[發明專利]一種考慮行人激進度的行人風險評估方法

有效

• 申請號: 202011154776.0
• 申請日: 2020-10-26
• 公開（公告）號: CN112232254B
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 王裕寧;黃荷葉;王建強;許慶
• 申請（專利權）人: 清華大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06T7/70;G06N3/04;G06N3/08
• 代理公司: 北京匯智勝知識產權代理事務所(普通合伙) 11346
• 代理人: 石輝;趙立軍

1.一種考慮行人激進度的行人風險評估方法，其特征在于，包括：

步驟S1，檢測自車行駛路線上是否有行人正在穿行；若是，則進入步驟S2；

步驟S2，調用自車傳感器數據和定位數據，獲取行人等待時間、行人是否向后退、行人穿行群體人數、行人穿行的速度、加速度和人車間距；

步驟S3，根據步驟S2得到的數據，確定特征變量的數值和激進度指數；其中，所述特征變量包括是否向后退、平均速度、是否觀察車流、是否有干擾物、加速度、等待時間、人群數量，所述特征變量是通過下述方法設置的：通過相關性矩陣分析影響行人激進度的備選變量，在每一組相關性高于預設閾值的變量中保留一種變量設置為所述特征變量；確定所述特征變量的數值和激進度指數包括根據步驟S2得到的數據獲取所述特征變量的數值，根據預設的特征變量與激進度之間的對應關系確定所述激進度指數；

步驟S4，將步驟S3獲得的特征變量的激進度指數作為輸入，通過基于多層感知機MLP的深度學習網絡，獲得行人整體激進度數值；

步驟S5，基于所述行人整體激進度數值計算行人風險值。

2.根據權利要求1所述的方法，其特征在于，步驟S3中根據預設的特征變量與激進度之間的對應關系確定所述激進度指數包括：

確定是否向后退的激進度：如果行人后退，所述是否向后退的激進度取第一值，否則取第二值；第一值小于第二值；

確定平均速度的激進度：根據所述平均速度與預設速度的差值以及差值與速度激進度的預設關系得到所述行人的平均速度的激進度指數；

確定是否觀察車流的激進度：如果行人觀察車流，所述是否觀察車流的激進度指數取第三值，否則取第四值；第三值小于第四值；

確定是否有干擾物的激進度：如果存在干擾物，所述是否有干擾物的激進度取指數第五值，否則取第六值；第五值大于第六值；

確定加速度的激進度：如果行人加速度大于預設加速度閾值，確定加速度的激進度指數取第七值，否則取第八值；第七值大于第八值；

確定等待時間的激進度：根據預設等待之間與激進度之間的對應關系確定所述等待時間的激進度指數，其中，等待時間越長，激進度越大；

確定人群數量的激進度：根據預設的人數與激進度之間的關系確定人群數量的激進度指數；其中，人群數量在小于預設人數閾值之前，激進度隨人數的增加而減小。

3.根據權利要求2所述的方法，其特征在于，確定平均速度的激進度包括：

根據下式(1)將所述平均速度進行正則化處理，得到新平均速度：

其中為預設速度，σ為樣本標準差，～N(0,1)表示標準正態分布；

根據下式(2)確定所述行人的平均速度的激進度指數：

其中，A_spd表示平均速度的激進度指數，P表示概率密度函數，X表示隨機變量，v₀表示行人的通行平均速度。

4.根據權利要求2所述的方法，其特征在于，所述第一值、第三值、第六值、第八值為0，所述第二值、第四值、第五值、第七值為1。

5.根據權利要求2所述的方法，其特征在于，所述確定等待時間的激進度包括根據下式(3)確定所述等待時間的激進度指數：

其中，A_wait表示所述等待時間的激進度指數，t_wait表示所述等待時間。

6.根據權利要求2所述的方法，其特征在于，所述確定人群數量的激進度包括根據下式(4)確定人群數量的激進度指數：

其中，N_G表示人群數量，A_G(N_G)表示人群數量的激進度指數。

7.根據權利要求1所述的方法，其特征在于，所述基于MLP的深度學習網絡包括輸入層、隱藏層和輸出層；在所述輸入層輸入所述步驟S3獲得的特征變量的激進度指數；在所述隱藏層中以下參數為超參數：周期數、單層神經元數、隱藏層數、激活函數、學習率和損失函數；在所述輸出層輸出所述行人整體激進度數值。