1.本发明涉及智能驾驶领域。更具体地，涉及一种智能汽车行车风险大小的量化方法、装置及存储介质。
背景技术：2.融合了车辆智能化和网联化技术的智能汽车是智能交通系统的主要实现形式，智能汽车的行车安全性问题也一直是该领域关注的重点。
3.现有行车风险模型大多仅考虑道路使用者速度、质量等简单因素，不能综合考虑方向、道路条件、社会心理(对道路交通规则的服从度)等复杂因素。
技术实现要素：4.针对本领域存在的不足之处，本发明提供了一种适用于智能汽车行车风险大小的量化方法、装置及存储介质，目的在于根据行车风险来源与影响行车安全的各因素间的关系，确定一种可以反映复杂多变的交通环境下智能汽车行车风险大小量化标准的数学模型。
5.为达到上述技术目的，本发明采用以下技术方案：
6.一种智能汽车行车风险大小的量化方法，其特征在于，包括：
7.(1)获取影响智能汽车行车风险大小的各因素的尺寸信息，其中影响因素包括智能汽车、障碍物、行人及车道线；
8.(2)以智能汽车、行人、障碍物及车道线的长宽尺寸，构建矩形模型；对构建的矩形模型进行包络优化，得到优化后的包络模型；
9.(3)根据优化后的包络模型所包络的区域范围，确定复杂多变的交通环境、结构化道路条件下智能汽车行车时所受风险场中各影响因素产生的风险场峰值的范围；
10.(4)根据所确定的风险场峰值的范围，基于社会力思想，构建场强变化的数学模型。
11.本技术提出的智能汽车行车风险场大小的量化方法、装置及存储介质，面向智能汽车建立计算行车风险大小的风险场数学模型。风险场数学模型从传统社会力角度分析智能汽车在结构化道路中可能受到来自对向或同向行驶的其他智能汽车的社会力、来自前方静止障碍物产生的社会力、来自交叉路口穿越人行横道时行人产生的社会力以及车道线产生的社会力等，提出一种基于社会力的智能汽车行车风险场概念。相比之下，本模型可以更合理、更适应性地表征复杂多变的交通道路使用条件下自车行车风险的大小，为智能汽车安全行驶提供的新的理论模型和判断依据。
12.有现有技术相比，本发明的有益效果是：
13.(1)首次将社会力理论思想应用到智能汽车行车安全领域，充分考虑到人-车-路-环境相互作用机理，充分考虑到道路使用者类型、道路条件等复杂因素，并引入社会心理学，用车辆受到的行车安全场场强大小表征车辆在行车过程中的风险大小。
14.(2)与现有的基于速度、距离的横向纵向模型以及势场模型相比，本发明建立的考虑社会心理的智能汽车行车安全社会力模型适用于复杂的行车场景，为复杂交通场景下智能汽车主动安全提供新的思路和方法。
附图说明
15.图1为构建风险场的流程图；
16.图2为对各影响因素矩形模型进行优化的包络模型示例，这里n＝3。
具体实施方式
17.实施例1
18.一种适用智能汽车行车风险大小的量化方法，包括步骤：
19.(1)获取影响智能汽车行车风险大小的各因素的尺寸信息，其中影响因素包括智能汽车、障碍物、行人及车道线；
20.(2)以智能汽车、行人、障碍物及车道线的长宽尺寸，构建矩形模型；对构建的矩形模型进行包络优化，得到优化后的包络模型；
21.(3)根据优化后的包络模型所包络的区域范围，确定复杂多变的交通环境、结构化道路条件下智能汽车行车时所受风险场中各影响因素产生的风险场峰值的范围；
22.(4)根据所确定的风险场峰值的范围，基于社会力思想，构建场强变化的数学模型。
23.步骤(2)中，对构建的矩形模型进行包络优化得到优化后的包络模型的方法是：
24.(21)以智能汽车、行人、障碍物的长宽尺寸，构建简化矩形模型。矩形模型的长为l，矩形模型的宽为w；
25.(22)选取n个等大小等间距的圆形对所述简化矩形模型进行包络，n≥3。
26.步骤(22)中，所述选取n个等大小等间距的圆形对简化矩形模型进行包络的方法为：
27.(221)根据简化矩形模型的长宽尺寸信息，一般选择包络的圆形个数为n＝3；
28.(222)根据包络的圆形个数，确定包络的圆形半径r：
[0029][0030]
其中，r为包络的圆形半径，l为简化矩形模型的长，w为简化矩形模型的宽，n为包络的圆形个数；
[0031]
(223)根据所述包络的圆形半径及包络的圆形个数，确定优化后的包络模型。
[0032]
步骤(3)中，确定的风险场峰值范围为即为优化后的包络模型中用于包络的圆形所包络的范围。
[0033]
步骤(4)中，确定的风险场峰值范围为：
[0034][0035]
其中，为同向车道其他智能汽车对自车产生的行车风险场的峰值大小，ab为同
车道同向行车安全场场强作用强度幅值系数，r
ab
为自车a和他车b的半径和，d
ab
为自车a和他车b之间的距离，rb为同向行车安全场场强作用距离敏感系数，δv
ab
为两车相对速度差，cosθb为两车相对速度方向与两车连线方向之间夹角的余弦值，hb为同向行车相对速度敏感系数，ma、mb分别为车a和车b的等效质量，kb为车b对道路交通规则的服从度，r为道路条件因子。
[0036]
等效质量mi应表示为：
[0037][0038]
其中，i＝a,b；α、β、ε、ζ为常数系数；mi智能汽车的质量；ti为智能汽车的类型；vi为智能汽车的速度；
[0039]
道路交通使用者对道路交通规则的服从度ki为：
[0040][0041]
其中，η
*
为道路交通规则服从度标准值，ηi为道路交通参与者的道路交通规则服从值，κ为待定常数；
[0042]
道路条件因子r为：
[0043][0044]
式中：δ为道路能见度；μ为路面附着系数；ρ为道路曲率；τ为道路坡度；γ1，γ2，γ3，γ4均为待定常数，且γ1，γ2＜0，γ3，γ4＞0；μ
*
为标准路面附着系数；δ
*
为标准道路能见度；ρ
*
为标准道路曲率；τ
*
为标准道路坡度。
[0045]
依据所述优化模型，基于社会力思想，结合其他各特征因素确定复杂多变的交通环境下其他智能汽车、障碍物、行人及车道线等影响因素产生的风险场场强变化的数学模型，步骤包括：
[0046]
基于社会力思想，结合其他各特征因素确定复杂多变的交通环境下其他智能汽车、障碍物、行人及车道线等影响因素产生的风险场建场强变化的数学模型为：
[0047][0048]
式中，eb′
为行车风险场中影响因素b场强变化的数学模型；r
ab
′
为影响因素b产生的行车风险场内任意点和自车a的半径和；d
ab
′
是行车环境下影响因素b产生的行车风险场内任意点到自车a的距离；θb′
为影响因素b产生的风险场范围内任意点与自车a和影响因素b两点连线方向之间的夹角；rb为影响因素b的场强作用距离敏感系数。
[0049]
实施例2
[0050]
本发明还提供一种智能汽车行车风险大小的量化装置，包括处理器和存储器；所述存储器中存储有程序或指令，所述程序或指令由所述处理器加载并执行实施例1智能汽车行车风险大小的量化方法的步骤。
[0051]
实施例3
[0052]
本发明还提供一种计算机可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现实施例1智能汽车行车风险大小的量化方法的步骤。
技术特征：1.一种智能汽车行车风险大小的量化方法，其特征在于，包括：(1)获取影响智能汽车行车风险大小的各因素的尺寸信息，其中影响因素包括智能汽车、障碍物、行人及车道线；(2)以智能汽车、行人、障碍物及车道线的长宽尺寸，构建矩形模型；对构建的矩形模型进行包络优化，得到优化后的包络模型；(3)根据优化后的包络模型所包络的区域范围，确定复杂多变的交通环境、结构化道路条件下智能汽车行车时所受风险场中各影响因素产生的风险场峰值的范围；(4)根据所确定的风险场峰值的范围，基于社会力思想，构建场强变化的数学模型。2.根据权利要求1所述的一种智能汽车行车风险大小的量化方法、装置及存储介质，其特征在于，所述步骤(2)中，对构建的矩形模型进行包络优化得到优化后的包络模型的方法是：(21)根据矩形模型的长宽尺寸信息及包络的圆形个数，确定包络的圆形半径r：其中，l为矩形模型的长；w为矩形模型的宽；n为包络的圆形个数，n≥1；(22)根据包络模型中的圆半径及包络圆个数，得到优化后的包络模型。3.根据权利要求2所述的一种智能汽车行车风险大小的量化方法，其特征在于，步骤(3)中，确定的风险场峰值范围为优化后包络模型中用于包络的所有圆所包络的范围。4.根据权利要求1所述的一种智能汽车行车风险大小的量化方法，其特征在于，步骤(4)中，根据确定的风险场峰值的范围，基于社会力思想，针对自车a构建影响因素b场强变化的数学模型为：式中，e
b
′
为行车风险场中影响因素b场强变化的数学模型；r
ab
′
为影响因素b产生的行车风险场内任意点和自车a的半径和；d
ab
′
是行车环境下影响因素b产生的行车风险场内任意点到自车a的距离；θ
b
′
为影响因素b产生的风险场范围内任意点与自车a和影响因素b两点连线方向之间的夹角；r
b
为影响因素b的场强作用距离敏感系数。5.根据权利要求4所述的一种智能汽车行车风险大小的量化方法，其特征在于，步骤(4)中，基于建立的数学模型，得到计算优化后的包络模型峰值范围内的峰值大小的量化模型为：式中，e
′
b
为影响因素b在自车a行车时产生的行车风险场的场强变化模型；为综合考虑其他各特征因素的峰值大小；e
b
为影响因素b在自车a行车时产生的行车风险场的量化模型。6.根据权利要求5述的一种智能汽车行车风险大小的量化方法，其特征在于，峰值大小为：
其中，a
b
为复杂多变的行车环境下影响因素b的场强强度影响系数；r
ab
为自车a和影响因素b的半径和；d
ab
为自车a和影响因素b之间的距离；δv
ab
为自车a和影响因素b相对速度差；cosθ
b
为自车a和影响因素b相对速度方向与两点连线方向之间夹角的余弦值；h
b
为相对速度敏感系数；m
a
、m
b
分别为自车a和影响因素b的质量；k
b
为影响因素b对道路交通规则的服从度；r
i
为道路条件因子。7.根据权利要求6所述的一种智能汽车行车风险大小的量化方法，其特征在于，影响因素b对道路交通规则的服从度k
b
为：其中，η
*
为道路交通规则服从度标准值；η
b
为车b的道路交通规则服从值；κ为待定常数。8.一种智能汽车行车风险大小的量化装置，其特征在于，包括处理器和存储器；所述存储器中存储有程序或指令，所述程序或指令由所述处理器加载并执行以实现如权利要求1至7任一所述的智能汽车行车风险大小的量化方法的步骤。9.一种计算机可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至7任一所述的智能汽车行车风险大小的量化方法的步骤。
技术总结本发明公开了一种智能汽车行车风险场大小的量化方法、装置及存储介质，其中量化方法包括：获取影响智能汽车行车风险大小的各因素的尺寸信息；以智能汽车、行人、障碍物及车道线的长宽尺寸，构建矩形模型；对矩形模型进行包络优化，得到包络模型；根据包络模型所包络的区域范围，确定复杂多变的交通环境、结构化道路条件下智能汽车行车时所受风险场中各影响因素产生的风险场峰值的范围；根据所确定的风险场峰值的范围，基于社会力思想，构建场强变化的数学模型。本发明根据智能汽车受到的行车风险来源于影响行车安全的各因素之间的关系，提出了一个统一的并能准确反映复杂多变的交通环境下智能汽车行车风险大小的量化方法的数学模型。数学模型。数学模型。
技术研发人员：殷国栋 胡敬宇 耿可可 汪 严永俊 柏硕
受保护的技术使用者：东南大学
技术研发日：2022.06.01
技术公布日：2022/11/1
