面向自动驾驶路测驾驶能力评估的避险脱离率模型

针对传统脱离率模型低估自动驾驶路测车辆驾驶能力问题,提出了避险脱离与非避险脱离概念,通过秩和检验确定脱离时长阈值,选取平均速度差、短时平均速度差、瞬时速度差为特征值,量化车辆脱离前后行为差异,利用无监督学习K-means算法辨别避险与非避险脱离类型,构建面向自动驾驶路测驾驶能力评估的避险脱离率模型。基于上海市城市道路和快速路两类场景路测数据,验证避险脱离率模型的合理性与有效性。结果表明,基于避险脱离率模型,自动驾驶路测车辆驾驶能力在城市道路与快速路场景中,分别比传统脱离率模型平均提升了4.8和7.3倍。

基于避险脱离的自动驾驶路测安全影响因素

本文采用自动驾驶路测避险脱离率来表征自动驾驶路测风险。首先基于大量自动驾驶路测实测数据,采用LSTM方法辨识自动驾驶路测避险脱离,并基于Tobit模型分析车道宽度、天气等动静态因素对路测避险脱离率的影响,由此建立基于避险脱离的自动驾驶路测安全模型。本文安全模型从更为积极主动的角度来规避自动驾驶路测事故,保障自动驾驶路测安全有序地进行。

自动驾驶路测融合度建模与分析

选取5个指标构建评价指标体系,然后采用皮尔生长曲线函数和负指数函数对正向指标和逆向指标进行标准化,并利用专家打分和层次分析法量化各指标权重,最后建立自动驾驶路测融合度模型。对基于上海市2类城市道路场景和1类高速公路场景的自动驾驶路测实测数据与仿真结果开展案例分析,验证路测融合度模型的合理性和有效性。结果表明:无论对于城市道路场景还是对于高速公路场景,避险脱离率是表征自动驾驶车融入到现有道路交通系统程度的最重要指标;高速公路场景下的自动驾驶路测融合度显著高于城市道路场景下的自动驾驶路测融合度;加大自动驾驶测试里程、测试时长和测试场景复杂度,可以促进自动驾驶技术的成熟。

实际数据驱动的自动驾驶道路测试险态场景辨识方法

险态场景仿真测试是提升自动驾驶车辆驾驶能力和降低道路测试风险的重要手段,其核心基础是险态场景的构建。依托自动驾驶道路测试的实际数据,在甄别自动驾驶模式避险脱离事件的基础上,提出道路测试险态场景辨识关键指标,并利用随机森林、决策树、支持向量机和BP神经网络四种监督分类模型,对险态场景的风险等级进行划分。基于上海城市道路场景实际测试数据和实际记录脱离原因数据,验证了实际数据驱动的道路测试险态场景辨识方法的有效性,同时表明BP神经网络辨识险态场景的效果最好。研究成果为构建道路测试险态场景提供依据。