CN115782905B

CN115782905B - 一种自动驾驶车辆驾驶安全度量化系统

Info

Publication number: CN115782905B
Application number: CN202310046543.6A
Authority: CN
Inventors: 杨世春; 卢家怿; 曹耀光; 冯鑫杰; 冯斌; 张群力; 穆郁澄; 张梦月; 马源; 闫啸宇
Original assignee: Huawei Technologies Co Ltd; Beihang University
Current assignee: Huawei Technologies Co Ltd; Beihang University
Priority date: 2023-01-31
Filing date: 2023-01-31
Publication date: 2023-04-21
Anticipated expiration: 2043-01-31
Also published as: CN115782905A

Abstract

本发明公开了一种自动驾驶车辆驾驶安全度量化系统，包括驾驶区域环境风险量化模块、周围交通参与者冲突干扰量化模块、自车行为风险量化模块、车辆驾驶安全度量化模块、显示模块，其中驾驶区域环境风险量化模块、周围交通参与者冲突干扰量化模块和自车行为风险量化模块的输出最终合成至车辆驾驶安全度量化模块，计算得到车辆驾驶实时安全度值，采用不同颜色区别显示于显示模块，提示驾驶员自动驾驶系统的安全度状态。该系统将影响人类驾驶员在驾车时安全度的环境复杂度、周围交通参与者干扰、自身行为状态因素进行量化，可以对自动驾驶车辆系统及其中的人类驾驶员提供不同程度的安全警示，约束车辆使其处于一种相对稳定的行驶状态。

Description

一种自动驾驶车辆驾驶安全度量化系统

技术领域

本发明涉及自动驾驶车辆的驾驶安全领域，特别涉及一种基于车辆行驶环境复杂度、交通参与者干扰、自车危险驾驶与违规行为的自动驾驶车辆综合驾驶安全度量化系统。

背景技术

得力于汽车电动化与智能化的发展浪潮，小型车辆的自动驾驶系统在近十年来得到了飞速的发展。随着L3级别自动驾驶汽车的正式商业化，驾驶者对自动驾驶系统的信赖程度逐渐得到提高，其对自动驾驶功能的使用也越来越频繁。自动驾驶顾名思义就是车辆自身独自完成从起点到终点的全部或大部分驾驶任务，在非必要时无需人类驾驶员兼顾。正因为自动驾驶的完全自主性，在行车安全方面与其配套的自动化安全检测与评估系统是自动驾驶车辆所必要的，该类安全系统的存在是为了避免特殊情境下的错误驾驶决策带来的负面后果。

目前已投入使用的实时车辆自动化安全检测系统主要从使用的方法角度可以分为：基于车辆可达集的安全评估、基于安全势场的安全评估和基于安全熵的安全评估。比较有代表性的产品有Inter公司的推出的mobileye中所配制的RSS责任安全评估系统。这些方法与系统主要是基于对自身车辆以及周围交通参与者的行驶状态分析，以不同的方式量化发生交通事故的概率，通过对计算所得的概率值高低的阈值设置完成不同安全级别的划分，再根据划分的安全级别采取相应的保障响应措施。

中国发明专利CN113485301A公开了一种自动驾驶汽车控制系统的预期功能安全性能的量化评价方法，其是针对自动驾驶汽车的横向输出参数响应性能和纵向输出参数响应性能的量化评价；中国发明专利CN102991504A公开了一种对驾驶员换道安全性进行判断并预警的装置及方法，其是针对驾驶员换道行为安全性的评估；中国发明专利CN111231971A公开了一种基于大数据的汽车安全性能分析评价方法及系统，其基于车辆驾驶数据进行大数据分析，从而对汽车辅助驾驶策略的安全性进行评价；中国发明专利CN112829751A公开了一种车辆状态的安全性评价方法及装置，根据当前车辆的状态信息及当前车辆周围的环境信息确定候选驾驶策略并评估其对应的危险指数。然而，目前的安全检测评估方法及系统无法对一些相对模糊的安全概念进行量化，例如车辆违反相关交通法规的行驶，对交通法规的数字化以及数字化后如何评估的问题是目前相关领域的重要研究方向。同时，现有的安全系统的安全评估内容覆盖度较为单一，其危险数值的评估是个瞬时的量，没有考虑多个安全隐患在短时间内依次发生时危险累计的记忆效应。与安全评估配套的安全响应系统的操作也相对绝对，在车辆的状态被评估为足够危险时采取应急响应，在没有风险时不采取措施。这两个系统的配合只能起到强制结束自动驾驶系统的作用，无法达到约束自动驾驶系统驾驶行为的功能。现在自动驾驶相关领域的有些研究者正在开发相关技术让自动驾驶系统变得更类人智能，决策与行为更像一个经验丰富的驾驶员，与此同时在自动驾驶车辆的行车安全方面也在寻找并设计一个类似人类驾驶时的危险预警、驾驶安全构建的方法与系统。

目前，在自动驾驶车辆安全系统领域并没有关于自动驾驶系统驾驶安全度量化相关的技术，也不存在利用量化的驾驶安全度参数对车辆的行为进行安全约束的系统。对于有驾驶经验的人类驾驶员来说，驾驶安全度是个短时的具有一定记忆效应的变量。例如，在其正常行驶过程中，周围环境简单、无潜在危险的情况下驾驶安全度将处于一个初始较高值，然而若旁边车道有一个车辆快速朝自车前方变道，并且没有留出足够安全距离时，驾驶员的驾驶安全度将会受到一定程度的冲击从而部分下降。同时，若在接下来的短时间内道路开始变得拥挤，环境复杂度大幅度上升，则安全度会进一步的下降，驾驶行为也会随之变得拘谨，但若在一定时间内没有其余冲突的发生，驾驶安全度又会逐渐恢复，驾驶行为也会回归正常。类似驾驶安全度的技术，可以为自动驾驶系统构建一套与至今为止所有安全评估与响应方法都不同的拟人化潜在安全保障系统。

发明内容

本发明的目的在于填补自动驾驶系统类人化安全意识方面存在的技术空缺，提供一种基于环境复杂度、交通参与者冲突干扰、自车危险行为的自动驾驶车辆行驶安全度量化系统，目的在于提高自动驾驶系统安全性，同时通过为自动驾驶车辆添加量化的驾驶安全度变量，对其行为提供拟人化约束参考，解决目前车辆行为安全保障的割离化、绝对化问题，推进自动驾驶系统的进一步智能化。本发明采用如下技术方案：

一种自动驾驶车辆驾驶安全度量化系统，包括：驾驶区域环境风险量化模块、周围交通参与者冲突干扰量化模块、自车行为风险量化模块、车辆驾驶安全度量化模块、显示模块；

所述驾驶区域环境风险量化模块，获取当前自动驾驶车辆行驶的道路区域的环境风险的若干影响因素，将各影响因素进行数据归一化，利用改进安全熵算法计算得到环境风险熵值；根据环境风险熵值计算获得安全度恢复量，并将其提供给车辆驾驶安全度量化模块；

所述周围交通参与者冲突干扰量化模块，获取周围交通参与者的位置、速度、航向信息，计算周围车辆与行人的未来轨迹从而获得未来可达区域，通过对比各个交通参与者未来时空轨迹与自车未来时空轨迹的重合程度，将该重合程度量化为每个区域交通参与者对自动驾驶车辆的攻击值；以及通过对周围交通参与者速度差的计算获取其加速度，当存在异常加速度车辆时，量化该异常加速度为对自动驾驶车辆的另一攻击值；将各所述攻击值标准化为冲突量化攻击值，提供给驾驶安全度量化模块；

所述自车行为风险量化模块，获取自身车辆速度、航向角信息计算车辆加速度与角加速度，当加速度与角加速度超过固定阈值时量化为行为风险，产生风险值；对于自动驾驶车辆行驶时违反交通法规，包括：超速行驶、逆行、快速连续换道，将其分别量化得到各自的风险值；将各所述风险值经过标准化后融合为行驶风险量化值，提供给驾驶安全度量化模块；

所述车辆驾驶安全度量化模块，通过接收到的安全度恢复量、冲突量化攻击值、行驶风险量化值计算出车辆驾驶实时安全度值，该安全度值将反应车辆实时的安全状况以及对目前决策正确性的把握程度；

所述车辆驾驶安全度显示模块，根据车辆驾驶实时安全度值，将车辆的驾驶安全度分为若干级别，采用不同颜色区别显示，提示驾驶员自动驾驶系统的安全度状态。

进一步，所述环境风险分为天气信息、道路静态环境信息、道路交通参与者静态信息三大类，其中所述天气信息的影响因素包括：降雨雪量、能见度、行驶时间、静止风速，所述道路静态环境信息的影响因素包括：当前道路的曲率半径、当前道路与道路边界的距离、当前的道路类型、当前道路同一方向的车道数，所述道路交通参与者静态信息的影响因素包括：道路交通参与者的平均速度、周围活动的交通参与者的最大速度差、周围交通参与者的数量、周围大型车辆的数量。

进一步，所述环境风险熵值的计算流程具体为：

环境风险的若干影响因素分别通过归一化处理操作：

式中， x为输入的环境风险的影响因素的数据值； x _norm为输出的归一化值，均为0.001至1.001之间的值；

处理后的归一化值依据三大类的分类划分为三个类别，根据下式计算每个类别的环境熵值：

式中， j对应不同类别， i对应不同类别中的具体影响因素， P _hi为环境风险概率， S _j为第 j类环境风险的环境熵值；

根据每个类别的环境熵值计算影响权重 w _j：

计算每个类别中每个影响因素的熵和，利用熵和乘上对应的影响权重得到最终的环境风险熵值：

式中， En _j为第 j类环境风险的影响因素的熵和， C为环境风险熵值。

进一步，将所述环境风险熵值划分为若干不同环境风险级别，所述级别的划分边界数值通过参数标定获得，环境风险熵值越大，环境风险级别越高；

所述安全度恢复量代表车辆安全度每个时刻的自然恢复量，环境风险级别越高自然恢复量越低，按照下式计算获得：

式中， Recover _t为 t时刻的安全度恢复量， S _co为环境风险级别，为1-5的5个数字； k _r为常数； HP _t为 t时刻的车辆驾驶安全度值。

进一步，所述冲突量化攻击值的计算流程具体为：

获取周围交通参与者的位置、速度、航向信息，计算周围车辆与行人的未来轨迹从而获得未来可达区域，获得各个交通参与者未来时空轨迹与自车未来时空轨迹的重合区域，将该重合区域定义为潜在冲突区域，计算自车和他车分别进入潜在冲突区域的时间节点，求取时间交集：

式中， t _e1和 t _e2为自车进入和离开潜在冲突区域的时间点， t _p1和 t _p2为冲突车辆进入和离开潜在冲突区域的时间点，时间交集为（ t ₁， t ₂）， i代表不同的交通参与者；

利用自车时间与时间交集的关系计算获得冲突风险概率 P _ci：

将风险概率利用如下公式转化为风险值 Inter _i：

式中， de _i为自车距离与 i号他车潜在冲突区域的距离，γ与 k _I为常数；

获取周围交通参与者的加速度，将加速度异常带来的影响量化为如下公式：

式中， E为异常加速度的风险量化值，为周围交通参与者的最大加速度，为安全阈值， k _a和 m _a为常数；

冲突量化攻击值化作如下公式：

式中， Attack _t为 t时刻的冲突量化攻击值； i代表不同的交通参与者； k _I和 k _E为常数。

进一步，行驶风险量化值的计算流程具体为：

异常角加速度影响量化计算如下：

式中， T _ego为异常角加速度影响量化值， n为基准角加速度阈值， f为安全度评估系统的检测频率，Δ yaw _t为 t时刻的角度变化量， k _y和 m _y为常数；

异常加速度影响量化计算如下：

式中， E _ego为异常加速度影响量化值，为自车加速度，为基准加速度阈值， k _e和 m _e为常数；

综合自车行驶加速度与角加速度影响量化值为：

自身车辆的违规行为将会量化超速、逆行、频繁变道：

（1）超速的影响值表示为：

式中， B _v为超速的影响值， v为速度， v _lim为限速， c _tol为可容忍超速幅度， k _v为常数；

（2）自身车辆的逆行行为影响值表示为：

式中， B _d为逆行行为的影响值， yaw _ego为自车航向角，ψ为车辆逆行时每个时刻的安全度损失值， yaw _road为行驶道路的航向角；

（3）自身车辆的频繁换道行为影响值表示为：

式中， B _c为频繁换道行为影响值， Г为换道一次产生的安全度损失值，表示 t时刻车辆触碰道路线，表示 t-1时刻车辆未触碰道路线；

（4）最终综合的 t时刻车辆违规行为影响量化值为：

综上，行为量化风险模块最后的输出影响量化值为：

式中， Reflect _t为 t时刻的行驶风险量化值， k _S与 k _L为常数。

进一步，所述车辆驾驶实时安全度值为：

式中， Hp _t+1为t+1时刻的车辆驾驶安全度值， Hp _t为 t时刻的车辆驾驶安全度值。

进一步，所述车辆驾驶安全度显示模块，根据车辆驾驶实时安全度值的大小，将车辆的驾驶安全度分为4个级别，绿色级别：80-100，为安全度良好；黄色级别：35-80，为需警惕的安全度值，提示驾驶员注意随时准备接管，并且提示自动驾驶系统停止激进驾驶决策，降低自动驾驶系统各项感知决策的阈值；红色级别1-35，丧失大部分驾驶安全度，提示自动驾驶等级下调，提示驾驶员接管；黑色级别：0，提示自动驾驶系统紧急安全停止，控制车辆结束行程。

本发明与现有技术相比所具有的有益效果：

本系统提出的自动驾驶车辆驾驶安全度量化方法，将会影响人类驾驶员在驾车时安全度的环境复杂度、周围交通参与者干扰、自身行为状态因素进行了量化，并且模拟人类驾驶员的安全度恢复与安全度受损模式，构建了弹性血条制的自动驾驶安全度量化系统。该安全度量化系统可以对自动驾驶车辆系统及其中的人类驾驶员提供不同程度的安全警示，约束车辆使其处于一种相对稳定的行驶状态。

本发明不仅可以作为自动驾驶车辆的安全监督系统，同时还可以嵌入自动驾驶系统内部，作为一种拟人化感性智能的判断手段，将自动驾驶车辆的行为优化得更加接近人类，从而更稳定且更值得信赖。同时，本发明的思路也为智能系统的拟人化提供了一种新的研究思路。

附图说明

图1为自动驾驶车辆行驶安全度量化系统示意图。

图2为驾驶安全度量化模块中量化驾驶安全度的具体计算流程图。

图3为自车与冲突车辆的冲突交互示意图；其中(a)-(d)为四种不同的冲突交互场景示意图。

具体实施方式

一种基于车辆行驶环境复杂度、交通参与者干扰、自车危险驾驶与违规行为的自动驾驶车辆综合驾驶安全度量化系统，如图1和2所示，实时利用自动驾驶车辆的感知器件对车辆所处驾驶区域环境、周围交通参与者状态、自车行为状态三个方面进行检测与风险量化，每个方面的风险计算具有与之对应的单独模块：驾驶区域环境风险量化模块、周围交通参与者冲突干扰量化模块、自车行为风险量化模块，三个模块的输出最终合成至车辆驾驶安全度量化模块；根据车辆驾驶安全度量化模块计算得到的车辆驾驶实时安全度值，将车辆的驾驶安全度分为若干等级，采用不同颜色区别显示于车辆驾驶安全度显示模块，提示驾驶员自动驾驶系统的安全度状态。

其中，驾驶区域环境风险量化模块，利用网络接口直接获取当前自动驾驶车辆行驶的道路区域的实时天气状况信息：包括降雨雪量、大雾能见度、行驶时间、静止风速；利用自动驾驶车载综合感知系统，包括高精地图数据和激光雷达与摄像头的识别数据获得道路交通参与者静态信息以及道路静态环境信息：道路交通参与者的平均速度、周围活动的交通参与者的最大速度差、周围交通参与者的数量、周围大型车辆的数量、当前道路的曲率半径、当前道路与道路边界的距离、当前的道路类型、当前道路同一方向的车道数；根据每个变量的参数情况进行数据归一化，利用改进安全熵算法分为对应不同因素，计算最终的环境风险熵值，该熵值被提供给车辆驾驶安全度量化模块。

具体地，环境风险分为天气信息、道路静态环境信息、道路交通参与者静态信息三大类，每个类别包含若干影响因素，分类及具体影响因素见表1。

表1 环境风险的分类及具体影响因素

表1中的所有数据都可以直接通过车辆自身感知系统和网络获取得到。例如降雨量信息，可通过网络获得车辆行驶地区区域的降雨情况，如：150毫米/平方米；能见度信息，如：150米；静止风速，如：20米/秒；交通参与者平均速度，如：20米/秒；周围最大速度差，如：10米/秒；周围交通参与者数量，如：25个；周围大型车辆数量，如：2个。上述环境风险的影响因素通过相同的归一化处理操作：

式中， x为输入的环境风险的影响因素的数据值； x _norm为输出的归一化值，均为0.001至1.001之间的值。

处理后的归一化值将会依据三大类的分类同样划分为三个类别，并且根据下式计算综合的环境熵值，计算公式如下：

式中， j对应不同类别， i对应不同类别中的具体影响因素， P _hi为环境风险概率， S _j为第 j类环境风险的环境熵值。

根据每个大类别的环境熵值计算影响权重 w _j，计算公式如下：

最终利用影响权重结合如上公式，计算每个类别中每个因素的熵和，利用熵和乘上对应的权重得到最终的环境风险熵值：

环境风险熵值将会被划分为5个不同环境风险级别，具体级别的划分边界数值可以通过参数标定获得。熵值越大，环境风险级别越高，如表2所示。

表2 环境风险级别及其对应的环境风险熵值和环境状态

recover值代表车辆安全度每个时刻的自然恢复量，风险级别越高自然恢复量越低，按照下式计算获得：

其中，周围交通参与者冲突干扰量化模块，通过获取感知系统取得的周围交通参与者的位置、速度、航向信息，计算周围车辆与行人的未来轨迹从而获得未来可达区域，通过对比各个交通参与者未来时空轨迹与自车未来时空轨迹的重合程度，将该重合程度量化为每个区域交通参与者对自动驾驶车辆的攻击值。同时，通过对周围交通参与者速度差的计算获取其加速度，当存在异常加速度车辆时，量化该异常加速度为对自动驾驶车辆的另一攻击值。最终攻击值将被标准化为冲突量化攻击值，提供给驾驶安全度量化模块。

具体地，冲突量化攻击值的具体计算流程如下：

图3为自车与冲突车辆的冲突交互示意图。车辆的长度和位置和姿态可以通过自车搭载的激光雷达检测识别获得。获取周围交通参与者的位置、速度、航向信息，计算周围车辆与行人的未来轨迹从而获得未来可达区域，获得各个交通参与者未来时空轨迹与自车未来时空轨迹的重合区域，将该重合区域定义为潜在冲突区域。潜在冲突的类型有三种可能性，潜在冲突区域的多边形形状相对容易求解。可以利用公式计算自车和他车分别进入潜在冲突区域的时间节点，求取时间交集：

式中， t _e1和 t _e2为自车进入和离开潜在冲突区域的时间点， t _p1和 t _p2为冲突车辆进入和离开潜在冲突区域的时间点，时间的交集为（ t ₁， t ₂）， i为不同的交通参与者。

利用自车时间与时间交集的关系可以计算获得冲突风险概率 P _ci：

将计算出来的风险概率利用如下公式转化为风险值 Inter _i：

式中， de _i为自车距离与 i号他车潜在冲突区域的距离，γ与 k _I为常数， i为不同的交通参与者。

同时，冲突量化模块还将考虑潜在交互他车的异常动作，如异常的加减速。他车的加减速数据可以通过激光雷达识别检测获得。模块仅关注周围最大加速度车辆的数据，加速度异常带来的影响可以量化为如下公式，当加速度小于一个安全阈值时影响为0，当大于该阈值时为一个指数关系函数：

式中， E为异常加速度的风险量化值，为周围交通参与者的最大加速度，为安全阈值， k _a和 m _a为常数。

最终的冲突量化攻击值可以化作如下公式：

式中， Attack _t为 t时刻的冲突量化攻击值； i代表不同的交通参与者； k _I和 k _E为常数，根据自动驾驶车辆的类型与自动驾驶等级调整参数进行后续标定。

其中，自车行为风险量化模块，通过获取自身车辆速度、航向角信息计算车辆加速度与角加速度，当加速度与角加速度超过固定阈值时将会被量化为行为风险之一，产生风险值。同时，该模块还会利用自动驾驶车辆自身的位置信息，判断车辆行驶的车道，当车辆在过于靠近道路边界行驶时也会根据距离产生风险值。对于自动驾驶车辆行驶时违反交通法规，本模块主要考虑三大法规的风险量化影响，分别为：超速行驶、逆行、快速连续换道。具体由法规产生的风险值计算过程如下：当车辆超过限速行驶时将会时刻产生超过限制速度的绝对量相关的风险值；当车辆逆行时将会时刻产生根据逆行时间长度逐步增加的风险值；当车辆每次进行换道动作时（判断条件为车辆同时占据两个车道瞬间）产生一个定量的风险值。最终以上几大风险值将会经过标准化后融合为行驶风险量化值提供给驾驶安全度量化模块。

具体地，行驶风险量化值的具体计算流程如下：

行驶风险主要考虑自身车辆的异常加减速度、异常角加速度，以及一些异常的违规行为。异常角加速度影响量化计算如下：

式中， T _ego为异常角加速度影响量化值， n为基准角加速度阈值， f为安全度评估系统的检测频率，Δ yaw _t为 t时刻的角度变化量， k _y和 m _y为常数。

异常加速度影响量化计算如下：

式中， E _ego为异常加速度影响量化值，为自车加速度，为基准加速度阈值， k _e和 m _e为常数。

综合自车行驶加速度与角加速度影响量化值为：

自身车辆的违规行为将会量化超速、逆行、频繁变道：

（1）超速的影响值可以表示为：

式中， B _v为超速的影响值， v为速度， v _lim为限速， c _tol为可容忍超速幅度， k _v为常数。

（2）自身车辆的逆行行为影响值可以表示为：

式中， B _d为逆行行为的影响值， yaw _ego为自车航向角，ψ为车辆逆行时每个时刻的安全度损失值， yaw _road为行驶道路的航向角，可以通过读取高精地图信息获得。

（3）自身车辆的频繁换道行为影响值可以表示为：

式中， B _c为频繁换道行为影响值， Г为换道一次产生的安全度损失值，表示 t时刻车辆触碰道路线，表示 t-1时刻车辆未触碰道路线。

（4）最终综合的 t时刻车辆违规行为影响量化值为：

综上，行为量化风险模块最后的输出影响量化值为：

其中， Reflect _t为 t时刻的行驶风险量化值， k _S与 k _L为常数。

其中，自动驾驶车辆驾驶安全度量化模块，通过接收到的环境风险量化模块、周围交通参与者冲突干扰量化模块、自车行为风险量化模块的输出计算出车辆驾驶实时安全度值，该安全度值将反应车辆实时的安全状况以及对目前决策正确性的把握程度。驾驶实时安全度值的计算公式如下：

式中， Reflect _t为 t时刻的自车行为风险量化模块输出， Attack _t为 t时刻的周围交通参与者冲突干扰量化模块输出， Recover _t为 t时刻环境风险量化模块的输出， HP _t为 t时刻的车辆驾驶安全度值， Hp _t+1为t+1时刻的车辆驾驶安全度值。

驾驶安全度值用 Hp表示，初始时刻的驾驶安全度为100，每个t时刻通过现在的 Hp值计算下一时刻t+1的 Hp值。驾驶安全度不会高于100，也不会低于0。并且当驾驶安全度达到100时不会继续增长，而驾驶安全度为0时将不会恢复，系统将会强制结束自动驾驶车辆的自动驾驶系统运行。

最终，车辆驾驶安全度显示模块，根据 Hp驾驶安全度值的大小，模块将车辆的驾驶安全度分为4个级别，绿色级别：80-100，为安全度良好；黄色级别：35-80，为需警惕的安全度值，提示驾驶员注意随时准备接管，并且提示自动驾驶系统停止激进驾驶决策，降低自动驾驶系统各项感知决策的阈值；红色级别1-35，丧失大部分驾驶安全度，提示自动驾驶等级下调，提示驾驶员接管；黑色级别：0，提示自动驾驶系统紧急安全停止，控制车辆结束行程。

该系统只需要保证五个模块的正常运行即可拥有正常的输出，系统的显示输出为单一的 Hp驾驶安全度值，该值会呈现四种不同颜色状态，提示自动驾驶系统采取对应安全度下的操作来最大程度恢复 Hp安全度值保证驾驶的安全与稳定，同时显示给人类驾驶员提示自动驾驶系统的安全度状态。

Claims

1.一种自动驾驶车辆驾驶安全度量化系统，其特征在于，包括：驾驶区域环境风险量化模块、周围交通参与者冲突干扰量化模块、自车行为风险量化模块、车辆驾驶安全度量化模块、显示模块；

所述车辆驾驶安全度显示模块，根据车辆驾驶实时安全度值，将车辆的驾驶安全度分为若干级别，采用不同颜色区别显示，提示驾驶员自动驾驶系统的安全度状态；

所述环境风险熵值的计算流程具体为：

环境风险的若干影响因素分别通过归一化处理操作：

式中，x为输入的环境风险的影响因素的数据值；x _norm为输出的归一化值，均为0.001至1.001之间的值；

式中，j对应不同类别，i对应不同类别中的具体影响因素，P _hi为环境风险概率，S _j为第j类环境风险的环境熵值；

根据每个类别的环境熵值计算影响权重w _j：

式中，En _j为第j类环境风险的影响因素的熵和，C为环境风险熵值；

将所述环境风险熵值划分为若干不同环境风险级别，所述级别的划分边界数值通过参数标定获得，环境风险熵值越大，环境风险级别越高；

式中，Recover _t为t时刻的安全度恢复量，S _co为环境风险级别，为1-5的5个数字；k _r为常数；HP _t为t时刻的车辆驾驶安全度值；

所述车辆驾驶实时安全度值为：

式中，Hp _t+1为t+1时刻的车辆驾驶安全度值，Hp _t为t时刻的车辆驾驶安全度值，Attack _t为t时刻的冲突量化攻击值，Reflect _t为t时刻的行驶风险量化值。

2.根据权利要求1所述的自动驾驶车辆驾驶安全度量化系统，其特征在于，所述环境风险分为天气信息、道路静态环境信息、道路交通参与者静态信息三大类，其中所述天气信息的影响因素包括：降雨雪量、能见度、行驶时间、静止风速，所述道路静态环境信息的影响因素包括：当前道路的曲率半径、当前道路与道路边界的距离、当前的道路类型、当前道路同一方向的车道数，所述道路交通参与者静态信息的影响因素包括：道路交通参与者的平均速度、周围活动的交通参与者的最大速度差、周围交通参与者的数量、周围大型车辆的数量。

3.根据权利要求1所述的自动驾驶车辆驾驶安全度量化系统，其特征在于，所述冲突量化攻击值的计算流程具体为：

式中，t _e1和t _e2为自车进入和离开潜在冲突区域的时间点，t _p1和t _p2为冲突车辆进入和离开潜在冲突区域的时间点，时间交集为（t ₁，t ₂），i代表不同的交通参与者；

利用自车时间与时间交集的关系计算获得冲突风险概率P _ci：

将风险概率利用如下公式转化为风险值Inter _i：

式中，de _i为自车距离与i号他车潜在冲突区域的距离，γ与k _I为常数；

式中，E为异常加速度的风险量化值，为周围交通参与者的最大加速度，为安全阈值，k _a和m _a为常数；

冲突量化攻击值化作如下公式：

式中，Attack _t为t时刻的冲突量化攻击值；i代表不同的交通参与者；k _I和k _E为常数。

4.根据权利要求3所述的自动驾驶车辆驾驶安全度量化系统，其特征在于，行驶风险量化值的计算流程具体为：

异常角加速度影响量化计算如下：

式中，T _ego为异常角加速度影响量化值，n为基准角加速度阈值，f为安全度评估系统的检测频率，Δyaw _t为t时刻的角度变化量，k _y和m _y为常数；

异常加速度影响量化计算如下：

式中，E _ego为异常加速度影响量化值，为自车加速度，为基准加速度阈值，k _e和m _e为常数；

综合自车行驶加速度与角加速度影响量化值为：

自身车辆的违规行为将会量化超速、逆行、频繁变道：

（1）超速的影响值表示为：

式中，B _v为超速的影响值，v为速度，v _lim为限速，c _tol为可容忍超速幅度，k _v为常数；

（2）自身车辆的逆行行为影响值表示为：

式中，B _d为逆行行为的影响值，yaw _ego为自车航向角，ψ为车辆逆行时每个时刻的安全度损失值，yaw _road为行驶道路的航向角；

（3）自身车辆的频繁换道行为影响值表示为：

式中，B _c为频繁换道行为影响值，Г为换道一次产生的安全度损失值，表示t时刻车辆触碰道路线，表示t-1时刻车辆未触碰道路线；

（4）最终综合的t时刻车辆违规行为影响量化值为：

综上，行为量化风险模块最后的输出影响量化值为：

式中，Reflect _t为t时刻的行驶风险量化值，k _S与k _L为常数。

5.根据权利要求1所述的自动驾驶车辆驾驶安全度量化系统，其特征在于，所述车辆驾驶安全度显示模块，根据车辆驾驶实时安全度值的大小，将车辆的驾驶安全度分为4个级别，绿色级别：80-100，为安全度良好；黄色级别：35-80，为需警惕的安全度值，提示驾驶员注意随时准备接管，并且提示自动驾驶系统停止激进驾驶决策，降低自动驾驶系统各项感知决策的阈值；红色级别1-35，丧失大部分驾驶安全度，提示自动驾驶等级下调，提示驾驶员接管；黑色级别：0，提示自动驾驶系统紧急安全停止，控制车辆结束行程。