本发明涉及智能车应用技术领域，特别是关于一种基于等效力的行车风险实时评估方法及其装置。
背景技术：
随着经济的发展、社会的进步，我国机动车保有量不断增加，交通事故情况十分严峻。虽然我国目前在被动安全和主动安全技术方面已经取得了较大的进展，这促进了交通死亡人数的明显下降，然而，根据交通事故数据统计显示，我国交通事故数量仍然居高不下。2015年全年，全国涉及人员伤亡的道路交通事故187787起，造成58022人死亡、199880人受伤。智能交通系统(its，intelligenttransportationsystem)可以通过人、车、路的密切配合减少交通事故、提高交通安全程度。然而，交通安全受到包括各类道路使用者和道路环境在内的许多交通因素的影响，并且这些因素间的相互作用非常复杂。因此现有技术多仅考虑有限因素(主要是周围车辆)的影响，如先进驾驶辅助系统(adas，advanceddriverassistantsystem)，通常应用于直行、换道等简单场景，以减少追尾、侧面碰撞等事故，这类技术多基于汽车动力学和运动学，无法适应越来越复杂的交通环境。现有的基于车辆运动学和动力学原理的交通安全模型通常通过车辆状态信息(速度、加速度、横摆角速度等)和车辆间相对运动关系(相对速度、相对距离等)来判断当车辆对交通环境造成的风险；这类交通安全模型难以反映驾驶人特性、交通环境和车辆状态的相互作用和动态变化。
在道路风险的评估方法方面，现有技术主要有绝对数法、事故率法和事故强度分析法等，此类分析方法主要基于事故次数、伤亡人数、经济损失、地区人口数、在籍车辆数、万车死亡数等已发生的交通事故宏观统计数据，运用数学方法进行评估，虽然此类方法对交通安全建设有一定的指导性作用，但是其评估结果是静态的，不能实时显示交通环境当前的安全状态，更不能在一定时空内对交通安全管理进行前瞻性指导。同时，行车过程中，驾驶人是如何动态决策汽车预期行驶轨迹即对车辆运行轨迹进行预测对行车风险评估十分关键。
因此有必要开发一种考虑车辆风险影响范围的行车风险实时评估方法。
技术实现要素：
本发明的目的在于提供一种行车风险实时评估方法及其装置，其能够全面反映人-车-路闭环交通系统当前风险状态，适应行人、骑车人、车辆等各种道路使用者和与交通环境的相互作用和动态变化，实时监测、评估可控区域内道路交通环境的安全状态。
为实现上述目的，本发明提供一种基于等效力的行车风险实时评估方法，所述基于等效力的行车风险实时评估方法包括：
s1，采集待评估区域内道路环境中的交通环境信息和各类交通环境使用对象信息；
s2，将s1中获取的所述交通环境使用对象信息和环境信息输入至车辆的电子控制单元中，所述电子控制单元中预先设置有基于等效力分布的道路风险评估模型；以及
s3，通过所述基于等效力分布的道路风险评估模型，获得车辆i在不同交通环境下的道路交通风险e和车辆i与物体j之间的等效力分布fij，物体j表示各类交通环境使用对象信息中车辆i之外的其它任何交通要素，道路交通风险e可表示为车辆i的动能ei、物体j的动能ej与车辆i和物体j之间的相对动能eij的总和。
进一步地，s3中的“eij”和“fij”分别如下：
其中，fij,max表示车辆i加载的物体j上的最大等效力，其具体表达式为：
mi表示车辆i的质量；vi表示车辆i的速度；vij表示车辆i和物体j之间的相对速度；dij表示车辆i和物体j之间的相对距离；vi、vij、dij均表示矢量，θij是从dij到vij的夹角，
进一步地，“wki”和“wkj”分别通过如下公式计算得到：
其中，物体j限定为车辆，wkj表示车辆j维持当前车轮转角和改变车轮转角的概率的权重；pki(δki)表示车辆i在下一时刻转向角度沿转向角δki的转向概率；pkj(δkj)表示车辆j沿转向角δkj的转向概率；δ0＝0表示直线行驶，p0(δ0)表示车辆i和车辆j直行的概率；
pki(δki)、pkj(δkj)、p0(δ0)均可通过如下计算表达式获得：
δk＝k*δδ,k∈[-n,n]
其中，k,n∈z；δδ表示转向角的增量；如果k是正整数，δk表示向左转；如果k是负整数，δk表示向右转。
进一步地，所述基于等效力的行车风险实时评估方法还包括：
s4，基于s3中得到的车辆i与物体j之间的等效力分布fij，根据驾驶人行车可能轨迹的分布规律，对车辆转向概率的合理性进行验证。
进一步地，s4具体包括如下步骤：
s41，将驾驶人的所有的可行预期轨迹决策s的距目标权距离ds，s＝1......n组成一个如下的待决策集合d：
d＝{d1,d2,d3......dn}；
s42，将安全性e1、高效性e2、易操纵性e3与规则性e4组成评价指标集为：
e＝{e1,e2,e3,e4}；
通过安全性e1、高效性e2、易操纵性e3与规则性e4，采用如下评价指标的相对隶属度矩阵对s41中的n个可行预期轨迹决策s进行评价：
s43，定义合适的预期轨迹决策s具有最大的相对隶属度，其形式如下：
am＝(a1,a2,a3,a4)t＝(1,1,1,1)t；
s44，定义不合适的预期轨迹决策s具有最小的相对隶属度，其形式如下：
bm＝(b1,b2,b3,b4)t＝(0,0,0,0)t
s45，将预期轨迹决策s的评价指标隶属度函数采用向量形式表示为：
ms＝(m1s,m2s,m3s,m4s)t
s46，将实际轨迹决策u与合适的预期轨迹决策s之间的差异采用如下广义距优目标权距离
其中，msu表示m1s,m2s,m3s,m4s中的任一一个；
s47，将实际轨迹决策u与不合适的预期轨迹决策s之间的差异采用广义距劣目标权距离
其中，
p为距离参数，当p＝1时称为海明距离；p＝2时为欧几里德距离；
ws为安全性e1、高效性e2、易操纵性e3与规则性e4的权重；
s48，按照s46和s47中的公式求得待决策集合d中所有决策的广义距优目标权距离
通过如下最优化目标函数，比较驾驶人多目标决策过程中实际行车路线与最优中心线路径的差值，如果该差值很小，则表示得出实际轨迹分布逼近道路中心线，说明所述基于等效力分布的道路风险评估模型的收敛性好：
f＝max(cs)。
本发明还提供一种基于等效力的行车风险实时评估装置，所述基于等效力的行车风险实时评估装置包括：
信息采集单元，其用于采集待评估区域内道路环境中的交通环境信息和各类交通环境使用对象信息；
电子控制单元，所述电子控制单元中预先设置有基于等效力分布的道路风险评估模型，所述电子控制单元用于接收所述信息采集单元采集到的交通环境信息和各类交通环境使用对象信息；
其中，所述基于等效力分布的道路风险评估模型用于获得车辆i在不同交通环境下的道路交通风险e和车辆i与物体j之间的等效力分布fij，物体j表示各类交通环境使用对象信息中车辆i之外的其它任何交通要素，道路交通风险e可表示为车辆i的动能ei、物体j的动能ej与车辆i和物体j之间的相对动能eij的总和。
进一步地，所述基于等效力分布的道路风险评估模型获得的“eij”和“fij”分别如下：
其中，fij,max表示车辆i加载的物体j上的最大等效力，其具体表达式为：
mi表示车辆i的质量；vi表示车辆i的速度；vij表示车辆i和物体j之间的相对速度；dij表示车辆i和物体j之间的相对距离；vi、vij、dij均表示矢量，θij是从dij到vij的夹角，
进一步地，“wki”和“wkj”分别通过如下公式计算得到：
其中，物体j限定为车辆，wkj表示车辆j维持当前车轮转角和改变车轮转角的概率的权重；pki(δki)表示车辆i在下一时刻转向角度沿转向角δki的转向概率；pkj(δkj)表示车辆j沿转向角δkj的转向概率；δ0＝0表示直线行驶，p0(δ0)表示车辆i和车辆j直行的概率；
pki(δki)、pkj(δkj)、p0(δ0)均可通过如下计算表达式获得：
δk＝k*δδ,k∈[-n,n]
其中，k,n∈z；δδ表示转向角的增量；如果k是正整数，δk表示向左转；如果k是负整数，δk表示向右转。
进一步地，所述基于等效力的行车风险实时评估方装置还包括：
验证模块，其基于所述基于等效力分布的道路风险评估模型得到的车辆i与物体j之间的等效力分布fij，根据驾驶人行车可能轨迹的分布规律，对车辆转向概率的合理性进行验证。
进一步地，所述验证模块的具体工作包括：
将驾驶人的所有的可行预期轨迹决策s的距目标权距离ds，s＝1......n组成一个如下的待决策集合d：
d＝{d1,d2,d3......dn}；
将安全性e1、高效性e2、易操纵性e3与规则性e4组成评价指标集为：
e＝{e1,e2,e3,e4}；
通过安全性e1、高效性e2、易操纵性e3与规则性e4，采用如下评价指标的相对隶属度矩阵对n个可行预期轨迹决策s进行评价：
定义合适的预期轨迹决策s具有最大的相对隶属度，其形式如下：
am＝(a1,a2,a3,a4)t＝(1,1,1,1)t；
定义不合适的预期轨迹决策s具有最小的相对隶属度，其形式如下：
bm＝(b1,b2,b3,b4)t＝(0,0,0,0)t
将预期轨迹决策s的评价指标隶属度函数采用向量形式表示为：
ms＝(m1s,m2s,m3s,m4s)t
将实际轨迹决策u与合适的预期轨迹决策s之间的差异采用如下广义距优目标权距离
其中，msu表示m1s,m2s,m3s,m4s中的任一一个；
将实际轨迹决策u与不合适的预期轨迹决策s之间的差异采用广义距劣目标权距离
其中，w＝(w1,w2,w3,w4)t,
p为距离参数，当p＝1时称为海明距离；p＝2时为欧几里德距离；
ws为安全性e1、高效性e2、易操纵性e3与规则性e4的权重；
按照上述公式求得待决策集合d中所有决策的广义距优目标权距离
通过如下最优化目标函数，比较驾驶人多目标决策过程中实际行车路线与最优中心线路径的差值，如果该差值很小，则表示得出实际轨迹分布逼近道路中心线，说明所述基于等效力分布的道路风险评估模型的收敛性好：
f＝max(cs)。
本发明由于采取以上技术方案，其具有以下优点：1、本发明能够实时获取采集待评估区域内道路环境中的交通环境信息和各类交通环境使用对象信息，突破了复杂环境多类型目标感知技术，并根据周围环境信息，进行行车风险实时评估，并为车辆进行路径规划、行车决策提供了依据。同时，形成了完整的行车风险评估体系，应用于典型场景，适应于车车间任意场景的风险估计，更有利于促进适用于复杂路况的辅助驾驶系统的研制，从而实现在商用车、军用车、乘用车上大规模产业化应用。2、本发明提出的基于等效力分布的道路风险评估模型，可以随时计算以等效力形式表示的交通风险分布。在这个模型中，任何周围的移动物体都可以参与其中，而不仅仅是直接靠近自车的车辆。即，基于等效力分布的道路风险评估模型创新性型地将更多的潜在危险因素纳入考虑，且能够实现对周边行车环境的风险预测。基于此模型，自主车辆可以更准确地识别交通风险，并从风险态势的角度做出决策。因此，自主车辆可以更加安全地进行行动，例如加速，制动或路径规划，进而实现自动驾驶控制。3、本发明通过建立各种场景的行车风险评估数据库，可以广泛应用于交通管制中，随着智能车辆技术的迅速发展，交通管理者更有机会及时捕捉到所有道路使用者的运动信息，包括gps位置、车辆速度和行人等等。在这种情况下，城市环境中各道路的交通风险实时评估从而对交通安全做出及时管控。交通管理人员根据交通风险及时分配对交通流量进行管理将是一大优势。利用本发明使得在风险和效率的平衡控制下，交通环境将变得更加安全和高效。
附图说明
图1是本发明所提供的跟车场景示意图；
图2是本发明所提供的超车场景示意图；
图3是本发明所提供的任意两车之间场景示意图；
图4是本发明所提供的预测可能运动轨迹范围示意图；
图5是本发明所提供的基于转弯角度和转向概率的轨迹示意图；
图6是本发明所提供的实验路线图；
图7是本发明所提供的高速路段转向概率分布图；
图8是本发明所提供的安全场中等效力的分布图；其中，(a)为原理图，(b)为交通风险图；
图9是本发明所提供的汽车预期轨迹示意图；
图10是本发明所提供的驾驶人视觉转移过程示意图；
图11是本发明所提供的行车轨迹经过双移线后的收敛性示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本实施例所提供的基于等效力的行车风险实时评估方法包括：
s1，采集待评估区域内道路环境中的交通环境信息和各类交通环境使用对象信息。其中，“交通环境信息”包括由路侧设备，比如道路摄像头(单/双目摄像头)、雷达(毫米波雷达)和人车路网联通讯基站，由路侧设备用于完成对交通环境信息的采集。“交通环境使用对象信息”包括交通环境使用对象的种类和状态，其中，交通环境使用对象的种类包括非机动车辆(非机动车辆包括行人、自行车及摩托车等)、机动车(机动车包括小汽车、客车和卡车等)、物体、固定交通标志和设施。交通环境使用对象的状态包括对象的速度及速度方向、几何尺寸、类别、质量等信息。所述物体为非其他对象类别的路面静止物体，包括可移动的护栏和锥形筒等。所述固定交通标志及设施包括交通信号灯、静态交通标牌(限速牌、警示标牌)等。
s2，将s1中获取的所述交通环境使用对象信息和环境信息输入至车辆的电子控制单元中，所述电子控制单元中预先设置有基于等效力分布的道路风险评估模型。
s3，通过所述基于等效力分布的道路风险评估模型，获得车辆i在不同交通环境下的道路交通风险e和车辆i与物体j之间的等效力分布fij，物体j表示各类交通环境使用对象信息中车辆i之外的其它任何交通要素，道路交通风险e可表示为车辆i的动能ei、物体j的动能ej与车辆i和物体j之间的相对动能eij的总和，即e＝ei+ej+eij，其中，i表示车辆，j表示各类交通环境使用对象信息中车辆i之外的其它任何交通要素。
下面根据车辆i在各种不同交通环境，对s3中的“eij”和“fij”进行详细说明。
首先，通过对“跟车场景”和“超车场景”两种典型的交通环境说明s3中的“eij”和“fij”的获得方式，这两个场景中，物体j限定为车辆。
(一)跟车场景
图1示出了跟车场景中的道路交通风险，跟车场景是交通环境中的交通环境，随着汽车生产的迅速增长，车辆通常在城市道路和高速公路上作为排队或集群驾驶。图1中，s*ij表示交通环境中车辆i和车辆j的占用空间，sij表示车辆i和车辆j的车头距，lj表示车辆j的长度，xi表示车辆i的纵向位置，xj表示物体j的纵向位置，xi为车辆的纵向位移，
车辆i和车辆j引起的交通风险与单个运动物体形式相同。因此交通风险定义如下：
其中，mi表示车辆i的质量，mj表示物体j的质量，vi表示车辆i的速度，vj表示物体j的速度，xi表示车辆i的纵向位置，xj表示物体j的纵向位置，δxi表示车辆i与其前方的目标点之间的距离，δxj表示运动物体j与其前方的目标点之间的距离。
在跟车场景中，碰撞事件只可能发生于跟随车辆i的前方与前方车辆j之间。即如果设置事件a来表示车辆i碰撞到车辆j的情景，并且事件b表示车辆j碰撞到车辆i，则事件a的概率必须大于零，且事件的概率b绝对等于零。因此，本实施例将后续车辆定义为主动碰撞参与者(acp)，并将前车作为被动碰撞参与者(pcp)。acp和pcp之间的流量风险定义如下：
同样，本实施例设定fij＝1/2mivi*ttci，fij表示车辆i加载的物体j上的等效力。则可得到“eij”、“fij”和“fij,max”的表达式可以分别表示为：
其中，fij,max表示车辆i加载的物体j上的最大等效力，其具体表达式为：
其中，mi表示车辆i的质量，vi表示车辆i的速度，vij表示车辆i和物体j之间的相对速度；θij是从dij到vij的夹角；
因此，跟车场景中道路环境的交通风险e可以定义为车辆i的动能ei、物体j的动能ej与车辆i和物体j之间的相对动能eij的总和。
以上部分描述了跟车场景中两辆车之间的关系。但是，跟车场景往往与超车场景一起进行。
(二)超车场景
图2示出了超车场景，在图2中，(xi,yi)表示车辆i的位置，(xj,yj)表示车辆j的位置，vi表示车辆i的速度，vj表示车辆j的速度。vij和dij分别表示车辆i和车辆j之间的相对速度和距离，
则有：
另外，图2显示了一个瞬时情景，车辆j的超车行为是一个连续过程，图中的所有变量都是随时间变化的，fij,max也具有相同的性质。
(三)任意双车场景
在任意双车场景中(图3)可以使用与超车场景相同的方法进行分析，车辆i和车辆j之间的交通风险如下得出：
辆i加载的车辆j上的最大力计算如下：
则在任意两车场景中，行车实时风险也可以通过数理方程进行描述。
如图4所示，在交通环境中，行车风险总是由道路使用者和道路交通环境通过相互作用从而产生的。它的产生于大小与道路使用者的运动状态和道路环境条件有关。本实施例考虑到在交通事故发生时，需要对行车风险范围进行预判从而更好进行行车路径决策。因此，本实施例提出了考虑车辆风险影响范围的评估方法，并建立基于等效力分布的道路风险评估模型。
根据道路使用者在交通环境中必须遵守的一定交通规则及道路约束，本实施例假设在正常行驶及转向过程中驾驶人始终遵循交通规则和法律，即在直行车道时车辆只能向前行驶，改变单向车道的车道和速度。因此，当汽车在直路上处于自由行驶状态时。假设它的速度和转向角是连续的常数值。可以通过基于等效力分布的道路风险评估模型进行预测该车辆在下一时刻在道路环境中的位置，并且可以根据每个预测位置进而预测该车辆可能运动轨迹。预测可能运动轨迹范围示意图见图4。
如图4所示，(xi,yi)代表了车辆i当前位置信息。mi表示车辆i的质量。vi表示车辆i的速度。δxi表示车辆i与其前方的目标点之间的距离。图中的深灰色圆圈表示预测点的位置(predictiveposition)，将预测点依序连接成的曲线是基于预测位置的预测轨迹(predictivetrajectory)。f表示车辆i对每个位置的影响，转弯半径r通过等效线性两轮车辆模型进行计算：
其中，k表示稳定系数，l表示车辆i的轴距，δ表示转向角。
当车辆i以可忽略的侧滑角以恒定速度驾驶时，可以按照如下计算具有命令转向角δ的时间范围tp处的预测位置(xip,yip)：
假设车辆i一直处于控制和驾驶稳定状态的车辆。速度和转弯半径的最大值应视路况而定。车辆i的运动状态受以下公式的限制：
其中，fx和fy分别表示车辆i的纵向和横向力，fz表示地面反作用力，
根据上述内容，可得转向角δ与速度v之间的关系可以推导如下：
其中，
m＝mi/l
ff＝migf
随着车辆行驶速度的增加，允许转向角δ按照下式获得：
转向角δi与车辆i的机械结构设计有关，其最大值等于转向角度极限δmax。通常，客车的δmax∈[-π/4,π/4]。
|δ(t)|≤δmax
再根据转向角范围，车辆i的可能运动轨迹应该具有一定的边界，并且车辆i的运动状态绝对稳定在该边界内。
图5中，(xi,yi)代表车辆i的当前位置信息，mi表示车辆i的质量，vi表示车辆i的速度。(δ，p)为图中生成不同曲线的转向角角度和出现概率。如图5所示，最外端虚线表示预测轨迹的左右极限。当车辆在道路上直行时，驾驶人可以采取以下行动：直行、转向左车道、转向右车道。本实施例假设驾驶人会转动方向盘，δk表示车辆的转向角，pk表示车辆的转向概率，则转弯概率pk可以定义如下：
δk＝k*δδ,k∈[-n,n]
其中，k,n∈z；δδ表示转向角的增量；如果k是正整数，δk表示向左转；如果k是负整数，δk表示向右转。
但是，很难预测驾驶人的转向角并为转向概率赋予相应的值。为了解决这个问题，本实施例使用真正的自由驾驶实验数据。
实验路线的细节如图6所示。这个免费驾驶数据库包含大量的33个实际有经验驾驶人的原始实验数据，包括gps数据和车辆数据。此外，该数据库包含大约32.5小时和超过1160000个公路实验数据的测量点。因此，本实施例统计所有的高速公路实验统计数据来分析驾驶人的转向角度。高速公路路段转向角的概率基本呈现高斯正态分布。
结果的细节如图7所示。高斯正态分布定义如下：
如图8所示，本发明描述了交通安全领域的一个新概念，通过运用一系列等同的力进而来描述交通环境对道路使用者造成的潜在影响。遵循这一原则，当道路使用者在道路上行驶时，包括车辆，行人和骑自行车者，道路环境将被这种力所覆盖。如前所述，交通风险是由主动碰撞参与者(acp)和被动碰撞参与者(pcp)引起的。主动或被动是一个相对的概念。在真实的交通环境中，每个道路用户可以在不同的时间和空间中显示为acp或pcp。通过分析等效力的范围和分布，可以量化道路环境的安全率。因此，本发明将这个等效力范围命名为交通安全领域。等效力的值随着预测点与道路使用者之间的距离的增加而减小。类似地，在图8的(a)的示意图中，车辆i或车辆j维持当前状态的角度和改变转向的概率的权重wk可定义为：
其中，k∈[-n，n]和k，n∈z。p0(δ0)表示车辆在下一时刻以角度δ0停留的概率；pk(δk)表示车辆在下一时刻转向角度δk的概率。
即得车辆i的每个预测点的位置的等效力可以计算如下：
最后，直行车辆i的交通风险图由matlab描述，如图8的(b)所示(mi＝1500kg，vi＝20m/s)。为了便于分析，等效力的零值被设置为白色。交通风险影响区域的边界在图8的(b)中用白色区域和深蓝色区域分开的弧形曲线明显地表示出来。此外，等效力的值随着纵向和横向距离的增加而逐渐减小。此外，可知上述影响区域的边界将随着车辆速度和道路条件而改变。它有一个随时间变化的属性。因此，交通风险地图是一个随时间变化的地图。
同理，对于两车之间，车辆i可能转向的等效力及等效力的权重定义为wki，车辆j可能转向的等效力及等效力的权重定义为wkj。即：
则可以得到：由车辆i加载的车辆j上的等效力可以计算如下：
车辆i对交通环境的等效力fki表示为：
ei＝fki·δxi
物体j对交通环境的等效力fkj表示为：
ej＝fkj·δxj
在图8基础上，根据驾驶人行车可能轨迹的分布规律，对其进行概率验证。实际行车过程中，驾驶人对汽车的操纵行为与预期行驶轨迹概率分布可能存在一定偏差，因此，对驾驶人操纵汽车的预测可以理解为驾驶人趋利避害追求最优操作的过程。图9给出了汽车预期轨迹示意图，通过计算得出的等效力分布，得出了轨迹示意图。
在一个实施例中，鉴于实际行车过程中，驾驶人对汽车的操纵行为与预期行驶轨迹概率分布可能存在一定偏差，因此，对驾驶人操纵汽车的预测可以理解为驾驶人趋利避害追求最优操作的过程。
如图10所示，驾驶人在行车过程中对车辆周边环境的感知范围具有由分散感知到集中感知特性。驾驶人在行车过程中，注意力分配规律如图10所示，先集中于以自车为中心，半径为r1的扫视扇形区域1内。再在安全前提下进行视线范围集中，将视线停留在以自车为中心，半径为r2的扫视扇形区域2内，重点视觉信息开始只考虑相邻道路中心线处靠近自车范围。最后，在确保自车安全前提，会将注意力集中于自车道前面范围内，即区域3内。因此在实际行车过程中，驾驶人视觉信息接收对轨迹预判也具有重要影响。
在正常行车过程中，驾驶人会优先确保自车行驶的安全性，即保证自车与道路可行区域边界之间有一定的相对距离，使汽车在可行区域中相对安全的位置行驶。其次，就驾驶人自身的因素来讲，驾驶人总是希望对汽车产生的输入动作变化越小越好，即用易操纵性来表示。驾驶人追求尽可能高效率到达目的地，因此有高效性指标。最后，汽车行驶过程转弯角度及范围需要符合交通规则并因为汽车本身设计性能决定了汽车的转弯能力存在一定限制的，即汽车转向范围有所限制，故有规则性指标，即评价预测轨迹与实际操纵轨迹是否符合时设定的四个指标为安全性、高效性、易操纵性与规则性。
本实施例所提供的基于等效力的行车风险实时评估方法还包括：
s4，基于s3中得到的车辆i与物体j之间的等效力分布fij，根据驾驶人行车可能轨迹的分布规律，对车辆转向概率的合理性进行验证。s4具体包括如下步骤：
s41，将驾驶人的所有的可行预期轨迹决策s的距目标权距离ds，s＝1......n组成一个如下的待决策集合d：
d＝{d1,d2,d3......dn}；
s42，将安全性e1、高效性e2、易操纵性e3与规则性e4组成评价指标集为：
e＝{e1,e2,e3,e4}；
通过安全性e1、高效性e2、易操纵性e3与规则性e4，采用如下评价指标的相对隶属度矩阵对s41中的n个可行预期轨迹决策s进行评价：
s43，定义合适的预期轨迹决策s具有最大的相对隶属度，其形式如下：
am＝(a1,a2,a3,a4)t＝(1,1,1,1)t；
s44，定义不合适的预期轨迹决策s具有最小的相对隶属度，其形式如下：
bm＝(b1,b2,b3,b4)t＝(0,0,0,0)t
s45，将预期轨迹决策s的评价指标隶属度函数采用向量形式表示为：
mi＝(m1i,m2i,m3i,m4i)t
s46，将实际轨迹决策u与合适的预期轨迹决策s之间的差异采用如下广义距优目标权距离
其中，mij表示m1i,m2i,m3i,m4i中的任一一个；
s47，将实际轨迹决策u与不合适的预期轨迹决策s之间的差异采用广义距劣目标权距离
其中，w＝(w1,w2,w3,w4)t,
p为距离参数，当p＝1时称为海明距离；p＝2时为欧几里德距离；ws为安全性e1、高效性e2、易操纵性e3与规则性e4的权重；在进行多目标加权决策时要事先确定各个评价指标的权重，权重是表征下层子准则相对于上层某准则(或总准则)作用大小的量化值。对驾驶人轨迹决策来说，权重反映了驾驶人对这几个评价指标的重视程度和偏好程度。
s48，按照s46和s47中的公式求得待决策集合d中所有决策的广义距优目标权距离
通过如下最优化目标函数，比较驾驶人多目标决策过程中实际行车路线与最优中心线路径的差值，如果该差值很小，则表示得出实际轨迹分布逼近道路中心线，说明所述基于等效力分布的道路风险评估模型的收敛性好：
f＝max(cs)。
如图11所示，可以看出驾驶人多目标决策过程中实际行车路线与最优中心线路径的差值很小，即得出实际轨迹分布逼近道路中心线，这说明模型的收敛性非常好。通过以上的仿真分析可以认为：设定的轨迹分布概率符合实际行驶情况，预测行驶轨迹真实度高。
上述各实施例中，xi获得的参考坐标系可定义为：x轴为平行于车辆i行驶方向的水平轴，y轴为垂直于车辆i行驶方向的垂直轴，x轴正方向为车辆i行驶方向。
本发明还提供一种基于等效力的行车风险实时评估装置，所述基于等效力的行车风险实时评估装置包括信息采集单元和电子控制单元，其中：
所述信息采集单元用于采集待评估区域内道路环境中的交通环境信息和各类交通环境使用对象信息。
所述电子控制单元中预先设置有基于等效力分布的道路风险评估模型，所述电子控制单元用于接收所述信息采集单元采集到的交通环境信息和各类交通环境使用对象信息。
其中，所述基于等效力分布的道路风险评估模型用于获得车辆i在不同交通环境下的道路交通风险e和车辆i与物体j之间的等效力分布fij，物体j表示各类交通环境使用对象信息中车辆i之外的其它任何交通要素，道路交通风险e可表示为车辆i的动能ei、物体j的动能ej与车辆i和物体j之间的相对动能eij的总和。
在一个实施例中，所述基于等效力分布的道路风险评估模型获得的“eij”和“fij”分别如下：
其中，fij,max表示车辆i加载的物体j上的最大等效力，其具体表达式为：
mi表示车辆i的质量；vi表示车辆i的速度；vij表示车辆i和物体j之间的相对速度；dij表示车辆i和物体j之间的相对距离；vi、vij、dij均表示矢量，θij是从dij到vij的夹角，
上述各实施例获得的“eij”和“fij”可通过车辆上的图形界面进行显示，以供驾驶员参考，自主车辆可以更加安全地进行行动，例如加速，制动或路径规划，进而实现自动驾驶控制。“eij”和“fij”可通过交通管理系统上的图形界面进行显示，以供交通管理人员根据交通风险及时分配对交通流量进行管理。利用本发明使得在风险和效率的平衡控制下，交通环境将变得更加安全和高效。
在一个实施例中，“wki”和“wkj”分别通过如下公式计算得到：
其中，物体j限定为车辆，wkj表示车辆j维持当前车轮转角和改变车轮转角的概率的权重；pki(δki)表示车辆i在下一时刻转向角度沿转向角δki的转向概率；pkj(δkj)表示车辆j沿转向角δkj的转向概率；δ0＝0表示直线行驶，p0(δ0)表示车辆i和车辆j直行的概率；
pki(δki)、pkj(δkj)、p0(δ0)均可通过如下计算表达式获得：
δk＝k*δδ,k∈[-n,n]
其中，k,n∈z；δδ表示转向角的增量；如果k是正整数，δk表示向左转；如果k是负整数，δk表示向右转。
在一个实施例中，所述基于等效力的行车风险实时评估方装置还包括：
验证模块，其基于所述基于等效力分布的道路风险评估模型得到的车辆i与物体j之间的等效力分布fij，根据驾驶人行车可能轨迹的分布规律，对车辆转向概率的合理性进行验证。
在一个实施例中，所述验证模块的具体工作包括：
将驾驶人的所有的可行预期轨迹决策s的距目标权距离ds，s＝1......n组成一个如下的待决策集合d：
d＝{d1,d2,d3......dn}；
将安全性e1、高效性e2、易操纵性e3与规则性e4组成评价指标集为：
e＝{e1,e2,e3,e4}；
通过安全性e1、高效性e2、易操纵性e3与规则性e4，采用如下评价指标的相对隶属度矩阵对n个可行预期轨迹决策s进行评价：
定义合适的预期轨迹决策s具有最大的相对隶属度，其形式如下：
am＝(a1,a2,a3,a4)t＝(1,1,1,1)t；
定义不合适的预期轨迹决策s具有最小的相对隶属度，其形式如下：
bm＝(b1,b2,b3,b4)t＝(0,0,0,0)t
将预期轨迹决策s的评价指标隶属度函数采用向量形式表示为：
ms＝(m1s,m2s,m3s,m4s)t
将实际轨迹决策u与合适的预期轨迹决策s之间的差异采用如下广义距优目标权距离
其中，msu表示m1s,m2s,m3s,m4s中的任一一个；
将实际轨迹决策u与不合适的预期轨迹决策s之间的差异采用广义距劣目标权距离
其中，w＝(w1,w2,w3,w4)t,
p为距离参数，当p＝1时称为海明距离；p＝2时为欧几里德距离；
ws为安全性e1、高效性e2、易操纵性e3与规则性e4的权重；
按照上述公式求得待决策集合d中所有决策的广义距优目标权距离
通过如下最优化目标函数，比较驾驶人多目标决策过程中实际行车路线与最优中心线路径的差值，如果该差值很小，则表示得出实际轨迹分布逼近道路中心线，说明所述基于等效力分布的道路风险评估模型的收敛性好：
f＝max(cs)。
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。