[发明专利]基于变结构贝叶斯网络的智能车辆威胁估计系统及方法

权利要求书

1.一种基于变结构贝叶斯网络的智能车辆威胁估计系统，其特征在于，包括威胁建模模块、数据采集模块及威胁估计模块，其中

威胁建模模块：用于分析并确定智能车辆威胁估计的影响因素，包括外部环境因素、目标特征以及驾驶员因素在内的影响因素；根据影响因素之间的相互关系，构造出用于威胁估计的基于贝叶斯网络的威胁估计模型；分析各影响因素对智能车辆威胁估计模型的影响程度，确定局部条件概率表；

数据采集模块：用于在车辆行驶过程中，利用传感器采集各影响因素的实时数据；

威胁估计模块：根据数据采集模块获得的各影响因素的实时数据，计算各因素变化率，只针对快速变化的因素重构其对应的变量节点，得到变结构贝叶斯网络模型；再根据新的贝叶斯网络模型进行推理计算得到目标威胁指数。

2.根据权利要求1所述的基于变结构贝叶斯网络的智能车辆威胁估计系统，其特征在于，所述威胁建模模块选择并确定影响车辆威胁指数的因素，主要包括目标特征、环境因素以及驾驶员因素，目标特征的子因素包括目标的速度、目标与本车辆的距离以及目标类型；环境因素的子因素包括路面状况和能见度；驾驶员因素的子因素包括心理因素和生理因素。

3.一种基于变结构贝叶斯网络的智能车辆威胁估计方法，其特征在于，包括以下步骤：

(1)威胁建模阶段：分析并确定智能车辆威胁估计的影响因素，包括外部环境因素、目标特征以及驾驶员因素等；根据影响因素之间的相互关系，构造出用于威胁估计的贝叶斯网络模型的拓扑结构；分析各因素对智能车辆威胁估计的影响程度，确定局部条件概率表；

(2)威胁估计阶段：在车辆行驶过程中，利用传感器采集各影响因素的实时数据；根据各因素变化率，对模型作变结构化处理，更新数据发生变化的模型节点；确定新的网络模型后，通过网络推理计算出目标的威胁指数。

4.根据权利要求3所述的基于变结构贝叶斯网络的智能车辆威胁估计方法，其特征在于，所述局部条件概率表确定过程包括以下步骤：

(1)初始值设定：根据经验初始化局部条件概率表，并设计一组场景，根据已有文献和专家经验构造训练数据；

(2)威胁指数评估：选择一个场景，选取单个威胁因素作为变量，计算在该威胁因素影响下智能车辆的威胁指数；

(3)参数比较和修正：将步骤(2)中的威胁指数与训练数据进行对比，逐步调整对应的局部条件概率表，得到可信度较高的条件概率数据；

(4)在步骤(2)简单模型中逐步添加其他的威胁因素节点形成新的评估模型，重复步骤(2)、(3)，直至整个网络的条件概率得到修正。

5.根据权利要求3所述的基于变结构贝叶斯网络的智能车辆威胁估计方法，其特征在于，所述威胁估计过程包括以下步骤：

(1)模型节点证据更新：根据传感器采集的各影响因素的实时数据，计算各因素变化率，将其分为有变化与无变化两类；对模型作变结构化处理，对有变化的因素，重新构造对应的节点，对无变化的因素则不重复构造；

(2)网络推理：将传感器采集的各影响因素的实时数据模糊化，根据重构的贝叶斯网络模型，结合局部条件概率表，计算各证据节点的后验概率；更新证据节点后，通过推理计算实现整个网络节点的后验概率更新，直至威胁指数节点，威胁指数节点的后验概率即为目标对智能车辆的威胁指数。

6.根据权利要求3或5所述的基于变结构贝叶斯网络的智能车辆威胁估计方法，其特征在于，所述判断影响因素是否有变化的方法是为该因素的变化率设定一个阈值，超过阈值则判定该因素发生变化，否则未发变化。在时刻k判断影响因素C是否有变化的准则是：

其中C_n，C_n-1为因素C在时刻k及k-1的值，L_C为阈值。