CN113635897A

CN113635897A - 一种基于风险场的安全驾驶预警方法

Info

Publication number: CN113635897A
Application number: CN202111118669.7A
Authority: CN
Inventors: 鲁光泉; 汤认京; 谭海天; 龙文民; 丁川; 刘淼淼
Original assignee: Beihang University
Current assignee: Beihang University
Priority date: 2021-09-24
Filing date: 2021-09-24
Publication date: 2021-11-12
Anticipated expiration: 2041-09-24
Also published as: CN113635897B

Abstract

本发明提出了一种基于风险场的安全驾驶预警方法，该方法主要分为三个部分，分别是数据采集模块、风险量化模块和安全预警模块，通过各种设备采集自车周围的环境信息，并基于采集的数据对未来一段时间内自车和周围车辆的位置坐标和速度进行预测；然后结合风险场理论计算未来一段时间内的各个时刻静态交通环境因素、动态交通管控信息、运动物体对自车造成的风险；依据本发明中提出的风险判别方法对风险进行判别，从而得出未来一段时间内自车的安全状态；并发出相应的安全预警，提醒驾驶员实时调整车辆运动状态以规避风险，提高驾驶安全水平。

Description

一种基于风险场的安全驾驶预警方法

技术领域

本发明涉及智能驾驶、安全驾驶预警领域，具体涉及一种基于风险场的安全驾驶预警方法

背景技术

近年来随着人民生活水平的不断提高，汽车保有量也随之增加，从而导致交通事故的发生更加的频繁，给人民的生命财产安全带来了严重的损失。据交通事故统计年报显示，2018年我国的交通事故数就已超过24万，并由此导致的死亡人数超过6万；其中机动车事故数超过21万，其导致的死亡人数超过5.8万；因此，安全驾驶预警技术对提高道路安全和运行效率具有重要意义。

目前，针对危险驾驶行为的预警方法有很多，但主要分为三类：第一种通过相关设备采集驾驶人的生理参数，并根据对生理参数的分析来进行预警；如王恁等人基于对脑电信号的分析，得到了疲劳指数阈值；并根据该阈值对驾驶人的疲劳程度进行分析，当驾驶人疲劳驾驶时发出安全预警。该类方法虽然能较为准确的对当前驾驶人的行为进行判别，但相关的生理参数采集设备由于价格昂贵所以无法普及。第二种是根据驾驶人的面部特征进行预警，如杨晓峰等人通过识别驾驶人面部特征点来判定驾驶人的头部姿势，并基于支持向量机进行分类可以有效判定低头行为；但该类方法通常误差较大，难以在实际应用中起到较好的效果。第三种是直接根据驾驶行为进行预警，如于兹文等人通过分析方向盘转角、方向盘转角速率、横摆角、横摆角速度、横向位置、横向速度、横向加速度和相邻车道行驶车辆与自车的相对运动关系来对换道行为进行判断，并在必要时发出换道碰撞预警提醒驾驶人调整车辆的运动状态。该类方法虽然成本低，检测速度快，但是由于驾驶人之间存在异质性，且车辆和道路本身的状况也存在差异，检测的准确率容易受到干扰。综上所述，虽然目前用于安全驾驶预警的方法多种多样，但通常只能对交通中的某一种危险情形进行预警，缺乏一个统一的指标对道路中可能出现的各种情形进行危险程度的评估

因此，针对现有安全驾驶预警方法存在的缺陷，本文基于风险场理论，并结合车辆轨迹预测模型提出了一种基于风险场的安全驾驶预警方法；区别于其他使用不同指标对不同驾驶行为进行危险辨识的安全驾驶预警方法，该方法使用风险场理论对交通环境中的组成要素进行风险量化，从而根据风险值这一统一的指标对各类驾驶行为进行风险辨识，对道路上潜在的驾驶安全隐患进行预警，提醒驾驶人及时对车辆运动状态进行调整来规避风险；从而较低道路上的事故发生率和人员伤亡率。

发明内容

针对现有安全预警方法存在的不足，本文发明旨在根据风险场理论对自车周围风险进行量化，并结合车辆轨迹预测模型，对未来一段时间内自车面临的风险进行判别，当风险超过安全阈值时进行预警。为实现以上目的，本文提供了一种基于风险场的安全驾驶预警方法。该方法的具体实现步骤如下：

步骤1，通过Mobieye、毫米波雷达、GPS、激光雷达、INS-D组合惯导等设备采集车辆周围环境信息，具体包括车道线、障碍物、信号灯以及周围车辆(包括自车车道的前后车以及左右车道的前后车)的运动状况数据；

步骤2，基于步骤1中采集的数据使用轨迹预测模型对未来一段时间Δt的自车和周围车辆的位置坐标和速度进行预测，得到的输出如下：

其中，Z为Δt时间段内各个时刻自车和周围车辆对应的位置和速度的集合，x_i为t_i时刻车辆的x坐标，y_i为t_i时刻车辆的y坐标，v_i为t_i时刻车辆的速度值。

步骤3，基于步骤2中得到的自车位置和速度数据，分别计算Δt时间段内各个时刻静态交通环境因素、动态交通管控信息、运动物体对自车造成的风险，最后综合考虑三者的风险得到Δt时间段内各个时刻自车所面临的风险。步骤3的具体实现步骤如下：

步骤31，由于静态交通环境因素、动态交通管控信息、运动物体所产生的风险都是以其自身建立坐标系进行计算的，如静态交通环境因素道路边界线以直线延伸方向为x轴，直线延伸方向的垂直方向为y轴，以该线段的中心为原点建立的坐标系，动态交通管控信息信号灯以所控制路口的实线延伸方向为x轴，以路口实线延伸方向的垂直方向为y轴，以路口实线中心为原点建立的坐标系，运动物体机动车以车头方向为x轴，侧向方向为y轴，车辆中心为原点建立的坐标系；因此需要根据坐标转化公式对自车的位置和速度信息进行转化，分别转化到对应的坐标系下；坐标转化公式如下：

步骤32，计算静态交通环境因素对应的风险，通过计算得到自车在静态交通环境因素风险场下所对应的风险如下：

其中，Risk1_i为自车在t_i时刻由静态交通环境因素造成的风险。

步骤33，计算动态交通管控信息对应的风险，通过计算得到自车在动态交通管控信息下所对应的风险如下：

其中，Risk2_i为自车在t_i时刻由动态交通管控信息造成的风险。

步骤34，计算运动物体所对应的风险，运动物体主要是自车周围的机动车，包括自车车道的前后车以及左右车道的前后车；首先分别计算各个机动车的风险，其次对周围各辆机动车对自车造成的风险进行叠加得到运动物体对自车的风险如下：

其中，Risk3_i为自车在t_i时刻由运动物体造成的风险。

步骤35，对静态交通环境因素造成的风险Risk1，动态交通管控信息造成的风险Risk2，运动物体造成的风险Risk3按最大值法进行叠加，最大值超过1的用1进行替换，得到自车在未来一段时间Δt内不同时刻自身所面临的风险集合如下：

其中，Risk_i为自车在t_i时刻所面临的风险。

步骤4，根据步骤3计算得出的风险值，依据风险的大小来判断自车在未来一段时间Δt内的安全状态。首先对安全时刻进行判定，判定规则如下：

其中，σ为安全阈值，当该时刻的风险超过该阈值时，该时刻的λ_i取1，通过对未来一段时间Δt内的危险时刻进行统计得到未来一段时间自车的安全状态，自车安全状态的判定规则如下：

其中，其中n为Δt时间段被划分的次数，μ₁，μ₂分别为进行安全判别时的阈值，阈值大小可根据实际情况进行选择。

步骤5，根据步骤4中自车安全状态的判定结果，通过声音提示、震动提示、显示器提示方式进行预警，提醒驾驶员提前对车辆的运动状态做出改变，避免危险事件的发生。

附图说明

图1为本发明的整体思路框图

具体实施方式

下面结合附图和实施方案对本发明进行详细的描述。应理解该实例仅用于说明本发明而不用于限制本发明的范围。本发明所提供的一种基于风险场的安全驾驶预警方法整体思路框图如图1所示，其具体实施方法包括以下步骤：

步骤2，基于步骤1中采集的数据使用引入注意力机制的seq2seq模型对未来一段时间Δt的自车和周围车辆的位置坐标和速度进行预测，该模型的输入为自车和周围车辆过去一段时间的轨迹和速度信息；得到的输出如下：

其中，Z为Δt时间段内各个时刻自和周围车辆车对应的位置和速度的集合，x_i为t_i时刻车辆的x坐标，y_i为t_i时刻车辆的y坐标，u_i为t_i时刻车辆的速度值。

步骤32，计算静态交通环境因素对应的风险，静态交通环境因素主要包括道路边界线及分道线，道路边界线和分道线周围的风险函数如下：

其中，l_i和d_i分别为第i条道路边界线或分道线的长度和宽度，β_i，x和β_i，y分别决定了第i条道路边界线或分道线在横向和纵向上风险的影响程度，a_i决定了第i条道路边界线或分道线周围风险的最大值，δ_i(x，y，t)为道路边界线及分道线的风险衰减系数。通过计算得到自车在道路边界线及分道线的风险场下所对应的风险：

步骤33，计算动态交通管控信息对应的风险，动态交通管控信息中最主要的是交通信号灯，信号灯对应的风险函数如下：

R_signal，j(x，y，t)＝f_j(t)·R_lane，j(x，y，t)

其中，R_lane，j(x，y，t)为实线的分道线对应的风险函数，t_j，g，t_j，a，t_j，r和T_j分别为第j个信号灯控制的入口的绿灯持续时长，黄灯持续时长，红灯持续时长和信号周期，n的取值为0，1，2···。通过计算得到自车在信号灯风险场下所对应的风险如下：

步骤34，计算运动物体所对应的风险，运动物体主要是自车周围的机动车，包括自车车道的前后车以及左右车道的前后车；首先分别计算各个机动车的风险，机动车辆对应的纵向风险函数为：

机动车辆对应的横向风险函数为：

机动车辆对应的风险函数为：

其中，α_k，x，β_k，x，α_k，y和β_k，y分别决定了第k辆机动车周围风险值随距离和速度变化的影响程度，这四个因素主要和机动车辆的类型有关系，例如与小客车相比，在相同速度下，会与大货车保持更大的相对距离。v_k，x(t)和v_k，y(t)分别为第k辆机动车辆t时刻的纵向速度和侧向速度，L_k和W_k分别为第k辆机动车辆的车长和车宽，δ_x，k(x，y，t)为机动车的纵向风险衰减系数，δ_y，k(x，y，t)为机动车的横向风险衰减系数，δ_k(x，y，t)为机动车的风险衰减系数。对周围各辆机动车对自车造成的风险进行叠加得到运动物体对自车的风险如下：

其中，Risk3_i为自车在t_i时刻由运动物体造成的风险。

其中，Risk_i为自车在t_i时刻所面临的风险。

步骤4，根据步骤3计算得出的风险值，依据风险的大小判断自车在未来一段时间Δt内的安全状态。首先对安全时刻进行判定，判定规则如下：

以上步骤详细的描述了本发明的实施过程，但本发明不限于上述实施方式中的具体细节。凡在本发明的构思范围内，都不应排除在本发明的保护范围之外。

Claims

1.一种基于风险场的安全驾驶预警方法，其特征在于，包括以下步骤：

步骤1，通过Mobieye、毫米波雷达、GPS、激光雷达、组合惯导设备采集车辆周围环境信息，具体包括车道线、障碍物、信号灯以及周围车辆的运动状况数据；

步骤2，基于步骤1中采集的数据使用轨迹预测模型对自车和周围车辆未来一段时间Δt的位置坐标和速度进行预测，得到未来Δt时间段内各个时刻自车的位置和速度信息；

步骤3，基于步骤2中得到的自车和周围车辆的位置和速度数据，分别计算时间段Δt内各个时刻静态交通环境因素、动态交通管控信息、运动物体对自车造成的风险，最后对上述三者造成的风险值按最大值进行叠加，最大值超过1的用1进行替换，从而得到Δt时间段内各个时刻自车所面临的风险；

步骤4，根据步骤3计算得出的风险值，依据风险的大小进行分级来判断自车在未来一段时间Δt内的安全状态；

2.根据权利要求1所述的方法，其特征在于，该预警方法基于风险场理论来计算自车风险，这里提到的风险场是指静态交通环境因素、动态交通管控信息、运动物体对车辆运动产生的约束作用在空间的一个区域内的分布，使用风险场理论对交通环境中的组成要素进行风险量化，从而根据风险值这一统一的指标对各类驾驶行为进行风险辨识来判定自车的安全状态从而进行预警，所计算的风险包括静态交通环境因素、动态交通管控信息、运动物体对自车造成的风险。

3.根据权利要求1所述的方法，其特征在于，计算静态交通环境因素中道路边界线及车道线对自车t时刻所造成的风险使用如下风险函数：

其中，l_i和d_i分别为第i条道路边界线或分道线的长度和宽度，β_i,x和β_i,y分别决定了第i条道路边界线或分道线在横向和纵向上风险的影响程度，a_i决定了第i条道路边界线或分道线周围风险的最大值，δ_i(x,y,t)为道路边界线或分道线的风险衰减系数。

4.根据权利要求1所述的方法，其特征在于，计算动态交通管控信息中交通信号灯对自车t时刻所造成的风险使用如下风险函数：

R_signal,j(x,y,t)＝f_j(t)·R_lane,j(x,y,t)

其中，R_lane,j(x,y,t)为实线的分道线对应的风险函数，t_j,g，t_j,a，t_j,r和T_j分别为第j个信号控制的入口的绿灯持续时长，黄灯持续时长，红灯持续时长和信号周期，n的取值为0，1，2…。

5.根据权利要求1所述的方法，其特征在于，计算运动物体中机动车辆对自车t时刻所造成的风险使用如下风险函数，机动车辆对应的纵向风险函数为：

机动车辆对应的横向风险函数为：

机动车辆对应的风险函数为：

其中，α_k,x，β_k,x，α_k,y和β_k,y分别决定了第k辆机动车周围风险值随距离和速度变化的影响程度，这四个因素主要和机动车辆的类型有关系，v_k,x(t)和v_k,y(t)分别为第k辆机动车辆t时刻的纵向速度和侧向速度，L_k和W_k分别为第k辆机动车辆的车长和车宽，δ_x,k(x,y,t)为机动车的纵向风险衰减系数，δ_y,k(x,y,t)为机动车的横向风险衰减系数，δ_k(x,y,t)为机动车的风险衰减系数。

6.根据权利要求1所述的方法，其特征在于，依据风险对自车安全状态进行划分时使用如下判定规则：

其中，Risk_i为自车在t_i时刻所面临的风险，σ为安全阈值，当该时刻的风险超过该阈值时，该时刻的λ_i取1，通过对未来一段时间Δt内的危险时刻进行统计得到未来一段时间自车的安全状态：

其中，其中n为Δt时间段被划分的次数，μ₁，μ₂分别为进行安全判别时的阈值，阈值的大小可根据实际情况进行选择。