【技术实现步骤摘要】
一种智能网联汽车风险评估方法及个性化决策方法
[0001]本专利技术属于汽车驾驶决策
，具体涉及一种智能网联汽车风险评估方法及个性化决策方法。
技术介绍
[0002]基于新一代通信技术的智能网联汽车能够有效解决单车自动驾驶所面临的技术瓶颈，是当前自动驾驶和智能交通领域研究的热点。智能决策作为智能网联汽车的重要组成模块，对车辆的安全行驶和道路交通安全有着至关重要的影响。如何在复杂的驾驶场景下，有效评估周围交通参与者所形成的驾驶风险，进而做出合理、有效决策，是当下智能网联汽车所面临的关键问题之一。
[0003]现有基于驾驶风险评估的车辆智能决策研究，在对驾驶风险进行评估时大多只考虑了主车与周围车辆之间的速度和距离因素，评价指标如碰撞时间、车头时距等。然而，这种决策方法存在一定问题：第一，在进行驾驶风险评估时，考虑的影响因素较少，使得风险评估结果不准确；第二，仅考虑了纵向或横向的单维度驾驶风险，风险评估维度单一；第三，不同类型的驾驶人或乘客具有不同的驾驶风险心理阈值，基于同一驾驶风险标准进行车辆智能决策，无法满足驾驶...
【技术保护点】
【技术特征摘要】
1.一种智能网联汽车风险评估方法，其特征在于，包括：根据智能网联环境下智能网联车辆装备的传感器及车路协同感知设施获取的用于驾驶风险评估的数据，数据包括主车数据和周围车辆数据，利用行车安全场模型分别计算各周围车辆对主车产生的驾驶风险；其中，主车数据包括主车的物理质量、横向坐标、纵向坐标、速度以及加速度；周围车辆数据包括各周围车辆的物理质量、横向坐标、纵向坐标、长度、宽度、速度和加速度。2.如权利要求1所述一种智能网联汽车风险评估方法，其特征在于，根据各周围车辆对主车产生的驾驶风险，分别加权计算主车所受跟驰风险和换道风险。3.如权利要求1所述一种智能网联汽车风险评估方法，其特征在于，所述利用行车安全场模型分别计算各周围车辆对主车产生的驾驶风险的方式为：步骤S11，根据某一周围车辆A的物理质量和速度，计算得到周围车辆A的风险质量；步骤S12，一方面，周围车辆A的风险质量结合主车的横向坐标和纵向坐标以及周围车辆A的横向坐标、纵向坐标、长度和宽度计算得到周围车辆A的势能风险场强；另一方面，周围车辆A的风险质量结合主车的横向坐标、纵向坐标以及周围车辆A的横向坐标、纵向坐标、长度、宽度和速度计算得到周围车辆A的动能风险场强；步骤S13，将步骤S12中得到的周围车辆A的势能风险场强和动能风险场强结合得到周围车辆A的风险场强；步骤S14，根据步骤S13得到的周围车辆A的风险场强，结合主车的物理质量、速度和加速度以及周围车辆A的速度计算周围车辆A对主车产生的驾驶风险；步骤S15，根据步骤S11
‑
S14分别计算各周围车辆对主车产生的驾驶风险。4.如权利要求3所述一种智能网联汽车风险评估方法，其特征在于，步骤S12中所述周围车辆A的风险质量结合主车的横向坐标和纵向坐标以及周围车辆A的横向坐标、纵向坐标、长度和宽度计算得到周围车辆A的势能风险场强的计算公式为：其中，E
sv_sta
为周围车辆A的势能风险场强，A为大于0的场强系数，M
sv
为步骤S11中得到的周围车辆A的风险质量，x
ev
为主车纵向坐标，x
sv
为周围车辆A的纵向坐标，w
x
为周围车辆A长度的权重系数，L
sv
为周围车辆A的长度，y
ev
为主车纵向坐标，y
sv
为周围车辆A的横向坐标，w
y
为周围车辆A宽度的权重系数，W
sv
为周围车辆A的宽度，d为主车与周围车辆A的距离矢量，d＝(x
ev
‑
x
sv
,y
ev
‑
y
sv
)。5.如权利要求3或4所述一种智能网联汽车风险评估方法，其特征在于，步骤S12中所述周围车辆A的风险质量结合主车的横向坐标、纵向坐标以及周围车辆A的横向坐标、纵向坐标、长度、宽度和速度计算得到周围车辆A的动能风险场强的计算公式为：其中，E
sv_va
为周围车辆A的动能风险场强，A为大于0的场强系数，M
sv
为步骤S11中得到的周围车辆A的风险质量，x
ev
为主车纵向坐标，x
sv
为周围车辆A的纵向坐标，α为与周围车辆A的速度相关的权重系数，v
...
【专利技术属性】
技术研发人员：孙栋先，郭宏伟，王武宏，蒋晓蓓，石健，谭海秋，张浩东，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。