高风险场景下驾驶人风险响应与主动决策方法及装置制造方法及图纸

本申请涉及一种高风险场景下驾驶人风险响应与主动决策方法及装置，包括：根据所获取的满足风险条件的场景下多个驾驶人眼动的时空特征信息，确定多个驾驶人的视觉注意特性，基于根据视觉注意特性和视网膜成像原理确定的多个驾驶人风险认知的感知特性，获取多个驾驶人风险认知的视觉注意力累积信息，根据基于视觉注意力累积信息所构建的表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型，量化输出每个驾驶人驾驶过程风险响应和主动决策。由此，解决现有模型应用过程中难以充分解释人类风险认知行为产生机理，且未量化道路条件和车辆属性等因素对驾驶人风险响应与主动决策产生的影响等问题，对实现个性化自动驾驶、促进道路交通安全具有重要意义。道路交通安全具有重要意义。道路交通安全具有重要意义。

【技术实现步骤摘要】
高风险场景下驾驶人风险响应与主动决策方法及装置


[0001]本申请涉及驾驶人行为及智能车应用
，特别涉及一种高风险场景下驾驶人风险响应与主动决策方法及装置。

技术介绍

[0002]在高风险场景下，驾驶人需要在有限时间内认知风险、及时采取合理行为，但真实环境驾驶人认知交互行为过程复杂，存在感知、决策、操控等多个阶段，且特征多样，差异性高，量化其风险响应及主动决策行为较困难。驾驶人在做决策时，虽然感官刺激可能存在许多噪声，但经过人脑筛选加工，可以优先处理关键信息并做出合理的选择。驾驶人的技能、偏好和驾驶风格差异很大，且在混合动态交通系统中，驾驶人之间存在复杂交互关系，风险响应及主动决策差异性大。
[0003]人
‑
车
‑
路系统中，驾驶人具有决策者、体验者等多重角色，驾驶人感知、决策、操控特性直接影响车辆操纵稳定性和安全性，驾驶人对交通环境潜在风险有普遍认知机制和共性操控规律，但不同类型风险源对驾驶人影响各异，驾驶人风险响应会对其场景理解、决策策略输出产生影响，从而影响行车安全。
[0004]相关技术中，国内外对高风险场景下对驾驶人风险响应及主动决策已有大量研究，并对应形成了多类驾驶人模型来解释驾驶人行为，例如经典的跟车模型、车道变换模型等。从响应行为的影响变量来区分，刺激
‑
响应模型主要可以分为复杂的行为模拟模型、基于动力学的简化模型、安全驱动的二维驾驶人模型这三类，行为模拟模型是指模拟驾驶人部分或特定情况下的操纵行为而形成的模型，较复杂的行为模拟模型主要包括广泛应用于开源软件城市交通仿真器(Simulation of Urban Mobility，简称SUMO)和公共交通仿真器VISSIM中的微观二元模型、元胞自动机模型、驾驶人预瞄跟随模型等，或从交通流理论出发为微观交通仿真建立的换道轨迹模型，这些行为模拟模型主要用于精确再现各种驾驶情况，能够通过大量的参数进行微调，并基于复杂的决策逻辑进行详细的案例区分；基于动力学的简化模型是指考虑车辆行驶的基本动力学参数，从运动控制角度形成的单一刺激反馈模型，其主要包括智能驾驶人模型(Intelligent Driver Model，简称IDM)、全局刹车最少换道模型(Minimize Overall Braking Induced by Lane Change，简称MOBIL)等。基于动力学的简化模型的优势在于该类方法易于使用，能在很大程度上捕捉到驾驶人微观和群体宏观多层次的特征参数；以上两类微观驱动模型仍存在有局限性，即只对单一维度风险刺激做出反应，单一的数学模型难反映和满足驾驶人的动态需求和期望，未能实时响应驾驶人真实状态的变化趋势，不能发现适合复杂场景的优秀驾驶人的潜在驾驶行为机制。例如，对于涉及处理多个其他交通参与者的情况，需考虑非纵向风险、道路结构和几何形状等的情况；安全驱动的二维驾驶人模型阐明了考虑社会力、虚拟力作用的驾驶人对不同场景下风险刺激的响应与反馈，能够更好同时量化纵向和横向风险。即在给定复杂运动刺激的情况下模拟人类交互过程，一个重要理论是基于虚拟力来描述驾驶人风险认知过程，可基于社会力的奖励设计可以提高多智能车辆交互过程的拟人化程度。
[0005]综上，现有模型应用过程中多阶段行为特征模糊，难充分解释人类风险认知行为产生机理，且未量化道路条件和车辆属性等因素对驾驶人风险响应和主动决策产生的影响，因此，有必要开发一种高风险场景下驾驶人风险响应与主动决策方法及装置。

技术实现思路

[0006]本申请提供一种高风险场景下驾驶人风险响应与主动决策方法及装置，以解决现有模型应用过程中难以充分解释人类风险认知行为产生机理，且未量化道路条件和车辆属性等因素对驾驶人风险响应与主动决策产生的影响等问题，对实现个性化自动驾驶、促进道路交通安全具有重要意义。
[0007]为达到上述目的，本申请第一方面实施例提出一种高风险场景下驾驶人风险响应与主动决策方法，包括以下步骤：
[0008]获取满足预设风险条件的场景下的多个驾驶人眼动的时空特征信息，并根据所述时空特征信息确定所述多个驾驶人的视觉注意特性；
[0009]根据所述视觉注意特性和预设的视网膜成像原理确定所述多个驾驶人风险认知的感知特性；
[0010]基于所述多个驾驶人风险认知的感知特性，获取所述多个驾驶人风险认知的视觉注意力累积信息；
[0011]基于所述视觉注意力累积信息，构建表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型；以及
[0012]基于所述驾驶人漂移扩散决策模型，量化输出每个驾驶人驾驶过程风险响应和主动决策。
[0013]根据本申请的一个实施例，所述根据所述视觉注意特性和预设的视网膜成像原理确定所述多个驾驶人风险认知的感知特性，包括：
[0014]若所述视觉注意特性为预设直行场景注意特性，则基于预设的直接知觉理论，确定视网膜成像角与前方车辆的相对距离和所述前方车辆的车宽之间的第一关系，并基于所述第一关系计算所述视网膜成像角的第一变化率，并根据所述第一变化率和所述第一关系得到碰撞时间；
[0015]若所述视觉注意特性为模拟数据注意特性，则确定所述视网膜成像角、驾驶人与驾驶模拟器屏幕之间的距离、屏幕中交通干扰车辆的宽度变化率之间的第二关系，并基于所述第二关系计算所述视网膜成像角的第二变化率，并根据所述第二变化率和所述第二关系得到所述碰撞时间。
[0016]根据本申请的一个实施例，所述第一关系和所述第二关系均为：
[0017][0018]所述第一变化率为：
[0019][0020]所述第二变化率为：
[0021][0022]所述碰撞时间为：
[0023][0024]其中，为所述视网膜成像角，W为所述前方车辆的车宽，D
p
为自车与与所述前方车辆的相对距离，为所述视网膜成像角的变化率，v(t)为所述自车与所述前方车辆之间的相对速度，为所述屏幕中干扰车辆的宽度变化率，TTC(t)为所述碰撞时间，τ(t)为场景紧急程度。
[0025]根据本申请的一个实施例，所述基于所述多个驾驶人风险认知的感知特性，获取所述多个驾驶人风险认知的视觉注意力累积信息，包括：
[0026]确定用于获取所述视觉注意力累积信息的开始时刻和结束时刻；
[0027]在预设的像素坐标中绘制视觉注意的眼动热点图和注视点轨迹图；
[0028]基于所述开始时刻和所述结束时刻，根据所述眼动热点图和所述注视点轨迹图捕捉所述多个驾驶人风险认知的视觉注意力累积信息。
[0029]根据本申请的一个实施例，所述基于所述视觉注意力累积信息，构建表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型，包括：
[0030]基于预设的序列抽样理论，根据所述多个驾驶人决策过程的动态价值评估构建漂移扩散模型；
[0031]将所述视觉注意力累积信息输入至所述漂移扩散模型，并根据输出结果构建所述驾驶人漂移扩散决策模型。
[0032]根据本申请的一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高风险场景下驾驶人风险响应与主动决策方法，其特征在于，包括以下步骤：获取满足预设风险条件的场景下的多个驾驶人眼动的时空特征信息，并根据所述时空特征信息确定所述多个驾驶人的视觉注意特性；根据所述视觉注意特性和预设的视网膜成像原理确定所述多个驾驶人风险认知的感知特性；基于所述多个驾驶人风险认知的感知特性，获取所述多个驾驶人风险认知的视觉注意力累积信息；基于所述视觉注意力累积信息，构建表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型；以及基于所述驾驶人漂移扩散决策模型，量化输出每个驾驶人驾驶过程风险响应和主动决策。2.根据权利要求1所述的方法，其特征在于，所述根据所述视觉注意特性和预设的视网膜成像原理确定所述多个驾驶人风险认知的感知特性，包括：若所述视觉注意特性为预设直行场景注意特性，则基于预设的直接知觉理论，确定视网膜成像角与前方车辆的相对距离和所述前方车辆的车宽之间的第一关系，并基于所述第一关系计算所述视网膜成像角的第一变化率，并根据所述第一变化率和所述第一关系得到碰撞时间；若所述视觉注意特性为模拟数据注意特性，则确定所述视网膜成像角、驾驶人与驾驶模拟器屏幕之间的距离、屏幕中交通干扰车辆的宽度变化率之间的第二关系，并基于所述第二关系计算所述视网膜成像角的第二变化率，并根据所述第二变化率和所述第二关系得到所述碰撞时间。3.根据权利要求2所述的方法，其特征在于，所述第一关系和所述第二关系均为：所述第一变化率为：所述第二变化率为：所述碰撞时间为：其中，为所述视网膜成像角，W为所述前方车辆的车宽，D
p
为自车与所述前方车辆之间的相对距离，为所述视网膜成像角的变化率，v(t)为所述自车与所述前方车辆之间的相对速度，为所述屏幕中干扰车辆的宽度变化率，TTC(t)为所述碰撞时间，τ(t)为场景紧急程度。4.根据权利要求1所述的方法，其特征在于，所述基于所述多个驾驶人风险认知的感知特性，获取所述多个驾驶人风险认知的视觉注意力累积信息，包括：
确定用于获取所述视觉注意力累积信息的开始时刻和结束时刻；在预设的像素坐标中绘制视觉注意的眼动热点图和注视点轨迹图；基于所述开始时刻和所述结束时刻，根据所述眼动热点图和所述注视点轨迹图捕捉所述多个驾驶人风险认知的视觉注意力累积信息。5.根据权利要求1所述的方法，其特征在于，所述基于所述视觉注意力累积信息，构建表征驾驶人决策操纵行为的驾驶人漂移扩散决策模型，包括：基于预设的序列抽样理论，根据所述多个驾驶人决策过程的动态价值评估构建漂移扩散模...

【专利技术属性】
技术研发人员：黄荷叶，王建强，熊辉，程浩，李若辰，许庆，李克强，
申请(专利权)人：清华大学，
类型：发明
国别省市：