CN116001795A - 一种换道风险评估及个性化换道决策方法 - Google Patents

Abstract

本发明公开了一种换道风险评估及个性化换道决策方法，包括以下步骤：步骤S1、风险数据感知；步骤S2、基于最小安全距离的换道风险评估：包括基于当前车道前车的风险评估、基于目标车道后车的风险评估、基于目标车道前车的风险评估；步骤S3、根据步骤S2得到的换道风险评估结果计算综合换道风险R；步骤S4、根据驾驶员驾驶能力及驾驶风格数据计算个性化综合换道风险阈值R_Q；步骤S5、将综合换道风险R与进行个性化综合换道风险阈值R_Q对比，实现个性化换道决策。本发明使得对于换道风险评估更加准确，换道决策能够满足不同驾驶风格以及不同驾驶能力的驾驶员辅助驾驶需求。

Description

一种换道风险评估及个性化换道决策方法

技术领域

本发明属于智能驾驶技术领域，涉及一种换道风险评估及个性化换道决策方法。

背景技术

目前基于驾驶员驾驶习性的智能汽车辅助驾驶系统能够减小辅助过程中的人机冲突等问题，有效提高了智能辅助驾驶系统的适应性，是当前智能驾驶领域研究的热点之一。

现有换道决策过程中，在对换道可行性进行评估时，大多存在一定问题：第一，在对风险评估时采用逐个对交通参与者的风险进行评估比较，忽视了各个交通参与者在综合风险中的起到的作用；第二，大多只考虑了驾驶员驾驶风格的影响而忽略了驾驶员驾驶能力因素在决策中的作用。

由此可见，现有的基于风险评估的个性化换道辅助系统及相关技术难以满足目前对于换道辅助系统的个性化需求。

发明内容

为解决上述问题，本发明提供一种换道风险评估及个性化换道决策方法，使得对于换道风险评估更加准确，换道决策能够满足不同驾驶风格以及不同驾驶能力的驾驶员辅助驾驶需求。

本发明所采用的技术方案是，一种换道风险评估及个性化换道决策方法，包括以下步骤：

步骤S1、风险数据感知；

步骤S2、基于最小安全距离的换道风险评估：包括基于当前车道前车的风险评估、基于目标车道后车的风险评估、基于目标车道前车的风险评估；

步骤S3、根据步骤S2得到的换道风险评估结果计算综合换道风险R；

步骤S4、根据驾驶员驾驶能力及驾驶风格数据计算个性化综合换道风险阈值R_Q；

步骤S5、将综合换道风险R与进行个性化综合换道风险阈值R_Q对比，实现个性化换道决策。

进一步地，所述步骤S1具体指智能网联汽车搭载的用于感知车辆周围行驶环境的传感器获取到的行驶数据；所述行驶数据包括主车数据以及周围车辆数据，其中：

所述主车数据包括主车车辆长度、车辆宽度、横向坐标、纵向坐标、速度以及最大制动减速度；周围车辆数据包括各周围车辆长度、车辆宽度、车辆行驶速度、车辆最大制动减速度、横向坐标以及纵向坐标。

进一步地，所述步骤S2中基于当前车道前车的风险评估的表达式为：

其中，C_L0为跟驰安全距离系数，R_L0∈[0,1]为跟驰风险，R_L0的值越大代表风险越高，a和b为Sigmoid函数的调节参数，为常数，e为自然常数；

所述跟驰安全距离系数C_L0的计算方式为：

其中，S₁为主车的安全跟车距离，S_{L0_actual}为主车与当前车道前车的当前实际纵向距离；

所述主车的安全跟车距离S₁的计算方式为：

其中，v_M为主车行驶速度，t_h为主车驾驶员的反应时间以及驾驶员采取制动至开始减速的时间之和，a_Mmax为主车所能实现的最大减速度，v_L0为当前车道前车制动初始速度，a_L0max为当前车道前车最大制动减速度，L_L0为安全裕度。

进一步地，所述步骤S2中基于目标车道后车的风险评估的表达式为：

其中，C_Fd为基于目标车道后车的换道安全距离系数，R_Fd∈[0,1]为基于目标车道后车的换道风险，R_Fd的值越大代表风险越高，a和b为Sigmoid函数的调节参数，为常数，e为自然常数；

所述基于目标车道后车的换道安全距离系数C_Fd的计算方式为：

其中，S₂为基于目标车道后车的最小安全换道距离，S_{Fd_actual}为换道初始时刻主车与目标车道后车之间的实际纵向距离；

所述目标车道后车的最小安全换道距离S₂的计算方式为：

其中，v_Fd为目标车道后车行驶速度，t_lc为主车换道所需花费的时间，v_M为主车行驶速度，t_b为目标车道后车驾驶员反应时间，a_Fdmax为目标车道后车所能产生的最大制动减速度，a_Mmax为主车所能实现的最大制动减速度，LF_d为安全裕度。

进一步地，所述步骤S2中基于目标车道前车的风险评估的表达式为：

其中，C_Ld为基于目标车道前车的换道安全距离系数，R_Ld∈[0，1]表示基于目标车道前车的换道风险，R_Ld的值越大代表风险越高，a和b为Sigmoid函数的调节参数，为常数，e为自然常数；

所述基于目标车道前车的换道安全距离系数C_Ld的计算方式为：

其中，S₃为基于目标车道前车的最小安全换道距离，S_{Ld_actual}为换道初始时刻主车与目标车道前车之间的实际纵向距离；

所述基于目标车道前车的最小安全换道距离S₃的计算方式为：

其中，v_M为主车行驶速度，t_lc为主车换道所需花费的时间，v_Ld为目标车道前车行驶速度，t_h为主车驾驶员的反应时间以及驾驶员采取制动至开始减速的时间之和，a_Mmax为主车所能实现的最大制动减速度，a_Ldmax为目标车道前车最大制动减速度，L_Ld为安全裕度。

进一步地，所述步骤S3中综合换道风险R为：

R＝R_max+(1-R_max)(w₁R_min+w₂R_L0)

其中，R_max和R_min分别为基于目标车道前车的风险评估结果R_Ld与基于目标车道后车的风险评估结果R_Fd之间的较大值与较小值，R_L0当前车道前车的风险评估结果，w₁与w₂为风险权重因子，均属于[0,1]。

进一步地，所述步骤S4具体为：

步骤S41、基于驾驶员驾驶风格的驾驶数据，利用主成分分析法对驾驶员驾驶风格的驾驶数据进行降维处理以减小计算量，再利用K-means聚类方法，划分为三个聚簇，三个聚簇的聚类中心分别对应于相应的作为激进、正常、保守型的驾驶风格综合换道风险阈值；

步骤S42、基于驾驶员驾驶能力的驾驶数据，利用最小安全距离模型建立风险暴露程度模型，根据风险暴露程度模型利用分位数回归分析方法对驾驶员驾驶能力进行评估，分为熟练、正常、生疏型的驾驶能力综合换道风险阈值；

步骤S43、对驾驶风格综合换道风险阈值和驾驶能力综合换道风险阈值进行加权融合得到个性化综合换道风险阈值R_Q。

进一步地，

所述风险暴露程度模型具体实现为：规定车辆在行驶过程中，当车辆实际保持距离小于最小安全距离时，最小安全距离和实际距离之差与最小安全距离的平均比值为风险暴露程度，具体表达式为：

其中，P_severity为风险暴露程度值，为大于0的常数，d_mini为第i次计算得到的最小安全距离，d_i为第i次实际保持的距离，n为满足条件的采样次数。

进一步地，所述步骤S5具体为：

当综合换道风险R大于个性化综合换道风险阈值R_Q时，则进行换道风险预警，并终止换道行为；当综合换道风险R小于等于个性化综合换道风险阈值R_Q时，则继续进行换道。

本发明的有益效果是

(1)以最小安全距离为基础，利用Sigmoid函数进行风险归一化处理，方便对风险评估更加直观、方便。

(2)根据各周围车辆对主车的驾驶风险，设计了融合策略，综合考虑了周围各个交通参与者对综合换道风险的影响，避免了单个逐次参与者判断的片面性，以及多次冗余的判断。

(3)在个性化换道综合风险阈值评估时加入了驾驶能力因素。提高了综合风险阈值评估的准确性，提高了换道决策系统的适应性和可靠性的同时减小了系统的误警率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的换道风险评估及个性化换道决策方法的框架图。

图2是本发明实施例的换道过程示意图。

图3是本发明实施例的换道风险评估结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种换道风险评估方法，参见图1，智能网联汽车搭载的用于感知车辆周围行驶环境的传感器获取行驶数据，数据包括主车数据以及周围车辆数据，再利用最小安全距离模型分别计算周围车辆对主车换道产生的风险：

其中，主车数据包括车辆长度、车辆宽度、横向坐标、纵向坐标、速度、加速度以及最大制动减速度；周围车辆数据包括各周围车辆长度、车辆宽度、车辆行驶速度、车辆最大制动减速度、横向坐标以及纵向坐标。

首先利用感知信息对主车当前车道前车、目标车道前车以及目标车道后车的最小安全距离进行计算。进一步，使用最小安全距离与主车实际距离的比值利用Sigmoid函数就行风险归一化处理，得到风险评估结果。

本实施例的具体实现过程如下：

基于当前车道前车的风险评估

图2是本发明的换道过程示意图，在跟驰工况中，只要跟随车速降低至与前车等速时，二者不发生追尾碰撞，即可保证跟车安全。在极端工况中，前车采取强制动至刹停时，其发生的碰撞风险最大，同时该假设下求得最小安全距离较为保守。在此过程中，前车行驶的距离为：

其中，v_L0为当前车道前车制动初始速度，a_L0max为当前车道前车最大制动减速度。对于主车而言，其从当前车道前车开始制动到主车减速直到静止的过程中，主车的行驶距离为：

其中v_M为主车行驶速度，t_h为主车驾驶员的反应时间以及驾驶员采取制动至开始减速的时间之和，a_Mmax为主车所能实现的最大制动减速度。

因此在跟驰工况中主车的安全跟车距离为：

其中L_L0为安全裕度。

利用Sigmoid函数对跟驰风险评估进行归一化处理：

其中，C_L0为跟驰安全距离系数，R_L0∈[0,1]为跟驰风险，R_L0的值越大代表风险越高，S_{L0_actual}为主车与当前车道前车的当前实际纵向距离，a和b为Sigmoid函数的调节参数，为常数，e为自然常数。

基于目标车道后车的风险评估

在换道过程中，主车向前行驶的距离为：

S_Mbd＝v_Mt_lc

其中，t_lc为主车换道所需花费的时间。

同时，目标车道后车向前行驶的距离为：

S_Fd＝v_Fdt_lc

其中v_Fd为目标车道后车行驶速度。

另外在换道后为了避免目标车道后车追尾主车，因此在主车成功完成换道动作以后，目标车道后车应该与主车保持一定的安全跟驰距离，因此在换道初始时刻，基于目标车道后车的最小安全换道距离为：

其中，t_b为目标车道后车驾驶员反应时间，a_Fdmax为目标车道后车所能产生的最大制动减速度，L_Fd为安全裕度。

利用Sigmoid函数对跟驰风险评估进行归一化处理：

其中，C_Fd为基于目标车道后车的换道安全距离系数，R_Fd∈[0,1]为基于目标车道后车的换道风险，R_Fd的值越大代表风险越高，S_{Fd_actual}为换道初始时刻主车与目标车道后车之间的实际纵向距离。

基于目标车道前车的风险评估

在换道过程中，目标车道前车向前行驶的距离为：

S_Ld＝v_Ldt_lc

其中v_Ld为目标车道前车行驶速度。

另外在换道后为了避免主车追尾目标车道前车，因此在主车成功完成换道动作以后，目标车道前车应该与主车保持一定的安全跟驰距离，因此在换道初始时刻，基于目标车道前车的最小安全换道距离为：

其中，a_Ldmax为目标车道前车所能产生的最大制动减速度，L_Ld为安全裕度。

利用Sigmoid函数对跟驰风险评估进行归一化处理：

其中，C_Ld为基于目标车道前车的换道安全距离系数，R_Ld∈[0，1]表示基于目标车道前车的换道风险，R_Ld的值越大代表风险越高，S_{Ld_actual}为换道初始时刻主车与目标车道前车之间的实际纵向距离。

在求得的三个风险评估结果的基础之上，本发明设计了一个考虑各个交通参与者对于综合风险影响的综合换道风险融合策略，对当前综合换道风险进行评估。

综合换道风险融合策略

在换道过程中，其换道风险大多来自于目标车道前后车与主车的碰撞风险，而当前车道前车的跟驰风险的影响较小。因此在对换道风险融合策略进行设计时应该更加注重来自目标前后车的风险评估。

该综合换道风险融合策略具体实现如下：

R_max＝max{R_Ld，R_Fd}

R_min＝min{R_Ld，R_Fd}

其中，R_max和R_min分别为R_Ld与R_Fd之间的较大值与较小值

其综合换道风险评估为：

R＝R_max+(1-R_max)(w₁R_min+w₂R_L0)

其中w₁与w₂为风险权重因子，均属于[0,1]。

本发明实施例还提供了一种个性化换道决策方法，基于上述车辆综合换道风险评估方法，包括：选定驾驶风格以及驾驶能力，将主车受到的综合换道风险R与驾驶风格及驾驶能力所对应的个性化综合换道风险阈值R_Q进行对比，从而确定主车是否继续进行换道。

具体的，将主车受到的综合换道风险R与驾驶风格及驾驶能力所对应的个性化综合换道风险阈值R_Q进行对比，从而确定主车是否继续进行换道的方式为：当综合换道风险R大于个性化综合换道风险阈值R_Q时，则进行换道风险预警，并终止换道行为。当综合换道风险R小于等于个性化综合换道风险阈值R_Q时，则继续进行换道。

进一步的，驾驶风格及驾驶能力所对应的换道风险阈值的确定方式为：一方面基于驾驶员驾驶风格的驾驶数据，利用主成分分析法对驾驶员驾驶风格的驾驶数据进行降维处理以减小计算量，再利用K-means聚类方法，将其划分为三个聚簇，三个聚簇的聚类中心分别对应于相应的作为激进、正常、保守型的驾驶风格综合换道风险阈值。

另一方面基于驾驶员驾驶能力的驾驶数据，利用最小安全距离模型建立风险暴露程度模型，风险暴露程度模型具体实现为：规定车辆在行驶过程中，当车辆实际保持距离小于最小安全距离时，最小安全距离和实际距离之差与最小安全距离的平均比值为风险暴露程度。

其中，P_severity为风险暴露程度值，为大于0的常数，d_mini为第i次计算得到的最小安全距离，d_i为第i次实际保持的距离，n为满足条件的采样次数。

再根据风险暴露程度模型利用分位数回归分析方法对驾驶员驾驶能力进行评估，分为熟练、正常、生疏型的驾驶能力综合换道风险阈值。

最后对驾驶风格综合换道风险阈值和驾驶能力综合换道风险阈值进行加权融合得到个性化综合换道风险阈值R_Q。

实施例

基于Ubiquitous Traffic Eyes开源数据集提取了一条合适的车辆自然行驶数据及其当前车道与换道目标车道前后方车辆行驶数据后，在上述换道风险评估方法的基础上利用Matlab分别对主车跟驰风险、目标车道前车换道风险、目标车道后车换道风险以及综合换道风险进行评估分析，其仿真结果如图3所示。

如图3仿真结果所示，主车跟驰风险、基于目标车道前车换道风险、基于目标车道后车换道风险与综合换道风险仿真结果在整个过程中均位于[0,1]区间内，其更加直观简洁，有利于后续在换道可行性评估时综合换道风险阈值的确定。

通过对图3的分析可知，当主车跟驰风险、目标车道前车换道风险以及目标车道后车换道风险较小时，其综合换道风险成功考虑了多个换道风险的影响，其结果与驾驶过程中驾驶员面对多个中低换道风险来源时采取保守驾驶行为的实际情况相吻合。

另外通过图3可知，通过对三种不同换道风险进行融合得到一个综合换道风险，实现了后续在换道可行性决策时的简洁性，避免了冗余的判断结构。并且更加符合驾驶员换道决策时考虑车辆当前综合行驶状态而不是对各个风险目标进行逐一对比判断的实际情况。

与当前现有的换道风险评估方法相比较，其中与即将碰撞时间(TTC：Time-To-Collision)理论相比较，本发明提出的评估方法考虑到的驾驶员因素更加充分，例如考虑了驾驶员反应时间、换道时间等因素；与基于风险场理论建立的换道风险评估方法相对比，本发明提出的评估方法具有计算量小、实时性强等优点。

本发明中本实施例中的所有车辆均指智能联网汽车，具体指搭载有车载传感器(包括车身内外的摄像头)、控制器、执行器等装置并能与其他车道车辆进行实时数据交互的汽车。具体工作中，例如需要知晓驾驶员的反应时间，只需通过记录前车刹车时间和驾驶员刹车时间求差即可，为保证数据的准确性还可将多次记录的数据进行平均，并可随着记录次数的增多实时进行数据更新以保证实时性。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (9)

1.一种换道风险评估及个性化换道决策方法，其特征在于，包括以下步骤：

步骤S1、风险数据感知；

步骤S2、基于最小安全距离的换道风险评估：包括基于当前车道前车的风险评估、基于目标车道后车的风险评估、基于目标车道前车的风险评估；

步骤S3、根据步骤S2得到的换道风险评估结果计算综合换道风险R；

步骤S4、根据驾驶员驾驶能力及驾驶风格数据计算个性化综合换道风险阈值R_Q；

步骤S5、将综合换道风险R与进行个性化综合换道风险阈值R_Q对比，实现个性化换道决策。

2.根据权利要求1所述的一种换道风险评估及个性化换道决策方法，其特征在于，所述步骤S1具体指智能网联汽车搭载的用于感知车辆周围行驶环境的传感器获取到的行驶数据；所述行驶数据包括主车数据以及周围车辆数据，其中：

所述主车数据包括主车车辆长度、车辆宽度、横向坐标、纵向坐标、速度以及最大制动减速度；周围车辆数据包括各周围车辆长度、车辆宽度、车辆行驶速度、车辆最大制动减速度、横向坐标以及纵向坐标。

3.根据权利要求1所述的一种换道风险评估及个性化换道决策方法，其特征在于，所述步骤S2中基于当前车道前车的风险评估的表达式为：

其中，C_L0为跟驰安全距离系数，R_L0∈[0,1]为跟驰风险，R_L0的值越大代表风险越高，a和b为Sigmoid函数的调节参数，为常数，e为自然常数；

所述跟驰安全距离系数C_L0的计算方式为：

其中，S₁为主车的安全跟车距离，S_{L0_actual}为主车与当前车道前车的当前实际纵向距离；

所述主车的安全跟车距离S₁的计算方式为：

其中，v_M为主车行驶速度，t_h为主车驾驶员的反应时间以及驾驶员采取制动至开始减速的时间之和，a_Mmax为主车所能实现的最大减速度，v_L0为当前车道前车制动初始速度，a_L0max为当前车道前车最大制动减速度，L_L0为安全裕度。

4.根据权利要求1所述的一种换道风险评估及个性化换道决策方法，其特征在于，所述步骤S2中基于目标车道后车的风险评估的表达式为：

其中，C_Fd为基于目标车道后车的换道安全距离系数，R_Fd∈[0,1]为基于目标车道后车的换道风险，R_Fd的值越大代表风险越高，a和b为Sigmoid函数的调节参数，为常数，e为自然常数；

所述基于目标车道后车的换道安全距离系数C_Fd的计算方式为：

其中，S₂为基于目标车道后车的最小安全换道距离，S_{Fd_actual}为换道初始时刻主车与目标车道后车之间的实际纵向距离；

所述目标车道后车的最小安全换道距离S₂的计算方式为：

其中，v_Fd为目标车道后车行驶速度，t_lc为主车换道所需花费的时间，v_M为主车行驶速度，t_b为目标车道后车驾驶员反应时间，a_Fdmax为目标车道后车所能产生的最大制动减速度，a_Mmax为主车所能实现的最大制动减速度，L_Fd为安全裕度。

5.根据权利要求1所述的一种换道风险评估及个性化换道决策方法，其特征在于，所述步骤S2中基于目标车道前车的风险评估的表达式为：

其中，C_Ld为基于目标车道前车的换道安全距离系数，R_LD∈[0，1]表示基于目标车道前车的换道风险，R_Ld的值越大代表风险越高，a和b为Sigmoid函数的调节参数，为常数，e为自然常数；

所述基于目标车道前车的换道安全距离系数C_Ld的计算方式为：

其中，S₃为基于目标车道前车的最小安全换道距离，S_{Ld_actual}为换道初始时刻主车与目标车道前车之间的实际纵向距离；

所述基于目标车道前车的最小安全换道距离S₃的计算方式为：

其中，v_M为主车行驶速度，t_lc为主车换道所需花费的时间，v_Ld为目标车道前车行驶速度，t_h为主车驾驶员的反应时间以及驾驶员采取制动至开始减速的时间之和，a_Mmax为主车所能实现的最大制动减速度，a_Ldmax为目标车道前车最大制动减速度，L_Ld为安全裕度。

6.根据权利要求1所述的一种换道风险评估及个性化换道决策方法，其特征在于，所述步骤S3中综合换道风险R为：

R＝R_max+(1-R_max)(w₁R_min+w₂R_L0)

其中，R_max和R_min分别为基于目标车道前车的风险评估结果R_Ld与基于目标车道后车的风险评估结果R_Fd之间的较大值与较小值，R_L0当前车道前车的风险评估结果，w₁与w₂为风险权重因子，均属于[0,1]。

7.根据权利要求1所述的一种换道风险评估及个性化换道决策方法，其特征在于，所述步骤S4具体为：

步骤S41、基于驾驶员驾驶风格的驾驶数据，利用主成分分析法对驾驶员驾驶风格的驾驶数据进行降维处理以减小计算量，再利用K-means聚类方法，划分为三个聚簇，三个聚簇的聚类中心分别对应于相应的作为激进、正常、保守型的驾驶风格综合换道风险阈值；

步骤S42、基于驾驶员驾驶能力的驾驶数据，利用最小安全距离模型建立风险暴露程度模型，根据风险暴露程度模型利用分位数回归分析方法对驾驶员驾驶能力进行评估，分为熟练、正常、生疏型的驾驶能力综合换道风险阈值；

步骤S43、对驾驶风格综合换道风险阈值和驾驶能力综合换道风险阈值进行加权融合得到个性化综合换道风险阈值R_Q。

8.根据权利要求7所述的一种换道风险评估及个性化换道决策方法，其特征在于，

所述风险暴露程度模型具体实现为：规定车辆在行驶过程中，当车辆实际保持距离小于最小安全距离时，最小安全距离和实际距离之差与最小安全距离的平均比值为风险暴露程度，具体表达式为：

其中，P_severity为风险暴露程度值，为大于0的常数，d_mini为第i次计算得到的最小安全距离，d_i为第i次实际保持的距离，n为满足条件的采样次数。

9.根据权利要求1所述的一种换道风险评估及个性化换道决策方法，其特征在于，所述步骤S5具体为：

当综合换道风险R大于个性化综合换道风险阈值R_Q时，则进行换道风险预警，并终止换道行为；当综合换道风险R小于等于个性化综合换道风险阈值R_Q时，则继续进行换道。

Images