CN116644585B - 基于目标车辆危险度的险态场景数据生成方法和装置 - Google Patents

基于目标车辆危险度的险态场景数据生成方法和装置 Download PDF

Info

Publication number
CN116644585B
CN116644585B CN202310624943.0A CN202310624943A CN116644585B CN 116644585 B CN116644585 B CN 116644585B CN 202310624943 A CN202310624943 A CN 202310624943A CN 116644585 B CN116644585 B CN 116644585B
Authority
CN
China
Prior art keywords
vehicle
target
state information
information
target vehicle
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.)
Active
Application number
CN202310624943.0A
Other languages
English (en)
Other versions
CN116644585A (zh
Inventor
聂冰冰
匡高远
王情帆
卢天乐
周青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202310624943.0A priority Critical patent/CN116644585B/zh
Publication of CN116644585A publication Critical patent/CN116644585A/zh
Application granted granted Critical
Publication of CN116644585B publication Critical patent/CN116644585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种基于目标车辆危险度的险态场景数据生成方法和装置。方法包括：采集自然状态下的多个车道的各车辆的驾驶数据，并确定每个车辆的运动学状态信息；针对每个车道，筛选该车道的目标车辆，并基于目标车辆的运动学状态信息、以及目标车辆的相邻车辆的运动学状态信息，通过危险性评分算法，计算各相邻车辆对目标车辆的危险度；将大于危险度阈值的危险度对应的相邻车辆作为目标险态车辆，并基于重新获取目标险态车辆的当前运动学状态信息、以及目标车辆的当前运动学状态信息，通过仿真驾驶网络，采集碰撞场景情况下的目标车辆与目标险态车辆的运动学状态信息，作为险态场景数据。采用本方法能够提升生成险态场景数据的效率。

Description

基于目标车辆危险度的险态场景数据生成方法和装置
技术领域
本申请涉及人工智能技术领域，特别是涉及一种基于目标车辆危险度的险态场景数据生成方法和装置。
背景技术
随着安全驾驶防护技术的发展，为更好的提高驾驶模拟试验中人类驾驶员的主动应激、避险行为的数据采集效率，并为人类驾驶员险态虚拟试验大规模数据集的建立提供基础，需要模拟险态场景下车辆的驾驶情况，但现有问题在于，由于险态场景的出现在真实交通环境中属于小概率事件，涉及碰撞或近碰撞(Nearaccident)事故的驾驶行为数据仍比较匮乏，因此如何生成险态场景是当前安全驾驶防护技术的研究重点。
传统险态场景数据生成方式是依靠交通事故或近碰撞数据，数据来源一般由专业团队在交通事故后通过提取交通事故场景的路侧视频片段、车载传感器数据中的人-车-路信息以及事故现场勘探、调研和采集，从而将采集的数据进行仿真生成险态场景。但是由于人工采集真实事故信息的成本巨大，且基于真实碰撞场景重建的各车辆的驾驶数据较少，从而导致生成的险态场景数据的效率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种基于目标车辆危险度的险态场景数据生成方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种基于目标车辆危险度的险态场景数据生成方法。所述方法包括：
采集自然状态下的多个车道的各车辆的驾驶数据，并基于每个车辆的驾驶数据，确定每个车辆的运动学状态信息；
在所有车道的各车辆中，任意筛选目标车辆，并基于所述目标车辆的运动学状态信息、以及所述目标车辆的相邻车辆的运动学状态信息，通过危险性评分算法，计算各所述相邻车辆对所述目标车辆的危险度；
将大于危险度阈值的危险度对应的相邻车辆作为目标险态车辆，并重新获取所述目标险态车辆的当前驾驶数据、以及所述目标车辆的当前驾驶数据，并基于各所述目标险态车辆的当前驾驶数据、以及所述目标车辆的当前驾驶数据，确定各所述目标险态车辆的当前运动学状态信息、以及所述目标车辆的当前运动学状态信息；
基于所述目标车辆的当前运动学状态信息、以及所述目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，仿真所述目标车辆与所述各目标险态车辆的驾驶过程，并在所述驾驶过程中存在所述目标车辆与所述目标险态车辆的碰撞场景的情况下，采集所述碰撞场景情况下的所述目标车辆与所述目标险态车辆的运动学状态信息，作为险态场景数据。
可选的，所述驾驶数据为历史时段的驾驶视频数据，所述基于每个车辆的驾驶数据，确定每个车辆的运动学状态信息，包括：
基于所述车辆的驾驶视频数据建立三维坐标系，并确定历史时段中所述车辆在所述三维坐标系的各时刻的位置信息；
根据所述车辆的驾驶视频数据对应的历史时段的时长、以及所述车辆在所述驾驶视频数据对应的历史时长的各时刻的位置信息，计算所述车辆的速度信息、以及所述车辆的加速度信息；
基于所述历史时段中所述车辆在所述三维坐标系的各时刻的位置信息，识别所述车辆在所述历史时段的换道行为信息、以及所述车辆在所述历史时段的超车行为信息，并将所述车辆在所述历史时段的速度信息、所述车辆在所述历史时段的加速度信息、所述车辆在所述历史时段的位置信息、所述车辆在所述历史时段的换道行为信息、以及所述车辆在所述历史时段的超车行为信息，作为所述车辆的运动学状态信息。
可选的，所述基于所述目标车辆的运动学状态信息、以及所述目标车辆的相邻车辆的运动学状态信息，通过危险性评分算法，计算各所述相邻车辆对所述目标车辆的危险度，包括：
基于所述历史时段中的所述目标车辆的各位置信息、以及所述历史时段中各所述目标车辆的相邻车辆的各位置信息，计算所述目标车辆与各所述目标车辆的相邻车辆之间的平均相对距离，并基于所述历史时段中的所述目标车辆的各速度信息、以及所述历史时段中各所述目标车辆的相邻车辆的各速度信息，计算所述目标车辆与各所述目标车辆的相邻车辆之间的平均相对速度；
在所述平均相对距离大于相对距离阈值、或所述平均相对速度大于相对速度阈值的情况下，将所述大于相对距离阈值的平均相对距离的所述目标车辆的相邻车辆作为无影响车辆、或大于相对速度阈值的平均相对速度的所述目标车辆的相邻车辆作为无影响车辆，并确定所述无影响车辆的危险度；
在所述平均相对距离小于相对距离阈值、且平均相对速度大于相对速度阈值的情况下，将所述小于相对距离阈值的平均相对距离、且平均相对速度大于相对速度阈值对应的所述目标车辆的相邻车辆作为有影响车辆，并基于所述目标车辆的运动学状态信息、以及各所述有影响车辆的运动学状态信息，通过所述目标车辆与各所述有影响车辆对应的危险性评分算法，计算各所述有影响车辆对所述目标车辆的危险度。
可选的，所述基于所述目标车辆的运动学状态信息、以及各所述有影响车辆的运动学状态信息，通过所述目标车辆与各所述有影响车辆对应的危险性评分算法，计算各所述有影响车辆对所述目标车辆的危险度，包括：
针对每个有影响车辆，计算所述历史时段的所述目标车辆与所述有影响车辆之间各相邻时刻的相对距离变化值，并将所述相对距离变化值进行归一化处理，得到所述有影响车辆的各时刻的距离影响权值；
基于所述有影响车辆的各时刻的距离影响权值、所述目标车辆的各时刻的运动学状态信息、以及所述有影响车辆的各时刻的运动学状态信息，通过所述目标车辆与各所述有影响车辆对应的危险性评分算法，计算所述有影响车辆对所述目标车辆的危险度。
可选的，所述计算各所述相邻车辆对所述目标车辆的危险度之前，还包括：
获取各车辆之间的期望相对距离，并基于所述目标车辆在历史时段的动力学状态信息中的速度信息、所述目标车辆与所述有影响车辆的期望相对距离、以及所述目标车辆与所述有影响车辆的相对距离，计算所述目标车辆的期望纵向加速度信息；
基于所述目标车辆在历史时段的动力学状态信息中的加速度信息中的纵向加速度信息、与所述目标车辆的期望纵向加速度信息，计算所述目标车辆的纵向加速度行为信息；
基于所述目标车辆与各所述相邻车辆的相对距离、以及所述目标车辆在历史时段的动力学状态信息中的加速度信息中的横向加速度信息，计算所述目标车辆的横向加速度行为信息；
基于所述目标车辆的纵向加速度行为信息、以及所述目标车辆的横向加速度行为信息，确定所述目标车辆与所述有影响车辆对应的危险性评分算法的碰撞概率参数。
可选的，所述基于所述目标车辆的当前运动学状态信息、以及所述目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，仿真所述目标车辆与所述各目标险态车辆的驾驶过程，包括：
基于所述目标车辆的当前运动学状态信息、以及所述目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，预测下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息，判断所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息是否满足碰撞条件；
在所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息不满足碰撞条件的情况下，重新获取所述下一时刻的目标车辆的新运动学状态信息、以及所述下一时刻的目标险态车辆的新运动学状态信息，并计算所述下一时刻的目标车辆的待测运动学状态信息、与所述下一时刻的目标车辆的新运动学状态信息之间的第一数据差值，计算所述下一时刻的目标险态车辆的待测运动学状态信息、与所述下一时刻的目标险态车辆的新运动学状态信息之间的第二数据差值；
基于所述第一数据差值，调整所述仿真驾驶网络的目标车辆预测参数，基于所述第二数据差值，调整所述仿真驾驶网络的目标险态车辆预测参数，并将所述目标车辆的新运动学状态信息作为所述目标车辆的当前运动学状态信息，将所述目标险态车辆的新运动学状态信息作为所述目标险态车辆的当前运动学状态信息，返回执行基于所述目标车辆的当前运动学状态信息、以及所述目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，预测下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息步骤，直到所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息均满足碰撞条件；
将所有目标车辆的待测运动学状态信息，以及所有目标险态车辆的待测运动学状态信息，作为所述目标车辆与所述各目标险态车辆的驾驶过程。
第二方面，本申请还提供了一种基于目标车辆危险度的险态场景数据生成装置。所述装置包括：
采集模块，用于采集自然状态下的多个车道的各车辆的驾驶数据，并基于每个车辆的驾驶数据，确定每个车辆的运动学状态信息；
计算模块，用于在所有车道的各车辆中，任意筛选目标车辆，并基于所述目标车辆的运动学状态信息、以及所述目标车辆的相邻车辆的运动学状态信息，通过危险性评分算法，计算各所述相邻车辆对所述目标车辆的危险度；
重新获取模块，用于将大于危险度阈值的危险度对应的相邻车辆作为目标险态车辆，并重新获取所述目标险态车辆的当前驾驶数据、以及所述目标车辆的当前驾驶数据，并基于各所述目标险态车辆的当前驾驶数据、以及所述目标车辆的当前驾驶数据，确定各所述目标险态车辆的当前运动学状态信息、以及所述目标车辆的当前运动学状态信息；
仿真模块，用于基于所述目标车辆的当前运动学状态信息、以及所述目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，仿真所述目标车辆与所述各目标险态车辆的驾驶过程，并在所述驾驶过程中存在所述目标车辆与所述目标险态车辆的碰撞场景的情况下，采集所述碰撞场景情况下的所述目标车辆与所述目标险态车辆的运动学状态信息，作为险态场景数据。
可选的，所述采集模块，具体用于：
基于所述车辆的驾驶视频数据建立三维坐标系，并确定历史时段中所述车辆在所述三维坐标系的各时刻的位置信息；
根据所述车辆的驾驶视频数据对应的历史时段的时长、以及所述车辆在所述驾驶视频数据对应的历史时长的各时刻的位置信息，计算所述车辆的速度信息、以及所述车辆的加速度信息；
基于所述历史时段中所述车辆在所述三维坐标系的各时刻的位置信息，识别所述车辆在所述历史时段的换道行为信息、以及所述车辆在所述历史时段的超车行为信息，并将所述车辆在所述历史时段的速度信息、所述车辆在所述历史时段的加速度信息、所述车辆在所述历史时段的位置信息、所述车辆在所述历史时段的换道行为信息、以及所述车辆在所述历史时段的超车行为信息，作为所述车辆的运动学状态信息。
可选的，所述计算模块，具体用于：
基于所述历史时段中的所述目标车辆的各位置信息、以及所述历史时段中各所述目标车辆的相邻车辆的各位置信息，计算所述目标车辆与各所述目标车辆的相邻车辆之间的平均相对距离，并基于所述历史时段中的所述目标车辆的各速度信息、以及所述历史时段中各所述目标车辆的相邻车辆的各速度信息，计算所述目标车辆与各所述目标车辆的相邻车辆之间的平均相对速度；
在所述平均相对距离大于相对距离阈值、或所述平均相对速度大于相对速度阈值的情况下，将所述大于相对距离阈值的平均相对距离的所述目标车辆的相邻车辆作为无影响车辆、或大于相对速度阈值的平均相对速度的所述目标车辆的相邻车辆作为无影响车辆，并确定所述无影响车辆的危险度；
在所述平均相对距离小于相对距离阈值、且平均相对速度大于相对速度阈值的情况下，将所述小于相对距离阈值的平均相对距离、且平均相对速度大于相对速度阈值对应的所述目标车辆的相邻车辆作为有影响车辆，并基于所述目标车辆的运动学状态信息、以及各所述有影响车辆的运动学状态信息，通过所述目标车辆与各所述有影响车辆对应的危险性评分算法，计算各所述有影响车辆对所述目标车辆的危险度。
可选的，所述计算模块，具体用于：
针对每个有影响车辆，计算所述历史时段的所述目标车辆与所述有影响车辆之间各相邻时刻的相对距离变化值，并将所述相对距离变化值进行归一化处理，得到所述有影响车辆的各时刻的距离影响权值；
基于所述有影响车辆的各时刻的距离影响权值、所述目标车辆的各时刻的运动学状态信息、以及所述有影响车辆的各时刻的运动学状态信息，通过所述目标车辆与各所述有影响车辆对应的危险性评分算法，计算所述有影响车辆对所述目标车辆的危险度。
可选的，所述装置还包括：
获取模块，用于获取各车辆之间的期望相对距离，并基于所述目标车辆在历史时段的动力学状态信息中的速度信息、所述目标车辆与所述有影响车辆的期望相对距离、以及所述目标车辆与所述有影响车辆的相对距离，计算所述目标车辆的期望纵向加速度信息；
纵向加速度计算模块，用于基于所述目标车辆在历史时段的动力学状态信息中的加速度信息中的纵向加速度信息、与所述目标车辆的期望纵向加速度信息，计算所述目标车辆的纵向加速度行为信息；
横向加速度计算模块，用于基于所述目标车辆与各所述相邻车辆的相对距离、以及所述目标车辆在历史时段的动力学状态信息中的加速度信息中的横向加速度信息，计算所述目标车辆的横向加速度行为信息；
确定模块，用于基于所述目标车辆的纵向加速度行为信息、以及所述目标车辆的横向加速度行为信息，确定所述目标车辆与所述有影响车辆对应的危险性评分算法的碰撞概率参数。
可选的，所述仿真模块，具体用于：
基于所述目标车辆的当前运动学状态信息、以及所述目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，预测下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息，判断所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息是否满足碰撞条件；
在所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息不满足碰撞条件的情况下，重新获取所述下一时刻的目标车辆的新运动学状态信息、以及所述下一时刻的目标险态车辆的新运动学状态信息，并计算所述下一时刻的目标车辆的待测运动学状态信息、与所述下一时刻的目标车辆的新运动学状态信息之间的第一数据差值，计算所述下一时刻的目标险态车辆的待测运动学状态信息、与所述下一时刻的目标险态车辆的新运动学状态信息之间的第二数据差值；
基于所述第一数据差值，调整所述仿真驾驶网络的目标车辆预测参数，基于所述第二数据差值，调整所述仿真驾驶网络的目标险态车辆预测参数，并将所述目标车辆的新运动学状态信息作为所述目标车辆的当前运动学状态信息，将所述目标险态车辆的新运动学状态信息作为所述目标险态车辆的当前运动学状态信息，返回执行基于所述目标车辆的当前运动学状态信息、以及所述目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，预测下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息步骤，直到所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息均满足碰撞条件；
将所有目标车辆的待测运动学状态信息，以及所有目标险态车辆的待测运动学状态信息，作为所述目标车辆与所述各目标险态车辆的驾驶过程。
第三方面，本申请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第一方面中任一项所述的方法的步骤。
第四方面，本申请提供了一种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第一方面中任一项所述的方法的步骤。
第五方面，本申请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第一方面中任一项所述的方法的步骤。
上述基于目标车辆危险度的险态场景数据生成方法、装置、计算机设备、存储介质和计算机程序产品，通过采集自然状态下的多个车道的各车辆的驾驶数据，并基于每个车辆的驾驶数据，确定每个车辆的运动学状态信息；在所有车道的各车辆中，任意筛选目标车辆，并基于所述目标车辆的运动学状态信息、以及所述目标车辆的相邻车辆的运动学状态信息，通过危险性评分算法，计算各所述相邻车辆对所述目标车辆的危险度；将大于危险度阈值的危险度对应的相邻车辆作为目标险态车辆，并重新获取所述目标险态车辆的当前驾驶数据、以及所述目标车辆的当前驾驶数据，并基于各所述目标险态车辆的当前驾驶数据、以及所述目标车辆的当前驾驶数据，确定各所述目标险态车辆的当前运动学状态信息、以及所述目标车辆的当前运动学状态信息；基于所述目标车辆的当前运动学状态信息、以及所述目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，仿真所述目标车辆与所述各目标险态车辆的驾驶过程，并在所述驾驶过程中存在所述目标车辆与所述目标险态车辆的碰撞场景的情况下，采集所述碰撞场景情况下的所述目标车辆与所述目标险态车辆的运动学状态信息，作为险态场景数据。通过基于自然状态下的各车辆的驾驶数据，筛选每个车道目标险态车辆与目标车辆，从而基于各目标险态车辆与目标车辆的真实驾驶数据，仿真各目标险态车辆与各目标车辆的碰撞场景，避免了人工获取数据的过程，且基于真实驾驶数据进行仿真，驾驶数据信息充分，从而提升了生成险态场景数据的效率。
附图说明
图1为一个实施例中基于目标车辆危险度的险态场景数据生成方法的流程示意图；
图2为一个实施例中仿真目标车辆与各目标险态车辆的驾驶过程步骤的流程示意图；
图3为一个实施例中险态场景数据生成示例的流程示意图；
图4为一个实施例中基于目标车辆危险度的险态场景数据生成装置的结构框图；
图5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。
本申请实施例提供的基于目标车辆危险度的险态场景数据生成方法，可以应用于终端，也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。其中，终端通过基于自然状态下的各车辆的驾驶数据，筛选每个车道目标险态车辆与目标车辆，从而基于各目标险态车辆与目标车辆的真实驾驶数据，仿真各目标险态车辆与各目标车辆的碰撞场景，避免了人工获取数据的过程，且基于真实驾驶数据进行仿真，驾驶数据信息充分，从而提升了生成险态场景数据的效率。
在一个实施例中，如图1所示，提供了一种基于目标车辆危险度的险态场景数据生成方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤S101，采集自然状态下的多个车道的各车辆的驾驶数据，并基于每个车辆的驾驶数据，确定每个车辆的运动学状态信息。
本实施例中，终端基于数据采集设备，采集固定时段的样本道路的每个车道的各车辆的行驶视频数据，并将每个车辆的行驶视频数据作为该车辆的驾驶数据。其中，数据采集设备可以是无人机、道路交通摄像头等摄影设备。具体的，终端控制利用无人机悬停在部分城市直行道路上，并基于无人机航拍的方式，采集各城市直行道路下交通流的视频数据，并将该视频数据中各个车辆的视频数据作为各车辆的驾驶数据。终端通过图像处理算法，针对每个车辆，采集该固定时段内的该车辆的动力学信息。其中动力学信息包括位置信息、速度信息、加速度信息、换道行为信息、超车行为信息等信息。其中，图像处理算法为任意一种能够实现上述步骤的图像处理算法。在另一个实施例中，终端通过采集的各车辆的驾驶数据，针对每一个车道，基于蒙特卡洛法，随机采样该车道内的第一辆车辆在二维平面坐标下x轴和y轴的初始位置和速度(定义：沿车道的方向为x轴方向，垂直车道方向为y轴方向)。终端基于每一个车道内的第一辆车，根据自然驾驶数据(这里为两车间的联合概率分布)，基于蒙特卡洛法，随机采样生成其(沿x轴方向的)相邻车辆在x轴和y轴的初始位置和速度。从而生成每条车道上的多辆环境车辆的初始运动状态(位置和速度)。即运动学信息。
步骤S102，在所有车道的各车辆中，任意筛选目标车辆，并基于目标车辆的运动学状态信息、以及目标车辆的相邻车辆的运动学状态信息，通过危险性评分算法，计算各相邻车辆对目标车辆的危险度。
本实施例中，终端针对每个车道，在该车道的每个车辆中，随机筛选一个车辆作为目标车辆(一般筛选该车道的第一辆车，作为目标车辆)，终端通过图像识别算法，在各车辆中，识别与该目标车辆相邻的车辆，作为该目标车辆的相邻车辆，并通过危险性评分算法，计算每个相邻车辆对该目标车辆的危险度。其中，危险度为某个车辆可能碰撞该目标车辆的碰撞概率值。该危险性评分算法为：
上式中，x代表当前的行驶工况(当前时刻下，目标车辆和目标车辆的相邻车辆的运动学状态，如距离、速度、加速度等信息)；pj(x)是目标车辆在固定时段中第j种控制策略之后的该目标车辆驾驶行为(驾驶行为包括跟车行为、换道行为和超车行为等)，j是1～n之间的整数，n为该目标车辆在固定时段中出现的时段包括的所有控制策略的总数，代表目标车辆的第j种控制策略(控制策略指对于车辆的控制信号，如前轮转角和纵向加速度等)，qt_i(x)是目标车辆的第t辆相邻车辆在固定时段中的驾驶行为(驾驶行为包括换道行为和超车行为)，i是1～m之间的整数，m为相邻车辆在该固定时段中出现的时段包括的所有控制策略的总数，pj(x)和qt_i(x)均由自然驾驶数据中的车辆控制策略的自然分布来估计；Ii，j(x)是碰撞指示参数，当目标车辆和第t辆目标车辆的相邻车辆在当前控制策略(目标车辆选择第j时刻的种控制策略，第t辆目标车辆的相邻车辆选择第i种控制策略，维持上述控制策略组合至少Tthe时间，如可取Tthe＝1s)下，二者如果发生碰撞时为1，否则为0。其中碰撞指示参数的具体计算过程后续将详细说明。
步骤S103，将大于危险度阈值的危险度对应的相邻车辆作为目标险态车辆，并重新获取目标险态车辆的当前驾驶数据、以及目标车辆的当前驾驶数据，并基于各目标险态车辆的当前驾驶数据、以及目标车辆的当前驾驶数据，确定各目标险态车辆的当前运动学状态信息、以及目标车辆的当前运动学状态信息。
本实施例中，终端预设危险度阈值，并判断各相邻车辆与该目标车辆的危险度是否大于该危险度阈值，在所有相邻车辆与该目标车辆的危险度均不大于该危险度阈值的情况下，终端重新执行步骤S101；在存在相邻车辆与该目标车辆的危险度大于该危险度阈值的情况下，终端将大于危险度阈值的危险度对应的相邻车辆，作为目标险态车辆，并重新获取目标险态车辆的当前驾驶数据、以及目标车辆的当前驾驶数据。终端通过步骤S101的方式，基于目标险态车辆的当前驾驶数据、以及目标车辆的当前驾驶数据，获取每个目标险态车辆的运动学状态信息、以及该目标车辆的运动学状态信息。
步骤S104，基于目标车辆的当前运动学状态信息、以及目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，仿真目标车辆与各目标险态车辆的驾驶过程，并在驾驶过程中存在目标车辆与目标险态车辆的碰撞场景的情况下，采集碰撞场景情况下的目标车辆与目标险态车辆的运动学状态信息，作为险态场景数据。
本实施例中，终端预设目标时长，基于目标车辆的当前运动学状态信息、以及目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，仿真在当前时刻之后的目标时长内的该目标车辆与每个目标险态车辆的驾驶过程。其中驾驶过程包括该目标车辆与各目标险态车辆的每个时刻的运动学状态信息。终端预设碰撞场景情况下，目标车辆的运动学状态信息与目标险态车辆的运动学状态信息之间的目标关联关系，并判断是否存在符合目标关联关系的时刻对应的目标车辆的运动学状态信息与各目标险态车辆的运动学状态信息，并将符合目标关联关系的时刻对应的目标车辆的运动学状态信息与各目标险态车辆的运动学状态信息，作为险态场景数据。
基于上述方案，通过基于自然状态下的各车辆的驾驶数据，筛选每个车道目标险态车辆与目标车辆，从而基于各目标险态车辆与目标车辆的真实驾驶数据，仿真各目标险态车辆与各目标车辆的碰撞场景，避免了人工获取数据的过程，且基于真实驾驶数据进行仿真，驾驶数据信息充分，从而提升了生成险态场景数据的效率。
可选的，驾驶数据为历史时段的驾驶视频数据，基于每个车辆的驾驶数据，确定每个车辆的运动学状态信息，包括：基于车辆的驾驶视频数据建立三维坐标系，并确定历史时段中车辆在三维坐标系的各时刻的位置信息；根据车辆的驾驶视频数据对应的历史时段的时长、以及车辆在驾驶视频数据对应的历史时长的各时刻的位置信息，计算车辆的速度信息、以及车辆的加速度信息；基于历史时段中车辆在三维坐标系的各时刻的位置信息，识别车辆在历史时段的换道行为信息、以及车辆在历史时段的超车行为信息，并将车辆在历史时段的速度信息、车辆在历史时段的加速度信息、车辆在历史时段的位置信息、车辆在历史时段的换道行为信息、以及车辆在历史时段的超车行为信息，作为车辆的运动学状态信息。
本实施例中，终端预设固定时段(即历史时段)，并基于该车辆的驾驶视频数据建立三维坐标系，并确定历史时段中该车辆在三维坐标系的各时刻的位置信息。终端根据车辆的驾驶视频数据的历史时段中的每个时刻的位置信息，计算该车辆在各时刻的位置信息变化情况，终端基于该车辆在各时刻的位置信息变化情况，计算该车辆在驾驶视频数据中的位移信息。终端基于每个时刻的时间间隔长度，以及两个相邻时刻间的该车辆的位移信息，按照时间、距离、速度算法，计算该车辆的不同时刻的速度信息、以及该车辆的不同时刻的加速度信息。然后，终端预设换道信息对应的车辆的位置信息变化阈值，并基于历史时段中车辆在三维坐标系的各时刻的位置信息，判断该车辆是否发生换道行为。终端将该判断结果作为该车辆在历史时段的换道行为信息。终端基于该车辆的历史时段中的每个时刻的位置信息、以及该车辆的相邻车辆的历史时段中的每个时刻的位置信息，确定该车辆与各相邻车辆的相对位置关系。终端基于该车辆与各相邻车辆的相对位置关系，识别该车辆在历史时段的超车行为信息终端将车辆在历史时段的速度信息、车辆在历史时段的加速度信息、车辆在历史时段的位置信息、车辆在历史时段的换道行为信息、以及车辆在历史时段的超车行为信息，作为车辆的运动学状态信息。
基于上述方案，通过基于真实车辆的驾驶数据，从而生成各需要仿真的车辆的运动学状态信息，提升了生成的车辆的运动学状态信息的真实性。
可选的，基于目标车辆的运动学状态信息、以及目标车辆的相邻车辆的运动学状态信息，通过危险性评分算法，计算各相邻车辆对目标车辆的危险度，包括：基于历史时段中的目标车辆的各位置信息、以及历史时段中各目标车辆的相邻车辆的各位置信息，计算目标车辆与各目标车辆的相邻车辆之间的平均相对距离，并基于历史时段中的目标车辆的各速度信息、以及历史时段中各目标车辆的相邻车辆的各速度信息，计算目标车辆与各目标车辆的相邻车辆之间的平均相对速度；在平均相对距离大于相对距离阈值、或平均相对速度大于相对速度阈值的情况下，将大于相对距离阈值的平均相对距离的目标车辆的相邻车辆作为无影响车辆、或大于相对速度阈值的平均相对速度的目标车辆的相邻车辆作为无影响车辆，并确定无影响车辆的危险度；在平均相对距离小于相对距离阈值、且平均相对速度大于相对速度阈值的情况下，将小于相对距离阈值的平均相对距离、且平均相对速度大于相对速度阈值对应的目标车辆的相邻车辆作为有影响车辆，并基于目标车辆的运动学状态信息、以及各有影响车辆的运动学状态信息，通过目标车辆与各有影响车辆对应的危险性评分算法，计算各有影响车辆对目标车辆的危险度。
本实施例中，终端基于历史时段中的目标车辆的各位置信息、以及历史时段中各目标车辆的相邻车辆的各位置信息，计算目标车辆与各目标车辆的相邻车辆在每个时刻的相对距离，并将目标车辆与各目标车辆的相邻车辆在所有是饿的相对距离的平均值，作为该目标车辆与该目标车辆的各相邻车辆的平均相对距离。终端基于历史时段中的目标车辆的各速度信息、以及历史时段中各目标车辆的相邻车辆的各速度信息，计算目标车辆与各目标车辆的相邻车辆之间的平均相对速度。终端预设相对距离阈值、与相对速度阈值，在平均相对距离大于相对距离阈值、或平均相对速度大于相对速度阈值的情况下，将大于相对距离阈值的平均相对距离的目标车辆的相邻车辆作为无影响车辆、或大于相对速度阈值的平均相对速度的目标车辆的相邻车辆作为无影响车辆。终端直接标注该无影响车辆的危险度为0。在平均相对距离大于相对距离阈值、且平均相对速度大于相对速度阈值的情况下，将小于相对距离阈值的平均相对距离对应的目标车辆的相邻车辆作为有影响车辆。终端基于该目标车辆的运动学状态信息、以及各有影响车辆的运动学状态信息，通过目标车辆与各有影响车辆对应的危险性评分算法，计算各有影响车辆对目标车辆的危险度。具体的危险度计算过程后续将详细说明。
基于上述方案，通过筛选有影响车辆，减少终端计算数据量，提升计算危险度的效率。
可选的，基于目标车辆的运动学状态信息、以及各有影响车辆的运动学状态信息，通过目标车辆与各有影响车辆对应的危险性评分算法，计算各有影响车辆对目标车辆的危险度，包括：针对每个有影响车辆，计算历史时段的目标车辆与有影响车辆之间各相邻时刻的相对距离变化值，并将相对距离变化值进行归一化处理，得到有影响车辆的各时刻的距离影响权值；基于有影响车辆的各时刻的距离影响权值、目标车辆的各时刻的运动学状态信息、以及有影响车辆的各时刻的运动学状态信息，通过目标车辆与各有影响车辆对应的危险性评分算法，计算有影响车辆对目标车辆的危险度。
本实施例中，终端针对每个有影响车辆，根据目标车辆与该有影响车辆在每个时刻的相对距离，计算目标车辆与该有影响车辆之间各相邻时刻的相对距离变化值。终端对所有距离变化值进行归一化处理，得到该有影响车辆的在各时刻的距离影响权值。其中，相邻时刻的相对距离变化之对应的距离影响权值，为该相邻时刻中时间排序较后的时刻对应的距离影响权值。终端将有影响车辆的各时刻的距离影响权值、目标车辆的各时刻的运动学状态信息、以及有影响车辆的各时刻的运动学状态信息，通过目标车辆与各有影响车辆对应的危险性评分算法，计算有影响车辆对目标车辆的危险度。其中，目标车辆与每个有影响车辆对应的危险性评分算法的区别在于碰撞指示参数的不同，具体的碰撞指示参数的计算过程后续将详细说明。
基于上述方案，通过计算有影响车辆的在各时刻的距离影响权值，从而计算有影响车辆对目标车辆的危险度，提升了距离对该危险度的影响性。
可选的，计算各相邻车辆对目标车辆的危险度之前，还包括：获取各车辆之间的期望相对距离，并基于目标车辆在历史时段的动力学状态信息中的速度信息、目标车辆与有影响车辆的期望相对距离、以及目标车辆与有影响车辆的相对距离，计算目标车辆的期望纵向加速度信息；基于目标车辆在历史时段的动力学状态信息中的加速度信息中的纵向加速度信息、与目标车辆的期望纵向加速度信息，计算目标车辆的纵向加速度行为信息；基于目标车辆与各相邻车辆的相对距离、以及目标车辆在历史时段的动力学状态信息中的加速度信息中的横向加速度信息，计算目标车辆的横向加速度行为信息；基于目标车辆的纵向加速度行为信息、以及目标车辆的横向加速度行为信息，确定目标车辆与有影响车辆对应的危险性评分算法的碰撞概率参数(即碰撞指示参数)。
本实施例中，终端通过响应于用户输入的每个车辆之间的期望相对信息，获取各车辆之间的期望相对距离。终端基于目标车辆在历史时段的动力学状态信息中的速度信息、目标车辆与有影响车辆的期望相对距离、以及目标车辆与有影响车辆的相对距离，通过纵向动力学计算公式，计算目标车辆的期望纵向加速度信息。终端基于该目标车辆的当前纵向加速度信息，以及该期望纵向加速度信息的偏差值，确定该目标车辆的纵向加速度行为信息。其中该纵向加速度行为信息为该目标车辆的纵向加速度判断误差信息。该目标车辆其中，纵向动力学计算公式为：
上式中，α为目标车辆的对纵向加速度偏差的敏感系数，an(t)为对目标车辆的各有影响车辆进行编号后，第n辆有影响车辆在历史时段的t时刻的加速度，vn(t)为上述第n辆有影响车辆在历史时段的t时刻的速度，vmax为目标车辆的期望纵向速度，s*(vn(t)，Δvn(t))为目标车辆与第n辆有影响车辆的期望相对距离，Ts为目标车辆与有影响车辆的相对距离阈值，am为目标车辆在历史时段中各时刻的最大加速度，bn为目标车辆相对于第n量有影响车辆之间的期望纵向速度差(该纵向速度差包含于用户输入的期望相对信息中)。终端基于目标车辆的期望纵向速度、每个有影响车辆在历史时段的平均速度信息、以及该目标车辆对各有影响车辆的期望纵向速度差，通过加速度计算公式，计算该目标车辆的期望纵向加速度信息。终端基于该目标车辆的当前横向加速度信息，以及该期望横向加速度信息的偏差值，确定该目标车辆的横向加速度行为信息。其中该横向加速度行为信息为该目标车辆的横向加速度判断误差信息。
终端基于目标车辆与各相邻车辆的相对距离、以及目标车辆在历史时段的动力学状态信息中的加速度信息中的横向加速度信息，通过换道预测模型，判定目标车辆是否发生换道行为，并在判断得到的目标车辆发生换道行为的情况下，通过期望横向加速度计算公式，计算目标车辆的期望横向加速度行为信息。具体的期望横向加速度计算公式为：
ah＝[Vn(t+T)-Vn(t)]/T
上式中，vn(t+T)为第n辆相邻车辆在t+T时刻的速度，bn为第n辆相邻车辆能接受的减速度，T为目标车辆的速度和位移信息的计算步长，xn为第n辆相邻车辆在t时刻的位置信息，δn-1为第n-1辆相邻车辆的车长，b为bn-1的一个期望值，ah为该目标车辆的期望横向加速度信息。
终端基于目标车辆的纵向加速度行为信息、以及目标车辆的横向加速度行为信息，确定目标车辆与有影响车辆对应的危险性评分算法得碰撞概率参数(即碰撞指示参数)。
基于上述方案，通过基于目标车辆的纵向加速度行为信息、以及目标车辆的横向加速度行为信息，确定目标车辆与有影响车辆对应的危险性评分算法的碰撞概率参数，提升了碰撞概率参数的确定精准度。
可选的，如图2所示，基于目标车辆的当前运动学状态信息、以及目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，仿真目标车辆与各目标险态车辆的驾驶过程，包括：
步骤S201，基于目标车辆的当前运动学状态信息、以及目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，预测下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息，判断下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息是否满足碰撞条件。
本实施例中，终端将该目标车辆的当前运动学状态信息、以及目标险态车辆的当前运动学状态信息输入仿真驾驶网络，预测下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息。终端判断下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息是否满足碰撞条件。其中该碰撞条件为预设于终端的目标车辆的运动学状态信息与目标险态车辆的运动学状态信息之间的关联关系。
步骤S202，在下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息不满足碰撞条件的情况下，重新获取下一时刻的目标车辆的新运动学状态信息、以及下一时刻的目标险态车辆的新运动学状态信息，并计算下一时刻的目标车辆的待测运动学状态信息、与下一时刻的目标车辆的新运动学状态信息之间的第一数据差值，计算下一时刻的目标险态车辆的待测运动学状态信息、与下一时刻的目标险态车辆的新运动学状态信息之间的第二数据差值。其中，待测运动学状态信息为预测的车辆的运动学状态信息，新运动学状态信息为重新获取的自然状态下的车辆的运动学状态信息。
本实施例中，在下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息不满足碰撞条件的情况下，终端重新获取下一时刻的目标车辆的新运动学状态信息、以及下一时刻的目标险态车辆的新运动学状态信息，并计算下一时刻的目标车辆的待测运动学状态信息、与下一时刻的目标车辆的新运动学状态信息之间的第一数据差值，计算下一时刻的目标险态车辆的待测运动学状态信息、与下一时刻的目标险态车辆的新运动学状态信息之间的第二数据差值。其中第一数据差值与第二数据差值包含待测运动学状态信息与新运动学状态信息中各数据信息的数据差值。
步骤S203，基于第一数据差值，调整仿真驾驶网络的目标车辆预测参数，基于第二数据差值，调整仿真驾驶网络的目标险态车辆预测参数，并将目标车辆的新运动学状态信息作为目标车辆的当前运动学状态信息，将目标险态车辆的新运动学状态信息作为目标险态车辆的当前运动学状态信息，返回执行基于目标车辆的当前运动学状态信息、以及目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，预测下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息步骤，直到下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息满足碰撞条件。
本实施例中，终端基于第一数据差值，调整仿真驾驶网络的目标车辆预测参数，基于第二数据差值，调整仿真驾驶网络的目标险态车辆预测参数，并将目标车辆的新运动学状态信息作为目标车辆的当前运动学状态信息，将目标险态车辆的新运动学状态信息作为目标险态车辆的当前运动学状态信息，返回执行步骤S201，直到下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息满足碰撞条件时，终端停止迭代操作。
步骤S204，将所有目标车辆的待测运动学状态信息，以及所有目标险态车辆的待测运动学状态信息，作为目标车辆与各目标险态车辆的驾驶过程。
本实施例中，终端将每次迭代得到所有目标车辆的待测运动学状态信息，以及所有目标险态车辆的待测运动学状态信息，作为目标车辆与各目标险态车辆的驾驶过程。
在另一个实施例中，定义“激进环境车辆”为在当前时刻下危险度最大的车辆，即有tmax＝argmaxtRdaner_t(x)，其余环境车辆均被定义为“常规环境车辆”。对于每一辆常规环境车辆的驾驶行为分布不变。终端基于自然驾驶数据与蒙特卡洛法，随机采样生成该常规环境车辆的后续驾驶行为(如加减速、转向换到情况等)。针对于当前时刻下唯一的激进环境车辆，终端将其驾驶行为分布调整为更加激进，以增大险态场景出现的概率，从而提高险态数据采集效率。终端预设一个随机变量ε∈(0，1)，对其进行随机采样，ε的取值在一定程度上反应了交通场景中出现险态场景的概率，ε越大，出现险态场景的概率越大。在ε大于预设于终端的变量阈值(如0.5)时，激进环境车辆仍然依据自然驾驶数据(这里为多车间的联合概率分布)，基于蒙特卡洛法，随机采样生成该车辆的后续驾驶行为(如加减速、转向换道情况等)。在ε小于预设阈值(如0.5)时，终端将自然驾驶数据中的多车间联合概率分布与碰撞概率Ii(x)进行相乘，并做归一化后，得到调整后的驾驶行为概率分布函数/>该驾驶行为概率分布函数公式为：
其中，是来自于自然驾驶数据的驾驶行为概率分布，Ii(x)是执行第i种驾驶行为后的碰撞概率。最后，终端基于蒙特卡洛法，随机采样生成该激进环境车辆的调整后的驾驶行为(如加减速、转向换道情况等)。
基于上述方案，通过仿真驾驶网络，预测目标车辆的待测运动学状态信息，以及目标险态车辆的待测运动学状态信息，并通过获取目标车辆的实际运动学状态信息、以及目标险态车辆的实际运动学状态信息，提升了目标车辆与各目标险态车辆的驾驶过程的预测精准度。
本申请还提供了一种险态场景数据生成示例，如图3所示，具体处理过程包括以下步骤：
步骤S301，基于车辆的驾驶视频数据建立三维坐标系，并确定历史时段中车辆在三维坐标系的各时刻的位置信息。
步骤S302，根据车辆的驾驶视频数据对应的历史时段的时长、以及车辆在驾驶视频数据对应的历史时长的各时刻的位置信息，计算车辆的速度信息、以及车辆的加速度信息。
步骤S303，基于历史时段中车辆在三维坐标系的各时刻的位置信息，识别车辆在历史时段的换道行为信息、以及车辆在历史时段的超车行为信息，并将车辆在历史时段的速度信息、车辆在历史时段的加速度信息、车辆在历史时段的位置信息、车辆在历史时段的换道行为信息、以及车辆在历史时段的超车行为信息，作为车辆的运动学状态信息。
步骤S304，在所有车道的各车辆中，任意筛选目标车辆。
步骤S305，基于历史时段中的目标车辆的各位置信息、以及历史时段中各目标车辆的相邻车辆的各位置信息，计算目标车辆与各目标车辆的相邻车辆之间的平均相对距离，并基于历史时段中的目标车辆的各速度信息、以及历史时段中各目标车辆的相邻车辆的各速度信息，计算目标车辆与各目标车辆的相邻车辆之间的平均相对速度。
步骤S306，在平均相对距离大于相对距离阈值、或平均相对速度大于相对速度阈值的情况下，将大于相对距离阈值的平均相对距离的目标车辆的相邻车辆作为无影响车辆、或大于相对速度阈值的平均相对速度的目标车辆的相邻车辆作为无影响车辆。
步骤S307，在平均相对距离小于相对距离阈值、且平均相对速度大于相对速度阈值的情况下，将小于相对距离阈值的平均相对距离、且平均相对速度大于相对速度阈值对应的目标车辆的相邻车辆作为有影响车辆。
步骤S308，针对每个有影响车辆，在预设时段内，计算预设时段的目标车辆与有影响车辆之间各相邻时刻的相对距离变化值，并将相对距离变化值进行归一化处理，得到有影响车辆的各时刻的距离影响权值。
步骤S309，获取各车辆之间的期望相对距离，并基于目标车辆在预设时段的动力学状态信息中的速度信息、目标车辆与有影响车辆的期望相对距离、以及目标车辆与有影响车辆的相对距离，计算目标车辆的期望纵向加速度信息。
步骤S310，基于目标车辆在历史时段的动力学状态信息中的加速度信息中的纵向加速度信息、与目标车辆的期望纵向加速度信息，计算目标车辆的纵向加速度行为信息。
步骤S311，基于目标车辆与各相邻车辆的相对距离、以及目标车辆在预设时段的动力学状态信息中的加速度信息中的横向加速度信息，计算目标车辆的横向加速度行为信息。
步骤S312，基于目标车辆的纵向加速度行为信息、以及目标车辆的横向加速度行为信息，确定目标车辆与有影响车辆对应的危险性评分算法的碰撞概率参数。
步骤S313，基于有影响车辆的各时刻的距离影响权值、目标车辆的各时刻的运动学状态信息、以及有影响车辆的各时刻的运动学状态信息，通过目标车辆与各有影响车辆对应的危险性评分算法，计算有影响车辆对目标车辆的危险度。
步骤S314，基于目标车辆的当前运动学状态信息、以及目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，预测下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息，并基于下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息，确定下一时刻目标车辆与目标险态车辆的险态概率。
步骤S315，在下一时刻的险态概率大于预设险态概率阈值的情况下，基于蒙特卡洛法，随机采样目标车辆在下一时刻之后的待测运动学状态信息，以及目标险态车辆在下一时刻之后的待测运动学状态信息。
步骤S316，在下一时刻的险态概率不大于预设险态概率阈值的情况下，调整仿真驾驶网络的驾驶行为概率分布函数，并重新执行基于目标车辆的当前运动学状态信息、以及目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，预测下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息步骤，直到在下一时刻的险态概率大于预设险态概率阈值时，停止迭代操作。
步骤S317，将所有目标车辆的待测运动学状态信息，以及所有目标险态车辆的待测运动学状态信息，确定目标车辆与各目标险态车辆的驾驶过程。
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基于目标车辆危险度的险态场景数据生成方法的基于目标车辆危险度的险态场景数据生成装置。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基于目标车辆危险度的险态场景数据生成装置实施例中的具体限定可以参见上文中对于基于目标车辆危险度的险态场景数据生成方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种基于目标车辆危险度的险态场景数据生成装置，包括：采集模块410、计算模块420、重新获取模块430和仿真模块440，其中：
采集模块410，用于采集自然状态下的多个车道的各车辆的驾驶数据，并基于每个车辆的驾驶数据，确定每个车辆的运动学状态信息；
计算模块420，用于在所有车道的各车辆中，任意筛选目标车辆，并基于所述目标车辆的运动学状态信息、以及所述目标车辆的相邻车辆的运动学状态信息，通过危险性评分算法，计算各所述相邻车辆对所述目标车辆的危险度；
重新获取模块430，用于将大于危险度阈值的危险度对应的相邻车辆作为目标险态车辆，并重新获取所述目标险态车辆的当前驾驶数据、以及所述目标车辆的当前驾驶数据，并基于各所述目标险态车辆的当前驾驶数据、以及所述目标车辆的当前驾驶数据，确定各所述目标险态车辆的当前运动学状态信息、以及所述目标车辆的当前运动学状态信息；
仿真模块440，用于基于所述目标车辆的当前运动学状态信息、以及所述目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，仿真所述目标车辆与所述各目标险态车辆的驾驶过程，并在所述驾驶过程中存在所述目标车辆与所述目标险态车辆的碰撞场景的情况下，采集所述碰撞场景情况下的所述目标车辆与所述目标险态车辆的运动学状态信息，作为险态场景数据。
可选的，所述采集模块410，具体用于：
基于所述车辆的驾驶视频数据建立三维坐标系，并确定历史时段中所述车辆在所述三维坐标系的各时刻的位置信息；
根据所述车辆的驾驶视频数据对应的历史时段的时长、以及所述车辆在所述驾驶视频数据对应的历史时长的各时刻的位置信息，计算所述车辆的速度信息、以及所述车辆的加速度信息；
基于所述历史时段中所述车辆在所述三维坐标系的各时刻的位置信息，识别所述车辆在所述历史时段的换道行为信息、以及所述车辆在所述历史时段的超车行为信息，并将所述车辆在所述历史时段的速度信息、所述车辆在所述历史时段的加速度信息、所述车辆在所述历史时段的位置信息、所述车辆在所述历史时段的换道行为信息、以及所述车辆在所述历史时段的超车行为信息，作为所述车辆的运动学状态信息。
可选的，所述计算模块420，具体用于：
基于所述历史时段中的所述目标车辆的各位置信息、以及所述历史时段中各所述目标车辆的相邻车辆的各位置信息，计算所述目标车辆与各所述目标车辆的相邻车辆之间的平均相对距离，并基于所述历史时段中的所述目标车辆的各速度信息、以及所述历史时段中各所述目标车辆的相邻车辆的各速度信息，计算所述目标车辆与各所述目标车辆的相邻车辆之间的平均相对速度；
在所述平均相对距离大于相对距离阈值、或所述平均相对速度大于相对速度阈值的情况下，将所述大于相对距离阈值的平均相对距离的所述目标车辆的相邻车辆作为无影响车辆、或大于相对速度阈值的平均相对速度的所述目标车辆的相邻车辆作为无影响车辆，并确定所述无影响车辆的危险度；
在所述平均相对距离小于相对距离阈值、且平均相对速度大于相对速度阈值的情况下，将所述小于相对距离阈值的平均相对距离、且平均相对速度大于相对速度阈值对应的所述目标车辆的相邻车辆作为有影响车辆，并基于所述目标车辆的运动学状态信息、以及各所述有影响车辆的运动学状态信息，通过所述目标车辆与各所述有影响车辆对应的危险性评分算法，计算各所述有影响车辆对所述目标车辆的危险度。
可选的，所述计算模块420，具体用于：
针对每个有影响车辆，计算所述历史时段的所述目标车辆与所述有影响车辆之间各相邻时刻的相对距离变化值，并将所述相对距离变化值进行归一化处理，得到所述有影响车辆的各时刻的距离影响权值；
基于所述有影响车辆的各时刻的距离影响权值、所述目标车辆的各时刻的运动学状态信息、以及所述有影响车辆的各时刻的运动学状态信息，通过所述目标车辆与各所述有影响车辆对应的危险性评分算法，计算所述有影响车辆对所述目标车辆的危险度。
可选的，所述装置还包括：
获取模块，用于获取各车辆之间的期望相对距离，并基于所述目标车辆在历史时段的动力学状态信息中的速度信息、所述目标车辆与所述有影响车辆的期望相对距离、以及所述目标车辆与所述有影响车辆的相对距离，计算所述目标车辆的期望纵向加速度信息；
纵向加速度计算模块，用于基于所述目标车辆在历史时段的动力学状态信息中的加速度信息中的纵向加速度信息、与所述目标车辆的期望纵向加速度信息，计算所述目标车辆的纵向加速度行为信息；
横向加速度计算模块，用于基于所述目标车辆与各所述相邻车辆的相对距离、以及所述目标车辆在历史时段的动力学状态信息中的加速度信息中的横向加速度信息，计算所述目标车辆的横向加速度行为信息；
确定模块，用于基于所述目标车辆的纵向加速度行为信息、以及所述目标车辆的横向加速度行为信息，确定所述目标车辆与所述有影响车辆对应的危险性评分算法的碰撞概率参数。
可选的，所述仿真模块440，具体用于：
基于所述目标车辆的当前运动学状态信息、以及所述目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，预测下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息，判断所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息是否满足碰撞条件；
在所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息不满足碰撞条件的情况下，重新获取所述下一时刻的目标车辆的新运动学状态信息、以及所述下一时刻的目标险态车辆的新运动学状态信息，并计算所述下一时刻的目标车辆的待测运动学状态信息、与所述下一时刻的目标车辆的新运动学状态信息之间的第一数据差值，计算所述下一时刻的目标险态车辆的待测运动学状态信息、与所述下一时刻的目标险态车辆的新运动学状态信息之间的第二数据差值；
基于所述第一数据差值，调整所述仿真驾驶网络的目标车辆预测参数，基于所述第二数据差值，调整所述仿真驾驶网络的目标险态车辆预测参数，并将所述目标车辆的新运动学状态信息作为所述目标车辆的当前运动学状态信息，将所述目标险态车辆的新运动学状态信息作为所述目标险态车辆的当前运动学状态信息，返回执行基于所述目标车辆的当前运动学状态信息、以及所述目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，预测下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息步骤，直到所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息均满足碰撞条件；
将所有目标车辆的待测运动学状态信息，以及所有目标险态车辆的待测运动学状态信息，作为所述目标车辆与所述各目标险态车辆的驾驶过程。
上述基于目标车辆危险度的险态场景数据生成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终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于目标车辆危险度的险态场景数据生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5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，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第一方面中任一项所述的方法的步骤。
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，计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
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第一方面中任一项所述的方法的步骤。
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。
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(Dynamic RandomAccess 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 (10)

1.一种基于目标车辆危险度的险态场景数据生成方法，其特征在于，所述方法包括：
采集自然状态下的多个车道的各车辆的驾驶数据，并基于每个车辆的驾驶数据，确定每个车辆的运动学状态信息；
在所有车道的各车辆中，任意筛选目标车辆，并基于所述目标车辆的运动学状态信息、以及所述目标车辆的相邻车辆的运动学状态信息，通过危险性评分算法，计算各所述相邻车辆对所述目标车辆的危险度；
将大于危险度阈值的危险度对应的相邻车辆作为目标险态车辆，并重新获取所述目标险态车辆的当前驾驶数据、以及所述目标车辆的当前驾驶数据，并基于各所述目标险态车辆的当前驾驶数据、以及所述目标车辆的当前驾驶数据，确定各所述目标险态车辆的当前运动学状态信息、以及所述目标车辆的当前运动学状态信息；
基于所述目标车辆的当前运动学状态信息、以及所述目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，预测下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息，判断所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息是否满足碰撞条件；
在所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息满足碰撞条件的情况下，采集所述碰撞场景情况下的所述目标车辆与所述目标险态车辆的运动学状态信息，作为险态场景数据。
2.根据权利要求1所述的方法，其特征在于，所述驾驶数据为历史时段的驾驶视频数据，所述基于每个车辆的驾驶数据，确定每个车辆的运动学状态信息，包括：
基于所述车辆的驾驶视频数据建立三维坐标系，并确定历史时段中所述车辆在所述三维坐标系的各时刻的位置信息；
根据所述车辆的驾驶视频数据对应的历史时段的时长、以及所述车辆在所述驾驶视频数据对应的历史时长的各时刻的位置信息，计算所述车辆的速度信息、以及所述车辆的加速度信息；
基于所述历史时段中所述车辆在所述三维坐标系的各时刻的位置信息，识别所述车辆在所述历史时段的换道行为信息、以及所述车辆在所述历史时段的超车行为信息，并将所述车辆在所述历史时段的速度信息、所述车辆在所述历史时段的加速度信息、所述车辆在所述历史时段的位置信息、所述车辆在所述历史时段的换道行为信息、以及所述车辆在所述历史时段的超车行为信息，作为所述车辆的运动学状态信息。
3.根据权利要求2所述的方法，其特征在于，所述基于所述目标车辆的运动学状态信息、以及所述目标车辆的相邻车辆的运动学状态信息，通过危险性评分算法，计算各所述相邻车辆对所述目标车辆的危险度，包括：
基于所述历史时段中的所述目标车辆的各位置信息、以及所述历史时段中各所述目标车辆的相邻车辆的各位置信息，计算所述目标车辆与各所述目标车辆的相邻车辆之间的平均相对距离，并基于所述历史时段中的所述目标车辆的各速度信息、以及所述历史时段中各所述目标车辆的相邻车辆的各速度信息，计算所述目标车辆与各所述目标车辆的相邻车辆之间的平均相对速度；
在所述平均相对距离大于相对距离阈值、或所述平均相对速度大于相对速度阈值的情况下，将所述大于相对距离阈值的平均相对距离的所述目标车辆的相邻车辆作为无影响车辆、或大于相对速度阈值的平均相对速度的所述目标车辆的相邻车辆作为无影响车辆，并确定所述无影响车辆的危险度；
在所述平均相对距离小于相对距离阈值、且平均相对速度大于相对速度阈值的情况下，将所述小于相对距离阈值的平均相对距离、且平均相对速度大于相对速度阈值对应的所述目标车辆的相邻车辆作为有影响车辆，并基于所述目标车辆的运动学状态信息、以及各所述有影响车辆的运动学状态信息，通过所述目标车辆与各所述有影响车辆对应的危险性评分算法，计算各所述有影响车辆对所述目标车辆的危险度。
4.根据权利要求3所述的方法，其特征在于，所述基于所述目标车辆的运动学状态信息、以及各所述有影响车辆的运动学状态信息，通过所述目标车辆与各所述有影响车辆对应的危险性评分算法，计算各所述有影响车辆对所述目标车辆的危险度，包括：
针对每个有影响车辆，计算所述历史时段的所述目标车辆与所述有影响车辆之间各相邻时刻的相对距离变化值，并将所述相对距离变化值进行归一化处理，得到所述有影响车辆的各时刻的距离影响权值；
基于所述有影响车辆的各时刻的距离影响权值、所述目标车辆的各时刻的运动学状态信息、以及所述有影响车辆的各时刻的运动学状态信息，通过所述目标车辆与各所述有影响车辆对应的危险性评分算法，计算所述有影响车辆对所述目标车辆的危险度。
5.根据权利要求4所述的方法，其特征在于，所述计算各所述相邻车辆对所述目标车辆的危险度之前，还包括：
获取各车辆之间的期望相对距离，并基于所述目标车辆在历史时段的动力学状态信息中的速度信息、所述目标车辆与所述有影响车辆的期望相对距离、以及所述目标车辆与所述有影响车辆的相对距离，计算所述目标车辆的期望纵向加速度信息；
基于所述目标车辆在历史时段的动力学状态信息中的加速度信息中的纵向加速度信息、与所述目标车辆的期望纵向加速度信息，计算所述目标车辆的纵向加速度行为信息；
基于所述目标车辆与各所述相邻车辆的相对距离、以及所述目标车辆在历史时段的动力学状态信息中的加速度信息中的横向加速度信息，计算所述目标车辆的横向加速度行为信息；
基于所述目标车辆的纵向加速度行为信息、以及所述目标车辆的横向加速度行为信息，确定所述目标车辆与所述有影响车辆对应的危险性评分算法的碰撞概率参数。
6.根据权利要求1所述的方法，其特征在于，所述基于所述目标车辆的当前运动学状态信息、以及所述目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，预测下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息，判断所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息是否满足碰撞条件之后，还包括：
在所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息不满足碰撞条件的情况下，重新获取所述下一时刻的目标车辆的新运动学状态信息、以及所述下一时刻的目标险态车辆的新运动学状态信息，并计算所述下一时刻的目标车辆的待测运动学状态信息、与所述下一时刻的目标车辆的新运动学状态信息之间的第一数据差值，计算所述下一时刻的目标险态车辆的待测运动学状态信息、与所述下一时刻的目标险态车辆的新运动学状态信息之间的第二数据差值；
基于所述第一数据差值，调整所述仿真驾驶网络的目标车辆预测参数，基于所述第二数据差值，调整所述仿真驾驶网络的目标险态车辆预测参数，并将所述目标车辆的新运动学状态信息作为所述目标车辆的当前运动学状态信息，将所述目标险态车辆的新运动学状态信息作为所述目标险态车辆的当前运动学状态信息，返回执行基于所述目标车辆的当前运动学状态信息、以及所述目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，预测下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息步骤，直到所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息均满足碰撞条件；
将所有目标车辆的待测运动学状态信息，以及所有目标险态车辆的待测运动学状态信息，作为所述目标车辆与所述各目标险态车辆的驾驶过程。
7.一种基于目标车辆危险度的险态场景数据生成装置，其特征在于，所述装置包括：
采集模块，用于采集自然状态下的多个车道的各车辆的驾驶数据，并基于每个车辆的驾驶数据，确定每个车辆的运动学状态信息；
计算模块，用于在所有车道的各车辆中，任意筛选目标车辆，并基于所述目标车辆的运动学状态信息、以及所述目标车辆的相邻车辆的运动学状态信息，通过危险性评分算法，计算各所述相邻车辆对所述目标车辆的危险度；
重新获取模块，用于将大于危险度阈值的危险度对应的相邻车辆作为目标险态车辆，并重新获取所述目标险态车辆的当前驾驶数据、以及所述目标车辆的当前驾驶数据，并基于各所述目标险态车辆的当前驾驶数据、以及所述目标车辆的当前驾驶数据，确定各所述目标险态车辆的当前运动学状态信息、以及所述目标车辆的当前运动学状态信息；
仿真模块，用于基于所述目标车辆的当前运动学状态信息、以及所述目标险态车辆的当前运动学状态信息，通过仿真驾驶网络，预测下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息，判断所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息是否满足碰撞条件；在所述下一时刻的目标车辆的待测运动学状态信息、以及下一时刻的目标险态车辆的待测运动学状态信息满足碰撞条件的情况下，采集所述碰撞场景情况下的所述目标车辆与所述目标险态车辆的运动学状态信息，作为险态场景数据。
8.根据权利要求7所述的装置，其特征在于，所述驾驶数据为历史时段的驾驶视频数据，所述采集模块，具体用于：
基于所述车辆的驾驶视频数据建立三维坐标系，并确定历史时段中所述车辆在所述三维坐标系的各时刻的位置信息；
根据所述车辆的驾驶视频数据对应的历史时段的时长、以及所述车辆在所述驾驶视频数据对应的历史时长的各时刻的位置信息，计算所述车辆的速度信息、以及所述车辆的加速度信息；
基于所述历史时段中所述车辆在所述三维坐标系的各时刻的位置信息，识别所述车辆在所述历史时段的换道行为信息、以及所述车辆在所述历史时段的超车行为信息，并将所述车辆在所述历史时段的速度信息、所述车辆在所述历史时段的加速度信息、所述车辆在所述历史时段的位置信息、所述车辆在所述历史时段的换道行为信息、以及所述车辆在所述历史时段的超车行为信息，作为所述车辆的运动学状态信息。
9.一种计算机设备，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6中任一项所述的方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202310624943.0A 2023-05-30 2023-05-30 基于目标车辆危险度的险态场景数据生成方法和装置 Active CN116644585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310624943.0A CN116644585B (zh) 2023-05-30 2023-05-30 基于目标车辆危险度的险态场景数据生成方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310624943.0A CN116644585B (zh) 2023-05-30 2023-05-30 基于目标车辆危险度的险态场景数据生成方法和装置

Publications (2)

Publication Number Publication Date
CN116644585A CN116644585A (zh) 2023-08-25
CN116644585B true CN116644585B (zh) 2024-01-09

Family

ID=87639459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310624943.0A Active CN116644585B (zh) 2023-05-30 2023-05-30 基于目标车辆危险度的险态场景数据生成方法和装置

Country Status (1)

Country Link
CN (1) CN116644585B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011201404A (ja) * 2010-03-25 2011-10-13 Denso It Laboratory Inc 車両特性情報推定装置及びそれを用いた警告装置
WO2018161774A1 (zh) * 2017-03-06 2018-09-13 腾讯科技（深圳）有限公司 驾驶行为确定方法、装置、设备及存储介质
CN110793784A (zh) * 2019-09-16 2020-02-14 腾讯科技（深圳）有限公司 自动驾驶车辆的测试方法、装置、存储介质及电子装置
CN110942671A (zh) * 2019-12-04 2020-03-31 北京京东乾石科技有限公司 车辆危险驾驶检测方法、装置以及存储介质
CN112256033A (zh) * 2020-10-30 2021-01-22 安徽江淮汽车集团股份有限公司 驾驶状态识别方法、设备、存储介质及装置
WO2022052872A1 (zh) * 2020-09-10 2022-03-17 华为技术有限公司 自动驾驶方法及装置
CN115345347A (zh) * 2022-07-11 2022-11-15 清华大学 交通风险预测方法、装置、计算机设备和存储介质
WO2023273512A1 (zh) * 2021-06-30 2023-01-05 中兴通讯股份有限公司 预警方法、电子设备和计算机可读存储介质
CN115795808A (zh) * 2022-11-08 2023-03-14 清华大学 一种自动驾驶决策危险场景生成方法、系统、设备及介质
WO2023066156A1 (zh) * 2021-10-18 2023-04-27 长沙中车智驭新能源科技有限公司 一种视觉雷达感知融合方法及终端设备
CN116167237A (zh) * 2023-02-28 2023-05-26 浙江吉利控股集团有限公司 一种驾驶场景仿真方法、装置、电子设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11030655B2 (en) * 2018-11-02 2021-06-08 International Business Machines Corporation Presenting targeted content to vehicle occupants on electronic billboards
US11891053B2 (en) * 2019-06-03 2024-02-06 Volvo Car Corporation Vehicle total safety performance application and method utilizing crash configuration information

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011201404A (ja) * 2010-03-25 2011-10-13 Denso It Laboratory Inc 車両特性情報推定装置及びそれを用いた警告装置
WO2018161774A1 (zh) * 2017-03-06 2018-09-13 腾讯科技（深圳）有限公司 驾驶行为确定方法、装置、设备及存储介质
CN110793784A (zh) * 2019-09-16 2020-02-14 腾讯科技（深圳）有限公司 自动驾驶车辆的测试方法、装置、存储介质及电子装置
CN110942671A (zh) * 2019-12-04 2020-03-31 北京京东乾石科技有限公司 车辆危险驾驶检测方法、装置以及存储介质
WO2022052872A1 (zh) * 2020-09-10 2022-03-17 华为技术有限公司 自动驾驶方法及装置
CN112256033A (zh) * 2020-10-30 2021-01-22 安徽江淮汽车集团股份有限公司 驾驶状态识别方法、设备、存储介质及装置
WO2023273512A1 (zh) * 2021-06-30 2023-01-05 中兴通讯股份有限公司 预警方法、电子设备和计算机可读存储介质
WO2023066156A1 (zh) * 2021-10-18 2023-04-27 长沙中车智驭新能源科技有限公司 一种视觉雷达感知融合方法及终端设备
CN115345347A (zh) * 2022-07-11 2022-11-15 清华大学 交通风险预测方法、装置、计算机设备和存储介质
CN115795808A (zh) * 2022-11-08 2023-03-14 清华大学 一种自动驾驶决策危险场景生成方法、系统、设备及介质
CN116167237A (zh) * 2023-02-28 2023-05-26 浙江吉利控股集团有限公司 一种驾驶场景仿真方法、装置、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Estimation and prediction of vehicle dynamics states based on fusion of OpenStreetMap and vehicle dynamics models;Kun Jiang;2016 IEEE Intelligent Vehicles Symposium (IV);208-213 *
基于信息融合的车辆险态运行模式评价研究;汪澎;刘志强;杨培培;;交通信息与安全(第05期);36-41 *
汽车碰撞安全与轻量化研发中的若干挑战性课题;周青等;中国公路学报;1-14 *

Also Published As

Publication number Publication date
CN116644585A (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
US20220392234A1 (en) Training neural networks for vehicle re-identification
US10545247B2 (en) Computerized traffic speed measurement using sparse data
CN110386142A (zh) 用于自动驾驶车辆的俯仰角校准方法
US20200082622A1 (en) Method and System for Virtual Sensor Data Generation with Depth Ground Truth Annotation
CN110163889A (zh) 目标跟踪方法、目标跟踪装置、目标跟踪设备
CN110807924A (zh) 基于全量全样实时交通数据的多参数融合方法及系统
CN110689043A (zh) 一种基于多重注意力机制的车辆细粒度识别方法及装置
CN106326866A (zh) 车辆碰撞的预警方法及装置
CN112052807B (zh) 车辆位置检测方法、装置、电子设备及存储介质
CN110263836B (zh) 一种基于多特征卷积神经网络的不良驾驶状态识别方法
Gajjar et al. Vision-based deep learning algorithm for detecting potholes
CN114348019A (zh) 车辆轨迹预测方法、装置、计算机设备和存储介质
CN117765497A (zh) 车道线确定方法、装置、计算机设备、介质和计算机产品
CN116644585B (zh) 基于目标车辆危险度的险态场景数据生成方法和装置
CN117787796A (zh) 一种自动驾驶测试的评价方法、装置及设备
US20240273807A1 (en) Virtual scene generation method, electronic device and storage medium
CN114872718B (zh) 车辆轨迹预测方法、装置、计算机设备和存储介质
CN116861262A (zh) 一种感知模型训练方法、装置及电子设备和存储介质
CN117037482A (zh) 道路交通运行状态实时感知方法、系统、设备及存储介质
CN115237097A (zh) 自动驾驶仿真测试方法、装置、计算机设备和存储介质
CN115631628A (zh) 车道可变限速控制方法、装置、计算机设备和存储介质
CN117689907B (zh) 车辆跟踪方法、装置、计算机设备和存储介质
CN116302364B (zh) 自动驾驶可靠性测试方法、装置、设备、介质和程序产品
CN116205392A (zh) 车辆路线的确定方法、装置、计算机设备和存储介质
CN115392391A (zh) 道路类型识别模型的训练方法以及道路类型识别方法

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