网联环境下基于知觉风险场的车辆行驶状态安全评估方法技术

本发明专利技术公开了一种网联环境下基于知觉风险场的车辆行驶状态安全评估方法，属于汽车智能交互及交通安全技术领域，通过云端采集网联区域内车辆运动状态信息，得到每一辆车的历史运动状态及实时运动状态数据；通过对车辆的历史运动状态数据分析处理，得到驾驶人的驾驶风格参数，包括期望车头时距和驾驶人激进度；通过结合驾驶人驾驶风格参数与车辆实时运动状态数据，构建知觉风险场模型；通过知觉风险场模型计算知觉风险场场强，并根据车辆的驾驶场景计算车辆的行车安全因子，最终得到车辆行驶状态安全评价结果。本发明专利技术通过考虑不同驾驶人驾驶风格差异，构建网联环境下的知觉风险场模型，可实时监测、量化、评估网联区域内车辆的安全状态。全状态。全状态。

【技术实现步骤摘要】
网联环境下基于知觉风险场的车辆行驶状态安全评估方法


[0001]本专利技术属于汽车智能交互及交通安全
，具体涉及一种网联环境下基于知觉风险场的车辆行驶状态安全评估方法。

技术介绍

[0002]随着我国汽车保有量的增加，交通事故多发，车辆行驶状态安全对于交通参与者也越来越重要。驾驶人作为车辆控制的核心，其面对交通风险时所采取的驾驶决策将直接影响车辆的运动状态，最终对车辆行驶安全状态产生影响。因此，对驾驶人感知风险进行实时量化，对评估车辆行驶安全状态、减少交通事故具有重要意义。
[0003]现有的车辆行驶状态安全评估方法中，人工势场理论由于可以较为详细的刻画多种微观驾驶行为特征，得到了广泛应用。但传统的人工势场模型，通常通过车辆运动状态信息(例如相对距离、速度、加速度等)进行评估，缺乏对驾驶人因素，尤其是驾驶人对风险感知的不确定性因素的考虑，例如在相同的交通场景下越保守的驾驶人则有越高的知觉风险。
[0004]因此，现有技术中亟需基于知觉风险场理论对驾驶人感知风险进行量化，进而实现车辆行驶状态评估，以解决现有评估方法中难以把握驾驶人风险感知的不确定性问题。

技术实现思路

[0005]本专利技术的目的是针对现有技术中存在的技术问题，而提出了一种网联环境下基于知觉风险场的车辆行驶状态安全评估方法，用以解决现有方法中难以考虑驾驶人对行车风险感知的不确定性问题；通过考虑不同驾驶人驾驶风格差异，构建网联环境下的知觉风险场模型，实时监测、量化、评估网联区域内车辆的安全状态。
[0006]为实现上述目的，本专利技术采用如下技术方案：网联环境下基于知觉风险场的车辆行驶状态安全评估方法，其特征在于，包括以下步骤，且以下步骤顺次进行：
[0007]步骤S1、网联环境下所有车辆的运动状态信息上传至云端数据库，云端对每辆车存储至少15分钟数据，并实时更新，从而得到每一辆车历史运动状态数据和当前时刻的实时运动状态数据；车辆的运动状态信息包括速度v
i
、位置x
i
和加速度a
i
，i表示车辆的编号；
[0008]步骤S2、对步骤S1获得的车辆历史运动状态数据进行处理，进行驾驶风格量化，获得表征车辆驾驶风格的参数，驾驶风格参数包括期望车头时距THW
i
和驾驶人激进度k
i
；
[0009]步骤S3、根据步骤S2获得的驾驶风格参数以及步骤S1获取到的车辆当前位置、速度和加速度构建知觉风险场模型，并计算车辆i感知到的其周围车辆j对车辆i的知觉风险场强E
ji
；
[0010]其中：车辆i的知觉风险场的轮廓为椭圆，车辆i位于椭圆中心，椭圆长半轴a＝THW
i
×
v
i
，短半轴b取车道宽度，v
i
为车辆i当前时刻的车速；
[0011]步骤S4、对步骤S3的知觉风险场影响区域进行划分，计算车辆i在车辆j影响下的安全因子S
ij
；
[0012]步骤S5、通过步骤S4获得的安全因子S
ij
分析车辆j对车辆i的行车安全影响，同时对于车辆i周围的每一辆车重复步骤S3和步骤S4，获得车辆i行驶安全评价结果。
[0013]进一步，所述步骤S2中期望车头时距THW
i
和驾驶人激进度k
i
的计算方法为：
[0014][0015][0016][0017][0018]其中，n为云端获取到的车辆i历史运动状态数据的样本数量；THW
im
为车辆i第m个样本点处的车头时距；THW
i
为车辆i期望车头时距；x
im
、v
im
和a
im
分别为车辆i第m个样本点处的位置、速度和加速度；为车辆i在第m个样本点处其前车的位置；为车辆i行驶加速度的方差，为车辆i加速度的平均值。
[0019]进一步，所述步骤S3中车辆i的周围车辆j，定义为车辆i周围100m范围内前、后、左前、右前、左后、右后方的车辆；当知觉风险场内无车辆时，车辆i感知不到行车风险；当知觉风险场内有车辆时，车辆i感知到的其周围车辆j对车辆i的知觉风险场强E
ji
的计算方法分为以下两个步骤：
[0020]步骤S301、将车辆i与车辆j视为点电荷i与点电荷j，点电荷i风险场的轮廓视为椭圆的接地金属外壳，对壳外的电荷具有屏蔽作用，此时静电场强E
ji
'计算方法为，
[0021][0022]其中，k为静电力常量，k＝9.0
×
109N；q
j
为点电荷j的电荷量；r
ij
为点电荷i、j的距离；r
ij0
为点电荷i、j连线的延长线与点电荷i对应的椭圆的交点M处的曲率半径，当坐标原点取点电荷i点时，M(x,y)满足：
[0023][0024]其中，x和y分别为M点的横、纵坐标；
[0025]步骤S302、为描述不同驾驶人在相同交通场景下对风险感知的差异，在静电场强E
ji
'中引入车辆i驾驶人的激进度k
i
以及车辆j的虚拟电荷量q
j
；虚拟电荷量q
j
与车辆i、车辆
j质量有关，当车辆j的质量相对于车辆i越大时，虚拟电荷量q
j
越大，车辆i感知到的车辆j对车辆i的风险E
ji
越大，具体的，知觉风险场强E
ji
计算方法为，
[0026][0027][0028]其中，r
ij
表示从车辆j车体轮廓对车辆i风险影响最大的点到车辆i车体轮廓的最小距离，q
j
为车辆j的虚拟电荷量；m
i
、m
j
分别为车辆i、车辆j的质量；e为点电荷电荷量，e＝1.60218
×
10
‑
19
C。
[0029]进一步，所述步骤S4中安全因子S
ij
的计算过程，具体分为以下步骤进行：
[0030]步骤S401、根据车辆i当前的车道偏移量，判断车辆i的驾驶场景，驾驶场景包括跟驰场景与换道场景；
[0031]步骤S402、根据步骤S401判断车辆i的驾驶场景，对车辆i知觉风险场内的关注区域划分，分为主要关注区域与次要关注区域；
[0032]步骤S403、根据步骤S402划分的车辆i关注区域以及步骤S3获得的知觉风险场强E
ji
，计算行车安全因子S
ij
；具体的，行车安全因子S
ij
的计算方法为：
[0033][0034]其中，当车辆i的中心点未超过车道偏移左右极值线时车辆i处于跟驰状态，当车辆i的中心点超过车道偏移左右极值线时车辆i处于换道状态，对于车道偏移左右极值取
±
0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.网联环境下基于知觉风险场的车辆行驶状态安全评估方法，其特征在于，包括以下步骤，且以下步骤顺次进行：步骤S1、网联环境下所有车辆的运动状态信息上传至云端数据库，云端对每辆车存储至少15分钟数据，并实时更新，从而得到每一辆车历史运动状态数据和当前时刻的实时运动状态数据；车辆的运动状态信息包括速度v
i
、位置x
i
和加速度a
i
，i表示车辆的编号；步骤S2、对步骤S1获得的车辆历史运动状态数据进行处理，进行驾驶风格量化，获得表征车辆驾驶风格的参数，驾驶风格参数包括期望车头时距THW
i
和驾驶人激进度k
i
；步骤S3、根据步骤S2获得的驾驶风格参数以及步骤S1获取到的车辆当前位置、速度和加速度构建知觉风险场模型，并计算车辆i感知到的其周围车辆j对车辆i的知觉风险场强E
ji
；其中：车辆i的知觉风险场的轮廓为椭圆，车辆i位于椭圆中心，椭圆长半轴a＝THW
i
×
v
i
，短半轴b取车道宽度，v
i
为车辆i当前时刻的车速；步骤S4、对步骤S3的知觉风险场影响区域进行划分，计算车辆i在车辆j影响下的安全因子S
ij
；步骤S5、通过步骤S4获得的安全因子S
ij
分析车辆j对车辆i的行车安全影响，同时对于车辆i周围的每一辆车重复步骤S3和步骤S4，获得车辆i行驶安全评价结果。2.根据权利要求1所述的网联环境下基于知觉风险场的车辆行驶状态安全评估方法，其特征在于：所述步骤S2中期望车头时距THW
i
和驾驶人激进度k
i
的计算方法为：的计算方法为：的计算方法为：的计算方法为：其中，n为云端获取到的车辆i历史运动状态数据的样本数量；THW
im
为车辆i第m个样本点处的车头时距；THW
i
为车辆i期望车头时距；x
im
、v
im
和a
im
分别为车辆i第m个样本点处的位置、速度和加速度；为车辆i在第m个样本点处其前车的位置；为车辆i行驶加速度的方差，为车辆i加速度的平均值。3.根据权利要求1所述的网联环境下基于知觉风险场的车辆行驶状态安全评估方法，其特征在于：所述步骤S3中车辆i的周围车辆j，定义为车辆i周围100m范围内前、后、左前、右前、左后、右后方的车辆；当知觉风险场内无车辆时，车辆i感知不到行车风险；当知觉风险场内有车辆时，车辆i感知到的其周围车辆j对车辆i的知觉风险场强E
ji
的计算方法分为以下两个步骤：步骤S301、将车辆i与车辆j视为点电荷i与点电荷j，点电荷i风险场的轮廓视为椭圆的接地金属外壳，对壳外的电荷具有屏蔽作用，此时静电场强E
ji
'计算方法为，
其中，k为静电力常量，k＝9.0
×
109N；q
j
为点电荷j的电荷量；r
ij
为点电荷i、j的距离；r
ij0
为点电荷i、j连线的延长线与点电荷i对应的椭圆的交点M处的曲率半径，当坐标原点取点电荷i点时，M(x,y)满足：其中，x和y分别为M点的横、纵坐标；步骤S302、为描述不同驾驶人在相同交通场景下对风险感知的差异，在静电场强E
ji
'中引入车辆i驾驶人的激进度k
i
以及车辆j的虚拟电荷量q

【专利技术属性】
技术研发人员：李世武，付明昊，孙雅幸，王鑫，邱春香，李鑫，王玮迪，
申请(专利权)人：吉林大学，
类型：发明
国别省市：