CN118545046B - 基于数字孪生和预测风险场的车辆行车风险辨识方法 - Google Patents

Abstract

本发明公开了一种基于数字孪生和预测风险场的车辆行车风险辨识方法，包括以下步骤：S1、获取车辆轨迹预测模型根据数字孪生数据生成的周围车辆的多模态预测轨迹，并将其在时间和空间上离散化；S2、在预测时域内叠加某一条预测轨迹中一系列的潜在静态场，得到相应单一模态预测轨迹的风险场；S3、基于周围车辆每条预测轨迹的概率大小，通过加权叠加得到多个模态的预测轨迹的风险场；S4、计算车辆当前的静态风险场和道路风险场，并与多个模态的预测轨迹的风险场进行加权叠加，得到综合风险场；S5、根据该综合风险场进行车辆路径规划或生成预警提示。本发明充分考虑了行车环境中的不确定性危险场，提高了风险感知能力。

Description

基于数字孪生和预测风险场的车辆行车风险辨识方法

技术领域

本发明涉及汽车行驶风险检测领域，尤其涉及一种基于数字孪生和预测风险场的车辆行车风险辨识方法及系统。

背景技术

车辆在道路上行驶时不可避免地会遭遇各式各样的潜在风险，这些风险的准确及时识别和应对，对于提高车辆的主动安全技术和推进自动驾驶技术的发展尤为关键。要确保自动驾驶和驾驶辅助系统的安全性与稳定性，必须对车辆周边的交通环境进行深入的分析和理解，实时评估面临的风险状态。这一过程不仅是实现高效、安全自动驾驶技术的基础，也是推动自动驾驶汽车行业向前发展的重要环节。因此，掌握这一能力，对于自动驾驶技术的应用成功至关重要。

为了精确地识别和评估车辆在行驶过程中所面临的风险，对车辆周边可能构成威胁的交通参与者，特别是其他车辆，的准确识别和风险量化分析显得至关重要。现有的车辆风险辨识方法主要依赖于特定的性能指标，如预碰撞时间（TTC），这些方法大多仅处理有限的信息元素，例如障碍物的当前位置，因此它们的应用场景相对受限。此外，传统方法主要关注于周边交通参与者的即时或静态状态信息，这不仅要求车载感测设备持续地更新数据，还限制了基于潜在的未来运动趋势对风险进行评估的能力。更重要的是，这些方法未能充分考虑到环境中存在的运动障碍物行为的不确定性，从而可能在某些情况下低估或高估了真实风险水平。

利用基于深度学习的轨迹预测技术，可以更准确地预测交通参与者的未来不确定性行为。然而，这类方法通常需要部署在高算力的计算平台上，难以在实际车辆上进行部署。此外，这些方法需要从全局视角获取周围一定范围内所有交通参与者的运动状态信息作为模型输入，对于车载感知设备和计算设备来说非常困难。

发明内容

本发明的目的在于提供一种基于数字孪生和预测风险场的车辆行车风险辨识方法及系统，可提高风险感知能力。

本发明所采用的技术方案是：

本发明提供一种基于数字孪生和预测风险场的车辆行车风险辨识方法，包括以下步骤：

S1、获取车辆轨迹预测模型根据数字孪生数据生成的周围车辆的多模态预测轨迹，并将多模态预测轨迹在时间和空间上离散化，其中每一个离散的点代表预测中的车辆在特定未来时刻的位置，每一个预测点均被视为一个潜在的静态障碍物，每一条预测轨迹由一系列潜在的静态障碍物组成，且每个潜在的静态障碍物均形成相应的潜在静态场；

S2、在预测时域内叠加某一条预测轨迹中一系列的潜在静态场，得到相应单一模态预测轨迹的风险场；

S3、基于周围车辆每条预测轨迹的概率大小，通过加权叠加得到多个模态的预测轨迹的风险场；

S4、计算车辆当前的静态风险场和道路风险场，并与多个模态的预测轨迹的风险场进行加权叠加，得到综合风险场；其中道路风险场根据数字孪生数据中的道路地图信息建立，为车道边界线和车道分隔线所形成的风现场；静态风险场为车辆周围的静态障碍物形成的风险场；

S5、根据该综合风险场进行车辆路径规划，或者计算当前车辆的风险值以生成预警提示。

接上述技术方案，道路风险场具体根据当前车辆与车道边界线和车道分隔线的相对位置计算得到。

接上述技术方案，静态风险场根据车辆与道路施工区域、静止车辆的相对位置计算得到。

接上述技术方案，综合风险场具体通过对每种风险场施加不同的缩放因子并进行叠加得到。

接上述技术方案，步骤S5中，具体根据当前车辆位置的综合风险场的场强大小，单独计算出相应的风险值，根据该风险值对驾驶员进行预警，以提醒其注意潜在的危险情况。

接上述技术方案，步骤S5中，在根据综合风险场进行路径规划时，具体根据综合风险场的分布，计算出每个可能路径上的风险值，并选择风险最低的路径作为预测路径。

接上述技术方案，在车辆行驶过程中，不断更新综合风险场数据并重新评估预测路径的风险值。

本发明还提供一种基于数字孪生和预测风险场的车辆行车风险辨识系统，包括：

多模态预测轨迹离散化模块，用于获取车辆轨迹预测模型根据数字孪生数据生成的当前车辆的多模态预测轨迹，并将该多模态预测轨迹在时间和空间上离散化，其中每一个离散的点代表预测中的车辆在特定未来时刻的位置，每一个预测点均被视为一个潜在的静态障碍物，每一条预测轨迹由一系列潜在的静态障碍物组成，且每个潜在的静态障碍物均形成相应的潜在静态场；

多模态预测轨迹风险场计算模块，用于在预测时域内叠加某一条预测轨迹中一系列的潜在静态场，得到相应单一模态预测轨迹的风险场；基于周围车辆每条预测轨迹的概率大小，通过加权叠加得到多个模态的预测轨迹的风险场；

综合风险场计算模块，用于计算车辆当前的静态风险场和道路风险场，并与多个模态的预测轨迹的风险场进行加权叠加，得到综合风险场；其中道路风险场根据数字孪生数据中的道路地图信息建立，为车道边界线和车道分隔线所形成的风现场；静态风险场为车辆周围的静态障碍物形成的风险场；

应用模块，用于将综合风险场输出给车辆路径规划模块，以根据该综合风险场进行车辆路径规划，或者将综合风险场输出给车辆报警模块，以根据该综合风险场计算当前车辆的风险值并生成预警提示。

接上述技术方案，车辆轨迹预测模型部署在云平台中，该云平台中构建了车辆的数字孪生世界，云平台利用V2X通信技术，与地面车辆以及路测单元建立实时通信连接，收集包括位置、速度、加速度在内的车辆运动状态信息及车辆所在车道的详细信息，且云平台还捕获周边环境中的动态变化信息以用于实时更新数字孪生世界中对应的孪生车辆数据，确保数字孪生世界与实际行驶环境之间的信息同步。

本发明还提供一种计算机存储介质，其内存储有可被处理器执行的计算机程序，该计算机程序执行上述技术方案所述的基于数字孪生和预测风险场的车辆行车风险辨识方法。

本发明产生的有益效果是：本发明基于风险场理论引入车辆的预测风险场，通过结合多模态轨迹预测与风险场理论，综合考虑了车辆当前的静态风险场和道路风险场，并与多个模态的预测轨迹的风险场进行加权叠加，得到综合风险场；本发明不仅对各种潜在的行驶环境因素进行了细致的风险建模，还能够根据预测轨迹的不同概率，动态地调整风险分布，该方法使得对周边车辆及其他动态障碍物对本车的潜在风险评估更为全面和细腻，充分考虑了行车环境中的不确定性因素。

进一步地，本发明利用数字孪生技术精心构建了与真实行驶环境相匹配的数字副本，这不仅包括车辆的历史运动数据、道路的几何形状和拓扑结构，还综合了交通环境的动态变化。通过应用车辆轨迹预测模型，能够深度挖掘时空交互特征，并预测周围车辆的多种可能未来轨迹，即多模态预测，这种预测方式显著提升了风险评估的准确性和全面性，有效减少了对车载感知设备高频数据更新的依赖。

进一步地，利用数字孪生技术的强大能力，本发明将深度学习的轨迹预测方法部署于云平台，从而实现了数字孪生世界与真实行驶环境之间的无缝匹配和实时交互；通过车辆之间的通信（V2X），不仅使得车辆能够实时接收云端计算得出的周围车辆运动状态的全局预测，还确保了实时风险评估的可行性和准确性；这种云端和V2X通信的结合有效解决了车载系统计算资源有限的问题，同时提高了轨迹预测和风险评估的可靠性。

进一步地，本发明通过在云平台上执行预测任务并利用车辆间通信同步数据，克服了车载系统计算能力限制的问题，使得实时、准确的行车风险评估成为可能；这种前瞻性的风险评估机制为自动驾驶技术提供了强大的安全保障，显著提升了车辆应对复杂交通环境的能力。

进一步地，本发明通过在数字环境中复制真实交通场景并提取车辆运动的关键特征，能够生成多个可能的未来轨迹，并为每条轨迹建立一个连续的风险场；这些风险场基于轨迹的概率和基于预测时域的风险衰减因子进行加权和叠加，从而形成一个全面反映未来行车风险的风险分布；这种评估机制显著提高了预测的准确性，使得车辆能够更好地识别和应对潜在的风险，从而极大地增强了自动驾驶系统的安全性和可靠性。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明一实施例基于数字孪生和预测风险场的车辆行车风险辨识方法示意图；

图2为本发明另一实施例基于数字孪生和预测风险场的车辆行车风险辨识方法示意图；

图3为本发明一实施例基于深度学习的车辆行驶轨迹预测方法示意图；

图4为本发明一实施例基于周车轨迹预测的风险评估方法示意图；

图5为本发明一实施例基于数字孪生和预测风险场的车辆行车风险辨识系统结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

需要说明的是，本发明实施例中所提供的图示仅以示意方式说明本发明的基本构想，因此图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

在本发明中，还需要说明的是，如出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等，其所指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，如出现术语“第一”、“第二”仅用于描述和区分目的，而不能理解为指示或暗示相对重要性。

实施例1

如图1所示，该实施例基于数字孪生和预测风险场的车辆行车风险辨识方法，包括以下步骤：

S1、获取车辆轨迹预测模型根据数字孪生数据生成的周围车辆的多模态预测轨迹，并将多模态预测轨迹在时间和空间上离散化，其中每一个离散的点代表预测中的车辆在特定未来时刻的位置，每一个预测点均被视为一个潜在的静态障碍物，每一条预测轨迹由一系列潜在的静态障碍物组成，且每个潜在的静态障碍物均形成相应的潜在静态场；

S2、在预测时域内叠加某一条预测轨迹中一系列的潜在静态场，得到相应单一模态预测轨迹的风险场；

S3、基于周围车辆每条预测轨迹的概率大小，通过加权叠加得到多个模态的预测轨迹的风险场；

S4、计算车辆当前的静态风险场和道路风险场，并与多个模态的预测轨迹的风险场进行加权叠加，得到综合风险场；其中道路风险场根据数字孪生数据中的道路地图信息建立，为车道边界线和车道分隔线所形成的风现场；静态风险场为车辆周围的静态障碍物形成的风险场；

S5、根据该综合风险场进行车辆路径规划，或者计算当前车辆的风险值以生成预警提示。

其中，道路风险场具体根据当前车辆与车道边界线和车道分隔线的相对位置计算得到。

静态风险场根据车辆与道路施工区域、静止车辆的相对位置计算得到。

综合风险场具体通过对每种风险场施加不同的缩放因子并进行叠加得到。

进一步地，步骤S5中，具体根据当前车辆位置的综合风险场的场强大小，单独计算出相应的风险值，根据该风险值对驾驶员进行预警，以提醒其注意潜在的危险情况。

此外，步骤S5中，在根据综合风险场进行路径规划时，具体根据综合风险场的分布，计算出每个可能路径上的风险值，并选择风险最低的路径作为预测路径。

在车辆行驶过程中，可不断更新综合风险场数据并重新评估预测路径的风险值。

可见，该实施例中，基于风险场理论引入车辆的预测风险场，通过结合多模态轨迹预测与风险场理论，综合考虑了车辆当前的静态风险场和道路风险场，并与多个模态的预测轨迹的风险场进行加权叠加，得到综合风险场；不仅对各种潜在的行驶环境因素进行了细致的风险建模，还能够根据预测轨迹的不同概率，动态地调整风险分布，该方法使得对周边车辆及其他动态障碍物对本车的潜在风险评估更为全面和细腻，充分考虑了行车环境中的不确定性因素。

实施例2

该实施例基于数字孪生和预测风险场的车辆行车风险辨识方法，可描述一般化场景中车辆的行驶风险，包括动态和静态交通要素以及道路信息，并且在风险场模型中考虑了周围动态障碍物的未来运动趋势对行车风险的影响，从而实现更加安全、准确的车辆行车风险辨识，提高自动驾驶相关技术的安全性。

如图2所示，用于实现该实施例方法的系统包含云平台、基于深度学习的多模态轨迹预测方法、地面真实车辆、基于多模态预测轨迹的行车风险场模块。

云平台利用V2X通信技术，与地面车辆以及路测单元建立实时通信连接，有效地收集包括位置、速度、加速度在内的车辆运动状态信息，及车辆所在车道的详细信息。同时，平台还捕获周边环境中的动态变化信息，例如邻近车辆的运动状态和交通信号的实时变化。所有这些信息被用于实时更新数字孪生世界中对应的孪生车辆数据，确保数字孪生世界与实际行驶环境之间的信息同步，为基于精准数据的风险评估提供支持。

基于深度学习的多模态轨迹预测方法部署于云平台，包含LSTM编码器模块、时间注意力模块、空间注意力模块以及多模态LSTM解码器模块。基于深度学习的轨迹预测方法具有可定制性，可以根据不同的开发需求设置不同的深度学习模型，以满足不同场景下的车辆行车风险辨识需求。

所描述的地面真实车辆模块配备有感知设备、组合惯导、网关、车载计算平台等设备，通过组合惯导设备获取车辆的运动状态信息，然后通过网关以V2X通信方式将车载传感器获取的运动状态信息发送到云平台，并接收来自云平台发送的周围车辆运动状态预测结果，通过车载计算平台部署了基于轨迹预测的行车风险场模型。

基于轨迹预测的行车风险场模型部署于车载计算平台，覆盖了道路风险场、静态风险场、动态交通标志风险场以及预测风险场等关键组成部分。道路风险场模块通过分析感知设备获取的车道线信息构建，为车辆在特定道路条件下的行驶提供风险评估。静态风险场根据车辆感知到的静态交通要素（例如，位置坐标、障碍物的大小等）信息，并采用高斯分布函数构建，以评估由静态环境要素引发的潜在风险。动态交通标志风险场基于交通路口的红绿灯信号，制定相应的车辆运动限制，指导车辆安全通过路口。预测风险场模块则采用从云平台通过V2X通信获得的周围车辆多模态预测轨迹信息，结合高斯分布和风险衰减因子，为每种预测轨迹建立相应的风险评估，并进一步基于每种预测轨迹的概率加权叠加多模态预测轨迹的风险场，从而建立一个考虑周边车辆动态不确定性的风险评估模型，使车辆能够精确识别并应对周边动态障碍物可能引起的风险，进而提高行车安全性。

该实施例构建基于数字孪生和预测风险场的车辆行车风险辨识方法包括以下步骤：

基于云平台构建数字孪生模型在云平台中，需要建立一个数字孪生模型，以模拟真实世界中的车辆、行人和交通场景等元素，以及这些元素之间的相互作用。数字孪生模型将在云端（即云平台）部署，并与车辆之间进行实时的V2X通信，以同步更新数字世界的状态。云平台收集地面车辆的运动状态数据，包括车辆的位置、速度、方向、加速度等信息。这些数据需要在云平台中进行预处理，并累积成历史数据序列，以确保它们可以被轨迹预测模型使用。

基于深度学习的轨迹预测模型的部署在云平台中，需要部署基于深度学习的轨迹预测模型来预测周边交通参与者的未来轨迹。这个模型可以基于公开的自然驾驶数据集、或是收集到的地面车辆数据、抑或是二者的混合来进行训练，并在云平台中进行部署。

在一实施例中，如图3所示，采用了基于多维度时空特征的轨迹预测方法，利用LSTM编码器-解码器框架来进行多模态轨迹预测。首先，对驾驶环境进行栅格化处理，扩展栅格信息至车辆的空间和时间维度，结合数字孪生技术中的高精度地图，充分考虑道路的几何和拓扑信息，以此提高轨迹预测的精度。接着，构建LSTM编码器来提取包括车辆历史运动信息和道路几何拓扑结构信息在内的多维度特征，同时引入数字孪生世界中的高清地图数据作为输入的一部分，为车辆运动设定限制，增强预测准确性。此外，引入时间注意力机制，重点分析对未来轨迹预测影响最大的历史时刻，进一步提升预测精度。在此基础上，解码器部分引入了多模态预测机制，通过整合每个栅格的时间特征到一个张量，并采用空间注意力机制进行加权融合。该实施例的创新之处在于空间注意力机制的应用，它使模型能够综合考虑环境中的各种动态交通要素，提升轨迹预测的全局观。解码器不仅重建未来轨迹的主要模式，而且能够生成多个潜在的未来轨迹及其相应概率，为考虑不确定性提供了方法。通过这种方式，该实施例结合了数字孪生技术的高度准确性、深度学习的强大学习能力和多模态预测的全面性，显著提升了轨迹预测的准确度和自动驾驶技术的整体安全性及可靠性。

该实施例利用数字孪生技术精心构建了与真实行驶环境相匹配的数字副本，这不仅包括车辆的历史运动数据、道路的几何形状和拓扑结构，还综合了交通环境的动态变化。通过应用深度学习模型，尤其是长短期记忆网络（LSTM），本技术能够深度挖掘时空交互特征，并预测周围车辆的多种可能未来轨迹，即多模态预测。这种预测方式显著提升了风险评估的准确性和全面性，有效减少了对车载感知设备高频数据更新的依赖。

轨迹预测信息下发在云平台中，轨迹预测模型将预测周边交通参与者的未来轨迹，并将这些预测信息下发到目标车辆中。下发信息的方式可以采用V2V通信或V2I通信，目标车辆将根据这些预测信息对当前行驶场景进行评估，并生成描述全局风险信息的风险场。

目标车辆行车风险场方法的部署在目标车辆中，需要部署一个行车风险场算法来对车辆的行驶风险进行评估。该方法能够对行驶环境中的道路、车辆、障碍物、行人、交通标志等一般化要素进行风险建模，并考虑周围车辆预测轨迹对风险分布的影响。如图4所示，基于轨迹预测的行车风险场模型将被部署在车载计算平台上，包括道路风险场、静态风险场及预测风险场等模块。

道路风险场：道路风险场模块数字孪生世界中获取的道路地图信息建立，包括车道边界线和车道分隔线两种类型；其中车道边界线不能被穿越，而分隔线可以穿越。因此，在穿越车道边界线后，风险场强度急剧增加，而在接近分隔线时增长有限。在车道分隔线之间，风险场强度数值很小且几乎不变。因此，道路风险场函数用如下公式计算：

（1）

式中，表示第k个车道线的纵向坐标，表示从任意点指向第k条车道线的向量，表示车道标线的总数，而、分别表示由分隔线和车道边界生成的风险场因子。方程（1）可以描述多车道道路的风险场。当第k条车道线是分隔线时，风险场由方程（1）的第一项激活，而当第k条车道线是车道边界时，则由方程（1）的第二项激活。

静态风险场：静态风险场用来描述静态障碍物形成的风险场，例如道路施工区域、静止车辆等。离障碍物越近，其风险场强越大，因此，可以表示为：

（2）

式中，表示障碍物i的风险分布，表示空间任意一点到障碍物中心的向量，表示的单位向量。风险分布函数由如下高斯分布表示：

（3）

其中，表示第i个障碍物点的惯性坐标系下坐标，、表示障碍物沿惯性系x方向和y方向的场强分布因子，场强分布因子、的大小会影响风险场沿x、y方向的分布，风险因子越大则该方向风险场强降低越慢，风险分布范围越宽。

多模态预测风险场：多模态预测风险场的建立基于从云平台接收到的周围车辆的多模态预测轨迹。首先，这些轨迹在时间和空间上被离散化，其中每一个离散的点代表了预测中的车辆在特定未来时刻的位置。这样，每一个预测点都可以被视为一个潜在的静态障碍物，而每一条轨迹则由一系列这样的静态障碍物组成。任一模态i的预测风险场通过在预测时域内叠加这些静态场来获得，其数学表达式如下：

（4）

式中，表示当前时刻，表示未来某一预测时刻，为预测总步长，表示空间内的任意一点，表示动态障碍物第i条轨迹在预测时刻处的预测位置，表示动态障碍物第i条轨迹在预测时刻处形成的静态风险场：

（5）

其中，场强分布因子、分别表示第k个预测轨迹点处风险场的分布因子，其大不仅与障碍物尺寸相关，还与预测时刻t+k处的瞬时速度有关，通过下式计算：

（6）

其中，为预测轨迹的时间间隔，、为预测时刻t+k-1处的横向、纵向位置。进一步地，由于预测的不确定性随着预测步长的增加而增加，而短期运动趋势往往具有更大和更直接的影响，因此引入了一种基于 Sigmoid 函数计算的衰减因子来优化预测风险场的分布。衰减因子的表达式如下：

（7）

其中，表示未来时刻的预测可信度衰减因子，为常数。根据式(4)中的衰减因子，可以得到预测风险场的具体表达：

（8）

在得到单一模态预测轨迹的风险场后，基于每条预测轨迹的概率大小，通过加权叠加多个模态的预测轨迹行车的风险场，可以得到考虑动态障碍物动态不确定性运动确实的多模态预测风险场：

（9）

通过将此风险场与静态障碍物和车道标记风险场结合，可以得到综合风险场，是通过将静态障碍物、车道标记和动态障碍物（如移动车辆和行人）的风险场相结合而形成的。具体来说，这个综合风险场是通过对每种风险场施加不同的缩放因子并进行叠加得到的。其数学表达式可以表示为：

（10）

通过上述方法，能够更全面地评估动态障碍物在未来可能的位置和对车辆行驶安全的潜在影响，从而为车辆提供更准确的风险评估。

风险评估与实际应用最后，根据车辆内部部署的行车风险场方法，可以实现对行驶场景风险的评估，得到的风险分布可以表示当前交通场景下行车风险的空间分布，这个空间分布既可以作为智能车辆后续的决策规划模块的基础，也可以作为风险评估的基础，用于对驾驶员进行预警提醒。具体的应用如下：

路径规划：根据风险场的分布，智能车辆可以计算出每个可能路径上的风险值，并选择风险最低的路径作为行驶方案。这样可以保证车辆在行驶过程中尽可能避免潜在的危险情况。在行驶过程中，智能车辆可以不断更新风险场数据并重新评估路径的风险值。如果情况发生变化，智能车辆可以实时调整行驶路径，以应对新的风险情况，从而最大程度地减少潜在的危险状况。

风险评估与驾驶员预警：根据当前位置的风险场场强大小，可以单独计算出相应的风险值。智能车辆可以基于这一风险值对驾驶员进行预警，以提醒其注意潜在的危险情况。预警的方式可以包括使用AR-HMI技术在车载玻璃上显示相关提示信息，或者通过车载语音警报提醒驾驶员。

总体来说，该实施例基于数字孪生和预测风险场的车辆行车风险辨识方法通过结合基于深度学习的轨迹预测方法和行车风险场理论，实现了基于周边交通参与者未来预期运动状态的风险评估，该方法可以更准确地预测周围车辆的未来运动带来的行驶风险。

该实施例相比现有技术，具有以下优点和有益效果：

1）考虑环境动态不确定性变化的风险评估：本发明的核心创新在于融合了多模态轨迹预测技术与风险场理论，开发出了一个全面的风险评估模型，该模型特别注重环境的动态不确定性变化。通过这种深度集成，模型不仅能广泛适应不同的行驶场景，还能精细分析周围车辆的多种潜在运动趋势以及这些趋势对行车风险的具体影响，提供比以往更加精确的风险评估结果。引入这种方法后，风险评估的动态性和适应性得到了显著增强，能够更真实地反映实际行驶环境中的复杂性和不确定性，从而为驾驶安全提供了强有力的保障。

2） 云端轨迹预测与数字孪生技术的融合：本发明创新性地将轨迹预测模块部署在云端服务器上，并结合数字孪生技术，不仅克服了在实车上部署基于深度学习轨迹预测方法的挑战，还通过V2X通信实现了车辆间的即时数据共享。这一策略不仅提高了环境数据获取的全面性，还确保了预测结果的实时性和准确性，极大提升了风险评估的效率。

3）资源节约与成本降低：本发明通过在云端进行数据处理和轨迹预测，减少了车载感知设备的数据处理需求，从而节约了车载设备的资源消耗，并降低了成本。这一创新不仅提高了技术的可行性和推广性，还为低算力平台的风险评估提供了可能。

实施例3

如图5所示，本发明实施例基于数字孪生和预测风险场的车辆行车风险辨识系统，包括：

多模态预测轨迹离散化模块，用于获取车辆轨迹预测模型根据数字孪生数据生成的当前车辆的多模态预测轨迹，并将该多模态预测轨迹在时间和空间上离散化，其中每一个离散的点代表预测中的车辆在特定未来时刻的位置，每一个预测点均被视为一个潜在的静态障碍物，每一条预测轨迹由一系列潜在的静态障碍物组成，且每个潜在的静态障碍物均形成相应的潜在静态场；

多模态预测轨迹风险场计算模块，用于在预测时域内叠加某一条预测轨迹中一系列的潜在静态场，得到相应单一模态预测轨迹的风险场；基于周围车辆每条预测轨迹的概率大小，通过加权叠加得到多个模态的预测轨迹的风险场；

综合风险场计算模块，用于计算车辆当前的静态风险场和道路风险场，并与多个模态的预测轨迹的风险场进行加权叠加，得到综合风险场；其中道路风险场根据数字孪生数据中的道路地图信息建立，为车道边界线和车道分隔线所形成的风现场；静态风险场为车辆周围的静态障碍物形成的风险场；

应用模块，用于将综合风险场输出给车辆路径规划模块，以根据该综合风险场进行车辆路径规划，或者将综合风险场输出给车辆报警模块，以根据该综合风险场计算当前车辆的风险值并生成预警提示。

接上述技术方案，车辆轨迹预测模型部署在云平台中，该云平台中构建了车辆的数字孪生世界，云平台利用V2X通信技术，与地面车辆以及路测单元建立实时通信连接，收集包括位置、速度、加速度在内的车辆运动状态信息及车辆所在车道的详细信息，且云平台还捕获周边环境中的动态变化信息以用于实时更新数字孪生世界中对应的孪生车辆数据，确保数字孪生世界与实际行驶环境之间的信息同步。

该实施例提供了一种高效、准确且成本效益高的车辆行车风险辨识系统，对于提高自动驾驶和辅助驾驶技术的安全性具有重要意义。其应用不仅限于汽车行业，也可扩展至工业制造、城市规划等多个领域，为数字化转型开辟了新的途径，具有广阔的应用前景和社会经济价值。

实施例4

本申请还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质被处理器执行时实现方法实施例的基于数字孪生和预测风险场的车辆行车风险辨识方法。

综上所述，本发明针对传统风险评估方法仅限于有限信息处理的局限，基于风险场理论，引入了预测风险场模型的概念。通过结合多模态轨迹预测与风险场理论，本发明不仅对各种潜在的行驶环境因素进行了细致的风险建模，还能够根据预测轨迹的不同概率，动态地调整风险分布。这种方法使得对周边车辆及其他动态障碍物对本车的潜在风险评估更为全面和细腻，充分考虑了行车环境中的不确定性因素。

本发明还利用数字孪生技术的强大能力，将深度学习的轨迹预测方法部署于云平台，从而实现了数字孪生世界与真实行驶环境之间的无缝匹配和实时交互。通过车辆之间的通信（V2X），不仅使得车辆能够实时接收云端计算得出的周围车辆运动状态的全局预测，还确保了实时风险评估的可行性和准确性。这种云端和V2X通信的结合有效解决了车载系统计算资源有限的问题，同时提高了轨迹预测和风险评估的可靠性。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于数字孪生和预测风险场的车辆行车风险辨识方法，其特征在于，包括以下步骤：

S1、获取车辆轨迹预测模型根据数字孪生数据生成的周围车辆的多模态预测轨迹，并将多模态预测轨迹在时间和空间上离散化，其中每一个离散的点代表预测中的车辆在特定未来时刻的位置，每一个预测点均被视为一个潜在的静态障碍物，每一条预测轨迹由一系列潜在的静态障碍物组成，且每个潜在的静态障碍物均形成相应的潜在静态场；

S2、在预测时域内叠加某一条预测轨迹中一系列的潜在静态场，结合高斯分布和风险衰减因子，为周围车辆每条预测轨迹建立相应的风险评估，得到相应单一模态预测轨迹的风险场；

S3、基于周围车辆每条预测轨迹的概率大小，通过加权叠加得到多个模态的预测轨迹的风险场；

S4、计算车辆当前的静态风险场和道路风险场，并与多个模态的预测轨迹的风险场进行加权叠加，得到综合风险场；其中道路风险场根据数字孪生数据中的道路地图信息建立，为车道边界线和车道分隔线所形成的风现场；静态风险场为车辆周围的静态障碍物形成的风险场；

S5、根据该综合风险场进行车辆路径规划，或者计算当前车辆的风险值以生成预警提示。

2.根据权利要求1所述的基于数字孪生和预测风险场的车辆行车风险辨识方法，其特征在于，道路风险场具体根据当前车辆与车道边界线和车道分隔线的相对位置计算得到。

3.根据权利要求1所述的基于数字孪生和预测风险场的车辆行车风险辨识方法，其特征在于，静态风险场根据车辆与道路施工区域、静止车辆的相对位置计算得到。

4.根据权利要求1所述的基于数字孪生和预测风险场的车辆行车风险辨识方法，其特征在于，综合风险场具体通过对每种风险场施加不同的缩放因子并进行叠加得到。

5.根据权利要求1所述的基于数字孪生和预测风险场的车辆行车风险辨识方法，其特征在于，步骤S5中，具体根据当前车辆位置的综合风险场的场强大小，单独计算出相应的风险值，根据该风险值对驾驶员进行预警，以提醒其注意潜在的危险情况。

6.根据权利要求1所述的基于数字孪生和预测风险场的车辆行车风险辨识方法，其特征在于，步骤S5中，在根据综合风险场进行路径规划时，具体根据综合风险场的分布，计算出每个可能路径上的风险值，并选择风险最低的路径作为预测路径。

7.根据权利要求1所述的基于数字孪生和预测风险场的车辆行车风险辨识方法，其特征在于，在车辆行驶过程中，不断更新综合风险场数据并重新评估预测路径的风险值。

8.一种基于数字孪生和预测风险场的车辆行车风险辨识系统，其特征在于，包括：

多模态预测轨迹离散化模块，用于获取车辆轨迹预测模型根据数字孪生数据生成的当前车辆的多模态预测轨迹，并将该多模态预测轨迹在时间和空间上离散化，其中每一个离散的点代表预测中的车辆在特定未来时刻的位置，每一个预测点均被视为一个潜在的静态障碍物，每一条预测轨迹由一系列潜在的静态障碍物组成，且每个潜在的静态障碍物均形成相应的潜在静态场；

多模态预测轨迹风险场计算模块，用于在预测时域内叠加某一条预测轨迹中一系列的潜在静态场，结合高斯分布和风险衰减因子，为周围车辆每条预测轨迹建立相应的风险评估，得到相应单一模态预测轨迹的风险场；基于周围车辆每条预测轨迹的概率大小，通过加权叠加得到多个模态的预测轨迹的风险场；

综合风险场计算模块，用于计算车辆当前的静态风险场和道路风险场，并与多个模态的预测轨迹的风险场进行加权叠加，得到综合风险场；其中道路风险场根据数字孪生数据中的道路地图信息建立，为车道边界线和车道分隔线所形成的风现场；静态风险场为车辆周围的静态障碍物形成的风险场；

应用模块，用于将综合风险场输出给车辆路径规划模块，以根据该综合风险场进行车辆路径规划，或者将综合风险场输出给车辆报警模块，以根据该综合风险场计算当前车辆的风险值并生成预警提示。

9.根据权利要求8所述的基于数字孪生和预测风险场的车辆行车风险辨识系统，其特征在于，车辆轨迹预测模型部署在云平台中，该云平台中构建了车辆的数字孪生世界，云平台利用V2X通信技术，与地面车辆以及路测单元建立实时通信连接，收集包括位置、速度、加速度在内的车辆运动状态信息及车辆所在车道的详细信息，且云平台还捕获周边环境中的动态变化信息以用于实时更新数字孪生世界中对应的孪生车辆数据，确保数字孪生世界与实际行驶环境之间的信息同步。

10.一种计算机存储介质，其特征在于，其内存储有可被处理器执行的计算机程序，该计算机程序执行权利要求1-7中任一项所述的基于数字孪生和预测风险场的车辆行车风险辨识方法。