CN115238958A - 一种基于复杂交通场景的危险事件链提取方法及系统 - Google Patents

一种基于复杂交通场景的危险事件链提取方法及系统 Download PDF

Info

Publication number
CN115238958A
CN115238958A CN202210696295.5A CN202210696295A CN115238958A CN 115238958 A CN115238958 A CN 115238958A CN 202210696295 A CN202210696295 A CN 202210696295A CN 115238958 A CN115238958 A CN 115238958A
Authority
CN
China
Prior art keywords
data
driving
dangerous
risk estimation
traffic
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
Application number
CN202210696295.5A
Other languages
English (en)
Inventor
许述财
李茹
田欢
徐阳
马育林
丁延超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Suzhou Automotive Research Institute of Tsinghua University
Original Assignee
Tsinghua University
Suzhou Automotive Research Institute of Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University, Suzhou Automotive Research Institute of Tsinghua University filed Critical Tsinghua University
Priority to CN202210696295.5A priority Critical patent/CN115238958A/zh
Publication of CN115238958A publication Critical patent/CN115238958A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于复杂交通场景的危险事件链提取方法及系统，包括获取测试场景数据；基于预设的自然驾驶数据和传感器性能信息确定车辆与环境间动态属性与互相作用的关键因素，并对关键因素的不确定性进行分级量化；基于预设的风险估计多维特征集与不确定性信息构建面向测试场景的行车风险估计模型；对行车风险估计模型进行优化，得到针对测试的优化风险估计模型；基于危险事件的时序演化特点，根据优化风险估计模型构建危险时间链模型；对危险时间链模型进行求解，得到危险事件链。本发明利用交通事故数据和交通冲突数据，揭示复杂交通场景时空演进规律，通过对危险时间链模型进行求解，提高了后期测试场景复现和重构的效果。

Description

一种基于复杂交通场景的危险事件链提取方法及系统
技术领域
本发明涉及自动驾驶控制技术领域，具体涉及一种基于复杂交通场景的危险事件链提取方法及系统。
背景技术
自动驾驶车辆是为了解决人类驾驶的不安全问题。实际车辆行驶过程中，场景要素复杂，环境干扰强烈，自动驾驶系统行驶环境状况具有较强的不确定性，难以重复和预测。其中关键的场景时空关系演进规律不清，缺乏关键的测试场景生成方法，高保真场景生成难，这对后期测试场景复现和重构带来严峻挑战。
发明内容
本发明的目的是针对现有技术中的问题，提供一种基于复杂交通场景的危险事件链提取方法，通过本发明的方法可对危险时间链模型进行求解，以提高后期测试场景复现和重构的效果。
为达到上述目的，本发明采用的技术方案是：
一种基于复杂交通场景的危险事件链提取方法，其特征在于：包括：
S1，获取测试场景数据；
S2，基于预设的自然驾驶数据和传感器性能信息确定车辆与环境间动态属性与互相作用的关键因素，并对所述关键因素的不确定性进行分级量化；
S3，基于预设的风险估计多维特征集与不确定性信息构建面向测试场景的行车风险估计模型；
S4，对所述行车风险估计模型进行优化，得到针对测试的优化风险估计模型；
S5，基于危险事件的时序演化特点，根据所述优化风险估计模型构建危险时间链模型；
S6，对所述危险时间链模型进行求解，得到危险事件链。
优选地，步骤S1包括：
(1)采集交通事故数据，所述交通事故数据包括汽车自然驾驶过程中发生交通事故的车辆、道路和环境数据；
(2)基于自然驾驶实验采集交通冲突数据，所述交通冲突数据包括车-车冲突数据和车-路冲突数据。
优选地，步骤S2包括：
(1)根据所述传感器性能信息获取感知结果不确定性，所述传感器性能信息包括摄像头数据、毫米波雷达数据和激光雷达数据；
(2)根据所述自然驾驶数据获取交互特性不确定性和信息盲区不确定性。
进一步地，所述感知结果不确定性为摄像头、毫米波雷达、激光雷达单独及融合感知与理解的结果，所述交互特性不确定性至少包括混合交通中的交通参与者的随机性，所述信息盲区不确定性至少包括路面条件不确定、交通设施遮挡及缺失。
优选地，步骤S3包括：
(1)根据步骤S2确定的车辆与环境间动态属性与互相作用的关键因素构建风险估计多维特征集；
(2)根据所述风险估计多维特征集中的各要素对行车风险的综合作用，建立所述行车风险估计模型，所述行车风险估计模型包括各个交通要素的场强以及风险场对被测车辆产生的作用力和行车风险系数。
优选地，步骤S4包括：
(1)基于仿真软件进行危险事故场景重构，并进行测试验证，得到验证结果；
(2)根据所述验证结果挖掘分析驾驶规律；
(3)根据所述驾驶规律对所述行车风险估计模型中的权重进行调整，以优化所述行车风险估计模型。
进一步地，依据动能场、势能场和行为场中的行车风险影响因素，增加重要度判断，调整所述行车风险估计模型中的权重。
优选地，步骤S5包括：
(1)将所述优化风险估计模型中的道路交通事故和冲突发生的时间序列作为马尔科夫随机过程；
(2)基于马尔科夫随机过程，通过确定所述道路交通事故中不同状态的初始概率和链上各状态之间转移概率分布，形成危险事件链模型。
优选地，步骤S6包括：
(1)根据所述危险事件链模型中道路危险事件状态以及车辆行车风险系数分布，分别设定不同时间内通过路段的范围表示隐状态，并将其划分等级；
(2)根据训练数据集建立预测模型，所述训练数据集包括已有的道路危险事件状态；
(3)计算所述训练数据集从前一时刻的状态转移到下一个时刻与之不同的数量，计算状态转移矩阵以及观测变量转移概率矩阵；
(4)根据所述状态转移矩阵、所述观测变量转移概率矩阵和所述预测模型确定初始概率向量；
(5)根据所述预测模型确定隐状态预测值；
(6)根据所述初始概率向量和所述隐状态预测值预测真实危险事件状态。
本发明还提供一种基于复杂交通场景的危险事件链提取系统，包括：
获取模块，用于获取测试场景数据；
量化模块，用于基于预设的自然驾驶数据和传感器性能信息确定车辆与环境间动态属性与互相作用的关键因素，并对所述关键因素的不确定性进行分级量化；
估计模型构建模块，用于基于预设的风险估计多维特征集与所述不确定性信息构建面向测试场景的行车风险估计模型；
第一优化模块，用于对所述行车风险估计模型进行优化，得到针对测试的优化风险估计模型；
第二优化模块，用于基于危险事件的时序演化特点，根据所述优化风险估计模型构建危险时间链模型；
解析模块，用于对所述危险时间链模型进行求解，得到危险事件链。。
由于上述技术方案的运用，本发明与现有技术相比具有下列优点：本发明的基于复杂交通场景的危险事件链提取方法利用采集的交通事故数据以及自然驾驶实验中采集的交通冲突数据，揭示复杂交通场景时空演进规律，研究危险事件链提取方法，通过对危险时间链模型进行求解，提高了后期测试场景复现和重构的效果。
附图说明
图1为本实施例的基于复杂交通场景的危险事件链提取方法的流程图；
图2为本实施例中的危险事件链模型示意图。
具体实施方式
本发明的目的是提供一种基于复杂交通场景的危险事件链提取方法及系统，通过对危险时间链模型进行求解，提高了后期测试场景复现和重构的效果。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如本发明提供了一种基于复杂交通场景的危险事件链提取方法，流程图如图1所示，具体包括如下步骤。
步骤100：获取测试场景数据。
具体包括：
(1)采集交通事故数据，交通事故数据包括汽车自然驾驶过程中发生交通事故的车辆、道路和环境数据。
本实施例中，通过事故实地调查获取交通事故数据。
(2)基于自然驾驶实验采集交通冲突数据，交通冲突数据包括车-车冲突数据和车-路冲突数据。
本实施例中，通过车辆数据采集设备，配备有传感器，收集来自不同驾驶员驾驶过程中包含驾驶操作信息和道路环境信息的自然驾驶数据。
车-车冲突数据包括车道冲突、跟车过程前方车辆硬刹车、自车紧急制动影响后方跟驰车辆等，车道冲突如自然驾驶实验中同向车辆切入、异向车辆占道、有邻近车辆时变换车道等。
车-路冲突数据具体包括道路施工、道路障碍物、道路弯曲程度、路面污浊程度等。
步骤200：基于预设的自然驾驶数据和传感器性能信息确定车辆与环境间动态属性与互相作用的关键因素，并对该关键因素的不确定性进行分级量化。
具体包括：
(1)根据传感器性能信息获取感知结果不确定性，传感器性能信息包括摄像头数据、毫米波雷达数据和激光雷达数据。
(2)根据自然驾驶数据获取交互特性不确定性和信息盲区不确定性。
具体的，感知结果不确定性为摄像头、毫米波雷达、激光雷达等传感器单独、融合感知与理解的结果；交互特性不确定性至少包括混合交通中的交通参与者的随机性；信息盲区不确定性至少包括路面条件不确定、交通设施等遮挡、缺失。
感知结果不确定性主要由传感器自身性能、环境条件决定，如表1所示。交互特性不确定性主要由混合交通中参与者的随机性、常见性、合规性决定，如表2所示，表2为交通参与者不确定度表。信息盲区不确定性主要由路面条件例如车道线可视性和交通设施决定。道路层的复杂度主要由车道线的可视性决定，见表3，表3为道路层复杂度表。交通设施层的复杂度主要由交通设施的可视性决定，见表4，表4为交通设施层复杂度表。
表1
晴天 雨天、傍晚等 夜晚有环境灯光 夜晚无环境灯光 浓雾天
1 2 3 4 5
表2
Figure BDA0003702314430000051
表3
Figure BDA0003702314430000052
表4
Figure BDA0003702314430000053
步骤300：基于预设的风险估计多维特征集与不确定性信息构建面向测试场景的行车风险估计模型。
本实施例中根据量化的车辆与环境间动态属性与互相作用的关键因素构建风险估计多维特征集。通过风险估计多维特征集中的各要素对行车风险的综合作用，建立行车风险统一模型，行车风险统一模型包括各个交通要素的场强、风险场对被测车辆产生的作用力和行车风险系数。利用动能场、势能场及行为场所描述的人、车、路等交通要素各自的场强，计算风险场对被测车辆产生的作用力和行车风险系数。
具体实现流程如下：
(1)根据周围环境中的人-车-路各要素对行车风险的综合作用，建立行车风险场统一模型如式(1)所示。
ES＝ER+EV+ED (1)
式中，ES为行车风险场总场强，ER为势能场场强，EV为动能场场强，ED为行为场场强。
(2)通过建立行车环境中各要素所形成的动能场、势能场和行为场的数学模型构建自车行车风险场模型，并计算被测车辆的行车风险场总场强。
其中，运动物体a在被测车辆j所在位置处形成的动能场场强EV_aj为：
Figure BDA0003702314430000061
式中，raj＝(xj–xa,yj–ya)表示两点间距离矢量，k1、k2、G为大于零的待定常数，va为运动物体a的速度，θa为速度方向与raj的夹角，Ma为道路环境中运动物体a的虚拟质量，Ra为运动物体a所在位置道路条件因子。
静止物体b在被测车辆j所在位置处的势能场场强ER_bj为：
Figure BDA0003702314430000062
式中，rbj＝(xj–xb,yj–yb)表示两点间距离矢量，k1和G为大于零的待定常数，Mb为静止物体b的虚拟质量，Rb为静止物体b所在位置道路条件因子。
周围车辆的驾驶员c在一定道路条件下驾驶车辆行驶时所形成的行为场在被测车辆j所在位置处的场强ED_cj为：
ED_cj＝EV_cj·Dc (4)
式中，EV_cj为驾驶员c所驾驶车辆形成的动能场在被测车辆j所在位置处的场强，Dc为驾驶员c的风险因子。
构建被测车辆的行车风险场模型，并计算被测车辆的行车风险场总场强ES_j：
Figure BDA0003702314430000063
式中，EV_aj、ER_bj和ED_cj分别表示单个运动物体形成的动能场、静止物体形成的势能场和驾驶员形成的行为场在被测车辆j所在位置处的场强矢量，p、q和z分别为各种场的物体总个数。
(3)基于行车风险场总场强计算被测车辆在行车风险场中受到的作用力Fj为：
Fj＝ES_jMj[Rj·exp(-k2vjcosθj)·(1+Dj)] (6)
式中，ES_j为被测车辆的行车风险场总场强，Mj为被测车辆的虚拟质量，Rj为被测车辆所在位置的道路条件因子，k2为待定系数，vj为被测车辆的速度，θj为速度方向vj与场强ES_j方向的夹角，Dj为被测车辆的风险因子。
(4)根据被测车辆在行车风险场中受到的作用力计算被测车辆的行车风险系数Crisk为：
Figure BDA0003702314430000071
式中，Fj表示某时刻被测车辆j在周围环境的人-车-路各要素形成的行车风险场中受到风险场作用力，μF和σF表示某一时间段内作用力Fj的均值和标准差，设
Figure BDA0003702314430000072
符合标准正态分布，f(x)表示标准正态分布的密度函数，
Figure BDA0003702314430000073
表示自变量大于
Figure BDA0003702314430000074
概率。
在实际应用过程中，动能场表征道路上运动物体对行车风险影响程度的“物理场”。道路上的运动物体主要包括运动中的车辆、行人、动物、非机动车等。动能场的大小和方向主要由物体属性、运动状态和道路条件决定,影响因素包括物体类型、质量、速度、加速度、路面附着系数、道路坡度等，主要体现物体动能的大小。势能场表征道路上静止物体对行车风险影响程度的“物理场”。道路上的静止物体主要包括停止的车辆、隔离带、路障、交通标识等。势能场的大小和方向主要由静止物体的属性及道路条件等要素决定,影响因素包括物体类型、质量、环境能见度等。行为场表征驾驶人行为特性对行车风险影响程度的“物理场”。驾驶人行为特性主要包括驾驶人的驾驶风格、技能、法规意识、性别、年龄、驾龄、性格、身体素质、心理状态等因素，行为场的大小和方向主要由驾驶人行为特性决定。比如激进型驾驶人常常比保守型驾驶人的驾驶风险系数更大，其决定的“行为场”强度就更高，驾驶技能低的驾驶人通常比驾驶技能高的驾驶人的“行为场”要高，诸如此类。
步骤400：对行车风险估计模型进行优化，得到针对测试的优化风险估计模型。
具体包括如下流程：
(1)基于仿真软件进行危险事故场景重构，并进行测试验证，得到验证结果。
本实施例中，在仿真软件中对危险事故进行虚拟场景重构，面向虚拟场景进行自动驾驶高风险场景测试验证。
(2)根据所述验证结果进一步挖掘分析驾驶规律。
(3)根据驾驶规律对行车风险估计模型中的权重进行调整，以优化行车风险估计模型。
具体的，依据动能场、势能场和行为场中的行车风险影响因素，增加重要度判断，(“物理场”场强类型丰富度，即出现的影响因素多少)，调整权重，即式(1)中每一项增加权重系数，使得最终计算的行车风险系数更加准确。
步骤500：基于危险事件的时序演化特点，根据优化风险估计模型构建危险时间链模型。
包括：
(1)将优化风险估计模型中的道路交通事故和冲突发生的时间序列作为马尔科夫随机过程。
(2)基于马尔科夫随机过程，通过确定道路交通事故中不同状态的初始概率和链上各状态之间转移概率分布，形成危险事件链模型。
具体的，马尔科夫随机过程应用了隐马尔可夫模型(HMM)，其一个是统计模型，用来描述一个含有隐含未知参数的马尔可夫过程。一个标准的隐马尔可夫模型存在五个变量(q，O，X，A，h)。其中，q表示隐含状态，表示不能直接观察到的状态。O表示可观测状态，表示可以直接观察到的状态。在模型中，这些状态与隐状态存在特定的关系。X是初始状态概率矩阵，表示隐含状态在初始时刻的状态转移概率分布。A是隐含状态转移概率矩阵，用来描述模型中状态之间相互转换的概率,另N表示隐含状态的个数，Aij＝P(qj|qi)，1≤i,j≥N,表示在t时刻，状态为qi的条件下，在t+1时刻状态是qj的概率。h是观测状态转移概率矩阵，令M表示可观测状态数目，hij＝P(Oi|qj)，1≤i≤M,1≤j≤N,表示在t时刻、隐含状态是qj条件下，观察状态为Oi的概率。
步骤600：对危险时间链模型进行求解，得到危险事件链。
包括：
(1)根据危险事件链模型中道路危险事件状态以及车辆行车风险系数分布，分别设定不同时间内通过路段的范围表示隐状态，并将其划分等级；
(2)根据训练数据集建立预测模型，训练数据集包括已有的道路危险事件状态。
具体的，挑选使用已有的道路危险事件状态作为训练数据集，建立预测模型，并挑选未来道路危险事件状态作为测试集，来验证预测模型的精确性和预测性，最终得到完整的危险事件链。
(3)计算训练数据集从前一时刻的状态转移到下一个时刻与之不同的数量，运用公式计算状态转移矩阵A以及观测变量转移概率矩阵h。
(4)根据状态转移矩阵A、观测变量转移概率矩阵h和预测模型确定初始概率向量。
(5)根据预测模型确定隐状态预测值。
(6)根据初始概率向量和隐状态预测值预测真实危险事件状态，真实危险事件状态用于构建危险事件链模型。
对于初始概率值，假设已知t-1时刻隐状态来预测t时刻的状态，设{qt-1,qt,qt+1}，将初始概率向量X表示为{1,0,0}，即假设初始t-1时刻真实复杂交通道路下危险事件状态范围为X的值，代入到预测模型，不断计算出最新的X值。通过公式计算得到t时刻概率最大的隐状态，即t时刻的隐状态预测值。最后预测出下一时段t+1的最真实危险事件状态，从而完成交通事故场景复现和重构以及在自然实验中发生事件冲突时可预测下一时间段危险事件，形成场景生成闭环。
本实施例中在既有的交通风险危险源类型基础上，挖掘不同层级不同类型危险源之间的强耦合特征，分析不同危险源对交通事故影响程度差异得到各因素的危险度与危险权重，从而提取多类危险源相关联的综合风险要素，对具体的交通场景所对应的交通风险进行建模。
基本的危险事件链模型如图2所示，基于大量测试场景数据，通过对人-车-路系统中道路交通参与者、环境因素等进行特征分析，探究不同要素对行车风险的影响机制。基于自然驾驶数据、实际传感器性能与车辆模型对测试场景中的不确定性进行量化，包括感知结果不确定性、交互特性不确定性与信息盲区不确定性，在此基础上完善考虑不确定信息的行车风险量化模型，基于加速测试中采用的虚拟场景重构、自动化仿真计算等方法，充分挖掘多源异构数据集中驾驶规律，基于自然驾驶数据集、依据动能场、势能场和行为场中的行车风险影响因素，增加重要度判断，调整权重，即式(1)中每一项增加权重系数，进而对模型进行轻量化处理。
在完成风险场模型的优化之后，研究危险事件的时序演化特点，构建危险事件链模型。将道路交通事故/冲突发生的时间序列看作马尔可夫随机过程，通过对交通事件不同状态的初始概率和链上各状态之间转移概率分布的探究，从数学模型上描述交通事故链的演化过程。
此外，本实施例中还提供了一种基于复杂交通场景的危险事件链提取系统，包括：
获取模块，用于获取测试场景数据；
量化模块，用于基于预设的自然驾驶数据和传感器性能信息对测试场景数据的不确定性进行量化，以确定车辆与环境间动态属性与互相作用的关键因素；
估计模型构建模块，用于基于预设的风险估计多维特征集与不确定性信息构建面向测试场景的行车风险估计模型；
第一优化模块，用于对行车风险估计模型进行优化，得到针对测试的优化风险估计模型；
第二优化模块，用于基于危险事件的时序演化特点，根据优化风险估计模型构建危险时间链模型；
解析模块，用于对危险时间链模型进行求解，得到危险事件链。
本发明利用采集的交通事故数据以及自然驾驶实验中采集的交通冲突数据，揭示复杂交通场景时空演进规律，研究危险事件链提取方法，通过对危险时间链模型进行求解，提高了后期测试场景复现和重构的效果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。

Claims (10)

1.一种基于复杂交通场景的危险事件链提取方法，其特征在于：包括：
S1，获取测试场景数据；
S2，基于预设的自然驾驶数据和传感器性能信息确定车辆与环境间动态属性与互相作用的关键因素，并对所述关键因素的不确定性进行分级量化；
S3，基于预设的风险估计多维特征集与不确定性信息构建面向测试场景的行车风险估计模型；
S4，对所述行车风险估计模型进行优化，得到针对测试的优化风险估计模型；
S5，基于危险事件的时序演化特点，根据所述优化风险估计模型构建危险时间链模型；
S6，对所述危险时间链模型进行求解，得到危险事件链。
2.根据权利要求1所述的基于复杂交通场景的危险事件链提取方法，其特征在于：步骤S1包括：
(1)采集交通事故数据，所述交通事故数据包括汽车自然驾驶过程中发生交通事故的车辆、道路和环境数据；
(2)基于自然驾驶实验采集交通冲突数据，所述交通冲突数据包括车-车冲突数据和车-路冲突数据。
3.根据权利要求1所述的基于复杂交通场景的危险事件链提取方法，其特征在于：步骤S2包括：
(1)根据所述传感器性能信息获取感知结果不确定性，所述传感器性能信息包括摄像头数据、毫米波雷达数据和激光雷达数据；
(2)根据所述自然驾驶数据获取交互特性不确定性和信息盲区不确定性。
4.根据权利要求3所述的基于复杂交通场景的危险事件链提取方法，其特征在于：所述感知结果不确定性为摄像头、毫米波雷达、激光雷达单独及融合感知与理解的结果，所述交互特性不确定性至少包括混合交通中的交通参与者的随机性，所述信息盲区不确定性至少包括路面条件不确定、交通设施遮挡及缺失。
5.根据权利要求1所述的基于复杂交通场景的危险事件链提取方法，其特征在于：步骤S3包括：
(1)根据步骤S2确定的车辆与环境间动态属性与互相作用的关键因素构建风险估计多维特征集；
(2)根据所述风险估计多维特征集中的各要素对行车风险的综合作用，建立所述行车风险估计模型，所述行车风险估计模型包括各个交通要素的场强以及风险场对被测车辆产生的作用力和行车风险系数。
6.根据权利要求1所述的基于复杂交通场景的危险事件链提取方法，其特征在于：步骤S4包括：
(1)基于仿真软件进行危险事故场景重构，并进行测试验证，得到验证结果；
(2)根据所述验证结果挖掘分析驾驶规律；
(3)根据所述驾驶规律对所述行车风险估计模型中的权重进行调整，以优化所述行车风险估计模型。
7.根据权利要求6所述的基于复杂交通场景的危险事件链提取方法，其特征在于：依据动能场、势能场和行为场中的行车风险影响因素，增加重要度判断，调整所述行车风险估计模型中的权重。
8.根据权利要求1所述的基于复杂交通场景的危险事件链提取方法，其特征在于：步骤S5包括：
(1)将所述优化风险估计模型中的道路交通事故和冲突发生的时间序列作为马尔科夫随机过程；
(2)基于马尔科夫随机过程，通过确定所述道路交通事故中不同状态的初始概率和链上各状态之间转移概率分布，形成危险事件链模型。
9.根据权利要求1所述的基于复杂交通场景的危险事件链提取方法，其特征在于：步骤S6包括：
(1)根据所述危险事件链模型中道路危险事件状态以及车辆行车风险系数分布，分别设定不同时间内通过路段的范围表示隐状态，并将其划分等级；
(2)根据训练数据集建立预测模型，所述训练数据集包括已有的道路危险事件状态；
(3)计算所述训练数据集从前一时刻的状态转移到下一个时刻与之不同的数量，计算状态转移矩阵以及观测变量转移概率矩阵；
(4)根据所述状态转移矩阵、所述观测变量转移概率矩阵和所述预测模型确定初始概率向量；
(5)根据所述预测模型确定隐状态预测值；
(6)根据所述初始概率向量和所述隐状态预测值预测真实危险事件状态。
10.一种基于复杂交通场景的危险事件链提取系统，其特征在于：包括：
获取模块，用于获取测试场景数据；
量化模块，用于基于预设的自然驾驶数据和传感器性能信息确定车辆与环境间动态属性与互相作用的关键因素，并对所述关键因素的不确定性进行分级量化；
估计模型构建模块，用于基于预设的风险估计多维特征集与所述不确定性信息构建面向测试场景的行车风险估计模型；
第一优化模块，用于对所述行车风险估计模型进行优化，得到针对测试的优化风险估计模型；
第二优化模块，用于基于危险事件的时序演化特点，根据所述优化风险估计模型构建危险时间链模型；
解析模块，用于对所述危险时间链模型进行求解，得到危险事件链。
CN202210696295.5A 2022-06-20 2022-06-20 一种基于复杂交通场景的危险事件链提取方法及系统 Pending CN115238958A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210696295.5A CN115238958A (zh) 2022-06-20 2022-06-20 一种基于复杂交通场景的危险事件链提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210696295.5A CN115238958A (zh) 2022-06-20 2022-06-20 一种基于复杂交通场景的危险事件链提取方法及系统

Publications (1)

Publication Number Publication Date
CN115238958A true CN115238958A (zh) 2022-10-25

Family

ID=83668820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210696295.5A Pending CN115238958A (zh) 2022-06-20 2022-06-20 一种基于复杂交通场景的危险事件链提取方法及系统

Country Status (1)

Country Link
CN (1) CN115238958A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115862383A (zh) * 2023-01-20 2023-03-28 北京航空航天大学 一种基于不确定性的车辆盲区潜在风险量化方法
CN115909747A (zh) * 2023-01-06 2023-04-04 山东创安交通预警工程有限公司 一种城市交通预警系统
CN116341288A (zh) * 2023-05-25 2023-06-27 吉林大学 一种异质交通流行车安全场建模方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115909747A (zh) * 2023-01-06 2023-04-04 山东创安交通预警工程有限公司 一种城市交通预警系统
CN115862383A (zh) * 2023-01-20 2023-03-28 北京航空航天大学 一种基于不确定性的车辆盲区潜在风险量化方法
CN116341288A (zh) * 2023-05-25 2023-06-27 吉林大学 一种异质交通流行车安全场建模方法
CN116341288B (zh) * 2023-05-25 2023-09-05 吉林大学 一种异质交通流行车安全场建模方法

Similar Documents

Publication Publication Date Title
CN115238958A (zh) 一种基于复杂交通场景的危险事件链提取方法及系统
US20210197851A1 (en) Method for building virtual scenario library for autonomous vehicle
US10453256B2 (en) Lane boundary detection data generation in virtual environment
CN111179585B (zh) 自动驾驶车辆的场地测试方法及装置
Essa et al. Simulated traffic conflicts: do they accurately represent field-measured conflicts?
CN109272745B (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN112389440B (zh) 一种基于车路作用机理的越野环境中车辆行驶风险预测方法
CN112201069A (zh) 基于深度强化学习的驾驶员纵向跟车行为模型构建方法
WO2021013190A1 (zh) 基于气象参数的高速列车导航盲区定位方法及系统
CN109118787B (zh) 一种基于深度神经网络的车辆速度预测方法
Hu et al. Efficient mapping of crash risk at intersections with connected vehicle data and deep learning models
CN112966853B (zh) 基于时空残差混合模型的城市路网短时交通流预测方法
CN107766636A (zh) 一种基于极值理论与微观仿真的城市交叉口安全评价方法
CN112508164B (zh) 一种基于异步监督学习的端到端自动驾驶模型预训练方法
CN113487863A (zh) 一种多因素交通风险实时定量评估系统及方法
CN113554263A (zh) 基于交通仿真的高速公路施工组织方案交通影响评估方法
CN114299607A (zh) 一种基于自动驾驶汽车的人车碰撞危险度分析方法
EP3726434B1 (de) Verfahren zur reduzierung von abgasemissionen eines antriebssystems eines fahrzeugs mit verbrennungsmotor
CN108920757A (zh) 一种基于计算机仿真的汽车碰撞事故再现方法
CN115392015A (zh) 一种基于数字孪生的自动驾驶推演系统和推演方法
Yessoufou et al. One-class convolutional neural network (OC-CNN) model for rapid bridge damage detection using bridge response data
Chen et al. Speed distribution prediction of freight vehicles on mountainous freeway using deep learning methods
Li A scenario-based development framework for autonomous driving
CN115063976B (zh) 基于多通道卷积神经网络的车辆冲突风险评估与预测方法
CN112861682B (zh) 基于朴素贝叶斯云计算路面图像采集分类方法及其装置

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