自动驾驶车辆智能性评价研究综述

围绕自动驾驶车辆智能性评价进行了深入的分析和总结.首先,对自动驾驶车辆智能性定义进行了综述和对比;之后,系统梳理了现阶段自动驾驶车辆智能性评价选取的评价指标;然后,按定性评价和定量评价两种方式对评价方法进行了整理和概述,并深入分析了不同评价方法的应用特点和局限;最后,就自动驾驶车辆智能性评价的进一步发展提出了若干研究方向的展望.

基于神经网络的车辆交通协调性评价模型

为了研究自动驾驶汽车交通协调性的主客观映射评价模型,以高速公路匝道汇入为研究场景,首先基于自然驾驶数据的交互样本数据,以自车平均行驶速度、并线时刻侧向速度、并线时刻车头TTC、并线时刻两车相对侧向速度和对手车减速程度等客观指标数据和交通协调性主观评价结果作为模型输入和输出,构建映射评价模型;然后设计2×2交叉对比实验,并分析数据预处理方法及神经网络类型对评价模型效果的影响。研究结果显示,基于线性函数归一化处理的BP神经网络模型和Dropout神经网络模型总精度分别为95.71%和80.00%,基于阶梯函数归一化处理的BP神经网络模型和Dropout神经网络模型总精度分别为94.60%和73.25%。由此可见,模型评价效果较好,所建立的客观表征指标集能够较好地表达专家对车辆交通协调性表现的评价。在建模方法方面,基于BP神经网络的映射评价模型的表现优于Dropout神经网络模型,能够根据客观数据更准确地得到符合专家评判标准的评价结果。在样本数据预处理方法方面,线性函数归一化处理方法能够在消除数据间数量级差异的同时保留客观表征指标集数据在不同样本之间的差异,能提高映射评价模型的评价精度。因此,在小样本数据量下,基于线性函数归一化和BP神经网络的映射评价模型构建方案的评价效果更优。

汽车乘员不舒适感的客观表征研究

传统汽车乘员出于对驾驶员驾驶行为的不信任,会表现出紧张、焦虑的不适感,这些现象同样存在于自动驾驶汽车,是有别于平顺性的舒适性问题.获得可表征汽车乘员舒适性的生理指标,是研究该问题的关键.对此,设计了实车试验,记录了12名受访者在特定工况下的生理和眼动数据;基于数据的时域、频域分析和假设检验方法,研究了乘员在不舒适状态下的生理和行为特征变化情况.结果显示,受访者的不舒适感主要来自于视觉信息和极限动力学控制中的侧向加速度,不含平衡觉信息;平均心率、最大心率、心率变异性极低频功率、皮肤电导水平、瞳孔直径与不舒适状态呈现正相关,心率变异性RMSSD、眨眼频率呈现负相关,且其变化规律存在差异;但心率变异性频域指标中的低频功率、高频功率和总功率尚不足以被证明有统计学意义.据此,上述心电、皮肤电活动、眼部活动3类数据中存在显著统计学差异的7项指标,可被用于表征汽车乘员的舒适状态.

车辆行驶行为的负性刺激对乘员预期的影响

以车辆极限行驶工况为负性刺激,通过评价量表和现场访谈获取了12名受试者作为前排乘员在实车试验中的主观感受,并运用生理多导仪记录了皮肤电活动数据;通过对比经历刺激前后的数据并结合假设检验,分析了主观评价的变化。结果表明:在经历极限行驶工况刺激后,乘员对车辆控制能力的预期有显著提高,但对车辆决策意图不确定性的担忧加剧;将皮肤电导水平数据与试验过程中的事件信息相结合,能够反映乘员预期的变化。

基于自然驾驶数据的匝道行驶典型场景聚类分析

匝道行驶由于存在潜在的车辆间交通冲突,对自动驾驶汽车来说是一项挑战,因此,有必要对匝道的典型场景开展研究,以便应用于自动驾驶汽车的开发和测试。基于自然驾驶数据(naturalistic drivingdata,NDD)研究了匝道行驶典型场景。首先,通过对车辆在匝道上交互时的3个主要元素进行定义,包括初始状态(initial state,S)、驾驶动作(driving action,A)和交互性能(interaction performance,P),并以此来描述车辆的交互行为;然后,选取用于表征A和P的变量作为聚类特征,通过基于Calinski⁃Harabasz(CH)指数的K⁃means聚类方法获得8种聚类结果,根据聚类结果对各变量进行分析,得到4种典型的交互方式;再后,通过分析表征初始状态的变量,运用置信椭圆提取典型的逻辑场景;最后,基于逻辑场景随机选择两个具体场景对自动驾驶系统(autonomous drivingsystem,ADS)进行测试和评估。结果表明,运用研究获得的匝道行驶典型场景进行测试,可揭示自动驾驶汽车与其他交互车辆间的交互能力,说明基于NDD并运用聚类分析方法生成的匝道行驶典型场景是有效的。

两车交互场景中的车辆交通协调性评价方法

为评价自动驾驶汽车交通协调性,以匝道汇入处的两车交互场景为例,提出了基于BP神经网络的主、客观映射评价方法。首先,以主观评价为模型输出,以客观物理量为模型输入,构建了BP神经网络关系模型;其次,设计了30组交互测试用例,开发了驾乘人员在环仿真平台进行测试并采集样本数据;然后进行模型训练和验证。结果表明,评价模型输出结果与专家主观评价得分相近,模型精度为92.8%,证明了其可行性和准确性。同时,该模型支持自动化评价,评价效率进一步提高。

智能汽车自主泊车系统测试方法

自主泊车系统是智能汽车领域的研究热点,但其缺少系统性测试评价方法的研究。针对这一问题:首先,提出了基于ALFUS(Autonomy Levels for Unmanned System)框架思想的测试用例构建体系,结合对由泊车事故数据、实际泊车场景数据构成的实际数据以及包含传感器工作原理和泊车过程的自主泊车系统工作原理的分析,生成了自主泊车系统测试环境元素集合、测试任务元素集合、两级测试时空顺序,并通过对三者进行整合得到了自主泊车系统测试用例集;其次,提出了以环境类型、任务类型进行划分的自主泊车系统三级四类分级测试方法,并在此基础上结合模糊综合评价法得到了基于自主泊车系统测试用例集的测试评价方法;然后,利用乔哈里视窗理论建立了自主泊车系统测试评价结果分析矩阵,实现了从智能汽车自主泊车系统性能局限、测试方法局限两方面对测试评价结果的分析;最后,考虑现有自主泊车系统技术条件,选用不同型号的具备自主泊车系统的智能汽车进行实车试验,对上述测试方法进行了实践,并分析获得了自主泊车系统功能及性能方面的改进意见。试验结果表明:所提智能汽车自主泊车系统测试方法不仅可对测试对象的性能提出改进建议,也能验证测试方法本身的完善性,并证明了该测试方法对于现阶段自主泊车系统的有效性。