一种基于驾驶人风险感知可靠性的智能汽车分级预警系统

1.本发明涉及一种智能汽车预警系统，特别涉及一种基于驾驶人风险感知可靠性的智能汽车分级预警系统。


背景技术：

2.近年来，汽车智能化技术发展迅速。相比传统汽车，智能汽车搭载了更为强大的环境感知系统，因此在保障行车安全上更具优势。目前，各种安全预警系统已作为标配或选配功能在部分智能车型上实现了量产化应用。然而，现有的智能汽车预警系统仍存一些亟待解决的技术难题：
3.1、构建任何预警系统的先决条件均为对交通环境风险的精准描述，现有相关技术中普遍采用车间距离、跟车时距、碰撞时间及其衍生指标来描述交通环境风险，然而交通环境中的交通参与者种类繁多、动态时变且状态随机，当前所采用的上述指标难以准确描述交通环境的客观风险及其演化趋势，极易导致预警过早、预警滞后甚至风险漏检，直接影响预警系统性能和行车安全。
4.2、现有相关技术普遍根据自车的运动状态计算风险指标，进而生成预警信号，但是自车的运动状态是由驾驶人驾驶行为引起的，而驾驶人驾驶行为本质上是基于驾驶人感知生成的，因此现有基于车辆状态的预警系统均存在本质上的预警时间滞后性，这在瞬息万变的现实交通环境中具有很大的安全隐患。基于驾驶人风险感知情况建立的智能汽车预警系统则能够从感知这一根本层面实现对驾驶人的预警，甚至在驾驶人产生危险驾驶行为前就将其提前扼杀，对提升行车安全性具有极大意义。然而，受限于驾驶人风险感知情况量化描述困难、驾驶人风险感知水平评估方法不健全等问题，目前行业中尚未出现从驾驶人风险感知层面实现预警的技术或产品。
5.3、在现有相关技术中，智能汽车预警系统通常单独针对纵向驾驶行为(例如前向碰撞预警系统、分级式自动制动系统等)或侧向驾驶行为(例如车道偏离预警系统、换道辅助系统等)。然而，行车风险和驾驶人驾驶行为均具有极强的纵侧向耦合特性，现有的纵、侧向独立预警系统之间又缺少有效的协同配合机制，导致现有预警系统在实际交通环境中的性能表现极度受限。
6.因此，开发一套以驾驶人主观风险感知水平为预警核心判据、能够准确描述交通环境客观风险、同时实现纵侧向耦合风险预警的智能汽车预警系统，已成为整个行业急需解决的关键问题。


技术实现要素：

7.为了解决上述技术问题，本发明提供一种基于驾驶人风险感知可靠性的智能汽车分级预警系统，包括：基于眼动信息的驾驶人风险区域判定模块、客观环境各向异性风险场计算模块、客观环境各向异性风险场视野转换模块、基于驾驶人意图的智能汽车风险区域判定模块、基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块、驾驶人风险
感知可靠性量化模块和基于驾驶人风险感知可靠性的分级预警模块；
8.(1)所述基于眼动信息的驾驶人风险区域判定模块以驾驶人眼动信息为输入，根据驾驶人视觉关注点所在位置输出驾驶人判定的风险区域；
9.(2)所述客观环境各向异性风险场计算模块以交通环境信息为输入，输出世界坐标系下的各向异性风险场；
10.(3)所述客观环境各向异性风险场视野转换模块通过世界坐标系-相机坐标系-图像坐标系-像素坐标系的坐标变换，将世界坐标系下各向异性风险场转换至驾驶人视野，输出驾驶人视野下的各向异性风险场；
11.(4)所述基于驾驶人意图的智能汽车风险区域判定模块以驾驶人视野下的各向异性风险场和驾驶人驾驶意图为输入，根据风险场场强大小和驾驶人驾驶意图，输出智能汽车判定的风险区域；所述驾驶人驾驶意图包括左换道、车道保持以及右换道；
12.(5)所述基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块以驾驶人判定的风险区域和智能汽车判定的风险区域为输入，通过统计过去一段时间内的人-车风险感知区域来表征风险感知的累积效应，通过基于半汉宁窗函数的时空卷积运算来表征风险感知的衰退效应，从而表征并输出驾驶人和智能汽车风险感知结果；
13.(6)所述驾驶人风险感知可靠性量化模块以驾驶人判定的风险区域、智能汽车判定的风险区域以及驾驶人和智能汽车风险感知结果为输入，通过区域匹配生成并输出能够量化描述驾驶人风险感知可靠性的驾驶人风险感知可靠性因子；
14.(7)所述基于驾驶人风险感知可靠性的分级预警模块通过设置3个层级的阈值，依据驾驶人风险感知可靠性因子将预警级别分为4个等级，完成从驾驶人风险感知层出发的智能汽车分级预警。
15.进一步的，将驾驶人的视野划分为前向、左向(车外左后视镜)、右向(车外右后视镜)三个视野主方向，再将所述驾驶人的前向视野进一步划分为左上、上、右上、左下、下、右下6个区域，依次编号为区域1-6，将所述左向视野和右向视野分别编号为区域7和8。
16.进一步的，所述基于眼动信息的驾驶人风险区域判定模块以驾驶人眼动信息为输入，所述驾驶人的眼动行为包括注视行为和扫视行为，通过眼动仪采集驾驶人眼动信息并从中捕捉驾驶人的注视行为，进而获取注视点所处区域，驾驶人注视某一区域，该区域即为驾驶人判定的风险区域；基于眼动信息的驾驶人风险区域判定模块从眼动仪采集的驾驶人眼动信息中确定驾驶人的注视点落在其视野的某个或几个区域上，从而获取驾驶人判定的风险区域的对应编号。
17.进一步的，所述客观环境各向异性风险场计算模块接收交通环境信息，根据交通参与者的基本种类、几何形状、定义属性、运动状态，通过建立各向异性风险场描述其产生的客观风险；所述各向异性风险场分为用于描述运动交通车的动态各向异性风险场、用于描述静态障碍物的静态各向异性风险场和车道线的过滤效应：
18.(2.1)所述的动态各向异性风险场的各向异性体现在交通车的运动状态上，
19.在世界坐标系下，交通车k(xk,yk)与场中某点j(xj,yj)之间的距离向量d
k,j
为：
20.d
k,j
＝(x
j-xk,y
j-yk)(1)
21.建立固连在k上的坐标系xkokyk，其中ok为k的质心，oxk代表k的前进方向，oyk代表k前进方向的法向；将世界坐标系下的d
k,j
转换为xkokyk坐标系下的等效距离向量
[0022][0023]
其中，和分别为世界坐标系下oxk和oyk的单位向量，αk和βk分别为oxk和oyk方向的距离放缩因子，和k的车身几何尺寸有关；则k产生的动态各向异性风险场ek定义为：
[0024][0025]
其中，ek的方向为从k的中心指向点j，和分别为k前进方向和法向的加速度,和为加速度系数，μ0为出现在k中心位置的场强峰值，和分别为与k前进方向和法向的夹角，mk为考虑交通车类型和速度大小的等效质量：
[0026][0027]
其中，mk为k的真实质量，vk为k前进方向速度，bm和km为与k的类型有关的常数；
[0028]
此外，当交通车k没有变换车道的意图时，k在相邻车道产生的场强ek需要乘以车道线过滤因子f
l
；
[0029]
(2.2)所述的车道线的过滤效应与车道线类型和交通车的运动意图有关，当交通车意图为保持原车道行驶时，定义车道线过滤因子f
l
:
[0030][0031]
其中，t
l
为车道线类型系数，d
l,k
为交通车k的车身边缘距离车道线的距离，d
l,center
为k沿当前车道中心线行驶时车身边缘距离车道线的距离；而当交通车有改变车道的意图时，原始车道和目标车道的车道分界线将失去对交通车所产生的动态各向异性风险场的过滤作用；
[0032]
(2.3)所述的静态各向异性风险场用于描述交通环境中静态障碍物产生的风险，建立固连在静态元素s上的坐标系x
sosys
，其中os为s质心，oxs代表s外接椭圆的长轴方向，oys代表s外接椭圆的短轴方向；将世界坐标系下的距离向量d
s,j
转换为x
sosys
坐标系下的等效距离向量
[0033][0034]
其中，和分别为世界坐标系下oxs和oys的单位向量，αs和βs分别为oxs和oys方向的距离放缩因子，和s的几何尺寸有关；参考式(3)，s产生的静态各向异性风险场es定义为：
[0035][0036]
其中，ms为s的真实质量，μs为出现在s质心的静态各向异性风险场场强峰值；
[0037]
在某一交通环境中，所述客观环境各向异性风险场计算模块得到的客观环境各向异性风险场总场强e表示为：
[0038][0039]
其中，m和n分别为交通环境中对自车行车安全有影响的交通车和静态障碍物数量；所述客观环境各向异性风险场计算模块选定交通参与者的纵向范围为自车前后各150m，侧向范围为自车当前车道以及当前车道的左右相邻车道。
[0040]
进一步的，所述客观环境各向异性风险场视野转换模块通过世界坐标系-相机坐标系-图像坐标系-像素坐标系的坐标变换，将世界坐标系下各向异性风险场转换至驾驶人视野，输出驾驶人视野下的各向异性风险场；
[0041]
其中，根据自车前排座椅所在位置划定分割线，分割线左后方区域和右后方区域的风险场无需进行坐标系转换，分割线前方的风险场则向驾驶人前向视野投影，与驾驶人前向视野中的6个区域形成匹配关系；
[0042]
所述客观环境各向异性风险场视野转换模块定义4个坐标系，分别为世界坐标系、相机坐标系、图像坐标系和像素坐标系，其中：
[0043]
世界坐标系是描述物体在真实物理世界中位置的三维坐标系，坐标轴xw、yw和zw互相垂直，坐标轴单位为m；相机坐标系是建立在相机上的三维坐标系，以相机光心oc为原点，坐标轴xc、yc和zc互相垂直，xc和yc平行于相机所成图像的xi轴和yi轴方向，zc平行于相机主光轴，坐标轴单位为m；图像坐标系是描述相机所成图像的二维坐标系，原点oi为主光轴和图像平面交点，坐标轴xi和yi互相垂直，坐标轴单位为mm；像素坐标系是描述像素点在相机所成图像上位置的二维坐标系，原点为图像顶点o
uv
，坐标轴u和v分别平行于图像坐标系的xi轴和yi轴，坐标轴单位为pixel；
[0044]
设世界坐标系下某点p的坐标为(xw,yw,zw)，则其转换至像素坐标系需经过如下过程：
[0045]
(3.1)世界坐标系向相机坐标系的转换：首先通过平移变换将世界坐标系的原点平移至相机坐标系原点，然后将相机坐标系绕着世界坐标系三个轴进行旋转变换，则世界坐标系向相机坐标系的转换为：
[0046][0047]
其中，(xc,yc,zc)是点p在相机坐标系下的坐标，(t1,t2,t3)是相机坐标系原点在世界坐标系下的位置,r为旋转矩阵；将式(9)进一步变换得到齐次矩阵形式：
[0048][0049]
其中，t为平移矩阵，c
int
为相机的外参矩阵；
[0050]
(3.2)相机坐标系向图像坐标系的转换：利用透视摄影关系将三维投影至二维，转换关系为:
[0051][0052]
其中，(xi,yi,1)为点p在图像坐标系下的归一化坐标，f为相机焦距；
[0053]
(3.3)图像坐标系向像素坐标系的转换：转换关系为：
[0054][0055]
其中，(u,v,1)为点p在像素坐标系下的归一化坐标；
[0056]
联立式(9)至式(12)得世界坐标系向像素坐标系的转换关系为：
[0057][0058][0059]
其中，c
ext
为相机外参矩阵；
[0060]
通过式(13)所示的世界坐标系向像素坐标系的转换，所述客观环境各向异性风险场被转换至驾驶人视野。
[0061]
为了和驾驶人的8个视野区域形成一一对应关系，驾驶人视野下的客观环境各向异性风险场被划分为与驾驶人视野相同的8个区域，区域7和区域8分别代表驾驶人的左向视野(车外左后视镜)和右向视野(车外右后视镜)。
[0062]
进一步的，所述基于驾驶人意图的智能汽车风险区域判定模块以驾驶人视野下的各向异性风险场和驾驶人驾驶意图为输入：
[0063]
(4.1)首先，所述基于驾驶人意图的智能汽车风险区域判定模块根据驾驶人驾驶
意图，从8个区域中选定对驾驶人驾驶意图有影响的区域；
[0064]
(4.2)在对驾驶人驾驶意图有影响的区域中，如果其中某区域存在着客观环境各向异性风险场总场强e大于0.5的栅格点，那么所述基于驾驶人驾驶意图的智能汽车风险区域判定模块将该区域作为智能汽车判定的风险区域。
[0065]
进一步的，所述基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块以驾驶人判定的风险区域和智能汽车判定的风险区域为输入，分别对驾驶人和智能汽车的风险感知结果进行量化表征；所述基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块在描述驾驶人和智能汽车的风险感知结果时考虑了风险在过去4s的累积效应，在当前时刻t0，驾驶人的风险感知结果和驾驶人在t
0-4至t0注视过的所有区域有关；风险感知的衰退效应则是指驾驶人在注视某区域后，对该区域风险的感知水平会随着时间的延续而逐渐衰退；
[0066]
定义drk(t)来标记采样时刻t区域k是否为驾驶人的风险感知有效区域，drk(t)＝1代表是，drk(t)＝0代表不是；所述基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块将drk视为阶跃输入信号，通过基于滑动时间窗的卷积运算描述驾驶人风险感知的累积效应，通过半汉宁窗函数hh来描述驾驶人风险感知的衰退效应，则通过drk和hh的卷积运算得到考虑累积效应和衰退效应的驾驶人风险感知结果drk:
[0067][0068]
同理，所述基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块将风险感知的累积效应和衰退效应用于智能汽车的风险感知结果irk的构建：
[0069][0070]
其中，irk(t)用于标记采样时刻t区域k是否为智能汽车判定的风险区域，irk(t)＝1代表是，irk(t)＝0代表不是。
[0071]
进一步的，所述驾驶人风险感知可靠性量化模块根据驾驶人判定的风险区域、智能汽车判定的风险区域、驾驶人风险感知结果、智能汽车风险感知结果，综合计算并输出驾驶人风险感知可靠性因子(riskperceptionreliability factor,rprf)，从而对驾驶人风险感知可靠性进行量化描述，rprf的具体计算过程如下：
[0072]
(6.1)驾驶人和智能汽车判定的风险区域匹配：所述驾驶人风险感知可靠性量化模块将驾驶人判定的风险区域和智能汽车判定的风险区域之间的匹配程度r分为5个等级：高(r＝1)、中高(r＝0.8)、中(r＝0.5)、中低(r＝0.3)、低(r＝0)；当某一时刻智能汽车同时判定多个区域为风险区域时，r取其中的最大值；当未在8个区域中的任何一个捕捉到驾驶人注视点时，所有区域的r均为0；
[0073]
(6.2)驾驶人风险感知可靠性因子rprf计算：所述驾驶人风险感知可靠性量化模块定义了驾驶人风险感知可靠性因子rprf来定量描述驾驶人风险感知可靠性，rprf的计算包含3种情况：
[0074]
①
若则说明驾驶人在历史4s内的注视点均位于驾驶人视野8个区域之外或注视点无法被检测，认为驾驶人注意力分散或无法有效感知环境风险，此时驾驶人的风险感知可靠性最低，所述驾驶人风险感知可靠性量化模块令rprf＝0；
[0075]
②
若则说明智能汽车感知到环境中无风险，如果则说明驾驶人感知到了智能汽车没有感知到的风险，此时驾驶人的风险感知可靠性最高，所述驾驶人风险感知可靠性量化模块令rprf＝1；
[0076]
③
若且则说明驾驶人和智能汽车均有效感知到了环境中的风险，因此所述驾驶人风险感知可靠性量化模块需要基于驾驶人和智能汽车的风险感知结果计算驾驶人风险感知可靠性；所述驾驶人风险感知可靠性量化模块设置δ1和δ2两个参数用于驾驶人风险感知可靠性因子rprf的计算；
[0077]
所述δ1用于表征前向、左向和右向3个驾驶人主视野方向的驾驶人风险感知情况：
[0078][0079]
其中，和分别表征驾驶人前向、左向和右向视野的人-车风险感知匹配度，δ1的取值范围为0或1；
[0080]
在使用δ1表征3个驾驶人视野主方向的驾驶人风险感知情况的基础上，所述驾驶人风险感知可靠性量化模块设置δ2来表征驾驶人视野8个具体区域的驾驶人风险感知情况：
[0081][0082]
其中，n为[t
0-4,t0]内包含的采样点个数；δ2的取值范围为[0，1]；
[0083]
根据δ1和δ2，所述驾驶人风险感知可靠性量化模块通过下式计算驾驶人风险感知可靠性因子rprf：
[0084]
rprf＝δ1·
δ2ꢀꢀꢀ
(19)
[0085]
rprf的取值范围为[0，1]。
[0086]
进一步的，所述基于驾驶人风险感知可靠性的分级预警模块以驾驶人的风险感知可靠性因子rprf为依据，分4个层级进行预警，所述基于驾驶人风险感知可靠性的分级预警模块设有3个预警阈值：rprf1、rprf2和rprf3，其取值情况为：
[0087][0088]
所述基于驾驶人风险感知可靠性的分级预警模块中4个层级的预警方式和启动范围依次为：
[0089]
(7.1)当rprf＞rprf1时，说明驾驶人的风险感知可靠性极高，甚至能够感知到智能汽车没有感知到的风险，认为驾驶人产生的驾驶行为是可靠的，因此所述基于驾驶人风险感知可靠性的分级预警模块无需进行预警；
[0090]
(7.2)当rprf2＜rprf≤rprf1时，说明驾驶人的风险感知可靠性有所降低，认为驾驶人没有充分感知到环境风险，容易产生稍有风险的驾驶行为，此时所述基于驾驶人风险感知可靠性的分级预警模块将通过视觉提示来引导驾驶人关注某一个或某几个原本没有关注的风险区域，以及时修正驾驶行为；
[0091]
(7.3)当rprf3＜rprf≤rprf2时，说明驾驶人的风险感知可靠性已降低至一定水平，驾驶人极易产生危险的驾驶行为，此时所述基于驾驶人风险感知可靠性的分级预警模块将通过更为剧烈的体感提示来对驾驶人进行预警；
[0092]
(7.4)当rprf≤rprf3，说明此时驾驶人的风险感知可靠性极低，驾驶人的驾驶行为是在没有有效感知到环境风险的情况下执行的，认为驾驶人的驾驶行为极度危险，此时所述基于驾驶人风险感知可靠性的分级预警模块将执行紧急避险。
[0093]
本发明的有益效果：
[0094]
本发明所述的一种基于驾驶人风险感知可靠性的智能汽车分级预警系统通过构建各向异风险场来描述交通环境中其他交通参与者产生的风险，充分考虑了交通参与者的基本种类、几何形状、定义属性、运动状态等对其所产生风险的影响，有效解决了现有技术中对交通环境风险描述不准确的问题，提升了智能汽车预警系统的成功预警率。
[0095]
本发明通过驾驶人驾驶视野区域划分和基于眼动信息的驾驶人视觉关注点捕捉等技术手段，获取驾驶人判定的风险区域；通过行车风险场向驾驶人视野平面投影、基于驾驶人驾驶意图判定风险区域等技术手段，获取智能汽车判定的风险区域；通过历史风险判定区域统计、时空卷积运算等技术手段，量化表征驾驶人和智能汽车的风险感知结果；通过区域匹配等技术手段，获取驾驶人风险感知可靠性因子来量化描述驾驶人的风险感知情况，并将其作为本发明所述系统的分级预警依据，从而使本发明能够从感知这一根本层面对驾驶人进行预警，甚至在驾驶人产生危险驾驶行为前就将其提前扼杀，有效解决了现有技术中驾驶人风险感知情况量化描述和评价困难、预警滞后等核心技术问题。
[0096]
本发明通过构建各向异性行车风险场、引入驾驶人意图等技术手段，充分考虑了行车风险和驾驶人驾驶行为的纵侧向耦合特性，实现了纵侧向联合预警，提升了预警系统在实际交通环境中的性能表现，有效解决了现有技术中纵、侧向预警割裂的问题。
附图说明
[0097]
图1为本发明整体架构示意图。
[0098]
图2为本发明所述的驾驶人驾驶视野分区示意图。
[0099]
图3为本发明动态各向异性风险场效果示意图。
[0100]
图4为本发明静态各向异性风险场效果示意图。
[0101]
图5为本发明各向异性风险场视野转换范围和视野转换效果示意图。
[0102]
图6为本发明驾驶人和智能汽车判定的风险区域之间的匹配规则示意图。
[0103]
图7为本发明基于驾驶人风险感知可靠性的分级预警规则示意图。
具体实施方式
[0104]
本发明提供一种基于驾驶人风险感知可靠性的智能汽车分级预警系统，包括：基于眼动信息的驾驶人风险区域判定模块、客观环境各向异性风险场计算模块、客观环境各向异性风险场视野转换模块、基于驾驶人意图的智能汽车风险区域判定模块、基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块、驾驶人风险感知可靠性量化模块和基于驾驶人风险感知可靠性的分级预警模块；
[0105]
(1)所述基于眼动信息的驾驶人风险区域判定模块以驾驶人眼动信息为输入，根
据驾驶人视觉关注点所在位置输出驾驶人判定的风险区域：
[0106]
参阅附图1，所述基于眼动信息的驾驶人风险区域判定模块以驾驶人眼动信息为输入；驾驶人的眼动行为包含注视、扫视和平稳追踪三个类型。注视与平稳追踪通过观察获得有效的视觉信息，而扫视过程中眼球的运动速度极快，期间几乎不会获得有效的视觉信息。因此，本发明将注视行为与平稳追踪行为归为一类，并统称为驾驶人注视行为。当驾驶人注视某一区域时，可认为驾驶人能够充分观察该区域，该区域即为驾驶人判定的风险区域。所述基于眼动信息的驾驶人风险区域判定模块通过眼动仪采集驾驶人眼动信息并从中捕捉驾驶人的注视行为，进而获取注视点所处区域。
[0107]
参阅附图2(a)，本发明将驾驶人的视野划分为前向、左向(车外左后视镜)、右向(车外右后视镜)三个视野主方向。参阅附图2(b)，本发明又将所述驾驶人的前向视野进一步划分为左上、上、右上、左下、下、右下6个区域。将所述前向视野的6个区域依次标记为区域1-6，将所述左向视野和右向视野分别标记为区域7和8。基于眼动信息的驾驶人风险区域判定模块从眼动仪采集的驾驶人眼动信息中可以确定驾驶人的注视点落在其视野的哪一个或那几个区域上，从而获取驾驶人判定的风险区域的编号。
[0108]
(2)所述客观环境各向异性风险场计算模块以交通环境信息为输入，输出世界坐标系下的各向异性风险场：
[0109]
参阅附图1，所述客观环境各向异性风险场计算模块接收交通环境信息，根据交通参与者的基本种类、几何形状、定义属性、运动状态等，通过建立各向异性风险场描述其产生的客观风险。所述各向异性风险场分为用于描述运动交通车的动态各向异性风险场、用于描述静态障碍物的静态各向异性风险场。此外，所述各向异性风险场还考虑了车道线对交通参与者所产生风险的过滤效应：
[0110]
(2.1)所述的动态各向异性风险场的各向异性体现在交通车的运动状态上。目前已有相关技术在风险场中考虑了交通车纵向加速度对其产生风险的影响，构建了在纵向上具有非对称分布的风险场。本发明构建的动态各向异性风险场进一步考虑了交通车侧向运动对风险的影响，例如转弯和换道。
[0111]
在世界坐标系下，交通车k(xk,yk)与场中某点j(xj,yj)之间的距离向量d
k,j
为：
[0112]dk,j
＝(x
j-xk,y
j-yk)
ꢀꢀꢀ
(1)
[0113]
建立固连在k上的坐标系xkokyk，其中ok为k的质心，oxk代表k的前进方向，oyk代表k前进方向的法向。将世界坐标系下的d
k,j
转换为xkokyk坐标系下的等效距离向量
[0114][0115]
其中，和分别为世界坐标系下oxk和oyk的单位向量，αk和βk分别为oxk和oyk方向的距离放缩因子，和k的车身几何尺寸有关。则k产生的动态各向异性风险场ek定义为：
[0116][0117]
其中，ek的方向为从k的中心指向点j，和分别为k前进方向和法向的加速度,和为加速度系数，μ0为出现在k中心位置的场强峰值，和分别为与k前进方向和法向的夹角，mk为考虑交通车类型和速度大小的等效质量：
[0118][0119]
其中，mk为k的真实质量，vk为k前进方向速度，bm和km为与k的类型有关的常数。
[0120]
通过固连在交通车上的坐标系和世界坐标系之间的转换，所建立的动态各向异性风险场同时在交通车前进方向和法向上具有非对称的场强分布，并考虑了加速度大小和方向对交通车所产生风险的影响。此外，当交通车k没有变换车道的意图时，k在相邻车道产生的场强ek需要乘以车道线过滤因子f
l
。
[0121]
(2.2)车道线的过滤效应：车道线会约束车辆运动，对交通车产生的动态各向异性风险场具有较强的过滤效应。这种过滤效应与车道线类型和交通车的运动意图有关，当交通车意图为保持原车道行驶时，定义车道线过滤因子f
l
:
[0122][0123]
其中，t
l
为车道线类型系数，d
l,k
为交通车k的车身边缘距离车道线的距离，d
l,center
为k沿当前车道中心线行驶时车身边缘距离车道线的距离。而当k有改变车道的意图时，原始车道和目标车道的车道分界线将失去对k所产生的动态各向异性风险场的过滤作用。
[0124]
附图3给出了不同运动状态交通车产生的动态各向异性风险场。如附图3(a)-(c)所示，直线行驶的车辆的风险场在法向上呈对称分布，在前进方向上呈与其加速度有关的非对称分布。减速车辆在其后方产生的场强大于前方，加速车辆在其前方产生的场强大于后方。此外，由于车道线的过滤作用，相比于本车道，车辆在相邻车道产生的场强衰减速度加快；如附图3(d)-(f)所示，转弯车辆产生的场强在前进方向和法向均呈现非对称分布。由于向心加速度，车辆在其转弯轨迹内侧产生的场强大于外侧，并且在相邻车道产生的场强同样受车道线过滤效应的影响；如附图3(g)-(i)所示，换道车辆产生的场强在前进方向和法向均呈现非对称分布。由于侧向加速度，车辆在其换道轨迹内侧产生的场强大于外侧。不同于转弯车辆的是，由于车辆已经产生车道变换意图，因此原始车道和目标车道分界线的车道线过滤效应消失。
[0125]
(2.3)静态各向异性风险场：静态各向异性风险场用于描述交通环境中静态障碍物产生的风险，例如路障、锥桶或静止车辆。建立固连在静态元素s上的坐标系x
sosys
，其中os为s质心，oxs代表s外接椭圆的长轴方向，oys代表s外接椭圆的短轴方向。将世界坐标系下的距离向量d
s,j
转换为x
sosys
坐标系下的等效距离向量
[0126][0127]
其中，和分别为世界坐标系下oxs和oys的单位向量，αs和βs分别为oxs和oys方向的距离放缩因子，和s的几何尺寸有关。参考式(3)，s产生的静态各向异性风险场es定义为：
[0128][0129]
其中，ms为s的真实质量，μs为出现在s质心的静态各向异性风险场场强峰值。
[0130]
参阅附图4，给出了不同种类、形状和摆放角度的静态障碍物产生的静态各向异性风险场。可以看到所建立的静态各向异性风险场可根据静态障碍物外接椭圆的形状呈现非对称分布，在不同方向上具有各向异性的场强分布。此外，车道线对静态各向异性风险场同样具有过滤效应，当静态障碍物没有跨过车道线时，它在其他车道产生的静态各向异性风险场场强为0。
[0131]
在某一交通环境中，所述客观环境各向异性风险场计算模块得到的客观环境各向异性风险场总场强e表示为：
[0132][0133]
其中，m和n分别为交通环境中对自车行车安全有影响的交通车和静态障碍物数量。所述客观环境各向异性风险场计算模块选定交通参与者的纵向范围为自车前后各150m，侧向范围为自车当前车道以及当前车道的左右相邻车道。实际计算时，所述客观环境各向异性风险场计算模块对选定范围进行栅格化处理，计算选定范围内交通参与者在每个栅格点产生的场强从而获得客观环境各向异性风险场分布。
[0134]
(3)为了和驾驶人视野下驾驶人判定的风险区域匹配，所述客观环境各向异性风险场视野转换模块通过世界坐标系-相机坐标系-图像坐标系-像素坐标系的坐标变换，将客观环境各向异性风险场计算模块在世界坐标系下建立的各向异性风险场投影至驾驶人视野，输出驾驶人视野下的各向异性风险场；
[0135]
附图2(b)中驾驶人的前向视野被分为6个区域，而左向和右向视野则分别特指通过左右车外后视镜观察到的左后方区域和右后方区域。因此，参阅附图5，根据自车前排座椅所在位置划定分割线，分割线左后方区域和右后方区域的风险场无需进行坐标系转换，而分割线前方的风险场则需向驾驶人前向视野投影，方可与驾驶人前向视野中的6个区域形成匹配关系。
[0136]
智能汽车前置相机的图像采集角度可近似等效于驾驶人的前向视野，因此各向异性风险场的投影过程等价于世界坐标系向前置相机像素坐标系的转换。所述客观环境各向异性风险场视野转换模块定义了4个坐标系，分别为世界坐标系、相机坐标系、图像坐标系和像素坐标系，具体而言：
[0137]
世界坐标系是描述物体在真实物理世界中位置的三维坐标系，坐标轴xw、yw和zw互
相垂直，坐标轴单位为m；相机坐标系是建立在相机上的三维坐标系，以相机光心oc为原点，坐标轴xc、yc和zc互相垂直，xc和yc平行于相机所成图像的xi轴和yi轴方向，zc平行于相机主光轴，坐标轴单位为m；图像坐标系是描述相机所成图像的二维坐标系，原点oi为主光轴和图像平面交点，坐标轴xi和yi互相垂直，坐标轴单位为mm；像素坐标系是描述像素点在相机所成图像上位置的二维坐标系，原点为图像顶点o
uv
，坐标轴u和v分别平行于图像坐标系的xi轴和yi轴，坐标轴单位为pixel。
[0138]
设世界坐标系下某点p的坐标为(xw,yw,zw)，则其转换至像素坐标系需经过如下过程：
[0139]
(3.1)世界坐标系向相机坐标系的转换：这一转换的本质是刚体的平移和旋转。首先通过平移变换将世界坐标系的原点平移至相机坐标系原点，然后将相机坐标系绕着世界坐标系三个轴进行旋转变换，则世界坐标系向相机坐标系的转换为：
[0140][0141]
其中，(xc,yc,zc)是点p在相机坐标系下的坐标，(t1,t2,t3)是相机坐标系原点在世界坐标系下的位置,r为旋转矩阵。将式(9)进一步变换可得到齐次矩阵形式：
[0142][0143]
其中，t为平移矩阵，c
int
为相机的外参矩阵。
[0144]
(3.2)相机坐标系向图像坐标系的转换：这一转换需要利用透视摄影关系将三维投影至二维，转换关系为:
[0145][0146]
其中，(xi,yi,1)为点p在图像坐标系下的归一化坐标，f为相机焦距。
[0147]
(3.3)图像坐标系向像素坐标系的转换：像素坐标系和图像坐标系均为二维坐标系，差异在于原点位置和坐标轴度量单位，转化关系为：
[0148][0149]
其中，(u,v,1)为点p在像素坐标系下的归一化坐标。
[0150]
联立式(9)至式(12)可得世界坐标系向像素坐标系的转换关系为：
[0151][0152][0153]
其中，c
ext
为相机外参矩阵。
[0154]
由式(13)可知，坐标系转换需要相机内参矩阵c
int
和相机外参矩阵c
ext
。在相机安装位置、基本参数已知的情况下，本领域技术人员可以轻易地获取c
int
和c
ext
。因此，通过式(13)所示的世界坐标系向像素坐标系的转换，所述客观环境各向异性风险场可被转换至驾驶人视野。而为了和驾驶人的8个视野区域形成一一对应关系，参阅附图5，驾驶人视野下的客观环境各向异性风险场被划分为与附图2(b)所示相同的8个区域，区域7和区域8则分别代表驾驶人的左向视野(车外左后视镜)和右向视野(车外右后视镜)。
[0155]
(4)所述基于驾驶人意图的智能汽车风险区域判定模块以驾驶人视野下的各向异性风险场和驾驶人驾驶意图为输入，根据风险场场强大小和驾驶人驾驶意图，输出智能汽车判定的风险区域；
[0156]
所述驾驶人驾驶意图在本发明中被分为3种：左换道、车道保持以及右换道。目前，驾驶人意图识别已是十分成熟的技术，在实际构建本发明所述系统时，本领域技术人员可以直接利用现有技术构建驾驶人意图识别模块。因此，本发明直接将驾驶人驾驶意图作为已知输入。
[0157]
参阅附图1，所述基于驾驶人意图的智能汽车风险区域判定模块以驾驶人视野下的各向异性风险场和驾驶人驾驶意图为输入，输出此时智能汽车判定的风险区域。具体而言：
[0158]
(4.1)首先，所述基于驾驶人意图的智能汽车风险区域判定模块根据驾驶人驾驶意图，从8个区域中选定对驾驶人驾驶意图有影响的区域：如果驾驶人驾驶意图为车道保持行驶，那么对驾驶人车道保持有影响的区域即为区域1-6；如果驾驶人驾驶意图为左换道，那么对驾驶人左换道有影响的区域即为区域1、2、4、5、7；如果驾驶人驾驶意图为右换道，那么对驾驶人右换道有影响的区域即为区域2、3、5、6、8。
[0159]
(4.2)进一步地，在对驾驶人驾驶意图有影响的区域中，如果其中某区域存在着客观环境各向异性风险场总场强e大于0.5的的栅格点，那么所述基于驾驶人驾驶意图的智能汽车风险区域判定模块将把该区域作为智能汽车判定的风险区域。
[0160]
将驾驶人驾驶意图引入智能汽车风险区域判定，能够保证与驾驶人驾驶意图不相关的风险不会干扰到预警系统的工作，从而有效降低了误预警率，提升了智能汽车用户对本发明所述系统的接受度、信任度和适应度。
[0161]
(5)参阅附图1，所述基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块以驾驶人判定的风险区域和智能汽车判定的风险区域为输入，分别对驾驶人和智能
汽车的风险感知结果进行量化表征。
[0162]
本发明认为，驾驶人不仅会感知当前时刻风险在空间中的分布，还会考虑风险在时间上的累积。以往研究表明，驾驶人从感知环境到采取驾驶操作的平均反应时间为3.45秒，故可认为驾驶人的操作至少与过去3.45s的风险感知结果有关。因此，所述基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块在表征驾驶人和智能汽车的风险感知结果时考虑了风险在过去4s的累积效应。
[0163]
在当前时刻t0，驾驶人的风险感知结果和驾驶人在t
0-4至t0注视过的所有区域有关。但是驾驶人在注视某区域后，对该区域风险的感知水平会随着时间的延续而逐渐衰退，本发明称之为风险感知的衰退效应。
[0164]
定义drk(t)来标记采样时刻t区域k是否为驾驶人的风险感知有效区域(drk(t)＝1代表是，drk(t)＝0代表不是)。所述基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块将drk视为阶跃输入信号，通过基于滑动时间窗的卷积运算描述驾驶人风险感知的累积效应，通过半汉宁窗函数hh来描述驾驶人风险感知的衰退效应，则通过drk和hh的卷积运算即可得到考虑累积效应和衰退效应的驾驶人风险感知结果drk:
[0165][0166]
同理，所述基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块将风险感知的累积效应和衰退效应用于智能汽车的风险感知结果irk的构建：
[0167][0168]
其中，irk(t)用于标记采样时刻t区域k是否为智能汽车判定的风险区域(irk(t)＝1代表是，irk(t)＝0代表不是)。
[0169]
(6)所述驾驶人风险感知可靠性量化模块以驾驶人判定的风险区域、智能汽车判定的风险区域以及驾驶人和智能汽车风险感知结果为输入，通过区域匹配生成并输出能够量化描述驾驶人风险感知可靠性的驾驶人风险感知可靠性因子；
[0170]
参阅附图1，所述驾驶人风险感知可靠性量化模块根据驾驶人判定的风险区域、智能汽车判定的风险区域、驾驶人风险感知结果、智能汽车风险感知结果，综合计算并输出驾驶人风险感知可靠性因子(risk perception reliability factor,rprf)，从而对驾驶人风险感知可靠性进行量化描述。rprf的具体计算过程如下：
[0171]
(6.1)驾驶人和智能汽车判定的风险区域匹配：本发明认为，在驾驶过程中，驾驶人的注视点大多数时间集中在视野正前方，即区域2和区域5。当这两个区域为驾驶人判定的风险区域时，驾驶人同时也可以利用周边视觉感知到前向视野的其他区域，只是对不同区域的注意力分配不同。而当驾驶人注视点位于区域7或8时，说明驾驶人正在观察车外左侧或右侧后视镜，此时除区域7或8外驾驶人很难感知到其他区域。
[0172]
基于这一前提，所述驾驶人风险感知可靠性量化模块将驾驶人判定的风险区域和智能汽车判定的风险区域之间的匹配程度r分为5个等级：高(r＝1)、中高(r＝0.8)、中(r＝0.5)、中低(r＝0.3)、低(r＝0)。
[0173]
附图6给出了驾驶人判定的风险区域确定的情况下，智能汽车判定的风险区域为不同区域时r的计算规则。在附图6中，圆形代表驾驶人的风险感知有效区域，矩形代表avs
标记的风险区域。当某一时刻智能汽车同时判定多个区域为风险区域时，r取其中的最大值。当未在8个区域中的任何一个捕捉到驾驶人注视点时，所有区域的r均为0。
[0174]
(6.2)驾驶人风险感知可靠性因子rprf计算：所述驾驶人风险感知可靠性量化模块定义了驾驶人风险感知可靠性因子rprf来定量描述驾驶人风险感知可靠性，rprf的计算包含3种情况：
[0175]
①
若则说明驾驶人在历史4s内的注视点均位于附图2(b)所示的8个区域之外或注视点无法被检测，可认为驾驶人注意力分散或无法有效感知环境风险，此时驾驶人的风险感知可靠性最低，所述驾驶人风险感知可靠性量化模块令rprf＝0；
[0176]
②
若则说明智能汽车感知到环境中无风险，如果则说明驾驶人感知到了智能汽车没有感知到的风险，此时驾驶人的风险感知可靠性最高，所述驾驶人风险感知可靠性量化模块令rprf＝1；
[0177]
③
若且则说明驾驶人和智能汽车均有效感知到了环境中的风险，因此所述驾驶人风险感知可靠性量化模块需要基于驾驶人和智能汽车的风险感知结果进一步计算驾驶人风险感知可靠性。所述驾驶人风险感知可靠性量化模块设置δ1和δ2两个参数用于驾驶人风险感知可靠性因子rprf的计算。
[0178]
所述δ1用于表征前向、左向和右向3个驾驶人主视野方向(如附图2(a)所示)的驾驶人风险感知情况：
[0179][0180]
其中，和分别表征驾驶人前向、左向和右向视野的人-车风险感知匹配度，和的计算规则如附表1-3所示。
[0181]
在使用δ1表征3个驾驶人视野主方向的驾驶人风险感知情况的基础上，所述驾驶人风险感知可靠性量化模块进一步设置δ2来表征附图2(b)所示的8个具体视野区域的驾驶人风险感知情况：
[0182][0183]
其中，n为[t
0-4,t0]内包含的采样点个数。由式(18)可知，δ2的取值范围为[0，1]。
[0184]
根据δ1和δ2，所述驾驶人风险感知可靠性量化模块通过下式计算驾驶人风险感知可靠性因子rprf：
[0185]
rprf＝δ1·
δ2ꢀꢀꢀ
(19)
[0186]
根据上述δ1和δ2的设计过程可知，δ1的取值范围为0或1，δ2的取值范围为[0，1]，因此易知rprf的取值范围为[0，1]。
[0187]
(7)所述基于驾驶人风险感知可靠性的分级预警模块通过设置3个层级的阈值，依据驾驶人风险感知可靠性因子将预警级别分为4个等级，完成从驾驶人风险感知层出发的智能汽车分级预警。
[0188]
参阅附图7，所述基于驾驶人风险感知可靠性的分级预警模块以驾驶人的风险感知可靠性因子rprf为依据，分4个层级进行预警。所述基于驾驶人风险感知可靠性的分级预
警模块设有3个预警阈值：rprf1、rprf2和rprf3，其取值情况为：
[0189][0190]
所述基于驾驶人风险感知可靠性的分级预警模块中4个层级的预警方式和启动范围依次为：
[0191]
(7.1)当rprf＞rprf1时，说明驾驶人的风险感知可靠性极高，甚至能够感知到智能汽车没有感知到的风险，可认为驾驶人产生的驾驶行为是可靠的，因此所述基于驾驶人风险感知可靠性的分级预警模块无需进行预警。
[0192]
(7.2)当rprf2＜rprf≤rprf1时，说明驾驶人的风险感知可靠性有所降低，可认为驾驶人没有充分感知到环境风险，容易产生稍有风险的驾驶行为，此时所述基于驾驶人风险感知可靠性的分级预警模块将通过视觉提示来引导驾驶人关注某一个或某几个原本没有关注的风险区域，以及时修正驾驶行为。当所述基于驾驶人风险感知可靠性的分级预警模块需要提示驾驶人关注前向视野的某区域时，可以通过目前较为成熟的抬头显示系统向需要关注的前向视野区域投影提示信号；当所述基于驾驶人风险感知可靠性的分级预警模块需要提示驾驶人关注左向视野区域或右向视野区域时，可以直接通过车外左向或右向后视镜警告灯的闪烁起到提示驾驶人的作用。
[0193]
(7.3)当rprf3＜rprf≤rprf2时，说明驾驶人的风险感知可靠性已降低至一定水平，驾驶人极易产生危险的驾驶行为，此时所述基于驾驶人风险感知可靠性的分级预警模块将通过更为剧烈的体感提示来对驾驶人进行预警。当驾驶人驾驶意图为车道保持行驶时，所述基于驾驶人风险感知可靠性的分级预警模块通过轻微制动向驾驶人预警；当驾驶人驾驶意图为换道行驶时，所述基于驾驶人风险感知可靠性的分级预警模块通过施加方向盘阻尼(即与驾驶人当前转向行为相反的转矩)来预警驾驶人。
[0194]
(7.4)当rprf≤rprf3，说明此时驾驶人的风险感知可靠性极低，驾驶人的驾驶行为是在没有有效感知到环境风险的情况下执行的，可认为驾驶人的驾驶行为极度危险，此时所述基于驾驶人风险感知可靠性的分级预警模块将执行紧急避险。当驾驶人驾驶意图为车道保持行驶时，所述基于驾驶人风险感知可靠性的分级预警模块将执行紧急制动使车速降低安全范围甚至直接刹停；当驾驶人驾驶意图为换道行驶时，所述基于驾驶人风险感知可靠性的分级预警模块将强行中断驾驶人的换道行为并控制车辆返回原车道。
[0195]
附表1计算规则
[0196][0197]
附表2计算规则
[0198][0199]
附表3计算规则
[0200]

技术特征：
1.一种基于驾驶人风险感知可靠性的智能汽车分级预警系统，其特征在于：包括基于眼动信息的驾驶人风险区域判定模块、客观环境各向异性风险场计算模块、客观环境各向异性风险场视野转换模块、基于驾驶人意图的智能汽车风险区域判定模块、基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块、驾驶人风险感知可靠性量化模块和基于驾驶人风险感知可靠性的分级预警模块；(1)所述基于眼动信息的驾驶人风险区域判定模块以驾驶人眼动信息为输入，根据驾驶人视觉关注点所在位置输出驾驶人判定的风险区域；(2)所述客观环境各向异性风险场计算模块以交通环境信息为输入，输出世界坐标系下的各向异性风险场；(3)所述客观环境各向异性风险场视野转换模块通过世界坐标系-相机坐标系-图像坐标系-像素坐标系的坐标变换，将世界坐标系下各向异性风险场转换至驾驶人视野，输出驾驶人视野下的各向异性风险场；(4)所述基于驾驶人意图的智能汽车风险区域判定模块以驾驶人视野下的各向异性风险场和驾驶人驾驶意图为输入，根据风险场场强大小和驾驶人驾驶意图，输出智能汽车判定的风险区域；所述驾驶人驾驶意图包括左换道、车道保持以及右换道；(5)所述基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块以驾驶人判定的风险区域和智能汽车判定的风险区域为输入，通过统计过去一段时间内的人-车风险感知区域来表征风险感知的累积效应，通过基于半汉宁窗函数的时空卷积运算来表征风险感知的衰退效应，从而表征并输出驾驶人和智能汽车风险感知结果；(6)所述驾驶人风险感知可靠性量化模块以驾驶人判定的风险区域、智能汽车判定的风险区域以及驾驶人和智能汽车风险感知结果为输入，通过区域匹配生成并输出能够量化描述驾驶人风险感知可靠性的驾驶人风险感知可靠性因子；(7)所述基于驾驶人风险感知可靠性的分级预警模块通过设置3个层级的阈值，依据驾驶人风险感知可靠性因子将预警级别分为4个等级，完成从驾驶人风险感知层出发的智能汽车分级预警。2.根据权利要求1所述的一种基于驾驶人风险感知可靠性的智能汽车分级预警系统，其特征在于：将驾驶人的视野划分为前向、左向、右向三个视野主方向，再将所述驾驶人的前向视野划分为左上、上、右上、左下、下、右下6个区域，依次编号为区域1-6，将所述左向视野和右向视野分别编号为区域7和8。3.根据权利要求1或2所述的一种基于驾驶人风险感知可靠性的智能汽车分级预警系统，其特征在于：所述基于眼动信息的驾驶人风险区域判定模块以驾驶人眼动信息为输入，所述驾驶人的眼动行为包括注视行为和扫视行为，通过眼动仪采集驾驶人眼动信息并从中捕捉驾驶人的注视行为，进而获取注视点所处区域，驾驶人注视某一区域，该区域即为驾驶人判定的风险区域；基于眼动信息的驾驶人风险区域判定模块从眼动仪采集的驾驶人眼动信息中确定驾驶人的注视点落在其视野的某个或几个区域上，从而获取驾驶人判定的风险区域的对应编号。4.根据权利要求1所述的一种基于驾驶人风险感知可靠性的智能汽车分级预警系统，其特征在于：所述客观环境各向异性风险场计算模块接收交通环境信息，根据交通参与者的基本种类、几何形状、定义属性和运动状态，通过建立各向异性风险场描述其产生的客观
风险；所述各向异性风险场分为用于描述运动交通车的动态各向异性风险场、用于描述静态障碍物的静态各向异性风险场和车道线的过滤效应：(2.1)所述的动态各向异性风险场的各向异性体现在交通车的运动状态上，在世界坐标系下，交通车k(x
k
,y
k
)与场中某点j(x
j
,y
j
)之间的距离向量d
k,j
为：d
k,j
＝(x
j-x
k
,y
j-y
k
)(1)建立固连在k上的坐标系x
k
o
k
y
k
，其中o
k
为k的质心，ox
k
代表k的前进方向，oy
k
代表k前进方向的法向；将世界坐标系下的d
k,j
转换为x
k
o
k
y
k
坐标系下的等效距离向量坐标系下的等效距离向量其中，和分别为世界坐标系下ox
k
和oy
k
的单位向量，α
k
和β
k
分别为ox
k
和oy
k
方向的距离放缩因子，和k的车身几何尺寸有关；则k产生的动态各向异性风险场e
k
定义为：其中，e
k
的方向为从k的中心指向点j，和分别为k前进方向和法向的加速度,和为加速度系数，μ0为出现在k中心位置的场强峰值，和分别为与k前进方向和法向的夹角，m
k
为考虑交通车类型和速度大小的等效质量：其中，m
k
为k的真实质量，v
k
为k前进方向速度，b
m
和k
m
为与k的类型有关的常数；此外，当交通车k没有变换车道的意图时，k在相邻车道产生的场强e
k
需要乘以车道线过滤因子f
l
；(2.2)所述的车道线的过滤效应与车道线类型和交通车的运动意图有关，当交通车意图为保持原车道行驶时，定义车道线过滤因子f
l
:其中，t
l
为车道线类型系数，d
l,k
为交通车k的车身边缘距离车道线的距离，d
l,center
为交通车k沿当前车道中心线行驶时车身边缘距离车道线的距离；而当交通车有改变车道的意图时，原始车道和目标车道的车道分界线将失去对交通车所产生的动态各向异性风险场的过滤作用；(2.3)所述的静态各向异性风险场用于描述交通环境中静态障碍物产生的风险，建立固连在静态元素s上的坐标系x
s
o
s
y
s
，其中o
s
为s质心，ox
s
代表s外接椭圆的长轴方向，oy
s
代表s外接椭圆的短轴方向；将世界坐标系下的距离向量d
s,j
转换为x
s
o
s
y
s
坐标系下的等效距
离向量离向量其中，和分别为世界坐标系下ox
s
和oy
s
的单位向量，α
s
和β
s
分别为ox
s
和oy
s
方向的距离放缩因子，和s的几何尺寸有关；参考式(3)，s产生的静态各向异性风险场e
s
定义为：其中，m
s
为s的真实质量，μ
s
为出现在s质心的静态各向异性风险场场强峰值；在某一交通环境中，所述客观环境各向异性风险场计算模块得到的客观环境各向异性风险场总场强e表示为：其中，m和n分别为交通环境中对自车行车安全有影响的交通车和静态障碍物数量；所述客观环境各向异性风险场计算模块选定交通参与者的纵向范围为自车前后各150m，侧向范围为自车当前车道以及当前车道的左右相邻车道。5.根据权利要求1或4所述的一种基于驾驶人风险感知可靠性的智能汽车分级预警系统，其特征在于：所述客观环境各向异性风险场视野转换模块通过世界坐标系-相机坐标系-图像坐标系-像素坐标系的坐标变换，将世界坐标系下各向异性风险场转换至驾驶人视野，输出驾驶人视野下的各向异性风险场；其中，根据自车前排座椅所在位置划定分割线，分割线左后方区域和右后方区域的风险场无需进行坐标系转换，分割线前方的风险场则向驾驶人前向视野投影，与驾驶人前向视野中的6个区域形成匹配关系；所述客观环境各向异性风险场视野转换模块定义4个坐标系，分别为世界坐标系、相机坐标系、图像坐标系和像素坐标系，其中：世界坐标系是描述物体在真实物理世界中位置的三维坐标系，坐标轴x
w
、y
w
和z
w
互相垂直，坐标轴单位为m；相机坐标系是建立在相机上的三维坐标系，以相机光心o
c
为原点，坐标轴x
c
、y
c
和z
c
互相垂直，x
c
和y
c
平行于相机所成图像的x
i
轴和y
i
轴方向，z
c
平行于相机主光轴，坐标轴单位为m；图像坐标系是描述相机所成图像的二维坐标系，原点o
i
为主光轴和图像平面交点，坐标轴x
i
和y
i
互相垂直，坐标轴单位为mm；像素坐标系是描述像素点在相机所成图像上位置的二维坐标系，原点为图像顶点o
uv
，坐标轴u和v分别平行于图像坐标系的x
i
轴和y
i
轴，坐标轴单位为pixel；设世界坐标系下某点p的坐标为(x
w
,y
w
,z
w
)，则其转换至像素坐标系需经过如下过程：(3.1)世界坐标系向相机坐标系的转换：首先通过平移变换将世界坐标系的原点平移至相机坐标系原点，然后将相机坐标系绕着世界坐标系三个轴进行旋转变换，则世界坐标系向相机坐标系的转换为：
其中，(x
c
,y
c
,z
c
)是点p在相机坐标系下的坐标，(t1,t2,t3)是相机坐标系原点在世界坐标系下的位置,r为旋转矩阵；将式(9)变换得到齐次矩阵形式：其中，t为平移矩阵，c
int
为相机的外参矩阵；(3.2)相机坐标系向图像坐标系的转换：利用透视摄影关系将三维投影至二维，转换关系为:其中，(x
i
,y
i
,1)为点p在图像坐标系下的归一化坐标，f为相机焦距；(3.3)图像坐标系向像素坐标系的转换：转换关系为：其中，(u,v,1)为点p在像素坐标系下的归一化坐标；联立式(9)至式(12)得世界坐标系向像素坐标系的转换关系为：联立式(9)至式(12)得世界坐标系向像素坐标系的转换关系为：其中，c
ext
为相机外参矩阵；通过式(13)所示的世界坐标系向像素坐标系的转换，所述客观环境各向异性风险场被转换至驾驶人视野；
驾驶人视野下的客观环境各向异性风险场被划分为与驾驶人视野相同的8个区域，区域7和区域8分别代表驾驶人的左向视野和右向视野。6.根据权利要求1所述的一种基于驾驶人风险感知可靠性的智能汽车分级预警系统，其特征在于：所述基于驾驶人意图的智能汽车风险区域判定模块以驾驶人视野下的各向异性风险场和驾驶人驾驶意图为输入：(4.1)首先，所述基于驾驶人意图的智能汽车风险区域判定模块根据驾驶人驾驶意图，从8个视野区域中选定对驾驶人驾驶意图有影响的区域；(4.2)在对驾驶人驾驶意图有影响的区域中，如果其中某区域存在着客观环境各向异性风险场总场强e大于0.5的栅格点，那么所述基于驾驶人驾驶意图的智能汽车风险区域判定模块将该区域作为智能汽车判定的风险区域。7.根据权利要求1所述的一种基于驾驶人风险感知可靠性的智能汽车分级预警系统，其特征在于：所述基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块以驾驶人判定的风险区域和智能汽车判定的风险区域为输入，分别对驾驶人和智能汽车的风险感知结果进行量化表征；所述基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块在描述驾驶人和智能汽车的风险感知结果时考虑了风险在过去4s的累积效应和衰退效应；定义dr
k
(t)来标记采样时刻t区域k是否为驾驶人的风险感知有效区域，dr
k
(t)＝1代表是，dr
k
(t)＝0代表不是；所述基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块将dr
k
视为阶跃输入信号，通过基于滑动时间窗的卷积运算描述驾驶人风险感知的累积效应，通过半汉宁窗函数h
h
来描述驾驶人风险感知的衰退效应，则通过dr
k
和h
h
的卷积运算得到考虑累积效应和衰退效应的驾驶人风险感知结果dr
k
:其中，t0代表当前时刻；所述基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块将风险感知的累积效应和衰退效应用于智能汽车的风险感知结果ir
k
的构建：其中，ir
k
(t)用于标记采样时刻t区域k是否为智能汽车判定的风险区域，ir
k
(t)＝1代表是，ir
k
(t)＝0代表不是。8.根据权利要求1所述的一种基于驾驶人风险感知可靠性的智能汽车分级预警系统，其特征在于：所述驾驶人风险感知可靠性量化模块根据驾驶人判定的风险区域、智能汽车判定的风险区域、驾驶人风险感知结果、智能汽车风险感知结果，综合计算并输出驾驶人风险感知可靠性因子rprf，从而对驾驶人风险感知可靠性进行量化描述，rprf的具体计算过程如下：(6.1)驾驶人和智能汽车判定的风险区域匹配：所述驾驶人风险感知可靠性量化模块将驾驶人判定的风险区域和智能汽车判定的风险区域之间的匹配程度r分为5个等级：高、中高、中、中低、低；当某一时刻智能汽车同时判定多个区域为风险区域时，r取其中的最大值；当未在8个视野区域中的任何一个捕捉到驾驶人注视点时，所有区域的r均为0；
(6.2)驾驶人风险感知可靠性因子rprf计算：所述驾驶人风险感知可靠性量化模块定义了驾驶人风险感知可靠性因子rprf来定量描述驾驶人风险感知可靠性，rprf的计算包含3种情况：
①
若则说明驾驶人注视点位于驾驶人视野8个区域之外或注视点无法被检测，认为驾驶人注意力分散或无法有效感知环境风险，此时驾驶人的风险感知可靠性最低，所述驾驶人风险感知可靠性量化模块令rprf＝0；
②
若则说明智能汽车感知到环境中无风险，如果则说明驾驶人感知到了智能汽车没有感知到的风险，此时驾驶人的风险感知可靠性最高，所述驾驶人风险感知可靠性量化模块令rprf＝1；
③
若且则说明驾驶人和智能汽车均有效感知到了环境中的风险，因此所述驾驶人风险感知可靠性量化模块需要基于驾驶人和智能汽车的风险感知结果计算驾驶人风险感知可靠性；所述驾驶人风险感知可靠性量化模块设置δ1和δ2两个参数用于驾驶人风险感知可靠性因子rprf的计算；所述δ1用于表征前向、左向和右向3个驾驶人主视野方向的驾驶人风险感知情况：其中，和分别表征驾驶人前向、左向和右向视野的人-车风险感知匹配度，δ1的取值范围为0或1；在使用δ1表征3个驾驶人视野主方向的驾驶人风险感知情况的基础上，所述驾驶人风险感知可靠性量化模块设置δ2来表征驾驶人视野8个具体区域的驾驶人风险感知情况：其中，n为[t
0-4,t0]内包含的采样点个数；δ2的取值范围为[0，1]；根据δ1和δ2，所述驾驶人风险感知可靠性量化模块通过下式计算驾驶人风险感知可靠性因子rprf：rprf＝δ1·
δ2(19)rprf的取值范围为[0，1]。9.根据权利要求1所述的一种基于驾驶人风险感知可靠性的智能汽车分级预警系统，其特征在于：所述基于驾驶人风险感知可靠性的分级预警模块以驾驶人的风险感知可靠性因子rprf为依据，分4个层级进行预警，所述基于驾驶人风险感知可靠性的分级预警模块设有3个预警阈值：rprf1、rprf2和rprf3，其取值情况为：所述基于驾驶人风险感知可靠性的分级预警模块中4个层级的预警方式和启动范围依次为：(7.1)当rprf＞rprf1时，说明驾驶人的风险感知可靠性极高，甚至能够感知到智能汽车
没有感知到的风险，认为驾驶人产生的驾驶行为是可靠的，因此所述基于驾驶人风险感知可靠性的分级预警模块无需进行预警；(7.2)当rprf2＜rprf≤rprf1时，说明驾驶人的风险感知可靠性有所降低，认为驾驶人没有充分感知到环境风险，容易产生稍有风险的驾驶行为，此时所述基于驾驶人风险感知可靠性的分级预警模块将通过视觉提示来引导驾驶人关注某一个或某几个原本没有关注的风险区域，以及时修正驾驶行为；(7.3)当rprf3＜rprf≤rprf2时，说明驾驶人的风险感知可靠性已降低至一定水平，驾驶人极易产生危险的驾驶行为，此时所述基于驾驶人风险感知可靠性的分级预警模块将通过更为剧烈的体感提示来对驾驶人进行预警；(7.4)当rprf≤rprf3，说明此时驾驶人的风险感知可靠性极低，驾驶人的驾驶行为是在没有有效感知到环境风险的情况下执行的，认为驾驶人的驾驶行为极度危险，此时所述基于驾驶人风险感知可靠性的分级预警模块将执行紧急避险。

技术总结
本发明涉及一种基于驾驶人风险感知可靠性的智能汽车分级预警系统，包括基于眼动信息的驾驶人风险区域判定模块、客观环境各向异性风险场计算模块、客观环境各向异性风险场视野转换模块、基于驾驶人意图的智能汽车风险区域判定模块、基于风险感知累积效应和衰退效应的人-车风险感知结果表征模块、驾驶人风险感知可靠性量化模块和基于驾驶人风险感知可靠性的分级预警模块；本发明通过构建各向异性行车风险场、驾驶视野区域划分和驾驶人视觉关注点捕捉、时空卷积运算等，从驾驶人风险感知层面实现纵侧向联合预警，有效解决交通环境风险描述不准确、驾驶人风险感知情况量化描述和评价困难、纵侧向预警割裂和预警滞后等问题，提升预警系统性能表现。预警系统性能表现。预警系统性能表现。


技术研发人员：赵健 宋东鉴 朱冰 杨依霖 吴杭哲 赵文博
受保护的技术使用者：吉林大学
技术研发日：2023.04.06
技术公布日：2023/6/26