CN113159576A - 一种自动驾驶汽车的行车风险计算方法及在线评估系统 - Google Patents

一种自动驾驶汽车的行车风险计算方法及在线评估系统 Download PDF

Info

Publication number
CN113159576A
CN113159576A CN202110430527.8A CN202110430527A CN113159576A CN 113159576 A CN113159576 A CN 113159576A CN 202110430527 A CN202110430527 A CN 202110430527A CN 113159576 A CN113159576 A CN 113159576A
Authority
CN
China
Prior art keywords
vehicle
value
time
collision
time domain
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
CN202110430527.8A
Other languages
English (en)
Other versions
CN113159576B (zh
Inventor
李升波
陈晨
孙琪
聂冰冰
成波
黄健芜
李泉
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 CN202110430527.8A priority Critical patent/CN113159576B/zh
Publication of CN113159576A publication Critical patent/CN113159576A/zh
Application granted granted Critical
Publication of CN113159576B publication Critical patent/CN113159576B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种自动驾驶汽车的行车风险计算方法及在线评估系统，所述方法计算自车以未来时刻的运动状态与周边的交通参与者或者静态道路设施发生的假设性碰撞将导致的碰撞损伤；将碰撞损伤在空间和时间维度上进行折减，取最大值作为当前时刻的行车风险值。所述系统包括传感器模块，轨迹预测模块和风险评估模块。本发明通过考虑潜在碰撞双方类型及其安全特性，实现以碰撞损伤为标准的车辆行车碰撞风险计算，为涉及多个、多类型潜在碰撞对象情况下的车辆运行风险差异化表征提供了技术方案。

Description

一种自动驾驶汽车的行车风险计算方法及在线评估系统
技术领域
本发明属于车辆工程领域，特别涉及一种自动驾驶汽车的行车风险计算方法及在线评估系统。
背景技术
交通安全一直以来就是交通领域的热点问题，其中车辆运行过车中的碰撞风险更是交通安全领域的重中之重。随着信息技术的不断的发展，驾驶辅助及自动驾驶技术进入学者和厂商视野，国内外各大自动驾驶厂商已经开始量产L1、L2级别自动驾驶汽车，搭载碰撞预警系统、自动紧急刹车系统等安全驾驶辅助设备，帮助提升驾驶过程的安全性。同时，L3、L4级别自动驾驶汽车也成为近年来的研究热点，各大厂商不断推动技术研发，并逐步开始开放道路测试。由于高级别自动驾驶汽车的决策控制主体开始从驾驶人向计算机转变，车辆运行的安全性再一次成为公众焦点和研究热点。
安全驾驶辅助和自动驾驶安全性的核心在于如何准确识别道路交通风险。现有安全风险模型通常建立在运动学和动力学原理基础上，通过车辆状态信息(如速度、加速度等)和相对运动关系(如相对速度、相对距离等)判断碰撞风险。其中，碰撞时间(Time tocollision,TTC)和车头时距两个指标是最为广泛使用的车辆碰撞风险指标。然而，这些指标仅能够适用于同向行驶场景下，且一般是面向“是否碰撞”这一语义上的方法建模，忽略了因碰撞双方因安全特性(如载具特性、乘客特征、防护措施等因素)不同而导致的“碰撞损伤”差异，无法满足复杂交通环境下，特别是涉及多个、多类型潜在碰撞对象情况下的车辆运行风险差异化表征需求，风险计算结果与人类驾驶员的风险认知存在较大偏差，难以支撑安全驾驶辅助和自动驾驶技术在安全性能方面向人类驾驶员逼近，限制高级别自动驾驶汽车技术的发展和成熟。
发明内容
针对上述问题，本发明的目的是提供一种自动驾驶汽车的行车风险计算方法及在线评估系统，通过考虑潜在碰撞双方类型及其特性，将以往面向“是否碰撞”语义上的碰撞风险计算转变为面向“碰撞损伤”语义的碰撞风险识别，贴近人类认知，为复杂交通环境下的交通参与者客观碰撞风险识别提供途径，进而支撑面向安全性能提升的驾驶辅助设备研发，以及自动驾驶决策控制策略优化设计。本发明提出的行车风险计算方法可离线或在线使用。
为实现上述目的，本发明采用以下技术方案：
本发明第一方面提出的一种自动驾驶汽车的行车风险计算方法，其特征在于，计算自车以未来时刻的运动状态与周边的交通参与者或者静态道路设施发生的假设性碰撞将导致的碰撞损伤；将碰撞损伤在空间和时间维度上进行折减，取最大值作为当前时刻的行车风险值。
进一步地，本发明方法包括以下步骤：
1)建立行车风险计算模型
对于包含多个交通参与者和静态道路设施的复杂交通环境，取未来计算时域内场景中所有交通参与者和静态道路设施所引发潜在碰撞损伤值折减的最大值作为最终的行车风险值，以此构建行车风险计算模型，表达式如下：
Figure BDA0003031177830000021
式中，Rt表示t时刻自车的行车风险；i表示以t时刻为起始的计算时域中的时刻编号；Δt表示时步步长；n表示计算时步数；若计算时域|t，t+Δt·n]超出了车辆运行轨迹数据所包含的时域范围，则需要对自车和交通参与者的轨迹进行预测；j表示t时刻交通参与者或静态道路设施的编号，其总数量为J；
Figure BDA0003031177830000022
表示自车与交通参与者或静态道路设施j以计算时域中第i个时刻的运行状态发生假设性碰撞将导致的碰撞双方总体损伤，将该损伤定义为潜在碰撞损伤；ωD表示距离衰减系数；ωi表示时间衰减系数；
2)按照下式定义潜在碰撞损伤
Figure BDA0003031177830000023
Figure BDA0003031177830000024
式中，
Figure BDA0003031177830000025
表示在计算时域中第i个时刻自车的速度；
Figure BDA0003031177830000026
表示在计算时域中第i个时刻交通参与者或静态道路设施j的速度；
Figure BDA0003031177830000027
表示在计算时域中第i个时刻交通参与者或静态道路设施j的速度方向与自车的速度方向夹角；
Figure BDA0003031177830000028
表示自车的安全特征参数，包括自车的实体特性、乘客特征和防护措施；
Figure BDA0003031177830000029
表示交通参与者或静态道路设施j的安全特征参数，其中，交通参与者的安全特征参数包括交通参与者的实体特征、乘客特征和防护措施特征，静态道路设施的安全特征参数包括静态道路设置的实体特性；自车、交通参与者和静态道路设施的实体特征包括各自质量、类型和结构强度；自车和交通参与者的乘客特征包括各自搭载的人数、乘客年龄和乘客性别；自车和交通参与者的防护措施各自设置的安全带、安全气囊和儿童座椅；fg(·)为碰撞损伤计算函数；
3)分别建立用于确定距离衰减系数的距离衰减系数函数ωD(·)和用于确定时间衰减系数的时间衰减系数函数ωi(·)；其中，距离衰减系数函数ωD(·)是关于在计算时域中各时刻交通参与者或静态道路设施j与自车轮廓之间最短距离的递减函数；时间衰减系数函数ωi(·)是关于计算时域中第i个时刻的递减函数；
4)将步骤2)定义的潜在碰撞损伤
Figure BDA0003031177830000031
以及步骤3)建立的距离衰减系数函数ωD(·)和时间衰减系数函数ωi(·)代入步骤1)建立的行车风险计算模型中，求解后得到t时刻的自车行车风险。
本发明第二方面提出的一种用于自动驾驶行车风险的在线评估系统，包括：
传感器模块，用于检测自车及周边其他交通参与者或静态道路设施的信息；
轨迹预测模块，用于根据所述传感器模块检测的自车及周边其他交通参与者或静态道路设施的信息，预测自车及周边其他交通参与者或静态道路设施的未来轨迹；
其特征在于，还包括风险评估模块，该模块利用上述行车风险计算方法计算自动驾驶汽车的行车风险。
本发明的特点及有益效果：
本发明提出的一种自动驾驶汽车的行车风险计算方法及在线评估系统，其特点在于提出了以潜在碰撞损伤作为行驶风险的衡量标准，即考虑未来时刻自车与环境中交通参与者发生可能性碰撞产生的损伤程度，将其折减后作为当前时刻的风险值。与现有技术仅停留在是否碰撞层面进行风险计算相比，能够充分表征复杂交通环境下因交通参与者类型和属性不同导致的车辆运行风险差异，更贴近人类驾驶员的风险认知。
本发明因其风险表征能力强、符合人类风险认知的特点，为行车安全风险的评价提供了标准，可以支撑行车安全性提升相关技术和设备研发。特别是对于自动驾驶技术而言，本发明所提供的行车风险计算方法进一步改进以往的“是否碰撞”这一标准，将碰撞双方的运行状态和特征差异纳入碰撞风险计算中，从而区分不同碰撞情况下的风险差异，能够为复杂环境下驾驶安全辅助或自动驾驶决策控制提供支撑。
附图说明
图1是本发明提供的车辆行车风险计算方法整体流程图。
图2是本发明实施案例中用于说明碰撞风险计算场景的示意图。
图3是本发明实施案例中自动驾驶行车风险在线评估系统的结构框图。
图4是用于对本方法有效性进行测试验证的模拟仿真环境及测试结果。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
自动驾驶汽车在道路上运行时，风险来源于对自车与周边的交通参与者(包括车辆、非机动车、行人等)及静态道路设施(包括灯杆、路缘石、分隔带、障碍物、交通号志和交通信号灯等)之间发生可能性碰撞所导致损伤程度的判断。
如图1所示，本发明公开了一种自动驾驶汽车的行车风险计算方法，包括以下步骤：
1)建立行车风险计算模型
可能性碰撞是假设自车以未来某时刻的运动状态与周边的交通参与者或者静态道路设施发生零距离接触，而此碰撞损伤并未真实发生，因此需要将碰撞损伤值在空间和时间维度上适当折减作为当前时刻的行车风险值。对于包含多个交通参与者和静态道路设施的复杂交通环境，取未来计算时域内场景中所有交通参与者和静态道路设施所引发潜在碰撞损伤值折减的最大值作为最终的行车风险值，以此构建行车风险计算模型，表达式如下：
Figure BDA0003031177830000041
式中，Rt表示t时刻自车的行车风险；i表示以t时刻为起始的计算时域中的时刻编号；Δt表示时步步长；n表示计算时步数；Δt·n即计算时域时长；若计算时域[t，t+Δt·n]超出了车辆运行轨迹数据所包含的时域范围，则需要采用合适的方法对自车和交通参与者的轨迹进行预测；j表示t时刻交通参与者或静态道路设施的编号，其总数量为J；
Figure BDA0003031177830000042
表示自车与交通参与者或静态道路设施j以计算时域中第i个时刻的运行状态发生假设性碰撞将导致的碰撞双方总体损伤，将该损伤定义为潜在碰撞损伤；ωD表示距离衰减系数；ωi表示时间衰减系数。
本发明实施案例中，给出如图2所示的场景示例，包括自车、1辆他车、1个行人以及1个交通信号灯。式(1)中，时刻t取3，即计算在第3秒时自车的行车风险；计算时步数n取25，时步步长Δt取0.1秒，即i∈{3，3.1，...，5.4，5.5}，计算时域共计2.5秒；t时刻交通参与者或静态道路设施的总数量J取3，即j∈[0，3]，共计周边3个交通参与者及静态道路设施(他车j＝1、行人j＝2以及交通信号灯j＝3)。
2)定义潜在碰撞损伤
使用下式计算潜在碰撞损伤
Figure BDA0003031177830000043
Figure BDA0003031177830000044
式中，
Figure BDA0003031177830000051
表示在计算时域中第i个时刻自车的速度；
Figure BDA0003031177830000052
表示在计算时域中第i个时刻交通参与者或静态道路设施j的速度，在计算时域中第i个时刻静态道路设施j的速度取为0；
Figure BDA0003031177830000053
表示在计算时域中第i个时刻交通参与者或静态道路设施j的速度方向与自车的速度方向夹角；
Figure BDA0003031177830000054
表示自车的安全特征参数，包括自车的实体特性(如自车的质量、类型和结构强度等)、乘客特征(如自车搭载的人数、乘客年龄和乘客性别等)、防护措施(如自车设置的安全带、安全气囊和儿童座椅)等；
Figure BDA0003031177830000055
表示交通参与者或静态道路设施j的安全特征参数，包括交通参与者或静态道路设施的实体特性(如交通参与者或静态道路设施的质量、类型或结构强度等)、乘客特征(对于交通参与者，该特征包括交通参与者搭载的人数、乘客年龄和乘客性别等，静态道路设施不考虑此项)和防护措施(对于交通参与者，该特征包括安全带、安全气囊、儿童座椅，静态道路设施不考虑此项)等；fg(·)为碰撞损伤计算函数。
本发明实施案例中，给出的潜在碰撞损伤
Figure BDA0003031177830000056
的计算公式为：
Figure BDA0003031177830000057
式中，
Figure BDA0003031177830000058
为描述在计算时域中第i个时刻交通参与者或静态道路设施j与自车之间相对速度的参数，kΔv为对应的调整系数，kΔv建议的取值范围为[0,1]；
Figure BDA0003031177830000059
为描述在计算时域中第i个时刻交通参与者或静态道路设施j的速度
Figure BDA00030311778300000510
与自车的速度
Figure BDA00030311778300000511
中最大值的参数，kvmax为对应的调整系数，kvmax建议的取值范围为[0,1]；
Figure BDA00030311778300000512
和
Figure BDA00030311778300000513
分别表示用于描述自车实体特性、乘客特征和防护措施的参数；
Figure BDA00030311778300000514
和
Figure BDA00030311778300000515
分别表示用于描述交通参与者j实体特性、乘客特征和防护措施的参数，或者分别用于描述静态道路设施j实体特性的参数；
Figure BDA00030311778300000516
表示实体q的实际质量；
Figure BDA00030311778300000517
表示实体q的类型，对于碰撞后损伤越严重的，
Figure BDA0003031177830000061
的取值越大，本实施例中，小汽车取值1，大型车辆取值2，道路设施取值2，非机动车和行人取值10；
Figure BDA0003031177830000062
表示实体q的结构强度，汽车取值1，道路设施取值0.5，非机动车和行人取值10；
Figure BDA0003031177830000063
分别表示载具上的实际载客人数、年龄和性别(考虑到女性较男性发生碰撞后更易受伤，本实施例中男性为1，女性为2)，对于静态道路设施，
Figure BDA0003031177830000064
均取0；
Figure BDA0003031177830000065
分别表示载具上人员是否使用安全带、安全气囊、儿童座椅，如使用取值0.2，未使用取值1，对于静态道路设施，
Figure BDA0003031177830000066
均取0。
给出图2所示的风险计算场景，根据式(3)，计算场景中3个交通参与者和静态道路设施在计算时域内各个时刻对自车的潜在碰撞损伤为：
Figure BDA0003031177830000067
式中，计算时静态道路设施(如交通信号灯)各个时刻速度
Figure BDA0003031177830000068
速度方向夹角取0。
3)分别建立用于确定距离衰减系数的距离衰减系数函数ωD(·)和用于确定时间衰减系数的时间衰减系数函数ωi(·)。
按照式(5)建立距离衰减系数函数ωD(·)：
Figure BDA0003031177830000069
式中，
Figure BDA00030311778300000610
表示在计算时域中第i个时刻交通参与者或静态道路设施j与自车轮廓之间的最短距离，0＜ωD(·)≤1；x1和x2是计算时域内车辆运行轨迹上的任意两点。距离衰减系数函数ωD(·)是关于在计算时域中各时刻交通参与者或静态道路设施j与自车轮廓之间最短距离的递减函数，在计算时域中第i个时刻交通参与者或静态道路设施j与自车轮廓之间的最短距离越小，距离衰减系数越大，即潜在碰撞损伤折减越小。
本发明实施案例中，定义的距离衰减函数为：
Figure BDA00030311778300000611
式中，C为距离衰减函数的调整参数，建议取值范围为[5，10]，取值越小，衰减速度越快。倒数衰减函数的梯度绝对值在距离
Figure BDA0003031177830000071
接近0时快速升高，即对较近距离变化的敏感性提高，符合普遍认知。
按照式(7)建立时间衰减系数函数ωi(·)：
Figure BDA0003031177830000072
式中，i1和i2是计算时域中的任意两个时刻，时间衰减系数函数ωi(·)是关于计算时域中第个时刻的递减函数。
本发明实施案例中，定义的时间衰减函数为：
Figure BDA0003031177830000073
式中，
Figure BDA0003031177830000074
为t时刻自车的速度；
Figure BDA0003031177830000075
为自车的最大减速度；D为时间衰减函数的调整参数，建议取值范围为[0.1，1.0]，取值越小，衰减速度越快。倒数衰减函数的梯度绝对值在时刻i接近当前时刻时快速升高，即所计算风险值快速接近潜在碰撞损伤值，提升了对临近当前时刻的风险敏感性，符合普遍认知。此外，考虑了车辆的刹车性能，在无法完全停车避撞的时域内，潜在碰撞损伤不进行衰减。
4)计算自车风险系数：根据步骤1)～3)确定的行车风险计算模型，分别计算t时刻各个交通参与者或静态道路设施在计算时域内各个时刻对自车的碰撞风险，而后取计算时域内所有交通参与者或静态道路设施对自车碰撞风险的最大值，作为t时刻自车行车风险。
本发明实施案例中，将步骤2)、3)中计算获得的潜在碰撞风险和定义的距离衰减函数、时间衰减函数带入式(1)，计算获得图2所给出的场景示例情况下，各个交通参与者及静态道路设施在计算时域内各时刻的碰撞风险
Figure BDA0003031177830000076
Figure BDA0003031177830000077
Figure BDA0003031177830000078
Figure BDA0003031177830000079
最后，取
Figure BDA00030311778300000710
作为t＝3秒时自车的行车风险。
为了实现上述实施案例，本发明还提出了一种用于自动驾驶行车风险的在线评估系统。该系统的结构框图如图3所示，包括传感器模块101、轨迹预测模块102和风险评估模块103。
传感器模块101，设置于自车上，用于检测自车及周边其他交通参与者或静态道路设施的信息。传感器模块101包括车内/车外摄像头、雷达、毫米波雷达、激光雷达和GPS定位设备等。所检测的自车信息包括自车的位置、速度、朝向角、搭载的乘客数量和安全带使用情况等；其他交通参与者信息包括交通参与者的位置、类型、速度、朝向角、空间形状、搭载的乘客数量和安全带使用情况等信息；静态道路设施信息包括静态道路设施的位置、类型和信号状态等。
轨迹预测模块102，设置于自车或远程控制端(当网络环境较好，且数据传输速率满足要求时，可将轨迹预测模块102设置于远程控制端上，与自车控制系统进行通讯)上，用于根据传感器模块101检测的自车及周边其他交通参与者或静态道路设施的信息，预测自车及周边其他交通参与者或静态道路设施的未来轨迹。所采用的预测方法包括动力学递推、监督学习和深度学习等方法。
风险评估模块103，设置于自车或远程控制端(设置于远程控制端时的要求同轨迹预测模块102)上，利用本实施案例中的风险模型计算自车的行车风险并生成风险评估结果。该风险评估结果将用于智能汽车实时动态决策及统计性安全性能评价，支撑自动驾驶决策算法演进。
本发明实施安全案例的自动驾驶行车风险在线评估系统，通过传感器检测交通参与者和设施的运动信息和安全特征信息，在此基础上由轨迹预测模块对各个交通参与者未来3秒内的轨迹进行预测，最后利用所提出的行驶风险评估模型计算当前时刻的行驶风险系数并输出结果。
图4展示了在模拟仿真环境中对本方法有效性进行测试验证的结果。该场景设计为自车加速从左侧车道超越其他车辆。图4展示了超越过程中的自车风险变化曲线。随着自车接近右前方车辆，行驶风险提升，在超越后风险降低。然而，由于视野内出现另一辆前车并与其之间距离不断缩小，行驶风险在稍有下降后又开始上升。风险变化曲线与认知相符。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求及其等同物限定。

Claims (9)

1.一种自动驾驶汽车的行车风险计算方法，其特征在于，计算自车以未来时刻的运动状态与周边的交通参与者或者静态道路设施发生的假设性碰撞将导致的碰撞损伤；将碰撞损伤在空间和时间维度上进行折减，取最大值作为当前时刻的行车风险值。
2.根据权利要求1所述的行车风险计算方法，其特征在于，具体包括以下步骤：
1)建立行车风险计算模型
对于包含多个交通参与者和静态道路设施的复杂交通环境，取未来计算时域内场景中所有交通参与者和静态道路设施所引发潜在碰撞损伤值折减的最大值作为最终的行车风险值，以此构建行车风险计算模型，表达式如下：
Figure FDA0003031177820000011
式中，Rt表示t时刻自车的行车风险；i表示以t时刻为起始的计算时域中的时刻编号；Δt表示时步步长；n表示计算时步数；若计算时域[t，t+Δt·n]超出了车辆运行轨迹数据所包含的时域范围，则需要对自车和交通参与者的轨迹进行预测；j表示t时刻交通参与者或静态道路设施的编号，其总数量为J；
Figure FDA0003031177820000012
表示自车与交通参与者或静态道路设施j以计算时域中第i个时刻的运行状态发生假设性碰撞将导致的碰撞双方总体损伤，将该损伤定义为潜在碰撞损伤；ωD表示距离衰减系数；ωi表示时间衰减系数；
2)按照下式定义潜在碰撞损伤
Figure FDA0003031177820000013
Figure FDA0003031177820000014
式中，
Figure FDA0003031177820000015
表示在计算时域中第i个时刻自车的速度；
Figure FDA0003031177820000016
表示在计算时域中第i个时刻交通参与者或静态道路设施j的速度；
Figure FDA0003031177820000017
表示在计算时域中第i个时刻交通参与者或静态道路设施j的速度方向与自车的速度方向夹角；
Figure FDA0003031177820000018
表示自车的安全特征参数，包括自车的实体特性、乘客特征和防护措施；
Figure FDA0003031177820000019
表示交通参与者或静态道路设施j的安全特征参数，其中，交通参与者的安全特征参数包括交通参与者的实体特征、乘客特征和防护措施特征，静态道路设施的安全特征参数包括静态道路设置的实体特性；自车、交通参与者和静态道路设施的实体特征包括各自质量、类型和结构强度；自车和交通参与者的乘客特征包括各自搭载的人数、乘客年龄和乘客性别；自车和交通参与者的防护措施各自设置的安全带、安全气囊和儿童座椅；fg(·)为碰撞损伤计算函数；
3)分别建立用于确定距离衰减系数的距离衰减系数函数ωD(·)和用于确定时间衰减系数的时间衰减系数函数ωi(·)；其中，距离衰减系数函数ωD(·)是关于在计算时域中各时刻交通参与者或静态道路设施j与自车轮廓之间最短距离的递减函数；时间衰减系数函数ωi(·)是关于计算时域中第i个时刻的递减函数；
4)将步骤2)定义的潜在碰撞损伤
Figure FDA0003031177820000021
以及步骤3)建立的距离衰减系数函数ωD(·)和时间衰减系数函数ωi(·)代入步骤1)建立的行车风险计算模型中，求解后得到t时刻的自车行车风险。
3.根据权利要求2所述的行车风险计算方法，其特征在于，步骤2)中，定义的潜在碰撞损伤
Figure FDA0003031177820000022
为：
Figure FDA0003031177820000023
式中，
Figure FDA0003031177820000024
为描述在计算时域中第i个时刻交通参与者或静态道路设施j与自车之间相对速度的参数，kΔv为对应的调整系数；
Figure FDA0003031177820000025
为描述在计算时域中第i个时刻交通参与者或静态道路设施j的速度
Figure FDA0003031177820000026
与自车的速度
Figure FDA0003031177820000027
中最大值的参数，kvmax为对应的调整系数；
Figure FDA0003031177820000028
Figure FDA0003031177820000029
和
Figure FDA00030311778200000210
分别表示用于描述自车实体特性、乘客特征和防护措施的参数；
Figure FDA00030311778200000211
和
Figure FDA00030311778200000212
分别表示用于描述交通参与者j实体特性、乘客特征和防护措施的参数，或者分别用于描述静态道路设施j实体特性的参数；
Figure FDA00030311778200000213
表示实体q的实际质量；
Figure FDA00030311778200000214
表示实体q的类型，对于碰撞后损伤越严重的，
Figure FDA00030311778200000215
的取值越大；
Figure FDA00030311778200000216
表示实体q结构强度，对于碰撞后损伤越严重的，
Figure FDA00030311778200000217
的取值越大；
Figure FDA00030311778200000218
分别表示载具上的实际载客人数、年龄和性别，对于静态道路设施，
Figure FDA00030311778200000219
均取0；
Figure FDA00030311778200000220
分别表示载具上人员是否使用安全带、安全气囊、儿童座椅，使用的防护措施的安全等级越高，则
Figure FDA00030311778200000221
Figure FDA00030311778200000222
的取值越低，对于静态道路设施，
Figure FDA00030311778200000223
均取0。
4.根据权利要求3所述的行车风险计算方法，其特征在于，调整系数kΔv和kvmax的取值范围均为[0,1]；实体q的类型
Figure FDA00030311778200000224
小汽车取值1，大型车辆取值2，道路设施取值2，非机动车和行人取值10；实体q结构强度
Figure FDA00030311778200000225
汽车取值1，道路设施取值0.5，非机动车和行人取值10；载具上的性别
Figure FDA00030311778200000226
男性取1，女性取2；若使用防护措施，
Figure FDA00030311778200000227
的取值为0.1，若未使用防护措施，
Figure FDA00030311778200000228
的取值为1。
5.根据权利要求3所述的行车风险计算方法，其特征在于，步骤3)中，建立的距离衰减系数函数ωD(·)为：
Figure FDA0003031177820000031
式中，C为距离衰减函数的调整参数，取值越小，衰减速度越快；
Figure FDA0003031177820000032
表示在计算时域中第i个时刻交通参与者或静态道路设施j与自车轮廓之间的最短距离。
6.根据权利要求5所述的行车风险计算方法，其特征在于，所述距离衰减函数的调整参数C的取值范围为[5，10]。
7.根据权利要求5所述的行车风险计算方法，其特征在于，步骤3)中，建立的时间衰减系数函数ωi(·)为：
Figure FDA0003031177820000033
式中，
Figure FDA0003031177820000034
为t时刻自车的速度；
Figure FDA0003031177820000035
为自车的最大减速度；D为时间衰减函数的调整参数，取值越小，衰减速度越快。
8.根据权利要求7所述的行车风险计算方法，其特征在于，所述时间衰减函数的调整参数D的取值范围为[0.1，1.0]。
9.一种用于自动驾驶行车风险的在线评估系统，包括：
传感器模块，用于检测自车及周边其他交通参与者或静态道路设施的信息；
轨迹预测模块，用于根据所述传感器模块检测的自车及周边其他交通参与者或静态道路设施的信息，预测自车及周边其他交通参与者或静态道路设施的未来轨迹；
其特征在于，还包括风险评估模块，该模块利用根据权利要求2～8中任一项所述的行车风险计算方法计算自动驾驶汽车的行车风险。
CN202110430527.8A 2021-04-21 2021-04-21 一种自动驾驶汽车的行车风险计算方法及在线评估系统 Active CN113159576B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110430527.8A CN113159576B (zh) 2021-04-21 2021-04-21 一种自动驾驶汽车的行车风险计算方法及在线评估系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110430527.8A CN113159576B (zh) 2021-04-21 2021-04-21 一种自动驾驶汽车的行车风险计算方法及在线评估系统

Publications (2)

Publication Number Publication Date
CN113159576A true CN113159576A (zh) 2021-07-23
CN113159576B CN113159576B (zh) 2022-05-13

Family

ID=76867646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110430527.8A Active CN113159576B (zh) 2021-04-21 2021-04-21 一种自动驾驶汽车的行车风险计算方法及在线评估系统

Country Status (1)

Country Link
CN (1) CN113159576B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114333416A (zh) * 2021-12-24 2022-04-12 阿波罗智能技术(北京)有限公司 基于神经网络的车辆风险预警方法、设备及自动驾驶车辆
CN114862158A (zh) * 2022-04-22 2022-08-05 同济大学 一种基于可通行区域的自动驾驶汽车场景风险评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150344030A1 (en) * 2014-05-30 2015-12-03 Honda Research Institute Europe Gmbh Method and vehicle with an advanced driver assistance system for risk-based traffic scene analysis
CN107291972A (zh) * 2017-03-10 2017-10-24 清华大学 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法
CN108622103A (zh) * 2018-05-08 2018-10-09 清华大学 行车风险辨识模型的标定方法和系统
CN110414831A (zh) * 2019-07-24 2019-11-05 清华大学 基于驾驶人认知视角的人车路耦合风险评估方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150344030A1 (en) * 2014-05-30 2015-12-03 Honda Research Institute Europe Gmbh Method and vehicle with an advanced driver assistance system for risk-based traffic scene analysis
CN107291972A (zh) * 2017-03-10 2017-10-24 清华大学 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法
CN108622103A (zh) * 2018-05-08 2018-10-09 清华大学 行车风险辨识模型的标定方法和系统
CN110414831A (zh) * 2019-07-24 2019-11-05 清华大学 基于驾驶人认知视角的人车路耦合风险评估方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GUOFA LI 等: "Risk assessment based collision avoidance decision-making for autonomous vehicles in multi-scenarios", 《TRANSPORTATION RESEARCH PART C: EMERGING TECHNOLOGIES》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114333416A (zh) * 2021-12-24 2022-04-12 阿波罗智能技术(北京)有限公司 基于神经网络的车辆风险预警方法、设备及自动驾驶车辆
CN114862158A (zh) * 2022-04-22 2022-08-05 同济大学 一种基于可通行区域的自动驾驶汽车场景风险评估方法

Also Published As

Publication number Publication date
CN113159576B (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
Katrakazas et al. A new integrated collision risk assessment methodology for autonomous vehicles
Shirazi et al. Looking at intersections: a survey of intersection monitoring, behavior and safety analysis of recent studies
CN110488802B (zh) 一种网联环境下的自动驾驶车辆动态行为决策方法
Lyu et al. Vehicle trajectory prediction and cut-in collision warning model in a connected vehicle environment
CN105761548B (zh) 基于动态贝叶斯网络的交叉路口碰撞避免方法
CN112700470B (zh) 一种基于交通视频流的目标检测和轨迹提取方法
Kumagai et al. Prediction of human driving behavior using dynamic Bayesian networks
CN110077398B (zh) 一种用于智能驾驶的危险处理方法
CN110155046A (zh) 自动紧急制动分级控制方法与系统
CN111079834A (zh) 一种考虑多车交互的智能车辆安全态势评估方法
CN109249930B (zh) 一种智能车碰撞安全预测方法
Kumagai et al. Prediction of driving behavior through probabilistic inference
CN105809130A (zh) 一种基于双目深度感知的车辆可行驶区域计算方法
Chang et al. Onboard measurement and warning module for irregular vehicle behavior
CN109353337B (zh) 一种智能车换道阶段碰撞概率安全预测方法
Yoon et al. Predictive cruise control using radial basis function network-based vehicle motion prediction and chance constrained model predictive control
Peng et al. Intelligent method for identifying driving risk based on V2V multisource big data
Bonnin et al. A generic concept of a system for predicting driving behaviors
JPH0858503A (ja) 後側方危険警報装置及び後側方危険度判定方法
Elli et al. Evaluation of operational safety assessment (osa) metrics for automated vehicles in simulation
CN113159576B (zh) 一种自动驾驶汽车的行车风险计算方法及在线评估系统
Tang et al. Driving capability-based transition strategy for cooperative driving: from manual to automatic
Zhang et al. A scene comprehensive safety evaluation method based on binocular camera
CN113592221B (zh) 基于安全替代评价指标的道路路段风险动态评估方法
CN114446046A (zh) 一种基于lstm模型的弱势交通参与者轨迹预测方法

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