本发明涉及车辆行驶安全，尤其涉及基于驾驶意图识别的冰雪路面车辆换道风险预测方法。
背景技术：
1、现有车辆换道风险预测技术多基于普通路面工况，通过采集车辆速度、加速度及邻车相对位置等数据，采用常规碰撞时间、最小安全间距等指标评估风险，模型常依赖换道全阶段数据或线性算法构建。此类技术在冰雪路面应用时存在显著局限：冰雪路面低附着系数导致制动延迟、停车视距延长，常规ttc未修正摩擦系数衰减影响，间距指标未结合实际停车视距需求，计算结果与实际风险偏差大；同时，模型多采用换道启动后的全阶段数据，未能捕捉意图阶段的早期预动作特征，难以实现风险动态预判。
2、需在冰雪路面换道场景下解决：执行阶段缺乏考虑低附着特性的特异性风险指标计算方式，导致风险量化失真；现有预测模型难以基于意图阶段细粒度特征动态输出分级风险。需突破常规指标未适配冰雪路面物理特性的计算逻辑，以及模型输入依赖全阶段数据、无法利用意图阶段早期信号的问题。
技术实现思路
1、本发明的目的是解决现有技术中存在的缺点，而提出的基于驾驶意图识别的冰雪路面车辆换道风险预测方法。
2、为了实现上述目的，本发明采用了如下技术方案：基于驾驶意图识别的冰雪路面车辆换道风险预测方法，包括：
3、采集冰雪路面下的多源异构驾驶数据，识别车辆换道意图；
4、在车辆进入换道执行阶段时，基于实时车辆运动学数据与周边车辆交互信息，计算修正的碰撞时间指标与基于停车视距的间距偏离指标；
5、将所述修正的碰撞时间指标与所述基于停车视距的间距偏离指标，映射为风险暴露水平量化值与风险严重程度量化值；
6、结合所述风险暴露水平量化值与所述风险严重程度量化值，利用故障树分析方法计算得到综合换道风险指数；
7、对历史案例的所述综合换道风险指数进行分析，划分出高风险等级、中风险等级与低风险等级的数值边界；
8、使用梯度提升决策树模型，以所述换道意图阶段数据片段中提取的多维特征作为输入，以经过等级划分的所述综合换道风险指数作为标签进行训练，构建风险动态预测模型。
9、作为本发明的进一步方案，所述采集冰雪路面下的多源异构驾驶数据，识别车辆换道意图，包括：
10、所述多源异构驾驶数据包括车辆运动学时序序列、驾驶操作时序序列、周边车辆交互信息、驾驶人生物信号时序序列以及路面附着系数；
11、对所述多源异构驾驶数据进行时间戳对齐与频率标准化处理，形成统一采样频率的同步数据流；
12、基于驾驶人眼动模式与车辆横向运动起始点，从所述同步数据流中截取换道意图阶段数据片段；
13、从所述换道意图阶段数据片段中，计算并提取驾驶操作行为特征、生理视觉特征、车辆动力学特征与车辆交互特征；
14、将计算并提取出的多维特征输入到一个多层双向长短期记忆神经网络中，所述多层双向长短期记忆神经网络用于识别左换道意图、右换道意图与车道保持意图；
15、所述基于驾驶人眼动模式与车辆横向运动起始点，从所述同步数据流中截取换道意图阶段数据片段，具体包括：
16、从所述驾驶人生物信号时序序列中识别出首次注视侧方后视镜的眼动事件，并记录眼动事件的时间戳作为阶段起点；
17、从所述车辆运动学时序序列中检测横向位移或横摆角速度首次发生持续性变化的时刻，并记录所述时刻的时间戳作为阶段终点；
18、以所述阶段起点与所述阶段终点之间的时间区间，作为候选的换道意图阶段；
19、若所述候选的换道意图阶段的持续时间处于预设的经验时间窗口范围内，则将所述候选的换道意图阶段内所有的所述同步数据流截取为所述换道意图阶段数据片段。
20、作为本发明的进一步方案，所述从所述换道意图阶段数据片段中，计算并提取驾驶操作行为特征、生理视觉特征、车辆动力学特征与车辆交互特征，包括：
21、对所述驾驶操作时序序列进行微分与统计分析，得到方向盘转角标准差、方向盘角速度峰值、平均制动踏板开度以及油门踏板变化率，构成所述驾驶操作行为特征；
22、对所述驾驶人生物信号时序序列中的眼动信号与皮电信号进行处理，得到注视点离散熵、扫视平均速度、平均心率增长率以及皮电反应累计面积，构成所述生理视觉特征；
23、对所述车辆运动学时序序列进行频域变换与统计，得到纵向加速度方差、侧向加速度绝对值积分、横摆角速度的功率谱密度以及车速变化趋势，构成所述车辆动力学特征；
24、基于所述周边车辆交互信息，计算本车与相邻车道前车的相对速度绝对值、本车与目标车道后车的车头时距变化率以及本车与周边多车的综合侵入指数，构成所述车辆交互特征。
25、作为本发明的进一步方案，所述将计算并提取出的多维特征输入到一个多层双向长短期记忆神经网络中，包括：
26、构建一个包含四个隐藏层的长短期记忆网络结构，并在每一层同时部署前向传播单元与后向传播单元；
27、将所述驾驶操作行为特征、所述生理视觉特征、所述车辆动力学特征与所述车辆交互特征在时间维度上进行拼接，形成时间步长相等的多维特征时序输入；
28、将所述多维特征时序输入同时送入所述多层双向长短期记忆神经网络的所述前向传播单元与所述后向传播单元；
29、将所述前向传播单元在最终时间步输出的特征向量与所述后向传播单元在初始时间步输出的特征向量进行融合，得到一个综合的意图表征向量；
30、将所述综合的意图表征向量输入到一个全连接分类层，输出左换道意图、右换道意图与车道保持意图的分类概率。
31、作为本发明的进一步方案，所述计算修正的碰撞时间指标与基于停车视距的间距偏离指标，包括：
32、获取本车与目标车道上前车的纵向相对速度与纵向相对距离；
33、根据所述路面附着系数计算冰雪路面下的最大减速度；
34、使用所述最大减速度对经典碰撞时间公式中的参数进行修正，计算得到所述修正的碰撞时间指标；
35、获取本车与相邻车道侧方车辆的实际横向间距；
36、根据本车当前速度与所述路面附着系数，计算冰雪路面下的最小安全停车视距；
37、将所述最小安全停车视距与实际道路宽度结合，推导出所需的安全横向间距；
38、将所述实际横向间距与所述所需的安全横向间距的比值，作为所述基于停车视距的间距偏离指标。
39、作为本发明的进一步方案，将所述修正的碰撞时间指标与所述基于停车视距的间距偏离指标，映射为风险暴露水平量化值与风险严重程度量化值，包括：
40、设定所述修正的碰撞时间指标的临界阈值，当修正的碰撞时间指标值低于临界阈值时，认为存在时间维度上的碰撞暴露；
41、根据所述修正的碰撞时间指标低于临界阈值的程度与持续时间，计算一个连续的所述风险暴露水平量化值；
42、分析所述基于停车视距的间距偏离指标，当间距偏离指标值小于一表明横向空间不足；
43、根据所述基于停车视距的间距偏离指标偏离安全基准的程度，结合当前车辆速度，计算所述风险严重程度量化值。
44、作为本发明的进一步方案，结合所述风险暴露水平量化值与所述风险严重程度量化值，利用故障树分析方法计算得到综合换道风险指数，包括：
45、以发生换道碰撞或失控作为故障树分析的顶事件；
46、将时间维度风险与空间维度风险作为导致所述顶事件的中间事件；
47、将所述风险暴露水平量化值超过预设上限作为时间维度风险的基本事件，将所述风险严重程度量化值超过预设上限作为空间维度风险的基本事件；
48、根据冰雪路面驾驶经验数据，为所述时间维度风险的基本事件与所述空间维度风险的基本事件分配先验失效概率；
49、依据故障树的逻辑与门或或门关系，将所述基本事件的失效概率向上层传递并聚合，最终计算得到所述顶事件的发生概率，所述发生概率即为所述综合换道风险指数。
50、作为本发明的进一步方案，所述对历史案例的所述综合换道风险指数进行分析，划分出高风险等级、中风险等级与低风险等级的数值边界，包括：
51、收集大量在冰雪路面环境下换道过程产生的所述综合换道风险指数样本；
52、使用无监督聚类算法对所述综合换道风险指数样本进行聚类，设定聚类数目为三；
53、根据聚类结果，将所述综合换道风险指数样本划分为三个互不相交的集合；
54、计算每个集合中所述综合换道风险指数的最大值与最小值，确定每个风险等级对应的指数数值范围；
55、将数值最小的集合定义为低风险等级，数值居中的集合定义为中风险等级，数值最大的集合定义为高风险等级。
56、作为本发明的进一步方案，所述使用梯度提升决策树模型，以所述换道意图阶段数据片段中提取的多维特征作为输入，以经过等级划分的所述综合换道风险指数作为标签进行训练，构建风险动态预测模型，包括：
57、将所述换道意图阶段数据片段中提取出的全部多维特征作为模型的特征集合；
58、将对应换道过程最终产生的、并已被划分为风险等级的所述综合换道风险指数作为模型的训练标签；
59、采用梯度提升框架，以决策树作为基学习器，构建一个多分类预测模型；
60、在模型训练过程中，采用基于直方图的算法加速特征寻找最优分裂点，并引入类别特征专属的处理方式；
61、使用训练数据对所述多分类预测模型进行迭代训练，直至模型损失函数收敛，得到训练完成的所述风险动态预测模型；
62、所述梯度提升决策树模型的构建步骤，包括：
63、初始化所述多分类预测模型，为训练数据集的每个样本分配初始预测值；
64、计算当前模型预测结果与训练标签之间的多分类交叉熵损失；
65、根据所述多分类交叉熵损失计算每个样本的一阶梯度与二阶梯度；
66、基于所述一阶梯度与二阶梯度，使用所述基于直方图的算法为每个特征寻找使损失函数下降最多的分裂点；
67、根据找到的最优分裂点生长决策树，确定树的叶子节点权重；
68、将新生成的决策树加入到模型中，并更新所有样本的预测值；
69、重复执行计算损失、计算梯度、寻找分裂点、生长决策树及更新预测值的步骤，直至达到预设的迭代次数或损失函数不再显著下降。
70、作为本发明的进一步方案，还包括风险预测模型的在线应用步骤：
71、在车辆实际行驶过程中，实时采集与预处理所述多源异构驾驶数据；
72、持续检测驾驶意图，当识别到左换道意图或右换道意图时，立即启动风险预测流程；
73、提取当前时刻之前一个完整意图阶段窗口内的多维特征；
74、将所述多维特征输入至训练完成的风险动态预测模型；
75、所述风险动态预测模型输出一个预测的风险等级，所述风险等级对应于数秒后换道执行阶段出现的风险状态。
76、与现有技术相比，本发明的优点和积极效果在于：
77、针对冰雪路面不同附着系数下的制动性能衰减、停车视距延长等工况特点，对风险评价指标进行针对性修正，可适配结冰、融雪等不同冰雪路面场景的换道风险量化需求，在路面附着系数持续变化的冰雪行驶环境中，也能精准反映车辆实际的碰撞可能性与间距安全程度。在车辆进入换道执行阶段时，基于实时车辆运动学数据与周边车辆交互信息，计算修正的碰撞时间指标与基于停车视距的间距偏离指标。其中修正的碰撞时间指标引入冰雪路面附着系数修正因子，调整相对速度或安全距离阈值以反映制动延迟；基于停车视距的间距偏离指标结合实际停车视距计算当前间距与理想值的差值或比值。该技术区别于常规未修正指标，使风险量化更贴合冰雪路面低附着环境下的即时碰撞可能性与间距不足程度，准确捕捉执行阶段的动态风险状态。
78、使用梯度提升决策树模型，以换道意图阶段数据片段中提取的多维特征作为输入，以经过等级划分的综合换道风险指数作为标签训练。该技术区别于常规全阶段数据输入或简单线性模型，利用意图阶段细粒度特征提前捕捉风险预兆，结合梯度提升决策树的非线性拟合能力，实现对冰雪路面换道风险的早期动态分级预测，提升预测时效性与场景适配性。