CN116187748A - 风险域确定方法、装置、计算机设备、介质和程序产品 - Google Patents
风险域确定方法、装置、计算机设备、介质和程序产品 Download PDFInfo
- Publication number
- CN116187748A CN116187748A CN202211621618.0A CN202211621618A CN116187748A CN 116187748 A CN116187748 A CN 116187748A CN 202211621618 A CN202211621618 A CN 202211621618A CN 116187748 A CN116187748 A CN 116187748A
- Authority
- CN
- China
- Prior art keywords
- crowd
- avoidance
- data
- target
- specific
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 103
- 230000001052 transient effect Effects 0.000 claims abstract description 190
- 238000013507 mapping Methods 0.000 claims abstract description 171
- 230000033001 locomotion Effects 0.000 claims abstract description 97
- 230000005021 gait Effects 0.000 claims description 107
- 238000012935 Averaging Methods 0.000 claims description 61
- 230000035484 reaction time Effects 0.000 claims description 56
- 210000003423 ankle Anatomy 0.000 claims description 38
- 210000003141 lower extremity Anatomy 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 35
- 210000003205 muscle Anatomy 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 24
- 238000013139 quantization Methods 0.000 claims description 24
- 230000009471 action Effects 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 18
- 210000004556 brain Anatomy 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 4
- 230000003205 diastolic effect Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 10
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 210000001624 hip Anatomy 0.000 description 17
- 230000000875 corresponding effect Effects 0.000 description 15
- 230000008602 contraction Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 230000005484 gravity Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000031877 prophase Effects 0.000 description 4
- 210000000689 upper leg Anatomy 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000000528 statistical test Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004220 muscle function Effects 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种风险域确定方法、装置、计算机设备、介质和程序产品。所述方法包括:根据特定人群的运动数据中的主动避让数据构建特定人群的单步瞬态运动学方程,根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程,根据目标人群的单步瞬态运动学方程,获取目标人群的主动避让数据,根据特定人群的运动数据中的主动避让数据和目标人群的主动避让数据,确定行人‑车辆碰撞风险域。采用本方法能够有效地降低试验成本,避免危险刺激试验对目标人群造成的危害,有利于从年龄维度进一步研究行人的主动避让行为。
Description
技术领域
本申请涉及汽车安全技术领域,特别是涉及一种风险域确定方法、装置、计算机设备、介质和程序产品。
背景技术
在汽车安全领域中,针对行人的安全防护问题,形成了以“车载行人检测系统-车载风险预警系统-车载行人安全防护系统”为主体的安全防护措施。相对成熟的自动紧急刹车系统(Autonomous Emergency Braking,AEB)中,可以基于不同原理计算行人-车辆碰撞风险域,从而甄别危险交通工况并采取紧急制动措施。
目前,考虑行人在虚拟危险交通场景中一般会采取后退避让或加速前进的主动避让行为,可以通过分析青年男性志愿者的主动避让数据,来确定行人-车辆碰撞风险域。
然而,目前确定行人-车辆碰撞风险域的方法,存在准确度较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高计算行人-车辆碰撞风险域准确度的风险域确定方法、装置、计算机设备、介质和程序产品。
第一方面,本申请提供了一种风险域确定方法。方法包括:
根据特定人群的运动数据中的主动避让数据构建特定人群的单步瞬态运动学方程;
根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程;
根据目标人群的单步瞬态运动学方程,获取目标人群的主动避让数据;
根据特定人群的运动数据和目标人群的主动避让数据,确定行人-车辆碰撞风险域。
在其中一个实施例中,映射因子包括一级映射因子和二级映射因子,目标人群包括第一目标人群和第二目标人群;根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程,包括:
根据一级映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到第一目标人群的单步瞬态运动学方程;
根据二级映射因子对第一目标人群的单步瞬态运动学方程的参数进行映射,得到第二目标人群的单步瞬态运动学方程;第一目标人群的年龄大于第二目标人群的年龄。
在其中一个实施例中,一级映射因子的获取方法包括:
对特定人群的匀速标准步态周期数据和第一目标人群的匀速标准步态周期数据进行拟合,得到标定因子;
根据特定人群的生理特征信息和第一目标人群的生理特征信息确定修正因子;
根据修正因子对标定因子进行修正,得到一级映射因子。
在其中一个实施例中,生理特征信息包括反映时间和踝关节屈肌信息,修正因子包括第一缩放因子和调整因子;根据特定人群的生理特征信息和第一目标人群的生理特征信息确定修正因子,包括:
根据特定人群的反应时间和第一目标人群的反应时间,确定第一缩放因子;反应时间为行人意识到潜在风险后,大脑作出避让决策至下肢采取避让动作的反应时间;
根据特定人群的踝关节屈肌信息和第一目标人群的踝关节屈肌信息,确定调整因子;踝关节屈肌信息包括踝关节屈肌的收缩时间和半舒张时间。
在其中一个实施例中,二级映射因子的获取方法包括:
获取第一目标人群的运动信息和第二目标人群的运动信息;运动信息包括最大匀速步行速度和生理特征信息,生理特征信息包括反应时间、下肢肌肉信息和踝关节屈肌信息,反应时间为行人意识到潜在风险后,大脑作出避让决策至下肢采取避让动作的反应时间;
根据第一目标人群的运动信息和第二目标人群的运动信息,确定二级映射因子。
在其中一个实施例中,上述方法还包括:
基于虚拟危险交通场景获取特定人群的主动避让数据;
对特定人群的主动避让数据进行均值化处理,得到均值化处理后的主动避让数据;
根据均值化处理后的主动避让数据,拟合得到特定人群的单步瞬态运动学方程的参数。
在其中一个实施例中,对特定人群的主动避让数据进行均值化处理,得到均值化处理后的主动避让数据,包括:
根据特征定人群在每个标准避让步态周期的时长平均值和特定人群中各人员在每个标准避让步态周期的实际时长,确定第二缩放因子;
根据第二缩放因子对各标准避让步态周期内各时刻进行均值化处理,得到均值化处理后的时间轴;
将各标准避让步态周期的主动避让数据映射到均值化处理后的时间轴上,得到均值化处理后的主动避让数据。
在其中一个实施例中,根据特定人群的运动数据和目标人群的主动避让数据,确定行人-车辆碰撞风险域,包括:
对特定人群的运动数据和目标人群的主动避让数据进行量化,得到特定人群的避让能力量化数据和目标人群的避让能力量化数据;
根据特定人群的避让能力量化数据和目标人群的避让能力量化数据,确定行人-车辆碰撞风险域。
在其中一个实施例中,对特定人群的运动数据和目标人群的主动避让数据进行量化,得到特定人群的避让能力量化数据和目标人群的避让能力量化数据,包括:
对特定人群的运动数据求速度平均值和标准差,得到特定人群的主动避让速度走廊对应的避让能力量化数据;主动避让速度走廊包括避让前速度走廊、避让阶段速度走廊和避让后速度走廊;
对目标人群的主动避让数据速度平均值和标准差,得到目标人群的避让阶段速度走廊对应的避让能力量化数据;
根据避让前映射因子对特定人群在避让前速度走廊上的避让能力量化数据进行映射,得到目标人群的在避让前速度走廊上的避让能力量化数据;
根据避让后映射因子对特定人群在避让后速度走廊上的避让能力量化数据进行映射,得到目标人群的在避让后速度走廊上的避让能力量化数据。
在其中一个实施例中,单步瞬态运动学方程的参数包括本侧摆动中期质心速度、本侧摆动中期持续时间、本侧摆动末期与对侧摆动早期转化时刻、本侧摆动末期的减速度和对侧摆动早期的加速度。
第二方面,本申请还提供了一种风险域确定装置。所述装置包括:
构建模块,用于根据特定人群的运动数据中的主动避让数据构建特定人群的单步瞬态运动学方程;
映射模块,用于根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程;
获取模块,用于根据目标人群的单步瞬态运动学方程,获取目标人群的主动避让数据;
确定模块,用于根据特定人群的运动数据和目标人群的主动避让数据,确定行人-车辆碰撞风险域。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据特定人群的运动数据中的主动避让数据构建特定人群的单步瞬态运动学方程;
根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程;
根据目标人群的单步瞬态运动学方程,获取目标人群的主动避让数据;
根据特定人群的运动数据和目标人群的主动避让数据,确定行人-车辆碰撞风险域。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
根据特定人群的运动数据中的主动避让数据构建特定人群的单步瞬态运动学方程;
根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程;
根据目标人群的单步瞬态运动学方程,获取目标人群的主动避让数据;
根据特定人群的运动数据和目标人群的主动避让数据,确定行人-车辆碰撞风险域。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
根据特定人群的运动数据中的主动避让数据构建特定人群的单步瞬态运动学方程;
根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程;
根据目标人群的单步瞬态运动学方程,获取目标人群的主动避让数据;
根据特定人群的运动数据和目标人群的主动避让数据,确定行人-车辆碰撞风险域。
上述风险域确定方法、装置、计算机设备、介质和程序产品,根据特定人群的运动数据中的主动避让数据构建特定人群的单步瞬态运动学方程,根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程,根据目标人群的单步瞬态运动学方程,获取目标人群的主动避让数据,根据特定人群的运动数据和目标人群的主动避让数据,确定行人-车辆碰撞风险域。和现有技术相比,本申请的技术方案基于特定人群的运动数据中的主动避让数据构建特定人群的单步瞬态运动学方程,将行人避让过程函数化,有利于进一步研究虚拟危险交通场景中行人的主动避让行为,进一步的,根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程,并根据目标人群的单步瞬态运动学方程,获取目标人群的主动避让数据,将虚拟危险交通场景中特定人群的主动避让数据合理映射得到目标人群的主动避让数据,这能够有效地降低试验成本,避免危险刺激试验对目标人群造成的危害,有利于从年龄维度进一步研究行人的主动避让行为,进一步的,根据特定人群的运动数据中的主动避让数据和目标人群的主动避让数据,确定行人-车辆碰撞风险域,使得行人-车辆碰撞风险域不仅包括特定人群的行人-车辆碰撞风险域,还包括目标人群的行人-车辆碰撞风险域,这综合考虑了年龄维度对行人主动避让能力的影响,针对性、个性化的生成行人-车辆碰撞风险域,对于提高智能车辆对行人风险的识别具有重要意义,从而有效地提高车辆-行人交互过程中行人的安全性。
附图说明
图1为一个实施例中标准步态划分周期的划分示意图;
图2为一个实施例中简化匀速步行速度波动曲线的示意图;
图3为一个实施例中风险域确定方法的应用环境图;
图4为一个实施例中风险域确定方法的流程示意图;
图5为一个实施例中肌肉反应时间与年龄的关系曲线示意图;
图6为另一个实施例中获取单步瞬态运动学方程的流程示意图;
图7为一个实施例中获取一级映射因子的流程示意图;
图8为一个实施例中减速避让阶段划分的速度-时间曲线示意图;
图9为一个实施例中加速避让阶段划分的速度-时间曲线示意图;
图10为一个实施例中确定调整因子的流程示意图;
图11为一个实施例中确定二级映射因子的流程示意图;
图12为一个实施例中获取单步瞬态运动学方程的流程示意图;
图13为一个实施例中获取均值化处理后的主动避让数据的流程示意图;
图14为一个实施例中确定行人-车辆碰撞风险域的流程示意图;
图15为一个实施例中确定目标人群的避让能力量化数据的流程示意图;
图16为一个实施例中确定行人-车辆碰撞风险域的流程示意图;
图17为一个实施例中风险域确定装置的结构框图;
图18为一个实施例中风险域确定装置的结构框图;
图19为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在虚拟危险交通场景下,特定人群采取急停后退或向前加速的方式主动避让危险来车,然而由于危险来车对于被测试对象存在一定的刺激作用,导致无法招募大量的老人、中年人、小孩等目标人群进行试验并采集其主动避让数据。
根据《运动生物学》对行人步态周期划分的原则,并结合特定人群的正常步行速度数据、避让速度数据以及人体步行对称性简化步态周期,得到可以同时描述行人正常步态与避让步态的标准步态周期。示例性的,行人标准步态周期可以描述行人步行过程中身体单侧各运动环节的状态,如图1所示,选择行人步行一侧摆动中期为标准步态周期的起点,行人对侧摆动中期为终点作为一个完整的标准步态周期。一个完整的标准步态周期时长约0.5s,可以包括本侧摆动中期、摆动末期、支撑前期和支撑中期等。
在下面的各实施例中,为了从数学函数的角度来描述上述标准步态周期,可以对标准步态周期各阶段功能分析后,得到简化后的行人速度波动曲线如图2所示,图中实线为实际瞬时速度,虚线为简化瞬时速度,主要的简化过程如下:
(1)在标准步态周期中,本侧摆动中期的主要作用为维持身体平衡,对于瞬态速度的改变很小,可以认为本侧摆动中期行人质心速度为常数;
(2)本侧摆动末期的主要作用是下肢前向运动减速,由于标准步态的周期约为0.5s相对持续时间较短,可以认为在摆动末期人体质心减速度为常数;
(3)支撑前期是下肢运动的过渡期,其主要作用在于维持平衡,该环节占整个标准步态周期的比重小且其主要功能不是改变速度,可以将支撑前期平均的划分给本侧摆动末期与对侧摆动早期;
(4)对侧摆动早期主要执行屈髋、屈膝等加速肢体运动,可以认为在对侧摆动早期人体质心加速度为常数。
在上面介绍完标准步态周期和简化后的标准步态周期行人速度的波动曲线后,下面将对本申请实施例提供的风险域确定方法所涉及到的实施环境进行简要说明。
本申请实施例提供的风险域确定方法,可以应用于如图3所示的应用环境中。本申请实施例提供的风险域确定方法,可以适用于如图3所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器,该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的,该计算机设备可以是服务器,可以是个人计算机,还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
上述介绍了本申请实施例提供的风险域确定方法的应用场景后,下面重点介绍风险域的确定过程。
在一个实施例中,如图4所示,提供了一种风险域的确定方法,以该方法应用于图3中的计算机设备为例进行说明,包括以下步骤:
S401、根据特定人群的运动数据中的主动避让数据构建特定人群的单步瞬态运动学方程。
其中,特定人群可以为虚拟危险交通场景下容易采集到其速度数据的人群,示例性的,特定人群可以为虚拟危险交通场景下的青年男性志愿者。运动数据可以包括特定人群在虚拟危险交通场景中避让发生前的速度数据、避让发生阶段的速度数据和避让发生后的速度数据。运动数据中的主动避让数据可以为特定人群在虚拟危险交通场景中避让发生阶段的速度数据。单步瞬态运动学方程可以为行人标准步态周期T内的运动学方程。
可选的,上述单步瞬态运动学方程的参数可以包括本侧摆动中期质心速度、本侧摆动中期持续时间、本侧摆动末期与对侧摆动早期转化时刻、本侧摆动末期的减速度和对侧摆动早期的加速度等,本申请实施例不加以限制。
其中,本侧摆动中期质心速度可以为标准步态周期行人速度的波动曲线中行人在本侧摆动中期的最大速度,需要说明的是,该速度为常数,可以用C表示。
其中,本侧摆动中期持续时间可以为从大脑决策到肌肉动作之间存在的延迟时间,本侧摆动中期持续时间可能会受行人肌肉应激反应速度的影响,本侧摆动中期持续时间可以用t1表示,需要说明的是,正常步行工况与危险避让工况的摆动中期持续时间占标准步态周期的比重差别较大。示例性的,如图5所示,格拉斯哥大学(UniversityofGlasgow)统计试验数据表明:下肢肌肉应激动作需要的反应时间与年龄呈正相关,而下肢肌肉应激动作需要的反应时间可以与本侧摆动中期持续时间成正相关,也就是说,本侧摆动中期持续时间与年龄呈正相关。
其中,本侧摆动末期与对侧摆动早期转化时刻可以是从本侧摆动末期向对侧摆动早期的转化的划分时刻,可以用t2表示,需要说明的是,在行人正常步行的标准步态周期中,本侧摆动末期与对侧摆动早期占整个标准步态周期的比重相同,然而在避让阶段的步态中,根据行人避让方式的不同(加速避让、急停后退避让),本侧摆动末期与对侧摆动早期占整个标准步态周期的比重存在较大差异。示例性的,考虑到本侧摆动末期与对侧摆动早期转化时刻与肌肉的响应速度相关,如表1所示,多伦多大学(University ofToronto,UofT)针对衰老与肌肉功能的研究给出了人群踝关节屈肌的收缩时间(ContractionTime,CT)与半舒张时间(Half-Relaxation Time,1/2RT)分别与年龄的关系,该关系可以作为本侧摆动末期与对侧摆动早期转化时刻t2年龄分布特性的数据支撑。
表1年龄-踝关节屈肌收缩、半舒张时间对应关系
其中,本侧摆动末期的减速度可以受大腿髋关节伸肌的收缩力影响,可以用a1表示,对侧摆动早期的加速度可以受大腿髋关节屈肌的收缩力影响,可以用a2表示,需要说明的是,本侧摆动末期大腿髋关节伸肌的收缩可以带动下肢向前摆动,给行人质心向后的加速度,使得行人质心瞬时速度下降,与之相反,对侧摆动早期大腿髋关节屈肌的收缩可以带动下肢对地面施加作用力,地面给行人施加反作用力,使得行人获得向前的加速度,促使行人质心瞬时速度上升。示例性的,如表2所示,迪肯大学(DeakinUniversity)统计试验数据表明,髋关节伸肌、屈肌与年龄相关,可以作为参数a1与a2的年龄分布特性的支撑。
表2年龄-下肢肌力对应关系
在本申请实施例中,可选地,可以根据本侧摆动中期质心速度C、本侧摆动中期持续时间t1、本侧摆动末期与对侧摆动早期转化时刻t2、本侧摆动末期的减速度a1和对侧摆动早期的加速度a2五个参数构造行人标准步态周期T内的单步瞬态运动学方程表达式。示例性的,行人标准步态周期T内的单步瞬态运动学方程表达式可以用公式(1)表示:
在本申请实施例中,可以根据虚拟危险交通场景中采集的特定人群的运动数据中的主动避让数据、正常步行速度数据以及行人标准步态周期,构建特定人群的单步瞬态运动学方程。需要说明的是,单步瞬态运动学方程是与一个标准步态周期内任意时刻和任意时刻对应的速度数据相关的方程。
S402、根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程。
其中,预设的映射因子可以表示特定人群的单步瞬态运动学方程中的各参数与目标人群的单步瞬态运动学方程中的各参数之间的映射关系,需要说明的是,特定人群的单步瞬态运动学方程的各参数和目标人群的单步瞬态运动学方程中的各参数的值可以不同。其中,目标人群可以为虚拟危险交通场景下不易采集到其速度数据的人群,示例性的,目标人群可以为虚拟危险交通场景下的中、老年男性志愿者。
在本申请实施例中,可以根据预设的映射因子将特定人群的单步瞬态运动学方程的参数映射到目标人群的单步瞬态运动学方程的参数,并根据目标人群的单步瞬态运动学方程的参数,得到目标人群的单步瞬态运动学方程。
S403、根据目标人群的单步瞬态运动学方程,获取目标人群的主动避让数据。
其中,目标人群的主动避让数据可以为目标人群在避让发生阶段的速度数据。
在本申请实施例中,可以根据上述S402确定的目标人群的单步瞬态运动学方程,将避让阶段的任意时刻代入目标人群的单步瞬态运动学方程中,可以得到避让发生阶段任意时刻目标人群在避让发生阶段的速度数据。
S404、根据特定人群的运动数据中的主动避让数据和目标人群的主动避让数据,确定行人-车辆碰撞风险域。
其中,行人-车辆碰撞风险域可以为在存在行人和车辆的交通场景中,在一定的行人和车辆的交互时间和空间范围内,存在碰撞风险的车辆-行人相对位置的区域。
在本申请实施例中,可以根据实际采集到的特定人群的运动速度数据和上述S403确定的目标人群的主动避让速度数据,得到特定人群和目标人群的行人-车辆碰撞风险域。
本申请实施例提供的风险域确定方法,根据特定人群的运动数据中的主动避让数据构建特定人群的单步瞬态运动学方程,根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程,根据目标人群的单步瞬态运动学方程,获取目标人群的主动避让数据,根据特定人群的运动数据和目标人群的主动避让数据,确定行人-车辆碰撞风险域。和现有技术相比,本申请的技术方案基于特定人群的运动数据中的主动避让数据构建特定人群的单步瞬态运动学方程,将行人避让过程函数化,有利于进一步研究虚拟危险交通场景中行人的主动避让行为,进一步的,根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程,并根据目标人群的单步瞬态运动学方程,获取目标人群的主动避让数据,将虚拟危险交通场景中特定人群的主动避让数据合理映射得到目标人群的主动避让数据,这能够有效地降低试验成本,避免危险刺激试验对目标人群造成的危害,有利于从不同的年龄维度进一步研究行人的主动避让行为,进一步的,根据特定人群的运动数据中的主动避让数据和目标人群的主动避让数据,确定行人-车辆碰撞风险域,使得行人-车辆碰撞风险域不仅包括特定人群的行人-车辆碰撞风险域,还包括目标人群的行人-车辆碰撞风险域,这综合考虑了各年龄维度的行人主动避让能力,针对性、个性化的生成准确的行人-车辆碰撞风险域,对于提高智能车辆对行人风险的识别具有重要意义,从而有效地提高车辆-行人交互过程中行人的安全性。
在一个实施例中,在图4所示实施例的基础上,映射因子包括一级映射因子和二级映射因子,目标人群包括第一目标人群和第二目标人群,如图6所示,S202“根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程”的过程,可以包括以下步骤:
S601、根据一级映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到第一目标人群的单步瞬态运动学方程。
其中,一级映射因子可以表示特定人群的单步瞬态运动学方程中的各参数与第一目标人群的单步瞬态运动学方程中的各参数之间的映射关系,需要说明的是,特定人群的单步瞬态运动学方程中的各参数和第一目标人群的单步瞬态运动学方程中的各参数的值可以不同。也即,第一目标人群的单步瞬态运动学方程与特定人群的单步瞬态运动学方程的区别,可以为第一目标人群的单步瞬态运动学方程的各参数和特定人群的单步瞬态运动学方程的各参数的数值不同。
在本申请实施例中,可以根据一级映射因子对特定人群的单步瞬态运动学方程的各参数进行映射,得到第一目标人群的单步瞬态运动学方程的各参数,从而根据第一目标人群的单步瞬态运动学方程的各参数确定第一目标人群的单步瞬态运动学方程,例如,将第一目标人群的单步瞬态运动学方程的各参数与对应的一级映射因子相乘,得到第一目标人群的单步瞬态运动学方程的各参数。其中,第一目标人群的年龄大于特定人群的年龄,例如,第一目标人群可以为老年人,特定人群可以为青年人。
S602、根据二级映射因子对第一目标人群的单步瞬态运动学方程的参数进行映射,得到第二目标人群的单步瞬态运动学方程;第一目标人群的年龄大于第二目标人群的年龄。
其中,二级映射因子可以表示第一目标人群的单步瞬态运动学方程中的各参数与第二目标人群的单步瞬态运动学方程中的各参数之间的映射关系,需要说明的是,第一目标人群的单步瞬态运动学方程中的各参数和第二目标人群的单步瞬态运动学方程中的各参数的值可以不同。也即,第二目标人群的单步瞬态运动学方程与第一目标人群的单步瞬态运动学方程的区别,可以为第二目标人群的单步瞬态运动学方程的各参数和第一目标人群的单步瞬态运动学方程的各参数的数值不同。需要说明的是,第一目标人群的年龄大于第二目标人群的年龄,同时,第一目标人群的速度数据作为基线,首先从特定人群的速度数据根据第一映射因子映射到第一目标人群的速度数据,再从第一目标人群的速度数据根据第二映射因子映射到第二目标人群的速度数据。在一般情况下,第一目标人群的年龄最大可以是80岁,第二目标人群的年龄最小可以是40岁,在一般情况下,年龄为80岁的老人和年龄为40岁的中年人的速度数据存在很大区别,根据青年男性的速度避让数据映射出老年男性的速度数据,再根据老年男性的速度数据映射出中年男性的速度避让数据,进一步使得根据不同的映射因子映射出的不同年龄段的速度数据更加精确。
在本申请实施例中,可以根据二级映射因子对第一目标人群的单步瞬态运动学方程的各参数进行映射,得到第二目标人群的单步瞬态运动学方程的各参数,从而根据第二目标人群的单步瞬态运动学方程的各参数确定第二目标人群的单步瞬态运动学方程。其中,第一目标人群的年龄大于第二目标人群的年龄,示例性的,第一目标人群的年龄可以为60-80岁,第二目标人群的年龄可以为40-60岁。
本申请实施例提供的获取目标人群的单步瞬态运动学方程的过程,根据一级映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到第一目标人群的单步瞬态运动学方程,根据二级映射因子对第一目标人群的单步瞬态运动学方程的参数进行映射,得到第二目标人群的单步瞬态运动学方程。本申请实施例中,基于一级映射因子、二级映射因子和特定人群的单步瞬态运动学方程的参数,可以映射得到第一目标人群的单步瞬态运动学方程和第二目标人群的单步瞬态运动学方程,也就是说,基于不同的映射因子将特定人群的单步瞬态运动学方程映射到不同目标人群的单步瞬态运动学方程,这能够有效地降低试验成本,避免危险刺激试验对目标人群造成的危害,有利于从不同年龄维度进一步研究行人的主动避让行为,使得预测得到的行人-车辆碰撞风险域可以适应于各种场景。
在一个实施例中,在图6所示实施例的基础上,如图7所示,上述一级映射因子的获取方法可以包括:
S701、对特定人群的匀速标准步态周期数据和第一目标人群的匀速标准步态周期数据进行拟合,得到标定因子。
其中,匀速标准步态周期数据可以为在行人正常行走时各标准步态周期内实际采集到的速度数据,特定人群的匀速标准步态周期数据可以为特定人群在正常行走时各标准步态周期内实际采集到的速度数据,第一目标人群的匀速标准步态周期数据可以为第一目标人群在正常行走时各标准步态周期内实际采集到的速度数据。
在本申请实施例中,可以根据单步瞬态运动学方程对特定人群的匀速标准步态周期数据进行拟合,得到特定人群的单步瞬态运动学方程的各参数,根据单步瞬态运动学方程对第一目标人群的匀速标准步态周期数据进行拟合,得到第一目标人群的单步瞬态运动学方程的各参数,并将第一目标人群的单步瞬态运动学方程的各参数与特定人群的单步瞬态运动学方程的各参数一一对应求比值,得到各标定因子。需要说明的是,第一目标人群的单步瞬态运动学方程的各参数与特定人群的单步瞬态运动学方程的各参数一一对应求比值,得到各标定因子,可以为第一目标人群的单步瞬态运动学方程的本侧摆动中期质心速度x1与特定人群的单步瞬态运动学方程的本侧摆动中期质心速度x2求比值,得到本侧摆动中期质心速度C的标定因子x;第一目标人群的单步瞬态运动学方程的各参数与特定人群的单步瞬态运动学方程的各参数一一对应求比值,得到各标定因子,也可以为第一目标人群的单步瞬态运动学方程的本侧摆动末期的减速度y1与特定人群的单步瞬态运动学方程的本侧摆动末期的减速度y2求比值,得到本侧摆动末期的减速度的标定因子y。
示例性的,可以根据单步瞬态运动学方程拟合特定人群、第一目标人群的匀速标准步态周期数据,如表3所示,得到特定人群的参数C特、t2特、a1特、a2特以及第一目标人群的参数C一、t2一、a1一、a2一,并对第一目标人群的参数C一与特定人群的参数C特求比值,得到标定因子C标,同理,对第一目标人群的参数t2一与特定人群的参数t2特求比值,得到标定因子t2标,同理,对第一目标人群的参数a1一与特定人群的参数a1特求比值,得到标定因子a1标,同理,对第一目标人群的参数a2一与特定人群的参数a2特求比值,得到标定因子a2标。
表3影响标定因子的参数
需要说明的是,在正常步行匀速标准步态周期中,摆动中期持续时间趋于0,而标准避让步态周期摆动中期持续时间部分取决于意识风险后行人大脑决策到下肢肌肉动作的反应时间,因此可以认为t1取决于生理学机能参数的年龄分布特征,故t1不设定标定因子。其中,标准避让步态周期可以为以行人开始执行避让动作至行人瞬态速度第一次达到波峰时的阶段,也就是说,本侧摆动中期至对侧摆动中期为一个标准避让步态周期,需要说明的是,如图8和图9所示,两个标准避让步态周期共同构成完整的减速避让过程,图8为减速避让阶段的速度划分,在0-t1时间段内目标人群和特定人群均处于匀速运动阶段,在t1时刻发现危险,经过t0-t3一个步态周期和一个步态周期结束后先下降后上升的第二个步态周期,目标人群和特定人群达到避让的步态速度,开始匀速后退;图9为加速避让阶段的速度划分,在0-t1时间段内目标人群和特定人群均处于匀速运动阶段,在t1时刻发现危险,经过t0-t3一个步态周期和一个步态周期结束后先下降后上升的第二个步态周期,目标人群和特定人群达到避让的步态速度,开始匀速前进。
S702、根据特定人群的生理特征信息和第一目标人群的生理特征信息确定修正因子。
其中,生理特征信息可以包括年龄特征信息、避让决策反应时间信息以及避让阶段标准步态周期时长信息。
在本申请实施例中,可以根据特定人群的生理特征信息和第一目标人群的生理特征信息,对两类人群的生理特征信息进行数学处理,从而确定修正因子。需要说明的是,危险工况下行人标准避让步态周期由于避让决策反应时间及执行方式与正常匀速步行不一致,且特定人群和第一目标人群标准步态周期的时长存在差异,因此不能直接利用第一目标人群在正常匀速标准步态周期拟合的单步瞬态运动学方程的参数值与特定人群在正常匀速标准步态周期拟合的单步瞬态运动学方程的参数值的比值,作为危险工况下行人避让时从特定人群的单步瞬态运动学方程的参数向第一目标人群的单步瞬态运动学方程的参数映射的最终映射因子,需要对S701获取的摆动期转化时间t2的标定因子进行修正,另外,可以根据主导行人步行运动的生理学机能参数所具有的年龄分布特性确定摆动中期持续时间t1的缩放因子。
可选的,生理特征信息包括反应时间和踝关节屈肌信息,修正因子包括第一缩放因子和调整因子,如图10所示,根据特定人群的生理特征信息和第一目标人群的生理特征信息确定修正因子,包括:
S1001、根据特定人群的反应时间和第一目标人群的反应时间,确定第一缩放因子;反应时间为行人意识到潜在风险后,大脑作出避让决策至下肢采取避让动作的反应时间。
其中,反应时间可以为虚拟危险交通场景中,行人在意识到潜在风险后,大脑作出避让决策至下肢采取避让动作所持续的时间。
在本申请实施例中,可以根据特定人群的反应时间和第一目标人群的反应时间,获取第一目标人群的反应时间与特定人群的反应时间的比值,从而确定第一缩放因子。需要说明的是,可以利用正弦函数拟合各年龄段行人下肢的反应时间,得到行人下肢反应时间(ReactionTime,RT)与年龄(y)的函数关系,例如,该函数关系可以用公式(2)表示:
RT=1.113e5sin(0.649×y+1.085)+1.109e5sin(0.6506×y-2.057) (2)
示例性的,可以将特定人群的年龄带入上述公式2中,得到特定人群的下肢反应时间RT特,同时,可以将第一目标人群的年龄带入上述公式2中,得到第一目标人群的下肢反应时间RT一,将第一目标人群的下肢反应时间RT一与特定人群的下肢反应时间RT特作比,得到第一缩放因子,需要说明的是,第一缩放因子可以是摆动中期持续时间t1的第一缩放因子。
S1002、根据特定人群的踝关节屈肌信息和第一目标人群的踝关节屈肌信息,确定调整因子;踝关节屈肌信息包括踝关节屈肌的收缩时间和半舒张时间。
其中,踝关节屈肌信息可以包括踝关节屈肌的收缩时间(Contraction Time,CT)和半舒张时间(Half-Relaxation Time,1/2RT)。
在本申请实施例中,可以获取第一目标人群的CT和特定人群的CT的比值,得到第一调整因子,同时,获取第一目标人群的1/2RT和特定人群的1/2RT的比值,得到第二调整因子,将第一调整因子和第二调整因子相乘,得到调整因子。
示例性的,可以利用正弦函数分别拟合University ofToronto提供的人群踝关节屈肌的CT和1/2RT,得到踝关节屈肌的CT与年龄之间的关系,以及踝关节屈肌的1/2RT与年龄之间的关系,踝关节屈肌的CT与年龄的关系可以用公式(3)表示:
CT=186.5×sin(0.008182×y+0.6828) (3)
踝关节屈肌的1/2RT与年龄的关系可以用公式(4)表示:
1/2RT=1547×sin(0.0003306×y+0.06091) (4)
其中,y为年龄。
需要说明的是,可以根据特定人群的年龄、第一目标人群的年龄和公式(3)分别计算出特定人群的CT特和第一目标人群的CT一,获取第一目标人群的CT一与特定人群的CT特的比值,得到第一调整因子,同时,可以根据特定人群的年龄、第一目标人群的年龄和公式(4)分别计算出特定人群的1/2RT特和第一目标人群的1/2RT一,获取第一目标人群的1/2RT一与特定人群的1/2RT特的比值,得到第二调整因子,将第一调整因子与第二调整因子相乘,得到调整因子。
示例性的,影响一级映射因子的各参数可以为C、a1、a2、RT、CT和1/2RT,其中,一级映射因子的C、a1、a2与标定因子的C、a1、a2一致。影响一级映射因子的各参数可以用表4表示。
表4影响一级映射因子的参数
S703、根据修正因子对标定因子进行修正,得到一级映射因子。
在本申请实施例中,可以根据修正因子对上述S701得到的标定因子进行修正,得到一级映射因子。其中,修正因子包括第一缩放因子和调整因子。需要说明的是,可以将第一缩放因子直接作为t1的一级映射因子,并将调整因子与t2的标定因子相乘,得到t2的一级映射因子,其他参数C、a1和a2的标定因子即为C、a1和a2的一级映射因子,从而确定所有参数的一级映射因子。示例性的,可以对表3中的数据按照修正因子进行修正,从而得到各参数的一级映射因子。
本申请实施例提供的一级映射因子的获取过程,根据对特定人群的匀速标准步态周期数据和第一目标人群的匀速标准步态周期数据进行拟合,得到标定因子,根据特定人群的生理特征信息和第一目标人群的生理特征信息确定修正因子,根据修正因子对标定因子进行修正,得到一级映射因子。本申请实施例中,基于特定人群的匀速标准步态周期数据和第一目标人群的匀速标准步态周期数据得到标定因子,进一步根据生理特征信息确定修正因子,利用修正因子对标定因子进行修正,从而得到一级映射因子,这进一步提高了从特定人群的单步瞬态运动学方程映射到第一目标人群的单步瞬态运动学方程的准确率,进而提高了行人-车辆碰撞风险域的准确性。
在一个实施例中,在图10所示实施例的基础上,如图11所示,上述二级映射因子的获取方法可以包括:
S1101、获取第一目标人群的运动信息和第二目标人群的运动信息;运动信息包括最大匀速步行速度和生理特征信息,生理特征信息包括反应时间、下肢肌肉信息和踝关节屈肌信息,反应时间为行人意识到潜在风险后,大脑作出避让决策至下肢采取避让动作的反应时间。
在本申请实施例中,可以根据第一目标人群的年龄特征和相关的公式获取第一目标人群的运动信息,根据第二目标人群的年龄特征和相关的公式获取第二目标人群的运动信息。其中,运动信息可以包括最大匀速步行速度和生理特征信息,生理特征信息包括反应时间、下肢肌肉信息和踝关节屈肌信息,需要说明的是,下肢肌肉信息可以包括髋屈肌肌力和髋外展肌肌力,踝关节屈肌信息可以包括踝关节屈肌收缩时间和半舒张时间。
示例性的,可以根据公式(5)和第一目标人群的年龄特征确定第一目标人群的最大匀速步行速度C一,根据公式(5)和第二目标人群的年龄特征确定第二目标人群的最大匀速步行速度C二。公式(5)可以表示为:
V=-0.00000176×y3+0.00017×y2-0.00576×y+1.408 (5)
示例性的,可以利用正弦函数拟合DeakinUniversity提供的20-90岁男性下肢髋屈肌、髋外展肌肌力数据,得到行人下肢肌肉力量与年龄的对应函数关系,计算第一目标人群、第二目标人群的髋屈肌(Hip Flexor,HF)肌力、髋外展肌(HipAbductor,HA)肌力,HF和HA与年龄的关系可以分别用公式(6)和公式(7)表示:
FHF=334×sin(0.01644×y+1.12) (6)
FHA=200.4×sin(0.0197×y+0.7978) (7)
需要说明的是,可以根据公式(6)和年龄特征分别计算出第一目标人群的HF一和第二目标人群的HF二,可以根据公式(7)和年龄特征分别计算出第一目标人群的HA一和第二目标人群的HA二。
又一示例性的,可以利用正弦函数拟合各年龄段行人下肢反应时间(ReactionTime,RT),得到行人下肢反应时间与年龄之间的函数关系,并用公式(2)表示:
RT=1.113e5sin(0.649×y+1.085)+1.109e5sin(0.6506×y-2.057) (2)
需要说明的是,可以根据公式(2)和第一目标人群、第二目标人群的年龄特征分别计算出第一目标人群的RT一和第二目标人群的RT二。
又一示例性的,可以利用正弦函数拟合University of Toronto提供的人群踝关节屈肌的收缩时间(Contraction Time,CT)和半舒张时间(Half-Relaxation Time,1/2RT),得到踝关节屈肌的CT和1/2RT分别与年龄对应的函数关系,CT和1/2RT与年龄的关系可以分别用公式(3)和公式(4)表示:
CT=186.5×sin(0.008182×y+0.6828) (3)
1/2RT=1547×sin(0.0003306×y+0.06091) (4)
需要说明的是,可以根据公式(3)和第一目标人群、第二目标人群的年龄特征分别计算出第一目标人群的CT一和第二目标人群的CT二,可以根据公式(4)和第一目标人群、第二目标人群的年龄特征分别计算出第一目标人群的1/2RT一和第二目标人群的1/2RT二。
S1102、根据第一目标人群的运动信息和第二目标人群的运动信息,确定二级映射因子。
在本申请实施例中,可以根据第一目标人群的运动信息和第二目标人群的运动信息,并求解第二目标人群的运动信息与对应的第一目标人群的运动信息的比值,从而确定各二级映射因子。示例性的,可以根据S1001确定的第一目标人群的最大匀速步行速度C一和第二目标人群的最大匀速步行速度C二,并获取第二目标人群的最大匀速步行速度C二与第一目标人群的最大匀速步行速度C一的比值,得到最大匀速步行速度C的二级映射因子。又一示例性的,可以根据S1001确定的第一目标人群的下肢反应时间RT一和第二目标人群的下肢反应时间RT二,并获取第二目标人群的下肢反应时间RT二与第一目标人群的下肢反应时间RT一的比值,得到摆动中期持续时间t1的二级映射因子。同理,可以根据S1001确定的第一目标人群的髋屈肌肌力HF一和第二目标人群的髋屈肌肌力HF二,并获取第二目标人群的髋屈肌肌力HF二与第一目标人群的髋屈肌肌力HF一的比值,得到摆动末期减速度a1的二级映射因子。同理,可以根据S1001确定的第一目标人群的髋外展肌肌力HA一和第二目标人群的髋外展肌肌力HA二,并获取第二目标人群的髋外展肌肌力HA二与第一目标人群的髋外展肌肌力HA一的比值,得到摆动早期加速度a2的二级映射因子。同理,可以根据S1001确定的第一目标人群的收缩时间CT一和第一目标人群的半舒张时间1/2RT一,以及第二目标人群的收缩时间CT二和第二目标人群的半舒张时间1/2RT二,并获取第二目标人群的收缩时间CT二和第二目标人群的半舒张时间1/2RT二的乘积与第一目标人群的收缩时间CT一和第一目标人群的半舒张时间1/2RT一的乘积的比值,得到摆动中期转化时间t2的二级映射因子。影响二级映射因子的各参数可以用表5表示。
表5影响二级映射因子的参数
本申请实施例提供的二级映射因子的获取过程,根据获取第一目标人群的运动信息和第二目标人群的运动信息,根据第一目标人群的运动信息和第二目标人群的运动信息,确定二级映射因子。本申请实施例中,通过获取第一目标人群和第二目标人群的运动信息,确定二级映射因子,使得第一目标人群的运动信息与第二目标人群的运动信息联系起来,进一步使得避让数据更加完整。
在一个实施例中,在图11所示实施例的基础上,如图12所示,上述方法还包括:
S1201、基于虚拟危险交通场景获取特定人群的主动避让数据。
在本申请实施例中,可以基于虚拟危险交通场景获取特定人群的主动避让速度数据。其中,虚拟危险交通场景可以为利用虚拟现实技术通过创建三维虚拟交通体验场景和实现人机交互功能而创建的场景。
S1202、对特定人群的主动避让数据进行均值化处理,得到均值化处理后的主动避让数据。
在本申请实施例中,可以对上述S1201获取的特定人群的主动避让速度数据进行均值化处理,得到均值化处理后的主动避让数据。其中,均值化处理可以是对各特定人群的主动避让速度数据求平均值、标准差等数学处理,也可以是对特定人群的主动避让速度数据的周期归一化等。
可选的,如图13所示,对特定人群的主动避让数据进行均值化处理,得到均值化处理后的主动避让数据,可以包括:
S1301、根据特定人群在每个标准避让步态周期的时长平均值和特定人群中各人员在每个标准避让步态周期的实际时长,确定第二缩放因子。
其中,特定人群在每个标准避让步态周期的时长平均值可以为对多名特定人群的第一个标准避让步态周期时长求平均得到的值,以及对多名特定人群的第二个标准避让步态周期时长求平均得到的值。特定人群中各人员在每个标准避让步态周期的实际时长可以为在虚拟危险交通场景中采集到的避让发生阶段数据的第一个标准避让步态周期的各实际时长,以及在虚拟危险交通场景中采集到的避让发生阶段数据的第二个标准避让步态周期的各实际时长。需要说明的是,两个标准避让步态周期共同构成完整的避让过程。
在本申请实施例中,可以根据特定人群在每个标准避让步态周期的时长平均值和特定人群中各人员在每个标准避让步态周期的实际时长,并获取特定人群在每个标准避让步态周期的时长平均值与特定人群中各人员在每个标准避让步态周期的实际时长的比值,根据该比值确定第二缩放因子。
示例性的,可以在5名特定人群的原始完整加速避让速度数据中截取5名特定人群的原始加速避让发生阶段的加速避让速度数据,5名特定人群的两个完整标准避让步态周期的时长均不相同,获取各特定人群的第一个完整标准避让步态周期的时长,并对该时长求平均值,同时将该平均值与各特定人群的第一标准避让步态周期时长作比得到各自的时间第二缩放因子。又一示例性的,获取各特定人群的第二个完整标准避让步态周期的时长,并对该时长求平均值,同时将该平均值与各特定人群的第二标准避让步态周期时长作比得到各自的时间第二缩放因子。
S1302、根据第二缩放因子对各标准避让步态周期内各时刻进行均值化处理,得到均值化处理后的时间轴。
在本申请实施例中,可以根据上述S1301获取的第二缩放因子对各特定人群的标准避让步态周期内的各时刻进行均值化处理,得到均值化处理后的时间轴。其中,均值化处理的过程可以为将上述S1301获取的特定人群的各第二缩放因子分别乘以各特定人群的标准避让步态周期内的各时刻。示例性的,可以用某一位特定人群的第二缩放因子乘以该特定人群的标准避让步态周期内的各时刻,从而得到该特定人群均值化处理后的时间轴,需要说明的是,特定人群中的每一位成员的两个避让阶段在均值化处理后,时间轴的时间长度都是相同的。
S1303、将各标准避让步态周期的主动避让数据映射到均值化处理后的时间轴上,得到均值化处理后的主动避让数据。
本申请实施例中,可以将各特定人群的第一个主动避让周期的主动避让数据均映射到均值化处理后的时间轴上,从而得到均值化处理后的第一个主动避让周期的主动避让数据,同时,将各特定人群的第二个主动避让周期的主动避让数据均映射到均值化处理后的时间轴上,从而得到均值化处理后的第二个主动避让周期的主动避让数据,再将均值化处理后的第一个主动避让周期的主动避让数据和均值化处理后的第二个主动避让周期的主动避让数据在时间轴上做拼接,从而得到各特定人群的完整避让过程。
示例性的,可以将某个特定人群的第一个主动避让周期的主动避让数据映射到均值化处理后的时间轴上,从而得到均值化处理后该特定人群的第一个主动避让周期的主动避让数据,同时,将某个特定人群的第二个主动避让周期的主动避让数据均映射到均值化处理后的时间轴上,从而得到特定人群中该成员均值化处理后的第二个主动避让周期的主动避让数据,再将该成员均值化处理后的第一个主动避让周期的主动避让数据和该成员均值化处理后的第二个主动避让周期的主动避让数据在时间轴上做拼接,从而得到该成员完整的避让过程,遍历所有特定人群,将所有特定人群的真实避让数据都映射在平均化处理后的时间轴上。
S1203、根据均值化处理后的主动避让数据,拟合得到特定人群的单步瞬态运动学方程的参数。
在本申请实施例中,可以根据上述S1202获取的均值化处理后的主动避让数据,拟合得到特定人群的单步瞬态运动学方程的参数,从而根据特定人群的单步瞬态运动学方程的参数和单步瞬态运动学方程构建特定人群的单步瞬态运动学方程。其中,特定人群的单步瞬态运动学方程的参数包括本侧摆动中期质心速度、本侧摆动中期持续时间、本侧摆动末期与对侧摆动早期转化时刻、本侧摆动末期的减速度和对侧摆动早期的加速度。
本申请实施例提供的构建特定人群的单步瞬态运动学方程,基于虚拟危险交通场景获取特定人群的主动避让数据,对特定人群的主动避让数据进行均值化处理,得到均值化处理后的主动避让数据,根据均值化处理后的主动避让数据,拟合得到特定人群的单步瞬态运动学方程的参数。本申请实施例中,基于特定人群的均值化处理后的主动避让数据,构建特定人群的单步瞬态运动学方程,这使得特定人群的每个成员的单步瞬态运动学方程的时长周期均相同,进而有利于将特定人群的单步瞬态运动学方程的参数映射到目标人群的单步瞬态运动学方程的参数时更加准确,进一步提高了确定的行人-车辆碰撞风险域的准确度。
在一个实施例中,在图13所示实施例的基础上,可以根据特定人群的运动数据和目标人群的主动避让数据,来确定行人-车辆的碰撞风险域,如图14所示,S404“根据特定人群的运动数据和目标人群的主动避让数据,确定行人-车辆碰撞风险域”的过程,可以包括:
S1401、对特定人群的运动数据和目标人群的主动避让数据进行量化,得到特定人群的避让能力量化数据和目标人群的避让能力量化数据。
其中,特定人群的运动数据可以包括避让发生前特定人群的速度数据、避让发生阶段特定人群的速度数据和避让发生后特定人群的速度数据。
在本申请实施例中,可以对特定人群的运动数据和目标人群的主动避让数据进行量化,从而得到特定人群的避让能力量化数据和目标人群的避让能力量化数据。其中,量化可以是对特定人群的运动数据和目标人群的主动避让数据进行数学处理,示例性的,量化可以是求特定人群的运动数据和目标人群的主动避让数据的平均值和标准差。
可选的,如图15所示,对特定人群的运动数据和目标人群的主动避让数据进行量化,得到特定人群的避让能力量化数据和目标人群的避让能力量化数据,可以包括:
S1501、对特定人群的运动数据求速度平均值和标准差,得到特定人群的主动避让速度走廊对应的避让能力量化数据;主动避让速度走廊包括避让前速度走廊、避让阶段速度走廊和避让后速度走廊。
在本申请实施例中,对特定人群的各成员的运动数据求平均值和标准差,得到特定人群的主动避让速度走廊,根据特定人群的主动避让速度走廊确定特定人群的避让能力量化数据。其中,特定人群的避让能力量化数据可以根据特定人群的平均值±标准差作为主动避让能力上下限的步行速度走廊确定出来,示例性的,特定人群的避让能力量化数据可以落在特定人群的主动避让速度走廊内。
需要说明的是,特定人群的主动避让速度走廊包括避让前速度走廊、避让阶段速度走廊和避让后速度走廊。也就是说,在虚拟的交通场景中,可以采集特定人群的避让前速度数据、避让阶段速度数据和避让后速度数据,然后将特定人群的避让前速度数据、避让阶段速度数据和避让后速度数据体现在均值化先处理后的时间轴上,就可以确定出特定人群的避让前速度走廊、避让阶段速度走廊和避让后速度走廊。
S1502、对目标人群的主动避让数据速度平均值和标准差,得到目标人群的避让阶段速度走廊对应的避让能力量化数据。
在本申请实施例中,对目标人群的各成员的运动数据求平均值和标准差,得到目标人群的避让速度走廊,根据目标人群的避让速度走廊确定目标人群的避让能力量化数据。其中,可以根据目标人群主动避让数据的平均值±标准差得到的范围,来确定目标人群的避让能力量化数据,示例性的,目标人群的避让能力量化数据可以落在目标人群的避让速度走廊内。需要说明的是,目标人群可以包括第一目标人群和第二目标人群,且,第一目标人群的年龄大于第二目标人群的年龄。
S1503、根据避让前映射因子对特定人群在避让前速度走廊上的避让能力量化数据进行映射,得到目标人群的在避让前速度走廊上的避让能力量化数据。
其中,避让前映射因子可以为目标人群开始执行避让动作时刻的平均避让速度数据与特定人群开始执行避让动作时刻的平均避让速度数据的比值,同时,避让前映射因子也可以是目标人群开始执行避让动作时刻的避让速度数据求标准差后与特定人群开始执行避让动作时刻的避让速度数据求标准差后的比值。
在本申请实施例中,可以根据避让前映射因子和特定人群在避让前速度走廊上的避让能力量化数据,并将避让前映射因子和特定人群在避让前速度走廊上的避让能力量化数据相乘,得到目标人群的在避让前速度走廊上的避让能力量化数据。
S1504、根据避让后映射因子对特定人群在避让后速度走廊上的避让能力量化数据进行映射,得到目标人群的在避让后速度走廊上的避让能力量化数据。
其中,避让后映射因子可以为目标人群结束避让动作时刻的平均避让速度数据与特定人群结束避让动作时刻的平均避让速度数据的比值,同时,避让后映射因子也可以是目标人群结束执行避让动作时刻的避让速度数据求标准差后与特定人群结束执行避让动作时刻的避让速度数据求标准差后的比值。。
在本申请实施例中,可以将避让后映射因子和特定人群在避让后速度走廊上的避让能力量化数据相乘,得到目标人群的在避让后速度走廊上的避让能力量化数据。
S1402、根据特定人群的避让能力量化数据和目标人群的避让能力量化数据,确定行人-车辆碰撞风险域。
其中,行人-车辆碰撞风险域可以根据车辆和行人当时的行驶速度、行驶方向、相对位置等信息确定出来。示例性的,在给定工况为车辆的行驶速度vv=60km/h,车辆探测到的行人在车辆的左前方,且车辆和行人的运动方向垂直,可以基于特定人群在虚拟危险交通场景下主动避让数据映射得到目标人群在虚拟危险交通场景下主动避让数据,从而得到特定人群和目标人群的主动避让能力,并按照已有的行人-车辆碰撞风险域计算原则,计算目标人群和特定人群的行人-车辆碰撞风险域。需要说明的是,行人-车辆碰撞风险域的设计还涉及到汽车的车宽、车速等信息。
在本申请实施例中,可以根据特定人群的避让能力量化数据和目标人群的避让能力量化数据,得到特定人群和目标人群的主动避让能力,根据特定人群和目标人群的主动避让能力,按照已有的行人-车辆碰撞风险域计算原则,确定行人-车辆碰撞风险域。
本申请实施例提供的行人-车辆碰撞风险域的确定过程,根据对特定人群的运动数据和目标人群的主动避让数据进行量化,得到特定人群的避让能力量化数据和目标人群的避让能力量化数据,根据特定人群的避让能力量化数据和目标人群的避让能力量化数据,确定行人-车辆碰撞风险域。在本申请实施例中,基于特定人群的运动数据和目标人群的主动避让数据,确定特定人群的主动避让速度走廊和目标人群的避让阶段速度走廊,进一步的,基于特定人群的避让前的速度数据确定目标人群的避让前的速度数据,基于特定人群的避让后的速度数据确定目标人群的避让后的速度数据,基于目标人群的避让前的速度数据、目标人群的避让能力量化数据和目标人群的避让后的速度数据得到目标人群完整的主动避让速度走廊,从而根据目标人群完整的主动避让速度走廊确定出目标人群的避让能力量化数据,进一步的得到完整的行人-车辆碰撞风险域,这使得确定的行人-车辆碰撞风险域不仅包括特定人群完整的行人-车辆碰撞风险域还包括目标人群完整的行人-车辆碰撞风险域,进一步使得行人-车辆碰撞风险域更加完整,可靠性更高。
在一个实施例中,图16为本申请实施例提供的一种风险域确定方法的流程图,如图16所示,该方法可以包括以下步骤:
S1601、基于虚拟危险交通场景获取特定人群的主动避让数据。
S1602、根据特征定人群在每个标准避让步态周期的时长平均值和特定人群中各人员在每个标准避让步态周期的实际时长,确定第二缩放因子。
S1603、根据第二缩放因子对各标准避让步态周期内各时刻进行均值化处理,得到均值化处理后的时间轴。
S1604、将各标准避让步态周期的主动避让数据映射到均值化处理后的时间轴上,得到均值化处理后的主动避让数据。
S1605、根据均值化处理后的主动避让数据,拟合得到所述特定人群的单步瞬态运动学方程的参数。
S1606、对特定人群的匀速标准步态周期数据和第一目标人群的匀速标准步态周期数据进行拟合,得到标定因子。
S1607、根据特定人群的反应时间和第一目标人群的反应时间,确定第一缩放因子。
S1608、根据特定人群的踝关节屈肌信息和第一目标人群的踝关节屈肌信息,确定调整因子。
S1609、根据修正因子对标定因子进行修正,得到一级映射因子。
S1610、根据一级映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到第一目标人群的单步瞬态运动学方程。
S1611、获取第一目标人群的运动信息和第二目标人群的运动信息。
S1612、根据第一目标人群的运动信息和第二目标人群的运动信息,确定二级映射因子。
S1613、根据二级映射因子对第一目标人群的单步瞬态运动学方程的参数进行映射,得到第二目标人群的单步瞬态运动学方程。
S1614、根据目标人群的单步瞬态运动学方程,获取目标人群的主动避让数据。
S1615、对特定人群的运动数据求速度平均值和标准差,得到特定人群的主动避让速度走廊对应的避让能力量化数据。
S1616、对目标人群的主动避让数据速度平均值和标准差,得到目标人群的避让阶段速度走廊对应的避让能力量化数据。
S1617、根据避让前映射因子对特定人群在避让前速度走廊上的避让能力量化数据进行映射,得到目标人群的在避让前速度走廊上的避让能力量化数据。
S1618、根据避让后映射因子对特定人群在避让后速度走廊上的避让能力量化数据进行映射,得到目标人群的在避让后速度走廊上的避让能力量化数据。
S1619、根据特定人群的避让能力量化数据和目标人群的避让能力量化数据,确定行人-车辆碰撞风险域。
本申请实施例提供的风险域的确定方法,根据特定人群的运动数据中的主动避让数据构建特定人群的单步瞬态运动学方程,根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程,根据目标人群的单步瞬态运动学方程,获取目标人群的主动避让数据,根据特定人群的运动数据和目标人群的主动避让数据,确定行人-车辆碰撞风险域。和现有技术相比,本申请的技术方案基于特定人群的运动数据中的主动避让数据构建特定人群的单步瞬态运动学方程,将行人避让过程函数化,有利于进一步研究虚拟危险交通场景中行人的主动避让行为,进一步的,根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程,并根据目标人群的单步瞬态运动学方程,获取目标人群的主动避让数据,将虚拟危险交通场景中特定人群的主动避让数据合理映射得到目标人群的主动避让数据,这能够有效地降低试验成本,避免危险刺激试验对目标人群造成的危害,有利于从年龄维度进一步研究行人的主动避让行为,进一步的,根据特定人群的运动数据中的主动避让数据和目标人群的主动避让数据,确定行人-车辆碰撞风险域,使得行人-车辆碰撞风险域不仅包括特定人群的行人-车辆碰撞风险域,还包括目标人群的行人-车辆碰撞风险域,这综合考虑了年龄维度对行人主动避让能力的影响,针对性、个性化的生成行人-车辆碰撞风险域,对于提高智能车辆对行人风险的识别具有重要意义,从而有效地提高车辆-行人交互过程中行人的安全性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的风险域确定方法的风险域确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个风险域确定装置实施例中的具体限定可以参见上文中对于风险域确定方法的限定,在此不再赘述。
在一个实施例中,如图17所示,提供了一种风险域确定装置,包括:第一构建模块1701、映射模块1702、第一获取模块1703和确定模块1704,其中:
第一构建模块1701,用于根据特定人群的运动数据中的主动避让数据构建特定人群的单步瞬态运动学方程。
映射模块1702,用于根据预设的映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程。
第一获取模块1703,用于根据目标人群的单步瞬态运动学方程,获取目标人群的主动避让数据。
确定模块1704,用于根据特定人群的运动数据中的主动避让数据和目标人群的主动避让数据,确定行人-车辆碰撞风险域。
在一个实施例中,上述映射因子包括一级映射因子和二级映射因子,上述目标人群包括第一目标人群和第二目标人群,上述映射模块1702,包括:第一映射单元和第二映射单元,其中:
第一映射单元,具体用于根据一级映射因子对特定人群的单步瞬态运动学方程的参数进行映射,得到第一目标人群的单步瞬态运动学方程。
第二映射单元,具体用于根据二级映射因子对第一目标人群的单步瞬态运动学方程的参数进行映射,得到第二目标人群的单步瞬态运动学方程;第一目标人群的年龄大于第二目标人群的年龄。
在一个实施例中,第一映射单元,具体用于对特定人群的匀速标准步态周期数据和第一目标人群的匀速标准步态周期数据进行拟合,得到标定因子;根据特定人群的生理特征信息和第一目标人群的生理特征信息确定修正因子;根据修正因子对标定因子进行修正,得到一级映射因子。
在一个实施例中,生理特征信息包括反映时间和踝关节屈肌信息,修正因子包括第一缩放因子和调整因子,第一映射单元,具体用于根据特定人群的反应时间和第一目标人群的反应时间,确定第一缩放因子;反应时间为行人意识到潜在风险后,大脑作出避让决策至下肢采取避让动作的反应时间;根据特定人群的踝关节屈肌信息和第一目标人群的踝关节屈肌信息,确定调整因子;踝关节屈肌信息包括踝关节屈肌的收缩时间和半舒张时间。
在一个实施例中,第二映射单元,具体用于获取第一目标人群的运动信息和第二目标人群的运动信息;运动信息包括最大匀速步行速度和生理特征信息,生理特征信息包括反应时间、下肢肌肉信息和踝关节屈肌信息,反应时间为行人意识到潜在风险后,大脑作出避让决策至下肢采取避让动作的反应时间;根据第一目标人群的运动信息和第二目标人群的运动信息,确定二级映射因子。
在一个实施例中,如图17所示,上述装置还包括:第二获取模块1705、处理模块1706和第二构建模块1707,其中:
第二获取模块1705,用于基于虚拟危险交通场景获取特定人群的主动避让数据。
处理模块1706,用于对特定人群的主动避让数据进行均值化处理,得到均值化处理后的主动避让数据。
第二构建模块1707,用于根据均值化处理后的主动避让数据,拟合得到特定人群的单步瞬态运动学方程的参数。
在一个实施例中,上述处理模块1706,包括:第一确定单元、处理单元和获取单元,其中:
第一确定单元,具体用于根据特定人群在每个标准避让步态周期的时长平均值和特定人群中各人员在每个标准避让步态周期的实际时长,确定第二缩放因子。
处理单元,具体用于根据第二缩放因子对各标准避让步态周期内各时刻进行均值化处理,得到均值化处理后的时间轴。
获取单元,具体用于将各标准避让步态周期的主动避让数据映射到均值化处理后的时间轴上,得到均值化处理后的主动避让数据。
在一个实施例中,上述确定模块1704,包括:量化单元和第二确定单元,其中:
量化单元,具体用于对特定人群的运动数据和目标人群的主动避让数据进行量化,得到特定人群的避让能力量化数据和目标人群的避让能力量化数据。
第二确定单元,具体用于根据特定人群的避让能力量化数据和目标人群的避让能力量化数据,确定行人-车辆碰撞风险域。
在一个实施例中,上述量化单元,具体用于对特定人群的运动数据求速度平均值和标准差,得到特定人群的主动避让速度走廊对应的避让能力量化数据;主动避让速度走廊包括避让前速度走廊、避让阶段速度走廊和避让后速度走廊;对目标人群的主动避让数据速度平均值和标准差,得到目标人群的避让阶段速度走廊对应的避让能力量化数据;根据避让前映射因子对特定人群在避让前速度走廊上的避让能力量化数据进行映射,得到目标人群的在避让前速度走廊上的避让能力量化数据;根据避让后映射因子对特定人群在避让后速度走廊上的避让能力量化数据进行映射,得到目标人群的在避让后速度走廊上的避让能力量化数据。
在一个实施例中,上述单步瞬态运动学方程的参数包括本侧摆动中期质心速度、本侧摆动中期持续时间、本侧摆动末期与对侧摆动早期转化时刻、本侧摆动末期的减速度和对侧摆动早期的加速度。
上述风险域确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图19所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储主动避让数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种风险域确定方法。
本领域技术人员可以理解,图19中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(DynamicRandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (14)
1.一种风险域确定方法,其特征在于,所述方法包括:
根据特定人群的运动数据中的主动避让数据构建所述特定人群的单步瞬态运动学方程;
根据预设的映射因子对所述特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程;
根据所述目标人群的单步瞬态运动学方程,获取所述目标人群的主动避让数据;
根据所述特定人群的运动数据和所述目标人群的主动避让数据,确定行人-车辆碰撞风险域。
2.根据权利要求1所述的方法,其特征在于,所述映射因子包括一级映射因子和二级映射因子,所述目标人群包括第一目标人群和第二目标人群;所述根据预设的映射因子对所述特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程,包括:
根据所述一级映射因子对所述特定人群的单步瞬态运动学方程的参数进行映射,得到第一目标人群的单步瞬态运动学方程;
根据所述二级映射因子对所述第一目标人群的单步瞬态运动学方程的参数进行映射,得到第二目标人群的单步瞬态运动学方程;所述第一目标人群的年龄大于所述第二目标人群的年龄。
3.根据权利要求2所述的方法,其特征在于,所述一级映射因子的获取方法包括:
对所述特定人群的匀速标准步态周期数据和所述第一目标人群的匀速标准步态周期数据进行拟合,得到标定因子;
根据所述特定人群的生理特征信息和所述第一目标人群的生理特征信息确定修正因子;
根据所述修正因子对所述标定因子进行修正,得到所述一级映射因子。
4.根据权利要求3所述的方法,其特征在于,所述生理特征信息包括反应时间和踝关节屈肌信息,所述修正因子包括第一缩放因子和调整因子;所述根据所述特定人群的生理特征信息和所述第一目标人群的生理特征信息确定修正因子,包括:
根据所述特定人群的反应时间和所述第一目标人群的反应时间,确定第一缩放因子;所述反应时间为行人意识到潜在风险后,大脑作出避让决策至下肢采取避让动作的反应时间;
根据所述特定人群的踝关节屈肌信息和所述第一目标人群的踝关节屈肌信息,确定所述调整因子;所述踝关节屈肌信息包括所述踝关节屈肌的收缩时间和半舒张时间。
5.根据权利要求2所述的方法,其特征在于,所述二级映射因子的获取方法包括:
获取所述第一目标人群的运动信息和所述第二目标人群的运动信息;所述运动信息包括最大匀速步行速度和生理特征信息,所述生理特征信息包括反应时间、下肢肌肉信息和踝关节屈肌信息,所述反应时间为行人意识到潜在风险后,大脑作出避让决策至下肢采取避让动作的反应时间;
根据所述第一目标人群的运动信息和所述第二目标人群的运动信息,确定所述二级映射因子。
6.根据权利要求1-5任选一项所述的方法,其特征在于,所述方法还包括:
基于虚拟危险交通场景获取所述特定人群的主动避让数据;
对所述特定人群的主动避让数据进行均值化处理,得到均值化处理后的主动避让数据;
根据所述均值化处理后的主动避让数据,拟合得到所述特定人群的单步瞬态运动学方程的参数。
7.根据权利要求6所述的方法,其特征在于,对所述特定人群的主动避让数据进行均值化处理,得到均值化处理后的主动避让数据,包括:
根据所述特征定人群在每个标准避让步态周期的时长平均值和所述特定人群中各人员在每个标准避让步态周期的实际时长,确定第二缩放因子;
根据所述第二缩放因子对各所述标准避让步态周期内各时刻进行均值化处理,得到均值化处理后的时间轴;
将各所述标准避让步态周期的主动避让数据映射到所述均值化处理后的时间轴上,得到所述均值化处理后的主动避让数据。
8.根据权利要求1-5任选一项所述的方法,其特征在于,所述根据所述特定人群的运动数据和所述目标人群的主动避让数据,确定行人-车辆碰撞风险域,包括:
对所述特定人群的运动数据和所述目标人群的主动避让数据进行量化,得到所述特定人群的避让能力量化数据和所述目标人群的避让能力量化数据;
根据所述特定人群的避让能力量化数据和所述目标人群的避让能力量化数据,确定所述行人-车辆碰撞风险域。
9.根据权利要求8所述的方法,其特征在于,所述对所述特定人群的运动数据和所述目标人群的主动避让数据进行量化,得到所述特定人群的避让能力量化数据和所述目标人群的避让能力量化数据,包括:
对所述特定人群的运动数据求速度平均值和标准差,得到所述特定人群的主动避让速度走廊对应的避让能力量化数据;所述主动避让速度走廊包括避让前速度走廊、避让阶段速度走廊和避让后速度走廊;
对所述目标人群的主动避让数据速度平均值和标准差,得到所述目标人群的避让阶段速度走廊对应的避让能力量化数据;
根据避让前映射因子对所述特定人群在避让前速度走廊上的避让能力量化数据进行映射,得到所述目标人群的在避让前速度走廊上的避让能力量化数据;
根据避让后映射因子对所述特定人群在避让后速度走廊上的避让能力量化数据进行映射,得到所述目标人群的在避让后速度走廊上的避让能力量化数据。
10.根据权利要求1-5任选一项所述的方法,其特征在于,所述单步瞬态运动学方程的参数包括本侧摆动中期质心速度、本侧摆动中期持续时间、本侧摆动末期与对侧摆动早期转化时刻、本侧摆动末期的减速度和对侧摆动早期的加速度。
11.一种风险域确定装置,其特征在于,所述装置包括:
构建模块,用于根据特定人群的运动数据中的主动避让数据构建所述特定人群的单步瞬态运动学方程;
映射模块,用于根据预设的映射因子对所述特定人群的单步瞬态运动学方程的参数进行映射,得到目标人群的单步瞬态运动学方程;
获取模块,用于根据所述目标人群的单步瞬态运动学方程,获取所述目标人群的主动避让数据;
确定模块,用于根据所述特定人群的运动数据中的主动避让数据和所述目标人群的主动避让数据,确定行人-车辆碰撞风险域。
12.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
13.一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,所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
14.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211621618.0A CN116187748B (zh) | 2022-12-16 | 2022-12-16 | 风险域确定方法、装置、计算机设备、介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211621618.0A CN116187748B (zh) | 2022-12-16 | 2022-12-16 | 风险域确定方法、装置、计算机设备、介质和程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116187748A true CN116187748A (zh) | 2023-05-30 |
CN116187748B CN116187748B (zh) | 2023-12-29 |
Family
ID=86439295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211621618.0A Active CN116187748B (zh) | 2022-12-16 | 2022-12-16 | 风险域确定方法、装置、计算机设备、介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187748B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110246156A1 (en) * | 2008-12-23 | 2011-10-06 | Continental Safety Engineering International Gmbh | Method for Determining the Probability of a Collision of a Vehicle With a Living Being |
CN111497840A (zh) * | 2020-04-27 | 2020-08-07 | 清华大学 | 车辆-行人碰撞风险域的计算方法及安全评价系统 |
WO2021082864A1 (zh) * | 2019-10-30 | 2021-05-06 | 武汉理工大学 | 一种基于深度强化学习的群无人艇智能避碰方法 |
KR20210065075A (ko) * | 2020-05-14 | 2021-06-03 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 차량 주행 궤적의 예측 방법, 장치, 기기 및 저장 매체 |
WO2021258333A1 (zh) * | 2020-06-24 | 2021-12-30 | 中国科学院深圳先进技术研究院 | 一种步态异常早期识别与风险预警方法和装置 |
CN114898042A (zh) * | 2022-05-20 | 2022-08-12 | 南京理工大学 | 基于时空紧迫性的人车碰撞危险态势预测方法 |
CN114987498A (zh) * | 2022-06-10 | 2022-09-02 | 清华大学 | 自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质 |
-
2022
- 2022-12-16 CN CN202211621618.0A patent/CN116187748B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110246156A1 (en) * | 2008-12-23 | 2011-10-06 | Continental Safety Engineering International Gmbh | Method for Determining the Probability of a Collision of a Vehicle With a Living Being |
WO2021082864A1 (zh) * | 2019-10-30 | 2021-05-06 | 武汉理工大学 | 一种基于深度强化学习的群无人艇智能避碰方法 |
CN111497840A (zh) * | 2020-04-27 | 2020-08-07 | 清华大学 | 车辆-行人碰撞风险域的计算方法及安全评价系统 |
KR20210065075A (ko) * | 2020-05-14 | 2021-06-03 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 차량 주행 궤적의 예측 방법, 장치, 기기 및 저장 매체 |
WO2021258333A1 (zh) * | 2020-06-24 | 2021-12-30 | 中国科学院深圳先进技术研究院 | 一种步态异常早期识别与风险预警方法和装置 |
CN114898042A (zh) * | 2022-05-20 | 2022-08-12 | 南京理工大学 | 基于时空紧迫性的人车碰撞危险态势预测方法 |
CN114987498A (zh) * | 2022-06-10 | 2022-09-02 | 清华大学 | 自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质 |
Non-Patent Citations (2)
Title |
---|
LI QUAN ET AL.: ""Kinetic and Kinematic Features of Pedestrian Avoidance Behavior in Motor Vehicle Conflicts"", 《FRONTIERS IN BIOENGINEERING AND BIOTECHNOLOGY》, pages 1 - 12 * |
郭景华;李克强;王进;陈涛;李文昌;王班;: "基于危险场景聚类分析的前车随机运动状态预测研究", 汽车工程, no. 07, pages 5 - 11 * |
Also Published As
Publication number | Publication date |
---|---|
CN116187748B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210241107A1 (en) | Method, apparatus, device, and storage medium for training image semantic segmentation network | |
Ananthanarayanan et al. | Video analytics-killer app for edge computing | |
Usher et al. | Network amplification of local fluctuations causes high spike rate variability, fractal firing patterns and oscillatory local field potentials | |
CN104424235A (zh) | 实现用户信息聚类的方法和装置 | |
HRP20210573T1 (hr) | Posredovanje u upozoravanju na katastrofe uz pomoć prirode | |
CN111709285A (zh) | 一种基于无人机的疫情防护监控方法、装置和存储介质 | |
BR112020026198A2 (pt) | sistemas e métodos para determinação de potencial evento malicioso | |
CN109360239B (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
Boyle et al. | An intuitive safety factor for cardiac propagation | |
CN111209833B (zh) | 一种疲劳驾驶检测方法及无人驾驶设备 | |
JP2023534048A (ja) | データ送信方法および装置 | |
CN116187748B (zh) | 风险域确定方法、装置、计算机设备、介质和程序产品 | |
WO2022228142A1 (zh) | 对象密度确定方法、装置、计算机设备和存储介质 | |
CN109522846A (zh) | 一种起立监测方法、装置、服务器及起立监测系统 | |
DE102015209602B4 (de) | Umweltmessungen mittels geographisch verteilter, mobiler Sensoren | |
JP6096388B2 (ja) | ニューラルネットワークモデルにおけるドップラー効果処理 | |
DE112019007517T5 (de) | Leistungsoptimierung bei häufigen betriebsausfällen | |
CN105843578B (zh) | 一种拼接墙回显方法、装置及系统 | |
CN106611100B (zh) | 一种用户行为分析方法和装置 | |
CN114820973A (zh) | 代价地图生成方法、装置、计算机设备和存储介质 | |
CN110019608A (zh) | 一种信息采集方法、装置和系统及存储设备 | |
CN113221709A (zh) | 用于识别用户运动的方法、装置及热水器 | |
Khyam et al. | Neuromorphic computing for autonomous mobility in natural environments | |
JP7189000B2 (ja) | 情報処理装置、車載制御装置、車両制御システム | |
CN116704296B (zh) | 一种图像处理方法、装置、系统、设备及计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |