基于轨迹预测的智能汽车行驶风险评估方法

doi:10.19562/j.chinasae.qcgc.2023.04.007

摘要/Abstract

摘要：

提出了基于预测轨迹的行车风险评估方法，首先建立了沿预测轨迹两侧具有渐变高斯截面特征的驾驶风险域DRF以表征驾驶员行为的不确定性，然后考虑车辆与周围静态、动态障碍物处于特定状态的风险后果建立环境事件成本，得到适应复杂行车场景不确定性的量化感知风险，并基于贝叶斯理论融合预测区间内的量化感知风险时间序列，实现了对于未来行车潜在碰撞风险的预测。实车轨迹和仿真实验结果表明，相比于经典TTC指标方法，基于融合未来一段时间内自车与周边环境交互信息的DRF的风险评估方法可以更快、更准确地辨识复杂交通场景的行车风险变化，为研究周边多车复杂场景下车辆碰撞风险问题提供了参考。

关键词: 智能汽车, 行驶风险评估, 轨迹预测, 复杂行车场景, 驾驶风险域

Abstract:

This paper proposes a driving risk assessment method based on trajectory prediction. Firstly， a driver’s risk field （DRF） with Gaussian cross-section characteristics along both sides of the prediction trajectory is established to characterize the uncertainty of the driver’s behavior. Then， taking the risk consequences of the vehicle and the surrounding static and dynamic obstacles in specific states into consideration， the environmental event cost is established， and the quantitative perception risk that adapts to the uncertainty of complex driving scenarios is obtained. Finally， the quantitative perception risk time series in the prediction interval is then fused based on Bayesian theory to realize prediction of potential collision risks in future driving. The real vehicle trajectory and simulation results show that compared with the classic TTC index method， the risk assessment method of DRF based on the integration of interaction information between self-vehicle and surrounding environment in the future can identify the driving risk changes of complex traffic scenarios faster and more accurately， which provides a reference for the study of vehicle collision risk problems in complex scenarios with multiple surrounding vehicles.

Key words: intelligent vehicle, driving risk assessment, trajectory prediction, complex driving scenes, driver’s risk field

高翔,陈龙,王歆叶,熊晓夏,李祎承,陈月霞. 基于轨迹预测的智能汽车行驶风险评估方法[J]. 汽车工程, 2023, 45(4): 588-597.

Xiang Gao,Long Chen,Xinye Wang,Xiaoxia Xiong,Yicheng Li,Yuexia Chen. Intelligent Vehicle Driving Risk Assessment Method Based on Trajectory Prediction[J]. Automotive Engineering, 2023, 45(4): 588-597.

图/表 14

图1

图2

图3

表1

环境事件成本参数"

参数	$c c a r 1$	$c c a r 2$	$c l a n e$	$c e n v$
取值	200（ $Δ v 2$ +500）/ $Δ$ d	1 200	10	500

表1

图4

图5

图6

图7

图8

图9

图10

图11

图12

图13

参考文献 17

1	LI G， YANG Y， LI S， et al. Decision making of autonomous vehicles in lane change scenarios： deep reinforcement learning approaches with risk awareness［J］. Transportation Research Part C： Emerging Technologies， 2022， 134： 103452.
2	张亚兰. 基于碰撞预警和深度学习的车辆避撞策略研究［D］.大连：大连理工大学，2019.
	ZHANG Y. Study on vehicle collision avoidance strategy based on collision warning and deep learning［D］. Dalian： Dalian University of Technology， 2019.
3	DAHL J， DE CAMPOS G R， OLSSON C， et al. Collision avoidance： a literature review on threat-assessment techniques［J］. IEEE Transactions on Intelligent Vehicles， 2019， 4（1）：101-113.
4	MULLAKKAL-BABU F A， WANG M， FARAH H， et al. Comparative assessment of safety indicators for vehicle trajectories on highways［J］. Transportation Research Record， 2017， 2659（1）： 127-136.
5	BRANNSTROM M， SJOBERG J， COELINGH E. A situation and threat assessment algorithm for a rear-end collision avoidance system［C］. Intelligent Vehicles Symposium. IEEE， 2008：102-107.
6	KIEFER R J， FLANNAGAN C A， CHRISTIAN J. Time-to-collision judgments under realistic driving conditions［J］. Hum. Fact.： J. Hum. Fact. Ergon. Soc， 2006， 48： 334-345
7	YIGITER C， SERHAN T. Lane by lane analysis of vehicle time headways—case study of izmir ring roads in turkey［J］. KSCE J. Civ. Eng.， 2015， 19：1498-1508.
8	NOH S. Decision-making framework for autonomous driving at road intersections： safeguarding against collision. overly conservative behavior， and violation vehicles［J］. IEEE Trans. Ind. Electron， 2019， 66 （4）：3275-3286.
9	BAHRAM M， HUBMANN C， LAWITZKY A， et al. A combined model- and learning-based framework for interaction-aware maneuver prediction［J］. IEEE Trans. Intell. Transp. Syst.， 2016， 17（6）：1538-1550.
10	WANG J， WU J， ZHENG X， et al. Driving safety field theory modeling and its application in pre-collision warning system［J］. Transportation Research Part C Emerging Technologies， 2016， 72：306-324.
11	田野，裴华鑫，晏松，等. 车路协同环境下行车风险场模型的扩展与应用［J］. 清华大学学报（自然科学版），2022，62（3）：447-457.
	TIAN Y， PEI H， YAN S， et al. Extended driving risk field model for i-VICS and its application［J］. Journal of Tsinghua University （Science and Technology）， 2022， 62（3）： 447-457.
12	LEE D， YEO H. Real-time rear-end collision-warning system using a multilayer perceptron neural network［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（11）：3087-3097.
13	FU Y， LI C， LUAN T， et al. Graded warning for rear-end collision： an artificial intelligence-aided algorithm［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 21（2）： 565-579.
14	CAI Y， WANG Z， WANG H， et al. Environment-attention network for vehicle trajectory prediction［J］. IEEE Transactions on Vehicular Technology， 2021， 70（11）： 11216-11227.
15	KOLEKAR S， DE WINTER J， ABBINK D. Human-like driving behaviour emerges from a risk-based driver model［J］. Nat Commun， 2020，11（1）：4850.
16	COLYAR J， HALKIAS J. US highway I-80 dataset［R］. Washington， D.C.， USA： Federal Highway Admin， 2006： Tech. Rep. FHW A-HRT-06-137.
17	COLYAR J， HALKIAS J. US highway 101 dataset［R］. Washington， D.C.， USA： Federal Highway Admin， 2007： Tech. Rep. FHW A-HRT-07-030.

[1]	郝建平,苏炎召,钟志华,黄晋. 面向智能汽车的SOA架构及服务调度机制研究[J]. 汽车工程, 2023, 45(9): 1563-1572.
[2]	赵高士,陈龙,蔡英凤,廉玉波,王海,刘擎超,滕成龙. 融合复杂网络和记忆增强网络的轨迹预测技术[J]. 汽车工程, 2023, 45(9): 1608-1616.
[3]	连静,李硕贤,刘一荻,杨东方,李琳辉. 基于车道目标引导的车辆轨迹预测[J]. 汽车工程, 2023, 45(8): 1353-1361.
[4]	胡启慧,蔡英凤,王海,陈龙,董钊志,刘擎超. 基于层次图注意的异构多目标轨迹预测方法[J]. 汽车工程, 2023, 45(8): 1448-1456.
[5]	高镇海, 鲍明喜, 高菲, 唐明弘. 基于LSTM概率多模态预期轨迹预测方法[J]. 汽车工程, 2023, 45(7): 1145-1152.
[6]	韩勇,林旭洁,黄红武,蔡鸿瑜,罗金镕,李燕婷. 典型汽车碰撞事故场景中行人运动轨迹预测方法[J]. 汽车工程, 2023, 45(6): 1022-1030.
[7]	胡杰,朱琪,陈锐鹏,张敏超,张志豪,刘昊岩. 引入必经点约束的智能汽车全局路径规划[J]. 汽车工程, 2023, 45(3): 350-360.
[8]	张紫微,郑玲,李以农,乔旭强,郑浩,王戡. 考虑前车运动不确定性的多目标自适应巡航控制[J]. 汽车工程, 2023, 45(3): 361-371.
[9]	刘正发,吴亚,刘佩根,顾荣琦,陈广. 基于特征和标签联合分布匹配的智能驾驶跨域自适应目标检测[J]. 汽车工程, 2023, 45(11): 2082-2091.
[10]	赵树廉,来飞,李克强,陈涛,孟璋劼,唐逸超,吴思宇,田浩东. 基于数字孪生技术的智能汽车测试方法研究[J]. 汽车工程, 2023, 45(1): 42-51.
[11]	邵文博,李骏,张玉新,王红. 智能汽车预期功能安全保障关键技术[J]. 汽车工程, 2022, 44(9): 1289-1304.
[12]	汪梓豪,蔡英凤,王海,陈龙,熊晓夏. 基于单目视觉运动估计的周边多目标轨迹预测方法[J]. 汽车工程, 2022, 44(9): 1318-1326.
[13]	梁旺,秦兆博,陈亮,边有钢,胡满江. 基于改进BP神经网络的智能车纵向控制方法[J]. 汽车工程, 2022, 44(8): 1162-1172.
[14]	赵健,宋东鉴,朱冰,吴杭哲,韩嘉懿,刘宇翔. 数据机理混合驱动的交通车意图识别方法[J]. 汽车工程, 2022, 44(7): 997-1008.
[15]	余嘉星,Aliasghar Arab,裴晓飞,过学迅. 考虑路径平滑性和避撞稳定性的智能汽车弯道轨迹规划研究[J]. 汽车工程, 2022, 44(5): 656-663.