式对应的安全决策为目标安全决策。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据每一种潜在碰撞形式，基于卷积神经网络模型对每一种潜在碰撞形式对应的碰撞前后车辆速度改变量、碰撞方向、乘员安全带使用情况、乘员性别进行模型预测处理，得到乘员目标身体部位损伤值；
根据每一种潜在碰撞形式对应的乘员目标身体部位损伤值，确定乘员目标身体部位损伤值最低的潜在碰撞形式对应的安全决策为目标安全决策。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据目标车辆行驶轨迹及行车环境信息，确定目标车辆在行车环境中的行驶状态；
当目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，根据每一安全决策确定目标车辆在行车环境中的潜在碰撞形式；
根据潜在碰撞形式以及乘员损伤估计算法，得到目标车辆的预估乘员损伤值，并将对应预估乘员损伤值最低的安全决策确定为目标安全决策。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取目标车辆行驶数据和行车环境信息；行车环境信息表征行车过程中路面障碍物以及路面除目标车辆之外其他车辆的位置信息；
基于二自由度运动学微分方法，根据目标车辆行驶数据中的行驶速度和行驶方向角，判断目标车辆自身位移与车身姿态；
根据位置信息与目标车辆自身位移与车身姿势，确定目标车辆所处行驶状态。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
当检测到目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，并根据每一安全决策与车辆轨迹库中车辆轨迹的对应关系，确定每一安全决策对应的车辆轨迹；
根据每一安全决策对应的车辆轨迹，确定目标车辆基于安全决策对应的车辆轨迹在行车环境中的潜在碰撞形式。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
遍历安全决策数据库中的每一安全决策，每一安全决策与车辆轨迹库中的车辆轨迹建立有对应关系；
调用安全决策与车辆轨迹库中的车辆轨迹的对应关系，确定每一安全决策对应的车辆轨迹。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据安全决策数据库的每一安全决策中包含的车辆极限加/减速数据和极限方向盘转角数据基于二自由度平面运动学微分算法中包括的车辆运动微分方程和车辆动力学方程，得到目标车辆的速度约束条件；
根据每一安全决策对应的速度约束条件，确定目标车辆的位置导数信息；
对基于二自由度平面运动学微分算法得到的目标车辆的位置导数信息进行积分，得到每一安全决策对应的车辆轨迹。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据每一种潜在碰撞形式，基于逻辑斯特回归模型对每一种潜在碰撞形式对应的碰撞前后车辆速度改变量、碰撞方向、乘员安全带使用情况、车辆类型、碰撞次数、乘员年龄、乘员性别进行融合计算，得到乘员综合损伤评分超过预设等级值的概率值；
根据每一种潜在碰撞形式对应的概率值，确定概率值最低的潜在碰撞形式对应的安全决策为目标安全决策。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据每一种潜在碰撞形式，基于卷积神经网络模型对每一种潜在碰撞形式对应的碰撞前后车辆速度改变量、碰撞方向、乘员安全带使用情况、乘员性别进行模型预测处理，得到乘员目标身体部位损伤值；
根据每一种潜在碰撞形式对应的乘员目标身体部位损伤值，确定乘员目标身体部位损伤值最低的潜在碰撞形式对应的安全决策为目标安全决策。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种乘员安全决策方法，其特征在于，所述方法包括：
根据目标车辆行驶轨迹及行车环境信息，确定所述目标车辆在行车环境中的行驶状态；
当检测到所述目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，并根据所述每一安全决策与车辆轨迹库中车辆轨迹的对应关系，确定每一所述安全决策对应的车辆轨迹；
根据每一所述安全决策对应的车辆轨迹，确定所述目标车辆基于所述安全决策对应的车辆轨迹在所述行车环境中的潜在碰撞形式；
根据所述潜在碰撞形式以及乘员损伤估计算法，得到所述目标车辆的预估乘员损伤值，并将对应所述预估乘员损伤值最低的安全决策确定为目标安全决策。
2.根据权利要求1所述的方法，其特征在于，所述根据目标车辆行驶轨迹及行车环境信息，确定所述目标车辆在行车环境中的行驶状态，包括：
获取目标车辆行驶数据和行车环境信息；所述行车环境信息表征行车过程中路面障碍物以及路面除所述目标车辆之外其他车辆的位置信息；
基于二自由度运动学微分方法，根据所述目标车辆行驶数据中的行驶速度和行驶方向角，判断所述目标车辆自身位移与车身姿态；
根据所述位置信息与所述目标车辆自身位移与车身姿势，确定所述目标车辆所处行驶状态。
3.根据权利要求1所述的方法，其特征在于，所述当检测到所述目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，并根据所述每一安全决策与车辆轨迹库中车辆轨迹的对应关系，确定每一所述安全决策对应的车辆轨迹，包括：
遍历所述安全决策数据库中的每一安全决策，所述每一安全决策与车辆轨迹库中的车辆轨迹建立有对应关系；
调用所述安全决策与车辆轨迹库中的车辆轨迹的对应关系，确定每一安全决策对应的车辆轨迹。
4.根据权利要求3所述的方法，其特征在于，每一安全决策与车辆轨迹库中的车辆轨迹的对应关系的生成方式，包括：
根据所述安全决策数据库的每一安全决策中包含的车辆极限加/减速数据和极限方向盘转角数据基于二自由度平面运动学微分算法中包括的车辆运动微分方程和车辆动力学方程，得到所述目标车辆的速度约束条件；
根据所述每一安全决策对应的所述速度约束条件，确定所述目标车辆的位置导数信息；
对基于所述二自由度平面运动学微分算法得到的所述目标车辆的位置导数信息进行积分，得到所述每一安全决策对应的车辆轨迹。
5.根据权利要求1所述的方法，其特征在于，所述根据所述潜在碰撞形式以及乘员损伤估计算法，得到所述目标车辆的预估乘员损伤值，并将对应所述预估乘员损伤值最低的安全决策确定为目标安全决策，包括：
根据每一种潜在碰撞形式，基于逻辑斯特回归模型对所述每一种潜在碰撞形式对应的碰撞前后车辆速度改变量、碰撞方向、乘员安全带使用情况、车辆类型、碰撞次数、乘员年龄、乘员性别进行融合计算，得到乘员综合损伤评分超过预设等级值的概率值；
根据所述每一种潜在碰撞形式对应的所述概率值，确定所述概率值最低的潜在碰撞形式对应的安全决策为目标安全决策。
6.根据权利要求1所述的方法，其特征在于，所述根据所述潜在碰撞形式以及乘员损伤估计算法，得到所述目标车辆的预估乘员损伤值，并将对应所述预估乘员损伤值最低的安全决策确定为目标安全决策，包括：
根据每一种潜在碰撞形式，基于卷积神经网络模型对所述每一种潜在碰撞形式对应的碰撞前后车辆速度改变量、碰撞方向、乘员安全带使用情况、乘员性别进行模型预测处理，得到乘员目标身体部位损伤值；
根据所述每一种潜在碰撞形式对应的所述乘员目标身体部位损伤值，确定所述乘员目标身体部位损伤值最低的潜在碰撞形式对应的安全决策为目标安全决策。
7.一种乘员安全决策装置，其特征在于，所述装置包括：
行驶状态预估模块，用于根据目标车辆行驶轨迹及行车环境信息，确定所述目标车辆在行车环境中的行驶状态；
潜在碰撞预估模块，用于当检测到所述目标车辆所处行驶状态为即将发生碰撞时，遍历安全决策数据库中的每一安全决策，并根据所述每一安全决策与车辆轨迹库中车辆轨迹的对应关系，确定每一所述安全决策对应的车辆轨迹；根据每一所述安全决策对应的车辆轨迹，确定所述目标车辆基于所述安全决策对应的车辆轨迹在所述行车环境中的潜在碰撞形式；
目标决策确定模块，用于根据所述潜在碰撞形式以及乘员损伤估计算法，得到所述目标车辆的预估乘员损伤值，并将对应所述预估乘员损伤值最低的安全决策确定为目标安全决策。
8.根据权利要求7所述的装置，其特征在于，所述潜在碰撞预估模块还用于遍历所述安全决策数据库中的每一安全决策，所述每一安全决策与车辆轨迹库中的车辆轨迹建立有对应关系；
调用所述安全决策与车辆轨迹库中的车辆轨迹的对应关系，确定每一安全决策对应的车辆轨迹。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202011614889.4A 2020-12-30 2020-12-30 乘员安全决策方法和装置 Active CN112829742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011614889.4A CN112829742B (zh) 2020-12-30 2020-12-30 乘员安全决策方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011614889.4A CN112829742B (zh) 2020-12-30 2020-12-30 乘员安全决策方法和装置

Publications (2)

Publication Number Publication Date
CN112829742A CN112829742A (zh) 2021-05-25
CN112829742B true CN112829742B (zh) 2021-11-23

Family

ID=75925531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011614889.4A Active CN112829742B (zh) 2020-12-30 2020-12-30 乘员安全决策方法和装置

Country Status (1)

Country Link
CN (1) CN112829742B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113799799A (zh) * 2021-09-30 2021-12-17 中国第一汽车股份有限公司 一种安全补偿方法、装置、存储介质及电子设备
CN114495257B (zh) * 2021-12-03 2022-10-14 清华大学 险态工况下融合行为机制的姿态预测方法和装置
CN114371708B (zh) * 2021-12-31 2023-05-02 清华大学 自动驾驶算法保护性能评测方法和装置
CN114386691A (zh) * 2022-01-10 2022-04-22 清华大学 基于应激姿态预测的乘员损伤预测方法和装置
CN115257614B (zh) * 2022-07-25 2024-02-27 重庆长安汽车股份有限公司 一种智能汽车的全过程碰撞安全控制系统及汽车
CN115771506B (zh) * 2022-11-17 2023-06-20 清华大学 基于乘员风险认知的车辆行驶策略的确定方法和装置
CN116872881A (zh) * 2023-08-09 2023-10-13 清华大学 车辆行人主被动安全协同控制方法、装置和计算机设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004057604B4 (de) * 2004-11-29 2014-04-30 Daimler Ag Verfahren für ein Sicherheitssystem in einem Fahrzeug
JP6607347B2 (ja) * 2015-07-23 2019-11-20 三菱自動車工業株式会社 傷害判定装置
US10829110B2 (en) * 2017-10-26 2020-11-10 Robert Bosch Gmbh Method and device for adapting a driving behavior of a semi, highly or fully automated vehicle
US11891053B2 (en) * 2019-06-03 2024-02-06 Volvo Car Corporation Vehicle total safety performance application and method utilizing crash configuration information

Also Published As

Publication number Publication date
CN112829742A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
CN112829742B (zh) 乘员安全决策方法和装置
CN105966396B (zh) 一种基于驾驶员避撞行为的车辆避撞控制方法
US9566981B2 (en) Method and system for post-collision manoeuvre planning and vehicle equipped with such system
US20210086798A1 (en) Model-free reinforcement learning
CN110794851B (zh) 车辆远程控制安全防护方法、装置和无人驾驶车辆
CN109334661B (zh) 基于速度障碍模型和碰撞概率密度模型的避障预判方法
EP1994388A1 (en) Method for determining the centre of gravity for an automotive vehicle
Li et al. Design of an improved predictive LTR for rollover warning systems
CN115195713A (zh) 用于确定至少部分受辅助地运行的机动车辆的轨迹的方法
Simon et al. Motion planning for collision mitigation via fem–based crash severity maps
CN111204331B (zh) 汽车预防电子稳定性控制
Alonso et al. Toward a methodology to assess safety of a vehicle
Guizhen et al. Real-time bus rollover prediction algorithm with road bank angle estimation
CN114940168A (zh) 考虑交通工具动力学的目标曲率估计
Lai et al. Simulation analysis of automatic emergency braking system under constant steer conditions
Kim et al. Vehicle stability control of heading angle and lateral deviation to mitigate secondary collisions
CN114228746B (zh) 一种预测车辆运动轨迹的方法及装置
Kissai et al. Importance of vertical dynamics for accurate modelling, friction estimation and vehicle motion control
Geigl et al. Reconstruction of occupant kinematics and kinetics for real world accidents
CN114889589A (zh) 一种智能汽车转向与制动协同避撞控制系统及方法
Liu et al. Optimal control of path tracking for vehicle-handling dynamics
RU2811998C1 (ru) Способ предотвращения опрокидывания автопоезда
김규원 Predicted potential risk-based vehicle motion control of automated vehicles for integrated risk management
Fu et al. Probabilistic trajectory prediction in intelligent driving
US20230084702A1 (en) System and method of adaptive, real-time vehicle system identification for autonomous driving

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