驾驶人风险敏感度差异化表征方法、装置、设备及介质

1.本技术涉及智能汽车应用技术领域，特别涉及一种驾驶人风险敏感度差异化表征方法、装置、设备及介质。


背景技术：

2.行车安全与驾驶人在涉及导致碰撞或接近碰撞事件的高风险场景中采取的避免碰撞的决策直接相关。而驾驶决策很大程度上受驾驶人风险认知水平的影响。正常驾驶过程中，驾驶人对单一数量、类型的风险源的认知判断难以精准体现其真实复杂风险认知过程，且真实交通中多个风险源、多危险类型场景普遍存在。在复杂驾驶场景中存在多种风险源时，驾驶人的风险认知能力下降，其避障行为表现为消极，易产生交通事故。当面临同一风险场景时，驾驶人场景自适应与风险响应的能力具有差异性，有必要探究潜在影响因素或特质影响个体在风险情境下具备的不同表现。
3.对风险情况具有不同敏感度的驾驶人在相同关键场景时会在不同的时间做出反应，这种个性化差异将会对驾驶人的避障策略和是否造成碰撞事故都产生关键影响。一般而言，风险敏感度越高的驾驶人，碰撞事故发生可能性越小。即风险敏感度越高的驾驶人通常较早感知到潜在风险，可预留的采取避撞行动的反应时间充分，实现避障可能性更大。目前国内外对于驾驶人风险敏感度已有大量研究。
4.相关技术中，风险平衡理论(risk homeostasis theory，简称rht)阐述了驾驶人积极响应并抑制风险到安全裕度的行为。wilde首次提出该理论并解释了驾驶人在感知风险过程与最终自身能够接受的风险阈值间的关系。通常当两者相差较大时，会通过操作行为的调整实现主观和客观风险之间的差异性减小，从而维持稳定的风险水平。
5.相关技术中，风险规避理论(risk avoidance theory，简称rat)是指基于驾驶人学习能力来表征风险期望水平和驾驶人风险规避能力。在该理论中，驾驶人通过控制电子设备实现风险规避并安全抵达目的地。基于该理论可知，交通事故发生的背后原因是驾驶人难以应对突发风险并造成风险状态超出阈值范围，因此导致系统失控失稳。
6.相关技术中，风险感知模型(risk peception model，简称rpm)描述了基于改进后的驾驶动机模型，进一步以驾驶人主观风险感知的结果作为智能电子设备报警阈值匹配值。通过客观参数和主观感知水平的匹配，融入智能电子设备系统实现驾驶辅助，准确度较高。清华大学智能网联汽车课题组虞辰霏等人将其用作自适应驾驶人特性的前撞预警算法，并将驾驶人对风险的感知作为前撞报警阈值的匹配值。
7.上述相关技术中，风险敏感度建模或风险认知方法能在一定程度上解析不同驾驶人对同一交通场景中的风险敏感度和主观认知评价过程，能描述驾驶人辨别、预测、认知和评价不同交通场景下危险情境的能力。然而，这类方法主要聚焦安全评估和保证，多偏向于定性描述驾驶人风险敏感度的过程，缺乏对驾驶人风险敏感度充分表征的建模，未量化复杂多变的情况下不同驾驶人受其驾驶风格、驾驶技能等属性影响带来的场景风险辨识结果，难支撑基于驾驶人风险敏感度特性的智能电子设备应用安全避险过程，亟待解决。


技术实现要素：

8.本技术提供一种驾驶人风险敏感度差异化表征方法、装置、设备及介质，以解决相关技术中，驾驶风险认知方法缺乏对驾驶人风险敏感度充分表征的建模，未量化复杂多变的情况下不同驾驶人受其驾驶风格、驾驶技能等属性影响带来的场景风险辨识结果，难支撑基于驾驶人风险敏感度特性的智能电子设备应用安全避险过程等问题，能够支持分析不同驾驶人风险敏感度对行车安全的影响，降低驾驶人驾驶过程或智能车辆行驶过程中的潜在碰撞风险，提高行车安全。
9.本技术第一方面实施例提供一种驾驶人风险敏感度差异化表征方法，包括以下步骤：
10.获取当前车辆的多个驾驶人的操作行为特征参数，并根据所述操作行为特征参数确定不同驾驶人在同一场景下的驾驶状态信息；
11.基于所述驾驶状态信息和所述多个驾驶人制动过程碰撞时间ttc(time-to-collision，碰撞时间)关键变量对预设风险场景的紧急程度进行分类，得到分类结果；
12.从所述操作行为特征参数中选取多个标准定量评估所述驾驶人对风险的敏感度，得到敏感度评估结果；
13.基于所述操作行为特征参数确定概率分布函数和概率密度函数，并根据所述概率密度函数得到表征驾驶人操作行为特征参数分布特性的多维高斯模型；以及
14.基于所述分类结果、所述敏感度评估结果和所述多维高斯模型，利用所述概率密度函数和相对熵提炼并量化表征所述不同驾驶人的风险敏感度差异。
15.可选地，在一些实施例中，所述获取当前车辆的多个驾驶人的操作行为特征参数，并根据所述操作行为特征参数确定不同驾驶人在同一场景下的驾驶状态信息，包括：搭建驾驶人风险认知行为测试平台；利用所述驾驶人风险认知行为测试平台采集所述多个驾驶人在驾驶过程的动态搜索注意行为特征信号、认知反应行为特征信号和决策操控行为特征信号；根据所述动态搜索注意行为特征信号、所述认知反应行为特征信号和所述决策操控行为特征信号得到所述操作行为特征参数。
16.可选地，在一些实施例中，所述从所述操作行为特征参数中选取多个标准定量评估所述驾驶人对风险的敏感度，包括：基于所述操作行为特征参数，确定车辆的横向运动特征参数和纵向运动特征参数；基于所述横向运动特征参数中的横向加速度和所述纵向运动特征参数中纵向加速度评估所述驾驶人对风险的敏感度。
17.可选地，在一些实施例中，所述基于所述操作行为特征参数确定概率分布函数和概率密度函数，并根据所述概率密度函数得到表征驾驶人操作行为特征参数分布特性的多维高斯模型，包括：基于所述操作行为特征参数的分布特性的分析结果，获取所述驾驶人在不同场景下的响应特征；根据所述驾驶人在不同场景下的响应特征确定可用概率分布函数和概率密度函数，并基于所述概率密度函数得到所述多维高斯模型，以通过所述多维高斯模型表征所述驾驶人操作行为特征参数分布特性。
18.可选地，在一些实施例中，所述概率密度函数为：
[0019][0020]
其中，x为随机变量，m为随机变量的维度，|σ|为协方差矩阵的行列式，μ＝e[x]指
随机变量x的均值。
[0021]
可选地，在一些实施例中，所述多维高斯模型为：
[0022][0023][0024]
其中，x为随机变量，为随机变量x均值的估计值，为协方差σ的估计值，n为高斯分布的样本总数，n为第n个样本数，xi为第i个随机变量，为随机变量x的均值。
[0025]
可选地，在一些实施例中，所述相对熵为：
[0026][0027]
其中，p为原有数据集分布，q为新数据集分布，x为随机变量。
[0028]
本技术第二方面实施例提供一种驾驶人风险敏感度差异化表征装置，包括：
[0029]
驾驶人操作行为信息获取模块，用于获取当前车辆的多个驾驶人的操作行为特征参数，并根据所述操作行为特征参数确定不同驾驶人在同一场景下的驾驶状态信息；
[0030]
高风险场景紧急程度分类模块，用于基于所述驾驶状态信息和所述多个驾驶人制动过程碰撞时间ttc关键变量对预设风险场景的紧急程度进行分类，得到分类结果；
[0031]
驾驶人操控行为特征参数选取模块，用于从所述操作行为特征参数中选取多个标准定量评估所述驾驶人对风险的敏感度，得到敏感度评估结果；
[0032]
驾驶人操控行为分布特性表征模块，用于基于所述操作行为特征参数确定概率分布函数和概率密度函数，并根据所述概率密度函数得到表征驾驶人操作行为特征参数分布特性的多维高斯模型；以及
[0033]
驾驶人风险敏感度差异表征模块，用于基于所述分类结果、所述敏感度评估结果和所述多维高斯模型，利用所述概率密度函数和相对熵提炼并量化表征所述不同驾驶人的风险敏感度差异。
[0034]
可选地，在一些实施例中，所述驾驶人操作行为信息获取模块，包括：搭建单元，用于搭建驾驶人风险认知行为测试平台；采集单元，用于利用所述驾驶人风险认知行为测试平台采集所述多个驾驶人在驾驶过程的动态搜索注意行为特征信号、认知反应行为特征信号和决策操控行为特征信号；输出单元，用于根据所述动态搜索注意行为特征信号、所述认知反应行为特征信号和所述决策操控行为特征信号得到所述操作行为特征参数。
[0035]
可选地，在一些实施例中，所述驾驶人操控行为特征参数选取模块，包括：确定单元，用于基于所述操作行为特征参数，确定车辆的横向运动特征参数和纵向运动特征参数；评估单元，用于基于所述横向运动特征参数中的横向加速度和所述纵向运动特征参数中纵向加速度评估所述驾驶人对风险的敏感度。
[0036]
可选地，在一些实施例中，所述驾驶人操控行为分布特性表征模块，包括：获取单元，用于基于所述操作行为特征参数的分布特性的分析结果，获取所述驾驶人在不同场景下的响应特征；表征单元，用于根据所述驾驶人在不同场景下的响应特征确定可用概率分布函数和概率密度函数，并基于所述概率密度函数得到所述多维高斯模型，以通过所述多维高斯模型表征所述驾驶人操作行为特征参数分布特性。
[0037]
可选地，在一些实施例中，所述概率密度函数为：
[0038][0039]
其中，x为随机变量，m为随机变量的维度，|σ|为协方差矩阵的行列式，μ＝e[x]指随机变量x的均值。
[0040]
可选地，在一些实施例中，所述多维高斯模型为：
[0041][0042][0043]
其中，x为随机变量，为随机变量x均值的估计值，为协方差σ的估计值，n为高斯分布的样本总数，n为第n个样本数，xi为第i个随机变量，为随机变量x的均值。
[0044]
可选地，在一些实施例中，所述相对熵为：
[0045][0046]
其中，p为原有数据集分布，q为新数据集分布，x为随机变量。
[0047]
本技术第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的驾驶人风险敏感度差异化表征方法。
[0048]
本技术第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的驾驶人风险敏感度差异化表征方法。
[0049]
由此，本技术通过获取多个驾驶人操作行为信息，确定不同驾驶人在同一场景下的驾驶状态，基于驾驶状态和驾驶人制动ttc关键变量对高风险场景的紧急程度进行分类，选取驾驶人操控行为特征参数定量评估驾驶人对风险的敏感度，采用多维高斯分布表征驾驶人操控行为分布特性，基于概率密度函数和相对熵提炼并量化表征不同驾驶人的风险敏感度差异。由此，解决了缺乏对驾驶人风险敏感度充分表征的建模，未量化复杂情况下不同驾驶人对场景风险的辨识结果等问题，支持分析不同驾驶人风险敏感度对行车安全的影响，降低驾驶人驾驶过程或智能车辆行驶过程中的潜在碰撞风险，提高行车安全。
[0050]
本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
[0051]
本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0052]
图1为根据本技术实施例提供的驾驶人风险敏感度差异化表征方法的流程图；
[0053]
图2为根据本技术一个实施例提供的驾驶人风险认知行为测试平台的示意图；
[0054]
图3为根据本技术一个实施例提供的驾驶人风险敏感度差异测试场景的示意图；
[0055]
图4为根据本技术一个实施例提供的驾驶人风险敏感度差异化模型输入输出流程
的示意图；
[0056]
图5为根据本技术一个实施例提供的驾驶人决策操控行为时空分布的示意图；
[0057]
图6为根据本技术一个实施例提供的基于多维概率密度函数模型的驾驶人风险敏感度差异表征流程的示意图；
[0058]
图7为根据本技术一个实施例提供的基于多维高斯分布的驾驶人风险敏感度子模型结果分布的示意图；
[0059]
图8为根据本技术一个实施例提供的驾驶人风险敏感度差异化表征方法的流程的示意图；
[0060]
图9为根据本技术实施例提供的驾驶人风险敏感度差异化表征装置的示意图；
[0061]
图10为根据本技术实施例提供的电子设备的结构示意图。
具体实施方式
[0062]
下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
[0063]
下面参考附图描述本技术实施例的驾驶人风险敏感度差异化表征方法、装置、设备及介质。针对上述背景技术中提到的驾驶风险认知方法缺乏对驾驶人风险敏感度充分表征的建模，未量化复杂多变的情况下不同驾驶人受其驾驶风格、驾驶技能等属性影响带来的场景风险辨识结果，难支撑基于驾驶人风险敏感度特性的智能电子设备应用安全避险过程的问题，本技术提供了一种驾驶人风险敏感度差异化表征方法，在该方法中，获取当前车辆的多个驾驶人的操作行为特征参数，并根据操作行为特征参数确定不同驾驶人在同一场景下的驾驶状态信息；基于驾驶状态信息和多个驾驶人制动过程碰撞时间ttc关键变量对预设风险场景的紧急程度进行分类，得到分类结果；从操作行为特征参数中选取多个标准定量评估驾驶人对风险的敏感度，得到敏感度评估结果；基于操作行为特征参数确定概率分布函数和概率密度函数，并根据概率密度函数得到表征驾驶人操作行为特征参数分布特性的多维高斯模型；基于分类结果、敏感度评估结果和多维高斯模型，利用概率密度函数和相对熵提炼并量化表征不同驾驶人的风险敏感度差异。由此，解决了相关技术中，驾驶风险认知方法缺乏对驾驶人风险敏感度充分表征的建模，未量化复杂多变的情况下不同驾驶人受其驾驶风格、驾驶技能等属性影响带来的场景风险辨识结果，难支撑基于驾驶人风险敏感度特性的智能电子设备应用安全避险过程等问题，能够支持分析不同驾驶人风险敏感度对行车安全的影响，降低驾驶人驾驶过程或智能车辆行驶过程中的潜在碰撞风险，提高行车安全。
[0064]
具体而言，图1为本技术实施例所提供的一种驾驶人风险敏感度差异化表征方法的流程示意图。
[0065]
如图1所示，该驾驶人风险敏感度差异化表征方法包括以下步骤：
[0066]
在步骤s101中，获取当前车辆的多个驾驶人的操作行为特征参数，并根据操作行为特征参数确定不同驾驶人在同一场景下的驾驶状态信息。
[0067]
其中，本技术实施例的操作行为特征参数为驾驶人在驾驶过程中的动态搜索注意-认知反应-决策操控多阶段行为特征信号，该特征信号可以包括眼动、方向盘转角、制动
压力、加减速操作等影响驾驶人操作行为的参数。
[0068]
需要说明的是，本技术的目的在于分析不同驾驶人风险敏感度对行车安全的影响，因此，在采集驾驶人操作行为特征参数时，需要多个驾驶人进行驾驶操作，以根据多个驾驶人的操作行为特征参数确定不同驾驶人在同一场景下的驾驶状态信息。
[0069]
可选地，在一些实施例中，获取当前车辆的多个驾驶人的操作行为特征参数，并根据操作行为特征参数确定不同驾驶人在同一场景下的驾驶状态信息，包括：搭建驾驶人风险认知行为测试平台；利用驾驶人风险认知行为测试平台采集多个驾驶人在驾驶过程的动态搜索注意行为特征信号、认知反应行为特征信号和决策操控行为特征信号；根据动态搜索注意行为特征信号、认知反应行为特征信号和决策操控行为特征信号得到操作行为特征参数。
[0070]
具体地，图2为本技术实施例的驾驶人风险认知行为测试平台的示意图，如图2所示，本技术所搭建的驾驶人风险认知行为测试平台包括硬件设施层和软件分析层，测试平台硬件层包括驾驶人信息采集端和测试控制端。驾驶人信息采集端为主体模拟器，可用于采集驾驶人驾驶过程的动态搜索注意-认知反应-决策操控多阶段行为特征信号，包括眼动、方向盘转角、制动压力、加减速操作等；测试控制端为多台主控电脑组建，用于场景切换控制、实验过程的同步信号触发控制等。
[0071]
其中，主体模拟器硬件如图2的驾驶人信息采集端所示，主要包括：罗技g29方向盘和油门、制动踏板套件、驾驶模拟环境显示装置等。该模拟器是一种高保真、高性能的驾驶模拟器，由具有真实操作界面的全尺寸车舱、运动模拟系统、数字视频回放系统和车辆动态模拟系统组成，并包括线性运动基座，其能够实现俯仰操作。模拟环境以300度的前/周边视野投影，分辨率为1400*1050像素。同时提供驾驶场景设计、虚拟交通环境仿真和虚拟道路建模的支持软件，实现复杂道路构建、交通流生成和交通控制功能，覆盖绝大多数应用场景(包括驾驶人数据提取、人机共驾测试、自动驾驶算法对比验证等)。
[0072]
由此，利用本技术搭建的驾驶人风险认知行为测试平台，采集多个驾驶人在驾驶过程的动态搜索注意行为特征信号、认知反应行为特征信号和决策操控行为特征信号，从而得到多个驾驶人的操作行为特征参数。
[0073]
在步骤s102中，基于驾驶状态信息和多个驾驶人制动过程碰撞时间ttc关键变量对预设风险场景的紧急程度进行分类，得到分类结果。
[0074]
可以理解的是，交通场景中潜在的风险可考虑交通参与者的可见性、道路结构、路面特性、天气等潜在影响划分为显性和隐性风险。其中，显性风险表征风险源客观存在且在行驶过程中可被驾驶人直接观测感知，如道路上直接交互的其他车辆。隐性风险指风险源不一定客观存在，且在行驶过程中部分或完全不可观测，但可能会对驾驶人主观风险认知过程产生影响，如道路路口遮挡住行人属于隐性风险。
[0075]
因此，本技术在驾驶人风险认知行为数据采集的过程中充分考虑车辆与周边环境、交通参与者的冲突情况和交通系统风险产生的影响因素，获取不同场景下驾驶人实验过程后处理信息，获取了包括眼动仪、方向盘、踏板等多角度的场景数据集。
[0076]
基于此，本技术具体考虑将高风险场景的冲突对象(包括机动车、非机动车、行人、骑行人等)进行划分。本实施中，四种典型高风险场景的示意图如图3所示，图3为本技术实施例的驾驶人风险敏感度差异测试场景的示意图，下面将列举具体实施例阐述本技术提供
的驾驶人风险敏感度差异测试场景。
[0077]
第一种高风险场景，即图3中的(a)，该场景为切入场景(横向风险源)，自车加速到80-120km/h并保持原车道(右侧车道)正常行驶，周围车辆与自车交互，如加速、减速或变道。在完成超车过程操作5-6s后，整个场景结束。
[0078]
第二种高风险场景，即图3中的(b)，场景(b)是前方制动场景，自车以80km/h的速度匀速行驶，当自车与前车距离为40m时，前车以-8m/s2的加速度急刹(纵向风险源)，左侧与自车相距15m的交通车辆匀速行驶(横向风险源)。
[0079]
第三种高风险场景，即图3中的(c)，场景(c)中前方车辆突然变道，且前方有静态障碍物(多风险源)，自车驾驶人同样需进行交互驾驶。
[0080]
第四种高风险场景，即图3中的(d)，当相对距离为120m时，对向车辆突然加速向自车所在车道行驶(纵向风险源)。
[0081]
由此，本技术可以获取不同场景下驾驶人实验过程后处理信息，基于该数据集，可为后续驾驶人状态信息的获取、分析与辨识提供充分的数据源。
[0082]
在步骤s103中，从操作行为特征参数中选取多个标准定量评估驾驶人对风险的敏感度，得到敏感度评估结果。
[0083]
需要说明的是，选取多个标准定量评估驾驶人对风险的敏感度，包括开始制动时的速度vb、纵向加速度a
x
、横向加速度ay等变量参数，进而，筛选确定纵向加速度a
x
和横向加速度ay表征驾驶人风险敏感度差异。
[0084]
可选地，在一些实施例中，从操作行为特征参数中选取多个标准定量评估驾驶人对风险的敏感度，包括：基于操作行为特征参数，确定车辆的横向运动特征参数和纵向运动特征参数；基于横向运动特征参数中的横向加速度和纵向运动特征参数中纵向加速度评估驾驶人对风险的敏感度。
[0085]
具体而言，在选取多个标准定量评估驾驶人对风险的敏感度时，本技术根据驾驶人风险认知存在敏感度差异，并在驾驶行为上体现为差异化的行驶速度、加减速、制动、转向行为等来提取关键影响变量。也就是说，在驾驶人行车过程中，驾驶人的驾驶意图和风险敏感度的输出量化参数可以用车辆的横纵向运动特征进行表征。其中，横向运动一般基于车辆横向速度、横向加/减速度、方向盘转角和转速、横摆角速度表征；纵向运动一般基于车辆纵向速度、纵向加/减速度、制动压力来表征。
[0086]
进一步地，在筛选确定纵向加速度a
x
和横向加速度ay表征驾驶人风险敏感度差异的过程中，本技术基于数据驱动与验证，可获得基于驾驶人横纵向加速的联合分布，发现随着纵向加速度增加，横向加速度在纵向加速度区间内较大时会剧烈增加，因此，本技术所提供的方法能表征驾驶人风险敏感度差异性。
[0087]
在一些实施例中，图4为本技术实施例的驾驶人风险敏感度差异化模型输入输出流程的示意图，如图4所示，在驾驶人风险敏感度差异化模型输入输出关系中，驾驶行为是由驾驶人在外界刺激干扰下实现对当前交通状态响应采取的系列驾驶操作。决策阶段变量包括制动过程的最大减速度、最小ttc、避撞行为执行过程的避障措施(制动、转向、制动和转向等)、最大方向盘转角和平均制动深度等。基于决策操控阶段变量的输入，依据驾驶人风险敏感度差异化表征，可输出交通扰动下驾驶人行为具有“趋利避害”共性和决策关键时刻个性。
[0088]
可以理解的是，驾驶人决策操控行为时空分布主要体现在时间和空间两个维度，时间维度指在高风险场景中决策的关键时刻信息分布，表征从认知反应阶段渐变到决策操控阶段的时序关联性，并根据关键时刻信息确定与辨识驾驶人风险程度。空间维度指在驾驶模拟器提供的交通场景中，驾驶人与其他交通参与者交互的相对位置、驾驶人视觉注视点的空间分布等信息。
[0089]
具体地，图5为本技术实施例的驾驶人决策操控行为时空分布的示意图，如图5所示，在关键场景中，可标记后处理的数据集中高风险场景从正常开始驾驶到完成驾驶整个时间轴的演化历程，包括：正常驾驶时间段、交通扰动开始时刻、避撞操作时刻(包括制动、转向操作时刻)、碰撞发生时刻。交通扰动开始时刻表示交通流稳态运行情况下，周边动态和静态目标突然发生状态改变的时刻。
[0090]
举例而言，在其中一个实施例中，前车换道场景中，原车道前车突然产生换道行为，导致原稳定状态被打破，交通扰动产生。避撞操作时刻是指驾驶人明确采取转向和制动行为且达到预设阈值10％的时刻，碰撞发生时刻是两车发生碰撞的关键时刻。
[0091]
另外，本技术通过统计更多风险场景的实施例可知，当同一场景采取措施一致性更高时，避障更有效。如前车变道场景同时采取制动和转向，更能避免事故发生。也在一定程度上说明了驾驶人“趋利避害”行为共性。但不同驾驶人差异性也比较明显，包括制动反应和速度调整两个关键时间点的差异性，最终导致避障结果的差异。
[0092]
在步骤s104中，基于操作行为特征参数确定概率分布函数和概率密度函数，并根据概率密度函数得到表征驾驶人操作行为特征参数分布特性的多维高斯模型。
[0093]
需要说明的是，经过步骤s103，本技术获得了敏感度评估结果，进而，本技术需要采用多维高斯分布表征驾驶人操控行为分布特性。
[0094]
具体地，本技术实施例需要筛选与统计描述驾驶人行为特征分布的常用概率密度函数，并基于上述的操作行为特征参数确定概率分布函数和概率密度函数，进而，基于多维高斯分布的驾驶人风险敏感度模型。
[0095]
可选地，在一些实施例中，基于操作行为特征参数确定概率分布函数和概率密度函数，并根据概率密度函数得到表征驾驶人操作行为特征参数分布特性的多维高斯模型，包括：基于操作行为特征参数的分布特性的分析结果，获取驾驶人在不同场景下的响应特征；根据驾驶人在不同场景下的响应特征确定可用概率分布函数和概率密度函数，并基于概率密度函数得到多维高斯模型，以通过多维高斯模型表征驾驶人操作行为特征参数分布特性。
[0096]
基于上述实施例，本技术已经获得了操作行为特征参数的分布特性的分析结果，根据该分析结果，本技术可以获取其在不同驾驶环境下响应特征，对于驾驶人操纵行为这一连续型变量的描述，可用概率分布函数f(x)和概率密度函数f(x)来表征。
[0097]
需要说明的是，在描述驾驶人行为特征分布的常用概率密度函数选择过程中，偏度和峰度是描述概率分布形状最常使用的度量。表1为本技术实施例提供的描述驾驶人行为特征分布的常用概率密度函数，其中，正态分布(偏度＝0)、右偏分布(偏度》0)，左偏分布(偏度《0)，峰度一般用来描述峰部的尖度，也指概率密度分布曲线在平均值处峰值高低的特征数，不同的偏度和峰度值可以定量评估行为特征分布的特性。
[0098]
表1
[0099][0100]
具体而言，本技术考虑到多维高斯分布常用于研究驾驶行为特性并用作精确量化驾驶行为特征参数的概率分布，因此确定应用多维高斯分布对驾驶人操控行为进行建模描述，基于其概率密度函数，来表征驾驶人风险敏感度，进而可表达不同风险敏感度的驾驶人在风险认知和决策行为等方面的共性和个性。即对于任意m维的随机变量，多维高斯分布的理论基础如下：
[0101][0102]
其中，x为随机变量，m为随机变量的维度，|σ|为协方差矩阵的行列式，μ＝e[x]指随机变量x的均值。
[0103]
进一步地，本技术使用最大似然估计来拟合驾驶行为数据样本，估计候选多维高斯分布的参数，进而实现准确的分布拟合。对于n个样本的似然函数l(μ,σ)可以定义为关于xi，μ和σ的函数，如式(2)所示。进而，分别基于对数似然函数l(μ,σ)对μ求偏导后，令其偏导值为0，可得到μ的估计值再对σ求偏导，令其偏导值为0，可得到σ的估计值最终输出驾驶人行为数据的多维高斯模型的参数估计结果可表征为式(3)和式(4)。
[0104][0105][0106]
[0107]
其中，x为随机变量，为随机变量x均值的估计值，为协方差σ的估计值，n为高斯分布的样本总数，n为第n个样本数，xi为第i个随机变量，为随机变量x的均值。
[0108]
最终，本技术的不同驾驶人在同一场景下的操控行为特征参数的分布特性可基于多维高斯模型进行准确输出与表达。
[0109]
由此，本技术能够充分挖掘动态交通环境下的驾驶人风险认知特性，建立了基于多维高斯分布的驾驶人风险敏感度数学模型，表征了驾驶人风险认知和决策行为的共性和差异性。
[0110]
在步骤s105中，基于分类结果、敏感度评估结果和多维高斯模型，利用概率密度函数和相对熵提炼并量化表征不同驾驶人的风险敏感度差异。
[0111]
需要说明的是，相对熵也常被称为kl散度(kullback-leibler divergence，简称kld)。相对熵通常可用来描述两个概率分布之间存在的差异性大小，因此可应用相对熵来衡量同一高风险场景下驾驶人操控行为数据集的核密度估计之间的差别，即本技术基于相对熵来检验当新数据加入到原有数据集中，不包含新数据的数据集与包含新数据的数据集之间是否有显著差异。
[0112]
具体而言，相对熵可被用于度量原有数据集分布p与新数据集分布q之间的相对距离，在本技术实施例中，应用相对熵去衡量不驾驶人行为策略之间的差异，即驾驶人面对同一场景的风险敏感度差异性。相对熵的计算方式表示如下：
[0113][0114]
其中，p为原有数据集分布，q为新数据集分布，x为随机变量。
[0115]
此外，当一组新数据集与原有数据集的分布对比时，计算出两个数据集的相对熵越趋近于0时，说明两个数据集之间的差异性较小。本技术通过相对熵的计算，在同一紧急程度下，即ttc相同，不同驾驶人的a
x
、ay分布形态相似，即在0附近的概率密度很大，且概率密度随着参数的数值增加而减小。但不同紧急程度下驾驶人风险敏感度有一定差异，即驾驶人面临高风险场景时，具有风险敏感度的共性和差异性。
[0116]
由此，基于上述实施例，本技术通过筛选出一些关键行为特征变量能够显著反映驾驶人风险敏感度差异，包括横纵向加减速度等，能够输出潜在影响因素或特质影响个体在风险情境下具备的不同表现，最终量化输出不同驾驶人的风险敏感度辅助智能车辆应用过程中实现安全避障。
[0117]
为了使本领域技术人员进一步了解本技术的基于多维概率密度函数模型的驾驶人风险敏感度差异表征，以下列举实施例示意性说明其具体流程。
[0118]
需要说明的是，基于驾驶人操控行为特征参数的分析结果可以获取其风险响应特性。驾驶人行为特征分布常用概率密度函数描述，本技术尝试应用多维概率密度函数模型表达驾驶人风险认知和决策行为的共性和个性，进而解释操控行为规律；并基于概率分布函数的相对熵来表征不同场景下驾驶人行为概率分布差异性。
[0119]
具体地，图6为本技术实施例的基于多维概率密度函数模型的驾驶人风险敏感度差异表征流程的示意图，如图6所示，该流程的具体步骤为：
[0120]
步骤1，确定应用多维高斯分布对驾驶人操控行为进行建模描述，基于其概率密度函数，来表征驾驶人风险敏感度，进而可表达不同风险敏感度的驾驶人在风险认知和决策
行为等方面的共性和个性。即对于任意m维的随机变量，多维高斯分布的理论基础如上述的式(1)。
[0121]
步骤2，使用最大似然估计来拟合驾驶行为数据样本，估计候选多维高斯分布的参数，进而实现准确的分布拟合。对于n个样本的似然函数l(μ,∑)可以定义为关于xi，μ和∑的函数，如上述的式(2)所示。进而，分别基于对数似然函数l(μ,∑)对μ求偏导后，令其偏导值为0，可得到μ的估计值再对∑求偏导，令其偏导值为0，可得到∑的估计值最终输出驾驶人行为数据的多维高斯模型的参数估计结果可表征为上述的式(3)和式(4)。
[0122]
步骤3，不同驾驶人在同一场景下的操控行为特征参数的分布特性可基于多维高斯模型进行准确输出与表达。
[0123]
步骤4，相对熵通常可用来描述两个概率分布之间存在的差异性大小，因此可应用相对熵来衡量同一高风险场景下驾驶人操控行为数据集的核密度估计之间的差别。即基于相对熵来检验当新数据加入到原有数据集中，不包含新数据的数据集与包含新数据的数据集之间是否有显著差异。
[0124]
基于上述实施例，本技术可以得到基于多维高斯分布的驾驶人风险敏感度子模型，图7为本技术实施例的基于多维高斯分布的驾驶人风险敏感度子模型结果分布的示意图，图7中的(a)为切入场景模型结果分布的示意图，图7中的(b)为前车换道场景模型结果分布的示意图，图7中的(c)为前车制动场景模型结果分布的示意图，如图7所示，本技术构建了基于多维高斯分布的驾驶人避撞行为模型，驾驶人对风险的敏感度可用横纵向加速度表征。
[0125]
具体地，本技术可以实现根据不同场景紧急程度差异，输出不同的风险敏感度子模型。由概率密度表征驾驶人可能的避撞行为概率大小。本技术经过有限次实验，得出的结果表明，随着不同场景的紧急程度增加，场景危险系数变大，驾驶人会采取更大幅度的纵横向制动转向行为，a
x
、ay值也会增大。而加速度幅度越大，在一定程度上也说明驾驶人在该风险场景下表现越激进，风险敏感度越高。同理，加速度变化率越大，当前场景下驾驶人越激进。参考驾驶人面对的某些风险场景，本技术发现，当面对多维风险或紧急程度较高场景时，驾驶人会更可能因风险敏感度高而进行剧烈转向操作，如路口左转场景、前车突然换道场景等。
[0126]
为了使本领域技术人员进一步了解本技术的驾驶人风险敏感度差异化表征方法，以下列举实施例，示意性说明该方法的流程。
[0127]
具体地，图8为本技术实施例的驾驶人风险敏感度差异化表征方法的流程的示意图，如图8所示，该方法包括如下几个步骤：
[0128]
步骤s801，获取自车驾驶人操作行为信息，确定不同驾驶人在同一场景下的驾驶状态。
[0129]
步骤s802，基于s801中获取的所述驾驶状态信息输入，基于驾驶人制动过程ttc关键变量对高风险场景的紧急程度进行分类。
[0130]
步骤s803，选取驾驶人操控行为特征参数(横纵向加减速度)定量评估驾驶人对风险的敏感度。
[0131]
步骤s804，采用多维高斯分布表征驾驶人操控行为分布特性。
[0132]
步骤s805，基于概率密度函数和相对熵提炼并量化表征不同驾驶人的风险敏感度
差异。
[0133]
由此，本技术的驾驶人风险敏感度差异化表征方法能够挖掘动态交通环境下的驾驶人风险认知特性，表征风险敏感度的共性和差异性，输出潜在影响因素或特质影响个体在风险情境下具备的不同表现，最终量化输出不同驾驶人的风险敏感度辅助智能车辆应用过程中实现安全避障。
[0134]
另外，本技术提出的驾驶人风险敏感度差异化表征方法，能分析出驾驶人在辨识、认知、评估风险时不同个体信息加工、筛选及累积后采取决策行为策略与决策时机等都存在一定程度的个体差异性，从而实现在更好地商用车、乘用车上进行自适应性智能车辆驾驶辅助系统的大规模产业化应用。
[0135]
根据本技术实施例提出的驾驶人风险敏感度差异化表征方法，通过获取多个驾驶人操作行为信息，确定不同驾驶人在同一场景下的驾驶状态，基于驾驶状态和驾驶人制动ttc关键变量对高风险场景的紧急程度进行分类，选取驾驶人操控行为特征参数定量评估驾驶人对风险的敏感度，采用多维高斯分布表征驾驶人操控行为分布特性，基于概率密度函数和相对熵提炼并量化表征不同驾驶人的风险敏感度差异。由此，解决了缺乏对驾驶人风险敏感度充分表征的建模，未量化复杂情况下不同驾驶人对场景风险的辨识结果等问题，支持分析不同驾驶人风险敏感度对行车安全的影响，降低驾驶人驾驶过程或智能车辆行驶过程中的潜在碰撞风险，提高行车安全。。
[0136]
其次参照附图描述根据本技术实施例提出的驾驶人风险敏感度差异化表征装置。
[0137]
图9是本技术实施例的驾驶人风险敏感度差异化表征装置的方框示意图。
[0138]
如图9所示，该驾驶人风险敏感度差异化表征装置10包括：驾驶人操作行为信息获取模块100、高风险场景紧急程度分类模块200、驾驶人操控行为特征参数选取模块300、驾驶人操控行为分布特性表征模块400和驾驶人风险敏感度差异表征模块500。
[0139]
其中，驾驶人操作行为信息获取模块100，用于获取当前车辆的多个驾驶人的操作行为特征参数，并根据操作行为特征参数确定不同驾驶人在同一场景下的驾驶状态信息；高风险场景紧急程度分类模块200，用于基于驾驶状态信息和多个驾驶人制动过程碰撞时间ttc关键变量对预设风险场景的紧急程度进行分类，得到分类结果；驾驶人操控行为特征参数选取模块300，用于从操作行为特征参数中选取多个标准定量评估驾驶人对风险的敏感度，得到敏感度评估结果；驾驶人操控行为分布特性表征模块400，用于基于操作行为特征参数确定概率分布函数和概率密度函数，并根据概率密度函数得到表征驾驶人操作行为特征参数分布特性的多维高斯模型；以及驾驶人风险敏感度差异表征模块500，用于基于分类结果、敏感度评估结果和多维高斯模型，利用概率密度函数和相对熵提炼并量化表征不同驾驶人的风险敏感度差异。
[0140]
可选地，在一些实施例中，驾驶人操作行为信息获取模块100，包括：搭建单元、采集单元和输出单元。
[0141]
其中，搭建单元，用于搭建驾驶人风险认知行为测试平台；采集单元，用于利用驾驶人风险认知行为测试平台采集多个驾驶人在驾驶过程的动态搜索注意行为特征信号、认知反应行为特征信号和决策操控行为特征信号；输出单元，用于根据动态搜索注意行为特征信号、认知反应行为特征信号和决策操控行为特征信号得到操作行为特征参数。
[0142]
可选地，在一些实施例中，驾驶人操控行为特征参数选取模块300，包括：确定单元
和评估单元。
[0143]
其中，确定单元，用于基于操作行为特征参数，确定车辆的横向运动特征参数和纵向运动特征参数；评估单元，用于基于横向运动特征参数中的横向加速度和纵向运动特征参数中纵向加速度评估驾驶人对风险的敏感度。
[0144]
可选地，在一些实施例中，驾驶人操控行为分布特性表征模块400，包括：获取单元和表征单元。
[0145]
其中，获取单元，用于基于操作行为特征参数的分布特性的分析结果，获取驾驶人在不同场景下的响应特征；表征单元，用于根据驾驶人在不同场景下的响应特征确定可用概率分布函数和概率密度函数，并基于概率密度函数得到多维高斯模型，以通过多维高斯模型表征驾驶人操作行为特征参数分布特性。
[0146]
可选地，在一些实施例中，概率密度函数为：
[0147][0148]
其中，x为随机变量，m为随机变量的维度，|σ|为协方差矩阵的行列式，μ＝e[x]指随机变量x的均值。
[0149]
可选地，在一些实施例中，多维高斯模型为：
[0150][0151][0152]
其中，x为随机变量，为随机变量x均值的估计值，为协方差σ的估计值，n为高斯分布的样本总数，n为第n个样本数，xi为第i个随机变量，为随机变量x的均值。
[0153]
可选地，在一些实施例中，相对熵为：
[0154][0155]
其中，p为原有数据集分布，q为新数据集分布，x为随机变量。
[0156]
需要说明的是，前述对驾驶人风险敏感度差异化表征方法实施例的解释说明也适用于该实施例的驾驶人风险敏感度差异化表征装置，此处不再赘述。
[0157]
根据本技术实施例提出的驾驶人风险敏感度差异化表征装置，通过获取多个驾驶人操作行为信息，确定不同驾驶人在同一场景下的驾驶状态，基于驾驶状态和驾驶人制动ttc关键变量对高风险场景的紧急程度进行分类，选取驾驶人操控行为特征参数定量评估驾驶人对风险的敏感度，采用多维高斯分布表征驾驶人操控行为分布特性，基于概率密度函数和相对熵提炼并量化表征不同驾驶人的风险敏感度差异。由此，解决了缺乏对驾驶人风险敏感度充分表征的建模，未量化复杂情况下不同驾驶人对场景风险的辨识结果等问题，支持分析不同驾驶人风险敏感度对行车安全的影响，降低驾驶人驾驶过程或智能车辆行驶过程中的潜在碰撞风险，提高行车安全。
[0158]
图10为本技术实施例提供的电子设备的结构示意图。该电子设备可以包括：
[0159]
存储器1001、处理器1002及存储在存储器1001上并可在处理器1002上运行的计算机程序。
[0160]
处理器1002执行程序时实现上述实施例中提供的驾驶人风险敏感度差异化表征方法。
[0161]
进一步地，电子设备还包括：
[0162]
通信接口1003，用于存储器1001和处理器1002之间的通信。
[0163]
存储器1001，用于存放可在处理器1002上运行的计算机程序。
[0164]
存储器1001可能包含高速ram(random access memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
[0165]
如果存储器1001、处理器1002和通信接口1003独立实现，则通信接口1003、存储器1001和处理器1002可以通过总线相互连接并完成相互间的通信。总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component，外部设备互连)总线或eisa(extended industry standard architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0166]
可选的，在具体实现上，如果存储器1001、处理器1002及通信接口1003，集成在一块芯片上实现，则存储器1001、处理器1002及通信接口1003可以通过内部接口完成相互间的通信。
[0167]
处理器1002可能是一个cpu(central processing unit，中央处理器)，或者是asic(application specific integrated circuit，特定集成电路)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0168]
本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的驾驶人风险敏感度差异化表征方法。
[0169]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0170]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0171]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0172]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件
或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。
[0173]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0174]
尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种驾驶人风险敏感度差异化表征方法，其特征在于，包括以下步骤：获取当前车辆的多个驾驶人的操作行为特征参数，并根据所述操作行为特征参数确定不同驾驶人在同一场景下的驾驶状态信息；基于所述驾驶状态信息和所述多个驾驶人制动过程碰撞时间ttc关键变量对预设风险场景的紧急程度进行分类，得到分类结果；从所述操作行为特征参数中选取多个标准定量评估所述驾驶人对风险的敏感度，得到敏感度评估结果；基于所述操作行为特征参数确定概率分布函数和概率密度函数，并根据所述概率密度函数得到表征驾驶人操作行为特征参数分布特性的多维高斯模型；以及基于所述分类结果、所述敏感度评估结果和所述多维高斯模型，利用所述概率密度函数和相对熵提炼并量化表征所述不同驾驶人的风险敏感度差异。2.根据权利要求1所述的方法，其特征在于，所述获取当前车辆的多个驾驶人的操作行为特征参数，并根据所述操作行为特征参数确定不同驾驶人在同一场景下的驾驶状态信息，包括：搭建驾驶人风险认知行为测试平台；利用所述驾驶人风险认知行为测试平台采集所述多个驾驶人在驾驶过程的动态搜索注意行为特征信号、认知反应行为特征信号和决策操控行为特征信号；根据所述动态搜索注意行为特征信号、所述认知反应行为特征信号和所述决策操控行为特征信号得到所述操作行为特征参数。3.根据权利要求1所述的方法，其特征在于，所述从所述操作行为特征参数中选取多个标准定量评估所述驾驶人对风险的敏感度，包括：基于所述操作行为特征参数，确定车辆的横向运动特征参数和纵向运动特征参数；基于所述横向运动特征参数中的横向加速度和所述纵向运动特征参数中纵向加速度评估所述驾驶人对风险的敏感度。4.根据权利要求1所述的方法，其特征在于，所述基于所述操作行为特征参数确定概率分布函数和概率密度函数，并根据所述概率密度函数得到表征驾驶人操作行为特征参数分布特性的多维高斯模型，包括：基于所述操作行为特征参数的分布特性的分析结果，获取所述驾驶人在不同场景下的响应特征；根据所述驾驶人在不同场景下的响应特征确定可用概率分布函数和概率密度函数，并基于所述概率密度函数得到所述多维高斯模型，以通过所述多维高斯模型表征所述驾驶人操作行为特征参数分布特性。5.根据权利要求4所述的方法，其特征在于，所述概率密度函数为：其中，x为随机变量，m为随机变量的维度，|σ|为协方差矩阵的行列式，μ＝e[x]指随机变量x的均值。6.根据权利要求4所述的方法，其特征在于，所述多维高斯模型为：
其中，x为随机变量，为随机变量x均值的估计值，为协方差σ的估计值，n为高斯分布的样本总数，n为第n个样本数，x
i
为第i个随机变量，为随机变量x的均值。7.根据权利要求1所述的方法，其特征在于，所述相对熵为：其中，p为原有数据集分布，q为新数据集分布，x为随机变量。8.一种驾驶人风险敏感度差异化表征装置，其特征在于，包括：驾驶人操作行为信息获取模块，用于获取当前车辆的多个驾驶人的操作行为特征参数，并根据所述操作行为特征参数确定不同驾驶人在同一场景下的驾驶状态信息；高风险场景紧急程度分类模块，用于基于所述驾驶状态信息和所述多个驾驶人制动过程碰撞时间ttc关键变量对预设风险场景的紧急程度进行分类，得到分类结果；驾驶人操控行为特征参数选取模块，用于从所述操作行为特征参数中选取多个标准定量评估所述驾驶人对风险的敏感度，得到敏感度评估结果；驾驶人操控行为分布特性表征模块，用于基于所述操作行为特征参数确定概率分布函数和概率密度函数，并根据所述概率密度函数得到表征驾驶人操作行为特征参数分布特性的多维高斯模型；以及驾驶人风险敏感度差异表征模块，用于基于所述分类结果、所述敏感度评估结果和所述多维高斯模型，利用所述概率密度函数和相对熵提炼并量化表征所述不同驾驶人的风险敏感度差异。9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-7任一项所述的驾驶人风险敏感度差异化表征方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-7任一项所述的驾驶人风险敏感度差异化表征方法。

技术总结
本申请涉及一种驾驶人风险敏感度差异化表征方法、装置、设备及介质，方法包括：获取多个驾驶人操作行为信息，确定不同驾驶人在同一场景下的驾驶状态；基于驾驶状态和驾驶人制动TTC关键变量对高风险场景的紧急程度进行分类；选取驾驶人操控行为特征参数定量评估驾驶人对风险的敏感度；采用多维高斯分布表征驾驶人操控行为分布特性；基于概率密度函数和相对熵提炼并量化表征不同驾驶人的风险敏感度差异。由此，解决了缺乏对驾驶人风险敏感度充分表征的建模，未量化复杂情况下不同驾驶人对场景风险的辨识结果等问题，支持分析不同驾驶人风险敏感度对行车安全的影响，降低驾驶人驾驶过程或智能车辆行驶过程中的潜在碰撞风险，提高行车安全。高行车安全。高行车安全。


技术研发人员：王建强 黄荷叶 姜竣凯 王裕宁 王嘉昊 许庆 李克强
受保护的技术使用者：清华大学
技术研发日：2023.06.26
技术公布日：2023/9/20