基于驾驶人认知视角的人车路耦合风险评估方法及装置

摘要

本发明公开了一种基于驾驶人认知视角的人车路耦合风险评估方法及装置，方法包括：S1，获取自车、自车周围的交通环境以及处于自车周围的交通环境中交通客体的参数信息；S2，将S1中获取的各类信息输入至车载传感器单元中，车载传感器中预先设置有人车路耦合风险评估模型；S3，通过人车路耦合风险评估模型，输出自车周围的交通环境中的单个交通客体的风险值以及整个自车周围的交通环境中的风险Map图。本发明能够综合考虑人车路之间的耦合特性，符合驾驶人风险感知水平，基于驾驶人主观认知和客观评价的综合风险评估方法，量化当前环境风险值结果，以保证车辆安全避障。

说明书

技术领域

本发明涉及智能车应用技术领域，特别是关于一种基于驾驶人认知视角的人车路耦合风险评估方法及装置。

背景技术

交通系统中包含各个要素如人、车、路等，对于整个交通系统而言，行车风险本质上属于人-车-路闭环系统的广义失稳，通常由驾驶人、道路条件、以及车辆本身的动力学特性共同决定。要素之间相互作用直接影响行车安全，而不同要素之间影响机理和影响程度不尽相同，相互作用关系复杂，因此，研究交通要素对行车风险的影响程度，去探究其耦合关系，是实现复杂道路环境下的汽车安全控制的基础。

目前国内外对于行车风险已有大量研究。主要可从宏观和微观两个层次对风险进行辨识。其中，当从宏观角度分析时，在道路风险的评估方法方面，国内外常采用的技术主要有绝对数法、事故率法和事故强度分析法等，通过对事故次数、伤亡人数、经济损失等交通事故宏观统计数据挖掘分析，实现事故风险大小的预判评估。

Lee等人通过log-linear模型有效地将事故发生因素和事故前可能的影响特征变量相结合，设计表征量表来分析事故发生可能性的因素。Abdel-Aty与Pande创造性的选择RCPP建模方式，从高速公路上的众多交通参数进行关键特征参数提取，并选用分类器等智能算法进行关联度分析，从而筛选影响显著的因素来对风险进行防控。美国交通部提出使用安全性能函数来对交通安全事故数量、交通量及事故类型及其严重程度之间的关系进行描述和预测。

然而，这些采用宏观数据进行风险评估的研究方法虽然能够反映整体交通系统风险，但评估结果呈现静态化，不能实时显示自车周围的交通环境当前的安全状态，同时也不能通过详细驾驶数据反映客观行车过程中各因素作用过程和风险产生机理。从微观角度进行分析时，现有行车风险评价参数主要包括纵向行车风险的评价参数，如碰撞时间(TTC)和车头时距(THW)等；横向行车风险的评价参数，如车辆当前位置(CCP)、车道线时距(TLC)和车辆虚拟停车震动带(VRBS)等。这些评价指标能在特定场景有效评价车辆行驶过程某一方向的风险大小，但这些模型参数主要考虑动力学理论和车辆运动学来分析车辆安全性，而忽略了驾驶人本身特性所带来的潜在风险。

近年来，随着人工智能的发展，车辆风险评估也应用了深度学习、强化学习技术，但这些方法大都需要大量训练数据，现有测试场景还远远不够。目前越来越多的学者引入人工势能场来描述车辆与周围环境的相互关系和风险程度。

Hsu基于引力场的概念，利用与自车周围空闲空间和车辆相关的引力和斥力描述车辆横向和纵向的行为，模型考虑周围的空间对车辆的影响，将驾驶行为用空间区域描述，但模型的实际应用依赖于模型参数的标定，且应用场景有限。Wang等人同样借助场论的思想，在场中融合了驾驶人的行为场因素，提出了基于“人-车-路”耦合的行车安全统一评价方法，建立了行车安全场理论，其充分考虑了人、车、路各自属性，且其模型具有良好的扩充性，但在模型应用中如何减少对参数标定的依赖仍然是一个挑战。

面对较为复杂多变的运行环境，现有人车路耦合风险评估方法难以从整体上对车车、车路、车人之间的相互作用的分析，大多基于车辆运动学和动力学理论建立，根据车辆状态信息(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)对车辆的安全风险进行评价，缺乏驾驶人认知角度出发的风险评估装置，难以量化输出符合驾驶人风险感知能力的风险值。因此，有必要开发一种基于驾驶人认知视角的人车路耦合风险评估方法及装置，通过对车车、车路、车人之间的相互作用的分析，研究行车风险的影响因素，以人-车-路相对运动关系特征及状态变化规律揭示人-车-路(包括环境)相互作用的内在机理。

发明内容

本发明的目的在于提供一种基于驾驶人认知视角的人车路耦合风险评估方法及装置。

为实现上述目的，本发明提供一种基于驾驶人认知视角的人车路耦合风险评估方法，所述人车路耦合风险评估方法包括如下步骤：

S1，获取自车、自车周围的交通环境以及处于自车周围的交通环境中交通客体的参数信息；

S2，将S1中获取的各类信息输入至车载传感器单元中，所述车载传感器中预先设置有人车路耦合风险评估模型，所述人车路耦合风险评估模型用于描述由驾驶人、道路使用者和道路环境与该三者组成的交通环境的行车风险之间的耦合关系；

S3，通过所述人车路耦合风险评估模型，输出自车周围的交通环境中的单个交通客体的风险值以及整个自车周围的交通环境中的风险Map图。

进一步地，所述人车路耦合风险评估模型包括：

驾驶人内在场模型，其用于将交通环境对驾驶员产生的距离的影响作用视为驾驶员内在场效应机理，将拓展后的时间距离作为衡量驾驶员行为场强度分布的指标，对驾驶员行为场分布进行数学描述；

行车风险综合函数，其用于表征整个内在场场强受到驾驶员特性、道路环境特性和车辆物理特性的影响的度；和

道路环境外在场模型，其用于表征交通环境中所有可能会对驾驶员造成行驶安全上的威胁的交通要素的潜在风险抽象为在其周围产生的一个排斥力场。

进一步地，所述行车风险综合函数表示为式(2)：

f(D，R，V)＝D_a×R_a×V_a(2)

式(2)中，D_a表示为驾驶人风险系数，其表达为式(3)；R_a表示为道路环境风险系数，其表达为式(4)；V_a表示为车辆物理风险系数，其表达为式(5)：

D_a＝γe^a>

R_a＝Ψ_μ(μ_i)×Ψ_ρ(ρ_i)×Ψ_τ(τ_i)×Ψ_δ(δ_i)>

V_a＝M(m_i，T_i，v_i)×L×X(5)

式(3)至(5)中，γ是驾驶人个性参数，通过驾驶人问卷调查可标定，e^a是驾驶人风险度拟合曲线，指数a为曲线参数，其大小由驾驶人激进度表示；路面附着Ψ_μ(μ_i)、道路曲率Ψ_ρ(ρ_i)、坡度Ψ_τ(τ_i)和能见度Ψ_δ(δ_i)均来自于S1采集得到的“自车周围的交通环境的参数信息”；M(m_i，T_i，v_i)为车辆的虚拟质量，L为车辆体积参数，X为车辆性能评价指标。

进一步地，所述人车路耦合风险评估模型构建为下式(18)：

式(18)中，E_s表示自车周围的交通环境中的单个交通客体的风险值；S表示不同属性交通客体所带来的风险系数值；v_j表示交通客体的速度；v_i表示自车i的速度；δ(v_i)是第一距离值与第二距离值的比值，所述第一距离值为自车i的内在场有效作用区域内等势线上位于X轴上的点和原点O之间的距离，所述第二距离值为自车i的内在场有效作用区域内等势线上位于Y轴上的点和原点O之间的距离；θ_(x，y)为自车i的内在场有效作用区域内等势线上的点P(x，y)与自车i的原点O之间的连线与X轴所成的角度；l_(x，y)为点P(x，y)与自车i的原点O之间的距离；和h均为待标定量。

本发明还提供一种基于驾驶人认知视角的人车路耦合风险评估装置，所述人车路耦合风险评估装置包括：

环境信息感知模块(1)，其用于获取自车、自车周围的交通环境以及处于自车周围的交通环境中交通客体的参数信息；

耦合风险评估模块(2)，其预先设置在车载传感器单元中，所述车载传感器单元获取所述环境信息感知模块(1)的各类信息，并输送给所述耦合风险评估模块(2)，所述耦合风险评估模块(2)用于描述由驾驶人、道路使用者和道路环境与该三者组成的交通环境的行车风险之间的耦合关系；

风险Map图输出模块(3)，其用于输出自车周围的交通环境中的单个交通客体的风险值和整个自车周围的交通环境中的风险Map图。

进一步地，所述耦合风险评估模块(2)包括：

驾驶人内在场模型(21)，其用于将交通环境对驾驶员产生的距离的影响作用视为驾驶员内在场效应机理，将拓展后的时间距离作为衡量驾驶员行为场强度分布的指标，对驾驶员行为场分布进行数学描述；

行车风险综合函数(22)，其用于表征整个内在场场强受到驾驶员特性、道路环境特性和车辆物理特性的影响的度；和

道路环境外在场模型(23)，其用于表征交通环境中所有可能会对驾驶员造成行驶安全上的威胁的交通要素的潜在风险抽象为在其周围产生的一个排斥力场。

进一步地，所述行车风险综合函数表示为式(2)：

f(D，R，V)＝D_a×R_a×V_a(2)

式(2)中，D_a表示为驾驶人风险系数，其表达为式(3)；R_a表示为道路环境风险系数，其表达为式(4)；V_a表示为车辆物理风险系数，其表达为式(5)：

D_a＝γe^a>

R_a＝Ψ_μ(μ_i)×Ψ_ρ(ρ_i)×Ψ_τ(τ_i)×Ψ_δ(δ_i)>

V_a＝M(m_i，T_i，v_i)×L×X(5)

式(3)至(5)中，γ是驾驶人个性参数，通过驾驶人问卷调查可标定，e^a是驾驶人风险度拟合曲线，指数a为曲线参数，其大小由驾驶人激进度表示；路面附着Ψ_μ(μ_i)、道路曲率Ψ_ρ(ρ_i)、坡度Ψ_τ(τ_i)和能见度Ψ_δ(δ_i)均来自于S1采集得到的“自车周围的交通环境的参数信息”；M(m_i，T_i，v_i)为车辆的虚拟质量，L为车辆体积参数，X为车辆性能评价指标。

进一步地，所述耦合风险评估模块(2)构建为下式(18)：

式(18)中，E_s表示自车周围的交通环境中的单个交通客体的风险值；S表示不同属性交通客体所带来的风险系数值；v_j表示交通客体的速度；v_i表示自车i的速度；δ(v_i)是第一距离值与第二距离值的比值，所述第一距离值为自车i的内在场有效作用区域内等势线上位于X轴上的点和原点O之间的距离，所述第二距离值为自车i的内在场有效作用区域内等势线上位于Y轴上的点和原点O之间的距离；θ_(x，y)为自车i的内在场有效作用区域内等势线上的点P(x，y)与自车i的原点O之间的连线与X轴所成的角度；l_(x，y)为点P(x，y)与自车i的原点O之间的距离；和h均为待标定量。

本发明由于采取以上技术方案，其具有以下优点：1、本发明能够充分考虑人-车-路闭环系统各交通要素对行车风险的影响，建立了基于驾驶人认知视角的人车路耦合风险评估的数学模型，考虑了驾驶人视觉特性和驾驶操纵行为特性，以此来描述道路上静止物体、运动物体、驾驶人特性以及道路条件等交通要素构成的行车风险，更能接近驾驶人主观感知水平，自动驾驶车辆能更准确地识别交通风险，为道路环境的准确风险评估提供支持。2、本发明提出的基于驾驶人认知视角的人车路耦合风险评估，能分析出交通系统中各参与要素对行车风险的影响及其之间的耦合关系，对交通系统各要素进行影响因素耦合模型建立，从风险构成的多维性出发，基于驾驶人、道路使用者、道路环境等多角度量化输出驾驶人行车过程中面临的风险值，避免了单独考虑某一影响因素来研究行车风险的片面性，也扩大了模型适用范围，从而实现在更好地商用车、军用车、乘用车上进行驾驶辅助系统的大规模产业化应用。3、本发明通过对模型中的驾驶人行为特性、自车周围的交通环境特性和车辆状态特性进行统一描述，同时考虑行车风险随着时间、空间的变化而产生动态变化过程。能为自动驾驶车辆的动态决策和交通管理系统的协同控制提供方法和装置支持。

附图说明

图1为本发明所提供的基于驾驶人认知视角的人车路耦合风险评估装置的结构原理性示意图；

图2是本发明所提供的基于驾驶人认知视角的人车路耦合风险评估方法的框架示意图；

图3是本发明所提供的主观风险和客观风险之间的关系示意图；

图4是本发明所提供的交通要素相互作用示意图；

图5是本发明所提供的内在场场势变化示意图。

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驾驶人认知视角的人车路耦合风险评估方法包括：

S1，获取自车、自车周围的交通环境以及处于自车周围的交通环境中交通客体的参数信息。

其中，“自车的参数信息”为自车CAN信息，其包括自车的运动状态信息：如发动机转速、加减速度、刹车、车速、档位、方向盘转角和GPS信息等；自车的物理参数：如车辆质量，车辆体积，车辆发动性能等。

“自车周围的交通环境”表示以自车为中心、覆盖的一个区域内的交通情况。“自车周围的交通环境的参数信息”包括天气条件(晴、阴、雨和雪等)，光照条件(强光、昏黄和黑暗等能见度Ψ_δ表征因素)及道路条件(路面附着Ψ_μ、道路曲率Ψ_ρ和坡度Ψ_τ等)。

“交通客体”实质上是处于自车周围的交通环境中所有的客体，“交通客体的参数信息”包括交通标志牌、红绿灯、车道线、路面标示等道路标志等静态交通客体的参数信息，也包括行人和其他车辆(简称为“他车”)等动态的其他道路使用者的参数信息。

S2，将S1中获取的各类信息输入至车载传感器单元中，所述车载传感器中预先设置有基于驾驶人认知视角的人车路耦合风险评估模型2。本实施例综合考虑了自车周围的交通环境中影响驾驶风险的各种因素。以行车程序为中心的字段定义为内部字段，由其他对象形成的字段定义为外部字段。当驾驶人通过外部信息的输入进行决策时，形成了驾驶人驾驶风险的耦合模型。

S3，通过人车路耦合风险评估模型2，输出自车周围的交通环境中的单个交通客体的风险值，并根据单个交通客体的风险值，输出整个自车周围的交通环境中的风险Map图。

本实施例能够综合考虑人车路之间的耦合特性，符合驾驶人风险感知水平，基于驾驶人主观认知和客观评价的综合风险评估方法，量化当前环境风险值结果，以保证车辆安全避障

所有交通客体可能会对自车中的驾驶人造成行驶安全上的风险，如图2所示，本实施例将自车的驾驶风险分为主观风险和客观风险。其中，在主观风险分析方面，不同驾驶人在面对同一交通场景时对当前驾驶风险的感知存在明显差异。驾驶人的生理和心理因素，如驾驶技能、个性、态度、情绪和状态等，可能会影响驾驶人的信息接受和处理过程。这些因素可能导致对风险程度的主观衡量存在差异。在识别客观风险时，提取车行道系统的特征，将车行道系统中的每个道路使用者作为客观风险的来源，包括车辆性能、混合交通特征、路面特征和交通标志等。考虑其对驾驶风险影响的机理，可以挖掘出车辆-道路系统与驾驶风险之间的物理特征。最后，建立了目标风险属性的风险度量值。此外，驾驶人在驾驶过程中的行为会受到各种外部因素的干扰，如道路环境和车辆本身的动态特性等。最后，建立了人车路耦合风险评估模型2，对行车风险进行评估和量化。

本发明将主观风险与客观风险相结合，可以更准确地实现复杂情景下的综合态势评估。主观风险用驾驶员内在场来衡量；客观风险体现在驾驶人外在场中，客观风险由交通要素本身属性标定得出，具体数值由表给出，对存在场内的客体通过自然数据标定。行车风险综合函数是属于驾驶人内在场部分，整个内在场场强受到驾驶员特性、道路环境特性和车辆物理特性的影响，所以将这个影响度用行车风险综合函数表示。如图3所示，主观风险感知与客观风险评估的关系如图3所示。主观风险可以用动态变化的椭圆M表示，客观风险可以用固定半径的圆N表示。主观风险与客观风险之间存在交互作用。

如图4所示，交通系统是由自车、车辆、行人、道路、自车周围的交通环境等交通要素构成的复杂动态系统。当由驾驶人、车辆和道路组成的交通系统协调出现问题时，很可能引起交通事故。具体分析各交通要素特性时，主要就驾驶人特性：即个体之间由于年龄、性别、驾驶习惯、驾驶技能熟练程度、驾驶气质等方面而存在的差异性，驾驶人特性主要体现在驾驶过程中的感知-决策-操作机制各环节，驾驶人生理、心理、习惯、驾驶技术等各方面存在的差异性将导致其行车决策和车辆控制方式的不同，从而表征为驾驶行为方面的差异性；车辆特性：即不同种类的车辆在行驶车速和加减速度上差异及其造成的相互影响，构成了车型分布对交通的影响，具体影响可以按车体大小(轴距、轴数)来进行划分，同时车辆物理特性具体包括车辆尺寸及个体空间需求、运行性能(最大速度、加速、减速性能等)，也包括车辆的动力学差异(续航能力、加减速性能、油耗等)；道路特性，即道路附着系数、道路线形、车道功能和位置、道路设施、交通标志标线安放的位置、道路线形、地质、道路结构、道路系统拥堵情况、天气情况等因素与车辆行驶的安全、舒适、经济密切相关特性。这些因素之间也存在一定的相互作用关系，如驾驶人在视觉、心理上的反映取决于线形设计，即驾驶人视距上的差异性，即驾驶人视距计算与道路线形、车辆行驶速度、车辆的制动性能、驾驶人克服交通客体采取的措施、天气情况等客观环境和车辆参数密切相关。

在一个实施例中，S2中，人车路耦合风险评估模型包括驾驶人内在场模型、行车风险综合函数和道路环境外在场模型。

驾驶人内在场模型用于将自车周围的交通环境对自车中的驾驶人产生的距离的影响作用，视为驾驶人内在场效应机理，以通过将拓展后的时间距离作为衡量驾驶人行为场强度分布的指标，对驾驶人行为场分布进行数学描述。驾驶人内在场模型的作用主要体现在如下两个方面：

一方面：由于整个内在场场强受到驾驶人特性、道路环境特性和车辆物理特性的影响，同时根据物理场中场强的表达形式驾驶人行为场中空间中某点与自车的接近程度及相互间距的变化与场强强度大小具有一定函数关系、以及现有技术已有研究者用交通事故数据来研究事故损失和速度的关系，因此采用速度的幂函数项的多项式来表示自车速度对场强的影响，本实施例定义驾驶人内在场模型的表达为式(1)：

式(1)中，f(D，R，V)是行车风险综合函数，其可表示为关于驾驶人风险系数D_a、道路环境风险系数R_a、车辆物理风险系数V_a的函数关系式。

另一方面，自车中的驾驶人对于整个行车过程具有接受者和输出决策者的作用，因此，为给出内在场的具体模型，先需要定义在整个内在场的有效作用区域。

根据在交通系统中驾驶人信息获取的主要渠道，可知驾驶人的视觉特性对其安全行车过程有密切的关系。驾驶过程中，视觉判别能力受到很大影响，视野角度随着车速的增加而变窄。因此，现将内在场的作用范围由驾驶人视觉特性定义(驾驶人在速度增加情况下可见视觉注意距离增大以及视线覆盖范围的减小特性)，通过计算位于此范围内的客体投影线段在场中的曲线积分确定客体的场强。

行车风险综合函数f(D，R，V)可表示为式(2)：

f(D，R，V)＝D_a×R_a×V_a(2)

式(2)中，a仅为在该式子中仅为下标区分。

其中，驾驶人风险系数D_a主要受驾驶人特性影响，具体包括个性特征(a.性别差异、b.年龄差异、c.驾驶人气质差异、d.驾驶人性格差异等)、视认特性(a.视野、b.视力、c.视觉适应、d.眩目等)、行为特性(a.信息处理过程、b.反应特性、c.行为特性、d.心理特性等)几部分组成，因此选取其主要特性用以构建驾驶人风险系数D_a，从而描述分析驾驶人特性对行车安全场的影响。在参考文献后，得出驾驶人风险系数D_a表达为式(3)：

D_a＝γe^a>

式(3)中，驾驶人风险系数D_a主要与驾驶人个性特征(a.性别差异、b.年龄差异、c.驾驶人气质差异、d.驾驶人性格差异等)有关。γ是驾驶人个性参数，通过驾驶人问卷调查可标定，e^a是驾驶人风险度拟合曲线，指数a为曲线参数，其大小由驾驶人激进度表示。驾驶人风险度拟合曲线可以直接通过驾驶过程操作参数进行拟合，激进度可以通过驾驶人主观问卷得到。

其中，道路环境风险系数R_a主要受路面附着Ψ_μ(μ_i)、道路曲率Ψ_ρ(ρ_i)、坡度Ψ_τ(τ_i)和能见度Ψ_δ(δ_i)等因素的影响，因此可定义为式(4)：

R_a＝Ψ_μ(μ_i)×Ψ_ρ(ρ_i)×Ψ_τ(τ_i)×Ψ_δ(δ_i)>

式(4)中的路面附着Ψ_μ(μ_i)、道路曲率Ψ_ρ(ρ_i)、坡度Ψ_τ(τ_i)和能见度Ψ_δ(δ_i)均来自于S1采集得到的“自车周围的交通环境的参数信息”。如下面的表1列出来的各影响因素对应的风险评价函数集：

表1

其中，车辆物理风险系数V_a主要与自车i本身性能有关，如车辆质量、车辆体积和车辆发动性能等因素，因此可定义为式(5)：

V_a＝V_a(M，L，X)＝M(m_i，T_i，v_i)×L×X(5)

式(5)中，M为车辆的虚拟质量，其表示为式(6)：

式(6)中，m_i是自车i的实际物理质量，v_i是自车i的速度。是关于自车i速度v_i的函数，其用来描述速度对行车风险的影响，可通过分析事故损失与速度的关系来标定α、β和γ都是待定常数。T_i是自车i的类型，其确定方式如下：

首先，选定一类物体作为基准，且记该基准物体对应的T值为1；然后，对其它类型物体的T值计算如下：

其中，ξ^*为基准物体造成的事故平均死亡人数(为了简化，这里用事故平均死亡人数来衡量事故损失)，ξ_i为T_i类型物体造成的事故平均死亡人数。

式(5)中，L为车辆体积参数，表示为L＝W_i·H_i·L_i，W_i是自车i的宽度，H_i是自车i的高度，L_i是自车i的长度。

式(5)中，X为车辆性能评价指标，通常用来评定汽车的性能指标主要有：动力性、燃油经济性、制动性、操控稳定性、平顺性以及通过性等。不同车辆类型可通过查找车辆出厂性能表可得。

道路环境外在场模型中，由于所有交通客体可能会对驾驶人造成行驶安全上的威胁，因此，将交通客体所产生的这种威胁抽象为在其周围产生的一个排斥力场，即外在场。而根据多智能体避障原理，驾驶人在进行决策时会选择风险评估指数最低的路径行驶，即驾驶人的规划行程路线会对其产生吸引力场。其中，客体产生的外在场场强大小由其属性决定。

对存在场内的交通客体加以区分，基于驾驶人视觉特性，将驾驶人视野范围内所感受到的交通客体具体分为以下几类：

(1)静止交通客体

该类静止交通客体产生的风险影响因子主要由自身体积决定，表现为投影在行车安全场内的体积大小，风险系数定义为S_j。

(2)约束交通客体

约束类交通客体(如车道线、护栏、道路边缘、道路施工警示标识等)产生的风险影响因子主要由约束类型、宽度等因素决定，表现为在行车安全场内的对驾驶人造成的心理压力的大小，风险系数定义为S_y。

(3)运行机动车

机动车通常是运动且有自主行驶的意识。在道路上其他的机动车在无意识中成为自车的风险。产生的风险影响因子主要由机动车驾驶速度、机动车体积大小、所处位置等因素决定，表现为在行车安全场内的对驾驶自车造成的决策判断影响，风险系数定义为S_c。

(4)运动行人

行人容易受到自身条件的行车做一些影响驾驶人行车的行为，产生的风险影响因子主要由自由行走范围、类型、行为规范等因素决定，表现为在行车安全场内的对驾驶自车造成的决策判断影响，风险系数定义为S_r。

(5)非机动车

非机动车行为是受人的主观意识影响，其体积较小在道路上行走较方便和无规律性。产生的风险影响因子主要由自由行走范围、灵活度等因素决定，表现为在行车安全场内的对驾驶自车造成的决策判断影响，风险系数定义为S_f。

上述各类交通客体的风险系数值可以通过查找表格的方式获取得到，例如下面表2提供的不同影响因素的风险系数S值。

表2

图5显示了整个内在场的有效作用区域。图5中，自车i的车辆的二维坐标系为OXY，O表示为自车i的原点，X表示为自车i的行驶方向的X轴，Y表示为经过自车i的原点O且垂直于X轴的Y轴。P_x、P、P_y三点连接形成的实线为一等势线，P_x′、P_y′两点连接形成的虚线为另一等势线。P_x和P_x′均位于X轴上，P_y和P_y′均位于Y轴上，P(x，y)是其中一条等势线上的点，x是等势线上的点到Y轴的垂直距离，y是等势线上的该点到X轴的垂直距离。自车i为驾驶人驾驶的车辆，下文均成为自车i。除自车i之外的车辆均称作为“他车”，“他车”包括“前车”和“后车”，其中，“前车”为处于自车i视野范围内的前方车辆，“后车”为处于自车i视野范围内的后方车辆。根据驾驶人类型和驾驶车辆速度，以自车i行驶方向为X轴，在自车i为中心的行驶范围内，根据视觉特性原理构建势场相等的范围区域。本实施例中，定义势场相等的范围区域的半径r为：

l_(x，y)＝r-(1-δ(v_i))r|sinθ_(x，y)|(7)

式(7)中，l_(x，y)为P(x，y)与自车i的原点O之间的距离，δ(v_i)由下面的式(8)获得，θ_(x，y)为P(x，y)与自车i的原点O之间的连线与X轴所成的角度，及图5中的θ。

δ＝OP_x/OP_y(8)

式(8)中，OP_x表示一等势线上位于X轴上的点P_x和原点O之间的距离，OP_y表示该等势线上位于Y轴上的点P_y和原点O之间的距离。显然，δ的取值与自车i的速度v_i相关，即速度越快，自车i的驾驶人的视线范围越窄，因此，δ可表示为δ(v_i)。

将上式(8)进行变化为下面的式(9)：

由此得到自车i的驾驶人在空间中的任意点行为场的基本场强E_D的计算模型如式(10)所示：

式(10)中，f(D，R，V)是行车风险综合函数，可由式(2)计算得到；v_i是自车i的行驶速度，是速度的幂函数项的多项式次数，可以取：待标定量；是单位向量，表示E_D是有方向的矢量；l_(x，y)表示等势线上点P(x，y)与自车i的原点O之间的距离；h表示距离的多项式次数，可以取：h＝1，2，3...，待标定量。

以跟车工况为例进行分析，跟车工况下，自车i与其前车的相对速度较大时，自车i的驾驶人首先会感知到其前车视角的改变，驾驶人由此会跟随其前车视角的变化而操纵车速v_i。自车i与其前车的相对速度较小时，即驾驶人的前车视角变化率将低于感知阈值k_t时，自车i的驾驶人可以保持当前的车速不变，直到视角累积变化量突破感知阈值k_t，此时驾驶人将感知到的跟驰距离也发生了变化，从而采取相应的措施跟随，补偿当前跟驰时距与安全时距的差值。也就是说，驾驶人视觉特性(驾驶人的前车视角的变化)可以影响驾驶人操纵车辆，并感知自车i与其前车的相对速度，视角变化率与感知阈值k_t的关系可表示为下式(11)：

式(11)中，θ为自车i的驾驶人的前车视角，Δv是自车i与其前车的相对速度，D_p是自车i与其前车之间的车辆间距。

根据Webers法则，当自车i与其前车接近，驾驶人的前车视角增大10％时，则能感知到自车i与其前车之间的车辆间距D_p发生明显变化。当自车i与其前车拉开距离，驾驶人的前车视角缩小12％时，驾驶人才会感知到自车i的驾驶人的前车视角的变化。此时，自车i的驾驶人总是保持一定的车头时距作为跟驰安全余量，根据Winsum研究，自车i与其前车之间的车辆间距D_p可以表示式(12)：

D_p＝t_pv_s(12)

式(12)中，t_p是前后车辆时距(s)；v_s是稳定跟驰状态下车辆行驶速度。

根据视觉特性原理构建势场相等的范围区域，然后定义势场相等的范围半径为1，如图5所示，等势线围设而成的部分椭圆形状根据驾驶人观察视野范围来定。若前车减速时，自车i与其前车的相对速度较小，驾驶人的前车视角变化率未达到感知阈值k_t，自车i的驾驶人将保持原车速继续前行，直到自车i与其前车之间的车辆间距D_p的变化导致阈值g(g＝10％*k_t＝0.1k_t)被驾驶人的前车视角累计变化量达到。因此，自车i的驾驶人主要选择宽度方向上的前车视角变化来观察前车，从而作为控制输入信号，由此可以得到下面的式(13)和式(14)

根据式(13)和式(14)，则有式(15)：

D_d＝D_p-JND>

式(13)至(17)中，W为前车的车宽，D_d是自车f的驾驶人感知到前车减速时的车辆间距，根据每个驾驶人视觉特性而不同；D_p为自车i与其前车之间的车辆间距，由自车i的传感器采集；a_i是自车i的驾驶人的采取的加速度，即控制输入信号的量值；a为前车加速度；c、d都为常数，通常c＞0，d＜0；ε为随机误差；e、f均为符合Webers法则的参数，一般取e＝1.04，f＝0.72。JND是用于表示从前车减速到后车驾驶人感知到相对速度的过程中车辆间距的变化情况的反映阈值。t表示从前车开始减速计时，一般t取很小。

通过上述分析可知，在利用驾驶人动态视觉特性进行建模过程中，需要对驾驶车辆过程的速度、加速度及安全行车距离进行约束，从而保证视觉变化与操纵行为之间的联系变量，即感知阈值的合理性。

根据式(10)，完整交通系统的人车路耦合风险评估模型2可构建成如下式(18)：

式(18)中，E_s表示自车周围的交通环境所在区域的行车安全场场强，即S3中的自车周围的交通环境中的单个交通客体的风险值；S表示不同属性交通客体所带来的风险系数值；v_j表示交通客体的速度(当交通客体静止时，v_j＝0)；v_i表示自车i的速度；δ(v_i)由式(8)计算获得；θ_(x，y)为自车i的内在场有效作用区域内等势线上的点P(x，y)与自车i的原点O之间的连线与X轴所成的角度；l_(x，y)为点P(x，y)与自车i的原点O之间的距离，由式(7)计算得到；和h均为待标定量。

在统一的行车风险影响因素耦合模型中因客体属性不同而存在许多待定参数，通过对参数进行标定来得出具体的数学模型。行车风险影响因素耦合模型本身存在较多的预置参数，包括f(D，R，V)中显含的驾驶人风险系数D_a、道路条件影响系数R_a、车辆物理风险系数V_a等及驾驶人视觉中的不同交通客体的属性参数S等等。这些参数的准确程度直接影响到最终的危险评估的结果。

本实施例本实施例所提供的基于驾驶人认知视角的人车路耦合风险评估装置包括环境信息感知模块1、耦合风险评估模块2和风险Map图输出模块3：

如图1所示，环境信息感知模块1用于获取自车、自车周围的交通环境以及处于自车周围的交通环境中交通客体的参数信息，并输出。其中：“自车的参数信息”、“自车周围的交通环境”和“交通客体的参数信息”在上文已经详细说明，在此不再赘述。

耦合风险评估模块2预先设置在车载传感器单元中，所述车载传感器单元获取环境信息感知模块1的各类信息，并输送给耦合风险评估模块2，耦合风险评估模块2用于描述由驾驶人、道路使用者和道路环境与该三者组成的交通环境的行车风险之间的耦合关系。

风险Map图输出模块3用于输出自车周围的交通环境中的单个交通客体的风险值和整个自车周围的交通环境中的风险Map图。

耦合风险评估模块2中预先设置有驾驶人内在场模型21、行车风险综合函数22和道路环境外在场模型23。

驾驶人内在场模型21用于将自车周围的交通环境对驾驶人产生的距离的影响作用视为驾驶人内在场效应机理，将拓展后的时间距离作为衡量驾驶人行为场强度分布的指标，对驾驶人内在场分布进行数学描述。在真实的自车周围的交通环境中，人、车、路共同参与，因此在分析过程中可以得出驾驶人操纵行为时刻受到外在环境的约束和影响，驾驶过程中呈现出操纵行为的时变性、动态性及个体差异性。

行车风险综合函数22表示为上述式(2)，在此也不再详细展开说明。

道路环境外在场模型23中，本发明将驾驶自车周围环境中的所有客体(运动或静止)都定义为交通客体(包括车辆、车道标线、行人等在内)。由于所有交通客体可能会对驾驶人造成行驶安全上的威胁，因此，将交通客体所产生的这种威胁抽象为在其周围产生的一个排斥力场，即外在场。而根据多智能体避障原理，驾驶人在进行决策时会选择风险评估指数最低的路径行驶，即驾驶人的规划行程路线会对其产生吸引力场。其中，客体产生的外在场场强大小由其属性决定。

耦合风险评估模块2构建为上式(18)。通过耦合风险评估模块2，能分析出交通系统中各参与要素对行车风险的影响及其之间的耦合关系，对交通系统各要素进行影响因素耦合模型建立，从风险构成的多维性出发，基于驾驶人、道路使用者、道路环境等多角度量化输出驾驶人行车过程中面临的风险值，避免了单独考虑某一影响因素来研究行车风险的片面性，也扩大了模型适用范围。

本装置建立了基于驾驶人认知视角的人车路耦合风险评估的数学模型，考虑了驾驶人视觉特性和驾驶操纵行为特性，以此来描述道路上静止物体、运动物体、驾驶员特性以及道路条件等交通要素构成的行车风险，更能接近驾驶人主观感知水平，为道路环境的准确风险评估提供支持。通过对模型中的驾驶人行为特性、交通环境特性和车辆状态特性进行统一描述，同时考虑行车风险随着时间、空间的变化而产生动态变化过程。

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。