[发明专利]一种考虑行人激进度的行人风险评估方法

权利要求书

1.一种考虑行人激进度的行人风险评估方法，其特征在于，包括：

步骤S1，检测自车行驶路线上是否有行人正在穿行；若是，则进入步骤S2；

步骤S2，调用自车传感器数据和定位数据，获取行人等待时间、行人是否向后退、行人穿行群体人数、行人穿行的速度、加速度和人车间距；

步骤S3，根据步骤S2得到的数据，确定特征变量的数值和激进度指数；其中，所述特征变量包括是否向后退、平均速度、是否观察车流、是否有干扰物、加速度、等待时间、人群数量，所述特征变量是通过下述方法设置的：通过相关性矩阵分析影响行人激进度的备选变量，在每一组相关性高于预设阈值的变量中保留一种变量设置为所述特征变量；确定所述特征变量的数值和激进度指数包括根据步骤S2得到的数据获取所述特征变量的数值，根据预设的特征变量与激进度之间的对应关系确定所述激进度指数；

步骤S4，将步骤S3获得的特征变量的激进度指数作为输入，通过基于多层感知机MLP的深度学习网络，获得行人整体激进度数值；

步骤S5，基于所述行人整体激进度数值计算行人风险值。

2.根据权利要求1所述的方法，其特征在于，步骤S3中根据预设的特征变量与激进度之间的对应关系确定所述激进度指数包括：

确定是否向后退的激进度：如果行人后退，所述是否向后退的激进度取第一值，否则取第二值；第一值小于第二值；

确定平均速度的激进度：根据所述平均速度与预设速度的差值以及差值与速度激进度的预设关系得到所述行人的平均速度的激进度指数；

确定是否观察车流的激进度：如果行人观察车流，所述是否观察车流的激进度指数取第三值，否则取第四值；第三值小于第四值；

确定是否有干扰物的激进度：如果存在干扰物，所述是否有干扰物的激进度取指数第五值，否则取第六值；第五值大于第六值；

确定加速度的激进度：如果行人加速度大于预设加速度阈值，确定加速度的激进度指数取第七值，否则取第八值；第七值大于第八值；

确定等待时间的激进度：根据预设等待之间与激进度之间的对应关系确定所述等待时间的激进度指数，其中，等待时间越长，激进度越大；

确定人群数量的激进度：根据预设的人数与激进度之间的关系确定人群数量的激进度指数；其中，人群数量在小于预设人数阈值之前，激进度随人数的增加而减小。

3.根据权利要求2所述的方法，其特征在于，确定平均速度的激进度包括：

根据下式(1)将所述平均速度进行正则化处理，得到新平均速度：

其中为预设速度，σ为样本标准差，～N(0,1)表示标准正态分布；

根据下式(2)确定所述行人的平均速度的激进度指数：

其中，A_spd表示平均速度的激进度指数，P表示概率密度函数，X表示随机变量，v₀表示行人的通行平均速度。

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

5.根据权利要求2所述的方法，其特征在于，所述确定等待时间的激进度包括根据下式(3)确定所述等待时间的激进度指数：

其中，A_wait表示所述等待时间的激进度指数，t_wait表示所述等待时间。

6.根据权利要求2所述的方法，其特征在于，所述确定人群数量的激进度包括根据下式(4)确定人群数量的激进度指数：

其中，N_G表示人群数量，A_G(N_G)表示人群数量的激进度指数。

7.根据权利要求1所述的方法，其特征在于，所述基于MLP的深度学习网络包括输入层、隐藏层和输出层；在所述输入层输入所述步骤S3获得的特征变量的激进度指数；在所述隐藏层中以下参数为超参数：周期数、单层神经元数、隐藏层数、激活函数、学习率和损失函数；在所述输出层输出所述行人整体激进度数值。