CN115482687B - 用于车辆变道风险评估的方法、装置、设备和介质 - Google Patents

Abstract

本公开的实施例涉及用于车辆变道风险评估的方法、装置、设备和介质。该方法包括：将目标车道上至少一个邻近车辆相对于自车的相对速度和时距进行模糊操作，以得到与相对速度相关联的第一类型模糊语言和第一隶属度以及与时距相关联的第二类型模糊语言和第二隶属度；基于第一类型模糊语言和第二类型模糊语言，确定与至少一个邻近车辆的危险度相关联的目标类型模糊语言；基于目标类型模糊语言、第一隶属度和第二隶属度，确定与目标类型模糊语言中的每个模糊语言相关联的第三隶属度；以及对目标类型模糊语言进行解模糊，以基于第三隶属度得到至少一个邻近车辆的危险度量化值。以此方式，能够在变道过程中实时监控目标车道的危险程度，进行变道博弈。

Description

用于车辆变道风险评估的方法、装置、设备和介质

技术领域

本公开一般地涉及自动驾驶技术领域，特别地涉及用于车辆变道风险评估的方法、装置、电子设备和计算机可读存储介质。

背景技术

随着自动驾驶功能(如L2)的普及，单车道内的辅助驾驶功能已经非常成熟，自动变道功能已经越来越被期望。要实现自动变道以及更高级别的功能，需要更强大的环境感知能力和自车决策能力。

部分自动驾驶车辆(如L4)提供了对环境强大的感知监测能力，但是需要高精度地图、激光雷达以及算力强大的CPU，不适合现阶段量产车载传感器和控制器。一些车辆传感器配置(如1V5R)可以在成本较低的前提下实现变道功能并保证安全性。决策规划是自动变道的核心模块，变道风险评估又是传感与决策之间不可缺少的一环。

现有对变道风险的评估采用划分危险区域的方式进行，单纯的划分危险区域易出现目标进出危险区域的跳变和不连续性。而且，车辆变道风险影响因素难以用数学表达式精确地描述。

发明内容

本公开的示例实施例提供了一种用于车辆变道风险评估的方法、装置、电子设备、计算机可读存储介质和计算机程序产品，以至少部分地解决现有技术中存在的问题。

在本公开的第一方面中，提供了一种用于自动驾驶的方法。该方法包括：将目标车道上至少一个邻近车辆相对于自车的相对速度和时距进行模糊操作，以得到与相对速度相关联的第一类型模糊语言和第一隶属度以及与时距相关联的第二类型模糊语言和第二隶属度；基于第一类型模糊语言和第二类型模糊语言，确定与至少一个邻近车辆的危险度相关联的目标类型模糊语言；基于目标类型模糊语言、第一隶属度和第二隶属度，确定与目标类型模糊语言中的每个模糊语言相关联的第三隶属度；以及对目标类型模糊语言进行解模糊，以基于第三隶属度得到至少一个邻近车辆的危险度量化值。

根据本公开的各个实施例采用连续变化的时距描述车与车之间的距离关系，有利于高效简洁的判断风险，符合驾驶习惯；对交通参与者的运动学参数进行模糊化，并用模糊逻辑模仿人脑的不确定性概念判断、推理思维方式，使得变道风险评估简洁高效且符合人类驾驶习惯，提高整个系统的行驶效率和驾驶体验；对模糊语言进行解模糊从而量化变道危险度，提升决策规划算法的可拓展性，显著提升适用场景；量化危险度能够帮助车辆根据不同的策略(例如激进、保守)，设置能够变道的危险度阈值，并在变道过程中实时监控目标车道的危险程度，进行变道博弈。

在一些实施例中，第一类型模糊语言的取值包括：减速、保持和加速；第二类型模糊语言的取值包括：无风险和有风险；以及目标类型模糊语言的取值包括：安全、中性和危险。

在一些实施例中，将目标车道上至少一个邻近车辆相对于自车的相对速度和时距进行模糊操作，以得到与相对速度相关联的第一类型模糊语言和第一隶属度以及与时距相关联的第二类型模糊语言和第二隶属度还包括：基于真实环境驾驶经验或实车测试经验确定相对速度隶属度函数和时距隶属度函数；基于相对速度和相对速度隶属度函数，得到第一类型模糊语言和第一隶属度；以及基于时距和时距隶属度函数，得到第二类型模糊语言和第二隶属度。在这样的实施例中，能够将相对速度和时距以真实驾驶经验拟人模糊化，用模糊逻辑模仿人脑的不确定性概念判断、推理思维方式，符合人类驾驶习惯。

在一些实施例中，基于第一类型模糊语言和第二类型模糊语言，确定与至少一个邻近车辆的危险度相关联的目标类型模糊语言包括：通过模仿真实环境驾驶员对车辆变道的风险评估，预先定义模糊规则；以及基于预先定义的模糊规则，确定目标类型模糊语言的取值。在这样的实施例中，将相对速度和时距的拟人化模糊取值进一步模糊化，得到基于真实驾驶员对变道风险评估过程的更直观的模糊语言取值。

在一些实施例中，基于目标类型模糊语言、第一隶属度和第二隶属度，确定与目标类型模糊语言中的每个模糊语言相关联的第三隶属度包括：确定目标类型模糊语言中的特定模糊语言相对应的第一隶属度的第一取值以及第二隶属度的第二取值；以及将第一取值和第二取值进行数学运算，以得到针对特定模糊语言的第三隶属度。在这样的实施例中，能够确定目标类型模糊语言的各个取值的隶属度，以用于后续解模糊的危险度量化计算。

在一些实施例中，对目标类型模糊语言进行解模糊，以基于第三隶属度得到至少一个邻近车辆的危险度量化值包括：预先定义与目标类型模糊语言相关联的第三隶属度的隶属度函数；基于第三隶属度，在隶属度函数中确定目标类型模糊语言中的每个模糊语言相对应的危险度；以及对危险度依照第三隶属度中与其对应的隶属度进行加权平均，以得到至少一个邻近车辆的危险度量化值。在这样的实施例中，能够以运算量较少的方式准确量化危险度，拓展该方法的适用场景，并且能够在变道过程中实时监控目标车道的危险程度，进行变道博弈。

在一些实施例中，至少一个邻近车辆的数目为2个，并且分别位于自车的前方和后方。

在本公开的第二方面中，提供了一种用于车辆变道风险评估的装置。该装置包括：模糊操作模块，被配置为将目标车道上至少一个邻近车辆相对于自车的相对速度和时距模糊操作，以得到与相对速度相关联的第一类型模糊语言和第一隶属度以及与时距相关联的第二类型模糊语言和第二隶属度；目标类型模糊语言确定模块，被配置为基于第一类型模糊语言和第二类型模糊语言，确定与至少一个邻近车辆的危险度相关联的目标类型模糊语言；第三隶属度确定模块，被配置为基于目标类型模糊语言、第一隶属度和第二隶属度，确定与目标类型模糊语言中的每个模糊语言相关联的第三隶属度；以及解模糊模块，被配置为对目标类型模糊语言进行解模糊，以基于第三隶属度得到至少一个邻近车辆的危险度量化值。

在一些实施例中，第一类型模糊语言的取值包括：减速、保持和加速；第二类型模糊语言的取值包括：无风险和有风险；以及目标类型模糊语言的取值包括：安全、中性和危险。

在一些实施例中，模糊操作模块还被配置为基于真实环境驾驶经验或实车测试经验确定相对速度隶属度函数和时距隶属度函数；基于相对速度和相对速度隶属度函数，得到第一类型模糊语言和第一隶属度；以及基于时距和时距隶属度函数，得到第二类型模糊语言和第二隶属度。

在一些实施例中，目标类型模糊语言确定模块还被配置为：通过模仿真实环境驾驶员对车辆变道的风险评估，预先定义模糊规则；以及基于预先定义的模糊规则，确定目标类型模糊语言的取值。

在一些实施例中，第三隶属度确定模块还被配置为：确定目标类型模糊语言中的特定模糊语言相对应的第一隶属度的第一取值以及第二隶属度的第二取值；以及将第一取值和第二取值进行数学运算，以得到针对特定模糊语言的第三隶属度。

在一些实施例中，解模糊模块还被配置为：预先定义与目标类型模糊语言相关联的第三隶属度的隶属度函数；基于第三隶属度，在隶属度函数中确定目标类型模糊语言中的每个模糊语言相对应的危险度；以及对危险度依照第三隶属度中与其对应的隶属度进行加权平均，以得到至少一个邻近车辆的危险度量化值。

在一些实施例中，至少一个邻近车辆的数目为2个，并且分别位于自车的前方和后方。

在本公开的第三方面中，提供了一种电子设备，包括一个或多个处理器；以及存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现根据本公开的第一方面的方法。

在本公开的第四方面中，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。

在本公开的第五方面中，提供了一种计算机程序产品，包括计算机程序指令，该计算机程序指令被处理器实现根据本公开的第一方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素。附图用于更好地理解本方案，不构成对本公开的限定，其中：

图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图；

图2示出了根据本公开的一些实施例的用于车辆变道风险评估的过程的示例流程图；

图3示出了根据本公开的一些实施例的与相对速度相关联的隶属度函数示意图；

图4示出了根据本公开的一些实施例的与时距相关联的隶属度函数示意图；

图5示出了根据本公开的一些实施例的与目标类型模糊语言相关联的隶属度函数示意图；

图6示出了根据本公开的实施例的用于车辆变道风险评估的装置的示意框图；以及

图7示出了能够实施本公开的多个实施例的计算设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

在本公开的实施例的描述中，术语“第一类型模糊语言”、“第二类型模糊语言”以及“目标类型模糊语言”也可以等同地理解为“第一类型模糊语言的取值”、“第二类型模糊语言的取值”以及“目标类型模糊语言的取值”，也就是说，“第一类型模糊语言”、“第二类型模糊语言”以及“目标类型模糊语言”是对应的模糊语言的取值的集合；术语“第一隶属度”、“第二隶属度”以及“第三隶属度”也可以等同地理解为“第一隶属度的取值”、“第二隶属度的取值”以及“第三隶属度的取值”，也就是说，“第一隶属度”、“第二隶属度”以及“第三隶属度”是对应隶属度取值的集合；术语“变道”也可以等同地理解为“换道”、“改道”等。

如以上提及的，现有对变道风险的评估采用划分危险区域的方式进行，单纯的划分危险区域易出现目标进出危险区域的跳变和不连续性。而且，车辆变道风险影响因素难以用数学表达式精确地描述。

本公开提出一种用于车辆变道风险评估的方案，采用时距描述车与车之间的距离关系，时距是正常车流中驾驶员跟车行驶的重要指标，利于高效简洁的判断风险，符合驾驶员驾驶习惯，计算时距所用的距离和速度是连续变化的，所以时距也是连续变化的；对交通参与者的运动学参数进行模糊化，并用模糊逻辑模仿人脑的不确定性概念判断、推理思维方式；模糊语言被解模糊进行量化描述，以变道危险度为输出，便于决策规划算法的可扩展，覆盖更多场景。

下文将结合附图来更详细讨论本公开的实施例。

首先参见图1，其示例性地示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。应当理解，仅出于示例性的目的描述环境100的结构和功能，而不暗示对于本公开的范围的任何限制。本公开的实施例还可以被应用到具有不同的结构和/或功能的环境中。

环境100总体上可以包括自车101、前车103和后车105，自车101、前车103和后车105同向向右行驶。其中，前车103和后车105在目标车道上，自车101在与目标车道相邻的车道上行驶，该相邻车道也可以被称为源车道。在该实施例中，自车101期望从源车道向目标车道变道。

需要说明，尽管如图1中所示前车103和后车105所在的目标车道在自车101所在的源车道的左侧，但是在某些靠右行驶优先的交通规则里，前车103和后车105所在的目标车道也可以在自车101所在的源车道的右侧，本公开对此不做限制。还需要说明，环境100中虽然总体上包括自车101、前车103和后车105，但在某些特定环境下，前车103和后车105中的一者可以是不存在的。也就是说，本方案也可以适用于仅存在前车103或仅存在后车105的变道风险评估的过程，本公开对此不做限制。

在图1以及本文的其他附图和描述中，自车101、前车103和后车105被图示为车辆。车辆可以是机动车辆或非机动车辆，其示例包括但不限于小汽车、轿车、卡车、公交车、电动车、摩托车、自行车，等等。然而，应当理解，车辆仅仅是交通工具的一个示例。本公开的实施例同样适用于除车辆之外的其他交通工具，诸如船、火车、飞机等等。

继续参考图1，为了实现向目标车道变道，自车101可以包括计算设备110，计算设备110被配置为实现本公开的实施例的用于车辆变道风险评估的方案。计算设备110可以是具有计算能力的任何设备。在一些实施例中，计算设备110可以是自车101的车载计算设备，也可以是能够控制自车101的远程计算设备，或者可以是部分设置在自车101上部分设置在远程的组件的集合或其他任何能够实现计算并控制自车101的合适的设备，本公开对此不做限制。在根据本公开的实施例中，自车101通过计算设备110的计算，对变道至目标车道进行风险评估，在危险度可以接收的情况下，计算设备110可以直接控制自车101或者向自车101的控制系统发送控制信号，使得自车101安全地驶入前车103和后车105之间。应当理解，前车103和后车105可以是与自车101邻近的前车和后车。

图2示出了根据本公开的一些实施例的用于车辆变道风险评估的过程200的示例流程图。在一些实施例中，过程200例如可以在图1所示的计算设备110来实现。以下将结合图1来详细描述过程200。在一些实施例中，以计算设备110实现过程200为例进行说明。

应当理解，过程200还可以包括未示出的框和/或可以省略所示出的框。本公开的范围在此方面不受限制。

在框210，将目标车道上至少一个邻近车辆相对于自车的相对速度和时距进行模糊操作，以得到与相对速度相关联的第一类型模糊语言和第一隶属度以及与时距相关联的第二类型模糊语言和第二隶属度。

在一些实施例中，参照图1，至少一个邻近车辆可以是前车103和后车105两辆车，前车103和后车105在变道之前分别位于自车101的前方和后方。此处前方和后方可以指与自车101的源车道存在一定角度的前方和后方，即侧前方和侧后方。在自车101变道至目标车道之后，前车103和后车105则分别至目标车道的正前方和正后方。

在一些实施例中，继续参照图1，至少一个邻近车辆相对于自车101的相对速度和时距可以通过设置在自车101的感知单元或感测单元来获得。感知单元例如可以是设置在自车101上的摄像头和雷达等，用于获取自车101周围车辆的位置信息、速度信息以及车道上的车辆标线信息。这些信息可以被传递至计算设备110用于后续的处理和决策。在一些实施例中，计算设备110还可以通过车身单元获得驾驶员请求、自车101的车速等参数信息，以备后续处理的决策。

在一个实施例中，参照图1，计算设备110可以对车辆变道过程进行建模，可以抽象出变道风险评估的输入变量。例如在感测到前车103相对于自车101的相对速度RelSpeed_f以及自车101和前车103的距离s_f后，可以通过如下等式得到自车101与前车103的时距

gap_f＝s_f/v_ego (等式1)

其中v_ego为自车101的速度。

类似地，在感测到后车105相对于自车101的相对速度RelSpeed_r以及自车101和后车105的距离s_r后，可以通过如下等式得到自车101与后车105的时距

gap_r＝s_r/v_r (等式2)

其中v_r为后车105的速度。

在一些实施例中，参照图1，在获取前车103相对于自车101的相对速度和时距、以及后车105相对于自车101的相对速度和时距之后，可以将相对速度和时距这些具体值进行模糊化，生成拟人化语言。在一个实施例中，例如，前车103相对于自车101的相对速度Relspeed_f、以及后车105相对于自车101的相对速度RelSpeed_r可以分别模糊化为“减速”、“保持”和“加速”，也就是“第一类型模糊语言”，“减速”、“保持”和“加速”则为“第一类型模糊语言”的相应取值。相应地，第一隶属度则可以为前车103相对于自车101的相对速度、以及后车105相对于自车101的相对速度隶属于“减速”、“保持”和“加速”的取值。也就是说，第一隶属度可以是“第一类型模糊语言”的取值的隶属度集合。在该实施例中，第一隶属度包括6组数据，分别为前车103相对于自车101的相对速度RelSpeed_f分别隶属于“减速”、“保持”和“加速”的3组数据、以及后车105相对于自车101的相对速度RelSpeed_r分别隶属于“减速”、“保持”和“加速”的3组数据。

在一些实施例中，前车103相对于自车101的时距gap_f、以及后车105相对于自车101的时距gap_r可以分别模糊化为“有风险”和“无风险”，也就是“第二类型模糊语言”，“有风险”和“无风险”则为“第二类型模糊语言”的相应取值。相应地，第二隶属度则可以为前车103相对于自车101的时距gap_f、以及后车105相对于自车101的时距gap_r隶属于“有风险”，和“无风险”的取值。也就是说，第二隶属度可以是“第二类型模糊语言”的取值的隶属度集合。在该实施例中，第二隶属度包括4组数据，分别为前车103相对于自车101的时距gap_f分别隶属于“有风险”和“无风险”的2组数据、以及后车105相对于自车101的时距gap_r分别隶属于“有风险”和“无风险”的2组数据。

需要说明，在该实施例中，前车103相对于自车101的相对速度以及后车105相对于自车101的相对速度均被模糊化为“第一类型模糊语言”的同集合的取值“减速”、“保持”和“加速”，以减少计算量，提升计算效率和响应速率，但这仅仅是示意性的，在特定交通环境下，前车103相对于自车101的相对速度以及后车105相对于自车101的相对速度还可以被模糊化为不同的取值，例如前车103相对于自车101的相对速度被模糊化为“减速”、“保持”和“加速”，而后车105相对于自车101的相对速度被模糊化为“减速”和“加速”，本公开对此不做限制。这是因为，对于不同的交通环境，前车103和后车105的相对速度变化规律是不同的。为了便于阐述，在本公开接下来的附图和实施例中，将以前车103相对于自车101的相对速度以及后车105相对于自车101的相对速度均被模糊化为“减速”、“保持”和“加速”的取值进行介绍。

还需要说明，前车103相对于自车101的时距以及后车105相对于自车101的时距均被模糊化为“第二类型模糊语言”的同集合的取值“有风险”和“无风险”，以减少计算量，提升计算效率和响应速率，但这仅仅是示意性的，在特定交通环境下，前车103相对于自车101的时距以及后车105相对于自车101的时距还可以被模糊化为不同的取值，例如前车103相对于自车101的时距被模糊化为“有风险”和“无风险”，而后车105相对于自车101的时距被模糊化为更为细分的等级，本公开对此不做限制。这是因为，对于不同的交通环境，前车103和后车105的时距变化规律是不同的，后车的时距往往需要更为细分的模糊化，以提升安全裕度。为了便于阐述，在本公开接下来的附图和实施例中，将以前车103相对于自车101的时距以及后车105相对于自车101的时距均被模糊化为“有风险”和“无风险”的取值进行介绍。

在一个实施例中，可以基于真实环境驾驶经验或实车测试经验确定相对速度隶属度函数和时距隶属度函数，继而基于相对速度和相对速度隶属度函数，得到第一类型模糊语言和第一隶属度，并且基于时距和时距隶属度函数，得到第二类型模糊语言和第二隶属度。

图3示出了根据本公开一些实施例的以前车103为例的与相对速度相关联的隶属度函数示意图，其中3a示出了“减速”的隶属度，3b示出了“保持”的隶属度并且3c示出了“加速”的隶属度。在一个实施例中，后车的隶属度函数可以与前车的隶属度函数一致。

在一个实施例中，参照图3，真实环境驾驶经验或实车测试经验函数的各参数取值和处理方式如下：

s1＝0.1m/s，s2＝-2m/s，即前车的相对速度大于0.1m/s不属于减速，小于-2m/s完全属于减速；

s5＝0.2m/s，s6＝-0.2m/s，s3＝0.5m/s，s4＝-0.5m/s，即前车的相对速度介于[-0.2m/s，0.2m/s]完全属于保持，小于-0.5m/s或大于0.5m/s不属于保持；

s8＝-0.1m/s，s7＝2m/s，即前车的相对速度小于-0.1m/s不属于加速，大于2m/s完全属于加速。

由此，可以得到前车103所对应的第一类型模糊语言和相应模糊语言取值的第一隶属度。同样的，可以得到后车105“减速”、“保持”、“加速”及其隶属度，其中在模糊化过程中各参数的取值与前车一致。

图4示出了根据本公开一些实施例的以前车103为例的与时距相关联的隶属度函数示意图，其中4a示出了“无风险”的隶属度，4b示出了“有风险”的隶属度。

在一个实施例中，参照图4，真实环境驾驶经验或实车测试经验函数的各参数取值和处理方式如下：

g1＝0.8s，g2＝2s，即前车的时距大于2s认为完全属于无风险，小于0.8s不属于无风险；

g3＝0.5s，g4＝1.5s，即前车的时距大于1.5s认为不属于有风险，小于0.5s完全属于有风险。

同样的，可以得到后车105“无风险”、“有风险”及其隶属度，其中在模糊化过程中各参数的取值与前车一致。

至此，可以得到前车“减速”的第一隶属度Lf_break、前车“保持”的第一隶属度Lf_keep、前车“加速”的第一隶属度Lf_acc、前车“无风险”的第二隶属度Lf_safe、前车“有风险”的第二隶属度Lf_danger；后车“减速”的第一隶属度Lr_break、后车“保持”的第一隶属度Lr_keep、后车“加速”的第一隶属度Lr_acc、后车“无风险”的第二隶属度Lr_safe、后车“有风险”的第二隶属度Lr_danger。

在框220，基于第一类型模糊语言和第二类型模糊语言，确定与至少一个邻近车辆的危险度相关联的目标类型模糊语言。在一些实施例中，目标类型模糊语言的取值可以包括“安全”、“中性”和“危险”。

在一些实施例中，可以通过模仿真实环境驾驶员对车辆变道的风险评估，预先定义模糊规则，并且基于预先定义的该模糊规则，确定目标类型模糊语言的取值。

在图1所示的实施例中，通过模仿真实环境驾驶员对车辆变道的风险评估，可以示例性地预先定义出表1和表2所示的12条模糊规则。

表1：前车的危险度评估规则

表2：后车的危险度评估规则

在该实施例中，参考表1，以前车103为例，当相对速度的模糊化取值为“减速”、并且时距的模糊化取值为“无风险”时，目标类型模糊语言的模糊语言取值为“中性”；当相对速度的模糊化取值为“减速”、并且时距的模糊化取值为“有风险”时，目标类型模糊语言的模糊语言取值为“危险”。以此类推，可以基于前车的危险度评估规则得到6个目标类型模糊语言的模糊语言取值，其中包括3个“中性”、2个“安全”以及1个“危险”。

在该实施例中，参考表2，以后车105为例，当相对速度的模糊化取值为“减速”、并且时距的模糊化取值为“无风险”时，目标类型模糊语言的模糊语言取值为“安全”；当相对速度的模糊化取值为“加速”、并且时距的模糊化取值为“有风险”时，目标类型模糊语言的模糊语言取值为“危险”。以此类推，可以基于后车的危险度评估规则得到6个目标类型模糊语言的模糊语言取值，其中包括1个“中性”、2个“安全”以及3个“危险”。

由此，可以基于第一类型模糊语言和第二类型模糊语言，确定与至少一个邻近车辆的危险度相关联的目标类型模糊语言。该目标类型模糊语言被进一步拟人化。

在框230，基于目标类型模糊语言、第一隶属度和第二隶属度，确定与目标类型模糊语言中的每个模糊语言相关联的第三隶属度。

在图1所示的实施例中，如前所述，目标类型模糊语言的取值可以包括“安全”、“中性”和“危险”3个取值。在这3个取值中，“安全”、“中性”和“危险”可以分别对应多个场景。例如，在一个实施例中，结合表1和表2，“安全”可以分别对应于a1：“前车保持+无风险”、a2：“前车加速+无风险”、a3：“后车减速+无风险”、a4：“后车保持+无风险”；“中性”可以对应于b1：“前车减速+无风险”、b2：“前车保持+有风险”、b3：“前车加速+有风险”、b4：“后车减速+有风险”；“危险”可以分别对应于c1：“前车减速+有风险”、c2：“后车保持+有风险”、c3：“后车加速+无风险”、c4：“后车加速+有风险”。上述a1至a4、b1至b4以及c1至c4尽管取值相同，但每种情形均可以视为单独的一条模糊语言。也就是说，在该实施例中，目标类型模糊语言只有3个取值，但一共存在12条模糊语言。

在一些实施例中，可以确定目标类型模糊语言中的特定模糊语言相对应的第一隶属度的第一取值以及第二隶属度的第二取值，并且将第一取值和第二取值进行数学运算，以得到针对特定模糊语言的第三隶属度。

在一些实施例中，可以依据第一隶属度和第二隶属度的相应取值进行乘法运算，得到特定模糊语言的隶属度。例如，依据无风险且减速则危险度为中性这条规则，通过将对应的第一隶属度和第二隶属度相乘得到上文提及的12条模糊语言中的一个中性隶属度。具体地，可以通过如下方式来计算：

Ln1＝Lf_safe×Lf_break (等式3)

其中，Ln1为前车的中性隶属度，并且如前所述Lf_safe、Lf_break分别为前车为“安全”的第二隶属度以及前车为“减速”的第一隶属度。

以此类推，对12条模糊语言分别采用类似的方式进行计算，则可以得到前车三个中性的和后车一个中性的隶属度Ln1_f、Ln2_f、Ln3_f、Ln1_r、前车两个安全和后车两个安全的隶属度Ls1_f、Ls2_f、Ls1_r、Ls2_r以及前车一个危险和后车三个危险的隶属度Ld1_f、Ld1_r、Ld2_r、Ld3_r。以上所确定的隶属度即第三隶属度，也就是说，第三隶属度可以是各个规则所对应的隶属度的集合。

在框240，对目标类型模糊语言进行解模糊，以基于第三隶属度得到至少一个邻近车辆的危险度量化值。在上述实施例中，例如，可以根据以上的12条模糊规则，利用重心法解模糊后可以得到每条规则输出的危险度的量化值。

在一些实施例中，可以预先定义与目标类型模糊语言相关联的第三隶属度的隶属度函数，并且基于第三隶属度，在隶属度函数中确定目标类型模糊语言中的每个模糊语言相对应的危险度；以及对危险度依照第三隶属度中与其对应的隶属度进行加权平均，以得到至少一个邻近车辆的危险度量化值。

图5示出了根据本公开的一些实施例的与目标类型模糊语言相关联的隶属度函数示意图，其中5a示出了“安全”的隶属度，5b示出了“中性”的隶属度并且5c示出了“危险”的隶属度。

在一些实施例中，参照图5，在预定义的隶属度函数基础上，由于前车三个中性的和后车一个中性的隶属度Ln1_f、Ln2_f、Ln3_f、Ln1_r、前车两个安全和后车两个安全的隶属度Ls1_f、Ls2_f、Ls1_r、Ls2_r以及前车一个危险和后车三个危险的隶属度Ld1_f、Ld1_r、Ld2_r、Ld3_r均是已知的，因此可以基于隶属度函数得到其对应的危险度。例如，可以将前车三个中性的和后车一个中性的隶属度Ln1_f、Ln2_f、Ln3_f、Ln1_r所对应的危险度定义为Vn1_f、Vn2_f、Vn3_f、Vn1_r、将前车两个安全和后车两个安全的隶属度Ls1_f、Ls2_f、Ls1_r、Ls2_r所对应的危险度定义为Vs1_f、Vs2_f、Vs1_r、Vs2_r、将前车一个危险和后车三个危险的隶属度Ld1_f、Ld1_r、Ld2_r、Ld3_r所对应的危险度定义为Vd1_f、Vd1_r、Vd2_r、Vd3_r。至此，12条模糊规则的危险度和隶属度均被获取。

需要说明，图5所示的第三隶属度函数是为了提升变道风险评估的精度和准确度而预先定义的，并且不构成对本公开的限制，还可以采用其他合适的第三隶属度函数，只要满足变道风险评估的精度和准确度的即可。

在一些实施例中，对每条规则解模糊得出的危险度依照其隶属，可以利用如下等式进行加权平均得到前车和后车的量化危险度。

在得到前车危险度和后车危险度的量化值后，这些量化值可以发送至图1所示的计算设备110，以供决策规划使用。量化后的前车和后车危险度能够使得算设备110根据不同的策略，例如激进、保守，设置可以变道的危险度阈值，并在变道过程中实时监控目标车道的危险程度，进行变道博弈。

本公开的实施例还提供了用于实现上述方法或过程的相应装置。图6示出了根据本公开的实施例的用于车辆变道风险评估的装置600的示意框图。装置600可以被包括在或者被实现为计算设备110。

如图6所示，装置600可以包括模糊操作模块610，模糊操作模块610被配置为将目标车道上至少一个邻近车辆相对于自车的相对速度和时距模糊操作，以得到与相对速度相关联的第一类型模糊语言和第一隶属度以及与时距相关联的第二类型模糊语言和第二隶属度。装置600还可以包括目标类型模糊语言确定模块620，目标类型模糊语言确定模块620被配置为基于第一类型模糊语言和第二类型模糊语言，确定与至少一个邻近车辆的危险度相关联的目标类型模糊语言。装置600还可以包括第三隶属度确定模块630，第三隶属度确定模块630被配置为基于目标类型模糊语言、第一隶属度和第二隶属度，确定与目标类型模糊语言中的每个模糊语言相关联的第三隶属度。装置600还可以包括解模糊模块640，解模糊模块640被配置为对目标类型模糊语言进行解模糊，以基于第三隶属度得到至少一个邻近车辆的危险度量化值。

在一些实施例中，第一类型模糊语言的取值包括：减速、保持和加速；第二类型模糊语言的取值包括：无风险和有风险；以及目标类型模糊语言的取值包括：安全、中性和危险。

在一些实施例中，模糊操作模块610还被配置为基于真实环境驾驶经验或实车测试经验确定相对速度隶属度函数和时距隶属度函数；基于相对速度和相对速度隶属度函数，得到第一类型模糊语言和第一隶属度；以及基于时距和时距隶属度函数，得到第二类型模糊语言和第二隶属度。

在一些实施例中，目标类型模糊语言确定模块620还被配置为：通过模仿真实环境驾驶员对车辆变道的风险评估，预先定义模糊规则；以及基于预先定义的模糊规则，确定目标类型模糊语言的取值。

在一些实施例中，第三隶属度确定模块630还被配置为：确定目标类型模糊语言中的特定模糊语言相对应的第一隶属度的第一取值以及第二隶属度的第二取值；以及将第一取值和第二取值进行数学运算，以得到针对特定模糊语言的第三隶属度。

在一些实施例中，解模糊模块640还被配置为：预先定义与目标类型模糊语言相关联的第三隶属度的隶属度函数；基于第三隶属度，在隶属度函数中确定目标类型模糊语言中的每个模糊语言相对应的危险度；以及对危险度依照第三隶属度中与其对应的隶属度进行加权平均，以得到至少一个邻近车辆的危险度量化值。

装置600中所包括的单元可以利用各种方式来实现，包括软件、硬件、固件或其任意组合。在一些实施例中，一个或多个单元可以使用软件和/或固件来实现，例如存储在存储介质上的机器可执行指令。除了机器可执行指令之外或者作为替代，装置600中的部分或者全部单元可以至少部分地由一个或多个硬件逻辑组件来实现。作为示例而非限制，可以使用的示范类型的硬件逻辑组件包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)，等等。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备700旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备700还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如过程200。例如，在一些实施例中，过程200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM703并由计算单元701执行时，可以执行上文描述的过程200的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行过程200。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种用于车辆变道风险评估的方法，其特征在于，包括：

将目标车道上至少一个邻近车辆相对于自车的相对速度和时距进行模糊操作，以得到与所述相对速度相关联的第一类型模糊语言和第一隶属度以及与所述时距相关联的第二类型模糊语言和第二隶属度；

基于所述第一类型模糊语言和所述第二类型模糊语言，确定与至少一个所述邻近车辆的危险度相关联的目标类型模糊语言；

基于所述目标类型模糊语言、所述第一隶属度和所述第二隶属度，确定与所述目标类型模糊语言中的每个模糊语言相关联的第三隶属度；以及

对所述目标类型模糊语言进行解模糊，以基于所述第三隶属度得到至少一个所述邻近车辆的危险度量化值，以实时监控所述目标车道的危险程度。

2.根据权利要求1所述的方法，其特征在于，包括：

所述第一类型模糊语言的取值包括：减速、保持和加速；

所述第二类型模糊语言的取值包括：无风险和有风险；以及

所述目标类型模糊语言的取值包括：安全、中性和危险。

3.根据权利要求1所述的方法，其特征在于，将目标车道上至少一个邻近车辆相对于自车的相对速度和时距进行模糊操作，以得到与所述相对速度相关联的第一类型模糊语言和第一隶属度以及与所述时距相关联的第二类型模糊语言和第二隶属度还包括：

基于真实环境驾驶经验或实车测试经验确定相对速度隶属度函数和时距隶属度函数；

基于所述相对速度和所述相对速度隶属度函数，得到所述第一类型模糊语言和所述第一隶属度；以及

基于所述时距和所述时距隶属度函数，得到所述第二类型模糊语言和所述第二隶属度。

4.根据权利要求1所述的方法，其特征在于，基于所述第一类型模糊语言和所述第二类型模糊语言，确定与至少一个所述邻近车辆的危险度相关联的目标类型模糊语言包括：

通过模仿真实环境驾驶员对车辆变道的风险评估，预先定义模糊规则；以及

基于预先定义的所述模糊规则，确定所述目标类型模糊语言的取值。

5.根据权利要求1所述的方法，其特征在于，基于所述目标类型模糊语言、所述第一隶属度和所述第二隶属度，确定与所述目标类型模糊语言中的每个模糊语言相关联的第三隶属度包括：

确定所述目标类型模糊语言中的特定模糊语言相对应的所述第一隶属度的第一取值以及所述第二隶属度的第二取值；以及

将所述第一取值和所述第二取值进行数学运算，以得到针对所述特定模糊语言的所述第三隶属度。

6.根据权利要求1所述的方法，其特征在于，对所述目标类型模糊语言进行解模糊，以基于所述第三隶属度得到至少一个所述邻近车辆的危险度量化值包括：

预先定义与所述目标类型模糊语言相关联的所述第三隶属度的隶属度函数；

基于所述第三隶属度，在所述隶属度函数中确定所述目标类型模糊语言中的每个模糊语言相对应的危险度；以及

对所述危险度依照所述第三隶属度中与其对应的隶属度进行加权平均，以得到至少一个所述邻近车辆的所述危险度量化值。

7.根据权利要求1至6中任一项所述的方法，其特征在于，至少一个所述邻近车辆的数目为2个，并且分别位于所述自车的前方和后方。

8.一种用于车辆变道风险评估的装置，其特征在于，包括：

模糊操作模块，被配置为将目标车道上至少一个邻近车辆相对于自车的相对速度和时距模糊操作，以得到与所述相对速度相关联的第一类型模糊语言和第一隶属度以及与所述时距相关联的第二类型模糊语言和第二隶属度；

目标类型模糊语言确定模块，被配置为基于所述第一类型模糊语言和所述第二类型模糊语言，确定与至少一个所述邻近车辆的危险度相关联的目标类型模糊语言；

第三隶属度确定模块，被配置为基于所述目标类型模糊语言、所述第一隶属度和所述第二隶属度，确定与所述目标类型模糊语言中的每个模糊语言相关联的第三隶属度；以及

解模糊模块，被配置为对所述目标类型模糊语言进行解模糊，以基于所述第三隶属度得到至少一个所述邻近车辆的危险度量化值，以实时监控所述目标车道的危险程度。

9.一种电子设备，所述设备包括：

一个或多个处理器；以及

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据权利要求1至7中任一项所述的方法。