CN116968730B - 高风险场景下驾驶人风险响应与主动决策方法及装置 - Google Patents
高风险场景下驾驶人风险响应与主动决策方法及装置 Download PDFInfo
- Publication number
- CN116968730B CN116968730B CN202310755780.XA CN202310755780A CN116968730B CN 116968730 B CN116968730 B CN 116968730B CN 202310755780 A CN202310755780 A CN 202310755780A CN 116968730 B CN116968730 B CN 116968730B
- Authority
- CN
- China
- Prior art keywords
- driver
- risk
- decision
- visual attention
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000004044 response Effects 0.000 title claims abstract description 78
- 230000000007 visual effect Effects 0.000 claims abstract description 110
- 238000003384 imaging method Methods 0.000 claims abstract description 61
- 238000009792 diffusion process Methods 0.000 claims abstract description 60
- 230000008569 process Effects 0.000 claims abstract description 54
- 238000009825 accumulation Methods 0.000 claims abstract description 50
- 210000001525 retina Anatomy 0.000 claims abstract description 38
- 230000019771 cognition Effects 0.000 claims abstract description 28
- 230000008447 perception Effects 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims description 63
- 230000006399 behavior Effects 0.000 claims description 55
- 238000010586 diagram Methods 0.000 claims description 34
- 230000002207 retinal effect Effects 0.000 claims description 21
- 230000004424 eye movement Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 6
- 238000013398 bayesian method Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims 2
- 230000001149 cognitive effect Effects 0.000 abstract description 14
- 230000007246 mechanism Effects 0.000 abstract description 14
- 230000001737 promoting effect Effects 0.000 abstract description 6
- 238000012512 characterization method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000005653 Brownian motion process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000035484 reaction time Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008433 psychological processes and functions Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0029—Mathematical model of the driver
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种高风险场景下驾驶人风险响应与主动决策方法及装置，包括：根据所获取的满足风险条件的场景下多个驾驶人眼动的时空特征信息，确定多个驾驶人的视觉注意特性，基于根据视觉注意特性和视网膜成像原理确定的多个驾驶人风险认知的感知特性，获取多个驾驶人风险认知的视觉注意力累积信息，根据基于视觉注意力累积信息所构建的表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型，量化输出每个驾驶人驾驶过程风险响应和主动决策。由此，解决现有模型应用过程中难以充分解释人类风险认知行为产生机理，且未量化道路条件和车辆属性等因素对驾驶人风险响应与主动决策产生的影响等问题，对实现个性化自动驾驶、促进道路交通安全具有重要意义。
Description
技术领域
本申请涉及驾驶人行为及智能车应用技术领域，特别涉及一种高风险场景下驾驶人风险响应与主动决策方法及装置。
背景技术
在高风险场景下，驾驶人需要在有限时间内认知风险、及时采取合理行为，但真实环境驾驶人认知交互行为过程复杂，存在感知、决策、操控等多个阶段，且特征多样，差异性高，量化其风险响应及主动决策行为较困难。驾驶人在做决策时，虽然感官刺激可能存在许多噪声，但经过人脑筛选加工，可以优先处理关键信息并做出合理的选择。驾驶人的技能、偏好和驾驶风格差异很大，且在混合动态交通系统中，驾驶人之间存在复杂交互关系，风险响应及主动决策差异性大。
人-车-路系统中，驾驶人具有决策者、体验者等多重角色，驾驶人感知、决策、操控特性直接影响车辆操纵稳定性和安全性，驾驶人对交通环境潜在风险有普遍认知机制和共性操控规律，但不同类型风险源对驾驶人影响各异，驾驶人风险响应会对其场景理解、决策策略输出产生影响，从而影响行车安全。
相关技术中，国内外对高风险场景下对驾驶人风险响应及主动决策已有大量研究，并对应形成了多类驾驶人模型来解释驾驶人行为，例如经典的跟车模型、车道变换模型等。从响应行为的影响变量来区分，刺激-响应模型主要可以分为复杂的行为模拟模型、基于动力学的简化模型、安全驱动的二维驾驶人模型这三类，行为模拟模型是指模拟驾驶人部分或特定情况下的操纵行为而形成的模型，较复杂的行为模拟模型主要包括广泛应用于开源软件城市交通仿真器(Simulation of Urban Mobility，简称SUMO)和公共交通仿真器VISSIM中的微观二元模型、元胞自动机模型、驾驶人预瞄跟随模型等，或从交通流理论出发为微观交通仿真建立的换道轨迹模型，这些行为模拟模型主要用于精确再现各种驾驶情况，能够通过大量的参数进行微调，并基于复杂的决策逻辑进行详细的案例区分；基于动力学的简化模型是指考虑车辆行驶的基本动力学参数，从运动控制角度形成的单一刺激反馈模型，其主要包括智能驾驶人模型(Intelligent Driver Model，简称IDM)、全局刹车最少换道模型(Minimize Overall Braking Induced by Lane Change，简称MOBIL)等。基于动力学的简化模型的优势在于该类方法易于使用，能在很大程度上捕捉到驾驶人微观和群体宏观多层次的特征参数；以上两类微观驱动模型仍存在有局限性，即只对单一维度风险刺激做出反应，单一的数学模型难反映和满足驾驶人的动态需求和期望，未能实时响应驾驶人真实状态的变化趋势，不能发现适合复杂场景的优秀驾驶人的潜在驾驶行为机制。例如，对于涉及处理多个其他交通参与者的情况，需考虑非纵向风险、道路结构和几何形状等的情况；安全驱动的二维驾驶人模型阐明了考虑社会力、虚拟力作用的驾驶人对不同场景下风险刺激的响应与反馈，能够更好同时量化纵向和横向风险。即在给定复杂运动刺激的情况下模拟人类交互过程，一个重要理论是基于虚拟力来描述驾驶人风险认知过程，可基于社会力的奖励设计可以提高多智能车辆交互过程的拟人化程度。
综上，现有模型应用过程中多阶段行为特征模糊，难充分解释人类风险认知行为产生机理，且未量化道路条件和车辆属性等因素对驾驶人风险响应和主动决策产生的影响，因此，有必要开发一种高风险场景下驾驶人风险响应与主动决策方法及装置。
发明内容
本申请提供一种高风险场景下驾驶人风险响应与主动决策方法及装置，以解决现有模型应用过程中难以充分解释人类风险认知行为产生机理，且未量化道路条件和车辆属性等因素对驾驶人风险响应与主动决策产生的影响等问题，对实现个性化自动驾驶、促进道路交通安全具有重要意义。
为达到上述目的，本申请第一方面实施例提出一种高风险场景下驾驶人风险响应与主动决策方法，包括以下步骤：
获取满足预设风险条件的场景下的多个驾驶人眼动的时空特征信息，并根据所述时空特征信息确定所述多个驾驶人的视觉注意特性；
根据所述视觉注意特性和预设的视网膜成像原理确定所述多个驾驶人风险认知的感知特性；
基于所述多个驾驶人风险认知的感知特性，获取所述多个驾驶人风险认知的视觉注意力累积信息；
基于所述视觉注意力累积信息，构建表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型；以及
基于所述驾驶人漂移扩散决策模型，量化输出每个驾驶人驾驶过程风险响应和主动决策。
根据本申请的一个实施例，所述根据所述视觉注意特性和预设的视网膜成像原理确定所述多个驾驶人风险认知的感知特性，包括：
若所述视觉注意特性为预设直行场景注意特性，则基于预设的直接知觉理论，确定视网膜成像角与前方车辆的相对距离和所述前方车辆的车宽之间的第一关系，并基于所述第一关系计算所述视网膜成像角的第一变化率，并根据所述第一变化率和所述第一关系得到碰撞时间；
若所述视觉注意特性为模拟数据注意特性，则确定所述视网膜成像角、驾驶人与驾驶模拟器屏幕之间的距离、屏幕中交通干扰车辆的宽度变化率之间的第二关系，并基于所述第二关系计算所述视网膜成像角的第二变化率，并根据所述第二变化率和所述第二关系得到所述碰撞时间。
根据本申请的一个实施例，所述第一关系和所述第二关系均为：
所述第一变化率为：
所述第二变化率为：
所述碰撞时间为：
其中，为所述视网膜成像角，W为所述前方车辆的车宽，Dp为自车与与所述前方车辆的相对距离，/>为所述视网膜成像角的变化率，v(t)为所述自车与所述前方车辆之间的相对速度，/>为所述屏幕中干扰车辆的宽度变化率，TTC(t)为所述碰撞时间，τ(t)为场景紧急程度。
根据本申请的一个实施例，所述基于所述多个驾驶人风险认知的感知特性，获取所述多个驾驶人风险认知的视觉注意力累积信息，包括：
确定用于获取所述视觉注意力累积信息的开始时刻和结束时刻；
在预设的像素坐标中绘制视觉注意的眼动热点图和注视点轨迹图；
基于所述开始时刻和所述结束时刻，根据所述眼动热点图和所述注视点轨迹图捕捉所述多个驾驶人风险认知的视觉注意力累积信息。
根据本申请的一个实施例，所述基于所述视觉注意力累积信息，构建表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型，包括：
基于预设的序列抽样理论，根据所述多个驾驶人决策过程的动态价值评估构建漂移扩散模型；
将所述视觉注意力累积信息输入至所述漂移扩散模型，并根据输出结果构建所述驾驶人漂移扩散决策模型。
根据本申请的一个实施例，所述基于所述驾驶人漂移扩散决策模型，量化输出所述每个驾驶人驾驶过程风险响应和主动决策，包括：
基于预设的层次贝叶斯方法，求解所述驾驶人漂移扩散决策模型的模型参数；
基于预设的马尔可夫链蒙特卡罗采样策略，计算所述模型参数的后验分布；
根据所述后验分布量化输出所述每个驾驶人驾驶过程风险响应和主动决策。
根据本申请实施例提出的高风险场景下驾驶人风险响应与主动决策方法，通过根据满足风险条件的场景下多个驾驶人眼动的时空特征信息，确定多个驾驶人的视觉注意特性，基于根据视觉注意特性和视网膜成像原理确定的多个驾驶人风险认知的感知特性，获取多个驾驶人风险认知的视觉注意力累积信息，根据基于视觉注意力累积信息所构建的表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型，量化输出每个驾驶人驾驶过程风险响应和主动决策。由此，解决现有模型应用过程中难以充分解释人类风险认知行为产生机理，且未量化道路条件和车辆属性等因素对驾驶人风险响应与主动决策产生的影响等问题，对实现个性化自动驾驶、促进道路交通安全具有重要意义。
为达到上述目的，本申请第二方面实施例提出一种高风险场景下驾驶人风险响应与主动决策装置，包括：
驾驶人操作行为信息获取模块，用于获取满足预设风险条件的场景下的多个驾驶人眼动的时空特征信息，并根据所述时空特征信息确定所述多个驾驶人的视觉注意特性；
高风险场景紧急程度分类模块，用于根据所述视觉注意特性和预设的视网膜成像原理确定所述多个驾驶人风险认知的感知特性；
驾驶人操控行为特征参数选取模块，用于基于所述多个驾驶人风险认知的感知特性，获取所述多个驾驶人风险认知的视觉注意力累积信息；
驾驶人操控行为分布特性表征模块，用于基于所述视觉注意力累积信息，构建表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型；以及
驾驶人风险敏感度差异表征模块，用于基于所述驾驶人漂移扩散决策模型，量化输出每个驾驶人驾驶过程风险响应和主动决策。
根据本申请的一个实施例，所述高风险场景紧急程度分类模块，具体用于：
若所述视觉注意特性为预设直行场景注意特性，则基于预设的直接知觉理论，确定视网膜成像角与前方车辆的相对距离和所述前方车辆的车宽之间的第一关系，并基于所述第一关系计算所述视网膜成像角的第一变化率，并根据所述第一变化率和所述第一关系得到碰撞时间；
若所述视觉注意特性为模拟数据注意特性，则确定所述视网膜成像角、驾驶人与驾驶模拟器屏幕之间的距离、屏幕中交通干扰车辆的宽度变化率之间的第二关系，并基于所述第二关系计算所述视网膜成像角的第二变化率，并根据所述第二变化率和所述第二关系得到所述碰撞时间。
根据本申请的一个实施例，所述第一关系和所述第二关系均为：
所述第一变化率为：
所述第二变化率为：
所述碰撞时间为：
其中，为所述视网膜成像角，W为所述前方车辆的车宽，Dp为自车与所述前方车辆之间的相对距离，/>为所述视网膜成像角的变化率，v(t)为所述自车与所述前方车辆之间的相对速度，/>为所述屏幕中干扰车辆的宽度变化率，TTC(t)为所述碰撞时间，τ(t)为场景紧急程度。
根据本申请的一个实施例，所述驾驶人操控行为特征参数选取模块，具体用于：
确定用于获取所述视觉注意力累积信息的开始时刻和结束时刻；
在预设的像素坐标中绘制视觉注意的眼动热点图和注视点轨迹图；
基于所述开始时刻和所述结束时刻，根据所述眼动热点图和所述注视点轨迹图捕捉所述多个驾驶人风险认知的视觉注意力累积信息。
根据本申请的一个实施例，所述驾驶人操控行为分布特性表征模块，具体用于：
基于预设的序列抽样理论，根据所述多个驾驶人决策过程的动态价值评估构建漂移扩散模型；
将所述视觉注意力累积信息输入至所述漂移扩散模型，并根据输出结果构建所述驾驶人漂移扩散决策模型。
根据本申请的一个实施例，所述驾驶人风险敏感度差异表征模块，具体用于：
基于预设的层次贝叶斯方法，求解所述驾驶人漂移扩散决策模型的模型参数；
基于预设的马尔可夫链蒙特卡罗采样策略，计算所述模型参数的后验分布；
根据所述后验分布量化输出所述每个驾驶人驾驶过程风险响应和主动决策。
根据本申请实施例提出的高风险场景下驾驶人风险响应与主动决策装置，通过根据满足风险条件的场景下多个驾驶人眼动的时空特征信息，确定多个驾驶人的视觉注意特性，基于根据视觉注意特性和视网膜成像原理确定的多个驾驶人风险认知的感知特性，获取多个驾驶人风险认知的视觉注意力累积信息，根据基于视觉注意力累积信息所构建的表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型，量化输出每个驾驶人驾驶过程风险响应和主动决策。由此，解决现有模型应用过程中难以充分解释人类风险认知行为产生机理，且未量化道路条件和车辆属性等因素对驾驶人风险响应与主动决策产生的影响等问题，对实现个性化自动驾驶、促进道路交通安全具有重要意义。
为达到上述目的，本申请第三方面实施例提出一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的高风险场景下驾驶人风险响应与主动决策方法。
为达到上述目的，本申请第四方面实施例提出一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的高风险场景下驾驶人风险响应与主动决策方法。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种高风险场景下驾驶人风险响应与主动决策方法的流程图；
图2为根据本申请的一个实施例的驾驶人兴趣区域划分示意图；
图3为根据本申请的一个实施例的驾驶人视觉观测成像示意图；
图4为根据本申请的一个实施例的驾驶人漂移扩散模型示意图；
图5为根据本申请的一个实施例的基于漂移扩散模型的驾驶人信息加工-累积决策过程的流程示意图；
图6为根据本申请的一个实施例的驾驶人信息累积量分布和决策输出结果分布示意图；
图7为根据本申请的一个实施例的高风险场景下驾驶人风险响应与主动决策装置的方框示意图；
图8为根据本申请的实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参照附图描述根据本申请实施例提出的高风险场景下驾驶人风险响应与主动决策方法及装置，首先将参照附图描述根据本申请实施例提出的高风险场景下驾驶人风险响应与主动决策方法。
图1是本申请一个实施例的高风险场景下驾驶人风险响应与主动决策方法的流程图。
如图1所示，该高风险场景下驾驶人风险响应与主动决策方法，包括以下步骤：
在步骤S101中，获取满足预设风险条件的场景下的多个驾驶人眼动的时空特征信息，并根据时空特征信息确定多个驾驶人的视觉注意特性。
该实施例中，基于不同驾驶人在六个典型场景中危险位置的标注情况，以及驾驶人注视次数和注视时长，可获取驾驶人视觉注意力累积分布位置。如图2所示，以眼动仪原始视频的每一帧中心点为基准，定义驾驶人五个感兴趣的区域(Area of Interest，简称AOI)来评估驾驶人的视觉注视分布(即驾驶人的视觉注意特性)。其中，兴趣区域主要指交通场景中驾驶人视觉搜索追踪动态干扰从出现到消失过程中存在的区域，在直道场景中，通常选取道路的消失点(如图2中的深色圆圈位置)作为交通场景中的道路前方远处区域(即视野区中心区域，如图2中的兴趣区域1)，该区域不一定位于驾驶模拟器屏幕的中间部分，同时依次划分两个侧后视镜区域为右方区域(如图2中的兴趣区域2)、左方区域(如图2中的兴趣区域3)、前方近处区域(如图2中的兴趣区域4)和上方区域(如图2中的兴趣区域5)，并基于兴趣区域来划分驾驶人对交通环境中风险认知的有效视野和周边视野，分别探索了视觉刺激信号大小和位置以及呈现时间对驾驶人后续认知行为和决策操控行为的影响。
在步骤S102中，根据视觉注意特性和预设的视网膜成像原理确定多个驾驶人风险认知的感知特性。
其中，在一些实施例中，根据视觉注意特性和预设的视网膜成像原理确定多个驾驶人风险认知的感知特性，包括：若视觉注意特性为预设直行场景注意特性，则基于预设的直接知觉理论，确定视网膜成像角与前方车辆的相对距离和前方车辆的车宽之间的第一关系，并基于第一关系计算视网膜成像角的第一变化率，并根据第一变化率和第一关系得到碰撞时间；若视觉注意特性为模拟数据注意特性，则确定视网膜成像角、驾驶人与驾驶模拟器屏幕之间的距离、屏幕中交通干扰车辆的宽度变化率之间的第二关系，并基于第二关系计算视网膜成像角的第二变化率，并根据第二变化率和第二关系得到碰撞时间。
其中，在一些实施例中，第一关系和第二关系均为：
第一变化率为：
第二变化率为：
碰撞时间为：
其中，为视网膜成像角，W为前方车辆的车宽，Dp为自车与前方车辆之间的相对距离，/>为视网膜成像角的变化率，v(t)为自车与前方车辆之间的相对速度，/>为屏幕中干扰车辆的宽度变化率，TTC(t)为碰撞时间，τ(t)为场景紧急程度。
具体而言，如图3所示，在本申请实施例所提供的驾驶人视觉观测成像示意图中，以视觉注意特性为预设直行场景注意特性为例，根据视网膜成像原理，在直行场景下，交通目标距离驾驶人越近，视网膜成像角越大，产生刺激越强烈。本申请实施例采用视网膜成像角的变化率/>来表征驾驶人风险认知的感知特性。
若前方距离Dp处存在一辆宽度为W的车辆，基于预设的直接直觉理论，视网膜成像角与前方车辆的相对距离Dp及前方车辆的车宽W之间的第一关系如式(1)所示。
可以理解的是，视网膜成像角变化差异小，可将其简化表示为W与Dp的比值，如式(5)所示。
进一步地求导，基于第一关系计算出视网膜成像角的第一变化率，如式(2)所示。
根据第一变化率和第一关系即可得到碰撞时间，如式(4)所示。
可以理解的是，在视网膜成像角小范围内的前方车辆，与场景紧急程度相关的参数TTC的数值可以通过视网膜成像角与其变化率的比值计算输出。由于TTC在前后两车速度一致时趋向于无穷大，因此常用TTC的倒数τ来表示场景紧急程度，数值越大表示紧急程度越高。
以视觉注意特性为模拟数据注意特性为例，驾驶人与驾驶模拟器屏幕之间的距离Dp在一定程度上趋于恒定值，因此，主要影响视网膜成像角大小的是所设置场景中动态交通目标干扰产生的相对距离的远近，因此，设置屏幕中交通干扰车辆的宽度w(t)来与真实交通场景中两车冲突的关系，干扰目标车辆在自车驾驶人中的视网膜成像角、驾驶人与驾驶模拟器屏幕之间的距离、屏幕中交通干扰车辆的宽度变化率之间的第二关系如式(1)所示，其变化率(即第二变化率)/>如式(3)所示，根据第二变化率和第二关系即可得到碰撞时间式(4)。
需要说明的是，记录的视频格式标注了时间戳，因此，以时间戳的帧数来进行采样，帧数变化采样值可以为5帧。
在步骤S103中，基于多个驾驶人风险认知的感知特性，获取多个驾驶人风险认知的视觉注意力累积信息。
进一步地，在一些实施例中，基于多个驾驶人风险认知的感知特性，获取多个驾驶人风险认知的视觉注意力累积信息，包括：确定用于获取视觉注意力累积信息的开始时刻和结束时刻；在预设的像素坐标中绘制视觉注意的眼动热点图和注视点轨迹图；基于开始时刻和结束时刻，根据眼动热点图和注视点轨迹图捕捉多个驾驶人风险认知的视觉注意力累积信息。
其中，眼动追踪中的注视点轨迹图主要显示个体在刺激材料上的注视位置、注视时间和注视顺序，并将获得的这些注视内容生成一个注视序列，用可视化的方式表现出来就是个体在观察该刺激时的可视化轨迹图；眼动热点图主要用来反映用户浏览和注视的情况，眼动热点图也被称为眼动热力图或眼动热区图，热点图可展示出被试者在刺激材料上的注意力分布情况，热点图中红色区域代表浏览和注视最集中的区域，黄色和绿色区域代表目光注视较少的区域。
驾驶人风险认知的视觉注意力累积信息指的是从驾驶人首次注视障碍物的时刻的焦点演变至其输出认知反应及其后三秒内的注视点分布，因此，需要确定视觉注意力累积信息的开始时刻(即驾驶人首次注视障碍物的时刻)和结束时刻(即输出认知反应及其后三秒的时刻)，在预设的像素坐标中绘制视觉注意的眼动热点图和注视点轨迹图，基于开始时刻和结束时刻，确定驾驶人信息累积过程，根据眼动热点图和注视点轨迹图捕捉和加工从刺激出现到认知反应的过程中驾驶人的视觉注意力焦点。
在步骤S104中，基于视觉注意力累积信息，构建表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型。
进一步地，在一些实施例中，基于视觉注意力累积信息，构建表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型，包括：基于预设的序列抽样理论，根据多个驾驶人决策过程的动态价值评估构建漂移扩散模型；将视觉注意力累积信息输入至漂移扩散模型，并根据输出结果构建驾驶人漂移扩散决策模型。
具体而言，根据预设的序列抽样理论，驾驶人在决策过程中同时呈现出一系列动态变化的价值评估，该过程能够被建模为一个信息累积过程，如图4所示，漂移扩散模型(Drift Diffusion Model，简称DDM)能够定量描述信息累积-决策选择过程，即驾驶人大脑通过累积带有干扰和不确定性的信息，在达到一定阈值边界时做出最终决定，决策行为可表征为连续的抽样过程，在噪声的信息累积过程中，当累积量达到或超过某个信息阈值边界时，决策行为产生。其中，决策策略1和决策策略2输出的基准线则对应决策策略输出的阈值C和-C，即驾驶人决策标准。若驾驶人决策前存在偏向，即受先验知识影响，则起始点位置向上或向下移动；若无先验驱动，则起始点为0，而漂移率决定了驾驶人风险响应和制动行为决策的速度，反应时间描述了决策反应过程中的时间长度。
因此，在驾驶人风险响应行为决策的输出过程中，应用DDM来进行信息累积过程的数学化表达：
C(t)＝C(t-1)+γ+∈t； (6)
其中，C(t)表示t时刻的信息累积量，即驾驶人的决策偏好输出值；C(t-1)表示上一时刻驾驶人对于原有策略的主观偏好，当C(t-1)与C(t)主观偏好越是一致时，驾驶人越容易在短时间内做出决策。γ指漂移率，表示视觉注意力演变累积信息，Δu表示不同策略阈值之间的差值，∈(t)表示此刻的扩散的程度，W(t)表示维纳过程。
驾驶人视觉注意力演变累积效应，通过随时间变化的来表征，/>表示视觉注意力(演变)累积信息，σ是维纳过程W(t)的高斯噪声参数。维纳过程中任意W(t+τ)-W()的分布不依赖于时间t，即任意过程中的期望为0，具体表达为：
在漂移扩散过程中输出的每个策略均存在一个阈值，表示在做出响应策略前需累积的信息量，而驾驶人的不确定性导致累积过程存在噪声，即在任意时刻，信息累积的方向都可能指向任意一个阈值。因此，模型在一定程度上解释随时间累积并存储信息后做出不同决策行为的潜在机理。基于漂移扩散理论，应用搜索注意阶段的视觉注意力累积信息作为DDM模型的输入，以认知反应阶段的认知反应时间作为视觉注意力信息累积量分布的基准，最终输出决策操控阶段的形成避障措施时刻。
进一步地，如图5所示，视觉注意力累积信息输入至漂移扩散模型后，对决策操控输出构建驾驶人漂移扩散决策模型。应用漂移扩散模型定量描述驾驶人信息累积达到一定阈值时决策选择过程，其中，漂移指具有方向偏向性的运动过程，代表选择的方向性或决策时选择的决策策略偏好性；其值越高表明对其偏好越强，即越有可能选择，表现在面临高风险时驾驶人采取规避行为的共性特征；扩散指随机的扩散运动过程，指决策时动态选择的心理过程，代表个体偏好的随机不确定性倾向，即在高风险场景下不同驾驶人群体表现出主动响应时长的差异，避障措施的差异(转向、制动或同时转向制动)。
同样，不同群体驾驶人的视觉注意力信息累积量阈值存在差异，导致反应时间分布特性相比于群体的分布存在一定的偏置，最终决策输出的结果是对基于累积量与信息累积量阈值的差异评估得到的主观价值的累积值。基于机制驱动可做出不同的风险响应行为，包括风险趋近和风险抑制行为，其中，风险趋近是风险激进型驾驶人输出冒险性行为；风险抑制是风险敏感型驾驶人进行风险规避行为。
在步骤S105中，基于驾驶人漂移扩散决策模型，量化输出每个驾驶人驾驶过程风险响应和主动决策。
进一步地，在一些实施例中，基于驾驶人漂移扩散决策模型，量化输出每个驾驶人驾驶过程风险响应和主动决策，包括：基于预设的层次贝叶斯方法，求解驾驶人漂移扩散决策模型的模型参数；基于预设的马尔可夫链蒙特卡罗采样策略，计算模型参数的后验分布；根据后验分布量化输出每个驾驶人驾驶过程风险响应和主动决策。
具体而言，为了能够有效求解驾驶人漂移扩散决策模型的模型参数，需要用不同的参数来拟合模型，即根据驾驶人真实数据中的响应行为分布是否能被模型有效解释，利用不同参数下模型的拟合程度对比来选取最优参数。因此，应用预设的层次贝叶斯方法，推断每个参数的完整超参和参数的后验分布，实现稳健的参数估计；预设的马尔可夫链蒙特卡罗采样方法应用在当某个函数的参数已知的场景，通过抽样的方式获取函数关键特征进行间接求解，并最终输出最优策略，通过结合MCMC算法，可以计算出贝叶斯网络中的似然部分，从而估计出对应的参数分布；根据驾驶人实际的信息累积值与设定阈值的差异，当达到个体决策条件时则会输出行动，在漂移扩散模型中，可将决策过程分解成预判选择和反应决策的两个阶段，其中漂移斜率反映了信息累积过程中驾驶人个体属性的权重，总信息累积取决于两个决策策略之间的差异，也同样受驾驶人个体属性造成的特定漂移斜率的调节。
如图6所示，在本申请实施例所提供的驾驶人信息累积量分布和决策输出结果分布示意图中，驾驶人驾驶过程中基于信息加工，累积刺激量，最终输出风险响应行为。黑色曲线代表信息累积量过程，红色虚线为参数拟合后得到的平均阈值，用作驾驶人判断选择行为阈值的基准。驾驶人在风险响应过程存在共性和个性，即风险激进型驾驶人避撞决策时刻基本分布在阈值上方，反应较晚，信息累积阈值高，容易产生事故；而风险敏感型驾驶人决策时刻分布在阈值下方，采取避撞操作较早，能更好避险。(基于分析结果，可量化驾驶人风险敏感度和信息累积决策阈值，并为后续研究提供驾驶人风险认知驱动机制。
由此可见，本申请实施例提出的高风险场景下驾驶人风险响应与主动决策方法，具有以下优点：
(1)本申请能够充分挖掘驾驶人视觉注意力演变累积效应，基于驾驶人视觉搜索位置分布划分了驾驶人注视兴趣区域中的有效视野，表征了基于驾驶人视觉注意力累积的风险认知的感知特性。
(2)本申请能够阐明驾驶人其信息加工并累积决策的风险响应及主动决策机制，并输出驾驶人群体背后的风险响应和抑制行为形成机理，实现了基于驾驶人信息累积量分布和累积阈值的决策策略输出。
(3)本申请通过构建高风险场景下驾驶人风险响应与主动决策方法，揭示驾驶人共性和个性风险响应和决策规律，为实现智能车辆动态化风险评估、个性化自适应决策提供了创新思路。
根据本申请实施例提出的高风险场景下驾驶人风险响应与主动决策方法，通过根据满足风险条件的场景下多个驾驶人眼动的时空特征信息，确定多个驾驶人的视觉注意特性，基于根据视觉注意特性和视网膜成像原理确定的多个驾驶人风险认知的感知特性，获取多个驾驶人风险认知的视觉注意力累积信息，根据基于视觉注意力累积信息所构建的表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型，量化输出每个驾驶人驾驶过程风险响应和主动决策。由此，解决现有模型应用过程中难以充分解释人类风险认知行为产生机理，且未量化道路条件和车辆属性等因素对驾驶人风险响应与主动决策产生的影响等问题，对实现个性化自动驾驶、促进道路交通安全具有重要意义。
其次参照附图描述根据本申请实施例提出的高风险场景下驾驶人风险响应与主动决策装置。
图7是本申请一个实施例的高风险场景下驾驶人风险响应与主动决策装置的方框示意图。
如图7所示，该高风险场景下驾驶人风险响应与主动决策装置10包括：驾驶人操作行为信息获取模块100、高风险场景紧急程度分类模块200、驾驶人操控行为特征参数选取模块300、驾驶人操控行为分布特性表征模块400和驾驶人风险敏感度差异表征模块500。
其中，驾驶人操作行为信息获取模块100，用于获取满足预设风险条件的场景下的多个驾驶人眼动的时空特征信息，并根据时空特征信息确定多个驾驶人的视觉注意特性；
高风险场景紧急程度分类模块200，用于根据视觉注意特性和预设的视网膜成像原理确定多个驾驶人风险认知的感知特性；
驾驶人操控行为特征参数选取模块300，用于基于多个驾驶人风险认知的感知特性，获取多个驾驶人风险认知的视觉注意力累积信息；
驾驶人操控行为分布特性表征模块400，用于基于视觉注意力累积信息，构建表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型；以及
驾驶人风险敏感度差异表征模块500，用于基于驾驶人漂移扩散决策模型，量化输出每个驾驶人驾驶过程风险响应和主动决策。
进一步地，在一些实施例中，高风险场景紧急程度分类模块200，具体用于：
若视觉注意特性为预设直行场景注意特性，则基于预设的直接知觉理论，确定视网膜成像角与前方车辆的相对距离和前方车辆的车宽之间的第一关系，并基于第一关系计算视网膜成像角的第一变化率，并根据第一变化率和第一关系得到碰撞时间；
若视觉注意特性为模拟数据注意特性，则确定视网膜成像角、驾驶人与驾驶模拟器屏幕之间的距离、屏幕中交通干扰车辆的宽度变化率之间的第二关系，并基于第二关系计算视网膜成像角的第二变化率，并根据第二变化率和第二关系得到碰撞时间。
进一步地，在一些实施例中，第一关系和第二关系均为：
第一变化率为：
第二变化率为：
碰撞时间为：
其中，为视网膜成像角，W为前方车辆的车宽，Dp为自车与前方车辆之间的相对距离，/>为视网膜成像角的变化率，v(t)为自车与前方车辆之间的相对速度，/>为屏幕中干扰车辆的宽度变化率，TTC(t)为碰撞时间，τ(t)为场景紧急程度。
进一步地，在一些实施例中，驾驶人操控行为特征参数选取模块300，具体用于：
确定用于获取视觉注意力累积信息的开始时刻和结束时刻；
在预设的像素坐标中绘制视觉注意的眼动热点图和注视点轨迹图；
基于开始时刻和结束时刻，根据眼动热点图和注视点轨迹图捕捉多个驾驶人风险认知的视觉注意力累积信息。
进一步地，在一些实施例中，驾驶人操控行为分布特性表征模块400，具体用于：
基于预设的序列抽样理论，根据多个驾驶人决策过程的动态价值评估构建漂移扩散模型；
将视觉注意力累积信息输入至漂移扩散模型，并根据输出结果构建驾驶人漂移扩散决策模型。
进一步地，在一些实施例中，驾驶人风险敏感度差异表征模块500，具体用于：
基于预设的层次贝叶斯方法，求解驾驶人漂移扩散决策模型的模型参数；
基于预设的马尔可夫链蒙特卡罗采样策略，计算模型参数的后验分布；
根据后验分布量化输出每个驾驶人驾驶过程风险响应和主动决策。
需要说明的是，前述对高风险场景下驾驶人风险响应与主动决策方法实施例的解释说明也适用于该实施例的高风险场景下驾驶人风险响应与主动决策装置，此处不再赘述。
根据本申请实施例提出的高风险场景下驾驶人风险响应与主动决策装置，通过根据满足风险条件的场景下多个驾驶人眼动的时空特征信息，确定多个驾驶人的视觉注意特性，基于根据视觉注意特性和视网膜成像原理确定的多个驾驶人风险认知的感知特性，获取多个驾驶人风险认知的视觉注意力累积信息，根据基于视觉注意力累积信息所构建的表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型，量化输出每个驾驶人驾驶过程风险响应和主动决策。由此，解决现有模型应用过程中难以充分解释人类风险认知行为产生机理，且未量化道路条件和车辆属性等因素对驾驶人风险响应与主动决策产生的影响等问题，对实现个性化自动驾驶、促进道路交通安全具有重要意义。
图8为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器801、处理器802及存储在存储器801上并可在处理器802上运行的计算机程序。
处理器802执行程序时实现上述实施例中提供的高风险场景下驾驶人风险响应与主动决策方法。
进一步地，电子设备还包括：
通信接口803，用于存储器801和处理器802之间的通信。
存储器801，用于存放可在处理器802上运行的计算机程序。
存储器801可能包含高速RAM(Random Access Memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
如果存储器801、处理器802和通信接口803独立实现，则通信接口803、存储器801和处理器802可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral Component，外部设备互连)总线或EISA(Extended Industry Standard Architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器801、处理器802及通信接口803，集成在一块芯片上实现，则存储器801、处理器802及通信接口803可以通过内部接口完成相互间的通信。
处理器802可能是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的高风险场景下驾驶人风险响应与主动决策方法。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种高风险场景下驾驶人风险响应与主动决策方法，其特征在于，包括以下步骤：
获取满足预设风险条件的场景下的多个驾驶人眼动的时空特征信息，并根据所述时空特征信息确定所述多个驾驶人的视觉注意特性；
根据所述视觉注意特性和预设的视网膜成像原理确定所述多个驾驶人风险认知的感知特性；
基于所述多个驾驶人风险认知的感知特性，获取所述多个驾驶人风险认知的视觉注意力累积信息；
基于所述视觉注意力累积信息，构建表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型；以及
基于所述驾驶人漂移扩散决策模型，量化输出每个驾驶人驾驶过程风险响应和主动决策；
其中，所述根据所述视觉注意特性和预设的视网膜成像原理确定所述多个驾驶人风险认知的感知特性，包括：若所述视觉注意特性为预设直行场景注意特性，则基于预设的直接知觉理论，确定视网膜成像角与前方车辆的相对距离和所述前方车辆的车宽之间的第一关系，并基于所述第一关系计算所述视网膜成像角的第一变化率，并根据所述第一变化率和所述第一关系得到碰撞时间；若所述视觉注意特性为模拟数据注意特性，则确定所述视网膜成像角、驾驶人与驾驶模拟器屏幕之间的距离、屏幕中交通干扰车辆的宽度变化率之间的第二关系，并基于所述第二关系计算所述视网膜成像角的第二变化率，并根据所述第二变化率和所述第二关系得到所述碰撞时间；
所述基于所述视觉注意力累积信息，构建表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型，包括：基于预设的序列抽样理论，根据所述多个驾驶人决策过程的动态价值评估构建漂移扩散模型；将所述视觉注意力累积信息输入至所述漂移扩散模型，并根据输出结果构建所述驾驶人漂移扩散决策模型。
2.根据权利要求1所述的方法，其特征在于，所述第一关系和所述第二关系均为：
所述第一变化率为：
所述第二变化率为：
所述碰撞时间为：
其中，为所述视网膜成像角，W为所述前方车辆的车宽，Dp为所述视网膜成像角与所述前方车辆的相对距离，/>为所述视网膜成像角的变化率，v(t)为xxx，/>为所述屏幕中干扰车辆的宽度变化率，TTC(t)为所述碰撞时间，τ(t)为场景紧急程度。
3.根据权利要求1所述的方法，其特征在于，所述基于所述多个驾驶人风险认知的感知特性，获取所述多个驾驶人风险认知的视觉注意力累积信息，包括：
确定用于获取所述视觉注意力累积信息的开始时刻和结束时刻；
在预设的像素坐标中绘制视觉注意的眼动热点图和注视点轨迹图；
基于所述开始时刻和所述结束时刻，根据所述眼动热点图和所述注视点轨迹图捕捉所述多个驾驶人风险认知的视觉注意力累积信息。
4.根据权利要求1所述的方法，其特征在于，所述基于所述驾驶人漂移扩散决策模型，量化输出所述每个驾驶人驾驶过程风险响应和主动决策，包括：
基于预设的层次贝叶斯方法，求解所述驾驶人漂移扩散决策模型的模型参数；
基于预设的马尔可夫链蒙特卡罗采样策略，计算所述模型参数的后验分布；
根据所述后验分布量化输出所述每个驾驶人驾驶过程风险响应和主动决策。
5.一种高风险场景下驾驶人风险响应与主动决策装置，其特征在于，包括：
第一确定模块，用于获取满足预设风险条件的场景下的多个驾驶人眼动的时空特征信息，并根据所述时空特征信息确定所述多个驾驶人的视觉注意特性；
第二确定模块，用于根据所述视觉注意特性和预设的视网膜成像原理确定所述多个驾驶人风险认知的感知特性；
获取模块，用于基于所述多个驾驶人风险认知的感知特性，获取所述多个驾驶人风险认知的视觉注意力累积信息；
构建模块，用于基于所述视觉注意力累积信息，构建表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型；以及
输出模块，用于基于所述驾驶人漂移扩散决策模型，量化输出每个驾驶人驾驶过程风险响应和主动决策；
其中，所述第二确定模块，具体用于：若所述视觉注意特性为预设直行场景注意特性，则基于预设的直接知觉理论，确定视网膜成像角与前方车辆的相对距离和所述前方车辆的车宽之间的第一关系，并基于所述第一关系计算所述视网膜成像角的第一变化率，并根据所述第一变化率和所述第一关系得到碰撞时间；若所述视觉注意特性为模拟数据注意特性，则确定所述视网膜成像角、驾驶人与驾驶模拟器屏幕之间的距离、屏幕中交通干扰车辆的宽度变化率之间的第二关系，并基于所述第二关系计算所述视网膜成像角的第二变化率，并根据所述第二变化率和所述第二关系得到所述碰撞时间；
所述构建模块，具体用于：基于预设的序列抽样理论，根据所述多个驾驶人决策过程的动态价值评估构建漂移扩散模型；将所述视觉注意力累积信息输入至所述漂移扩散模型，并根据输出结果构建所述驾驶人漂移扩散决策模型。
6.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-4任一项所述的高风险场景下驾驶人风险响应与主动决策方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-4任一项所述的高风险场景下驾驶人风险响应与主动决策方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310755780.XA CN116968730B (zh) | 2023-06-25 | 2023-06-25 | 高风险场景下驾驶人风险响应与主动决策方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310755780.XA CN116968730B (zh) | 2023-06-25 | 2023-06-25 | 高风险场景下驾驶人风险响应与主动决策方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116968730A CN116968730A (zh) | 2023-10-31 |
| CN116968730B true CN116968730B (zh) | 2024-03-19 |
Family
ID=88484012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310755780.XA Active CN116968730B (zh) | 2023-06-25 | 2023-06-25 | 高风险场景下驾驶人风险响应与主动决策方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116968730B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102011085028A1 (de) * | 2011-10-21 | 2013-04-25 | Robert Bosch Gmbh | Verfahren zur Erweiterung des Aufmerksamkeitsbereichs |
| CN103110400A (zh) * | 2011-09-02 | 2013-05-22 | 沃尔沃汽车公司 | 车辆驾驶员的视觉输入 |
| CN113946943A (zh) * | 2021-09-26 | 2022-01-18 | 清华大学 | 人-车-路微观交通系统建模及风险辨识方法及装置 |
| CN114117829A (zh) * | 2022-01-24 | 2022-03-01 | 清华大学 | 极限工况下人-车-路闭环系统动力学建模方法及系统 |
| CN115056776A (zh) * | 2022-08-01 | 2022-09-16 | 重庆邮电大学 | 综合考虑感知过程与驾驶员行为的自适应驾驶人跟驰方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150109444A1 (en) * | 2013-10-22 | 2015-04-23 | GM Global Technology Operations LLC | Vision-based object sensing and highlighting in vehicle image display systems |
-
2023
- 2023-06-25 CN CN202310755780.XA patent/CN116968730B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103110400A (zh) * | 2011-09-02 | 2013-05-22 | 沃尔沃汽车公司 | 车辆驾驶员的视觉输入 |
| DE102011085028A1 (de) * | 2011-10-21 | 2013-04-25 | Robert Bosch Gmbh | Verfahren zur Erweiterung des Aufmerksamkeitsbereichs |
| CN113946943A (zh) * | 2021-09-26 | 2022-01-18 | 清华大学 | 人-车-路微观交通系统建模及风险辨识方法及装置 |
| CN114117829A (zh) * | 2022-01-24 | 2022-03-01 | 清华大学 | 极限工况下人-车-路闭环系统动力学建模方法及系统 |
| CN115056776A (zh) * | 2022-08-01 | 2022-09-16 | 重庆邮电大学 | 综合考虑感知过程与驾驶员行为的自适应驾驶人跟驰方法 |
Non-Patent Citations (2)
| Title |
|---|
| 城市道路跟驰车辆驾驶员视觉感知滞后效应的研究;黎明;向刚;李春明;;交通科技(05);全文 * |
| 跟驰状态下驾驶人动态可靠性分析;王俊华;方守恩;刘硕;;中国公路(22);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116968730A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kashevnik et al. | Driver distraction detection methods: A literature review and framework | |
| Alkinani et al. | Detecting human driver inattentive and aggressive driving behavior using deep learning: Recent advances, requirements and open challenges | |
| KR20200131883A (ko) | 운전 상태 분석 방법 및 장치, 운전자 모니터링 시스템 및 차량 | |
| KR20200132945A (ko) | 운전 상태 검출 방법 및 장치, 운전자 모니터링 시스템 및 차량 | |
| KR101276770B1 (ko) | 사용자 적응형 특이행동 검출기반의 안전운전보조시스템 | |
| Oliveira et al. | Driver drowsiness detection: a comparison between intrusive and non-intrusive signal acquisition methods | |
| JP2019528217A (ja) | 資源配分管理を改善するために注意力バッファを使用するシステムおよび方法 | |
| EP3588372A1 (en) | Controlling an autonomous vehicle based on passenger behavior | |
| KR20090091335A (ko) | 각성 상태 판정 모델 생성 장치, 각성 상태 판정 장치 및 경고 장치 | |
| Svärd et al. | Computational modeling of driver pre-crash brake response, with and without off-road glances: Parameterization using real-world crashes and near-crashes | |
| Costa et al. | Detecting driver’s fatigue, distraction and activity using a non-intrusive ai-based monitoring system | |
| Pekkanen et al. | A computational model for driver's cognitive state, visual perception and intermittent attention in a distracted car following task | |
| Xu et al. | Left gaze bias between LHT and RHT: a recommendation strategy to mitigate human errors in left-and right-hand driving | |
| Kotseruba et al. | Behavioral research and practical models of drivers' attention | |
| Roth et al. | Driver and pedestrian mutual awareness for path prediction and collision risk estimation | |
| Rezaei et al. | Simultaneous analysis of driver behaviour and road condition for driver distraction detection | |
| Rong et al. | Artificial intelligence methods in in-cabin use cases: a survey | |
| Ju et al. | Noninvasive neural signal-based detection of soft and emergency braking intentions of drivers | |
| Löcken et al. | Investigating driver gaze behavior during lane changes using two visual cues: ambient light and focal icons | |
| Dargahi Nobari et al. | Modeling driver-vehicle interaction in automated driving | |
| Meng et al. | Application and development of AI technology in automobile intelligent cockpit | |
| Ilievski | Wisebench: A motion planning benchmarking framework for autonomous vehicles | |
| CN116968730B (zh) | 高风险场景下驾驶人风险响应与主动决策方法及装置 | |
| Jha et al. | Driver visual attention estimation using head pose and eye appearance information | |
| Lenné et al. | 11 Driver State Monitoring for Decreased Fitness to Drive |
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 |