CN115169908A - 网联环境下基于知觉风险场的车辆行驶状态安全评估方法 - Google Patents

Abstract

本发明公开了一种网联环境下基于知觉风险场的车辆行驶状态安全评估方法，属于汽车智能交互及交通安全技术领域，通过云端采集网联区域内车辆运动状态信息，得到每一辆车的历史运动状态及实时运动状态数据；通过对车辆的历史运动状态数据分析处理，得到驾驶人的驾驶风格参数，包括期望车头时距和驾驶人激进度；通过结合驾驶人驾驶风格参数与车辆实时运动状态数据，构建知觉风险场模型；通过知觉风险场模型计算知觉风险场场强，并根据车辆的驾驶场景计算车辆的行车安全因子，最终得到车辆行驶状态安全评价结果。本发明通过考虑不同驾驶人驾驶风格差异，构建网联环境下的知觉风险场模型，可实时监测、量化、评估网联区域内车辆的安全状态。

Description

网联环境下基于知觉风险场的车辆行驶状态安全评估方法

技术领域

本发明属于汽车智能交互及交通安全技术领域，具体涉及一种网联环境下基于知觉风险场的车辆行驶状态安全评估方法。

背景技术

随着我国汽车保有量的增加，交通事故多发，车辆行驶状态安全对于交通参与者也越来越重要。驾驶人作为车辆控制的核心，其面对交通风险时所采取的驾驶决策将直接影响车辆的运动状态，最终对车辆行驶安全状态产生影响。因此，对驾驶人感知风险进行实时量化，对评估车辆行驶安全状态、减少交通事故具有重要意义。

现有的车辆行驶状态安全评估方法中，人工势场理论由于可以较为详细的刻画多种微观驾驶行为特征，得到了广泛应用。但传统的人工势场模型，通常通过车辆运动状态信息(例如相对距离、速度、加速度等)进行评估，缺乏对驾驶人因素，尤其是驾驶人对风险感知的不确定性因素的考虑，例如在相同的交通场景下越保守的驾驶人则有越高的知觉风险。

因此，现有技术中亟需基于知觉风险场理论对驾驶人感知风险进行量化，进而实现车辆行驶状态评估，以解决现有评估方法中难以把握驾驶人风险感知的不确定性问题。

发明内容

本发明的目的是针对现有技术中存在的技术问题，而提出了一种网联环境下基于知觉风险场的车辆行驶状态安全评估方法，用以解决现有方法中难以考虑驾驶人对行车风险感知的不确定性问题；通过考虑不同驾驶人驾驶风格差异，构建网联环境下的知觉风险场模型，实时监测、量化、评估网联区域内车辆的安全状态。

为实现上述目的，本发明采用如下技术方案：网联环境下基于知觉风险场的车辆行驶状态安全评估方法，其特征在于，包括以下步骤，且以下步骤顺次进行：

步骤S1、网联环境下所有车辆的运动状态信息上传至云端数据库，云端对每辆车存储至少15分钟数据，并实时更新，从而得到每一辆车历史运动状态数据和当前时刻的实时运动状态数据；车辆的运动状态信息包括速度v_i、位置x_i和加速度a_i，i表示车辆的编号；

步骤S2、对步骤S1获得的车辆历史运动状态数据进行处理，进行驾驶风格量化，获得表征车辆驾驶风格的参数，驾驶风格参数包括期望车头时距THW_i和驾驶人激进度k_i；

步骤S3、根据步骤S2获得的驾驶风格参数以及步骤S1获取到的车辆当前位置、速度和加速度构建知觉风险场模型，并计算车辆i感知到的其周围车辆j对车辆i的知觉风险场强E_ji；

其中：车辆i的知觉风险场的轮廓为椭圆，车辆i位于椭圆中心，椭圆长半轴a＝THW_i×v_i，短半轴b取车道宽度，v_i为车辆i当前时刻的车速；

步骤S4、对步骤S3的知觉风险场影响区域进行划分，计算车辆i在车辆j影响下的安全因子S_ij；

步骤S5、通过步骤S4获得的安全因子S_ij分析车辆j对车辆i的行车安全影响，同时对于车辆i周围的每一辆车重复步骤S3和步骤S4，获得车辆i行驶安全评价结果。

进一步，所述步骤S2中期望车头时距THW_i和驾驶人激进度k_i的计算方法为：

其中，n为云端获取到的车辆i历史运动状态数据的样本数量；THW_im为车辆i第m个样本点处的车头时距；THW_i为车辆i期望车头时距；x_im、v_im和a_im分别为车辆i第m个样本点处的位置、速度和加速度；

为车辆i在第m个样本点处其前车的位置；

为车辆i行驶加速度的方差，

为车辆i加速度的平均值。

进一步，所述步骤S3中车辆i的周围车辆j，定义为车辆i周围100m范围内前、后、左前、右前、左后、右后方的车辆；当知觉风险场内无车辆时，车辆i感知不到行车风险；当知觉风险场内有车辆时，车辆i感知到的其周围车辆j对车辆i的知觉风险场强E_ji的计算方法分为以下两个步骤：

步骤S301、将车辆i与车辆j视为点电荷i与点电荷j，点电荷i风险场的轮廓视为椭圆的接地金属外壳，对壳外的电荷具有屏蔽作用，此时静电场强E_ji'计算方法为，

其中，k为静电力常量，k＝9.0×10⁹N；q_j为点电荷j的电荷量；r_ij为点电荷i、j的距离；r_ij0为点电荷i、j连线的延长线与点电荷i对应的椭圆的交点M处的曲率半径，当坐标原点取点电荷i点时，M(x,y)满足：

其中，x和y分别为M点的横、纵坐标；

步骤S302、为描述不同驾驶人在相同交通场景下对风险感知的差异，在静电场强E_ji'中引入车辆i驾驶人的激进度k_i以及车辆j的虚拟电荷量q_j；虚拟电荷量q_j与车辆i、车辆j质量有关，当车辆j的质量相对于车辆i越大时，虚拟电荷量q_j越大，车辆i感知到的车辆j对车辆i的风险E_ji越大，具体的，知觉风险场强E_ji计算方法为，

其中，r_ij表示从车辆j车体轮廓对车辆i风险影响最大的点到车辆i车体轮廓的最小距离，q_j为车辆j的虚拟电荷量；m_i、m_j分别为车辆i、车辆j的质量；

e为点电荷电荷量，e＝1.60218×10^-19C。

进一步，所述步骤S4中安全因子S_ij的计算过程，具体分为以下步骤进行：

步骤S401、根据车辆i当前的车道偏移量，判断车辆i的驾驶场景，驾驶场景包括跟驰场景与换道场景；

步骤S402、根据步骤S401判断车辆i的驾驶场景，对车辆i知觉风险场内的关注区域划分，分为主要关注区域与次要关注区域；

步骤S403、根据步骤S402划分的车辆i关注区域以及步骤S3获得的知觉风险场强E_ji，计算行车安全因子S_ij；具体的，行车安全因子S_ij的计算方法为：

其中，当车辆i的中心点未超过车道偏移左右极值线时车辆i处于跟驰状态，当车辆i的中心点超过车道偏移左右极值线时车辆i处于换道状态，对于车道偏移左右极值取±0.5m；

将车辆i的知觉风险场区域分为R1和R2两部分，定义R1为主要关注区域，R2为次要关注区域；

跟驰场景下，主要关注区域R1为知觉风险场内车辆i的正前方，左车道前方、右车道前方；

换道场景下，车辆i换道，车辆i的主要关注区域R1为当前车道前方、左车道前方、左车道后方。

进一步，所述步骤S5中通过安全因子S_ij对车辆i的行车安全评估，具体的分为以下步骤：

步骤S501、根据安全因子S_ij判断车辆j对车辆i安全的影响，具体的，

S_ij∈[-1,1]，用于表征车辆i受车辆j影响下的安全性，S_ij越大表示车辆j对车辆i越安全；S_ij＝-1表示车辆j与车辆i发生了碰撞，S_ij＝1表示对车辆i来说车辆j不构成风险；

步骤S502、对于车辆i周围的每一辆车计算安全因子S_ij，找出对车辆i来说最危险车辆的安全因子，输出车辆i的安全评价结果，具体的，

S_i＝minS_ij

S_i∈[-1,1]，用于表示车辆i的行车安全，S_i越大表示车辆i越安全，S_i＝-1表示车辆i与其他车辆发生了碰撞，S_i＝1表示对车辆i来说无行车风险。

通过上述设计方案，本发明可以带来如下有益效果：

1、基于知觉风险场的车辆行驶状态安全评估方法，解决了传统行车安全评估方法中难以考虑驾驶人对行车风险感知的不确定性问题，本发明针对不同驾驶人知觉风险的差异评估车辆的安全状态，对于网联环境下车辆的风险预警、自动驾驶车辆的安全决策具有重要意义；

2、本发明提出的知觉风险场模型，可以反应不同驾驶人在相同交通场景下对风险度量的差异；所提出的关注区域划分方法，反应了驾驶人在不同交通场景下风险来源的不同；所提出的安全因子计算方法，相较于传统的人工势场风险评估，可以充分考虑周围车辆相对于自车方向的不同得到行车安全评估结果；

3、本发明通过建立网联云端数据库，可以应用于交通管控中。本发明充分考虑了驾驶人对交通安全的影响，采用本发明提出的网联环境下基于知觉风险场的车辆行驶状态安全评估方法可以实时监测、量化、评估网联区域内车辆的安全状态及风险来源，对于分析区域内交通事故成因具有重要意义。

附图说明

此处的附图说明用来提供对本发明的进一步理解，构成本发明申请的一部分，本发明示意性实施例及其说明用于理解本发明，并不构成本发明的不当限定，在附图中：

图1为本发明网联环境下基于知觉风险场的车辆行驶状态安全评估方法流程示意图；

图2为本发明所提供的知觉风险场模型示意图；

图3为本发明所提供的跟驰场景主要关注区域划分示意图；

图4为本发明所提供的换道场景主要关注区域划分示意图；

图5为本发明所提供的安全因子函数图；

图6为本发明所提供的与安全因子相对应的交通场景示意图，其中图6中(a)-(c)为S_ij＝1时对应的交通场景；图6中(d)-(f)为-1＜S_ij＜1时对应的交通场景；图6中(g)-(h)为S_ij＝-1时对应的交通场景。

具体实施方式

本发明将“知觉风险”概念应用于交通安全技术领域，用于描述不同驾驶人对于行车风险感知的不确定性。

本发明提出的网联环境下基于知觉风险场的车辆行驶状态安全评估方法，通过云端采集网联区域内车辆运动状态信息，得到每一辆车的历史运动状态及实时运动状态数据；通过对车辆的历史运动状态数据分析处理，得到驾驶人的驾驶风格参数，驾驶风格参数包括期望车头时距和驾驶人激进度；通过结合驾驶人驾驶风格参数与车辆实时运动状态数据，构建知觉风险场模型；通过知觉风险场模型计算知觉风险场场强，并根据车辆的驾驶场景计算车辆的行车安全因子，最终得到车辆行驶状态安全评价结果。本发明解决了现有方法中难以考虑驾驶人对行车风险感知的不确定性问题；通过考虑不同驾驶人驾驶风格差异，构建网联环境下的知觉风险场模型，可实时监测、量化、评估网联区域内车辆的安全状态。

为使得本发明的目的、特征、优点能够更加的明显和易懂，下面结合本发明的实施例中的附图，对本发明中的技术方案进行清楚完整地描述。显然，本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。为了避免混淆本发明的实质，公知的方法、过程、流程并没有详细叙述。

如图1所示，网联环境下基于知觉风险场的车辆行驶状态安全评估方法，包括：

步骤S1、网联环境下所有车辆的运动状态信息(包括速度v_i、位置x_i、加速度a_i，i表示车辆编号)上传至云端数据库，云端对每辆车存储至少15分钟数据，并实时更新，从而得到每一辆车历史运动状态数据和当前时刻的实时运动状态数据；

步骤S2、对步骤S1获得的车辆历史运动状态数据进行处理，进行驾驶风格量化，获得表征车辆驾驶风格的参数，包括期望车头时距THW_i和驾驶人激进度k_i，具体的：

其中，n为云端获取到的车辆i历史运动状态数据的样本数量；THW_im为车辆i第m个样本点处的车头时距；THW_i为车辆i期望车头时距，已有研究表明当车头时距大于三秒时车辆处于自由行驶状态；x_im、v_im、a_im为车辆i第m个样本点处的位置、速度、加速度；

为车辆i在第m个样本点处其前车的位置；

为车辆i行驶加速度的方差，

为车辆i加速度的平均值。

步骤S3、根据步骤S2获得的驾驶风格参数以及步骤S1获取到的车辆当前位置、速度、加速度构建知觉风险场模型，车辆i的知觉风险场的轮廓为椭圆，车辆i位于椭圆中心，椭圆长半轴a＝THW_i×v_i，短半轴b取车道宽度3.5m，v_i为车辆i当前时刻的车速，如图2所示，并计算车辆i感知到的其周围车辆j对车辆i的知觉风险场强E_ji。图中车辆i中心点为坐标原点，j为换道车辆，r_ij表示从车辆j车体轮廓对车辆i风险影响最大的点到车辆i车体轮廓的最小距离，M点为车辆i中心点和车辆j中心点连线的延长线与车辆i的知觉风险场形成的椭圆轮廓的交点。对于车辆i的周围车辆j，具体定义为车辆i周围100m范围内前、后、左前、右前、左后、右后方的车辆。

具体的，E_ji计算方法分为以下两个步骤：

步骤S301、将车辆i与车辆j视为点电荷i与点电荷j，点电荷i风险场的轮廓视为椭圆的接地金属外壳，对壳外的电荷具有屏蔽作用。此时静电场强E_ji'计算方法为，

其中，k为静电力常量，k＝9.0×10⁹N；q_j为点电荷j的电荷量；r_ij为i、j点电荷的距离；r_ij0为点电荷i、j连线的延长线与i形成的椭圆的交点M处的曲率半径，当坐标原点取点电荷i点时，M(x,y)满足：

其中，x和y分别为M点的横、纵坐标；

步骤S302、为描述不同驾驶人在相同交通场景下对风险感知的差异，在静电场强E_ji'中引入车辆i驾驶人的激进度k_i以及车辆j的虚拟电荷量q_j。由于驾驶人的激进度k_i是由车辆i历史加速度波动量化而来，在应对风险时，激进度越大的驾驶人将有可能采取更大的制动减速度。虚拟电荷量q_j与车辆i、车辆j质量有关，当车辆j的质量相对于车辆i越大时，虚拟电荷量q_j越大，车辆i感知到的车辆j对车辆i的风险E_ji越大。具体的，知觉风险场强E_ji计算方法为，

其中，r_ij表示从车辆j车体轮廓对车辆i风险影响最大的点到车辆i车体轮廓的最小距离，q_j为车辆j的虚拟电荷量；m_i、m_j分别为车辆i、车辆j的质量；

e为点电荷电荷量，e＝1.60218×10^-19C。

步骤S4、对步骤S3的知觉风险场影响区域进行划分，计算车辆j对车辆i安全影响的安全因子S_ij，具体的：

步骤S401、根据车辆i当前的车道偏移量，判断车辆i的驾驶场景，跟驰场景如图3所示，换道场景如图4所示，图中车辆i均位于中间车道。具体的，图3中L1与L5为车道线，L3为车道中心线，L2、L4分别为车辆i在车道保持的状态下行驶的车道偏移量的左、右极值线。当车辆i的中心点未超过车道偏移左右极值线时认为车辆i处于跟驰状态，如图3所示；当车辆i的中心点超过车道偏移左右极值线时认为车辆i处于换道状态，如图4所示。进一步的，对于车道偏移左右极值取±0.5m。

步骤S402、根据步骤S401判断车辆i的驾驶场景，对车辆i知觉风险场内的关注区域划分，分为主要关注区域与次要关注区域，跟驰场景与换道场景的关注区域划分如图3和图4，阴影部分R1为主要关注区域。具体的，图3示出了跟驰场景下车辆i的前车进入车辆i的知觉风险场内，车辆i会感受到前车的风险，如果该风险过大，车辆i将会减速让行或换到其他车道；车辆i的后车同样在车辆i的知觉风险场内，但通常车辆i不会对后车的行为做出反应，即车辆i对前后方车辆的风险度量是不同的。本发明将车辆i的知觉风险场区域分为R1、R2两部分，定义R1为主要关注区域，R2为次要关注区域。在图3中，R1为知觉风险场内车辆i的正前方，左车道前方、右车道前方。

图4为换道场景下，车辆i换道，车辆i的主要关注区域将发生改变。车辆i的主要关注区域R1将由当前车道前方、左车道前方、右车道前方变为当前车道前方、左车道前方、左车道后方。图4示出换道场景下车辆i的左车道后方车辆在车辆i的主要关注区域内。

步骤S403、根据步骤S402划分的车辆i关注区域以及步骤S3获得的知觉风险场强E_ji，计算行车安全因子S_ij。具体的，S_ij的计算方法为：

其中，当车辆j在车辆i的主要关注区域内时，S_ij关于r_ij的函数曲线如图5所示。

步骤S5、通过步骤S4获得的安全因子S_ij分析车辆j对车辆i的行车安全影响。具体的，如图6所示，S_ij∈[-1,1]，用于表征车辆i受车辆j影响下的安全性，S_ij越大表示车辆j对车辆i越安全。S_ij＝1表示对车辆i来说车辆j不构成风险，如图6中(a)-(c)；-1＜S_ij＜1时表示车辆j对车辆i有影响但尚未发生碰撞，如图6中(d)-(f)；S_ij＝-1表示车辆j与车辆i发生了碰撞，如图6中(g)-(h)。

进一步的，对于车辆i周围的每一辆车计算安全因子S_ij，找出对车辆i来说最危险车辆的安全因子，输出车辆i的安全评价结果。具体的，

S_i＝min S_ij

S_i∈[-1,1]，用于表示车辆i的行车安全，S_i越大表示车辆i越安全，S_i＝-1表示车辆i与其他车辆发生了碰撞，S_i＝1表示对车辆i来说无行车风险。

进一步的，通过以上步骤可以计算出网联区域内每一辆车安全因子S_i，从而对每辆车的车辆行驶安全进行评估。

综上，本发明提出的网联环境下基于知觉风险场的车辆行驶状态安全评估方法，基于知觉风险场理论对驾驶人感知风险进行量化，进而实现车辆行驶状态评估，可以解决现有评估方法中难以把握驾驶人风险感知的不确定性问题。

Claims (7)

1.网联环境下基于知觉风险场的车辆行驶状态安全评估方法，其特征在于，包括以下步骤，且以下步骤顺次进行：

步骤S1、网联环境下所有车辆的运动状态信息上传至云端数据库，云端对每辆车存储至少15分钟数据，并实时更新，从而得到每一辆车历史运动状态数据和当前时刻的实时运动状态数据；车辆的运动状态信息包括速度v_i、位置x_i和加速度a_i，i表示车辆的编号；

步骤S2、对步骤S1获得的车辆历史运动状态数据进行处理，进行驾驶风格量化，获得表征车辆驾驶风格的参数，驾驶风格参数包括期望车头时距THW_i和驾驶人激进度k_i；

步骤S3、根据步骤S2获得的驾驶风格参数以及步骤S1获取到的车辆当前位置、速度和加速度构建知觉风险场模型，并计算车辆i感知到的其周围车辆j对车辆i的知觉风险场强E_ji；

其中：车辆i的知觉风险场的轮廓为椭圆，车辆i位于椭圆中心，椭圆长半轴a＝THW_i×v_i，短半轴b取车道宽度，v_i为车辆i当前时刻的车速；

步骤S4、对步骤S3的知觉风险场影响区域进行划分，计算车辆i在车辆j影响下的安全因子S_ij；

步骤S5、通过步骤S4获得的安全因子S_ij分析车辆j对车辆i的行车安全影响，同时对于车辆i周围的每一辆车重复步骤S3和步骤S4，获得车辆i行驶安全评价结果。

2.根据权利要求1所述的网联环境下基于知觉风险场的车辆行驶状态安全评估方法，其特征在于：所述步骤S2中期望车头时距THW_i和驾驶人激进度k_i的计算方法为：

其中，n为云端获取到的车辆i历史运动状态数据的样本数量；THW_im为车辆i第m个样本点处的车头时距；THW_i为车辆i期望车头时距；x_im、v_im和a_im分别为车辆i第m个样本点处的位置、速度和加速度；

为车辆i在第m个样本点处其前车的位置；

为车辆i行驶加速度的方差，

为车辆i加速度的平均值。

3.根据权利要求1所述的网联环境下基于知觉风险场的车辆行驶状态安全评估方法，其特征在于：所述步骤S3中车辆i的周围车辆j，定义为车辆i周围100m范围内前、后、左前、右前、左后、右后方的车辆；当知觉风险场内无车辆时，车辆i感知不到行车风险；当知觉风险场内有车辆时，车辆i感知到的其周围车辆j对车辆i的知觉风险场强E_ji的计算方法分为以下两个步骤：

步骤S301、将车辆i与车辆j视为点电荷i与点电荷j，点电荷i风险场的轮廓视为椭圆的接地金属外壳，对壳外的电荷具有屏蔽作用，此时静电场强E_ji'计算方法为，

其中，k为静电力常量，k＝9.0×10⁹N；q_j为点电荷j的电荷量；r_ij为点电荷i、j的距离；r_ij0为点电荷i、j连线的延长线与点电荷i对应的椭圆的交点M处的曲率半径，当坐标原点取点电荷i点时，M(x,y)满足：

其中，x和y分别为M点的横、纵坐标；

步骤S302、为描述不同驾驶人在相同交通场景下对风险感知的差异，在静电场强E_ji'中引入车辆i驾驶人的激进度k_i以及车辆j的虚拟电荷量q_j；虚拟电荷量q_j与车辆i、车辆j质量有关，当车辆j的质量相对于车辆i越大时，虚拟电荷量q_j越大，车辆i感知到的车辆j对车辆i的风险E_ji越大，具体的，知觉风险场强E_ji计算方法为，

其中，r_ij表示从车辆j车体轮廓对车辆i风险影响最大的点到车辆i车体轮廓的最小距离，q_j为车辆j的虚拟电荷量；m_i、m_j分别为车辆i、车辆j的质量；

e为点电荷电荷量，e＝1.60218×10^-19C。

4.根据权利要求1所述的网联环境下基于知觉风险场的车辆行驶状态安全评估方法，其特征在于：所述步骤S4中安全因子S_ij的计算过程，具体分为以下步骤进行：

步骤S401、根据车辆i当前的车道偏移量，判断车辆i的驾驶场景，驾驶场景包括跟驰场景与换道场景；

步骤S402、根据步骤S401判断车辆i的驾驶场景，对车辆i知觉风险场内的关注区域划分，分为主要关注区域与次要关注区域两个区域；

步骤S403、根据步骤S402划分的车辆i关注区域以及步骤S3获得的知觉风险场强E_ji，计算行车安全因子S_ij；具体的，行车安全因子S_ij的计算方法为：

5.根据权利要求4所述的网联环境下基于知觉风险场的车辆行驶状态安全评估方法，其特征在于：当车辆i的中心点未超过车道偏移左右极值线时车辆i处于跟驰状态，当车辆i的中心点超过车道偏移左右极值线时车辆i处于换道状态，对于车道偏移左右极值取±0.5m。

6.根据权利要求4所述的网联环境下基于知觉风险场的车辆行驶状态安全评估方法，其特征在于：将车辆i的知觉风险场区域分为R1和R2两部分，定义R1为主要关注区域，R2为次要关注区域；

跟驰场景下，主要关注区域R1为知觉风险场内车辆i的正前方，左车道前方、右车道前方；

换道场景下，车辆i换道，车辆i的主要关注区域R1为当前车道前方、左车道前方、左车道后方。

7.根据权利要求1所述的网联环境下基于知觉风险场的车辆行驶状态安全评估方法，其特征在于：所述步骤S5中通过安全因子S_ij对车辆i的行车安全评估，具体的分为以下步骤：

步骤S501、根据安全因子S_ij判断车辆j对车辆i安全的影响，具体的，

S_ij∈[-1,1]，用于表征车辆i受车辆j影响下的安全性，S_ij越大表示车辆j对车辆i越安全；S_ij＝-1表示车辆j与车辆i发生了碰撞，S_ij＝1表示对车辆i来说车辆j不构成风险；

步骤S502、对于车辆i周围的每一辆车计算安全因子S_ij，找出对车辆i来说最危险车辆的安全因子，输出车辆i的安全评价结果，具体的，

S_i＝minS_ij

S_i∈[-1,1]，用于表示车辆i的行车安全，S_i越大表示车辆i越安全，S_i＝-1表示车辆i与其他车辆发生了碰撞，S_i＝1表示对车辆i来说无行车风险。

Images