人机共驾模式决策方法、装置、设备及存储介质与流程

1.本发明涉及自动驾驶技术领域，尤其涉及一种人机共驾模式决策方法、装置、设备及存储介质。


背景技术：

2.现有的人机共驾模式切换的过程为：车辆处于自动驾驶模式时，遇到系统无法处理的情况或者遇到危险发生，系统才会寻求人机共驾模式切换；车辆处于人工驾驶模式时，驾驶员根据自己的经验判断当前是否切入自动驾驶模式。这种“被动切换”导致人机共驾模式切换滞后，存在安全隐患。
3.中国专利申请：一种人机共驾模式切换方法、装置、存储介质及系统(公开号：cn111923930a)提出根据车辆的电动转向机和方向盘间的扭矩及所述方向盘的转角，判断出是否是驾驶员接管人机共驾车辆的方向盘，从而准确进行人机共驾模式的切换，该专利存在以下缺陷：通过电动转向机和方向盘间的扭矩及方向盘的转角作为依据，来判断人机共驾模式的切换，是一种被动的、不安全的切换方式。很多工况下驾驶员来不及控制方向盘或危险已经发生了再控制方向盘，事故仍然有可能发生。并且通过电动转向机和方向盘间的扭矩及方向盘的转角作为依据并不适用于日常行车情况，如果驾驶员睡着了并且没碰到方向盘，这种情况是需要进行人机共驾模式切换的。
4.中国专利申请：基于驾驶员实时风险响应的动态人机共驾驾驶权分配方法(公开号：cn110949407a)采集环境信息和自车信息；根据所述环境信息和自车信息，获取周围车辆对自车的综合风险作用强度；根据所受综合风险作用强度、以及车自车的控制量，实时判断驾驶员的驾驶状态，并计算驾驶权重分配因子；根据所述环境信息以自车信息，计算辅助驾驶系统的控制量；根据所述控制量以及所述驾驶权重分配因子，计算实际控制量，并输出实际控制量，控制车辆运动。通过综合实时评估驾驶员对环境风险的响应程度，判断驾驶员的实时驾驶技能，达到驾驶权柔性切换的人机共驾。该专利存在以下缺陷：通过实时评估驾驶员对环境风险的响应程度，是一种被动的判断方式，实时判断到需要切换人机共驾模式再进行模式切换，不能有效的减少事故的发生。单从综合风险作用强度、以及自车的控制量来判断驾驶员的驾驶状态存在较大弊端，由于驾驶员主观意愿以及驾驶车辆习惯不一，对危险的表达存在很大差异性，有些驾驶员喜欢“暴力驾驶”，而有些驾驶员喜欢“佛系驾驶”，不同驾驶风格下驾驶员对环境风险的响应程度不一致，导致对车辆危险状态的评估不一致，存在安全隐患。
5.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

6.本发明的主要目的在于提供一种人机共驾模式决策方法、装置、设备及存储介质，旨在解决人机共驾模式切换滞后，且受主观因素影响的技术问题。
7.为实现上述目的，本发明提供了一种人机共驾模式决策方法，所述方法包括以下步骤：
8.通过手表感应驾驶员的生理特性指标；
9.根据所述生理特性指标通过预设自适应学习模型确定对应的驾驶模式；
10.获取前方预设范围内的车辆信息；
11.根据所述车辆信息通过预设行为预测算法生成对应的车辆意图模型；
12.根据所述车辆意图模型确定当前车辆所处的风险等级；
13.根据所述驾驶模式以及所述风险等级确定目标模式切换决策。
14.可选地，所述生理特性指标包括血流量脉冲和皮肤电导；
15.所述根据所述生理特性指标通过预设自适应学习模型确定对应的驾驶模式，包括：
16.将所述血流量脉冲和所述皮肤电导输入至预先训练好的预设自适应学习模型中，得到模型输出的驾驶模式。
17.可选地，所述根据所述生理特性指标通过预设自适应学习模型确定对应的驾驶模式之前，所述方法还包括：
18.获取预设样本集，所述预设样本集至少包括样本血流量脉冲、样本皮肤电导以及对应的样本驾驶模式；
19.将所述样本血流量脉冲以及所述样本皮肤电导输入至初始自适应学习模型，得到目标驾驶模式；
20.根据所述样本驾驶模式以及所述目标驾驶模式对所述初始自适应学习模型的输入权重、输出权重以及层偏置进行调整，得到预设自适应学习模型。
21.可选地，所述根据所述车辆信息通过预设行为预测算法生成对应的车辆意图模型，包括：
22.根据所述车辆信息通过预设行为预测算法确定前方预设范围内车辆的若干行为预测结果；
23.根据预设损失函数确定所述若干行为预测结果对应的若干预测概率值；
24.根据所述若干预测概率值选取最大预测概率值对应的最优行为预测结果；
25.根据所述最优行为预测结果生成车辆意图模型。
26.可选地，所述根据所述车辆意图模型确定当前车辆所处的风险等级，包括：
27.根据所述车辆意图模型确定当前车辆与目标车辆之间的碰撞时间；
28.根据所述碰撞时间确定当前车辆所处的风险等级。
29.可选地，所述风险等级至少包括第一风险等级；
30.所述根据所述碰撞时间确定当前车辆所处的风险等级，包括：
31.在所述碰撞时间小于预设安全时间时，确定当前车辆所处的风险等级为第一风险等级。
32.可选地，所述驾驶模式至少包括：人工驾驶模式、辅助驾驶模式以及自动驾驶模式；
33.所述根据所述驾驶模式以及所述风险等级确定目标模式切换决策，包括：
34.在所述驾驶模式为自动驾驶模式或者所述风险等级为第一风险等级时，确定对应
的目标模式切换决策为切换至自动驾驶模式；
35.在所述驾驶模式为辅助驾驶模式且所述风险等级不为第一风险等级时，确定对应的目标模式切换决策为切换至辅助驾驶模式；
36.在所述驾驶模式为人工驾驶模式且所述风险等级不为第一风险等级时，确定对应的目标模式切换决策为切换至人工驾驶模式。
37.此外，为实现上述目的，本发明还提出一种人机共驾模式决策装置，所述人机共驾模式决策装置包括：
38.获取模块，用于通过手表感应驾驶员的生理特性指标；
39.模式确定模块，用于根据所述生理特性指标通过预设自适应学习模型确定对应的驾驶模式；
40.所述获取模块，还用于获取前方预设范围内的车辆信息；
41.预测模块，用于根据所述车辆信息通过预设行为预测算法生成对应的车辆意图模型；
42.风险确定模块，用于根据所述车辆意图模型确定当前车辆所处的风险等级；
43.决策模块，用于根据所述驾驶模式以及所述风险等级确定目标模式切换决策。
44.此外，为实现上述目的，本发明还提出一种人机共驾模式决策设备，所述人机共驾模式决策设备包括：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人机共驾模式决策程序，所述人机共驾模式决策程序配置为实现如上文所述的人机共驾模式决策方法。
45.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有人机共驾模式决策程序，所述人机共驾模式决策程序被处理器执行时实现如上文所述的人机共驾模式决策方法。
46.本发明通过手表感应驾驶员的生理特性指标；根据生理特性指标通过预设自适应学习模型确定对应的驾驶模式；获取前方预设范围内的车辆信息；根据车辆信息通过预设行为预测算法生成对应的车辆意图模型；根据车辆意图模型确定当前车辆所处的风险等级；根据驾驶模式以及风险等级确定目标模式切换决策。通过上述方式，以生理特性指标为依据确定驾驶员的客观状态，避免驾驶员主观因素影响最终决策，根据车辆所处环境信息得到预测的车辆意图模型，能有效规避危险，提高人机共驾模式切换的有效性。根据驾驶员客观状态及车辆所处环境的情况进行综合评估，解决人机共驾模式切换滞后，且受主观因素影响的问题。
附图说明
47.图1是本发明实施例方案涉及的硬件运行环境的人机共驾模式决策设备的结构示意图；
48.图2为本发明人机共驾模式决策方法第一实施例的流程示意图；
49.图3为本发明人机共驾模式决策方法第二实施例的流程示意图；
50.图4为本发明人机共驾模式决策方法第三实施例的流程示意图；
51.图5为本发明人机共驾模式决策装置第一实施例的结构框图。
52.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
53.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。
54.参照图1，图1为本发明实施例方案涉及的硬件运行环境的人机共驾模式决策设备结构示意图。
55.如图1所示，该人机共驾模式决策设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless
‑
fidelity，wi
‑
fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)，也可以是稳定的非易失性存储器(non
‑
volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
56.本领域技术人员可以理解，图1中示出的结构并不构成对人机共驾模式决策设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
57.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及人机共驾模式决策程序。
58.在图1所示的人机共驾模式决策设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明人机共驾模式决策设备中的处理器1001、存储器1005可以设置在人机共驾模式决策设备中，所述人机共驾模式决策设备通过处理器1001调用存储器1005中存储的人机共驾模式决策程序，并执行本发明实施例提供的人机共驾模式决策方法。
59.本发明实施例提供了一种人机共驾模式决策方法，参照图2，图2为本发明人机共驾模式决策方法第一实施例的流程示意图。
60.本实施例中，所述人机共驾模式决策方法包括以下步骤：
61.步骤s10：通过手表感应驾驶员的生理特性指标。
62.可以理解的是，本实施例的执行主体为人机共驾模式决策设备，所述人机共驾模式决策设备可以为控制器，例如安装于自动驾驶车辆上的域控制器，用于接收和处理车载摄像头、车辆传感器以及智能手表采集的感应信息。
63.需要说明的是，将手表与车辆域控制器连接，在接受到驾驶员启动无人驾驶模式的信号时，检测驾驶员是否已正确佩戴手表，在检测到驾驶员未正确佩戴手表时，对启动无人驾驶模式的信号进行拦截，并提示驾驶员正确佩戴手表。本实施例中的生理特性指标包括血流量脉冲(bvp)和皮肤电导(sc)两个指标，手表至少配备用检测血流量脉冲和皮肤电导的信息感应装置。
64.步骤s20：根据所述生理特性指标通过预设自适应学习模型确定对应的驾驶模式。
65.应当理解的是，预设自适应学习模型为预先训练好的模型，在输入生理特征指标时，预设自适应学习模型输出推荐的驾驶模式，驾驶模式包括自动驾驶模式、辅助驾驶模式以及人工驾驶模式。
66.步骤s30：获取前方预设范围内的车辆信息。
67.需要说明的是，车辆通过周身传感器以及摄像头识别车辆前方车辆信息，采用车
辆识别算法对当前车辆前方150米范围内的车辆进行识别，采用车道线识别算法对当前车辆周边两条车道的车道线进行识别，得到车辆周边的车道线信息以及车辆信息。
68.步骤s40：根据所述车辆信息通过预设行为预测算法生成对应的车辆意图模型。
69.可以理解的是，车辆意图模型表征前方车辆最优的行为预测结果，包括前方车辆的插入区域以及插入时间。本实施例通过预设行为预测算法进行行为预测，得到若干个行为预测结果，根据预设损失函数从若干行为预测结果中选择最优行为预测结果，并根据最优行为预测结果生成车辆意图模型。
70.步骤s50：根据所述车辆意图模型确定当前车辆所处的风险等级。
71.需要说明的是，本实施例提前对前方车辆的行为进行预测，根据最优行为预测结果确定当前车辆所处的风险等级，通过车辆意图模型确定当前车辆与前方车辆之间的碰撞时间确定当前车辆所处的风险等级。
72.具体地，所述步骤s50，包括：根据所述车辆意图模型确定当前车辆与目标车辆之间的碰撞时间；根据所述碰撞时间确定当前车辆所处的风险等级。
73.可以理解的是，目标车辆为当前车辆的前方车辆，表征预测的与当前车辆最近的前方车辆，根据车辆意图模型确定预测的前方车辆的位置，根据当前位置以及预测的前方车辆的位置确定当前车辆与前方车辆之间的碰撞时间，不同的风险等级对应于不同的时间范围，根据当前确定的碰撞时间与不同的时间范围进行匹配，从而确定碰撞时间对应的风险等级。
74.进一步地，所述风险等级至少包括第一风险等级；所述根据所述碰撞时间确定当前车辆所处的风险等级，包括：在所述碰撞时间小于预设安全时间时，确定当前车辆所处的风险等级为第一风险等级。
75.在具体实现中，风险等级包括第一风险等级、第二风险等级以及第三风险等级，第一风险等级对应的时间范围为0至预设安全时间，本实施例中预设安全时间设置为0.5s，在碰撞时间小于0.5s时，当前车辆所处的风险等级为第一风险等级。
76.应当理解的是，在所述碰撞时间大于等于预设安全时间且小于预设第二时间时，确定当前车辆所处的风险等级为第二风险等级；在所述碰撞时间大于预设安第二时间时，确定当前车辆所处的风险等级为第三风险等级。
77.需要说明的是，以预设安全时间为0.5s，预设第二时间为1s为例进行说明，依据车辆碰撞时间ttl判断车辆风险等级，r
i
对应第一风险等级，r
ii
对应第二风险等级，r
iii
对应第三风险等级，有车辆驾驶风险r∈[r
i
,r
ii
,r
iii
]。根据公式(1)确定当前车辆所处的风险等级：
[0078][0079]
其中，ttl
′
c表示在预测的车辆意图模型c
k,max
中，车辆与前方目标的碰撞时间。
[0080]
步骤s60：根据所述驾驶模式以及所述风险等级确定目标模式切换决策。
[0081]
可以理解的是，在推荐的架势模式以及当前车辆所处的风险等级不同的情况下，确定的目标模式切换策略不同。
[0082]
进一步地，所述驾驶模式至少包括：人工驾驶模式、辅助驾驶模式以及自动驾驶模式；所述步骤s60，包括：在所述驾驶模式为自动驾驶模式或者所述风险等级为第一风险等级时，确定对应的目标模式切换决策为切换至自动驾驶模式；在所述驾驶模式为辅助驾驶模式且所述风险等级不为第一风险等级时，确定对应的目标模式切换决策为切换至辅助驾驶模式；在所述驾驶模式为人工驾驶模式且所述风险等级不为第一风险等级时，确定对应的目标模式切换决策为切换至人工驾驶模式。
[0083]
需要说明的是，本实施例根据驾驶员端输出的驾驶模式f(x)以及车辆端输出的驾驶风险等级r，确定目标模式切换策略，有三种可切换的驾驶模式：人工驾驶模式(manual)，辅助驾驶模式(assist)，自动驾驶模式(automatic)。有共同决策模型decision，参照公式(2)：
[0084][0085]
其中，共同决策模型decision由驾驶员端输出的驾驶模式f(x)与车辆端输出的驾驶风险等级r得出。以驾驶员端检测驾驶员生理特性指标并判断出当前驾驶员的驾驶状态为主，以车辆端预测车辆意图模型并输出车辆风险等级为辅。当识别到驾驶员端驾驶员状态必须切换到自动驾驶模式automatic时，共同决策模型输出目标模式切换策略为切换状态到自动驾驶模式；当确定车辆驾驶风险等级为第一风险等级时，共同决策模型输出目标模式切换策略为切换状态到自动驾驶模式；当识别到驾驶员端驾驶员状态需切换到辅助驾驶模式assist且车辆驾驶风险等级r≠r
i
时，共同决策模型输出目标模式切换策略为切换状态到辅助驾驶模式；当识别到驾驶员端驾驶员状态可以切换到人工驾驶模式manual且车辆驾驶风险等级r≠r
i
时，则共同决策模型输出目标模式切换策略为切换状态到人工驾驶模式。
[0086]
本实施例通过手表感应驾驶员的生理特性指标；根据生理特性指标通过预设自适应学习模型确定对应的驾驶模式；获取前方预设范围内的车辆信息；根据车辆信息通过预设行为预测算法生成对应的车辆意图模型；根据车辆意图模型确定当前车辆所处的风险等级；根据驾驶模式以及风险等级确定目标模式切换决策。通过上述方式，以生理特性指标为依据确定驾驶员的客观状态，避免驾驶员主观因素影响最终决策，根据车辆所处环境信息得到预测的车辆意图模型，能有效规避危险，提高人机共驾模式切换的有效性。根据驾驶员客观状态及车辆所处环境的情况进行综合评估，解决人机共驾模式切换滞后，且受主观因素影响的问题。
[0087]
参考图3，图3为本发明人机共驾模式决策方法第二实施例的流程示意图。
[0088]
基于上述第一实施例，本实施例人机共驾模式决策方法中，所述生理特性指标包括血流量脉冲和皮肤电导；
[0089]
所述步骤s20，包括：
[0090]
步骤s201：将所述血流量脉冲和所述皮肤电导输入至预先训练好的预设自适应学习模型中，得到模型输出的驾驶模式。
[0091]
可以理解的是，手表感应驾驶员的生理特性指标，对不同生理特性指标进行分析，得出血流量脉冲(bvp)和皮肤电导(sc)两个指标，不同驾驶状态存在较大的差异，能清晰的
反映出驾驶员当前状态。
[0092]
在所述步骤s20之前，还包括：
[0093]
步骤s202：获取预设样本集，所述预设样本集至少包括样本血流量脉冲、样本皮肤电导以及对应的样本驾驶模式。
[0094]
需要说明的是，开发人员提前统计900例切换驾驶模式时的生理特性指标，将900例样本血流量脉冲、样本皮肤电导以及对应的样本驾驶模式打包得到预设样本集(ds)，其中切换人工驾驶模式(manual)540次，切换辅助驾驶模式(assist)246次，切换自动驾驶模式(automatic)114次。
[0095]
步骤s203：将所述样本血流量脉冲以及所述样本皮肤电导输入至初始自适应学习模型，得到目标驾驶模式。
[0096]
步骤s204：根据所述样本驾驶模式以及所述目标驾驶模式对所述初始自适应学习模型的输入权重、输出权重以及层偏置进行调整，得到预设自适应学习模型。
[0097]
可以理解的是，根据预设样本集对初始自适应学习模型进行训练，有n个任意的样本(m
i
,x
i
)，其中m
i
＝[m
i1
,m
i2
,
…
,m
in
]
t
∈ds
n
，x
i
＝(b
i
,s
i
)，b
i
＝[b
i1
,b
i2
,
…
,b
in
]
t
∈ds
n
，s
i
＝[s
i1
,s
i2
,
…
,s
in
]
t
∈ds
n
，其中(m
i
,b
i
,s
i
)分别代表切换驾驶模式训练数据以及对应的血流量脉冲、皮肤电导指标。有l层学习模型表示为公式(3)：
[0098][0099]
其中，g(x)为激活函数，w
i
＝[w
i,1
,w
i,2
,
…
,w
i,n
]
t
为输入权重，β
i
为输出权重，b
i
是第i层的偏置。
[0100]
根据公式(4)确定输出误差：
[0101][0102]
即l层学习模型的目标是使得输出的误差最小。
[0103]
在具体实现中，存在β
i
,w
i
和b
i
，使得公式(5)成立：
[0104][0105]
通过公式(6)的矩阵表示上述公式(5)：
[0106]
hβ＝t
ꢀꢀꢀ
(6)
[0107]
其中，h是第i层节点的输出，β是输出权重，t为期望输出。
[0108]
有：
[0109][0110]
其中，
[0111]
通过训练学习模型，得到和使得公式(7)成立：
[0112][0113]
最终输出训练后的预设自适应学习模型，预设自适应学习模型表征为公式(8):
[0114][0115]
需要说明的是，在采集到生理特性指标(血流量脉冲和皮肤电导)时，将生理特性指标输入至训练好的预设自适应学习模型，输出当前系统推荐的驾驶模式。
[0116]
本实施例通过获取预设样本集，所述预设样本集至少包括样本血流量脉冲、样本皮肤电导以及对应的样本驾驶模式；将样本血流量脉冲以及样本皮肤电导输入至初始自适应学习模型，得到目标驾驶模式；根据样本驾驶模式以及目标驾驶模式对初始自适应学习模型的输入权重、输出权重以及层偏置进行调整，得到预设自适应学习模型；将血流量脉冲和皮肤电导输入至预先训练好的预设自适应学习模型中，得到模型输出的驾驶模式。本实施例中根据预设样本集对自适应学习模型进行训练，在获取到驾驶员的生理特性指标时，根据驾驶员的客观状态确定推荐的驾驶模式，根据驾驶员客观状态及车辆所处环境的情况进行综合评估，得到目标模式切换决策，避免驾驶员主观因素影响最终决策。
[0117]
参考图4，图4为本发明人机共驾模式决策方法第三实施例的流程示意图。
[0118]
基于上述第一实施例，本实施例人机共驾模式决策方法中所述步骤s40，包括：
[0119]
步骤s401：根据所述车辆信息通过预设行为预测算法确定前方预设范围内车辆的若干行为预测结果。
[0120]
可以理解的是，本实施例有预设行为预测算法(公式(9))：
[0121][0122]
其中，表示第k台车的行为预测，x表示输入状态特征，即车辆信息以及车道线信息，c
s
表示第k台车的插入区域s，c
t
表示第k台车的插入时间t；π
k
(x)表示高斯系数，表示第k台车插入区域及插入时间的均值；表示第k台车插入区域及插入时间的协方差。
[0123]
步骤s402：根据预设损失函数确定所述若干行为预测结果对应的若干预测概率值。
[0124]
需要说明的是，针对上述预设行为预测算法，有预设损失函数(公式(10))：
[0125][0126]
其中，w1及w2为参数，可以根据实际输入调整预设参数值，s为插入区域的总数，表示当前第k台车插入区域s的真值。
[0127]
步骤s403：根据所述若干预测概率值选取最大预测概率值对应的最优行为预测结果。
[0128]
步骤s404：根据所述最优行为预测结果生成车辆意图模型。
[0129]
应当理解的是，预设损失函数可以使周边车辆真正插入的区域拥有最大的权重，对插入该区域内的时间和位置信息进行概率预测，输出多个意图模型c
k,ρ
及对应预测概率，并得到预测概率最高的车辆意图模型c
k,max
。其中，车辆意图模型的输入为车辆信息以及车道线信息，输出为最优行为预测结果，包括插入区域以及插入时间。
[0130]
本实施例通过根据车辆信息通过预设行为预测算法确定前方预设范围内车辆的若干行为预测结果；根据预设损失函数确定若干行为预测结果对应的若干预测概率值；根据若干预测概率值选取最大预测概率值对应的最优行为预测结果；根据最优行为预测结果生成车辆意图模型。通过上述方式，根据车辆信息通过预设行为预测算法得到预测的车辆意图模型，对周边车辆进行行为预测，提前根据驾驶员的客观状态以及车辆意图模型做出对应的模式切换决策，规避可能存在的风险，提高人机共驾模式切换的有效性。
[0131]
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有人机共驾模式决策程序，所述人机共驾模式决策程序被处理器执行时实现如上文所述的人机共驾模式决策方法。
[0132]
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
[0133]
参照图5，图5为本发明人机共驾模式决策装置第一实施例的结构框图。
[0134]
如图5所示，本发明实施例提出的人机共驾模式决策装置包括：
[0135]
获取模块10，用于通过手表感应驾驶员的生理特性指标。
[0136]
模式确定模块20，用于根据所述生理特性指标通过预设自适应学习模型确定对应的驾驶模式。
[0137]
所述获取模块10，还用于获取前方预设范围内的车辆信息。
[0138]
预测模块30，用于根据所述车辆信息通过预设行为预测算法生成对应的车辆意图模型。
[0139]
风险确定模块40，用于根据所述车辆意图模型确定当前车辆所处的风险等级。
[0140]
决策模块50，用于根据所述驾驶模式以及所述风险等级确定目标模式切换决策。
[0141]
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
[0142]
本实施例通过手表感应驾驶员的生理特性指标；根据生理特性指标通过预设自适应学习模型确定对应的驾驶模式；获取前方预设范围内的车辆信息；根据车辆信息通过预设行为预测算法生成对应的车辆意图模型；根据车辆意图模型确定当前车辆所处的风险等级；根据驾驶模式以及风险等级确定目标模式切换决策。通过上述方式，以生理特性指标为依据确定驾驶员的客观状态，避免驾驶员主观因素影响最终决策，根据车辆所处环境信息得到预测的车辆意图模型，能有效规避危险，提高人机共驾模式切换的有效性。根据驾驶员客观状态及车辆所处环境的情况进行综合评估，解决人机共驾模式切换滞后，且受主观因素影响的问题。
[0143]
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
[0144]
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的人机共驾模式决策方法，此处不再赘述。
[0145]
在一实施例中，所述生理特性指标包括血流量脉冲和皮肤电导；
[0146]
所述模式确定模块20，还用于将所述血流量脉冲和所述皮肤电导输入至预先训练好的预设自适应学习模型中，得到模型输出的驾驶模式。
[0147]
在一实施例中，所述人机共驾模式决策装置还包括训练模块；
[0148]
所述训练模块，用于获取预设样本集，所述预设样本集至少包括样本血流量脉冲、样本皮肤电导以及对应的样本驾驶模式，将所述样本血流量脉冲以及所述样本皮肤电导输入至初始自适应学习模型，得到目标驾驶模式，根据所述样本驾驶模式以及所述目标驾驶模式对所述初始自适应学习模型的输入权重、输出权重以及层偏置进行调整，得到预设自适应学习模型。
[0149]
在一实施例中，所述预测模块30，还用于根据所述车辆信息通过预设行为预测算法确定前方预设范围内车辆的若干行为预测结果，根据预设损失函数确定所述若干行为预测结果对应的若干预测概率值，根据所述若干预测概率值选取最大预测概率值对应的最优行为预测结果，根据所述最优行为预测结果生成车辆意图模型。
[0150]
在一实施例中，所述风险确定模块40，还用于根据所述车辆意图模型确定当前车辆与目标车辆之间的碰撞时间，根据所述碰撞时间确定当前车辆所处的风险等级。
[0151]
在一实施例中，所述风险等级至少包括第一风险等级；
[0152]
所述风险确定模块40，还用于在所述碰撞时间小于预设安全时间时，确定当前车辆所处的风险等级为第一风险等级。
[0153]
在一实施例中，所述驾驶模式至少包括：人工驾驶模式、辅助驾驶模式以及自动驾驶模式；
[0154]
所述决策模块50，还用于在所述驾驶模式为自动驾驶模式或者所述风险等级为第一风险等级时，确定对应的目标模式切换决策为切换至自动驾驶模式，在所述驾驶模式为辅助驾驶模式且所述风险等级不为第一风险等级时，确定对应的目标模式切换决策为切换至辅助驾驶模式，在所述驾驶模式为人工驾驶模式且所述风险等级不为第一风险等级时，确定对应的目标模式切换决策为切换至人工驾驶模式。
[0155]
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0156]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0157]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(read only memory，rom)/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方
法。
[0158]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。