一种L3级自动驾驶风险评估与接管预警方法及系统与流程

技术特征：

1.一种l3级自动驾驶风险评估与接管预警方法，其特征在于，包括如下步骤：

步骤一、采集驾驶绩效指标数据；

步骤二、计算所述数据在风险值中所占权重值；

步骤三、进行l3级自动驾驶条件下最终风险值计算；对所述风险值计算模块得到的最终风险值进行分类测试，确定最终风险值分类判别标准，比较最终风险值和分类判别标准阈值的大小，生成驾驶风险状态判断结果；

步骤四、根据驾驶风险进行预警提示。

2.根据权利要求1所述的l3级自动驾驶风险评估与接管预警方法，其特征在于，步骤二中，利用pca法计算所述权重值，采用主成分分析法计算累积贡献率来提取主成分，得到驾驶绩效指标在最终风险值计算中所占的权重，计算步骤如下：

步骤(1)样本数据标准化变换：设样本数据矩阵为e＝(eij)m*n，即有m个样本，每个样本有n个驾驶绩效指标(其中n＝4，m≥n)，4项驾驶绩效指标分别为车辆纵向速度均值(m/s)、跟车距离(m)、纵向加速度标准差(m/s2)和驾驶员眨眼频率(次/s)，标准化数据矩阵为y＝(yij)m*4，标准化变换公式为：

其中，样本均值样本方差

步骤(2)计算样本相关系数矩阵：设样本相关系数矩阵为r＝(rij)4*4，r为对称矩阵，并且有rij＝rji，rii＝1，其中，相关系数为

步骤(3)计算相关矩阵r的特征值和对应的特征向量：特征方程为|r-λi|＝0，i为单位阵，解出4个特征值：λ1,λ2,λ3,λ4；由齐次线性方程组|r-λi|l＝0，解出对应的特征向量：lj＝(l1j,l2j,…,lnj)^t，其中j＝1,2,3,4；

步骤(4)计算各驾驶绩效指标的贡献率：计算公式为

各驾驶绩效指标的贡献率即为各驾驶绩效指标在最终风险值计算中所占的权重。

3.根据权利要求1所述的l3级自动驾驶风险评估与接管预警方法，其特征在于，步骤二中，利用熵权法计算权重值，根据驾驶绩效指标数据所含信息，通过计算极差使数据无量纲化，并使用差异系数描述数据的波动性，进而得到驾驶绩效指标在最终风险值计算中所占的权重，计算步骤如下：

步骤(1)样本数据无量纲化：设样本数据矩阵为x＝(xij)s*t，即有s个样本，每个样本有t个驾驶绩效指标(其中t＝4，s≥t)，4项驾驶绩效指标分别为车辆纵向速度均值(m/s)、跟车距离(m)、纵向加速度标准差(m/s²)和驾驶员眨眼频率(次/s)。对于第j个驾驶绩效指标(其中j＝1,2,3,4)，取s个样本中的最大值为mj＝max{x1j,x2j,…,xsj}，取s个样本中的最小值为为mj＝min{x1j,x2j,…,xsj}，无量纲化数据矩阵为无量纲化变换公式为：

步骤(2)计算熵值：各驾驶绩效指标的熵值计算公式为

其中，系数特征比例

步骤(3)计算差异系数：各驾驶绩效指标的差异系数可用来描述样本数据的波动性，其计算公式为

dj＝1-uj,(j＝1,2,3,4)

步骤(4)计算权重：各驾驶绩效指标在最终风险值计算中所占权重的计算公式为

4.根据权利要求1所述的l3级自动驾驶风险评估与接管预警方法，其特征在于，根进行l3级自动驾驶条件下最终风险值计算，并根据实际情况赋予pca法和熵权法结合随时间变化的动态权重，从而实时获取最终风险值，计算步骤如下：

步骤(1)pca法计算风险值：由所述pca权重计算模块得到的驾驶绩效指标在最终风险值计算中所占的权重为则pca法得到的风险值为车辆纵向速度均值、跟车距离、纵向加速度标准差和驾驶员眨眼频率四项指标的实际测量值分别与pca法计算出的各指标权重的乘积之和，即

其中，

步骤(2)熵权法计算风险值：由所述熵权法权重计算模块得到的驾驶绩效指标权重为则熵权法得到的风险值为车辆纵向速度均值、跟车距离、纵向加速度标准差和驾驶员眨眼频率四项指标的实际测量值分别与熵权法计算出的各指标权重的乘积之和，即

步骤(3)pca法和熵权法结合计算最终风险值：最终风险值是对pca法和熵权法得到的风险值赋予随时间变化的动态权重得到的，计算公式为

其中，随时间变化的动态权重函数为θ(t)＝p0e^-αt，根据经验值，参数为p0＝0.5,α＝0.3。

5.根据权利要求1所述的l3级自动驾驶风险评估与接管预警方法，其特征在于，采用支持向量机算法对最终风险值进行分类测试，得到最终风险值分类的标准阈值，并生成驾驶风险状态判断结果，支持向量机算法计算标准阈值的过程如下：

在由车辆纵向速度均值、跟车距离、纵向加速度标准差和驾驶员眨眼频率四项驾驶绩效指标构成的多维空间中，由于驾驶绩效指标数据无法用一个超平面完全正确分类，故引入目标函数为：

引入约束条件，使超平面w^tx b＝0满足：

yi(w^txi b)≥1-ξi

其中w为权值向量；c称作惩罚因子；ξi为松弛变量，应满足ξi≥0；yi为每个样本点xi的风险等级标签；b为常量参数；n为样本点个数；

由于驾驶绩效指标数据非线性可分，故利用核函数对输入空间进行拉格朗日变换，目标函数变为：

约束条件则为：

其中核函数采用径向基形式，即为αi和αj为拉格朗日乘子；

驾驶风险状态判断准则为：

由支持向量机算法可以得出第一标准阈值为q1＝0.042，第二标准阈值为q2＝0.560，第三标准阈值为q3＝1.549；

当最终风险值sc∈[0,q1)时，驾驶风险状态判断结果为“低风险：无需接管”；

当最终风险值sc∈[q1,q2)时，驾驶风险状态判断结果为“中风险：准备接管”；

当最终风险值sc∈[q2,q3)时，驾驶风险状态判断结果为“高风险：紧急接管”；

当最终风险值sc∈[q3,∞)时，驾驶风险状态判断结果为“危险：减速停车”。

6.根据权利要求1所述的l3级自动驾驶风险评估与接管预警方法，其特征在于，当所述l3级自动驾驶条件下的最终风险值小于第一标准阈值时，驾驶风险状态判断结果为“低风险：无需接管”，此时不需要进行视觉提示预警、听觉提示预警及触觉提示预警，驾驶员可正常进行次任务操作，车辆正常进行自动驾驶；

当所述l3级自动驾驶条件下的当前风险值大于等于第一标准阈值且小于第二标准阈值时，驾驶风险状态判断结果为“中风险：准备接管”，此时所述预警装置提示当前车辆驾驶存在一定风险，驾驶员需要将注意力更多地放在驾驶主任务上，准备接管车辆；

当所述l3级自动驾驶条件下的当前风险值大于等于第二标准阈值且小于第三标准阈值时，驾驶风险状态判断结果为“高风险：紧急接管”，此时提示当前车辆驾驶存在较高风险，车辆自动驾驶即将结束，需要驾驶员立刻接管车辆；

当所述l3级自动驾驶条件下的当前风险值大于等于第三标准阈值时，驾驶风险状态判断结果为“危险：减速停车”，此时触觉提示模块不工作，提示车辆有较大概率将发生事故，自动驾驶系统控制车辆减速至停车。

7.一种采用权利要求1至6任一项所述方法的l3级自动驾驶风险评估与接管预警系统，其特征在于，所述系统包括信息采集装置、信息处理装置、风险值评估装置和预警装置。

8.根据权利要求1所述的l3级自动驾驶风险评估与接管预警系统，其特征在于，所述信息处理装置包括pca权重计算模块和熵权法权重计算模块；所述pca权重计算模块和熵权法权重计算模块用于对驾驶绩效指标数据分别进行风险值中所占权重的计算。

9.根据权利要求1所述的l3级自动驾驶风险评估与接管预警系统，其特征在于，所述风险评估装置包括风险值计算模块和状态判断模块，所述风险值计算模块根据接收的指标权重进行当前l3级自动驾驶条件下最终风险值的计算；所述状态判断模块首先确定驾驶风险的状态，然后对所述风险值计算模块得到的最终风险值进行分类测试，确定最终风险值分类判别标准，最后比较最终风险值和分类判别标准阈值的大小，生成驾驶风险状态判断结果。

10.根据权利要求1所述的l3级自动驾驶风险评估与接管预警系统，其特征在于，所述预警装置根据接收的结果，控制所述视觉提示模块发出不同颜色的光、所述听觉提示模块产生不同内容的语音、所述触觉提示模块产生不同频率的振动，以进行接管预警。

技术总结
本发明涉及一种L3级自动驾驶风险评估与接管预警方法，主要包括如下步骤：步骤一、采集驾驶绩效指标数据；步骤二、计算所述数据在风险值中所占权重值；步骤三、进行L3级自动驾驶条件下最终风险值计算；对所述风险值计算模块得到的最终风险值进行分类测试，确定最终风险值分类判别标准，比较最终风险值和分类判别标准阈值的大小，生成驾驶风险状态判断结果；步骤四、根据驾驶风险进行预警提示。本发明根据驾驶风险状态判断结果对驾驶员进行不同等级的接管预警提示，能够有效降低自动驾驶车辆人机共驾阶段的交通事故率，减小驾驶风险。

技术研发人员：马艳丽;秦钦;卢俊;娄艺苧
受保护的技术使用者：哈尔滨工业大学
技术研发日：2021.04.13
技术公布日：2021.08.13