CN115688254A - 自动驾驶风险预测方法、装置、存储介质及电子设备 - Google Patents

Abstract

本公开涉及一种自动驾驶风险预测方法、装置、存储介质及电子设备。该方法包括：在仿真车辆按照预先设置的自动驾驶算法在仿真驾驶环境中行驶的情况下，获取该仿真车辆的仿真位置信息和仿真行驶信息，该仿真驾驶环境为根据目标路段的路段信息构建的仿真环境，该仿真车辆为根据真实车辆的车辆参数和自动驾驶算法建立的模型；将该仿真位置信息和仿真行驶信息输入预先训练的风险预测模型，得到该仿真车辆的风险预测结果。这样，无需收集大量自动驾驶车辆的行驶数据，只需要根据车辆在目标路段的行驶数据建立风险预测模型，通过该风险预测模型对仿真车辆的仿真输出数据进行分析，即可得到风险预测结果。

Description

自动驾驶风险预测方法、装置、存储介质及电子设备

技术领域

本公开涉及自动驾驶领域，具体地，涉及一种自动驾驶风险预测方法、装置、存储介质及电子设备。

背景技术

自动驾驶车辆又称为无人驾驶车辆，其能够通过传感器获取环境信息，并根据环境信息控制车辆行驶，减少了驾驶员的操作，可以减少交通违章和交通事故，提升车辆驾驶的安全性和舒适性。但是，由于自动驾驶车辆的发展时间还较短，存在一些不确定性，因此，需要在销售自动驾驶汽车之前对其安全性进行严格评估。在相关技术中，为了评估自动驾驶车辆的安全性，需要收集大量自动驾驶车辆的真实行驶数据，导致自动驾驶车辆的风险预测及安全性评估的成本高，效率低。

发明内容

本公开的目的是提供一种自动驾驶风险预测方法、装置、存储介质及电子设备，以部分地解决相关技术中存在的上述问题。

为了实现上述目的，本公开的第一方面提供了一种自动驾驶风险预测方法，所述方法包括：

在仿真车辆按照预先设置的自动驾驶算法在仿真驾驶环境中行驶的情况下，获取所述仿真车辆的仿真位置信息和仿真行驶信息，所述仿真驾驶环境为根据目标路段的路段信息构建的仿真环境，所述仿真车辆为根据真实车辆的车辆参数和所述自动驾驶算法建立的车辆仿真模型，所述路段信息包括根据所述真实车辆的行驶方向采集得到的多个角度的图像数据；

将所述仿真位置信息和所述仿真行驶信息输入预先训练的风险预测模型，得到所述仿真车辆的风险预测结果；

其中，所述风险预测模型用于将仿真车辆按照自动驾驶算法行驶的仿真行驶信息，与所述真实车辆按照驾驶员的驾驶操作行驶的真实行驶信息进行对比，以得到所述风险预测结果；所述风险预测模型为根据第一样本数据对第一预设模型进行训练后得到的模型，所述第一样本数据包括所述真实车辆按照驾驶员的驾驶操作在所述目标路段行驶过程中采集得到的数据。

可选地，所述风险预测模型用于：计算所述仿真行驶信息与所述真实行驶信息的偏离度；在所述偏离度大于或等于预设偏离度阈值的情况下，确定出现一次不安全驾驶事件；根据所述不安全驾驶事件确定所述风险预测结果。

可选地，所述风险预测模型通过以下方式预先训练得到：

采集真实车辆按照驾驶员的驾驶操作在所述目标路段行驶中产生的第一原始采样数据；

对所述第一原始采样数据进行聚类分析，得到第一样本数据；

根据所述第一样本数据对第一预设模型进行训练，得到所述风险预测模型。

可选地，所述第一原始采样数据包括所述真实车辆的真实位置信息和真实行驶信息；所述采集真实车辆按照驾驶员的操作在所述目标路段行驶中产生的原始采样数据包括：

在所述真实车辆按照驾驶员的驾驶操作在所述目标路段行驶过程中，周期性采集所述真实车辆的真实位置信息和真实行驶信息；

所述对所述原始采样数据进行聚类分析，得到第一样本数据包括：

根据所述真实位置信息，按照预设聚类算法，对所述真实行驶信息进行聚类分析，得到所述第一样本数据。

可选地，所述在仿真车辆按照预先设置的自动驾驶算法在仿真驾驶环境中行驶的情况下，获取所述仿真车辆的仿真位置信息和仿真行驶信息包括：

在仿真车辆按照预先设置的自动驾驶算法在仿真驾驶环境中行驶的情况下，周期性获取所述仿真车辆的仿真位置信息和仿真环境图像，所述仿真环境图像包括根据所述真实车辆的行驶方向采集得到的多个角度的图像数据；

将本周期的所述仿真位置信息和所述仿真环境图像输入行驶信息预测模型，得到下一周期的预测行驶信息；所述行驶信息预测模型为根据所述真实车辆按照驾驶员的操作在所述目标路段行驶过程中的真实行驶信息和真实环境图像，预先训练得到的模型；

将所述预测行驶信息输入所述自动驾驶算法，得到所述仿真车辆的仿真行驶信息。

可选地，所述行驶信息预测模型通过以下方式预先训练得到：

在所述真实车辆按照驾驶员的操作在所述目标路段行驶过程中，周期性采集所述真实车辆的真实行驶信息和真实环境图像，获取多个行驶信息预测样本数据，所述行驶信息预测样本数据包括所述真实行驶信息和所述真实环境图像的对应关系；

根据所述多个行驶信息预测样本数据，对第二预设模型进行训练后得到所述行驶信息预测模型。

可选地，所述方法还包括：

根据所述风险预测结果，获取所述真实车辆的风险等级；

在所述风险等级为预设风险等级的情况下，展示所述风险预测结果。

可选地，所述根据所述风险预测结果，获取所述真实车辆的风险等级包括：

根据所述风险预测结果，得到所述仿真车辆的风险预测分数；

根据所述风险预测分数所在的范围以及风险范围等级对应关系，确定所述风险预测分数对应的风险等级，其中，所述风险范围等级对应关系包括所述风险预测分数的范围与所述风险等级的对应关系。

第二方面，本公开提供了一种自动驾驶风险预测装置，所述装置包括：

仿真信息获取模块，用于获取仿真车辆在仿真驾驶环境中行驶的仿真位置信息和仿真行驶信息，所述仿真驾驶环境为根据目标路段的路段信息构建的仿真环境，所述仿真车辆为根据真实车辆的车辆参数和预先设置的自动驾驶算法建立的模型，所述路段信息包括根据所述真实车辆的行驶方向采集得到的多个角度的图像数据；

风险预测模块，用于将所述仿真位置信息和仿真行驶信息输入预先训练的风险预测模型，得到所述仿真车辆的风险预测结果；其中，所述风险预测模型用于将仿真车辆按照自动驾驶算法行驶的仿真行驶信息，与所述真实车辆按照驾驶员的驾驶操作行驶的真实行驶信息进行对比，以得到所述风险预测结果；所述风险预测模型为根据第一样本数据对第一预设模型进行训练后得到的模型，所述第一样本数据包括真实车辆按照驾驶员的驾驶操作在所述目标路段行驶过程中采集得到的数据。

可选地，所述风险预测模型用于：计算所述仿真行驶信息与所述真实行驶信息的偏离度；在所述偏离度大于或等于预设偏离度阈值的情况下，确定出现一次不安全驾驶事件；根据所述不安全驾驶事件确定所述风险预测结果。

可选地，所述风险预测模型通过以下方式预先训练得到：

采集真实车辆按照驾驶员的驾驶操作在所述目标路段行驶中产生的第一原始采样数据；

对所述第一原始采样数据进行聚类分析，得到第一样本数据；

根据所述第一样本数据对第一预设模型进行训练，得到所述风险预测模型。

可选地，所述第一原始采样数据包括所述真实车辆的真实位置信息和真实行驶信息；所述第一样本数据通过以下方式预先获取：在所述真实车辆按照驾驶员的驾驶操作在所述目标路段行驶过程中，周期性采集所述真实车辆的真实位置信息和真实行驶信息；根据所述真实位置信息，按照预设聚类算法，对所述真实行驶信息进行聚类分析，得到所述第一样本数据。

可选地，所述仿真信息获取模块，用于在仿真车辆按照预先设置的自动驾驶算法在仿真驾驶环境中行驶的情况下，周期性获取所述仿真车辆的仿真位置信息和仿真环境图像，所述仿真环境图像包括根据所述真实车辆的行驶方向采集得到的多个角度的图像数据；将本周期的所述仿真位置信息和所述仿真环境图像输入行驶信息预测模型，得到下一周期的预测行驶信息；所述行驶信息预测模型为根据所述真实车辆按照驾驶员的操作在所述目标路段行驶过程中的真实行驶信息和真实环境图像，预先训练得到的模型；将所述预测行驶信息输入所述自动驾驶算法，得到所述仿真车辆的仿真行驶信息。

可选地，所述行驶信息预测模型通过以下方式预先训练得到：

在所述真实车辆按照驾驶员的操作在所述目标路段行驶过程中，周期性采集所述真实车辆的真实行驶信息和真实环境图像，获取多个行驶信息预测样本数据，所述行驶信息预测样本数据包括所述真实行驶信息和所述真实环境图像的对应关系；根据所述多个行驶信息预测样本数据，对第二预设模型进行训练后得到所述行驶信息预测模型。

可选地，所述装置还包括：

风险等级获取模块，用于根据所述风险预测结果，获取所述真实车辆的风险等级；

风险预测结果展示模块，用于在所述风险等级为预设风险等级的情况下，展示所述风险预测结果。

可选地，所述风险等级获取模块，用于根据所述风险预测结果，得到所述仿真车辆的风险预测分数；根据所述风险预测分数所在的范围以及风险范围等级对应关系，确定所述风险预测分数对应的风险等级，其中，所述风险范围等级对应关系包括所述风险预测分数的范围与所述风险等级的对应关系。

第三方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面所述方法的步骤。

采用上述技术方案，在仿真车辆按照预先设置的自动驾驶算法在仿真驾驶环境中行驶的情况下，获取该仿真车辆的仿真位置信息和仿真行驶信息，该仿真驾驶环境为根据目标路段的路段信息构建的仿真环境，该仿真车辆为根据真实车辆的车辆参数和自动驾驶算法建立的模型；将该仿真位置信息和仿真行驶信息输入预先训练的风险预测模型，得到该仿真车辆的风险预测结果。这样，无需收集大量自动驾驶车辆的行驶数据，只需要根据车辆在目标路段的行驶数据建立风险预测模型，通过该风险预测模型对仿真车辆的仿真输出数据进行分析，即可得到风险预测结果，从而可以低成本的对自动驾驶车辆的安全性进行高效评估和预测；并且，由于可以对不同车辆使用相同的目标路段进行仿真，可以避免不同路段对安全性评估的影响，从而可以得到更为合理的风险预测结果，使得不同车辆之间的安全性可以进行有效对比。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是本公开实施例提供的一种自动驾驶风险预测方法的流程图；

图2是本公开实施例提供的一种风险预测模型的训练方法；

图3是本公开实施例提供的三个驾驶难度不同的目标路段的示意图；

图4是本公开实施例提供的一种风险预测模型中的真实位置信息与真实行驶信息的对应关系示意图；

图5是根据图1所示实施例示出的一种S101步骤的流程图；

图6是本公开实施例提供的一种自动驾驶风险预测装置的结构示意图；

图7是本公开实施例提供的另一种自动驾驶风险预测装置的结构示意图；

图8是本公开实施例提供的一种电子设备的框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

需要说明的是，在本公开中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序；术语“S101”、“S102”、“S201”、“S202”等用于区别步骤，而不必理解为按照特定的顺序或先后次序执行方法步骤；下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。

首先，对本公开的应用场景进行说明。本公开可以应用于自动驾驶车辆的安全评估场景中，特别是对自动驾驶风险的预测。在相关技术中，为了评估自动驾驶车辆的安全性，需要收集数百万公里，甚至数亿公里自动驾驶车辆的行驶里程所产生的数据，根据这些行驶数据对自动驾驶车辆的安全性进行评估，一方面，这对于车辆制造商来说是一项非常昂贵的成本；另一方面，由于收集的行驶数据是在随机的行驶路段上产生的，若不同车辆的行驶路段差异较大，则安全评估的结果也会有较大差异，不利于不同自动驾驶车辆之间的安全性对比。例如：A型号车辆主要在崎岖山路行驶，B型号车辆主要在城市主干道行驶，则二者发生安全事故的概率会由于行驶路段的差异而表现出不同的安全性评估结果，而该安全性评估结果无法用于对比两种型号车辆之间的安全性差异。

为了解决上述问题，本公开提供了一种自动驾驶风险预测方法、装置、存储介质及电子设备，可以在仿真车辆按照预先设置的自动驾驶算法在仿真驾驶环境中行驶的情况下，获取该仿真车辆的仿真位置信息和仿真行驶信息；并将该仿真位置信息和仿真行驶信息输入预先训练的风险预测模型，得到该仿真车辆的风险预测结果，其中该风险预测模型是根据真实车辆按照驾驶员的驾驶操作在目标路段行驶过程中采集得到的第一样本数据进行训练后得到的模型，可以对仿真车辆的仿真位置信息和仿真行驶信息进行风险预测，得到仿真车辆的形式过程与人类驾驶员的安全行驶过程相对比的风险预测结果。这样，无需收集大量自动驾驶的行驶数据，就可以低成本的高效的对自动驾驶的安全性进行评估和预测；并且，由于可以对不同车辆使用相同的目标路段进行仿真，可以避免不同路段对安全性评估的影响，从而可以得到更为合理的风险预测结果，使得不同车辆之间的安全性可以进行有效对比。

以下结合附图对本公开的具体实施方式进行详细说明。

图1是本公开实施例提供的一种自动驾驶风险预测方法的流程图，如图1所示，该方法包括：

S101、在仿真车辆按照预先设置的自动驾驶算法在仿真驾驶环境中行驶的情况下，获取该仿真车辆的仿真位置信息和仿真行驶信息。

其中，该仿真驾驶环境为根据目标路段的路段信息构建的仿真环境，该仿真车辆为根据真实车辆的车辆参数和该自动驾驶算法建立的车辆仿真模型；该路段信息包括根据真实车辆的行驶方向采集得到的多个角度的图像数据。

示例地，目标路段的路段信息可以包括路面平整度、车道标记、斜坡、路段曲线、照明条件、红绿灯信息、障碍物信息、周边车辆信息等影响驾驶操作的信息，可以根据这些路段信息构建仿真环境。

进一步地，该目标路段的路段信息可以通过以下方式获取：

首先，采集真实车辆在目标路段行驶过程中环境传感器检测到的行车环境信息。

该环境传感器可以包括雷达传感器和/或车载摄像头，其中，雷达传感器可以是安装在真实车辆的前后左右四个方位，用于检测障碍物信息、周边车辆信息等。该车载摄像头是真实车辆的三个正面摄像头，这三个正面摄像头根据真实车辆的行驶方向，在左、中、右的位置设置，符合左视、中视和右视的基本视频要求，采集得到真实车辆行驶过程中的多个角度的图像数据或视频数据，通过该图像数据或视频数据，可以获取目标路段的路面平整度、车道标记、斜坡、路段曲线、照明条件、红绿灯信息、障碍物信息、周边车辆信息等。

其次，根据该行车环境信息构建仿真环境。

在本步骤中，可以直接基于上述行车环境信息中的数据构建仿真环境；也可以将该行车环境信息与该目标路段的高精度卫星地图相结合，根据结合后的数据构建仿真环境。这样，由于通过车辆传感器获取的周围环境范围有限，对于车辆传感器获取不到的环境数据，可通过高精度卫星地图信息进行补充，从而可以提高仿真环境的全面性，进而提高仿真预测的准确性。

这样，可以根据真实车辆行驶过程中的行车环境信息构建上述仿真驾驶环境，可以使得该仿真驾驶环境更加贴合实际驾驶环境，从而提高基于该仿真驾驶环境对仿真车辆进行仿真测试的准确性。

需要说明的是，上述真实车辆可以为具有自动驾驶功能的真实车辆；或者是与具有自动驾驶功能的真实车辆具有相同外形和动力参数的车辆。

S102、将该仿真位置信息和该仿真行驶信息输入预先训练的风险预测模型，得到该仿真车辆的风险预测结果。

其中，该风险预测模型用于将仿真车辆按照自动驾驶算法行驶的仿真行驶信息，与该真实车辆按照驾驶员的驾驶操作行驶的真实行驶信息进行对比，以得到该风险预测结果；该风险预测模型为根据第一样本数据对第一预设模型进行训练后得到的模型，该第一样本数据包括真实车辆按照驾驶员的驾驶操作在该目标路段行驶过程中采集得到的数据。

采用上述方法，在仿真车辆按照预先设置的自动驾驶算法在仿真驾驶环境中行驶的情况下，获取该仿真车辆的仿真位置信息和仿真行驶信息，该仿真驾驶环境为根据目标路段的路段信息构建的仿真环境，该仿真车辆为根据真实车辆的车辆参数和自动驾驶算法建立的模型；将该仿真位置信息和仿真行驶信息输入预先训练的风险预测模型，得到该仿真车辆的风险预测结果。这样，无需收集大量自动驾驶车辆的行驶数据，只需要根据车辆在目标路段的行驶数据建立风险预测模型，通过该风险预测模型对仿真车辆的仿真输出数据进行分析，即可得到风险预测结果，从而可以低成本的对自动驾驶车辆的安全性进行高效评估和预测；并且，由于可以对不同车辆使用相同的目标路段进行仿真，可以避免不同路段对安全性评估的影响，从而可以得到更为合理的风险预测结果，使得不同车辆之间的安全性可以进行有效对比。

图2是本公开实施例提供的一种风险预测模型的训练方法，如图2所示，上述风险预测模型，可以通过以下方式预先训练得到：

S201、采集真实车辆按照驾驶员的驾驶操作在目标路段行驶中产生的第一原始采样数据。

需要说明的是，目标路段可以是一个或多个。例如，可以是驾驶难度不同的多个路段。图3是本公开实施例提供的三个驾驶难度不同的目标路段的示意图，如图3所示，目标路段可以包括第一路段301、第二路段302和第三路段303，驾驶难度可以是第一路段<第二路段<第三路段。通过这三个目标路段，可以对仿真车辆在不同驾驶难度的路段上进行自动驾驶时的风险进行预测，从而得到更加全面的风险预测结果。

进一步地，该第一原始采样数据可以包括该真实车辆的真实位置信息和真实行驶信息，可以在该真实车辆按照驾驶员的驾驶操作在该目标路段行驶过程中，周期性采集该真实车辆的真实位置信息和真实行驶信息。行驶信息可以包括车辆的行驶速度、加速度和转向角中的一种或多种。

再进一步地，在本步骤中，还可以采集真实车辆按照多个驾驶员在正常状态下的正常驾驶操作，在目标路段行驶中产生的第一原始采样数据。该多个驾驶员可以是有丰富驾驶经验的安全驾驶员，例如，可以是六位25-35岁之间的有5年以上安全驾驶经验的驾驶员。每个驾驶员可以在同一个目标路段上行驶多次，可以人工确定将多次行驶获取的原始采样数据是否安全，将其中的非安全数据去除，仅保留确定安全的第一原始采样数据。这样，通过这些确定安全的第一原始采样数据，可以确保最终训练后得到的风险预测模型能够准确对仿真数据进行风险预测。

S202、对该第一原始采样数据进行聚类分析，得到第一样本数据。

首先需要说明的是，聚类分析是一个将一组数据集中在某些方面相似的数据成员进行分类组织的过程，聚类分析技术又可以被称为无监督学习。示例的，聚类分析的过程可以包括：给定一个元素集合D，其中每个元素具有一个或多个目标属性，根据该目标属性将元素集合D划分成k个子集，每个子集内的元素之间的目标属性的相似度尽可能高，而不同子集的原始之间的目标属性的相似度尽可能低。

在本步骤中，可以根据上述真实位置信息，按照预设聚类算法，对该真实行驶信息进行聚类分析，得到该第一样本数据。也就是，可以将上述周期性采集的多个真实行驶信息的集合作为预设距离算法的元素集合D，将每个真实行驶信息对应的真实位置信息作为其该预设距离算法的目标属性，按照该预设聚类算法进行分析后，可以得到按照真实位置信息分类的真实行驶信息。

其中，预设聚类算法可以是基于划分的聚类算法(Partition-based methods)、基于层次的聚类算法(Hierarchical methods)、基于密度的聚类算法(Density-basedmethods)、基于网络的聚类算法(Grid-based methods)或基于模型的算法(Model-basedmethods)。

示例地，该预设聚类算法可以是k均值聚类算法(k-means clusteringalgorithm)。需要说明的是，k均值聚类算法是一种基于划分的聚类算法，由于该算法时间复杂度和空间复杂度均较低，因此对于大型数据集也可以简单高效的执行。其步骤可以包括，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离(相似度)，把每个对象分配给距离它最近(相似度最高)的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。

在本实施例中，上述K可以根据目标路段的总长度和预设划分长度得到，示例地，可以将目标路段的总长度与预设划分长度的商值作为K的取值。该预设划分长度可以是0.1米至10米之间的任意长度，例如可以是0.5米或1米。这样通过k均值聚类算法，可以得到每个预设划分长度的路段进行分类后的行驶信息。该行驶信息可以包括该真实车辆的行驶速度、加速度和转向角中的一种或多种。

S203、根据该第一样本数据对第一预设模型进行训练，得到该风险预测模型。

示例地，该第一预设模型可以是高斯过程模型，根据该第一样本数据对第一预设模型进行训练和建模，可以得到基于高斯过程的风险预测模型。

图4是本公开实施例提供的一种风险预测模型中的真实位置信息与真实行驶信息的对应关系示意图，如图4所示，该风险预测模型是根据上述第一样本数据进行训练后得到的高斯过程模型，其中，第一样本数据为根据采集的真实位置信息对该行驶信息进行聚类分析后得到的，在本实施例中，该行驶信息可以为转向角，图4的横坐标为真实位置信息，纵坐标为真实转向角，曲线401用于表示每个真实位置信息对应的真实转向角的平均值；曲线402用于表示每个真实位置信息对应的真实转向角的最大值；曲线403用于表示每个真实位置信息对应的真实转向角的最小值。

这样，通过上述风险预测模型对上述仿真位置信息和仿真行驶信息进行分析处理后，得到该仿真车辆的风险预测结果，从而可以提升自动驾驶风险预测的效率和准确性。

进一步地，该风险预测模型可以通过以下方式将仿真行驶信息和真实行驶信息进行对比，得到风险预测结果：

首先，计算该仿真行驶信息与该真实行驶信息的偏离度。

其次，在该偏离度大于或等于预设偏离度阈值的情况下，确定出现一次不安全驾驶事件。

最后，根据该不安全驾驶事件确定上述风险预测结果。

示例地，该风险预测模型中可以包括真实位置信息和真实行驶信息的对应关系；该风险预测模型可以将仿真位置信息和真实位置信息一一匹配到目标位置，并计算得到每个目标位置对应的仿真行驶信息和真实行驶信息的差值，将该差值作为该目标位置信息对应的偏离度。这样，针对每个目标位置，若该偏离度大于或等于预设偏离度阈值，则确定出现一次不安全驾驶事件；可以根据不安全驾驶事件出现的次数确定该风险预测结果。例如：若不安全驾驶事件的次数大于或等于第一预设次数阈值，则该风险预测结果为高风险驾驶；若不安全驾驶事件的次数大于或等于第二预设次数阈值且小于第一预设次数阈值，则该风险预测结果为中风险驾驶；若不安全驾驶事件的次数小于第二预设次数阈值，则该风险预测结果为低风险驾驶。

需要说明的是，可以根据仿真行驶信息确定不安全驾驶事件的类型，示例地，该不安全驾驶事件的类型可以包括：急转弯、急加速、急刹车和异常速度等。

这样，通过将自动驾驶算法的仿真行驶信息与人类正常行驶信息进行对比，可以得到自动驾驶的不安全驾驶事件，进而对自动驾驶风险进行评估。

进一步地，通过上述风险预测模型对上述仿真位置信息和仿真行驶信息进行分析处理后，得到该仿真车辆的风险预测结果的步骤可以包括：

首先，周期性采集仿真车辆在仿真驾驶环境中行驶的仿真位置信息和仿真行驶信息，得到仿真位置信息与仿真行驶信息的仿真对应关系曲线。

然后，通过该风险预测模型，根据仿真对应关系曲线得到异常信息，并根据该异常信息确定风险预测结果。

在本步骤的一种实现方式中，该异常信息可以包括仿真对应关系曲线的曲线异常严重度，可以将该曲线异常严重度作为风险预测结果。

示例地，该曲线异常严重度可以根据每个位置信息对应的异常出现次数比例和位置异常严重度获取。

同样以上述行驶信息包括转向角为例，在曲线402和曲线403之间的仿真转向角可以确定为该位置信息的正常转向角(也就是正常值)；在曲线402上方或曲线403下方的仿真转向角可以确定为该位置信息的异常转向角(也就是异常值)；根据每个异常转向角与上述曲线401中该位置信息对应的真实转向角的平均值，通过欧几里得度量方法得到该异常转向角对应的异常严重度，该异常严重度可以是0至1之间连续且标准化的值。进一步地，可以将每个位置信息对应的所有异常值的异常严重度的平均值作为该位置信息对应的位置异常严重度；可以将每个位置信息对应的异常值个数与正常值个数的比值，作为该位置信息对应的异常出现次数比例。

通过多个位置信息对应的异常出现次数比例和位置异常严重度，可以确定上述曲线异常严重度。

示例地，可以首先获取每个位置信息的异常出现次数比例和位置异常严重度的乘积；将多个位置信息的该乘积的平均值作为该曲线异常严重度。

进一步地，还可以在任意N个位置信息对应的异常出现次数比例和位置异常严重度的乘积大于预设位置异常阈值的情况下，将该曲线异常严重度设置为第一预设严重度，该第一预设严重度用于表征该仿真车辆的风险预测结果为严重风险，进而导致该仿真车辆对应的真实车辆无法应用自动驾驶功能。其中，N可以为大于或等于1的任意数值，预设位置异常阈值和第一预设严重度均可以根据经验值进行设定，示例地，预设位置异常阈值可以是0.9至1之间的任意数值；第一预设严重度也可以是0.9至1之间的任意数值。

在本步骤的另外一种实现方式中，该异常信息可以包括仿真对应关系曲线的曲线偏离度，可以将该曲线偏离度作为风险预测结果。

示例地，同样以上述行驶信息包括转向角为例，可以将上述仿真对应关系曲线与上述图4中的曲线401进行对比，得到该仿真对应关系曲线的曲线偏离度。具体地，可以根据仿真对应关系曲线中每个仿真转向角与上述曲线401中该位置信息对应的真实转向角的平均值，通过欧几里得度量方法得到该仿真转向角对应的第一偏离度，该第一偏离度同样可以是0至1之间连续且标准化的值；然后，可以将多个仿真转向角的第一偏离度的平均值作为上述曲线偏离度，从而可以根据该曲线偏离度确定风险预测结果。例如，将该曲线偏离度作为该风险预测结果。

进一步地，在本实现方式中，还可以将每个位置信息对应的一个或多个仿真转向角的第一偏离度的平均值作为该位置信息对应的位置偏离度。从而可以直观的看到目标路段上哪个位置信息的偏离度较高，从而可以根据该位置信息对自动驾驶算法进行针对性的改进和调整。

这样，可以通过该风险预测模型，得到较为合理的自动驾驶风险预测结果，从而可以进一步提高自动驾驶风险预测的效率和准确性。

需要说明的是，相关技术中往往通过对比自动驾驶车辆的行驶轨迹与人类驾驶员的行驶轨迹的方式对自动驾驶车辆进行风险评估，但是在实际应用中，仅对比行驶轨迹的方式不够全面，在行驶轨迹上的同一个位置，若行驶信息不同，例如转向角或速度不同，会对周边其他车辆的驾驶员造成一定影响；也会进一步影响到自动驾驶车辆的下一步动作，因此，本公开中的上述方案中，通过仿真，可以对自动驾驶车辆的行驶信息(例如转向角或速度)与人类驾驶员的行驶信息进行对比，从而能够得到更为全面和准确的风险预测。

在本公开的另一实施例中，在获取上述风险预测结果后，该方法还可以包括以下步骤：

首先，根据该风险预测结果，获取该真实车辆的风险等级。

其中，可以根据该风险预测结果，得到该仿真车辆的风险预测分数；并根据该风险预测分数所在的范围以及风险范围等级对应关系，确定该风险预测分数对应的风险等级，其中，该风险范围等级对应关系包括该风险预测分数的范围与该风险等级的对应关系。

示例地，若该风险预测结果为曲线异常严重度，则可以将该曲线异常严重度作为该仿真车辆的风险预测分数；若该风险预测结果为曲线偏离度，则可以将该曲线偏离度作为该仿真车辆的风险预测分数。

该风险预测分数可以是标准化的从预设最小分数至预设最大分数之间的任意数值，例如，可以是0至1之间的任意数值，或者从0至5之间的任意数值，或者从0至100之间的任意数值。

以该风险预测分数为从0至100之间的任意数值的情况为例，上述风险范围等级对应关系的一种示例可以是：小于50的风险范围对应的风险等级为低风险；大于等于50且小于70的风险范围对应的风险等级为中风险；大于等于70且小于90的风险范围对应的风险等级为高风险；大于等于90的风险范围对应的风险等级为极高风险。

其次，在该风险等级为预设风险等级的情况下，展示该风险预测结果。

示例地，该预设风险等级可以为上述高风险或极高风险，这样，在风险预测分数大于或等于70的情况下，可以展示该风险预测结果，以便用户对自动驾驶车辆进行针对性的改进或调整。展示该风险预测结果的方式可以是声音报警、屏幕闪烁报警等方式。

这样，可以获取自动驾驶风险等级，并根据该风险等级进行相应的处理，在风险等级为预设风险等级的情况下，可以及时通知用户进行处理。

图5是根据图1所示实施例示出的一种S101步骤的流程图，如图5所示，该S101步骤在仿真车辆按照预先设置的自动驾驶算法在仿真驾驶环境中行驶的情况下，获取该仿真车辆的仿真位置信息和仿真行驶信息，可以包括以下步骤：

S1011、在仿真车辆按照预先设置的自动驾驶算法在仿真驾驶环境中行驶的情况下，周期性获取该仿真车辆的仿真位置信息和仿真环境图像。

其中，该仿真环境图像包括根据所述真实车辆的行驶方向采集得到的多个角度的图像数据。示例地，可以为根据仿真车辆的摄像头拍摄的仿真环境图像，且该仿真车辆的摄像头与真实车辆的车载摄像头的安装位置一致，以便使得获取的仿真图像与真实图像一致。例如：

若真实车辆的车载摄像头按照左、中、右分别设置的三个正面摄像头，则仿真车辆也同样按照左、中、右分别设置的三个正面摄像头。这样，可以符合左视、中视和右视的基本视频要求。另外，真实车辆和仿真车辆的摄像头均可以每秒拍摄预设拍摄数目的图像，以便获取更加精细的获取车辆周边环境动态。该预设拍摄数目可以是20至120之间的任意数值，例如，可以是30、50或100。

S1012、将本周期的仿真位置信息和该仿真环境图像输入行驶信息预测模型，得到下一周期的预测行驶信息。

其中，该行驶信息预测模型为根据所述真实车辆按照驾驶员的操作在所述目标路段行驶过程中的真实行驶信息和真实环境图像，预先训练得到的模型。示例地，该行驶信息预测模型通过以下方式预先训练得到：

首先，在该真实车辆按照驾驶员的操作在该目标路段行驶过程中，周期性采集该真实车辆的真实行驶信息和真实环境图像，获取多个行驶信息预测样本数据，该行驶信息预测样本数据包括该真实行驶信息和该真实环境图像的对应关系。

其次，根据该多个行驶信息预测样本数据，对第二预设模型进行训练后得到该行驶信息预测模型。

示例地，该第二预设模型可以为卷积神经网络模型(Convolutional NeuralNetworks，CNN)。

在训练过程中，可以采用随机梯度下降算法实现最小化均方误差，其中，上述行驶信息预测样本数据可以为被分成两组，其中一组用于训练，一组用于验证，例如随机选择其中80％的样本数据作为第一组，用于训练；剩余的20％的样本数据作为第二组，用于验证训练后模型的准确性。训练过程中，可以采用迭代训练的方式，迭代训练的次数可以为预设次数，例如，该预设次数可以为4次。需要说明的是，发明人发现，在经过4次迭代以后，验证准确度会有所下降，也就是会出现过度拟合，因此选择4次迭代可以作为优选的实施例。以转向角为例，经过4次迭代后，验证准确度可以为0.0105。

进一步地，图6是本公开实施例提供的一种卷积神经网络模型的结构示意图，如图6所示，该卷积神经网络可以由9层组成，其中包括标准化，5个卷积层和3个全连接层。其中：前三个卷积层可以使用5×5卷积核，其余两个卷积层可以使用3×3卷积核。上述卷积核用于将相邻像素组合在一起并对作为一个整体将其处理。多个卷积核可以由网络学习的权重组成，使用反向传播技术进行训练。该多个卷积核可以对输入图像进行卷积运算，得到二维激活图(Feature Map)，给出特定过滤器中权重的响应。从而最终得到与该输入图像对应的行驶信息。这里的预测行驶信息可以是预测转向角或预测行驶速度。

需要说明的是，若该预测行驶信息包括预测转向角和预测行驶速度两个信息，则设置两个卷积神经网络模型分别根据输入图像得到预测转向角和预测行驶速度。

S1013、将该预测行驶信息输入该自动驾驶算法，得到该仿真车辆的仿真行驶信息。

在本步骤中，仿真车辆的自动驾驶算法可以基于上述预测行驶信息与仿真驾驶环境进行运算，得到仿真车辆的仿真行驶信息，其中，仿真行驶信息可以包括仿真转向角和仿真行驶速度。

示例地，自动驾驶算法可以在没有该预测行驶信息输入的情况下，根据仿真驾驶环境进行运算，得到候选行驶信息，然后在将该预测行驶信息输入该自动驾驶算法之后，该自动驾驶算法将该预测行驶信息与上述候选行驶信息进行对比，根据对比结果对候选行驶信息进行调整，从而得到仿真车辆的仿真行驶信息。

例如，该预测行驶信息中包括预测行驶速度的情况下，若预测行驶速度大于当前的候选行驶速度，则可以通过增大输出扭矩，使得候选行驶速度增加，从而得到仿真行驶速度；若预测行驶速度小于当前的候选行驶速度，则可以通过减小输出扭矩，使得候选行驶速度减小，从而得到仿真行驶速度。

这样，将仿真车辆的根据自动驾驶算法输出的控制指令，在仿真环境中行驶的仿真位置信息和仿真环境图像，通过行驶信息预测模型得到预测行驶信息，进而将该预测行驶信息输入自动驾驶算法中，从而形成闭环控制，使得根据自动驾驶算法得到的仿真行驶信息尽可能接近人类驾驶员驾驶下真实车辆的行驶信息，可以有效降低自动驾驶车辆的风险。

图6是本公开实施例提供的一种自动驾驶风险预测装置的结构示意图，如图6所示，该装置包括：

仿真信息获取模块601，用于获取仿真车辆在仿真驾驶环境中行驶的仿真位置信息和仿真行驶信息，该仿真驾驶环境为根据目标路段的路段信息构建的仿真环境，该仿真车辆为根据真实车辆的车辆参数和预先设置的自动驾驶算法建立的模型，该路段信息包括根据该真实车辆的行驶方向采集得到的多个角度的图像数据；

风险预测模块602，用于将该仿真位置信息和仿真行驶信息输入预先训练的风险预测模型，得到该仿真车辆的风险预测结果；其中，该风险预测模型用于将仿真车辆按照自动驾驶算法行驶的仿真行驶信息，与该真实车辆按照驾驶员的驾驶操作行驶的真实行驶信息进行对比，以得到该风险预测结果；该风险预测模型为根据第一样本数据对第一预设模型进行训练后得到的模型，该第一样本数据包括真实车辆按照驾驶员的驾驶操作在该目标路段行驶过程中采集得到的数据。

可选地，该风险预测模型用于：计算该仿真行驶信息与该真实行驶信息的偏离度；在该偏离度大于或等于预设偏离度阈值的情况下，确定出现一次不安全驾驶事件；根据该不安全驾驶事件确定该风险预测结果。

可选地，该风险预测模型通过以下方式预先训练得到：

采集真实车辆按照驾驶员的驾驶操作在该目标路段行驶中产生的第一原始采样数据；

对该第一原始采样数据进行聚类分析，得到第一样本数据；

根据该第一样本数据对第一预设模型进行训练，得到该风险预测模型。

可选地，该第一原始采样数据包括该真实车辆的真实位置信息和真实行驶信息；该第一样本数据通过以下方式预先获取：在该真实车辆按照驾驶员的驾驶操作在该目标路段行驶过程中，周期性采集该真实车辆的真实位置信息和真实行驶信息；根据该真实位置信息，按照预设聚类算法，对该真实行驶信息进行聚类分析，得到该第一样本数据。

可选地，该仿真信息获取模块601，用于在仿真车辆按照预先设置的自动驾驶算法在仿真驾驶环境中行驶的情况下，周期性获取该仿真车辆的仿真位置信息和仿真环境图像，该仿真环境图像包括根据该真实车辆的行驶方向采集得到的多个角度的图像数据；将本周期的该仿真位置信息和该仿真环境图像输入行驶信息预测模型，得到下一周期的预测行驶信息；该行驶信息预测模型为根据该真实车辆按照驾驶员的操作在该目标路段行驶过程中的真实行驶信息和真实环境图像，预先训练得到的模型；将该预测行驶信息输入该自动驾驶算法，得到该仿真车辆的仿真行驶信息。

可选地，该行驶信息预测模型通过以下方式预先训练得到：

在该真实车辆按照驾驶员的操作在该目标路段行驶过程中，周期性采集该真实车辆的真实行驶信息和真实环境图像，获取多个行驶信息预测样本数据，该行驶信息预测样本数据包括该真实行驶信息和该真实环境图像的对应关系；根据该多个行驶信息预测样本数据，对第二预设模型进行训练后得到该行驶信息预测模型。

图7是本公开实施例提供的另一种自动驾驶风险预测装置的结构示意图，如图7所示，该装置还包括：

风险等级获取模块701，用于根据该风险预测结果，获取该真实车辆的风险等级；

风险预测结果展示模块702，用于在该风险等级为预设风险等级的情况下，展示该风险预测结果。

可选地，该风险等级获取模块701，用于根据该风险预测结果，得到该仿真车辆的风险预测分数；根据该风险预测分数所在的范围以及风险范围等级对应关系，确定该风险预测分数对应的风险等级，其中，该风险范围等级对应关系包括该风险预测分数的范围与该风险等级的对应关系。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

采用上述装置，无需收集大量自动驾驶车辆的行驶数据，只需要根据车辆在目标路段的行驶数据建立风险预测模型，通过该风险预测模型对仿真车辆的仿真输出数据进行分析，即可得到风险预测结果，从而可以低成本的对自动驾驶车辆的安全性进行高效评估和预测；并且，由于可以对不同车辆使用相同的目标路段进行仿真，可以避免不同路段对安全性评估的影响，从而可以得到更为合理的风险预测结果，使得不同车辆之间的安全性可以进行有效对比。

图8是根据一示例性实施例示出的一种电子设备800的框图。如图8所示，该电子设备800可以包括：处理器801，存储器802。该电子设备800还可以包括多媒体组件803，输入/输出(I/O)接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该电子设备800的整体操作，以完成上述的自动驾驶风险预测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该电子设备800的操作，这些数据例如可以包括用于在该电子设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该电子设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、5G、NB-IOT、eMTC、或其他6G等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块等。

在一示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的自动驾驶风险预测方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的自动驾驶风险预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由电子设备800的处理器801执行以完成上述的自动驾驶风险预测方法。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (11)

1.一种自动驾驶风险预测方法，其特征在于，所述方法包括：

在仿真车辆按照预先设置的自动驾驶算法在仿真驾驶环境中行驶的情况下，获取所述仿真车辆的仿真位置信息和仿真行驶信息，所述仿真驾驶环境为根据目标路段的路段信息构建的仿真环境，所述仿真车辆为根据真实车辆的车辆参数和所述自动驾驶算法建立的车辆仿真模型，所述路段信息包括根据所述真实车辆的行驶方向采集得到的多个角度的图像数据；

将所述仿真位置信息和所述仿真行驶信息输入预先训练的风险预测模型，得到所述仿真车辆的风险预测结果；

其中，所述风险预测模型用于将仿真车辆按照自动驾驶算法行驶的仿真行驶信息，与所述真实车辆按照驾驶员的驾驶操作行驶的真实行驶信息进行对比，以得到所述风险预测结果；所述风险预测模型为根据第一样本数据对第一预设模型进行训练后得到的模型，所述第一样本数据包括所述真实车辆按照驾驶员的驾驶操作在所述目标路段行驶过程中采集得到的数据。

2.根据权利要求1所述的方法，其特征在于，所述风险预测模型用于：

计算所述仿真行驶信息与所述真实行驶信息的偏离度；

在所述偏离度大于或等于预设偏离度阈值的情况下，确定出现一次不安全驾驶事件；

根据所述不安全驾驶事件确定所述风险预测结果。

3.根据权利要求1所述的方法，其特征在于，所述风险预测模型通过以下方式预先训练得到：

采集真实车辆按照驾驶员的驾驶操作在所述目标路段行驶中产生的第一原始采样数据；

对所述第一原始采样数据进行聚类分析，得到第一样本数据；

根据所述第一样本数据对第一预设模型进行训练，得到所述风险预测模型。

4.根据权利要求3所述的方法，其特征在于，所述第一原始采样数据包括所述真实车辆的真实位置信息和真实行驶信息；所述采集真实车辆按照驾驶员的操作在所述目标路段行驶中产生的原始采样数据包括：

在所述真实车辆按照驾驶员的驾驶操作在所述目标路段行驶过程中，周期性采集所述真实车辆的真实位置信息和真实行驶信息；

所述对所述原始采样数据进行聚类分析，得到第一样本数据包括：

根据所述真实位置信息，按照预设聚类算法，对所述真实行驶信息进行聚类分析，得到所述第一样本数据。

5.根据权利要求1所述的方法，其特征在于，所述在仿真车辆按照预先设置的自动驾驶算法在仿真驾驶环境中行驶的情况下，获取所述仿真车辆的仿真位置信息和仿真行驶信息包括：

在仿真车辆按照预先设置的自动驾驶算法在仿真驾驶环境中行驶的情况下，周期性获取所述仿真车辆的仿真位置信息和仿真环境图像，所述仿真环境图像包括根据所述真实车辆的行驶方向采集得到的多个角度的图像数据；

将本周期的所述仿真位置信息和所述仿真环境图像输入行驶信息预测模型，得到下一周期的预测行驶信息；所述行驶信息预测模型为根据所述真实车辆按照驾驶员的操作在所述目标路段行驶过程中的真实行驶信息和真实环境图像，预先训练得到的模型；

将所述预测行驶信息输入所述自动驾驶算法，得到所述仿真车辆的仿真行驶信息。

6.根据权利要求5所述的方法，其特征在于，所述行驶信息预测模型通过以下方式预先训练得到：

在所述真实车辆按照驾驶员的操作在所述目标路段行驶过程中，周期性采集所述真实车辆的真实行驶信息和真实环境图像，获取多个行驶信息预测样本数据，所述行驶信息预测样本数据包括所述真实行驶信息和所述真实环境图像的对应关系；

根据所述多个行驶信息预测样本数据，对第二预设模型进行训练后得到所述行驶信息预测模型。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述风险预测结果，获取所述真实车辆的风险等级；

在所述风险等级为预设风险等级的情况下，展示所述风险预测结果。

8.根据权利要求7所述的方法，其特征在于，所述根据所述风险预测结果，获取所述真实车辆的风险等级包括：

根据所述风险预测结果，得到所述仿真车辆的风险预测分数；

根据所述风险预测分数所在的范围以及风险范围等级对应关系，确定所述风险预测分数对应的风险等级，其中，所述风险范围等级对应关系包括所述风险预测分数的范围与所述风险等级的对应关系。

9.一种自动驾驶风险预测装置，其特征在于，所述装置包括：

仿真信息获取模块，用于获取仿真车辆在仿真驾驶环境中行驶的仿真位置信息和仿真行驶信息，所述仿真驾驶环境为根据目标路段的路段信息构建的仿真环境，所述仿真车辆为根据真实车辆的车辆参数和预先设置的自动驾驶算法建立的模型，所述路段信息包括根据所述真实车辆的行驶方向采集得到的多个角度的图像数据；

风险预测模块，用于将所述仿真位置信息和仿真行驶信息输入预先训练的风险预测模型，得到所述仿真车辆的风险预测结果；其中，所述风险预测模型用于将仿真车辆按照自动驾驶算法行驶的仿真行驶信息，与所述真实车辆按照驾驶员的驾驶操作行驶的真实行驶信息进行对比，以得到所述风险预测结果；所述风险预测模型为根据第一样本数据对第一预设模型进行训练后得到的模型，所述第一样本数据包括真实车辆按照驾驶员的驾驶操作在所述目标路段行驶过程中采集得到的数据。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至8中任一项所述方法的步骤。

11.一种电子设备，其特征在于，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1至8中任一项所述方法的步骤。

Images