CN113257023B - 一种l3级自动驾驶风险评估与接管预警方法及系统 - Google Patents

Abstract

本发明涉及一种L3级自动驾驶风险评估与接管预警方法，主要包括如下步骤：步骤一、采集驾驶绩效指标数据；步骤二、计算所述数据在风险值中所占权重值；步骤三、进行L3级自动驾驶条件下最终风险值计算；对所述风险值计算模块得到的最终风险值进行分类测试，确定最终风险值分类判别标准，比较最终风险值和分类判别标准阈值的大小，生成驾驶风险状态判断结果；步骤四、根据驾驶风险进行预警提示。本发明根据驾驶风险状态判断结果对驾驶员进行不同等级的接管预警提示，能够有效降低自动驾驶车辆人机共驾阶段的交通事故率，减小驾驶风险。

Description

一种L3级自动驾驶风险评估与接管预警方法及系统

技术领域

本发明属于交通安全领域，具体涉及一种L3级自动驾驶风险评估与接管预警方法及系统。

背景技术

近年来，随着人工智能的不断发展，自动驾驶逐渐成为交通领域研究的热点。美国汽车工程师协会将自动驾驶阶段分为以下6个等级：L0级—手动驾驶，L1级—辅助驾驶，L2级—部分自动驾驶，L3级—有条件自动驾驶，L4级—高度自动驾驶和L5等级—完全自动驾驶。当车辆处于L3等级时，自动驾驶系统能够代替驾驶员进行大多数的驾驶操作，此时驾驶员的注意力可适当转移至某些驾驶次任务上。然而当车辆遇到紧急情况发出接管请求时，如果驾驶员的认知能力不满足接管车辆需求，会导致接管绩效变差，对行车安全产生较大影响。因此，提供驾驶风险评估及接管预警方法，对于降低自动驾驶车辆人机共驾阶段的交通事故率、提高道路交通安全水平意义重大。

现有的驾驶接管提示方法大多从单一的驾驶绩效指标入手，通过比较该指标值与预设阈值之间的关系，从而进行接管提醒，且接管提醒方式多为视觉、听觉、触觉中的一种或两种。在L3级自动驾驶条件下，当面临驾驶风险时，处于分心状态的驾驶员很难迅速获得情境意识并进行相关的驾驶接管操作，因此有必要采用多个驾驶绩效指标对车辆当前的驾驶风险进行评估，进而制定合适的驾驶风险分类标准，并根据驾驶状态判断结果进行多通道的接管提醒。

发明内容

本发明是要解决自动驾驶条件下，驾驶员的认知能力不满足接管车辆需求，导致接管绩效变差，从而引发的交通安全的问题，进而提供了一种L3级自动驾驶风险评估与接管预警的方法及系统。

本发明涉及本发明涉及一种L3级自动驾驶风险评估与接管预警方法，主要包括如下步骤：

步骤一、采集驾驶绩效指标数据；

步骤二、计算所述数据在风险值中所占权重值；

步骤三、进行L3级自动驾驶条件下最终风险值计算；对所述风险值计算模块得到的最终风险值进行分类测试，确定最终风险值分类判别标准，比较最终风险值和分类判别标准阈值的大小，生成驾驶风险状态判断结果；

步骤四、根据驾驶风险进行预警提示。

本发明还涉及一种L3级自动驾驶风险评估与接管预警系统，所述系统包括信息采集装置、信息处理装置、风险值评估装置和预警装置。

有益效果

在L3级自动驾驶条件下，从人、车、环境的角度获取车辆纵向速度均值、跟车距离、车辆纵向加速度标准差和驾驶员眨眼频率等多种指标数据，并进行最终风险值的计算和车辆驾驶风险状态的判断，根据驾驶风险状态判断结果对驾驶员进行不同等级的接管预警提示，所采用的提示方式包含视觉、听觉和触觉三个通道，有较好的提示效果，有助于保障行车安全性。

附图说明

图1为本发明L3级自动驾驶风险评估与接管预警系统示意图；

图2为本发明L3级自动驾驶风险评估与接管预警系统的信息采集装置示意图；

图3为本发明L3级自动驾驶风险评估与接管预警系统的信息处理装置示意图；

图4为本发明L3级自动驾驶风险评估与接管预警系统的风险值评估装置示意图；

图5为本发明L3级自动驾驶风险评估与接管预警系统的预警装置示意图；

图6为本发明L3级自动驾驶风险评估与接管预警系统的视觉提示模块示意图；

图7为本发明L3级自动驾驶风险评估与接管预警系统工作示意图。

具体实施方式

以下结合图1至7对本实施方式进行说明。

本发明涉及一种L3级自动驾驶风险评估与接管预警方法，主要包括如下步骤：

步骤一、采集驾驶绩效指标数据；

步骤二、计算所述数据在风险值中所占权重值；

步骤三、进行L3级自动驾驶条件下最终风险值计算；对所述风险值计算模块得到的最终风险值进行分类测试，确定最终风险值分类判别标准，比较最终风险值和分类判别标准阈值的大小，生成驾驶风险状态判断结果；

步骤四、根据驾驶风险进行预警提示。

步骤二中，利用PCA法计算所述权重值，采用主成分分析法计算累积贡献率来提取主成分，得到驾驶绩效指标在最终风险值计算中所占的权重，计算步骤如下：

步骤(1)样本数据标准化变换：设样本数据矩阵为E＝(e_ij)_m*n，即有m个样本，每个样本有n个驾驶绩效指标(其中n＝4，m≥n)，4项驾驶绩效指标分别为车辆纵向速度均值(m/s)、跟车距离(m)、纵向加速度标准差(m/s²)和驾驶员眨眼频率(次/s)，标准化数据矩阵为Y＝(y_ij)_m*4，标准化变换公式为：

其中，样本均值

样本方差

步骤(2)计算样本相关系数矩阵：设样本相关系数矩阵为R＝(r_ij)_4*4，R为对称矩阵，并且有r_ij＝r_ji，r_ii＝1，其中，相关系数为

步骤(3)计算相关矩阵R的特征值和对应的特征向量：特征方程为|R-λI|＝0，I为单位阵，解出4个特征值：λ₁,λ₂,λ₃,λ₄；由齐次线性方程组|R-λI|L＝0，解出对应的特征向量：L_j＝(l_1j,l_2j,…,l_nj)^T，其中j＝1,2,3,4；

步骤(4)计算各驾驶绩效指标的贡献率：计算公式为

各驾驶绩效指标的贡献率即为各驾驶绩效指标在最终风险值计算中所占的权重。

步骤二中，利用熵权法计算权重值，根据驾驶绩效指标数据所含信息，通过计算极差使数据无量纲化，并使用差异系数描述数据的波动性，进而得到驾驶绩效指标在最终风险值计算中所占的权重，计算步骤如下：

步骤(1)样本数据无量纲化：设样本数据矩阵为X＝(x_ij)_s*t，即有s个样本，每个样本有t个驾驶绩效指标(其中t＝4，s≥t)，4项驾驶绩效指标分别为车辆纵向速度均值(m/s)、跟车距离(m)、纵向加速度标准差(m/s²)和驾驶员眨眼频率(次/s)。对于第j个驾驶绩效指标(其中j＝1,2,3,4)，取s个样本中的最大值为M_j＝max{x_1j,x_2j,…,x_sj}，取s个样本中的最小值为为m_j＝min{x_1j,x_2j,…,x_sj}，无量纲化数据矩阵为

无量纲化变换公式为：

步骤(2)计算熵值：各驾驶绩效指标的熵值计算公式为

其中，系数

特征比例

步骤(3)计算差异系数：各驾驶绩效指标的差异系数可用来描述样本数据的波动性，其计算公式为

d_j＝1-U_j,(j＝1,2,3,4)

步骤(4)计算权重：各驾驶绩效指标在最终风险值计算中所占权重的计算公式为

步骤三中，根进行L3级自动驾驶条件下最终风险值计算，并根据实际情况赋予PCA法和熵权法结合随时间变化的动态权重，从而实时获取最终风险值，计算步骤如下：

步骤(1)PCA法计算风险值：由所述PCA权重计算模块得到的驾驶绩效指标在最终风险值计算中所占的权重为

则PCA法得到的风险值为车辆纵向速度均值、跟车距离、纵向加速度标准差和驾驶员眨眼频率四项指标的实际测量值分别与PCA法计算出的各指标权重的乘积之和，即

其中，

步骤(2)熵权法计算风险值：由所述熵权法权重计算模块得到的驾驶绩效指标权重为

则熵权法得到的风险值为车辆纵向速度均值、跟车距离、纵向加速度标准差和驾驶员眨眼频率四项指标的实际测量值分别与熵权法计算出的各指标权重的乘积之和，即

步骤(3)PCA法和熵权法结合计算最终风险值：最终风险值是对PCA法和熵权法得到的风险值赋予随时间变化的动态权重得到的，计算公式为

其中，随时间变化的动态权重函数为θ(t)＝P₀e^-αt，根据经验值，参数为P₀＝0.5,α＝0.3。

采用支持向量机算法对最终风险值进行分类测试，得到最终风险值分类的标准阈值，并生成驾驶风险状态判断结果，支持向量机算法计算标准阈值的过程如下：

在由车辆纵向速度均值、跟车距离、纵向加速度标准差和驾驶员眨眼频率四项驾驶绩效指标构成的多维空间中，由于驾驶绩效指标数据无法用一个超平面完全正确分类，故引入目标函数为：

引入约束条件，使超平面w^Tx+b＝0满足：

y_i(w^Tx_i+b)≥1-ξ_i

其中w为权值向量；C称作惩罚因子；ξ_i为松弛变量，应满足ξ_i≥0；y_i为每个样本点x_i的风险等级标签；b为常量参数；n为样本点个数；

由于驾驶绩效指标数据非线性可分，故利用核函数对输入空间进行拉格朗日变换，目标函数变为：

约束条件则为：

其中核函数采用径向基形式，即为

α_i和α_j为拉格朗日乘子；

驾驶风险状态判断准则为：

由支持向量机算法可以得出第一标准阈值为Q₁＝0.042，第二标准阈值为Q₂＝0.560，第三标准阈值为Q₃＝1.549；

当最终风险值SC∈[0,Q₁)时，驾驶风险状态判断结果为“低风险：无需接管”；

当最终风险值SC∈[Q₁,Q₂)时，驾驶风险状态判断结果为“中风险：准备接管”；

当最终风险值SC∈[Q₂,Q₃)时，驾驶风险状态判断结果为“高风险：紧急接管”；

当最终风险值SC∈[Q₃,∞)时，驾驶风险状态判断结果为“危险：减速停车”。

当所述L3级自动驾驶条件下的最终风险值小于第一标准阈值时，驾驶风险状态判断结果为“低风险：无需接管”，此时不需要进行视觉提示预警、听觉提示预警及触觉提示预警，驾驶员可正常进行次任务操作，车辆正常进行自动驾驶；

当所述L3级自动驾驶条件下的当前风险值大于等于第一标准阈值且小于第二标准阈值时，驾驶风险状态判断结果为“中风险：准备接管”，此时所述预警装置提示当前车辆驾驶存在一定风险，驾驶员需要将注意力更多地放在驾驶主任务上，准备接管车辆；

当所述L3级自动驾驶条件下的当前风险值大于等于第二标准阈值且小于第三标准阈值时，驾驶风险状态判断结果为“高风险：紧急接管”，此时提示当前车辆驾驶存在较高风险，车辆自动驾驶即将结束，需要驾驶员立刻接管车辆；

当所述L3级自动驾驶条件下的当前风险值大于等于第三标准阈值时，驾驶风险状态判断结果为“危险：减速停车”，此时触觉提示模块不工作，提示车辆有较大概率将发生事故，自动驾驶系统控制车辆减速至停车。

本发明还涉及一种利用了上述方法的L3级自动驾驶风险评估与接管预警系统，所述系统包括信息采集装置、信息处理装置、风险值评估装置和预警装置。

信息采集装置包括无线发射器、速度传感器、电磁波测距仪、加速度传感器和驾驶眼动仪。速度传感器采用霍尔效应传感器SC1245，用于记录车轮转动时传感器产生的的脉冲信号频率，由于输出信号频率与车速成正比，可计算并输出L3级自动驾驶条件下车辆的纵向行驶速度，进而得到车辆纵向速度均值，电磁波测距仪采用激光测距仪LDM301，通过向前方车辆发射连续的正弦调制波，测出该调制波在测线上往返传播产生的相位差，间接求得调制波传播时间，进而输出L3级自动驾驶条件下的跟车距离，加速度传感器采用压阻式加速度传感器MEAS 3801A，用于记录传感器内的质量块所受惯性力，根据牛顿第二定律输出L3级自动驾驶条件下车辆的加速度，进而计算得到车辆纵向加速度标准差，驾驶眼动仪采用遥测式眼动仪Smart Eye Pro，前置红外摄像头分别安装在仪表盘上对准驾驶员的位置，采用笔记本电脑端程序进行监控，用于实时获取驾驶员的眨眼频率，无线发射器用于将信息采集装置得到的驾驶绩效指标数据发送至信息处理装置。

信息处理装置包括无线发射器、无线接收器、PCA权重计算模块和熵权法权重计算模块，无线接收器用于接收信息采集装置采集的车辆纵向速度均值、跟车距离、纵向加速度标准差和驾驶员眨眼频率指标数据；所述PCA权重计算模块和熵权法权重计算模块用于对接收的四项驾驶绩效指标数据分别进行风险值中所占权重的计算，无线发射器用于将信息处理装置处理后的信息发送至风险评估装置。

风险评估装置包括无线发射器、无线接收器、风险值计算模块和状态判断模块，无线接收器用于接收信息处理装置发送的指标权重信息，风险值计算模块根据接收的指标权重进行当前L3级自动驾驶条件下最终风险值的计算；状态判断模块首先确定驾驶风险的四个状态，包括低风险：无需接管、中风险：准备接管、高风险：紧急接管、危险：减速停车四类，然后对风险值计算模块得到的最终风险值进行分类测试，确定最终风险值分类判别标准，最后比较最终风险值和分类判别标准阈值的大小，生成驾驶风险状态判断结果，无线发射器用于将风险评估装置得到的驾驶风险状态判断结果发送至预警装置。

分类判别标准阈值包括第一标准阈值、第二标准阈值和第三标准阈值。

预警装置包括无线接收器、视觉提示模块、听觉提示模块和触觉提示模块，无线接收器用于接收风险评估装置发送的驾驶风险状态判断结果，视觉提示模块由方向盘及后视镜上镶嵌的发光二极管构成；所述听觉提示模块由扬声器构成；触觉提示模块由监测手环构成；预警装置根据接收的结果，控制视觉提示模块发出不同颜色的光、听觉提示模块产生不同内容的语音、触觉提示模块产生不同频率的振动，以进行接管预警。

实施例

本实施例中，预警装置采用自动驾驶车辆后视镜、方向盘灯光带、扬声器和监测手环的预警提示方式，如下表1所示：

表1

上述内容仅为本发明的较佳实施例，并非用于限制本发明的实施方案，本领域普通技术人员根据本发明的主要构思和精神，可以十分方便地进行相应的变通或修改，故本发明的保护范围应以权利要求书所要求的保护范围为准。

Claims (9)

1.一种L3级自动驾驶风险评估与接管预警方法，其特征在于，包括如下步骤：

步骤一、采集驾驶绩效指标数据；

步骤二、计算所述数据在风险值中所占权重值；

步骤三、进行L3级自动驾驶条件下最终风险值计算，并根据实际情况赋予PCA法和熵权法结合随时间变化的动态权重，从而实时获取最终风险值，计算步骤如下：

步骤(1)PCA法计算风险值：由所述PCA权重计算模块得到的驾驶绩效指标在最终风险值计算中所占的权重为

则PCA法得到的风险值为车辆纵向速度均值、跟车距离、纵向加速度标准差和驾驶员眨眼频率四项指标的实际测量值分别与PCA法计算出的各指标权重的乘积之和，即

其中，

步骤(2)熵权法计算风险值：由所述熵权法权重计算模块得到的驾驶绩效指标权重为

则熵权法得到的风险值为车辆纵向速度均值、跟车距离、纵向加速度标准差和驾驶员眨眼频率四项指标的实际测量值分别与熵权法计算出的各指标权重的乘积之和，即

步骤(3)PCA法和熵权法结合计算最终风险值：最终风险值是对PCA法和熵权法得到的风险值赋予随时间变化的动态权重得到的，计算公式为

其中，随时间变化的动态权重函数为θ(t)＝P₀e^-αt，根据经验值，参数为P₀＝0.5,α＝0.3；

对所述风险值计算模块得到的最终风险值进行分类测试，确定最终风险值分类判别标准，比较最终风险值和分类判别标准阈值的大小，生成驾驶风险状态判断结果；

步骤四、根据驾驶风险进行预警提示。

2.根据权利要求1所述的L3级自动驾驶风险评估与接管预警方法，其特征在于，步骤二中，利用PCA法计算所述权重值，采用主成分分析法计算累积贡献率来提取主成分，得到驾驶绩效指标在最终风险值计算中所占的权重，计算步骤如下：

步骤(1)样本数据标准化变换：设样本数据矩阵为E＝(e_ij)_m*n，即有m个样本，每个样本有n个驾驶绩效指标(其中n＝4，m≥n)，4项驾驶绩效指标分别为车辆纵向速度均值(m/s)、跟车距离(m)、纵向加速度标准差(m/s²)和驾驶员眨眼频率(次/s)，标准化数据矩阵为Y＝(y_ij)_m*4，标准化变换公式为：

其中，样本均值

样本方差

步骤(2)计算样本相关系数矩阵：设样本相关系数矩阵为R＝(r_ij)_4*4，R为对称矩阵，并且有r_ij＝r_ji，r_ii＝1，其中，相关系数为

步骤(3)计算相关矩阵R的特征值和对应的特征向量：特征方程为|R-λI|＝0，I为单位阵，解出4个特征值：λ₁,λ₂,λ₃,λ₄；由齐次线性方程组|R-λI|L＝0，解出对应的特征向量：L_j＝(l_1j,l_2j,…,l_nj)^T，其中j＝1,2,3,4；

步骤(4)计算各驾驶绩效指标的贡献率：计算公式为

各驾驶绩效指标的贡献率即为各驾驶绩效指标在最终风险值计算中所占的权重。

3.根据权利要求1所述的L3级自动驾驶风险评估与接管预警方法，其特征在于，步骤二中，利用熵权法计算权重值，根据驾驶绩效指标数据所含信息，通过计算极差使数据无量纲化，并使用差异系数描述数据的波动性，进而得到驾驶绩效指标在最终风险值计算中所占的权重，计算步骤如下：

步骤(1)样本数据无量纲化：设样本数据矩阵为X＝(x_ij)_s*t，即有s个样本，每个样本有t个驾驶绩效指标(其中t＝4，s≥t)，4项驾驶绩效指标分别为车辆纵向速度均值(m/s)、跟车距离(m)、纵向加速度标准差(m/s²)和驾驶员眨眼频率(次/s)；对于第j个驾驶绩效指标(其中j＝1,2,3,4)，取s个样本中的最大值为M_j＝max{x_1j,x_2j,…,x_sj}，取s个样本中的最小值为为m_j＝min{x_1j,x_2j,…,x_sj}，无量纲化数据矩阵为

无量纲化变换公式为：

步骤(2)计算熵值：各驾驶绩效指标的熵值计算公式为

其中，系数

特征比例

步骤(3)计算差异系数：各驾驶绩效指标的差异系数可用来描述样本数据的波动性，其计算公式为

d_j＝1-U_j,(j＝1,2,3,4)

步骤(4)计算权重：各驾驶绩效指标在最终风险值计算中所占权重的计算公式为

4.根据权利要求1所述的L3级自动驾驶风险评估与接管预警方法，其特征在于，采用支持向量机算法对最终风险值进行分类测试，得到最终风险值分类的标准阈值，并生成驾驶风险状态判断结果，支持向量机算法计算标准阈值的过程如下：

在由车辆纵向速度均值、跟车距离、纵向加速度标准差和驾驶员眨眼频率四项驾驶绩效指标构成的多维空间中，由于驾驶绩效指标数据无法用一个超平面完全正确分类，故引入目标函数为：

引入约束条件，使超平面w^Tx+b＝0满足：

y_i(w^Tx_i+b)≥1-ξ_i

其中w为权值向量；C称作惩罚因子；ξ_i为松弛变量，应满足ξ_i≥0；y_i为每个样本点x_i的风险等级标签；b为常量参数；n为样本点个数；

由于驾驶绩效指标数据非线性可分，故利用核函数对输入空间进行拉格朗日变换，目标函数变为：

约束条件则为：

其中核函数采用径向基形式，即为

α_i和α_j为拉格朗日乘子；

驾驶风险状态判断准则为：

由支持向量机算法可以得出第一标准阈值为Q₁＝0.042，第二标准阈值为Q₂＝0.560，第三标准阈值为Q₃＝1.549；

当最终风险值SC∈[0,Q₁)时，驾驶风险状态判断结果为“低风险：无需接管”；

当最终风险值SC∈[Q₁,Q₂)时，驾驶风险状态判断结果为“中风险：准备接管”；

当最终风险值SC∈[Q₂,Q₃)时，驾驶风险状态判断结果为“高风险：紧急接管”；

当最终风险值SC∈[Q₃,∞)时，驾驶风险状态判断结果为“危险：减速停车”。

5.根据权利要求1所述的L3级自动驾驶风险评估与接管预警方法，其特征在于，当所述L3级自动驾驶条件下的最终风险值小于第一标准阈值时，驾驶风险状态判断结果为“低风险：无需接管”，此时不需要进行视觉提示预警、听觉提示预警及触觉提示预警，驾驶员可正常进行次任务操作，车辆正常进行自动驾驶；

当所述L3级自动驾驶条件下的当前风险值大于等于第一标准阈值且小于第二标准阈值时，驾驶风险状态判断结果为“中风险：准备接管”，此时所述预警装置提示当前车辆驾驶存在一定风险，驾驶员需要将注意力更多地放在驾驶主任务上，准备接管车辆；

当所述L3级自动驾驶条件下的当前风险值大于等于第二标准阈值且小于第三标准阈值时，驾驶风险状态判断结果为“高风险：紧急接管”，此时提示当前车辆驾驶存在较高风险，车辆自动驾驶即将结束，需要驾驶员立刻接管车辆；

当所述L3级自动驾驶条件下的当前风险值大于等于第三标准阈值时，驾驶风险状态判断结果为“危险：减速停车”，此时触觉提示模块不工作，提示车辆有较大概率将发生事故，自动驾驶系统控制车辆减速至停车。

6.一种采用权利要求1至5任一项所述方法的L3级自动驾驶风险评估与接管预警系统，其特征在于，所述系统包括信息采集装置、信息处理装置、风险值评估装置和预警装置。

7.根据权利要求6所述的L3级自动驾驶风险评估与接管预警系统，其特征在于，所述信息处理装置包括PCA权重计算模块和熵权法权重计算模块；所述PCA权重计算模块和熵权法权重计算模块用于对驾驶绩效指标数据分别进行风险值中所占权重的计算。

8.根据权利要求6所述的L3级自动驾驶风险评估与接管预警系统，其特征在于，所述风险值评估装置包括风险值计算模块和状态判断模块，所述风险值计算模块根据接收的指标权重进行当前L3级自动驾驶条件下最终风险值的计算；所述状态判断模块首先确定驾驶风险的状态，然后对所述风险值计算模块得到的最终风险值进行分类测试，确定最终风险值分类判别标准，最后比较最终风险值和分类判别标准阈值的大小，生成驾驶风险状态判断结果。

9.根据权利要求6所述的L3级自动驾驶风险评估与接管预警系统，其特征在于，所述预警装置根据接收的结果，控制视觉提示模块发出不同颜色的光、听觉提示模块产生不同内容的语音、触觉提示模块产生不同频率的振动，以进行接管预警。

Images