CN113415283B - 一种面向有条件自动驾驶的道路行驶风险评估方法 - Google Patents

Abstract

本发明公开了一种面向有条件自动驾驶的道路行驶风险评估方法，步骤如下：获取道路信息、驾驶员信息与有条件自动驾驶车辆信息；分别建立基于视距失效、车辆侧滑与侧翻的可靠性功能函数；考虑多种行驶失效模式，建立行驶风险评估模型；利用Monte Carlo随机模拟方法得到行驶风险概率，对面向有条件自动驾驶车辆的潜在危险道路路段进行甄别与预警。本发明能够有效评估识别不同道路条件下的有条件自动驾驶车辆行驶风险，为有条件自动驾驶系统功能测试及在既有道路基础设施的实际运营进行安全隐患排查。

Description

一种面向有条件自动驾驶的道路行驶风险评估方法

技术领域

本发明涉及一种面向有条件自动驾驶的道路行驶风险评估方法，属于道路安全评价技术领域。

背景技术

有条件自动驾驶(Conditional Driving Automation)是现代车辆从先进驾驶辅助系统(Advanced Driver Assistance Systems，ADAS)过渡至自动驾驶系统(AutomatedDriving System，ADS)的关键驾驶自动化等级(3级)。有条件自动驾驶系统的基本工作原理是：首先，利用车载传感器与感知算法探测、识别、分类自车周围道路交通环境要素，同时获取自车驾驶姿态；其次，将上述感知信息传递至车载计算单元，通过决策算法完成车辆寻迹、避障等驾驶行为规划；最后，根据上述决策结果输入，控制单元对驱/制动、转向系统进行自动控制，使车辆在功能设计域内实现全部持续性动态驾驶任务。然而，有条件自动驾驶车辆仍然需要驾驶员在系统退出后及时接管动态驾驶任务。自动驾驶的实现已被证实是一个系统逐渐升级(从主动安全系统到完全自动驾驶系统)的漫长过程。有条件自动驾驶系统作为完全自动驾驶真正落地的必经之路，现阶段仍处于技术完善阶段，仅有少量车企发售配备有条件自动驾驶系统的量产车，如本田Legend Hybrid EX，广汽Aion LX。

现有针对有条件自动驾驶系统的研究重点聚焦于系统主要模块(感知、决策、控制)在不同行驶工况下的的功能可靠性与安全性，但目前应用场景仍然局限于高等级公路简单驾驶场景或低速泊车场景。由于激光雷达与高精度地图的引入以及决策模块的升级，有条件自动驾驶系统功能特征明显区别于有人驾驶或ADAS，尤其是它特有的“人机共驾”控制权过渡阶段。然而，现役道路基础设施是面向有人驾驶车辆进行设计，鲜有研究考量其对有条件自动驾驶车辆的行驶适应性，并将三维道路结构及路面属性作为系统设计参数，同时对面向有条件自动驾驶的道路行驶安全性进行评价。因此，目前有条件自动驾驶系统研究的局限性可能影响其在真实道路环境中的功能优势，甚至造成风险事故，如追尾碰撞、侧滑与侧偏等。

发明内容

本发明所要解决的技术问题是：提供一种面向有条件自动驾驶的道路行驶风险评估方法，有助于评估识别不同道路条件下的有条件自动驾驶车辆行驶风险，为有条件自动驾驶系统预警功能设计优化提供理论参考，为有条件自动驾驶系统功能测试及在既有道路基础设施的实际运营进行安全隐患排查。

本发明为解决上述技术问题采用以下技术方案：

一种面向有条件自动驾驶的道路行驶风险评估方法，包括如下步骤：

步骤1，获取道路信息、驾驶员信息与有条件自动驾驶车辆信息；

步骤2，建立基于视距失效的可靠性功能函数；

步骤3，建立基于车辆侧滑的可靠性功能函数；

步骤4，建立基于车辆侧翻的可靠性功能函数；

步骤5，基于步骤2、步骤3、步骤4分别得到的可靠性功能函数，考虑多种行驶失效模式，建立行驶风险评估模型；

步骤6，将步骤1获取的有条件自动驾驶车辆行驶工况信息代入步骤5建立的行驶风险评估模型中，利用Monte Carlo随机模拟方法得到当前道路条件下的行驶风险概率；

步骤7，设定行驶风险概率阈值，将步骤5得到的行驶风险概率与行驶风险概率阈值作比较，对面向有条件自动驾驶车辆的潜在危险道路路段进行甄别与预警。

作为本发明的一种优选方案，步骤1所述所述道路信息包括弯道半径、竖曲线半径(凸形竖曲线半径，凹形竖曲线半径)、当前直坡段纵坡坡度、前方相邻直坡段纵坡坡度、道路横坡坡度、路面宽度、路面横向摩阻系数、桥下设计净空、道路行驶小客车车尾灯安装高度、天气属性；所述驾驶员信息包括驾驶员接管时间、驾驶员制动减速度；所述有条件自动驾驶车辆(《汽车驾驶自动化分级》中规定的3级驾驶自动化等级)信息包括感知传感器最大感知距离、感知传感器最大安装高度、不受光照条件影响的感知传感器最大安装高度、感知传感器仰角、不利天气(雨、雪、雾)条件下最大感知距离折减系数、感知视点距右(左)侧道路边界横向距离、行驶速度、系统感知-制动反应时间、制动间隙消除时间、制动协调时间、系统在系统退出-驾驶员接管过程中预设的制动减速度、车轮轮距、车辆质心高度、侧倾中心高度、侧倾率。

作为本发明的一种优选方案，所述步骤2的具体过程如下：

步骤21，将道路信息根据弯道半径R、竖曲线半径(凸形竖曲线半径K_C，凹形竖曲线半径K_S)、变坡点相邻两直坡段纵坡度差ω(前方相邻直坡段纵坡度i_L2减当前直坡段纵坡度i_L1，当ω>0时竖曲线为凹形竖曲线，当ω<0时竖曲线为凸形竖曲线)取值关系分为四种路段：当R＝0、K_C(或K_S)＝0、ω＝0时为平直路段；当R>0、K_C(或K_S)＝0、ω＝0时为弯直路段；当R＝0、K_C(或K_S)>0、ω≠0时为平坡路段，其中当ω<0时为凸形平坡路段，当ω>0时为凹形平坡路段；当R>0、K_C(或K_S)>0、ω≠0时为弯坡路段，其中当ω<0时为凸形弯坡路段，当ω>0时为凹形弯坡路段；

步骤22，根据上述路段划分，则各路段类型下供给停车视距S_S为：

平直路段S_S为：

S_S＝S_F·α，

式中：S_F为有条件自动驾驶车辆感知传感器最大感知距离；α为不利天气条件下最大感知距离折减系数；

因为道路横净距h_SO为：

式中：R_S为视点轨迹线半径，R_S＝R-B/2+L_H；B为路面宽度；L_H当弯道右转时为感知视点距右侧道路边界横向距离，当弯道左转时为感知视点距左侧道路边界横向距离；S_SC为弯道视距，S_SC<<(2R_S)；

因此，弯直路段S_S为：

因为凸形竖曲线半径K_C为：

式中：h_S为有条件自动驾驶车辆感知传感器最大安装高度；h_O为道路行驶小客车车尾灯安装高度；S_SCV为凸形竖曲线视距；

因此，凸形平坡路段S_S为：

因为凹形竖曲线半径K_S为：

式中：h_B为桥下设计净空；h_Sn为有条件自动驾驶车辆不受光照条件影响的感知传感器最大安装高度；δ为有条件自动驾驶车辆感知传感器仰角；S_SSV为凹形竖曲线视距；

因此，凹形平坡路段S_S为：

综合考虑弯直路段与凸形平坡路段S_S，则凸形弯坡路段S_S为：

综合考虑弯直路段与凹形平坡路段S_S，则凹形弯坡路段S_S为：

步骤23，考虑有条件自动驾驶车辆的控制权由系统被动传递给驾驶员的接管过程，则需求停车视距S_D为：

S_D＝S₁+S₂+S₃，

式中：S₁为有条件自动驾驶系统感知反应阶段停车视距；S₂为有条件自动驾驶系统为获取最小驾驶风险预设制动阶段停车视距；S₃为驾驶员接管阶段停车视距；

S₁为：

S₁＝V_S·t_L3，

式中：V_S为行驶速度；t_L3为有条件自动驾驶系统感知-制动反应时间；

S₂为：

式中：t_g为制动间隙消除时间；t_up为制动协调时间；t_T为驾驶员接管时间；g为重力加速度；A_pd为有条件自动驾驶系统在系统退出-驾驶员接管过程中预设的制动减速度；i_L为道路纵坡度，上坡时公式中i_L前均取+，下坡时公式中i_L前均取-,i_L＝|tanθ_L|；θ_L为道路纵坡坡度，上坡时θ_L为+值，下坡时θ_L为-值；

S₃为：

式中：V_S3为驾驶员接管后的行驶速度，V_S3＝V_S-(A_pd±i_L·g)·(t_T-t_g-t_up/2)；A_dd为驾驶员制动减速度；

步骤24，根据上述各路段类型的S_S与S_D，建立基于视距失效的可靠性功能函数Z_S为：

Z_S＝S_S-S_D。

作为本发明的一种优选方案，所述步骤3的具体过程如下：

步骤31，当有条件自动驾驶车辆在弯直或弯坡路段行驶时，根据侧向力平衡需求，有条件自动驾驶车辆左右轮胎侧向力(左侧轮胎侧向力F_YL，右侧轮胎侧向力F_YR)之和为：

式中：F_Ry为离心力沿道路路面横坡的侧向分量；M_xy为有条件自动驾驶车辆沿道路路面的重力分量；m为有条件自动驾驶车辆质量；θ_H为道路横坡坡度；

步骤32，根据垂向力平衡需求，有条件自动驾驶车辆左右轮胎垂向力(左侧轮胎垂向力F_ZL，右侧轮胎侧向力F_ZR)之和为：

式中：F_Rz为离心力垂直道路路面横坡分量；M_xz为有条件自动驾驶车辆垂直道路路面的重力分量；

步骤33，根据上述有条件自动驾驶车辆侧向力与垂向力平衡需求，则需求横向摩阻系数

为：

步骤34，由于供给的横向摩阻系数为

则基于车辆侧滑的可靠性功能函数Z_f：

作为本发明的一种优选方案，所述步骤4的具体过程如下：

步骤41，当有条件自动驾驶车辆在弯直或弯坡路段行驶时，以靠弯道外侧车轮与路面接触点为原点，则力矩平衡方程为：

F_Zi·l_LR+(F_Ry-M_xy)·h_G-(F_Rz+M_xz)·[l_LR/2-(h_G-h_R)·tanψ]＝0，

式中：F_Zi为靠弯道内侧轮胎垂向力；l_LR为有条件自动驾驶车辆车轮轮距；h_G为有条件自动驾驶车辆质心高度；h_R为有条件自动驾驶车辆侧倾中心高度；ψ为侧倾角，

当ψ<<1时，tanψ≈ψ；r_ψ为侧倾率；

则当靠弯道内侧车轮抬起的力矩平衡临界方程为：

式中：i_H为道路横坡度，i_H＝tanθ_H；当求解上述力矩平衡临界方程时，

则需求视点轨迹线半径R_D可由该力矩平衡临界方程解出；

步骤42，由于供给的视点轨迹线半径为R_S，则基于车辆侧翻的可靠性功能函数Z_R为：

Z_R＝R_S-R_D。

作为本发明的一种优选方案，所述步骤5的具体过程如下：利用概率故障树分析法建立考虑视距失效、车辆侧滑、车辆侧翻三种失效模式的行驶风险评估模型；因为当上述失效模式中任何一种失效发生时，车辆安全行驶状态失效，因此失效模式间为串联关系，利用或门连接；则利用步骤2、步骤3、步骤4分别获得的基于视距失效、车辆侧滑、车辆侧翻的可靠性功能函数建立行驶风险评估模型为：

P_r＝P((Z_S＜0)∪(Z_f＜0)∪(Z_R＜0))。

作为本发明的一种优选方案，所述步骤6的具体过程如下：

步骤61，设定Monte Carlo随机抽样次数与迭代次数；

步骤62，从步骤1获取的道路信息、驾驶员信息与有条件自动驾驶车辆信息中，根据道路行驶风险评价目标确定可靠性功能函数的确定性变量与随机变量，并计算随机变量分布及均值与标准差；

步骤63，利用MATLAB编程实现Monte Carlo随机模拟，生成符合步骤62获取的随机变量分布及均值与标准差的随机变量值；

步骤64，求解步骤5建立的行驶风险评估模型，得到步骤62选取的道路信息、驾驶员信息与有条件自动驾驶车辆信息条件下的行驶风险概率P_r。

作为本发明的一种优选方案，所述步骤7的具体过程如下：

步骤71，设定行驶风险概率阈值P_threshold；

步骤72，对步骤64得到的P_r与P_threshold作差比较，得到行驶风险评估结果W，公式为：

式中：当W＝1时，表明当前面向有条件自动驾驶的道路行驶安全；当W＝0时，表明当前面向有条件自动驾驶的道路处于临界行驶风险状态；当W＝-1时，表明当前面向有条件自动驾驶的道路有行驶风险。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明从道路条件对有条件自动驾驶车辆行驶安全影响角度出发，结合可靠度理论考虑单个有条件自动驾驶车辆在不同道路条件下的失效类型，建立基于视距失效、车辆侧滑与侧翻的可靠性功能函数，综合多种失效模式构建行驶风险评估模型，有助于定量化评估并识别不同道路条件下的有条件自动驾驶车辆行驶风险，为有条件自动驾驶系统预警功能设计优化提供理论参考。同时，利用本发明公开的方法得到的行驶风险概率能够反馈为有条件自动驾驶系统功能测试及在既有道路基础设施的实际运营进行安全隐患排查。

附图说明

图1是本发明一种面向有条件自动驾驶的道路行驶风险评估方法的流程图。

图2是本发明中有条件自动驾驶车辆的控制权由系统被动传递给驾驶员的接管过程中各阶段对应的制动减速度、行驶速度、停车视距与时间的关系示意图。

图3是本发明中有条件自动驾驶车辆动力学模型示意图；

图4是本发明中有条件自动驾驶车辆道路行驶风险概率故障树模型示意图；

图5是本发明中Monte Carlo随机模拟方法流程图；

图6是利用本发明中提供的方法得到的路段视距失效、车辆侧滑、车辆侧翻及行驶风险概率示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

如图1所示，为本发明提出的一种面向有条件自动驾驶的道路行驶风险评估方法，具体步骤如下：

(1)获取道路信息、驾驶员信息与有条件自动驾驶车辆信息；

道路信息中的弯道半径、竖曲线半径(凸形竖曲线半径，凹形竖曲线半径)、当前直坡段纵坡坡度、前方相邻直坡段纵坡坡度、道路横坡坡度、路面宽度、路面横向摩阻系数、桥下设计净空可以通过查阅待评价道路路段设计资料获取；行驶小客车车尾灯安装高度可以通过待评价道路路段交通调查结果中主要交通车辆车型获取或查阅《公路工程技术标准》(JTG B01-2014)中规定经验值；天气属性可以根据评价需求确定；

驾驶员信息中的驾驶员接管时间可以通过查阅有关“有条件自动驾驶中驾驶员接管绩效”论文中的接管时间结果获取；驾驶员制动减速度也可以利用上述方法获取或查阅《公路工程技术标准》(JTG B01-2014)中规定经验值；

有条件自动驾驶车辆信息中的感知传感器最大感知距离、感知传感器最大安装高度、不受光照条件影响的感知传感器最大安装高度、感知传感器仰角、不利天气(雨、雪、雾)条件下最大感知距离折减系数、系统感知-制动反应时间、制动间隙消除时间、制动协调时间、系统在系统退出-驾驶员接管过程中预设的制动减速度、车轮轮距、车辆质心高度、侧倾中心高度、侧倾率可以通过查阅现有量产有条件自动驾驶车辆产品相关参数资料获取；感知视点距右侧道路边界横向距离可以利用车辆中心距右侧道路边界横向距离进行合理估计，同时车辆中心距右侧道路变价横向距离可以由各车道中心线距右侧道路边界横向距离表征；行驶速度可以通过仿真试验或假设数据分布特征获取。

(2)建立基于视距失效的可靠性功能函数；

1)将道路信息根据弯道半径R、竖曲线半径(凸形竖曲线半径K_C，凹形竖曲线半径K_S)、变坡点相邻两直坡段纵坡度差ω(前方相邻直坡段纵坡度i_L2减当前直坡段纵坡度i_L1，当ω>0时竖曲线为凹形竖曲线，当ω<0时竖曲线为凸形竖曲线)取值关系分为四种路段：当R＝0、K_C(或K_S)＝0、ω＝0时为平直路段；当R>0、K_C(或K_S)＝0、ω＝0时为弯直路段；当R＝0、K_C(或K_S)>0、ω≠0时为平坡路段，其中当ω<0时为凸形平坡路段，当ω>0时为凹形平坡路段；当R>0、K_C(或K_S)>0、ω≠0时为弯坡路段，其中当ω<0时为凸形弯坡路段，当ω>0时为凹形弯坡路段；

2)根据上述路段划分，则各路段类型下供给停车视距S_S为：

平直路段S_S为：

S_S＝S_F·α，

式中：S_F为有条件自动驾驶车辆感知传感器最大感知距离；α为不利天气条件下最大感知距离折减系数；

因为道路横净距h_SO为：

式中：R_S为视点轨迹线半径，R_S＝R-B/2+L_H；B为路面宽度；L_H当弯道右转时为感知视点距右侧道路边界横向距离，当弯道左转时为感知视点距左侧道路边界横向距离；S_SC为弯道视距，S_SC<<(2R_S)；

因此，弯直路段S_S为：

因为凸形竖曲线半径K_C为：

式中：h_S为有条件自动驾驶车辆感知传感器最大安装高度；h_O为道路行驶小客车车尾灯安装高度；S_SCV为凸形竖曲线视距；

因此，凸形平坡路段S_S为：

因为凹形竖曲线半径K_S为：

式中：h_B为桥下设计净空；δ为有条件自动驾驶车辆感知传感器仰角；S_SSV为凹形竖曲线视距；

因此，凹形平坡路段S_S为：

综合考虑弯直路段与凸形平坡路段S_S，则凸形弯坡路段S_S为：

综合考虑弯直路段与凹形平坡路段S_S，则凹形弯坡路段S_S为：

3)考虑有条件自动驾驶车辆的控制权由系统被动传递给驾驶员的接管过程，则需求停车视距S_D为：

S_D＝S₁+S₂+S₃，

式中：S₁为有条件自动驾驶系统感知反应阶段停车视距；S₂为有条件自动驾驶系统为获取最小驾驶风险预设制动阶段停车视距；S₃为驾驶员接管阶段停车视距；

S₁为：

S₁＝V_S·t_L3，

式中：V_S为行驶速度；t_L3为有条件自动驾驶系统感知-制动反应时间；

S₂为：

式中：t_g为制动间隙消除时间；t_up为制动协调时间；t_T为驾驶员接管时间；g为重力加速度；A_pd为有条件自动驾驶系统在系统退出-驾驶员接管过程中预设的制动减速度；i_L为道路纵坡度，上坡时公式中i_L前均取+，下坡时公式中i_L前均取-,i_L＝|tanθ_L|；θ_L为道路纵坡坡度，上坡θ_L为+值，下坡θ_L为-值；

S₃为：

式中：V_S3为驾驶员接管后的行驶速度，V_S3＝V_S-(A_pd±i_L·g)·(t_T-t_g-t_up/2)；A_dd为驾驶员制动减速度；上坡时公式中i_L前均取+，下坡时公式中i_L前均取-；

本发明中上述各阶段对应的制动减速度、行驶速度、停车视距与时间的图像如图2所示；

4)根据上述各路段类型的S_S与S_D，建立基于视距失效的可靠性功能函数Z_S为：

Z_S＝S_S-S_D。

(3)建立基于车辆侧滑的可靠性功能函数；

如图3所示，为本发明中有条件自动驾驶车辆动力学模型示意图；

1)当有条件自动驾驶车辆在弯直或弯坡路段行驶时，根据侧向力平衡需求，有条件自动驾驶车辆左右轮胎侧向力(左侧轮胎侧向力F_YL，右侧轮胎侧向力F_YR)之和为：

式中：F_Ry为离心力沿道路路面横坡的侧向分量；M_xy为有条件自动驾驶车辆沿道路路面的重力分量；m为有条件自动驾驶车辆质量；θ_H为道路横坡坡度；

2)根据垂向力平衡需求，有条件自动驾驶车辆左右轮胎垂向力(左侧轮胎垂向力F_ZL，右侧轮胎侧向力F_ZR)之和为：

式中：F_Rz为离心力垂直道路路面横坡分量；M_xz为有条件自动驾驶车辆垂直道路路面的重力分量；

3)根据上述有条件自动驾驶车辆侧向力与垂向力平衡需求，则需求横向摩阻系数

为：

4)由于供给的横向摩阻系数为

则基于车辆侧滑的可靠性功能函数Z_f：

(4)建立基于车辆侧翻的可靠性功能函数；

1)当有条件自动驾驶车辆在弯直或弯坡路段行驶时，以靠弯道外侧车轮与路面接触点为原点，则力矩平衡方程为：

F_Zi·l_LR+(F_Ry-M_xy)·h_G-(F_Rz+M_xz)·[l_LR/2-(h_G-h_R)·tanψ]＝0，

式中：F_Zi为靠弯道内侧轮胎垂向力；l_LR为有条件自动驾驶车辆车轮轮距；h_G为有条件自动驾驶车辆质心高度；h_R为有条件自动驾驶车辆侧倾中心高度；ψ为侧倾角，

当ψ<<1时，tanψ≈ψ；r_ψ为侧倾率；

则当靠弯道内侧车轮抬起的力矩平衡临界方程为：

式中：i_H为道路横坡度，i_H＝tanθ_H；当求解上述力矩平衡临界方程时，

则需求视点轨迹线半径R_D可由该力矩平衡临界方程解出；

2)由于供给的视点轨迹线半径为R_S，则基于车辆侧翻的可靠性功能函数Z_R为：

Z_R＝R_S-R_D。

(5)基于(2)、(3)、(4)分别得到的可靠性功能函数，考虑多种行驶失效模式，建立行驶风险评估模型；

利用概率故障树分析法(如图4所示)建立考虑视距失效、车辆侧滑、车辆侧翻三种失效模式的行驶风险评估模型；因为当上述失效模式中任何一种失效发生时，车辆安全行驶状态失效，因此失效模式间为串联关系，利用或门连接；则利用(2)、(3)、(4)分别获得的基于视距失效、车辆侧滑、车辆侧翻的可靠性功能函数建立行驶风险评估模型为：

P_r＝P((Z_S＜0)∪(Z_f＜0)∪(Z_R＜0))。

(6)将(1)获取的有条件自动驾驶车辆行驶工况信息代入(5)建立的行驶风险评估模型中，利用Monte Carlo随机模拟方法得到当前道路条件下的行驶风险概率；

1)设定Monte Carlo随机抽样次数与迭代次数；

2)从(1)获取的道路信息、驾驶员信息与有条件自动驾驶车辆信息中，根据道路行驶风险评价目标确定可靠性功能函数的确定性变量与随机变量，并计算随机变量分布及均值与标准差；

3)利用MATLAB编程实现Monte Carlo随机模拟，生成符合2)获取的随机变量分布及均值与标准差的随机变量值；

4)求解(5)建立的行驶风险评估模型，得到2)选取的道路信息、驾驶员信息与有条件自动驾驶车辆信息条件下的行驶风险概率P_r。

(7)设定行驶风险概率阈值，将(6)得到的行驶风险概率与行驶风险概率阈值作比较，对面向有条件自动驾驶车辆的潜在危险道路路段进行甄别与预警；

1)设定行驶风险概率阈值P_threshold；

2)对(6)得到的P_r与P_threshold作差比较，得到行驶风险评估结果W，公式为：

式中：当W＝1时，表明当前面向有条件自动驾驶的道路行驶安全；当W＝0时，表明当前面向有条件自动驾驶的道路处于临界行驶风险状态；当W＝-1时，表明当前面向有条件自动驾驶的道路有行驶风险。

本实施例选取某面向有条件自动驾驶的双向四车道山区一级公路中三个路段进行行驶风险评估，主要包括以下步骤：

(1)获取道路信息、驾驶员信息与有条件自动驾驶车辆信息；

获取的三个路段道路信息、驾驶员信息与有条件自动驾驶车辆信息如表1至3所示：

表1路段1道路信息、驾驶员信息与有条件自动驾驶车辆信息

表2路段2道路信息、驾驶员信息与有条件自动驾驶车辆信息

表3路段3道路信息、驾驶员信息与有条件自动驾驶车辆信息

(2)建立基于视距失效的可靠性功能函数；

根据路段1、路段2、路段3的道路信息可知路段1为凸形弯坡路段、路段2为弯直路段、路段3为凹形平坡路段。因此，各路段Z_S为：

路段1：

路段2：

路段3：

(3)建立基于车辆侧滑的可靠性功能函数；

根据路段1、路段2、路段3的路段类型，各路段Z_f为：

路段1：

路段2：

路段3：无。

(4)建立基于车辆侧翻的可靠性功能函数；

根据路段1、路段2、路段3的路段类型，各路段Z_R为：

路段1：R_S-R_D；

路段2：R_S-R_D；

路段3：无。

(5)基于(2)、(3)、(4)分别得到的可靠性功能函数，考虑多种行驶失效模式，建立行驶风险评估模型；

路段1风险评估模型为：P_r＝P((Z_S＜0)∪(Z_f＜0)∪(Z_R＜0))；

路段2风险评估模型为：P_r＝P((Z_S＜0)∪(Z_f＜0)∪(Z_R＜0))；

路段3风险评估模型为：P_r＝P(Z_S＜0)。

(6)将(1)获取的有条件自动驾驶车辆行驶工况信息代入(5)建立的行驶风险评估模型中，利用Monte Carlo随机模拟方法得到当前道路条件下的行驶风险概率。

如图5所示，为利用Monte Carlo随机模拟方法得到当前路段的行驶风险概率流程图。

首先，设定Monte Carlo随机抽样次数为10⁶并初始化总迭代次数n、视距失效次数n_S、车辆侧滑次数n_f、车辆侧翻次数n_R、视距失效且车辆侧滑次数n_Sf、视距失效且车辆侧翻次数n_SR、车辆侧滑且车辆侧翻次数n_fR、视距失效且车辆侧滑车辆侧翻次数n_SfR；

其次，根据(1)获取的道路信息、驾驶员信息与有条件自动驾驶车辆信息的确定性变量与随机变量，其中确定性变量包括确定性变量值，随机变量包括随机变量分布及均值与标准差；

再次，利用MATLAB编程实现Monte Carlo随机模拟，生成符合随机变量分布及均值与标准差的随机变量值；

最后，当总迭代次数达到随机抽样次数时，根据视距失效次数、车辆侧滑次数、车辆侧翻次数、视距失效且车辆侧滑次数、视距失效且车辆侧翻次数、车辆侧滑且车辆侧翻次数、视距失效且车辆侧滑车辆侧翻次数求解步骤5建立的行驶风险评估模型，得到(6)中2)选取的道路信息、驾驶员信息与有条件自动驾驶车辆信息条件下的行驶风险概率P_r，各路段P_r如图6所示。

(7)设定行驶风险概率阈值，将(5)得到的行驶风险概率与行驶风险概率阈值作比较，对面向有条件自动驾驶车辆的潜在危险道路路段进行甄别与预警；

设定行驶风险概率阈值为50％，则各路段W为：

路段1：W＝-1，该路段行驶有风险；

路段2：W＝1，该路段行驶安全；

路段3：W＝-1，该路段行驶有风险。

综述所述，本发明从道路条件对有条件自动驾驶车辆行驶安全影响角度出发，结合可靠度理论考虑单个有条件自动驾驶车辆在不同道路条件下的失效类型，建立基于视距失效、车辆侧滑与侧翻的可靠性功能函数，综合多种失效模式构建行驶风险评估模型，有助于定量化评估并识别不同道路条件下的有条件自动驾驶车辆行驶风险，为有条件自动驾驶系统预警功能设计优化提供理论参考。同时，利用本发明公开的方法得到的行驶风险概率能够反馈为有条件自动驾驶系统功能测试及在既有道路基础设施的实际运营进行安全隐患排查。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (7)

1.一种面向有条件自动驾驶的道路行驶风险评估方法，其特征在于，包括如下步骤：

步骤1，获取有条件自动驾驶车辆行驶工况信息，包括道路信息、驾驶员信息与有条件自动驾驶车辆信息；

步骤2，建立基于视距失效的可靠性功能函数，具体过程如下：

步骤21，将道路信息根据弯道半径R、凸形竖曲线半径K_C，凹形竖曲线半径K_S、变坡点相邻两直坡段纵坡度差ω的取值关系划分为四种路段：当R＝0、K_C或K_S＝0、ω＝0时为平直路段；当R>0、K_C或K_S＝0、ω＝0时为弯直路段；当R＝0、K_C或K_S>0、ω≠0时为平坡路段，其中当ω<0时为凸形平坡路段，当ω>0时为凹形平坡路段；当R>0、K_C或K_S>0、ω≠0时为弯坡路段，其中当ω<0时为凸形弯坡路段，当ω>0时为凹形弯坡路段；

步骤22，根据步骤21的路段划分结果，计算每种路段下的供给停车视距S_S：

平直路段下：

S_S＝S_F·α，

式中：S_F为有条件自动驾驶车辆感知传感器最大感知距离；α为不利天气条件下最大感知距离折减系数；

弯直路段下：

式中：h_SO为道路横净距，

R_S为视点轨迹线半径，R_S＝R-B/2+L_H；B为路面宽度；当弯道右转时L_H为感知视点距右侧道路边界横向距离，当弯道左转时L_H为感知视点距左侧道路边界横向距离；S_SC为弯道视距；

凸形平坡路段下：

式中：K_C为凸形竖曲线半径，

h_S为有条件自动驾驶车辆感知传感器最大安装高度；h_O为道路行驶小客车车尾灯安装高度；S_SCV为凸形竖曲线视距；

凹形平坡路段下：

式中：K_S为凹形竖曲线半径，

h_B为桥下设计净空；h_Sn为有条件自动驾驶车辆不受光照条件影响的感知传感器最大安装高度；δ为有条件自动驾驶车辆感知传感器仰角；S_SSV为凹形竖曲线视距；

综合考虑弯直路段与凸形平坡路段，则凸形弯坡路段下：

综合考虑弯直路段与凹形平坡路段，则凹形弯坡路段下：

步骤23，考虑有条件自动驾驶车辆的控制权由系统被动传递给驾驶员的接管过程，则需求停车视距S_D为：

S_D＝S₁+S₂+S₃，

式中：S₁为有条件自动驾驶系统感知反应阶段停车视距；S₂为有条件自动驾驶系统为获取最小驾驶风险预设制动阶段停车视距；S₃为驾驶员接管阶段停车视距；

S₁为：

S₁＝V_S·t_L3，

式中：V_S为行驶速度；t_L3为有条件自动驾驶系统感知-制动反应时间；

S₂为：

式中：t_g为制动间隙消除时间；t_up为制动协调时间；t_T为驾驶员接管时间；g为重力加速度；A_pd为有条件自动驾驶系统在系统退出-驾驶员接管过程中预设的制动减速度；i_L为道路纵坡度，i_L＝|tanθ_L|；θ_L为道路纵坡坡度；

S₃为：

式中：V_S3为驾驶员接管后的行驶速度，

A_dd为驾驶员制动减速度；

步骤24，根据步骤22和23的结果，建立基于视距失效的可靠性功能函数Z_S为：

Z_S＝S_S-S_D；

步骤3，建立基于车辆侧滑的可靠性功能函数；

步骤4，建立基于车辆侧翻的可靠性功能函数；

步骤5，基于步骤2、步骤3、步骤4分别得到的可靠性功能函数，考虑多种行驶失效模式，建立行驶风险评估模型；

步骤6，将步骤1获取的有条件自动驾驶车辆行驶工况信息代入步骤5建立的行驶风险评估模型中，利用Monte Carlo随机模拟方法得到当前道路条件下的行驶风险概率；

步骤7，设定行驶风险概率阈值，将步骤5得到的行驶风险概率与行驶风险概率阈值作比较，对当前道路条件下的行驶风险进行评估。

2.根据权利要求1所述的面向有条件自动驾驶的道路行驶风险评估方法，其特征在于，所述步骤1中，道路信息包括弯道半径、竖曲线半径、当前直坡段纵坡坡度、前方相邻直坡段纵坡坡度、道路横坡坡度、路面宽度、路面横向摩阻系数、桥下设计净空、道路行驶小客车车尾灯安装高度、天气属性，其中竖曲线半径包括凸形竖曲线半径和凹形竖曲线半径；驾驶员信息包括驾驶员接管时间、驾驶员制动减速度；有条件自动驾驶车辆信息包括感知传感器最大感知距离、感知传感器最大安装高度、不受光照条件影响的感知传感器最大安装高度、感知传感器仰角、不利天气条件下最大感知距离折减系数、感知视点距右/左侧道路边界横向距离、行驶速度、系统感知-制动反应时间、制动间隙消除时间、制动协调时间、系统在系统退出-驾驶员接管过程中预设的制动减速度、车轮轮距、车辆质心高度、侧倾中心高度、侧倾率，其中不利天气包括雨、雪、雾。

3.根据权利要求1所述的面向有条件自动驾驶的道路行驶风险评估方法，其特征在于，所述步骤3的具体过程如下：

步骤31，当有条件自动驾驶车辆在弯直或弯坡路段行驶时，根据侧向力平衡需求，有条件自动驾驶车辆的左侧轮胎侧向力F_YL与右侧轮胎侧向力F_YR之和为：

式中：F_Ry为离心力沿道路路面横坡的侧向分量；M_xy为有条件自动驾驶车辆沿道路路面的重力分量；m为有条件自动驾驶车辆质量；θ_H为道路横坡坡度；

步骤32，根据垂向力平衡需求，有条件自动驾驶车辆的左侧轮胎垂向力F_ZL与右侧轮胎垂向力F_ZR之和为：

式中：F_Rz为离心力垂直道路路面横坡分量；M_xz为有条件自动驾驶车辆垂直道路路面的重力分量；

步骤33，根据侧向力与垂向力平衡需求，计算需求横向摩阻系数

为：

步骤34，根据供给的横向摩阻系数

建立基于车辆侧滑的可靠性功能函数Z_f：

4.根据权利要求1所述的面向有条件自动驾驶的道路行驶风险评估方法，其特征在于，所述步骤4的具体过程如下：

步骤41，当有条件自动驾驶车辆在弯直或弯坡路段行驶时，以靠弯道外侧车轮与路面接触点为原点，则力矩平衡方程为：

F_Zi·l_LR+(F_Ry-M_xy)·h_G-(F_Rz+M_xz)·[l_LR/2-(h_G-h_R)·tanψ]＝0，

式中：F_Zi为靠弯道内侧轮胎垂向力；l_LR为有条件自动驾驶车辆车轮轮距；h_G为有条件自动驾驶车辆质心高度；h_R为有条件自动驾驶车辆侧倾中心高度；ψ为侧倾角，ψ＝r_ψ·V_S ²/(g·R_S)；r_ψ为侧倾率；

靠弯道内侧车轮抬起的力矩平衡临界方程为：

式中：i_H为道路横坡度，i_H＝tanθ_H；

步骤42，根据供给的视点轨迹线半径R_S，建立基于车辆侧翻的可靠性功能函数Z_R为：

Z_R＝R_S-R_D。

5.根据权利要求1所述的面向有条件自动驾驶的道路行驶风险评估方法，其特征在于，所述步骤5的具体过程如下：基于步骤2、步骤3、步骤4分别得到的可靠性功能函数，利用概率故障树分析法建立考虑视距失效、车辆侧滑、车辆侧翻三种失效模式的行驶风险评估模型为：

P_r＝P((Z_S＜0)∪(Z_f＜0)∪(Z_R＜0))，

式中，P_r为行驶风险概率，P((Z_S＜0)∪(Z_f＜0)∪(Z_R＜0))表示Z_S＜0或Z_f＜0或Z_R＜0的概率，Z_S＜0表示发生视距失效，Z_f＜0表示发生车辆侧滑，Z_R＜0表示发生车辆侧翻。

6.根据权利要求1所述的面向有条件自动驾驶的道路行驶风险评估方法，其特征在于，所述步骤6的具体过程如下：

步骤61，设定Monte Carlo随机抽样次数与迭代次数；

步骤62，从步骤1获取的道路信息、驾驶员信息与有条件自动驾驶车辆信息中，根据道路行驶风险评价目标确定可靠性功能函数的确定性变量与随机变量，并计算随机变量分布及均值与标准差；

步骤63，利用MATLAB编程实现Monte Carlo随机模拟，生成符合步骤62获取的随机变量分布及均值与标准差的随机变量值；

步骤64，求解步骤5建立的行驶风险评估模型，得到步骤62选取的道路信息、驾驶员信息与有条件自动驾驶车辆信息条件下的行驶风险概率P_r。

7.根据权利要求1所述的面向有条件自动驾驶的道路行驶风险评估方法，其特征在于，所述步骤7的具体过程如下：

步骤71，设定行驶风险概率阈值P_threshold；

步骤72，对行驶风险概率P_r与P_threshold作差比较，得到行驶风险评估结果W，公式为：

式中：当W＝1时，表明当前面向有条件自动驾驶的道路行驶安全；当W＝0时，表明当前面向有条件自动驾驶的道路处于临界行驶风险状态；当W＝-1时，表明当前面向有条件自动驾驶的道路有行驶风险。

Images