CN115257728B - 一种用于自动驾驶的盲区风险区检测方法 - Google Patents

Abstract

本发明公开了一种用于自动驾驶的盲区风险区检测方法，其包括：以自动驾驶车辆为中心，建立栅格地图；计算栅格地图中每个栅格的观测状态确定盲区栅格以及计算每个栅格所属车道的集合、盲区栅格的盲区邻域面积、盲区栅格的潜在交通参与者类别的集合；遍历盲区栅格，计算潜在碰撞风险，得到盲区风险区。采用本发明可以准确地表达出盲区内潜在交通参与者的运动对自动驾驶车辆造成的潜在碰撞风险，以辅助自动驾驶车辆在遇到盲区路段时，提前减速避免潜在的碰撞，提高行车安全性。

Description

一种用于自动驾驶的盲区风险区检测方法

技术领域

本发明属于自动驾驶技术领域，具体涉及一种用于自动驾驶的盲区风险区检测方法。

背景技术

车辆在车道上行驶时，经常会遇到视野被遮挡的情况。如路口静止的大型SUV会遮住小型轿车的部分视野，导致轿车驾驶员无法完整地观测到路口人行道的全部状态；如车辆右转时，因为路侧楼宇的遮挡，导致驾驶员无法观测到右方是否恰好有来车。有经验的驾驶员在遇到类似上述情况时，会刻意地降低车速，以避免和盲区内潜在的交通参与者发生碰撞。

自动驾驶车辆通过激光雷达、毫米波雷达等传感器来观测周围的交通环境，当观测到某处存在其他交通参与者时，自动驾驶车辆将会规划出一条避让轨迹。但是，当传感器视野受到遮挡时，同样会产生盲区。如图1所示，当自动驾驶车辆驶近交叉路口处的人行横道时，左侧恰好存在一辆静止的大型车辆，遮住了传感器部分视野，导致传感器无法探测到完整的人行横道路况。此时，自动驾驶车辆为了保证行车安全，有必要对盲区风险度进行计算，以降低潜在的碰撞风险。现有的车辆盲区检测技术在检测出车辆的盲区后，只是将盲区本身作为危险区域，没有考虑到盲区内潜在交通参与者的运动会给盲区附近的可见区域同样造成潜在的碰撞风险。

日本东京大学的永井正夫教授^[1]为了提高辅助驾驶系统，在应对盲区可能存在的行人时的安全性，提出了一个基于潜在风险优化框架的车辆规划控制系统。该系统利用弹簧模型模拟盲区潜在行人对车辆的排斥力，以指导规划控制系统自适应地降低车速，减小碰撞伤害。但是该系统没有涉及到该如何对盲区进行表示，以及如何判断盲区内是否存在行人，或其他交通参与者的方法。

清华大学的王建强教授^[2]为了将影响车辆行驶安全性的人-车-路等因素统一表示，提出了一种基于人-车-路交互的驾驶安全场模型。该模型根据动态障碍物的质量、类别和速度构建了动态障碍物的安全场，场的能量越高，碰撞风险越大。但是，该模型没有考虑到盲区内障碍物的影响，无法降低盲区内潜在障碍物对车辆造成的碰撞风险。

栅格地图是机器人学中的一种常用的地图表示方法，它将机器人周围的环境划分为一系列的栅格，每一个栅格给定一个数值，用于表示该栅格被物体占据的概率。栅格地图虽然可用于表示自动驾驶车辆周围区域的观测状态，但是，该种地图中缺少道路交通信息，无法用于盲区风险度的计算。

高精度地图是一种服务于自动驾驶系统的高分辨率、高精度的地图。该地图将大量的道路交通信息存储为结构化数据，比如：车道线的位置、类型、宽度、坡度和曲率等。高精度地图虽然包含了丰富的道路信息，但是无法对道路的每一块区域分别保存观测状态，也无法用于盲区风险度的计算。

[1] Raksincharoensak P , Hasegawa T , Nagai M . Motion Planning andControl of Autonomous Driving Intelligence System Based on Risk PotentialOptimization Framework[J]. International Journal of Automotive Engineering,2016, 7(1):53-60。

[2] Wang J , Wu J , Li Y . The Driving Safety Field Based on Driver–Vehicle–Road Interactions[J]. IEEE Transactions on Intelligent TransportationSystems, 2015, 16(4):2203-2214。

发明内容

由于车载传感器无法观测到车辆盲区内潜在交通参与者的运动情况，导致自动驾驶决策模块无法提前减速以避免潜在的碰撞。为解决这一问题，本发明提出了一种用于自动驾驶的盲区风险区检测方法，其中，盲区风险区是指：由车辆盲区内潜在交通参与者所造成的，和车辆存在潜在碰撞风险的区域。盲区风险区可以辅助决策模块进行更加安全地驾驶规划。

本发明的技术构思是：

以自动驾驶车辆为中心，将车辆附近区域划分为一个个相同大小的栅格，得到栅格地图M。传统的栅格地图中，每个栅格仅包含一个本栅格被障碍物占据的概率，无法用于盲区风险区的计算。本发明中，栅格所包含的信息如下：1）栅格所在区域被传感器所观测到的状态，简记为O；2）栅格在高精度地图中所属于的车道的集合，简记为L；3）以盲区栅格为中心的盲区邻域面积，简记为A；4）以盲区栅格为中心的潜在交通参与者的类别集合，简记为P。最后，遍历M中所有的盲区栅格，对于每个盲区栅格中的每个车道集合L中元素和潜在交通参与者类别集合P中元素的组合，分别计算其对所有栅格造成的潜在碰撞风险。综合所有组合的计算结果后，M中所有存在潜在碰撞风险的栅格区域即为自动驾驶车辆的盲区风险区。

基于以上构思，本发明中的一种用于自动驾驶的盲区风险区检测方法，其包括如下步骤：

1）以自动驾驶车辆为中心，建立栅格地图，并对栅格信息进行初始化；

2）计算栅格地图中每个栅格的观测状态，确定盲区栅格；

3）计算栅格地图中每个栅格所属车道的集合；

4）计算栅格地图中以盲区栅格为中心的盲区邻域面积；

5）根据所属车道集合、观测状态和盲区邻域面积的历史信息，计算以盲区栅格为中心的潜在交通参与者类别的集合；

6）遍历盲区栅格，对于每个盲区栅格中的每个车道集合中元素和潜在交通参与者类别集合中元素的组合，分别计算其对所有栅格造成的潜在碰撞风险，得到盲区风险区。

作为优选，所述计算栅格地图中每个栅格的观测状态，确定盲区栅格包括如下方法：

1）将每个栅格所在的竖直空间区域划分为若干个立方体，计算传感器的观测视野范围，标记每一个位于视野内的立方体；

2）如果某个立方体被标记为不可观测或未被标记为可观测，表明该栅格属于盲区栅格。

作为优选，所述计算栅格地图中每个栅格所属的车道集合包括如下步骤：获取栅格在栅格地图中的局部坐标，根据定位系统提供的定位信息，将局部坐标转移到高精度地图的全局坐标系中；在高精度地图的所有车道中，获取到和此栅格坐标的距离最接近的车道集合。

作为优选，所述计算栅格地图中以盲区栅格为中心的盲区邻域面积包括如下步骤：

1）根据道路交通法规和栅格所属车道的集合，得到可以合法地在该栅格中运动的合法交通参与者类别集合；

2）对合法交通参与者类别集合中的每个元素，假设该元素出现在以盲区栅格为中心的位置，如果此时该元素所覆盖的区域均为盲区栅格，则记录此元素的投影面积；

3）统计投影面积记录结果，将所记录的投影面积中的最大值记为盲区栅格的盲区邻域面积。

作为优选，所述计算盲区栅格的潜在交通参与者类别的集合包括如下步骤：

1）根据观测状态的历史信息判断该盲区栅格的盲区状态维持时长，当盲区状态的维持时长大于时间差值的阈值时，说明该盲区栅格存在潜在的交通参与者；

2）根据该盲区栅格所属车道的集合，得到可以合法地在该栅格中运动的合法交通参与者类别集合；

3）在盲区邻域面积历史信息中取出在时间差值阈值内的最小值，在合法交通参与者类别集合中过滤掉投影面积超过此最小值的元素，得到潜在交通参与者类别的集合。

作为优选，所述遍历盲区栅格，针对每个盲区栅格中的每个车道集合中元素和潜在交通参与者类别集中元素的组合，分别计算其对所有栅格造成的潜在碰撞风险，得到盲区风险区，包括如下步骤：

1）遍历栅格地图中的每一个盲区栅格，枚举车道集合中元素和潜在交通参与者类别集合中元素的每一种车道和潜在交通参与者的组合；

2）对于每一种车道和潜在交通参与者的组合，计算该组合对所有栅格造成的潜在碰撞风险；

3）栅格地图中所有存在潜在碰撞风险的栅格区域即为车辆的盲区风险区。

采用本发明的用于自动驾驶的盲区风险区检测方法，可以准确地表达出盲区内潜在交通参与者的运动对自动驾驶车辆造成的潜在碰撞风险，以辅助自动驾驶车辆在遇到盲区路段时，提前减速避免潜在的碰撞，提高行车安全性。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。

图1为自动驾驶车辆由于遮挡而产生盲区的示意图；

图2为本发明实施例一种用于自动驾驶的盲区风险区检测方法流程图；

图3为本发明实施例加入道路交通信息后的栅格地图示意图；

图4为本发明实施例根据传感器观测视野标记栅格的立方体空间示意图；

图5为本发明实施例基于高精度地图计算栅格所属车道集合的示意图；

图6a为本发明实施例列举常见交通参与者长宽尺寸的示意图；

图6b为本发明实施例计算栅格盲区邻域面积的示意图；

图7为本发明实施例根据观测状态O、车道集合L和盲区邻域面积A，来推测潜在交通参与者类别集合的示意图；

图8a为本发明实施例检测车辆周围盲区风险区的示意图；

图8b为本发明实施例列举的常见交通参与者出现在盲区栅格后，其潜在碰撞风险的分布特点示意图；

图9a为本发明实施例进行盲区风险区检测实验时的场景状况示意图；

图9b为本发明实施例进行盲区风险区检测实验时的风险区检测结果示意图；

图10a为本发明实施例进行盲区风险区检测实验时纵向距离和碰撞风险大小的曲线图；

图10b为本发明实施例进行盲区风险区检测实验时横向距离和碰撞风险大小的曲线图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更为清楚，下面将结合附图对本发明实施例中的技术方案进行详细描述。

Frent坐标系将车道中心线定义为纵轴，将车辆相对于车道中心线的垂直距离定义为横轴，比传统笛卡尔坐标系更直观地表示出了交通参与者在道路上的相对位置，本发明实施例将在Frent坐标系下计算盲区风险。

在本实施例中，采用自动驾驶仿真软件，模拟了配备激光雷达的自动驾驶车辆，在视野受到遮挡的情况下，缓慢通过车库出口处的机动车道的过程。

如图2所示，本实施例的一种用于自动驾驶的盲区风险区检测方法，包括以下步骤：

S1：以自动驾驶车辆为中心，建立栅格地图M，并对栅格信息进行初始化。

栅格地图是机器人领域中一种常用的地图表示方法，传统栅格地图常用于表示机器人周围环境被障碍物占据的概率，本实施例则扩展了栅格所包含的信息，栅格中存放着用于计算盲区风险的各种道路交通信息。具体地说，本实施例中，栅格地图M中的每个栅格都存放着传感器观测状态O，以及栅格在高精度地图上所属车道的集合L，根据观测状态O可判断栅格是否属于盲区栅格。栅格地图M中的盲区栅格还存放着以盲区栅格为中心的盲区邻域面积A、以盲区栅格为中心的潜在交通参与者类别的集合P。

如图3所示，栅格地图将自动驾驶车辆周围的平面区域分割成了一个个的矩形栅格，栅格中存放着O、L、A、P四种信息，其中：

O表示传感器观测状态，初始化为不可观测；

L表示栅格在高精度地图中的所属车道的集合，初始化为空集，由于栅格所在的道路区域可能既属于横穿马路的人行横道，又属于直行的机动车道，因此，使用集合表示盲区栅格所属车道；

A表示以盲区栅格为中心的盲区邻域面积，初始化为零；

P表示以盲区栅格为中心的潜在交通参与者类别的集合，初始化为空集，由于栅格所属车道是一个集合，而每种车道中可允许多种交通参与者通行，因此，也使用集合来表示盲区栅格处所有潜在的交通参与者。

S2：基于传感器观测原理计算栅格地图M中每个栅格的观测状态O，确定盲区栅格。

本步骤以激光雷达传感器观测周围的交通环境为例。为确定每个栅格的观测状态O，分析激光雷达的观测过程：激光束从激光雷达设备发射而出，当空间中没有障碍物阻挡激光束时，激光束会穿过这片空间；反之，当激光束受到阻碍而发生反射后，它会原路返回激光雷达设备处，不再向前探测。因此，被激光束所穿过的空间即为传感器视野内的可观测区域，没被穿过的空间即为不可观测的盲区。

进一步的，本实施例按以下步骤计算每个栅格的观测状态，确定盲区栅格。

由于栅格地图本身是二维的，自动驾驶车辆的运行环境是三维的，因此，每个栅格的观测信息需要由栅格所处的立体空间决定。首先，根据自动驾驶车辆高度和激光雷达的分辨率，将每个栅格所在的竖直空间区域划分为若干个立方体，然后计算传感器的观测视野范围，标记每一个位于视野内的立方体。之后，统计每个栅格竖直空间中的立方体标记情况，得到观测状态O。如果O中所有的立方体都被标记过，说明该栅格所处的三维空间完全处于传感器的观测范围内，该栅格不属于盲区；反之，如果某个立方体未被标记，说明该栅格的某些区域不在传感器观测范围内，该栅格属于盲区栅格。需要说明的是，也可以反过来标记，即将该栅格的某区域不在传感器观测范围内的立方体做标记，表示该栅格属于盲区栅格，某个立方体未被标记，则表示该栅格不属于盲区。

如图4所示，假设自动驾驶车辆的高度为2m，16线激光雷达在栅格区域内的有效垂直分辨率为0.4m，则，可将栅格所在的竖直空间区域划分为五个立方体，每个立方体的高度为0.4m，由于每个立方体都被一道激光束穿过，说明该栅格的观测状态O为可观测，即，该栅格不属于盲区。

至此，本步骤将栅格地图M中的栅格划分成了两种，一种是属于传感器视野内的可观测栅格；另一种是不可观测的盲区栅格，栅格内潜在的交通参与者将会和自动驾驶车辆产生碰撞风险，风险大小和潜在交通参与者的类别和速度有关。下面需要计算盲区栅格在高精度中所属于的车道集合，以便于确定潜在交通参与者类别及其法定速度。

S3：基于高精度地图计算栅格地图M中每个栅格所属车道的集合L。

车道类别可以辅助判断盲区中潜在交通参与者的类型。本发明实施例借助自动驾驶系统中常用的高精度地图和定位系统，来计算栅格所在区域的车道集合L。首先，获取栅格在栅格地图M中的局部坐标，根据定位系统提供的定位信息，将局部坐标转移到高精度地图的全局坐标中；然后，在高精度地图的所有车道中，获取到和此栅格坐标的距离最接近的车道集合L。本实施例中，可以使用最近邻查询算法来计算和此栅格坐标的距离最接近的车道集合L。最近邻查询算法是一种常用的元素检索方法，当给定一个集合和一个目标元素后，该算法可在集合中找到和目标元素最接近的若干个其他元素。

如图5所示，自动驾驶车辆行驶在高精度地图下方的直行和右转车道中，在自动驾驶车辆左侧的左转车道中存在一辆静止的机动车。此时，由于静止机动车的遮挡，使得静止机动车左方的部分区域变为不可观测的盲区。以V1和V2表示该盲区中的两个盲区栅格，位于静止机动车的车头左前方的栅格标记为V1，位于V1左前方机动车道上的栅格标记为V2，在将盲区栅格V1和V2绘制在高精度地图上后，可直接辨识出每个栅格的所属车道。

左侧第一个盲区栅格V1所属的车道集合为：人行横道，对向的直行机动车道。该栅格中很可能存在着正要过马路的行人或电动车，由于对向直行机动车道的道路方向和自动驾驶车辆所处车道的方向并不相交，因此该机动车道可忽略不计；第二个盲区栅格V2所属的车道集合为：直行车道、右转车道，该栅格中可能存在着正在直行或右转的机动车。假设图5中的路口没有红绿灯保护，且自动驾驶车辆想要直行通过此路口，那么自动驾驶车辆必须防范V1或V2中潜在的交通参与者带来的碰撞风险。至此，本步骤根据高精度地图获取了栅格所属于的车道集合L。虽然，根据L可推断出盲区栅格中潜在的交通参与者类别的集合，但是，当盲区栅格周围的盲区较小，而交通参与者的投影面积较大时，大型交通参者将会被传感器观测到，不会再产生盲区风险，因此，还需要计算以盲区栅格为中心的盲区邻域面积，来对潜在交通参与者的类别进行过滤。

S4：计算栅格地图M中盲区栅格的盲区邻域面积A。

通过盲区栅格所属于的车道集合和道路交通法规可得到可以合法地在该盲区栅格中运动的交通参与者类别集合。当某类交通参与者的投影面积大于该盲区栅格的盲区邻域面积时，说明该交通参与者将被传感器观测到，不会再产生盲区风险。因此，盲区栅格需要计算以自身为中心的所有邻接区域都为盲区的面积，用于过滤掉实际面积大于盲区面积的潜在交通参与者。

本实施例中，计算栅格地图M中盲区栅格的盲区邻域面积A采用如下方法：首先，根据道路交通法规和栅格所属车道的集合，得到可以合法地在该栅格中运动的合法交通参与者类别集合；然后，对合法交通参与者类别集合中的每个元素，假设该元素出现在了以盲区栅格为中心的位置，那么如果此时该元素所覆盖的区域均为盲区栅格，说明该元素此时无法被传感器观测到，记录此元素的投影面积；最后，统计投影面积的记录结果，若记录到了投影面积，将所记录的投影面积中的最大值记为盲区栅格的盲区邻域面积A，若没有记录到投影面积，则将盲区邻域面积A记为0。需要说明的是，由于盲区邻域面积A仅用于和交通参与者比较大小，不需要详细地计算出A实际的值，因此，本实施例中直接将A的值记为以盲区栅格为中心的最大无法被传感器观测到的交通参与者的面积。当某种交通参与者的中心位置出现在盲区栅格后，如果该交通参与者所覆盖区域都处于盲区中，说明此栅格附近确实有可能存在着无法被传感器观测到的此类型交通参与者。

下面以图5来举例说明盲区邻域面积的计算方法。图5中的盲区栅格V1和V2中潜在的交通参与者通常为以下三种：轿车、电动车、行人。如果一个轿车以图5中的V2栅格为中心且恰好无法被传感器观测到，即，该轿车完全处于盲区中的话，那么，V2的盲区邻域面积至少要大于等于轿车才行。如果一个两轮电动车以图5中的V1栅格为中心且完全处于盲区中的话，则V1的盲区邻域面积至少要大于等于电动车的面积才行。由于电动车面积大于等于行人，所以，当V1的盲区邻域面积大于等于电动车时，也一定大于行人。

如图6a所示，以图中面积最小的实线矩形框表示盲区栅格，由内向外的虚线框依次表示以盲区栅格为中心：行人、电动车、轿车。该栅格的盲区邻域面积共存在以下四种情况：1）如果此时轿车所处区域均为盲区栅格，即轿车完全处于盲区中，说明该轿车无法被传感器观测到，栅格的盲区邻域面积将大于等于轿车的面积。另外，由于盲区邻域面积仅用于判断交通参与者类别，不需要详细地计算出实际的值，因此，本实施例中，此处将栅格的盲区邻域面积记为等于轿车面积即可，不影响后续计算；2）如果轿车没有完全处于盲区中，但是电动车完全处于盲区中，栅格的盲区邻域面积记为等于电动车的面积；3）如果电动车没有完全处于盲区中，但是行人完全处于盲区中，栅格的盲区邻域面积记为等于行人的面积；4）最后如果行人也没有完全处于盲区中，栅格的盲区邻域面积记为零，说明该栅格虽然是盲区，但是面积太小，不会导致潜在的碰撞风险。值得注意地是，图6a中的交通参与者的摆放方向需要根据车道方向进行确定。

如图6b所示，假设盲区栅格V1的盲区邻域的长度A=3米，宽度B=1米，当轿车的中心位置出现在V1中时，由于轿车的宽度通常超过1米，则轿车的部分区域将超出盲区范围。接着判断电动车，由于两轮电动车的长度在3米以内，宽度也不会超过1米，则当电动车的中心位置出现在V1中时，电动车将完全处于盲区中，因此，该栅格的盲区邻域面积A记为电动车的面积。

需要说明的是，本实施例中轿车面积、电动车面积、行人面积是指物体的投影面积。

S5：根据观测状态O、所属车道集合L和盲区邻域面积A的历史信息，计算盲区栅格的潜在交通参与者类别的集合P。

所述历史信息是指：栅格地图中的每个栅格在刚过去的一段时间内所记录的所有关于O和A的信息序列。栅格地图M中的每个盲区栅格都需要计算可以以本栅格为中心而出现的潜在交通参与者，以便于后续计算盲区风险。

由于自动驾驶车辆在不断运动，传感器的位置也在不断变化，对于每一个栅格，其观测状态O也会随着时间不断变化。因此，本实施例根据观测状态的历史信息判断该盲区栅格的盲区状态维持时长，当盲区状态的维持时长大于时间差值的阈值时，说明该盲区栅格存在潜在的交通参与者。如果栅格的盲区状态维持时间较短，比如只有半秒钟，那么常见的交通参与者无法在这么短的时间内运动到这个盲区内。当栅格的盲区状态维持时间较长后，需要根据该盲区栅格所属车道的集合、观测状态和盲区邻域面积的历史信息，来计算该盲区栅格的潜在交通参与者类别的集合P。

如图7所示，本实施例中，每一个属于盲区的栅格，其潜在交通参与者类别的集合P按如下方法计算：

首先，根据观测状态O的历史信息判断该盲区栅格的盲区状态维持时长，当盲区状态的维持时长大于时间差值的阈值时，说明该盲区栅格存在潜在的交通参与者。

接着，根据道路交通法规和该盲区栅格所属车道的集合，得到可以合法地在该栅格中运动的合法交通参与者类别集合。例如，人行道一般会存在行人、自行车、电动车等，机动车道一般会存在乘用车、摩托车等。

最后，在盲区邻域面积A的历史信息中取出在时间差值阈值内的最小值，在合法交通参与者类别集合中过滤掉投影面积超过此最小值的元素，即可得到潜在交通参与者类别的集合P。

具体举例说明如下。

假设栅格所在区域变成盲区后，某个交通参与者以一定的速度，遵守正常的交通规则，花费了一定的时间，运动到了盲区中，且交通参与者自身的外观被盲区完全覆盖，导致传感器无法观测到，则潜在交通参与者类别的集合P可按如下方法计算：

首先，对于每一个属于盲区的栅格，计算该栅格的盲区状态的维持时间。由于自动驾驶车辆上的传感器在不断运动，对于每一个栅格，其观测状态O会随着时间不断变化。

如图5所示，假设在遮挡视野的车辆到达路口之前，路口的人行横道完全处于传感器的视野范围内且人行横道上不存在行人，则此时栅格V1不属于盲区；当遮挡视野的车辆到达路口后，该车辆遮挡了激光传感器光束，导致栅格V1变为盲区，记当前时间为t0，此时V1虽然是盲区，但是不会立刻有其他交通参与者运动进去；然后，某个电动车从对向人行横道开始，以交通规则所允许的最大速度行驶了一段时间后，于时间t1，进入了盲区栅格V1。t1和t0的时间差值和电动车的速度、路程有关，当V1的盲区状态维持时间大于该时间差值后，V1将产生潜在交通参与者带来的盲区风险。但是，如果V1的盲区状态持续时间小于该时间差值，那么，在交规允许的速度下，电动车是无法在这么短的时间内运动到这个盲区内的。

设t1和t0的时间差值为阈值t，当栅格的盲区状态维持时间大于时间差值的阈值t后，需要根据该盲区栅格在高精度地图中所属的车道集合L，得到可以合法地在该栅格中运动的合法交通参与者类别集合。如人行道中一般会存在行人，自行车，电动车等，此时合法交通参与者类别集合为{行人，自行车，电动车}；机动车道一般存在货车、轿车、摩托车等，此时合法交通参与者类别集合为{货车，轿车，摩托车}。

最后，在盲区邻域面积A的历史信息中取出在时间差值阈值内的最小值。如果车道中可以合法运动的交通参与者的面积超过了该盲区邻域面积的最小值，说明此交通参与者不会长时间地完全处于盲区中，也就不会带来潜在的盲区风险，需要被过滤掉。在合法交通参与者类别集合中过滤掉所有投影面积超过此最小值的元素后，即可得到潜在交通参与者类别的集合P。例如，一个盲区栅格在高精度地图中所属于的车道为机动车道，说明该栅格中可能出现轿车、摩托车等，但是如果该栅格的盲区邻域面积仅为电动车的面积，说明轿车无法潜藏在这个栅格附近，需要舍弃。

S6：遍历盲区栅格，对于每个盲区栅格中的每个车道集合L中元素和潜在交通参与者类别集P中元素的组合，分别计算其对所有栅格造成的潜在碰撞风险，得到盲区风险区。其中，盲区风险区是指：由车辆盲区内潜在交通参与者所造成的，和车辆存在潜在碰撞风险的区域。本步骤具体方法如下：

（1）遍历栅格地图M中的每一个盲区栅格，对于每个盲区栅格，枚举车道集合中元素和潜在交通参与者类别集合中元素的每一种车道和潜在交通参与者的组合；

（2）对于步骤（1）中的每一种车道和潜在交通参与者的组合，计算该组合对所有栅格造成的潜在碰撞风险；当栅格地图M中某个栅格受到多个组合的潜在碰撞风险影响时，取多个风险中的最大值。

（3）栅格地图M中所有存在潜在碰撞风险的栅格区域即为车辆的盲区风险区。

本实施例中，对于每一种车道和潜在交通参与者的组合，计算该组合对所有栅格造成的潜在碰撞风险包括如下方法：获取该组合中的潜在交通参与者在车道上的最大行驶速度；计算每个受影响栅格和该组合中的潜在交通参与者在车道中的横纵向距离；根据受影响栅格和潜在交通参与者在车道中的横纵向距离、潜在交通参与者类别和速度计算得到该受影响栅格的潜在碰撞风险。

如图8a所示，在高精度地图上，以白色的矩形栅格V1到V4表示盲区栅格，以矩形阴影区域表示潜在碰撞风险的大小和影响范围，在综合所有盲区所造成的潜在碰撞风险后，即可得到自动驾驶车辆的盲区风险区检测结果。该盲区风险区的检测结果可辅助自动驾驶车辆的决策模块进行更加安全地路径规划，减小和盲区潜在障碍物的碰撞风险。

本实施例提出以下自动驾驶车辆和潜在交通参与者产生碰撞风险时的一个假设过程：盲区栅格中存在着一个正沿着人行横道运动的行人，自动驾驶车辆需要直行通过此人行横道。当自动驾驶车辆没有计算盲区风险区时，那么只有当自动驾驶车辆继续行驶到即将到达人行横道，且将要和行人发生碰撞时，其传感器才能观测到此行人，此时，自动驾驶车辆需要在碰撞发生前，紧急制动。当自动驾驶车辆速度较快且制动时间较短时，碰撞将会无法避免，碰撞事故的严重程度和车辆速度及交通参与者的类别有关。

基于上述假设过程，可分析自动驾驶车辆和潜在交通参与者在车道上产生碰撞风险时的特点如下：1）如果盲区内潜在交通参与者遵守交通规则进行运动，那么他只可能会和本车道内的车辆产生碰撞；2）在车道的Frent坐标系下，车辆距离盲区潜在交通参与者的纵向距离和横向距离越近，避免碰撞的反映时间就越短，碰撞风险就越大；3）碰撞双方的速度越快，避免碰撞的反映时间也会越短，碰撞风险会越大；4）盲区内潜在交通参与者的类别影响着碰撞的严重程度。

需要说明的是：本实施例之所以使用的frent坐标系，是因为它可以方便地计算出自动驾驶车辆和潜在交通参与者，在高精度地图上的距离，而其他可用于计算距离的坐标系也可以使用，比如：笛卡尔坐标系。

另外，需要说明的是：影响盲区风险大小的因素并不限于以上四种，本领域技术人员可针对自动驾驶具体的使用场景进行调整，比如：自动驾驶环卫车需要考虑清扫机构对风险的影响，自动驾驶矿卡车需要考虑本车载货量对风险的影响等。

如图8b所示为一种常见交通参与者出现在盲区栅格后的潜在碰撞风险分布特点示意图，图中，横坐标为栅格和交通参与者的距离，纵坐标为移动速度，矩形阴影区域为风险的大小和方向。图中列举出了盲区中的行人、电动车和轿车所造成的潜在碰撞风险沿着车道进行扩散的示意图。距离盲区的距离越近，交通参与者的速度越快，盲区风险就越大，同时，各个交通参与者的风险始终限制在各自的车道中。

以下是在单个盲区栅格的单个潜在交通参与者类别和车道组合的影响下，计算各栅格中的潜在碰撞风险的举例：

（1）根据交通法规，获取该组合中的潜在交通参与者在车道上的最大行驶速度；

（2）遍历M中所有栅格，当栅格所属车道和该组合中的车道相同时，则标记为受影响栅格；

（3）遍历步骤（2）中的受影响栅格，计算每个受影响栅格和该组合中的潜在交通参与者在车道中的横纵向距离，当此距离大于安全距离阈值时，潜在碰撞风险为0，否则进入步骤（4）；

（4）选取一个函数，将受影响栅格和潜在交通参与者在车道中的横纵向距离输入函数并映射为该受影响栅格的潜在碰撞风险的大小。碰撞风险随着距离的增大而减小或保持不变。另外，将潜在交通参与者的类别和速度作为映射关系的权重，速度越快或者交通参与者在碰撞事故中的防护能力越弱，碰撞风险越大。

需要说明的是，上述函数可以选择数学中常用的负相关函数，也可以是其他函数。如选取一个负相关函数，将受影响栅格和潜在交通参与者在车道中的横纵向距离作为函数的自变量，将潜在交通参与者类别和速度作为函数的权重，代入到该负相关函数中，即可计算得到该受影响栅格的潜在碰撞风险。

值得注意的是，满足负相关要求的数学函数并不唯一，数学领域中常用的有开口向下的二次或四次多项式函数、高斯函数等，均可满足负相关的要求。下面以多项式函数中的二次函数为例，来说明一下盲区风险的计算过程。

首先，盲区栅格i，对同一车道内的栅格j，所造成的潜在碰撞风险R_{i_j}计算如下：

其中，R_{i_j_s}表示盲区栅格i对栅格j在Frent纵向坐标轴方向上造成的风险，R_{i_j_d}表示盲区栅格i对栅格j在Frent横向坐标轴方向上造成的风险，min表示取最小值。

R_{i_j_s}计算如下：

其中，k_{p_s}是潜在交通参与者类别在纵向上的风险权重，交通参与者的碰撞防护能力越弱，他在碰撞中受到的伤害就越大，风险权重就越高。v_{l_p}是潜在交通参与者在地图上的限定速度，s_{i_j}表示盲区栅格i和栅格j在Frent坐标系下所计算出来的纵向上的距离，s_max表示纵向安全距离阈值，当自动驾驶车辆和潜在交通参与者的纵向距离大于此阈值时，车辆和此交通参与者无碰撞风险。

R_{i_j_d}计算如下：

其中，d_{i_j}表示盲区栅格i和栅格j在Frent坐标系下横向上的距离，d_th和交通参与者的宽度有关，通常设置为交通参与者宽度的一半，d_max表示横向安全距离阈值，超过此距离后，风险为0，k_{p_d}是潜在交通参与者类别在横向风险上的权重。

以下是针对本发明列举的一个盲区风险区检测的实施例。

如图9a所示，自动驾驶车辆行驶在右侧的直行车道中，道路右侧种植了一些绿植，这些绿植遮住了自动驾驶车辆传感器的部分视野。在自动驾驶车辆的右前方存在一个地下车库的出口，此时车库出口的车道上恰好存在一辆乘用车正在向前行驶，并准备在出口处右转。

基于上述输入数据，测试本发明中的盲区风险区检测方法。根据传感器观测视野可知，车库前方的栅格处于较大的盲区范围内，即观测状态O为不可观测，且栅格在高精度地图上所属的车道为地下车库出口的机动车道，车道上潜在的交通参与者类别的集合P包括轿车、摩托车。根据高精度地图上的限速信息可推测潜在交通参与者的速度大约为1m/s。

由于在同等强度的碰撞事故中，摩托车驾驶员比轿车驾驶员更容易受到严重伤害，因此，设置轿车和摩托车在纵向上的风险权重分别为500和1000。设置纵向安全距离阈值为10m，即，栅格和潜在交通参与者的纵向距离超过此阈值后，潜在碰撞风险降低为0。对于车库出口前方的每个栅格，选用二次多项式函数，将栅格和潜在交通参与者的纵向距离映射为栅格区域的潜在碰撞风险后，可得到所有栅格的纵向潜在碰撞风险，如图10a中的曲线所示。

图10a中的点A-轿车和点A-摩托车恰好对应着图9a中的点A，该点和车库前方盲区的纵向距离约2m。由图可知，如果车库前方的盲区中潜在的交通参与者是轿车，那么点A处的盲区风险大小为32000，如果车库前方的盲区中潜在交通参与者是摩托车，那么点A处的盲区风险大小为64000。当纵向距离相同时，摩托车的风险度要比轿车高，这是因为，同样速度的碰撞下，摩托车驾驶员的受伤程度往往比轿车要高。图10a中，当纵向距离逐渐增大时，盲区风险逐渐减小，说明：在车库出口车道上，和盲区距离越近的区域，风险越大，和盲区距离越远的区域，风险越小。

当固定Frent坐标系下的纵向距离为3m，设置轿车和摩托车的横向安全距离阈值分别为1m和为3m时，计算出车库出口前方所有栅格区域的横向潜在碰撞风险如图10b所示。由图可知，自动驾驶车辆和盲区潜在交通参与者的横向距离小于安全距离阈值时，风险最大，当横向距离逐渐增大时，风险慢慢减小到0。

最后，在综合所有盲区所造成的潜在碰撞风险后，即可得到自动驾驶车辆的盲区风险区的检测结果。如图9b所示，对当前的自动驾驶车辆而言，盲区风险主要集中在车库前方的阴影区域中，这说明自动驾驶车辆在经过阴影区域前，需要减速慢性，防范和潜在的交通参与者发生碰撞。

通过上述实施例不难发现，如果自动驾驶车辆使用了本实施例中的盲区风险区检测方法，那么，当自动驾驶车辆遇到图9a中的路况时，本方法将会判断出车辆前方区域存在潜在碰撞风险，降低车速，谨慎通过；反之，若自动驾驶车辆忽略了地库出口处的盲区风险，则会显著增加和潜在交通参与者的碰撞风险。

上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于本发明的保护范围之内。

Claims (6)

1.一种用于自动驾驶的盲区风险区检测方法，其特征在于包括：

1）以自动驾驶车辆为中心，建立栅格地图，并对栅格信息进行初始化；

2）计算栅格地图中每个栅格的观测状态，确定盲区栅格；

3）计算栅格地图中每个栅格所属车道的集合；

4）计算栅格地图中以盲区栅格为中心的盲区邻域面积；

5）根据所属车道集合、观测状态和盲区邻域面积的历史信息，计算以盲区栅格为中心的潜在交通参与者类别的集合；

6）遍历盲区栅格，针对每个盲区栅格中的每个车道集合中元素和潜在交通参与者类别集合中元素的组合，分别计算其对所有栅格造成的潜在碰撞风险，得到盲区风险区。

2.如权利要求1所述的用于自动驾驶的盲区风险区检测方法，其特征在于，所述计算栅格地图中每个栅格的观测状态，确定盲区栅格包括如下方法：

1）将每个栅格所在的竖直空间区域划分为若干个立方体，计算传感器的观测视野范围，标记每一个位于视野内的立方体；

2）如果某个立方体被标记为不可观测或未被标记为可观测，表明该栅格属于盲区栅格。

3.如权利要求1所述的用于自动驾驶的盲区风险区检测方法，其特征在于，所述计算栅格地图中每个栅格所属的车道集合包括如下步骤：获取栅格在栅格地图中的局部坐标，根据定位系统提供的定位信息，将局部坐标转移到高精度地图的全局坐标系中；在高精度地图的所有车道中，获取到和此栅格坐标的距离最接近的车道集合。

4.如权利要求1所述的用于自动驾驶的盲区风险区检测方法，其特征在于，所述计算栅格地图中盲区栅格的盲区邻域面积包括如下步骤：

1）根据道路交通法规和栅格所属车道的集合，得到可以合法地在该栅格中运动的合法交通参与者类别集合；

2）对合法交通参与者类别集合中的每个元素，假设该元素出现在以盲区栅格为中心的位置，如果此时该元素所覆盖的区域均为盲区栅格，则记录此元素的投影面积；

3）统计投影面积记录结果，将所记录的投影面积中的最大值记为盲区栅格的盲区邻域面积。

5.如权利要求1所述的用于自动驾驶的盲区风险区检测方法，其特征在于，所述计算盲区栅格的潜在交通参与者类别的集合包括如下步骤：

1）根据观测状态的历史信息判断该盲区栅格的盲区状态维持时长，当盲区状态的维持时长大于时间差值的阈值时，说明该盲区栅格存在潜在的交通参与者；

2）根据该盲区栅格所属车道的集合，得到可以合法地在该栅格中运动的合法交通参与者类别集合；

3）在盲区邻域面积历史信息中取出在时间差值阈值内的最小值，在合法交通参与者类别集合中过滤掉投影面积超过此最小值的元素，得到潜在交通参与者类别的集合。

6.如权利要求1所述的用于自动驾驶的盲区风险区检测方法，其特征在于，所述遍历盲区栅格，对于每个盲区栅格中的每个车道集合中元素和潜在交通参与者类别集中元素的组合，分别计算其对所有栅格造成的潜在碰撞风险，得到盲区风险区，包括如下步骤：

1）遍历栅格地图中的每一个盲区栅格，枚举车道集合中元素和潜在交通参与者类别集合中元素的每一种车道和潜在交通参与者的组合；

2）对于每一种车道和潜在交通参与者的组合，计算该组合对所有栅格造成的潜在碰撞风险；

3）栅格地图中所有存在潜在碰撞风险的栅格区域即为车辆的盲区风险区。

Images