针对智能驾驶系统在驾驶风险预警中存在的动态交互特征捕捉不足、多模态轨迹预测精度有限以及碰撞风险量化物理指标过度单一等问题,研究了基于多模态轨迹预测与概率量化耦合的预见性碰撞风险评估模型。在轨迹预测部分,研究了分层图注意力网络,通过图注意力机制融合高精地图、车道线以及车辆历史轨迹特征,能够有效捕捉车辆行驶环境中的动态变化;针对传统模型中先预测再细化的两阶段解码结构,引入滑动窗口优化解码器,能够准确预测临近车辆的未来轨迹。在碰撞风险评估部分,研究了1种基于概率量化的碰撞风险评估方法,通过结合预测的未来轨迹与碰撞风险,估算自车与周边车辆发生碰撞的概率,实现对车辆危险行为的提前预警。实验结果表明:在Argoverse数据集上最小终点位移误差、最小平均位移误差和漏检率分别为0.785、1.157和0.126,与HiVT与LaneGCN相比,在终点预测方面误差分别减少了1%和15.1%。在城市交通能力仿真软件(simulation of urban mobility,SUMO)上验证预测风险与实际风险的偏差约为5%,从数据波动性上看,危险程度波动幅度为0.3,与碰撞时间(time to collision,TTC)方法和动态安全指数(dynamic safety index,DSI)方法相比,波动幅度分别减少33.3%和18.75%,在持续驾驶场景中展现出更优秀的风险评估水准;证明了基于障碍车辆轨迹预测的驾驶碰撞风险模型在预测未来潜在驾驶风险的准确性。
