CN116013110A - 一种车辆碰撞风险预测装置及方法 - Google Patents

Abstract

本发明公开了一种车辆碰撞风险预测装置及方法，包括：感知组件、基础组件、预测组件和决策组件；感知组件用于采集人员、环境和车辆的信息；基础组件包括数字人体模块和车辆预测模块，数字人体模块用于根据人员所处的场景参数，预测从当前时刻到未来某一时刻的人员位置参数，车辆预测模块包括状态参数预处理单元、轨迹预测单元和碰撞检测单元；预测组件包括人员损伤预测模块、车辆损伤预测模块和可靠度预测模块；可靠度预测模块根据场景参数和发生假设性碰撞时的期望参数，预测期望参数的可靠度指标；决策组件获取期望参数及其对应的可靠度指标，同时兼顾预测信号在时域上的极值、变化趋势指标，进行综合性的碰撞风险评估，输出控制指令。

Description

一种车辆碰撞风险预测装置及方法

技术领域

本发明涉及智能汽车设计技术领域，具体涉及一种基于模型设计与数据驱动融合的车辆碰撞风险预测装置及方法。

背景技术

碰撞安全技术是在有限的时间和空间内通过车体结构、约束***、行人保护装置等吸收来自车与目标物发生碰撞的能量，以避免或降低车内外人员在碰撞中受到的损伤。

传统的碰撞安全乘员保护***的控制仅靠数个外置加速度或压力传感器识别碰撞事故是否发生，感知能力的局限性导致安全气囊在部分实际道路交通事故中点爆时间过晚，或无法点爆，或在不应点爆的工况中点爆(误作用)。传统的碰撞安全开发标准局限于有限的试验工况、标准体型及坐姿的假人，同时，在人驾为主、智驾为辅的环境下，“人-车-人”交互响应，驾驶员在行驶过程中基于对方车辆运行状态及道路环境等因素而表现出“因人、因时、因地”的不同而导致不同的应激反应和操作(操作不确定性)，体型、坐姿、应激反应等都会对人体损伤产生显著影响。传统的碰撞安全仅在事故发生后约150ms内发挥作用，这导致乘员保护***需要在极短时间内吸收碰撞能量，单位时间内传递给驾乘人员的能量高，造成的伤害高。传统的碰撞安全在发生事故后，采用《汽车事件数据记录***(DER)》记录碰撞事故发生时车辆的相关数据，缺乏事故救援(E-Call)、售后维修及保险理赔所需要的详细车辆损伤和人员损伤信息。

发明内容

本发明的目的在于克服已有技术的不足之处，考虑车辆行驶过程中驾驶员应激反应所导致的操作不确定性，提出一种快速预测车辆碰撞风险，及发生假设碰撞时车辆和人员损伤风险的方法：基于当前时刻感知组件捕获的参数预测车辆和乘员的损伤风险，同时考虑因驾驶员在当前时刻操作不确定性而导致的车辆状态的不确定性，计算碰撞风险、车辆和人员损伤风险的可靠度指标。基于上述指标，可为预碰撞阶段车辆预警、预碰撞***激活、辅助/自动驾驶***主动干预、碰撞阶段气囊控制器的点火、驾驶风险评判评估等应用场景发送具有明确指导性的安全评估信号或指令。

为了实现上述目的，本发明采用的技术方案如下：

一种车辆碰撞风险预测装置，其包括：感知组件、基础组件、预测组件和决策组件；所述感知组件用于采集人员、环境和车辆的信息；所述基础组件包括数字人体模块和车辆预测模块，所述数字人体模块用于根据人员所处的场景参数，预测从当前时刻到未来某一时刻的人员位置参数，所述车辆预测模块包括状态参数预处理单元、轨迹预测单元和碰撞检测单元，所述状态参数预处理单元根据感知组件锁定的目标物对其进行编号、分类，所述轨迹预测单元对锁定的目标物进行运动状态修正或使用运动学或动力学模型预测自车和/或目标物在预设时间范围内的行驶轨迹，所述碰撞检测单元用于检测自车与目标物在特定时刻是否发生了碰撞；所述预测组件包括人员损伤预测模块、车辆损伤预测模块和可靠度预测模块，所述人员损伤预测模块用于根据自车发生碰撞时的碰撞波形、人员状态参数和约束***状态参数，实时预测发生假设性碰撞后乘员的损伤曲线，并根据损伤曲线计算得到乘员损伤风险值；所述车辆损伤预测模块包括变形量预测单元和碰撞波形预测单元，所述变形量预测单元根据碰撞时刻的碰撞场景参数，实时预测发生假设性碰撞后车辆损伤风险值，所述碰撞波形预测单元根据碰撞场景参数预测发生假设性碰撞后的碰撞波形，预测的碰撞波形作为人员损伤预测模块的输入之一；所述可靠度预测模块根据场景参数和发生假设性碰撞时的期望参数，所述期望参数包括碰撞风险CR、乘员损伤风险值HIR、车辆损伤风险值VIR，预测期望参数CR、HIR、VIR的可靠度指标∑CR、∑HIR、∑VIR；所述决策组件获取期望参数CR、HIR、VIR及其对应的可靠度指标∑CR、∑HIR、∑VIR，同时兼顾预测信号在时域上的极值、变化趋势指标，进行综合性的碰撞风险评估，输出控制指令。

进一步，所述感知组件包括人员感知模块、环境感知模块和车辆感知模块；所述人员感知模块用于实时采集人员状态参数，所述人员状态参数通过摄像头和/或TOF相机获取，包括乘员基本参数和乘员位置参数，所述乘员基本参数包括乘员的身高、体重、年龄，所述乘员位置参数包括乘员坐姿和乘员乘坐位置，乘员坐姿包括乘员的前倾角度和侧倾角度，乘员乘坐位置指乘员相对车身的绝对位置；所述环境感知模块用于实时采集目标物参数，所述目标物参数包括目标物的质量、尺寸、类型和运动学参数，所述目标物的运动学参数包括目标物的速度、加速度、横摆角、横摆角速度；所述车辆感知模块用于实时采集自车参数和约束***状态参数，所述自车参数包括自车的质量、尺寸和运动学参数，自车的运动学参数包括自车的速度、加速度、横摆角、横摆角速度。

进一步，所述状态参数预处理单元根据感知组件锁定的目标物对其进行编号、分类具体为：根据感知组件锁定目标物并对目标物进行编号，计算每一个目标物的碰撞时间TTC，并根据每个目标物的TTC值进行升序排列；预设第一碰撞时间阈值TTC_thres1和第二碰撞时间阈值TTC_thres2，若某个目标物的碰撞时间TTC满足TTC_thres1≤TTC≤TTC_thres2，将其定义为潜在危险目标，分类至“潜在危险目标集”，对其运动状态持续监测；若某个目标物的碰撞时间TTC满足TTC＜TTC_thres1，则将其定义为危险目标，分类至“危险目标集”。所述轨迹预测单元对“潜在危险目标集”中的目标物进行运动状态修正，轨迹预测单元使用运动学或动力学模型预测自车和“危险目标集”中目标物在预设时间范围内的行驶轨迹。所述碰撞检测单元用于检测自车与目标物在特定时刻是否发生了碰撞，若自车与目标物在空间上发生了接触则定义为“碰撞”，定义该时刻为碰撞时刻T_c，碰撞风险CR＝1，并记录T_c时刻的碰撞场景参数，所述碰撞场景参数包括自车速度、目标物速度、碰撞重叠率、碰撞角度、目标物质量和目标物的类型；如检测到未接触，则碰撞风险CR＝0。

碰撞检测单元的检测包括粗略检测和精细检测阶段，所述粗略检测为：计算自车几何中心与目标物几何中心的距离L_i，并分别计算自车和目标物的最小包络圆，包络圆的圆心处于各自几何中心，当自车包络圆和目标物包络圆相切时，自车与目标物的几何中心距离记为L_crit，当L_i＜αL_crit时，则进行精细检测，a为增益系数；通过精细检测检测自车与目标物在空间是否有重叠，如有重叠则定义为接触，精细检测的具体方法为分离轴STA法或GJK法。

进一步，所述运动状态修正通过扩展卡尔曼滤波进行轨迹修正，所述动力学模型为恒转角速度恒加速度运动模型、恒加速度模型或恒速度模型。

进一步，所述人员损伤预测模块为基于人员损伤数据集训练得到的离线的乘员损伤预测模型，所述人员损伤数据集指输入为碰撞波形、人员状态参数、约束***状态参数，输出为乘员损伤曲线的数据库，能够通过约束***数值计算或碰撞试验得到；

所述变形量预测单元为基于车辆损伤数据集训练得到的离线的变形量预测模型，所述碰撞波形预测单元为基于车辆损伤数据集训练得到的离线的碰撞波形预测模型，所述辆损伤数据集指输入为碰撞时刻T_c的碰撞场景参数，输出为车辆变形量和用于碰撞波形预测单元的波形特征值的数据库，通过整车有限元数值计算、整车碰撞试验或碰撞事故采集得到；

所述可靠度预测模块为可靠度量化指标数据库训练得到的离线的可靠度预测模型，所述可靠度量化指标数据库指输入为场景参数和期望参数，输出为当前场景下的可靠度指标的数据库。

进一步，所述变形量预测模型、碰撞波形预测模型和可靠度预测模型采用随机森林、XGBOOST的机器学习集成算法，或者采用多层感知机、CNN、RNN的神经网络算法

进一步，所述可靠度预测模块的计算方式为：根据当前时刻的场景参数和期望参数，考虑驾驶员操作不确定性后，设定驾驶员操作不确定性有U种离散的值，对应u种不同的行车轨迹，根据车辆预测模块、人员损伤预测模块、车辆损伤预测模块能够分别获得U种不同的车辆碰撞风险预测结果、U种人员损伤风险预测结果和U种车辆损伤风险预测结果，记为：[(CR_{k_1}，HIR_{k_1}，VIR_{k_1})，(CR_{k_2}，HIR_{k_2}，VIR_{k_2})，...，(CR_{k_u}，HIR_{k_U}，VIR_{k_U})]，

对第k个目标物的可靠性量化指标表示为：

当∑CR越小，则CR越准确，越可能出现，反之则说明在驾驶员操作介入时越不稳定，越不可能出现；

当∑HIR越小，则HIR越准确，越可能出现，反之则说明在驾驶员操作介入时越不稳定，越不可能出现，

当∑VIR越小，则VIR越准确，越可能出现，反之则说明在驾驶员操作介入时越不稳定，越不可能出现。

进一步，所述驾驶员操作不确定性量化表征为：对所述驾驶员操作行为数据库中的加速度a、横摆角速度ω在物理条件允许前提下，进行数值离散化，设定加速度a有ζ个离散的取值，横摆角速度ω有η个离散的取值，即

ω＝[ω₁，ω₁，...，ω_η]，建立驾驶员操作行为预测后验模型并生成不同轨迹。

进一步，所述决策组件通过模糊控制、经验标定或逻辑判断输出控制指令。

所述决策组件指得到风险值(CR、HIR和VIR)及其对应的可靠度(∑CR、∑HIR和∑VIR)共六项指标后，可同时兼顾预测信号在时域上的极值、变化趋势等指标，直接运用这些指标或衍生出的新的指标进行综合性的碰撞风险评估，作为其它具体应用场景指令的输入。其控制方式可以通过模糊控制，或经验标定，或逻辑判断等，输出控制指令。

一个具体的实例，所述动作指令可以为：0表示不做任何动作，1表示1级提醒，如视觉提醒，2表示二级提醒，如声音提醒，3表示触觉提醒，如震动安全的，4表示预碰撞一级调整，如用较低的力值收紧安全的，5表示预碰撞二级调整，如用中等力值收紧安全的，同时调整座椅位置至标准位置(如0重力座椅回位)，6表示预碰撞三级调整，如用较高力值收紧安全的，启动预碰撞安全气囊，同时调整气囊控制器的算法，调整气囊点爆的阈值限，以提前点爆气囊。

所述指标也可用于自动驾驶场景下的路径选择、驾驶风险评估和事故救援

一种车辆碰撞风险预测方法，采用本发明所述的车辆碰撞风险预测装置进行车辆碰撞风险预测，包括如下步骤：

步骤一，将感知组件采集的人员、环境和车辆的信息输入至基础组件；

步骤二，基础组件的车辆预测模块基于环境和车辆信息输出碰撞风险CR值和碰撞场景参数，基础组件的数字人体模块基于人员信息和车辆信息得到碰撞时刻的人员状态参数；

步骤三，预测组件的车辆损伤预测模块根据碰撞场景参数输出车辆损伤风险值VIR和碰撞波形，将碰撞波形、碰撞时刻的人员状态参数和感知组件输入的约束***状态参数输入给人员损伤预测模块，得到乘员损伤风险值HIR；

步骤四，将碰撞场景参数及期望参数CR、HIR、VIR输入给可靠度预测模块得到对应的可靠度指标∑CR、∑HIR、∑VIR；

步骤五，由决策组件根据获取的期望参数CR、HIR、VIR及其对应的可靠度指标∑CR、∑HIR、∑VIR，同时兼顾预测信号在时域上的极值、变化趋势指标，进行综合性的碰撞风险评估，输出控制指令；

步骤六，根据气囊控制器记录的碰撞波形，通过车辆损伤预测模块和人员损伤预测模块得到车辆、人员的详细受损情况，并通过无线网络发送至云服务器，进而通知相关方，该相关方包括维修、保险、救援。

本发明的有益效果：

1、本发明考虑驾驶员操作不确定性，综合考虑驾乘人员、环境和自车信息，实时、精准地预测碰撞风险和由此可能造成的损伤风险，包括车辆损伤和人员损伤，以及碰撞风险和损伤风险的可靠度指标。根据所述期望参数和期望参数对应的可靠度指标，能够为预碰撞阶段乘员保护***各部件提供控制指令，将预碰撞***做分级触发，低级别风险，不做动作；中等风险，给予驾乘人员警告，例如触觉、听觉、视觉提醒；高级别风险，提前启动预碰撞安全***，例如零重力座椅、预碰撞安全气囊等，以延长乘员保护时间，降低单位时间约束***吸收的能量。同时调整约束***点爆策略，以适应当前场景，将损伤风险降到最低。该装置能够在自动驾驶进入危险场景时，计算不同规划路径下的碰撞风险、车辆损伤风险和乘员损伤风险，以选择最优路径，以降低损失。且当碰撞发生后，可及时提供碰撞后人员、车辆的损伤信息，并通过无线网络发送至云服务器，进而通知相关方，该相关方包括维修、保险、救援，实施精准救援，及时进行后续维修、保险流程。

2、本发明考虑了驾驶员操作不确定性，并考虑碰撞风险和损伤风险预测结果的可靠度量化指标，综合考虑了预测结果的稳健性、变化趋势，可应用于预碰撞***的分级触发，将乘员保护的时间提前，可增加用户“碰前”可感知的交互体验感，同时通过调整约束***的点爆策略，可提升传统约束***的点火控制精度。

3、本发明建立以模型设计和数据驱动相结合的方法：一方面，基于感知***观测的信息，建立物理模型(车辆运动学/动力学模型)来预测未来车辆轨迹；另一方面，使用预训练的、离线的机器/深度学习模型，预测人员、车辆的损伤风险，并预测驾驶员操作不确定性所带来的碰撞风险及发生假设性碰撞所对应的人员、车辆损伤风险的可靠度指标，保证预测精度的同时大大降低了实时计算时间。

4、本发明所述人员损伤预测模块和车辆损伤预测模块均可使用高精度有限元仿真数据库作为训练/验证样本，该数据库具有极高置信度的损伤标签，降低了数据的噪音和模型的方差；所述碰撞波形预测模型采用预测波形特征值，再由波形特征值重构波形的方式，可采用较少的样本量即可训练模型至较好的精度，实现碰撞波形的预测。所述人员损伤预测模型采用的编码器-解码器架构，其编码器提取特征采取人工提取和机器自动提取相结合的方法，让模型融合人类的损伤先验知识，提了模型预测精度的同时，减少了模型训练所需要的样本量；所述车辆损伤预测模型和人员损伤预测模型可及时预测车体损伤和人员损伤的精准信息，供4S店和保险公司主动为客户提供精准售后和理赔服务，确保受伤人员第一时间得到最优的救援和医疗服务。

附图说明

图1为本发明所述车辆碰撞风险预测装置示意图。

图2为轨迹预测模块示意图。

图3为反弹时刻的定义图。

图4为OLC计算示意图。

图5为车辆损伤预测模块示意图。

图6为波形特征值计算示意图。

具体实施方式

以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

参见图1，所示的车辆碰撞风险预测装置，其包括：感知组件S100、基础组件S200、预测组件S300和决策组件S400；所述感知组件用于采集人员、环境和车辆的信息，作为后续组件的输入。所述感知组件S100包括人员感知模块S110、环境感知模块S120和车辆感知模块S130。

所述人员感知模块S110用于实时采集人员状态参数，所述人员状态参数通过摄像头和/或TOF相机获取，包括乘员基本参数和乘员位置参数，所述乘员基本参数包括乘员的身高、体重、年龄，所述乘员位置参数包括乘员坐姿和乘员乘坐位置，乘员坐姿包括乘员的前倾角度(recline angle)和侧倾角度(leaning angle)，乘员乘坐位置(seatingposition)指乘员相对车身的绝对位置。人员状态参数通过摄像头、TOF相机等传感器实现。

所述环境感知模块S120用于实时采集目标物参数，所述目标物参数包括目标物的质量(m_o)、尺寸(l_o、w_o、h_o)、类型(type)和运动学参数，所述目标物的运动学参数包括目标物的速度v_o、加速度a_o、横摆角θ_o、横摆角速度ω_o，其中目标物的质量m_o无法直接获取，可通过目标物的尺寸和类型预估，其余参数可通过如激光雷达、摄像头、毫米波雷达等ADAS传感器采集。

所述车辆感知模块S130用于实时采集自车参数和约束***状态参数，所述自车参数包括自车的质量(m_e)、尺寸(l_e、w_e、h_e)和运动学参数，其中质量和尺寸无需采集，直接读取预先存储的值，自车的运动学参数包括自车的速度v_e、加速度a_e、横摆角θ_e、横摆角速度ω_e。约束***状态参数包括是否系安全带、气囊是否点爆等，可通过开关传感器、碰撞传感器等实现。

所述基础组件S200包括数字人体模块S210和车辆预测模块S220。所述数字人体模块S210用于根据人员所处的场景参数，预测从当前时刻到未来某一时刻的人员位置参数，例如，在险态场景下，驾驶员采取制动或者转向操作来规避事故的过程中，驾乘人员会因纵向和/或横向加速度场，驾乘人员的姿态、乘坐位置会相对制动和/或转向开始时刻产生离位。所述车辆预测模块S220能够预测发生离位后的姿态和乘坐位置。所述的场景参数指自车参数、目标物参数和动态参数，自车参数主要包括自车运动学参数、自车质量(m_e)、尺寸(l_e、w_e、h_e)等信息，目标物参数指目标物的运动学参数、目标物类型、质量和尺寸，动态参数指根据自车与目标物的运动学参数计算得到的参数，如碰撞时间TTC(Time ToCollision)、车时距THW(Time Headway)、相对距离(dis_rel)、相对速度(v_rel)等。所述TTC指当自车以当前速度和加速度行驶、目标物运动状态保持不变的情况下，自车与目标物发生碰撞的时间；所述车时距THW指自车与目标物的距离与自车速度的比值。

参见图2，所述车辆预测模块S220包括状态参数预处理单元S221、轨迹预测单元S222和碰撞检测单元S223。

所述状态参数预处理单元S221根据感知组件锁定的目标物对其进行编号、分类，根据感知组件锁定目标物并对目标物进行编号，计算每一个目标物的碰撞时间TTC，并根据每个目标物的TTC值进行升序排列；预设第一碰撞时间阈值TTC_thres1和第二碰撞时间阈值TTC_thres2，若某个目标物的碰撞时间TTC满足TTC_thres1≤TTC≤TTC_thres2，将其定义为潜在危险目标，分类至“潜在危险目标集”，对其运动状态持续监测；若某个目标物的碰撞时间TTC满足TTC＜TTC_thres1，则将其定义为危险目标，分类至“危险目标集”；

所述轨迹预测单元S222对“潜在危险目标集”中的目标物进行运动状态修正，轨迹预测单元使用运动学或动力学模型预测自车和“危险目标集”中目标物在预设时间范围(TTC_thres1)内的行驶轨迹。预测轨迹可通过运动学/动力学模型，基于当前时刻的场景参数预测未来车辆的行驶轨迹。所述运动状态修正可通过扩展卡尔曼滤波(EKF：ExtendedKalman Filter)或其它车辆轨迹修正的方法，目的是提升感知信息在一定范围内的精确。所述运动学模型为：恒转角速度恒加速度运动模型(CTRA：Constant Turn RateandAcceleration)、恒加速度模型(CA：ConstantAcceleration，若横摆角速度测量为零或无有效记录)或恒速度模型(CV：Constant Velocity，若加速度及横摆角速度测量均为零或无有效记录)，本实施例中的运动学模型为采用CTRA。采取运动学模型是因为其计算速率高，且险态场景时间极端，驾驶员的操作空间有限，运动学模型可获得与动力学模型相媲美的精度。值得注意的是，轨迹预测单元S222也可采用动力学模型进行替代。

所述碰撞检测单元S223用于检测自车与目标物在特定时刻是否发生了碰撞，如果自车与目标物在空间上发生了接触则定义为“碰撞”，定义该时刻为碰撞时刻T_c，碰撞风险CR＝1，并记录T_c时刻的碰撞场景参数，所述碰撞场景参数包括自车速度v_{e_c}、目标物速度v_{o_c}、碰撞重叠率δ、碰撞角度γ、目标物质量m_o和目标物的类型type；如检测到未接触，则CR＝0，CR∈{0，1}。

碰撞检测单元的检测包括粗略检测和精细检测阶段，所述粗略检测为：计算自车几何中心与目标物几何中心的距离L_i，并分别计算自车和目标物的最小包络圆，包络圆的圆心处于各自几何中心，当自车包络圆和目标物包络圆相切时，自车与目标物的几何中心距离记为L_crit。

当L_i＜αL_crit时，则进行精细检测，a为增益系数；通过精细检测检测自车与目标物在空间是否有重叠，如有重叠则定义为接触，精细检测的具体方法为分离轴(SeparatingAxis Theorem，STA)或GJK(Gibert-Johnson-Keerthi)等方法。

所述预测组件S300包括人员损伤预测模块S310、车辆损伤预测模块S320和可靠度预测模块S330。

所述人员损伤预测模块(Human Injury Risk Model，HIRM)S310用于根据自车发生碰撞时的碰撞波形、人员状态参数和约束***状态参数，实时预测发生假设性碰撞后乘员的损伤曲线，并根据损伤曲线计算得到乘员损伤风险值HIR。该模块是基于人员损伤数据集训练得到的离线的乘员损伤预测模型。

所述人员损伤预测模块的构建是在线完成的，包括如下步骤：

SH1构建人员损伤数据库，首先，在碰撞波形、驾乘人员信息、约束***状态信息构成的同一空间随机采样生成乘员损伤矩阵表。所述碰撞波形指发生碰撞过程中，在整车坐标系下自车X、Y、Z方向的加速度曲线和绕X、Y、Z轴旋转的旋转位移曲线，均为时间历程曲线，从车辆损伤数据库获取。然后，构建高精度约束***模型，所述高精度约束***模型为有限元模型或多刚体模型，根据乘员损伤矩阵表进行数值仿真计算，并从计算结果中提取人体损伤曲线，构成输入(特征)为碰撞波形、人员状态参数、约束***状态参数，输出(标签)为人体各部位损伤曲线的人体损伤数据库。所述人体各部位的损伤曲线指头部加速度曲线，颈部轴向力曲线、颈部弯矩曲线、颈部伤害指标曲线，胸部压缩量曲线、胸部加速度曲线，股骨轴向力曲线，胫骨轴向力曲线、胫骨剪切力曲线、胫骨绕x轴和y轴的弯矩曲线。

SH2人工提取特征。所述人工提取特征是根据人类研究损伤的经验，根据碰撞波形计算影响人体损伤的参数，包括但不限于：车辆碰撞速度v_{e_c}，反弹时刻t_rebound，碰撞能量

X、Y、Z方向加速度最大值a_{x_max}、a_{y_max}、a_{z_max}，X、Y、Z方向加速度平均值a_{x_mean}、a_{y_mean}、a_{z_mean}，绕X、Y、Z轴旋转位移最大值d_{x_max}、d_{y_max}、d_{z_max}，滑窗平均加速度SM_w，乘员载荷指标OLC和加速度强化指数ASI。在具体实施中，如果无法获得Y、Z方向的加速曲线和绕Y、Z轴的旋转位移曲线，则特征值可以不包括a_{y_max}、，a_{z_max}、a_{y_mean}、a_{z_mean}、d_{y_max}、d_{z_max}中的一个或多个。所述碰撞波形指发生碰撞过程中，在整车坐标系下自车X、Y、Z方向的加速度曲线和绕X、Y、Z轴旋转的旋转位移曲线，均为时间历程曲线。

所述车辆碰撞速度v_{e_c}指碰撞时刻T_c时自车的速度，通过车辆损伤预测模块可得到，碰撞速度曲线v(t)通过车辆损伤预测模块得到的X向碰撞加速度曲线求积分得到。

所述速度改变量Δv指v_{e_c}与碰撞结束时刻T_end的自车速度v_{e_end}差，

所述反弹时刻t_rebound指自车速度反向时刻。如图3所示，如果车辆碰撞后速度方向未反向，即速度未归零，则可计算车辆速度连续10个采样点的方差，速度曲线1ms采样一个点，得到速度方差曲线，如果速度方差曲线上连续10个点(定义这10个点对应的时间区间为[t，t+10]ms)的方差值均小于阈值θ，则反弹时刻t_rebound＝t+5ms，θ可取0.005。

所述碰撞能量

所述X方向加速度最大值，a_{x_max}＝max(abs(a_x(t))，a_{y_max}、a_{z_max}可类似求解。

所述X方向加速度平均值，

a_{y_mean}、a_{z_mean}可类似求解。

所述绕X轴旋转位移最大值d_{x_max}＝max(abs(d_x(t))，d_{y_max}、d_{z_max}可类似求解。

所述滑窗平均加速展

W表示滑窗的窗口宽度，一般取3ms。

所述乘员载荷指标OLC，OLC指标由Kübler博士提出，如图4所示，在碰撞初始阶段约束约束***对人体无约束作用(自由飞行阶段)，***的到t₁时刻，运动的距离为s。此后约束***开始起作用，以恒定的减速度运动d-s，此阶段为约束***起作用，该恒定减速的值即为OLC值。通常，d取驾乘人员胸部离方向盘(仪表板的)X向距离，s取60mm。OLC按下式迭代求解得到。

v_{e_c}-OLC·(t₂-t₁)＝v(t₂)，

其中，v_{e_c}为碰撞初始速度，v(t)为碰撞速度曲线。

所述加速度强化指数ASI，计算公式为：

其中，SM_50ms，x、SM_50ms，y、SM_50ms，z分别表示自车X、Y、Z方向的50ms滑窗平均加速度值。

SH3构建人员损伤预测模型并完成训练，人员损伤预测模型是基于编码器-解码器架构的，编码器将人工提取的特征和机器自动提取的特征相融合。具体地，编码器可通过两种方式实现：编码器由标量处理模块、矢量处理模块和标量/矢量融合模块构成，矢量处理模块将原始的碰撞波形映射到矢量隐状态，可采用1D卷积+池化或RNN单元，标量处理模块将标量值映射到标量的隐状态，可为多层感知机(MLP)等结构单元，融合模块将矢量隐状态和标量隐状态拼接，通过转置卷积完成融合；也可将标量输入和矢量输入进行嵌入层(embedding)表示，将所有标量和矢量的嵌入层输出相加，再用TCN、RNN等时间序列模型提取特征；解码器负责将编码器的融合特征映射到乘员的损伤值，采用MLP结构。完成模型构建后，进行模型的初始化，并进行训练直到精度满足要求。

SH4实时预测，根据实时得到的碰撞波形、人员状态参数和约束***状态参数，根据SH2计算人工特征参数，将这些人工特征参数输入给预训好的人员损伤预测模型中，即可得到乘员各部位的损伤曲线，并根据NHTSA定义的乘员各部位损伤风险函数计算乘员损伤风险值HIR，HIR∈[0，1]：

HIR_C＝1-(1-P_head)*(1-P_neck)*(1-P_chest)*(1-P_femur)*(1-P_tibia)；

其中，p_head、p_neck、P_chest、P_femur、P_tibia，分别表示头、颈、胸、大腿、小腿部位的损伤风险值。

以头部为例(其它部位损伤风险值的计算类似)，计算损伤风险值p_head，根据预测得到的头部加速度曲线计算头部损伤指标HIC：

其中，a_g(t)是碰撞时刻t时的乘员头部质心加速度，以重力加速度g为单位；t₀和t_T分别是碰撞开始时刻和碰撞终止时刻；碰撞时刻t₁和碰撞时刻t₂分别为用于计算HIC的开始时刻和终止时刻，t₁与t₂的差值小于预设阈值，例如预设阈值可以为15ms，即t₂-t₁小于15ms。

根据头部AIS3损伤风险曲线：

其中，Φ表示累积正态分布。

所述损伤指标表述某一部位损伤的量化值，一个部位可以由多个损伤指标表征，计算其损失风险值时取各损伤指标对应损伤风险值的最大值。

参见图5，所述车辆损伤预测模块S320包括变形量预测单元S321和碰撞波形预测单元S322，所述变形量预测单元S321根据碰撞时刻的碰撞场景参数，实时预测发生假设性碰撞后车辆损伤风险值，所述碰撞波形预测单元S322根据碰撞场景参数预测发生假设性碰撞后的碰撞波形，预测的碰撞波形作为人员损伤预测模块的输入之一。

变形量预测单元S321根据T_c时刻的碰撞场景参数，实时预测发生假设性碰撞后车辆的损伤风险值VIR，是基于车辆损伤数据集训练得到的，离线的变形量预测模型。

变形量预测模型的构建是在线完成的，主要由SD1构建车辆损伤数据库、SD2构建变形量预测模型并完成训练、SD3实时预测3步构成。

SD1构建车辆损伤数据库。首先确定影响碰撞波形的场景参数以及这些场景参数的边界，场景参数的边界可通过分析交通事故数据库确定，并根据场景参数构成的同一空间随机采样生成车辆损伤矩阵表；然后，构建高精度有限元整车模型，根据车辆损伤矩阵表更新整车模型并进行数值仿真计算；最后从仿真结果中提取车辆的变形量及碰撞波形，并根据碰撞波形计算特征值F1_true、F2_true，构成输入(特征)为场景参数，输出(标签)为车辆变形量和波形特征值的数据库。

所述波形特征值是指，将波形简化为近似的波形，特征值是唯一确定简化波形的参数，简化波形的方法可采用半正弦波、二阶方波、梯形波、傅里叶波形等。下面给出一个具体实例，参见图6：

主要分为两部分，一是提取X、Y、Z方向真实加速度曲线的特征值，二是提取绕X、Y、Z轴的真实旋转位移曲线的特征值。

1、加速度曲线特征值的提取：加速度曲线小的波峰/波谷多，根据傅里叶理论可知，任何一个波形均可通过多个正弦波的叠加得到，而且这多个正弦波是唯一的，为了更好的拟合加速度曲线的趋势，采用傅里叶等效法。以X方向为例(Y、Z方向特征值的提取与X方向类似)，从有限元计算结果中得到真实加速度曲线A(t)，计算相邻点(t_j-1，A(t)_t＝j-1)和(t_j，A(t)_t＝j)的斜率m_j，

计算碰撞有效持续时间t_k，t_k＝t_A(t)＝0，即加速度曲线在0时刻之后归零对应的时刻。

由m_j和t_k计算第i个特征值a_i，

其中k是原始波形曲线所包含的离散点的总数，计算固有角频率

最后，重构加速度曲线，将a_i和ω代入：

X、Y、Z方向加速度波形特征值记为：

F1_true＝[a_x1，a_x2，...，a_xn，a_y1，a_y2，...，a_yn，a_z1，a_z2，...，a_zn]。

2、旋转位移曲线特征值的提取：碰撞过程中，旋转位移曲线随要么是单调递增的，要么只存在单个波峰，不存在类似加速度波形有很多波峰，这是因为有效的碰撞时间通常很短(约150ms)，这么短的时间车辆一般都是绕着某个轴做单向运动。因此，对于旋转位移曲线直接取原始曲线上的点即可很好表征原始曲线。以X方向为例(Y、Z方向特征值的提取与X方向类似)，D(t)是X向真实旋转位移曲线，其特征值直接取原始曲线上的点。取n个点表征原始曲线，第一个点和最后一个点分别取原始曲线t₀和t_k时刻对应的旋转位移值，t₀＝0，其余n-2个点取等时间间隔原始曲线上对应的点，

特征值为r_x1，r_x2，...，r_xn，同理可分别得到Y和Z方向的特征值r_y1，r_y2，...，r_yn和r_z1，r_z2，...，r_zn，由这些特征值构成的向量[r_x1，r_x2，...，r_xn，r_y1，r_y2，...，r_yn，r_z1，r_z2，...，r_zn]记为F2_true。

X、Y、Z方向旋转位移曲线的特征值记为：F2_true＝[r_x1，r_x2，...，r_xn，r_y1，r_y2，...，r_yn，r_z1，r_z2，...，r_zn]。

SD2构建变形量预测模型并完成训练。由输入(特征)为场景参数，输出(标签)为车辆变形量的训练样本进行模型训练，其模型可采用如随机森林、XGBOOST等机器学习集成算法，亦可采用多层感知机、CNN、RNN等神经网络算法。

SD3实时预测。实时获得场景参数后，输入给离线的预训练的变形量预测模型，得到预测的变形量，并计算相对变形量，即车体变形量与车辆尺寸的比值，将车辆的变形分解为纵向、横向和竖向，相对变形量取横向、纵向和竖向相对变形量的最大值，VIR∈[0，1]。

碰撞波形预测单元S322根据碰撞时刻T_c的碰撞场景参数，实时预测发生假设性碰撞后车辆的碰撞波形，是基于车辆损伤数据集训练得到的离线的波形预测模型。

波形预测模型的构建是在线完成的，主要由SP1构建车辆损伤数据库、SP2构建波形预测模型并完成训练、SP3实时预测，3步构成。

SP1构建车辆损伤数据库，已在SD1完成。

SP2构建波形预测模型并完成训练。由输入(特征值)为场景参数，输出(标签)为波形特征值的训练样本进行模型训练，其模型能够为SD2中所述的方法。

SP3实时预测。根据碰撞场景参数预测得到预测的特征值F1_pre和F2_pre，根据预测的特征值得到预测的碰撞波形。以X方向加速度曲线为例(Y、Z方向类似)，取F1_pre前n个特征值，根据

得到X方向加速度曲线，根据F2_pre前n个特征值构成绕X轴的旋转位移曲线的纵坐标，对应的横坐标为

构成X向的旋转位移曲线。

所述可靠度预测模块S330根据场景参数和发生假设性碰撞时的期望参数，所述期望参数包括碰撞风险CR、乘员损伤风险值HIR、车辆损伤风险值VIR，预测期望参数CR、HIR、VIR的可靠度指标∑CR、∑HIR、∑VIR；所述决策组件获取期望参数CR、HIR、VIR及其对应的可靠度指标∑CR、∑HIR、∑VIR，同时兼顾预测信号在时域上的极值、变化趋势指标，进行综合性的碰撞风险评估，输出控制指令。

所述可靠度预测模块S330为可靠度量化指标数据库训练得到的离线的可靠度预测模型，所述可靠度量化指标数据库指输入为场景参数和期望参数，输出为当前场景下的可靠度指标的数据库。

所述可靠度指标是考虑驾驶员对当前车辆运行状态的反应，即考虑当前时刻驾驶员操作不确定性后，CR、HIR和VIR的可信程度。所述轨迹预测模块未考虑驾驶员操作不确定性，经过交通事故统计分析，在险态场景中绝大多数驾驶员在极短时间内不足以做出有效规避操作，通常碰撞前无操作，车辆行驶轨迹仅由初始状态进行时间演化，定义该轨迹为假定发展轨迹(Presumptive true-path)，即由所述轨迹预测模块预测的车辆行驶轨迹为最有可能发生的行驶轨迹，因此T_c时刻预测得到的碰撞风险值CR、人员损伤风险值HIR和车辆损伤风险值VIR为期望的风险值，故将CR、HIR、VIR描述为期望参数，∑CR、∑HIR和∑VIR分别表征不同操作行为对期望值CR、HIR和VIR的偏离程度，即可靠度指标。

可靠度预测模型的构建是在线完成的，主要由SR1构建可靠度量化指标数据库、SR2构建可靠度预测模型并完成训练、SR3实时预测，3个步骤完成。

SR1构建可靠度量化指标数据库。所述可靠度量化指标数据库是输入(特征)为场景参数和期望参数(CR、HIR和VIR)，输出(标签)为当前场景下可靠度指标(∑CR、∑HIR和∑VIR)的数据库。

构建方式：1、建立驾驶员操作行为数据库，对可能发生碰撞的场景，将驾驶员操作行为(刹车、加速和转向)简化为车辆的纵向和横向运动，分别用纵向加速度a和横摆角速度ω表征，并对a和ω在物理条件允许前提下进行数值离散化，建立输入为场景参数，输出为a和ω的驾驶行为数据库；2、根据驾驶员操作行为数据库建立驾驶员操作不确定的量化表征；3、对每一个组具体场景参数，在假定发展轨迹的基础上，对每一个离散时刻(对预测时间范围T离散为N个值，T＝[T₀，T₁，...，T_N-1]，T_N-1＝TTC_thres1)，均考虑驾驶员操作行为导致的随机状态，生成大量车辆可能行驶的轨迹。根据车辆预测模型、人员损伤预测模型和车辆损伤预测模型分别得到每条行驶轨迹与第的k个危险目标物的碰撞风险值CR_{k_r}、人员损伤风险值HIR_{k_r}和车辆损伤风险值VIR_{k_r}；4、计算该组具体场景参数下，关于原有碰撞风险值(CR_{k_r}，HIR_{k_r}，VIR_{k_r})所对应的可靠度量化指标(∑CR_k，∑HIR_k，∑VIR_k)，类似地，可计算所有场景参数下的可靠性量化指标，至此完成驾驶员操作不确定性数据库的构建。

所述可靠度量化指标的计算方式：根据当前时刻的场景参数和期望参数，考虑驾驶员操作不确定性后(假设驾驶员操作不确定性有U种离散的值，对应U种不同的行车轨迹)，根据车辆预测模块、人员损伤预测模块和车辆损伤预测模块可分别获得U种不同的车辆碰撞风险预测结果、U种人员损伤风险预测结果和U车辆损伤风险预测结果，记为：

[(CR_{k_1}，HIR_{k_1}，VIR_{k_1})，(CR_{k_2}，HIR_{k_2}，VIR_{k_2})，...，(CR_{k_U}，HIR_{k_U}，VIR_{k_U})]，则在统计意义下，对第k个目标物的可靠性量化指标可表示为：

当∑CR越小，则CR越准确，越可能出现，反之则说明在驾驶员操作介入时越不稳定，越不可能出现，∑HIR和∑VIR有相同的可解释性，即当∑HIR越小，则HIR越准确，越可能出现，反之则说明在驾驶员操作介入时越不稳定，越不可能出现，当∑VIR越小，则VIR越准确，越可能出现，反之则说明在驾驶员操作介入时越不稳定，越不可能出现。

所述驾驶员操作不确定性的量化表征(以自车为例，目标物的表征类似)：首先，对所述驾驶员操作行为数据库中的加速度a、横摆角速度ω在物理条件允许前提下，进行数值离散化，假设a有

个离散的取值，ω有η个离散的取值，即

ω＝[ω₁，ω₁，...，ω_η]；然后，可通过以下3种方式建立驾驶员操作行为预测后验模型并生成不同轨迹：

A：假设加速度a和横摆角速度ω服从均匀分布

即驾驶员在任意时刻采取某一操作的概率是相等的，与场景参数无关。生成轨迹过程中，在每个离散时刻，根据

和

概率模型可获得

种不同的操作行为，最终可获

条不同的轨迹曲线。

B：假定加速度a和横摆角速度ω与场景参数(S)相关，建立加速度a、横摆角速度ω与场景参数的驾驶员操作后验模型：a，ω＝f(S)。所述f可以为隐马尔科夫模型(HMM：Hidden Markov Medel)、RNN等时间序列模型。

C：建立a和ω的正态分布概率模型：

假定加速度a和横摆角速度ω相互独立，则可建立融合正态分布概率模型：

将

带入运动学模型，可获得[T_i，T_i+1]时间段内“平均”驾驶员操作的行驶轨迹，得到T_i+1时刻车辆状态的概率分布(表征由不同驾驶员操作导致改变所得T_i+1时刻车辆状态的概率分布)，然后基于“6σ原则”在车辆状态分布范围内进行随机无偏撒点，每一个点即代表T_i+1时刻不同的车辆状态。以此类推，在每个离散时刻计算当前时刻车辆状态的概率分布并进行随机撒点，直到T_N时刻。若在每个离散时刻均进行ξ次撒点，则最终最多可获得ξ^N条轨迹。

所述方法A未考虑不同行驶状态对驾驶员操作的影响，忽略时间的变化，简化了驾驶员操作概率模型；所述方法B在方法A的基础上，考虑了行驶状态对驾驶员操作的影响，以环境参数作为隐状态变量，建立驾驶员操作后验模型；而所述方法C在方法B的基础上，对驾驶员操作的建立概率模型，使用概率模型的参数化形式进行轨迹递推计算。方法A、B在每个离散时刻对每个轨迹样本均须进行递推计算下一个时刻的状态，其计算复杂度可简单表达为

而方法C的计算复杂度可表示为O(ξ^N)。

SR2构建可靠度预测模型并完成训练。由输入为场景参数和期望参数(CR、HIR和VIR)，输出(标签)为可靠度指标(∑CR、∑HIR和∑VIR)的训练样本进行模型训练，其模型能够为SD2中所述的方法。

SR3实时预测。根据感知组件得到的场景参数，及车辆预测模块、人员损伤预测模块和车辆损伤预测模块预测得到的期望参数(CR、HIR和VIR)，输入给预训练好的离线的可靠度预测模型，即可得到预测的可靠度指标(∑CR、∑HIR和∑VIR)。

所述决策组件S400通过模糊控制、经验标定或逻辑判断输出控制指令，即在上述安全指标的基础上，兼顾预测信号在时域上的极值、变化趋势等指标，综合性地进行碰撞风险评估。由此，根据经验规则以及试验标定，可以输出的评估信号的模糊形式包括但不限于“安全”，“中等概率碰撞、中等损伤”，“高概率碰撞、严重损伤”等一系列等级评价，构成评价模糊集。由此，建立模糊逻辑控制过程，最终输出关于碰撞风险评估的描述信号，同时输出的还应包括对应锁定目标物位置方位的描述。以第k个目标物的预测结果(CR_k，HIR_k，VIR_k)，(∑CR_k，∑HIR_k，∑VIR_k)，控制方式为逻辑判断的实例进行说明：

首先，将HIR_k和VIR_k及其可靠度指标∑HIR_k和∑VIR_k加权为综合损失风险指标IR_k：

IR_k＝w_h*(HIR_k*∑HIR_k)+w_v*(VIR_k*∑VIR_k)，w_h、w_v分别为乘员损伤和车辆损伤的权重，w_h、w_v∈[0，1]，w_h+w_v＝1。w_h、w_v的具体值可根据经验确定，如果更关注人员损伤，可给w_h更大的权重值；如果更关注车辆损伤，则给w_v更大的权重，前者用于车内有驾乘人员的情况，后者可用于车内无驾乘人员的自动驾驶车辆，以降低车辆的损伤。

然后，考虑时域上稳健性，监测CR_k连续M个预测信号值，(CR_k，1，CR_k，2，...，CR_k，M)，并计算其方差

预先设置阈值

设置阈值IR_thres1、IR_thres2，当IR＞IR_thres2，定义IR等级为0，当IR_thres1≤IR≤IR_thres2，定义IR等级为1，当IR＜IR_thres1，定义IR等级为2；设置阈值∑CR_thres1、∑CR_thres2，当∑CR＜∑CR_thres1，定义∑CR等级为0，当∑CR_thres1≤∑CR≤∑CR_thres2，定义∑CR等级为1，当∑CR＞IR_thres2，定义∑CR等级为2。

当

进入如下逻辑判断(CR，IR和∑CR指当前时刻，即M时刻)：

当CR＝1：IR等级为0，∑CR无论取值多少，输出动作指令0；当IR等级为1且∑CR等级为0时，输出动作指令1；当IR等级为1且∑CR等级为1时，输出动作指令2；当IR等级为1且∑CR等级为2时，输出动作指令3；当IR等级为2且∑CR等级为0时，输出动作指令4；当IR等级为2且∑CR等级为1时，输出动作指令5；当IR等级为2且∑CR等级为2时，输出动作指令6。

当CR＝0：IR等级为0，∑CR无论取值多少，输出动作指令0；其余情况相较于CR＝1情况，输入动作指令降低1级。即当IR等级为1且∑CR等级为0时，输出动作指令0；当IR等级为1且∑CR等级为1时，输出动作指令1；当IR等级为1且∑CR等级为2时，输出动作指令2；当IR等级为2且∑CR等级为0时，输出动作指令3；当IR等级为2且∑CR等级为1时，输出动作指令4；当IR等级为2且∑CR等级为2时，输出动作指令5。

所属动作指令为：0表示不做任何动作，1表示1级提醒，如视觉提醒，2表示二级提醒，如声音提醒，3表示触觉提醒，如震动安全带的，4表示预碰撞一级调整，如用较低的力值收紧安全的，5表示预碰撞二级调整，如用中等力值收紧安全的，同时调整座椅位置至标准位置(如0重力座椅回位)，6表示预碰撞三级调整，如用较高力值收紧安全的，启动预碰撞安全气囊，同时调整气囊控制器的算法，调整气囊点爆的阈值限，以提前点爆气囊。

所述损伤风险值及其可靠性指标也可用于自动驾驶场景下的路径选择，即计算每条路径下的损伤风险指标IR，选择损伤风险最低的路径。

所述损伤风险值及其可靠性指标还可用于计算驾驶员的驾驶风格，评判驾驶风险：

其中，t₁、t₂为分别为评估驾驶风险的开始时间和结束时间，可根据实际情况定义，P_risk越高，则驾驶越激进，反之，则越保守。

所述乘员损伤预测模块也可用于事故救援。具体地，在发生碰撞后，根据气囊控制器记录的碰撞波形，及T₀时刻人员的状态参数和约束***状态参数输入给人员损伤预测模型，得到预测的乘员损伤曲线，并根据损伤曲线计算得到乘员损伤风险值或乘员损伤等级。

所述损伤等级采用AIS表征，其计算方式参考NEHTSA对损伤等级的定义，以头部损伤等级为例：先计算HIC值，再根据下式将HIC值转换成不同损伤等级对应的风险概率，某个损伤等级首次大于阈值(如25％)即发生了该等级的损伤。

假设HIC＝1000，将HIC代入上式，可得到头部受到1、2、3、4、5、6级伤害的风险值分别为99.15％、89.19％、52.75％、16.80％、2.37％、0.11％，则头部受到了3级伤害。

一种车辆碰撞风险预测方法，采用本发明所述的车辆碰撞风险预测装置进行车辆碰撞风险预测，包括如下步骤：

步骤一，将感知组件S100采集的人员、环境和车辆的信息输入至基础组件S200；

步骤二，基础组件S200的车辆预测模块S220基于环境和车辆信息输出碰撞风险CR值和碰撞场景参数，基础组件S200的数字人体模块S210基于人员信息和车辆信息得到碰撞时刻的人员状态参数；

步骤三，预测组件S300的车辆损伤预测模块S320根据碰撞场景参数输出车辆损伤风险值VIR和碰撞波形，将碰撞波形、碰撞时刻的人员状态参数和感知组件输入的约束***状态参数输入给人员损伤预测模块，得到乘员损伤风险值HIR；

步骤四，将碰撞场景参数及期望参数CR、HIR、VIR输入给可靠度预测模块S330得到对应的可靠度指标∑CR、∑HIR、∑VIR；

步骤五，由决策组件S400根据获取的期望参数CR、HIR、VIR及其对应的可靠度指标∑CR、∑HIR、∑VIR，同时兼顾预测信号在时域上的极值、变化趋势指标，进行综合性的碰撞风险评估，输出控制指令；

步骤六，根据气囊控制器记录的碰撞波形，通过车辆损伤预测模块S320和人员损伤预测模块S310得到车辆、人员的详细受损情况，并通过无线网络发送至云服务器，进而通知相关方，该相关方包括维修、保险、救援。

以上实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。

Claims (10)

1.一种车辆碰撞风险预测装置，其特征在于，包括：感知组件、基础组件、预测组件和决策组件；

所述感知组件用于采集人员、环境和车辆的信息；

所述基础组件包括数字人体模块和车辆预测模块，所述数字人体模块用于根据人员所处的场景参数，预测从当前时刻到未来某一时刻的人员位置参数，所述车辆预测模块包括状态参数预处理单元、轨迹预测单元和碰撞检测单元，所述状态参数预处理单元根据感知组件锁定的目标物对其进行编号、分类，所述轨迹预测单元对锁定的目标物进行运动状态修正或使用运动学或动力学模型预测自车和/或目标物在预设时间范围内的行驶轨迹，所述碰撞检测单元用于检测自车与目标物在特定时刻是否发生了碰撞；

所述预测组件包括人员损伤预测模块、车辆损伤预测模块和可靠度预测模块，所述人员损伤预测模块用于根据自车发生碰撞时的碰撞波形、人员状态参数和约束***状态参数，实时预测发生假设性碰撞后乘员的损伤曲线，并根据损伤曲线计算得到乘员损伤风险值；所述车辆损伤预测模块包括变形量预测单元和碰撞波形预测单元，所述变形量预测单元根据碰撞时刻的碰撞场景参数，实时预测发生假设性碰撞后车辆损伤风险值，所述碰撞波形预测单元根据碰撞场景参数预测发生假设性碰撞后的碰撞波形，预测的碰撞波形作为人员损伤预测模块的输入之一；所述可靠度预测模块根据场景参数和发生假设性碰撞时的期望参数，所述期望参数包括碰撞风险CR、乘员损伤风险值HIR、车辆损伤风险值VIR，预测期望参数CR、HIR、VIR的可靠度指标∑CR、∑HIR、∑VIR；

所述决策组件获取期望参数CR、HIR、VIR及其对应的可靠度指标∑CR、∑HIR、∑VIR，同时兼顾预测信号在时域上的极值、变化趋势指标，进行综合性的碰撞风险评估，输出控制指令。

2.根据权利要求1所述的车辆碰撞风险预测装置，其特征在于：所述感知组件包括人员感知模块、环境感知模块和车辆感知模块；

所述人员感知模块用于实时采集人员状态参数，所述人员状态参数通过摄像头和/或TOF相机获取，包括乘员基本参数和乘员位置参数，所述乘员基本参数包括乘员的身高、体重、年龄，所述乘员位置参数包括乘员坐姿和乘员乘坐位置，乘员坐姿包括乘员的前倾角度和侧倾角度，乘员乘坐位置指乘员相对车身的绝对位置；

所述环境感知模块用于实时采集目标物参数，所述目标物参数包括目标物的质量、尺寸、类型和运动学参数，所述目标物的运动学参数包括目标物的速度、加速度、横摆角、横摆角速度；

所述车辆感知模块用于实时采集自车参数和约束***状态参数，所述自车参数包括自车的质量、尺寸和运动学参数，自车的运动学参数包括自车的速度、加速度、横摆角、横摆角速度。

3.根据权利要求1所述的车辆碰撞风险预测装置，其特征在于，所述状态参数预处理单元根据感知组件锁定的目标物对其进行编号、分类具体为：根据感知组件锁定目标物并对目标物进行编号，计算每一个目标物的碰撞时间TTC，并根据每个目标物的TTC值进行升序排列；预设第一碰撞时间阈值TTC_thres1和第二碰撞时间阈值TTC_thres2，若某个目标物的碰撞时间TTC满足TTC_thres1≤TTC≤TTC_thres2，将其定义为潜在危险目标，分类至“潜在危险目标集”，对其运动状态持续监测；若某个目标物的碰撞时间TTC满足TTC＜TTC_thres1，则将其定义为危险目标，分类至“危险目标集”；

所述轨迹预测单元对“潜在危险目标集”中的目标物进行运动状态修正，轨迹预测单元使用运动学或动力学模型预测自车和“危险目标集”中目标物在预设时间范围内的行驶轨迹；

所述碰撞检测单元用于检测自车与目标物在特定时刻是否发生了碰撞，若自车与目标物在空间上发生了接触则定义为“碰撞”，定义该时刻为碰撞时刻T_c，碰撞风险CR＝1，并记录T_c时刻的碰撞场景参数，所述碰撞场景参数包括自车速度、目标物速度、碰撞重叠率、碰撞角度、目标物质量和目标物的类型；如检测到未接触，则碰撞风险CR＝0；

碰撞检测单元的检测包括粗略检测和精细检测阶段，所述粗略检测为：计算自车几何中心与目标物几何中心的距离L_i，并分别计算自车和目标物的最小包络圆，包络圆的圆心处于各自几何中心，当自车包络圆和目标物包络圆相切时，自车与目标物的几何中心距离记为L_crit，当L_i<αL_crit时，则进行精细检测，a为增益系数；通过精细检测检测自车与目标物在空间是否有重叠，如有重叠则定义为接触，精细检测的具体方法为分离轴STA法或GJK法。

4.根据权利要求3所述的车辆碰撞风险预测装置，其特征在于，所述运动状态修正通过扩展卡尔曼滤波进行轨迹修正，所述动力学模型为恒转角速度恒加速度运动模型、恒加速度模型或恒速度模型。

5.根据权利要求1或2所述的车辆碰撞风险预测装置，其特征在于：所述人员损伤预测模块为基于人员损伤数据集训练得到的离线的乘员损伤预测模型，所述人员损伤数据集指输入为碰撞波形、人员状态参数、约束***状态参数，输出为乘员损伤曲线的数据库，能够通过约束***数值计算或碰撞试验得到；

所述变形量预测单元为基于车辆损伤数据集训练得到的离线的变形量预测模型，所述碰撞波形预测单元为基于车辆损伤数据集训练得到的离线的碰撞波形预测模型，所述辆损伤数据集指输入为碰撞时刻T_c的碰撞场景参数，输出为车辆变形量和用于碰撞波形预测单元的波形特征值的数据库，通过整车有限元数值计算、整车碰撞试验或碰撞事故采集得到；

所述可靠度预测模块为可靠度量化指标数据库训练得到的离线的可靠度预测模型，所述可靠度量化指标数据库指输入为场景参数和期望参数，输出为当前场景下的可靠度指标的数据库。

6.根据权利要求5所述的车辆碰撞风险预测装置，其特征在于：所述变形量预测模型、碰撞波形预测模型和可靠度预测模型采用随机森林、XGBOOST的机器学习集成算法，或者采用多层感知机、CNN、RNN的神经网络算法。

7.根据权利要求1或2所述的车辆碰撞风险预测装置，其特征在于：所述可靠度预测模块的计算方式为：根据当前时刻的场景参数和期望参数，考虑驾驶员操作不确定性后，设定驾驶员操作不确定性有U种离散的值，对应U种不同的行车轨迹，根据车辆预测模块、人员损伤预测模块、车辆损伤预测模块能够分别获得U种不同的车辆碰撞风险预测结果、U种人员损伤风险预测结果和U种车辆损伤风险预测结果，记为：

[(CR_{k_1},HIR_{k_1},VIR_{k_1}),(CR_{k_2},HIR_{k_2},VIR_{k_2}),…,(CR_{k_U},HIR_{k_U},VIR_{k_U})]，

对第k个目标物的可靠性量化指标表示为：

当∑CR越小，则CR越准确，越可能出现，反之则说明在驾驶员操作介入时越不稳定，越不可能出现；

当∑HIR越小，则HIR越准确，越可能出现，反之则说明在驾驶员操作介入时越不稳定，越不可能出现；

当∑VIR越小，则VIR越准确，越可能出现，反之则说明在驾驶员操作介入时越不稳定，越不可能出现。

8.根据权利要求7所述的车辆碰撞风险预测装置，其特征在于：所述驾驶员操作不确定性量化表征为：对所述驾驶员操作行为数据库中的加速度a、横摆角速度ω在物理条件允许前提下，进行数值离散化，设定加速度a有ζ个离散的取值，横摆角速度ω有η个离散的取值，即a＝[a₁,a₂,…,a_ζ],ω＝[ω₁,ω₁,…,ω_η]，建立驾驶员操作行为预测后验模型并生成不同轨迹。

9.根据权利要求1或2所述的车辆碰撞风险预测装置，其特征在于：所述决策组件通过模糊控制、经验标定或逻辑判断输出控制指令。

10.一种车辆碰撞风险预测方法，其特征在于：采用权利要求1～9任一项所述的车辆碰撞风险预测装置进行车辆碰撞风险预测，包括如下步骤：

步骤一，将感知组件采集的人员、环境和车辆的信息输入至基础组件；

步骤二，基础组件的车辆预测模块基于环境和车辆信息输出碰撞风险CR值和碰撞场景参数，基础组件的数字人体模块基于人员信息和车辆信息得到碰撞时刻的人员状态参数；

步骤三，预测组件的车辆损伤预测模块根据碰撞场景参数输出车辆损伤风险值VIR和碰撞波形，将碰撞波形、碰撞时刻的人员状态参数和感知组件输入的约束***状态参数输入给人员损伤预测模块，得到乘员损伤风险值HIR；

步骤四，将碰撞场景参数及期望参数CR、HIR、VIR输入给可靠度预测模块得到对应的可靠度指标∑CR、∑HIR、∑VIR；

步骤五，由决策组件根据获取的期望参数CR、HIR、VIR及其对应的可靠度指标∑CR、∑HIR、∑VIR，同时兼顾预测信号在时域上的极值、变化趋势指标，进行综合性的碰撞风险评估，输出控制指令；

步骤六，根据气囊控制器记录的碰撞波形，通过车辆损伤预测模块和人员损伤预测模块得到车辆、人员的详细受损情况，并通过无线网络发送至云服务器，进而通知相关方，该相关方包括维修、保险、救援。

Images