CN117755323A - 基于行人车辆动态交互的安全策略确定方法和装置 - Google Patents
基于行人车辆动态交互的安全策略确定方法和装置 Download PDFInfo
- Publication number
- CN117755323A CN117755323A CN202311388825.0A CN202311388825A CN117755323A CN 117755323 A CN117755323 A CN 117755323A CN 202311388825 A CN202311388825 A CN 202311388825A CN 117755323 A CN117755323 A CN 117755323A
- Authority
- CN
- China
- Prior art keywords
- target
- motion
- determining
- measured object
- target user
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000008846 dynamic interplay Effects 0.000 title claims abstract description 28
- 230000033001 locomotion Effects 0.000 claims abstract description 295
- 238000004088 simulation Methods 0.000 claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 58
- 238000011217 control strategy Methods 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000006399 behavior Effects 0.000 claims description 84
- 238000004590 computer program Methods 0.000 claims description 24
- 230000000638 stimulation Effects 0.000 claims description 21
- 230000003116 impacting effect Effects 0.000 claims description 13
- 239000006185 dispersion Substances 0.000 claims description 10
- 230000000875 corresponding effect Effects 0.000 description 94
- 238000010586 diagram Methods 0.000 description 14
- 230000000007 visual effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000004424 eye movement Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 239000008188 pellet Substances 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种基于行人车辆动态交互的安全策略确定方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:确定目标工况对应的运动参数,运动参数包括碰撞物体与目标被测对象之间的第一距离、碰撞物体的初始速度、目标被测对象的运动速度和运动方向;响应于目标用户的触发操作,基于运动参数进行运动模拟处理,并获取被测对象在运动模拟过程中的运动监测信息以及目标用户的生物信号;基于运动监测信息以及目标用户的生物信号,确定目标行为不确定参数;基于目标行为不确定参数对应的车辆控制策略类型,确定目标工况对应的车辆控制策略。采用本方法能够提高确定车辆控制策略的精准度,从而提高了车辆的安全性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于行人车辆动态交互的安全策略确定方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着计算机技术的发展,车辆控制技术越来越受到人们的重视。通过车辆控制技术,车辆可以使用车辆控制策略(即安全策略)来进行自动控制,如制动、加速、避让等,从而实现车辆的自动驾驶。
传统技术中,人们通过会根据车辆和目标对象二者的相对运动情况,来确定不同工况下的车辆控制策略,这样,车辆在行驶过程中,可以根据不同的工况,使用不同的车辆控制策略进行控制处理,以保证车辆的安全性。
然而,由于车辆控制策略通常是基于单一变量确定出的,即只考虑车辆和目标对象二者的相对运动情况。而实际工况通常较为复杂,行人在不同情况下的反应和情绪都会影响自身行为,对车辆的行驶具有较大影响,因此,基于上述方式,确定车辆控制策略的精准度较低,车辆安全性较差。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高确定车辆控制策略的精准度的基于行人车辆动态交互的安全策略确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种基于行人车辆动态交互的安全策略确定方法,包括:
确定目标工况对应的运动参数,所述运动参数包括碰撞物体与目标被测对象之间的第一距离、碰撞物体的初始速度、目标被测对象的运动速度和运动方向;
响应于目标用户的触发操作,基于所述运动参数进行运动模拟处理,并获取被测对象在运动模拟过程中的运动监测信息以及所述目标用户的生物信号;
基于所述运动监测信息以及所述目标用户的生物信号,确定目标行为不确定参数;
基于所述目标行为不确定参数对应的车辆控制策略类型,确定所述目标工况对应的车辆控制策略。
在其中一个实施例中,所述基于所述运动监测信息以及所述目标用户的生物信号,确定目标行为不确定参数包括:
确定所述运动监测信息的数据分布信息,将所述数据分布信息对应的离散度作为初始行为不确定参数;
根据预设的识别规则,识别所述目标用户的生物信号的特征信息,并根据所述特征信息确定目标调整参数;
基于所述初始行为不确定参数和目标调整参数,确定目标行为不确定参数。
在其中一个实施例中,所述响应于目标用户的触发操作,基于所述运动参数进行运动模拟处理,并获取被测对象在运动模拟过程中的运动监测信息以及所述目标用户的生物信号,包括:
响应于目标用户的触发操作,根据所述碰撞物体与目标被测对象之间的第一距离、以及所述碰撞物体的初始速度、所述目标被测对象的运动速度和运动方向,显示所述碰撞物体与目标被测对象的相对运动图像,并获取被测对象在相对运动图像的显示过程中的运动监测信息以及所述目标用户的生物信号;
判断所述目标被测对象是否通过所述碰撞物体对应的轨迹范围,并根据判断结果和当前的惩罚等级,确定本次的操作评分;
根据所述本次的操作评分更新所述目标用户对应的总操作评分,并返回所述确定目标工况对应的运动参数的步骤,直到达到预设停止条件。
在其中一个实施例中,所述响应于目标用户的触发操作,基于所述运动参数进行运动模拟处理,并获取被测对象在运动模拟过程中的运动监测信息以及所述目标用户的生物信号,包括:
响应于目标用户的触发操作,确定所述目标被测对象对应的目标运动方式;
根据所述碰撞物体与目标被测对象之间的第一距离、以及所述碰撞物体的初始速度、所述目标被测对象的运动速度、所述运动方向和所述目标运动方式,显示所述碰撞物体与目标被测对象的相对运动图像,并获取被测对象在相对运动图像的显示过程中的运动监测信息以及所述目标用户的生物信号;
若所述目标被测对象通过所述碰撞物体对应的轨迹范围,则根据所述目标运动方式确定本次的操作评分,并根据所述本次的操作评分更新所述目标用户对应的总操作评分,并返回所述确定目标工况对应的运动参数的步骤,直到所述总操作评分满足预设评分条件;
若所述目标被测对象未通过所述碰撞物体对应的轨迹范围,则结束运动模拟处理。
在其中一个实施例中,所述运动监测信息为安全时间余量,或在不同的刺激时间压力和自身时间压力下的目标运动方式的概率。
在其中一个实施例中,所述方法还包括:
将所述第一距离和所述碰撞物体的初始速度的比值,确定为刺激时间压力;
将所述目标被测对象的出现位置与所述碰撞物体的轨迹范围边界的第二距离、以及目标被测对象的运动速度的比值,确定为自身时间压力。
第二方面,本申请还提供了一种基于行人车辆动态交互的安全策略确定装置,包括:
第一确定模块,用于确定目标工况对应的运动参数,所述运动参数包括碰撞物体与目标被测对象之间的第一距离、碰撞物体的初始速度、目标被测对象的运动速度和运动方向;
获取模块,用于响应于目标用户的触发操作,基于所述运动参数进行运动模拟处理,并获取被测对象在运动模拟过程中的运动监测信息以及所述目标用户的生物信号;
第二确定模块,用于基于所述运动监测信息以及所述目标用户的生物信号,确定目标行为不确定参数;
第三确定模块,用于基于所述目标行为不确定参数对应的车辆控制策略类型,确定所述目标工况对应的车辆控制策略。
在其中一个实施例中,所述第二确定模块,具体用于:
确定所述运动监测信息的数据分布信息,将所述数据分布信息对应的离散度作为初始行为不确定参数;
根据预设的识别规则,识别所述目标用户的生物信号的特征信息,并根据所述特征信息确定目标调整参数;
基于所述初始行为不确定参数和目标调整参数,确定目标行为不确定参数。
在其中一个实施例中,所述获取模块,具体用于:
响应于目标用户的触发操作,根据所述碰撞物体与目标被测对象之间的第一距离、以及所述碰撞物体的初始速度、所述目标被测对象的运动速度和运动方向,显示所述碰撞物体与目标被测对象的相对运动图像,并获取被测对象在相对运动图像的显示过程中的运动监测信息以及所述目标用户的生物信号;
判断所述目标被测对象是否通过所述碰撞物体对应的轨迹范围,并根据判断结果和当前的惩罚等级,确定本次的操作评分;
根据所述本次的操作评分更新所述目标用户对应的总操作评分,并返回所述确定目标工况对应的运动参数的步骤,直到达到预设停止条件。
在其中一个实施例中,所述获取模块,具体用于:
响应于目标用户的触发操作,确定所述目标被测对象对应的目标运动方式;
根据所述碰撞物体与目标被测对象之间的第一距离、以及所述碰撞物体的初始速度、所述目标被测对象的运动速度、所述运动方向和所述目标运动方式,显示所述碰撞物体与目标被测对象的相对运动图像,并获取被测对象在相对运动图像的显示过程中的运动监测信息以及所述目标用户的生物信号;
若所述目标被测对象通过所述碰撞物体对应的轨迹范围,则根据所述目标运动方式确定本次的操作评分,并根据所述本次的操作评分更新所述目标用户对应的总操作评分,并返回所述确定目标工况对应的运动参数的步骤,直到所述总操作评分满足预设评分条件;
若所述目标被测对象未通过所述碰撞物体对应的轨迹范围,则结束运动模拟处理。
在其中一个实施例中,所述运动监测信息为安全时间余量,或在不同的刺激时间压力和自身时间压力下的目标运动方式的概率。
在其中一个实施例中,所述装置还包括:
第四确定模块,用于将所述第一距离和所述碰撞物体的初始速度的比值,确定为刺激时间压力;
第五确定模块,用于将所述目标被测对象的出现位置与所述碰撞物体的轨迹范围边界的第二距离、以及目标被测对象的运动速度的比值,确定为自身时间压力。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法步骤。
第四方面,本申请还提供了一种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上述方法步骤。
第五方面,本申请还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方法步骤。
上述基于行人车辆动态交互的安全策略确定方法、装置、计算机设备、存储介质和计算机程序产品,先确定目标工况对应的运动参数,运动参数包括碰撞物体与目标被测对象之间的第一距离、碰撞物体的初始速度、目标被测对象的运动速度和运动方向;响应于目标用户的触发操作,基于运动参数进行运动模拟处理,并获取被测对象在运动模拟过程中的运动监测信息以及目标用户的生物信号;基于运动监测信息以及目标用户的生物信号,确定目标行为不确定参数;基于所述目标行为不确定参数对应的车辆控制策略类型,确定所述目标工况对应的车辆控制策略。通过本方案,可以分析出用户在目标工况下的行为不确定性(即目标行为不确定参数),综合考虑了不同目标工况的影响,来确定车辆控制策略类型,进而根据该车辆控制策略类型确定目标工况下的车辆控制策略,有效的提高了确定车辆控制策略的精准度,从而提高了车辆行驶的安全性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中基于行人车辆动态交互的安全策略确定方法的应用环境图;
图2a为一个实施例中运动模拟的示意图;
图2b为一个实施例中数据分析的示意图;
图3为一个实施例中运动模拟过程的方法的流程示意图;
图4为一个实施例中运动模拟过程的方法的流程示意图;
图5为一个实施例中确定目标行为不确定参数步骤的流程示意图;
图6为一个实施例中目标用户的决策执行时间与最短通过时间相关性分析示意图;
图7a和图7b为一个实施例中目标用户的行为概率分布的示意图;
图8为一个实施例中基于行人车辆动态交互的安全策略确定装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
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。
在一个实施例中,如图1所示,提供了一种基于行人车辆动态交互的安全策略确定方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,确定目标工况对应的运动参数。
其中,运动参数包括碰撞物体与目标被测对象之间的第一距离、碰撞物体的初始速度、目标被测对象的运动速度和运动方向。
本申请实施例中,目标工况可以用于反映目标被测对象与碰撞物体的相对运动情况。终端可以确定目标工况对应的运动参数。具体的,终端可以响应于用户的配置操作,获取用户配置的目标工况对应的运动参数;或者,终端也可以根据预设确定策略,确定本次模拟的目标工况的运动参数。运动参数可以包括碰撞物体与目标被测对象之间的第一距离、碰撞物体的初始速度、以及目标被测对象的运动速度和运动方向。通过设定不同的运动参数,可以模拟不同工况下目标被测对象与碰撞物体的相对运动情况。
在一种实现方式中,可以展示目标工况对应的目标图像,目标被测对象可以是虚拟对象,可以通过在图像中展示第一预设图标(如小球)来表征目标被测对象;碰撞物体可以是能够发生碰撞的移动物体(如车辆),可以通过在图像中展示第二预设图标(如黑色方块)来表征碰撞物体。在目标图像中,第一预设图标和第二预设图标的初始位置不相同。
步骤104,响应于目标用户的触发操作,基于运动参数进行运动模拟处理,并获取被测对象在运动模拟过程中的运动监测信息以及目标用户的生物信号。
本申请实施例中,目标用户可以通过交互设备向终端发送指令,其中,交互设备可以包括但不限于键盘、鼠标、手柄等,本申请实施例不做限定。终端响应于目标用户的触发操作,可以基于碰撞物体与目标被测对象之间的第一距离、碰撞物体的初始速度、目标被测对象的运动速度和运动方向,显示碰撞物体与目标被测对象相对运动的图像。目标用户则可以看到碰撞物体与目标被测对象相对运动情况,比如是否贴近、是否发生碰撞等。这样,可以通过图像模拟行人与车辆相对运动(即动态交互)的情况。
在显示过程中,持续监测被测对象在运动模拟过程中的运动监测信息。运动监测信息可以为安全时间余量,或在不同的刺激时间压力和自身时间压力下的目标运动方式的概率。运动监测信息可以根据模拟规则确定,不同的模拟规则下,可以采集不同的运动监测信息进行分析,以提高基于行人车辆动态交互的安全策略确定的准确性。在显示过程中还可以采集目标用户的生物信号。生物信号、以及生物信号的采集方式可以是多种多样的,例如,生物信号可以包括但不限于眼动数据、脑电数据、红外数据等,相应的,终端可以通过眼动仪、脑电设备、近红外设备等,采集目标用户的生物信号。
在一个示例中,可以在模拟环境中设置用于播放图像的显示器,显示器的屏幕比例可以为21:9,刷新频率可以为60Hz,目标用户的眼睛距离显示器约75cm,在运动模拟处理过程中,灰色小球的半径为0.1°,黑色方块的宽度dow=9.1°(以视角表示),每次模拟之间随机间隔2~4.5s。
步骤106,基于运动监测信息以及目标用户的生物信号,确定目标行为不确定参数。
本申请实施例中,终端中可以预测存储有行为分析策略,并根据行为分析策略,对运动监测信息以及目标用户的生物信号进行分析,得到目标行为不确定参数。目标行为不确定参数用于表征在上述目标工况下,用户行为的不确定性;目标行为不确定参数的越大,不确定性越高,反之,目标行为不确定参数的越小,不确定性越低,
步骤108,基于所述目标行为不确定参数对应的车辆控制策略类型,确定所述目标工况对应的车辆控制策略。
本申请实施例中,终端中可以预先存储行为不确定参数和车辆控制策略类型的对应关系。其中,车辆控制策略为用于控制车辆安全行驶的策略,也可称为安全策略。车辆控制策略类型包含保守类型、积极类型、普通类型等。在一种实现方式中,一种目标工况可以对应有不同类型的车辆控制策略,这样,终端可以在该对应关系中,查询目标行为不确定参数对应的车辆控制策略类型,进而在目标工况对应车辆控制策略中,将该车辆控制策略类型的车辆控制策略,确定为目标工况对应的车辆控制策略。在另一种实现方式中,终端中也可以存储有多种类型的车辆控制策略,终端在该对应关系中,查询到目标行为不确定参数对应的车辆控制策略类型后,可以在该的车辆控制策略类型对应的车辆控制策略中,选择目标工况对应的车辆控制策略。
本申请实施例中,先确定目标工况对应的运动参数,运动参数包括碰撞物体与目标被测对象之间的第一距离、碰撞物体的初始速度、目标被测对象的运动速度和运动方向;响应于目标用户的触发操作,基于运动参数进行运动模拟处理,并获取被测对象在运动模拟过程中的运动监测信息以及目标用户的生物信号;基于运动监测信息以及目标用户的生物信号,确定目标行为不确定参数;基于所述目标行为不确定参数对应的车辆控制策略类型,确定所述目标工况对应的车辆控制策略。通过本方案,可以分析出用户在目标工况下的行为不确定性(即目标行为不确定参数),综合考虑了行人在不同情况下的不确定性,来确定车辆控制策略类型,进而根据该车辆控制策略类型确定目标工况下的车辆控制策略,有效的提高了确定车辆控制策略的精准度,从而提高了车辆行驶的安全性。
在一个示例中,目标被测对象可以显示为灰色小球,碰撞物体显示为黑色方块。参见图2a,黑色方块出现在距离灰色小球的第一距离处,并以恒定的初始速度从右向左运动。在运动过程中,灰色小球的速度可以是恒定的,目标用户提前获知目标被测对象(即灰色小球)的运动速度,使目标用户在已知灰色小球速度的情况下,通过实时感知黑色方块的速度判断是否可以安全通过。目标用户可以根据灰色小球的运动状态和对于黑色方块运动的预测选择合适的时间,通过按键选择触发行为控制灰色小球开始运动、并通过黑色方块的轨迹范围,尽量不发生碰撞,每次模拟时目标用户只能触发一次。
当黑色方块到达灰色小球所处的横向位置时,双方都停止运动,并显示总得分和本试次的得分。若此时灰色小球通过黑色方块的轨迹范围,则得分。若此时灰色小球未通过黑色方块的轨迹范围,则灰色小球与黑色方块发生碰撞,则产生惩罚。在实施中,可以进行多次模拟,并且每次模拟之间随机间隔。
基于上述运动模拟处理,可以对交通场景下行人与车辆的动态交互过程进行抽象,将行人在危险交通场景下面临的决策问题提炼抽象为动态交互刺激下的人员决策机理研究。目标工况对应的运动参数与真实场景的信息对应如下:(1)行人根据其与车辆的相对位置关系(小球与方块的距离)、车辆的速度信息估计车辆驶来的时间(黑色方块的移动时间)以避免碰撞(惩罚)并通过马路(奖励)为目标进行行为决策;(2)影响行人决策关键变量包括行人对自身速度的估计,车辆轨迹宽度(黑色方块的宽度),行人通过车辆轨迹范围的时间(自身时间压力),行人与车辆的纵向距离,车辆速度,车辆驶来时刻;(3)通过行为分析策略,分析人员决策的不确定性,比如根据行人通过马路后冗余的距离和时间(安全时间余量),判断决策分布及其不确定性。参见图2b,为本申请实施例提供的数据分析的示意图。
需要说明的是,为了使刺激特征呈多水平、均匀分布,本申请中,单次运动模拟中刺激出现时黑色方块与灰色小球之间的距离保持固定,刺激时间压力(tpo)通过设置黑色方块的速度来实现,设时间压力范围为2.0~3.5s;目标用户通过按“向上键”触发灰色小球开始运动,所有运动模拟过程中灰色小球被触发后获得恒定的速度(vs=9.3°/s),因此,目标用户的自身时间压力(ts)可以通过设置小球出现的初始位置(ds)来实现,即小球随机出现在一定范围内(灰色小球出现的示意位置)。刺激时间压力和自身时间压力之间的水平参数随机组合,在运动模拟过程中随机出现。
表一动态刺激设计参数示例
具体的,使刺激时间压力(tpo)呈正态分布的具体原理为:刺激出现时黑色方块与灰色小球之间的距离(dio)保持不变,刺激时间压力(tpo)通过设置黑色方块的速度来实现。为了实现黑色方块移动过程中距离灰色球的距离(do)处时其到达灰色小球处的时间(to)呈正态分布,需要对黑色方块的速度(vo)分布进行设计,即求一个常数与正态分布比值的分布。若t服从正态分布,其概率密度函数为:
其中,μ和σ为t分布的均值和标准差。
求x=C/t(C为常数)的概率密度函数为:
因此,为了使to为正态分布,设计vo服从g(x)的概率密度函数,即可获得服从正态分布的to=do/vo。因此,在任意do位置,to均服从以下的正态分布,
其中,tio和σtio分别为刺激出现时刻(即dio位置处)to分布的均值和标准差。设时间压力分布的均值tio=2.75s,标准差σtio=0.5。刺激时间压力分布和自身时间压力水平之间随机组合,在实验中随机出现。
可选的,运动模拟的方式可以多种多样的,本申请实施例提供了两种可行的实施方式。如图3所示,为本申请实施例提供的第一种运动模拟过程,具体包括以下步骤:
步骤302,响应于目标用户的触发操作,根据碰撞物体与目标被测对象之间的第一距离、以及碰撞物体的初始速度、目标被测对象的运动速度和运动方向,显示碰撞物体与目标被测对象的相对运动图像,并获取被测对象在相对运动图像的显示过程中的运动监测信息以及目标用户的生物信号。
本申请实施例中,用户可以通过交互设备向终端发送指令,终端响应于目标用户的触发操作,可以根据碰撞物体与目标被测对象之间的第一距离、以及碰撞物体的初始速度、目标被测对象的运动速度和运动方向,显示碰撞物体与目标被测对象的相对运动图像。并且,终端可以获取被测对象在相对运动图像的显示过程中的运动监测信息以及目标用户的生物信号。其中,运动监测信息可以是安全时间余量。安全时间余量为碰撞物体到达目标被测对象处时,目标被测对象位置至碰撞物体轨迹范围边界移动的时间,可记为tsm。tsm=dsm/vs或tsm=trttc-ts。其中,dsm为碰撞物体到达目标被测对象轨迹处时,目标被测对象位置至碰撞物体轨迹范围边界的距离,定义为期望安全距离余量;vs为目标被测对象的运动速度;trttc为目标用户触发按键时刻至碰撞物体达到目标被测对象处的时间,ts为目标被测对象移动至碰撞物体轨迹范围上边界处所需的时间,ts=ds/vs,ds为目标被测对象出现位置至碰撞物体轨迹范围边界的距离,初始时刻目标被测对象静止。
步骤304,判断目标被测对象是否通过碰撞物体对应的轨迹范围,并根据判断结果和当前的惩罚等级,确定本次的操作评分。
其中,判断结果包括目标被测对象通过碰撞物体对应的轨迹范围、以及目标被测对象未通过碰撞物体对应的轨迹范围(即目标被测对象与碰撞物体发生碰撞),惩罚等级用于反映在目标被测对象与碰撞物体发生碰撞的情况下,对目标用户的惩罚程度。在实施中,可以在不同的惩罚等级下执行本方法,并且,在一次执行过程中,目标用户的数目可以为多个,从而得到多名目标用户对应的数据,以便于提高确定车辆控制策略的准确度,本申请实施例以一名目标用户的情况为例进行说明,其他情况与之类似。需要说明的是,在一次执行过程中,多名目标用户对应的惩罚等级是相同的。
本申请实施例中,终端可以通过图像分析,确定目标被测对象和碰撞物体的运动轨迹,进而根据目标被测对象和碰撞物体的运动轨迹,判断目标被测对象是否通过碰撞物体对应的轨迹范围,根据评分规则、判断结果和当前的惩罚等级,计算本次的操作评分。
步骤306,根据本次的操作评分更新目标用户对应的总操作评分,并返回确定目标工况对应的运动参数的步骤,直到达到预设停止条件。
本申请实施例中,终端可以根据本次的操作评分,更新目标用户对应的总操作评分,然后,根据当前的总操作评分和/或操作次数,判断是否达到预设停止条件。如果未达到预设停止条件,则返回确定目标工况对应的运动参数的步骤,如果达到预设停止条件,则结束运动模拟处理。
在一个示例中,当碰撞物体移动到目标被测对象处时,双方都自动停止运动,并显示总操作评分和本次的操作评分,总操作评分为所有试次的累计得分。目标用户在单试次中的操作评分依据目标被测对象停止的位置计算获得,若此时目标被测对象通过碰撞物体的轨迹范围,则得分,目标被测对象停止位置越接近碰撞物体的轨迹范围得分会越高,最低分为0分,最高分为100分,终端将本次的操作评分与上一次得到的总操作评分相加,得到更新后的总操作评分。本次的操作评分的计算公式如下:
其中,dsm为碰撞物体到达目标被测对象轨迹处时,目标被测对象位置至碰撞物体轨迹范围边界的距离,定义为期望安全距离余量;dow为碰撞物体的宽度。
若目标被测对象未通过碰撞物体的轨迹范围,则发生碰撞,受到惩罚。为考察碰撞惩罚程度对人员期望安全时间估计的影响,将惩罚程度划分为4个等级(即惩罚等级),碰撞后将从总操作评分中扣除相应的分数,即本次的操作评分为负值。例如:惩罚等级为1,0分惩罚,惩罚等级为2,400分惩罚,惩罚等级为3,800分惩罚,惩罚等级为4,总操作评分清零惩罚(模拟惩罚无限大)。
每个目标用户进行多次触发操作,当总操作评分大于或等于预设评分阈值,或者,目标用户的操作次数大于或等于预设的操作次数阈值,则判定达到预设停止条件。可选的,若目标用户的大于或等于预设的操作次数阈值,但总操作评分小于预设评分阈值,则可以剔除目标用户对应的数据,以提高数据的有效性。
可选的,如图4所示,为本申请实施例提供的第二种运动模拟过程,具体包括以下步骤:
步骤402,响应于目标用户的触发操作,确定目标被测对象对应的目标运动方式。
本申请实施例中,用户可以通过不同的按键,触发目标被测对象按照不同的运动方式进行运动。其中,运动方式用于表征不同的运动行为,可以包含但不限于正常前进速度、快速前进速度和后退速度。用户在每次选择一种运动方式进行触发操作。终端响应于目标用户的触发操作,可以确定该触发操作对应的目标运动方式。
在一个示例中,如上所示,刺激时间压力(tio)可以通过设置碰撞物体的速度(vo)服从g(x)来实现碰撞物体移动到任何位置(do)时其到达目标被测对象处的时间(to)呈正态分布,即tio~N(2.75,0.5)。自身时间压力(ts)通过小球出现的初始位置(ds)和小球的速度(vs)进行调节。目标用户可以通过按数字键“1”、“2”、“3”选择不同的小球触发速度,小球的速度可以设置为3类:(1)正常前进速度vs=5.2°/s,目标用户按“2”键触发,(2)快速前进速度vs=9.3°/s,目标用户按“1”键触发,(3)后退速度vs=-5.2°/s,目标用户按“3”键触发。
表二动态刺激设计参数示例
步骤404,根据碰撞物体与目标被测对象之间的第一距离、以及碰撞物体的初始速度、目标被测对象的运动速度、运动方向和目标运动方式,显示碰撞物体与目标被测对象的相对运动图像,并获取被测对象在相对运动图像的显示过程中的运动监测信息以及目标用户的生物信号。
本申请实施例中,终端可以根据碰撞物体与目标被测对象之间的第一距离、以及碰撞物体的初始速度、目标被测对象的运动速度、运动方向和目标运动方式,在显示设备中,显示碰撞物体与目标被测对象的相对运动图像,并获取被测对象在相对运动图像的显示过程中的运动监测信息以及目标用户的生物信号。其中,运动监测信息可以是在不同的刺激时间压力和自身时间压力下的目标运动方式的概率。
步骤406,若目标被测对象通过碰撞物体对应的轨迹范围,则根据目标运动方式确定本次的操作评分,并根据本次的操作评分更新目标用户对应的总操作评分,并返回确定目标工况对应的运动参数的步骤,直到总操作评分满足预设评分条件。
本申请实施例中,若目标被测对象通过碰撞物体对应的轨迹范围(即目标被测对象与碰撞物体未碰撞),则终端可以在预先存储的运动方式和评分的对应关系,确定目标运动方式对应的目标操作评分,作为本次的操作评分。终端将本次的操作评分与目标用户上一次更新得到的总操作评分相加,得到更新后的总操作评分。然后,终端根据当前的总操作评分和/或操作次数,判断总操作评分是否大于或等于预设评分阈值。如果总操作评分小于预设评分阈值,则返回确定目标工况对应的运动参数的步骤,如果总操作评分大于或等于预设评分阈值,则结束运动模拟处理。
在一个示例中,若目标用户选择正常前进速度(“2”键)且不发生碰撞通过黑块轨迹范围,则本次的操作评分为100分,此处正常前进速度代表目标用户不需要付出额外的努力就可以完成任务,比如行人以在正常的步行速度通过马路;若目标用户选择快速前进速度(“1”键)且不发生碰撞通过黑块轨迹范围,则本次的操作评分为40分,此处快速前进代表目标用户需要付出正常状态下额外的努力才能完成任务,比如行人需要加速前进才能安全通过;若目标用户认为其不能安全通过选择后退行为(“3”键)且不发生碰撞退回到黑块轨迹范围以下,则本次的操作评分为0分,目标用户选择退回表示没有完成实验任务所以没有奖励。
步骤408,若目标被测对象未通过碰撞物体对应的轨迹范围,则结束运动模拟处理。
本申请实施例中,若目标被测对象通过碰撞物体对应的轨迹范围(即目标被测对象与碰撞物体碰撞),则终端结束运动模拟处理并开始计时,在达到预设时长后,输出通知消息,该通知消息用户提示目标用户可以执行触发操作。可选的,每名目标用户进行N组操作,只有在不发生碰撞的情况下总操作评分达到第一预设数值才被视为有效数据,并且,当总操作评分达到预设评分阈值分时停止运动模拟处理。
可选的,上述方法还包括:将第一距离和碰撞物体的初始速度的比值,确定为刺激时间压力;将目标被测对象的出现位置与碰撞物体的轨迹范围边界的第二距离、以及目标被测对象的运动速度的比值,确定为自身时间压力。
本申请实施例中,终端可以计算第一距离和碰撞物体的初始速度的比值,得到刺激时间压力。终端还可以通过图像识别算法,识别目标被测对象的出现位置与碰撞物体的轨迹范围边界的第二距离、进而计算第二距离和目标被测对象的运动速度的比值,得到自身时间压力。
通过上述方法,可以确定出刺激时间压力和自身时间压力,以便于对记录的数据进行分析。
可选的,如图5所示,基于运动监测信息以及目标用户的生物信号,确定目标行为不确定参数包括:
步骤502,确定运动监测信息的数据分布信息,将数据分布信息对应的离散度作为初始行为不确定参数。
本申请实施例中,终端基于预先存储的数据分析策略,对运动监测信息进行数据分析,得到数据分布信息,然后计算数据分布信息对应的离散度,进而将该离散度作为初始行为不确定参数。
可选的,对于不同的运动模拟过程,运动监测信息不同,相应的,可以采用不同的数据分析策略进行分析。以上述两种运动模拟过程为例,本申请对初始行为不确定参数的确定过程进行说明。
针对第一种运动模拟过程,终端可以记录每名目标用户在运动模拟过程中的安全时间余量,进而统计每名目标用户的安全时间余量的数据分布信息,如概率密度分布,进而对其概率密度进行K-S检验。该检验结果显示所有目标用户tsm的概率密度均符合正态分布(P>0.05),表明目标用户行为具有期望目标的同时具有一定的不确定性,可以理解为tsm的均值即为目标用户的行为期望值,而数据的分散程度代表了决策行为的不确定性。因此,终端计算数据分布信息对应的离散度(如标准差),得到初始行为不确定参数
可以理解,终端还可以通过数据分析策略,分析惩罚等级对目标用户决策时间的影响。具体的,在高惩罚等级下,目标用户趋向于选择较大的安全时间余量,保证足够的时间安全通过。因此,碰撞惩罚程度对决策时间具有关键性影响。即惩罚等级与安全时间余量正相关。参照图6,为本申请实施例提供的不同惩罚等级下,目标用户的决策执行时间与最短通过时间相关性分析示意图。其中,tsm为安全时间余量,是碰撞物体到达目标被测对象处时,目标被测对象位置至碰撞物体轨迹范围边界移动的时间。tsm=dsm/vs或tsm=trttc-ts。其中,dsm为碰撞物体到达目标被测对象轨迹处时,目标被测对象位置至碰撞物体轨迹范围边界的距离,定义为期望安全距离余量;vs为目标被测对象的运动速度;trttc为目标用户触发按键时刻至碰撞物体达到目标被测对象处的时间,ts为目标被测对象移动至碰撞物体轨迹范围上边界处所需的时间,ts=ds/vs,ds为目标被测对象出现位置至碰撞物体轨迹范围边界的距离,初始时刻目标被测对象静止。安全时间边界线以下的区域表示在该决策时间下目标被测对象与碰撞物体碰撞
针对第二种运动模拟过程,目标用户在奖励规则驱动下,根据刺激的运动特征进行决策,由于正常前进选择具有最高的奖励(100分),目标用户选择该行为的频率最高;快速前进的奖励次之(40分),选择的频率也相对较低;后退行为下没有奖励,因此选择该行为频率最低,为目标用户为了躲避碰撞而被迫进行的选择。
表三数据统计结果示例
终端基于上述统计结果计算在不同动态刺激时间压力(tpo)和自身时间压力(ts)下,目标用户选择各目标运动方式的概率,进而针对该概率进行数据分布分析,得到该概率的数据分布信息,然后,终端计算该数据分布信息的离散度(如标准差),得到初始行为不确定参数。其中,在低刺激时间压力下,目标用户有充足的时间进行决策和通行,因此选择以正常速度通过的概率最大,且不同运动方式下的概率分布集中,目标用户决策的不确定性低(标准差小),对目标用户行为预测难度较低;随着刺激时间压力的增大,目标用户选择正常前进行为的概率降低,选择后退和加速前进的概率提高,且行为的不确定性增大(标准差大),对目标用户行为预测难度较大。与刺激时间压力相反,低自身时间压力下,目标用户对各运动方式的选择概率均匀分布,且不确定性大;随着自身时间压力的升高,目标用户选择正常速度前进的概率增大,选择后退行为的概率减小,且行为的不确定性降低,有利于预测目标用户决策行为。具体来说,当tpo小于2.25s、当ts大于0.625s时(时间压力较高),目标用户决策行为的不确定性高,该工况下对目标用户决策行为的预测基本上是无效的。参加图7a和图7b,为本申请实施例提供的目标用户的行为概率分布。其中,tpo是刺激时间压力,用于表征黑色方块从出现时刻移动到灰球处需要的时间,tpo=dio/vo。dio为碰撞物体(黑色方块)出现时刻距离目标被测对象(灰色小球)的距离,vo是碰撞物体的移动速度(即初始速度),碰撞物体以初始速度匀速运动。
步骤504,根据预设的识别规则,识别目标用户的生物信号的特征信息,并根据特征信息确定目标调整参数。
本申请实施例中,终端还可以根据预设的识别规则,识别目标用户的生物信号的特征信息,并根据特征信息确定目标调整参数。在一种实现方式中,生物信号可以包括但不限于眼动数据、脑电数据、红外数据,相应的,生物信号的特征信息可以包含视觉分布特征、脑电图特征、红外特征。
终端可以对眼动数据进行分析,确定目标用户从刺激出现到产生决策(触发)行为的视觉分布特征,具体可以为视觉注意分布特征。例如,视觉分布特征可以以热力图形式显示,热力图包含有多个观察区,目标用户在观察过程中,从1号热力图区转移到2号热力图区的时间为221ms(刺激出现后目标用户的视觉感应时间),目标用户对移动放开的持续观察时间即2号热力区到5号热力区的持续时间为511ms(目标用户的视觉认知时间)。这样,通过眼动数据可客观的描述目标用户的视觉注意分布。终端可以将视觉注意分布输入预先训练的识别模型,得到目标用户的目标注意力等级,进而根据预先存储的注意力等级和调整参数的对应关系,确定目标注意力等级对应的目标调整参数。其中,目标注意力等级用于表征目标用户的紧张程度,目标注意力等级与目标调整参数正相关,具体的,视觉注意分布特征中的时间越长、用户越紧张、行为不确定定性越高。
终端还可以对脑电数据进行波形分析,识别脑电数据中目标时间点的目标幅值,进而根据幅值和调整参数的对应关系,确定目标幅值对应的目标调整参数。幅值的绝对值与调整参数正相关。例如,终端识别FZ电极(前额叶)表现出明显的P2成分,在高刺激时间压力下其幅值更高,在高刺激时间压力下500ms左右时间处出现明显的负峰值电位,可能与高时间压力下对目标用户造成的紧张有关,进而影响高时间压力下目标用户决策行为的不去确定;对于电极CZ、POZ电极,在300ms之前其电位幅值变化基本不受时间压力的影响,300ms之后高时间压力产生的电位幅值更高。
终端可以对红外数据进行分析,确定目标用户从刺激出现到产生决策(触发)行为的红外分布特征。例如,红外分布特征可以以热力图形式显示。与眼动数据类似,终端可以将红外分布特征输入预先训练的识别模型,得到目标用户的目标注意力等级,进而根据预先存储的注意力等级和调整参数的对应关系,确定目标注意力等级对应的目标调整参数。其中,目标注意力等级用于表征目标用户的紧张程度,目标注意力等级与目标调整参数正相关。
可选的,在生物信号为多种的情况下,终端可以对各生物信号对应的目标调整参数进行加权求和计算,得到最终的目标调整参数。其中,各生物信号对应的可以由技术人员根据实际需求设定,本申请实施例不做限定。
步骤506,基于初始行为不确定参数和目标调整参数,确定目标行为不确定参数。
本申请实施例中,目标调整参数可以为具体的数值,该数值可以为正数或负数。终端可以将初始行为不确定参数与目标调整参数相加,得到目标行为不确定参数。或者,目标调整参数也可以为比例系数,终端可以将初始行为不确定参数与目标调整参数相乘,得到目标行为不确定参数。
通过本申请实施例提供的方法,可以在时间域上对危险场景的紧急程度进行量化,可以针对不同的工况,获得不同目标用户的行为不确定参数,从而直观的分析时间压力对目标用户决策行为不确定性的影响。例如,根据图7左侧的结果,刺激时间压力小于2.5s时,目标用户决策行为的不确定增大随机性增强,在该时间压力范围内对目标用户行为预测的有效性下降;扩展到行人与车辆的冲突中,在不考虑行人行为执行时间约束的前提下,当TTC小于2.25s、行人通过时间大于0.625s的场景下,行人决策行为具有高度不确定性,该工况下车辆的感知预测***难以对行人做出有效的预测,则可以确定车辆采集保守类型的控制策略,如仅执行制动操作。
此外,本专利提供的实验方法具有良好的拓展性,可以综合考虑不同冲突场景下目标用户(行人)的感知决策时间,例如,行人与车辆前进方向存在非垂直的夹角的情况,分析不同交互场景下目标用户的决策概率,指导车辆安全算法执行时间的设计。
并且,本专利基于采集到的生物信号可从决策机理客观分析目标用户决策不确定性的机理,例如高时间压力下额叶区表现出的紧张脑电信号体现了目标用户决策不确定性可能来源于紧张的心理情绪,从而提高了确定车辆控制策略的准确度。
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基于行人车辆动态交互的安全策略确定方法的基于行人车辆动态交互的安全策略确定装置。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基于行人车辆动态交互的安全策略确定装置实施例中的具体限定可以参见上文中对于基于行人车辆动态交互的安全策略确定方法的限定,在此不再赘述。
在一个示例性的实施例中,如图8所示,提供了一种基于行人车辆动态交互的安全策略确定装置,包括:第一确定模块810、获取模块820、第二确定模块830和第三确定模块840,其中:
第一确定模块810,用于确定目标工况对应的运动参数,所述运动参数包括碰撞物体与目标被测对象之间的第一距离、碰撞物体的初始速度、目标被测对象的运动速度和运动方向;
获取模块820,用于响应于目标用户的触发操作,基于所述运动参数进行运动模拟处理,并获取被测对象在运动模拟过程中的运动监测信息以及所述目标用户的生物信号;
第二确定模块830,用于基于所述运动监测信息以及所述目标用户的生物信号,确定目标行为不确定参数;
第三确定模块840,用于基于所述目标行为不确定参数对应的车辆控制策略类型,确定所述目标工况对应的车辆控制策略。
在其中一个实施例中,所述第二确定模块830,具体用于:
确定所述运动监测信息的数据分布信息,将所述数据分布信息对应的离散度作为初始行为不确定参数;
根据预设的识别规则,识别所述目标用户的生物信号的特征信息,并根据所述特征信息确定目标调整参数;
基于所述初始行为不确定参数和目标调整参数,确定目标行为不确定参数。
在其中一个实施例中,所述获取模块820,具体用于:
响应于目标用户的触发操作,根据所述碰撞物体与目标被测对象之间的第一距离、以及所述碰撞物体的初始速度、所述目标被测对象的运动速度和运动方向,显示所述碰撞物体与目标被测对象的相对运动图像,并获取被测对象在相对运动图像的显示过程中的运动监测信息以及所述目标用户的生物信号;
判断所述目标被测对象是否通过所述碰撞物体对应的轨迹范围,并根据判断结果和当前的惩罚等级,确定本次的操作评分;
根据所述本次的操作评分更新所述目标用户对应的总操作评分,并返回所述确定目标工况对应的运动参数的步骤,直到达到预设停止条件。
在其中一个实施例中,所述获取模块820,具体用于:
响应于目标用户的触发操作,确定所述目标被测对象对应的目标运动方式;
根据所述碰撞物体与目标被测对象之间的第一距离、以及所述碰撞物体的初始速度、所述目标被测对象的运动速度、所述运动方向和所述目标运动方式,显示所述碰撞物体与目标被测对象的相对运动图像,并获取被测对象在相对运动图像的显示过程中的运动监测信息以及所述目标用户的生物信号;
若所述目标被测对象通过所述碰撞物体对应的轨迹范围,则根据所述目标运动方式确定本次的操作评分,并根据所述本次的操作评分更新所述目标用户对应的总操作评分,并返回所述确定目标工况对应的运动参数的步骤,直到所述总操作评分满足预设评分条件;
若所述目标被测对象未通过所述碰撞物体对应的轨迹范围,则结束运动模拟处理。
在其中一个实施例中,所述运动监测信息为安全时间余量,或在不同的刺激时间压力和自身时间压力下的目标运动方式的概率。
在其中一个实施例中,所述装置还包括:
第四确定模块,用于将所述第一距离和所述碰撞物体的初始速度的比值,确定为刺激时间压力;
第五确定模块,用于将所述目标被测对象的出现位置与所述碰撞物体的轨迹范围边界的第二距离、以及目标被测对象的运动速度的比值,确定为自身时间压力。
上述基于行人车辆动态交互的安全策略确定装置,先确定目标工况对应的运动参数,运动参数包括碰撞物体与目标被测对象之间的第一距离、碰撞物体的初始速度、目标被测对象的运动速度和运动方向;响应于目标用户的触发操作,基于运动参数进行运动模拟处理,并获取被测对象在运动模拟过程中的运动监测信息以及目标用户的生物信号;基于运动监测信息以及目标用户的生物信号,确定目标行为不确定参数;基于所述目标行为不确定参数对应的车辆控制策略类型,确定所述目标工况对应的车辆控制策略。通过本方案,可以分析出用户在目标工况下的行为不确定性(即目标行为不确定参数),综合考虑了行人在不同情况下的不确定性,来确定车辆控制策略类型,进而根据该车辆控制策略类型确定目标工况下的车辆控制策略,有效的提高了确定车辆控制策略的精准度,从而提高了车辆行驶的安全性。
上述基于行人车辆动态交互的安全策略确定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。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。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、显示单元和输入装置通过输入/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***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进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于行人车辆动态交互的安全策略确定方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9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。
在一个示例性的实施例中,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基于行人车辆动态交互的安全策略确定方法的步骤。
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,计算机程序被处理器执行时实现上述基于行人车辆动态交互的安全策略确定方法的步骤。
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基于行人车辆动态交互的安全策略确定方法的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
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 (10)
1.一种基于行人车辆动态交互的安全策略确定方法,其特征在于,所述方法包括:
确定目标工况对应的运动参数,所述运动参数包括碰撞物体与目标被测对象之间的第一距离、所述碰撞物体的初始速度、目标被测对象的运动速度和运动方向;
响应于目标用户的触发操作,基于所述运动参数进行运动模拟处理,并获取被测对象在运动模拟过程中的运动监测信息以及所述目标用户的生物信号;
基于所述运动监测信息以及所述目标用户的生物信号,确定目标行为不确定参数;
基于所述目标行为不确定参数对应的车辆控制策略类型,确定所述目标工况对应的车辆控制策略。
2.根据权利要求1所述的方法,其特征在于,所述基于所述运动监测信息以及所述目标用户的生物信号,确定目标行为不确定参数包括:
确定所述运动监测信息的数据分布信息,将所述数据分布信息对应的离散度作为初始行为不确定参数;
根据预设的识别规则,识别所述目标用户的生物信号的特征信息,并根据所述特征信息确定目标调整参数;
基于所述初始行为不确定参数和目标调整参数,确定目标行为不确定参数。
3.根据权利要求1所述的方法,其特征在于,所述响应于目标用户的触发操作,基于所述运动参数进行运动模拟处理,并获取被测对象在运动模拟过程中的运动监测信息以及所述目标用户的生物信号,包括:
响应于目标用户的触发操作,根据所述碰撞物体与目标被测对象之间的第一距离、以及所述碰撞物体的初始速度、所述目标被测对象的运动速度和运动方向,显示所述碰撞物体与目标被测对象的相对运动图像,并获取被测对象在相对运动图像的显示过程中的运动监测信息以及所述目标用户的生物信号;
判断所述目标被测对象是否通过所述碰撞物体对应的轨迹范围,并根据判断结果和当前的惩罚等级,确定本次的操作评分;
根据所述本次的操作评分更新所述目标用户对应的总操作评分,并返回所述确定目标工况对应的运动参数的步骤,直到达到预设停止条件。
4.根据权利要求1所述的方法,其特征在于,所述响应于目标用户的触发操作,基于所述运动参数进行运动模拟处理,并获取被测对象在运动模拟过程中的运动监测信息以及所述目标用户的生物信号,包括:
响应于目标用户的触发操作,确定所述目标被测对象对应的目标运动方式;
根据所述碰撞物体与目标被测对象之间的第一距离、以及所述碰撞物体的初始速度、所述目标被测对象的运动速度、所述运动方向和所述目标运动方式,显示所述碰撞物体与目标被测对象的相对运动图像,并获取被测对象在相对运动图像的显示过程中的运动监测信息以及所述目标用户的生物信号;
若所述目标被测对象通过所述碰撞物体对应的轨迹范围,则根据所述目标运动方式确定本次的操作评分,并根据所述本次的操作评分更新所述目标用户对应的总操作评分,并返回所述确定目标工况对应的运动参数的步骤,直到所述总操作评分满足预设评分条件;
若所述目标被测对象未通过所述碰撞物体对应的轨迹范围,则结束运动模拟处理。
5.根据权利要求1所述的方法,其特征在于,所述运动监测信息为安全时间余量,或在不同的刺激时间压力和自身时间压力下的目标运动方式的概率。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
将所述第一距离和所述碰撞物体的初始速度的比值,确定为刺激时间压力;
将所述目标被测对象的出现位置与所述碰撞物体的轨迹范围边界的第二距离、以及目标被测对象的运动速度的比值,确定为自身时间压力。
7.一种基于行人车辆动态交互的安全策略确定装置,其特征在于,所述装置包括:
第一确定模块,用于确定目标工况对应的运动参数,所述运动参数包括碰撞物体与目标被测对象之间的第一距离、所述碰撞物体的初始速度、目标被测对象的运动速度和运动方向;
获取模块,用于响应于目标用户的触发操作,基于所述运动参数进行运动模拟处理,并获取被测对象在运动模拟过程中的运动监测信息以及所述目标用户的生物信号;
第二确定模块,用于基于所述运动监测信息以及所述目标用户的生物信号,确定目标行为不确定参数;
第三确定模块,用于基于所述目标行为不确定参数对应的车辆控制策略类型,确定所述目标工况对应的车辆控制策略。
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。
10.一种计算机程序产品,包括计算机程序,其特征在于,该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 |
---|---|---|---|
CN202311388825.0A CN117755323B (zh) | 2023-10-24 | 2023-10-24 | 基于行人车辆动态交互的安全策略确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311388825.0A CN117755323B (zh) | 2023-10-24 | 2023-10-24 | 基于行人车辆动态交互的安全策略确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117755323A true CN117755323A (zh) | 2024-03-26 |
CN117755323B CN117755323B (zh) | 2024-07-16 |
Family
ID=90309213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311388825.0A Active CN117755323B (zh) | 2023-10-24 | 2023-10-24 | 基于行人车辆动态交互的安全策略确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117755323B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090143987A1 (en) * | 2005-08-19 | 2009-06-04 | Renault S.A.S | Method and system for predicting the impact between a vehicle and a pedestrian |
CN109572694A (zh) * | 2018-11-07 | 2019-04-05 | 同济大学 | 一种考虑不确定性的自动驾驶风险评估方法 |
CN112487905A (zh) * | 2020-11-23 | 2021-03-12 | 北京理工大学 | 一种车辆周边行人危险等级预测方法及*** |
US20210284141A1 (en) * | 2020-03-10 | 2021-09-16 | Toyota Jidosha Kabushiki Kaisha | Driving assist system |
CN115402350A (zh) * | 2022-08-01 | 2022-11-29 | 宁波大学科学技术学院 | 异质性人车交互行为虚拟仿真方法 |
WO2022247733A1 (zh) * | 2021-05-25 | 2022-12-01 | 华为技术有限公司 | 控制方法和装置 |
-
2023
- 2023-10-24 CN CN202311388825.0A patent/CN117755323B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090143987A1 (en) * | 2005-08-19 | 2009-06-04 | Renault S.A.S | Method and system for predicting the impact between a vehicle and a pedestrian |
CN109572694A (zh) * | 2018-11-07 | 2019-04-05 | 同济大学 | 一种考虑不确定性的自动驾驶风险评估方法 |
US20210284141A1 (en) * | 2020-03-10 | 2021-09-16 | Toyota Jidosha Kabushiki Kaisha | Driving assist system |
CN112487905A (zh) * | 2020-11-23 | 2021-03-12 | 北京理工大学 | 一种车辆周边行人危险等级预测方法及*** |
WO2022247733A1 (zh) * | 2021-05-25 | 2022-12-01 | 华为技术有限公司 | 控制方法和装置 |
CN115402350A (zh) * | 2022-08-01 | 2022-11-29 | 宁波大学科学技术学院 | 异质性人车交互行为虚拟仿真方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117755323B (zh) | 2024-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Prediction performance of lane changing behaviors: a study of combining environmental and eye-tracking data in a driving simulator | |
Wang et al. | Driver drowsiness detection based on non-intrusive metrics considering individual specifics | |
Yin et al. | Automatic dangerous driving intensity analysis for advanced driver assistance systems from multimodal driving signals | |
Chong et al. | A rule-based neural network approach to model driver naturalistic behavior in traffic | |
Diederichs et al. | Driver intention algorithm for pedestrian protection and automated emergency braking systems | |
Jahangiri et al. | Adopting machine learning methods to predict red-light running violations | |
Lv et al. | Qualitative action recognition by wireless radio signals in human–machine systems | |
WO2008133746A1 (en) | Systems and methods for detecting unsafe conditions | |
Klück et al. | Performance comparison of two search-based testing strategies for ADAS system validation | |
Wang et al. | SafeDrive: A new model for driving risk analysis based on crash avoidance | |
US20240208522A1 (en) | Coachable driver risk groups | |
Zhang et al. | Predicting collision cases at unsignalized intersections using EEG metrics and driving simulator platform | |
CN111814766A (zh) | 车辆行为预警方法、装置、计算机设备和存储介质 | |
Manawadu et al. | Estimating driver workload with systematically varying traffic complexity using machine learning: Experimental design | |
Gonzalez et al. | Detection of driver health condition by monitoring driving behavior through machine learning from observation | |
Devi et al. | Logistic Multilayer Perceptron Neural Network Classification based Driving Behavior Prediction through Vehicle Motion Data | |
Vasudevan et al. | Driver drowsiness monitoring by learning vehicle telemetry data | |
de Diego et al. | Analysis of hands activity for automatic driving risk detection | |
Zhu et al. | Takeover quality prediction based on driver physiological state of different cognitive tasks in conditionally automated driving | |
CN117755323B (zh) | 基于行人车辆动态交互的安全策略确定方法和装置 | |
Joo et al. | A generalized driving risk assessment on high-speed highways using field theory | |
Helmer et al. | Development of an integrated test bed and virtual laboratory for safety performance prediction in active safety systems | |
Hartmann et al. | “Pedestrian in the Loop”: An approach using augmented reality | |
Terrosi et al. | Impact of machine learning on safety monitors | |
CN114818484A (zh) | 驾驶环境模型的训练方法及驾驶环境信息的预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |