CN111409648B - 一种驾驶行为分析方法及装置 - Google Patents

Abstract

本发明提供了一种驾驶行为分析方法及装置，该方法包括：获取驾驶员针对预设的模拟交通场景的驾驶行为数据；处理驾驶行为数据得到模拟交通场景的关键指标数据；根据关键指标数据构建驾驶员仿真模型；利用驾驶员仿真模型对待分析的自动驾驶算法进行拟人化处理。基于本发明公开的方法，可以最大可能实现自动驾驶算法学习和模仿人类驾驶行为，从而有利于提高自动驾驶汽车的安全性和全面推广。

Description

一种驾驶行为分析方法及装置

技术领域

本发明涉及自动驾驶汽车技术领域，更具体地说，涉及一种驾驶行为分析方法及装置。

背景技术

随着自动驾驶技术的飞速发展，公共道路上具有不同程度自动化的汽车比例越来越高。

由于汽车自动化是一个缓慢的逐渐发展的过程，因此在很长一段时间内交通环境中将处于人类驾驶员和自动驾驶汽车混合的状态。人类驾驶员之间已经形成了微妙的驾驶行为方式，并且能够在交互中互相理解。然而受工作模式的限制，人类的这种观察、理解、交流的方式，并不能直接被计算机所接受。因此，如何使自动驾驶汽车安全适应于人类驾驶员和自动驾驶汽车混合的交通环境中，是现阶段亟需解决的问题。

发明内容

有鉴于此，为解决上述问题，本发明提供一种驾驶行为分析方法及装置。技术方案如下：

一种驾驶行为分析方法，包括：

获取驾驶员针对预设的模拟交通场景的驾驶行为数据；

处理所述驾驶行为数据得到所述模拟交通场景的关键指标数据；

根据所述关键指标数据构建驾驶员仿真模型；

利用所述驾驶员仿真模型对待分析的自动驾驶算法进行拟人化处理；其中，

所述获取驾驶员针对预设的模拟交通场景的驾驶行为数据，包括：

确定驾驶员基于预设环境交互界面所指定的模拟交通场景；

激活预先设置的驾驶舱模拟装置；

采集所述驾驶舱装置所生成的驾驶行为数据。

优选的，所述根据所述关键指标数据构建驾驶员仿真模型，包括：

基于所述关键指标数据确定跟车行为数据，并处理所述跟车行为数据得到跟车行为模型；和/或

基于所述关键指标数据确定换道行为数据，并处理所述换道行为数据得到换道行为模型。

优选的，所述方法还包括：

基于所述驾驶员仿真模型构建交通环境仿真模型。

优选的，所述方法还包括：

利用所述交通环境仿真模型对拟人化处理后的所述自动驾驶算法进行测试。

一种驾驶行为分析装置，包括：

获取模块，用于获取驾驶员针对预设的模拟交通场景的驾驶行为数据；

第一处理模块，用于处理所述驾驶行为数据得到所述模拟交通场景的关键指标数据；

构建模块，用于根据所述关键指标数据构建驾驶员仿真模型；

第二处理模块，用于利用所述驾驶员仿真模型对待分析的自动驾驶算法进行拟人化处理；其中，

所述获取模块，具体用于：确定驾驶员基于预设环境交互界面所指定的模拟交通场景；激活预先设置的驾驶舱模拟装置；采集所述驾驶舱装置所生成的驾驶行为数据。

优选的，所述构建模块，具体用于：

基于所述关键指标数据确定跟车行为数据，并处理所述跟车行为数据得到跟车行为模型；和/或基于所述关键指标数据确定换道行为数据，并处理所述换道行为数据得到换道行为模型。

优选的，所述构建模块，还用于：

基于所述驾驶员仿真模型构建交通环境仿真模型。

优选的，所述第二处理模块，还用于：

利用所述交通环境仿真模型对拟人化处理后的所述自动驾驶算法进行测试。

相较于现有技术，本发明实现的有益效果为：

本发明提供一种驾驶行为分析方法及装置，该方法可以基于驾驶员针对模拟交通场景的驾驶行为数据构建驾驶员仿真模型，进而利用该驾驶员仿真模型对待分析的自动驾驶算算法进行拟人化处理。基于本发明公开的方法，可以最大可能实现自动驾驶算法学习和模仿人类驾驶行为，从而有利于提高自动驾驶汽车的安全性和全面推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的驾驶行为分析方法的方法流程图；

图2为模拟交通场景示例；

图3为本发明实施例提供的驾驶行为分析方法的另一方法流程图；

图4为本发明实施例提供的驾驶行为分析装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例了一种驾驶行为分析方法，该方法的方法流程图如图1所示，包括如下步骤：

S10，获取驾驶员针对预设的模拟交通场景的驾驶行为数据。

在执行步骤S10的过程中，可以基于预设环境交互界面和预先设置的驾驶舱模拟装置获取驾驶员针对指定模拟交通场景的驾驶行为数据。具体可以确定驾驶员在预设环境交互界面上所指定的模拟交通场景，进一步激活驾驶舱模拟装置，并采集驾驶舱装置所生成的驾驶行为数据。而模拟交通场景则是预先创建的虚拟的交通环境，包括虚拟的道路条件、虚拟的交通参与者运动状态以及虚拟的天气条件等。

模拟交通场景中所有车辆和道路环境均为虚拟的数学模型，车辆可以分为两类：第一类是由人类驾驶员通过驾驶舱模拟装置所控制的车辆(如图2所示出模拟交通场景示例中制动避让的“主车”，即右侧车辆)；第二类是由非人类驾驶员所控制的车辆(如图2所示出模拟交通场景示例中制动减速度的“前车”，即左侧车辆)。其中，

对于第一类车辆，驾驶员通过驾驶舱模拟装置给车辆模型发送真实的控制信号，例如油门，制动，转向等实际操纵行为，从而相应地控制该车辆的跟车、加速、制动等行为。而驾驶舱模拟装置除了配置真实驾驶舱中所具有基本车辆操纵机构(如油门踏板，制动踏板，方向盘，换挡杆，各种驾驶功能相关拨片等)之外，还配备设置于车辆操纵机构处的数据采集传感器，比如，油门踏板位置传感器安装于油门踏板处，可以实时感知驾驶员操纵的油门开度。

对于第二类车辆，其可以模拟人类驾驶员的驾驶行为，包括对于环境的感知，例如识别一定范围内的其它车辆，识别行人等其它交通参与者，并判断他们的运动状态，如速度，方向，相对距离等，从而发出控制指令，以合理地控制速度，加速度等，从而实现虚拟操控、模拟出接近真实的交通环境。

以驾驶行为中的“跟车”行为为例，驾驶行为数据如表1所示，表中的数据都是驾驶过程中的时间序列，采样频率为f(Hz)，相应的，采样周期为Δt＝1/f(s)。

表1

需要说明的是，表1中只是举例说明了本实施例可以采集到的驾驶行为数据，在不同与跟车的驾驶行为中，可以获得更多其它的驾驶行为数据类型，同时，数据产生的对象，也不限于表2中所列出的“前车”和“主车”。在实际应用中，还可以涉及到多辆“环境车辆”，和多辆“主车”，在此情况下，采集到驾驶行为数据的数据类型，数据量都相应增加。

还需要说明的是，对于所采集到的驾驶行为数据可以按照时间序列，驾驶员编号序列，场景序列等多维度的逻辑结构进行储存。

S20，处理驾驶行为数据得到模拟交通场景的关键指标数据。

在执行步骤S20的过程中，可以针对不同的模拟交通场景中不同驾驶行为设置不同的关键指标。

继续以驾驶行为中的“跟车”行为为例，如表2所示的关键指标是基于驾驶行为数据计算得到的，特定事件发生时(例如，前车突然减速，主车紧急制动避撞)，操控主车的人类驾驶员的行为特征参数。

需要说明的是，模拟交通场景所涵盖的驾驶行为分类包括了实际驾驶过程中可能出现的各种行为，例如跟车，换道，超车，转向，避让行人等。

表2

表2中所定义的关键指标，具体的计算方法如表3所示。表3中所涉及到的符合和运算符解释如下：time是指时刻，t是指t时间步，Δt指时间步长(采样周期)。运算符|指“当条件满足时”，max()指求最大值，min()指求最小值，||指取绝对值。

表3

S30，根据关键指标数据构建驾驶员仿真模型。

在执行步骤S30的过程中，驾驶员仿真模型可以针对跟车行为和换道行为。而其他的行为，本质上，都是上述两个分解行为的组合。比如，超车，就是先跟本车道车，再换道，再跟目标车道的前车；再比如，进入匝道，驶出高速，本质上也是换道，再跟车。

针对跟车行为所对应的跟车模型，可以采用加速度控制方法处理关键指标数据中的跟车行为数据得到。加速度控制方法具体如下：

其中，各个参数的定义及单位如下表4所示：

符号	定义	单位
			x	位置	m
V	速度	m/s
			V<sub>0</sub>	期望速度	m/s
T	期望安全车头时距	s
			a	最大加速度	m/s<sup>2</sup>
b	舒适加速度	m/s<sup>2</sup>
			δ	加速度指数	\
s<sub>0</sub>	停车距离	m

表4

表4中的参数，将可以通过驾驶行为数据进行标定，以获得尽可能接近人类真实驾驶行为的模型。

针对换道行为所对应的换道模型，可以采用“条件-动机-执行”的控制方法处理关键指标数据中的换道行为数据得到。

根据人类驾驶员在道路上的实际驾驶行为特征，人类驾驶员换道习惯分为四类：目标车速驱动，车速保持+超车驱动，车道保持驱动，最大车速驱动。

目标车速驱动，这种类型的驾驶员，会选择某一个期望速度，并且以保持这一速度为主要驾驶目标。如果驾驶环境导致他们的实际驾驶速度低于期望值，他们会尽可能地把握所有的超车机会，并且在做换道决策时，不会考虑居右原则。如果没有会导致他们减速的条件，他们就不会主动换道。

车速保持+超车驱动，同上一类型类似的是，这种驾驶员也会设定一个期望速度，但不同的是他们会执行居右原则，只在超车时使用左边的超车道，超车完成后就会回到右车道。

车道保持驱动，这类驾驶员倾向于保持在当前车道，他们会尽可能地去适应当前车道的前车的速度。由于他们以“保持车道”为主要目标，所以他们与前面两种类型的驾驶员区别主要在于，他们没有一个期望车速，或者说，他们可以忍受的车速范围比前两种驾驶员更宽。

最大车速驱动，这种类型与第三种类型相似之处在于，这类驾驶员也不会设定一个期望速度，而是尽可能地以当前驾驶条件能满足的最大驾驶速度行驶。因此，这类驾驶员的换道特征是，在任何满足超车条件，或是可以使其获得速度优势的条件下，执行超车，以尽可能地获得最大车速。

上述四种类型的驾驶员，在执行换道的整个过程，首先，驾驶员会不断地观察自己当前所处的驾驶环境，并和自己的期望进行比较评估，并得出不同程度的“换道动机”，“换道动机”分为三个不同程度等级，第一级为“不需要”，当驾驶员评估出结果为“不需要”时，保持当前车道行驶，第二级为“一般需要”，当评估结果落在这一级时，驾驶员会开始寻找换道机会，如果此时有足够安全的合适换道机会，则执行换道，否则，保持当前车道，并重新评估“换道动机”；第三级为“强烈需要”，落入这一级的情况下，驾驶员有迫切的需求进行换道，驾驶员会寻找换道机会，如果安全，则执行换道，如果不行，则等待机会或创造机会(如减速或加速)，直到具备换道条件，然后执行换道。

而对于换道模型，还需要考虑影响换道动机的另一个维度——道路条件因素。驾驶员所面临的影响其“换道动机”的条件被分为7种，分别如下：

准备转弯：需要在一定的距离后转弯，而现在不在正确的转弯车道上。

车道终止：自己当前所在的车道，将在一定距离内终止。

借用车道：由于临时原因，暂时处于错误的车道上，例如，右转后暂时处于右车道，但下一个路口需要直行。

意外障碍：自己所在车道的前方，遭遇意料之外的障碍物。

速度优势：换道可以令自己提高车速。

排队优势：堵车或等待信号灯时，换道可以令自己排队更靠前。

脱离拥堵优势：前方发送拥堵时，换道可以令自己更快地脱离拥堵路段，例如，当驾驶员注意到，拥堵是由于前方右侧有车辆汇入导致的，那么，他倾向于提前换道到最左车道，因为这有利于减少他在拥堵路段的时间。

其中，前四个情况，对应着的换道需求为“强烈需要”，后三个情况，对应着的换道需求为“一般需要”。

S40，利用驾驶员仿真模型对待分析的自动驾驶算法进行拟人化处理。

在执行步骤S40的过程中，拟人化处理的过程是，先针对特定的控制参数，比如，跟车的距离，进行人类驾驶员的驾驶行为采用统计，人类驾驶员在不同的车速v下，习惯采取f(v)的跟车距离，那么这个f(v)的跟车距离就作为参照，调整智能车控制算法中所定义的“跟车距离”。

值得注意的是，上述所讨论的“拟人化处理”，仅针对于“非紧急场景”，或者说，局限于优秀人类驾驶员可以应对的场景，也就是说，这部分，仅仅是用来评价智能车在保证”安全”的前提下的“舒适性”和“效率”，而另一部分场景，是人类驾驶员无法应对的，或者说其紧急程度已经不容再考虑“舒适性”和“效率”了，这些极端场景下，则就直接地以智能车能否及时避免碰撞，以及无法避免的情况下，碰撞速度控制在多少来作为测试指标即可。其实也就是最大程度地减少伤害。

需要说明的是，如果驾驶员仿真模型构建完成，则还可以关键指标数据对该驾驶员仿真模型进行迭代测试，以此优化驾驶员仿真模型，此时上述第一类车辆即为驾驶员仿真模型所控制的车辆。此外，在构建驾驶员仿真模型时，第一类车辆可以为指定控制算法所控制的车辆。

还需要说明的是，在优化驾驶员仿真模型的过程中，每一种换道习惯的驾驶员仿真模型将以一定的概率出现，此时也就构成了一交通环境模型。经过人类驾驶员在整个系统中的不断地迭代循环测试，驾驶员仿真模型也越来越接近人类驾驶员的驾驶行为，反过来，人类驾驶员也将处于一个越来越真实和复杂的交通环境模型中。由此完成了驾驶员模型和交通环境模型的学习进化。

在其他一些实施例中，为测试评估自动驾驶算法在真实交通环境下的表现，在图1所示驾驶行为分析的基础上，该驾驶行为分析方法还包括如下步骤，方法流程图如图3所示：

S50，基于驾驶员仿真模型构建交通环境仿真模型。

本实施例中，将驾驶员仿真模型并入到模拟交通场景中即可得到交通环境仿真模型，为后续仿真测试打下基础。

S60，利用交通环境仿真模型对拟人化处理后的自动驾驶算法进行测试。

在执行步骤S60的过程中，可以将自动驾驶汽车算法接入到交通环境仿真模型中。在安全，高效的条件下，部分地替代公共道路实车测试。

本发明实施例提供的驾驶行为分析方法，可以基于驾驶员针对模拟交通场景的驾驶行为数据构建驾驶员仿真模型，进而利用该驾驶员仿真模型对待分析的自动驾驶算算法进行拟人化处理。基于本发明公开的方法，可以最大可能实现自动驾驶算法学习和模仿人类驾驶行为，从而有利于提高自动驾驶汽车的安全性和全面推广。

基于上述实施例提供的驾驶行为分析方法，本发明实施例则对应提供一种驾驶行为分析装置，该装置的结构示意图如图4所示，包括：

获取模块10，用于获取驾驶员针对预设的模拟交通场景的驾驶行为数据；

第一处理模块20，用于处理驾驶行为数据得到模拟交通场景的关键指标数据；

构建模块30，用于根据关键指标数据构建驾驶员仿真模型；

第二处理模块40，用于利用驾驶员仿真模型对待分析的自动驾驶算法进行拟人化处理；其中，

获取模块10，具体用于：确定驾驶员基于预设环境交互界面所指定的模拟交通场景；激活预先设置的驾驶舱模拟装置；采集驾驶舱装置所生成的驾驶行为数据。

优选的，构建模块30，具体用于：

基于关键指标数据确定跟车行为数据，并处理跟车行为数据得到跟车行为模型；和/或基于关键指标数据确定换道行为数据，并处理换道行为数据得到换道行为模型。

优选的，构建模块30，还用于：

基于驾驶员仿真模型构建交通环境仿真模型。

优选的，第二处理模块40，还用于：

利用交通环境仿真模型对拟人化处理后的自动驾驶算法进行测试。

本发明实施例提供的驾驶行为分析装置，可以基于驾驶员针对模拟交通场景的驾驶行为数据构建驾驶员仿真模型，进而利用该驾驶员仿真模型对待分析的自动驾驶算算法进行拟人化处理。基于本发明公开的装置，可以最大可能实现自动驾驶算法学习和模仿人类驾驶行为，从而有利于提高自动驾驶汽车的安全性和全面推广。

以上对本发明所提供的一种驾驶行为分析方法及装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素，或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种驾驶行为分析方法，其特征在于，包括：

获取驾驶员针对预设的模拟交通场景的驾驶行为数据；其中，所述模拟交通场景中的车辆分为两类：第一类是由人类驾驶员通过驾驶舱模拟装置所控制的车辆，第二类是由非人类驾驶员所控制的车辆；

处理所述驾驶行为数据得到所述模拟交通场景的关键指标数据；

根据所述关键指标数据构建驾驶员仿真模型；

利用所述驾驶员仿真模型对待分析的自动驾驶算法进行拟人化处理；其中，

所述获取驾驶员针对预设的模拟交通场景的驾驶行为数据，包括：

确定驾驶员基于预设环境交互界面所指定的模拟交通场景；

激活预先设置的驾驶舱模拟装置；

采集所述驾驶舱模拟 装置所生成的驾驶行为数据。

2.根据权利要求1所述的方法，其特征在于，所述根据所述关键指标数据构建驾驶员仿真模型，包括：

基于所述关键指标数据确定跟车行为数据，并处理所述跟车行为数据得到跟车行为模型；和/或

基于所述关键指标数据确定换道行为数据，并处理所述换道行为数据得到换道行为模型。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述驾驶员仿真模型构建交通环境仿真模型。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

利用所述交通环境仿真模型对拟人化处理后的所述自动驾驶算法进行测试。

5.一种驾驶行为分析装置，其特征在于，包括：

获取模块，用于获取驾驶员针对预设的模拟交通场景的驾驶行为数据；其中，所述模拟交通场景中的车辆分为两类：第一类是由人类驾驶员通过驾驶舱模拟装置所控制的车辆，第二类是由非人类驾驶员所控制的车辆；

第一处理模块，用于处理所述驾驶行为数据得到所述模拟交通场景的关键指标数据；

构建模块，用于根据所述关键指标数据构建驾驶员仿真模型；

第二处理模块，用于利用所述驾驶员仿真模型对待分析的自动驾驶算法进行拟人化处理；其中，

所述获取模块，具体用于：确定驾驶员基于预设环境交互界面所指定的模拟交通场景；激活预先设置的驾驶舱模拟装置；采集所述驾驶舱模拟 装置所生成的驾驶行为数据。

6.根据权利要求5所述的装置，其特征在于，所述构建模块，具体用于：

基于所述关键指标数据确定跟车行为数据，并处理所述跟车行为数据得到跟车行为模型；和/或基于所述关键指标数据确定换道行为数据，并处理所述换道行为数据得到换道行为模型。

7.根据权利要求5所述的装置，其特征在于，所述构建模块，还用于：

基于所述驾驶员仿真模型构建交通环境仿真模型。

8.根据权利要求7所述的装置，其特征在于，所述第二处理模块，还用于：

利用所述交通环境仿真模型对拟人化处理后的所述自动驾驶算法进行测试。

Images