CN115081822B - 一种基于心理和物理风险场的行车风险评估方法和系统 - Google Patents

Abstract

本发明涉及一种基于心理和物理风险场的行车风险评估方法和系统，方法包括：基于本车质点为中心建立起体现风险感知各向异性的双椭圆风险场模型；基于各个风险源的类型特征和运动学特征，计算物理运动对于行车风险的影响因子；纳入驾驶员对于风险源的潜在心理预期，同时融合不同特性驾驶人对于风险感知的能力，计算驾驶员心理层面对于行车风险的影响因子；综合物理运动和心理因素的影响，根据所述双椭圆风险场模型，以排斥力的形式量化驾驶员实时风险感知。与现有技术相比，本发明通过驾驶员视角再现驾驶员风险感知过程，满足智能汽车对于准确合理的二维综合风险量化的需求，在风险感知前瞻性、驾驶人感知异质性和风险量化准确性上具有明显优势。

Description

一种基于心理和物理风险场的行车风险评估方法和系统

技术领域

本发明涉及智能驾驶和交通安全领域，尤其是涉及一种基于心理和物理风险场的行车风险评估方法和系统。

背景技术

随着城市汽车保有量增加，驾驶安全的问题日益突出。因此，实时风险评估成为了驾驶过程中的一个关键问题。任何延迟或不准确的风险认知都会导致不正确的驾驶操作，从而进一步增加碰撞发生概率和扰乱交通流。因此，为了提高驾驶安全性，汽车中先进驾驶辅助系统(ADAS，Advanced Driver Assistance Systems)已被开发并广泛部署。借助内置的实时风险评估模型，ADAS旨在对高碰撞风险情况提供可靠的预警。此外，实时风险评估模型还在自动驾驶汽车研究领域占据核心地位，车辆将通过量化的驾驶风险采取合理的驾驶操作。

近年来，学者们提出，人类驾驶员从两个角度感知和评估驾驶风险，即物理运动状态和心理风险预期(或主观和客观风险)，导致每个驾驶员对危险驾驶情况的不同风险感知与风险承受。在物理方面，驾驶员根据潜在风险源的运动学特征捕捉实时驾驶风险。除了基于当前车辆运动状态的感知风险外，驾驶员还能够通过预测周围交通参与者的行为来主观预见驾驶风险，并且可以采取预防碰撞的策略而非补救。

目前，用于ADAS定量评估主体车辆行车风险的研究方法仍主要从物理角度出发来评估风险。一类是基于单向车辆物理运动对驾驶风险进行判定的方法，例如采用独立模块，例如前方碰撞警告和车道偏离警告，为每个碰撞方向提供特定的驾驶风险预警，使用的是简单的单向风险评估指标与阈值。但是这种方法忽略了来自不同方向的潜在同时危险。另外一类是近年来提出的二维风险评估，主要是将道路因素转化为斥力因子的风险量化方法。但是这种方法从道路参与者出发而非主车出发，均存在对主车前向碰撞风险重视程度不够的缺陷；其次完全忽略了驾驶员对于风险感知所存在的异质性和前瞻性。

综上所述，现有应对实时风险评估的方法并不是从人类的角度设计的，过于强调当前时刻车辆物理运动对风险的影响，而忽略了人的心理变化和注意力分布(感知各向异性)对风险评估的作用，甚至会在高风险场景中对经验丰富的驾驶员产生不利影响。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于心理和物理风险场的行车风险评估方法和系统，考虑驾驶人特性、风险感知特征和心理预期特征，可从物理和心理两个层面融合对车辆行车风险进行综合二维评估，从而提高人类驾驶员对行车安全预警和自动驾驶决策规划认同度。

本发明的目的可以通过以下技术方案来实现：

一种基于心理和物理风险场的行车风险评估方法，包括以下步骤：

S1：基于本车质点为中心建立起一个体现风险感知各向异性的双椭圆风险场模型，该双椭圆风险场模型计及物理运动和驾驶员心理层面的影响；

S2：基于各个风险源的类型特征和运动学特征，计算物理运动对于行车风险的影响因子；

S3：纳入驾驶员对于风险源的潜在心理预期，同时融合不同特性驾驶人对于风险感知的能力，计算驾驶员心理层面对于行车风险的影响因子；

S4：综合物理运动对于行车风险的影响因子和驾驶员心理层面对于行车风险的影响因子，根据所述双椭圆风险场模型，以排斥力的形式量化驾驶员实时风险感知。

进一步地，所述双椭圆模型是以车辆质心为共同中心的半椭圆的组合，该组合被标准场定义轴d＝[d₁，d₂，d₃]定义，其中d₁为前向长轴，d₂为后向长轴，d₃为车辆横向方向上的短轴，所述标准场定义轴由物理分量中的运动子分量和心理分量/>共同决定，所述标准场定义轴的表达式为：

进一步地，所述双椭圆模型根据标准场定义轴确定环境对于风险源α的场强分布，风险源α将会根据其与本车s的相对位置受到一个来自本车s的排斥场强，方向为所述风险源α受到的来自本车s的排斥场强E_α的计算表达式为：

式中，为物理分量，/>为心理分量，E_std为标准安全场强值，/>为风险源α和本车s的纵向相对位置，/>为风险源α和本车s的横向相对位置，当风险源α处于车辆纵向上前向行驶部分时(以车辆质心所在横向延伸线为划分)，d_i为d₁，反之为d₂，/>为排斥场强E_α的梯度。

进一步地，风险源α的物理分量的计算表达式为：

式中，为物理分量运动子分量，记录T时刻风险源α相对于主体车辆s的相对运动状态，包括速度和相对速度；/>为物理分量位置子分量，记录T时刻α相对于主体车辆s的相对位置关系，RC表示路况对于物理分量的影响。

进一步地，所述物理分量运动子分量的计算表达式为

式中，和/>分别为风险源α处于车辆前向行驶部分时相对于本车s的前纵向运动分量和后纵向运动分量，/>为风险源α相对于本车的横向运动分量；/>和/>分别为风险源α和本车s在纵向运动方向上的前速度分量和后速度分量，/>为安全距离度量函数，γ₁为纵向上车辆的最大减速度；γ₂和γ₃为自定义参数，LW为车道宽度，/>为风险源α和本车s的相对横向运动趋势，正值代表两车横向上靠近，反之代表远离，t_dec为本车驾驶员的最小反应时间。

进一步地，所述心理分量的计算表达式为：

式中，γ₄为驾驶行为心理预期权重参数，P_α是驾驶行为预期子分量，表征驾驶员对其他动态风险源脱离当前行驶状态进入其他行驶状态的概率预期；D_s是驾驶员自身参数子分量；μ是表征驾驶员对不同方向风险感知的各向异性特征向量。

进一步地，所述驾驶行为预期子分量P_α的计算表达式为：

P_α＝P_motivation*P_decision

式中，P_motivation表示相邻车道车辆因为T时刻环境而产生换道动机的概率，P_decision表示产生换道动机的车辆选择执行换道切入这一动作的概率。

进一步地，所述P_motivation的计算形式表示为：

P＝1-(1+exp(-3.056L₁-1.246L₂-0.012Y-0.009E_dec-0.454T_pre-0.078V_ave-0.082ΔV_ave+2.495))^-1

式中，P为基于Logistic回归所得的概率值；L_i为当前车道编号；Y为车辆所处的纵向位置坐标；E_dec为持续减速时间；T_pre为当前车辆与当前车道前车的车间时距；V_ave为当前车道前三辆车的平均速度；ΔV_ave为当前车辆与当前车道前三辆车平均速度的差；

所述P_decision的计算形式表示为：

G_lead＝0.7[exp(1.541-6.21max(0，ΔV_lead)-0.13min(0，ΔV_lead)-0.008V+ε_lead)]+1.5

G_lag＝0.7[exp(1.426+0.640max(0，ΔV_lag)-0.24V+ε_lag)]+1.5

其中，G_lead和G_lag分别为当前车辆与目标车道前车和后车的关键间隙；ΔV_lead和ΔV_lag分别为当前车辆与目标车道前车和后车的速度差，V为本车速度；ε_lead和ε_lag为干扰项，ε_lead～N(0，0.854²)，ε_lag～N(0，0.954²)，为当前状态下当前车辆与目标车道前车的真实纵向距离，/>为当前状态下当前车辆与目标车道后车的真实纵向距离。

进一步地，所述主体车辆s将在风险源α上施加由场E_α产生的排斥力F_α，该排斥力F_α为实时驾驶风险的量化指标，所述驾驶员实时风险感知的计算表达式为：

Risk＝Risk(F，ω)

risk_α＝F_α risk_α＝δ_αm_sm_αE_α

式中，m_s表示本车质量，m_α表示风险源α的质量，F_α是F_α的标量值，F_α＝a·F_α，a是场力的方向向量，即的方向，risk_α为风险源α产生的对本车的风险，Risk为该时刻下本车受到的总风险，F＝[F₁，F₂，F₃，...，F_n]，n为风险源总数，ω为长度为n的风险源权重向量。

本发明还提供一种基于心理和物理风险场的行车风险评估系统，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上所述的方法的步骤。

与现有技术相比，本发明具有以下优点：

(1)本发明提出的一种基于心理-物理驾驶风险场的行车风险评估方法，拓展舒适空间概念，通过驾驶员本体视角观察道路环境，突破了传统安全领域一直采取的将前向和侧向分离的一维碰撞风险预警，提出的模型可以提供全面的风险评估，包括来自不同来源和方向的风险，响应了自动驾驶时代对于二维综合风险评估的要求。

(2)本发明在人类驾驶员风险感知过程的基础上，将心理感知风险整合到风险场中。能够克服传统行车风险评估方式中仅基于当前车辆运动学进行风险评估的缺点，使得风险评估个性化、精确化，一方面有利于解析不同类型驾驶员的驾驶行为和风险感知，一方面有利于推出驾驶人异质的、可定制化的辅助驾驶系统。

(3)本发明通过引入心理感知风险中的心理预测风险，使得风险评估打破只基于当前时刻物理学运动的局限，在综合评估中融合未来潜在高危行为的可能性和严重性，从而使基于此发明开发的驾驶安全辅助系统能够避免风险识别延迟，做到潜在风险事件提前感知、提前预警，极大增强行车安全系数。

附图说明

图1为本发明实施例中提供的一种基于心理和物理驾驶风险场的行车风险评估方法的架构图；

图2为本发明实施例中提供的一种心理-物理风险场形状示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

实施例1

本发明的基本思想来自安全行驶空间理论，即驾驶员动态地采用主体车辆与其他道路使用者和基础设施之间的裕度，以便感到安全和舒适。它被扩展到安全区或者安全空间的概念，这是一个围绕驾驶员的隐形时空包络线。当风险源“闯入”该区域时，驾驶员会感知风险，然后感到不安全。然后，采用对风险源的排斥力作为风险指标。

本发明涉及一种基于心理和物理驾驶风险场的行车风险评估方法，该发明框架如图1所示。该方法与人类驾驶员从两个角度(物理运动状态和心理风险预期感知)评估驾驶风险的方式相契合，在风险评估中考虑每个驾驶员对危险驾驶情况的感知能力、预期能力和接受能力。请注意，将物理和心理风险分为两个块，以显示每个方面对驾驶员风险感知的影响，而不是表明驾驶员确实单独和单独地感知身体和心理风险。

方案的具体实施通过以下步骤来阐述：

(一)心理-物理风险场的建立

设本车为车辆s以主体车辆质点为中心，建立起一个形状为双椭圆的心理-物理驾驶风险场模型。如图2所示，该双椭圆模型是以车辆质心为共同中心的半椭圆的组合，拥有前向长轴d₁或后向长轴d₂，共享y方向(车辆横向方向)上的短轴d₃。这三个轴定义了主车对于风险源α的针对性排斥场的标准场强等势线的位置，在本发明中称之为标准场定义轴。标准场定义轴d＝[d₁，d₂，d₃]由T时刻风险源和本车的相对运动趋势(即物理分量中的运动子分量)和心理分量/>共同决定：

在标准场定义轴确定后，环境中对于风险源α的场强分布确定。然后场中风险源α将会根据其与本车s的相对位置受到一个来自本车s的排斥场强，方向为计算为：

式中，为物理分量中的位置子分量，E_std为标准安全场强值，/>为风险源α和本车s的纵向相对位置，/>为风险源α和本车s的横向相对位置，当风险源α处于车辆纵向上前向行驶部分时(以车辆质心所在横向延伸线为划分)，d_i为d₁，反之为d₂，/>为排斥场强E_α的梯度。

(二)风险场车路环境物理分量的量化

使用车辆CAN总线数据、车载雷达数据与车载视频采集识别设备数据作为当前T时刻的自车和周围交通参与者和行车环境的输入，对识别出的每一个在正常行驶过程中有可能对本车造成碰撞损害和违法损害的风险源(包括静态风险源如道路障碍、非正常停止车辆和道路标线等，与动态风险源如机动车、非机动车以及行人等)计算心理-物理驾驶风险场物理分量。

静态风险源可以分为两类，即拥有实际质量的静态物体，如路障等；和实际不拥有质量，但是由于法律规范不能与之发生空间接触的物体，最典型的是不能跨越的道路实线。为了将各类风险源都能在一个统一的框架下进行计算，将不拥有实际质量的道路实线赋予虚拟质量m_lane，作为一个位置为该实线距离本车最近的点的一个质点进行计算。

以风险源α为例作为说明，其物理分量可以表示为：

式中，为物理学运动状态子分量，记录T时刻α相对于主体车辆s的相对运动状态，包括速度和相对速度；/>为物理学位置子分量，记录T时刻α相对于主体车辆s的相对位置关系。RC表示路况对于物理分量的影响。

更细致地，将表示为/>考虑到风险源有可能处于车辆的前方或者后方，/>和/>分别为风险源α处于车辆前向行驶部分时(以图2中OP₃及其延伸线为划分，O点为车辆质心)相对于本车s的纵向运动分量，/>为风险源α相对于本车的横向运动分量。纵向运动分量可以根据如下公式计算：

其中，和/>分别为风险源α和本车s在纵向运动方向上的速度分量，/>为安全距离度量函数，t_dec为本车驾驶员的最小反应时间，γ₁为纵向上车辆的最大减速度。

同时，横向运动分量可以定义为：

其中，γ₂和γ₃为自定义参数，LW为车道宽度，为风险源α和本车s的相对横向运动趋势，正值代表两车横向上靠近，反之代表远离。

RC表示路况对于物理分量的影响，定义为：

式中，rs是道路坡度，ac是道路附着系数，vis是能见度。和/>表示各道路因素的风险评估函数。道路坡度越大、道路附着系数越低、道路能见度越差，行车风险越高，因此，参考真实交通安全数据，给出这三个函数的具体表达形式为：

式中，ac_safe为标准安全道路附着系数。坡度rs用百分比表示，能见度vis单位为km。

(三)风险场驾驶人心理分量的量化

对于静态风险源，首先计算驾驶员个性化影响，即不同的驾驶员在面对相同的交通情况时对当前驾驶风险的个性化感知，然后根据确定由于风险源所在位置方向不同而导致的驾驶员风险感知各向异性。对于动态风险源，同样需要计算驾驶员个性化影响和驾驶员风险感知各向异性；更进一步地，需要计算驾驶员对可预见性风险的心理预期。因此，心理风险分量被定义为：

式中，P_α是驾驶行为预期子分量，表征驾驶员对其他动态风险源脱离当前行驶状态进入其他行驶状态的概率预期；D_s是驾驶员自身参数子分量；μ是表征驾驶员对不同方向风险感知的各向异性特征向量。

P_α定义为：

P_α＝P_motivation*P_decision

式中，P_motivation是该动态风险源产生脱离当前正常行驶状态的动机，即根据当前α周围的环境与运动学参数判断；P_decision是该动态风险源脱离当前状态进入下一状态的可行性判断。

更具体地，本发明考虑最为常见的驾驶行为转换过程，即周围车辆的换道切入。P_motivation则在此场景下表示相邻车道车辆因为T时刻环境而产生换道动机的概率，P_decision则表示此场景下该产生动机的车辆选择执行换道切入这一动作的概率。P_motivation根据大量真实数据拟合得到，具体形式表示为：

P＝1-(1+exp(-3.056L₁-1.246L₂-0.012Y-0.009E_dec-0.454T_pre-0.078V_ave-0.082ΔV_ave+2.495))^-1

式中，P为基于Logistic回归所得的概率值；L_i为当前车道编号；Y为车辆所处的纵向位置坐标；E_dec为持续减速时间；T_pre为当前车辆与当前车道前车的车间时距；V_ave为当前车道前三辆车的平均速度；ΔV_ave为当前车辆与当前车道前三辆车平均速度的差。

在产生换道动机之后，进一步评估目标车道是否有合适的允许安全地执行换道的间隙。只有当前车辆与目标车道前车和后车的实际间隙都大于关键间隙的时候，车辆才会接受该间隙执行换道，否则继续留在当前车道行驶。

关键间隙定义为：

G_lead＝0.7[exp(1.541-6.21max(0，ΔV_lead)-0.13min(0，ΔV_lead)-0.008V+ε_lead)]+1.5

G_lag＝0.7[exp(1.426+0.640max(0，ΔV_lag)-0.24V+ε_lag)]+1.5

其中，G_lead和G_lag分别为当前车辆与目标车道前车和后车的关键间隙；ΔV_lead和ΔV_lag分别为当前车辆与目标车道前车和后车的速度差；V为本车速度；ε_lead和ε_lag为干扰项，ε_lead～N(0，0.854²)，ε_lag～N(0，0.954²)，为当前状态下当前车辆与目标车道前车的真实纵向距离，/>为当前状态下当前车辆与目标车道后车的真实纵向距离。

若T时刻间隙符合关键间隙要求，则P_decision＝1，反之为0。

与此同时，驾驶员自身参数子分量D_s被定义为：

式中，de、va、rt分别表示驾驶经验、视觉能力和反应时间，分别表示de、va、rt的风险评价函数。参考真实交通安全数据，视觉能力越差、反应时间越长，行车风险越高；而驾驶经验对行车安全的影响却非是简单的正相关或者负相关，根据统计，驾龄在2年及以下的驾驶人事故率最高，而2-3年的驾驶人事故率最低，同时，随着驾龄的继续增加，虽然驾驶员掌握了比较丰富的驾驶经验，但是却过于自信和放松，反而使得事故率上升。因此，给出驾驶经验的具体表达形式为：

另外两个驾驶人自身参数变量的函数为：

由此，标准场定义轴d可以表示为：

式中，γ₄为自定义参数；μ是表征驾驶员对不同方向风险感知的各向异性特征向量，μ＝[μ₁，μ₂，μ₃]，对应标准场定义轴长d₁，d₂，d₃。

心理分量的作用可以通过图2来表示。在风险源α即将执行换道的时刻，若只考虑物理运动因素，标准场强E_std的等势线如图中较小的浅灰色线所示，将忽略掉驾驶员对于潜在风险的感知判断。本发明在考虑到人类心理风险预期作用之后，标准场强E_std的等势线将如图2中白色环形双椭圆所示，则风险源α所在位置的场强会增大，从而起到更早发现危险、预警危险的效果。

(四)综合风险指标量化

在本发明的心理-物理风险场结构中，主体车辆s将在风险源α上施加由场E_α产生的排斥力F_α。这种排斥力被视为实时驾驶风险的量化指标。被定义为：

risk_α＝F_α

risk_α＝δ_αm_sm_αE_α

式中，m_s表示本车质量，m_α表示风险源α的质量。F_α是F_α的标量值，F_α＝a·F_α，a是场力的方向向量，即的方向。先前一些方法均采取了风险向量叠加，然后评估综合风险的途径，但是在很多情况下，驾驶员同时面临来自不同方向的多个风险，风险可能是一个非常小的值，这将严重偏离正常风险范围。同时，考虑到驾驶员会更多地关注主要风险源而忽略相对安全的对象，在主体车辆周围存在多个风险源的复杂情况下，风险定义为：

Risk＝Risk(F，ω)

式中，F＝[F₁，F₂，F₃，...，F_n]，n为风险源总数，ω为长度为n的风险源权重向量，Risk为该时刻下本车受到的综合总风险。

本实施例还提供一种基于心理和物理风险场的行车风险评估系统，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上所述的基于心理和物理风险场的行车风险评估方法的步骤。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (2)

1.一种基于心理和物理风险场的行车风险评估方法，其特征在于，包括以下步骤：

S1：基于本车质点为中心建立起一个体现风险感知各向异性的双椭圆风险场模型，该双椭圆风险场模型计及物理运动和驾驶员心理层面的影响；

S2：基于各个风险源的类型特征和运动学特征，计算物理运动对于行车风险的影响因子；

S3：纳入驾驶员对于风险源的潜在心理预期，同时融合不同特性驾驶人对于风险感知的能力，计算驾驶员心理层面对于行车风险的影响因子；

S4：综合物理运动对于行车风险的影响因子和驾驶员心理层面对于行车风险的影响因子，根据所述双椭圆风险场模型，以排斥力的形式量化驾驶员实时风险感知；

所述双椭圆风险场模型是以车辆质心为共同中心的半椭圆的组合，该组合被标准场定义轴d＝[d₁,d₂,d₃]定义，其中d₁为前向长轴，d₂为后向长轴，d₃为车辆横向方向上的短轴，所述标准场定义轴由物理分量中的运动子分量和心理分量/>共同决定，所述标准场定义轴的表达式为：

所述双椭圆风险场模型根据标准场定义轴确定环境对于风险源α的场强分布，风险源α将会根据其与本车s的相对位置受到一个来自本车s的排斥场强，方向为所述风险源α受到的来自本车s的排斥场强E_α的计算表达式为：

式中，为物理分量，/>为心理分量，E_std为标准安全场强值，/>为风险源α和本车s的纵向相对位置，/>为风险源α和本车s的横向相对位置，当风险源α处于车辆纵向上前向行驶部分时，以车辆质心所在横向延伸线为划分，d_i为d₁，反之为d₂，/>为排斥场强E_α的梯度；

风险源α的物理分量的计算表达式为：

式中，为物理分量运动子分量，记录T时刻风险源α相对于主体车辆s的相对运动状态，包括速度和相对速度；/>为物理分量位置子分量，记录T时刻α相对于主体车辆s的相对位置关系，RC表示路况对于物理分量的影响；

所述物理分量运动子分量的计算表达式为

式中，和/>分别为风险源α处于车辆前向行驶部分时相对于本车s的前纵向运动分量和后纵向运动分量，/>为风险源α相对于本车的横向运动分量；/>和/>分别为风险源α和本车s在纵向运动方向上的前速度分量和后速度分量，/>为安全距离度量函数，γ₁为纵向上车辆的最大减速度；γ₂和γ₃为自定义参数，LW为车道宽度，/>为风险源α和本车s的相对横向运动趋势，正值代表两车横向上靠近，反之代表远离，t_dec为本车驾驶员的最小反应时间；

所述心理分量的计算表达式为：

式中，γ₄为驾驶行为心理预期权重参数，P_α是驾驶行为预期子分量，表征驾驶员对其他动态风险源脱离当前行驶状态进入其他行驶状态的概率预期；D_s是驾驶员自身参数子分量；μ是表征驾驶员对不同方向风险感知的各向异性特征向量；

所述驾驶行为预期子分量P_α的计算表达式为：

P_α＝P_motivation*P_decision

式中，P_motivation表示相邻车道车辆因为T时刻环境而产生换道动机的概率，P_decision表示产生换道动机的车辆选择执行换道切入这一动作的概率；

所述P_motivation的计算形式表示为：

P＝1-(1+exp(-3.056L₁-1.246L₂-0.012Y-0.009E_dec-0.454T_pre-0.078V_ave-0.082ΔV_ave+2.495))^-1

式中，P为基于Logistic回归所得的概率值；L_i为当前车道编号；Y为车辆所处的纵向位置坐标；E_dec为持续减速时间；T_pre为当前车辆与当前车道前车的车间时距；V_ave为当前车道前三辆车的平均速度；ΔV_ave为当前车辆与当前车道前三辆车平均速度的差；

所述P_decision的计算形式表示为：

G_lead＝0.7[exp(1.541-6.21max(0，ΔV_lead)-0.13min(0，ΔV_lead)-0.008V+ε_lead)]+1.5

G_lag＝0.7[exp(1.426+0.640max(0，ΔV_lag)-0.24V+ε_lag)]+1.5

其中，G_lead和G_lag分别为当前车辆与目标车道前车和后车的关键间隙；ΔV_lead和ΔV_lag分别为当前车辆与目标车道前车和后车的速度差，V为本车速度；ε_lead和ε_lag为干扰项，ε_lead～N(0，0.854²)，ε_lag～N(0，0.954²)，为当前状态下当前车辆与目标车道前车的真实纵向距离，/>为当前状态下当前车辆与目标车道后车的真实纵向距离；

所述主体车辆s将在风险源α上施加由场E_α产生的排斥力F_α，该排斥力F_α为实时驾驶风险的量化指标，所述驾驶员实时风险感知的计算表达式为：

Risk＝Risk(F，ω)

risk_α＝F_α

F_α＝δ_αm_sm_αE_α

式中，m_s表示本车质量，m_α表示风险源α的质量，F_α是F_α的标量值，F_α＝a·F_α，a是场力的方向向量，即的方向，risk_α为风险源α产生的对本车的风险，Risk为该时刻下本车受到的总风险，F＝[F₁，F₂，F₃，...，F_n]，n为风险源总数，ω为长度为n的风险源权重向量。

2.一种基于心理和物理风险场的行车风险评估系统，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如权利要求1所述的方法的步骤。