CN115482662A - 一种危险工况下驾驶员避撞行为预测方法及*** - Google Patents

Abstract

本发明公开了一种危险工况下驾驶员避撞行为预测方法及***，其方法包括以下步骤：S1,从事故数据库中提取变量数据，对变量进行统计分析，根据变量的统计特性进行数据分类，使用多维高斯分布构建驾驶员避撞行为模型；S2，获取影响驾驶员转向偏好的变量，寻找决策树模型构建转向偏好决策树模型；S3，对驾驶员避撞行为模型进行采样预测避撞行为。本发明通过危险工况下驾驶员避撞行为模型构建、危险工况下驾驶员转向偏好预测，以及基于概率模型的随机采样，可以得到驾驶员采取的避撞行为强度大小，又解决了涉及转向避撞行为的转向偏好预测问题，实现了危险工况下驾驶员避撞行为预测。

Description

一种危险工况下驾驶员避撞行为预测方法及***

技术领域

本发明涉及汽车驾驶技术领域，具体涉及一种危险工况下驾驶员避撞行为预测方法及***。

背景技术

危险工况下驾驶员避撞行为预测方法充分考虑驾驶员真实的避撞行为特性，为车辆风险评估与碰撞预测提供技术基础，同时风险评估与碰撞预测结果为预触发约束***提供准确的输入，进而可以帮助减少乘员损伤。危险工况下驾驶员避撞行为预测是指在危险场景下依据驾驶员避撞行为模型预测驾驶员可能的避撞操作及每种操作的发生概率，以此实现驾驶员避撞行为预测。现有预测方法鲜有使用真实的避撞行为数据构建避撞行为模型，无法体现驾驶员真实的避撞行为特性，无法实现对驾驶员潜在避撞行为准确的估计。目前危险工况下驾驶员避撞行为预测方法主要是1)基于数学假设的避撞行为预测方法2)基于避撞行为数据的避撞行为预测方法。基于数学假设的避撞行为预测方法通过对避撞行为模型进行预先假设，对交通参与者的操作行为赋予一定的概率，实现对驾驶避撞行为的预测。如将驾驶员避撞行为模型定义为纵向加速度的概率密度分布，并假设概率密度呈均匀分布或者三角形分段分布。基于数学假设的避撞行为预测方法需要基于经验公式假设驾驶员避撞行为模型或者相关驾驶行为参数，无法准确模拟驾驶员真实避撞行为操作，驾驶员潜在避撞行为估计存在偏差。基于避撞行为数据的避撞行为预测方法使用由驾驶模拟器获得的避撞行为数据，构建驾驶员避撞行为模型，作为避撞轨迹预测和碰撞概率估计时的先验知识模型，通过对避撞行为模型进行采样获取避撞行为参数，实现危险工况下驾驶员避撞行为预测。避撞模型可以分解为驾驶员在纵向与横向的避撞减/加速度分布函数，并分别用高斯分布进行表示，此模型实际上假设了驾驶员在危险工况中一定会做出反应,但是忽略了现实场景中一部分驾驶员由于驾驶分心或者反应不及而未做出反应，使用的模拟驾驶数据样本获取不完整，数据样本量缺失，一定程度上会影响避撞行为预测方法的可信度。且驾驶员不是在完全自然的状态下参与试验，会对试验中出现的危险工况心存戒备，这一定程度上会影响试验结果。

发明内容

为了解决上述技术问题，本发明提供一种危险工况下驾驶员避撞行为预测方法及***，其能够准确估计危险场景下真实的驾驶员避撞行为。

本发明解决上述技术问题的技术方案是：一种危险工况下驾驶员避撞行为预测方法，包括以下步骤：

S₁,从事故数据库中提取变量数据，对变量进行统计分析，根据变量的统计特性进行数据分类，使用多维高斯分布构建驾驶员避撞行为模型；

S₂，获取影响驾驶员转向偏好的变量，构建转向偏好决策树模型；

S₃，对驾驶员避撞行为模型进行采样预测避撞行为。

进一步的，所述步骤S₁的具体步骤为：

步骤S₁₁，从事故数据库中提取变量数据；

步骤S₁₂，对获取变量进行统计分析，获取它们的统计学特性；

步骤S₁₃，根据变量的统计特性进行数据分类，为高斯子模型建立提供依据。

步骤S₁₄，使用多维高斯分布构建驾驶员避撞行为模型，用其表示车辆纵横向减/加速度的概率密度函数。

进一步的，所述步骤S₁₁的变量包括避撞行为开始时间、车辆纵横向避撞减/加速度、避撞行为开始时速度、临撞时间。

进一步的，所述步骤S₂的具体步骤为：

步骤S₂₁，获取影响驾驶员转向偏好的变量；

步骤S₂₂，利用数据库中的驾驶员转向偏好数据，构建转向偏好决策树模型。

进一步的，S₃中使用马尔可夫-蒙特卡洛Gibbs采样方法对驾驶员避撞行为模型进行采样。

一种危险工况下驾驶员避撞行为预测***，包括：环境感知模块、定位模块、紧急场景分类模块、驾驶员避撞行为模块、采样模块和驾驶员转向偏好预测模块，环境感知模块通过激光雷达、摄像头、毫米波雷达设备获取当前车辆到目标车辆距离Δd和目标车状态信息如目标车航向角θ₂和对应速度v_o；

定位模块获取当前自车信息；

紧急场景分类模块，用于根据车上感知传感器和定位设备获取自车与目标车相对距离与对应速度，计算得出临撞速度v_b和临撞时间TTC_b，从而依据定义的危险场景划分级别对当前场景紧急程度进行分类；

驾驶员避撞行为模块，根据紧急场景分类信息确定的当前危险场景级别调用要进行采样的驾驶员避撞行为子模型；

采样模块：使用马尔可夫-蒙特卡洛策略中的Gibbs采样方法对驾驶员避撞行为子模型进行采样，获取多个采样点，代表在当前危险场景下，驾驶员可能采取的避撞操作强度；

驾驶员转向偏好预测模块，用于根据采样点是否采取转向避撞操作，决定是否调用驾驶员转向偏好预测模型，从而得到驾驶员右转或左转的概率，完成驾驶员转向偏好预测。

本发明的有益效果：本发明通过危险工况下驾驶员避撞行为模型构建、危险工况下驾驶员转向偏好预测和基于概率模型的随机采样，可以对当前危险场景进行判定，确定其隶属的场景紧急程度类别，进而确定对应的驾驶员避撞行为子模型；之后，基于避撞行为子模型获取多个采样点，获取在当前危险场景下驾驶员可能采取的避撞操作强度；若采样点采取了转向避撞操作，便可以调用驾驶员转向偏好预测模型，得到驾驶员右转或左转的概率。这样既可以得到驾驶员可能采取的避撞行为强度大小，又解决了涉及转向避撞行为的转向偏好预测问题，实现危险工况下驾驶员避撞行为预测。

附图说明

图1为本发明的流程图。

图2为本发明事故记录仪中典型的车速-时间变化曲线。

图3为本发明中追尾与对向碰撞示意图。

图4为本发明中角度碰撞示意图。

图5为本发明中两车航向角差Δθ计算的示意图。

图6为本发明的***结构图。

具体实施方式

本发明结合附图和实施例对本发明做进一步的详细说明。

本发明的流程图如图1所示，危险工况下驾驶员避撞行为预测方法具体步骤如下：

S₁,危险工况下驾驶员避撞行为建模：

S₁₁,从事故数据库提取变量数据。本发明基于碰撞事故数据库获取避撞行为数据，对避撞行为开始时间t_b、车辆纵横向避撞减/加速度、避撞行为开始时速度v_b与TTC_b值进行数据提取。

(1)避撞行为开始时间

对于“只制动”和“制动转向均存在”的情况下，避撞行为开始时间为t_b1；对于“只转向”情况下,本发明定义横向加速度阈值为0.1g，则避撞开始时间为：t_b2(当横向加速度a_y>0.1g)。

(2)车辆纵横向避撞减/加速度

基于车辆纵向速度间接推导平均减速度，对纵向减速度a_x进行近似。公式为

v(t)表示t时刻的车辆速度，Δt表示事故记录仪的采样间隔时间。

(3)避撞行为开始时速度

根据不同场景获取避撞开始时速度，公式为：

式中，Ω1表示避撞行为是“只制动”或“制动转向均存在”的碰撞事件集合，Ω2表示避撞行为是“只转向”的碰撞事件集合。

(4)避撞行为开始时TTC_b值

式中，Δd(t)表示t时刻自车与危险目标车的相对距离，v_m(t)与v₀(t)分别表示自车与危险目标车在t时刻的速度。

追尾碰撞与对向碰撞可归为一类进行考虑，均可以归属到纵向碰撞的范畴。根据图3，纵向碰撞中的TTC可以由下式计算得出

式中，两车的相对距离Δd(t)可根据车辆在碰撞前的速度进行反向求取。对于t时刻来说，计算两车从t时刻到碰撞时刻所行驶过的距离，并根据不同碰撞类型，求出t时刻的相对距离Δd(t)，该方法由下式表示。

由于事故记录仪只能记录本车数据，因此需简化上式以满足计算需求。在追尾碰撞事故中，主要提取危险目标车停车的事件，即这些事件中。经过简化后的TTC_b1如下。

角度碰撞定义为两车以一定角度发生碰撞的事故，根据图4，对于角度碰撞场景中TTC_b2的计算，如下式所示。

式中，定义为t时刻车辆i距碰撞点的距离，其可以由下式进行表示。

S₁₂,对获取的变量进行统计分析，获取它们的统计学特性，主要包括v_b、TTC_b、a_y、a_x等避撞行为数据的分布区间与平均值。在具体实施案例中，以NHTSA事故记录仪数据库与NASS-CDS数据库为例，采用以上数据提取方式获取得到数据，统计学学特性如下。v_b值主要分布在5m/s～35m/s之间，其平均值约为16.78m/s。避撞行为数据中的TTC_b值主要分布在0.2s～2.0s之间，其平均值约为1.28s。a_x是避撞行为的重要表征，a_x取值主要分布在0.6g以下，其平均值约为0.42g；而且，a_x几乎覆盖了整个0g～1.0g的空间。对于a_y而言，主要展示了存在横向避撞行为的事件，其取值主要分布在0.4g以下，平均值约为0.27g。

S₁₃,根据变量的统计特性进行数据分类，为高斯子模型建立提供依据。基于v_b与TTC_b的统计结果对危险场景的紧急程度进行分类，以实施案例的避撞行为数据统计为例，v_b的平均值约为16.78m/s(60km/h)，因此使用该平均值作为分类界限，将速度分为高低两个水平。将TTC_b具体划分为三个组别，即0s～1.0s(第一组别)、1.0s～1.5s(第二组别)、1.5s～5.0s(第三组别)。基于对两个变量的分类，将危险场景分为2×3＝6种类别。

表1车速与TTC的分类标准

S14,使用高斯混合模型对驾驶避撞行为进行建模，用其表示车辆纵横向减/加速度的概率密度函数。本发明在提取的避撞行为数据中引入相同比例的无反应行为数据，在零点附近小范围的随机采样实现对这些数据样本的获取，并基于高斯混合模型对避撞行为进行建模。假定X₁,X₂,...X_i,...,X_N是由N个样本构成的数据集，其中任意样本X_i为K维的随机变量。前文提取的避撞行为数据与引入的无反应行为数据可以作为两个子分布。存在K＝2个子分布的高斯混合模型，其概率密度函数Prob_G(X|θ)的表达式为，：

式中，μ_k＝E[X]表示随机变量X的均值向量，∑_K＝cov[X]＝E(X-μ)(X-μ)^T表示随机变量X的协方差矩阵，w_k为权重。

在实施案例中使用最大期望算法(Expectation-maximization algorithm，EM)对高斯混合模型参数进行迭代求取。在进行模型参数估计的时候使用最大似然函数方法。具体来说，给定包含N个样本的数据集合ξ＝{X₁，X₂，...，X_i，...，X_N}，其似然函数定义为：

上式中取最大值的高斯混合模型参数θ_o可表示为：

EM方法中包含两个核心的步骤，即E步(E-Step)与M步(M-Step)，在模型参数初始化后，利用E步与M步不断迭代直至算法收敛。具体来说，约定当前迭代步为s步，假定当前迭代步下的模型参数为

参数

的迭代过程可以表示为：

(1)E步：以第k个高斯分量为例，使用当前迭代步获得的模型参数

与

计算样本X_i属于第k个高斯分量的后验概率，如下式所示。

式中，i∈{1,2,...,N}，i∈{1,2,...,N}。

(2)M步：更新模型的参数为

与

如式(14)、(15)与(16)所示。至此，完成第k个高斯分量的参数迭代更新过程，按照以上步骤可以完成所有K个高斯分量的参数更新。

(3)收敛检验：检查模型参数迭代后是否满足收敛条件，如式(17)所示。

式中，ε为一足够小的阈值。式(17)如果成立，便可终止算法，获得最终确定的模型参数，即

S₂,构建转向偏好决策树模型：

S₂₁,获取影响驾驶员转向偏好的变量。

在危险场景中，驾驶员的避撞行为容易受到多种因素影响，选取自车与危险目标车的航向角度差Δθ、行车速度、驾驶员年龄、驾驶员性别、危险事件发生前的动作、车道数目、交通流类型、光照条件作为影响驾驶员转向偏好的变量。上述部分变量不能直接通过数据库获取，需要基于原始变量进行一定的处理。下面对需要处理变量的处理过程进行说明。

针对自车与危险目标车航向角度差，其计算需要使用自车航向角θ₁与危险目标车航向角θ₂，计算方法如下式所示，且要求-180°≤Δθ≤180°。Δθ变量即可以表示航向角度差大小，也可以表示危险目标车驶近的方向。根据图5展示的Δθ计算示意图，可以看出，Δθ正值表示危险目标车从自车的左侧靠近，即危险目标车的车头朝向自车右侧方向，反之亦然。

S₂₁,构建转向偏好决策树模型。

构建CART决策树模型的主要流程为：在当前节点，使用基于某一特征变量的划分准则对样本集合进行划分，获得样本“纯度”更高的子集合，这一过程不断迭代，直到满足终止条件。

具体地，基于Scikit-learn库对决策树模型进行构建，使用十折交叉验证方法作为超参选取的依据，该方法将数据集分为十等份，每次使用与上次不同的一份作为验证集，剩余的九份作为训练集，重复此过程十次，记录十次验证集准确率的平均值。在超参数选择的过程中，使用Scikit-learn库自带的网格搜获函数GridSearchCV遍历超参取值，即每一组超参获得后，均进行十折交叉验证以获得验证集准确率平均值，并以此值作为评价此组超参的依据。以前文提取的数据为例，选取了决策树最大深度与叶节点最少样本数作为模型的超参数，取值范围分别为3～12与9～29。为了测试模型的泛化能力，分别在获取的交叉口与非交叉口数据中预留了10％的测试集，这些样本不参与训练，只用于获取测试准确率。

S₂,对驾驶员避撞行为模型采样进行避撞行为预测：

本发明中，具体的使用马尔可夫-蒙特卡洛Gibbs采样方法对驾驶员避撞行为模型进行采样。MCMC-Gibbs方法的实质是利用马尔可夫链的性质，构造合理的状态转移矩阵，使马尔可夫链最终收敛到期望的概率分布即构建的驾驶员避撞行为模型。使用细致平稳条件，判断马尔可夫链是否收敛到平稳分布，见式(19)。

ρ(a)T_ab＝ρ(b)T_ba (19)

通过构造合适的状态转移矩阵满足式(20)，便可以通过马尔可夫链构造出期望的分布。在MCMC-Gibbs方法中，从当前状态向新状态转移的过程中，只改变状态中某一个维度的值(以第j个维度为例)：

进一步地，可以得到式(21)与式(22)。

式中，

表示当前状态中除了第j维剩余的其他维度的值。

联立式(21)与式(22)可以得到：

联立式(19)与式(23)，可以将状态转移矩阵定义为：

至此，通过构造马尔可夫链状态转移矩阵，保证采样点符合期望分布。之后，便可通过改变不同维度的值，获得多个采样点数据。

本发明还提供一种危险工况下驾驶员避撞行为预测***，如图6所示。其包括环境感知模块、定位模块、紧急场景分类模块、驾驶员避撞行为模块、采样模块和驾驶员转向偏好预测模块，其中：环境感知模块通过激光雷达、摄像头、毫米波雷达等设备获取当前车辆到目标车辆距离Δd和目标车状态信息如目标车航向角θ2和对应速度v_o。

定位模块如IMU、轮速计、GNSS天线等获取当前自车信息，如自车航向角θ1、v_m。

紧急场景分类模块，用于根据车上感知传感器和定位设备获取自车与目标车相对距离与对应速度，计算得出临撞速度v_b和临撞时间TTC_b，从而依据定义的危险场景划分级别对当前场景紧急程度进行分类；

驾驶员避撞行为模块，根据紧急场景分类信息确定的当前危险场景级别调用要进行采样的驾驶员避撞行为子模型；

采样模块：使用马尔可夫-蒙特卡洛策略中的Gibbs采样方法对驾驶员避撞行为子模型进行采样，获取多个采样点，代表在当前危险场景下，驾驶员可能采取的避撞操作强度。

驾驶员转向偏好预测模块：如果采样点采取转向操作，调用驾驶员转向偏好预测模型，从而可以得到驾驶员右转或左转的概率；如果采样点不采取转向操作，则不调用驾驶员转向偏好预测模型，完成驾驶员避撞行为转向预测。

Claims (6)

1.一种危险工况下驾驶员避撞行为预测方法，其特征在于，包括以下步骤：

S₁,从事故数据库中提取变量数据，对变量进行统计分析，根据变量的统计特性进行数据分类，使用多维高斯分布构建驾驶员避撞行为模型；

S₂，获取影响驾驶员转向偏好的变量，构建转向偏好决策树模型；

S₃，对驾驶员避撞行为模型进行采样预测避撞行为。

2.根据权利要求1所述的危险工况下驾驶员避撞行为预测方法，其特征在于，所述步骤S₁的具体步骤为：

步骤S₁₁，从事故数据库中提取变量数据；

步骤S₁₂，对获取变量进行统计分析，获取它们的统计学特性；

步骤S₁₃，根据变量的统计特性进行数据分类，为高斯子模型建立提供依据。

步骤S₁₄，使用多维高斯分布构建驾驶员避撞行为模型，用其表示车辆纵横向减/加速度的概率密度函数。

3.根据权利要求2所述的危险工况下驾驶员避撞行为预测方法，其特征在于，所述步骤S₁₁的变量包括避撞行为开始时间、车辆纵横向避撞减/加速度、避撞行为开始时速度、临撞时间。

4.根据权利要求1所述的危险工况下驾驶员避撞行为预测方法，其特征在于，所述步骤S₂的具体步骤为：

步骤S₂₁，获取影响驾驶员转向偏好的变量；

步骤S₂₂，利用数据库中的驾驶员转向偏好数据，构建转向偏好决策树模型。

5.根据权利要求1所述的危险工况下驾驶员避撞行为预测方法，其特征在于，所述步骤S₃中使用马尔可夫-蒙特卡洛Gibbs采样方法对驾驶员避撞行为模型进行采样。

6.一种危险工况下驾驶员避撞行为预测***，其特征在于：包括环境感知模块、定位模块、紧急场景分类模块、驾驶员避撞行为模块、采样模块和驾驶员转向偏好预测模块，环境感知模块通过激光雷达、摄像头、毫米波雷达设备获取当前车辆到目标车辆距离Δd和目标车状态信息如目标车航向角θ₂和对应速度v_o；

定位模块获取当前自车信息；

紧急场景分类模块，用于根据车上感知传感器和定位设备获取自车与目标车相对距离与对应速度，计算得出临撞速度v_避撞和临撞时间TTC_b，从而依据定义的危险场景划分级别对当前场景紧急程度进行分类；

驾驶员避撞行为模块，根据紧急场景分类信息确定的当前危险场景级别调用要进行采样的驾驶员避撞行为子模型；

采样模块：使用马尔可夫-蒙特卡洛策略中的Gibbs采样方法对驾驶员避撞行为子模型进行采样，获取多个采样点，代表在当前危险场景下，驾驶员可能采取的避撞操作强度；

驾驶员转向偏好预测模块，用于根据采样点是否采取转向避撞操作，决定是否调用驾驶员转向偏好预测模型，从而得到驾驶员右转或左转的概率，完成驾驶员转向偏好预测。

Images