(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111517555.X (22)申请日 2021.12.13 (71)申请人 南京理工大 学 地址 210094 江苏省南京市玄武区孝陵卫 200号 (72)发明人 周竹萍　刘博闻　汤睿尧　栾泊蓉　 欧阳墨蓝 　刘洋　李卫　胡春钢　 欧婉情　 (74)专利代理 机构 南京理工大 学专利中心 32203 代理人 王安 (51)Int.Cl. G06V 40/20(2022.01) G06Q 10/06(2012.01) G06Q 10/04(2012.01)G06N 3/04(2006.01) G08G 1/16(2006.01) G06K 9/62(2022.01) G06V 10/762(2022.01) (54)发明名称 一种基于自动驾驶汽车的人车碰撞危险度 分析方法 (57)摘要 本发明公开了一种基于自动驾驶汽车的人 车碰撞危险度分析方法， 首先根据行人过街历史 数据集中的过街特征， 通过高斯聚类将过街行为 分为不同的习惯类型， 利用联合概率分布函数， 帮助自动驾驶车辆根据行人当前运动状态获取 其未来可能状态集合， 并通过GCN图卷积神经网 络考虑人车动态时空关系， 得到行人未来可能的 轨迹集合， 最后考虑轨迹碰撞 概率与最小会遇距 离， 利用物元可拓理论进行特征降维， 建立危险 度函数， 实现人车碰撞危险度实时判断。 本方法 聚焦行人运动状态存在突变的特征， 更具体地考 虑了人车时空关系对轨迹的影 响， 通过多指标的 融合提升了人车碰撞判断结果的准确性与可信 度， 进一步提高自动驾驶的智 能度、 提升乘坐舒 适性与安全性。 权利要求书3页 说明书9页 附图2页 CN 114299607 A 2022.04.08 CN 114299607 A 1.一种基于自动驾驶汽车的人 车碰撞危险度分析 方法， 其特 征在于， 包括以下步骤： 步骤1、 获取行人过街历史数据集中的过街特征， 包括速度、 加速度与过街航向角， 并运 用高斯混合聚类GM M法， 构建高斯混合分布函数， 表示 三种不同的行 人过街习惯； 步骤2、 获取自动驾驶车辆前方行人的运动参数， 基于行人的运动特征匹配步骤1中确 定的相应行 人过街习惯； 步骤3、 以当前行人的真实运动速度、 加速度及航向角为中心， 以正负σ 为取值区间， 获 取其联合高斯分布中的所有可能速度、 加速度及航向角集合及联合概率， 并通过均匀重采 样获取n3组状态向量 集合； 步骤4、 对车载传感器获取的过街行人运动状态数据、 自动驾驶车辆本身的运动状态数 据以及行人与车辆对的空间位置关系进行预处理， 将预处理后的数据导入到图卷积神经网 络GCN模型中， 训练GCN模型的结构权 重和偏置参数； 步骤5、 通过训练好的GCN模型预测行人在不同数据组合下的轨迹集合， 并确定车辆在 保持运动状态不变时的未来轨 迹； 步骤6、 确定行 人未来轨迹集合与车辆未来轨 迹的碰撞情况与最小会遇距离； 步骤7、 运用物元 可拓理论综合 考虑碰撞情况与最小会遇距离， 获取 人车碰撞危险度。 2.根据权利要求1所述的基于自动驾驶汽车的人车碰撞危险度分析方法， 其特征在于， 所述步骤1中的构建高斯混合分布函数， 表示 三种不同的行 人过街习惯， 具体为： 步骤1‑1、 构建概 率密度函数： 其中， μ代表3维均值向量， Σ代表由行人的航向角、 速度及加速度确定的3*3的协方差 矩阵， p(x)代 表服从高斯分布的3维样本空间χ 中的随机向量 χ 的概 率密度函数； 步骤1‑2、 根据3种行 人过街行为习惯确定高斯混合分布函数： 其中， μi与∑i是第i个高斯混合成分的参数， k ＝3， αi＞0为相应的混合系数， 步骤1‑3、 利用EM算法获取迭代后的最优高斯分布参数。 3.根据权利要求2所述的基于自动驾驶汽车的人车碰撞危险度分析方法， 其特征在于， 所述步骤1‑3中的利用E M算法获取迭代后的最优高斯分布参数， 具体为 步骤1‑3‑1、 初始化高斯参数μi、 ∑i和αi， 对于每一个样本Zj， 确定其属于每一种高斯分 布的后验概 率： 步骤1‑3‑2、 确定每 个样本xj的簇标记 λj： 步骤1‑3‑3、 通过簇标记 λj将样本集划分为3个簇 C＝{C1,C2,C3}；权　利　要　求　书 1/3 页 2 CN 114299607 A 2步骤1‑3‑4、 通过极大似然法构造拉格朗日函数更新各簇的高斯分布参数： μi、 ∑i和αi， 对于m个样本和k个簇， 拉格朗日函数公式为： 所述每种高斯分布的均值向量 μi的更新公式为： 所述每种高斯分布的协方差矩阵∑i的更新公式为： 所述每种高斯分布的混合系数αi的更新公式为： 接着， 结束当前迭代， 并将新获取的μ ′i、 ∑′i和α′i作为下一次迭代的初始参数， 直到满 足设定的迭代 停止要求 为止。 4.根据权利要求1所述的基于自动驾驶汽车的人车碰撞危险度分析方法， 其特征在于， 所述步骤2中的利用行 人的运动特 征匹配步骤1中获取的相应行 人过街习惯， 具体为： 步骤2‑1、 实时采集行 人的航向角、 历史轨 迹与当前速度、 加速度参数， 构成状态向量 η； 步骤2‑2、 将行人的状态向量η带入高斯混合分布中， 分别计算向量η属于三种高斯分布 的后验概率， pM(C＝1| η )、 pM(C＝2| η )、 pM(C＝3| η )， 后验概率最大的高斯分布即为行人当前 状态向量所属高斯分布， 进 而确定行 人的过街习惯。 5.根据权利要求1所述的基于自动驾驶汽车的人车碰撞危险度分析方法， 其特征在于， 所述步骤3中的获取离 散状态向量 集合， 具体为： 以当前行人的真实运动速度、 加速度及航向角组成的三维状态向量η为中心， 以正负σ 为取值区间， 获取其联合高斯分布中的所有可能速度、 加速度及航向角集 合及联合 概率； 将所得可能速度、 加速度及航向角集合区间及联合概率区间分别平均分为n个部分， 进 而通过交叉匹配确定n3组行人可能状态的三维向量 集合以及每一种集 合的概率。 6.根据权利要求1所述的基于自动驾驶汽车的人车碰撞危险度分析方法， 其特征在于， 所述步骤5中的确定行 人的轨迹集合和车辆的轨 迹， 具体为： 步骤5‑1、 获取当前车辆和过街行人的包括过街行人的速度、 加速度、 位置， 车辆的速 度、 加速度和车辆的位置， 经过数据归一化操作， 得到行人和车辆的实时轨迹序列， 结合步 骤3中获取的n3组状态向量集合中的一组， 分别输入 到训练好的GC N模型中， 输出n3组预测数 据， 并将输出的预测数据进行反归一 化， 得到n3条过街行人未来2s内的运动轨 迹； 步骤5‑2、 依据车辆动力学确定出 车辆未来2s内的轨 迹。 7.根据权利要求1所述的基于自动驾驶汽车的人车碰撞危险度分析方法， 其特征在于， 所述步骤6中的确定 碰撞情况与最小会遇距离， 具体为： 步骤6‑1、 确定碰撞情况， 考虑 车辆真实轮廓并将行人拟为直径0.5米的圆形， 确定每一权　利　要　求　书 2/3 页 3 CN 114299607 A 3