CN116223056B - 虚拟碰撞测试方法、装置、设备、存储介质和程序产品 - Google Patents
虚拟碰撞测试方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN116223056B CN116223056B CN202211605116.9A CN202211605116A CN116223056B CN 116223056 B CN116223056 B CN 116223056B CN 202211605116 A CN202211605116 A CN 202211605116A CN 116223056 B CN116223056 B CN 116223056B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- collision
- digital
- avoidance
- risk level
- 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
- 238000010998 test method Methods 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000004590 computer program Methods 0.000 claims description 23
- 230000008447 perception Effects 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 description 29
- 230000005021 gait Effects 0.000 description 28
- 230000003993 interaction Effects 0.000 description 26
- 230000006870 function Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 230000009471 action Effects 0.000 description 9
- 230000006378 damage Effects 0.000 description 8
- 230000004044 response Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000001052 transient effect Effects 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 208000014674 injury Diseases 0.000 description 4
- 230000035484 reaction time Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000011076 safety test Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
- G01M17/0078—Shock-testing of vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/08—Shock-testing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种虚拟碰撞测试方法、装置、设备、存储介质和程序产品。所述方法包括：获取测试场景，并基于预设的行人生成模型生成数字行人，在检测到数字行人主动避让目标车辆的情况下，获取数字行人的碰撞风险等级，根据碰撞风险等级控制目标车辆执行防碰撞处理，得到测试结果。采用本方法能够提高虚拟碰撞测试的准确度。
Description
技术领域
本申请涉及汽车安全技术领域，特别是涉及一种虚拟碰撞测试方法、装置、设备、存储介质和程序产品。
背景技术
随着汽车安全技术的发展，针对弱势道路交通参与者-行人的安全测试体系越来越成熟，例如，目前比较成熟的碰撞测试、自动紧急刹车***(Autonomous EmergencyBraking，AEB)行人防碰撞测试。
目前，行人虚拟碰撞测试是在车辆行驶前方随机生成行人，然后由车载风险预警防护***根据随机生成的行人改变车速，避免碰撞。
但是，上述测试方案中的测试场景与实际场景存在差异，因此存在测试准确度不高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高虚拟碰撞测试准确度的虚拟碰撞测试方法、装置、设备、存储介质和程序产品。
第一方面，本申请提供了一种虚拟碰撞测试方法。所述方法包括：
获取测试场景，并基于预设的行人生成模型生成数字行人；
在检测到数字行人主动避让目标车辆的情况下，获取数字行人的碰撞风险等级；
根据碰撞风险等级控制目标车辆执行防碰撞处理，得到测试结果；测试结果用于表征目标车辆在执行防碰撞处理后是否与数字行人发生碰撞。
第二方面，本申请还提供了一种虚拟碰撞测试装置。所述装置包括：
生成模块，用于获取测试场景，并基于预设的行人生成模型生成数字行人；
第一获取模块，用于在检测到数字行人主动避让目标车辆的情况下，获取数字行人的碰撞风险等级；
第二获取模块，用于根据碰撞风险等级控制目标车辆执行防碰撞处理，得到测试结果；测试结果用于表征目标车辆在执行防碰撞处理后是否与数字行人发生碰撞。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取测试场景，并基于预设的行人生成模型生成数字行人；
在检测到数字行人主动避让目标车辆的情况下，获取数字行人的碰撞风险等级；
根据碰撞风险等级控制目标车辆执行防碰撞处理，得到测试结果；测试结果用于表征目标车辆在执行防碰撞处理后是否与数字行人发生碰撞。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取测试场景，并基于预设的行人生成模型生成数字行人；
在检测到数字行人主动避让目标车辆的情况下，获取数字行人的碰撞风险等级；
根据碰撞风险等级控制目标车辆执行防碰撞处理，得到测试结果；测试结果用于表征目标车辆在执行防碰撞处理后是否与数字行人发生碰撞。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，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：
获取测试场景，并基于预设的行人生成模型生成数字行人；
在检测到数字行人主动避让目标车辆的情况下，获取数字行人的碰撞风险等级；
根据碰撞风险等级控制目标车辆执行防碰撞处理，得到测试结果；测试结果用于表征目标车辆在执行防碰撞处理后是否与数字行人发生碰撞。
上述虚拟碰撞测试方法、装置、设备、存储介质和程序产品，通过获取测试场景，并基于预设的行人生成模型生成数字行人，在检测到数字行人主动避让目标车辆的情况下，获取数字行人的碰撞风险等级，根据碰撞风险等级控制目标车辆执行防碰撞处理，得到测试结果。与现有技术相比，本申请的技术方案基于虚拟危险交通场景和预设的行人生成模型生成具有主动行为属性的数字行人，这使得在虚拟碰撞测试场景中考虑了数字行人面对危险来车时的主动行为能力，为自动驾驶车辆针对行人安全的数字测试平台提供高逼真度的数字行人，补充了数字行人缺乏主动避让能力的空缺，从而提高了虚拟碰撞测试算法的准确性；进一步的，在检测到数字行人主动避让目标车辆的情况下，获取数字行人的碰撞风险等级，这使得在数字行人采取不同的主动避让方式以及数字行人和目标车辆之间的相对位置关系不同的情况下，避让目标车辆时，数字行人的碰撞风险等级不同，进一步考虑了数字行人采取的避让行为对碰撞风险等级的影响，从而使得虚拟碰撞测试场景更符合真实碰撞场景中行人与车辆的碰撞情况；进一步的，根据碰撞风险等级控制目标车辆执行防碰撞处理，得到测试结果，这使得对于不同的碰撞风险等级，目标车辆执行不同的防碰撞处理，也就是说，对于低风险等级，目标车辆执行较低等级的防碰撞处理，对于高风险等级，目标车辆执行较高等级的防碰撞处理，进而使得目标车辆采取不同等级的防碰撞处理以使在不浪费车辆资源的情况下，最小化行人碰撞损伤，综合考虑了危险交通场景、数字行人、目标车辆三者之间的交互逻辑，从而提高了虚拟碰撞测试的准确度。
附图说明
图1为一个实施例中行人和车辆交互场景示意图；
图2为一个实施例中十字路口场景示意图；
图3为一个实施例中丁字路口场景示意图；
图4为一个实施例中“鬼探头”场景示意图；
图5为一个实施例中横穿马路场景示意图；
图6为一个实施例中虚拟碰撞检测方法的应用环境图；
图7为一个实施例中虚拟碰撞检测方法的流程示意图；
图8为一个实施例中确定数字行人的碰撞风险等级的流程示意图；
图9为一个实施例中危险交通场景示意图；
图10为一个实施例中确定数字行人的碰撞风险等级的流程示意图；
图11为一个实施例中避让方式决策模型示意图；
图12为一个实施例中确定碰撞风险等级的流程示意图；
图13为一个实施例中标准避让风险等级模型示意图；
图14为一个实施例中确定碰撞风险等级的流程示意图；
图15为一个实施例中青年男性志愿者风险域示意图；
图16为一个实施例中中年男性志愿者风险域示意图；
图17为一个实施例中老年男性志愿者风险域示意图；
图18为一个实施例中基于碰撞风险域的行人碰撞风险等级示意图；
图19为一个实施例中甄别错误决策行人的方法示意图；
图20为一个实施例中鸣笛预警与行人避让激活的方法示意图；
图21为一个实施例中青年男性减速避让速度界限示意图；
图22为一个实施例中青年男性加速避让速度界限示意图；
图23为一个实施例中行人单次减速避让速度曲线示意图；
图24为一个实施例中行人单次加速避让速度曲线示意图；
图25为一个实施例中行人避让前速度曲线示意图；
图26为一个实施例中行人反应时间速度曲线示意图；
图27为一个实施例中行人避让中速度曲线示意图；
图28为一个实施例中行人避让后速度曲线示意图；
图29为一个实施例中数字行人主动行为的自动驾驶测试平台的示意图；
图30为一个实施例中虚拟碰撞测试装置的结构框图；
图31为一个实施例中虚拟碰撞测试装置的结构框图。
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。
车辆和行人作为道路交通参与者，在道路使用过程中两者会发生交互和冲突。受限于行人生命安全无法开展智能汽车针对行人安全的真实碰撞测试，因此通过虚拟现实技术(Virtual Reality，VR)来模拟危险交通场景。图1为一个车辆-行人交互时的VR场景示例，其中，假定行人位于车辆雷达的检测范围之内，行人位于车辆左前方，且行人的行驶轨迹与车辆的行驶轨迹垂直，潜在“碰撞区域”是行人的行驶轨迹与车辆的行驶轨迹重合区域，车速为行人步行速度为v0，行人距离车辆中轴线的纵向距离为/>车宽为Lvw，潜在“碰撞区域”距离车辆最前端的距离为/>行人与潜在“碰撞区域”的最近距离为Dp,ns，行人与潜在“碰撞区域”的最远距离为Dp,fs。
根据国内外行人安全测试场景的统计分析，典型的危险交通测试场景可以包括但不限于人行横道、横穿马路、“鬼探头”三类易发生碰撞事故的测试场景。示例性的，如图2所示的十字路口和图3所示的丁字路口，行人与车辆在人行横道位置发生交互，由于没有其他因素干扰行人与车辆的感知能力，行人与车辆均能够较早的感知对方，这种交互方式可以称为远距离交互；如图4所示的“鬼探头”和图5所示的横穿马路，这两种交互场景均具有突发性，其中，“鬼探头”场景中由于其他车辆干扰了行人与车辆的感知范围，导致行人在走出遮挡车辆的范围之前，始终不会注意到危险来车，同样自动驾驶车辆的雷达探测受其他车辆的遮挡，无法检测到行人，该场景下行人与车辆的决策均具有滞后性；横穿马路指行人突然出现在车辆运行前方，此类场景模拟车载雷达检测失效未能够及时探测具有潜在“碰撞风险”的行人，导致车辆无法按时启动风险域、AEB紧急制动等安全防护措施。
受车辆和行人运动过程中惯性影响，在上述危险交通测试场景出现的时候，车辆和行人的运动状态均不能在瞬间被控制以避免碰撞，这导致了在一定的行人和车辆交互的时间和空间范围内，车辆与行人直接的碰撞是无法避免的，也就是说，行人和车辆交互时存在可能发生碰撞风险的车辆-行人相对位置的区域，该区域被称为行人-车辆碰撞风险域。需要说明的是，行人-车辆碰撞风险域取决于车辆和行人当时的行驶速度、行驶方向、相对位置等信息。
在上面介绍完通过模拟危险交通场景、典型的危险交通测试场景，以及行人-车辆碰撞风险域后，下面将对本申请实施例提供的虚拟碰撞测试方法所涉及到的实施环境进行简要说明。
本申请实施例提供的防碰撞测试方法，可以应用于如图6所示的应用环境中。该计算机设备包括通过***总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。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、内存储器，该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
上述介绍了本申请实施例提供的虚拟碰撞测试方法的应用场景后，下面重点介绍虚拟碰撞测试方法的确定过程。
在一个实施例中，如图7所示，提供了一种虚拟碰撞测试方法，以该方法应用于图6中的计算机设备为例进行说明，包括以下步骤：
S701、获取测试场景，并基于预设的行人生成模型生成数字行人。
其中，测试场景可以是上述典型危险交通测试场景。
其中，预设的行人生成模型可以是在虚拟危险交通场景中，通过前期虚拟危险交通场景下行人避让危险来车的相关统计数据，得到的行人针对智能汽车的风险感知边界模型；也可以是根据行人在虚拟危险交通场景下采取主动避让方式的决策逻辑，得到的行人在面对危险车辆时的避让决策模型；还可以是根据行人在虚拟危险交通场景下的主动避让数据，拟合的行人在面对危险车辆时的避让运动学模型，需要说明的是，通过该模型可以获取行人在面对危险车辆时的避让速度曲线。
其中，数字行人可以是根据虚拟危险交通场景中青年男性志愿者主动避让特征，在计算机设备中定义的具有上述预设的行人生成模型的数字化行人。
在本申请实施例中，在一次完整的危险交通场景的虚拟碰撞测试中，计算机设备可以在自动驾驶车辆运行前方随机的生成典型的危险交通测试场景，并基于计算机设备中预设的行人生成模型生成与之耦合的数字行人。需要说明的是，在生成典型的危险交通测试场景之前，还需要对自动驾驶车辆的初始属性进行定义，例如，如表1所示，可以定义自动驾驶车辆的车宽为2m，车长为4m，自动驾驶车辆初始坐标为(0，0)、初始速度60km/h。
表1自动驾驶车辆属性
S702、在检测到数字行人主动避让目标车辆的情况下，获取数字行人的碰撞风险等级。
其中，行人主动避让目标车辆可以是行人发现危险来车时采取的主动避让行为，根据交通事故调查及虚拟危险交通场景下行人主动避让能力的试验研究表明，行人在面对危险来车时一般采取向前加速或急停后退两种主动避让方式，行人主动避让能力能够有效的降低危险交通事故的发生。需要说明的是，目标车辆可以是在行人的行驶轨迹前方距离行人最近的车辆。
其中，数字行人的碰撞风险等级可以是根据数字行人在主动避让时刻与上述行人-车辆碰撞风险域间的相对位置关系，将数字行人的碰撞风险划分为5个风险等级：风险等级为0级(无碰撞风险)、风险等级为1级(低碰撞风险)、错误避让风险等级(错误避让决策)、风险等级为2级(高碰撞风险)、风险等级为3级(不可避免碰撞风险)。
在本申请实施例中，在计算机设备检测到数字行人采取主动避让的方式避让目标车辆的情况下，可以根据行人采取不同的主动避让方式确定数字行人不同的碰撞风险等级。
S703、根据碰撞风险等级控制目标车辆执行防碰撞处理，得到测试结果；测试结果用于表征目标车辆在执行防碰撞处理后是否与数字行人发生碰撞。
其中，防碰撞处理可以是目标车辆根据上述S702确定的不同的碰撞风险等级，做出的不同的制动处理，示例性的，若上述S702确定的碰撞风险等级为第3级，则目标车辆执行最高等级制动，以使最大化降低车速，最小化行人碰撞损伤。
其中，测试结果可以是目标车辆在执行防碰撞处理后与数字行人发生碰撞，也可以是目标车辆在执行防碰撞处理后与数字行人未发生碰撞。
在本申请实施例中，计算机设备可以根据上述S702确定的不同的碰撞风险等级控制目标车辆执行不同的防碰撞处理，并在目标车辆执行不同的防碰撞处理后，得到测试结果。其中，测试结果包括目标车辆与数字行人发生碰撞，还包括目标车辆未与数字行人发生碰撞。
本申请实施例提供的虚拟碰撞测试方法，通过获取测试场景，并基于预设的行人生成模型生成数字行人，在检测到数字行人主动避让目标车辆的情况下，获取数字行人的碰撞风险等级，根据碰撞风险等级控制目标车辆执行防碰撞处理，得到测试结果。与现有技术相比，本申请的技术方案基于虚拟危险交通场景和预设的行人生成模型生成具有主动行为属性的数字行人，这使得在虚拟碰撞测试场景中考虑了数字行人面对危险来车时的主动行为能力，为自动驾驶车辆针对行人安全的数字测试平台提供高逼真度的数字行人，补充了数字行人缺乏主动避让能力的空缺，从而提高了虚拟碰撞测试算法的准确性；进一步的，在检测到数字行人主动避让目标车辆的情况下，获取数字行人的碰撞风险等级，这使得在数字行人采取不同的主动避让方式以及数字行人和目标车辆之间的相对位置关系不同的情况下，避让目标车辆时，数字行人的碰撞风险等级不同，进一步考虑了数字行人采取的避让行为对碰撞风险等级的影响，从而使得虚拟碰撞测试场景更符合真实碰撞场景中行人与车辆的碰撞情况；进一步的，根据碰撞风险等级控制目标车辆执行防碰撞处理，得到测试结果，这使得对于不同的碰撞风险等级，目标车辆执行不同的防碰撞处理，也就是说，对于低风险等级，目标车辆执行较低等级的防碰撞处理，对于高风险等级，目标车辆执行较高等级的防碰撞处理，进而使得目标车辆采取不同等级的防碰撞处理以使在不浪费车辆资源的情况下，最小化行人碰撞损伤，综合考虑了危险交通场景、数字行人、目标车辆三者之间的交互逻辑，从而提高了虚拟碰撞测试的准确度。
在一个实施例中，在图7所示实施例的基础上，可以在车辆检测到数字行人主动避让的情况下，获取数字行人与车辆的碰撞风险等级，如图8所示，S702“在检测到数字行人主动避让目标车辆的情况下，获取数字行人的碰撞风险等级”的过程，可以包括以下步骤：
S801、获取数字行人与目标车辆之间的相对位置关系；相对位置关系包括数字行人与目标车辆之间的横向距离与纵向距离。
在本申请实施例中，计算机设备可以基于虚拟的危险交通场景，获取数字行人与目标车辆之间的相对位置关系。示例性的，如图9所示，在虚拟的危险交通场景中，数字行人与目标车辆之间的相对位置关系可以包括行人与车辆的横向距离l，行人与车辆中轴线之间的纵向距离d。
S802、根据行人生成模型和相对位置关系确定数字行人的避让方式。
在本申请实施例中，在虚拟危险交通场景下，计算机设备可以基于预设的行人生成模型，在行人意识到风险后，计算机设备会根据行人与目标车辆间的时空关系(碰撞时间、纵向距离)选择合适的避让方式，例如，向前加速避让和急停后退避让。需要说明的是，碰撞时间(TimetoCollision，TTC)可以是车辆距离碰撞发生的时间，可以由车辆与危险处的相对距离与当前车速的比值获得。
可选的，行人生成模型包括边界模型和避让决策模型，如图10所示，根据行人生成模型和相对位置关系确定数字行人的避让方式，包括：
S1001、基于边界模型获取风险感知边界条件。
其中，边界模型可以是在计算机设备中预设的根据行人与目标车辆间的时空关系，确定的通过急停后退避让或者向前加速避让的模型。示例性的，在虚拟危险交通场景中，在目标车辆的车宽为2m的前提下，如果受试者距离车辆中轴线2.2m(标准差0.25)，碰撞时间大于1.6s(标准差0.38)，受试者可以通过急停后退避让的方式避免碰撞；如果受试者距离车辆中轴线1.2m(标准差0.97)，碰撞时间大于1.8s(标准差0.64)，受试者可以通过向前加速避让的方式避免碰撞。
其中，风险感知边界条件可以是碰撞时间小于2.44s，行人与车辆中轴线纵向距离小于3.84m。需要说明的是，从行人安全保护及危险工况行人主动避让能力测试的角度，认为如果行人意识到风险并采取主动避让措施，当碰撞时间大于2.44s时行人无碰撞风险。如果行人始终未注意到来车，根据受试者正常最大平均步行速度，2.44s内行人最远可以行走2.84m，由于车宽2m，因此认为行人与车辆中轴线的纵向距离大于3.84m时行人无需避让车辆。
在本申请实施例中，计算机设备可以基于预设的边界模型和行人与目标车辆之间的时空关系获取风险感知边界条件。
S1002、根据风险感知边界条件和避让决策模型，确定数字行人的避让方式。
其中，避让决策模型可以是在危险交通场景下，行人意识到风险后，计算机设备会根据行人与目标车辆之间的时空关系(碰撞时间、纵向距离)选择的急停后退避让或者向前加速避让的模型。需要说明的是，避让决策模型包括标准避让决策模型和错误避让决策模型。
示例性的，如图11所示，标准避让决策模型可以包括：
(1)行人与车辆中轴线之间的纵向距离(d)大于3.84m，认为行人不会与车辆发生交互风险，因此行人无避让行为；
(2)当2.17m<d<3.84m时，认为行人与车辆之间的水平距离远，行人采取急停后退避让方式；
(3)当1.95m<d<2.17m时，此时行人处于加速避让、急停后退避让的重叠区域，因此需要根据碰撞时间判断行人理想避让方式，包括：当TTC<2.3s，认为行人采取加速避让方式的碰撞风险高于后撤避让，因此采取急停后退避让；当TTC>2.3s时，行人采取加速避让、后撤避让均有较大概率安全避让车辆，但由于惯性认为行人倾向采取加速避让；
(4)当1m<d<4.95m时，此时采取加速避让、后撤避让均存在碰撞风险，边界模型认为当0<TTC<1.67s时，碰撞时间无法支撑行人安全加速避让危险，行人采取急停后退避让方式；当TTC>1.67s时，行人采取加速避让方式；
(5)当d<1m时，行人已经进入车宽范围采取加速避让比后撤避让的安全性更高，因此行人采取加速避让。
需要说明的是，在真实危险交通场景中行人注意到车辆后并非进行完全理想的决策，时空压力会促使部分行人做出错误的避让决策，因此在上述标准避让决策模型的基础上，认为行人对避让方式进行决策时会有10％概率的错误判断，并将这部分的决策模型称为错误避让决策模型。行人标准避让决策模型与错误避让决策模型共同构成危险交通场景下行人避让决策模型。
在本申请实施例中，计算机设备可以根据上述S1001确定的风险感知边界条件和避让决策模型，并基于行人与目标车辆之间的碰撞时间和相对位置关系，确定数字行人的避让方式。
S1003、通过预设的碰撞风险等级模型，根据避让方式确定数字行人的碰撞风险等级。
其中，预设的碰撞风险等级模型可以是基于车辆和行人当时的行驶速度、行驶方向、相对位置等信息得到的不同年龄段的均值风险域、最小风险域和最大风险域模型。需要说明的是，不同年龄段的均值风险域、最小风险域和最大风险域模型可以是不同的。
在本申请实施例中，计算机设备可以通过预设的碰撞风险等级模型，并根据行人在虚拟危险交通场景中不同的避让方式来确定数字行人的碰撞风险等级。
可选的，上述S1003所述的“通过预设的碰撞风险等级模型，根据避让方式确定数字行人的碰撞风险等级”，包括：在避让方式为标准避让方式的情况下，通过碰撞风险等级模型、相对位置关系和碰撞时间，确定碰撞风险等级；其中，碰撞时间是基于车速和相对位置关系确定的。
在本申请实施例中，若行人的避让方式为上述标准避让方式，计算机设备可以通过碰撞风险等级模型并根据相对位置关系和碰撞时间，来确定碰撞风险等级。其中，相对位置关系可以包括行人与目标车辆的中轴线之间的纵向距离，也可以是行人与目标车辆之间的横向距离。需要说明的是，碰撞时间可以是根据目标车辆的车速和行人与目标车辆的相对位置之间的关系确定的，示例性的，碰撞时间可以是根据目标车辆与危险处的横向距离与当前车速的比值获得的。
可选的，上述碰撞风险等级模型包括多个距离范围和时间阈值，如图12所示，根据相对位置关系和碰撞时间，确定碰撞风险等级，包括：
S1201、在纵向距离和碰撞时间符合第一预设条件的情况下，确定碰撞风险等级为第一级。
危险交通场景中，根据行人与危险车辆的时空关系，基于行人标准避让决策模型，在不发生错误判断的情况下，会做出当前场景下最合适的避让方式。但是真实人车交互场景中，行人注意到来车的时刻及相对车辆的横向位置与行人风险感知边界2.44s、空间边界3.83m存在较大差异，导致合适的避让方式下也有可能发生碰撞，因此，需要根据行人与目标车辆的相对位置关系和碰撞时间对碰撞风险等级进行细化。
在本申请实施例中，在行人与目标车辆的中轴线之间的纵向距离和碰撞时间符合第一预设条件的情况下，确定碰撞风险等级为第一级。其中，第一预设条件可以是行人与目标车辆的中轴线之间的纵向距离在某个距离范围内，且碰撞时间在某个时间范围内。
示例性的，如图13所示，第一预设条件可以是2.45m<d<3.84m，且TTC<1.98s，行人采取后退避让的避让方式；也可以是2.17m<d<2.45m，且TTC<1.65s，行人采取后退避让的避让方式；还可以是1.95m<d<2.17m，且TTC>2.3s或者TTC<1.98s，行人采取加速避让的避让方式；第一预设条件可以是1m<d<1.95m，且TTC<1.67s，行人采取后退避让的避让方式或者行人采取加速避让的避让方式；第一预设条件也可以是0.23m<d<1m，且TTC<1.67s，行人采取加速避让的避让方式；第一预设条件还可以是d<0.23m，且TTC<1.16s，行人采取加速避让的避让方式。
S1202、在纵向距离和碰撞时间符合第二预设条件的情况下，确定碰撞风险等级为无风险。
在本申请实施例中，在行人与目标车辆的中轴线之间的纵向距离和碰撞时间符合第二预设条件的情况下，确定碰撞风险等级为无风险。其中，第一预设条件可以是行人与目标车辆的中轴线之间的纵向距离在某个距离范围内，且碰撞时间在某个时间范围内。
示例性的，如图13所示，第一预设条件可以是d>3.84m；也可以是2.45m<d<3.84m，且TTC>1.98s，行人采取后退避让的避让方式；还可以是2.17m<d<2.45m，且TTC>1.65s，行人采取后退避让的避让方式；第一预设条件可以是1.95m<d<2.17m，且1.98s<TTC<2.3s，行人采取后退避让的避让方式；第一预设条件也可以是0.23m<d<1m，且TTC>1.67s，行人采取加速避让的避让方式；第一预设条件还可以是d<0.23m，且TTC>1.16s，行人采取加速避让的避让方式。
可选的，上述碰撞风险等级模型包括多个风险域，如图14所示，通过预设的碰撞风险等级模型，根据避让方式确定数字行人的碰撞风险等级，包括：
S1401、根据避让方式、相对位置关系和预设的风险域模型，确定数字行人所处的目标风险域。
其中，预设的风险域模型可以是根据目标车辆和行人当时的行驶速度、行驶方向、相对位置等信息确定的模型。
示例性的，在工况条件如下：车辆的行驶速度vv＝60km/h，车辆探测到的行人在车辆的左前方，车辆和行人的运动方向垂直，行人步行速度可以根据其避让状态划分为4个阶段即：风险感知避让决策阶段-第一个避让周期-第二个避让周期-避让后匀速阶段，此时，行人步行质心速度如公式(1)所示：
其中，vp.Ba表示行人风险感知避让决策阶段质心瞬时速度；vp.A1表示行人第一个避让周期质心瞬时速度；vp.A2表示行人第二个避让周期质心瞬时速度；vp.Aa表示行人避让后匀速阶段；T表示第一个避让周期时长；T'表示第二个避让周期时长；Δtr表示行人的反应时间。
可以将任意行人与目标车辆交互场景的碰撞风险的判断转化为车辆到达潜在“碰撞区域”的时刻tv时，行人距离车辆中轴线纵向距离与车辆行驶轨迹宽度Lvw的空间位置判断，即如下工况具有潜在的碰撞风险，该工况满足的条件用公式(2)表示：
其中，dp(tv)表示tv时间内行人避让时纵向运动距离。
在一种情况下，若行人发现目标车辆并采取避让措施，且行人采取加速避让方式，根据公式(3)计算行人加速避让级阶段的瞬时速度vp.FA：
其中，vrR表示行人采取加速避让方式反应时间内的平均步行速度函数；vp.A1R表示第一个加速避让步态平均速度函数；vp.A2R表示第二个加速避让步态平均速度函数；vp.AaR表示行人完成加速避让后平均步行速度函数。
此时，根据公式(2)计算选择加速避让方式的行人与目标车辆交互风险边界，行人与目标车辆交互风险边界满足公式(4)：
其中，dp.FA(tv)表示tv时间内不同年龄段行人的加速避让纵向运动距离。
在另一种情况下，若行人发现目标车辆并采取避让措施，且行人采取减速避让方式，同样的，可以根据上述公式(3)-(4)计算选择减速避让方式的行人与目标车辆交互风险边界，行人与目标车辆交互风险边界满足公式(5)：
其中，dp.BA(tv)表示tv时间内不同年龄段行人的减速避让纵向运动距离。
在真实危险交通场景下，行人注意到来车后会根据与目标车辆的相对时空位置关系，按照避让决策模型选择合适的主动避让方式，因此实际行人与车辆交互风险边界由加速避让风险边界与急停后退避让风险边界的交集构成，根据公式(3)和公式(5)可以计算出真实危险场景中行人与车辆交互风险边界，真实危险场景中行人与车辆交互风险边界如公式(6)所示：
获取公式(3)的均值和标准差，并将均值+标准差带入上述公式(6)中，计算出最小风险域，同样的，将均值-标准差带入上述公式(6)中，计算出最大风险域，将均值带入上述公式(6)中，计算出均值风险域。
在又一种情况下，若行人未发现目标车辆，则行人会始终保持匀速向前行驶，此时行人与车辆交互风险边界可以用公式(7)表示：
此处，dp.N(tv)表示tv时间内不同年龄段行人的正常步行纵向运动距离。
根据公式(7)可以确定各年龄阶段行人的无避让风险域。青年男性人群与目标车辆的碰撞风险域的可视化结果如图15所示，中年男性人群与目标车辆的碰撞风险域的可视化结果如图16所示，老年男性人群与目标车辆的碰撞风险域的可视化结果如图17所示。
在本申请实施例中，计算机设备可以根据行人不同的避让方式、行人和目标车辆之间的相对位置关系和上述预设的风险域模型，来确定数字行人所处的目标风险域。
S1402、根据避让方式和目标风险域，确定数字行人的碰撞风险等级。
在本申请实施例中，计算机设备可以根据数字行人选择的不同的避让方式和上述S1401确定的目标风险域，来确定数字行人的碰撞风险等级。其中，数字行人的碰撞风险等级可以是第3级(不可避免碰撞)，也可以是第2级(高风险碰撞)。需要说明的是，数字行人的碰撞风险等级为第3级的人群为计算机设备的直接关注对象，当此类行人进入行人-车辆均值碰撞风险域后，目标车辆需要执行鸣笛预警、紧急制动、车外安全气囊等行人安全主被动协同防护措施，最小化行人损伤风险。数字行人的碰撞风险等级为高碰撞风险等级的行人，其避让成功性具有高度的随机性，计算机设备很难判断这类行人是否一定会发生碰撞，从安全的角度认为该类人群为计算机设备重点关注对象。
下面对数字行人的碰撞风险等级是第3级(不可避免碰撞)的情况进行展开说明：
基于上述S1401中得到的行人-车辆均值碰撞风险域，如图18所示，定义该行人-车辆均值碰撞风险域上下边界横向与纵向的函数关系分别为FTop、FDown，假设行人注意到危险来车并执行主动避让的时刻为tr，该时刻行人与车辆横向相对位置为l(tr)、自动驾驶车辆速度为60km/h、青年男性均值主动避让风险域最远横向距离为AFmax，当行人与风险域满足如下公式(8)时即可根据行人注意到车辆时与行人-车辆均值碰撞风险域的相对位置关系，对行人的不可避免碰撞风险进行判定。
l(tr)<AFmax (8)
(1)、若行人在行人-车辆均值碰撞风险域内注意到来车并执行避让动作，行人在行人-车辆均值碰撞风险域内满足公式(9)，则此时无论行人采取何种避让方式，都无法安全躲避车辆即：
FDown(l(tr))<Dp(tr)<FTop(l(tr)) (9)
此处，Dp(tr)表示tr时刻行人与目标车辆中轴线之间的纵向相对位置，FDown(l(tr))表示在行人执行主动避让时刻时，行人与车辆的横向相对位置在行人-车辆均值碰撞风险域下边界上对应的纵向距离，FTop(l(tr))表示在行人执行主动避让时刻时，行人与车辆的横向相对位置在行人-车辆均值碰撞风险域上边界上对应的纵向距离。
(2)、若行人在行人-车辆均值碰撞风险域外注意到来车并执行避让动作，则此时需要根据行人采取的避让方式以及Dp(tr)与FTop、FDown相对位置关系，判断行人能否成功躲避车辆。
在一种情况下，若行人采取加速避让方式，且满足下述公式(10)和公式(11)表示的相对位置关系，则认为行人无法以加速避让的方式避免与车辆发生碰撞。
FDown(l(tr))<Dp(tr) (11)
此处，tv表示车辆以当前车速到达潜在“碰撞区域”需要的时间；dp.FA(tv)表示行人采取加速避让方式在tv时间段内移动的距离。
在另一种情况下，若行人采取急停后退的避让方式，且满足下述公式(12)和公式(13)表示的相对位置关系，则认为行人无法以减速避让的方式避免与车辆发生碰撞。
Dp(tr)<FTop(l(tr)) (13)
此处，dp.BA(tv)表示行人采取减速避让方式在tv时间段内移动的距离。
下面对数字行人的碰撞风险等级是第2级(高风险碰撞)的情况进行展开说明：
若行人与车辆之间的相对位置和行人-车辆均值碰撞风险域不满足上述公式(8)，则计算机设备无法甄别行人是否会发生不可避免的碰撞，同时行人避让决策模型表明，当行人进入车辆行驶轨迹后注意到危险车辆，除非受到时空压力的影响作出错误判断，行人都会选择加速避让躲避车辆。此时，定义目标车辆的行驶速度为60km/h，如图18所示，行人-车辆最大加速碰撞风险域与车辆行驶轨迹最左侧的交点横向距离为ARunFmax，定义行人-车辆最大加速碰撞风险域的下边界函数为FRDown，分别对下述两类行人是否具有高碰撞风险进行甄别：
(1)、若行人在车辆行驶轨迹内注意来车并执行避让动作，且当行人与行人-车辆最大加速碰撞风险域和行人-车辆均值碰撞风险域满足如下(14)公式的条件时，可以甄别行人是否具有高碰撞风险。
AFmax<l(tr)<ARunFmax (14)
在一种情况下，若行人采取加速避让的避让方式，且满足以下公式(15)描述的相对位置关系时，认为该类行人具有高碰撞风险。
在另一种情况下，若行人采取急停后退的避让方式，根据上述S1402描述的标准避让决策模型判定该行人对避让方式作出了错误判断，因此其碰撞风险等级为错误避让风险等级。
(2)、若行人在远离车辆行驶轨迹最左侧注意到目标车辆，且当行人与行人-车辆均值碰撞风险域满足如下(16)公式的条件时，可以甄别行人是否具有高碰撞风险。
AFmax<l(tr) (16)
在一种情况下，若行人采取后撤避让方式，则其碰撞风险等级取决于标准决策下行人的碰撞风险等级。
在另一种情况下，若行人采取加速避让方式，定义行人达到车辆行驶轨迹最左侧的时刻为tleft，此时行人与目标车辆中轴线的横向相对位置为l(tleft)，如果在tleft时刻行人与行人-车辆最大加速碰撞风险域之间的相对位置关系满足如下公式(17)满足的条件，认为该类行人具有高碰撞风险。
l(tleft)<ARunFmax (17)
可选的，上述通过预设的碰撞风险等级模型，根据避让方式确定数字行人的碰撞风险等级，还包括：在避让方式为错误避让方式的情况下，根据碰撞风险等级模型确定碰撞风险等级为错误避让风险等级。
上述S1402中的行人避让决策模型假设行人在危险工况下存在10％的概率错误选择当前避让方式，不恰当的避让方式会导致行人具有较高的碰撞风险，定义该类行人的碰撞风险等级为错误避让风险等级。如图19所示为甄别错误决策行人的方法流程。
需要说明的是，上述S1402中涉及的标准避让决策模型是理想化的行人决策模型，该模型认为行人在危险工况下会选择最恰当的避让方式。因此将标准避让方式决策模型作为计算机设备甄别行人是否做出错误决策的判断依据。当行人注意到目标车辆并采取主动避让措施时，目标车辆能够根据行人速度的变化判断行人采取的避让措施，并将行人实际采取的避让措施与标准避让方式决策结果进行对比，如果一致则认为行人选择了恰当的避让方式，如果不一致则认为行人受到时空压力的影响选择了不恰当的避让方式，在行人选择了错误避让方式的情况下，计算机设备根据碰撞风险等级模型确定碰撞风险等级为错误避让风险等级。
进一步的，基于行人-车辆碰撞风险域、车辆行驶轨迹辅助甄别的高碰撞风险、不可避免碰撞风险的两类行人。其余风险等级为第1级的行人均具有较低的碰撞风险，相对于错误避让、高碰撞风险、不可避免碰撞风险这三类人群，计算机设备可以适当降低对风险等级为第1级的行人的关注程度。
在一种情况下，对于选择急停后退避让的行人，当其在t时刻满足下述公式(18)-公式(20)的条件时，将该行人的碰撞风险等级清零。
t<tv (18)
0<vp.BA(t) (19)
其中，vp.BA(t)代表t时刻行人急停后退避让瞬时速度；Dp(t)代表t时刻行人相对车辆中轴线纵向距离。这种情况表明，在车辆到达潜在“碰撞区域”前，行人已经回撤至车辆行驶轨迹最左侧，此时行人一定不会与车辆发生碰撞，因此将该类行人的碰撞风险等级调整为0，计算机设备不再关注此类行人。
在另一种情况下，对于选择加速避让的行人，当其在t时刻满足下述公式(21)-公式(23)的条件时，将该行人的碰撞风险等级清零。
t<tv (21)
vp.FA(t)>0 (22)
其中，vp.FA(t)代表t时刻行人加速避让瞬时速度；Dp(t)代表t时刻行人相对车辆中轴线纵向距离。这种情况表明，在车辆到达潜在“碰撞区域”前，行人已经远离车辆行驶轨迹最右侧，此时行人一定不会与车辆发生碰撞，因此将该类行人的碰撞风险等级调整为0，计算机设备不再关注此类行人。
本申请实施例提供的获取数字行人碰撞风险等级的方法，获取数字行人与目标车辆之间的相对位置关系，并根据行人生成模型和相对位置关系确定数字行人的避让方式，再通过预设的碰撞风险等级模型，根据避让方式确定数字行人的碰撞风险等级。在本实施中，基于行人生成模型和行人与目标车辆的相对位置关系确定数字行人的避让方式，这使得确定出的数字行人的避让方式更加精确；进一步的，通过预设的碰撞风险等级模型，根据避让方式确定数字行人的碰撞风险等级，对于不可避免碰撞(风险等级为第3级)的行人，该类人群为目标车辆的直接关注对象，当此类行人进入行人-车辆的均值风险域后，目标车辆需要执行鸣笛预警、紧急制动、车外安全气囊等行人安全主被动协同防护措施，最小化行人损伤风险；对于将具有高碰撞风险的行人，其避让成功性具有高度的随机性，从安全的角度认为该类人群为计算机设备的重点关注对象，从而进一步最小化行人损伤风险。
在一个实施例中，在图14所示实施例的基础上，上述根据碰撞风险等级控制目标车辆执行防碰撞处理，得到测试结果，包括：控制目标车辆执行碰撞风险等级对应的制动处理；以及在碰撞风险等级符合预设等级的情况下，启动行人安全气囊。
其中，预设等级可以是不可避免碰撞等级。其中，制动处理可以是车辆一级减速度制动，也可以是车辆二级减速度制动，还可以是车辆三级减速度制动。需要说明的是，车辆一级减速度制动满足下述公式(24)，车辆二级减速度/>制动满足下述公式(25)，车辆三级减速度/>制动满足下述公式(26)：
在本申请实施例中，计算机设备可以控制目标车辆执行不同的碰撞风险等级对应的不同的制动处理，计算机设备还可以在碰撞风险等级满足预设等级的情况下，直接启动行人安全气囊。
下面对不同的碰撞风险等级对应的不同的制动处理进行详细说明：
(1)、若行人未注意到危险来车且进入了无避让风险域，根据此时行人与车辆潜在碰撞时间TTC给定车辆制动措施。
在一种情况下，若TTC满足下述公式(27)，则车辆采取三级制动，同时鸣笛预警。此时为最危险工况行人与车辆存在极高的碰撞风险，车辆需要采取最高等级制动最大化降低车速，最小化行人碰撞损伤。
0<TTC<0.5 s (27)
在另一种情况下，若TTC满足下述公式(28)，则目标车辆采取二级制动，同时鸣笛预警，二级制动为缓冲制动，目标车辆根据与行人的交互位置实时调整制动等级。
0.5 s<TTC<1.8 s (28)
在又一种情况下，若TTC满足下述公式(29)，则目标车辆采取一级制动，同时鸣笛预警。此时行人与车辆为远距离交互，车辆轻踩刹车即可避免碰撞。
1.8 s<TTC<2.44 s (29)
(2)若行人已注意到目标车辆且进入了避让风险域，则认为此时行人与车辆交互属于近距离交互(TTC<1.8s)，车辆制动逻辑与上述基本一致即：如果0.5s<TTC<1.8s时，车辆采取二级制动；如果0<TTC<0.5s，车辆采取三级制动。
本申请实施例提供的目标车辆的制动处理方法，可以控制目标车辆执行碰撞风险等级对应的制动处理，以及在碰撞风险等级符合预设等级的情况下，启动行人安全气囊。这使得对于不同的碰撞风险等级对应不同的制动处理，从而目标车辆可以根据与行人的交互位置实时调整制动等级，进一步最大化地模拟了危险交通场景中行人与车辆间的交互。
在一个实施例中，在图14所示实施例的基础上，上述方法还包括：在数字行人未主动避让的情况下，输出提示信息；提示信息用于提示数字行人进行避让。
在本申请实施例中，在数字行人未主动避让且进入无避让风险域的情况下，目标车辆可以采取鸣笛措施促使行人对风险进行第二次判断，从而提示数字行人进行避让，即：在测试平台单次运行间隔内(测试平台一般以0.01s为间隔)，如图20所示，再次在[0,1]区间随机设置干扰项I，如果本次I<0.1认为车辆鸣笛措施迫使行人注意到车辆并进入避让决策阶段，若依旧I>0.1认为本次行人未注意危险来车，待下一个运行间隔内再次进行判断。
本申请实施例提供的提示方法在数字行人未主动避让的情况下，输出用于提示数字行人进行避让的提示信息。基于此方法将无避让风险域内行人避让状态的激活与车辆鸣笛预警耦合，真实模拟了危险交通场景中行人与车辆间的交互。
在一个实施例中，在图14所示实施例的基础上，行人生成模型包括边界模型、避让决策模型和运动学模型，边界模型用于定义数字行人的风险感知边界条件，避让决策模型用于确定数字行人的避让方式，运动学模型用于生成数字行人的避让速度曲线。
其中，运动学模型是描述行人主动避让过程中瞬态速度的模型，该模型可以充分体现行人执行主动避让过程的随机性。需要说明的是，行人主动避让行为具有高度的随机性，例如，在同一危险交通场景中不同行人意识到潜在风险的时刻、选择的避让方式以及执行避让行为瞬时速度均存在差异，或者，同一行人在相同时刻意识潜在风险，选择相同的避让方式，其执行避让行为的瞬时速度也会取决于行人当前瞬时速度。
在本申请实施例中，边界模型和避让决策模型在上述实施例中已做具体介绍，本实施例中不再赘述。下面对运动学模型进行详细介绍。
(1)、对原有的单步瞬态运动学方程进行简化：
在计算机设备拟合行人单次避让速度曲线的过程中，单步瞬态运动学方程的参数limt1→0，因此可以忽略标准避让步态周期的拟合参数t1，得到行人每一个标准避让步态内的主动避让函数，其表达式如下述公式(30)所示：
其中，vA(t)为每一个标准避让步态内的瞬态速度，C为行人开始执行主动避让动作时刻的质心速度；a1为行人单侧摆动末期平均减速度；a2为行人对侧摆动早期平均加速度；t2为行人单侧摆动末期与对侧摆动早期转化的分界时刻。
(2)、主动避让函数参数确定：
定义行人开始执行主动避让动作的时间为零时刻点，该时刻行人质心速度为v0。假设t2时刻的速度为v1、单步避让结束时刻T的速度为v2，即记(0,v0)为主动避让函数起点、(t2,v1)为主动避让函数拐点、(T,v2)为主动避让函数终点。
单步瞬态运动方程中参数C为行人标准步态周期摆动中期速度，在limt1→0条件下，C即为行人开始执行避让动作时刻的质心速度v0；a1、a2两参数可以根据下述公式(31)和公式(32)求解：
如图21和图22所示，人群平均避让速度曲线的两个标准避让步态周期内单侧摆动末期与对侧摆动早期的分界点t2、t'2以及避让步态周期T、T'，以行人第一个标准避让步态周期起点作为零时刻点，按照均匀分布原则随机生成零时刻点速度v0，同样t2、T时刻的瞬时速度v1、v2均按照均匀分布原则在对应时刻的人群避让速度走廊中随机生成，v0按照如下公式(33)生成，v1按照如下公式(34)生成，v2按照如下公式(35)生成：
v0＝v0min+(v0max-v0min)×rand (33)
v1＝v1min+(v1max-v1min)×rand (34)
v2＝v2min+(v2max-v2min)×rand (35)
其中，v0min为最小开始避让速度，v0max为最大开始避让速度，rand为[0，1]之间的随机数，v1min为最小避让支撑中期速度，v1max为最大避让支撑中期速度，v2min为最小避让摆动早期速度，v2max为最大避让摆动早期速度。
将公式(33)-公式(35)分别带入公式(31)和公式(32)中，得到a1和a2的值，即可得到行人单次避让第一个标准避让函数，行人单次避让第一个标准避让函数用下述公式(36)表示：
第二个标准避让步态的起点速度即第一个标准避让步态的终点速度v2，以第二个标准避让步态的起点为零时刻点，其余参数确定方法与第一个标准避让函数参数确定方法一致，从而确定出第二个标准避让函数，行人单次避让第二个标准避让函数用下述公式(37)表示：
如图23和图24所示，将公式(36)和公式(37)按照时间顺序拼接得到行人单次避让速度曲线，图23为行人单次减速避让速度曲线，图24为行人单次加速避让速度曲线。
在真实人车交互过程中，行人在避让前、中、后三个阶段均具有相应的速度，同时要求三个阶段的行人速度曲线符合人群运动学特征以及在时间上具有物理连贯性。下面以青年男性为例具体说明青年男性在避让前、中、后三个阶段行人的运行速度。
(1)、避让前行人运行曲线：
定义初始化青年男性速度为青年男性避让前速度走廊平均步行速度为则该青年男性避让前速度曲线的映射因子用如下公式(38)表示：
此处，为青年男性人群避让前速度走廊零时刻平均速度，利用上述公式(38)确定的映射因子，如图25所示，利用如下公式(39)将人群避让前平均速度曲线进行映射得到该青年男性避让前一个周期内的速度曲线：
(2)、避让中行人运行曲线：
青年男性以避让前速度曲线周期运行至时刻t注意到危险来车，此时其瞬时速度为行人从注意到危险来车到执行避让动作间具有固定的反应时间Δtr，以t时刻为新的时间零点定义青年男性反应时间速度走廊平均步行速度为/>则该青年男性反应时间速度曲线的映射因子如下公式(40)所示：
其中，为青年男性人群反应时间速度走廊零时刻平均速度，利用上述公式(40)中的映射因子，如图26所示，利用如下公式(41)将人群反应时间平均速度曲线进行映射得到该青年男性固定反应时间内的速度曲线：/>
进一步的，按照数字行人主动避让行为运动学模型，以青年男性完成反应时间速度曲线的时刻为新的时间零点，生成第一个标准避让步态速度函数，函数的表达式如公式(42)所示：
其中，vYB1表示青年男性第一个标准避让步态速度；vYR表示青年男性反应时间内步行速度函数；表示青年男性标准避让步态周期分界点速度；/>表示青年男性标准避让步态周期分界点时间；/>表示第一个标准避让步态终点速度；TY表示青年男性第一个标准避让步态周期时长。
同样的，以完成第一个标准避让步态速度函数的时刻为新的时间零点，作为第二个避让步态的起始速度，生成第二个标准避让步态速度函数，该函数的表达式如公式(43)所示：
其中，vYB2表示青年男性第二个标准避让步态速度；表示青年男性第二个标准避让步态周期分界点速度；/>表示青年男性第二个标准避让步态周期分界点时间；/>表示第二个标准避让步态终点速度；T'Y表示青年男性第二个标准避让步态周期时长。
如图27所示，将上述反应时间速度曲线、两个标准避让步态速度曲线按照时间顺序拼接，即为该青年男性本次的避让速度曲线。
(3)、避让后行人运行曲线：
青年男性完成固定的主动避让曲线后会以避让后的速度曲线继续运行，直到危险来车抵达潜在“碰撞区域”。定义青年男性避让后速度走廊平均步行速度为则该青年男性避让后速度曲线的映射因子如下公式(44)所示：
其中，为青年男性人群避让后速度走廊零时刻平均速度，利用上述公式(44)中的映射因子，如图28所示，利用如下公式(45)将人群避让后平均速度曲线进行映射得到该青年男性避让后一个周期内的速度曲线：
将行人避让前、避让中和避让后的速度曲线按照时间顺序进行拼接，得到行人完整的速度曲线。
本申请实施例提供的边界模型、避让决策模型和运动学模型，分别用于定义数字行人的风险感知边界条件，确定数字行人的避让方式，生成所述数字行人的避让速度曲线，考虑到了数字行人面对危险来车时的主动行为能力，进一步提高了虚拟碰撞测试的准确度。
在一个实施例中，如图29所示，根据典型危险交通测试场景、数字行人、自动驾驶车辆三者之间的运行逻辑，构建数字行人主动行为的智能汽车安全数字测试平台。该自动驾驶平台的架构包括测试场景、数字行人和智能汽车，其中，测试场景包括上述实施例场景介绍中的十字路口、横穿马路、“鬼探头”和丁字路口等典型的交通场景，数字行人具备风险感知、避让决策和主动避让能力，智能汽车中存储有不同年龄段行人的碰撞风险域、车载AEB和碰撞风险等级。
下面以一次完整的虚拟危险交互场景测试为例，说明数字行人主动行为的智能汽车安全数字测试平台的运行逻辑。一次完整危险交互场景具有自动驾驶车辆、数字行人、危险交通工况三个测试因素。首先对自动驾驶车辆的初始属性进行定义：
表2自动驾驶车辆属性
针对自动驾驶车辆的初始坐标为(0,0)、初始速度60km/h、车长为4m，车宽为2m，在tv∈[0,2.44s]范围内随机生成危险测试工况及与之耦合的具有潜在碰撞风险的行人。此时，三者共同构成一次完整危险交互测试场景。在预定义完测试场景后，车辆端通过仿真雷达实时检测数字行人，如果数字行人未出现在雷达检测范围内，则车辆与行人均不发生交互；当雷达检测到行人且其进入无避让风险域内，车辆根据与行人的相对位置关系采取分级制动并鸣笛“提醒”行人，促使行人再次对风险进行感知直至行人注意到危险车辆。
在数字行人意识到潜在风险后，会结合自身与车辆间的相对位置关系，并根据避让决策模型选择本次交互的避让方式并生成本次主动避让速度曲线，同时根据碰撞风险等级模型给定初始避让时刻该行人的碰撞风险等级；同时，在车辆风险预警***检测到行人由正常步行转化为主动避让行走，将风险域从无避让风险域切换至对应行人年龄的均值避让风险域；基于切换后的均值避让风险域及对应行人的最大加速避让风险域，甄别行人是否为高碰撞风险或不可避免碰撞风险，同时将驶离车辆行驶轨迹的行人碰撞风险等级清零；若行人在避让过程中进入均值风险域后，车载风险预警***启动AEB分级制动，若数字行人的碰撞风险等级为不可避免碰撞风险等级，则启动行人安全气囊。若上述行人安全保护算法失效，则当行人与车辆的碰撞时间TTC＝50ms时，直接启动行人安全气囊以期最小化行人损伤风险；最后，当车辆到达潜在“碰撞区域”与行人发生碰撞，记录该行人编号，若未发生碰撞行人停止运动自动驾驶车辆继续运行开始与下一个行人交互。
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虚拟碰撞测试方法的虚拟碰撞测试装置。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虚拟碰撞测试装置实施例中的具体限定可以参见上文中对于虚拟碰撞测试方法的限定，在此不再赘述。
在一个实施例中，如图30所示，提供了一种虚拟碰撞测试装置，包括：生成模块3001、第一获取模块3002和第二获取模块3003，其中：
生成模块3001，用于获取测试场景，并基于预设的行人生成模型生成数字行人。
第一获取模块3002，用于在检测到数字行人主动避让目标车辆的情况下，获取数字行人的碰撞风险等级。
第二模块3003，用于根据碰撞风险等级控制目标车辆执行防碰撞处理，得到测试结果；测试结果用于表征目标车辆在执行防碰撞处理后是否与数字行人发生碰撞。
在一个实施例中，上述第一获取模块3002，包括：获取单元、第一确定单元和第二确定单元。其中：
获取单元，具体用于获取数字行人与目标车辆之间的相对位置关系；相对位置关系包括数字行人与目标车辆之间的横向距离与纵向距离。
第一确定单元，具体用于根据行人生成模型和相对位置关系确定数字行人的避让方式。
第二确定单元，具体用于通过预设的碰撞风险等级模型，根据避让方式确定数字行人的碰撞风险等级。
在一个实施例中，上述第二确定单元，具体用于在避让方式为标准避让方式的情况下，通过碰撞风险等级模型根据相对位置关系和碰撞时间，确定碰撞风险等级；其中，碰撞时间是基于车速和相对位置关系确定的。
在一个实施例中，上述碰撞风险等级模型包括多个距离范围和时间阈值，上述第二确定单元，具体用于在纵向距离和碰撞时间符合第一预设条件的情况下，确定碰撞风险等级为第一级；在纵向距离和碰撞时间符合第二预设条件的情况下，确定碰撞风险等级为无风险。
在一个实施例中，上述碰撞风险等级模型包括多个风险域，上述第二确定单元，具体用于根据避让方式、相对位置关系和预设的风险域模型，确定数字行人所处的目标风险域；根据避让方式和目标风险域，确定数字行人的碰撞风险等级。
在一个实施例中，上述第二确定单元，具体用于在避让方式为错误避让方式的情况下，根据碰撞风险等级模型确定碰撞风险等级为错误避让风险等级。
在一个实施例中，行人生成模型包括边界模型和避让决策模型，上述第一确定单元具体用于基于边界模型获取风险感知边界条件；根据风险感知边界条件和避让决策模型，确定数字行人的避让方式。
在一个实施例中，上述第二获取模块3003，用于控制目标车辆执行碰撞风险等级对应的制动处理；以及在碰撞风险等级符合预设等级的情况下，启动行人安全气囊。
在一个实施例中，如图31所示，上述装置还包括：输出模块3004，用于在数字行人未主动避让的情况下，输出提示信息；提示信息用于提示数字行人进行避让。
在一个实施例中，上述行人生成模型包括边界模型、避让决策模型和运动学模型，边界模型用于定义数字行人的风险感知边界条件；避让决策模型用于确定数字行人的避让方式；运动学模型用于生成数字行人的避让速度曲线。
上述虚拟碰撞测试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服务器，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过***总线连接，通信接口通过输入/输出接口连接到***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***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储碰撞结果数据。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通过网络连接通信。该计算机程序被处理器执行时以实现一种虚拟碰撞测试方法。
本领域技术人员可以理解，图6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，还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上述各方法实施例中的步骤。
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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上述各方法实施例中的步骤。
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 (9)
1.一种虚拟碰撞测试方法，其特征在于，所述方法包括：
获取测试场景，并基于预设的行人生成模型生成数字行人；所述数字行人是指根据虚拟危险交通场景中的青年男性志愿者主动避让特征，在计算机设备中定义的具有感知-决策-避让行为的行人；
在检测到所述数字行人主动避让目标车辆的情况下，获取所述数字行人的碰撞风险等级；
根据所述碰撞风险等级控制所述目标车辆执行防碰撞处理，得到测试结果；所述测试结果用于表征所述目标车辆在执行所述防碰撞处理后是否与所述数字行人发生碰撞；
所述在检测到所述数字行人主动避让目标车辆的情况下，获取所述数字行人的碰撞风险等级，包括：
获取所述数字行人与所述目标车辆之间的相对位置关系；所述相对位置关系包括所述数字行人与所述目标车辆之间的横向距离与纵向距离；
根据所述行人生成模型和所述相对位置关系确定所述数字行人的避让方式；
通过预设的碰撞风险等级模型，根据所述避让方式确定所述数字行人的碰撞风险等级；
所述碰撞风险等级模型包括多个风险域，所述通过预设的碰撞风险等级模型，根据所述避让方式确定所述数字行人的碰撞风险等级，包括：
根据所述避让方式、所述相对位置关系和预设的风险域模型，确定所述数字行人所处的目标风险域；
根据所述避让方式和所述目标风险域，确定所述数字行人的碰撞风险等级；
所述通过预设的碰撞风险等级模型，根据所述避让方式确定所述数字行人的碰撞风险等级，还包括：
在所述避让方式为错误避让方式的情况下，根据所述碰撞风险等级模型确定所述碰撞风险等级为错误避让风险等级；
所述根据所述碰撞风险等级控制所述目标车辆执行防碰撞处理，得到测试结果，包括：
控制所述目标车辆执行所述碰撞风险等级对应的制动处理；以及在所述碰撞风险等级符合预设等级的情况下，启动行人安全气囊；所述制动处理包括车辆一级减速度制动、车辆二级减速度制动和车辆三级减速度制动；所述预设等级包括不可避免碰撞等级。
2.根据权利要求1所述的方法，其特征在于，所述通过预设的碰撞风险等级模型，根据所述避让方式确定所述数字行人的碰撞风险等级，包括：
在所述避让方式为标准避让方式的情况下，通过所述碰撞风险等级模型根据所述相对位置关系和碰撞时间，确定所述碰撞风险等级；其中，所述碰撞时间是基于车速和所述横向相对位置关系确定的。
3.根据权利要求2所述的方法，其特征在于，所述碰撞风险等级模型包括多个距离范围和时间阈值，所述根据所述相对位置关系和碰撞时间，确定所述碰撞风险等级，包括：
在所述纵向距离和所述碰撞时间符合第一预设条件的情况下，确定所述碰撞风险等级为第一级；
在所述纵向距离和所述碰撞时间符合第二预设条件的情况下，确定所述碰撞风险等级为无风险。
4.根据权利要求1所述的方法，其特征在于，所述行人生成模型包括边界模型和避让决策模型，所述根据所述行人生成模型和所述相对位置关系确定所述数字行人的避让方式，包括：
基于所述边界模型获取风险感知边界条件；
根据所述风险感知边界条件和所述避让决策模型，确定所述数字行人的避让方式。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述数字行人未主动避让的情况下，输出提示信息；所述提示信息用于提示所述数字行人进行避让。
6.根据权利要求1所述的方法，其特征在于，行人生成模型包括边界模型、避让决策模型和运动学模型，所述边界模型用于定义所述数字行人的风险感知边界条件；
所述避让决策模型用于确定所述数字行人的避让方式；
所述运动学模型用于生成所述数字行人的避让速度曲线。
7.一种虚拟碰撞测试装置，其特征在于，所述装置包括：
生成模块，用于获取测试场景，并基于预设的行人生成模型生成数字行人；所述数字行人是指根据虚拟危险交通场景中的青年男性志愿者主动避让特征，在计算机设备中定义的具有感知-决策-避让行为的行人；
第一获取模块，用于在检测到所述数字行人主动避让目标车辆的情况下，获取所述数字行人的碰撞风险等级；
第二获取模块，用于根据所述碰撞风险等级控制所述目标车辆执行防碰撞处理，得到测试结果；所述测试结果用于表征所述目标车辆在执行所述防碰撞处理后是否与所述数字行人发生碰撞；
所述第一获取模块，包括：获取单元、第一确定单元和第二确定单元，其中：
所述获取单元，具体用于获取所述数字行人与所述目标车辆之间的相对位置关系；所述相对位置关系包括所述数字行人与所述目标车辆之间的横向距离与纵向距离；
所述第一确定单元，具体用于根据所述行人生成模型和所述相对位置关系确定所述数字行人的避让方式；
所述第二确定单元，具体用于通过预设的碰撞风险等级模型，根据所述避让方式确定所述数字行人的碰撞风险等级；所述碰撞风险等级模型包括多个风险域，所述第二确定单元，具体还用于根据所述避让方式、所述相对位置关系和预设的风险域模型，确定所述数字行人所处的目标风险域；根据所述避让方式和所述目标风险域，确定所述数字行人的碰撞风险等级；所述第二确定单元，具体还用于在所述避让方式为错误避让方式的情况下，根据所述碰撞风险等级模型确定所述碰撞风险等级为错误避让风险等级；
所述第二获取模块，用于控制所述目标车辆执行所述碰撞风险等级对应的制动处理；以及在所述碰撞风险等级符合预设等级的情况下，启动行人安全气囊；所述制动处理包括车辆一级减速度制动、车辆二级减速度制动和车辆三级减速度制动；所述预设等级包括不可避免碰撞等级。
8.一种计算机设备，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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211605116.9A CN116223056B (zh) | 2022-12-14 | 2022-12-14 | 虚拟碰撞测试方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211605116.9A CN116223056B (zh) | 2022-12-14 | 2022-12-14 | 虚拟碰撞测试方法、装置、设备、存储介质和程序产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116223056A CN116223056A (zh) | 2023-06-06 |
| CN116223056B true CN116223056B (zh) | 2024-03-12 |
Family
ID=86572038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211605116.9A Active CN116223056B (zh) | 2022-12-14 | 2022-12-14 | 虚拟碰撞测试方法、装置、设备、存储介质和程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116223056B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106627354A (zh) * | 2016-12-29 | 2017-05-10 | 浙江吉利汽车研究院有限公司 | 一种增强车辆主动安全的车外提醒方法及*** |
| CN109000937A (zh) * | 2018-09-21 | 2018-12-14 | 吉林大学 | 一种行人自主移动避撞试验测试平台 |
| WO2019011536A1 (de) * | 2017-07-11 | 2019-01-17 | Robert Bosch Gmbh | Verfahren, vorrichtung, computerprogramm und ein maschinenlesbares speichermedium zum betreiben eines fahrzeugs |
| DE102018207566A1 (de) * | 2018-05-16 | 2019-11-21 | Ford Global Technologies, Llc | System zum Durchführen von simulierten Kollisionsszenarios von einem Kraftfahrzeug mit einem nicht-motorisierten Verkehrsteilnehmer |
| CN110834631A (zh) * | 2019-11-01 | 2020-02-25 | 中国第一汽车股份有限公司 | 一种行人避让方法、装置、车辆及存储介质 |
| CN111497840A (zh) * | 2020-04-27 | 2020-08-07 | 清华大学 | 车辆-行人碰撞风险域的计算方法及安全评价*** |
| DE102019007705A1 (de) * | 2019-11-07 | 2020-08-13 | Daimler Ag | Verfahren zum Betrieb eines Fahrzeuges |
| CN112595525A (zh) * | 2020-11-27 | 2021-04-02 | 中船重工海为郑州高科技有限公司 | 一种测试无人驾驶车辆避让行人有效的方法和装置 |
| CN115158308A (zh) * | 2021-04-02 | 2022-10-11 | 清华大学 | 一种智能车辆主动避障控制方法及装置、存储介质、终端 |
| CN115186585A (zh) * | 2022-07-11 | 2022-10-14 | 江苏清车熟路智能科技有限公司 | 基于自动驾驶测试的交通参与物行为模型构建方法及*** |
| WO2022246860A1 (zh) * | 2021-05-28 | 2022-12-01 | 深圳市大疆创新科技有限公司 | 一种自动驾驶***的性能测试方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012174584A1 (en) * | 2011-06-24 | 2012-12-27 | Surveillance Guard Co Limited | An accident prevention system and a vehicle including the accident prevention system |
| US11810460B2 (en) * | 2017-12-19 | 2023-11-07 | Toyota Jidosha Kabushiki Kaisha | Automatic generation of pedestrians in virtual simulation of roadway intersections |
-
2022
- 2022-12-14 CN CN202211605116.9A patent/CN116223056B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106627354A (zh) * | 2016-12-29 | 2017-05-10 | 浙江吉利汽车研究院有限公司 | 一种增强车辆主动安全的车外提醒方法及*** |
| WO2019011536A1 (de) * | 2017-07-11 | 2019-01-17 | Robert Bosch Gmbh | Verfahren, vorrichtung, computerprogramm und ein maschinenlesbares speichermedium zum betreiben eines fahrzeugs |
| DE102018207566A1 (de) * | 2018-05-16 | 2019-11-21 | Ford Global Technologies, Llc | System zum Durchführen von simulierten Kollisionsszenarios von einem Kraftfahrzeug mit einem nicht-motorisierten Verkehrsteilnehmer |
| CN109000937A (zh) * | 2018-09-21 | 2018-12-14 | 吉林大学 | 一种行人自主移动避撞试验测试平台 |
| CN110834631A (zh) * | 2019-11-01 | 2020-02-25 | 中国第一汽车股份有限公司 | 一种行人避让方法、装置、车辆及存储介质 |
| DE102019007705A1 (de) * | 2019-11-07 | 2020-08-13 | Daimler Ag | Verfahren zum Betrieb eines Fahrzeuges |
| CN111497840A (zh) * | 2020-04-27 | 2020-08-07 | 清华大学 | 车辆-行人碰撞风险域的计算方法及安全评价*** |
| CN112595525A (zh) * | 2020-11-27 | 2021-04-02 | 中船重工海为郑州高科技有限公司 | 一种测试无人驾驶车辆避让行人有效的方法和装置 |
| CN115158308A (zh) * | 2021-04-02 | 2022-10-11 | 清华大学 | 一种智能车辆主动避障控制方法及装置、存储介质、终端 |
| WO2022246860A1 (zh) * | 2021-05-28 | 2022-12-01 | 深圳市大疆创新科技有限公司 | 一种自动驾驶***的性能测试方法 |
| CN115186585A (zh) * | 2022-07-11 | 2022-10-14 | 江苏清车熟路智能科技有限公司 | 基于自动驾驶测试的交通参与物行为模型构建方法及*** |
Non-Patent Citations (6)
| Title |
|---|
| Kinetic and Kinematic Features of Pedestrian Avoidance Behavior in Motor Vehicle Conflicts;Li, Quan 等;FRONTIERS IN BIOENGINEERING AND BIOTECHNOLOGY;第9卷;全文 * |
| 一种城市道路场景下行人危险度评估方法;曾令秋;马济森;韩庆文;叶蕾;;湖南大学学报(自然科学版)(第08期);47-53 * |
| 人车碰撞风险识别及智能车辆控制***;孟柯;吴超仲;陈志军;吕能超;邓超;刘钢;;交通信息与安全(第06期);28-35 * |
| 基于意图识别的骑车人轨迹预测方法研究;刘璐;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第02期);C035-615 * |
| 基于车联网的车辆与行人碰撞预警方法研究;吴宇通;张洪昌;曾娟;;科技与创新(第17期);7-9 * |
| 考虑过街行人运动不确定性的人-车碰撞伤害评估;黄智;何颖;刘象;宋晓琳;;汽车工程(第01期);28-33 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116223056A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108919795B (zh) | 一种自动驾驶汽车换道决策方法及装置 | |
| US10268909B2 (en) | Systems and methods for near-crash determination | |
| KR20200094641A (ko) | 강화 학습에 기초하여 협업 주행에서 다중 에이전트 센서 퓨전을 수행하는 방법 및 장치 | |
| CN112133089A (zh) | 一种基于周围环境与行为意图的车辆轨迹预测方法、***及装置 | |
| CN111477030B (zh) | 车辆协同避险方法、车端平台、云端平台及存储介质 | |
| US11619946B2 (en) | Method and apparatus for generating U-turn path in deep learning-based autonomous vehicle | |
| US20220314968A1 (en) | Electronic control device | |
| Danielsson et al. | Monte carlo based threat assessment: Analysis and improvements | |
| US20220203971A1 (en) | Vehicle control method | |
| KR20210044963A (ko) | 자율주행차량의 차선변경 경로 결정 장치 및 그 방법 | |
| CN110598980B (zh) | 交通场景的风险评估方法及装置 | |
| Ni et al. | A V2X-based approach for avoiding potential blind-zone collisions between right-turning vehicles and pedestrians at intersections | |
| Mahjoub et al. | A learning-based framework for two-dimensional vehicle maneuver prediction over v2v networks | |
| CN116223056B (zh) | 虚拟碰撞测试方法、装置、设备、存储介质和程序产品 | |
| US11657635B2 (en) | Measuring confidence in deep neural networks | |
| US20240157976A1 (en) | Autonomous Driving Control System and Collision Avoidance Control Method Therewith | |
| CN115520216A (zh) | 行车状态判断方法、装置、计算机设备和存储介质 | |
| Pechinger et al. | Cyclist Safety in Urban Automated Driving-Sub-Microscopic HIL Simulation | |
| CN115447607A (zh) | 用于规划车辆行驶轨迹的方法和装置 | |
| Qasemabadi et al. | A Novel Model for Driver Lane Change Prediction in Cooperatice Adaptive Cruise Control Systems | |
| CN111310302B (zh) | 一种测试场景生成方法和装置 | |
| CN114746918A (zh) | 使用热图来检测单向驾驶的***和方法 | |
| CN111444604A (zh) | 一种虚拟测试场景的检测方法及装置 | |
| Dixit et al. | Lane change prediction based on trajectory analysis and driver actions tracking | |
| Xiao et al. | Clustering and Analysis of the Driving Style in the Cut-in Process |
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 |