CN116353584A - 一种车辆碰撞风险预测***及车辆 - Google Patents
一种车辆碰撞风险预测***及车辆 Download PDFInfo
- Publication number
- CN116353584A CN116353584A CN202310332856.8A CN202310332856A CN116353584A CN 116353584 A CN116353584 A CN 116353584A CN 202310332856 A CN202310332856 A CN 202310332856A CN 116353584 A CN116353584 A CN 116353584A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- collision
- prediction
- module
- damage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000006378 damage Effects 0.000 claims abstract description 118
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000003993 interaction Effects 0.000 claims abstract description 6
- 230000033001 locomotion Effects 0.000 claims description 88
- 238000000034 method Methods 0.000 claims description 60
- 230000006399 behavior Effects 0.000 claims description 36
- 238000013139 quantization Methods 0.000 claims description 34
- 208000027418 Wounds and injury Diseases 0.000 claims description 30
- 208000014674 injury Diseases 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 15
- 238000013136 deep learning model Methods 0.000 claims description 14
- 230000008447 perception Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000011002 quantification Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012502 risk assessment Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 3
- 239000002245 particle Substances 0.000 claims 1
- 230000003213 activating effect Effects 0.000 abstract 1
- 230000001133 acceleration Effects 0.000 description 33
- 238000012549 training Methods 0.000 description 14
- 238000013461 design Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000000418 atomic force spectrum Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003938 response to stress Effects 0.000 description 3
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 2
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 2
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000002303 tibia Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 208000028373 Neck injury Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Images
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种车辆碰撞风险预测***及车辆,包括状态参数预处理模块、车辆轨迹预测模块、车辆碰撞损伤程度预测模块、碰撞及损伤可靠性检测模块和综合决策模块。本发明是基于当前时刻感知***等模块捕获的场景参数进行车辆碰撞/乘员损伤预测,同时考虑由于驾驶员与外界环境的信息交互所带来的操作行为多样性,进而导致的车辆状态不确定性,由此计算给出关于车辆碰撞/乘员损伤预测结果的可靠度量化指标。可为后续对驾驶员预警提示,座舱约束保护***预激活,甚至辅助驾驶***的主动干预,发送具有明确指导性方向的安全评估信号。
Description
技术领域
本申请涉及车辆碰撞安全技术领域,尤其涉及基于模型设计与数据驱动融合的车辆碰撞风险预测技术。
背景技术
汽车的碰撞安全技术是利用有限的空间与时间,在车体结构、约束***、外部保护等多种设计的融合与联动调控下,在临界碰撞时刻附近的极短作用时间范围内,以降低车内外人员受伤程度为目标的涉及多学科优化的综合性研究领域。随着辅助驾驶***(ADAS:Advanced Driving Assistance System)的普及,以及车身结构/材料的优化,碰撞安全技术在主被动安全融合方面得到发展。
专利文献CN 106326866B“车辆碰撞的预警方法及装置”、CN 109318891A“驾驶辅助***”等均提出了针对碰撞的预测算法,在算法激活时直接基于当前探测的运动信息进行车辆轨迹预测,未涉及险态中人员的应激响应可能导致的险态场景不确定性。专利文献CN 113291251A“车辆碰撞中的安全防护方法和装置、电子设备和介”则规定了对碰撞类型的预测以及后续对应的乘员保护执行策略,对乘员反应及位姿的监测仅针对于保护策略的实施,不涉及乘员对车辆的操控。专利文献CN 107458372A“基于车辆安全***的预碰撞控制方法及装置针”对预碰撞场景,根据安全距离进行了是否可以避免的判断,若否,则执行相应的保护策略。
在如今人驾为主智驾为辅的大环境下,“人-车-人”交互响应,即驾驶员在行驶过程中基于对方车辆运行状态以及道路环境等因素而表现出的因人因时因地不同的应激反应操作,在碰撞安全中尤为重要,由此导致的人员损伤各异。学术研究中大多基于概率进行碰撞预测:在预测时间范围内,对车辆行驶轨迹可达区域内随机撒点,或使用概率密度模型,以此来表征驾驶员操作不确定性实时计算碰撞概率,然而准确率和计算速度难以获得两优结果;而仅由概率值作为输出,能提供的信息有限,难以进行下一步应用,使得基于概率的碰撞预测方法在实际工程中的转化仍不充分。
如何快速且准确预测碰撞,使后续安全功能在“碰前”提前作用,延长乘员保护时间,是碰撞安全技术亟待解决的问题。特别是对于不可避免的碰撞,提前感知提前作用可以明显降低碰撞的严重程度,甚至进入被动安全的有效覆盖范围。考虑驾驶员操作不确定性和由此可能造成的人员损伤,并结合当前感知***的观测量,理论上可为后续功能提供更全面的信息提示。使用感知***观测量进行模型设计对当前状态进行碰撞预测,而使用数据驱动方式对概率模型进行预处理以快速解决驾驶员操作所带来的不确定性问题,则有望兼顾准确度和计算速度。
发明内容
本申请的目的在于考虑车辆行驶过程中的驾驶员应激反应所导致的操作不确定性,提出一种车辆碰撞风险预测***及车辆,基于模型设计与数据驱动融合,针对车辆碰撞可能性以及乘员受伤严重程度进行快速预测和综合评估,向后续安全执行模块提供更多安全信息,提高安全执行输出的准确性,合理性。
为实现以上发明目的,发明的总体思路是基于当前时刻感知***等模块捕获的场景参数进行车辆碰撞/乘员损伤预测;同时考虑由于驾驶员与外界环境的信息交互所带来的操作行为多样性,进而导致的车辆状态不确定性,由此计算给出关于所述车辆碰撞/乘员损伤预测结果的可靠度量化指标。因此,为后续对驾驶员预警提示,座舱约束保护***预激活,甚至辅助驾驶***的主动干预,发送具有明确指导性方向的安全评估信号。
本申请提供的技术方案如下:
在第一方面,本发明提供一种基于模型设计与数据驱动融合的车辆碰撞风险预测***,包括状态参数预处理模块、车辆轨迹预测模块、车辆碰撞损伤程度预测模块、碰撞及损伤可靠性检测模块和综合决策模块。
所述状态参数预处理模块,用于对车辆车身/底盘***及感知***所获得的初始场景参数进行处理,确定危险目标集,并基于自车与锁定目标车的相对运动信息判断是否激活后续预测模块。所述初始场景参数包括自车与锁定目标车的运动状态信息及道路环境信息。
所述车辆轨迹预测模块,用于在所述状态参数预处理模块激活后续计算的前提下,使用当前时刻的自车与锁定目标车的运动状态等信息作为初始边界条件,对自车与锁定目标车在预设的预测时间范围内的行驶轨迹进行预测,计算碰撞预测结果,并记录碰撞时刻自车与锁定目标车的运动状态信息。
所述车辆碰撞损伤程度预测模块,用于在所述车辆轨迹预测模块的碰撞预测结果的基础上,进行车辆碰撞波形曲线预测,再进行乘员碰撞相应损伤预测,输出对应的自车乘员受伤严重程度的预测结果。
所述碰撞及损伤可靠性检测模块,用于使用当前时刻自车与锁定目标车的运动状态等信息作为边界特征输入传递给若干离线预训练完成的机器/深度学习模型,对所述车辆轨迹预测模块的碰撞预测结果和碰撞损伤预测模块的碰撞损伤预测结果进行可靠性分析,并给出关于所述碰撞/损伤预测结果的可靠度量化指标。
所述综合决策模块,用于综合分析上述车辆轨迹预测模块的碰撞预测结果、车辆碰撞损伤程度预测模块的碰撞损伤预测结果、以及碰撞及损伤可靠性检测模块的可靠度量化指标,并给出综合性碰撞风险评估。
具体地,所述状态参数预处理模块对获得的初始场景参数进行处理,确定危险目标集,包括:通过自车以及锁定目标车运动状态信息,动态计算碰撞时间TTC;对获得的每个锁定目标车TTC依据大小排序,将满足TTC0≤TTC≤TTCp的锁定目标车设为含潜在威胁的目标,记为潜在危险目标集,将满足TTC≤TTC0的目标设为威胁性较大的目标,记为危险目标集;其中TTCp和TTC0可理解为基于危险紧急程度预设的TTC碰撞时间最长和最短两个时间阈值。
所述状态参数预处理模块判断是否激活后续预测模块的条件是:当出现满足满足TTC0≤TTC≤TTCp和或TTC≤TTC0的目标时,激活后续预测模块。
具体地,所述车辆轨迹预测模块的具体预测方式是:根据行驶场景和涉及车辆的运动状态信息,对潜在危险目标集的锁定目标车基于运动学模型和感知***的感知信息进行车辆运动状态修正;再对危险目标集的锁定目标车基于“当前时刻”运动状态,使用运动学模型在预设的预测时间范围内(≤TTC0)的行驶轨迹和自车轨迹进行预测,并计算自车与锁定目标车的碰撞可能性,若预测结果为“发生碰撞”,则记录“碰撞时刻”自车与锁定目标车的运动状态信息。
具体地,所述车辆碰撞损伤程度预测模块在进行预测时,对于不发生碰撞的预测结果则输出无受伤的损伤预测;而对于会发生碰撞的预测结果,是先将碰撞时刻自车与锁定目标车的运动状态信息(即碰撞边界信息)、两车尺寸、质量、夹角、重叠率参数输入车辆碰撞曲线预测模型,获得车辆碰撞波形预测曲线;再将车辆碰撞波形预测曲线和自车乘员的乘员约束形式状态信息(即座舱约束信息)作为参数输入乘员损伤程度预测模型,对自车乘员的碰撞响应运动进行预测。以上,车辆碰撞曲线预测模型和乘员损伤程度预测模型均是离线预训练完成的机器/深度学习模型。
具体地,所述碰撞及损伤可靠性检测模块是以关于驾驶员操作行为的条件概率后验模型为准则的随机驾驶员操作行为来表征驾驶员操作不确定性,生成随机样本,建立可靠度量化指标,使用机器/深度学习模型,以初始场景参数以及原有预测结果(CRk,0,IRk,0)为输入,可靠度量化指标为输出,获得可靠度量化指标。
具体地,所述综合决策模块是根据接收的碰撞预测结果CR信号、损伤预测结果IR信号以及对应可靠度量化指标(∑CR,∑IR)信号,进行时域上的综合性评估,输出与锁定目标车对应的碰撞风险评估信号。
由本申请上述技术方案可见,本申请首先对感知锁定的目标车进行运动信息处理,基于自车的运动信息、目标车的运动信息、两车的相对距离等,通过车辆运动学进行短时轨迹预测预测碰撞发生的可能性,并记录碰撞类型和碰撞初始条件,基于预测的碰撞初始条件,确定相应的车辆碰撞波形曲线,基于对乘员的位姿及约束情况的确定,预测乘员的碰撞响应运动,进而对人员损伤进行分级分类;与此同时通过一考虑驾驶员操作不确定性的学习模型(即以驾驶员操作行为条件概率后验模型)并行计算输出关于上述碰撞预测、人员损伤的可靠度量化指标;由此,基于碰撞预测、人员损伤、以及关于碰撞预测/人员损伤的可靠度量化指标,综合输出碰撞风险评估,从而向后续安全执行模块提供更多安全信息,提高安全执行输出的准确性,合理性。
因此,与现有技术相比,本发明具有以下明显优势:
1、考虑驾驶员操作的多样性,以不确定度的方式引入本方法,并给出针对基于观测量计算所得的碰撞/损伤预测结果的可靠度量化解释,综合考虑预测结果的稳健性、变化趋势等指标,提供更多的评估指标,为后续工作软硬件提供更详细的安全信息,可将乘员碰撞保护的激活时间提前于真实碰撞时刻,延长保护作用时间,并增加用户的“碰前”可感知的交互体验感;
2、建立以模型设计和数据驱动相结合的研究方法:一方面,基于感知***、车身/底盘域等观测到的信息使用物理模型(车辆运动学/动力学模型)进行未来短时的车辆轨迹预测推导;另一方面,使用离线预训练完成的机器/深度学习模型对驾驶员操作不确定性所带来的概率统计问题进行快速处理。因此,在线实时计算仅对基于“当前时刻”两车的运动状态信息的而外延的一条行驶轨迹进行碰撞/损伤预测,而关于其他所有的行驶可能性的信息均由机器/深度模型的离线学习情况所反应。在不降低预测准确率的基础上,同时大大降低了实时计算时间;
3、所述车辆碰撞损伤程度预测模块使用所述车辆轨迹预测模块预测的“碰撞时刻”的自车与锁定目标车的运动状态信息,还包括接触面重叠率,两车夹角,车身质量、尺寸,以及乘员的约束情况等作为输入,预测自车乘员在输入条件下的人损伤评估。该车辆碰撞损伤程度预测模块包括对车辆的车体碰撞波形曲线预测和对乘员的碰撞响应运动曲线的预测;涉及所述两种预测过程的机器/深度学习模型,均使用高精度有限元仿真数据作为训练/验证样本,以此所构建的车辆碰撞人员损伤样本数据库具有极高置信度的损伤标签,使得后续基于此数据库所训练的机器/深度模型的输出更加准确。
附图说明
图1是本申请一个实施例所描述的车辆碰撞风险预测***框图;
图2是本申请一个实施例所描述的基于当前时刻自车位置建立以自车位置为坐标原点的欧氏几何坐标系;
图3是本申请一个实施例所描述的动态计算碰撞时间的示意图;
图4是本申请一个实施例所描述的车辆碰撞构型表征;
具体实施方式
以下对本申请的具体实施进行描述。需要说明的是,以上所述使用的实施例仅用于详细解释说明本方法的实施过程,而非对本方法的实施进行限制。本领域的技术人员应当理解,在不脱离本方法的设计概念的前提下,可以对其中具体实施细节进行若干修改和变形,这些都属于本方法的保护范围。
参见图1,以下实施例提供本申请的车辆碰撞风险预测***的详细实施细节,该***包括状态参数预处理模块、车辆轨迹预测模块、车辆碰撞损伤程度预测模块、碰撞及损伤可靠性检测模块和综合决策模块。
一、状态参数预处理模块:
该模块是对车辆车身/底盘***及感知***所获得的初始场景参数进行处理,确定危险目标集,并基于自车与锁定目标车的相对运动信息判断是否激活后续预测模块。具体如下:
基于自车感知***的信息更新频率和锁定感知目标,对锁定目标车进行编号,并捕获运动信息,这些运动信息包括但不限于目标尺寸(l,w)、质量m,与自车相对距离L、相对速度vrel,相对于传感器瞄准方向到锁定目标车最近点的直线方位角、到锁定目标车最左侧的直线方位角、到锁定目标车最右侧的直线方位角,自车与锁定目标车垂直方位角,自车与锁定目标车连线的横摆角等。同时获取自车运动状态信息,包括但不限于速度ve、加速度ae、横摆角速度ωe等。
基于“当前时刻”自车位置建立以自车位置为坐标原点的欧氏几何坐标系,其中该坐标系的坐标轴方向与当前时刻自车所处的Frenet坐标系的坐标轴瞬时方向完全一致,如图2所示。基于相对于自车的锁定目标车的相对距离分解为纵向相对距离和侧向相对距离,并分别对其求导获得纵向和侧向相对速度,然后通过自车速度、加速度求出锁定目标车速度vo及加速度ao。同理,通过自车横摆角,横摆角速度以及锁定目标车的相对运动信息(若已获取),则可获得锁定目标车的横摆角速度ωo等信息。
通过上述自车以及锁定目标车运动状态信息,包括但不限于自车速度、加速度,锁定目标车的速度、加速度,以及双方的相对距离,动态计算碰撞时间(TTC:Time ToCollision)。该碰撞时间定义为当自车以当前速度和加速度行驶时,锁定目标车运动状态不变,发生碰撞的时间。例如,考虑纵向运动的自车与目标车的追尾情形,如图3所示,自车在[t1,t2]的时间内(Δt)行驶的距离为
而目标车的行驶距离为
双方相对距离Drel,按照碰撞时间TTC的定义,临界条件为Drel+Do=De,即
由此可获得TTC具体表达式
其中vrel为相对速度,arel为相对加速度。根据相对速度/加速度的正负性须具体分析相适应的TTC结果。
获得每个锁定目标车对应的TTC后,依据大小进行排序。其中TTC碰撞时间长短基于危险紧急程度预先设有最长和最短两个阈值TTCp,TTC0。
将满足TTC0≤TTC≤TTCp的锁定目标车设为含潜在威胁的目标,记为“潜在危险目标集”,对其运动状态进行持续监测;将满足TTC≤TTC0的目标设为威胁性较大的目标(数量为G),记为“危险目标集”,并基于当前时刻所获得的数据,包括但不限于所述自车运动状态信息速度、加速度、横摆角、横摆角速度等,(潜在/危险集)锁定目标车运动状态信息尺寸、相对距离、速度、加速度、横摆角、横摆角速度等立即进行车辆轨迹预测,预测时间范围即为TTC0。
二、车辆轨迹预测模块:
在所述状态参数预处理模块激活后续计算的前提下,使用“当前时刻”的自车与锁定目标车的运动状态等信息作为初始边界条件,对自车与锁定目标车在预设的预测时间范围内的行驶轨迹进行预测,计算碰撞预测结果,并记录“碰撞时刻”自车与锁定目标车的运动状态信息。
具体如下:
所述车辆轨迹预测模块根据行驶场景和涉及车辆的运动状态信息,对“潜在危险目标集”的锁定目标车基于运动学模型和感知***的感知信息进行运动状态估计;而对“危险目标集”的锁定目标车则直接基于“当前时刻”运动状态,使用运动学模型在预设的预测时间范围内(即≤TTC0)的行驶轨迹进行预测,同时也对自车轨迹进行预测,并计算自车与锁定目标车的碰撞可能性,若预测结果为“发生碰撞”,则还须记录“碰撞时刻”自车与锁定目标车的运动状态信息。
以下进一步的实施例以自车和危险目标集里某一辆锁定目标车所构成的“两车冲突场景”为例,进行具体说明,而对于多车冲突场景可逐一分解为若干个两车冲突场景。
1、车辆运动状态估计:由于车辆感知***存在精度误差,则对于上述“潜在危险目标集”的锁定目标车使用扩展卡尔曼滤波(EKF:Extended Kalman Filter)或无迹卡尔曼滤波(UKF:Unscented Kalman Filter)或进行目标车运动状态估计,使得感知信息在一定范围内更加精确。其中,估计频率与自车感知信息更新频率一致。
以下使用EKF为例进行具体描述:对于任一“潜在危险目标集”的锁定目标车,基于当前时刻感知数据计算所得信息,包括但不限于相对距离、航向角、速度、加速度、横摆角、横摆角速度等观测信息,以及基于车辆运动学模型所推导获得的预测信息进行运动状态估计。一般来说,对于相隔一个更新周期的两个时刻t1,t2:(1)EKF的“预测步骤”使用t1时刻估计后车辆运动状态使用车辆运动学模型进行推导t2时刻的预测状态/>(2)EKF的“观测步骤”使用t2时刻感知***所获得的观测信息计算获得观测状态/>(3)则基于预测状态和观测状态/>可获得t2时刻的估计后状态/>
根据感知信息所获得的运动状态信息的形式,须对所用运动学模型进行调整,使用相应运动学模型进行状态估计(考虑目标车加速度、横摆角速度是否有有效记录),包括恒转角速度恒加速度运动模型(CTRA:Constant Turn Rate and Acceleration)模型,恒加速度模型(CA:Constant Acceleration,若横摆角速度测量为零或无有效记录),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)。
由此,我们对“潜在危险目标集”的锁定目标车的运动状态基于感知***的更新频率进行了状态修正更新,直至其TTC大于TTCp,则被移除出“潜在危险目标集”,或者其TTC小于TTC0,则被移入“危险目标集”。
2、车辆轨迹预测:对于“危险目标集”中的锁定目标车则须立即进行轨迹预测并计算碰撞可能性,则仅基于“当前时刻”自车与锁定目标车的运动状态信息使用运动学模型推导,进行轨迹预测。
在对车辆轨迹进行预测时,首先对预测时间范围TTC0进行离散化
T=[T0=0,T1,...,Ti,...,TN-1,TN=TTC0],
将所述状态参数预处理模块输出的“当前时刻”自车运动状态信息作为初始时刻T0的状态信息,使用恒转角速度恒加速度运动学模型CTRA进行轨迹预测
Ego:[Xe,i,Ye,i,ve,i,ae,i,θe,i,ωe,i)
=CTRA(Xe,i-1,Ye,i-1,ve,i-1,ae,i-1,θe,i-1,ωe,i-1,Ti-Ti-1)。
CTRA运动学模型使用Ti-1时刻车辆几何中心的位置坐标信息(Xe,i-1,Ye,i-1),车辆平移的运动信息(ve,i-1,ae,i-1),以及车辆转动的运动信息(θe,i-1,ωe,i-1),利用一阶线性模型计算获得Ti时刻车辆的运动状态信息(Xe,i,Ye,i,ve,i,ae,i,θe,i,ωe,i)。由此,从初始时刻T0的状态信息出发,可迭代地获得每一个离散时刻Ti的车辆运动状态信息。
对于任一“危险目标集”中的锁定目标车,同理将所述状态参数预处理模块输出的当前时刻对应的运动状态信息作为初始时刻T0的初始运动状态信息。其中,根据感知信息的格式,须对所用运动学模型进行调整,使用相应运动学模型进行轨迹预测(考虑加速度、横摆角速度是否有有效记录),包括恒转角速度恒加速度运动模型CTRA模型,恒加速度模型CA,恒速度模型CV,使用上一时刻运动状态信息计算获得下一时刻状态,以此迭代地获得整个预测时间范围内地轨迹预测,即
Obj:
其中(Xe,i,Ye,i)和(Xo,i,Yo,i)分别为Ti时刻自车和锁定目标车的几何中心的坐标。
3、碰撞预测:对于预测时刻Ti,自车和任一锁定目标车的几何中心的相对距离为
令关于自车和锁定目标车的距离阈值
其中(lego,wego)和(lobj,wobj)分为别自车与锁定目标车长度与宽度。将Li与Lcrit进行比较
Li≤αLcrit,其中α为增益系数(默认为1,如需扩大检测范围可适当增大α)。当上式为真时,立即对“碰撞”进行预测。对于自车,由车辆几何中心坐标(Xe,i,Ye,i),航向角θe,i,以及车辆尺寸(lego,wego)可计算获得车辆四个顶角的坐标(Xe,i,j,Ye,i,j),j=1,2,3,4;同理可获得锁定目标车顶角坐标(Xo,i,j,Yo,i,j),j=1,2,3,4。
对于(Xe,i,j,Ye,i,j)和(Xo,i,j,Yo,i,j)所围成的两个矩形,检测是否有重叠(包括接触):若存在重叠,则判定两车“发生碰撞”,预测结果记为CR=1,如图4所示。
对于首次检测到“两车碰撞”的预测时刻Tc,记为“碰撞时刻”,可根据所述两个矩阵的位置信息计算两车接触面的重叠率φ;同时在预测时刻Tc终止迭代计算过程,并记录两车在预测时刻Tc的运动状态信息[Xe,c,Ye,c,ve,c,ae,c,θe,c,ωe,c],[Xo,c,Yo,c,vo,c,ao,c,θo,c,ωo,c]。
当在预测时间范围内(TTC0)没有检测到所述的两个矩形重叠时,则判定两车“未发生碰撞”,预测结果记为CR=0。
对于所有属于“危险目标集”的锁定目标车(由所述状态参数预处理模块给出判定数量G)均进行上述轨迹/碰撞预测计算,则存在包括自车在内的(G+1)项轨迹预测,以及G项碰撞预测结果(包括G1项“CR=1”,G0项“CR=0”)。所述碰撞预测仅涉及自车与其他车辆的碰撞预测;对于可能存在的包含两辆以上的多辆车同时发生碰撞的情况,分解为两两碰撞的简单情况进行碰撞预测。
三、车辆碰撞损伤程度预测模块:
对上述车辆轨迹预测模块输出的结果,进行车辆碰撞波形曲线预测,再进行乘员碰撞相应损伤预测,输出对应的自车乘员受伤严重程度的预测结果。
具体是:
使用“碰撞时刻Tc”车辆碰撞预测结果、自车与锁定目标车的运动状态信息、两车尺寸、质量、夹角、重叠率等参数作为输入,同时自车乘员的乘员约束形式状态信息作为该模块额外的输入参数,输出乘员损伤程度的预测结果。
该车辆碰撞损伤程度预测模块包含两个离线预训练的机器/深度学习模型:其一为车辆碰撞曲线预测,其二为乘员损伤程度预测。
1、车辆碰撞波形曲线预测:
所述车辆碰撞曲线预测是使用碰撞特征参数对车辆的碰撞过程的车辆碰撞曲线进行预测。可以采用现有技术,在现有技术中,对于碰撞前的波形的预测已有很多技术披露,例如专利文献CN107169235A中将波形等效为二阶双台阶波形,通过线性模型预测双台阶波形的关键参数,该方法预测的波形为方波,原始波形的信息损失大,且限于标准工况。
本申请人也提出过一种预测碰撞波形的方法(专利文献号:CN115099096A),即可以根据ADAS***获得的场景参数(目标物类型、目标物质量、目标物速度、碰撞角度和两车的相对速度)输入给碰撞波形预测模块,得到预测的碰撞波形。具体包括1.构建碰撞样本数据库:根据碰撞场景参数,采用有限元方法计算车辆碰撞波形曲线,将包含碰撞场景参数、车辆碰撞波形曲线等信息的仿真样本进行整理收集,建立碰撞样本数据库。2.获取波形的特征值:对碰撞样本数据库中每一个仿真样本的波形进行特征值的提取,简化车辆碰撞波形曲线的表征形式。3.构建机器/深度学习模型:建立使用碰撞场景参数作为输入,输出对应波形的特征值的碰撞波形特征值预测模型,并使用碰撞样本数据库作为训练/验证样本,对该碰撞波形特征值预测模型进行离线训练。4.波形预测:使用上述碰撞波形特征值预测模型,对于一给定的场景参数,在线计算对应的碰撞波形特征值,并将其还原成车辆碰撞波形曲线的时域表征形式(约200ms)。该方法可以用较少的样本集,快速得到不同场景下车辆的碰撞波形,在降低成本的同时,保证预测的精度,可以作为乘员损伤预测的输入。
在本实施例中,车辆碰撞曲线预测模型的具体做法是,首先对G项碰撞预测结果进行处理:其中对于G0项“未发生碰撞”CR=0的预测结果均直接输出恒值0曲线a(t)≡0;对于G1项“发生碰撞”CR=1的预测结果,每一项代表自车与某一锁定目标车发生碰撞。
具体地,在所述G项碰撞预测结果中,若对于第k项“未发生碰撞”,则直接输出ak(t)=0;反之,若第k项“发生碰撞”事件,由所述车辆轨迹预测模块计算可获得“碰撞时刻Tc”自车与第k辆锁定目标车的运动状态信息(Xe,c,Ye,c,ve,c,ae,c,θe,c,ωe,c)、(Xo,k,c,Yo,k,c,vo,k,c,ao,k,c,θo,k,c,ωo,k,c),同时两车尺寸(lego,wego)、(lobj,k,wobj,k),质量mego、mobj,k,夹角γk,重叠率φk等参数均输入传递给所述车辆碰撞曲线预测模型,便可输出获得对于第k项碰撞预测事件的“碰后”车辆碰撞波形曲线ak(t)。对于所有G1项“CR=1”的预测事件,均可获得与其对应的“碰后”车辆碰撞波形曲线。
2、乘员碰撞响应损伤预测:
对于乘员碰撞损伤程度预测,是将车辆碰撞曲线预测模型的输出车辆碰撞波形预测曲线,作为输入传递给所述乘员损伤程度预测模型,同时一起传递的参数还包括自车乘员的乘员约束形式状态信息等,通过离线预训练的机器/深度学习模型,预测包括但不限于头部、颈部、胸部等乘员损伤曲线,伤害指标和损伤等级概率曲线可参考FMVSS208。
对于所述车辆碰撞曲线预测模型输出的恒值0曲线a(t)≡0,直接输出损伤预测0;对于其他曲线,例如“发生碰撞”的第k条车辆碰撞波形预测曲线ak(t),则输出乘员损伤程度预测IRk。
对于乘员损伤程度预测模型,现有技术已经有各种公开的技术可以实现,例如,可以采用以下方式预训练的学习模型:以车辆碰撞波形、乘员约束信息(是否佩戴安全带、位姿情况、离位情况等)、乘员状态信息(年龄、性别、体形、注意力分散情况、疲劳程度等)作为变量,建立输入参数矩阵,使用高精度有限元进行仿真乘员碰撞响应运动曲线,以此获得一部分学习样本;另一部分为学习样本为真实试验获得的碰撞数据,两部分样本共同组成训练/验证样本数据库。使用获得的训练/验证样本数据对学习模型进行离线训练,同理学习模型不限制其结构与形式。最后使用该预训练完成的学习模型,以所述车辆碰撞预测曲线、乘员约束信息、乘员状态信息等作为输入参数,对自车碰后的乘员响应运动曲线aHP(t)进行预测,并进而预判潜在的乘员损伤程度。
对乘员碰撞响应曲线的预测包括驾乘人员不同部位的损失曲线。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,并以此计算获得乘员受伤程度指标预测IR。伤害指标和损伤等级概率曲线可参考美国道路交通安全法规FMVSS208。
四、碰撞及损伤可靠性检测模块:
所述碰撞及损伤可靠性检测模块是在考虑驾驶员操作不确定性的前提下,输出关于所述车辆轨迹预测模块的碰撞预测结果CR和所述车辆碰撞损伤程度预测模块的损伤预测结果IR的可靠度量化指标。
以下进一步的一个实施例,仍然以自车和危险目标集里某一辆锁定目标车所构成的“两车冲突场景”为例进行具体说明。
对于自车与任一锁定目标车,给定初始场景参数信息(即上述初始时刻T0所对应的场景参数),包括自车车辆几何中心的位置坐标信息(Xe,0,Ye,0),车辆平移的运动信息(ve,0,ae,0),以及车辆转动的运动信息(θe,0,ωe,0),以及锁定目标车在同一时刻的运动状态信息(Xo,0,Yo,0,vo,0,ao,0,θo,0,ωo,0),以及道路状态信息。在所述初始场景参数信息条件下,考虑驾驶员对当前车辆运行状态的反应,并转换为相应的车辆控制操作行为,使得车辆运动状态改变;同时伴随着自车/目标车运行状态、行驶时间、道路环境、驾驶风格等多方面因素影响,驾驶员响应行为具有各向异性的特点。
1、可靠度量化指标定义:所述车辆轨迹预测模块未考虑驾驶员操作不确定性:经过大量数据统计调查以及文献查阅,在险态场景中绝大多数驾驶人在极短时间内不足以做出有效规避操作,通常为无操作输入,车辆行驶轨迹仅由初始状态进行时间演化。将此条轨迹演化作为假定发展轨迹(presumptive true-path),即由所述车辆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。
在考虑驾驶员响应行为改变车辆运动状态的基础上(可以仅包含自车驾驶员操作,或包含自车、锁定目标车双方的驾驶员操作),可靠性量化指标可以定义为:在统计意义下,不同的驾驶员操作行为所导致的不同的碰撞/损伤预测结果,对关于所述车辆轨迹预测模块和车辆碰撞损伤程度预测模块的碰撞/损伤预测结果的偏离程度的度量:在给定初始场景参数的前提下,其中初始场景参数包括但不限于自车运动状态(Xe,0,Ye,0,ve,0,ae,0,θe,0,ωe,0),危险目标集里第k辆锁定目标车运动状态(Xo,k,0,Yo,k,0,vo,k,0,ao,k,0,θo,k,0,ωo,k,0),两车尺寸(lego,wego)、(lobj,k,wobj,k),质量mego、mobj,k,以及道路环境等信息,考虑驾驶员操作行为不确定性包括加/减速和转弯,则可获得U种不同的车辆碰撞预测结果和损伤程度预测结果[(CRk,1,IRk,1),(CRk,2,IRk,2),...,(CRk,U,IRk,U)],对应U种不同的行车轨迹交互情形;对于所述车辆轨迹预测模块和车辆碰撞损伤程度预测模块的原有预测结果记为(CRk,0,IRk,0),则在统计意义下,对第k辆锁定目标车的预测结果的可靠性量化指标可表示为
对于第r种预测结果(CRk,r,IRk,r),它与所述车辆轨迹预测模块和车辆碰撞损伤程度预测模块的原有预测结果(CRk,0,IRk,0)之间的差值越小,说明偏离程度越小;对于U种不同的车辆碰撞/损伤预测结果,将它们与(CRk,0,IRk,0)之间的偏离程度度量相加,获得统计学意义下的,宏观偏离程度度量的表征,由上式可知,对预测结果(CRk,0,IRk,0)的可靠性度量可以理解为:当越小,说明预测结果(CRk,0,IRk,0)越准确越可能出现,反之则说明预测结果(CRk,0,IRk,0)在驾驶员操作介入时越不稳定,容易发生改变。所述碰撞及损伤可靠性检测模块输出的可靠度量化指标即为/>
对于不同的初始场景参数的预测均可由上述方法获得其对应的可靠度量化指标,以此可生成“以初始场景参数为变量特征、以对应可靠度量化指标为标签”的大量样本数据。
2、构建可靠性检测的实施过程:所述碰撞及损伤可靠性检测模块采用机器/深度学习模型构建,将初始场景参数以及预测结果(CRk,0,IRk,0)作为输入进行传递,考虑驾驶员操作不确定性以获取关于预测结果的可靠度量化指标该模型包括:
(1)驾驶员操作行为数据库:对于含有碰撞发生可能的驾驶场景,基于人的趋利避害特性,将驾驶员操作行为简化为刹车和方向盘转向两种操控方式,并对所述两种操控方式在物理条件所允许的前提下,进行数值离散化,以获取有限范围内的行为类型,建立驾驶员操作行为数据库。
(2)驾驶员操作行为预测后验模型:以驾驶员操作行为数据为变量,建立驾驶员操作行为概率模型;考虑不同的行驶状态,并将场景参数的变化作为观测证据,建立驾驶员操作行为条件概率后验模型。
(3)考虑驾驶员操作不确定性而生成关于预测结果(CRk,0,IRk,0)的可靠度量化指标的样本数据:在一给定初始场景参数下,在原有进行车辆轨迹预测过程的基础上,对每一个离散时刻,均新添加表征驾驶员操作行为的随机状态输入量(以驾驶员操作行为条件概率后验模型为控制准则),以生成大量的、随机的车辆运行轨迹(即U对行驶轨迹曲线,自车与锁定目标车分别有U种行驶轨迹曲线),并计算每一条行驶轨迹的碰撞预测结果CRk,r和损伤预测结果IRk,r,由此可获得在给定初始场景参数下,关于原有预测结果(CRk,0,IRk,0)所对应的可靠度量化指标/>
(4)可靠度量化指标样本数据库:对于不同的初始场景参数,计算获得对应的可靠度量化指标,建立可靠度量化指标样本数据库。
(5)构建机器/深度学习模型:建立以初始场景参数以及原有预测结果(CRk,0,IRk,0)为输入,可靠度量化指标为输出的机器/深度学习模型,并将所述可靠度量化指标样本数据库作为训练/验证样本,进行离线训练学习。
以上,所述碰撞及损伤可靠性检测模块使用以驾驶员操作行为条件概率后验模型为准则的随机驾驶员操作行为来表征驾驶员操作不确定性,由此生成大量随机样本,以统计的方式建立可靠度量化指标;使用机器/深度学习模型进行离线训练学习,而在线实时计算仅对原有预测结果进行判定,并不涉及驾驶员操作不确定性的额外计算,以此提高在线计算速度,大大缩短检测计算时间。
所述碰撞及损伤可靠性检测模块生成的样本包含两部分:
一是对于给定初始场景参数,由于驾驶员操作不确定性而随机生成不同轨迹曲线,每条轨迹作为一个样本并计算对应的碰撞/损伤预测结果(CR,IR),样本量记为U。
二是对于每一个随机生成的不同初始场景参数,作为一个样本,并标记对应的可靠度量化指标(∑CR,∑IR),样本量记为Q。则以“初始场景参数”、“驾驶员操作不确定性”两者作为变量,一共须生成Q×U项轨迹样本。
3、驾驶员操作不确定性的量化表征方法:对于给定初始场景参数,对驾驶员操作行为建立以下假设:
A.驾驶员的操作方式仅存在刹车和方向盘转向两种操控方式。
B.所述两种操控方式对应的车辆状态输入变量表征为车辆加速度a和横摆角速度ω。
C.驾驶员通过对两车相对距离Δl、相对速度Δv、两车夹角Δθ、重叠率φ等参数(作为隐状态变量),进行分析、预测和评估,最终产生的动作刹车和方向盘转向分别反映为车辆加速度a和横摆角速度ω两项状态输入变量(作为可观测变量)。
D.对于极短的离散时间范围内(如50ms),车辆行驶状态改变满足线性变换。
以下以自车为例,给出建立自车驾驶员操作不确定性量化表征的具体过程;同理可对锁定目标车进行相同处理方式建立他车驾驶员操作不确定性的量化表征。
所述驾驶员操作行为数据库,对加速度a、横摆角速度ω在物理条件所允许的前提下,进行数值离散化,以获取有限范围内的离散行为特征
a=[a1,a2,...,aζ],
ω=[ω1,ω2,...,ωη]。
其中a1,aζ,ω1,ωη为物理条件所允许的上/下限极值,且加速度a、横摆角速度ω各自的转换相互独立。
所述驾驶员操作行为预测后验模型,是在考虑自车/目标车运行状态、行驶时间、道路环境、驾驶风格等多方面因素影响下,对驾驶员操作行为的条件概率描述。根据对驾驶员操作反应表征的难易程度,可通过以下三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样本:
同所述车辆轨迹预测模块的计算过程类似,在离散时间的模拟过程中,首先使用初始场景参数作为运动模型CTRA/CA/CV的参数进行初始化,之后在每一个离散时刻Ti,传递的参数不仅包括状态参数(Xe,i,Ye,i,ve,i,ae,i,θe,i,ωe,i),还包括由概率模型随机生成的状态输入变量/>则运动学递推模型可表示为
B.使用包括但不限于两车相对距离Δl、相对速度Δv、两车夹角Δθ、重叠率φ等参数作为隐状态变量,对车辆加速度a和横摆角速度ω进行估计,建立隐马尔科夫模型(HMM:Hidden Markov Medel),即
在生成不同轨迹样本的过程与所述方法A一致,仅仅将加速度和横摆角速度的概率模型替换为对应的隐马尔科夫模型。同理,在每个离散时刻可获得ζ×η种不同的操作方式,最终最多可获得(ζ×η)N条不同的轨迹曲线。
由于加速度和横摆角速度输入相互独立,则可以建立融合正态分布概率模型
获得在[Ti,Ti+1]时间段内“平均的”驾驶员操作引起车辆运动状态改变后的行驶轨迹;并可计算求得Ti+1时刻的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Ti+1时刻车辆状态的概率统计分布);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,每一个点代表不同的Ti+1时刻车辆状态。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TN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ξN个轨迹样本。
比较: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,则考虑了行驶状态对驾驶员操作的影响,以两车相对距离、相对速度、两车夹角、重叠率等参数作为隐状态变量,建立驾驶员操作条件概率后验模型;而所述方法C在方法B的基础上,对驾驶员操作的统计模型进行建立概率模型,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,其复杂度可简单表达为O(ζNηN);而方法C的计算复杂度可表示为O(ξN)。
4、机器/深度模型构建:对于给定初始场景参数,由于所述驾驶员操作不确定性的量化表征方法可生成U(≤ζNηN或ξN)条轨迹曲线,并可计算每条曲线对应的碰撞/损伤预测结果,最后能计算获得关于原有预测(CR,IR)的可靠度量化指标(∑CR,∑IR)。不同初始场景参数对应不同的可靠度量化指标,通过上述方法,则可生成Q项样本,以此构成机器/深度模型所需的训练/验证样本集。
所述机器/深度模型,训练/验证样本集由上述可靠度量化指标(∑CR,∑IR)样本组成:每个样本的初始场景参数包括但不限于自车运动状态(Xe,0,Ye,0,ve,0,ae,0,θe,0,ωe,0),锁定目标车运动状态(Xo,0,Yo,0,vo,0,ao,0,θo,0,ωo,0),两车尺寸(lego,wego)、(lobj,wobj),质量mego、mobj,和道路环境等信息;每个样本的碰撞/损伤指标(CR,IR)由所述车辆轨迹预测模块和车辆碰撞损伤程度预测模块输出;每个样本对应的可靠度量化指标(∑CR,∑IR)作为其标签。将初始场景参数和碰撞/损伤指标一起作为样本特征输入给所述机器/深度模型,计算输出每个样本的可靠度量化指标,将输出和样本对应的标签进行比较,以此对该机器/深度模型的参数作相应调教,直至输出与样本标签一致;此训练过程同一般机器/深度学习的训练过程相符。
五、综合决策模块:
所述综合决策模块接收前述模块输出传递的碰撞预测结果CR信号、损伤预测结果IR信号、以及对应可靠度量化指标(∑CR,∑IR)信号等,进行时域上的综合性评估,输出发送与锁定目标车对应的碰撞风险评估信号。
根据所述M个预测结果可获得其对应的平均值、方差
以及针对于“CR=1”预测结果的极值
对于以上所示指标,进行评估逻辑定义,在兼顾预测信号在时域上的变化趋势和稳定性等指标的同时,也对预测信号中出现的极值进行分析,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车位置方位的描述。
针对于每一个属于危险目标集的锁定目标车的监测,所述综合决策模块“仅接收其预测信号而不输出发送对应评估信号”的过程定义为关于此目标车监测中的“信号接收阶段P0”,将“既接收预测信号并同时发送输出对应评估信号”的过程定义为“信号发送阶段P1”。由此,针对可能出现的特殊情况进行说明:
A.对于首次被添加进危险目标集的车辆在“信号接收阶段”首次获得大于等于M/2(向上取整:Ceil(M/2))个有效预测数据后,立即进入“信号发送阶段”,在当前有效数据量的基础上进行评估,直至接收信号数量满足最新的连续M个有效数据。
B.对于某一目标车的监测过程中,接收的最新连续M个预测信号中出现缺失:若缺失个数少于Cell(M/2),则仍置于“信号发送阶段”,并剔除缺失的信号,以当前M个预测信号中的有效数据量为基础进行评估;若缺失个数多于Ceil(M/2),则转为“信号接收阶段”,直至最新的连续M个预测信号中含至少Ceil(M/2)个有效预测信号,则再次进入“信号发送阶段”,以当前M个预测信号中的有效数据量为基础进行评估,直至接收信号数量满足最新的连续M个有效数据。
C.对于某一锁定目标车在连续监测过程中出现被移除出危险目标集后又被重新添加,记录其被移除后又添加的过程中所跳过的信号接收数量,记为最新连续M个预测信号中的缺失信号;同说明B一致,根据缺失信号的数量进行“信号接收/发送阶段”的转换和处理。
D.对于某一次接收的预测信号其碰撞预测结果CRk,0,crit=1,同时损伤预测结果超过预设阈值:IRk,0,crit≥IRthreshold,且可靠性量化指标小于预设阈值:/>则立即输出发送“最高危险等级”评估信号。
最后需要说明的是,以上所述使用的实施例仅用于详细解释说明本方法的实施过程,而非对本方法的实施进行限制。在实际使用中,各模块之间传递的信号形式应是包含整个危险目标集的,以单个锁定目标车为基本元素的矢量形式信号,每个基本元素中包含关于此锁定目标车与自车交互的具体描述,而各模块对信号处理的方式不应进行限制。本领域的技术人员应当理解,在不脱离本方法的设计概念的前提下,可以对其中具体实施细节进行若干修改和变形,这些都属于本方法的保护范围。
Claims (17)
1.一种车辆碰撞风险预测***,其特征在于,所述***包括:状态参数预处理模块、车辆轨迹预测模块、车辆碰撞损伤程度预测模块、碰撞及损伤可靠性检测模块和综合决策模块;
所述状态参数预处理模块,用于对初始场景参数进行处理,确定危险目标集合,并基于自车与锁定目标车的相对运动信息判断是否激活后续预测模块;所述初始场景参数包括自车与锁定目标车的运动状态信息及道路环境信息;
所述车辆轨迹预测模块,用于在所述状态参数预处理模块判断激活后续预测模块前提下,使用当前时刻自车与锁定目标车的运动状态信息作为初始边界条件,对自车与锁定目标车在预设的预测时间范围内的行驶轨迹进行预测,计算碰撞预测结果;
所述车辆碰撞损伤程度预测模块,用于根据所述碰撞预测结果,进行车辆碰撞波形曲线预测,再进行乘员碰撞相应损伤预测,输出对应的自车乘员受伤严重程度的预测结果;
所述碰撞及损伤可靠性检测模块,用于使用当前时刻自车与锁定目标车的运动状态信息作为边界特征输入机器/深度学习模型,对所述车辆轨迹预测模块的碰撞预测结果和碰撞损伤预测模块的碰撞损伤预测结果进行可靠性分析,并给出关于所述碰撞及损伤预测结果的可靠度量化指标;
所述综合决策模块,用于综合分析碰撞预测结果、碰撞损伤预测结果和可靠度量化指标,并给出综合性碰撞风险评估。
2.根据权利要求1所述的车辆碰撞风险预测***,其特征在于,所述状态参数预处理模块对获得的初始场景参数进行处理,确定危险目标集,包括:通过自车以及锁定目标车运动状态信息,动态计算碰撞时间TTC;对获得的每个锁定目标车的TTC依据大小排序,将满足TTC0≤TTC≤TTCp的锁定目标车设为含潜在威胁的目标,记为潜在危险目标集,将满足TTC≤TTC0的目标设为威胁性较大的目标,记为危险目标集;其中TTCp和TTC0为基于危险紧急程度预设的TTC碰撞时间最长和最短两个时间阈值;
所述状态参数预处理模块判断是否激活后续预测模块的条件是:当出现满足TTC0≤TTC≤TTCp或TTC≤TTC0的目标时,激活后续预测模块。
3.根据权利要求1所述的车辆碰撞风险预测***,其特征在于,所述车辆轨迹预测模块具体是:根据行驶场景和涉及车辆的运动状态信息,对潜在危险目标集的锁定目标车基于运动学模型和感知***的感知信息进行车辆运动状态估计;再对危险目标集的锁定目标车基于当前时刻运动状态,使用运动学模型在预设的预测时间范围内的行驶轨迹和自车轨迹进行预测,并计算自车与锁定目标车的碰撞可能性,若预测结果为发生碰撞,则记录碰撞时刻自车与锁定目标车的运动状态信息。
4.根据权利要求3所述的车辆碰撞风险预测***,其特征在于,所述车辆轨迹预测模块进行车辆运动状态估计:是对潜在危险目标集的锁定目标车的运动状态基于感知***的更新频率进行运动状态估计,直至其TTC大于TTCp,则被移除出潜在危险目标集,或者其TTC小于TTC0,则被移入危险目标集;估计方法不限于使用扩展卡尔曼滤波或无迹卡尔曼滤波或粒子滤波,估计频率与自车感知信息更新频率一致。
5.根据权利要求3所述的车辆碰撞风险预测***,其特征在于,所述车辆轨迹预测模块进行碰撞预测,具体是:
对于预测时刻Ti,自车和任一锁定目标车的几何中心的相对距离为
令关于自车和锁定目标车的距离阈值
其中(lego,wego)和(lobj,wobj)分为别自车与锁定目标车长度与宽度;
将Li与Lcrit进行比较:Li≤αLcrit,其中α为增益系数;
当上式为真时,则对碰撞进行预测;
根据自车顶角坐标(Xe,i,j,Ye,i,j)和锁定目标车顶角坐标(Xo,i,j,Yo,i,j)所围成的两个矩形,j=1,2,3,4,检测是否有重叠:若有重叠,则判定两车发生碰撞,预测结果记为CR=1;当在预测时间范围内(TTC0)没有检测到所述的两个矩形重叠时,则判定两车未发生碰撞,预测结果记为CR=0;
对于所有属于危险目标集的锁定目标车数量G,均进行轨迹/碰撞预测计算,则存在包括自车在内的(G+1)项轨迹预测,以及G项碰撞预测结果,即包括G1项“CR=1”,G0项“CR=0”。
6.根据权利要求1所述的车辆碰撞风险预测***,其特征在于,所述车辆碰撞损伤程度预测模块在进行预测时,对于会发生碰撞的预测结果,先将碰撞时刻自车与锁定目标车的运动状态信息即碰撞边界信息、两车尺寸、质量、夹角、重叠率参数输入车辆碰撞曲线预测模型,获得车辆碰撞波形预测曲线;再将车辆碰撞波形预测曲线和自车乘员的乘员约束形式状态信息即座舱约束信息作为参数输入乘员损伤程度预测模型,对自车乘员的碰撞响应运动进行预测。
7.根据权利要求6所述的车辆碰撞风险预测***,其特征在于,所述车辆碰撞损伤程度预测模块利用车辆碰撞曲线预测模型获得车辆碰撞预测曲线的方法是:在G项碰撞预测结果中,若第k项发生碰撞事件,将碰撞时刻Tc自车与第k辆锁定目标车的运动状态信息(Xe,c,Ye,c,ve,c,ae,c,θe,c,ωe,c)、(Xo,k,c,Yo,k,c,vo,k,c,ao,k,c,θo,k,c,ωo,k,c),两车尺寸(lego,wego)、(lobj,k,wobj,k),质量mego、mobj,k,夹角γk,重叠率φk参数均输入所述车辆碰撞曲线预测模型,输出获得对于第k项碰撞预测事件的碰后车辆碰撞波形曲线ak(t)。
8.根据权利要求6所述的车辆碰撞风险预测***,其特征在于,所述车辆碰撞损伤程度预测模块利用乘员损伤程度预测模型进行乘员碰撞响应损伤预测的方法是:将车辆碰撞波形预测曲线和自车乘员的乘员约束形式状态信息作为输入传递给所述乘员损伤程度预测模型,对于车辆碰撞波形预测曲线是恒值0曲线a(t)≡0,直接输出损伤预测0;对于是发生碰撞的第k条车辆碰撞波形预测曲线ak(t),则输出乘员损伤程度预测IRk。
10.根据权利要求9所述的车辆碰撞风险预测***,其特征在于,所述碰撞及损伤可靠性检测模块使用的关于驾驶员操作行为的条件概率后验模型是:在以驾驶员操作行为数据为变量建立的驾驶员操作行为概率模型的基础上,再考虑不同的行驶状态,并将场景参数的变化作为观测证据,建立的驾驶员操作行为条件概率后验模型。
11.根据权利要求9所述的车辆碰撞风险预测***,其特征在于,所述可靠性量化指标是指:在统计意义下,不同的驾驶员操作行为所导致的不同的碰撞/损伤预测结果,对关于所述车辆轨迹预测模块和车辆碰撞损伤程度预测模块的碰撞/损伤预测结果的偏离程度的度量。
12.根据权利要求11所述的车辆碰撞风险预测***,其特征在于,所述可靠性量化指标的定义方式为:在给定初始场景参数的前提下,获得U种不同的车辆碰撞预测结果和损伤程度预测结果[(CRk,1,IRk,1),(CRk,2,IRk,2),...,(CRk,U,IRk,U)],对应U种不同的行车轨迹交互情形;对于所述车辆轨迹预测模块和车辆碰撞损伤程度预测模块的原有预测结果记为(CRk,0,IRk,0),则在统计意义下,对第k辆锁定目标车的预测结果的可靠性量化指标表示为
13.根据权利要求1所述的车辆碰撞风险预测***,其特征在于,所述综合决策模块是根据接收的碰撞预测结果CR信号、损伤预测结果IR信号以及对应可靠度量化指标(∑CR,∑IR)信号,进行时域上的综合性评估,输出与锁定目标车对应的碰撞风险评估信号。
15.根据权利要求13所述的车辆碰撞风险预测***,其特征在于,针对于每一个属于危险目标集的锁定目标车的监测,综合决策模块将仅接收其预测信号而不输出发送对应评估信号的过程定义为关于此目标车监测中的信号接收阶段P0,将既接收预测信号并同时发送输出对应评估信号的过程定义为信号发送阶段P1。
16.根据权利要求13所述的车辆碰撞风险预测***,其特征在于,针对信号接收和发送可能出现的特殊情况,所述综合决策模块的规则如下:
A.对于首次被添加进危险目标集的车辆在信号接收阶段首次获得大于等于M/2个有效预测数据后,立即进入信号发送阶段,在当前有效数据量的基础上进行评估,直至接收信号数量满足最新的连续M个有效数据;
B.对于某一目标车的监测过程中,接收的最新连续M个预测信号中出现缺失:若缺失个数少于Ceil(M/2),则仍置于信号发送阶段,并剔除缺失的信号,以当前M个预测信号中的有效数据量为基础进行评估;若缺失个数多于Ceil(M/2),则转为信号接收阶段,
直至最新的连续M个预测信号中含至少Ceil(M/2)个有效预测信号,则再次进入信号发送阶段,以当前M个预测信号中的有效数据量为基础进行评估,直至接收信号数量满足最新的连续M个有效数据;
C.对于某一锁定目标车在连续监测过程中出现被移除出危险目标集后又被重新添加,记录其被移除后又添加的过程中所跳过的信号接收数量,记为最新连续M个预测信号中的缺失信号;同B一致,根据缺失信号的数量进行信号接收/发送阶段的转换和处理。
17.一种车辆,其特征在于,所述车辆配置有权利要求1-16任一项所述的车辆碰撞风险预测***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310332856.8A CN116353584A (zh) | 2023-03-31 | 2023-03-31 | 一种车辆碰撞风险预测***及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310332856.8A CN116353584A (zh) | 2023-03-31 | 2023-03-31 | 一种车辆碰撞风险预测***及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116353584A true CN116353584A (zh) | 2023-06-30 |
Family
ID=86919328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310332856.8A Pending CN116353584A (zh) | 2023-03-31 | 2023-03-31 | 一种车辆碰撞风险预测***及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116353584A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113856A (zh) * | 2023-10-23 | 2023-11-24 | 中汽研(天津)汽车工程研究院有限公司 | 一种适用预碰撞场景的假人模型确定方法及*** |
CN117360496A (zh) * | 2023-09-21 | 2024-01-09 | 清华大学 | 一种以损伤风险最优化为目标的车辆控制方法和装置 |
CN117438094A (zh) * | 2023-11-02 | 2024-01-23 | 厦门理工学院 | 一种行人头部损伤预测方法及其预测*** |
CN117698770A (zh) * | 2024-02-06 | 2024-03-15 | 北京航空航天大学 | 基于多场景融合的自动驾驶决策安全碰撞风险评估方法 |
CN117828310A (zh) * | 2024-03-04 | 2024-04-05 | 中汽研汽车检验中心(天津)有限公司 | 基于传递函数矩阵的胸部冲击损伤预测方法、设备及介质 |
CN117962747A (zh) * | 2024-03-29 | 2024-05-03 | 长城汽车股份有限公司 | 预警方法、装置、车载终端及车辆 |
-
2023
- 2023-03-31 CN CN202310332856.8A patent/CN116353584A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117360496A (zh) * | 2023-09-21 | 2024-01-09 | 清华大学 | 一种以损伤风险最优化为目标的车辆控制方法和装置 |
CN117113856A (zh) * | 2023-10-23 | 2023-11-24 | 中汽研(天津)汽车工程研究院有限公司 | 一种适用预碰撞场景的假人模型确定方法及*** |
CN117113856B (zh) * | 2023-10-23 | 2024-01-30 | 中汽研(天津)汽车工程研究院有限公司 | 一种适用预碰撞场景的假人模型确定方法及*** |
CN117438094A (zh) * | 2023-11-02 | 2024-01-23 | 厦门理工学院 | 一种行人头部损伤预测方法及其预测*** |
CN117438094B (zh) * | 2023-11-02 | 2024-05-17 | 厦门理工学院 | 一种行人头部损伤预测方法及其预测*** |
CN117698770A (zh) * | 2024-02-06 | 2024-03-15 | 北京航空航天大学 | 基于多场景融合的自动驾驶决策安全碰撞风险评估方法 |
CN117698770B (zh) * | 2024-02-06 | 2024-04-12 | 北京航空航天大学 | 基于多场景融合的自动驾驶决策安全碰撞风险评估方法 |
CN117828310A (zh) * | 2024-03-04 | 2024-04-05 | 中汽研汽车检验中心(天津)有限公司 | 基于传递函数矩阵的胸部冲击损伤预测方法、设备及介质 |
CN117828310B (zh) * | 2024-03-04 | 2024-05-31 | 中汽研汽车检验中心(天津)有限公司 | 基于传递函数矩阵的胸部冲击损伤预测方法、设备及介质 |
CN117962747A (zh) * | 2024-03-29 | 2024-05-03 | 长城汽车股份有限公司 | 预警方法、装置、车载终端及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116353584A (zh) | 一种车辆碰撞风险预测***及车辆 | |
Gu et al. | A novel lane-changing decision model for autonomous vehicles based on deep autoencoder network and XGBoost | |
Agamennoni et al. | Estimation of multivehicle dynamics by considering contextual information | |
CN109572550B (zh) | 一种行车轨迹预测方法、***、计算机设备及存储介质 | |
US10710581B2 (en) | Transportation vehicle control device and method for determining avoidance trajectories for a collision-free avoidance maneuver of multiple transportation vehicles | |
EP4397547A1 (en) | Vehicle collision risk prediction device and method | |
CN112829742B (zh) | 乘员安全决策方法和装置 | |
US11242050B2 (en) | Reinforcement learning with scene decomposition for navigating complex environments | |
Sun et al. | An integrated solution for lane level irregular driving detection on highways | |
JP7354295B2 (ja) | 車両信号を処理して挙動危険性の測度を計算するための装置及び方法 | |
JP2009176288A (ja) | 運転監視方法および運転監視装置 | |
Peng et al. | Intelligent method for identifying driving risk based on V2V multisource big data | |
Wissing et al. | Trajectory prediction for safety critical maneuvers in automated highway driving | |
Peng et al. | Rough set based method for vehicle collision risk assessment through inferring driver's braking actions in near-crash situations | |
Amsalu et al. | Driver intention estimation via discrete hidden Markov model | |
Harkous et al. | A two-stage machine learning method for highly-accurate drunk driving detection | |
Lakhal et al. | Risk management for intelligent vehicles based on interval analysis of ttc | |
Wang et al. | Online safety assessment of automated vehicles using silent testing | |
CN116758741A (zh) | 一种多维度不确定性感知的智能汽车碰撞概率预测方法 | |
Sun et al. | Online distraction detection for naturalistic driving dataset using kinematic motion models and a multiple model algorithm | |
CN118014349A (zh) | 一种隧道事故风险评估方法、***及设备 | |
KR20200076129A (ko) | Lstm 기반 조향 행동 모니터링 장치 및 그 방법 | |
Zhang et al. | A lane-changing prediction method based on temporal convolution network | |
Peng et al. | A Method for Vehicle Collision Risk Assessment through Inferring Driver's Braking Actions in Near-Crash Situations | |
Li et al. | Driving lane change intent recognition based on vehicle exterior environment variables |
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 |