一种车辆行车风险评估方法

1.本发明属于车辆自动驾驶技术领域，具体涉及一种车辆行车风险评估方法。


背景技术：

2.车辆风险评估是智能车辆安全行驶的关键一环，同时作为车辆避障系统基础，关系到车辆安全避让决策的正确性和有效性，因此也是预触发约束系统的重要输入。车辆风险评估将当前行车场景下的风险程度进行量化，可在本车和周围车辆运行状态感知基础上，预测车辆未来行车风险状态，有助于增强辅助驾驶系统的准确性、碰撞预警干预机制的实时性。许多增强辅助驾驶系统如碰撞预警系统、自动紧急制动系统等都是基于风险评估指标的特定阈值进行触发的辅助驾驶系统，因此提升车辆风险评估的准确性至关重要。
3.确定性风险评估方法是目前主要的行车风险评估方法之一，其主要利用既定的车辆未来行车轨迹，通过比较轨迹上车辆实时距离与期望距离大小进行危险判别，用于计算车辆安全距离的模型主要包括：基于制动过程运动学分析的安全距离模型
1.、基于车间时间的安全距离模型
2.和基于即将碰撞时间的安全距离模型
3.等。
4.但从行车风险形成开始到发生危险冲突的整个风险转化过程很难用单一的时空距离参数进行描述，需要综合考虑多个时空距离参数并采用更复杂的模型和算法对车辆防碰撞预警进行研究。
5.概率性风险评估是一种基于概率论分析的行车风险估算的方法，与确定性风险评估不同，概率性风险评估综合考虑多种车辆行车轨迹风险。该方法需要首先定义操纵行为的概率密度函数。其次，此方法需对概率密度函数进行采样，以获得产生不同路径轨迹的输入，并对不同交通参与者之间的轨迹进行碰撞检测。最后，对多次的碰撞检测结果累积求和，推导得出最终碰撞概率。
6.概率性风险评估方法需对概率密度函数进行采样，计算时需要遍历所有可能避撞轨迹，计算量大；且输出结果为碰撞概率，难以百分之百地给出不可避免碰撞事故的结论，进而难以应用于预触乘员约束系统。


技术实现要素：

7.为了解决现有技术存在的上述技术问题，本发明提供一种车辆行车风险评估方法。本发明既能得到准确的碰撞预测概率值，又能得出不可避免碰撞的可靠结论，可为预触发乘员约束提供可靠的输入。
8.本发明解决上述技术问题的技术方案是：一种车辆行车风险评估方法，其特征在于：
9.步骤s1，通过传感器获取自车与碰撞目标车辆的外形尺寸l
l
、lw，以及当前两车的车辆状态xc、yc、ψ，其中l
l
、lw分别表示车辆的长、宽，xc、yc、ψ分别表示车辆质心的纵、横向全局坐标以及横摆角；；
10.步骤s2，基于已有的驾驶员避障偏好行为模型，采集符合模型的两车纵向加速度az
、横向加速度ah样本；
11.步骤s4，基于车辆运动学/动力学，通过不同的纵横向车辆加速度得出可能的车辆行驶轨迹组合；
12.步骤s5，根据车辆的状态以及几何外形结构，分别对单组车辆行驶轨迹进行碰撞检测，得到单组轨迹碰撞概率，并对自车与危险目标车所有可能的轨迹组合的碰撞概率进行积分，获得碰撞概率；
13.步骤s6，判断总体碰撞概率是否大于等于99％时，进一步进行不可避免碰撞场景判定；
14.步骤s7，引入车辆极限纵/横向加速度的95％分位数作为驾驶员纵/横向避障极限 |a
z,max
|，|a
h,max
|；
15.步骤s8，对于处于驾驶员避障极限的避撞临界轨迹组合进行车辆外形碰撞检测，最终判定是否为不可避免碰撞场景。
16.进一步的，所述步骤s2中的驾驶员避障行为模型可用多维高斯分布表示，其概率密度函数为：
[0017][0018]
其中x是由车辆纵横向减/加速度表示的二维变量，μ＝e[x]表示随机变量x的均值向量，σ＝cov[x]＝e(x-μ)(x-μ)
t
表示随机变量x的协方差矩阵。
[0019]
进一步的，所述步骤s5中碰撞概率积分表达式：
[0020]
cp(t)＝∫
q(t)
f(γe,γo)ρ(γe,γo,t)d(γe,γo)
[0021]
其中γe表示自车运动轨迹，γo表示目标危险车运动轨迹，f表示车辆运动学/动力学，
[0022][0023][0024]
χ为两车几何外形在某一时刻存在重叠的轨迹组合集合，即发生碰撞的轨迹组合集合。
[0025]
进一步的，进行单组碰撞检测过程为：输入自车与目标车外形尺寸l
l
、lw，当前两车的车辆状态xc、yc、ψ，两车纵横向避撞减/加速度az、ah，初始化时间步长、循环序号；更新时间步长并通过车辆运动学/动力学模型f(az,ah,δ
new
)更新两车辆状态与位置顶点，最后进行碰撞检测并输出碰撞结果。
[0026]
本发明的有益效果在于：本发明基于自适应调整驾驶员避障行为模型，采用马尔科夫蒙特卡罗方法对驾驶员避障模型进行采样，并结合车辆运动学模型进行车辆碰撞检测，估计当前时刻车辆组合轨迹碰撞概率值。当车辆组合碰撞概率大于99％时，再基于驾驶员操作极限，并结合车辆单轨动力学模型来精确、迅速地预测无法避免的碰撞。本发明既能得到准确的碰撞预测概率值，又能得出不可避免碰撞的可靠结论，为预触发乘员约束系统提供可靠的输入；其次，在满足预触发约束系统需求的同时，可以兼容地应用于主动安全系统，同样可减小主动安全系统的误报率，提高系统有效性。
附图说明
[0027]
图1为本发明的流程图。
[0028]
图2为本发明中的车辆运动学模型。
[0029]
图3为本发明中车辆长方形几何示意图。
[0030]
图4为本发明中时间步长对碰撞检测有效性的影响。
[0031]
图5为本发明中车辆单轨动力学模型示意图。
[0032]
图6为本发明中不同危险场景下的轨迹组合示意图。
[0033]
图7为本发明中基于轨迹组合的随机采样示意图。
具体实施方式
[0034]
下面结合附图和具体实施例对本发明做进一步的详细说明。如图1所示，图1为本发明的流程图。
[0035]
首先，步骤s1通过系统所提供的雷达、惯性导航等传感器获取当前自身车辆与目标危险车辆的状态以及外形尺寸。
[0036]
步骤s2，在进行车辆行车风险评估之前需要构建驾驶员碰撞行为模型，该模型由混合多维高斯分布表示，假设高斯混合模型存在k个子分布，概率密度函数由式(1) 表示。
[0037][0038]
表示高斯混合模型的所有参数，p(x∣μk,σk)为高斯混合模型中第k个高斯分量，ωk是第k个分量的权重系数，μk为第k个高斯分布的均值向量，σk第k个高斯分布协方差矩阵。
[0039]
在对避撞行为的采样过程中，当驾驶员未意识到危险且没有做出反应时，避撞行为模型中存在两种混合的高斯子模型(有反应和无反应)是合理的，因为驾驶员在下一步有反应与无反应的可能性同时存在。若驾驶员已经对危险场景做出反应，此时再考虑无反应行为模型是无意义的。为了解决这一问题，在驾驶员行为模型中加入自适用调整权重系数，避撞行为模型的数学表达为：
[0040]
p(x∣θ)＝ω1p(x∣μ1,σ1)+ω2p(x∣μ2,σ2)
ꢀꢀꢀ
(2)
[0041]
式中x是由车辆纵横向减/加速度表示的二维变量,ω表示分量的权重系数，μ表示为均值向量，σ表示为协方差矩阵，θ抽象表示模型的所有参数。
[0042]
通过检查在每个时间步的车辆加速度，当纵向或横向加速度超过阈值后，则判定驾驶员对当前场景做出反应，一旦确定了驾驶员的反应行为，避撞行为模型中无反应行为高斯分量的权重系数将被设置为零，如式(3)所示：
[0043][0044]
其中φ为加速度判定阈值。
[0045]
由于不确定性工况下的驾驶员避撞行为模型复杂，不便于直接通过概率密度进行概率计算，因此采用采样的方法进行概率估算。
[0046]
本发明采用马尔可夫-蒙特卡洛策略中的gibbs采样方法
[4]
(简称mcmc-gibbs)，其
本质是运用了马尔科夫链性质，通过构造合理的状态转移矩阵，使得马尔科夫链收敛到期望概率分布，该概率分布代指上述驾驶员避撞行为模型。其中马尔科夫链的性质为后一时刻状态只与当前时刻状态有关，该性质可由式(4)表达，定义当前时刻状态量用k维向量表示，即x表示状态分量，
[0047]
p(x
(n)
∣x
(0)
,x
(1)
,
…
,x
(n-1)
)＝p(x
(n)
∣x
(n-1)
)
ꢀꢀꢀ
(4)
[0048]
马尔可夫链在一定条件下收敛到平稳分布，即满足式(5)
[0049]
ρ＝ρt
ꢀꢀꢀ
(5)
[0050]
式中，ρ为平稳分布，t为状态转移矩阵。
[0051]
当满足马尔科夫链满足细致平衡条件时当满足，即可判定其收敛到平稳分布，如式(6)所示：
[0052]
ρ(a)t
ab
＝ρ(b)t
ba
ꢀꢀꢀ
(6)
[0053]
其中，a和b为任意两个状态。
[0054]
所以只需构造合适的状态转移矩阵满足式(6)，则可以通过马尔可夫链构造出期望的分布。在mcmc-gibbs方法中，在状态转移过程中每次只改变状态中某一个维度的值(以第j个维度为例)：
[0055][0056]
由条件概率定义可得到(8)式和(9)式。
[0057][0058][0059]
其中表示当前状态中除了第j维剩余的其他维度的值。
[0060]
联立式(8)与式(9)可以得到：
[0061][0062]
由细致平衡条件式(6)与式(10)可得状态转移矩阵为：
[0063][0064]
通过选取稳定马尔科夫链中的不同时刻状态，可获得多个符合期望分布的样本点，总体流程为：首先输入期望概率分布ρ与m个符合期望的采样点，其次初始化x
(0)
并循环m次采取符合期望分布ρ的样本，每次采样过程产生新的状态，最终输出m个采样点。在本发明中采用该方法采集到符合驾驶员避障偏好模型的车辆两车纵向加速度az、横向加速度ah。
[0065]
步骤s4，基于驾驶员避撞行为模型得到的采样点为两车纵向加速度az、横向加速度ah，进一步引入车辆运动学模型表征加速度与车辆状态的转换关系。图2展示了车辆运动学模型，(xc，yc)，(xf，yf)和(xr，yr)分别为车辆质心、前后轴中心在惯性系 xy下的坐标，ψ表示车辆的横摆角，前后轴距质心的距离分别为lf与lr，轴距为l，δf为前轮转角，vf与vr分别为前后轴中心速度，v为车辆质心速度，r
min
为车辆最小转弯半径，模型可由车辆位置运动学微分方程(12)表示。
[0066][0067]
步骤s5，基于上述运动学关系得到的车辆位置信息，可判断当前时刻自车与目标车外形是否发生碰撞，为了进行有效的碰撞检测，本发明将车辆简化为长方形，图3 为车辆矩形几何示意图，该方法可通过车辆的质点坐标(xc，yc)与矩形顶点的几何关系，确定矩形顶点的全局坐标。四个顶点的坐标可由式(13)表示。
[0068][0069]
其中，θ与θ
′
分别为车辆纵向中轴线与线段质心
→
p2以及线段cog
→
p4的夹角，φ与φ
′
分别为水平基准线与线段cog
→
p1以及线段cog
→
p3的夹角，γ与γ
′
分别为竖直基准线与线段cog
→
p2以及线段cog
→
p4的夹角，线段cog
→
p2和线段cog
→
p4的长度分为别df与df。
[0070]
获取的自车与目标危险车顶点坐标后，即可判定自车顶点是否在目标危险车矩形内。而判别一个点是否在多边形区域内有多种算法，如面积和判别法、夹角判别法等。此处采用向量叉乘法，其拥有简单高效的优点。以点p
′1为例，按照逆时针顺序，选取由自车几何外形顶点组成的向量，分别与指向p
′1的向量进行叉乘，得到对应的四组叉乘积，如式(14)表示。
[0071][0072]
其中定义表示叉乘符号。若均四组叉乘积均大于等于0，则能保证p
′1位于自车内部或者边界上。
[0073][0074]
用θ
′
函数表示某个点是否在由给定顶点构成的长方形内部或者边界上，θ值为真值，那么θ
′
也为真值，如式(16)所示。
[0075][0076]
车辆几何外形碰撞检测流程为：在被检测的t时刻，以两车顶点与质心坐标为输入，相互判断对方车辆外形的这五个点是否在自车的内部以及边界上。同时，将自车的五个外形点作为检测对象，判断是否位于目标车内部或边界上，综合上述两个步骤，得到终于碰撞检测最终结果。
[0077]
在无碰撞可能性时，需要结束该组轨迹的碰撞检测，以避免不必要的计算。当自车四个顶点相对目标车质心的距离均变大时，可以认为两车之间的碰撞风险已经解除，此时
终止碰撞检测。因此，终止条件可以由式(17)表示。
[0078][0079]
车辆的避撞轨迹可表示为车辆纵向加速度az与横向加速度ah的函数，如下所示：
[0080]
γ＝f(az,ah)
ꢀꢀꢀ
(18)
[0081]
其中，γ表示车辆运动轨迹，f为车辆运动学/动力学模型。
[0082]
由马尔可夫-蒙特卡洛gibbs采样方法采集的多个样本点对应多条避障轨迹，首先针对单轨迹组合进行碰撞检测，两车轨迹之间的碰撞检测函数，如式(19)和(20)所示：
[0083][0084][0085]
其中，(γe,γo)代两车动轨迹的组合。与分别代表自车与危险目标车时刻车辆占据的矩形区域，χ物理意义为发生碰撞的轨迹组合集合。
[0086]
单组车辆碰撞检测流程为：首先输入自车与目标车外形尺寸l
l
、lw，当前两车的车辆状态xc、yc、ψ，两车纵向加速度az、横向加速度ah，初始化时间步长、循环序号；随后更新时间步长并通过函数f(az,ah,δ
new
)更新两车辆状态与位置顶点，最后进行碰撞检测并输出碰撞结果。
[0087]
在检测车辆轨迹之间是否发生碰撞时，当车辆运行速度过大时，较大的步长可能导致车辆位置越过轨迹重合点，从而导致碰撞检测失败，如图4(a)所示，因此需要选取合适时间步长，由式(21)表示：
[0088][0089]
其中：
[0090][0091][0092]
dis1自车与危险目标车的质心距离，dis2两车几何外形外接圆的半径和，δ为上一时刻的时间步长，x
e,c
、y
e,c
为自车纵横向坐标，x
o,c
、y
o,c
为危险目标车纵横向坐标， l
l,e
、l
w,e
为自车长宽，l
l,o
、l
w,o
为危险目标车长宽。当dis1》3dis2时，可认为两车距离较远，则保持原时间步长不变；当dis1≤3dis2时，两车距离已经比较接近，则令时间步长与两车长度和与两车速度和的比值成比例。比例系数κ可由检测经验确定，见式(24)：
[0093][0094]
将t时刻自车与危险目标车辆所有可能轨迹集合定义为q(t)，并为单个组合赋予一定概率，则对所有组合积分可得到碰撞概率，表达式(25)如下：
[0095]
cp(t)＝∫
q(t)
f(γe,γo)ρ(γe,γo,t)d(γe,γo)
ꢀꢀꢀ
(25)
[0096]
其中，γe为自车运动轨迹，γo为目标危险车运动轨迹，ρ(γe,γo,t)为t时刻两车轨迹组合的概率密度函数。
[0097]
利用monte carlo方法，可将式(25)的积分表达式处理为：
[0098][0099]
其中，|q(t)|为t时刻所有可能的轨迹组合个数。
[0100]
步骤s6，通过上述碰撞概率值可对车辆行车风险进行评估，但以概率值为依据难以百分之百判定车辆是否发生碰撞。碰撞不可避免的状态是约束系统预触发的先决条件，当碰撞概率大于等于99％时，此处进一步对位于驾驶极限的车辆轨迹组合进行碰撞检测，判定车辆是否发生不可避免碰撞。
[0101]
步骤s7，驾驶极限是驾驶员规避碰撞所能采取的极限操作，此处将驾驶极限用于碰撞预测算法中。基于驾驶员避撞行为数据的统计结果，定义驾驶员避撞极限如式 (27)所示，驾驶极限将与最有可能避免碰撞的车辆轨迹组合相结合，对不可避免碰撞场景的判定。
[0102][0103]
步骤s8此处引入车辆单轨动力学模型来推导车辆轨迹，图5展示了单车动力学模型示意图，其中f
x,f
，f
x,r
分别表示前后轮在自车坐标系xy下x方向的受力，f
y,f
，f
y,r
分别表示前后轮在y方向的受力，f
l,f
，f
l,r
分别表示前后轮的纵向力，f
c,f
，f
c,r
分别表示前后轮的侧向力。αf为前轮侧偏角，v
x
与vy为车辆质心的纵横向速度，r为车辆转弯半径。
[0104]
车辆状态更新表达式，如式(28)表示。
[0105][0106]
基于驾驶员操作极限，利用驾驶极限进行避撞的临界轨迹组合。驾驶极限是固定的阈值，代表驾驶员所能产生的纵横向车辆减/加速度极限值，无需考虑中az与ah值的相对大小关系的问题。通过引入驾驶极限与最有可能避免碰撞的车辆轨迹组合，可使碰撞预测过程碰撞检测次数减少，有利于提高算法运行效率。
[0107]
图6展示了不同类型危险场景下的最有可能避免碰撞的车辆轨迹组合。由于不同场景下车辆相对位置不同，所以针对不同行车场景采用不同车辆轨迹组合。不同类型场景的定义主要依据两车之间的相对角度δθ，不同类型的场景可以由式(29)进行判断。
[0108][0109]
对于对撞危险场景，使用两组临界组合，两车将充分达到纵横向的驾驶极限值，朝着远离对方的方向行驶。对于追尾危险场景，同样定义两组轨迹组合；但是对于角度危险场
景，两车存在较多可能的相对位置形态(见图6(c))，因而使用四组临界轨迹组合判定不可避免的碰撞，以避免遗漏可能的避撞轨迹。
[0110]
针对不同类型的危险场景，临界轨迹组合选取由表1表示，临界轨迹组合的方向与强度得到进一步对进行了明确。其中，(|a
z,max
|,|a
h,max
|)与(a
z,now
,a
h,now
)分别表示车辆在纵横方向上，以驾驶极限行驶以及保持当前的加速度行驶。
[0111]
表1临界轨迹组合在不同场景下的定义
[0112][0113][0114]
其次，本发明在最有可能避免碰撞的车辆轨迹组合的基础上(基于其值与方向)，引入由随机采样方法获得的两车轨迹组合(简称随机对)，弥补固定驾驶极限阈值可能带来的鲁棒性不足问题。随机对的采样示意图见图7，选取驾驶极限阈值前后各0.5m/s2区域作
为随机采样区间，其纵横向的减/加速度可以由式(30)表示。
[0115][0115]
随机样本服从均匀分布。
[0116]
通过随机采样的方式，获得新的车辆临界纵横向减/加速度，进而推导出新的临界轨迹之后，组合两车轨迹构成一组随机对。通过加入随机对的方法，每组临界轨迹组合将同时与多组随机对一同判断碰撞，有利于获得更可靠的判定结果。
[0117]
通过将基于碰撞概率的风险评估方法与基于轨迹组合的碰撞预测方法有机地结合起来，形成一个集成框架，使其既能够输出准确的碰撞概率值，又能输出可靠的碰撞预测结果。集成框架的使用过程可分为两个主要的步骤：
[0118]
(1)风险评估。利用驾驶员避撞行为模型，结合马尔科夫蒙特卡罗采样方法和避撞行为模型参数自适应调整方法，得到可能的车辆纵横向避撞减/加速度。然后，输入到车辆运动模型中，生成多组潜在的避撞轨迹组合。综合多组轨迹组合的碰撞接触检测结果，基于蒙特卡罗方法获得碰撞概率值。
[0119]
(2)碰撞预测。当碰撞概率值大于99％时，使用基于驾驶极限的轨迹组合方法，对临界对与随机对所代表的临界避撞轨迹组合进行碰撞检测，判断碰撞是否不可避免，完成碰撞预测过程。此步骤结合步骤(1)，对不可避免的碰撞进行双重检验。