CN113538909A - 一种自动驾驶车辆交通事件预测方法及装置 - Google Patents

Abstract

本发明涉及一种自动驾驶车辆交通事件预测方法及装置，包括根据场景信息对当前所处场景进行分类并确定分类后的场景下的所有场景事件和命题；获取场景事件的历史数据，确定场景事件的先验概率以及确定每个命题的计算结果；根据历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及场景事件未发生时每个命题为真的第二条件概率；根据先验概率、第一条件概率以及第二条件概率计算得到事件发生概率；根据事件发生概率生成规避措施。本发明可以根据自车状态(车速、车辆位置、是否故障等)和环境(是否拥堵、是否红灯)等信息计算出预设时间段或预设距离内发生事件的概率，可以获取规避事故的方法，从而避免危险。

Description

一种自动驾驶车辆交通事件预测方法及装置

技术领域

本发明属于自动驾驶技术领域，具体涉及一种自动驾驶车辆交通事件预测方法及装置。

背景技术

自动汽车，也称为机器人汽车，自动驾驶汽车，或无人驾驶汽车，是一种能够感知其环境并在很少或完全没有人工输入的情况下行驶的汽车。自动驾驶汽车结合了多种传感器来感知周围环境，例如雷达,激光雷达,声纳,全球定位系统,里程计和惯性测量单元。先进的控制系统对传感信息进行解释，以识别适当的导航路径，障碍物和相关标志。

感知预测或者事件预测，是自动驾驶系统的重要组成部分。通过预测某个时间的发生，例如行人横穿马路、前车并线等，自动驾驶车辆可以提前预知风险，并调整驾驶策略，达到规避事故、减少违规、提供车辆的稳定度和舒适度的目的。自动驾驶车辆在行驶过程中，需要通过其行为数据，具体采用数字化交规判定自动地判定车辆是否有违规行为。

相关技术中，一般采用两种方式实现事件预测方法，其中一种是基于数据驱动的事件预测方法，数据驱动的方法，指的是根据统计学、或者基于统计学的算法演变而成的方法。通过分析大量的历史数据，并综合利用当前场景的信息，可以推断出后续事件的走向，从而预测事件。例如，共有3条车道，而车辆的路径由一连串的轨迹点组成，可见该数据统计了多个车辆轨迹信息。此时如果有新的车辆进入相应车道时，可以根据这类统计信息推断出该车将会去往各个车道的概率。或者，首先利用标注数据对CNN进行训练，然后通过输入气象图等环境信息，即可预测未来天气的类别。同理，在自动驾驶领域，可以训练一个神经网络模型，对未来发生的事件进行分类预测。

另一种是自动驾驶系统(ADS)运行过程中，会根据感知信息获取周围各个车辆的位置、速度等信息。ADS利用车辆动力学模型，可以给周围车辆进行建模，从而计算出这些车辆的行驶轨迹，从而预测出可能的碰撞或者违规时间。这种方法的优势是能把交规、安全距离等约束条件加入到轨迹预测模块中，得到更贴近现实的预测模型。

综上所述，现有的两种方式均是采集现场数据，以现场数据作为基础，其只能得出当前环境下事件的发生概率，确定可能出现的危险事件，但是危险事件往往跟多种条件因素有关，上述方法均无法近一步计算条件概率。例如，数据驱动方法可以得出在十字路口发生碰撞事故的概率；但是，事实上每次事故的发生条件各不相同，用这种方法无法在直接计算出闯红灯情况下计算出条件概率况，再计算事故发生的概率，因此，上述两种方式均存在无法对多重风险的条件因素进行计算评估，准确性较低的问题。

发明内容

有鉴于此，本发明的目的在于克服现有技术的不足，提供一种自动驾驶车辆交通事件预测方法及装置，以解决现有技术中无法对多重风险的条件因素进行计算评估，准确性较低的问题。

为实现以上目的，本发明采用如下技术方案：一种自动驾驶车辆交通事件预测方法，包括：

获取场景信息，根据所述场景信息对当前所处场景进行分类并确定分类后的场景下的所有场景事件和命题；

获取所述场景事件的历史数据，根据所述历史数据确定所述场景事件的先验概率以及确定每个命题的计算结果；

根据所述历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及所述场景事件未发生时每个命题为真的第二条件概率；

根据所述先验概率、第一条件概率以及第二条件概率计算得到事件发生概率；

根据所述事件发生概率生成规避措施。

进一步的，所述根据所述场景信息对当前所处场景进行分类，包括：

获取实时数据，采用预构建的神经网络模型对所述实时数据进行分类处理，得到场景分类结果。

其中，所述场景包括高速场景、十字路口场景、城区道路场景以及山区场景；所述命题包括车辆状态、车辆动作以及环境信息。

进一步的，所述获取所述场景事件的历史数据，根据所述历史数据确定所述场景事件的先验概率以及确定每个命题的计算结果，包括：

根据历史数据获取事故发生概率并保存至高精地图中，得到地图数据；

根据所述地图数据获取车辆在预设地点发生所述场景事件的先验概率。

进一步的，所述根据所述历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及所述场景事件未发生时每个命题为真的第二条件概率，包括：

根据历史数据和每个命题的计算结果获取每个场景事件发生前预设时间段内的每个命题为真的第一条件概率以及所述预设时间段内场景事件未发生的各个命题为真的第二条件概率。

进一步的，所述根据所述历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及所述场景事件未发生时每个命题为真的第二条件概率，包括：

根据历史数据和每个命题的计算结果获取每个场景事件发生的地点前预设距离内的每个命题为真的第一条件概率以及场景事件未发生时所述地点前预设距离内的每个命题为真的第二条件概率。

进一步的，采用贝叶斯算法根据所述先验概率、第一条件概率以及第二条件概率计算得到事件发生概率。

进一步的，如果命题包括多个，则通过序贯理性原则对多个命题之间的结合计算事件发生概率。

进一步的，所述通过序贯理性原则对多个命题之间的结合计算事件发生概率，包括：

获取目标场景事件的先验概率；

选取结合的命题中的一个并获取其在目标场景事件中的历史统计概率；

利用贝叶斯算法根据先验概率、历史统计概率计算得到后验概率；

将所述后验概率作为下一个命题的先验概率；

遍历所有命题，得到事件发生概率。

进一步的，所述根据所述事件发生概率生成规避措施，包括：

在所述事件发生概率高于预设阈值时，根据命题逆向控制车辆行为。

本申请实施例提供一种自动驾驶车辆交通事件预测装置，包括：

获取模块，用于获取场景信息，根据所述场景信息对当前所处场景进行分类并确定分类后的场景下的所有场景事件和命题；

确定模块，用于获取所述场景事件的历史数据，根据所述历史数据确定所述场景事件的先验概率以及确定每个命题的计算结果；

第一计算模块，用于根据所述历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及所述场景事件未发生时每个命题为真的第二条件概率；

第二计算模块，用于根据所述先验概率、第一条件概率以及第二条件概率计算得到事件发生概率；

生成模块，用于根据所述事件发生概率生成规避措施。

本发明采用以上技术方案，能够达到的有益效果包括：

本发明提供一种自动驾驶车辆交通事件预测方法及装置，包括根据场景信息对当前所处场景进行分类并确定分类后的场景下的所有场景事件和命题；获取场景事件的历史数据，确定场景事件的先验概率以及确定每个命题的计算结果；根据历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及场景事件未发生时每个命题为真的第二条件概率；根据先验概率、第一条件概率以及第二条件概率计算得到事件发生概率；根据事件发生概率生成规避措施。本发明可以根据自车状态(车速、车辆位置、是否故障等)和环境(是否拥堵、是否红灯)等信息计算出预设时间段或预设距离内发生事件的概率，可以获取规避事故的方法，从而避免危险。

除此之外，本申请还能够运用到违反交规中，计算获取未来预设时间段内违反交规的概率，从而根据概率采取相应措施避免违反交规。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明自动驾驶车辆交通事件预测方法的步骤示意图；

图2为本发明命题为多个时计算事件发生概率的方法的步骤示意图；

图3为本发明自动驾驶车辆交通事件预测方法的另一种步骤示意图；

图4为本发明自动驾驶车辆交通事件预测方法的另一种步骤示意图；

图5为本发明自动驾驶车辆交通事件预测方法的另一种步骤示意图；

图6为本发明自动驾驶车辆交通事件预测装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

下面结合附图介绍本申请实施例中提供的一个具体的自动驾驶车辆交通事件预测方法及装置。

如图1所示，本申请实施例中提供的自动驾驶车辆交通事件预测方法，包括：

S101，获取场景信息，根据所述场景信息对当前所处场景进行分类并确定分类后的场景下的所有场景事件和命题；

S102，获取所述场景事件的历史数据，根据所述历史数据确定所述场景事件的先验概率以及确定每个命题的计算结果；

S103，根据所述历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及所述场景事件未发生时每个命题为真的第二条件概率；

S104，根据所述先验概率、第一条件概率以及第二条件概率计算得到事件发生概率；

S105，根据所述事件发生概率生成规避措施。

自动驾驶车辆交通事件预测方法的工作原理为：参见图2，获取场景信息，根据场景信息对当前所处场景进行分类并确定分类后的场景下的所有场景事件和命题；然后获取场景事件的历史数据，根据历史数据确定场景事件的先验概率以及确定每个命题的计算结果；根据历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及场景事件未发生时每个命题为真的第二条件概率；根据先验概率、第一条件概率以及第二条件概率计算得到事件发生概率；根据事件发生概率生成规避措施。

本发明的技术方案是计算某个事件在未来n秒内发生的概率P(event|st)。其中event表示某一个事件，例如追尾事件；st表示当前行车环境及状态，通常用命题表示。

优选的，所述根据所述场景信息对当前所处场景进行分类，包括：

获取实时数据，采用预构建的神经网络模型对所述实时数据进行分类处理，得到场景分类结果。

本申请中提供的场景和命题均可以自定义，场景包括高速场景、十字路口场景、城区道路场景以及山区场景等；所述命题包括车辆状态、车辆动作以及环境信息等，例如stOnLine表示车辆压线、onHighway表示在高速路段。可以理解的是，场景、命题均可以包括其他，本申请在此不做限定。场景事件表示道路上发生的事件，比如剐蹭、碰撞、闯红灯等。

本申请提供的技术方案可以根据实时数据包括感知、定位等信息，对车辆当前所处场景进行分类。例如：利用摄像头、高精地图、定位装置、激光雷达等获取的位置数据，使用神经网络、机器学习或传统计算机视觉算法，将位置数据进行分类。当类别设置为高速、十字路口等时，即进行了场景分类。本申请中的预构建的神经网络模型可以采用VGG/Resnet等神经网络分类模型，也可以是SVM/决策树等机器学习算法进行分类，在输入实时数据后，得到各个场景类别的概率，例如根据定位信息，结合高精地图，可以判断是高速还是十字路口。

本申请中对场景分类缩小计算范围，过滤掉部分不可能事件和命题，例如在高速场景中，不可能发生闯红灯事件P(闯红灯)＝0或者在十字路口场景中，不存在上下匝道，因此上下匝道相关交规可以不判定；除此之外，在进行场景分类后方便利用历史统计信息查询先验概率。

一些实施例中，所述获取所述场景事件的历史数据，根据所述历史数据确定所述场景事件的先验概率以及确定每个命题的计算结果，包括：

根据历史数据获取事故发生概率并保存至高精地图中，得到地图数据；

根据所述地图数据获取车辆在预设地点发生所述场景事件的先验概率。

其中，历史数据对于预测算法来说是一种非常重要的数据来源。使用历史数据可以大幅度降低计算量，并规避错误的预测行为。通过统计历史信息，可以查询先验概率信息。例如当车辆路过某个红绿灯路口时，可直接通过历史数据查询到车辆闯红灯的概率。此历史数据为在一段历史时期内的经过路口并闯红灯的车辆数，除以经过路口的所有车辆数。

先验概率是某场景下的事件发生概率。利用场景分类的结果，初步获取该场景下的事件发生概率。先验概率利用历史信息统计而来，其中先验概率包括事件发生概率P(event)、和事件未发生概率P(～event)。而步骤S101的分类信息，可以根据车辆是否位于路口场景，决定是否采用此闯红灯概率作为先验概率。

具体的，在进行数字化交规计算时，会得到各个命题的计算结果。此结果为布尔值，布尔值仅可以是True/False。例如stCrossingLeft＝True，表示该车正在跨越左边车道线。需要说明的是，本申请中利用数字化交规命题表示条件和事件，利用已有的数字化交规计算结果，快速进行事件预测，计算量小。

本发明可以直接复用数字化交规判定模块的命题计算结果，无需重复计算，即可知道这些命题的计算结果。

一些实施例中，所述根据所述历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及所述场景事件未发生时每个命题为真的第二条件概率，包括：

根据历史数据和每个命题的计算结果获取每个场景事件发生前预设时间段内的每个命题为真的第一条件概率以及所述预设时间段内场景事件未发生的各个命题为真的第二条件概率。

根据对历史数据的统计，获得每个场景事件发生前n秒，各个命题为真的概率，即为条件概率P(st|event)；同时计算此n秒内，事件未发生的情况下，各个命题为真的概率P(st|～event)。

优选的，采用贝叶斯算法根据所述先验概率、第一条件概率以及第二条件概率计算得到事件发生概率。

具体的，贝叶斯公式，计算未来n秒发生事件的概率P(event|st)，贝叶斯公式如下：

其中，P(A)和P(A^c)即先验概率，其中P(A)为P(event)，P(Ac)为P(～event)；P(B)为命题B为真的概率；P(B|A)和P(B|A^c)即条件概率：P(B|A)表示事件发生时命题B为真的概率，P(B|Ac)表示场景事件未发生时命题B为真的概率；P(A|B)表示当命题B为真时，发生事件A的概率；P(A∩B)表示事件A和命题B同时发生的概率。例如P(A∩B)表示既闯了红灯又发生了事故。

本申请中利用贝叶斯算法是因为贝叶斯算法对数据源的属性之间考虑了相互的独立性，因此，采用贝叶斯算法进行数据建模，大大提高了检测精度，提高了检测的正确率，以及减少了误报率。

一些实施例中，如果命题包括多个，则通过序贯理性原则对多个命题之间的结合计算事件发生概率。

由于上述贝叶斯公式仅能计算一种命题B条件下，事件发生的概率，如果需要计算多种命题条件均满足的条件下(例如同时闯红灯和超速)，事件发生的概率，则需要用到序贯理性原理，序贯理性是指每个参与人在其每一个行动时点上都将重新优化自己的选择，并且会把自己将来会重新优化其选择这一点也纳入当前的优化选择当中。

优选的，如图2所示，所述通过序贯理性原则对多个命题之间的结合计算事件发生概率，包括：

获取目标场景事件的先验概率；先验概率为P(event)、P(～event)＝1-P(event)；

选取结合的命题中的一个并获取其在目标场景事件中的历史统计概率；历史统计概率为P(st|event)和P(st|～event)；

利用贝叶斯算法根据先验概率、历史统计概率计算得到后验概率P(event|st)；

将所述后验概率P(event|st)作为下一个命题的先验概率P(event)；

遍历所有命题，得到事件发生概率。

简单地说，序贯理性原理先计算在一种命题为真/假的情况下，事件发生的概率；然后将此事件发生的概率作为先验概率，继续计算下一种命题为真/假的情况下，事件发生的概率。重复上述过程，直至将所有命题遍历完成，得到最终的事件发生概率。

优选的，所述根据所述事件发生概率生成规避措施，包括：

在所述事件发生概率高于预设阈值时，根据命题逆向控制车辆行为。

具体的，在计算事件发生概率的过程中，由于使用了序贯理性原理，程序能明确知道，当加入一个命题时，获得事件发生概率比加入命题前的事件发生概率是提高了还是减小了，并对这些命题进行记录。

当需要规避事件时，仅需逆向控制车辆行为，使其避免发生某些命题，即可达到规避的目的。

例如：计算事件发生概率过程中，如果命题左跨线stCrossingLeft加入前后的碰撞事件发生概率P(crash)<P(crash|stCrossingLeft)，则表明左跨线动作使得碰撞概率增加了，如果要避免碰撞，则停止左跨线，使得stCrossingLeft＝False即可。

综上所述，本申请根据自车状态(车速、车辆位置、是否故障等)和环境(是否拥堵、是否红灯)等信息——这些信息的计算结果由命题表示——可以计算出发生事件的概率。从而在概率结果高于预设阈值时，控制自车状态的改变。

作为一种优选的实施方式，所述获取所述场景事件的历史数据，根据所述历史数据确定所述场景事件的先验概率以及确定每个命题的计算结果，包括：

根据历史数据获取事故发生概率并保存至高精地图中，得到地图数据；

根据所述地图数据获取车辆在预设地点发生所述场景事件的先验概率。

所述根据所述历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及所述场景事件未发生时每个命题为真的第二条件概率，包括：

根据历史数据和每个命题的计算结果获取每个场景事件发生的地点前预设距离内的每个命题为真的第一条件概率以及场景事件未发生时所述地点前预设距离内的每个命题为真的第二条件概率。

具体的，如图3所示，本实施例的具体流程为，根据历史数据确定历史的事故发生概率，并这个历史的事故发生概率与高精地图进行结合，也就是将事故发生概率保存到高精地图中，然后根据地图数据可以获得车辆在某个地点发生某种事故的概率也就是先验概率，计算事故发生情况下，在车辆到达该地点前n米时各个命题为真的计算结果，再计算事故未发生情况下，在车辆到达该地点前n米时各个命题为真的计算结果。然后利用贝叶斯公式，计算该地点出现事故的概率，根据概率结果，改变命题结果从而降低事故发生概率，例如，原来的命题是进行加速，而出现事故概率高于预设阈值，则将命题修改为减速；或者原来的命题是向左变道，而出现事故概率高于预设于是，则将命题修改为向右转或者停止向左变道。

如图4所示，通过本申请提供的技术方案可以预测本车前方n米处发生事故的概率。比如当本车前方有十字路口时，根据本车的车速、车道位置、路口红绿灯状态等信息(利用命题表示)，推测发生事故的概率。当事故发生概率较大时，规避事故的措施计算方法如下，以超速stOverSpeed为例，stOverSpeed＝True表示自车处于超速状态。从而进行事故规避。

本申请提供的实施例可以根据自车状态(车速、车辆位置、是否故障等)和环境(是否拥堵、是否红灯)等信息——这些信息的计算结果由命题表示，从而可以计算出前方某一路段自车发生碰撞事故的概率，在所述概率高于预设阈值说明很有可能发生事故时，进行规避操作，根据命题逆向控制车辆行为，从而避免危险。

作为一种优选的实施方式，如图5所示，本申请提供的技术方案还可以应用于违反交规概率计算中，实时数据可以为交规类型数据，具体流程为：根据交规类型，对场景进行分类，然后根据场景分类，结合历史的违规事件的信息也就是历史数据，获得各条交规被违反的概率，也就是先验概率；然后计算当前各个命题的计算结果，获得每个违规事件发生前n秒，各命题为真的概率，也就是获得条件概率，通过贝叶斯公式计算未来预设时间段内违反交规的概率，如果所述概率高于预设阈值，则采取相应措施避免违反交规。

本申请实施例可以根据自车状态(车速、车辆位置、是否故障等)和环境(是否拥堵、是否红灯)等信息，这些信息的计算结果由命题表示，然后利用命题计算结果，结合贝叶斯定理和序贯理性原则，计算出自车未来n秒内违反某条交规的概率。

如图6所示，本申请实施例提供一种自动驾驶车辆交通事件预测装置，包括：

获取模块601，用于获取场景信息，根据所述场景信息对当前所处场景进行分类并确定分类后的场景下的所有场景事件和命题；

确定模块602，用于获取所述场景事件的历史数据，根据所述历史数据确定所述场景事件的先验概率以及确定每个命题的计算结果；

第一计算模块603，用于根据所述历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及所述场景事件未发生时每个命题为真的第二条件概率；

第二计算模块604，用于根据所述先验概率、第一条件概率以及第二条件概率计算得到事件发生概率；

生成模块605，用于根据所述事件发生概率生成规避措施。

本申请实施例提供的自动驾驶车辆交通事件预测装置的工作原理为，获取模块601获取场景信息，根据所述场景信息对当前所处场景进行分类并确定分类后的场景下的所有场景事件和命题；确定模块602获取所述场景事件的历史数据，根据所述历史数据确定所述场景事件的先验概率以及确定每个命题的计算结果；第一计算模块603根据所述历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及所述场景事件未发生时每个命题为真的第二条件概率；第二计算模块604根据所述先验概率、第一条件概率以及第二条件概率计算得到事件发生概率；生成模块605根据所述事件发生概率生成规避措施。

本申请实施例提供一种计算机设备，包括处理器，以及与处理器连接的存储器；

存储器用于存储计算机程序，计算机程序用于执行上述任一实施例提供的自动驾驶车辆交通事件预测方法；

处理器用于调用并执行存储器中的计算机程序。

综上所述，本发明提供一种自动驾驶车辆交通事件预测方法及装置，方法包括根据场景信息对当前所处场景进行分类并确定分类后的场景下的所有场景事件和命题；获取场景事件的历史数据，确定场景事件的先验概率以及确定每个命题的计算结果；根据历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及场景事件未发生时每个命题为真的第二条件概率；根据先验概率、第一条件概率以及第二条件概率计算得到事件发生概率；根据事件发生概率生成规避措施。本发明可以根据自车状态(车速、车辆位置、是否故障等)和环境(是否拥堵、是否红灯)等信息计算出预设时间段或预设距离内发生事件的概率，可以获取规避事故的方法，从而避免危险。

可以理解的是，上述提供的方法实施例与上述的装置实施例对应，相应的具体内容可以相互参考，在此不再赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令方法的制造品，该指令方法实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种自动驾驶车辆交通事件预测方法，其特征在于，包括：

获取场景信息，根据所述场景信息对当前所处场景进行分类并确定分类后的场景下的所有场景事件和命题；

获取所述场景事件的历史数据，根据所述历史数据确定所述场景事件的先验概率以及确定每个命题的计算结果；

根据所述历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及所述场景事件未发生时每个命题为真的第二条件概率；

根据所述先验概率、第一条件概率以及第二条件概率计算得到事件发生概率；

根据所述事件发生概率生成规避措施。

2.根据权利要求1所述的方法，其特征在于，所述根据所述场景信息对当前所处场景进行分类，包括：

获取实时数据，采用预构建的神经网络模型对所述实时数据进行分类处理，得到场景分类结果；

其中，所述场景包括高速场景、十字路口场景、城区道路场景以及山区场景；所述命题包括车辆状态、车辆动作以及环境信息。

3.根据权利要求1或2所述的方法，其特征在于，所述获取所述场景事件的历史数据，根据所述历史数据确定所述场景事件的先验概率以及确定每个命题的计算结果，包括：

根据历史数据获取事故发生概率并保存至高精地图中，得到地图数据；

根据所述地图数据获取车辆在预设地点发生所述场景事件的先验概率。

4.根据权利要求1或2所述的方法，其特征在于，所述根据所述历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及所述场景事件未发生时每个命题为真的第二条件概率，包括：

根据历史数据和每个命题的计算结果获取每个场景事件发生前预设时间段内的每个命题为真的第一条件概率以及所述预设时间段内场景事件未发生的各个命题为真的第二条件概率。

5.根据权利要求3所述的方法，其特征在于，所述根据所述历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及所述场景事件未发生时每个命题为真的第二条件概率，包括：

根据历史数据和每个命题的计算结果获取每个场景事件发生的地点前预设距离内的每个命题为真的第一条件概率以及场景事件未发生时所述地点前预设距离内的每个命题为真的第二条件概率。

6.根据权利要求1所述的方法，其特征在于，

采用贝叶斯算法根据所述先验概率、第一条件概率以及第二条件概率计算得到事件发生概率。

7.根据权利要求6所述的方法，其特征在于，

如果命题包括多个，则通过序贯理性原则对多个命题之间的结合计算事件发生概率。

8.根据权利要求7所述的方法，其特征在于，所述通过序贯理性原则对多个命题之间的结合计算事件发生概率，包括：

获取目标场景事件的先验概率；

选取结合的命题中的一个并获取其在目标场景事件中的历史统计概率；

利用贝叶斯算法根据先验概率、历史统计概率计算得到后验概率；

将所述后验概率作为下一个命题的先验概率；

遍历所有命题，得到事件发生概率。

9.根据权利要求1所述的方法，其特征在于，所述根据所述事件发生概率生成规避措施，包括：

在所述事件发生概率高于预设阈值时，根据命题逆向控制车辆行为。

10.一种自动驾驶车辆交通事件预测装置，其特征在于，包括：

获取模块，用于获取场景信息，根据所述场景信息对当前所处场景进行分类并确定分类后的场景下的所有场景事件和命题；

确定模块，用于获取所述场景事件的历史数据，根据所述历史数据确定所述场景事件的先验概率以及确定每个命题的计算结果；

第一计算模块，用于根据所述历史数据和每个命题的计算结果获取每个场景事件发生前的每个命题为真的第一条件概率以及所述场景事件未发生时每个命题为真的第二条件概率；

第二计算模块，用于根据所述先验概率、第一条件概率以及第二条件概率计算得到事件发生概率；

生成模块，用于根据所述事件发生概率生成规避措施。

Images