CN117064386A - 感知反应时间确定方法、装置、设备、介质和程序产品 - Google Patents

感知反应时间确定方法、装置、设备、介质和程序产品 Download PDF

Info

Publication number
CN117064386A
CN117064386A CN202310892382.2A CN202310892382A CN117064386A CN 117064386 A CN117064386 A CN 117064386A CN 202310892382 A CN202310892382 A CN 202310892382A CN 117064386 A CN117064386 A CN 117064386A
Authority
CN
China
Prior art keywords
evidence
determining
information
response
visual angle
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.)
Pending
Application number
CN202310892382.2A
Other languages
English (en)
Inventor
聂冰冰
秦德通
裴希哲
李泉
匡高远
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 CN202310892382.2A priority Critical patent/CN117064386A/zh
Publication of CN117064386A publication Critical patent/CN117064386A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/162—Testing reaction times
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Social Psychology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Veterinary Medicine (AREA)
  • Child & Adolescent Psychology (AREA)
  • Psychiatry (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Mechanical Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)

Abstract

本申请涉及一种感知反应时间确定方法、装置、计算机设备及存储介质。所述方法包括：确定目标时刻的响应证据积累量，响应证据积累量表征检测对象做出响应所积累的证据；在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。采用本方法能够通过响应证据积累量表征了在险态场景下驾驶人感知反应时间的响应历程，因此通过判断响应证据积累量是否符合预设条件来确定感知反应时间，考虑到了险态场景发展的时间历程，使得确定出的感知反应时间更加准确。

Description

感知反应时间确定方法、装置、设备、介质和程序产品
技术领域
本申请涉及交通安全技术领域，特别是涉及一种感知反应时间确定方法、装置、设备、介质和程序产品。
背景技术
随着经济的快速发展，汽车已经成为人们日常生活中的重要交通工具，交通事故等问题也随之而来。经研究，交通事故的发生与驾驶人的反应时间和驾驶行为之间存在密切关系。当交通冲突出现时，驾驶人需要基于感知到的交通信息以及自己的驾驶经验对场景发展趋势做出预判，进而快速做出避撞决策。
目前，人们通过建立感知反应时间预测模型来预测驾驶人在发生交通冲突时的做出决策的反应时间。
但是，现有的感知反应时间预测模型往往是判断只关注驾驶人感知到的交通信息是否到达反应阈值，且通常假设驾驶人感知的交通信息为关注相对距离、相对速度等指标，通过判断上述指标是否到达反应阈值计算驾驶人感知反应时间，会导致感知反应时间预测模型预测出的感知反应时间不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够驾驶人感知反应时间与实际反应时间一致的感知反应时间确定方法、装置、设备、介质和程序产品
第一方面，本申请提供了一种感知反应时间确定方法。上述方法包括：
确定目标时刻的响应证据积累量；响应证据积累量表征检测对象做出响应所积累的证据；
在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。
在其中一个实施例中，上述确定目标时刻的响应证据积累量，包括：
确定前一时刻的响应证据积累量和前一时刻至目标时刻之间的证据积累幅度；
根据前一时刻的响应证据积累量和证据积累幅度，确定目标时刻的响应证据积累量。
在其中一个实施例中，上述根据前一时刻的响应证据积累量和证据积累幅度，确定目标时刻的响应证据积累量，包括：
确定信息噪声；
根据前一时刻的响应证据积累量、证据积累幅度和信息噪声，确定目标时刻的响应证据积累量。
在其中一个实施例中，上述证据积累幅度的确定过程，包括：
获取多种视觉变化证据信息和其他证据信息；
根据多种视觉变化证据信息和其他证据信息，确定证据积累幅度。
在其中一个实施例中，上述根据多种视觉变化证据信息和其他证据信息，确定证据积累幅度，包括：
对多种视觉变化证据信息进行加权求和计算，得到第一信息和；
对第一信息和与其他证据信息进行求和计算，得到第二信息和；
将第二信息和从前一时刻积分至目标时刻，得到证据积累幅度。
在其中一个实施例中，上述视觉变化证据信息包括视觉角，获取多种视觉变化证据信息，包括：
确定前导车车辆的宽度和人眼与前导车车辆之间的距离；
根据前导车车辆的宽度和人眼与前导车车辆之间的距离，确定视觉角。
在其中一个实施例中，上述视觉变化证据信息包括视觉角变化率，获取多种视觉变化证据信息，包括：
确定前导车车辆的宽度的变化率和人眼与前导车车辆之间的距离；
根据前导车车辆的宽度的变化率，以及人眼与前导车车辆之间的距离，确定视觉角变化率。
在其中一个实施例中，上述视觉变化证据信息包括视觉角、视觉角变化率和紧急程度，获取多种视觉变化证据信息，包括：
确定视觉角和视觉角变化率；
确定视觉角和视觉角变化率的比值，并根据视觉角和视觉角变化率的比值确定紧急程度。
第二方面，本申请还提供了一种感知反应时间确定装置。该装置包括：
信息确定模块，用于确定目标时刻的响应证据积累量；响应证据积累量表征检测对象做出响应所积累的证据；
时间确定模块，用于在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。
第三方面，本申请还提供了一种电子设备。上述计算机设备包括存储器和处理器，上述存储器存储有计算机程序，上述处理器执行上述计算机程序时实现以下步骤：
确定目标时刻的响应证据积累量；响应证据积累量表征检测对象做出响应所积累的证据；
在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。
第四方面，本申请还提供了一种计算机可读存储介质。上述计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现以下步骤：
确定目标时刻的响应证据积累量；响应证据积累量表征检测对象做出响应所积累的证据；
在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。
第五方面，本申请还提供了一种计算机程序产品。上述计算机程序产品，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：
确定目标时刻的响应证据积累量；响应证据积累量表征检测对象做出响应所积累的证据；
在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。
上述感知反应时间确定方法、装置、设备、介质和程序产品，首先确定目标时刻的响应证据积累量，然后，在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。本申请的响应证据积累量表征了在险态场景下驾驶人感知反应时间的响应历程，因此通过判断响应证据积累量是否符合预设条件来确定感知反应时间，考虑到了险态场景发展的时间历程，使得确定出的感知反应时间更加准确。
附图说明
图1为一个实施例中感知反应时间确定方法的应用环境图；
图2为一个实施例中感知反应时间确定方法的流程示意图；
图3为一个实施例中信息确定的流程示意图；
图4为另一个实施例中信息确定的流程示意图；
图5为一个实施例中证据积累幅度确定的流程示意图；
图6为另一个实施例中证据积累幅度确定的流程示意图；
图7为一个实施例中视觉角确定的流程示意图；
图8为一个实施例中跟车换道的场景示意图；
图9为一个实施例中视觉角变化率确定的流程示意图；
图10为一个实施例中紧急程度确定的流程示意图；
图11为一个实施例中驾驶人感知反应时间确定模型示意图之一；
图12为一个实施例中驾驶人感知反应时间确定模型示意图之二；
图13为另一个实施例中感知反应时间确定方法的流程示意图；
图14为一个实施例中感知反应时间确定方法的结构框图；
图15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。
首先，在具体介绍本申请实施例的技术方案之前，先对本申请实施例基于的技术背景进行介绍。
当交通冲突出现时，驾驶人需要基于感知到的交通信息以及自己的驾驶经验对场景发展趋势做出预判，进而快速做出避撞决策。感知反应时间是影响险态发展的重要随机变量。已有研究认为交通系统不能简单地视为一种纯机械系统，而应该被看成是一种由物理(等价于其中的运动)和心理(等价于人的感知和处理)相互作用的系统，人的主观因素在系统中发挥着重要的作用。
在心理学或认知学领域，信号探测理论(Signal Detection Theory，SDT)认为人类在接收到刺激信息并做出决策的过程中，感受器在感知刺激信号和人脑神经元的随机信号处理过程都会产生噪声，导致人类决策行为的不确定性。
驾驶人在处理大多数道路冲突时，不需要调动大脑的高水平认知功能区进行长时间的深思熟虑，而只需根据感知的信息以及先验知识快速做出反应。在理论神经科学领域，针对人脑在外界刺激下决策过程建立了不同尺度下的决策模型。细观层的神经元脉冲模型(Neuron Spiking Model)能模拟神经元在接受刺激信号后累计电位达到阈值产生发放的生理过程；介观层的简化脉冲发放率模型(Reduced Rate Model)是基于功能神经元群动态稳定特性建立的简化多神经元脉冲发放模型；宏观行为层的漂移扩散决策模型(DriftDiffusion Model，DDM)和遍历速率的线性阈值决策模型(Linear Approach to Thresholdwith Ergodic Rate，LATER)能表征人在行为认知层所表现出的行为特性。行为层的DDM和LATER模型则能够表征人类决策结果，反应时间与刺激信号变化间的关系。但是相比传统认知行为学研究中的单一静态决策任务，动态交通场景中的驾驶人决策受到众多潜在因素的影响。
目前驾驶人模型分为分解式和端到端式两种技术方案。分解式方案进一步分为感知、控制、决策三大模块，分工清晰，可解释性强，但系统复杂度高，计算量大。端到端方案模型模拟端到端的驾驶决策计算量小、系统复杂度低，但对算法要求高，安全性低，可解释性和可靠性差。大量基于机器学习模型或深度学习模型的端到端模拟拟人化驾驶行为决策，但是机器学习模型和深度学习模型需要大量数据驱动，这是险态场景研究的一大局限。
基于信号检测理论的模型大多关注在构建阈值模型(Threshold Model)检测和反应阈值，即关注的信号在某个时刻超过阈值驾驶人就做出反应，忽略了险态场景发展的时间历程。证据积累过程强调伴随噪声的不同信号在时间历程上的演变与积累。证据积累模型，如漂移扩散模型或遍历速率的线性阈值决策模型已证明能够拟合不同任务和复杂度的认知决策任务，且有研究证实了对应的神经生理学机制。但未有在现实交通场景中的应用。
现有驾驶人感知反应时间预测算法的研究集中在车辆常规巡航任务(包括换道、转向、跟车、疲劳检测，以及自动驾驶车辆上驾驶员第二任务的识别等)下，而缺乏针对险态工况驾驶人感知反应时间预测研究。
且传统驾驶人感知反应时间预测模型往往基于临碰撞时间(Time to Collision，TTC)、车头时距(Time Headway，THW)或距离、速度等三维空间参数信息，这些参数虽然能客观描述工况紧急程度及交互信息，但是不符合驾驶人的视觉感知机制。已有研究表明，驾驶员不能直接准确获得距离、速度等三维空间参数信息而是驾驶人从视觉信息中恢复的。因此从驾驶人感知视角出发，通过基于驾驶人视角感知信息推断驾驶人感知反应时间能够体现驾驶人的感知决策机制。
目前流行的驾驶人感知反应时间预测模型往往是通过机器学习等基于数据驱动的黑盒化过程，虽然具有较好的拟合精度，但无法体现决策过程及逻辑关系，难以解释驾驶人反应时间分布特征及其变化形式。因此目前研究没有考虑驾驶人感知反应时间特性(随机不确定性、个体差异性、场景异质性等)，也没有解析驾驶人的感知决策机理。通过证据积累过程(Evidence Accumulation)基本框架可以充分考虑驾驶人生理、心理因素对驾驶人行为的影响和制约，及由此产生不同的驾驶行为，从建模方法上更接近实际情况，也最能描述大多数日常所见的驾驶行为。
本申请实施例提供的感知反应时间确定方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102首先确定目标时刻的响应证据积累量；然后，在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、平板电脑、物联网设备，物联网设备可为智能车载设备等。服务器104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。
在一个实施例中，如图2所示，提供了一种感知反应时间确定方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤201，确定目标时刻的响应证据积累量；响应证据积累量表征检测对象做出响应所积累的证据。
其中，目标时刻是指在险态场景下，终端进行周期性采集时的某一采集时刻。响应证据积累量用于表征检测对象做出响应所积累的证据，响应证据积累量可以是数据信息、图像信息、声音提示信息或者数据和图像结合的信息。
本申请实施例中，终端可以控制传感器记录目标时刻，例如运动传感器、GPS传感器等，也可以通过内部软件计算出目标时刻，本申请实施例不做具体限定。终端可以基于历史数据或者基于其他相关参数确定目标时刻的响应证据积累量，也可以将相关信息输入到机器学习模型中得到目标时刻的响应证据积累量，还可以通过积累过程的变化曲线得到目标时刻的响应证据积累量。
示例性地，终端间隔0.01秒向传感器发送采集时间指令，传感器采集到目标时刻为a时刻，然后将采集的到目标时刻发送至终端，终端根据目标时刻，得出该目标时刻的证据积累量为e1。
步骤202，在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。
其中，感知反应时间(Perception-response Time，PRT)是指驾驶人在险态场景中的反应时间，通常被定义为危险源或危险信息出现(例如跟车场景中前导车开始制动)后驾驶人做出主动响应决策以及采取避撞行为(松油门、制动、转向等)的时间。
本申请实施例中，终端确定目标时刻的响应证据积累量后，判断目标时刻的响应证据积累量是否符合预设条件。预设条件包括预设阈值、预设范围中的至少一种。符合预设条件可以包括：响应证据积累量大于预设条件、响应证据积累量在预设条件的范围内、响应证据积累量小于预设条件的范围。若目标时刻的响应证据积累量符合预设条件，终端将获取到的目标时刻确定为感知反应时间。
示例性地，假设预设条件为[50.0-53.0]，若终端获取的目标时刻为b时刻，b时刻的证据积累量E2为51.2，由此可知证据积累量E2在预设条件范围内，证据积累量E2符合预设条件，所以得出感知反应时间为b。
上述感知反应时间确定方法，首先确定目标时刻的响应证据积累量，然后，在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。本申请实施例的响应证据积累量表征了在险态场景下驾驶人感知反应时间的响应历程，因此通过判断响应证据积累量是否符合预设条件来确定感知反应时间，并且采用证据信息积累过程的方式，使本申请实施例不仅考虑到了阈值条件，从而使确定出的感知反应时间更加准确。
在一个实施例中，如图3所示，上述确定目标时刻的响应证据积累量，包括如下步骤：
步骤301，确定前一时刻的响应证据积累量和前一时刻至目标时刻之间的证据积累幅度。
其中，证据积累幅度是指在一段时间内证据积累量波动的幅度。证据积累幅度可以是正值，即此段时间内积累的证据更加支持做出决策，也可以是负值即此段时间内积累的证据反对做出决策。
本申请实施例中，终端将每一时刻以及每一时刻对应的响应证据积累量进行存储。然后根据存储的数据，确定前一时刻的响应证据积累量和前一时刻至目标时刻之间的证据积累幅度，确定证据积累幅度的方式包括但不限定通过相关曲线得到证据积累幅度或者根据机器学习模型。
示例性地，终端每间隔为0.01秒每一时刻以及每一时刻对应的响应证据积累量进行存储。若目标时刻为0.04秒，则存储在终端的前一时刻为0.03秒，前一时刻的响应证据积累量为E3，终端将获取到的前一时刻的响应证据积累量，根据机器学习模型得到前一时刻至目标时刻之间的证据积累幅度为Z1。
步骤302，根据前一时刻的响应证据积累量和证据积累幅度，确定目标时刻的响应证据积累量。
本申请实施例中，终端首先根据前一时刻的响应证据积累量确定证据积累幅度。确定方式包括但不限于根据证据积累幅度曲线证据确定积累幅度，或者根据机器学习模型确定累幅度。然后终端根据前一时刻的响应证据积累量和证据积累幅度，确定目标时刻的响应证据积累量。确定方式可以通过证据积累模型确定，也可以通过证据积累变化曲线确定。
示例性地，终端首先确定c时刻(前一时刻)的响应证据积累量E4，然后通过证据积累幅度曲线得到证据积累幅度为Z2。然后，终端根据证据积累模型确定d时刻(目标时刻)的响应证据积累量为E5。
上述感知反应时间确定方法，终端首先确定前一时刻的响应证据积累量和前一时刻至目标时刻之间的证据积累幅度，然后根据前一时刻的响应证据积累量和证据积累幅度，确定目标时刻的响应证据积累量。本申请实施例基于驾驶人的证据积累过程，根据前一时刻的响应证据积累量和前一时刻至目标时刻之间的证据积累幅度，从而确定目标时刻的响应证据积累量，上述逐步证据积累量的过程不仅考虑到了阈值条件，还考虑了险态场景发展的时间历程，更加符合驾驶人实际决策过程，进而采用本申请可以得到更准确的感知反应时间。
在一个实施例中，如图4所示，上述根据前一时刻的响应证据积累量和证据积累幅度，确定目标时刻的响应证据积累量，包括如下步骤：
步骤401，确定信息噪声。
其中，人类在接收到刺激信息并做出决策的过程中，感受器在感知刺激信号和人脑神经元的随机信号处理过程都会产生噪声，导致人类决策行为的不确定性。证据积累过程存在信息噪声，而证据积累过程强调伴随噪声的不同信号在时间历程上的演变与积累。ε(t-1)·Δt表示信息噪声，用于模拟证据积累过程中的噪声影响，其中ε(t-1)假设服从正态分布，可为负值，信息噪声如公式(1)所示：
本申请实施例中，终端在正态分布中随机选择一个值，作为信息噪声。
示例性地，终端在正态分布中随机选择的信息噪声为ε1。
步骤402，根据前一时刻的响应证据积累量、证据积累幅度和信息噪声，确定目标时刻的响应证据积累量。
其中，目标时刻的响应证据积累量可以用数学符号来表示带有信息噪声的证据积累模型可表示为公式(2)：
E(t)＝E(t-1)+z(t-1)+ε(t-1)·Δt (2)
其中，E(t)是t时刻的响应证据积累量，其值越高表明支持做出响应的信息越强；E(t-1)是t-1时刻的响应证据积累量；z(t-1)是指证据积累过程的积累速率，即Δt时间内证据积累幅度；ε(t-1)·Δt是模拟证据积累过程中的噪声影响，即信息噪声，其中ε(t-1)假设服从正态分布，可为负值。
本申请实施例中，终端根据前一时刻的响应证据积累量、证据积累幅度和信息噪声，确定目标时刻的响应证据积累量。确定方式可以通过证据积累模型确定，也可以通过证据积累变化曲线确定。
上述感知反应时间确定方法，首先确定信息噪声，然后根据前一时刻的响应证据积累量、证据积累幅度和信息噪声，确定目标时刻的响应证据积累量。本申请实施例基于驾驶人的证据积累过程，根据前一时刻的响应证据积累量和前一时刻至目标时刻之间的证据积累幅度以及信息噪声，从而确定目标时刻的响应证据积累量，上述逐步证据积累量的过程表征了险态场景发展的时间历程，更加符合驾驶人实际的决策过程，进而采用本申请实施例可以得到更准确的感知反应时间。
在一个实施例中，如图5所示，上述证据积累幅度的确定过程，包括如下步骤：
步骤501，获取多种视觉变化证据信息和其他证据信息。
其中，视觉变化证据信息可以包括视觉角和视觉角变化率中的至少一种，其他证据信息可以包括车内提示灯的显示状态、刹车灯的显示状态等。
本申请实施例中，视觉变化证据信息和其他证据信息可以通过车辆自带的采集器获取，也可以通过驾驶模拟器的监控设备获取。
示例性地，通过车辆自带的采集器获取视觉角变化率和车内提示灯亮。
步骤502，根据多种视觉变化证据信息和其他证据信息，确定证据积累幅度。
其中，在不考虑证据积累过程中存在噪声的情况下，证据积累幅度可以根据根据多种视觉变化证据信息和其他证据信息确定。
本申请实施例中，终端可以根据车辆自带的采集器获取视觉变化证据信息和其他证据信息，或者，可以通过驾驶模拟器的监控设备获取视觉变化证据信息和其他证据信息。然后终端将上述视觉变化证据信息和其他证据信息输入证据信息积累模型中，证据信息积累模型根据上述视觉变化证据信息和其他证据信息输出证据积累幅度。
示例性地，终端通过车辆自带的采集器获取视觉角α、视觉角变化率以及车内提示灯。然后终端将上述视觉角α、视觉角变化率/>以及车内提示灯，输入据信息积累模型得到证据积累幅度z1。
上述感知反应时间确定方法，首先获取多种视觉变化证据信息和其他证据信息，然后根据多种视觉变化证据信息和其他证据信息，确定证据积累幅度。本申请实施例不再采用三维空间参数的这类驾驶人不能直接可用的信息。而是，从驾驶人感知视角出发，采用视觉变化证据信息和其他证据信息这类驾驶人直接可用的证据信息，将“人”引入险态交通场景，考虑人的感知机制及其与系统的交互。并且，根据驾驶人可用的视觉变化证据信息和其他证据信息，确定证据积累幅度。证据积累幅度可以表征证据信息在时间上的积累的幅度变化，使得本申请不单单只关注阈值条件，而是还考虑到了险态场景发展的时间历程，从而，使得本申请更加符合驾驶人实际的决策过程，实现了驾驶人认知心理过程与客观险态场景的有效统一。
在一个实施例中，如图6所示，上述根据多种视觉变化证据信息和其他证据信息，确定证据积累幅度，包括如下步骤：
步骤601，对多种视觉变化证据信息进行加权求和计算，得到第一信息和。
本申请实施例中，多种视觉变化证据信息包括但不限定是视觉角、视觉角变化率、用于反映紧急程度大小的比率。终端对多种视觉变化证据信息进行加权求和，得到第一信息和。得到方式可以根据终端内部算法得到，也可以是根据终端内部数据处理器得到
示例性地，终端根据获取得到的视觉角变化率以及视觉角α，然后根据内部数据处理器，对视觉角变化率/>以及视觉角α进行加权求和计算，得到第一信息和L1+L2。
步骤602，对第一信息和与其他证据信息进行求和计算，得到第二信息和。
本申请实施例中，其他证据信息包括但不限定是车内提示灯以及刹车灯中。终端对第一信息和与其他证据信息进行求和，得到第二信息和。得到方式可以根据终端内部算法得到，也可以是根据终端内部数据处理器得到。
示例性地，终端根据计算得到的第一信息和L3以及其他证据信息Llight进行求和计算，得到第二信息和L3+Lllght。
步骤603，将第二信息和从前一时刻积分至目标时刻，得到证据积累幅度。
本申请实施例中，终端将第二信息和从前一时刻积分至目标时刻，得到证据积累幅度，得到方式可以根据终端内部算法得到，也可以是根据终端内部数据处理器得到。
示例性地，如公式(3)所示：
其中，z(t)为t-1到t时刻的证据积累幅度，L(t-1)+Llight为第二信息和，t为目标时刻。
上述感知反应时间确定方法，首先对多种视觉变化证据信息进行加权求和计算，得到第一信息和。然后，对第一信息和与其他证据信息进行求和计算，得到第二信息和。最后将第二信息和从前一时刻积分至目标时刻，得到证据积累幅度。本申请通过关注视觉变化证据信息和其他证据信息的证据积累值，即在时间域的积分，其反映了驾驶人在险态场景发展的时间历程。采用上述方式使得本申请可以用于解释不同物理参数对反应时间的影响，也可以解释驾驶人感知反应时间的随机不确定性、个体差异性、场景异质性特征。
在一个实施例中，如图7所示，上述视觉变化证据信息包括视觉角，获取多种视觉变化证据信息，包括如下步骤：
步骤701，确定前导车车辆的宽度和人眼与前导车车辆之间的距离。
其中，在实际跟车场景中，宽度为前导车的实际宽度W，宽度保持不变。在驾驶模拟场景中，前导车的显示宽度w(t)随时间变化。
如图8所示，在实际跟车场景中，为以跟车换道场景为例说明视觉变化刺激类型效应，在跟车场景(自车1与前导车2的交互)中，驾驶人观察到驾驶人观察到前方距离D(t)的一辆宽度为W的车辆。其中，W为前导车车辆的宽度，D(t)为人眼与前导车车辆之间的距离。
本申请实施例的一种实现方式，在实际跟车场景中，终端可以通过驾驶人驾驶车辆上的采集器获取前导车车辆的宽度和人眼与前导车车辆之间的距离。
本申请实施例的另一种实现方式，在驾驶模拟器场景中，可以通过驾驶模拟器的监控设备确定前导车车辆的宽度和人眼与前导车车辆之间的距离。
示例性地，在某一时刻，前导车车辆的宽度为W1和人眼与前导车车辆之间的距离D1。
步骤702，根据前导车车辆的宽度和人眼与前导车车辆之间的距离，确定视觉角。
本申请实施例中，终端向驾驶人驾驶车辆上的采集器发送采集指令，采集器接收指令后，获取前导车车辆的宽度和人眼与前导车车辆之间的距离，并传输给终端，然后，终端根据获取到的前导车车辆的宽度和人眼与前导车车辆之间的距离直接求出确定视觉角。也可以是，终端向驾驶模拟器的监控设备发送采集指令，监控设备接收指令后，获取前导车车辆的显示宽度和人眼与前导车车辆之间的距离，并传输给终端。然后，终端根据获取到的前导车车辆的显示宽度和人眼与前导车车辆之间的距离直接求出确定视觉角。
示例性地，如公式(4)所示：
其中，如图8所示，α(t)为视觉角，W为前导车车辆的宽度，D(t)为人眼与前导车车辆之间的距离。
上述感知反应时间确定方法，首先确定前导车车辆的宽度和人眼与前导车车辆之间的距离。然后根据前导车车辆的宽度和人眼与前导车车辆之间的距离，确定视觉角。本申请实施例依据驾驶人观察感知视角所获得的视觉信息对险态场景进行刺激编码，直接获取视觉角等有效信息，实现了驾驶人认知心理过程与客观险态场景的有效统一。
在一个实施例中，如图9所示，上述视觉变化证据信息包括视觉角变化率，上述获取多种视觉变化证据信息的步骤，可以包括：
步骤801，确定前导车车辆的宽度的变化率和人眼与前导车车辆之间的距离。
本申请实施例的一种实现方式，在实际跟车场景中，可以通过驾驶人驾驶车辆上的采集器采集某一时刻的前导车车辆的宽度和人眼与前导车车辆之间的距离。然后，根据前导车车辆的宽度与某一时刻得到宽度的变化率。
本申请实施例的另一种实现方式，在驾驶模拟场景中，可以通过驾驶模拟器的监控设备确定某一时刻的前导车车辆的显示宽度和人眼与显示屏幕之间的距离。然后，根据前导车车辆的显示宽度与某一时刻得到显示宽度的变化率。
示例性地，在驾驶模拟场景，t时刻的前导车车辆的显示宽度为w1和人眼与前导车车辆之间的距离D2。则t时刻的显示宽度的变化率为
步骤802，根据前导车车辆的宽度的变化率，以及人眼与前导车车辆之间的距离，确定视觉角变化率。
本申请实施例中，在实际跟车场景，终端向驾驶人驾驶车辆上的采集器，发送采集指令，采集器接收指令后，获取前导车车辆的宽度和人眼与前导车车辆之间的距离，并传输给终端。然后根据前导车车辆的宽度，以及人眼与前导车车辆之间的距离，计算视觉角变化率。也可以是，在驾驶模拟场景中，终端向通过驾驶模拟器的监控设备，发送采集指令，监控设备接收指令后，获取前导车车辆的显示宽度和人眼与前导车车辆之间的距离。然后，监控设备根据获取到的某一时刻的前导车车辆的显示宽度直接计算该时刻显示宽度的变化率。然后根据前导车车辆的显示宽度的变化率，以及人眼与前导车车辆之间的距离，计算视觉角变化率。
示例性地，在模拟跟车场景中，如公式(5)和(6)所示：
其中，为视觉角变化率，S为人眼与前导车车辆之间的距离，即与显示屏幕间的距离，假设为定值；w(t)为前导车车辆的显示宽度，/>为前导车车辆的显示宽度的变化率，t为当前时刻，Δt为设定的间隔周期。
上述感知反应时间确定方法，首先确定前导车车辆的宽度的变化率和人眼与前导车车辆之间的距离。然后，根据前导车车辆的宽度的变化率，以及人眼与前导车车辆之间的距离，确定视觉角变化率。本申请实施例通过确定视觉角及视觉角变化率，将真实交通场景以及驾驶模拟器试验的两种场景统一起来。并且，可以实现真实交通场景中距离变化导致的视觉刺激变化与驾驶模拟器试验中有相对距离变化引发的显示车辆宽度变化从而导致的视觉刺激变化有效统一，依据驾驶人观察感知视角所获得的视觉信息对险态场景进行刺激编码，直接获取视觉角变化率等有效信息，实现了驾驶人认知心理过程与客观险态场景的有效统一。
在一个实施例中，如图10所示，上述视觉变化证据信息包括视觉角、视觉角变化率和比率，上述获取多种视觉变化证据信息的步骤，可以包括：
步骤901，确定视觉角和视觉角变化率。
本申请实施例中，终端获取前导车车辆的宽度和人眼与前导车车辆之间的距离。然后，终端根据获取到的前导车车辆的宽度和人眼与前导车车辆之间的距离直接求出确定视觉角。然后根据视觉角和预设时间段得到视觉角变化率。
示例性地，终端根据获取的前导车车辆的宽度w3和人眼与前导车车辆之间的距离S，确定视觉角为α2和视觉角变化率为
步骤902，确定视觉角和视觉角变化率的比值，并根据视觉角和视觉角变化率的比值确定比率，其中，比率用于反映紧急程度的大小。
本申请实施例中，终端获取人眼与前导车车辆的视觉角，并根据视觉角计算出预设时间段的视觉角变化率。然后，根据视觉角和视觉角变化率，确定视觉角和视觉角变化率的比值，并根据视觉角和视觉角变化率的比值确定用于反映紧急程度的大小的比率。
示例性地，如公式(7)所示：
其中，为视觉角变化率，α为视觉角，τ-1通常用来表示场景的紧急程度的大小的比率，其数值越大表示紧急程度越高。
本申请实施例可以将紧急程度、视觉角以及视觉角变化率这类视觉证据信息，输入至证据积累模型中，得到驾驶人的反应时间。
证据积累模型的具体构建过程如下：
首先，险态场景通常经过危险刺激出现或交通参与者转变为危险刺激、危险感知、危险确定、驾驶决策以及避撞执行五个阶段。
从驾驶认知决策角度出发关注驾驶人的感知反应时间。若考虑仅有视觉变化证据信息及其他证据信息(例如刹车灯或者提示灯)的证据积累模型可按如下定义，如公式(8)得：
其中z(t)为t时刻的积累幅度，K1,K2和M是模型参数，L(t)表示随时间连续变化的基于视觉变化证据信息的证据(例如视角θ，视角变化率，场景比率τ-1等)，Llight表示刹车灯或其他灯光线索提示的视觉证据，K1,K2为不同视觉刺激变化证据的权重系数；-M可以解释为负向门控与其所有其他支持和反对驾驶人做出响应的证据之和，当E(t)≥E0＝1时，驾驶人做出响应。
当速度超过一定阈值高速行驶时，K2取值为较大值k2,h，在低速行驶时，K2取值为较小值k2,1，K2取值的分段函数表明在高速行驶时刹车灯对驾驶人反应时间有很大影响，即驾驶人在高速行驶时倾向于看到刹车灯后就迅速做出反应；在低速行驶时，驾驶人不会在刹车灯亮起就迅速做出反应(因此k2，l值较小，刹车灯提供证据积累的较慢)，驾驶人主要依靠视觉刺激变化判断场景紧急程度从而做出反应。
以上公式以数据形式解释了驾驶人在决策时心理动态的变化过程，即如何在噪声影响下进行证据积累并在“纠结”中做出决策。证据积累模型的本质在于将感知表征(险态场景中的视觉刺激)与记忆中存储的知识(先验信息)快速匹配，使驾驶人识别险态场景中的事物并快速决定该如何应对。
不同紧急程度的险态场景有不同的刺激条件，因此模型中K1·L(t)+K2(v)·Llight是不同的。证据积累过程中存在噪声ε(t)，因此具有相同平均证据积累速率v的证据积累过程并不总是在同一时间开始响应，因此产生驾驶人感知反应时间的分布，见图13，因此该模型可以解释驾驶人感知反应时间的随机不确定性。
不同驾驶人的模型参数会有差异，从而可以揭示驾驶人不同的驾驶风格、驾驶经验等因素，可以解释个体差异性。
证据积累模型及对驾驶人感知反应时间的判断，如图11和图12所示，不同场景刺激下驾驶人感知反应时间会有差异，如紧急场景感知反应时间短，非紧急场景驾驶人感知反应时间长。该模型考虑了基于视觉感知信息的视觉变化证据信息及刹车灯等其他证据信息，如图11和图12所示，驾驶人视觉感知的证据积累模型可以表征险态场景驾驶人感知反应时间的响应历程，解释不同场景或视觉刺激的反应时间差异性，反映了驾驶人认知决策机制。如图11表示对于不同场景反应时刻的视觉变化证据信息会有差异，但是其在时间历程上的证据积累过程相同(如图11中曲线下面积)，即针对统一驾驶人群体反应所需的证据积累量(如图12中的响应阈值E0)相同。
将证据积累模型框架可以推广到其他险态场景(如换道、十字路口等)，不同场景的场景指标略有差异，如在十字路口场景中会增加交通信号灯、他车的视觉角偏心率等指标。同类型场景的不同交互过程(如跟车场景下的不同紧急程度)以及不同类型场景体现出场景异质性。
为了验证所建立的驾驶人感知反应时间确定模型的准确性，本申请实施例提供了两种验证方法。第一种方法通过志愿者分别获取驾驶模拟器试验以及以真实交通视频图像为刺激的试验数据，获取险态工况下驾驶人感知反应时间数据信息。以模拟器试验、视频刺激试验为真值，比较真值与模型确定的反应时间误差来衡量所建立模型的准确性及有效性，此时应注意将数据训练集和验证集进行区分。使用真实交通视频图像作为刺激的原因是力争在实验室环境还原真实交通场景的刺激程度。第二种利用已发表的试验数据进行驾驶人感知反应时间确定，将结果与对应试验数据所建立的已有模型进行对比，验证该发明模型的先进性。
上述感知反应时间确定方法，首先确定视觉角和视觉角变化率，然后确定视觉角和视觉角变化率的比值，并根据视觉角和视觉角变化率的比值确定紧急程度。本申请实施例依据驾驶人观察感知视角所获得的视觉信息对险态场景进行刺激编码，直接获取紧急程度等有效信息，实现了驾驶人认知心理过程与客观险态场景的有效统一。
在一个实施例中，如图13所示，提供了一种感知反应时间确定方法，该方法可以包括：
步骤110，确定前一时刻的响应证据积累量和前一时刻至目标时刻之间的证据积累幅度；
步骤111，确定信息噪声；
步骤112，确定前导车车辆的宽度和人眼与前导车车辆之间的距离；
步骤113，根据前导车车辆的宽度和人眼与前导车车辆之间的距离，确定视觉角；
步骤114，确定前导车车辆的宽度的变化率和人眼与前导车车辆之间的距离；
步骤115，根据前导车车辆的宽度的变化率，以及人眼与前导车车辆之间的距离，确定视觉角变化率；
步骤116，确定视觉角和视觉角变化率的比值，并根据视觉角和视觉角变化率的比值确定比率；
步骤117，获取其他证据信息；
步骤118，对视觉角、视觉角变化率和比率，得到第一信息和；
步骤119，对第一信息和与其他证据信息进行求和计算，得到第二信息和；
步骤120，将第二信息和从前一时刻积分至目标时刻，得到证据积累幅度；
步骤121，根据前一时刻的响应证据积累量和证据积累幅度，确定目标时刻的响应证据积累量；
步骤122，在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。
上述感知反应时间确定方法，首先确定前一时刻的响应证据积累量和前一时刻至目标时刻之间的证据积累幅度。然后，确定信息噪声，并确定前导车车辆的宽度和人眼与前导车车辆之间的距离。然后，根据前导车车辆的宽度和人眼与前导车车辆之间的距离，确定视觉角。确定前导车车辆的宽度的变化率和人眼与前导车车辆之间的距离。根据前导车车辆的宽度的变化率，以及人眼与前导车车辆之间的距离，确定视觉角变化率。确定视觉角和视觉角变化率的比值，并根据视觉角和视觉角变化率的比值确定用于反映紧急程度的比率。获取视觉角、视觉角变化率和比率和其他证据信息。对视觉角、视觉角变化率和比率，得到第一信息和。然后，对第一信息和与其他证据信息进行求和计算，得到第二信息和。将第二信息和从前一时刻积分至目标时刻，得到证据积累幅度。根据前一时刻的响应证据积累量和证据积累幅度，确定目标时刻的响应证据积累量。最后，在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。
上述过程可以驾驶人观察感知视角所获得的视觉变化证据信息对险态场景进行刺激编码，直接获取场景紧急程度等有效信息，实现了驾驶人认知心理过程与客观险态场景的有效统一。还可以实现真实交通场景中距离变化导致的视觉刺激变化与驾驶模拟器试验中有相对距离变化引发的显示车辆宽度变化从而导致的视觉刺激变化有效统一，以视觉变化刺激指标衡量真实交通场景与驾驶模拟器试验的场景紧急程度与刺激大小。同时可以评价驾驶模拟器实验的真实性与有效性，指导设计与真实交通场景一直的驾驶模拟器虚拟场景。还可以借助认知心理学、认知神经科学等领域的前沿现状，将驾驶人的刺激编码输入证据积累模型，建立了一种反映驾驶人认知决策机制与心理过程的驾驶人感知反应时间确定模型。该模型展示了驾驶人决策心理过程，解释不同物理参数对反应时间的影响，可以解释驾驶人感知反应时间的随机不确定性、个体差异性、场景异质性特征。
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感知反应时间确定方法的感知反应时间确定装置。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感知反应时间确定装置实施例中的具体限定可以参见上文中对于感知反应时间确定方法的限定，在此不再赘述。
在一个实施例中，如图14所示，提供了一种感知反应时间确定装置，其中：
信息确定模块130，用于确定目标时刻的响应证据积累量；响应证据积累量表征检测对象做出响应所积累的证据；
时间确定模块140，用于在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。
在一个实施例中，上述信息确定模块，包括：
幅度确定子模块，用于确定前一时刻的响应证据积累量和前一时刻至目标时刻之间的证据积累幅度；
信息确定子模块，用于根据前一时刻的响应证据积累量和证据积累幅度，确定目标时刻的响应证据积累量。
在一个实施例中，上述信息确定子模块，包括：
噪声确定子单元，用于确定信息噪声；
信息确定子单元，用于根据前一时刻的响应证据积累量、证据积累幅度和信息噪声，确定目标时刻的响应证据积累量。
在一个实施例中，上述幅度确定子模块，包括：
信息获取子单元，用于获取多种视觉变化证据信息和其他证据信息；
幅度确定子单元，用于根据多种视觉变化证据信息和其他证据信息，确定证据积累幅度。
在一个实施例中，上述幅度确定子单元，具体用于对多种视觉变化证据信息进行加权求和计算，得到第一信息和；对第一信息和与其他证据信息进行求和计算，得到第二信息和；将第二信息和从前一时刻积分至目标时刻，得到证据积累幅度。
在一个实施例中，上述信息获取子单元，具体用于确定前导车车辆的宽度和人眼与前导车车辆之间的距离；根据前导车车辆的宽度和人眼与前导车车辆之间的距离，确定视觉角。
在一个实施例中，上述信息获取子单元，具体用于确定前导车车辆的宽度的变化率和人眼与前导车车辆之间的距离；根据前导车车辆的宽度的变化率，以及人眼与前导车车辆之间的距离，确定视觉角变化率。
在一个实施例中，上述信息获取子单元，具体用于确定视觉角和视觉角变化率；确定视觉角和视觉角变化率的比值，并根据视觉角和视觉角变化率的比值确定比率。
上述感知反应时间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终端，其内部结构图可以如图15所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。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、显示单元和输入装置通过输入/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感知反应时间确定方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。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15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以下步骤：
确定目标时刻的响应证据积累量；响应证据积累量表征检测对象做出响应所积累的证据；
在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定前一时刻的响应证据积累量和前一时刻至目标时刻之间的证据积累幅度；
根据前一时刻的响应证据积累量和证据积累幅度，确定目标时刻的响应证据积累量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定信息噪声；
根据前一时刻的响应证据积累量、证据积累幅度和信息噪声，确定目标时刻的响应证据积累量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取多种视觉变化证据信息和其他证据信息；
根据多种视觉变化证据信息和其他证据信息，确定证据积累幅度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对多种视觉变化证据信息进行加权求和计算，得到第一信息和；
对第一信息和与其他证据信息进行求和计算，得到第二信息和；
将第二信息和从前一时刻积分至目标时刻，得到证据积累幅度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定前导车车辆的宽度和人眼与前导车车辆之间的距离；
根据前导车车辆的宽度和人眼与前导车车辆之间的距离，确定视觉角。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定前导车车辆的宽度的变化率和人眼与前导车车辆之间的距离；
根据前导车车辆的宽度的变化率，以及人眼与前导车车辆之间的距离，确定视觉角变化率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定视觉角和视觉角变化率；
确定视觉角和视觉角变化率的比值，并根据视觉角和视觉角变化率的比值确定比率。
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以下步骤：
确定目标时刻的响应证据积累量；响应证据积累量表征检测对象做出响应所积累的证据；
在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定前一时刻的响应证据积累量和前一时刻至目标时刻之间的证据积累幅度；
根据前一时刻的响应证据积累量和证据积累幅度，确定目标时刻的响应证据积累量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定信息噪声；
根据前一时刻的响应证据积累量、证据积累幅度和信息噪声，确定目标时刻的响应证据积累量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取多种视觉变化证据信息和其他证据信息；
根据多种视觉变化证据信息和其他证据信息，确定证据积累幅度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对多种视觉变化证据信息进行加权求和计算，得到第一信息和；
对第一信息和与其他证据信息进行求和计算，得到第二信息和；
将第二信息和从前一时刻积分至目标时刻，得到证据积累幅度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定前导车车辆的宽度和人眼与前导车车辆之间的距离；
根据前导车车辆的宽度和人眼与前导车车辆之间的距离，确定视觉角。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定前导车车辆的宽度的变化率和人眼与前导车车辆之间的距离；
根据前导车车辆的宽度的变化率，以及人眼与前导车车辆之间的距离，确定视觉角变化率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定视觉角和视觉角变化率；
确定视觉角和视觉角变化率的比值，并根据视觉角和视觉角变化率的比值确定比率。
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以下步骤：
确定目标时刻的响应证据积累量；响应证据积累量表征检测对象做出响应所积累的证据；
在目标时刻的响应证据积累量符合预设条件的情况下，将目标时刻确定为感知反应时间。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定前一时刻的响应证据积累量和前一时刻至目标时刻之间的证据积累幅度；
根据前一时刻的响应证据积累量和证据积累幅度，确定目标时刻的响应证据积累量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定信息噪声；
根据前一时刻的响应证据积累量、证据积累幅度和信息噪声，确定目标时刻的响应证据积累量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取多种视觉变化证据信息和其他证据信息；
根据多种视觉变化证据信息和其他证据信息，确定证据积累幅度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对多种视觉变化证据信息进行加权求和计算，得到第一信息和；
对第一信息和与其他证据信息进行求和计算，得到第二信息和；
将第二信息和从前一时刻积分至目标时刻，得到证据积累幅度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定前导车车辆的宽度和人眼与前导车车辆之间的距离；
根据前导车车辆的宽度和人眼与前导车车辆之间的距离，确定视觉角。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定前导车车辆的宽度的变化率和人眼与前导车车辆之间的距离；
根据前导车车辆的宽度的变化率，以及人眼与前导车车辆之间的距离，确定视觉角变化率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定视觉角和视觉角变化率；
确定视觉角和视觉角变化率的比值，并根据视觉角和视觉角变化率的比值确定比率。
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(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 (12)

1.一种感知反应时间确定方法，其特征在于，所述方法包括：
确定目标时刻的响应证据积累量；所述响应证据积累量表征检测对象做出响应所积累的证据；
在所述目标时刻的响应证据积累量符合预设条件的情况下，将所述目标时刻确定为感知反应时间。
2.根据权利要求1所述的方法，其特征在于，所述确定目标时刻的响应证据积累量，包括：
确定前一时刻的响应证据积累量和所述前一时刻至所述目标时刻之间的证据积累幅度；
根据所述前一时刻的响应证据积累量和所述证据积累幅度，确定所述目标时刻的响应证据积累量。
3.根据权利要求2所述的方法，其特征在于，所述根据所述前一时刻的响应证据积累量和所述证据积累幅度，确定所述目标时刻的响应证据积累量，包括：
确定信息噪声；
根据所述前一时刻的响应证据积累量、所述证据积累幅度和所述信息噪声，确定所述目标时刻的响应证据积累量。
4.根据权利要求2或3所述的方法，其特征在于，所述证据积累幅度的确定过程，包括：
获取多种视觉变化证据信息和其他证据信息；
根据多种所述视觉变化证据信息和所述其他证据信息，确定所述证据积累幅度。
5.根据权利要求4所述的方法，其特征在于，所述根据多种所述视觉变化证据信息和所述其他证据信息，确定证据积累幅度，包括：
对多种所述视觉变化证据信息进行加权求和计算，得到第一信息和；
对所述第一信息和与所述其他证据信息进行求和计算，得到第二信息和；
将所述第二信息和从所述前一时刻积分至所述目标时刻，得到所述证据积累幅度。
6.根据权利要求4所述的方法，其特征在于，所述视觉变化证据信息包括视觉角，所述获取多种视觉变化证据信息，包括：
确定前导车车辆的宽度和人眼与所述前导车车辆之间的距离；
根据所述前导车车辆的宽度和所述人眼与所述前导车车辆之间的距离，确定所述视觉角。
7.根据权利要求4所述的方法，其特征在于，所述视觉变化证据信息包括视觉角变化率，所述获取多种视觉变化证据信息，包括：
确定前导车车辆的宽度的变化率和人眼与所述前导车车辆之间的距离；
根据所述前导车车辆的宽度的变化率，以及所述人眼与所述前导车车辆之间的距离，确定所述视觉角变化率。
8.根据权利要求4所述的方法，其特征在于，所述视觉变化证据信息包括视觉角、视觉角变化率和比率，所述获取多种视觉变化证据信息，包括：
确定所述视觉角和所述视觉角变化率；
确定所述视觉角和所述视觉角变化率的比值，并根据所述视觉角和所述视觉角变化率的比值确定所述比率，所述比率用于反映紧急程度的大小。
9.一种感知反应时间确定装置，其特征在于，所述装置包括：
信息确定模块，用于确定目标时刻的响应证据积累量；所述响应证据积累量表征检测对象做出响应所积累的证据；
时间确定模块，用于在所述目标时刻的响应证据积累量符合预设条件的情况下，将所述目标时刻确定为感知反应时间。
10.一种电子设备，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8中任一项所述的方法的步骤。
11.一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8中任一项所述的方法的步骤。
12.一种计算机程序产品，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8中任一项所述的方法的步骤。
CN202310892382.2A 2023-07-19 2023-07-19 感知反应时间确定方法、装置、设备、介质和程序产品 Pending CN117064386A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310892382.2A CN117064386A (zh) 2023-07-19 2023-07-19 感知反应时间确定方法、装置、设备、介质和程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310892382.2A CN117064386A (zh) 2023-07-19 2023-07-19 感知反应时间确定方法、装置、设备、介质和程序产品

Publications (1)

Publication Number Publication Date
CN117064386A true CN117064386A (zh) 2023-11-17

Family

ID=88716144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310892382.2A Pending CN117064386A (zh) 2023-07-19 2023-07-19 感知反应时间确定方法、装置、设备、介质和程序产品

Country Status (1)

Country Link
CN (1) CN117064386A (zh)

Similar Documents

Publication Publication Date Title
US11055544B2 (en) Electronic device and control method thereof
Xu et al. Human-factors-in-driving-loop: Driver identification and verification via a deep learning approach using psychological behavioral data
US11249544B2 (en) Methods and systems for using artificial intelligence to evaluate, correct, and monitor user attentiveness
US11667301B2 (en) Symbolic modeling and simulation of non-stationary traffic objects for testing and development of autonomous vehicle systems
US20210150390A1 (en) Systems and methods for providing visual allocation management
Yin et al. Automatic dangerous driving intensity analysis for advanced driver assistance systems from multimodal driving signals
US11267482B2 (en) Mitigating risk behaviors
US10963741B2 (en) Control device, system and method for determining the perceptual load of a visual and dynamic driving scene
US20220327840A1 (en) Control device, system and method for determining perceptual load of a visual and dynamic driving scene in real time
US11919545B2 (en) Scenario identification for validation and training of machine learning based models for autonomous vehicles
US20170243518A1 (en) Information Presentation Apparatus and Method, and Computer Program Product
Pekkanen et al. A computational model for driver's cognitive state, visual perception and intermittent attention in a distracted car following task
Cai et al. A driving fingerprint map method of driving characteristic representation for driver identification
US20220402517A1 (en) Systems and methods for increasing the safety of voice conversations between drivers and remote parties
Bao et al. Personalized subjective driving risk: Analysis and prediction
Xiang et al. Prediction of dangerous driving behavior based on vehicle motion state and passenger feeling using Cloud Model and Elman Neural Network
Yan et al. Automatic identification method for driving risk status based on multi-sensor data
Vasudevan et al. Driver drowsiness monitoring by learning vehicle telemetry data
de Diego et al. Analysis of hands activity for automatic driving risk detection
Robbins et al. The ‘Saw but Forgot’error: A role for short-term memory failures in understanding junction crashes?
CN116461546A (zh) 车辆预警方法、装置、存储介质和处理器
CN117064386A (zh) 感知反应时间确定方法、装置、设备、介质和程序产品
Mosin et al. Comparing autoencoder-based approaches for anomaly detection in highway driving scenario images
Puteri et al. Micro-sleep detection using combination of haar cascade and convolutional neural network
Fasanmade et al. Context-aware driver distraction severity classification using lstm network

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