CN115168614A - 一种自主车辆视野遮挡区域碰撞风险评估方法及系统 - Google Patents

Abstract

本发明公开一种自主车辆视野遮挡区域碰撞风险评估方法及系统，该方法包括以下步骤：采集当前道路交通状况，获取当前道路交通状况知识图谱；将当前道路交通状况知识图谱与预先构建的包含有若干潜在交通危险场景类型知识图谱进行匹配，输出节点匹配结果；获取匹配度大于所述第一阈值的节点，并获取匹配度大于所述第一阈值的节点所对应的根节点；判断获取的根节点中，任一根节点在所有获取的根节点中的占比，并输出占比不小于预设的第二阈值的根节点，完成当前道路交通状况下自主车辆视野遮挡区域碰撞风险类型的评估。该方法考虑到潜在交通危险场景中各个交通参与者之间的交互影响，使得碰撞风险不再是单一来源，使得风险评估更加的合理化。

Description

一种自主车辆视野遮挡区域碰撞风险评估方法及系统

技术领域

本发明属于驾驶碰撞风险评估技术领域，涉及一种自主车辆视野遮挡区域碰撞风险评估方法及系统。

背景技术

自动驾驶技术不断发展，其安全性也倍受公众关注，对自动驾驶环境下的风险评估技术的要求越来越高，其考虑的方面也应更加复杂全面。目前，针对自动驾驶视野遮挡区域风险评估的研究大多数的研究场景仅限于路口的简单场景，采用的方法也偏向于保守。特别是不考虑宏观交通上下文语义场景对遮挡区域不确定风险的影响。自主车辆视野遮挡区域风险评估是一个需要多维度考虑的问题，该问题涉及到自主车辆与周围交通参与者之间交互的影响，周围环境的影响以及该场景所处的时间段影响。因此在进行风险评估的时候，需要多维度的考虑该交通场景中其他实体之间的交互关系。

发明内容

针对现有技术中存在的问题，本发明提供一种自主车辆视野遮挡区域碰撞风险评估方法及系统，从而实现在危险评估中考虑到潜在交通危险场景中各个交通参与者之间的交互影响，使得碰撞风险不再是单一来源，使得风险评估更加的合理化。

本发明是通过以下技术方案来实现：

一种自主车辆视野遮挡区域碰撞风险类型评估方法，包括以下步骤：

S1：采集当前道路交通状况，获取当前道路交通状况知识图谱，并获取当前道路交通状况知识图谱的三元组；

S2：将所述当前道路交通状况知识图谱中的三元组与预先构建的包含有若干潜在交通危险场景类型知识图谱的三元组进行匹配，得到若干个匹配度，记为第一匹配度集；

S3：将所述第一匹配度集中的若干个匹配度分别与预设的第一阈值进行比较，获取大于所述第一阈值的匹配度，记为第二匹配度集；所述第一匹配度集以及第二匹配度集中的任意一个匹配度均对应一个三元组；并获取所述第二匹配度集中每个三元组所对应的潜在交通危险场景类型；

S4：判断步骤S3中获取的潜在交通危险场景类型中，任一潜在交通危险场景类型在所有获取的潜在交通危险场景类型中的占比，并输出所述占比不小于预设的第二阈值的潜在交通危险场景类型，完成当前道路交通状况下自主车辆视野遮挡区域碰撞风险类型的评估。

优选的，所述潜在交通危险场景知识图谱的构建过程为：

S201：对若干潜在危险场景进行分类，获取不同类型的潜在危险场景对应的文本信息；

S202：抽取所述获取的文本信息的三元组；

S203：通过所述抽取的三元组构建所述潜在交通危险场景知识图谱。

优选的，所述若干潜在潜在危险场景包括单侧停车风险类、道路交汇风险类、主辅路变道风险类、出口交汇风险类、道路弯道风险类、园区碰撞风险类、公交站停车风险类以及车辆并行风险类。

优选的，步骤S202中抽取所述文本信息的三元组的过程具体为：对步骤S201获取的文本信息进行分词；对每个分词进行词性标注得到每个分词的词性标注结果；根据每个分词的词性标注结果进行依存树解析，得到所述文本信息所有分词的依存关系树，根据所述依存关系树抽取所述获取的文本信息的三元组。

优选的，所述当前道路交通状况知识图谱的三元组以及预先构建的包含有若干潜在交通危险场景类型知识图谱的三元组均包括三元组实体、三元组关系、实体属性以及关系属性。

优选的，所述三元组实体包括三元组头实体和三元组尾实体。

优选的，所述步骤S2中利用子图同构的方法将所述当前道路交通状况知识图谱的三元组与预先构建的潜在交通危险场景知识图谱的三元组进行匹配。

一种自主车辆视野遮挡区域碰撞风险类型评估系统，包括：

数据采集模块：所述数据采集模块块用于采集当前道路交通状况，获取当前道路交通状况知识图谱，并获取当前道路交通状况知识图谱的三元组；

第一数据处理模块：所述第一数据处理模块用于将所述当前道路交通状况知识图谱中的三元组与预先构建的包含有若干潜在交通危险场景类型知识图谱的三元组进行匹配，得到若干个匹配度，记为第一匹配度集；

第二数据处理模块：所述第二数据处理模块用于将所述第一匹配度集中的若干个匹配度分别与预设的第一阈值进行比较，获取大于所述第一阈值的匹配度，记为第二匹配度集；所述第一匹配度集以及第二匹配度集中的任意一个匹配度均对应一个三元组；并获取所述第二匹配度集中每个三元组所对应的潜在交通危险场景类型；

结果输出模块：所述结果输出模块用于判断获取的潜在交通危险场景类型中，任一潜在交通危险场景类型在所有获取的潜在交通危险场景类型中的占比，并输出所述占比不小于预设的第二阈值的潜在交通危险场景类型，完成当前道路交通状况下自主车辆视野遮挡区域碰撞风险类型的评估。

一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

与现有技术相比，本发明具有以下有益的技术效果：

一种自主车辆视野遮挡区域碰撞风险类型评估方法，使用知识图谱对自主车辆所处交通环境进行建模，考虑了周围宏观交通环境中事物之间的交互关系，将场景中的多源异构关系进行表示。同时，将当前道路交通状况的知识图谱中的节点，即三元组，与预先构建的包含有若干潜在交通危险场景类型知识图谱的节点进行匹配，并对自主车辆所处的交通场景的自然语言描述进行分析，判断其属于哪种危险场景，解决了常规的潜在交通危险场景评估方法中仅单单考虑自主车车辆与潜在交通参与者之间的单向交互。通过第一阈值筛选匹配的节点，即三元组，通过第二阈值筛选最终的根节点，即筛选潜在交通危险场景类型，实现了对当前风险类型的精准判断。使用知识图谱来解决自主车辆视野遮挡区域碰撞风险预测问题，知识图谱中可以将人工经验加入，不需要进行海量的数据训练来得到人工经验，有效解决了以数据驱动的深度学习所存在的不可解释性以及需要海量的训练数据的弊端，而且考虑了场景内不同交通参与者之间的交互影响。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本发明一种自主车辆视野遮挡区域碰撞风险类型评估方法的流程示意图；

图2为本发明中依存句法分析示意图；

图3为本发明中三元组实体的抽取示意图；

图4为本发明中三元组关系的抽取示意图；

图5为本发明中实体属性以及关系属性的抽取示意图；

图6为本发明中单侧停车风险类典型场景示意图；

图7为本发明中道路交汇风险类典型场景示意图；

图8为本发明中主辅路变道风险类典型场景示意图；

图9为本发明中出口交汇碰撞风险类典型场景示意图；

图10为本发明中道路弯道风险类典型场景示意图；

图11为本发明中园区碰撞风险类典型场景示意图；

图12为本发明中公交站停车风险类典型场景示意图；

图13为本发明中多车并行风险类典型场景示意图；

图14为本发明中匹配示例；

图15为本发明中一种自主车辆视野遮挡区域碰撞风险类型评估系统的结构示意图。

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。

在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

下面结合附图对本发明做进一步详细描述：

实施例1

本发明的目的是提供一种面向自动驾驶车辆所遇到的因视野遮挡所产生的潜在交通危险场景的风险评估方法。相比于传统的风险评估方法，该方法在对场景进行风险评估的时候，不仅考虑了自主车辆与虚拟的交通参与者之间局部微观相对运动关系来分析碰撞风险，还考虑了周围宏观交通环境的上下文语义场景对潜在碰撞风险的影响。在考虑到潜在交通危险场景中各个交通参与者之间的交互影响，使得碰撞风险不再是单一来源，使得风险评估更加的合理化。本发明采用了知识图谱概念，知识图谱可以以网状的知识结构来表示潜在交通危险场景中的实体以及实体之间的关系，考虑到了场景中的风险并不是单一的，而是多种风险耦合而成的。

具体方法如图1所示，一种自主车辆视野遮挡区域碰撞风险类型评估方法，包括以下步骤：

S1：采集当前道路交通状况，获取当前道路交通状况知识图谱，并获取当前道路交通状况知识图谱的三元组，包括三元组实体、三元组关系、实体属性以及关系属性；其中，三元组实体包括三元组头实体和三元组尾实体；

S2：利用子图同构的方法将当前道路交通状况知识图谱中的三元组与预先构建的包含有若干潜在交通危险场景类型知识图谱的三元组，包括三元组实体、三元组关系、实体属性以及关系属性，进行匹配，得到若干个匹配度，记为第一匹配度集；

其中，潜在交通危险场景知识图谱的构建过程为：

S201：对若干潜在危险场景进行分类，获取不同类型的潜在危险场景对应的文本信息；

S202：抽取所述获取的文本信息的三元组实体、三元组关系、实体属性以及关系属性；具体为，对步骤S201获取的文本信息进行分词；对每个分词进行词性标注得到每个分词的词性标注结果；根据每个分词的词性标注结果进行依存树解析，得到所述文本信息所有分词的依存关系树，根据所述依存关系树抽取所述获取的文本信息的三元组实体、三元组关系、实体属性以及关系属性。

S203：通过所述抽取的三元组实体、三元组关系、实体属性以及关系属性构建所述潜在交通危险场景知识图谱。

其中，若干潜在潜在危险场景包括单侧停车风险类、道路交汇风险类、主辅路变道风险类、出口交汇风险类、道路弯道风险类、园区碰撞风险类、公交站停车风险类以及车辆并行风险类。

S3：将所述第一匹配度集中的若干个匹配度分别与预设的第一阈值进行比较，获取大于所述第一阈值的匹配度，记为第二匹配度集；所述第一匹配度集以及第二匹配度集中的任意一个匹配度均对应一个三元组；并获取所述第二匹配度集中每个三元组所对应的潜在交通危险场景类型；其中，第一阈值可以设为70％。该第一阈值为在线图谱，即当前道路交通状况知识图谱，的三元组与离线图谱，即预先构建的包含有若干潜在交通危险场景类型知识图谱，三元组匹配程度。

S4：判断步骤S3中获取的潜在交通危险场景类型中，任一潜在交通危险场景类型在所有获取的潜在交通危险场景类型中的占比，并输出所述占比不小于预设的第二阈值的潜在交通危险场景类型，完成当前道路交通状况下自主车辆视野遮挡区域碰撞风险类型的评估。第二阈值可以设定为80％。该第二阈值为大于第一阈值的节点(三元组)所对应的根节点(危险场景类型)在所有根节点(危险场景类型)中所占的比例。

实施例2

本实施提供潜在交通危险场景自然语言描述语料库三元组抽取方法，因目前并没有公开的潜在交通危险场景自然语言描述语料库，因此需要进行构建，但是构建的语料库存在着规模较小和难以标注的问题，若是采用传统的机器学习和深度学习的方法，则会发生过拟合的情况。综上所述，本发明采取了基于依存句法进行的三元组提取规则。

如图2所示，为复合句的依存句法树和句子中各个词语之间的依存句法关系和各个词语的词性。

依存关系为ROOT的词语为整个句子的独立核心词，该词语将句子分成了独立的两个部分。

若与独立核心词存在“conj”或“dep”依存关系的词语，则说明该句为复合句，存在共用主语的情况。

若句子为复合句，与核心动词为nsubj依存关系的词语将视为两个三元组的共同头实体。

核心词ROOT和并列词VERB具有pobj依存关系的宾语则为三元组的尾实体。

如图3所示，为三元组实体抽取的示意图，依据制定的规则将其分为两个有着共同头实体的三元组。

如图4所示，为三元组关系抽取的示意图，关系是三元组中连接头实体和尾体的媒介。

关系抽取的方法为SPO结构，即主谓宾结构。句子中的谓语在整个句子中起到了动作的发出，也是连接主语和宾语的媒介。

根据依存句法分析来说，如图2所示，两个实体之间的关系为句子的核心动词，也是依存句法中的根节点，该跟节点为依存句法模型中定义的根结点，仅用于句子的分析。与上文中通过第二阈值筛选的根节点不同，上文中通过第二阈值筛选的根节点为危险场景类型，即在离线知识图谱中将危险场景类型定义的根结点。

若句子为复合句，则依存句法树中存在“conj”或“dep”依存关系的词语A。核心词为第一个分句三元组的关系，词语A则为第二个三元组的关系词。

属性抽取中分为实体的属性抽取和关系的属性抽取，实体的属性抽取是将句子中的主语和宾语的修饰语作为头实体和尾实体的属性，图5为属性抽取示意图。

三元组中关系的词性一般为动词，在英文中动词的修饰词一般为副词，位置可能在动词的左侧，也可能在动词的右侧，在依存句法当中，与核心动词的依存关系为“admod”依存关系的词语与关系词连接起来构成三元组的关系，更新三元组。

依据潜在交通危险场景的分类方法，对潜在交通危险场景进行分类。图中车顶带五角星的为自主车辆，灰色区域为车辆感知盲区(下同)。

图6为单侧停车风险类典型场景，该场景的形成原因为自主车辆侧面有障碍物造成感知盲区，盲区内可能有潜在交通参与者。该场景俗称“鬼探头”事件。

图7为道路交汇风险类的典型场景，该场景形成原因为道路交汇处被建筑物或高大的植物所遮挡造成感知盲区，盲区内可能存在交通参与者。

图8为主辅路变道风险类的典型场景，该场景形成原因为主路与辅路之间存在绿化带，导致两车均无法观测到对方，造成碰撞事故。

图9为出口交汇风险类的典型场景，该场景的形成原因为商场或工业园区的停车场出口被遮挡，无法观测到可能会出来的车辆，造成碰撞事故。

图10为道路弯道风险类的典型场景，该场景的形成原因为道路弯道处有建筑物或者树木遮挡相向而行的两辆车的视野，无法判断对向是否来车而造成碰撞事故。

图11为园区碰撞风险类的典型场景，自主车辆的前方的办公楼出口被绿化带遮挡造成视野盲区而无法检测到交通参与者而造成碰撞事故。

图12为公交站停车风险类的典型场景，由于公交车较大的车体遮挡造成感知盲区导致自主车辆检测不到从公交车前方绕行的行人而发生碰撞事故，该场景也是典型的“鬼探头”事件。

图13为车辆并行风险类的典型场景，自主车辆右前方的汽车导致自主车辆感知受限，该车辆前方通过的行人也导致其伴随着异常的减速行为，此时自主车辆可能会与行人发生碰撞事故。

以上为以潜在交通危险场景形成的原因作为分类依据对不同的危险场景进行划分。对于潜在交通危险场景知识图谱问答系统的设计方法为子图同构，将场景的人工描述语言进行三元组提取后依托于构建完成的潜在交通危险场景知识图谱进行场景的匹配，最终输出该场景的风险类型。

子图同构的匹配思想为给定一个查询图Q(查询图为生成的在线场景知识图谱)在数据图G中(构建完成的潜在交通危险场景知识谱图)完成场景的匹配，如图14所示。匹配过程为查询图Q中的每一个节点通过一个单射函数f：V(Q)→V(G)。在该函数的作用下唯一映射到数据图中的每个节点上去。因为在真实场景中和我们所构建的潜在交通危险场景知识图谱中的实体或者关系在语言表述的形式上会有所不同，因此我们采用的单射函数为语义的余弦相似度函数。

余弦相似度函数为

匹配的阈值设定为70％，高于70％则认为两个节点匹配成功。遍历图中的所有节点，将匹配成功的节点所对应的根节点并入结果集，将数量超过80％的根节点输出，作为当时场景的风险类型。经过上述算法得到的潜在交通危险场景类型是考虑了宏观交通语义上下文场景的风险类型。

本发明是一种自主车辆因视野遮挡而造成的潜在交通危险场景的风险评估方法。提出了一种新型的风险评估的方法。采用了知识图谱概念，知识图谱可以以网状的知识结构来表示潜在交通危险场景中的实体以及实体之间的关系，考虑到了场景中的风险并不是单一的，而是多种风险耦合而成的。制定采用自然语言处理工具Spacy，制定三元组抽取规则抽取实体及实体之间的关系，构建完成潜在交通危险场景知识图谱。对潜在交通危险场景进行分类，将其嵌入知识图谱并作为根节点。采用子图同构方法对当前场景的人工描述进行解析，依托于构建完成的潜在交通危险场景知识图谱，判断当前场景为何种风险场景。

本发明通过知识图谱的概念来对自主车辆视野遮挡所造成的潜在交通危险场景进行风险评估的优势在于：使用知识图谱来对自主车辆所处交通环境进行建模考虑了周围宏观交通环境中事物之间的交互关系，将场景中的多源异构关系进行表示。同事基于建立的潜在交通危险场景知识图谱，建立危险场景的分类体系，对自主车辆所处的交通场景的自然语言描述分析其属于哪种危险场景。解决了常规的潜在交通危险场景评估方法中仅单单考虑自主车车辆与潜在交通参与者之间的单向交互。

实施例3

如图15所示，本发明还公开一种自主车辆视野遮挡区域碰撞风险类型评估系统的结构示意图。包括数据采集模块101、第一数据处理模块102，第二数据处理模块103以及结果输出模块104；

数据采集模块101：所述数据采集模块块用于采集当前道路交通状况，获取当前道路交通状况知识图谱，并获取当前道路交通状况知识图谱的三元组实体、三元组关系、实体属性以及关系属性；

第一数据处理模块102：所述第一数据处理模块用于将所述当前道路交通状况知识图谱中的三元组实体、三元组关系、实体属性以及关系属性与预先构建的包含有若干潜在交通危险场景类型知识图谱的三元组实体、三元组关系、实体属性以及关系属性进行匹配，输出三元组实体、三元组关系、实体属性以及关系属性的匹配结果；

第二数据处理模块103：所述第二数据处理模块用于将所述三元组实体、三元组关系、实体属性以及关系属性的匹配结果与预设的第一阈值进行比较，获取匹配度大于所述第一阈值的三元组实体、三元组关系、实体属性以及关系属性，并获取匹配度大于所述第一阈值的三元组实体、三元组关系、实体属性以及关系属性所对应的潜在交通危险场景类型；

结果输出模块104：所述结果输出模块用于判断获取的潜在交通危险场景类型中，任一潜在交通危险场景类型在所有获取的潜在交通危险场景类型中的占比，并输出所述占比不小于预设的第二阈值的潜在交通危险场景类型，完成当前道路交通状况下自主车辆视野遮挡区域碰撞风险类型的评估。

本发明一实施例提供的终端设备的示意图。该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。

所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。

所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。

所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种自主车辆视野遮挡区域碰撞风险类型评估方法，其特征在于，包括以下步骤：

S1：采集当前道路交通状况，获取当前道路交通状况知识图谱，并获取当前道路交通状况知识图谱的三元组；

S2：将所述当前道路交通状况知识图谱中的三元组与预先构建的包含有若干潜在交通危险场景类型知识图谱的三元组进行匹配，得到若干个匹配度，记为第一匹配度集；

S3：将所述第一匹配度集中的若干个匹配度分别与预设的第一阈值进行比较，获取大于所述第一阈值的匹配度，记为第二匹配度集；所述第一匹配度集以及第二匹配度集中的任意一个匹配度均对应一个三元组；并获取所述第二匹配度集中每个三元组所对应的潜在交通危险场景类型；

S4：判断步骤S3中获取的潜在交通危险场景类型中，任一潜在交通危险场景类型在所有获取的潜在交通危险场景类型中的占比，并输出所述占比不小于预设的第二阈值的潜在交通危险场景类型，完成当前道路交通状况下自主车辆视野遮挡区域碰撞风险类型的评估。

2.根据权利要求1所述的一种自主车辆视野遮挡区域碰撞风险评估方法，其特征在于，所述潜在交通危险场景知识图谱的构建过程为：

S201：对若干潜在危险场景进行分类，获取不同类型的潜在危险场景对应的文本信息；

S202：抽取所述获取的文本信息的三元组；

S203：通过所述抽取的三元组构建所述潜在交通危险场景知识图谱。

3.根据权利要求2所述的一种自主车辆视野遮挡区域碰撞风险评估方法，其特征在于，所述若干潜在潜在危险场景包括单侧停车风险类、道路交汇风险类、主辅路变道风险类、出口交汇风险类、道路弯道风险类、园区碰撞风险类、公交站停车风险类以及车辆并行风险类。

4.根据权利要求3所述的一种自主车辆视野遮挡区域碰撞风险评估方法，其特征在于，步骤S202中抽取所述文本信息的三元组的过程具体为：对步骤S201获取的文本信息进行分词；对每个分词进行词性标注得到每个分词的词性标注结果；根据每个分词的词性标注结果进行依存树解析，得到所述文本信息所有分词的依存关系树，根据所述依存关系树抽取所述获取的文本信息的三元组。

5.根据权利要求1所述的一种自主车辆视野遮挡区域碰撞风险评估方法，其特征在于，所述当前道路交通状况知识图谱的三元组以及预先构建的包含有若干潜在交通危险场景类型知识图谱的三元组均包括三元组实体、三元组关系、实体属性以及关系属性。

6.根据权利要求5所述的一种自主车辆视野遮挡区域碰撞风险评估方法，其特征在于，所述三元组实体包括三元组头实体和三元组尾实体。

7.根据权利要求1所述的一种自主车辆视野遮挡区域碰撞风险评估方法，其特征在于，所述步骤S2中利用子图同构的方法将所述当前道路交通状况知识图谱的三元组与预先构建的潜在交通危险场景知识图谱的三元组进行匹配。

8.一种自主车辆视野遮挡区域碰撞风险类型评估系统，其特征在于，包括：

数据采集模块：所述数据采集模块块用于采集当前道路交通状况，获取当前道路交通状况知识图谱，并获取当前道路交通状况知识图谱的三元组；

第一数据处理模块：所述第一数据处理模块用于将所述当前道路交通状况知识图谱中的三元组与预先构建的包含有若干潜在交通危险场景类型知识图谱的三元组进行匹配，得到若干个匹配度，记为第一匹配度集；

第二数据处理模块：所述第二数据处理模块用于将所述第一匹配度集中的若干个匹配度分别与预设的第一阈值进行比较，获取大于所述第一阈值的匹配度，记为第二匹配度集；所述第一匹配度集以及第二匹配度集中的任意一个匹配度均对应一个三元组；并获取所述第二匹配度集中每个三元组所对应的潜在交通危险场景类型；

结果输出模块：所述结果输出模块用于判断获取的潜在交通危险场景类型中，任一潜在交通危险场景类型在所有获取的潜在交通危险场景类型中的占比，并输出所述占比不小于预设的第二阈值的潜在交通危险场景类型，完成当前道路交通状况下自主车辆视野遮挡区域碰撞风险类型的评估。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。

Images