CN113822593A - 一种安全态势评估方法、装置、存储介质及电子设备 - Google Patents
一种安全态势评估方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113822593A CN113822593A CN202111158634.6A CN202111158634A CN113822593A CN 113822593 A CN113822593 A CN 113822593A CN 202111158634 A CN202111158634 A CN 202111158634A CN 113822593 A CN113822593 A CN 113822593A
- Authority
- CN
- China
- Prior art keywords
- risk value
- static
- dynamic
- road environment
- risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000003068 static effect Effects 0.000 claims abstract description 172
- 239000002131 composite material Substances 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 claims description 5
- 238000011002 quantification Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 39
- 238000013507 mapping Methods 0.000 description 16
- 230000015654 memory Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 10
- 238000012502 risk assessment Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004510 Lennard-Jones potential Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G06Q50/40—
Abstract
本发明实施例公开了一种安全态势评估方法、装置、存储介质及电子设备。该方法包括:获取道路环境信息和车辆状态信息,其中,所述道路环境信息包括静态风险场参数、动态风险场参数和道路环境成本;基于所述静态风险场参数确定静态风险值;基于所述动态风险场参数和所述车辆状态信息确定动态风险值;基于所述静态风险值、所述动态风险值和所述道路环境成本确定综合风险值。上述发明实施例的技术方案,通过道路环境信息和车辆状态信息进行车辆的安全态势评估,实现了对车辆行驶环境的静态风险场和动态风险场的风险量化,充分考虑了车辆对应的道路环境信息和车辆状态信息,使得到的综合风险值更加准确可靠。
Description
技术领域
本发明实施例涉及自动驾驶技术领域,尤其涉及一种安全态势评估方法、装置、存储介质及电子设备。
背景技术
随着人工智能技术的发展,自动驾驶技术已经成为当今汽车行业的研究热门。
现有自动驾驶的安全态势模型通常基于车辆运动学和动力学理论建立,对车辆行驶安全度的表达多基于车辆状态信息(速度、加速度、横摆角速度等)和两车相对运动关系信息(相对速度、相对距离等)来实现,判断信息单一,导致安全态势评估的准确性较差,无法为车辆行驶提供准确的判定依据。
发明内容
本发明实施例提供一种安全态势评估方法、装置、存储介质及电子设备,以提高车辆安全态势评估的准确性。
第一方面,本发明实施例提供了一种安全态势评估方法,包括:
获取道路环境信息和车辆状态信息,其中,所述道路环境信息包括静态风险场参数、动态风险场参数和道路环境成本;
基于所述静态风险场参数确定静态风险值;
基于所述动态风险场参数和所述车辆状态信息确定动态风险值;
基于所述静态风险值、所述动态风险值和所述道路环境成本确定综合风险值。
第二方面,本发明实施例还提供了一种安全态势评估装置,包括:
信息获取模块,用于获取道路环境信息和车辆状态信息,其中,所述道路环境信息包括静态风险场参数、动态风险场参数和道路环境成本;
静态风险值确定模块,用于基于所述静态风险场参数确定静态风险值;
动态风险值确定模块,用于基于所述动态风险场参数和所述车辆状态信息确定动态风险值;
综合风险值确定模块,用于基于所述静态风险值、所述动态风险值和所述道路环境成本确定综合风险值。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例中任一所述的安全态势评估方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例中任一所述的安全态势评估方法。
本发明通过获取道路环境信息和车辆状态信息,其中,道路环境信息包括静态风险场参数、动态风险场参数和道路环境成本;基于静态风险场参数确定静态风险值;基于动态风险场参数和车辆状态信息确定动态风险值;基于静态风险值、动态风险值和道路环境成本确定综合风险值。上述发明实施例的技术方案,通过道路环境信息和车辆状态信息进行车辆的安全态势评估,实现了对车辆行驶环境的静态风险场和动态风险场的风险量化,充分考虑了车辆对应的道路环境信息和车辆状态信息,使得到的综合风险值更加准确可靠。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1是本发明实施例一所提供的一种安全态势评估方法的流程示意图;
图2是本发明实施例二所提供的一种安全态势评估方法的流程示意图;
图3是本发明实施例三所提供的一种安全态势评估方法的流程示意图;
图4是本发明实施例三所提供的一种单车模型的示意图;
图5是本发明实施例四所提供的一种安全态势评估装置的结构示意图;
图6是本发明实施例五所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的一种安全态势评估方法的流程图,本实施例可适用于对自动驾驶车辆进行安全态势评估的情况,该方法可以由本发明实施例提供的安全态势评估装置来执行,该装置可以由软件和/或硬件来实现,该装置可以配置在电子计算设备上,例如,车载终端。具体包括如下步骤:
S110、获取道路环境信息和车辆状态信息,其中,所述道路环境信息包括静态风险场参数、动态风险场参数和道路环境成本。
其中,道路环境信息可以是当前车辆所行驶道路的路况信息,道路环境信息可以包括但不限于静态风险场参数、动态风险场参数和道路环境成本,静态风险场参数可以是车辆所行驶道路中与车辆产生碰撞风险的物体的参数,与车辆产生碰撞风险的物体可以是道路中行驶的车辆、行人、路边的树木等,可以理解的是,在某一时刻,车辆和车辆产生碰撞风险的物体是相对静止的。静态风险场参数可以包括但不限于障碍物信息,障碍物信息可以包括但不限于障碍物在行驶道路中位置信息和障碍物的外形参数,障碍物在行驶道路中的位置信息可以是障碍物中心点坐标,例如,(xobs,yobs)表示障碍物中心点位置;障碍物的外形参数可以是障碍物尺寸,例如,长、宽、高,在一些实施例中,障碍物的外形参数还可以包括障碍物的体积。动态风险场参数可以是当前车辆所行驶道路中的动态变化的参数,动态风险场参数可以包括但不限于当前车辆未来行驶的目标位置,与当前车辆发生碰撞风险的物体的相对速度、与当前车辆发生碰撞风险的物体的相对距离。车辆状态信息指的是当前车辆的行驶状态信息,车辆状态信息可以包括但不限于车辆的行驶速度、车辆的行驶轨迹和车辆转向半径。
道路环境成本可以是当前车辆所行驶道路的风险评估值,具体的,当前车辆行驶道路的风险越高,对应的风险评估值的数值越大,即道路环境成本数值越大,例如,当前车辆行驶在当前车道的道路环境成本数值可以为1,当前车辆行驶在超车道的道路环境成本数值可以为2,可以理解的是,车辆行驶在当前车道的风险比行驶在超车道的风险相对要小,所以车辆行驶在当前车道的道路环境成本数值小于车辆行驶在超车道的道路环境成本数值。
在上述实施例的基础上,所述道路环境信息还包括道路环境条件,所述道路环境成本基于道路环境条件生成,所述道路环境成本用于评价车辆在不同道路环境条件下的风险。
其中,道路环境条件可以是当前车辆所行驶道路的环境条件,道路环境条件可以包括但不限于当前车道、超车道、对象车道和路沿,在一些可选实施例中,可以针对不同的道路环境条件设置相应的道路环境成本,可实现当前车辆在不同的道路环境条件下的风险区分。
示例性的,道路环境条件为当前车道时,对应的道路环境成本值可以为1,道路环境条件为超车道时,对应的道路环境成本值可以为2,道路环境条件为对向车道时,对应的道路环境成本值可以为8,道路环境条件为路沿时,对应的道路环境成本值可以为10。
S120、基于所述静态风险场参数确定静态风险值。
其中,静态风险值用于评估自动驾驶车辆所在静态风险场的场强值,静态风险值的大小受静态风险场参数的影响。
在本发明的一些可选实施例中,可以根据预先建立的映射关系表,确定静态风险场参数相对应的静态风险值;其中,所述映射关系表中包括与静态风险场参数相对应待匹配静态风险值。具体的,可以是建立映射关系表,以根据映射关系表确定静态风险值。可以根据实际经验或者理论,确定每个静态风险场参数相对应静态风险值映射关系表,进而基于映射关系表确定与静态风险场参数对应的静态风险值。
在本发明的另一些可选实施例中,可以将静态风险场参数输入至预先训练好的静态风险模型中,得到静态风险值。具体的,可以先训练静态风险模型,然后基于训练好的静态风险模型确定与静态风险场参数相对应的静态风险值。具体实施方式可以是:获取多个训练样本,每个训练样本中包括静态风险场参数以及预设输出静态风险值;将训练样本数据输入至待训练静态风险模型中,得到实际输出的静态风险值,根据实际输出静态风险值和预设静态风险值,确定损失函数的损失值,将损失函数收敛作为训练目标,以训练得到静态风险模型。相应的,将静态风险场参数输入至静态风险模型后,可以输出相应的静态风险值。其中,静态风险模型可以是根据机器学习算法进行训练生成,机器学习算法具体可以包括但不限于支持向量机、长短期记忆网络或决策树等算法。
在本发明的一些可选实施例中,可以根据预先设置的目标函数对静态风险场参数进行处理,确定静态风险值。具体的,预设设置关于静态风险场参数所对应的函数,基于该函数和当前时刻所采集的静态风险场参数确定静态风险值。具体实施方式可以是:通过理论对各个静态风险场参数进行拟合处理,分别得到与静态风险场参数相对应的权重值。在采集到当前的静态风险场参数后,可以通过计算各静态风险场参数与其权重值的乘积,然后相加得到静态风险值。函数可以是高斯函数,在一些实施例中,函数还可以是Lennard-Jones势函数、Morse势函数或者Born-Mayer势函数,本实施例对此不做限制。
在本实施例中,可以通过道路环境信息中的静态风险场参数确定静态风险值,实现了对静态环境的风险量化,从而对当前车辆的静态环境的风险评估,分析静态环境对车辆安全的影响。
S130、基于所述动态风险场参数和所述车辆状态信息确定动态风险值。
其中,动态风险值用于评估自动驾驶车辆所在动态风险场的场强值,动态风险值的大小受动态风险场参数和车辆状态信息的影响。
在本发明实施例中,通过如下至少一种方式,确定动态风险值:根据预先建立的映射关系表,确定与动态风险场参数和车辆状态信息相对应的动态风险值;其中,所述映射关系表中包括与动态风险场参数和车辆状态信息相对应待匹配动态风险值;将动态风险场参数和车辆状态信息输入至预先训练好的动态风险模型中,得到动态风险值;根据预先设置的目标函数对动态风险场参数和车辆状态信息进行处理,确定动态风险值。
为了清楚的了解如何确定动态风险值可以参见下述三种具体实施方式:
第一种实施方式,可以是建立映射关系表,以根据映射关系表确定动态风险值。可以根据实际经验或者理论,确定每个动态风险场参数和车辆状态信息相对应动态风险值映射关系表,进而基于映射关系表确定与动态风险场参数和车辆状态信息相对应的动态风险值。
第二种实施方式可以是:可以先训练动态风险模型,然后基于训练好的动态风险模型确定与动态风险场参数和车辆状态信息相对应的动态风险值。具体实施方式可以是:获取多个训练样本,每个训练样本中包括动态风险场参数和车辆状态信息以及预设输出动态风险值;将训练样本数据输入至待训练动态风险模型中,得到实际输出的动态风险值,根据实际输出动态风险值和预设动态风险值,确定损失函数的损失值,将损失函数收敛作为训练目标,以训练得到动态风险模型。相应的,将动态风险场参数和车辆状态信息输入至动态风险模型后,可以输出相应的动态风险值。
其中,动态风险模型可以是根据机器学习算法进行训练生成,机器学习算法具体可以包括但不限于支持向量机、长短期记忆网络或决策树等算法。
第三种实施方式可以是:预设设置关于动态风险场参数和车辆状态信息所对应的函数,基于该函数和当前时刻所采集的动态风险场参数和车辆状态信息确定动态风险值。具体实施方式可以是:通过理论对各个动态风险场参数和车辆状态信息进行拟合处理,分别得到与动态风险场参数和车辆状态信息相对应的权重值。在采集到当前的动态风险场参数和车辆状态信息后,可以通过计算动态风险场参数与其权重值的乘积得到第一中间值,通过计算辆状态信息和相应权重值的乘积得到第二中间值,基于第一中间值和第二中间值,得到动态风险值。函数可以是高斯函数,在一些实施例中,函数还可以是Lennard-Jones势函数、Morse势函数或者Born-Mayer势函数,本实施例对此不做限制。
在本实施例中,可以通过道路环境信息中的动态风险场参数和车辆状态信息确定动态风险值,实现了对动态环境的风险量化,从而对当前车辆的动态环境进行风险评估,分析动态环境对车辆安全的影响。
S140、基于所述静态风险值、所述动态风险值和所述道路环境成本确定综合风险值。
其中,综合风险值是对当前车辆的安全态势的综合评估。在一些实施例中,可以将静态风险值、动态风险值和道路环境成本进行相加,得到综合风险值,在另一实施例中,还可以将静态风险值、动态风险值进行相加,然后将相加的结果与道路环境成本进行相乘,得到综合风险值。
在本发明实施例中,充分考虑环境与当前车辆的静态风险值、动态风险值和道路环境成本,使安全态势评估标准更加多元、丰富,使得到的综合风险值更加符合实际风险状况,综合风险值更加准确可靠,为复杂行车环境下的行车决策和车辆控制提供准确的判定依据。
在上述实施例的基础上,所述基于所述静态风险值、所述动态风险值和所述道路环境成本确定综合风险值,包括:对所述静态风险值和所述动态风险值进行归一化处理,得到归一化静态风险值和归一化动态风险值;基于所述归一化静态风险值、所述归一化动态风险值和所述道路环境成本确定综合风险值。
其中,归一化静态风险值和归一化动态风险值是对静态风险值和动态风险值进行归一化处理的结果。可以理解的是,由于静态风险值和动态风险值是不同的函数模型计算而来,两者的量级可能不同,两者进行相加无法得到准确的评估结果,通过归一化处理可以解决相加无法得到准确的评估结果的问题,归一化处理可以为:将静态风险值和动态风险值缩放到0-1之间,可以方便静态风险值和动态风险值进行叠加计算,提高安全态势评估的准确性。
示例性的,归一化方法具体可以为Min-Max Normalization,公式如下:
其中,Xmax为当前车辆所行使道路中态风险值或动态风险值的最大值,Xmin为当前车辆所行使道路中态风险值或动态风险值的最小值。
在完成归一化之后,综合风险值为:
Utotal=(U1norm+U2norm)×Scene_cost
其中,Utotal表示综合风险值,U1norm表示归一化静态风险值,U2norm表示归一化动态风险值,Scene_cost表示道路环境成本。
本发明实施例提供了一种安全态势评估方法,通过获取道路环境信息和车辆状态信息,其中,道路环境信息包括静态风险场参数、动态风险场参数和道路环境成本;基于静态风险场参数确定静态风险值;基于动态风险场参数和车辆状态信息确定动态风险值;基于静态风险值、动态风险值和道路环境成本确定综合风险值。上述发明实施例的技术方案,通过道路环境信息和车辆状态信息进行车辆的安全态势评估,实现了对车辆行驶环境的静态风险场和动态风险场的风险量化,充分考虑了车辆对应的道路环境信息和车辆状态信息,使得到的综合风险值更加准确可靠。
实施例二
图2为本发明实施例二提供的一种安全态势评估方法的流程图示意图,在上述实施例的基础上,对“基于所述静态风险场参数确定静态风险值”进一步细化。其具体的实现方式可以参见本技术方案的详细阐述。其中,与上述实施例相同或者相应的技术术语在此不再赘述。如图2所示,本发明实施例的方法具体包括如下步骤:
S210、获取道路环境信息和车辆状态信息,其中,所述道路环境信息包括静态风险场参数、动态风险场参数和道路环境成本。
S220、基于所述障碍物信息、场强系数和目标位置确定静态风险值。
其中,静态风险场参数包括障碍物信息、场强系数和目标位置。障碍物指的是在行驶道路中与当前车辆形成障碍的物体,与当前车辆形成障碍的物体可以是车辆、行人、树木等。障碍物信息可以包括但不限于是障碍物的尺寸信息和位置信息,尺寸信息可以是障碍物的长、宽、高等信息,位置信息可以是当前障碍物在预设坐标系中的坐标信息。场强系数指的是当前静态风险场的场强系数,为预设值。目标位置可以是当前车辆所行使道路中任一一点,例如,可以是当前出车辆未来可到达的位置。
在本发明任一可选实施例中,确定静态风险值的方法可以包括:根据预先建立的映射关系表,确定与障碍物信息、场强系数和目标位置相对应的静态风险值;其中,所述映射关系表中包括与障碍物信息、场强系数和目标位置相对应待匹配静态风险值;将障碍物信息、场强系数和目标位置输入至预先训练好的静态风险模型中,得到静态风险值;根据预先设置的目标函数对障碍物信息、场强系数和目标位置进行处理,确定静态风险值。
在上述实施例的基础上,所述基于所述障碍物信息、场强系数和目标位置确定静态风险值,包括:
在本发明实施例中,A可以为设定值,例如,A可以为1, Lobs为障碍物纵向方向的长度,Wobs为侧向方向的长度,kx为障碍物外形预设纵向系数,kx为设定值,例如,可以为1;ky为障碍物外形预设横向系数,ky为设定值,例如,可以为1。
在本发明实施例中,当障碍物外形尺寸较小时,β取值可以为1,对于外形尺寸较小的障碍物而言,上述计算静态风险值的函数在障碍物中心点位置达到峰值,在障碍物边缘也有较大的场强。但是对于外形尺寸较大的障碍物来说,其边缘与障碍物中心点位置的场强差值较大,低阶中心距的函数不太合适,为此,β取值可以为2,使计算静态风险值的函数在整个障碍物表面都有相近的风险场场强。
在本实施例中,可以通过道路环境信息中的静态风险场参数建立静态风险函数,然后根据静态函数确定静态风险值,实现了对静态环境的风险量化,从而对当前车辆的静态环境进行风险评估,分析静态环境对车辆安全的影响。
S230、基于所述动态风险场参数和所述车辆状态信息确定动态风险值。
S240、基于所述静态风险值、所述动态风险值和所述道路环境成本确定综合风险值。
本发明实施例提供了一种安全态势评估方法,通过获取道路环境信息和车辆状态信息,并通过障碍物信息、场强系数和目标位置建立静态风险函数,然后根据静态函数确定静态风险值,实现了对静态环境的风险量化,从而对当前车辆的静态环境进行风险评估,分析静态环境对车辆安全的影响。
实施例三
图3为本发明实施例三提供的一种安全态势评估方法的流程图示意图,在上述实施例的基础上,对“基于所述动态风险场参数和所述车辆状态信息确定动态风险值”进一步细化。其具体的实现方式可以参见本技术方案的详细阐述。其中,与上述实施例相同或者相应的技术术语在此不再赘述。如图3所示,本发明实施例的方法具体包括如下步骤:
S310、获取道路环境信息和车辆状态信息,其中,所述道路环境信息包括静态风险场参数、动态风险场参数和道路环境成本。
S320、基于所述静态风险场参数确定静态风险值。
S330、基于所述车辆状态信息和所述动态风险场参数确定高斯截面信息。
在本发明实施例中,高斯截面信息可以用于计算动态风险值,高斯截面信息包括高斯截面高度和高斯截面宽度。具体的,高斯截面高度,计算公式如下:
a=p×(s-v×tla)2
其中,a表示高斯截面高度,tla表示预瞄时间,v表示车辆质心速度,p表示高斯函数高度的陡峭系数,s表示车辆预测轨迹。
高斯截面宽度计算公式如下:
σ=(m+ki|δ|)s+c
其中,σ表示高斯截面宽度,c表示当前车辆所在位置的风险场宽度,与当前车辆宽度有关。可选的,在本发明实施例中,c=前车辆宽度/4。m表示风险场宽度变化系数,ki为转角增益系数,i用来区分左/右转向,例如,i为1时,k1表示左转向角的增益系数;i为2时,k2表示右转向角的增益系数,δ表示前轮侧偏角。
S340、基于所述转向半径、车辆质心位置、高斯截面信息和目标位置确定动态风险值。
其中,动态风险场参数包括目标位置,车辆状态信息包括转向半径和车辆质心位置。目标位置可以是动态风险场中的任一位置,例如,目标位置可以是当前车辆未来可以到达的位置,可以理解的是,动态风险场中的目标位置可以是实时变化的;转向半径可以理解为当前车辆的转弯半径,具体可以是转向中心到车辆前外转向轮与地面接触点的距离;车辆质心位置可以是车辆的质量中心。
在本发明任一可选实施例中,确定动态风险值的方法可以包括:根据预先建立的映射关系表,确定与转向半径、车辆质心位置、高斯截面信息和目标位置相对应的动态风险值;其中,所述映射关系表中包括与转向半径、车辆质心位置、高斯截面信息和目标位置相对应待匹配动态风险值;将转向半径、车辆质心位置、高斯截面信息和目标位置输入至预先训练好的动态风险模型中,得到动态风险值;根据预先设置的目标函数对转向半径、车辆质心位置、高斯截面信息和目标位置进行处理,确定动态风险值。
在本发明任一可选实施例中,可以通过建立车辆模型,然后基于车辆模型计算得到车辆的转向半径和车辆预测轨迹,在本发明实施例中,车辆模型可以是单车模型,如图4所示,单车模型指的自行车模型,单车模型简单易用且能真实反映车辆特性。由单车模型可以得到:
其中,δf表示前轮侧偏角,δr表示后轮侧偏角,β表示车辆滑移角,lf表示前悬长度,为图4中的BC段距离,lr表示后悬长度,为图4中的AC段距离,R为转向半径,为图4中OC段距离。V表示车辆质心速度,表示车辆的角速度。
联立上两式,可得:
车辆滑移角β可以由下面公式表示:
因此,车辆的转向半径R的计算公式可以为:
车辆预测轨迹s可以表示为:
在上述实施例的基础上,所述基于所述转向半径、车辆质心位置、高斯截面信息和目标位置确定动态风险值,包括:
其中,U2表示动态风险值,a表示高斯截面高度,σ表示高斯截面宽度,(x,y)表示目标位置,(xc,yc)表示车辆的质心位置,R表示转向半径。
S350、基于所述静态风险值、所述动态风险值和所述道路环境成本确定综合风险值。
本发明实施例提供了一种安全态势评估方法,通过获取道路环境信息和车辆状态信息,并通过转向半径、车辆质心位置、高斯截面信息和目标位置建立建立动态风险函数,然后根据动态函数确定静态风险值,实现了对动态环境的风险量化,从而对当前车辆的动态环境进行风险评估,分析动态环境对车辆安全的影响。
实施例四
图5为本发明实施例四提供的一种安全态势评估装置的结构示意图,本实施例所提供的安全态势评估装置可以通过软件和/或硬件来实现,可配置于终端和/或服务器中来实现本发明实施例中的安全态势评估方法。该装置具体可以包括:信息获取模块410、静态风险值确定模块420、动态风险值确定模块430以及综合风险值确定模块440。
其中,信息获取模块410,用于获取道路环境信息和车辆状态信息,其中,所述道路环境信息包括静态风险场参数、动态风险场参数和道路环境成本;静态风险值确定模块420,用于基于所述静态风险场参数确定静态风险值;动态风险值确定模块430,用于基于所述动态风险场参数和所述车辆状态信息确定动态风险值;综合风险值确定模块440,用于基于所述静态风险值、所述动态风险值和所述道路环境成本确定综合风险值。
本发明实施例提供了一种安全态势评估装置,通过获取道路环境信息和车辆状态信息,其中,道路环境信息包括静态风险场参数、动态风险场参数和道路环境成本;基于静态风险场参数确定静态风险值;基于动态风险场参数和车辆状态信息确定动态风险值;基于静态风险值、动态风险值和道路环境成本确定综合风险值。上述发明实施例的技术方案,通过道路环境信息和车辆状态信息进行车辆的安全态势评估,实现了对车辆行驶环境的静态风险场和动态风险场的风险量化,充分考虑了车辆对应的道路环境信息和车辆状态信息,使得到的综合风险值更加准确可靠。
在本发明实施例中任一可选技术方案的基础上,可选地,所述道路环境信息还包括道路环境条件,所述道路环境成本基于道路环境条件生成,所述道路环境成本用于评价车辆在不同道路环境条件下的风险。
在本发明实施例中任一可选技术方案的基础上,可选地,所述静态风险场参数包括障碍物信息、场强系数和目标位置,所述静态风险值确定模块420包括:
静态风险确定单元,用于基于所述障碍物信息、场强系数和目标位置确定静态风险值。
在本发明实施例中任一可选技术方案的基础上,可选地,所述静态风险确定单元具体用于:
在本发明实施例中任一可选技术方案的基础上,可选地,所述动态风险场参数包括目标位置,所述车辆状态信息包括转向半径和车辆质心位置;
在本发明实施例中任一可选技术方案的基础上,可选地,所述动态风险值确定模块430,包括:
高斯截面信息确定单元,用于基于所述车辆状态信息和所述动态风险场参数确定高斯截面信息;
动态风险值确定单元,用于基于所述转向半径、车辆质心位置、高斯截面信息和目标位置确定动态风险值。
在本发明实施例中任一可选技术方案的基础上,可选地,所述动态风险值确定单元具体可用于:
其中,U2表示动态风险值,a表示高斯截面高度,σ表示高斯截面宽度,(x,y)表示目标位置,(xc,yc)表示车辆的质心位置,R表示转向半径。
在本发明实施例中任一可选技术方案的基础上,可选地,所述综合风险值确定模块440可以用于:
对所述静态风险值和所述动态风险值进行归一化处理,得到归一化静态风险值和归一化动态风险值;
基于所述归一化静态风险值、所述归一化动态风险值和所述道路环境成本确定综合风险值。
本发明实施例所提供的安全态势评估装置可执行本发明任意实施例所提供的安全态势评估方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6为本发明实施例五所提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图6显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块26的程序/实用工具36,可以存储在例如系统存储器28中,这样的程序模块26包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块26通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图6所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图6中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发实施例所提供的一种安全态势评估方法。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种安全态势评估方法,该方法包括:
获取道路环境信息和车辆状态信息,其中,所述道路环境信息包括静态风险场参数、动态风险场参数和道路环境成本;
基于所述静态风险场参数确定静态风险值;
基于所述动态风险场参数和所述车辆状态信息确定动态风险值;
基于所述静态风险值、所述动态风险值和所述道路环境成本确定综合风险值。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种安全态势评估方法,其特征在于,包括:
获取道路环境信息和车辆状态信息,其中,所述道路环境信息包括静态风险场参数、动态风险场参数和道路环境成本;
基于所述静态风险场参数确定静态风险值;
基于所述动态风险场参数和所述车辆状态信息确定动态风险值;
基于所述静态风险值、所述动态风险值和所述道路环境成本确定综合风险值。
2.根据权利要求1所述的方法,其特征在于,所述道路环境信息还包括道路环境条件,所述道路环境成本基于道路环境条件生成,所述道路环境成本用于评价车辆在不同道路环境条件下的风险。
3.根据权利要求1所述的方法,其特征在于,所述静态风险场参数包括障碍物信息、场强系数和目标位置,所述基于所述静态风险场参数确定静态风险值,包括:
基于所述障碍物信息、场强系数和目标位置确定静态风险值。
5.根据权利要求1所述的方法,其特征在于,所述动态风险场参数包括目标位置,所述车辆状态信息包括转向半径和车辆质心位置,所述基于所述动态风险场参数和所述车辆状态信息确定动态风险值,包括:
基于所述车辆状态信息和所述动态风险场参数确定高斯截面信息;
基于所述转向半径、车辆质心位置、高斯截面信息和目标位置确定动态风险值。
7.根据权利要求1所述的方法,其特征在于,所述基于所述静态风险值、所述动态风险值和所述道路环境成本确定综合风险值,包括:
对所述静态风险值和所述动态风险值进行归一化处理,得到归一化静态风险值和归一化动态风险值;
基于所述归一化静态风险值、所述归一化动态风险值和所述道路环境成本确定综合风险值。
8.一种安全态势评估装置,其特征在于,包括:
信息获取模块,用于获取道路环境信息和车辆状态信息,其中,所述道路环境信息包括静态风险场参数、动态风险场参数和道路环境成本;
静态风险值确定模块,用于基于所述静态风险场参数确定静态风险值;
动态风险值确定模块,用于基于所述动态风险场参数和所述车辆状态信息确定动态风险值;
综合风险值确定模块,用于基于所述静态风险值、所述动态风险值和所述道路环境成本确定综合风险值。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的安全态势评估方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的安全态势评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111158634.6A CN113822593A (zh) | 2021-09-30 | 2021-09-30 | 一种安全态势评估方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111158634.6A CN113822593A (zh) | 2021-09-30 | 2021-09-30 | 一种安全态势评估方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113822593A true CN113822593A (zh) | 2021-12-21 |
Family
ID=78919828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111158634.6A Pending CN113822593A (zh) | 2021-09-30 | 2021-09-30 | 一种安全态势评估方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822593A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116534052A (zh) * | 2023-05-10 | 2023-08-04 | 上海保隆汽车科技股份有限公司 | 行驶场景感知数据处理方法、装置、控制器及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011156955A (ja) * | 2010-01-29 | 2011-08-18 | Equos Research Co Ltd | 走行制御装置および走行制御方法 |
CN105225509A (zh) * | 2015-10-28 | 2016-01-06 | 努比亚技术有限公司 | 一种道路车辆智能预警方法、装置和移动终端 |
US10074279B1 (en) * | 2017-03-07 | 2018-09-11 | Denso International America, Inc. | Inference-aware motion planning |
CN109934164A (zh) * | 2019-03-12 | 2019-06-25 | 杭州飞步科技有限公司 | 基于轨迹安全度的数据处理方法和装置 |
US20190333386A1 (en) * | 2016-06-17 | 2019-10-31 | Hitachi Automotive Systems, Ltd. | Surrounding environment recognizing apparatus |
FR3084630A1 (fr) * | 2018-07-31 | 2020-02-07 | Psa Automobiles Sa | Procede de planification de la trajectoire optimale d'un vehicule autonome et vehicule autonome equipe d’un calculateur embarque pour la mise en œuvre dudit procede |
CN111553605A (zh) * | 2020-04-30 | 2020-08-18 | 安徽江淮汽车集团股份有限公司 | 车辆变道风险评估方法、装置、设备及存储介质 |
-
2021
- 2021-09-30 CN CN202111158634.6A patent/CN113822593A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011156955A (ja) * | 2010-01-29 | 2011-08-18 | Equos Research Co Ltd | 走行制御装置および走行制御方法 |
CN105225509A (zh) * | 2015-10-28 | 2016-01-06 | 努比亚技术有限公司 | 一种道路车辆智能预警方法、装置和移动终端 |
US20190333386A1 (en) * | 2016-06-17 | 2019-10-31 | Hitachi Automotive Systems, Ltd. | Surrounding environment recognizing apparatus |
US10074279B1 (en) * | 2017-03-07 | 2018-09-11 | Denso International America, Inc. | Inference-aware motion planning |
FR3084630A1 (fr) * | 2018-07-31 | 2020-02-07 | Psa Automobiles Sa | Procede de planification de la trajectoire optimale d'un vehicule autonome et vehicule autonome equipe d’un calculateur embarque pour la mise en œuvre dudit procede |
CN109934164A (zh) * | 2019-03-12 | 2019-06-25 | 杭州飞步科技有限公司 | 基于轨迹安全度的数据处理方法和装置 |
CN111553605A (zh) * | 2020-04-30 | 2020-08-18 | 安徽江淮汽车集团股份有限公司 | 车辆变道风险评估方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116534052A (zh) * | 2023-05-10 | 2023-08-04 | 上海保隆汽车科技股份有限公司 | 行驶场景感知数据处理方法、装置、控制器及存储介质 |
CN116534052B (zh) * | 2023-05-10 | 2023-12-05 | 上海保隆汽车科技股份有限公司 | 行驶场景感知数据处理方法、装置、控制器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102292277B1 (ko) | 자율 주행 차량에서 3d cnn 네트워크를 사용하여 솔루션을 추론하는 lidar 위치 추정 | |
KR102335389B1 (ko) | 자율 주행 차량의 lidar 위치 추정을 위한 심층 학습 기반 특징 추출 | |
KR102350181B1 (ko) | 자율 주행 차량에서 rnn 및 lstm을 사용하여 시간적 평활화를 수행하는 lidar 위치 추정 | |
US20180253647A1 (en) | Offline combination of convolutional/deconvolutional and batch-norm layers of convolutional neural network models for autonomous driving vehicles | |
CN109870698B (zh) | 一种超声波阵列障碍物检测结果处理方法及系统 | |
CN111873991A (zh) | 一种车辆转向的控制方法、装置、终端及存储介质 | |
CN111216733B (zh) | 一种车辆控制方法、装置、车辆及存储介质 | |
CN111796521A (zh) | 一种前视距离确定方法、装置、设备及存储介质 | |
CN112099378B (zh) | 考虑随机测量时滞的前车侧向运动状态实时估计方法 | |
CN113619584A (zh) | 电控后轮转向方法、装置、电子设备及存储介质 | |
CN113933858A (zh) | 定位传感器的异常检测方法、装置及终端设备 | |
CN111572551B (zh) | 泊车工况下的航向角计算方法、装置、设备及存储介质 | |
CN113942524A (zh) | 一种车辆行驶控制方法、系统及计算机可读存储介质 | |
CN114021840A (zh) | 换道策略生成方法和装置、计算机存储介质、电子设备 | |
CN113822593A (zh) | 一种安全态势评估方法、装置、存储介质及电子设备 | |
Yang et al. | Autonomous lane keeping control system based on road lane model using deep convolutional neural networks | |
CN113988196A (zh) | 一种机器人移动方法、装置、设备及存储介质 | |
CN113911111A (zh) | 车辆碰撞检测方法、系统、电子设备以及存储介质 | |
CN114021080A (zh) | 轨迹预测模型训练以及轨迹预测方法、装置、设备及介质 | |
CN113696890B (zh) | 车道保持方法、装置、设备、介质及系统 | |
Xu et al. | Roadside estimation of a vehicle’s center of gravity height based on an improved single-stage detection algorithm and regression prediction technology | |
CN115959154A (zh) | 变道轨迹的生成方法、装置和存储介质 | |
CN114882363A (zh) | 一种扫地机的污渍处理方法和装置 | |
CN110442927B (zh) | 一种转向盘转角确定方法、装置、设备及存储介质 | |
CN111721316A (zh) | 一种高性能的车道线识别感兴趣区域预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |