一种基于驾乘人员情绪唤醒的交通风险元素提取

本发明涉及一种交通风险元素提取方法，特别涉及一种基于驾乘人员情绪唤醒的交通风险元素提取方法。背景技术：1、目前，随着人工智能的迅猛发展，自动驾驶已成为汽车技术发展的必然趋势。自动驾驶汽车的系统功能包括三个层级：环境感知、决策规划和运动控制。决策规划系统以环境感知结果为输入，通过数据驱动或机理规则方法为汽车决策出恰当的驾驶行为并规划出一条无碰撞的可行驶轨迹，从而实现安全的自动驾驶。安全是自动驾驶汽车最为重要的目标，通过合理设计决策规划系统，可以最大限度地保障自动驾驶汽车的安全性。2、然而，自动驾驶汽车的服务对象是人类，对于人类来说，安全并不等于安全感。即使决策规划系统输出的轨迹满足与其他交通参与者和各类交通设施不发生碰撞的要求，能够确保自动驾驶汽车的行驶安全性，但作为乘坐在自动驾驶汽车中的驾乘人员，仍会通过视觉、听觉和体感等感知交通环境信息。这些信息将诱导驾乘人员产生情绪变化。当驾乘人员因交通风险感到恐惧、警戒等情绪时，即发生了情绪唤醒。3、情绪唤醒状态反映了驾乘人员对交通风险因素的认知和感受。若能根据驾乘人员的情绪唤醒状态提取交通风险因素，有助于探究影响驾乘人员安全感的因素，为自动驾驶汽车决策规划提供设计依据。这不仅能提高自动驾驶汽车的安全性，还能增强自动驾驶汽车为驾乘人员营造的安全感。技术实现思路1、本发明的目的是为了解决如何提取影响驾乘人员安全感的交通风险元素这一问题，而提供的一种基于驾乘人员情绪唤醒的交通风险元素提取方法。2、本发明提供的基于驾乘人员情绪唤醒的交通风险元素提取方法，其方法包括的步骤如下：3、步骤一、人-车-环境一体化的数据采集，具体如下：4、搭建包含环境感知与驾乘人员生理感知传感器的实车数据采集平台，满足自然驾驶环境下的数据采集要求，制定合理的场景工况，选择合适的自然驾驶实验路段，并明确需采集的数据内容及数据来源，招募驾乘人员参与数据采集试验，要求所招募的驾乘人员身体健康，无高血压、心脏病和精神类疾病的相关疾病；5、所采集的人-车-环境一体化数据包含三类数据，分别为驾乘人员生理数据、自车运动数据和周围交通车运动数据，驾乘人员生理数据包含皮肤电信号，自车运动数据包括自车的纵向位置、横向位置、纵向速度和横向速度，周围交通车运动数据包括与自车的相对纵向位置、横向位置、纵向速度和横向速度；6、步骤二、驾乘人员情绪唤醒状态评估，具体如下：7、皮肤电反应是测量人类情绪唤醒的重要指标，当驾乘人员在车辆行驶过程中感受到其他交通参与者带来的风险时，驾乘人员受到外界刺激将进入紧张状态，机体的交感神经占据主导地位，使皮肤电导发生变化，通过测量皮肤电信号，能够捕捉皮肤电导的变化，进而评估驾乘人员的情绪唤醒状态；8、皮肤电信号是一种微弱的生物电信号，受传感器测量精度、电磁干扰、电极贴片与皮肤接触程度的影响，存在较大的噪声，难以直接进行分析，为此采用巴特沃斯滤波器对原始皮肤电信号进行滤波处理，去除高频噪声，巴特沃斯低通滤波器用如下振幅的平方对频率的公式表示：9、10、其中，n为滤波器的阶数，ωc为滤波器的截止频率，设置滤波器的阶数为4，截止频率为0.3hz；11、皮肤电信号由缓慢变化的皮肤电导水平和快速变化的皮肤电导反应组成；12、皮肤电导水平受个体因素影响较大，不同驾乘人员的皮肤电导水平差异显著，并且同一位驾乘人员在不同的环境、状态、时段条件下的皮肤电导水平也不尽相同，为了精确评估驾乘人员情绪唤醒状态，要在不同驾乘人员的皮肤电信号上去除相应的皮肤电导水平，以此消除个体间的差异，方法是将滤波后的原始皮肤电信号与驾乘人员平静状态下滤波后的皮肤电信号相减，具体如下：13、eemotion＝eoriginal-ecalm    (2)14、其中eemotion代表反应驾乘人员情绪唤醒的皮肤电导反应信号，eoriginal为滤波后的原始皮肤电信号，ecalm为驾乘人员平静状态下滤波后的皮肤电信号；15、根据皮肤电导反应信号将驾乘人员的心理状态分为平静状态和情绪唤醒状态，设置判断阈值为ethreshold,将eemotion从低到高超过阈值的时刻后退1s作为情绪唤醒状态的起始时刻，将eemotion从高到低低于阈值的时刻作为情绪唤醒状态的终止时刻，情绪唤醒状态起始时刻到终止时刻间的驾乘人员状态为情绪唤醒状态，记为(10)，其他时刻的驾乘人员状态为平静状态，记为(01)，具体如下：16、17、步骤三、情绪唤醒与交通环境关联模型构建，具体如下：18、定义交通环境包括自车ev与周围交通车sv，周围交通车分为：前方交通车pv、后方交通车fv、左前方交通车lpv、左侧交通车lv、左后方交通车lfv、右前方交通车rpv、右侧交通车rv和右后方交通车rfv；19、定义ev在t时刻的特征向量为：20、φt＝(xt yt ut vt)    (4)21、式中，xt和yt分别为ev的纵向位置和横向位置；ut和vt分别为ev的纵向速度和横向速度；22、定义sv在t时刻的特征向量为：23、ψit＝(xr,it yr,it ur,it vr,it)   (5)24、式中，i＝pv,fv,lpv,lv,lfv,prv,rv,rfv；xr,it和yr,it分别为sv与ev间的相对纵向距离和相对横向距离；ur,it和vr,it分别为sv和ev间的相对纵向速度和相对横向速度；25、定义t时刻的特征矩阵为：26、γt＝[φt ψpvt ψfvt ψlpvt ψlvt ψlfvt ψprvt ψrvt ψrfvt]t   (6)27、ev特征向量经过全连接层fc进行编码，具体如下：28、ζt＝fc(φt|θebd1)    (7)29、式中，θebd1代表该全连接层的权重参数；30、特征矩阵经过另一个全连接层进行编码，具体如下：31、ξt＝fc(γt|θebd2)    (8)32、式中，θebd2代表该全连接层的权重参数；33、注意力机制中的查询query和键key的计算方法如下：34、qt＝fc(ζt|θq)    (9)35、kt＝fc(ξt|θk)   (10)36、式中，θq和θk分别代表用于计算查询和键的全连接层中的权重参数；37、通过加性注意力计算自车对交通环境的注意力权重，计算方法如下：38、αt＝softmax(tanh(qt+kt))   (11)39、进而计算注意力输出：40、δt＝αt·ξt     (12)41、通过lstm层计算时序状态向量：42、ht＝lstm(δt,ht-1|θenc)    (13)43、式中，θenc代表lstm层中的权重参数，ht-1为上一时刻的状态向量；44、最后计算预测分类输出：45、46、式中，θcla为分类层中的权重参数，为预测的驾乘人员情绪状态；47、采用交叉熵定义分类损失为：48、49、式中，yt为步骤二中评估的驾乘人员在t时刻的情绪状态；50、利用人-车-环境一体化数据进行模型训练，使用adam或adamw的优化器更新模型中的训练权重，以减小损失函数的值，得到满足要求的模型；51、步骤四、交通风险元素提取，具体如下：52、利用经过训练的模型在人-车-环境一体化数据集上进行分类推断，导出模型中的注意力权重αt，权重向量αt中的第1个元素代表自车运动状态对驾乘人员情绪唤醒的贡献，第2至第9个元素分别代表周围交通车pv、fv、lpv、lv、lfv、rpv、rv、rfv对驾乘人员情绪唤醒的贡献，设贡献阈值为αthreshold，αt中大于贡献阈值αthreshold分量对应的交通元素记为交通风险元素，实现交通风险元素提取。53、本发明的有益效果：54、本发明提供的基于驾乘人员情绪唤醒的交通风险元素提取方法将驾乘人员在实际驾驶环境下的皮肤电反应作为情绪唤醒评估的指标，根据处理后的驾乘人员皮肤电导反应信号水平将驾乘人员的情绪状态分为情绪唤醒和情绪平静两种类型，实现了驾乘人员情绪状态的评估，为交通风险元素的提取提供了依据。55、本发明通过构建基于注意力机制的模型，建立了交通环境信息到驾乘人员情绪状态的映射，进而通过模型中的注意力权重提取了诱发驾乘人员情绪唤醒的交通风险元素，从以人为本的角度，通过数据驱动的方式指出了影响驾乘人员安全感的交通风险元素。