本发明属于上海市浦江人才计划(《基于深度神经网络的自动驾驶行为与轨迹预测算法》(编号22pjd087))资助的专利，技术内容涉及交通工具，尤其涉及一种先验危险程度度量图及其构建方法、行车方法及存储介质。
背景技术：
1、人类司机行驶在熟悉的路段时，一般会记住某些特殊路段需要特殊注意。例如在某些路口右转经常有自行车汇入，某些高速车很少会比较轻松不用担心被加塞。
2、然而，对于自动驾驶而言，由于没有人类司机的存在，无法人为的判断某路段的危险程度。但这种对于某路段的危险程度恰恰是确保自动驾驶安全性的重要要求，特别是对各种条件下的风险进行量化。
3、因此，如何赋予自动驾驶与人工驾驶同样的能根据先验地理位置判断某路段的危险程度的能力，用以帮助自动驾驶系统选择合适的策略成为亟待解决的问题。
技术实现思路
1、本发明的主要目的在于提供一种先验危险程度度量图及其构建方法、行车方法及存储介质，可以更细化的对特定道路估计自动驾驶系统的好坏和路段的安全程度。
2、为实现上述目的，本发明提供了一种构建先验危险程度度量图的方法，所述方法包括以下步骤：
3、s1:获取目标区域的基本地图信息，并保存所述目标区域的位置信息与所述基本地图信息的第一对应关系；其中，所述基本地图信息包括道路数据；
4、s2:获取目标车辆在所述目标区域的历史驾驶行为数据，并按照预设规则从所述历史驾驶行为数据中提取出道路安全事件；根据所述道路安全事件的位置信息与所述第一对应关系将所述道路安全事件匹配到对应位置信息上，得到所述道路安全事件与所述目标区域的位置信息的第二对应关系；
5、s3:根据所述第二对应关系建立危险程度度量模型，并获取每一位置信息的风险概率，非线性的映射到危险程度度量，得到所述目标区域的位置信息与危险程度度量的第三对应关系；
6、s4:根据所述第三对应关系将所述目标区域的位置信息及其对应的危险程度度量进行汇总，构建目标区域的先验危险程度度量图。
7、在一种可能的实现方式中，所述步骤s1包括：
8、获取所述目标区域的基本地图信息；
9、获取所述目标区域的位置信息；
10、将所述目标区域的基本地图信息和所述目标区域的位置信息进行匹配，得到并保存所述目标区域的位置信息与所述基本地图信息的第一对应关系；
11、所述道路数据包括以下至少一种：各条道路的类型，道路车道数量，交叉路口数量，道路曲率；
12、和/或所述基本地图信息还包括历史交通数据；
13、所述历史交通数据包括以下至少一种：道路历史车流量，平均车速，拥堵指数，人流量，人车比例，货车比例，车祸数量。
14、在一种可能的实现方式中，在获取所述目标区域的位置信息之后，还包括：
15、使用聚类算法对所述目标区域的位置信息进行聚类处理，得到处理后的所述目标区域的位置信息。
16、在一种可能的实现方式中，所述步骤s2包括：
17、获取车辆在所述目标区域的历史驾驶行为数据；
18、其中，所述历史驾驶行为数据包括每个时间点车辆的状态信息和车辆周围的车速和位置信息；所述每个时间点车辆的状态信息包括以下至少一种：位置，速度，加减速和转弯角度；
19、按照预设规则从所述历史驾驶行为数据中提取出道路安全事件，其中，所述道路安全事件包括自车安全事件和他车安全事件；
20、其中，所述自车安全事件包括以下至少一种：急刹，急转向，按喇叭；闪远光灯，自动驾驶过程中的手动接管；
21、所述他车安全事件包括以下至少一种：自车与他车车距小于预设值，他车加速度或减速度大于预设值，危险的汇入变道，他车间的碰撞；
22、为所述道路安全事件分配重要值；
23、根据所述道路安全事件的基本地图信息与所述第一对应关系将所述道路安全事件按照预设比例分配到对应位置信息上，并根据对应位置信息的权重和所述道路安全事件的重要值计算并保存所述道路安全事件与所述目标区域的位置信息的第二对应关系。
24、在一种可能的实现方式中，所述步骤s3包括：
25、根据所述第二对应关系建立危险程度度量模型；
26、将所述第二对应关系的数据点作为预拟合分布，使用最大似然估计，得到每一位置信息的概率数值；
27、根据每一位置信息的概率数值，得到每一位置信息遇到危险的风险概率；
28、将所述风险概率非线性的映射到危险程度度量，得到所述目标区域的位置信息与危险程度度量的第三对应关系。
29、此外，为实现上述目的，本发明还提出一种使用如上文所述的构建的先验危险程度度量图，所述先验危险程度度量图为目标区域道路的位置信息及其对应的危险程度度量的汇总，所述先验危险程度度量图包括目标区域的位置信息与危险程度度量的第三对应关系。
30、此外，为实现上述目的，本发明还提出一种使用如上文所述的使用先验危险程度度量图的行车方法，所述方法包括以下步骤：
31、a1:获取目标区域的先验危险程度度量图，并根据所述目标区域的先验危险程度度量图获取自车关注区域的先验危险程度度量值；
32、a2:基于获取的先验危险程度度量值进行自车的规划控制。
33、在一种可能的实现方式中，所述步骤a1包括以下步骤：
34、获取自车关注区域在未来预设时间内的先验危险程度度量值，包括：
35、获取自车的第一位置信息；其中，所述第一位置信息包括以下至少一种：当前坐标，未来预期坐标；
36、根据所述先验危险程度度量图和所述自车的第一位置信息，得到与所述自车的第一位置信息对应的关注区域信息；
37、根据所述第三对应关系获取与所述关注区域信息对应的危险程度度量，将所有所述关注区域信息对应的危险程度度量进行加权平均，得到自车关注区域在未来预设时间内的先验危险程度度量值。
38、在一种可能的实现方式中，所述步骤a2包括以下步骤：
39、对先验危险程度度量值大于第一预设阈值的路段进行危险提示；和/或，
40、按照先验危险程度度量值进行排序，将先验危险程度度量值最低的路线推荐为行车路线；和/或，
41、将先验危险程度度量值大于第二预设阈值的路段的驾驶风格推荐为保守型；将先验危险程度度量值不大于第二预设阈值的路段的驾驶风格推荐为激进型。
42、此外，为实现上述目的，本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的构建先验危险程度度量图的方法的步骤或实现如上文所述的使用先验危险程度度量图的行车方法的步骤。
43、本发明技术方案，通过获取目标区域的基本地图信息，并保存所述目标区域的位置信息与所述基本地图信息的第一对应关系；其中，所述基本地图信息包括道路数据；获取目标车辆在所述目标区域的历史驾驶行为数据，并按照预设规则从所述历史驾驶行为数据中提取出道路安全事件；根据所述道路安全事件的位置信息与所述第一对应关系将所述道路安全事件匹配到对应位置信息上，得到所述道路安全事件与所述目标区域的位置信息的第二对应关系；根据所述第二对应关系建立危险程度度量模型，并获取每一位置信息的风险概率，非线性的映射到危险程度度量，得到所述目标区域的位置信息与危险程度度量的第三对应关系；根据所述第三对应关系将所述目标区域的位置信息及其对应的危险程度度量进行汇总，构建目标区域的先验危险程度度量图。这样，可以得到目标区域的先验危险程度度量图，可以更细化的对特定道路估计自动驾驶系统的好坏和路段的安全程度。
44、本发明技术方案，在构建目标区域的先验危险程度度量图后，可以通过获取目标区域的先验危险程度度量图，并根据所述目标区域的先验危险程度度量图获取自车关注区域的先验危险程度度量值；基于获取的先验危险程度度量值进行自车的规划控制。这样，在得到目标区域的先验危险程度度量图后，在需要使用时直接查询先验危险程度度量图的坐标得到危险程度，可以更细化的对特定道路估计自动驾驶系统的好坏和路段的安全程度。
1.一种构建先验危险程度度量图的方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤s1包括：
3.根据权利要求2所述的方法，其特征在于，在获取所述目标区域的位置信息之后，还包括：
4.根据权利要求1或3所述的方法，其特征在于，所述步骤s2包括：
5.根据权利要求1或3所述的方法，其特征在于，所述步骤s3包括：
6.一种使用权利要求1至5中任一项所述的方法所构建的先验危险程度度量图，其特征在于，所述先验危险程度度量图为目标区域道路的位置信息及其对应的危险程度度量的汇总，所述先验危险程度度量图包括目标区域的位置信息与危险程度度量的第三对应关系。
7.一种使用权利要求6所述的先验危险程度度量图的行车方法，其特征在于，所述方法包括以下步骤：
8.根据权利要求7所述的方法，其特征在于，所述步骤a1包括以下步骤：
9.根据权利要求7所述的方法，其特征在于，所述步骤a2包括以下步骤：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求7至9中任一项所述的方法的步骤或实现权利要求1至5中任一项所述的方法的步骤。
