本发明涉及智能驾驶,具体地,涉及人车路耦合的行车风险预测系统及方法。
背景技术:
1、随着我国宏观经济稳健快速发展、居民收入水平的显著提高,汽车已经成为人们最常使用的出行工具之一。汽车量的飞速增长提高了我国人民出行的效率和舒适性,但也引发了大量的交通事故,威胁着人们的出行安全,给国家带来了巨大的经济损失。美国国家公路交通安全管理局报告称,2021年美国道路上有42,939人死于机动车交通事故,比2020年的39,007人增加了10%。一直以来,道路交通事故都是世界上最大和最严重的公共安全问题之一。
2、而智能驾驶技术的发展有望降低交通事故率、提高行车安全性。具有高安全性能的无人驾驶汽车,以其适应于复杂场景、提高经济性和增加通行量的潜在优点,受到日益广泛的关注。而其中的行车风险预测系统是保证智能汽车安全驾驶的关键技术之一。该技术可以对交通条件进行实时分析和评估,以提前预测潜在的危险并让车辆作出相应的反应,从而保证驾驶员和其他路上行人的安全。具体来说,行车风险预测系统可以通过多种传感器收集数据,识别和分析路上的各种特征和因素,如车辆和行人的位置、行动、速度、方向等等,这样一来系统可以对上述因素的变化进行实时监测,及时预测前方的流量、交通状况、路况等,避免潜在的危险局面的出现。
3、专利文献cn110390451a(申请号:201810347997.6)公开了一种道路行车安全风险预测预警指标体系,以解决道路行车安全风险预测预警问题。技术方案的要点:一种道路行车安全风险预测预警指标分类方法;一种道路环境监测指标分类方法及标准;一种道路条件监测指标分类方法及标准;一种交通条件监测指标分类方法及标准;一种车辆条件监测指标分类方法及标准,一种道路行车安全风险等级评价指标。
4、综上所述,行车风险预测系统在智能驾驶中具有非常重要的意义,可以有效提高行车安全性,降低事故风险,优化行车体验,促进交通智能化发展。
技术实现思路
1、针对现有技术中的缺陷,本发明的目的是提供一种人车路耦合的行车风险预测系统及方法。
2、根据本发明提供的一种人车路耦合的行车风险预测方法,包括:
3、步骤s1:分析跟车场景、换道场景的风险特征;
4、步骤s2:构建人车路耦合的行车风险评估方法,并分析行车碰撞点,预测不确定性风险区域;
5、步骤s3:基于不确定性风险分析结果,构建行车安全预警系统。
6、优选地,所述跟车场景的风险特征与前车的相对位置、速度以及加速度相关;
7、所述换道场景的风险特征与前车、涉及车道中的他车驾驶状态相关。
8、优选地,所述步骤s2采用:分析包括超预期行人、周车驾驶状态以及道路环境的风险影响因子,分析出现超预期行人碰撞事故、他车碰撞事故以及打滑侧翻事故的概率,构建人车路耦合的行车风险评估方法,预测不确定风险区域。
9、优选地,所述出现超预期行人碰撞事故概率包括:
10、rp=f1(lb)
11、lb=l1tanθ-l2-l3
12、其中,rp表示与超预期行人发生碰撞概率;与视觉盲区lb成f1正相关;θ表示车头中心点与前车左后视镜的连线与垂直方向的夹角;l1表示自车中心点与行人的垂直距离;l2表示自车与前车之间的垂直距离;l3表示前车的长度;
13、所述他车碰撞事故概率包括:
14、
15、δv=vi(t)-vi-1(t)
16、d=xi(t)-xi-1(t)-li-1
17、rv=f3(ttc)
18、其中,ttc表示碰撞时间;d表示两车的相对距离;δv表示后车与前车的速度差;li-1是前车车长;xi-1(t)表示t时刻前车位置;xi(t)表示t时刻后车位置;vi-1(t)表示t时刻前车速度;vi(t)表示t时刻后车速度;rv表示周车驾驶状态的碰撞可能性;f3表示负相关函数;
19、所述打滑侧翻事故的概率包括:
20、rr=f4(r)
21、其中,r表示弯道半径;f4表示负相关函数。
22、优选地,所述步骤s3采用:基于实际驾驶环境下不确定性风险检测结果,分析不确定性概率满足预设值的驾驶场景,确定可能性事故所发生的路段及驾驶时间段,并针对可能出现的具体风险事故做出预警说明。
23、优选地,实时分析超预期行人风险评估结果rp、周车驾驶风险评估结果rv、道路环境风险评估结果rv,并分别与设定的阈值比较,在阈值内的风险评估结果,则判断为安全驾驶,无任何预警;若风险评估结果超出阈值,则发出预警,且给出预警的类型,包括:超预期行人碰撞预警、他车碰撞事故预警以及打滑侧翻事故预警和具体指标(rp,rv,rr)。
24、根据本发明提供的一种人车路耦合的行车风险预测系统,包括:
25、模块m1:分析跟车场景、换道场景的风险特征;
26、模块m2:构建人车路耦合的行车风险评估方法,并分析行车碰撞点,预测不确定性风险区域;
27、模块m3:基于不确定性风险分析结果,构建行车安全预警系统。
28、优选地,所述跟车场景的风险特征与前车的相对位置、速度以及加速度相关;
29、所述换道场景的风险特征与前车、涉及车道中的他车驾驶状态相关。
30、优选地,所述模块m2采用:分析包括超预期行人、周车驾驶状态以及道路环境的风险影响因子,分析出现超预期行人碰撞事故、他车碰撞事故以及打滑侧翻事故的概率,构建人车路耦合的行车风险评估方法,预测不确定风险区域;
31、所述出现超预期行人碰撞事故概率包括:
32、rp=f1(lb)
33、lb=l1tanθ-l2-l3
34、其中,rp表示与超预期行人发生碰撞概率;与视觉盲区lb成f1正相关;θ表示车头中心点与前车左后视镜的连线与垂直方向的夹角;l1表示自车中心点与行人的垂直距离;l2表示自车与前车之间的垂直距离;l3表示前车的长度;
35、所述他车碰撞事故概率包括:
36、
37、δv=vi(t)-vi-1(t)
38、d=xi(t)-xi-1(t)-li-1
39、rv=f3(ttc)
40、其中,ttc表示碰撞时间;d表示两车的相对距离;δv表示后车与前车的速度差;li-1是前车车长;xi-1(t)表示t时刻前车位置;xi(t)表示t时刻后车位置;vi-1(t)表示t时刻前车速度;vi(t)表示t时刻后车速度;rv表示周车驾驶状态的碰撞可能性;f3表示负相关函数;
41、所述打滑侧翻事故的概率包括:
42、rr=f4(r)
43、其中,r表示弯道半径;f4表示负相关函数。
44、优选地,所述模块m3采用:基于实际驾驶环境下不确定性风险检测结果,分析不确定性概率满足预设值的驾驶场景,确定可能性事故所发生的路段及驾驶时间段,并针对可能出现的具体风险事故做出预警说明;
45、实时分析超预期行人风险评估结果rp、周车驾驶风险评估结果rv、道路环境风险评估结果rv,并分别与设定的阈值比较,在阈值内的风险评估结果,则判断为安全驾驶,无任何预警;若风险评估结果超出阈值,则发出预警,且给出预警的类型,包括:超预期行人碰撞预警、他车碰撞事故预警以及打滑侧翻事故预警和具体指标(rp,rv,rr)。
46、与现有技术相比,本发明具有如下的有益效果:
47、1、本发明提出了一种人车路耦合的行车风险预测方法,即通过分析跟车场景、换道场景的风险特征,研究超预期行人、周车驾驶状态、道路环境的风险影响因子,分析可能出现的超预期行人碰撞事故、他车碰撞事故、打滑侧翻事故等,并做出相应预警说明。不仅实时性较好,还提高了行车的安全性;
48、2、本发明有效提高了行车安全性,降低了事故风险,优化了行车体验,促进了交通智能化发展。