一种基于驾驶人实时反应时间的车辆前向碰撞预警方法和系统

1.本发明属于车辆碰撞预警领域，具体属于一种基于驾驶人实时反应时间的车辆前向碰撞预警方法和系统。


背景技术：

2.随着车辆技术日新月异的发展与社会经济的不断提高，道路交通事故数量以及巨大的经济损失也不断攀升。从大量的交通事故统计中可以总结出，驾驶员对周围道路交通情况掌握不准确、驾驶员注意力不集中等人为失误，是发生交通事故的主要原因。而驾驶员群体面临着：驾驶人群数量激增、年龄跨度增加、驾驶技术良莠不齐的现状，标准统一的前向碰撞预警信息无法适应个性化的驾驶人群，亟需向个性化的角度优化。
3.在传统的个性化前向碰撞预警系统中，大多以基于感知的模型(ttc模型等)或基于运动学的模型(sda模型等)为基础对潜在危险进行预警。还有部分基于机器学习的方法采用非参数形式进行预警，以增强系统对于复杂多变的驾驶人行为的自适应性，提高驾驶人对驾驶信息的可接受度。但在优化过程中均使用固定的驾驶人反应时间进行预警。驾驶人反应时间存在着个体差异、行为波动的个性化问题，使用固定时间将使系统的个性化程度大打折扣。


技术实现要素：

4.为了解决现有技术中存在的问题，本发明提供一种基于驾驶人实时反应时间的车辆前向碰撞预警方法和系统，用于解决现有技术中优化过程使用固定的驾驶人反应时间进行预警的问题
5.为实现上述目的，本发明提供如下技术方案：
6.一种基于驾驶人实时反应时间的车辆前向碰撞预警方法，包括以下步骤，
7.步骤1，获取当前路段所有车辆的车辆信息和车辆运动参数，并计算两车的车间距以及车头时距；
8.步骤2，依据步骤1中所获取的数据，根据保持稳定跟驰状态下主车与前车的时空图像存在的相似性与延迟性，设计曲线匹配函数对驾驶人实时反应时间进行计算；所述曲线匹配函数以欧几里得距离作为曲线匹配程度的衡量指标；
9.步骤3，输出带时间戳的驾驶人实时反应时间，并计算出实时的驾驶人的舒适预警区域；
10.步骤4，依据步骤1中所获取的数据，对当前路段在预设时间内的车辆加速度信息进行集合，整合出当前路段预设时间内的所有加速度的累计频率分布图，获取1％处的加速度值，作为判断是否发生硬制动的指标，并传输给主车；
11.步骤5，主车根据是否生成警报信号用于区分阳性事件和阴性事件，同时系统触发警报后驾驶人舒适预警区间内驾驶人是否确认报警信息，判断是否触发制动作用于判断真
实事件或错误事件；
12.步骤6，依据驾驶人实时反应时间将前向碰撞预警的决策问题表述为马尔可夫决策过程模型；
13.步骤7，依据步骤6的马尔可夫决策模型构建dqn模型对步骤1的数据集进行训练；
14.步骤8，依据步骤7中的训练结果，对驾驶人进行预警操作。
15.优选的，步骤1中，通过路侧设备获取当前路段所有车辆的车辆信息，所述车辆信息包括时间、速度、加速度、车辆数、车辆编号；同时通过车载设备获取车辆运动参数，车辆运动参数包括主车及其同车道紧邻前车的速度、加速度、位置信息、车辆编号。
16.优选的，所述稳定跟驰状态为：前车车辆信息保持不变，主车无换道或超车意图，两车车间距相对稳定的情况。
17.优选的，步骤2中具体包括以下步骤，
18.步骤2.1，将步骤1所获取的每一帧数据，标记在时空图中记为一个数据点；将主车的轨迹中的每个数据点进行平移并与前车的数据点重叠，以获得运动矢量v；
19.步骤2.2，将主车的整个轨迹沿运动矢量v平移之后，对重叠部分的数据点之间的进行欧氏距离的计算；欧几里得距离(de)的计算方法如下，
[0020][0021]
其中，是所述主车的数据点，是所述前车的数据点，i和j表示两车当前匹配的数据点，n是匹配的数据点个数；
[0022]
步骤2.3，根据步骤2.1和步骤2.2匹配主车的每个数据点，以获得相应的欧几里得距离；在结束一轮遍历之后，选择与欧几里得距离最小值相对应的运动矢量(v)作为最终匹配方案，以获得v在时间方向的分量，即驾驶人实时反应时间；
[0023]
步骤2.4，当执行曲线匹配时，设置一个固定大小的窗口，每个窗口只匹配窗口中的轨迹；曲线匹配算法获得的结果是当前窗口中最后一帧的驾驶人实时反应时间，每一个步长进行一次轨迹曲线匹配，更新一次参数。
[0024]
优选的，步骤3中，驾驶人的舒适预警区域的计算方式为驾驶人实时反应时间的
±
5％的置信区间。
[0025]
优选的，步骤6中具体包括以下步骤，
[0026]
步骤6.1，将驾驶信息与驾驶人个性化信息组合为mdp模型中的状态集，形成如下式的向量集合体，
[0027][0028]
其中，t为当前时刻，驾驶信息数据包含所述主车的速度加速度车头时距以及所述主车与所述前车之间的间隙(gap
t
)；驾驶人个性化信息为驾驶人实时反应时间
[0029]
步骤6.2，mdp模型中的动作集为预警信息的激活状态；
[0030]
步骤6.3，根据车载端所获取的数据中五个不同类别(tp、fp-e、fp-l、tn、fn)对当前状态进行分类，设计奖励函数；
[0031]
马尔可夫决策过程模型根据奖励函数值做出判断是否触发警报，然后监控驾驶员的行为，以查看驾驶员是否会确认报警信息。
[0032]
优选的，步骤7中具体包括以下步骤，
[0033]
步骤7.1，建立dqn模型中进行神经网络训练时所需的数据集，数据集为每个驾驶人的个人数据集；
[0034]
步骤7.2，将常用驾驶人的驾驶数据单独保存，当所述主车的实际驾驶人发生改变时，可以选择对应得到驾驶人数据集，以适应不同驾驶人的驾驶需求；
[0035]
步骤7.3，计算dqn模型中的q值，dqn模型将状态和动作集作为神经网络的输入，并输出相应的q值；同时，构建目标神经网络以生成目标q值；引入目标神经网络后，目标q值将在一段时间内保持不变；
[0036]
根据损失函数更新策略神经网络的模型参数；在n次迭代之后，将策略神经网络的参数复制到目标神经网络。
[0037]
优选的，步骤8中，进行预警操作时，在hmi界面进行人机交互；人机交互的预警模式包括普通预警模式和提高注意预警模式。
[0038]
一种基于驾驶人实时反应时间的车辆前向碰撞预警系统，包括标准值计算模块、驾驶人实时反应时间计算模块、数据划分模块、基于dqn的预警决策模块和hmi显示模块；
[0039]
所述驾驶人实时反应时间计算模块用于计算驾驶人实时反应时间，所述驾驶人实时反应时间计算模块和标准值计算模块均连接数据划分模块的输入端；
[0040]
所述数据划分模块的输出端连接基于dqn的预警决策模块的输入端，基于dqn的预警决策模块的输出端连接hmi显示模块。
[0041]
与现有技术相比，本发明具有以下有益的技术效果：
[0042]
本发明提供一种基于驾驶人实时反应时间的车辆前向碰撞预警方法，通过将驾驶人反应时间这一具有鲜明驾驶人个性化的因素作为独立变量进行实时计算并纳入预警系统的预测中，从而降低车辆实际驾驶风险，提高驾驶人对驾驶信息的可接受度。通过将驾驶信息与驾驶人实时反应时间相结合，研发个性化车辆前向碰撞预警方法及系统，可以大大提升驾驶人对预警信息的可接受程度、提高实际驾驶安全性、缓解增加道路交通压力。
附图说明
[0043]
图1为本发明实施例的系统结构图；
[0044]
图2为本发明实施例的曲线匹配函数示意图；
[0045]
图3为本发明实施例的数据分类示意图。
具体实施方式
[0046]
下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
[0047]
本发明提供一种基于驾驶人实时反应时间的车辆前向碰撞预警方法，从而降低车辆实际驾驶风险，提高驾驶人对驾驶信息的可接受度。主要创新点在于将驾驶人实时反应
时间这一具有鲜明驾驶人个性化的因素作为独立变量进行实时计算并纳入预警系统的预测中。提出了一个将驾驶信息与个性化因素相结合的基于dqn(deep q-learning)模型的非参数的前向碰撞预警模型。
[0048]
本发明的一种基于驾驶人实时反应时间的车辆前向碰撞预警方法，具体包括以下步骤，
[0049]
步骤1，通过路侧设备获取当前路段所有车辆的车辆信息(时间、速度、加速度、车辆数、车辆编号)；同时通过车载设备获取车辆运动参数(包括主车及其同车道紧邻前车的速度、加速度、位置信息、车辆编号)，通过采集数据计算两车的车间距以及车头时距。
[0050]
步骤2，应用上述步骤1中车载设备所获取的数据，根据保持稳定跟驰状态下主车与前车的时空图像存在的相似性与延迟性，设计曲线匹配函数对驾驶人实时反应时间进行计算。所述稳定跟驰状态为：前车车辆信息保持不变，主车无换道或超车意图，两车车间距相对稳定的情况。具体的函数设计情况如下：以欧几里得距离(de)作为曲线匹配程度的衡量指标。
[0051]
步骤2.1，将所获取的每一帧数据，标记在时空图中记为一个数据点。将所述主车的轨迹中的每个数据点进行平移并与所述前车的数据点重叠，以获得运动矢量(v)。
[0052]
步骤2.2，将所述主车的整个轨迹沿运动矢量v平移之后，对重叠部分的数据点之间的进行欧氏距离的计算。欧几里得距离(de)的计算方法如下式i所示。
[0053][0054]
其中是所述主车的数据点，是所述前车的数据点，i和j表示两车当前匹配的数据点，n是匹配的数据点个数。
[0055]
步骤2.3，根据上述循环方法匹配所述主车的每个数据点，以获得相应的欧几里得距离。在结束一轮遍历之后，选择与欧几里得距离最小值相对应的运动矢量(v)作为最终匹配方案，以获得v在时间方向的分量，即驾驶人实时反应时间。
[0056]
步骤2.4，当执行曲线匹配时，设置一个固定大小的窗口(15秒，150帧)，每个匹配只匹配窗口中的轨迹。曲线匹配算法获得的结果是当前窗口中最后一帧的驾驶人实时反应时间，每一个步长进行一次轨迹曲线匹配，更新一次参数。步骤2.4用来确定所需要匹配的曲线的范围(因为存在驾驶人的行为波动，不能用全部的轨迹曲线进行匹配)，并规定了当前匹配的结果作为哪一帧的反应时间。比如：使用第1帧至第150帧的轨迹进行曲线匹配，就会得到第150帧的实际反应时间，接着使用第2帧至第151帧的轨迹进行曲线匹配，得到第151帧的实际反应时间。
[0057]
步骤3，将所计算出的带时间戳的驾驶人实时反应时间进行输出记录。计算出实时的驾驶人的舒适预警区域(当前区域内发出预警信息最容易被驾驶人接受)，计算方式为驾驶人实际反应时间的
±
5％的置信区间。
[0058]
步骤4，根据步骤1中路侧设备所获取的数据，对当前路段的过往一小时内的车辆加速度信息进行集合，整合出当前路段过往1小时的所有加速度的累计频率分布图，获取1％处的加速度值，作为判断是否发生硬制动(是否存在危险情况)的指标，并传输给所述主车。硬制动的指标是指步骤5中判断是否触发制动作用，用于判断驾驶人是否确认了系统所
产生的报警信息。
[0059]
步骤5，所述主车将本发明系统是否生成警报信号用于区分阳性事件和阴性事件，同时系统触发警报后一定时间(驾驶人舒适预警区间)内驾驶人是否确认报警信息，即是否触发制动动作用(即步骤4中所计算得出的指标值)于判断真实事件或错误事件。根据上述标准，将步骤1中车载端所获取的数据分为以下四种类型：真阳性(tp)、假阳性(fp)、假阴性(fn)和真阴性(tn)。真正(tp)数据包括在适当的时间间隔内正确报警cws的情况。误报(fp)数据包括误报事件，可分为两种情况：早期报警(fp-e)和晚期报警(fp-l)，根据预警发送时间早于或迟于给定时间间隔。fp会降低驾驶员对cws的信任，也可能干扰驾驶员的正常驾驶。假阴性(fn)数据包括丢失的报警事件，这些事件是危险的，但未被检测到。真阴性(tn)数据是安全驾驶数据，不存在安全隐患。步骤5判断数据类型，用于后续强化学习的奖励函数生成。
[0060]
步骤6，将前向碰撞预警的决策问题表述为马尔可夫决策过程(mdp)模型，具体步骤如下所示。
[0061]
步骤6.1，mdp模型中的状态集为驾驶信息与驾驶人个性化信息的组合，被描述为如下式ii所示的向量的集合体。
[0062][0063]
其中，t为当前时刻，驾驶信息数据包含所述主车的速度加速度车头时距以及所述主车与所述前车之间的间隙(gap
t
)；驾驶人个性化信息为驾驶人实时反应时间
[0064]
步骤6.2，mdp模型中的动作集为预警信息的激活状态，其定义如下式iii。
[0065]
actions ＝ {0 ,1}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式iii
[0066]
步骤6.3，根据上述数据描述部分步骤5中的五个不同类别(tp、fp-e、fp-l、tn、fn)对当前状态进行分类，设计奖励函数。具体的奖励函数设计如下式iv所示。
[0067]
r(s,t)＝i(t)*r
′
(s,t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式iv
[0068]
其中时变分量i(t)是二进制指示信号，其计算公式如下式v所示。
[0069]
i(t)＝i1(t)*i2(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式v
[0070]
其中i1(t)∈{-1,1}，反映了系统是否产生报警信号。i2(t)∈{-1,1}反映驾驶员是否确认了报警信息，即是否发生了紧急制动操作。
[0071]
模型将首先根据之前的奖励函数值做出判断并采取相应的行动(是否触发警报)，然后监控驾驶员的行为，以查看驾驶员是否会确认该报警信息(即是否进行硬制动)。其中r
′
(s,t)函数在t时刻被设计为如式vi、式vii、式viii所示。
[0072]
[0073][0074][0075]
其中th是危险真正发生(驾驶人进行硬制动)的时间点，参数u和p为1000和1，参数v、w、o为：600、600、850。
[0076]
步骤7，依据步骤6所提出的马尔可夫决策模型构建dqn模型，具体步骤如下。
[0077]
步骤7.1，dqn模型中进行神经网络训练时所需的数据集，为每个驾驶人的个人数据集。使用的初始阶段可以选择通过导入驾驶人往期数据或选择谨慎、激进、中等驾驶人数据集作为初始数据集，初期每小时进行数据集更新，将现有数据写进数据集并随机清理初始数据集中的数据，直至所有初始数据被重写后，每5次硬制动后将新的数据记录进数据集中。
[0078]
步骤7.2，将常用驾驶人的驾驶数据单独保存，当所述主车的实际驾驶人发生改变时，可以选择对应得到驾驶人数据集，以适应不同驾驶人的驾驶需求。
[0079]
步骤7.3，对于dqn模型中的q值，计算公式如下式ix所示。
[0080]
q(s,a)
*
←
q(s,a)+α(r+γmaxa′
(s
′
,a
′
)-q(s,a))式ix
[0081]
其中α是表示该偏差的学习程度的学习效率，r表示奖励函数的值，γ表示未来奖励的衰减值。
[0082]
dqn模型将状态和动作集作为神经网络的输入，并输出相应的q值。同时，构建目标神经网络以生成目标q值。引入目标神经网络后，目标q值将在一段时间内保持不变。目标q值(q
t
)的计算公式如下式x所示。
[0083]qt
＝r+γmaxa′
(s
′
,a
′
,θ)式x
[0084]
其中θ代表网络参数。然后，根据损失函数更新策略神经网络的模型参数。在n次迭代之后，将策略神经网络的参数复制到目标神经网络。损失函数的公式如下式xi所示。
[0085]
l(θ)＝e[(q
t-q(s,a,θ))2]式xi
[0086]
步骤8，根据步骤7中模型所提供的操作，对驾驶人进行预警操作，在hmi界面进行人机交互。可在两种预警模式中进行选择。第一种：“普通预警”模式，仅进行视觉警报，适合驾驶经验较为丰富的人群，即仅提供在显示面板中进行红光报警。第二种：“提高注意预警”模式，进行视觉警报加听觉警报，适合驾驶经验相对欠缺或老年人群或注意力较为不集中时使用，即在显示面板中进行红光报警的同时通过音响进行“滴滴”声进行预警，以提高驾驶人的注意程度。
[0087]
本发明同时依据以上所述的前向碰撞预警方法，提出一种基于驾驶人实时反应时间的车辆前向碰撞预警系统，所述的系统包括：路侧设备以及车载设备两部分。
[0088]
在路侧设备部分可分为三个模块：标准值计算模块以及v2i信息传送模块。车载设备部分则可具体分为：v2i信息接收模块、驾驶人实时反应时间计算模块、数据划分模块、基
于dqn的预警决策模块以及hmi显示界面。具体描述如下。
[0089]
实施例
[0090]
如图1所示，本发明实施例一种基于驾驶人实时反应时间的车辆前向碰撞预警系统的系统结构图，可分为路侧设备和车载设备两部分。在车载设备中的实时驾驶人反应时间计算模块计获取到驾驶人个性化的指标，并通过v2i通信模块获取到由路侧设备中的标准值计算模块得到的实时道路信息指标，两者共同作为数据划分模块的区分准则，对相应的数据进行区分。将划分好的数据应用于基于dqn的预警决策模块中，得到个性化的预警信息并呈现在人机交互的hmi界面，以达到为驾驶人提供实时、可靠、自适应的预警信息的目标。
[0091]
如图2所示，为本发明中驾驶人实时反应时间模块中曲线匹配函数的实例图，其中蓝点表示所述前车的数据点，红点表述所述主车的数据点。绿点表示红点沿匹配向量平移后每个点的位置，方框中的点表示需要计算欧几里得距离的点。
[0092]
本发明的数据分类示意图如3所示，其中t表示当前时间，表示时间t的drt，红色方框表示置信区间(驾驶人舒适预警区间)，红色爆炸点表示硬制动操作发生的时刻。当系统触发预警，同时在舒适预警区域内出现硬制动操作，就将此时的数据划分为真阳性数据(tp)；若在舒适区域之外报警，被划分为假阳性数据(fp)，若在区域之前会造成干扰警报，划分为过早报警(fp-e)，之后会存在安全隐患，划分为过晚报警(fp-l)。当系统并未触发警报，同时在舒适区域内也并未存在硬制动操作，就划分为真阴性数据(tn)，若出现硬制动操作，就为假阴性数据(fn)。
[0093]
具体实施用例一:
[0094]
当驾驶人为老年人又在雨雪天气出门时，老年人在实际驾驶过程中对于危险情况的反应能力相对较慢，对车辆速度的控制也会相对较弱，雨雪天气又存在能见度低、道路湿滑等潜在危险，更易发生碰撞事故，从而需要个性化的预警系统为驾驶人提供适宜的、安全的碰撞预警提示，提高驾驶的安全性。
[0095]
本发明在对实际道路交通情况进行前向碰撞预警危险性评估时，为常用驾驶人设置独立驾驶人数据集，独立进行机器学习网络的参数训练；同时提供了两种等级的预警模式，使得系统在面对不同的驾驶人时给出自适应的预警信息，提高驾驶的安全性、舒适性。
[0096]
在老年驾驶人准备开启行程时，可提前选择自己以往的驾驶数据集同时选择“提高注意预警”模式，使得驾驶过程更加具备舒适度与安全性。
[0097]
当老年驾驶人开始正常驾驶后，为更好的掌握驾驶人在实际驾驶过程中的实时反应情况，本发明在进行预警信息决策时加入了对驾驶人实时反应时间的考量，对驾驶人的个性化数据进行实时监控；同时将驾驶数据实时更新，系统参数也不断迭代以最贴近当前状态，使得本发明对预警信息生成具有实时性，以实现系统的自适应性，满足日常驾驶需求。
[0098]
同时雨雪天气的车辆形式情况较正常天气较为特殊，对于潜在危险情况的判断条件也较为不同。本发明在进行预警决策时通过，获取由路侧设备端进行v2i通信传递来的当前路段过去1小时的实时潜在危险判断指标数据，进行数据的实时划分，以应用于所述主车的预警决策中，使得驾驶过程更安全。

技术特征：
1.一种基于驾驶人实时反应时间的车辆前向碰撞预警方法，其特征在于，包括以下步骤，步骤1，获取当前路段所有车辆的车辆信息和车辆运动参数，并计算两车的车间距以及车头时距；步骤2，依据步骤1中所获取的数据，根据保持稳定跟驰状态下主车与前车的时空图像存在的相似性与延迟性，设计曲线匹配函数对驾驶人实时反应时间进行计算；所述曲线匹配函数以欧几里得距离作为曲线匹配程度的衡量指标；步骤3，输出带时间戳的驾驶人实时反应时间，并计算出实时的驾驶人的舒适预警区域；步骤4，依据步骤1中所获取的数据，对当前路段在预设时间内的车辆加速度信息进行集合，整合出当前路段预设时间内的所有加速度的累计频率分布图，获取1％处的加速度值，作为判断是否发生硬制动的指标，并传输给主车；步骤5，主车根据是否生成警报信号用于区分阳性事件和阴性事件，同时系统触发警报后驾驶人舒适预警区间内驾驶人是否确认报警信息，判断是否触发制动作用于判断真实事件或错误事件；步骤6，依据驾驶人实时反应时间将前向碰撞预警的决策问题表述为马尔可夫决策过程模型；步骤7，依据步骤6的马尔可夫决策模型构建dqn模型对步骤1的数据集进行训练；步骤8，依据步骤7中的训练结果，对驾驶人进行预警操作。2.根据权利要求1所述的一种基于驾驶人实时反应时间的车辆前向碰撞预警方法，其特征在于，步骤1中，通过路侧设备获取当前路段所有车辆的车辆信息，所述车辆信息包括时间、速度、加速度、车辆数、车辆编号；同时通过车载设备获取车辆运动参数，车辆运动参数包括主车及其同车道紧邻前车的速度、加速度、位置信息、车辆编号。3.根据权利要求1所述的一种基于驾驶人实时反应时间的车辆前向碰撞预警方法，其特征在于，所述稳定跟驰状态为：前车车辆信息保持不变，主车无换道或超车意图，两车车间距相对稳定的情况。4.根据权利要求1所述的一种基于驾驶人实时反应时间的车辆前向碰撞预警方法，其特征在于，步骤2中具体包括以下步骤，步骤2.1，将步骤1所获取的每一帧数据，标记在时空图中记为一个数据点；将主车的轨迹中的每个数据点进行平移并与前车的数据点重叠，以获得运动矢量v；步骤2.2，将主车的整个轨迹沿运动矢量v平移之后，对重叠部分的数据点之间的进行欧氏距离的计算；欧几里得距离(d
e
)的计算方法如下，其中，是所述主车的数据点，是所述前车的数据点，i和j表示两车当前匹配的数据点，n是匹配的数据点个数；
步骤2.3，根据步骤2.1和步骤2.2匹配主车的每个数据点，以获得相应的欧几里得距离；在结束一轮遍历之后，选择与欧几里得距离最小值相对应的运动矢量(v)作为最终匹配方案，以获得v在时间方向的分量，即驾驶人实时反应时间；步骤2.4，当执行曲线匹配时，设置一个固定大小的窗口，每个窗口只匹配窗口中的轨迹；曲线匹配算法获得的结果是当前窗口中最后一帧的驾驶人实时反应时间，每一个步长进行一次轨迹曲线匹配，更新一次参数。5.根据权利要求1所述的一种基于驾驶人实时反应时间的车辆前向碰撞预警方法，其特征在于，步骤3中，驾驶人的舒适预警区域的计算方式为驾驶人实时反应时间的
±
5％的置信区间。6.根据权利要求1所述的一种基于驾驶人实时反应时间的车辆前向碰撞预警方法，其特征在于，步骤6中具体包括以下步骤，步骤6.1，将驾驶信息与驾驶人个性化信息组合为mdp模型中的状态集，形成如下式的向量集合体，其中，t为当前时刻，驾驶信息数据包含所述主车的速度加速度车头时距以及所述主车与所述前车之间的间隙(gap
t
)；驾驶人个性化信息为驾驶人实时反应时间步骤6.2，mdp模型中的动作集为预警信息的激活状态；步骤6.3，根据车载端所获取的数据中五个不同类别(tp、fp-e、fp-l、tn、fn)对当前状态进行分类，设计奖励函数；马尔可夫决策过程模型根据奖励函数值做出判断是否触发警报，然后监控驾驶员的行为，以查看驾驶员是否会确认报警信息。7.根据权利要求1所述的一种基于驾驶人实时反应时间的车辆前向碰撞预警方法，其特征在于，步骤7中具体包括以下步骤，步骤7.1，建立dqn模型中进行神经网络训练时所需的数据集，数据集为每个驾驶人的个人数据集；步骤7.2，将常用驾驶人的驾驶数据单独保存，当所述主车的实际驾驶人发生改变时，可以选择对应得到驾驶人数据集，以适应不同驾驶人的驾驶需求；步骤7.3，计算dqn模型中的q值，dqn模型将状态和动作集作为神经网络的输入，并输出相应的q值；同时，构建目标神经网络以生成目标q值；引入目标神经网络后，目标q值将在一段时间内保持不变；根据损失函数更新策略神经网络的模型参数；在n次迭代之后，将策略神经网络的参数复制到目标神经网络。8.根据权利要求1所述的一种基于驾驶人实时反应时间的车辆前向碰撞预警方法，其特征在于，步骤8中，进行预警操作时，在hmi界面进行人机交互；人机交互的预警模式包括普通预警模式和提高注意预警模式。9.一种基于驾驶人实时反应时间的车辆前向碰撞预警系统，其特征在于，包括标准值计算模块、驾驶人实时反应时间计算模块、数据划分模块、基于dqn的预警决策模块和hmi显
示模块；所述驾驶人实时反应时间计算模块用于计算驾驶人实时反应时间，所述驾驶人实时反应时间计算模块和标准值计算模块均连接数据划分模块的输入端；所述数据划分模块的输出端连接基于dqn的预警决策模块的输入端，基于dqn的预警决策模块的输出端连接hmi显示模块。

技术总结
本发明公开了一种基于驾驶人实时反应时间的车辆前向碰撞预警方法，属于车辆碰撞预警领域，通过将驾驶人反应时间这一具有鲜明驾驶人个性化的因素作为独立变量进行实时计算并纳入预警系统的预测中，从而降低车辆实际驾驶风险，提高驾驶人对驾驶信息的可接受度。通过将驾驶信息与驾驶人实时反应时间相结合，研发个性化车辆前向碰撞预警方法及系统，可以大大提升驾驶人对预警信息的可接受程度、提高实际驾驶安全性、缓解增加道路交通压力。缓解增加道路交通压力。缓解增加道路交通压力。


技术研发人员：吴霞 赵祥模 龚思远 孙艺菡 闵海根 徐志刚 王文静 李泽 郑国辉 李家栋 卢佳玮 刘睿 许哲睿 李笑雨 程昆
受保护的技术使用者：长安大学
技术研发日：2023.03.31
技术公布日：2023/6/28