本发明涉及智能车应用技术领域，特别是关于一种行车风险辨识模型的标定方法和系统。
背景技术：
随着智能交通、智能驾驶技术和车联网技术的快速发展，汽车智能化已经逐渐被人们熟悉和接受，智能汽车替代传统汽车必将成为大势所趋。然而保障智能汽车安全的技术发展现状已不能满足智能汽车逐渐商业化的需要，而相比传统汽车的商业化，实现智能汽车的大规模商业化，其行车安全性面临着更高的要求。
现有技术中，通常采用预设有行车风险辨识模型的系统(下文将“预设有行车风险辨识模型的系统”均简称为“行车风险辨识系统”)为驾驶人提供危险预警信息以及对车辆的辅助控制或直接控制，以保障智能汽车的行车安全。其中，行车风险辨识模型所运行的方法不仅是行车风险辨识系统的核心控制逻辑，而且也决定了行车风险辨识系统的安全性能和接受度。由于在实际驾驶过程中，驾驶人的生理和心理状态随着时间、空间而变化，且驾驶人存在个体差异，这都要求行车风险辨识模型的参数具有可变性和可适应性，因此导致行车风险辨识系统与驾驶人正常驾驶之间出现频繁的干扰和冲突，继而使得驾驶人和乘客对行车风险辨识系统的接受度降低，难以保证车辆在复杂多变的交通环境下的行车安全。
技术实现要素：
本发明的目的在于提供一种行车风险辨识模型的标定方法来克服或至少减轻现有技术的上述缺陷中的至少一个。
为实现上述目的，本发明提供一种行车风险辨识模型的标定方法，所述行车风险辨识模型的标定方法包括：s1，通过在试验车上安装信息采集装置，建立车辆平台；s2，通过不同驾驶人驾驶所述车辆平台在不同环境中进行自由行驶试验，采集与时间同步的自车和环境相关的试验数据；s3，根据所述试验数据，提取不同驾驶人在不同环境中开始踩下加速踏板的第一时刻、开始释放加速踏板的第二时刻、开始踩下制动踏板的第三时刻和开始释放制动踏板的第四时刻，以定义所述第一时刻、第二时刻、第三时刻和第四时刻分别对应的风险等级值；s4，根据定义好的各所述风险等级值，通过曲线拟合获得驾驶人在不同场景中的风险辨识曲线，该风险辨识曲线表示随时间的变化驾驶人对风险等级的判断；s5，利用所述风险辨识曲线标定行车风险辨识模型。
进一步地，s5具体包括：s51，根据所述试验数据，利用行车风险辨识模型计算所述第一时刻、第二时刻、第三时刻和第四时刻对应的辨识风险值，该辨识风险值包括待标定的参数；s52，通过调整所述待标定的参数，使通过行车风险辨识模型获得的辨识风险值随时间的变化曲线无限趋近于所述风险辨识曲线。
进一步地，s5中使用的“试验数据”包括自车的can数据；
s51中“行车风险辨识模型”表示为：
u[x(t)]＝uatt[x(t)]+urep[x(t)]；
式中，
u[x(t)]为利用行车风险辨识模型计算得到的辨识风险值；
uatt[x(t)]为目标的吸引力模型，其表达式为：
urep[x(t)]为障碍物的排斥力模型，其表达式为：
ε代表吸引力的尺度因子，为所述待标定的参数；
τ代表排斥力的尺度因子，为所述待标定的参数；
xgoal为目标的坐标；
x为自车的坐标；
xobs为障碍物的坐标；
x0为障碍物的影响半径。
进一步地，s51中需要确定的所述待标定的参数有n个；s52具体包括：s521，依据经验预先设置(n-1)个所述待标定的参数的值；s522，利用for循环，通过改变剩下的第n个所述待标定的参数的值，比较同一时刻的所述辨识风险值与所述风险辨识曲线上的风险等级值，在两者的差值的平方和为最小时，确定所述第n个待标定的参数的值。
进一步地，s3中使用的“试验数据”包括所述自车的试验数据中的由所述信息采集装置采集到的自车的加速踏板转角信号和制动踏板转角信号；s3具体包括：s31，根据自车的加速踏板转角信号和制动踏板转角信号，提取驾驶人di的ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e的分布；s32，根据s31获得的ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e的分布，结合ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e各时刻对应的环境sj，利用聚类算法，获得ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e上的散点的聚类中心lij,acc,s、lij,acc,e、lij,bra,s、lij,bra,e，lij,acc,s表示所述第一时刻的风险等级，lij,acc,e表示所述第二时刻的风险等级，lij,bra,s表示所述第三时刻的风险等级，lij,bra,e表示所述第四时刻的风险等级；s33，定义最大风险等级值lmax，lmax对应ttc＝0；s34，在[0,lmax]范围内分别对lij,acc,s、lij,acc,e、lij,bra,s、lij,bra,e赋值；其中，i表示驾驶人的样本数，i＝1～n；j表示环境种类，j＝1～m。
进一步地，s1具体包括：在试验车上安装用于获得目标物位置信息和运动信息的雷达和视觉传感器，在试验车的加速踏板轴处安装用于获得加速踏板转角信号的角度传感器，在试验车的制动踏板轴处安装用于获得制动踏板转角信号的角度传感器；s2具体包括：将各所述雷达和视觉传感器采集的数据进行数据融合，获得准确的目标物位置信息、运动信息即坐标和速度、加速度。
进一步地，所述加速踏板转角信号为0，但下一时刻记录的所述加速踏板转角信号大于0的时刻视为所述第一时刻ti,acc,s；所述加速踏板转角信号为0，但上一时刻记录的所述加速踏板转角信号大于0的时刻视为所述第二时刻ti,acc,e；所述制动踏板转角信号为0，但下一时刻记录的所述制动踏板转角信号大于0的时刻视为第三时刻ti,bra,s；所述制动踏板转角信号为0，但上一时刻记录的所述制动踏板转角信号大于0的时刻视为第四时刻ti,bra,e。
本发明还提供一种行车风险辨识模型的标定系统，所述行车风险辨识模型的标定系统包括：信息采集装置，所述信息采集装置设在试验车上，形成车辆平台，用于采集与时间同步的自车和环境相关的试验数据，所述自车试验数据包括目标物位置信息和运动信息、加速踏板转角信号和制动踏板转角信号；所述环境试验数据包括环境类型、交通参与者、交通标志和道路标志；时刻提取装置，所述时刻提取装置用于根据所述试验数据，提取不同驾驶人在不同环境中开始踩下加速踏板的第一时刻、开始释放加速踏板的第二时刻、开始踩下制动踏板的第三时刻和开始释放制动踏板的第四时刻；风险等级定义装置，所述风险等级定义装置用于定义所述第一时刻、第二时刻、第三时刻和第四时刻分别对应的风险等级值；风险辨识曲线获取装置，所述风险辨识曲线获取装置根据定义好的各所述风险等级值，通过曲线拟合获得驾驶人在不同场景中的风险辨识曲线，该风险辨识曲线表示随时间的变化驾驶人对风险等级的判断；和标定装置，所述标定装置利用所述风险辨识曲线标定行车风险辨识模型。
进一步地，所述标定装置具体包括：行车风险辨识计算单元，所述行车风险辨识计算单元根据所述试验数据，利用行车风险辨识模型计算所述第一时刻、第二时刻、第三时刻和第四时刻对应的辨识风险值，该辨识风险值包括待标定的参数；和参数标定单元，所述参数标定单元通过调整所述待标定的参数，使通过行车风险辨识模型获得的辨识风险值随时间的变化曲线无限趋近于所述风险辨识曲线。
本发明还提供一种智能车辆，所述智能车辆包括如上述各实施例所述的行车风险辨识模型的标定系统，所述行车风险辨识模型的标定系统预先设置在ecu中。
本发明通过记录驾驶人对车辆平台的操作，辨识驾驶人在不同场景中对风险等级进行判断的风险辨识曲线，再利用风险辨识曲线图对行车风险辨识模型标定，因此标定出来的行车风险辨识模型能适应不同驾驶人的驾驶习惯，有利于提高行车风险辨识系统的接受度。需要说明的是，除了行车风险辨识模型以外，传统的依靠ttc(timetocollision；碰撞时间)或thw(timeheadway；车头时距)对车辆进行主动控制的方法实际上也可称之为行车风险辨识模型，这种模型的参数标定依旧可以利用本实施例所提供的风险辨识曲线来标定。
附图说明
图1a是本发明中的车辆平台的侧视图；
图1b是图1a所示车辆平台的俯视图；
图2为本发明中的第一角度传感器在加速踏板的安装示意图；
图3为本发明中的第二角度传感器在制动踏板的安装示意图；
图4为利用本发明方法获得的驾驶人的行车风险辨识曲线示意图。
具体实施方式
在附图中，使用相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本发明的实施例进行详细说明。
在本发明的描述中，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
本实施例所提供的行车风险辨识模型的标定方法包括：
s1，通过在试验车上安装信息采集装置，建立车辆平台；
s2，通过不同驾驶人驾驶所述车辆平台在不同环境中进行自由行驶试验，采集与时间同步的自车和环境相关的试验数据；
s3，根据所述试验数据，提取不同驾驶人在不同环境中开始踩下加速踏板的第一时刻、开始释放加速踏板的第二时刻、开始踩下制动踏板的第三时刻和开始释放制动踏板的第四时刻，以定义所述第一时刻、第二时刻、第三时刻和第四时刻分别对应的风险等级值；
s4，根据定义好的各所述风险等级值，获得驾驶人在不同场景中的风险辨识曲线，该风险辨识曲线表示随时间的变化驾驶人对风险等级的判断；
s5，利用所述风险辨识曲线标定行车风险辨识模型。
本实施例通过记录驾驶人对车辆平台的操作，辨识驾驶人在不同场景中对风险等级进行判断的风险辨识曲线，再利用风险辨识曲线图对行车风险辨识模型标定，因此标定出来的行车风险辨识模型能适应不同驾驶人的驾驶习惯，有利于提高行车风险辨识系统的接受度。需要说明的是，除了行车风险辨识模型以外，传统的依靠ttc或thw对车辆进行主动控制的方法实际上也可称之为行车风险辨识模型，这种模型的参数标定依旧可以利用本实施例所提供的风险辨识曲线来标定。
在一些实施例中，s1中，在试验车上安装用于获得与时间同步的目标物位置信息和运动信息的雷达和视觉传感器，在试验车的加速踏板轴处安装用于获得与时间同步的加速踏板转角信号的角度传感器，在试验车的制动踏板轴处安装用于获得与时间同步的制动踏板转角信号的角度传感器。如图1a和图1b所示，s1具体包括：
s11，在试验车的顶端安装64线激光雷达1，64线激光雷达1用于获得的目标物纵横向坐标位置、种类的传感器原始数据。
s12，在试验车的前、后、左、右四个方向分别安装第一毫米波雷达2a、第二毫米波雷达2b、第三毫米波雷达2c、第四毫米波雷达2d以及第一视觉传感器3a、第二视觉传感器3b、第三视觉传感器3c、第四视觉传感器3d，通过各视觉传感器和毫米波雷达获取目标物的速度、加速度、纵横向位置信息。
s13，对s11和s12中的64线激光雷达1以及各毫米波雷达和视觉传感器在所述试验车上的位置进行标定。标定方法可以使用现有的标定方法实现。
s14，在加速踏板轴5b上安装第一角度传感器5a(如图2所示)。通过第一角度传感器5a采集加速踏板转角信号，利用加速踏板转角信号可以用作s3中开始踩下加速踏板的第一时刻ti,acc,s以及开始释放加速踏板的第二时刻ti,acc,e。具体地，加速踏板转角信号为0，但下一时刻记录的加速踏板转角信号大于0的时刻视为第一时刻ti,acc,s；加速踏板转角信号为0，但上一时刻记录的加速踏板转角信号大于0的时刻视为第二时刻ti,acc,e。
在制动踏板轴4b处分别安装第二角度传感器4a(如图3所示)。通过第二角度传感器4a采集制动踏板转角信号，利用制动踏板转角信号可以用作s3中开始踩下制动踏板的第三时刻ti,bra,s以及开始释放制动踏板的第四时刻ti,bra,e。具体地，制动踏板转角信号为0，但下一时刻记录的制动踏板转角信号大于0的时刻视为第三时刻ti,bra,s；制动踏板转角信号为0，但上一时刻记录的制动踏板转角信号大于0的时刻视为第四时刻ti,bra,e。
需要说明的是，s1中各传感器采集到的数据均是传感器原始数据，在后续步骤中均需要将原始数据解析成目标数据后，再加以应用。原始数据：摄像头拍到的图片、视频；激光雷达扫描到的点云；毫米波雷达接收到的毫米波信号。目标数据：把上述三种传感器的原始数据融合之后，获得行人、骑车人、车辆等目标的速度、位置数据。“数据融合”的方法如下：
激光雷达采用特征提取和点云聚类方法检测目标，并得到准确的目标位置信息；视觉传感器对道路目标进行基于机器学习的目标检测，为激光雷达目标检测提供目标类别信息；毫米波雷达识别动态目标并提供准确的目标速度与位置信息。通过数据关联方法，匹配各传感器检测的相同目标信息；最终获得准确的目标物位置信息、运动信息即坐标和速度、加速度。
因此，本实施例采用64线激光雷达、毫米波雷达、视觉传感器组成的多传感器感知系统，搭建车辆平台，可识别周围运动物体、静止物体的位置信息和状态信息。
在一些实施例中，s2中的“驾驶人”的选取原则包括：
选取一定数量具有长期驾驶经验的，且未发生过重大交通事故的驾驶人。
“驾驶人”的数量尽可能地多，这样可以通过采集尽可能多组的试验数据，考虑更多驾驶人的驾驶习惯，从而后续步骤s3和s4得到的风险辨识曲线更加具有广泛性和代表性，有利于提高驾驶人对行车风险辨识的接受度。
s2中的“自车和环境相关的试验数据”包括自车的试验数据和环境的试验数，其中，
自车的试验数据包括由雷达和视觉传感器采集到的与时间同步的目标物位置信息和运动信息、由第一角度传感器获得与时间同步的加速踏板转角信号、由第二角度传感器获得的与时间同步的制动踏板转角信号以及自车can数据。自车can数据包括：发动机转速、方向盘转角、车速、档位、加速度和加减速度。各所述雷达和视觉传感器采集的数据进行数据融合，获得准确的目标物位置信息、运动信息即坐标和速度、加速度。
s2中的“不同环境”包括：
环境类型，一级类型为：校园、园区、城市、高速；二级类型为：上坡、下坡、桥上、桥下、隧道、直道、弯道；
交通参与者，一级类型为：机动车、非机动车、固定物体；二级类型中，机动车包括：轿车、公交车、小型货车、卡车、中型客车、摩托车、其它机动车；非机动车包括：行人、骑车人、两轮车、其它非机动车；固定物体包括：锥形桶、栅栏等；
交通标志，一级类型为：交通标志牌、红绿灯、车道线；二级类型中，交通标志牌包括：限速、限高、限重、指示类、警告类、禁止类、其它标志牌；红路灯包括：圆形、箭头、行人图案、两轮车图案；
道路标志，一级类型包括车道线和路面标示；二级类型中，车道线包括：单实线、双实线和虚线；路面标示包括：直行箭头、右转箭头、左转箭头和其它路面标示；
天气条件：晴、阴、雨、雪。
即，环境的试验数据对应上述“不同环境”中列出来的各种信息。
s2中的与时间同步的“自车和环境相关的试验数据”通过数据库的方式进行存储。
在一些实施例中，s3中的“根据试验数据”的试验数据包括自车的加速踏板转角信号和制动踏板转角信号。
s3中的“提取不同驾驶人在不同环境中开始踩下加速踏板的第一时刻、开始释放加速踏板的第二时刻、开始踩下制动踏板的第三时刻和开始释放制动踏板的第四时刻”具体包括：
s31，根据自车的加速踏板转角信号和制动踏板转角信号，提取驾驶人di的ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e的分布。首先需要说明的是：驾驶人di的ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e位于一条时间轴上，“提取驾驶人di的ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e的分布”方法包括：将驾驶人di的ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e4个时刻分别以不同的颜色标记，最后再将不同颜色的值聚类获得一个值。例如在某一场景中，某一驾驶人或者n个驾驶人做了m组数据采集，这将获得4*m个或4*m*n个数据点，通过对这4组数据点进行聚类，再得到本步骤需要的这4个点。
s32，根据s31获得的ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e的分布，结合ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e各时刻对应的环境sj，利用k均值聚类算法，比如：k-中心点聚类，层次聚类，模糊聚类等，利用求平均值的方法，获得ti,acc,s、ti,acc,e、ti,bra,s和ti,bra,e上的散点的聚类中心lij,acc,s、lij,acc,e、lij,bra,s、lij,bra,e，lij,acc,s表示所述第一时刻的风险等级，lij,acc,e表示所述第二时刻的风险等级，lij,bra,s表示所述第三时刻的风险等级，lij,bra,e表示所述第四时刻的风险等级。
s3中的“定义所述第一时刻、第二时刻、第三时刻和第四时刻分别对应的风险等级值”包括：
s33，定义最大风险等级值lmax，lmax对应ttc＝0，ttc＝0表示车已经发生碰撞。
s34，在[0,lmax]范围内分别对lij,acc,s、lij,acc,e、lij,bra,s、lij,bra,e赋值。比如：lmax＝100,lij,acc,s＝25,lij,acc,e＝50、lij,bra,s＝75、lij,bra,e＝25。
上述步骤中，i表示驾驶人的样本数，i＝1～n；j表示环境种类，j＝1～m。
在一些实施例中，s4中的“曲线拟合”可以使用简单线性数据拟合、三次样条曲线拟合、三次贝塞尔曲线拟合等。本实施例中，s4使用的“曲线拟合”为最小二乘法拟合方法，最小二乘法进行曲线拟合是曲线拟合种早期的一种常用方法，最小二乘法理论简单，计算量小，即便是在使用三次样条曲线进行曲线拟合大行其道的今天，最小二乘法在多项式曲线或直线的拟合问题上，仍然得到广泛的应用。
s4中的“风险辨识曲线”表示随时间的变化驾驶人di在环境sj中对风险等级的判断，如图4中示出的曲线图，该风险辨识曲线的横轴表示时间，纵轴表示风险等级。图4可以代表一个驾驶人在不同环境下的风险辨识曲线图，也可以代表一个驾驶人在一个环境下的风险辨识曲线，还可代表多个驾驶人在一个环境下的风险辨识曲线；取决于使用的拟合数据。
在一些实施例中，s5具体包括：
s51，根据所述试验数据，利用行车风险辨识模型计算所述第一时刻、第二时刻、第三时刻和第四时刻对应的势能或场力，该势能或场力包括待标定的参数；
s52，通过调整所述待标定的参数，使通过行车风险辨识模型获得的辨识风险值随时间的变化曲线无限趋近于所述风险辨识曲线，得到所述待标定的参数。该步骤中的“无限趋近于”可以理解为常用到的数学符号“→”，也就是说，由行车风险辨识模型得到的辨识风险值与所述风险辨识曲线在同一时刻的风险等级值无限趋近。
这样，根据所述风险辨识曲线对行车风险辨识模型进行参数标定，在保证智能汽车安全性的同时，符合驾驶人的驾驶习惯和要求。
在一些实施例中，一般是按照研究的需求来选择行车风险辨识模型的类型，例如设计一个车道保持辅助系统，则可以直接用车道线的位置形成的势能场，使得车辆保持在车道中央行驶，因此在这个系统中，只需要车道线的信息即可，而对应的人工势能场模型也是只考虑车道线的模型。
s51中的“根据所述试验数据”的试验数据包括自车的can数据和环境试验数据。对于不同的行车风险辨识模型，根据所述各环境中的风险辨识曲线图，对于任意的行车风险辨识模型，道路交通环境对自车造成的势能场辨识风险值越大表明风险越大。由于所使用的环境试验数据的需求不一样，行车风险辨识模型越复杂，需要的试验数据就越多，但所需要标定的待定系数也就越多了。所以，s2要求采集大量试验数据存储在数据库里，实际上是为了满足更多的行车风险辨识模型对数据的要求。也存在不需要使用环境试验数据的行车风险辨识模型，如下面的行车风险辨识模型所示：
u[x(t)]＝uatt[x(t)]+urep[x(t)]；
式中，
u[x(t)]为利用行车风险辨识模型计算得到的辨识风险值；
uatt[x(t)]为目标的吸引力模型，其表达式为：
urep[x(t)]为障碍物的排斥力模型，其表达式为：
ε代表吸引力的尺度因子，为所述待标定的参数；
τ代表排斥力的尺度因子，为所述待标定的参数；
xgoal为目标的坐标，此处的“目标”指的是自车预期到达的目的地，该数值的大小预设得到。例如，预设自车前方30米处的位置为目的地，那么，对于该行车风险辨识模型而言，该目的地随自车的前行而始终在前行，始终位于自车前方的30米处；
x为自车的坐标；
xobs为障碍物的坐标，此处的“障碍物”为s2所列举出来的交通参与者；
x0为障碍物的影响半径，此处的“障碍物”为s2所列举出来的交通参与者。
需要说明的是，上述模型中的“坐标”，即位置信息可以理解为障碍物相对于自车的位置。
现有技术中的行车风险辨识模型进行参数标定具体包括：在标定行车风险辨识模型的参数的时候，利用的是障碍物的位置信息和速度信息。本实施例中，只利用了障碍物的位置信息，因为案例中的行车风险辨识只考虑了位置信息；标定好了的行车风险辨识模型，可以进行无人驾驶路径规划、先进驾驶辅助系统adas的智能决策，比如aeb系统可以通过标定好的行车风险辨识进行紧急制动，lkw可以通过识别到的车道线位置进行车道偏离报警，fcw可以通过识别到的障碍物位置进行前撞预警，诸如此类。
例如：s51中的“利用行车风险辨识模型计算所述第一时刻、第二时刻、第三时刻和第四时刻对应的势能或场力”具体是指：将由s3确定的第一时刻tij,acc,s、第二时刻tij,acc,e、第三时刻tij,bra,s和第四时刻tij,bra,e代入待标定的行车风险辨识模型u＝u[x(t),η1,η2,…,ηk],其中η表示行车风险辨识模型中的待定参数。
在一些实施例中，s51中需要确定的所述待标定的参数有n个；
s52具体包括：
s521，依据经验预先设置(n-1)个所述待标定的参数的值；
s522，利用for循环，不断通过改变剩下的第n个所述待标定的参数的值，比较同一时刻的所述辨识风险值a与所述风险辨识曲线上的风险等级值b，在两者的差值(a-b)的平方和为最小时，确定所述第n个待标定的参数的值，结束调整所述待标定的参数。也就是说，由s22确定的所述第n个待标定的参数的值对应为“同一时刻的所述辨识风险值a与所述风险辨识曲线上的风险等级值b的差值(a-b)的平方和为最小”。
s522中的“比较辨识风险值与所述风险辨识曲线上的风险等级值在同一时刻之间的差值”的方法为：
利用最小二乘法，比较辨识风险值与所述风险辨识曲线上的风险等级值在同一时刻之间的差值，在该差值的平方和为最小时，确定n个所述待标定的参数的值。利用最小二乘法可以简便地求得所述待标定的参数的值，并使得求得的所述待标定的参数的值与实际数据之间误差的平方和为最小。当然，也可以采用多项式插值、指数函数拟合、幂函数拟合、双曲型拟合等来替代最小二乘法。
本发明还提供一种行车风险辨识模型的标定系统，所述行车风险辨识模型的标定系统包括：信息采集装置、时刻提取装置、风险等级定义装置、风险辨识曲线获取装置和标定装置，其中：
所述信息采集装置设在试验车上，形成车辆平台，用于采集与时间同步的自车和环境相关的试验数据，所述自车试验数据包括目标物位置信息和运动信息、加速踏板转角信号和制动踏板转角信号；所述环境试验数据包括环境类型、交通参与者、交通标志和道路标志。
所述时刻提取装置用于根据所述试验数据，提取不同驾驶人在不同环境中开始踩下加速踏板的第一时刻、开始释放加速踏板的第二时刻、开始踩下制动踏板的第三时刻和开始释放制动踏板的第四时刻。
所述风险等级定义装置用于定义所述第一时刻、第二时刻、第三时刻和第四时刻分别对应的风险等级值。
所述风险辨识曲线获取装置根据定义好的各所述风险等级值，通过曲线拟合获得驾驶人在不同场景中的风险辨识曲线，该风险辨识曲线表示随时间的变化驾驶人对风险等级的判断。
所述标定装置利用所述风险辨识曲线标定行车风险辨识模型。
本实施例通过记录驾驶人对车辆平台的操作，辨识驾驶人在不同场景中对风险等级进行判断的风险辨识曲线，再利用风险辨识曲线图对行车风险辨识模型标定，因此标定出来的行车风险辨识模型能适应不同驾驶人的驾驶习惯，有利于提高行车风险辨识系统的接受度。需要说明的是，除了行车风险辨识模型以外，传统的依靠ttc或thw对车辆进行主动控制的方法实际上也可称之为行车风险辨识模型，这种模型的参数标定依旧可以利用本实施例所提供的风险辨识曲线来标定。
在一些实施例中，所述标定装置具体包括：行车风险辨识计算单元和参数标定单元，其中：
所述行车风险辨识计算单元根据所述试验数据，利用行车风险辨识模型计算所述第一时刻、第二时刻、第三时刻和第四时刻对应的辨识风险值，该辨识风险值包括待标定的参数。
所述参数标定单元通过调整所述待标定的参数，使通过行车风险辨识模型获得的辨识风险值随时间的变化曲线无限趋近于所述风险辨识曲线。
本发明还提供一种智能车辆，所述智能车辆包括如上述各实施例所述的行车风险辨识模型的标定系统，所述行车风险辨识模型的标定系统预先设置在ecu(electroniccontrolunit，电子控制单元)中。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。