交通环境安全态势的评估方法、装置、车辆及存储介质

本技术涉及车辆安全，特别涉及一种交通环境安全态势的评估方法、装置、车辆及存储介质。

背景技术：

1、智能驾驶技术的发展为人们出行和交通运输都带来了便捷，为确保行车安全性，智能车辆需要具备对当前环境风险评估的能力，而人﹣车﹣路交通环境的不确定性和复杂性进行可靠的风险评估具有挑战性，车辆难以仅凭借对当前环境状态的判断安全抵达目的地，而需要结合对未来周围交通环境变化的预测，进而保障行车安全。

2、在正常驾驶场景中，可能会出现由多维多元风险源同时引发的几种不同类型的风险，即每种风险源都会导致一个或多个可能的风险事件，各事件都由特定的风险指标进行表征。风险的主要来源有自车驾驶员、自车车辆、道路环境和其他交通参与者，风险类型可大致分为与其他车辆的碰撞(如相对距离过近、轨迹冲突点交叉、速度差过小等)、与行人等易受弱势群体的碰撞、与道路环境的碰撞以及由系统自身失控引起的风险。

3、为了解决上述问题，相关技术可以分类四类：基于宏观指标统计的方法、基于车辆运动学的方法、基于势能场的方法与基于数据驱动的方法。

4、一、基于宏观指标统计方法通常指利用宏观的交通数据参数来分析行车风险因素，包括绝对数法、事故率法和事故严重度分析法等。为了研究事故概率和成因之间的关系，基于宏观指标统计方法需要提取和分析交通事故数据。如利用逻辑回归模型，可以有效地将事故因素与可能的影响特征变量相结合，并通过特征量表分析影响事故的因素，基于所获得的交通事故数据统计，可以进一步评估宏观交通流中各车辆的运行状态；又如使用多源移动数据研究行车风险影响因素，具体采集了车辆动力学的信息(包括速度、加速度和减速度)、用户轨迹和交通流流量信息等，提供了一个独特视角完成驾驶行为和碰撞可能性的交互关联分析；还如探究交通事故与交通量或交通流量之间的关系，如在拥挤的条件下发生事故的可能性很高，但在不拥堵的道路上，由于平均行车速度相对较高，易导致更严重的伤亡事故。虽然基于宏观数据分析可以反映整体交通系统风险，但统计数据输出的评价结果不能反映每个驾驶员的动态驾驶风险，因此在应用于微观交通系统的稳态分析时存在迁移困难。

5、二、基于车辆运动学方法所确定的风险评估指标可分为距离逻辑指标和时间逻辑指标。使用的车辆模型可分为车辆运动学(kinematic models)和动力学模型(dynamicmodels)。在距离逻辑指标中，常使用空间上的安全距离作为风险评估指标，典型代表有mazda模型、honda模型、伯克利模型、nhsta模型、固定车距模型、基于加速的临界安全距离模型和运动学模型等。该类方法大多仅描述单一维度的冲突场景，考虑交通参与者的运动学和动力学特性，可应用在智能车辆上发挥预警作用，当自车与目标车相对距离与所计算的安全距离比较，根据结果采取不同的警告或者干预措施，用事故和碰撞来衡量系统的风险。

6、在时间逻辑指标中，相关技术可以通过描述碰撞的参数对行车风险进行定量评估，常用的参数包括ttc(time to collision，碰撞时间)、thw(time headway，车头时距)、扩展的ttc(extended ttc)、tts(time to steer，最晚转向时间)、pet(post encroachmenttime，后侵占时间)、冲突时间差(tdtc)、tlc(time to lane cross，车辆换道时间)以及以thw和ttc函数形式表示的综合指标等。以上改进后的参数指标可实现对行车风险的定量辨识，且适用于不同的交通场景，是评估两个目标之间冲突程度的重要参考指标。这些方法大多基于车辆运动学和动力学理论建立，对车辆行驶安全度的表达多利用车辆状态信息(速度、加速度、横摆角速度等)和两车相对运动关系信息(相对速度、相对距离等)来实现。这类方法由于参数简单，危险判断原理、准则和模型参数通常固定，且本身物理意义符合人的主观感受而获得一定范围的应用，但这类方法的局限性在于通常仅能够对一维交通风险进行确定性的风险评估，难以实现实际交通场景中二维风险的不确定性风险评估，导致该方法在实际应用中受到较大的限制。

7、三、apf(artificial potential field，人工势能场方法)，是指通过势能场理论量化驾驶员、车道线、交通标志和障碍物等对车辆行车风险的影响的一类方法。人工势能场法是一种处理态势评估的常用方法，主要思路为假设车辆在目标点和障碍物形成的势场中行驶，其中目标点产生引力场以吸引车辆，障碍物产生排斥场以防止碰撞。自人工势能场方法提出以来，基于势能场来量化表征行车风险的研究不断发展。如基于引力场的思想，采取与车辆安全间隙的引力和周围其他车辆的斥力构建了一种融合模型预测的路径规划控制器；又如提出一种基于改进人工势能场的电场模型，该模型能输出车辆在交通环境中的实时行车风险分布，实现了智能车辆导航循迹和防撞应用，从而辅助智能车辆安全到达目的地；还如通过建立道路、车辆、速度势场的集成人工势能场模型，实现了自车与其他障碍物之间的风险规避。这些方法可以在交通场景中实现高维风险评估，在复杂交通环境中获得更好的风险敏感性和准确性。但上述的人工势能场方法忽略了驾驶员自身特性、车辆动力学、路况、天气等不确定因素的影响。

8、四、基于数据驱动方法主要利用数据的学习和挖掘，基于历史轨迹数据来对车辆未来的行车意图进行预测。该类方法近年来在智能车辆的意图识别领域普遍运用，很多研究利用机器学习、深度强化学习、深度神经网络等学习方法来提取交通事件中的潜在风险特征，通过风险行为的大量训练和验证，实现基于数据驱动的风险量化辨识。自动驾驶的端到端模型基于dnn(deep neural network，深度神经网络)可将原始输入直接映射到驾驶动作(例如加速度和转向角)，最终输出能避免碰撞的动作行为。另外，驾驶员意图的推理过程可基于机器学习方法实现，如目前主流的时序神经网络和深度循环神经网络常被用于意图识别。深度循环神经网络网络结构更深，能够将驾驶员操纵行为特征进行有效捕捉，进而表征不同序列间依赖关系，实现性能更佳的意图识别。

9、基于深度学习的意图识别模型通常基于rnn(recurrent neural network，循环神经网络)来进行周车行为或意图的辨识。其中，lstm(long short-term memory，长短期记忆模型)可以通过门控机制控制输入，输出和细胞记忆之间的信息流，有效克服了rnn中梯度消失的问题。且lstm在时间序列问题处理中具备了较好的信息挖掘和深度表示能力，应用lstm进行意图识别和轨迹预测，可以取得较好的结果。近期提出的transformer模型采用自注意力机制，权重自动分配调节且允许并行计算，在运动预测方面性能表现优越，能有效地进行大量快速运动的多智能体轨迹的联合预测。但在追求最佳预测性能时，模型的参数和计算成本相对更具有挑战。与传统方法相比，基于数据驱动的车辆行为预测、意图识别方法在复杂环境中具有良好性能，可以输入更多用于预测或识别的信息。然而，它们很少考虑或直接忽略了诸如道路几何形状或驾驶员特征等因素，难清晰描述驾驶员、车辆和道路间耦合机制，限制了对真实交通环境风险的良好评估，难以应对复杂多变的交通环境。

10、综上所述，相关技术中，虽然在一定程度上能够实现交通环境下的风险态势评估，但是通常具有考虑风险因素不全面、适用场景单一、无法面对复杂多变的交通环境的问题，难以支撑车辆进行智能化决策与控制，有待改进。

技术实现思路

1、本技术提供一种交通环境安全态势的评估方法、装置、车辆及存储介质，以解决相关技术中，考虑的风险因素不全面、适用场景单一、无法面对复杂多变的交通环境，导致难以支撑车辆进行智能化决策与控制，影响驾驶体验的技术问题。

2、本技术第一方面实施例提供一种交通环境安全态势的评估方法，包括以下步骤：获取车辆的当前所处行驶道路的道路数据与所述当前所处行驶道路上任一单一风险源的相对感知数据；结合所述道路数据、所述相对感知数据构建所述车辆的安全场基本场强模型，并基于所述安全场基本场强模型确定所述任一单一风险源在所述车辆的多个目标位置点产生的场强；基于预设衰减系数、所述道路数据、所述相对感知数据和风险源的数量，计算所述任一单一风险源衰减后的实际场强，并在风险源为多个的情况下，叠加多个风险源分别在每个目标位置点产生的实际场强，得到所述每个目标位置点对应的风险场强，以根据所述风险场强评估所述车辆在当前交通环境下的安全态势。

3、可选地，在本技术的一个实施例中，在获取所述当前行驶道路上任一单一风险源的相对感知数据之后，还包括：分别判断所述相对感知数据中所述任一单一风险源的感知轮廓数据和感知速度数据是否满足预设不确定性条件；如果所述感知轮廓数据满足所述预设不确定性条件，则根据预设膨胀系数和所述感知轮廓数据，得到所述任一单一风险源的膨胀轮廓数据，并将所述膨胀轮廓数据作为所述任一单一风险源的实际轮廓数据；如果所述感知速度数据满足所述预设不确定条件，则根据预设不确定范围和所述感知数据得到估计速度数据，并将所述估计速度数据作为所述任一单一风险源的实际速度数据。

4、可选地，在本技术的一个实施例中，所述结合所述道路数据和所述相对感知数据构建所述车辆的安全场基本场强模型，包括：基于所述相对感知数据识别所述任一单一风险源的实际运动状态；在所述实际运动状态为静止状态的情况下，结合所述道路数据和所述任一单一风险源的虚拟质量，构建势能场模型，并将所述势能场模型作为所述安全场基本场强模型；在所述实际运动状态为运动状态的情况下，根据所述车辆的当前行驶数据、所述车辆的结构数据和所述任一单一风险源的轮廓数据构建动能场模型，并根据所述动能场模型和所述势能场模型，得到所述安全场基本场强模型。

5、可选地，在本技术的一个实施例中，所述虚拟质量的计算表达式为：

6、

7、其中，ma为所述虚拟质量，a为所述任一单一风险源，ta为所述任一单一风险源的类型系数，vα为所述任一单一风险源的速度，α,β,γ均为待定常数；

8、所述势能场模型的计算表达式为：

9、

10、其中，ep1为所述任一单一风险源产生的势能，k为虚拟质量系数，ra为环境条件影响因子，r为到所述任一单一风险源中心的距离，k1为距离系数；

11、所述动能场模型的计算表达式为：

12、w＝p(δ)/pmax，

13、

14、其中，w为所述车辆选择行驶至任一点的轨迹的权重，δ为所述车辆行驶至所述任一点所需的前轮转角，p(δ)为概率密度，pmax为概率密度最大值，ed为所述任一单一风险源产生的动能，e为基础动能，δr为从当前位置行驶至所述任一点所经过的弧长，rstd为标准弧长值，m为所述车辆的质量，v为所述车辆的当前行驶速度。

15、可选地，在本技术的一个实施例中，所述基于所述安全场基本场强模型确定所述任一单一风险源对所述车辆产生的场强，包括：在所述实际运动状态为静止状态的情况下，利用所述势能场模型，计算所述任一单一风险源对所述车辆产生的场强；在所述实际运动状态为运动状态的情况下，利用所述势能场模型计算所述任一单一风险源对所述车辆产生的静态场强，利用所述动能场模型计算所述任一单一风险源对所述车辆产生的动态场强，并叠加所述静态场强和所述动态场强，得到叠加结果，将所述叠加结果作为所述场强。

16、可选地，在本技术的一个实施例中，所述基于预设衰减系数、所述道路数据、所述相对感知数据和风险源的数量，计算所述任一单一风险源衰减后的实际场强，包括：基于所述相对感知数据和所述道路数据，识别所述任一单一风险源的至少一个衰减因素；在所述衰减因素为约束型衰减因素的情况下，根据所述道路数据在预设系数对照表中匹配相应的道路衰减系数；在所述衰减因素为遮挡型衰减因素的情况下，根据所述相对感知数据确定所述任一单一风险源对应的至少一个遮挡物体，并利用所述势能场模型得到每个遮挡物体的势能，以基于所述势能得到遮挡衰减系数；根据所述衰减因素的数量、所述道路衰减系数和所述遮挡衰减系数得到所述预设衰减系数。

17、可选地，在本技术的一个实施例中，所述叠加多个风险源分别在每个目标位置点产生的实际场强，得到所述每个目标位置点对应的风险场强，包括：从所述每个目标位置点的多个实际场强中取数值最大的实际场强作为所述风险场强。

18、本技术第二方面实施例提供一种交通环境安全态势的评估装置，包括：获取模块，用于获取车辆的当前所处行驶道路的道路数据与所述当前所处行驶道路上任一单一风险源的相对感知数据；构建模块，用于结合所述道路数据、所述相对感知数据构建所述车辆的安全场基本场强模型，并基于所述安全场基本场强模型确定所述任一单一风险源在所述车辆的多个目标位置点产生的场强；评估模块，用于基于预设衰减系数、所述道路数据、所述相对感知数据和风险源的数量，计算所述任一单一风险源衰减后的实际场强，并在风险源为多个的情况下，叠加多个风险源分别在每个目标位置点产生的实际场强，得到所述每个目标位置点对应的风险场强，以根据所述风险场强评估所述车辆在当前交通环境下的安全态势。

19、可选地，在本技术的一个实施例中，还包括：判断模块，用于分别判断所述相对感知数据中所述任一单一风险源的感知轮廓数据和感知速度数据是否满足预设不确定性条件；第一计算模块，用于在所述感知轮廓数据满足所述预设不确定性条件的情况下，根据预设膨胀系数和所述感知轮廓数据，得到所述任一单一风险源的膨胀轮廓数据，并将所述膨胀轮廓数据作为所述任一单一风险源的实际轮廓数据；第二计算模块，用于在所述感知速度数据满足所述预设不确定条件的情况下，根据预设不确定范围和所述感知数据得到估计速度数据，并将所述估计速度数据作为所述任一单一风险源的实际速度数据。

20、可选地，在本技术的一个实施例中，所述构建模块包括：第一识别单元，用于基于所述相对感知数据识别所述任一单一风险源的实际运动状态；第一构建单元，用于在所述实际运动状态为静止状态的情况下，结合所述道路数据和所述任一单一风险源的虚拟质量，构建势能场模型，并将所述势能场模型作为所述安全场基本场强模型；第二构建单元，用于在所述实际运动状态为运动状态的情况下，根据所述车辆的当前行驶数据、所述车辆的结构数据和所述任一单一风险源的轮廓数据构建动能场模型，并根据所述动能场模型和所述势能场模型，得到所述安全场基本场强模型。

21、可选地，在本技术的一个实施例中，所述虚拟质量的计算表达式为：

22、

23、其中，ma为所述虚拟质量，a为所述任一单一风险源，ta为所述任一单一风险源的类型系数，vα为所述任一单一风险源的速度，α,β,γ均为待定常数；

24、所述势能场模型的计算表达式为：

25、

26、其中，ep1为所述任一单一风险源产生的势能，k为虚拟质量系数，ra为环境条件影响因子，r为到所述任一单一风险源中心的距离，k1为距离系数；

27、所述动能场模型的计算表达式为：

28、w＝p(δ)/pmax，

29、

30、其中，w为所述车辆选择行驶至任一点的轨迹的权重，δ为所述车辆行驶至所述任一点所需的前轮转角，p(δ)为概率密度，pmax为概率密度最大值，ed为所述任一单一风险源产生的动能，e为基础动能，δr为从当前位置行驶至所述任一点所经过的弧长，rstd为标准弧长值，m为所述车辆的质量，v为所述车辆的当前行驶速度。

31、可选地，在本技术的一个实施例中，所述构建模块包括：第一计算单元，用于在所述实际运动状态为静止状态的情况下，利用所述势能场模型，计算所述任一单一风险源对所述车辆产生的场强；第二计算单元，用于在所述实际运动状态为运动状态的情况下，利用所述势能场模型计算所述任一单一风险源对所述车辆产生的静态场强，利用所述动能场模型计算所述任一单一风险源对所述车辆产生的动态场强，并叠加所述静态场强和所述动态场强，得到叠加结果，将所述叠加结果作为所述场强。

32、可选地，在本技术的一个实施例中，所述评估模块包括：第二识别单元，用于基于所述相对感知数据和所述道路数据，识别所述任一单一风险源的至少一个衰减因素；匹配单元，用于在所述衰减因素为约束型衰减因素的情况下，根据所述道路数据在预设系数对照表中匹配相应的道路衰减系数；第三计算单元，用于在所述衰减因素为遮挡型衰减因素的情况下，根据所述相对感知数据确定所述任一单一风险源对应的至少一个遮挡物体，并利用所述势能场模型得到每个遮挡物体的势能，以基于所述势能得到遮挡衰减系数；第四计算单元，用于根据所述衰减因素的数量、所述道路衰减系数和所述遮挡衰减系数得到所述预设衰减系数。

33、可选地，在本技术的一个实施例中，所述评估模块包括：获取单元，用于从所述每个目标位置点的多个实际场强中取数值最大的实际场强作为所述风险场强。

34、本技术第三方面实施例提供一种车辆，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的交通环境安全态势的评估方法。

35、本技术第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的交通环境安全态势的评估方法。

36、本发明第五方面实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被执行时，以用于实现如上的交通环境安全态势的评估方法。

37、本技术实施例可以结合车辆当前行驶道路的道路数据、相对感知数据构建车辆的安全场基本场强模型，并基于安全场基本场强模型确定任一单一风险源在车辆的多个目标位置点产生的场强，根据预设衰减系数、道路数据、相对感知数据和风险源的数量，计算任一单一风险源衰减后的实际场强，并在风险源为多个的情况下，叠加多个风险源分别在每个目标位置点产生的实际场强，得到每个目标位置点对应的风险场强，以根据风险场强评估车辆在当前交通环境下的安全态势，通过充分考虑多种风险因素，实现对多种场景尤其是复杂交通环境场景的安全态势评估，以支撑车辆的决策与控制。由此，解决了相关技术中，考虑的风险因素不全面、适用场景单一、无法面对复杂多变的交通环境，导致难以支撑车辆进行智能化决策与控制，影响驾驶体验的技术问题。

38、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。