CN113190977A - 自动驾驶车辆的事故责任分析方法及装置 - Google Patents

Abstract

本申请公开了一种自动驾驶车辆的事故责任分析方法及装置，其中，方法包括：接收车载端发送的自动驾驶事故发生时刻所处的时间区间内的决策规划控制数据；基于决策规划控制数据结合时间区间内的车辆状态数据和事故发生地的环境数据还原自动驾驶事故的发生过程；根据发生过程识别自动驾驶事故的事故责任，并将事故责任发送至预设终端。由此，解决了现有技术中成本较高、事故责任分析效率低等问题，从而能够直观清晰判别事故责任，进一步分析事故原因，将事故判定做到公平公正，实现判定的规范化、标准化和自动化。

Description

自动驾驶车辆的事故责任分析方法及装置

技术领域

本申请涉及车联网技术领域，特别涉及一种自动驾驶车辆的事故责任分析方法及装置。

背景技术

相关技术中，分析自动驾驶车辆事故发生情况时，一般是通过在车辆上安装一个类似于飞机黑匣子的车载终端，依靠分析车载终端收集的事故发生前后的数据来判定事故发生的原因，并以此进行事故责任的划分。

然而，相关技术中的方式存在以下缺点：(1)额外安装“黑匣子”，增加了车辆自身的成本；(2)车辆装备多种传感器，产生的数据量较大，而“黑匣子”的数据存储容量有限，不利于后期数据分析；(3)“黑匣子”的使用大多数是在发生重大事故的情况下，依靠专业的数据分析机构来判定事故原因，事故责任分析效率低，未能实现责任事故划分的自动化和标准化，亟待解决。

申请内容

本申请提供一种自动驾驶车辆的事故责任分析方法及装置，以解决现有技术中成本较高、事故责任分析效率低等问题，从而能够直观清晰判别事故责任，进一步分析事故原因，将事故判定做到公平公正，实现判定的规范化、标准化和自动化。

本申请第一方面实施例提供一种自动驾驶车辆的事故责任分析方法，包括以下步骤：

接收车载端发送的自动驾驶事故发生时刻所处的时间区间内的决策规划控制数据；

基于所述决策规划控制数据结合所述时间区间内的车辆状态数据和事故发生地的环境数据还原自动驾驶事故的发生过程；以及

根据所述发生过程识别所述自动驾驶事故的事故责任，并将所述事故责任发送至预设终端。

可选地，所述车辆状态数据包括车辆感知数据和总线数据，所述环境数据包括所处环境的道路信息和路侧设备采集的车辆信息。

可选地，所述基于所述决策规划控制数据结合所述时间区间内的车辆状态数据和事故发生地的环境数据分析自动驾驶事故的发生过程，包括：

将所述决策规划控制数据、所述车辆状态数据与所述环境数据输入至自动驾驶仿真软件，仿真得到事故发生时的道路情况、车辆行驶轨迹、交通参与者信息与驾驶员的驾驶行为。

可选地，根据所述发生过程识别所述自动驾驶事故的事故责任，包括：

检测所述自动驾驶事故发生时刻的驾驶模式；

若所述驾驶模式为人为驾驶模式，则判定所述事故责任为驾驶员责任；

若所述驾驶模式为自动驾驶模式，则判断驾驶行为是否满足干预条件，并在满足所述干预条件时，判定所述事故责任为驾驶员责任，否则在排除驾驶员责任的同时，根据所述道路情况、所述车辆行驶轨迹、所述交通参与者信息分析事故原因。

可选地，所述根据所述道路情况、所述车辆行驶轨迹、所述交通参与者信息分析事故原因，包括：

根据所述车载端的系统日志和执行反馈结果判断是否自动驾驶系统故障；

若判定所述自动驾驶系统故障，则判定所述事故责任为系统责任。

本申请第二方面实施例提供一种自动驾驶车辆的事故责任分析装置，包括：

接收模块，用于接收车载端发送的自动驾驶事故发生时刻所处的时间区间内的决策规划控制数据；

还原模块，用于基于所述决策规划控制数据结合所述时间区间内的车辆状态数据和事故发生地的环境数据还原自动驾驶事故的发生过程；以及

发送模块，用于根据所述发生过程识别所述自动驾驶事故的事故责任，并将所述事故责任发送至预设终端。

可选地，所述车辆状态数据包括车辆感知数据和总线数据，所述环境数据包括所处环境的道路信息和路侧设备采集的车辆信息。

可选地，所述还原模块，包括：

输入单元，将所述决策规划控制数据、所述车辆状态数据与所述环境数据输入至自动驾驶仿真软件，仿真得到事故发生时的道路情况、车辆行驶轨迹、交通参与者信息与驾驶员的驾驶行为。

可选地，所述发送模块，包括：

检测单元，用于检测所述自动驾驶事故发生时刻的驾驶模式；

判定单元，用于在所述驾驶模式为人为驾驶模式时，判定所述事故责任为驾驶员责任；

分析单元，用于在所述驾驶模式为自动驾驶模式时，判断驾驶行为是否满足干预条件，并在满足所述干预条件时，判定所述事故责任为驾驶员责任，否则在排除驾驶员责任的同时，根据所述道路情况、所述车辆行驶轨迹、所述交通参与者信息分析事故原因。

可选地，所述分析单元，包括：

根据所述车载端的系统日志和执行反馈结果判断是否自动驾驶系统故障；

若判定所述自动驾驶系统故障，则判定所述事故责任为系统责任。

由此，通过云端接收车载端发送的自动驾驶事故发生时刻所处的时间区间内的决策规划控制数据，并将自动驾驶车辆事故相关数据进行解析、融合，结合自动驾驶仿真技术，还原事故场景，能够直观清晰判别事故责任，结合自动驾驶车辆相关数据，可进一步分析事故原因，从而将事故判定做到公平公正，实现判定的规范化、标准化和自动化。本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本申请实施例提供的一种自动驾驶车辆的事故责任分析方法的流程图；

图2为根据本申请一个实施例提供的信息数据流向的示意图；

图3为根据本申请一个实施例提供的云端数据处理分析过程的示意图；

图4为根据本申请实施例的自动驾驶车辆的事故责任分析装置的方框示例图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的自动驾驶车辆的事故责任分析方法及装置。

在介绍本申请实施例的自动驾驶车辆的事故责任分析方法之前，先简单介绍下相关技术中采用的方法。

目前，很多国家强制规定，带有自动驾驶功能的汽车需安装一个类似“黑匣子”的装置，用来记录系统运作、要求介入和人工驾驶等不同阶段的具体驾驶情况，以保证在出现交通安全事故时，明确责任划分；或者要求所有销售车辆都需要配备汽车事件数据记录系统(Event Data Recorder，EDR)，EDR用于记录车辆碰撞前、碰撞时、碰撞后三个阶段中汽车的运行关键数据。设备记录的日志log信息可以在碰撞后收集并分析，以帮助确定车辆在碰撞或事件发生之前、期间和之后都做了什么，从而利用“黑匣子”系统来回溯自动驾驶车辆出现故障时发生的情况，大多数是发生了重大交通事故或在车主的要求下依靠专业机构来进行，并根据数据分析结果来判断事故发生原因。

进一步地，由于传统的交通事故大多是由于疲劳驾驶、酒驾和错误操作等人为因素造成的，而未来自动驾驶的车辆通过弥补人类的短板来提高行驶的安全性、解放驾驶员，事故原因更多是由于自动驾驶系统造成的。这两种情况下的交通事故原因不同，事故责任的承担主体不同，这就需要一种新的方式来划分未来自动驾驶车辆的交通事故责任。

因此，本申请提供了一种自动驾驶车辆的事故责任分析方法，在该方法中，通过云端接收车载端发送的自动驾驶事故发生时刻所处的时间区间内的决策规划控制数据，并将自动驾驶车辆事故相关数据进行解析、融合，结合自动驾驶仿真技术，还原事故场景，能够直观清晰判别事故责任，结合自动驾驶车辆相关数据，可进一步分析事故原因，从而将事故判定做到公平公正，实现判定的规范化、标准化和自动化。

具体而言，图1为本申请实施例所提供的一种自动驾驶车辆的事故责任分析方法的流程示意图。

如图1所示，该自动驾驶车辆的事故责任分析方法包括以下步骤：

在步骤S101中，接收车载端发送的自动驾驶事故发生时刻所处的时间区间内的决策规划控制数据。

应当理解的是，本申请实施例可以根据事件触发机制，接收车载端(如车载终端设备T-BOX)发送的事故发生前后30s范围内的车辆感知数据、总线数据和自动驾驶车辆的决策规划控制等数据。

也就是说，如图2所示，本申请实施例的T-BOX可以将自动驾驶车辆上传感器及其他装置收集到的车辆状态信息、决策规划信息、控制信息及感知到的环境信息收集起来，并根据事件触发机制上传到云端设备。同时，根据事故发生地点和发生时间，云端监控平台调用事故发生路段的路侧设备采集的车辆信息以及高精度地图中的道路信息。

需要说明的是，由于自动驾驶车辆每天产生大量的数据，而车载终端设备存储数据的容量有限，所以采取事件触发规则上传数据到云端监控平台。触发规则主要依据安全气囊弹开信息、车速剧烈变化、制动力度、转角值、车辆警报信息等信息，以此来综合判断车辆是否发生交通事故。当自动驾驶车辆状态达到事件触发条件后，T-BOX将事故发生前后30s的自动驾驶车辆相关数据上传云端，同时对应数据在车载终端保存3-7天；

并且，数据的存储和数据的处理主要依靠云端监控平台来实现对自动驾驶车辆事故信息的统一规范管理。云端监控平台可分为企业监控平台和政府监控平台。自动驾驶车辆事故数据可先上传至企业监控平台，再由企业监控平台上传至政府监控平台，也可以直接上传至政府监控平台，数据可在监控平台保存3-6个月。由此，通过将自动驾驶车辆事故相关数据上传至统一监管的云端平台，能够形成数据聚集效应，构建自动驾驶事故场景库，进一步优化自动驾驶功能。

综上，无需额外安装黑匣子，依靠车辆上现有的T-BOX装置，通过规范数据采集内容、数据格式和数据采集频率，就能将与自动驾驶车辆事故相关数据收集起来，车载终端设备中的数据只是作为数据的备份，充分利用5G技术的大带宽、低时延、广连接的特点，运用车联网技术将自动驾驶车辆事故的相关数据收集起来，除了能够为单件自动驾驶车辆事故提供责任划分依据，利用大数据技术建立自动驾驶事故场景库，也能为自动驾驶相关法律法规的建立和完善提供依据，同时可以指导自动驾驶软件和硬件的升级。

在步骤S102中，基于决策规划控制数据结合时间区间内的车辆状态数据和事故发生地的环境数据还原自动驾驶事故的发生过程。

可选地，在一些实施例中，基于决策规划控制数据结合时间区间内的车辆状态数据和事故发生地的环境数据分析自动驾驶事故的发生过程，包括：将决策规划控制数据、车辆状态数据与环境数据输入至自动驾驶仿真软件，仿真得到事故发生时的道路情况、车辆行驶轨迹、交通参与者信息与驾驶员的驾驶行为。

可选地，在一些实施例中，车辆状态数据包括车辆感知数据和总线数据，环境数据包括所处环境的道路信息和路侧设备采集的车辆信息。

可以理解的是，本申请实施例经过对决策规划控制数据进行解析，并结合事故发生地的高精度地图及路侧设备的数据，按照一定的规则还原事故发生的全过程。由此，运用车联网技术，云端不仅接收车端发送的数据，也可以接收路侧设备和高精度地图的数据，更有利于事故场景的还原。

具体而言，如图3所示，云端对自动驾驶车辆事故相关数据进行数据的存储、提取、转换和融合，然后将处理后的数据导入到自动驾驶仿真软件中，通过软件的仿真技术来还原事故发生时的道路情况、车辆行驶轨迹、交通参与者信息以及驾驶员的驾驶行为。通过复现事故发生时的情况，能够直观清楚地划分事故责任是否属于本车。

由此，运用自动驾驶仿真技术，还原自动驾驶车辆事故发生时的场景，能清晰判断事故发生状况，划分事故责任。在此基础上，通过数据分析来判断事故发生的具体原因。同过建立统一规范的自动驾驶车辆事故责任划分方法和事故原因分析方法，使得事故的判定更加公平公正。

在步骤S103中，根据发生过程识别自动驾驶事故的事故责任，并将事故责任发送至预设终端。

可选地，在一些实施例中，根据发生过程识别自动驾驶事故的事故责任，包括：检测自动驾驶事故发生时刻的驾驶模式；若驾驶模式为人为驾驶模式，则判定事故责任为驾驶员责任；若驾驶模式为自动驾驶模式，则判断驾驶行为是否满足干预条件，并在满足干预条件时，判定事故责任为驾驶员责任，否则在排除驾驶员责任的同时，根据道路情况、车辆行驶轨迹、交通参与者信息分析事故原因。

具体可言，在判断事故责任归属的过程中，如果数据显示事故发生时自动驾驶车辆处于人为驾驶模式，或者驾驶员的行为严重干预了自动驾驶车辆的行为，那么驾驶人将承担此次交通事故责任；如果事故发生时，车辆处于自动驾驶模式，事故是由于系统原因而引发的，如摄像头、雷达、惯导等感知设备及执行机构的故障、车载电脑的决策规划错误等，那么事故将排除驾驶员的责任。

可选地，在一些实施例中，根据道路情况、车辆行驶轨迹、交通参与者信息分析事故原因，包括：根据车载端的系统日志和执行反馈结果判断是否自动驾驶系统故障；若判定自动驾驶系统故障，则判定事故责任为系统责任。

也就是说，在由自动驾驶系统引发的事故中，硬件系统的故障可根据系统日志及执行反馈结果进行判断，软件系统的故障，例如对某些复杂场景、边缘场景的决策规划错误，则可根据仿真软件将事故发生场景参数化，通过模拟驾驶员驾驶本车的行为通过情况来判断场景的复杂及需要的智能程度，以此来判断事故是否属于软件系统原因。

根据本申请实施例提出的自动驾驶车辆的事故责任分析方法，通过云端接收车载端发送的自动驾驶事故发生时刻所处的时间区间内的决策规划控制数据，并将自动驾驶车辆事故相关数据进行解析、融合，结合自动驾驶仿真技术，还原事故场景，能够直观清晰判别事故责任，结合自动驾驶车辆相关数据，可进一步分析事故原因，从而将事故判定做到公平公正，实现判定的规范化、标准化和自动化。

其次参照附图描述根据本申请实施例提出的自动驾驶车辆的事故责任分析装置。

图4是本申请实施例的自动驾驶车辆的事故责任分析装置的方框示意图。

如图4所示，该自动驾驶车辆的事故责任分析装置10包括：接收模块100、还原模块200和发送模块300。

其中，接收模块100用于接收车载端发送的自动驾驶事故发生时刻所处的时间区间内的决策规划控制数据；

还原模块200用于基于决策规划控制数据结合时间区间内的车辆状态数据和事故发生地的环境数据还原自动驾驶事故的发生过程；以及

发送模块300用于根据发生过程识别自动驾驶事故的事故责任，并将事故责任发送至预设终端。

可选地，车辆状态数据包括车辆感知数据和总线数据，环境数据包括所处环境的道路信息和路侧设备采集的车辆信息。

可选地，还原模块200包括：

输入单元，将决策规划控制数据、车辆状态数据与环境数据输入至自动驾驶仿真软件，仿真得到事故发生时的道路情况、车辆行驶轨迹、交通参与者信息与驾驶员的驾驶行为。

可选地，发送模块300包括：

检测单元，用于检测自动驾驶事故发生时刻的驾驶模式；

判定单元，用于在驾驶模式为人为驾驶模式时，判定事故责任为驾驶员责任；

分析单元，用于在驾驶模式为自动驾驶模式时，判断驾驶行为是否满足干预条件，并在满足干预条件时，判定事故责任为驾驶员责任，否则在排除驾驶员责任的同时，根据道路情况、车辆行驶轨迹、交通参与者信息分析事故原因。

可选地，分析单元，包括：

根据车载端的系统日志和执行反馈结果判断是否自动驾驶系统故障；

若判定自动驾驶系统故障，则判定事故责任为系统责任。

需要说明的是，前述对自动驾驶车辆的事故责任分析方法实施例的解释说明也适用于该实施例的自动驾驶车辆的事故责任分析装置，此处不再赘述。

根据本申请实施例提出的自动驾驶车辆的事故责任分析装置，通过云端接收车载端发送的自动驾驶事故发生时刻所处的时间区间内的决策规划控制数据，并将自动驾驶车辆事故相关数据进行解析、融合，结合自动驾驶仿真技术，还原事故场景，能够直观清晰判别事故责任，结合自动驾驶车辆相关数据，可进一步分析事故原因，从而将事故判定做到公平公正，实现判定的规范化、标准化和自动化。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

Claims (10)

1.一种自动驾驶车辆的事故责任分析方法，其特征在于，包括以下步骤：

接收车载端发送的自动驾驶事故发生时刻所处的时间区间内的决策规划控制数据；

基于所述决策规划控制数据结合所述时间区间内的车辆状态数据和事故发生地的环境数据还原自动驾驶事故的发生过程；以及

根据所述发生过程识别所述自动驾驶事故的事故责任，并将所述事故责任发送至预设终端。

2.根据权利要求1所述的方法，其特征在于，所述车辆状态数据包括车辆感知数据和总线数据，所述环境数据包括所处环境的道路信息和路侧设备采集的车辆信息。

3.根据权利要求1所述的方法，其特征在于，所述基于所述决策规划控制数据结合所述时间区间内的车辆状态数据和事故发生地的环境数据分析自动驾驶事故的发生过程，包括：

将所述决策规划控制数据、所述车辆状态数据与所述环境数据输入至自动驾驶仿真软件，仿真得到事故发生时的道路情况、车辆行驶轨迹、交通参与者信息与驾驶员的驾驶行为。

4.根据权利要求3所述的方法，其特征在于，根据所述发生过程识别所述自动驾驶事故的事故责任，包括：

检测所述自动驾驶事故发生时刻的驾驶模式；

若所述驾驶模式为人为驾驶模式，则判定所述事故责任为驾驶员责任；

若所述驾驶模式为自动驾驶模式，则判断驾驶行为是否满足干预条件，并在满足所述干预条件时，判定所述事故责任为驾驶员责任，否则在排除驾驶员责任的同时，根据所述道路情况、所述车辆行驶轨迹、所述交通参与者信息分析事故原因。

5.根据权利要求4所述的方法，其特征在于，所述根据所述道路情况、所述车辆行驶轨迹、所述交通参与者信息分析事故原因，包括：

根据所述车载端的系统日志和执行反馈结果判断是否自动驾驶系统故障；

若判定所述自动驾驶系统故障，则判定所述事故责任为系统责任。

6.一种自动驾驶车辆的事故责任分析装置，其特征在于，包括：

接收模块，用于接收车载端发送的自动驾驶事故发生时刻所处的时间区间内的决策规划控制数据；

还原模块，用于基于所述决策规划控制数据结合所述时间区间内的车辆状态数据和事故发生地的环境数据还原自动驾驶事故的发生过程；以及

发送模块，用于根据所述发生过程识别所述自动驾驶事故的事故责任，并将所述事故责任发送至预设终端。

7.根据权利要求6所述的装置，其特征在于，所述车辆状态数据包括车辆感知数据和总线数据，所述环境数据包括所处环境的道路信息和路侧设备采集的车辆信息。

8.根据权利要求6所述的装置，其特征在于，所述还原模块，包括：

输入单元，将所述决策规划控制数据、所述车辆状态数据与所述环境数据输入至自动驾驶仿真软件，仿真得到事故发生时的道路情况、车辆行驶轨迹、交通参与者信息与驾驶员的驾驶行为。

9.根据权利要求8所述的装置，其特征在于，所述发送模块，包括：

检测单元，用于检测所述自动驾驶事故发生时刻的驾驶模式；

判定单元，用于在所述驾驶模式为人为驾驶模式时，判定所述事故责任为驾驶员责任；

分析单元，用于在所述驾驶模式为自动驾驶模式时，判断驾驶行为是否满足干预条件，并在满足所述干预条件时，判定所述事故责任为驾驶员责任，否则在排除驾驶员责任的同时，根据所述道路情况、所述车辆行驶轨迹、所述交通参与者信息分析事故原因。

10.根据权利要求9所述的装置，其特征在于，分析单元，包括：

根据车载端的系统日志和执行反馈结果判断是否自动驾驶系统故障；

若判定自动驾驶系统故障，则判定事故责任为系统责任。

Images