[发明专利]基于轨迹预测的行车风险辨识方法

说明书

本发明公开了一种基于轨迹预测的行车风险辨识方法，该方法包括以下步骤：S1，实时获取GPS信息，生成参考轨迹；S2，根据参考轨迹和GPS信息，结合车辆动力学模型和控制约束条件，生成动态且连接参考轨迹初始端和终端的可行轨迹集以及可行轨迹集中的每一条可行轨迹对应的速度；S3，优化可行轨迹及其对应的速度；S4，根据优化的可行轨迹和速度，结合车辆动力学模型以及设定的约束条件，利用代价函数计算可行轨迹的代价值，形成自车在每条可行轨迹上行驶的概率分布图，从而绘制出可行轨迹分布图；代价函数根据最小作用量原理和等效力方法获得；S5，根据可行轨迹分布图，利用车辆动力学模型和轨迹转向概率，计算相对等效力，以根据相对等效力辨识行车过程中的动态风险范围。本发明综合考虑人、车、路各要素之间耦合关系，能适用于行车风险范围的准确识别，并为驾驶决策提供支持。

技术领域

本发明涉及一种智能车安全驾驶技术领域，特别是关于一种基于轨迹预测的行车风险辨识方法。

背景技术

近年来，随着汽车拥有量的逐渐增加，由汽车造成的交通事故比例骤升，成为人们重点关注的社会问题。行车风险辨识是车辆驾驶过程保证行车安全的关键。行车安全关系到驾驶辅助系统(ADAS)和自动驾驶的发展，也为驾驶人和乘客的人身安全提供保障，因此，对行车风险进行辨识进而准确评估周边车辆及自车的风险状况十分必要。对风险进行辨识是对行车过程的影响范围进行定义，对风险的评估可理解为车辆在行车过程中可能受到的损害。对行车风险进行辨识需要综合考虑人、车和路各要素之间的耦合关系，进而识别行车风险范围，并为驾驶决策提供支持。

现有技术中，Groves等人提出了一种基于路网的车辆运动轨迹预测方法的框架。在这个框架下，由全局特征、局部特征和时空数据等三部分组成，第一部分主要提取GPS位置信息到车辆辅助装置，第二部分主要是获得该地图的数据交通政策信息，第三部分对正在行驶的轨迹预测其后续轨迹，该方法能够达到实时规划的目的但获取位置信息难度大，准确率不高。Blackmore等人采用最优化来处理轨迹规划中的不确定性，考虑高斯分布的不确定性重新描述轨迹规划，即给定起始状态的概率分布和目标状态，设计最优控制序列满足期望状态等于目标状态，同时车辆保持在约束状态内且发生碰撞的概率小于Δ。基于最优化原理能够输出较好的解，但该方法未考虑驾驶人驾驶特性，忽略了驾驶人因素，不能真实反映风险评估轨迹规划准确性。也有学者对风险进行辨识时限定在特定的场景，提出了如用于车道穿越场景的运动预测和风险评估的方法。通过辨识驾驶人的意图及其运动期望，通过在交叉口场景搭建动态贝叶斯网络来预计驾驶人意图，并考虑了交通参与者的相互影响，从而进行风险辨识、评估。虽然该分析方法实现效果较理想，但其偏重于特定场景，缺少道路环境和交通要素综合考虑认知，不适合广泛应用。

发明内容

本发明的目的在于提供一种基于轨迹预测的行车风险辨识方法，其能够实时准确识别出行风险及判定其影响范围，并有效反映交通系统各要素产生的风险值，进而支持驾驶决策。

为实现上述目的，本发明提供一种基于轨迹预测的行车风险辨识方法，所述基于轨迹预测的行车风险辨识方法包括以下步骤：

S1，实时获取GPS信息，生成参考轨迹；

S2，根据所述参考轨迹和GPS信息，结合车辆动力学模型和控制约束条件，生成动态的且连接所述参考轨迹的初始端和终端的可行轨迹集以及所述可行轨迹集中的每一条可行轨迹对应的速度；

S3，优化所述可行轨迹及其对应的速度；

S4，根据所述优化的所述可行轨迹和速度，结合车辆动力学模型以及设定的约束条件，利用代价函数计算所述可行轨迹的代价值，形成自车在每条所述可行轨迹上行驶的概率分布图，从而绘制出可行轨迹分布图；所述代价函数根据最小作用量原理和等效力方法获得；

S5，根据所述可行轨迹分布图，利用车辆动力学模型和轨迹转向概率，计算相对等效力，以根据所述相对等效力辨识行车过程中的动态风险范围。