北京理工大学吕超副教授团队研究成果：数据驱动的智能车个性化场景风险图构建

《汽车工程》2023年第2期发表了北京理工大学吕超副教授团队研究成果“数据驱动的智能车个性化场景风险图构建”一文。论文为实现智能车辆危险预警辅助功能，精确建立个体驾驶员的个性化辅助系统，提出一种数据驱动的智能车个性化场景风险图构建方法，实验结果表明该方法构建的驾驶员个性化危险场景识别模型识别准确率可达95.8%，比特征向量表示法提高了38.2%，能够有效地做出基于驾驶员驾驶风格的个性化场景危险程度评价。

智能车辆危险预警辅助功能，可针对场景中的潜在风险及时警示驾驶员，有望减少事故的发生。但由于驾驶员存在经验与个性的差异，如果将针对特定驾驶员训练的风险识别模型应用于具有不同风险理解模式的其他驾驶员身上，必然会引起人机冲突，可能引起危险识别异常或导致驾驶员忽视警告。如何对动态交通场景进行理解和建模，并实现驾驶员个性化危险场景识别功能已经成为当前研究的热点。

1. 基于图表示的行驶场景建模：针对复杂交通场景表征问题，定义场景风险图及其中节点、节点标签与边的概念，并对场景中动静态要素及要素之间的交互关系建模，实现对行驶场景的结构信息与交互特征的充分表征。

图 3　图模型边生成示例

图4 由图核定义的特征空间及其映射

图5 基于驾驶员操作数据的个性化危险场景评价生成

3. 实车验证：利用实车数据采集平台，采集驾驶员操作数据与真实行驶场景数据，开展评估实验，以验证基于图表示的个性化危险行驶场景识别模型的有效性。

研究结果 

图7 危险场景识别准确率

创新点与意义