本發(fā)明涉及駕駛風(fēng)險(xiǎn)評(píng)估領(lǐng)域，具體涉及一種基于駕駛風(fēng)格系數(shù)的汽車風(fēng)險(xiǎn)勢(shì)場(chǎng)評(píng)估方法，用于評(píng)估行駛風(fēng)險(xiǎn)，提升車輛駕駛安全性。

背景技術(shù)：

1、風(fēng)險(xiǎn)勢(shì)場(chǎng)的風(fēng)險(xiǎn)評(píng)估方法在交通安全、自動(dòng)駕駛和智能交通系統(tǒng)等領(lǐng)域得到了廣泛應(yīng)用。勢(shì)場(chǎng)理論源自物理學(xué)，主要用于描述空間中力的分布及其對(duì)物體的影響。在風(fēng)險(xiǎn)評(píng)估領(lǐng)域，勢(shì)場(chǎng)理論被用來(lái)描述不同位置的風(fēng)險(xiǎn)水平，通過(guò)構(gòu)建風(fēng)險(xiǎn)勢(shì)場(chǎng)圖，可以直觀地展示不同區(qū)域的風(fēng)險(xiǎn)分布。

2、現(xiàn)有的汽車駕駛安全技術(shù)已廣泛應(yīng)用于各種智能輔助駕駛系統(tǒng)中，例如自動(dòng)緊急制動(dòng)系統(tǒng)(aeb)、車道保持輔助系統(tǒng)(lka)、自適應(yīng)巡航控制系統(tǒng)(acc)等。然而，這些系統(tǒng)主要依賴于外部環(huán)境的客觀因素，如交通條件、路面狀態(tài)、天氣情況等，以判斷車輛的行駛安全性。雖然這些技術(shù)能夠在一定程度上減少因客觀因素導(dǎo)致的交通事故，但對(duì)于駕駛員自身的行為模式，即駕駛風(fēng)格對(duì)行駛安全的影響，卻缺乏有效的評(píng)估手段。然而，目前的駕駛安全評(píng)估技術(shù)尚未充分考慮駕駛員的個(gè)性化駕駛行為和風(fēng)格差異，現(xiàn)有方法更多地集中在對(duì)車輛外部環(huán)境的監(jiān)控和分析，而對(duì)駕駛員的操作行為缺乏系統(tǒng)的量化分析。

技術(shù)實(shí)現(xiàn)思路

1、為了解決相關(guān)技術(shù)中存在的問(wèn)題，本發(fā)明提供了一種基于駕駛風(fēng)格系數(shù)的汽車風(fēng)險(xiǎn)勢(shì)場(chǎng)評(píng)估方法。該方法在風(fēng)險(xiǎn)勢(shì)場(chǎng)的基礎(chǔ)上引入通過(guò)駕駛行為數(shù)據(jù)獲取的駕駛風(fēng)格系數(shù)和軌跡預(yù)測(cè)，使用合適的風(fēng)險(xiǎn)勢(shì)場(chǎng)更加準(zhǔn)確地判斷風(fēng)險(xiǎn)，克服了傳統(tǒng)風(fēng)險(xiǎn)勢(shì)場(chǎng)方法的局限性與泛化性，特別是在考慮駕駛員個(gè)體差異和行為特征方面的不足。傳統(tǒng)的風(fēng)險(xiǎn)勢(shì)場(chǎng)方法主要依賴于外部環(huán)境因素，而忽視了駕駛員的個(gè)性化行為對(duì)風(fēng)險(xiǎn)的影響。本發(fā)明通過(guò)對(duì)駕駛員已有駕駛數(shù)據(jù)的分析，精確地提取出駕駛風(fēng)格特征，并將其整合到風(fēng)險(xiǎn)勢(shì)場(chǎng)模型中，從而提高了風(fēng)險(xiǎn)勢(shì)場(chǎng)對(duì)駕駛安全的鑒別能力，能夠更全面、準(zhǔn)確地評(píng)估駕駛員在各種駕駛條件下的風(fēng)險(xiǎn)水平，進(jìn)而提升車輛駕駛安全性。

2、一種基于駕駛風(fēng)格系數(shù)的汽車風(fēng)險(xiǎn)勢(shì)場(chǎng)評(píng)估方法，包括步驟如下：

3、步驟1：建立速度風(fēng)險(xiǎn)函數(shù)和加速度風(fēng)險(xiǎn)函數(shù)。

4、步驟2：收集駕駛員的駕駛行為數(shù)據(jù)，包括不同時(shí)間窗口的加速度、速度數(shù)據(jù)和歷史軌跡，通過(guò)建立的速度風(fēng)險(xiǎn)函數(shù)和加速度風(fēng)險(xiǎn)函數(shù)計(jì)算不同時(shí)間窗口的風(fēng)險(xiǎn)積分值。記錄不同時(shí)間窗口的車輛行駛信息并按時(shí)間順序計(jì)算時(shí)間窗口上的歸一化駕駛風(fēng)格系數(shù)。

5、步驟3、基于混合神經(jīng)網(wǎng)絡(luò)模型對(duì)目標(biāo)行駛車輛和周圍行駛車輛進(jìn)行預(yù)測(cè)。

6、步驟4：利用所述駕駛風(fēng)格系數(shù)生成駕駛車輛側(cè)重點(diǎn)不同的風(fēng)險(xiǎn)勢(shì)場(chǎng)，以評(píng)估駕駛風(fēng)險(xiǎn)。

7、步驟5：由預(yù)測(cè)得到的目標(biāo)車輛與周圍車輛的預(yù)測(cè)軌跡及其生成概率，計(jì)算目標(biāo)車輛在交互車輛勢(shì)場(chǎng)ev的期望風(fēng)險(xiǎn)勢(shì)場(chǎng)e。

8、步驟6：將駕駛風(fēng)格系數(shù)，預(yù)測(cè)得到的期望風(fēng)險(xiǎn)和高斯型汽車風(fēng)險(xiǎn)勢(shì)場(chǎng)耦合得到最終的風(fēng)險(xiǎn)勢(shì)場(chǎng)來(lái)評(píng)估汽車行程中的風(fēng)險(xiǎn)。

9、進(jìn)一步的，步驟1具體操作如下：

10、速度風(fēng)險(xiǎn)函數(shù)rv(v(t))公式為：

11、

12、其中a(t)為時(shí)間t時(shí)刻的車輛速度。加速度風(fēng)險(xiǎn)函數(shù)公式為：

13、

14、進(jìn)一步的，步驟2具體方法如下：

15、基于步驟1所建立的風(fēng)險(xiǎn)函數(shù)，在給定時(shí)間窗口[t-w,t]內(nèi)，計(jì)算每個(gè)時(shí)刻的加速度a(t),其公式為：

16、a(t)＝f(t)/m

17、其中，f(t)為隨時(shí)間變化的合外力，m為車輛質(zhì)量。隨后應(yīng)用加速度風(fēng)險(xiǎn)函數(shù)ra計(jì)算每個(gè)時(shí)刻的加速度風(fēng)險(xiǎn)值ra(a(t))。

18、對(duì)于時(shí)間窗口[t-w,t]內(nèi)的每個(gè)時(shí)刻，進(jìn)行風(fēng)險(xiǎn)函數(shù)的積分運(yùn)算：

19、

20、其中rv(a(t))是速度風(fēng)險(xiǎn)函數(shù)，v(t)為時(shí)間t時(shí)刻的車輛速度,a(t)是時(shí)間t時(shí)刻的車輛加速度。此積分結(jié)果綜合考慮了加速度和速度對(duì)駕駛風(fēng)險(xiǎn)的影響。

21、對(duì)計(jì)算得到的時(shí)間窗口積分結(jié)果rt(t)進(jìn)行歸一化處理，以消除不同時(shí)間窗口長(zhǎng)度對(duì)評(píng)估結(jié)果的影響，得到整體駕駛風(fēng)格評(píng)分：

22、

23、其中，rmax和rmin分別是時(shí)間窗口積分結(jié)果的最大值與最小值，n為采集的時(shí)間窗口的數(shù)量。

24、隨著駕駛員的持續(xù)駕駛，新時(shí)間窗口的生成會(huì)影響駕駛風(fēng)格評(píng)分。在每次新的時(shí)間窗口生成后，更新駕駛風(fēng)格系數(shù)的公式能夠表示為：

25、

26、其中，n(t)是在時(shí)間t時(shí)刻的有效時(shí)間窗口數(shù)量，rmax(t)和rmin(t)是當(dāng)前時(shí)間窗口內(nèi)的最大值和最小值。

27、進(jìn)一步的，步驟3具體方法如下：

28、收集行駛車輛的歷史狀態(tài)數(shù)據(jù)，包括位置、速度、加速度和轉(zhuǎn)向角度，在輸入混合神經(jīng)網(wǎng)絡(luò)之前，對(duì)收集到的數(shù)據(jù)進(jìn)行預(yù)處理，包括去噪、歸一化和填補(bǔ)缺失值，以提高模型的性能。定義本車的狀態(tài)，包括正常行駛、減速和變道。基于已有的狀態(tài)和歷史數(shù)據(jù)，建立馬爾科夫鏈模型，用于描述車輛狀態(tài)之間的轉(zhuǎn)移概率，即狀態(tài)轉(zhuǎn)移矩陣。

29、隨后建立混合神經(jīng)網(wǎng)絡(luò)模型。首先，將本車和周圍車輛的歷史軌跡、速度、加速度數(shù)據(jù)及狀態(tài)轉(zhuǎn)移概率作為混合神經(jīng)網(wǎng)絡(luò)的輸入。

30、隨后卷積神經(jīng)網(wǎng)絡(luò)(cnn)提取行駛車輛及其周圍車輛的空間軌跡特征；應(yīng)用長(zhǎng)短期記憶網(wǎng)絡(luò)(lstm)處理時(shí)間序列數(shù)據(jù)，提取速度和加速度特征。使用全連接層整合從cnn和lstm中提取的特征，輸出一系列連續(xù)路徑的坐標(biāo)點(diǎn)。通過(guò)softmax層輸出每個(gè)可能路徑的概率，確保所有路徑的概率和為1并使用交叉熵?fù)p失函數(shù)來(lái)訓(xùn)練概率輸出部分以確保模型能夠準(zhǔn)確地預(yù)測(cè)每條路徑的概率，最后使用相似度度量模型輸出路徑的準(zhǔn)確性。

31、通過(guò)混合神經(jīng)網(wǎng)絡(luò)模型對(duì)目標(biāo)行駛車輛進(jìn)行預(yù)測(cè)，生成k個(gè)不同的軌跡及每個(gè)軌跡的生成概率pk，同時(shí)，對(duì)周圍m個(gè)行駛車輛，也生成k個(gè)不同的軌跡以及每個(gè)軌跡的生成概率pmk，其中m＝1,2,...m。最后，對(duì)目標(biāo)車輛和周圍車輛的軌跡生成概率進(jìn)行softmax歸一化處理，以確保所有生成軌跡的概率總和為1，即：

32、σkpk＝1

33、進(jìn)一步的，步驟4具體方法如下：

34、建立高斯型汽車風(fēng)險(xiǎn)勢(shì)場(chǎng)，通過(guò)高斯型勢(shì)場(chǎng)的定義，將不同來(lái)源的勢(shì)場(chǎng)進(jìn)行統(tǒng)一建模，將汽車定義為高斯場(chǎng)中的電荷，其電荷量q定義為：

35、q＝k*m

36、其中，m是汽車的質(zhì)量，k為比例常數(shù)。

37、通用高斯型勢(shì)場(chǎng)定義如下：

38、

39、其中，n是是勢(shì)場(chǎng)源的總數(shù)量，ai是第i個(gè)勢(shì)場(chǎng)源的場(chǎng)強(qiáng)系數(shù)，di是當(dāng)前車輛與第i個(gè)勢(shì)場(chǎng)源的距離,σi是第i個(gè)勢(shì)場(chǎng)源的影響范圍。

40、為避免車輛在行駛過(guò)程中隨意換道，設(shè)置車道標(biāo)線勢(shì)場(chǎng)el，其定義為:

41、

42、其中,ali是第i個(gè)車道標(biāo)線的場(chǎng)強(qiáng)系數(shù)，dli是車輛與車道標(biāo)線的距離，σl是車道標(biāo)線的衰減系數(shù)。

43、為保證車輛安全行駛在車道上，設(shè)置道路邊界勢(shì)場(chǎng)eb，其定義為：

44、

45、其中，abj是第j個(gè)道路邊界的場(chǎng)強(qiáng)系數(shù)，dbj是車輛與道路邊界的距離，σb是道路邊界的衰減參數(shù)。

46、為防止與其他車輛相撞，設(shè)置交互車輛勢(shì)場(chǎng)ev,其定義為：

47、

48、其中，avk是第k個(gè)交互車輛的場(chǎng)強(qiáng)系數(shù)，dvk是車輛與第k個(gè)交互車輛的距離的距離，σv是交互車輛勢(shì)場(chǎng)的衰減參數(shù)。

49、為防止因道路條件變化而導(dǎo)致的危險(xiǎn)，設(shè)置信號(hào)設(shè)備勢(shì)場(chǎng)es，其定義為：

50、

51、其中，asl是第l個(gè)信號(hào)設(shè)備的場(chǎng)強(qiáng)系數(shù)，dsl是車輛與第l個(gè)信號(hào)設(shè)備之間的距離，σs是信號(hào)設(shè)備的衰減參數(shù)，l是信號(hào)設(shè)備的總數(shù)量。

52、故所有勢(shì)場(chǎng)源的總和勢(shì)場(chǎng)et的定義為：

53、

54、其中n是勢(shì)場(chǎng)源的總數(shù)量。

55、進(jìn)一步的，步驟5具體方法如下：

56、由步驟3預(yù)測(cè)得到的目標(biāo)車輛與周圍車輛的預(yù)測(cè)軌跡及其生成概率，計(jì)算目標(biāo)車輛在交互車輛勢(shì)場(chǎng)ev的期望風(fēng)險(xiǎn)值。設(shè)t秒后預(yù)測(cè)軌跡中目標(biāo)車輛與周圍車輛交互產(chǎn)生的風(fēng)險(xiǎn)值為ekm，得：

57、ekm＝ev

58、目標(biāo)車輛在交互車輛勢(shì)場(chǎng)ev的期望風(fēng)險(xiǎn)勢(shì)場(chǎng)e能夠表示為：

59、

60、其中，pk是目標(biāo)車輛第k條預(yù)測(cè)軌跡的生成概率，pkm是第m個(gè)周圍車輛第k條預(yù)測(cè)軌跡的生成概率，ekm是目標(biāo)車輛和周圍車輛之間的風(fēng)險(xiǎn)值。

61、進(jìn)一步的，步驟6具體方法如下：

62、將總和勢(shì)場(chǎng)e分為靜態(tài)風(fēng)險(xiǎn)勢(shì)場(chǎng)estatic和期望風(fēng)險(xiǎn)勢(shì)場(chǎng)e，靜態(tài)風(fēng)險(xiǎn)勢(shì)場(chǎng)estatic定義為：

63、estatic＝el+eb+es

64、為使風(fēng)險(xiǎn)勢(shì)場(chǎng)對(duì)駕駛風(fēng)格不同的駕駛員側(cè)重點(diǎn)不同，駕駛風(fēng)格激進(jìn)的駕駛員更加關(guān)注與其他車輛交互，駕駛風(fēng)格保守的駕駛員更加關(guān)注車道保持與道路邊界的安全性。將駕駛風(fēng)格系數(shù)rstyle(t)與風(fēng)險(xiǎn)勢(shì)場(chǎng)耦合得到最終的風(fēng)險(xiǎn)勢(shì)場(chǎng)efinal，定義為：

65、efinal＝estatic+rstyle(t)*e

66、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)如下：

67、1)通過(guò)對(duì)駕駛員已有駕駛數(shù)據(jù)的分析，精確地提取出駕駛風(fēng)格特征，克服了傳統(tǒng)方法對(duì)駕駛員行為缺乏系統(tǒng)量化分析的不足，這克服了傳統(tǒng)方法中忽略駕駛員個(gè)體差異的問(wèn)題；

68、2)傳統(tǒng)風(fēng)險(xiǎn)勢(shì)場(chǎng)方法在判斷風(fēng)險(xiǎn)時(shí)，局限于外部環(huán)境因素，泛化性較差，本發(fā)明在風(fēng)險(xiǎn)勢(shì)場(chǎng)模型中引入駕駛風(fēng)格系數(shù)，能夠更加準(zhǔn)確地判斷行駛風(fēng)險(xiǎn)，提升了風(fēng)險(xiǎn)勢(shì)場(chǎng)對(duì)駕駛安全的鑒別能力；

69、3)深度學(xué)習(xí)模型可以實(shí)時(shí)預(yù)測(cè)車輛軌跡及其生成概率，通過(guò)將駕駛風(fēng)格系數(shù)與預(yù)測(cè)軌跡及其勢(shì)場(chǎng)概率結(jié)合，計(jì)算期望風(fēng)險(xiǎn)值，能夠更全面、準(zhǔn)確地評(píng)估駕駛員在各種環(huán)境下的行駛風(fēng)險(xiǎn)。