·756· 智能系统学报 第14卷 3碰撞风险评估 车辆间的纵向距离(Y_distance)和横向距离 (Y distance),驾驶员注意方向信息表现在头部垂 碰撞保护系统通常根据传感器获取的道路障 直方向转角(pitch)和水平方向转角(yaw)。模糊 碍物距离和速度信息计算碰撞时间(time to colli- 推理使用Mamdani规则，如式(11)所示： sion,TTC),当碰撞时间小于阈值时做出警告。然 R:if xi is Ai,x is A,....xi A 而受到行车环境、驾驶员精神及身体状态的影 (11) then yi=B 响，驾驶员对道路危险的反应时间存在差异，精 式中：为输入变量；y为第i条规则对应的输 确的数值分析有时反而会引起错误的预警。实际 出；A和B为模糊集。 道路中，经验丰富的驾驶员并不会精确计算距离 为了降低论证的复杂性，取行人的纵向距离 或碰撞时间，而是使用语义信息表达路况，例如 Y_distance与横向距离Y distance,驾驶员头部水 用远、中、近、很近表示前方物体距离，用很快、 平转角yaw3个输入参数构建模糊推理系统。输 快、适中、慢表示当前车速等。可以近似认为，驾 入参数Y distance与Y distance模糊化使用三角 驶员对于车辆前方潜在碰撞风险的估计都是基于 隶属度函数，其中Y distance的模糊集论域为[O, 一系列if-then规则做出的决策，并且判断结果在 20],Y distance的模糊集论域为[0,5]，在论域上 大部分情况下已足够准确。 的取值均为{close,.mid,far},如图6(a)和图6(b)所 本文构建一种基于道路和驾驶员信息的模糊 示。输入参数yaw模糊化使用高斯隶属度函数 推理系统，对输入信息进行决策级融合输出碰撞 模糊集论域为[-30,30]，在论域上的取值为{left, 风险估计，包括低风险(low-risk)、中等风险(mid- center,right},如图6(c)所示。系统输出参数 risk)、高风险(high-risk)和极高风险(very-high- Risk设置{low,mid,high,veryhigh}4个等级，模糊 rsk)4个等级。系统的输入为道路状态信息和驾 集论域设为0,1]，使用高斯隶属度函数，如图6(d) 驶员状态信息，式中道路状态信息表现在行人与 所示。 1.0 close far 1.0 close mid 0.8 0.8 0.6 0.6 0.4 0.4 0.2 0.2 0 0 10 15 20 2 3 y distance Y distance (a)行人纵而距离Y_distance (b)行人纵向距离Y distance left center 1.0 right 1.0ow mid high veryhigh 0.8 0.8 6 0.4 积0.4 0.2 0.2 0 -30-20-100102030 0 0.2 0.4 0.6 0.8 1.0 Yaw Risk (c)驾驶员头部水平转角Yaw (d风险程度Risk 图6模糊系统输入输出隶属度函数 Fig.6 Input/output membership functions of fuzzy system 根据Mamdani规则构建模糊推理规则，共设 数值可以判断出对应的碰撞风险等级。由此构建 置27条模糊规则，涵盖了输入输出参数在论域上 的模糊推理系统通过对车内外环境下的多种输入 的所有取值，具体如表1所示。 参数的模糊融合，可以为人车碰撞事故的预警提 利用重心法进行解模糊化，根据系统输出的 供一定的指导。3 碰撞风险评估 碰撞保护系统通常根据传感器获取的道路障 碍物距离和速度信息计算碰撞时间 (time to colli￾sion, TTC)，当碰撞时间小于阈值时做出警告。然 而受到行车环境、驾驶员精神及身体状态的影 响，驾驶员对道路危险的反应时间存在差异，精 确的数值分析有时反而会引起错误的预警。实际 道路中，经验丰富的驾驶员并不会精确计算距离 或碰撞时间，而是使用语义信息表达路况，例如 用远、中、近、很近表示前方物体距离，用很快、 快、适中、慢表示当前车速等。可以近似认为，驾 驶员对于车辆前方潜在碰撞风险的估计都是基于 一系列 if-then 规则做出的决策，并且判断结果在 大部分情况下已足够准确。 本文构建一种基于道路和驾驶员信息的模糊 推理系统，对输入信息进行决策级融合输出碰撞 风险估计，包括低风险 (low-risk)、中等风险 (mid￾risk)、高风险 (high-risk) 和极高风险 (very-high￾risk) 4 个等级。系统的输入为道路状态信息和驾 驶员状态信息，式中道路状态信息表现在行人与 车辆间的纵向距 离 (Y_distance ) 和横向距 离 (X_distance)，驾驶员注意方向信息表现在头部垂 直方向转角 (pitch) 和水平方向转角 (yaw)。模糊 推理使用 Mamdani 规则，如式 (11) 所示： R i : if x1 is A i 1 , x2 is A i 2 , ··· , xk is A i k then y i = B i (11) xk y i A i B i 式中： 为输入变量； 为第 i 条规则对应的输 出； 和 为模糊集。 为了降低论证的复杂性，取行人的纵向距离 Y_distance 与横向距离 X_distance，驾驶员头部水 平转角 yaw 3 个输入参数构建模糊推理系统。输 入参数 Y_distance 与 X_distance 模糊化使用三角 隶属度函数，其中 Y_distance 的模糊集论域为 [0, 20]，X_distance 的模糊集论域为 [0, 5]，在论域上 的取值均为{close, mid, far}，如图 6(a) 和图 6(b) 所 示。输入参数 yaw 模糊化使用高斯隶属度函数， 模糊集论域为 [-30, 30]，在论域上的取值为{left, center, right}，如图 6(c) 所示。系统输出参数 Risk 设置{low, mid, high, veryhigh}4 个等级，模糊 集论域设为 [0, 1]，使用高斯隶属度函数，如图 6(d) 所示。 (a) 行人纵向距离 Y_distance 0 10 15 20 5 Y_distance 0 0.2 0.4 0.6 0.8 1.0 隶属度 close mid far (b) 行人纵向距离 X_distance 0 2 3 4 5 1 X_distance 0 0.2 0.4 0.6 0.8 1.0 隶属度 close mid far (c) 驾驶员头部水平转角 Yaw −30 −20 −10 0 10 20 30 Yaw 0 0.2 0.4 0.6 0.8 1.0 隶属度 left center right (d) 风险程度 Risk 0 0.4 0.6 0.8 1.0 0.2 Risk 0 0.2 0.4 0.6 0.8 1.0 隶属度 low mid high veryhigh 图 6 模糊系统输入输出隶属度函数 Fig. 6 Input/output membership functions of fuzzy system 根据 Mamdani 规则构建模糊推理规则，共设 置 27 条模糊规则，涵盖了输入输出参数在论域上 的所有取值，具体如表 1 所示。 利用重心法进行解模糊化，根据系统输出的 数值可以判断出对应的碰撞风险等级。由此构建 的模糊推理系统通过对车内外环境下的多种输入 参数的模糊融合，可以为人车碰撞事故的预警提 供一定的指导。 ·756· 智 能 系 统 学 报 第 14 卷