CN113479200B - 一种跟车场景车辆风险状态的动态评价方法 - Google Patents

Abstract

本发明公开了一种跟车场景车辆风险状态的动态评价方法，属于车辆风险监测与预警领域，包括根据前、后车实时相对运动状态判断动态最小安全距离，以时间裕度作为衡量驾驶人反应能力的指标，提出考虑驾驶人反应能力的制动距离差异化计算方法，以及跟车场景中的车辆风险动态评价方法。本发明所提出的跟车场景车辆风险评价方法，能够实时监控跟车场景中自车与前车辆的相对运动状态，计算车辆风险状态评价结果，能够为车辆风险监测与避撞系统提供技术积累和理论支撑。

Description

一种跟车场景车辆风险状态的动态评价方法

技术领域

本发明属于车辆风险监测与预警领域，更为具体地，涉及一种跟车场景车辆风险状态的动态评价方法。

背景技术

驾驶安全是研究人员和相关机构共同关注的问题，根据2015年世界卫生组织发布的统计数据，全球每年约有125万人死于道路交通事故；根据国家安监总局国际交流合作中心、交通运输部国际合作事务中心和德国机动车监督协会联合调查的数据显示，中国近十年的年交通事故数量均超过20万次。由此可见，及时、可靠地监测车辆的风险状态，是改善道路交通安全的有效途径，能够为车辆风险监测与避撞系统提供技术积累和理论支撑。

跟车场景是自然驾驶中时间、里程占比最长的一类驾驶场景，而驾驶人不合理的跟车策略是导致追尾事故的重要原因。追尾事故的常见原因是在跟车潜在风险场景中，前车突然制动，由于自车驾驶人没有正确判断跟车场景的潜在风险，从而没有及时做出避撞行为，就会持续接近前车导致发生碰撞。

在车辆风险监测领域，主要的风险监测途径包括时间参数、距离参数和减速度参数。在跟车场景中，最常使用的参数是临碰撞时间(Time to Collision,TTC)，以此评价前、后车的碰撞风险；此外，车头时距(Time Headway,THW)是自车与前车之间的时间间隔，车头时距代表着前后两辆车的前端通过同一地点的时间差，可以在一定程度上度量车辆碰撞风险，可以与TTC作为互补指标综合评价车辆风险状态。然面，在跟车场景的车辆风险评价研究中，TTC无法用于相对速度低或接近于0km/h的跟车场景，THW则忽略了前车的速度变化。因此，基于TTC和THW的车辆风险监测技术存在一定的局限性，忽略了自车与周围车辆之间时变的相对运动状态，有机动性不足、灵活性差和适用范围窄的缺陷。

发明内容

本发明的目的是针对前述问题，提出了一种考虑驾驶人时间裕度的跟车场景车辆风险状态的动态评价方法，通过计算前、后车的实时最小安全距离为动态评价车辆风险状态提供支撑，使用时间裕度作为驾驶人反应能力和碰撞风险的评价指标，实现对跟车场景的车辆风险状态进行评价。

一种跟车场景车辆风险状态的动态评价方法，该方法应用于后车与前车的相对运动状态工况，假设前车紧急制动的情况下，以后车为主体的跟车场景中后车存在潜在风险的情况，其特征在于，所述方法包括如下步骤：

步骤S1：定义时间裕度概念

以驾驶人在潜在风险跟车场景下进行避撞操作需满足的最大反应时间作为时间裕度；

步骤S2：根据前、后车实时相对运动状态，确定动态最小纵向安全距离；

动态最小纵向安全距离为前车突然紧急制动，后车经过反应和制动，两车减速至完全停止且不发生碰撞；

步骤S3：根据驾驶人的制动全过程，确定车辆制动过程的总制动距离；

所述驾驶人的制动全过程分为四个阶段，四个阶段分别为驾驶人收到大脑决策信号后作出反应阶段、制动器发生作用阶段、持续制动阶段和放松制动器阶段；

步骤S4：建立跟车场景中的车辆风险预测模型

根据所述动态最小纵向安全距离和所述车辆制动过程的总制动距离建立跟车场景中的车辆风险预测模型；

步骤S5：车辆风险等级划分

基于跟车场景中的时间裕度数据，使用K-means聚类和方差分析法ANOVA对车辆风险等级进行划分。

进一步，所述步骤S2中根据前、后车实时相对运动状态，确定动态最小纵向安全距离的过程如下：

1)定义两车之间的纵向距离：以后车前端和前车后端的距离为两车之间的纵向距离；

2)根据两车之间的纵向距离，确定两车之间的最小安全纵向距离的过程如下：

沿着车道长度方向，两车同向行驶，前方车辆以最大制动减速度a_max,brake制动，在制动反应时间τ′₁内，后方车辆以a_max,accel加速，然后以最小制动减速度a_min,brake减速至停车，整个过程未碰撞，则最小安全纵向距离为：

其中：

其中，v_r和v_f分别是后车和前车车辆的纵向速度；τ′₁是制动反应时间；a_max,brake是最大制动减速度；a_max,accel是最大加速度；a_min,brake是最小制动减速度；L_min是最小纵向安全距离；

3)不发生碰撞的临界条件

前、后辆车初始时刻不碰撞的临界条件：L₀＞0；

两车制动至静止的时刻，不发生碰撞的临界条件是：

其中，L₀是前、后两车之间的初始距离；amax,brake是最大制动减速度；a_max,accel是最大加速度；a_min,brake是最小制动减速度；

为制动反应时间内速度的最大值。

进一步，所述步骤S3中根据所述动态最小纵向安全距离和所述车辆制动过程的总制动距离建立跟车场景中的车辆风险预测模型的过程如下：

当驾驶人观察到前方路况异常时会自主将右脚移至制动踏板上，紧急踩下制动踏板一直到踏板最大行程处，直到自车静止，驾驶人的制动全过程分为四个阶段：驾驶人收到大脑决策信号后作出反应、制动器发生作用、持续制动、放松制动器，车辆制动过程的总制动距离满足如下公式：

式中：s为总制动距离；u(0)为车辆初速度；ab(e)为车辆保持匀减速运动之前时刻的减速度；τ′₁代表驾驶人的制动反应时间；τ″₁代表驾驶人脚掌由油门踏板转移到制动踏板所需的移动时间，τ″₁取0.1s；上述两段时间之和记为τ₁，即τ₁＝τ′₁+τ″₁；τ′₂代表制动踏板设计冗余行程的时间即制动系间隙协调时间；τ″₂代表制动踏板有效行程由零达到最大行程所用的时间即制动力作用时间；制动系间隙协调时间和制动力作用时间之和为τ₂，τ₂＝τ′₂+τ″₂。

进一步，所述步骤S4中根据所述动态最小纵向安全距离和所述车辆制动过程的总制动距离建立跟车场景中的车辆风险预测模型的过程如下：

设在跟车场景中后车和前车的初始速度分别为u_r(0)和u_f(0)，两车之间的跟车距离为L，当前车急刹车，前车的全程制动距离为sf：

式中，s_f为前车的全程制动距离；u_f(t)为t时刻的前车速度；τ″₂为制动器起作用之后的时间段；a_f(t)为t时刻的前车加速度；

从后车驾驶人接收到前车制动信号开始，经历制动过程直至静止但未发生碰撞的制动距离为s_r：

式中，u_r(t)为t时刻的后车速度；τ″₂为制动器起作用之后的时间段；a_r(t)为t时刻的后车加速度；τ′₁代表驾驶人的制动反应时间；τ″₁代表驾驶人脚掌由油门踏板转移到制动踏板所需的移动时间，τ″₁取0.1s；τ′₂代表制动踏板设计冗余行程的时间即制动系间隙协调时间；τ″₂代表制动踏板有效行程由零达到最大行程所用的时间即制动力作用时间；

整个前、后车的制动过程：

后车在行驶过程中突然急减速，在此时刻至两车停止的过程中，自车和前车的减速度分别为a_r(t)和a_f(t)，L_miss为两车静止后的距离；两车不发生碰撞的临界条件为：

L_miss≤(L+s_f-s_r)

式中，a_br(t)为t时刻的后车制动减速度；a_bf(t)为t时刻的前车制动减速度；u_r(t)为t时刻的后车速度；u_f(t)为t时刻的前车速度；a_r(t)为t时刻的后车加速度；a_f(t)为t时刻的前车加速度；L为跟车距离；L_miss为两车静止后未发生碰撞的距离；

设前车紧急制动条件下留给后车驾驶人不发生碰撞的反应时间，记为时间裕度TM_following，则：

前、后车的实时速度、加速度和跟车时距已知，则跟车场景的实时时间裕度即为所求；TM_following的值越大代表跟车场景可供驾驶人处理应急事件的时间越长，即跟车场景的风险程度越低。

进一步，所述步骤S5中车辆风险等级划分的过程如下：

使用K-means聚类得到的不同类别时间裕度的簇，鉴于时间裕度越低的为越高的车辆风险等级，时间裕度越高为越低的车辆风险等级；因此，根据每个簇的数值区间范围，数值小为高风险，数值大为低风险，每个簇按照其数值区间的排序确定车辆风险等级；

使用方差分析法ANOVA提出各簇之间的无差异假设H0、有显著差异假设H1，选择F统计量作为检验统计量，计算检验统计量的观测值和概率P值，首先，排除接受H1假设的聚类方式；其次，同时以各聚类方式的轮廓系数最大化和误差最小化为评价准则，轮廓系数接近+1表示簇内的个案之间紧凑，为0时表示有簇重叠，最终确定k值的聚类参数；

然后利用K-means算法将获得的时间裕度进行聚类操作，聚类簇数k设置为n，通过聚类算法迭代计算得到时间裕度簇，以各个簇的聚类结果作为跟车场景的风险评价等级。

通过上述设计方案，本发明可以带来如下有益效果：本发明公开了一种跟车场景车辆风险状态的动态评价方法，所述方法包括根据前、后车实时相对运动状态判断动态最小安全距离，考虑驾驶人反应时间裕度的制动距离差异化计算方法，以及跟车场景中的车辆风险动态评价方法。本发明所提出的跟车场景车辆风险评价方法，能够实时监控跟车场景中自车与周围车辆的相对运动状态，计算车辆风险状态评价结果，能够为车辆风险监测与避撞系统提供技术积累和理论支撑。

附图说明

此处的附图说明用来提供对本发明的进一步理解，构成本发明申请的一部分，本发明示意性实施例及其说明用于理解本发明，并不构成本发明的不当限定，在附图中：

图1为跟车场景下的车辆制动距离示意图；

图2为风险等级聚类结果。

具体实施方式

为使得本发明的目的、特征、优点能够更加的明显和易懂，下面结合本发明的实施例中的附图，对本发明中的技术方案进行清楚完整地描述。显然，本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。为了避免混淆本发明的实质，公知的方法、过程和流程并没有详细叙述。

一、本发明的前提条件与工况限定

本发明使用驾驶人在潜在风险跟车场景下进行避撞操作需满足的最大反应时间作为评价后车潜在风险评价指标的概念，以此描述后车的潜在风险情况，并将这一概念定义为时间裕度。

鉴于基于时间裕度的风险评价方法主要针对自车与前车的相对运动状态工况。因此，本发明提出的车辆风险状态评价方法主要面向以后车为主体的驾驶场景，模型的适用工况和前提条件定义如下：

(1)本发明的使用前提条件需智能汽车具有驾驶人制动反应时间估计模块，能够对不同类型的驾驶人的制动反应时间进行估计，所得到的制动反应时间用于本发明的风险评价方法中。

(2)由于本发明考虑由自车(即试验车辆)驾驶人的风险驾驶行为导致车辆处于的风险行驶状态，同时履行我国交通规则的责任划分方法，仅考虑了由自车引发的责任风险，设计试验工况不包括其他车引发的责任风险。具体地，以后车作为自车，排除自车反向行驶(例如溜车)撞到后车等特殊情况；也排除其他车辆主动碰撞自车的情况。

(3)本发明仅关注由驾驶人操控自车引发的风险情况，包括风险驾驶行为、失误行为或错误行为引发的潜在风险，由恶意驾驶、疲劳驾驶等条件引发的潜在风险不在研究范围内。

二、动态最小纵向安全距离计算方法

定义两车之间的纵向距离为后车前端和前车后端的距离，假设安全距离恰好够大使得任何情况下后车不会碰撞前车，使用极限条件下最小安全纵向距离的概念应对这种工况，即：前车突然紧急制动，后车经过反应和制动，两车减速至完全停止且不发生碰撞。

为了求极限的最小安全纵向距离，具体地，将此极限条件描述为：假设C_r是一辆在纵轴上位于C_f后面的车辆，两车同向行驶，前方车辆C_f以最大制动减速度a_max,brake制动，在制动反应时间τ′₁内，后方车辆C_r以a_max,accel加速，然后以最小制动减速度a_min,brake减速至停车，整个过程没有碰撞，则最小纵向安全距离的计算方法如公式(1)：

式中，v_r和v_f分别是后车和前车车辆的纵向速度；需要说明的是，

a_max,brake是最大制动减速度；a_max,accel是最大加速度；a_min,brake是最小制动减速度；L_min是最小纵向安全距离。

设L₀为前方车辆C_f和后方车辆C_r之间的初始距离，记

为制动反应时间内速度的最大值；

前车速度随着时间t以a_max,brake减小(直到静止或发生碰撞)；后车的速度在时间间隔[0，τ′₁](直到达到制动反应时间τ′₁的最大速度

)内增加，然后以最小制动减速度a_min,brake减速至速度为0或发生碰撞。

其中，如果在某个时间点两辆车的速度相同，那么从该时刻起前车的速度会变小，它们之间的距离会单调递减直到两辆车都停止(如果发生碰撞，“距离”可能为负数)。最差的“距离”情况发生在初始时刻或两车制动至静止的时刻，不发生碰撞的条件是，前者要求L₀＞0；后者，两车行驶过的距离分别是

和

此时不发生碰撞的条件如公式(2)：

三、车辆制动过程分析和制动距离计算方法

通常情况下，当驾驶人观察到前方路况异常时会自主将右脚移至制动踏板上，紧急踩下制动踏板一直到踏板最大行程处，直到自车静止。驾驶人的制动全过程分为四个阶段：驾驶人收到大脑决策信号后作出反应、制动器发生作用、持续制动、放松制动器。对于车速很低的情况，车辆可能出现未达到最大制动減速度便已经停车，此类情景的风险低，在此不做考虑。整个车辆减速运动过程分为四个阶段：τ₁、τ₂、τ₃、τ₄，其含义和解释如下：

阶段(1)：驾驶人产生意识至制动踏板未产生制动力阶段时间τ₁。τ′₁代表驾驶人发现异常时的反应时间和其将脚掌松开油门踏板所需的时间之和；τ″₁代表驾驶人脚掌由油门踏板转移到制动踏板所需的移动时间；上述两段时间之总和记为τ₁，τ₁＝τ′₁+τ″₁，通常取τ″₁＝0.1s。

阶段(2)：制动系间隙协调时间和制动力作用时间之和为τ₂，τ₂＝τ′₂+τ″₂。为了防止车辆制动系统过于灵敏而产生误动作，车辆设计时故意保留制动系部件回弹位弹簧、蹄片与制动鼓等之间的间隙，τ′₂代表制动踏板设计冗余行程的时间。制动力上升阶段τ″₂代表制动踏板有效行程由零达到最大行程所用的时间，此时车辆制动油压也开始线性上升，车辆受到的制动力也线性增长，最终达到减速度也随之增长的目的。

阶段(3)：制动压力保持阶段τ₃代表当车辆获得最大制动力时，将车辆速度一直减小至静止所用的时间。

阶段(4)：制动力解除阶段τ₄代表当驾驶人意识到车辆危险解除后，将脚掌从制动踏板移开所需的时间，这段时间还包括制动液压所需的泄压时间，请参见，孙宁，基于驾驶员特性辨识的AEB控制策略研究[D]，吉林大学，2019。

经过对驾驶人遇到紧急情况时采取制动措施的四个阶段的详细分析，需要计算各阶段所需的制动距离以确保行车安全。由上述信息可以计算出车辆在各个阶段的行驶距离。

在阶段(1)中驾驶人无操纵或制动行为，故将此阶段视为车辆的匀速运动，设车辆初速度为u(0)，初始减速度a_b(0)＝0，τ₁段车辆驶过的距离为s′₁：

s′₁＝τ₁·u(0)＝(τ′₁+τ″₁)·u(0) (3)

τ₁＝τ′₁+τ″₁ (4)

在阶段(2)，参见索科洛夫斯基，汽车制动过程的实验研究[J]，交通运输，2005，20(3):91-95。(Sokolovskij E.Experimental investigation of the braking process ofautomobiles[J].Transport,2005,20(3):91-95.)，该文献统计的制动系间隙协调时间取τ′₂＝0.1s。随后，在制动器起作用之后的时间段τ″₂，制动减速度a_b(t)从a_b(0)呈线性增长至制动减速度a_b(e)，车辆的制动力和最大制动力分别记为F_p(t)、F_pmax。

式中，a_b(t)为t时刻的制动减速度。

∫du＝∫ktdt (7)

式中，u为车速，u(0)为初速度，u(t)为t时刻的车速，t为时间，k为加速度随时间的变化率。

因此，τ″₂时的车速为

式中，s代表车辆行驶的距离。

进一步得到t＝τ″₂时的距离s″₁计算方法如(10)：

此处的a_b(e)即为车辆的制动减速度。

则在τ₁+τ₂段的制动距离s₁的计算方法如(11)：

在阶段(3)，持续制动阶段τ₃中制动力达到恒定值F_p(e)，车辆减速度达到所需值a_b(e)并保持恒定做匀减速运动，此阶段初速度为u(e)、末速度为0km/h，带入u(e)得到τ₃段的制动距离为：

阶段(4)为车辆静止后松开制动踏板的过程，此过程时间短暂且车辆已处于静止状态，因风险低而不在本发明的考虑范围。

综上，车辆制动过程的总制动距离如公式(13)，τ₁＝τ′₁+τ″₁代表驾驶人产生意识至制动踏板未产生制动力阶段时间，τ₂＝τ′₂+τ″₂合称为车身电子稳定系统制动作用时间，由于τ′₁、τ″₁、τ′₂和τ″₂很小，显然，当a_b(e)越大，总制动距离s会越小。

四、跟车场景中的车辆风险评价模型

设在跟车场景中后车和前车的初始速度分别为u_r(0)和u_f(0)，两车之间的跟车距离为L。当前车急刹车，前车的制动时刻(制动意图产生的时刻)对于后车驾驶人是未知的，当且仅当产生减速度时才对后车驾驶人产生影响，所以在计算前车制动距离时忽略其制动反应时间，则前车的全程制动距离为sf：

式中，s_f为前车的全程制动距离；u_f(t)为t时刻的前车速度；τ″₂为制动器起作用之后的时间段；a_f(t)为t时刻的前车加速度。

从后车驾驶人接收到前车制动信号开始，经历制动过程直至静止但未发生碰撞的制动距离为s：

式中，u_r(t)为t时刻的后车速度；τ″₂为制动器起作用之后的时间段；a_r(t)为t时刻的后车加速度。

整个前、后车的制动过程主要节点如图1所示。

后车在行驶过程中突然急减速，在此时刻至两车停止的过程中，自车和前车的减速度分别为a_r(t)和a_f(t)，L_miss为两车静止后的距离。两车不发生碰撞的临界条件为：

L_miss≤(L+s_f-s_r) (16)

式中，a_br(t)为t时刻的后车制动减速度；a_bf(t)为t时刻的前车制动减速度；u_r(t)为t时刻的后车速度；u_f(t)为t时刻的前车速度；a_r(t)为t时刻的后车加速度；a_f(t)为t时刻的前车加速度；L为跟车距离；L_miss为两车静止后未发生碰撞的距离；

假设前车紧急制动条件下留给后车驾驶人不发生碰撞的反应时间，记为时间裕度TM_following，则：

时间裕度揭示了前、后车运动状态和车辆风险状态之间的关系。具体地，前、后车的实时速度、加速度和跟车时距可以通过相应传感器或相应仿真模块获得，即为已知数据，则跟车场景的实时时间裕度即为所求。TM_following的值越大代表跟车场景可供驾驶人处理应急事件的时间越长，即跟车场景的风险程度越低。

五、基于聚类算法的车辆风险等级评价方法

基于跟车场景中的时间裕度数据，为了实现对车辆风险程度的分析，本发明利用K-means算法的无监督学习特点解决人为分类或标定结果可能导致的不确定性问题。同时在对行车安全性划分等级的研究中，寻求合理的、适当的等级数量至关重要，过于少的等级不能准确的反映出某一时刻车辆行驶状态的安全性；过于多的等级会有产生信息冗余，甚至可能导致相邻等级差别小的现象。

为使K-means算法中不同聚类中的个案之间的差异最大化，使用方差分析法(Analysis of Variance,ANOVA)提出各簇之间的无差异假设H0，选择F统计量(即F值)作为检验统计量，计算检验统计量的观测值和概率P值。其次，同时以各聚类方式的轮廓系数最大化和误差最小化为评价准则，轮廓系数越接近-1表示聚类结果不好，越接近+1表示簇内的个案之间紧凑，为0时表示有簇重叠。

然后利用K-means算法将获得的时间裕度进行聚类操作，聚类簇数k设置为n，通过聚类算法自动迭代计算获得该场景下的跟车风险评价等级。

在获得的时间裕度TM_following数据中随机选取k个样本点作为初始聚类中心，然后以两点之间距离公式(20)计算其它的样本点x_i与聚类中心x_j的距离并将其分类给距离最近的簇c_k中。

将所有样本都划入相应的簇中后计算新的聚类中心x′_j：

式中，N_k为该簇中的样本点个数。如果x_j≠x′_j则将聚类中心更新为x′_j，否则保持不变。经过循环计算直至当前聚类中心不再更新之后停止聚类计算。

在通过K-means算法划分为n个簇后，以聚类中心值从小到大分为n个风险等级，其中等级越高表示风险越低。

至此，得到的聚类簇即为不同的车辆风险等级评价结果。

本发明提出了一种跟车场景车辆风险状态的动态评价方法。使用前提是，基于驾驶人制动反应时间估计模块，获取实验过程中的驾驶人制动反应时间数据。

使用前述方法对跟车场景的驾驶人时间裕度进行计算，使用k-means聚类分析方法处理时间裕度的值。具体实施方式如下：

在对行车安全性划分等级的研究中，寻求合理的、适当的等级数量至关重要，过于少的等级不能准确的反映出某一时刻车辆行驶状态的安全性；过于多的等级会有产生信息冗余，甚至可能导致相邻等级差别小的现象。由此可见，不合适的风险评价等级数量会传递不准确的结果给车辆预警系统或智能大脑，导致错误报警、错误决策的严重后果。

综上分析，本发明为了对车辆风险等级进行细致、准确的划分，不考虑二分类形式的分级效果，测试当k等于3到8之间的聚类分析结果，最终依据聚类效果评定车辆风险等级。

使用K-means聚类得到的不同类别时间裕度的簇，算法步骤为：

1.选择初始化的k个时间裕度样本作为初始聚类中心；

2.分别计算每个样本点k个簇核心的欧氏距离，找到离该点最近的簇核心，将它归属到对应的簇；

3.所有点都分配到对应的簇之后，形成了k个簇，然后重新计算每个簇的平均距离中心，将其定为新的“簇核心”；

4.反复迭代步骤2-3，直到聚类中心不再变化，由此得到了k个聚类簇及其聚类中心；

5.鉴于时间裕度越低的为越高的车辆风险等级，时间裕度越高为为越低的车辆风险等级。因此，根据每个簇的数值区间范围，数值小为高风险，数值大为低风险，每个簇按照其数值区间的排序确定车辆风险等级。

基于跟车场景中的时间裕度数据，使用K-Means方法以使不同聚类中个案之间的差异最大化，表1列出了k∈[3,8]聚类方式得到的聚类中心，使用方差分析法提出各簇之间的无差异假设H0、有显著差异假设H1，选择F统计量(即F值)作为检验统计量，计算检验统计量的观测值和概率P值，如表2所示。首先，排除接受H1假设的聚类方式(k＝3,4,7,8)；其次，同时以各聚类方式的轮廓系数最大化和误差最小化为评价准则，轮廓系数越接近-1表示聚类结果不好，越接近+1表示簇内的个案之间紧凑，为0时表示有簇重叠，最终发现k＝5,6的聚类效果相对较好、各簇之间间距合理且有显著差异性。

至此，完成了对跟车场景的车辆风险评估工作，车辆风险等级划分结果如图2所示。

表1跟车场景时间裕度的聚类结果

表2跟车场景不同聚类数目的ANOVA检验结果

Claims (1)

1.一种跟车场景车辆风险状态的动态评价方法，该方法应用于后车与前车的相对运动状态工况，假设前车紧急制动的情况下，以后车为主体的跟车场景中后车存在潜在风险的情况，其特征在于，所述方法包括如下步骤：

步骤S1：定义时间裕度概念

以驾驶人在潜在风险跟车场景下进行避撞操作需满足的最大反应时间作为时间裕度；

步骤S2：根据前、后车实时相对运动状态，确定动态最小纵向安全距离；

动态最小纵向安全距离为前车突然紧急制动，后车经过反应和制动，两车减速至完全停止且不发生碰撞；

步骤S3：根据驾驶人的制动全过程，确定车辆制动过程的总制动距离；

所述驾驶人的制动全过程分为四个阶段，四个阶段分别为驾驶人收到大脑决策信号后作出反应阶段、制动器发生作用阶段、持续制动阶段和放松制动器阶段；

步骤S4：建立跟车场景中的车辆风险预测模型

根据所述动态最小纵向安全距离和所述车辆制动过程的总制动距离建立跟车场景中的车辆风险预测模型；

步骤S5：车辆风险等级划分

基于跟车场景中的时间裕度数据，使用K-means聚类和方差分析法ANOVA对车辆风险等级进行划分；

所述步骤S2中根据前、后车实时相对运动状态，确定动态最小纵向安全距离的过程如下：

1)定义两车之间的纵向距离：以后车前端和前车后端的距离为两车之间的纵向距离；

2)根据两车之间的纵向距离，确定两车之间的最小安全纵向距离的过程如下：

沿着车道长度方向，两车同向行驶，前方车辆以最大制动减速度a_max,brake制动，在制动反应时间τ′₁内，后方车辆以a_max,accel加速，然后以最小制动减速度a_min,brake减速至停车，整个过程未碰撞，则最小安全纵向距离为：

其中：

其中，v_r和v_f分别是后车和前车车辆的纵向速度；τ′₁是制动反应时间；a_max,brake是最大制动减速度；a_max,accel是最大加速度；a_min,brake是最小制动减速度；L_min是最小纵向安全距离；

3)不发生碰撞的临界条件

前、后辆车初始时刻不碰撞的临界条件：L₀＞0；

两车制动至静止的时刻，不发生碰撞的临界条件是：

其中，L₀是前、后两车之间的初始距离；a_max,brake是最大制动减速度；a_max,accel是最大加速度；a_min,brake是最小制动减速度；

为制动反应时间内速度的最大值；

所述步骤S3中根据所述动态最小纵向安全距离和所述车辆制动过程的总制动距离建立跟车场景中的车辆风险预测模型的过程如下：

当驾驶人观察到前方路况异常时会自主将右脚移至制动踏板上，紧急踩下制动踏板一直到踏板最大行程处，直到自车静止，驾驶人的制动全过程分为四个阶段：驾驶人收到大脑决策信号后作出反应、制动器发生作用、持续制动、放松制动器，车辆制动过程的总制动距离满足如下公式：

式中：s为总制动距离；u(0)为车辆初速度；a_b(e)为车辆保持匀减速运动之前时刻的减速度；τ₁ ′代表驾驶人的制动反应时间；τ₁ ″代表驾驶人脚掌由油门踏板转移到制动踏板所需的移动时间，τ₁″取0.1s；上述两段时间之和记为τ₁，即τ₁＝τ₁ ′+τ₁ ″；τ₂ ′代表制动踏板设计冗余行程的时间即制动系间隙协调时间；τ₂ ″代表制动踏板有效行程由零达到最大行程所用的时间即制动力作用时间；制动系间隙协调时间和制动力作用时间之和为τ₂，τ₂＝τ₂ ′+τ₂ ″；

所述步骤S4中根据所述动态最小纵向安全距离和所述车辆制动过程的总制动距离建立跟车场景中的车辆风险预测模型的过程如下：

设在跟车场景中后车和前车的初始速度分别为u_r(0)和u_f(0)，两车之间的跟车距离为L，当前车急刹车，前车的全程制动距离为s_f：

式中，s_f为前车的全程制动距离；u_f(t)为t时刻的前车速度；τ₂ ″为制动器起作用之后的时间段；a_f(t)为t时刻的前车加速度；

从后车驾驶人接收到前车制动信号开始，经历制动过程直至静止但未发生碰撞的制动距离为s_r：

式中，u_r(t)为t时刻的后车速度；τ₂ ″为制动器起作用之后的时间段；a_r(t)为t时刻的后车加速度；τ₁ ′代表驾驶人的制动反应时间；τ₁ ″代表驾驶人脚掌由油门踏板转移到制动踏板所需的移动时间，τ₁ ″取0.1s；τ₂′代表制动踏板设计冗余行程的时间即制动系间隙协调时间；τ₂ ″代表制动踏板有效行程由零达到最大行程所用的时间即制动力作用时间；

整个前、后车的制动过程：

后车在行驶过程中突然急减速，在此时刻至两车停止的过程中，自车和前车的减速度分别为a_r(t)和a_f(t)，L_miss为两车静止后的距离；两车不发生碰撞的临界条件为：

L_miss≤(L+s_f-s_r)

式中，a_br(t)为t时刻的后车制动减速度；a_bf(t)为t时刻的前车制动减速度；u_r(t)为t时刻的后车速度；u_f(t)为t时刻的前车速度；a_r(t)为t时刻的后车加速度；a_f(t)为t时刻的前车加速度；L为跟车距离；L_miss为两车静止后未发生碰撞的距离；

设前车紧急制动条件下留给后车驾驶人不发生碰撞的反应时间，记为时间裕度TM_following，则：

前、后车的实时速度、加速度和跟车时距已知，则跟车场景的实时时间裕度即为所求；TM_following的值越大代表跟车场景可供驾驶人处理应急事件的时间越长，即跟车场景的风险程度越低；

所述步骤S5中车辆风险等级划分的过程如下：

使用K-means聚类得到的不同类别时间裕度的簇，鉴于时间裕度越低的为越高的车辆风险等级，时间裕度越高为越低的车辆风险等级；因此，根据每个簇的数值区间范围，数值小为高风险，数值大为低风险，每个簇按照其数值区间的排序确定车辆风险等级；

使用方差分析法ANOVA提出各簇之间的无差异假设H0、有显著差异假设H1，选择F统计量作为检验统计量，计算检验统计量的观测值和概率P值，首先，排除接受H1假设的聚类方式；其次，同时以各聚类方式的轮廓系数最大化和误差最小化为评价准则，轮廓系数接近+1表示簇内的个案之间紧凑，为0时表示有簇重叠，最终确定k值的聚类参数；

然后利用K-means算法将获得的时间裕度进行聚类操作，聚类簇数k设置为n，通过聚类算法迭代计算得到时间裕度簇，以各个簇的聚类结果作为跟车场景的风险评价等级。

Images