CN114162133B - 驾驶场景的风险评估方法、装置和计算机可读存储介质 - Google Patents
驾驶场景的风险评估方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN114162133B CN114162133B CN202111324305.4A CN202111324305A CN114162133B CN 114162133 B CN114162133 B CN 114162133B CN 202111324305 A CN202111324305 A CN 202111324305A CN 114162133 B CN114162133 B CN 114162133B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- risk
- scene
- preset
- longitudinal
- 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 70
- 238000012502 risk assessment Methods 0.000 title claims abstract description 51
- 230000001133 acceleration Effects 0.000 claims description 89
- 230000008859 change Effects 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 25
- 230000033001 locomotion Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 239000012634 fragment Substances 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000008447 perception Effects 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 11
- 230000003068 static effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000029305 taxis 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
- 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
- B60W40/10—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 vehicle motion
-
- 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
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/801—Lateral distance
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种驾驶场景的风险评估方法、装置和计算机可读存储介质。该方法包括:获取自车的行驶参数和感知范围内物体;根据物体的行驶参数和自车的行驶参数确定包括不同类型特征的场景风险特征,以适应于驾驶场景高动态和多样性。从自车角度出发进行场景风险特征的预测,提高了场景风险特征的准确性。根据场景风险特征中不同特征以及特征组合,分别确定时序风险因子和空间风险因子;结合多种场景风险特征量化空间维度和时间维度上场景风险程度,提高了风险因子的准确性。通过对时序风险因子和空间风险因子,两个维度的风险因子进行融合,对场景风险进行综合评估,提高了场景风险指数的准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种驾驶场景的风险评估方法、装置和计算机可读存储介质。
背景技术
随着科技的进步和人们生活水平的不断提高,车辆的需求越来越大。道路上的交通参与者越来越多,交通参与者包括但不限于车辆、行人、障碍物、红绿灯、未知物体等,使得道路状况变得复杂化和多样化。因此,对驾驶场景所面临的风险进行评估,可以为驾驶员提供更好的驾驶体验,也可以为自动驾驶***提供安全可靠的信息依据。
现有技术中,通过采集道路上历史事故统计数据,结合高精度地图对驾驶场景进行分析统计,从而获得驾驶场景的风险评估结果。
然而,现有技术中的风险评估方法依赖于高精度地图和长时间历史事故统计数据,没有考虑到实时道路以及交通参与者的复杂性和多样性,例如,针对交通事故突发、上下班高峰等情况,不能准确反映道路的实时场景信息,降低了驾驶场景的风险评估的准确性。
发明内容
本申请实施例期望提供一种驾驶场景的风险评估方法、装置和计算机可读存储介质,从自车角度出发,结合行驶参数计算场景风险特征,结合多种场景风险特征量化空间维度和时间维度上场景风险程度,并将两个维度的风险因子进行融合,对场景风险进行综合评估,提高了驾驶场景风险评估的准确性。
本申请实施例的技术方案是这样实现的:
第一方面,本申请实施例提供一种驾驶场景的风险评估方法,所述方法包括:获取自车的行驶参数和自车感知范围内物体的行驶参数;根据所述物体的行驶参数和所述自车的行驶参数,确定场景风险特征,所述场景风险特征包括纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率中的至少一项特征;根据所述场景风险特征中不同特征以及特征组合,分别确定时序风险因子和空间风险因子,其中,时序风险因子反映时间维度上场景风险程度,空间风险因子反映空间维度上场景风险程度;对所述时序风险因子和所述空间风险因子进行融合,得到场景风险指数。
第二方面,本申请实施例提供一种驾驶场景的风险评估装置,所述装置包括:获取模块,用于获取自车的行驶参数和自车感知范围内物体的行驶参数;场景风险特征模块,用于根据所述物体的行驶参数和所述自车的行驶参数,确定场景风险特征,所述场景风险特征包括纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率中的至少一项特征;风险因子模块,用于根据所述场景风险特征中不同特征以及特征组合,分别确定时序风险因子和空间风险因子,时序风险因子反映时间维度上场景风险程度,空间风险因子反映空间维度上场景风险程度;评估模块,用于对所述时序风险因子和所述空间风险因子进行融合,得到场景风险指数。
第三方面,本申请实施例提供一种驾驶场景的风险评估设备,所述设备包括存储器,用于存储可执行指令,处理器,用于执行所述存储器中存储的可执行指令时,实现上述驾驶场景的风险评估方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有可执行指令,用于被处理器执行时,实现上述驾驶场景的风险评估方法。
本申请实施例提供了一种驾驶场景的风险评估方法、装置和计算机可读存储介质。根据本申请实施例提供的方案,获取自车的行驶参数和感知范围内物体;根据物体的行驶参数和自车的行驶参数确定场景风险特征,场景风险特征包括纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率中的至少一项;通过直接对自车进行场景构建,从自车角度出发进行安全距离和安全区域重合因子的计算,以及未来碰撞概率的预测,提高了场景风险特征的准确性。根据场景风险特征中不同特征以及特征组合,分别确定时序风险因子和空间风险因子,其中,时序风险因子反映时间维度上场景风险程度,空间风险因子反映空间维度上场景风险程度;考虑到驾驶场景的不同所带来的场景风险的变化,通过行驶参数确定包括不同类型特征的场景风险特征,以适应于驾驶场景高动态和多样性,从而结合多种场景风险特征量化空间维度和时间维度上场景风险程度,提高了风险因子的准确性。通过对时序风险因子和空间风险因子,两个维度的风险因子进行融合,对场景风险进行综合评估,提高了场景风险指数的准确性。
附图说明
图1为本申请实施例提供的一种驾驶场景的风险评估方法的可选的步骤流程图;
图2为本申请实施例提供的一种不同物体类型的可行驶区域的示例性的示意图;
图3为本申请实施例提供的一种空间风险因子的选取规则的示例性的示意图;
图4为本申请实施例提供的另一种驾驶场景的风险评估方法的可选的步骤流程图;
图5为本申请实施例提供的一种驾驶场景的风险评估装置的结构示意图;
图6为本申请实施例提供的一种驾驶场景的风险评估设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。应当理解的是,此处所描述的一些实施例仅仅用以解释本申请的技术方案,并不用于限定本申请的技术范围。
为了更好地理解本申请实施例中提供的驾驶场景的风险评估方法,在对本申请实施例的技术方案进行介绍之前,先对相关技术进行说明。
相关技术中,通过路边摄像头、遥感数据建模路口场景,需要依赖长时间历史统计事故、高精地图等数据。没有考虑遇到事故时,身为驾驶者的反应时间,在反应时间内车辆的失控状态。然而,场景风险的变化往往随着场景的变化而实时变化,相关技术中不是从自车角度出发,缺少动态交互过程,依赖于特定区域的地图与长时间历史统计数据,泛化能力不强,降低了驾驶场景的风险评估的准确性。
本申请实提供一种驾驶场景的风险评估方法,如图1所示,图1为本申请实施例提供的一种驾驶场景的风险评估方法的步骤流程图,驾驶场景的风险评估方法包括以下步骤:
S101、获取自车的行驶参数和自车感知范围内物体的行驶参数。
在本申请实施例中,行驶参数表征会对道路上行驶或静止的物体产生影响的因素。自车的行驶参数可以包括但不限于速度、加速度、航向角、自车所属类型、自车的形状,自车的行驶参数可以通过自车动力***获取。
在本申请实施例中,物体的行驶参数包括但不限于,速度、加速度、航向角、物体类型、物体形状和物体相对自车的位置(位于自车前面或后面)。其中,物体类型包括动态(自行车、汽车、行人)和静态(障碍物、红绿灯、未知物体),汽车包括但不限于轿车、越野车、卡车、公交车、出租车、救护车、摩托车和电动车。在获取物体的行驶参数时,可以通过以下两种方式实现,示例性的,通过自车的传感器网络与感知算法获取,其中,通过感知算法可以实现车辆定位、静态障碍物测绘、移动障碍物检测与跟踪、道路测绘、交通信号检测与识别等。通过交通监测***的雷达测速装置和摄像头对道路上的物体进行监测,获得物体的行驶参数,交通监测***采用雷达测速装置和摄像头确定自车的感知范围,通过无线模块将自车感知范围内的物体行驶参数发送至自车。或者,自车通过感知算法确定自车的感知范围,通过无线模块从交通监测***获取相应的物体的行驶参数。对此本申请实施例不作限制,只要能够获取物体的行驶参数即可。
需要说明的是,自车也可以称为本车、待评估车辆、待分析车辆、驾驶车辆等,物体也可以称为交通参与者,对此本申请实施例不作限制。自车感知范围可以由本领域技术人员根据实际需求进行设置,也可以由自车的感知***根据实时道路参数(天气、路况、道路上交通参数者信息、行驶时刻),采用感知算法计算得到。对此本申请实施例不作限制,只要能够保证采集到物体的行驶参数的有效性即可。
在本申请实施例中,道路上的物体非常多,有些相对自车较远,或者对自车的未来运动没有影响,并不需要获取道路上所有物体的行驶参数。因此,通过获取自车感知范围内物体的行驶参数,减少了数据处理量,提高了计算效率。
S102、根据物体的行驶参数和自车的行驶参数,确定场景风险特征,场景风险特征包括纵向安全距离、横向安全距离、安全区域重合因子和多个未来碰撞概率中的至少一项特征。
在本申请实施例中,面对驾驶场景的高动态和多样性,本申请实施例的评估装置不依赖于驾驶员的主关参数、高精地图、长时间事故统计数据,直接对自车进行场景构建。从自车角度出发,利用自车及其感知范围内不同类型交通参与者的运动状态(即行驶参数)计算场景风险特征。场景风险特征用于表征会对自车与物体之间的风险起到影响的特征,包括纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率中的至少一项特征。
需要说明的是,纵向安全距离表征纵向所需安全距离,所需距离越大表示横向上两物体间越有可能发生碰撞,即越危险。横向安全距离表征横向所需安全距离,所需距离越大代表横向上两物体间越有可能发生碰撞,即越危险。安全区域重合因子表征两个物体之间重合区域的大小,重合值越大表示越危险。未来碰撞概率表征两个物体在未来若干秒内保持当前运动状态的前提下,发生碰撞的概率,概率值越大表示越危险。
在本申请实施例中,考虑到驾驶场景的不同所带来的场景风险的变化,通过行驶参数确定包括不同类型特征的场景风险特征,以适应于驾驶场景高动态和多样性,从自车角度出发进行安全距离和安全区域重合因子的计算,以及未来碰撞概率的预测,提高了场景风险特征的准确性。
S103、根据场景风险特征中不同特征以及特征组合,分别确定时序风险因子和空间风险因子,时序风险因子反映时间维度上场景风险程度,空间风险因子反映空间维度上场景风险程度。
在本申请实施例中,场景风险特征包括多个不同的特征,可以根据预设规则选取其中一部分特征作为空间风险因子。示例性的,以纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率是数值的表现形式为例,在确定空间风险因子时,对于各个特征,选取大于预设值的特征;或者,选取预设数量的特征;或者,去掉最大值,去掉最小值,选取处于中间值的特征;或者,选取某些具有代表性的特征;或者,不做选取,直接将多个数值作为空间风险因子。对于空间风险因子的选取方式,本申请实施例不作限制,只要是能够反映空间维度上场景风险程度即可。
在本申请实施例中,若是通过预设规则选取其中一部分特征作为空间风险因子,则可以减少特征对应的数量,进而在根据空间风险因子计算场景风险指数时,减少数据计算量,提高计算效率。若是直接将场景风险特征中各个特征作为空间风险因子,则提高了空间风险因子的全面性和准确性。
在本申请实施例中,对每个时刻对应的场景风险特征进行存储,场景风险特征对应于多个不同的时刻。在确定时序风险因子时,示例性的,选取多个预设数量(例如,6个)的不同时刻的场景风险特征,或者,选取多个间隔时刻(例如,第1时刻、第3时刻、第5时刻)的场景风险特征,或者,选取预设时间段内(例如,选取5s内)多个不同时刻的场景风险特征。然后,对于各个特征,将多个时刻的特征进行组合,例如,求平均值、最大值、最小值、变化率等,从而生成时序风险因子。
在本申请实施例中,通过将不同时刻的场景风险特征的特征组合,确定的空间风险因子可以在空间维度上量化场景风险程度,使得在后续与时序风险因子进行融合,提高场景风险指数的准确性。
S104、对时序风险因子和空间风险因子进行融合,得到场景风险指数。
示例性的,以纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率是数值的表现形式为例,得到的时序风险因子和空间风险因子也是数值的表现形式,因此,还需要对时序风险因子和空间风险因子进行加权融合,得到场景风险指数,风险指数也可以理解为风险评分。若时序风险因子和空间风险因子中均包括纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率等特征,则分别对纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率设置特征权重。将风险因子对应的特征权重相乘后求和,得到场景风险指数。或者,对各个风险因子设置最大阈值,统计风险因子中大于最大阈值的概率,以概率的形式加权融合风险因子,得到场景风险指数。对此本申请实施例不作限制,只要是能够实现对多个方面的风险因子进行融合即可。
在本申请实施例中,通过两个维度的风险因子进行融合,对场景风险进行综合评估,提高了场景风险指数的准确性。
在一些实施例中,物体的行驶参数包括物体类型和速度,自车的行驶参数包括速度,在计算上述S102中的纵向安全距离和横向安全距离时,可以通过以下方式实现。根据物体类型,确定物体的预设行驶极限参数;根据物体的速度、自车的速度,以及物体和自车各自的预设行驶极限参数,计算纵向安全距离和横向安全距离,其中,预设行驶极限参数表征匀加速或匀减速运动过程中的行驶极限参数,自车的预设行驶极限参数根据自车的类型确定。
在本申请实施例中,将车辆物理运动建模成匀加速或匀减速运动,从而生成不同物体类型的预设行驶极限参数。物体类型与预设行驶极限参数一一对应,预设行驶极限参数可以表征匀加速或匀减速运动过程中的行驶极限参数。物体类型表征物体所属的类别,包括动态(自行车、汽车、行人)和静态(障碍物、红绿灯、未知物体),根据物体类型,获取物体的预设行驶极限参数,并且还根据自车的类型获取自车的预设行驶极限参数。
在本申请实施例中,在设置预设行驶极限参数时,将未知动态物体的预设行驶极限参数设置为与汽车一样,将静止物体(例如,红绿灯、绿化带、路肩、指示牌)的预设行驶极限参数均设置为0。示例性的,预设行驶极限参数包括最小失控时间、纵向最大加速度、纵向最大减速度、纵向最小减速度、横向最大加速度和横向最小减速度。如表1至表3所示,表1为本申请实施例提供了一种不同物体类型的最小失控时间,表2为本申请实施例提供了一种不同物体类型的纵向行驶极限参数,表3为本申请实施例提供了一种不同物体类型的横向行驶极限参数。
表1
物体类型 | 最小失控时间 |
汽车 | 1秒 |
自行车 | 2秒 |
行人 | 3秒 |
静止物体 | 0秒 |
未知动态物体 | 1秒 |
表2
表3
物体类型 | 横向最大加速度(米/秒) | 横向最小减速度(米/秒) |
汽车 | 7 | 3 |
自行车 | 1.5 | 0.5 |
行人 | 1.5 | 0.5 |
静止物体 | 0 | 0 |
未知动态物体 | 7 | 3 |
需要说明的是,物体类型可以包括其他表现形式的动态物体和静态物体,不局限于表1至表3中所列出的物体类型。上述表1至表3为本申请实施例提供了一种不同物体类型的预设行驶极限参数。预设行驶极限参数可以由本领域技术人员根据实际需求进行适当设置,也可以对大量的实验数据进行分析确定,并不局限于表1至表3中的参数,对此本申请实施例不作限制。
在本申请实施例中,在计算纵向安全距离和横向安全距离之前,需要先根据物体的速度、自车的速度,以及物体和自车各自的预设行驶极限参数,计算失控加速车速、最大减速距离、最小减速距离和失控加速距离,以用于计算安全距离。即,本申请实施例将车辆物理运动建模成匀加速、匀减速运动,用于后续计算安全距离,通过以下4个公式表示。4个公式中的车速表示车俩的速度。
失控加速车速=车速+最大加速度×最小失控时间 (1)
最大减速距离=车速×车速/(2×最大减速度) (2)
最小减速距离=车速×车速/(2×最小减速度) (3)
失控加速距离=最小失控时间×(车速+失控加速车速)/2 (4)
在本申请实施例中,根据物体类型,确定物体的预设行驶极限参数;根据物体的速度、自车的速度,以及物体和自车各自的预设行驶极限参数,计算纵向安全距离和横向安全距离。通过不同的物体类型的物理运动参数,并结合物体与自车的当前速度,计算物体与自车之间的安全距离,提高了安全距离的准确性。
在一些实施例中,物体和自车的行驶参数均包括航向角,纵向安全距离包括纵向同向行驶安全距离和/或纵向对向行驶安全距离,在计算纵向安全距离时,可以通过以下方式实现。根据物体的航向角和自车的航向角,在物体中确定与自车是同向行驶和/或对向行驶的物体;根据同向行驶物体的速度和预设行驶极限参数,计算同向行驶物体对应的纵向同向行驶安全距离;和/或,根据对向行驶物体的速度、自车的速度,以及对向行驶物体和自车各自的预设行驶极限参数,计算对向行驶物体对应的纵向对向行驶安全距离。
示例性的,根据物体的航向角,可以识别出物体与自车是同向行驶还是对向行驶,在计算安全距离时,分别从纵向同向行驶和纵向对向行驶两个方面进行考虑。
在本申请实施例中,在计算纵向同向行驶安全距离时,由于两者是同向行驶,因此,仅需要考虑纵向同向行驶物体即可,不需要考虑自车。即,根据同向行驶物体的速度和其预设行驶极限参数,计算同向行驶物体对应的纵向同向行驶安全距离。其中,在纵向同向行驶物体中,还需要对位于自车前面的车和后面的车分别进行考虑。在计算纵向对向行驶安全距离时,由于两者是对向行驶,因此,不仅需要考虑纵向同向行驶物体,还需要考虑自车。即,根据对向行驶物体的速度、自车的速度,以及对向行驶物体和自车各自的预设行驶极限参数,计算纵向对向行驶安全距离。
在本申请实施例中,在物体中区分是同向行驶物体还是对向行驶;分别针对不同的行驶方向,根据不同的参数计算纵向同向行驶安全距离和纵向对向行驶安全距离,从而提高了纵向行驶安全距离的准确性。可以理解的是,也可以仅考虑纵向同向行驶或纵向对向行驶一种情况,对此本申请实施例不作限制,进而在确定空间风险因子和时序风险因子时,减少数据处理量,提高计算效率。
在一些实施例中,物体的行驶参数包括物体相对自车的位置信息,预设行驶极限参数包括最小失控时间、最大加速度、最大减速度和最小减速度;在计算纵向同向行驶安全距离时,可以通过以下方式实现。根据物体相对自车的位置信息,沿着自车的行驶方向,在同向行驶物体中确定位于自车前面的物体和位于自车后面的物体;根据位于自车前面的物体的速度和最大减速度,计算位于自车前面的物体的纵向最大减速距离;根据位于自车后面的物体的速度、最小失控时间、最大加速度和最小减速度,计算位于自车后面的物体的纵向失控加速距离和纵向最小减速距离;根据位于自车前面的物体的纵向最大减速距离,以及位于自车后面的物体的纵向失控加速距离和纵向最小减速距离,计算纵向同向行驶安全距离。
在本申请实施例中,根据物体相对自车的位置信息,沿着自车的行驶方向,在同向行驶物体中识别出物体是位于自车前面还是位于自车后面。在计算安全距离时,分别从位于自车前面和位于自车后面两个方面进行考虑。为便于描述,以前车表示位于自车前面的物体,以后车表示位于自车后面的物体。纵向同向行驶安全距离包括:前车最大减速距离、后车失控加速距离和后车最小减速距离。
示例性的,根据上述公式(2)计算前车纵向最大减速距离,即,前车纵向最大减速距离=前车车速×前车车速/(2×前车纵向最大减速度),前车纵向最大减速度可以从表2中获取,例如,以前车是汽车为例,前车纵向最大减速度为8米/秒,以前车是行人为例,前车纵向最大减速度为2米/秒。
示例性的,根据上述公式(1)和公式(3)计算后车失控加速距离,后车失控加速车速=后车车速+后车纵向最大加速度×后车最小失控时间,后车失控加速距离=后车最小失控时间×(后车车速+后车失控加速车速)/2。后车最小失控时间可以从表1中获取,后车纵向最大加速度从表2中获取。
示例性的,根据上述公式(4)计算后车最小减速距离,后车纵向最小减速距离=后车车速×后车车速/(2×后车纵向最小减速度),后车纵向最小减速度从表2中获取。
示例性的,纵向同向行驶安全距离=前车纵向最大减速距离+后车纵向失控加速距离+后车纵向最小减速距离。
需要说明的是,以上计算纵向同向行驶安全距离的方式仅是示例性说明,也可以通过其他的计算方式获得,对此本申请实施例不作限制。
在本申请实施例中,还沿着自车的行驶方向,在同向行驶物体中区分是位于自车前面还是位于自车后面的物体;分别针对不同的物理位置根据不同的参数和计算方式计算纵向最大减速距离、纵向失控加速距离和纵向最小减速距离,然后综合考虑得到纵向同向行驶安全距离,从而提高了纵向同向行驶安全距离的准确性。
在一些实施例中,预设行驶极限参数包括最小失控时间、最大加速度和最小减速度,在计算纵向对向行驶安全距离时,可以通过以下方式实现。根据自车和对向行驶物体各自的速度、最小失控时间、最大加速度和最小减速度,计算纵向对向行驶安全距离。
在本申请实施例中,纵向对向行驶安全距离包括:自车失控距离和对向车失控距离。根据上述公式(1)、(3)和(4)计算自车失控距离和对向车失控距离。
示例性的,自车失控距离=自车纵向失控加速距离+自车纵向最小减速距离;根据上述公式(1)和(4)计算自车纵向失控加速距离,自车失控加速车速=自车车速+自车纵向最大加速度×自车最小失控时间,自车纵向失控加速距离=自车最小失控时间×(自车车速+自车失控加速车速)/2;根据上述公式(3)计算自车纵向最小减速距离,自车纵向最小减速距离=自车车速×自车车速/(2×自车纵向最小减速度);其中,自车最小失控时间可以从表1中获取,自车纵向最大加速度和自车纵向最小减速度可以从表2中获取。
示例性的,在计算对向车失控距离时,与自车的计算方式一致,在此不再赘述。
示例性的,纵向对向行驶安全距离=自车失控距离+对向车失控距离。
在本申请实施例中,根据自车和对向行驶物体各自的速度、最小失控时间、最大加速度和最小减速度,分别计算自车失控距离和对向车失控距离,然后综合考虑得到纵向对向行驶安全距离,从而提高了纵向对向行驶安全距离的准确性。
在一些实施例中,物体的行驶参数包括物体相对自车的位置信息,预设行驶极限参数最小失控时间、最大加速度和最小减速度,在计算横向安全距离时,可以通过以下方式实现。根据物体相对自车的位置信息,沿着自车的行驶方向,在物体中确定位于自车左右两边的物体;根据自车和位于自车左右两边的物体各自的速度、最小失控时间、最大加速度和最小减速度,计算自车和位于自车左右两边的物体各自的横向失控加速距离和横向最小减速距离;根据自车和位于自车左右两边的物体各自的横向失控加速距离和横向最小减速距离,计算横向安全距离。
在本申请实施例中,横向上两物体的左右相对方位可看作一种情况,可以以位于自车中心点的纵轴为分界线,根据物体相对自车的位置信息,区分出位于自车左右两边的物体。为便于描述,以他车表示位于自车左右两边的物体。自车左右两边的物体不局限于汽车,也可以是行人、自行车、静止物体或未知动态物体,横向安全距离包括:横向失控加速距离和横向最小减速距离。
示例性的,根据上述公式(1)和公式(4)计算自车横向失控加速距离,自车失控加速车速=自车车速+自车横向最大加速度×自车最小失控时间,自车失控加速距离=自车最小失控时间×(自车车速+自车失控加速车速)/2。根据上述公式(3)计算自车横向最小减速距离,自车横向最小减速距离=自车车速×自车车速/(2×自车横向最小减速度)。其中,自车最小失控时间从表1中获取,自车横向最大加速度和自车横向最小减速度从表3中获取。
示例性的,在计算他车横向失控加速距离时,与自车的计算方式一致,在次不再赘述。
示例性的,横向安全距离=自车横向失控加速距离+自车横向最小减速距离+他车横向失控加速距离+他车横向最小减速距离。
在本申请实施例中,还沿着自车的行驶方向,在物体中区分是否位于自车左右的物体,并根据自车和位于自车左右两边的物体各自的速度、最小失控时间、最大加速度和最小减速度,计算自车和位于自车左右两边的物体各自的横向失控加速距离和横向最小减速距离,然后综合考虑得到横向安全距离,从而提高了横向安全距离的准确性。
在一些实施例中,物体的行驶参数包括航向角和物体类型,自车的行驶参数包括航向角,在计算上述S102中的安全区域重合因子时,可以通过以下方式实现。根据物体类型确定物体的初始化可行驶区域;根据物体的航向角对物体的初始化可行驶区域的方向进行调整,确定物体的可行驶区域;根据物体和自车各自的可行驶区域,计算安全区域重合因子;自车的可行驶区域根据自车的类型和自车的航向角确定。
在本申请实施例中,物体类型不同,所需要的安全行驶区域大小也不同,根据物体类型确定物体的初始化可行驶区域,可行驶区域也可以理解为可行驶安全区域,可行驶安全区域的面积越大,表示与其他物体越有可能发生碰撞,即,越危险,如图2所示,图2为本申请实施例提供的一种不同物体类型的安全区域的示例性的示意图。图2中(1)示出了自行车的初始化可行驶区域,图2中(2)示出了汽车的初始化可行驶区域,图2中(3)示出了行人的初始化可行驶区域。其中图2中的各个参数如表4所示,表4为本申请实施例提供了一种可行驶区域参数。
表4
可行驶区域参数 | 值 |
宽1 | 10米 |
长1 | 20米 |
长2 | 10米 |
角1 | 60度 |
半径1 | 60米 |
半径2 | 10米 |
半径3 | 30米 |
直径1 | 5米 |
需要说明的是,图2中初始化可行驶区域的形状和大小可以由本领域技术人员根据实际情况进行设置,也可以是其他形式的可行驶区域,对此本申请实施例不作限制。表4中的区域参数可以由本领域技术人员根据实际需求进行适当设置,也可以对大量的实验数据进行分析确定,并不局限于表4中列出的参数,对此本申请实施例不作限制。
在本申请实施例中,自车的可行驶区域根据自车的类型确定,即,图2中(2)汽车所示。图2中示出的是物体朝向正前方的初始化可行驶区域,在实际行驶过程中,物体的行驶方向可以朝向任意方向,因此,还需要根据物体的航向角对物体的初始化可行驶区域的方向进行调整,确定物体的可行驶区域。示例性的,以图2中(1)为例进行说明,若自行车的航向角表征自行车的前进方向是右前方30度,则需要将图2中(1)整个初始化可行驶区域绕中心点顺时针旋转30度,得到可行驶区域。
在本申请实施例中,在得到物体和自车各自的可行驶区域之后,根据自车与感知范围内物体的可行驶区域的位置和形状,得到物体和自车各自的可行驶区域之间的相交区域(即重合区域),根据相交区域计算安全区域重合因子。
在本申请实施例中,相较于仅考虑线性距离上的防碰撞,驾驶场景的评估设备还对交通参与者的可行驶区域进行考虑,提高了场景风险特征的准确性。通过先确定自车和物体的初始化可行驶区域;然后根据各自的航向角对其进行调整,得到自车和物体的可行驶区域。然后根据各自的可行驶区域的相交区域,计算安全区域重合因子,提高了安全区域重合因子的准确性。
在一些实施例中,在根据物体和自车各自的可行驶区域,计算安全区域重合因子时,可以通过以下方式实现。根据物体和自车各自的可行驶区域的位置信息,确定物体与自车的可行驶区域的相交区域;将相交区域的面积,与物体和自车各自的可行驶区域中最小面积之间的比值,确定为安全区域重合因子。
在本申请实施例中,物体和自车的可行驶区域在行驶过程中,会存在相交的情况,物体和自车的可行驶区域之间的最大重合面积是物体和自车的可行驶区域中的最小面积,例如,物体的可行驶区域面积是300平方米,自车的可行驶区域面积是500平方米,则物体与自车的可行驶区域之间的最大重合面积为300平方米,即,物体和自车的可行驶区域中的最小面积。
示例性的,选取物体和自车各自的可行驶区域中最小面积,根据自车与感知范围内物体的安全区域位置和面积大小确定相交区域的面积,安全区域重合因子=相交区域面积/最小面积,即安全区域重合因子=相交区域面积/最大重合面积。安全重合因子值域范围为[0,1],值越大越危险。若物体与自车的可行驶区域之间完全重合,则安全区域重合因子为1;若物体与自车的可行驶区域之间完全不重合,则安全区域重合因子为0,若物体与自车的可行驶区域之间部分重合,则安全区域重合因子为0到1之间的数值。
在本申请实施例中,根据相交区域的面积和最小面积之间的比值计算安全区域重合因子,提高了安全区域重合因子的准确性。
在一些实施例中,物体和自车的行驶参数均包括航向角、速度和加速度,在计算上述S102中的未来碰撞概率时,可以通过以下方式实现。根据物体和自车各自的航向角、速度和加速度,预测在未来预设时间段内,物体和自车各自的多个行驶轨迹片段,未来预设时间段包括多个未来时刻,一个未来时刻对应一个行驶轨迹片段;在未来同一时刻,根据物体和自车各自的行驶轨迹片段,预测未来碰撞次数;将未来碰撞次数,与未来预设时间段内多个行驶轨迹片段的数量之间的比值,确定为未来碰撞概率。
在本申请实施例中,假设物体和自车在未来若干秒内保持当前运动状态,物体和自车每秒运动对应一条行进轨迹片段。行进轨迹片段也可以理解为行驶轨迹片段。根据自车与物体各自的的速度、加速度和航向角,预测在未来预设时间段内,物体和自车各自的多个行驶轨迹片段。若同一时刻上自车行驶轨迹片段与物体行驶轨迹片段相交,则判定为碰撞,未来碰撞次数加1,未来碰撞概率=未来碰撞次数/最大碰撞次数。未来碰撞概率值域范围为[0,1],值越大越危险。
示例性的,以未来预设时间段是5秒(包括5个未来时刻)、1秒对应一条轨迹片段为例,在未来预设时间段内最多有5次碰撞次数,即,最大碰撞次数与行驶轨迹片段的数量一致,若在未来第1s和第4s,自车行驶轨迹片段与物体行驶轨迹片段相交,则预测未来碰撞次数为2,未来碰撞概率为2/5。
需要说明的是,未来预设时间段和未来时刻的具体数值可以由本领域技术人员根据实际需求进行适当设置。例如,未来预设时间段是8秒(包括5个未来时刻)、2秒对应一条行驶轨迹片段,分别在第2s、4s、6s和8s对物体和自车的行驶轨迹片段进行预测,对此本申请实施例不作限制。
在本申请实施例中,在未来预设时间段内预测物体和自车各自的多个行驶轨迹片段,判断在未来同一时刻,行驶轨迹片段是否相交,从而预测未来碰撞次数,然后结合多个行驶轨迹片段的数量确定未来碰撞概率,提高了未来碰撞概率的准确性。
在一些实施例中,物体和自车的行驶参数均包括形状,在预测未来碰撞次数时,可以通过以下方式实现。根据物体和自车各自的形状,结合各自对应的行驶轨迹片段,确定物体和自车各自的行驶轨迹区域;对于未来同一时刻,若物体与自车的行驶轨迹区域相交,则预测物体与自车未来发生碰撞,直至未来预设时间段预测完成,累计物体与自车未来发生碰撞的次数,得到未来碰撞次数。
在本申请实施例中,不同类型的物体,其形状不同,所占用的区域也不同,对于汽车和行人,汽车的形状远大于行人,会存在汽车和行人行驶轨迹片段不相交,但是汽车和行人发生碰撞的情况。因此,在预测未来碰撞次数时,还需要考虑物体和自车的形状,结合各自对应的行驶轨迹片段,确定物体和自车各自的行驶轨迹区域,若同一时刻上自车行驶轨迹区域与物体行驶轨迹区域相交,则判定为碰撞,未来碰撞次数加1。
在本申请实施例中,还结合物体与自车的形状,将上述的行驶轨迹片段转化为行驶轨迹区域,然后判断在未来同一时刻,行驶轨迹区域是否相交,从而预测未来碰撞次数,提高了未来碰撞次数的准确性。
在一些实施例中,物体的行驶参数包括物体相对自车的位置信息,纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率的数量均为多个;在上述S103中确定空间风险因子时,可以通过以下方式实现。根据物体相对自车的位置信息,沿着自车的行驶方向,在物体中确定位于自车前面的物体;根据第一预设规则,从多个位于自车前面的物体对应的纵向安全距离中,选取第一预设数量的纵向安全距离;根据第二预设规则,从多个横向安全距离中选取第二预设数量的横向安全距离;根据第三预设规则,从多个安全区域重合因子中选取第三预设数量的安全区域重合因子;从多个未来碰撞概率中选取大于零的未来碰撞概率;其中,空间风险因子包括第一预设数量的纵向安全距离、第二预设数量的横向安全距离、第三预设数量的安全区域重合因子,以及大于零的未来碰撞概率中的至少一项。
在本申请实施例中,场景风险特征中包括多个不同的特征,例如,纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率。根据规则分别选取若干个符合规则条件的值,作为当前时刻的空间风险因子。如图3所示,图3为本申请实施例提供的一种空间风险因子的选取规则的示例性的示意图。
示例性的,相对于位于自车后面的物体,在当前时刻,驾驶场景的评估设备会更加关注位于自车前面的物体,避免追尾前面的物体。因此,在选取若干个纵向安全距离时,先根据物体相对自车的位置信息判断物体是否位于自车前面,然后从多个位于自车前面的物体对应的纵向安全距离中,选取若干个最大的值(例如3个)。
示例性的,在选取横向安全距离和安全区域重合因子时,与纵向安全距离的选取方式一致,在此不再赘述。例如,从多个横向安全距离中,选取若干个最大的值(例如3个);从多个安全区域重合因子中,选取若干个最大的值(例如3个)。
示例性的,在选取未来碰撞概率时,判断未来碰撞概率是否大于0,选取所有概率大于0的值。
需要说明的是,本申请实施例中第一和第二只是为了区分名称,并不代表顺序关系,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,例如,第一预设规则、第二预设规则和第三预设规则;第一预设数量、第二预设数量和第三预设数量。第一预设规则、第一预设数量、第二预设规则、第二预设数量、第三预设规则、第三预设数量可以由本领域技术人员根据实际需求进行适当设置。示例性的,预设规则是选取大于预设值的特征,预设数量与具体实际情况相关;或者,预设规则是选取预设数量的特征;或者,预设规则是选取某些具有代表性的特征,预设数量可以自由设置,例如3个、4个。对此本申请实施例不作限制。
在本申请实施例中,在场景风险特征中根据预设规则选取预设数量的特征,作为空间风险因子,提高了空间风险因子的多样性和全面性。
在一些实施例中,在上述S103中确定时序风险因子时,可以通过以下方式实现。获取第一预设时间段内多个第一时刻的场景风险特征;以第二预设时间段为时间窗口、第三预设时间段为步长,在第一预设时间段内多个第一时刻的场景风险特征中进行滑动,确定多个时间窗口;其中,第二预设时间段和第三预设时间段均小于第一预设时间段;对每个时间窗口中多个第二时刻的场景风险特征进行统计,获得各个时间窗口对应的统计结果;其中,统计结果表征时间窗口中场景风险特征的时序风险,时序风险因子包括多个时间窗口对应的统计结果。
在一些实施例中,统计结果包括平均值、最大值和变化率中的至少一项,其中,平均值表征场景宏观风险、最大值表征场景最坏风险、变化率表征场景稳定性。
在本申请实施例中,还对每个时刻的场景风险特征进行存储,存储的多个第一时刻的场景风险特征可以用于确定时序风险因子。在存储时可以采用短时间存储的方式,例如,45秒,60秒,保证数据有效性,并且可以减少数据存储空间,提高资源利用率。
示例性的,以第一预设时间段是45秒、1秒对应一个第一时刻的场景风险特征、第二预设时间段是5秒、第三预设时间段是1秒为例进行说明。获取45秒内45个第一时刻的场景风险特征;以5秒为时间窗口、1秒为步长进行滑动,确定多个时间窗口,例如,第1个时间窗口中包括第1秒至第5秒的场景风险特征,第2个时间窗口中包括第2秒至第6秒的场景风险特征,……直到第41个时间窗口包括第41秒至第45秒的场景风险特征。对41个时间窗口中5个时刻的场景风险特征进行统计,获得41个时间窗口对应的统计结果。其中,时序风险因子包括41个时间窗口对应的统计结果,统计结果表征时间窗口中场景风险特征的时序风险。
在本申请实施例中,在对每个时间窗口中多个第二时刻的场景风险特征进行统计,获得各个时间窗口对应的统计结果时,是对平均值、最大值和变化率中的至少一项进行统计。
示例性的,以每个时间窗口中包括5个时刻的场景风险特征、1个时刻的场景风险特征包括纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率等特征为例进行说明,第1个时间窗口中包括第1秒至第5秒的场景风险特征,分别对纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率求平均值、最大值和变化率,得到第1个时间窗口的统计结果。其中,第1个时间窗口的统计结果包括对5个纵向安全距离求得的平均值、最大值和变化率,对5个横向安全距离求得的平均值、最大值和变化率,对5个安全区域重合因子求得的平均值、最大值和变化率,对5个未来碰撞概率求得的平均值、最大值和变化率。按照上述方式,可以得到每个窗口的统计结果。
需要说明的是,本申请实施例中第一和第二只是为了区分名称,并不代表顺序关系,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,例如,第一时刻和第二时刻。其中,多个第一时刻的场景风险特征表征第一预设时间段内所包括的场景风险特征,多个第二时刻的场景风险特征表征一个时间窗口内所包括的场景风险特征。
在本申请实施例中,选取固定大小的时间窗口,不断滑动时间窗口,并对每个时间窗口内,场景风险特征所包括的多个纵向安全距离、多个横向安全距离、多个安全区域重合因子和多个未来碰撞概率,四类特征数值进行平均值、最大值和变化率的统计,作为时序风险因子的描述。其中,平均值描述场景宏观风险,最大值描述场景最坏风险,变化率描述场景稳定性。实现了多角度描述自车在驾驶过程中的场景风险,提高了时序因子的多样性和准确性。
在一些实施例中,每个时间窗口中每个第二时刻的场景风险特征包括多个纵向安全距离、多个横向安全距离、多个安全区域重合因子和多个未来碰撞概率,上述对每个时间窗口中多个第二时刻的场景风险特征进行统计,获得各个时间窗口对应的统计结果,可以通过以下方式实现,针对每个第二时刻的场景风险特征,选取多个安全区域重合因子的最大值,得到安全区域重合因子最大值;对多个未来碰撞概率进行求和,得到目标未来碰撞概率;对多个纵向安全距离、多个横向安全距离、安全区域重合因子最大值和目标未来碰撞概率分别进行统计,获得各个时间窗口对应的统计结果。
在本申请实施例中,在对场景风险特征所包括的四类特征值进行平均值、最大值和变化率的统计时。对于每个第二时刻的场景风险特征,求得安全区域重合因子的最大值,以及对多个第二时刻的未来碰撞概率进行求和,得到目标未来碰撞概率。这样,每个第二时刻的场景风险特征可以包括多个纵向安全距离、多个横向安全距离、安全区域重合因子最大值和目标未来碰撞概率。然后,对每个时间窗口中多个第二时刻的场景风险特征所包括的四类特征值,进行平均值、最大值和变化率的统计,获得各个时间窗口对应的统计结果。
在本申请实施例中,安全区域重合因子最大值和目标未来碰撞概率准确的反映时间维度上的危险程度,并且通过求得安全区域重合因子最大值和未来碰撞概率求和的合并方式,减少数据量,提高了计算效率。
在一些实施例中,时序风险因子包括时间维度上多个表征不同特征的因子,空间风险因子包括空间维度上多个表征不同特征的因子;在上述S104中对风险因子进行融合得到场景风险指数时,可以通过以下方式实现。在时序风险因子和空间风险因子中,分别选取大于各自对应预设阈值的各个特征的因子;计算各个特征的因子与对应的因子总数之间的比值,得到各个特征概率;计算各个特征的因子对应的预设特征权重和各自的特征概率之间的乘积,得到多个特征乘积;根据多个特征乘积,确定场景风险指数。
在本申请实施例中,基于上述空间风险因子与时序风险因子,考虑场景风险的不确定性,还针对场景风险特征中的不同特征设置预设阈值,如表5和表6所示,表5为本申请实施例提供了一种空间风险因子对应的阈值。表6为本申请实施例提供了一种时序风险因子对应的阈值。
示例性的,表5中空间风险因子的预设阈值中包括区域重合因子(对应于安全区域重合因子)、碰撞预警因子(对应于未来碰撞概率)、横/纵向所需安全距离(对应于横/纵向安全距离)、横/纵向最大危险距离(对应于横/纵向安全距离),可以理解为对横/纵向安全距离考虑两次。示例性的,若某横向安全距离为30米,则该横向安全距离的统计出现次数为2次。表6中时序风险因子的预设阈值中包括区域重合变化率(对应于安全区域重合因子最大值)、横/纵向所需安全距离最大值、均值、变化率(对应于横/纵向安全距离)、前方横/纵向所需安全距离变化率(对应于横/纵向安全距离),可以理解为对位于自车前面的物体的横/纵向安全距离变化率考虑两次。示例性的,若某位于自车前面的物体的横向安全距离变化率是0.3,则该横向安全距离变化率的统计出现次数为2次,也就是说,驾驶场景的估计设备会更加关注前车,即关注自车是否会与前车发生碰撞。
在本申请实施例中,对于各个特征,统计该特征大于对应预设阈值的数值出现概率,得到各个特征概率。还针对场景风险特征中的不同特征设置预设特征权重,如表7和表8所示,表7为本申请实施例提供了一种空间风险因子对应的特征权重,表8为本申请实施例提供了一种时序风险因子对应的特征权重。表7和表8中的特征权重分别于表5和表6中的特征相对应。
在本申请实施例中,计算各个特征的因子对应的预设特征权重和各自的特征概率之间的乘积,得到多个特征乘积;将多个特征乘积之和确定为场景风险指数。
需要说明的是,上述表5至表8为本申请实施例提供了一种时序风险因子对应的预设阈值和特征权重。预设阈值和特征权重均可以由本领域技术人员根据实际需求进行适当设置,也可以对大量的实验数据进行分析确定,并不局限于表5至表8中的参数,对此本申请实施例不作限制。
在本申请实施例中,以各个特征对应的预设阈值为下界,统计各个特征中大于预设阈值的数值出现概率,并以概率的形式加权融合时序风险因子和空间风险因子,综合评估场景风险,即,场景风险指数=特征权重×特征大于相应阈值的概率,提高了场景风险指数的准确性。
表5
空间风险因子 | 阈值 |
纵向所需安全距离 | 25米 |
横向所需安全距离 | 20米 |
纵向最大危险距离 | 50米 |
横向最大危险距离 | 25米 |
区域重合因子 | 0.5 |
碰撞预警因子 | 0.3 |
表6
时序风险因子 | 阈值 |
纵向所需安全距离最大值 | 50米 |
纵向所需安全距离均值 | 25米 |
纵向所需安全距离变化率 | 0.2 |
横向所需安全距离最大值 | 25米 |
横向所需安全距离均值 | 20米 |
横向所需安全距离变化率 | 0.2 |
区域重合变化率 | 0.1 |
前方纵向所需安全距离变化率 | 0.2 |
前方横向所需安全距离变化率 | 0.2 |
表7
空间风险因子 | 特征权重 |
纵向所需安全距离、最大距离因子 | 0.3 |
横向所需安全距离、最大距离因子 | 0.3 |
区域重合因子 | 0.2 |
碰撞预警因子 | 0.2 |
表8
时序风险因子 | 特征权重 |
纵向所需安全距离因子最大值、均值、变化率 | 0.25 |
横向所需安全距离因子最大值、均值、变化率 | 0.25 |
区域重合因子变化率 | 0.1 |
前方纵向所需安全距离因子变化率 | 0.2 |
前方横向所需安全距离因子变化率 | 0.2 |
在一些实施例中,空间风险因子包括多个横/纵向安全距离,在空间风险因子中,分别选取大于各自对应预设阈值的各个特征的因子时,还可以包括以下步骤。若对物体进行第一关注,则在多个横/纵向安全距离中选取大于第一预设阈值的横/纵向安全距离;若对物体进行第二关注,则在多个横/纵向安全距离中选取大于第二预设阈值的横/纵向安全距离;其中,第一关注对应的关注度大于第二关注对应的关注度,第一预设阈值小于第二预设阈值。
在本申请实施例中,对于新手驾驶员,需要对道路上的交通参与者设置较高的关注度,或者,对于高危交通参与者,同样需要设置较高的关注度。驾驶场景的评估设备是通过对极端横/纵向安全距离进行考虑,从而实现对高危交通参与者的关注。在上述统计各个特征大于对应预设阈值的数值出现概率,得到各个特征概率时,需要将横/纵向安全距离对应的预设阈值(例如表5中的横/纵向所需安全距离、横/纵向最大危险距离)设置的低一些,例如,将纵向所需安全距离从原来的25米变为20米;或者,对横/纵向安全距离设置新的预设阈值,例如,在上述表5中新增加参数:横/纵向最大安全距离阈值,可以理解为对横/纵向安全距离考虑两次。
示例性的,以表5中的参数为例,新增加参数:横/纵向最大安全距离阈值(分别是15米和20米),若某横向安全距离为30米,则该横向安全距离的统计出现次数为3次,从而增加空间危险因子中横向安全距离对应的特征概率,实现对高危交通参与者的关注。
需要说明的是,本申请实施例中第一和第二只是为了区分名称,并不代表顺序关系,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,例如,第一关注和第二关注,第一预设阈值和第二预设阈值。
在本申请实施例中,通过设置不同的关注度,提高了驾驶场景估计的灵活性。
在一些实施例中,在确定场景风险指数之后,该驾驶场景的风险评估方法还包括以下步骤。根据预设映射关系,将场景风险指数转化为风险等级。
在本申请实施例中,在确定场景风险指数之后,还根据预设映射关系,对驾驶场景进行分级,将场景风险指数转化为对应的风险等级,风险等级可以用于对驾驶员进行提醒,在自动驾驶领域,风险等级也可以用于向驾驶***进行反馈,使得驾驶***根据风险等级规划下一时刻的行驶路线。
需要说明的是,预设映射关系可以由本领域技术人员根据实际情况进行设置,只要能够表征驾驶场景的风险程度即可。如表9所示,表9为本申请实施例提供了一种场景风险指数与风险等级之间的对应关系。
表9
风险指数 | 风险等级 |
(0,0.1] | 1级 |
(0.1,0.15] | 2级 |
(0.15,0.2] | 3级 |
(0.2,0.25] | 4级 |
(0.25,0.3] | 5级 |
(0.3,0.35] | 6级 |
(0.35,0.4] | 7级 |
(0.4,0.5] | 8级 |
(0.6,0.7] | 9级 |
(0.7,+∞) | 10级 |
下面,将说明本申请实施例在一个实际的应用场景中的示例性应用。
在本申请实施例中,物体以交通参与者表示,如图4所示,图4为本申请实施例提供的另一种驾驶场景的风险评估方法的可选的步骤流程图。
S401、获取感知范围内其他交通参与者的物体类型、速度、加速度、相对自车位置、形状大小和航向角,以及获取自车速度、加速度、航向角和形状大小。
交通参与者包括道路上所有的动态物体,以及障碍物、红绿灯等静态物体。同时,已知自车形状大小,并在行驶过程中从自车动力***获取自车速度、加速度和航向角。
S402、根据物体类型、航向角生成可行驶区域。
已知自车与其他交通参与者的物体类型、航向角,根据物体类型和自车的类型生成初始化可行驶区域。物体类型可以划分为自行车、汽车、行人、静止物体和未知动态物体,其中,为保证行车安全,在本申请实施例中,将障碍物、未知动态物体的可行驶区域设置为与汽车的可行驶区域一致。各类物体的初始化可行驶区域如上图2所示,边长、角度等参数如上表4所示。根据物体的航向角和自车的航向角调整各自的初始化可行驶区域的方向,保证与物体和自车的运动朝向一致,得到各自的可行驶区域。可可行驶区域用于计算自车与其他物体间的安全区域重合因子。
S403、根据物体类型生成最小失控时间、横/纵向最大加速度、横/纵向最小减速度,以及纵向最大减速度。
从S401中已知自车与其他交通参与者的物体类型,初始化生成不同类型物体的预设行驶极限参数,预设行驶极限参数包括最小失控时间、纵向最大加速度、纵向最大减速度、纵向最小减速度、横向最大加速度和横向最小减速度。预设行驶极限参数的默认参数值可以参考表1至表3。上述参数用于计算纵向所需安全距离和横向所需安全距离。
S404、从S401-S403中获取和生成的自车与其他交通参与者的若干数据,计算自车与其他交通参与者的场景风险特征。场景风险特征包括纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率。
S405、存储短时间内计算得到的场景风险特征。
将当前时刻的驾驶场景快照数据(即场景风险特征)存储到快照数据库中,用于后续场景风险特征的时序建模,需要说明的是,快照数据库中存储短时间(例如:45秒)内的场景风险特征,即可以存储多个时刻的场景风险特征。
S406、选取若干个符合规则条件的值,作为当前时刻的空间风险因子。
根据S404中场景风险特征的纵向所需安全距离、横向所需安全距离、安全区域重合因子、未来碰撞概率,按照预设规则分别选取若干个符合规则条件的值,作为当前时刻的空间风险因子,选取方式可以参考上图3所示。
S407、选取固定大小的时间窗口,不断滑动时间窗口,并统计时间窗口内四类风险特征数值的统计均值、最大值、变化率,作为时序风险因子。
遍历S405中存储在快照数据库中的每一时刻场景风险特征,其中,对于每个时刻的场景风险特征,求得安全区域重合因子的最大值,以及求和每一时刻自车与其他所有物体的未来碰撞概率。为实现多角度描述自车在驾驶过程中的场景风险,选取固定大小的时间窗口,不断滑动时间窗口,并统计时间窗口内四类风险特征数值的统计均值、最大值、变化率,作为时序风险因子的描述。其中,在时序场景上,均值描述场景宏观风险,最大值描述场景最坏风险,变化率描述场景稳定性。
S408、根据空间风险因子和时序风险因子的数值与对应的预设阈值之间的关系,结合对应的特征权重进行加权融合,计算风险指数。
基于S406和S407计算得到的空间风险因子与时序风险因子,考虑场景风险的不确定性,驾驶场景的评估设备针对不同场景风险特征设置阈值,特征对应的阈值均为下界,统计对应特征大于阈值的数值出现概率,并以概率的形式加权融合空间风险因子和时序风险因子,综合评估场景风险。场景风险指数=特征权重×特征大于相应阈值的概率,对应阈值可以参考上述表5和表6,特征权重可以参考上述表7和表8。
在本申请实施例中,还考虑极端横/纵向所需安全距离情况,进一步在表5中增加了横/纵向最大安全距离阈值,从而实现对高危交通参与者的关注。
S409、根据风险指数得到风险等级。
根据S408得到的风险指数对驾驶场景进行分级,细分为十个等级,风险指数与风险等级对应关系参考表9。
在本申请实施例中,面对驾驶过程中场景高动态、多样性,本申请实施例提出的驾驶场景的评估方法不依赖于驾驶员、地图和长时间事故统计数据,利用自车及其感知范围内不同类型交通参与者的运动状态、失控时间、可行驶区域、未来碰撞概率计算场景风险特征,并存储记录一段时间的驾驶场景快照数据,设计时空上多指标加权融合模型,通过结合多种场景风险因素,量化驾驶场景的风险指数,实现对驾驶场景的风险指数进行评估,提高了评估结果的准确性。进而还可以根据风险指数对场景风险等级归类划分,并反馈给用户。
为实现本申请实施例的驾驶场景的风险评估方法,本申请实施例还提供一种驾驶场景的风险评估装置,如图5所示,图5为本申请实施例提供的一种驾驶场景的风险评估装置的结构示意图,该驾驶场景的风险评估装置50包括:获取模块501,用于获取自车的行驶参数和自车感知范围内物体的行驶参数;
场景风险特征模块502,用于根据物体的行驶参数和自车的行驶参数,确定场景风险特征,场景风险特征包括纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率中的至少一项特征;
风险因子模块503,用于根据场景风险特征中不同特征以及特征组合,分别确定时序风险因子和空间风险因子,其中,时序风险因子反映时间维度上场景风险程度,空间风险因子反映空间维度上场景风险程度;
评估模块504,用于对时序风险因子和空间风险因子进行融合,得到场景风险指数。
在一些实施例中,物体的行驶参数包括物体类型和速度,自车的行驶参数包括速度;
场景风险特征模块502,还用于根据物体类型,确定物体的预设行驶极限参数;根据物体的速度、自车的速度,以及物体和自车各自的预设行驶极限参数,计算纵向安全距离和横向安全距离,其中,预设行驶极限参数表征匀加速或匀减速运动过程中的行驶极限参数,自车的预设行驶极限参数根据自车的类型确定。
在一些实施例中,物体和自车的行驶参数均包括航向角,纵向安全距离包括纵向同向行驶安全距离和/或纵向对向行驶安全距离;
场景风险特征模块502,还用于根据物体的航向角和自车的航向角,在物体中确定与自车是同向行驶和/或对向行驶的物体;根据同向行驶物体的速度和预设行驶极限参数,计算同向行驶物体对应的纵向同向行驶安全距离;和/或,根据对向行驶物体的速度、自车的速度,以及对向行驶物体和自车各自的预设行驶极限参数,计算对向行驶物体对应的纵向对向行驶安全距离。
在一些实施例中,物体的行驶参数包括物体相对自车的位置信息,预设行驶极限参数包括最小失控时间、最大加速度、最大减速度和最小减速度;
场景风险特征模块502,还用于根据物体相对自车的位置信息,沿着自车的行驶方向,在同向行驶物体中确定位于自车前面的物体和位于自车后面的物体;根据位于自车前面的物体的速度和最大减速度,计算位于自车前面的物体的纵向最大减速距离;根据位于自车后面的物体的速度、最小失控时间、最大加速度和最小减速度,计算位于自车后面的物体的纵向失控加速距离和纵向最小减速距离;根据位于自车前面的物体的纵向最大减速距离,以及位于自车后面的物体的纵向失控加速距离和纵向最小减速距离,计算纵向同向行驶安全距离。
在一些实施例中,预设行驶极限参数包括最小失控时间、最大加速度和最小减速度;
场景风险特征模块502,还用于根据自车和对向行驶物体各自的速度、最小失控时间、最大加速度和最小减速度,计算纵向对向行驶安全距离。
在一些实施例中,物体的行驶参数包括物体相对自车的位置信息,预设行驶极限参数最小失控时间、最大加速度和最小减速度;
场景风险特征模块502,还用于根据物体相对自车的位置信息,沿着自车的行驶方向,在物体中确定位于自车左右两边的物体;根据自车和位于自车左右两边的物体各自的速度、最小失控时间、最大加速度和最小减速度,计算自车和位于自车左右两边的物体各自的横向失控加速距离和横向最小减速距离;根据自车和位于自车左右两边的物体各自的横向失控加速距离和横向最小减速距离,计算横向安全距离。
在一些实施例中,物体的行驶参数包括航向角和物体类型,自车的行驶参数包括航向角;
场景风险特征模块502,还用于根据物体类型确定物体的初始化可行驶区域;根据物体的航向角对物体的初始化可行驶区域的方向进行调整,确定物体的可行驶区域;根据物体和自车各自的可行驶区域,计算安全区域重合因子;自车的可行驶区域根据自车的类型和自车的航向角确定。
在一些实施例中,场景风险特征模块502,还用于根据物体和自车各自的可行驶区域的位置信息,确定物体与自车的可行驶区域的相交区域;将相交区域的面积,与物体和自车各自的可行驶区域中最小面积之间的比值,确定为安全区域重合因子。
在一些实施例中,物体和自车的行驶参数均包括航向角、速度和加速度;
场景风险特征模块502,还用于根据物体和自车各自的航向角、速度和加速度,预测在未来预设时间段内,物体和自车各自的多个行驶轨迹片段,未来预设时间段包括多个未来时刻,一个未来时刻对应一个行驶轨迹片段;在未来同一时刻,根据物体和自车各自的行驶轨迹片段,预测未来碰撞次数;将未来碰撞次数,与未来预设时间段内多个行驶轨迹片段的数量之间的比值,确定为未来碰撞概率。
在一些实施例中,物体和自车的行驶参数均包括形状;
场景风险特征模块502,还用于根据物体和自车各自的形状,结合各自对应的行驶轨迹片段,确定物体和自车各自的行驶轨迹区域;对于未来同一时刻,若物体与自车的行驶轨迹区域相交,则预测物体与自车未来发生碰撞,直至未来预设时间段预测完成,累计物体与自车未来发生碰撞的次数,得到未来碰撞次数。
在一些实施例中,物体的行驶参数包括物体相对自车的位置信息;纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率的数量均为多个;
风险因子模块503,还用于根据物体相对自车的位置信息,沿着自车的行驶方向,在物体中确定位于自车前面的物体;根据第一预设规则,从多个位于自车前面的物体对应的纵向安全距离中,选取第一预设数量的纵向安全距离;根据第二预设规则,从多个横向安全距离中选取第二预设数量的横向安全距离;根据第三预设规则,从多个安全区域重合因子中选取第三预设数量的安全区域重合因子;从多个未来碰撞概率中选取大于零的未来碰撞概率;其中,空间风险因子包括第一预设数量的纵向安全距离、第二预设数量的横向安全距离、第三预设数量的安全区域重合因子,以及大于零的未来碰撞概率中的至少一项。
在一些实施例中,风险因子模块503,还用于获取第一预设时间段内多个第一时刻的场景风险特征;以第二预设时间段为时间窗口、第三预设时间段为步长,在第一预设时间段内多个第一时刻的场景风险特征中进行滑动,确定多个时间窗口;其中,第二预设时间段和第三预设时间段均小于第一预设时间段;对每个时间窗口中多个第二时刻的场景风险特征进行统计,获得各个时间窗口对应的统计结果;其中,统计结果表征时间窗口中场景风险特征的时序风险,时序风险因子包括多个时间窗口对应的统计结果。
在一些实施例中,统计结果包括平均值、最大值和变化率中的至少一项,其中,平均值表征场景宏观风险、最大值表征场景最坏风险、变化率表征场景稳定性。
在一些实施例中,每个时间窗口中每个第二时刻的场景风险特征包括多个纵向安全距离、多个横向安全距离、多个安全区域重合因子和多个未来碰撞概率;
风险因子模块503,还用于针对每个第二时刻的场景风险特征,选取多个安全区域重合因子的最大值,得到安全区域重合因子最大值;对多个未来碰撞概率进行求和,得到目标未来碰撞概率;对多个纵向安全距离、多个横向安全距离、安全区域重合因子最大值和目标未来碰撞概率分别进行统计,获得各个时间窗口对应的统计结果。
在一些实施例中,时序风险因子包括时间维度上多个表征不同特征的因子,空间风险因子包括空间维度上多个表征不同特征的因子;
评估模块504,还用于在时序风险因子和空间风险因子中,分别选取大于各自对应预设阈值的各个特征的因子;计算各个特征的因子与对应的因子总数之间的比值,得到各个特征概率;计算各个特征的因子对应的预设特征权重和各自的特征概率之间的乘积,得到多个特征乘积;根据多个特征乘积,确定场景风险指数。
在一些实施例中,空间风险因子包括多个横/纵向安全距离;
评估模块504,还用于若对物体进行第一关注,则在多个横/纵向安全距离中选取大于第一预设阈值的横/纵向安全距离;若对物体进行第二关注,则在多个横/纵向安全距离中选取大于第二预设阈值的横/纵向安全距离;其中,第一关注对应的关注度大于第二关注对应的关注度,第一预设阈值小于第二预设阈值。
在一些实施例中,驾驶场景的风险评估装置50还包括转化模块,转化模块用于根据预设映射关系,将场景风险指数转化为风险等级。
需要说明的是,上述实施例提供的驾驶场景的风险评估装置在进行驾驶场景的风险评估时,仅以上述各程序模块的划分进行举例说明,实际应用中,可以根据需要而将上述处理分配由不同的程序模块完成,即将装置的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分处理。另外,上述实施例提供的驾驶场景的风险评估装置与驾驶场景的风险评估方法实施例属于同一构思,其具体实现过程及有益效果详见方法实施例,这里不再赘述。对于本装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
在本申请实施例中,图6为本申请实施例提出的驾驶场景的风险评估设备组成结构示意图,如图6所示,本申请实施例提出的设备60还可以包括处理器601、存储有处理器601可执行指令的存储器602,在一些实施例中,驾驶场景的风险评估设备60还可以包括通信接口603,和用于连接处理器601、存储器602以及通信接口603的总线604。
在本申请实施例中,上述处理器601可以为特定用途集成电路(ApplicationSpecific Integrated Circuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(ProgRAMmable Logic Device,PLD)、现场可编程门阵列(Field ProgRAMmable GateArray,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地,对于不同的设备,用于实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
在本申请实施例中,总线604用于连接通信接口603、处理器601以及存储器602以及这些器件之间的相互通信。
在本申请实施例中,上述处理器601,用于获取自车的行驶参数和自车感知范围内物体的行驶参数;根据物体的行驶参数和自车的行驶参数,确定场景风险特征,场景风险特征包括纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率中的至少一项特征;根据场景风险特征中不同特征以及特征组合,分别确定时序风险因子和空间风险因子,时序风险因子反映时间维度上场景风险程度,空间风险因子反映空间维度上场景风险程度;对时序风险因子和空间风险因子进行融合,得到场景风险指数。
驾驶场景的风险评估设备60中存储器602可以与处理器601连接,存储器602用于存储可执行程序代码和数据,该程序代码包括计算机操作指令,存储器602可能包含高速RAM存储器,也可能还包括非易失性存储器,例如,至少两个磁盘存储器。在实际应用中,上述存储器602可以是易失性存储器(volatile memory),例如随机存取存储器(Random-Access Memory,RAM);或者非易失性存储器(non-volatile memory),例如只读存储器(Read-Only Memory,ROM),快闪存储器(flash memory),硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD);或者上述种类的存储器的组合,并向处理器601提供指令和数据。
另外,在本实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,可以存储在一个计算机可读取存储介质中,基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或processor(处理器)执行本实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如上任一实施例的驾驶场景的风险评估方法。
示例性的,本实施例中的一种驾驶场景的风险评估方法对应的程序指令可以被存储在光盘,硬盘,U盘等存储介质上,当存储介质中的与一种驾驶场景的风险评估方法对应的程序指令被一电子设备读取或被执行时,可以实现如上述任一实施例的驾驶场景的风险评估方法。
本领域内的技术人员应明白,本申请实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的实现流程示意图和/或方框图来描述的。应理解可由计算机程序指令实现流程示意图和/或方框图中的每一流程和/或方框、以及实现流程示意图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在实现流程示意图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上,为本申请的较佳实施例而已,并非用于限定本申请的保护范围。
Claims (19)
1.一种驾驶场景的风险评估方法,其特征在于,所述方法包括:
获取自车的行驶参数和所述自车感知范围内物体的行驶参数;
根据所述物体的行驶参数和所述自车的行驶参数,确定场景风险特征,所述场景风险特征包括纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率中的至少一项特征;
根据所述场景风险特征中不同特征以及特征组合,分别确定时序风险因子和空间风险因子,其中,所述时序风险因子反映时间维度上场景风险程度,所述空间风险因子反映空间维度上场景风险程度;
对所述时序风险因子和所述空间风险因子进行融合,得到场景风险指数;
其中,所述时序风险因子包括时间维度上多个表征不同特征的因子,所述空间风险因子包括空间维度上多个表征不同特征的因子;
所述对所述时序风险因子和所述空间风险因子进行融合,得到场景风险指数,包括:
在所述时序风险因子和所述空间风险因子中,分别选取大于各自对应预设阈值的各个特征的因子;
计算所述各个特征的因子与对应的因子总数之间的比值,得到各个特征概率;
计算所述各个特征的因子对应的预设特征权重和各自的特征概率之间的乘积,得到多个特征乘积;
根据所述多个特征乘积,确定所述场景风险指数。
2.根据权利要求1所述的方法,其特征在于,所述物体的行驶参数包括物体类型和速度,所述自车的行驶参数包括速度;
所述根据所述物体的行驶参数和所述自车的行驶参数,确定场景风险特征,包括:
根据所述物体类型,确定所述物体的预设行驶极限参数;
根据所述物体的速度、所述自车的速度,以及所述物体和所述自车各自的预设行驶极限参数,计算所述纵向安全距离和所述横向安全距离,其中,所述预设行驶极限参数表征匀加速或匀减速运动过程中的行驶极限参数,所述自车的预设行驶极限参数根据所述自车的类型确定。
3.根据权利要求2所述的方法,其特征在于,所述物体和所述自车的行驶参数均包括航向角,所述纵向安全距离包括纵向同向行驶安全距离和/或纵向对向行驶安全距离;
所述根据所述物体的速度、所述自车的速度,以及所述物体和所述自车各自的预设行驶极限参数,计算所述纵向安全距离,包括:
根据所述物体的航向角和所述自车的航向角,在所述物体中确定与所述自车是同向行驶和/或对向行驶的物体;
根据同向行驶物体的速度和预设行驶极限参数,计算所述同向行驶物体对应的所述纵向同向行驶安全距离;
和/或,
根据对向行驶物体的速度、所述自车的速度,以及所述对向行驶物体和所述自车各自的预设行驶极限参数,计算所述对向行驶物体对应的所述纵向对向行驶安全距离。
4.根据权利要求3所述的方法,其特征在于,所述物体的行驶参数包括所述物体相对所述自车的位置信息,所述预设行驶极限参数包括最小失控时间、最大加速度、最大减速度和最小减速度;
所述根据同向行驶物体的速度和预设行驶极限参数,计算所述同向行驶物体对应的所述纵向同向行驶安全距离,包括:
根据所述物体相对所述自车的位置信息,沿着所述自车的行驶方向,在所述同向行驶物体中确定位于自车前面的物体和位于自车后面的物体;
根据所述位于自车前面的物体的速度和所述最大减速度,计算所述位于自车前面的物体的纵向最大减速距离;
根据所述位于自车后面的物体的速度、所述最小失控时间、所述最大加速度和所述最小减速度,计算所述位于自车后面的物体的纵向失控加速距离和纵向最小减速距离;
根据所述位于自车前面的物体的纵向最大减速距离,以及所述位于自车后面的物体的纵向失控加速距离和纵向最小减速距离,计算所述纵向同向行驶安全距离。
5.根据权利要求3所述的方法,其特征在于,所述预设行驶极限参数包括最小失控时间、最大加速度和最小减速度;
所述根据对向行驶物体的速度、所述自车的速度,以及所述物体和所述自车各自的预设行驶极限参数,计算所述对向行驶物体对应的所述纵向对向行驶安全距离,包括:
根据所述自车和所述对向行驶物体各自的速度、所述最小失控时间、所述最大加速度和所述最小减速度,计算所述纵向对向行驶安全距离。
6.根据权利要求2所述的方法,其特征在于,所述物体的行驶参数包括所述物体相对所述自车的位置信息,所述预设行驶极限参数包括最小失控时间、最大加速度和最小减速度;
所述根据所述物体的速度、所述自车的速度,以及所述物体和所述自车各自的预设行驶极限参数,计算横向安全距离,包括:
根据所述物体相对自车的位置信息,沿着所述自车的行驶方向,在所述物体中确定位于所述自车左右两边的物体;
根据所述自车和所述位于自车左右两边的物体各自的速度、所述最小失控时间、所述最大加速度和所述最小减速度,计算所述自车和所述位于自车左右两边的物体各自的横向失控加速距离和横向最小减速距离;
根据所述自车和所述位于自车左右两边的物体各自的横向失控加速距离和横向最小减速距离,计算所述横向安全距离。
7.根据权利要求1所述的方法,其特征在于,所述物体的行驶参数包括航向角和物体类型,所述自车的行驶参数包括航向角;
所述根据所述物体的行驶参数和所述自车的行驶参数,确定场景风险特征,包括:
根据所述物体类型确定所述物体的初始化可行驶区域;
根据所述物体的航向角对所述物体的初始化可行驶区域的方向进行调整,确定所述物体的可行驶区域;
根据所述物体和所述自车各自的可行驶区域,计算所述安全区域重合因子;所述自车的可行驶区域根据所述自车的类型和所述自车的航向角确定。
8.根据权利要求7所述的方法,其特征在于,所述根据所述物体和所述自车各自的可行驶区域,计算所述安全区域重合因子,包括:
根据所述物体和所述自车各自的可行驶区域的位置信息,确定所述物体与所述自车的可行驶区域的相交区域;
将所述相交区域的面积,与所述物体和所述自车各自的可行驶区域中最小面积之间的比值,确定为所述安全区域重合因子。
9.根据权利要求1所述的方法,其特征在于,所述物体和所述自车的行驶参数均包括航向角、速度和加速度;
所述根据所述物体的行驶参数和所述自车的行驶参数,确定场景风险特征,包括:
根据所述物体和自车各自的航向角、速度和加速度,预测在未来预设时间段内,所述物体和所述自车各自的多个行驶轨迹片段,所述未来预设时间段包括多个未来时刻,一个未来时刻对应一个行驶轨迹片段;
在未来同一时刻,根据所述物体和所述自车各自的行驶轨迹片段,预测未来碰撞次数;
将所述未来碰撞次数,与所述未来预设时间段内多个行驶轨迹片段的数量之间的比值,确定为所述未来碰撞概率。
10.根据权利要求9所述的方法,其特征在于,所述物体和所述自车的行驶参数均包括形状;
所述在未来同一时刻,根据所述物体和所述自车各自的行驶轨迹片段,预测未来碰撞次数,包括:
根据所述物体和所述自车各自的形状,结合各自对应的行驶轨迹片段,确定所述物体和所述自车各自的行驶轨迹区域;
对于未来同一时刻,若所述物体与所述自车的行驶轨迹区域相交,则预测所述物体与所述自车未来发生碰撞,直至所述未来预设时间段预测完成,累计所述物体与所述自车未来发生碰撞的次数,得到所述未来碰撞次数。
11.根据权利要求1-10任一项所述的方法,其特征在于,所述物体的行驶参数包括所述物体相对所述自车的位置信息;所述纵向安全距离、所述横向安全距离、所述安全区域重合因子和所述未来碰撞概率的数量均为多个;
所述根据所述场景风险特征中不同特征以及特征组合,确定空间风险因子,包括:
根据所述物体相对自车的位置信息,沿着所述自车的行驶方向,在所述物体中确定位于所述自车前面的物体;
根据第一预设规则,从多个所述位于自车前面的物体对应的纵向安全距离中,选取第一预设数量的纵向安全距离;
根据第二预设规则,从多个所述横向安全距离中选取第二预设数量的横向安全距离;
根据第三预设规则,从多个所述安全区域重合因子中选取第三预设数量的安全区域重合因子;
从多个所述未来碰撞概率中选取大于零的未来碰撞概率;
其中,所述空间风险因子包括所述第一预设数量的纵向安全距离、所述第二预设数量的横向安全距离、所述第三预设数量的安全区域重合因子,以及所述大于零的未来碰撞概率中的至少一项。
12.根据权利要求1-10任一项所述的方法,其特征在于,所述根据所述场景风险特征中不同特征以及特征组合,确定时序风险因子,包括:
获取第一预设时间段内多个第一时刻的场景风险特征;
以第二预设时间段为时间窗口、第三预设时间段为步长,在所述第一预设时间段内多个第一时刻的场景风险特征中进行滑动,确定多个时间窗口;其中,所述第二预设时间段和所述第三预设时间段均小于所述第一预设时间段;
对每个时间窗口中多个第二时刻的场景风险特征进行统计,获得各个时间窗口对应的统计结果;其中,所述统计结果表征所述时间窗口中场景风险特征的时序风险,所述时序风险因子包括所述多个时间窗口对应的统计结果。
13.根据权利要求12所述的方法,其特征在于,所述统计结果包括平均值、最大值和变化率中的至少一项,其中,所述平均值表征场景宏观风险、所述最大值表征场景最坏风险、所述变化率表征场景稳定性。
14.根据权利要求12所述的方法,其特征在于,每个时间窗口中每个第二时刻的场景风险特征包括多个所述纵向安全距离、多个所述横向安全距离、多个所述安全区域重合因子和多个所述未来碰撞概率;
对每个时间窗口中多个第二时刻的场景风险特征进行统计,获得各个时间窗口对应的统计结果,包括:
针对每个第二时刻的场景风险特征,选取多个所述安全区域重合因子的最大值,得到安全区域重合因子最大值;
对多个所述未来碰撞概率进行求和,得到目标未来碰撞概率;
对多个所述纵向安全距离、多个所述横向安全距离、所述安全区域重合因子最大值和所述目标未来碰撞概率分别进行统计,获得各个时间窗口对应的统计结果。
15.根据权利要求1所述的方法,其特征在于,所述空间风险因子包括多个横/纵向安全距离;
所述在所述空间风险因子中,分别选取大于各自对应预设阈值的各个特征的因子,包括:
若对所述物体进行第一关注,则在所述多个横/纵向安全距离中选取大于第一预设阈值的横/纵向安全距离;
若对所述物体进行第二关注,则在所述多个横/纵向安全距离中选取大于第二预设阈值的横/纵向安全距离;
其中,所述第一关注对应的关注度大于所述第二关注对应的关注度,所述第一预设阈值小于所述第二预设阈值。
16.根据权利要求1-10任一项所述的方法,其特征在于,所述对所述时序风险因子和所述空间风险因子进行融合,得到场景风险指数之后,所述方法还包括:
根据预设映射关系,将所述场景风险指数转化为风险等级。
17.一种驾驶场景的风险评估装置,其特征在于,所述装置包括:
获取模块,用于获取自车的行驶参数和自车感知范围内物体的行驶参数;
场景风险特征模块,用于根据所述物体的行驶参数和所述自车的行驶参数,确定场景风险特征,所述场景风险特征包括纵向安全距离、横向安全距离、安全区域重合因子和未来碰撞概率中的至少一项特征;
风险因子模块,用于根据所述场景风险特征中不同特征以及特征组合,分别确定时序风险因子和空间风险因子,其中,时序风险因子反映时间维度上场景风险程度,空间风险因子反映空间维度上场景风险程度;
评估模块,用于对所述时序风险因子和所述空间风险因子进行融合,得到场景风险指数;
所述评估模块,还用于在所述时序风险因子和所述空间风险因子中,分别选取大于各自对应预设阈值的各个特征的因子;计算所述各个特征的因子与对应的因子总数之间的比值,得到各个特征概率;计算所述各个特征的因子对应的预设特征权重和各自的特征概率之间的乘积,得到多个特征乘积;根据所述多个特征乘积,确定所述场景风险指数;其中,所述时序风险因子包括时间维度上多个表征不同特征的因子,所述空间风险因子包括空间维度上多个表征不同特征的因子。
18.一种驾驶场景的风险评估设备,其特征在于,所述设备包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-16任一项所述的方法。
19.一种计算机可读存储介质,其特征在于,其上存储有可执行指令,用于被处理器执行时,实现权利要求1-16任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324305.4A CN114162133B (zh) | 2021-11-10 | 2021-11-10 | 驾驶场景的风险评估方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324305.4A CN114162133B (zh) | 2021-11-10 | 2021-11-10 | 驾驶场景的风险评估方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114162133A CN114162133A (zh) | 2022-03-11 |
CN114162133B true CN114162133B (zh) | 2024-06-04 |
Family
ID=80478428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111324305.4A Active CN114162133B (zh) | 2021-11-10 | 2021-11-10 | 驾驶场景的风险评估方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114162133B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880926B (zh) * | 2022-10-14 | 2024-01-12 | 港珠澳大桥管理局 | 基于驾驶风格的可变限速控制方法、装置和计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2950294A1 (en) * | 2014-05-30 | 2015-12-02 | Honda Research Institute Europe GmbH | Method and vehicle with an advanced driver assistance system for risk-based traffic scene analysis |
CN108622103A (zh) * | 2018-05-08 | 2018-10-09 | 清华大学 | 行车风险辨识模型的标定方法和*** |
CN109927719A (zh) * | 2017-12-15 | 2019-06-25 | 百度在线网络技术(北京)有限公司 | 一种基于障碍物轨迹预测的辅助驾驶方法和*** |
WO2019213980A1 (zh) * | 2018-05-08 | 2019-11-14 | 清华大学 | 基于行车安全场的车辆智能安全决策方法 |
CN113561974A (zh) * | 2021-08-25 | 2021-10-29 | 清华大学 | 基于车辆行为交互与道路结构耦合的碰撞风险预测方法 |
-
2021
- 2021-11-10 CN CN202111324305.4A patent/CN114162133B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2950294A1 (en) * | 2014-05-30 | 2015-12-02 | Honda Research Institute Europe GmbH | Method and vehicle with an advanced driver assistance system for risk-based traffic scene analysis |
CN109927719A (zh) * | 2017-12-15 | 2019-06-25 | 百度在线网络技术(北京)有限公司 | 一种基于障碍物轨迹预测的辅助驾驶方法和*** |
CN108622103A (zh) * | 2018-05-08 | 2018-10-09 | 清华大学 | 行车风险辨识模型的标定方法和*** |
WO2019213980A1 (zh) * | 2018-05-08 | 2019-11-14 | 清华大学 | 基于行车安全场的车辆智能安全决策方法 |
EP3792893A1 (en) * | 2018-05-08 | 2021-03-17 | Tsinghua University | Intelligent vehicle safety decision-making method employing driving safety field |
CN113561974A (zh) * | 2021-08-25 | 2021-10-29 | 清华大学 | 基于车辆行为交互与道路结构耦合的碰撞风险预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114162133A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113165652B (zh) | 使用基于网格的方法检验预测轨迹 | |
CN110675656B (zh) | 一种基于瞬时风险识别的智能车辆换道预警方法 | |
CN110276985A (zh) | 自动驾驶安全评估方法、装置和*** | |
Ammoun et al. | An analysis of the lane changing manoeuvre on roads: the contribution of inter-vehicle cooperation via communication | |
WO2020094264A1 (en) | Method and apparatus for determining information related to a lane change of a target vehicle, method and apparatus for determining a vehicle comfort metric for a prediction of a driving maneuver of a target vehicle and computer program | |
CN112258830B (zh) | 车辆编队行驶的可靠性评估方法及其应用 | |
CN108806018B (zh) | 一种数据处理方法、数据处理设备和智能汽车 | |
US11887324B2 (en) | Cross-modality active learning for object detection | |
CN112735137A (zh) | 基于毫米波信号的量化交通预警方法、装置、***及介质 | |
CN114162133B (zh) | 驾驶场景的风险评估方法、装置和计算机可读存储介质 | |
CN113022441A (zh) | 一种车辆盲区的检测方法、装置、电子设备及存储介质 | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
Abdelraouf et al. | Trajectory prediction for vehicle conflict identification at intersections using sequence-to-sequence recurrent neural networks | |
CN115731695A (zh) | 一种场景安全等级确定方法、装置、设备及存储介质 | |
CN113879211A (zh) | 预防渣土车右转过程与非机动车发生冲突的提醒方法及*** | |
CN109313852B (zh) | 用于逆行驾驶员识别的方法、设备和*** | |
CN112703140A (zh) | 控制方法和控制装置 | |
CN113963550A (zh) | 一种多义路径识别方法、装置及电子设备 | |
CN115158359A (zh) | 改进自主驾驶车辆的规划模块的方法及*** | |
Naveen et al. | A review on autonomous vehicles and its components | |
CN108846519B (zh) | 基于车载短距离通信网络的安全驾驶k最近邻预测方法 | |
CN113284338A (zh) | 机动车紧急避让无灯控人行横道对交通流影响的计算方法 | |
CN111833616B (zh) | 面向网联货车超载识别的数据质量控制方法及装置 | |
CN117104222B (zh) | 一种应用于车辆行驶区域的障碍物检测方法及装置 | |
CN117922736B (zh) | 一种电动车逆行提示警告***及方法 |
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 |