法律状态公告日
法律状态信息
法律状态
2022-07-26
公开
发明专利申请公布
技术领域
本发明涉及高速公路自动驾驶接管碰撞风险影响因素辨识及预测方法,属于自动驾驶技术领域。
背景技术
自动驾驶是车辆智能化发展不可避免的趋势,有条件自动驾驶车辆有望被引入市场运行,未来必然会出现人工驾驶车辆与自动驾驶车辆混合运行的交通状况。有条件自动驾驶车辆可在设计运行域内独立地监测道路交通环境并进行横向和纵向的运动学控制,此时驾驶人可从事与非驾驶相关的任务,当出现系统无法处理的交通情况时,车辆会提示驾驶人接管,驾驶人需要在规定的时间内接管车辆驾驶。自动驾驶车辆的接管将对交通流的安全运行带来不利影响,理解这种不利影响有利于对自动驾驶系统进行优化设计。
当前对自动驾驶接管的研究主要聚焦于不同因素对接管时间影响情况的分析,还没有利用接管过程中的碰撞数据分析不同因素对碰撞风险影响的研究,且常用的分析方法多为描述性统计分析与方差分析等,缺乏利用回归模型对碰撞风险进行预测的研究。因此,有必要综合考虑多种不同因素,辨识影响接管过程中碰撞风险的显著因素,分析因素对碰撞风险的影响,并对碰撞风险进行预测研究。
发明内容
本发明所要解决的技术问题是:提供高速公路自动驾驶接管碰撞风险影响因素辨识及预测方法,基于驾驶模拟器,搭建三维仿真自动驾驶接管实验平台,通过接管仿真实验,采集接管过程中的驾驶人的行为特性与车辆运行状态数据,利用随机森林算法辨识影响碰撞风险的显著因素,建立离散选择模型对接管过程中的碰撞风险进行预测研究,研究结果可以为自动驾驶系统的优化设计提供理论依据,促进自动驾驶接管过程中车辆控制权交接的安全与顺利完成,提高驾驶人的接管绩效。
本发明为解决上述技术问题采用以下技术方案:
一种高速公路自动驾驶接管碰撞风险影响因素辨识方法,所述方法包括如下步骤:
步骤1,构建自动驾驶接管实验平台,设计并搭建自动驾驶接管仿真场景;
步骤2,依托自动驾驶接管实验平台,招募驾驶人进行接管仿真实验,采集不同接管仿真场景下模拟车辆的运行状态数据、是否发生碰撞,并对驾驶人的基本信息进行采集;其中,所述驾驶人的基本信息包括驾驶人的年龄、性别、驾驶经验;
步骤3,构建自动驾驶接管碰撞风险预测模型;
步骤4,利用随机森林算法对影响碰撞风险的因素进行辨识,提取影响碰撞风险的显著因素。
进一步地,所述步骤1中,所述构建的自动驾驶接管实验平台包括硬件输入系统、实验数据采集系统、仿真环境立体显示系统与实验场景渲染平台。
进一步地,所述步骤1中,考虑多种实验因素设计并搭建自动驾驶接管仿真场景,所述实验因素包括次任务类型、接管请求时间、交通流量与接管事件类型,其中次任务为非驾驶相关的其他任务,接管请求时间为模拟车辆的接管请求发出时刻;交通流量为每小时车道上的交通量大小;接管事件为导致自动驾驶车辆发生接管的危险交通事件。
进一步地,所述步骤1中,所述自动驾驶接管仿真场景基于正交实验设计原理设计并搭建。
进一步地,所述步骤2中,所述不同接管仿真场景下被驾驶人操控的模拟车辆由驾驶模拟仿真软件生成,所述接管仿真场景的触发条件是预先设定的。
进一步地,所述步骤2中车辆运行状态数据包括车辆速度、最大横向加速度、最大纵向减速度、最小碰撞时间;最小碰撞时间T
T
ΔV=|y
其中X
进一步地,所述步骤3中,自动驾驶接管碰撞风险预测模型为离散选择模型,其中的自变量包括:年龄、驾驶经验、性别、次任务类型、接管事件类型、接管请求时间、交通流量、车辆速度、最大横向加速度、最大纵向减速度以及最小碰撞时间。
进一步地,所述年龄
进一步地,所述步骤4中,利用随机森林算法对影响碰撞风险的因素进行辨识,提取重要度大于设定阈值的自变量作为影响碰撞风险的显著因素。
一种高速公路自动驾驶接管碰撞风险的预测方法,基于如上所述的高速公路自动驾驶接管碰撞风险影响因素辨识结果,利用步骤2中采集的数据对步骤3中构建的自动驾驶接管碰撞风险预测模型的参数进行求解,进而利用得到的自动驾驶接管碰撞风险预测模型进行自动驾驶接管碰撞风险的预测。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明基于驾驶模拟器,构建了自动驾驶接管实验平台,对接管场景下驾驶人的行为特性及车辆运动状态特征进行分析,利用随机森林算法辨识影响碰撞风险的显著因素,建立基于离散选择模型的碰撞风险测模型,弥补了现有研究的不足,首次实现了对接管过程中碰撞风险的计算及预测;
2、本发明综合考虑多种因素的影响,包括驾驶人因素(年龄、性别、驾驶经验等)、实验因素(次任务类型、接管请求时间、交通流量与接管事件类型等)与接管后车辆运行状态特征(车辆速度、最大横向加速度、最大纵向减速度、最小碰撞时间等),建立接管过程中的碰撞风险预测模型。通过将多种因素纳入研究模型,提高了模型的预测精度;
3、本发明通过仿真实验降低了实车道路实验的危险性与成本,保障驾驶人安全的同时也提高了实验结果准确性,具有良好的经济效益。
附图说明
图1是本发明的自动驾驶接管实验平台;
图2是本发明的模拟接管实验场景,其中,(a)是施工区,(b)是换道并减速,(c)是事故车辆;
图3是本发明的实验流程示意图;
图4是本发明的流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明基于驾驶模拟器,构建自动驾驶接管模拟实验平台,搭建自动驾驶接管场景,招募驾驶人进行仿真接管实验,采集接管过程中的车辆运行状态数据并记录是否发生碰撞,结合驾驶人的属性因素,利用随机森林算法辨识影响碰撞风险的显著因素,建立基于离散选择模型的碰撞风险预测模型,探究不同因素对碰撞风险的影响,研究结果可以为自动驾驶系统的优化设计提供理论依据。
本发明公开一种高速公路自动驾驶接管碰撞风险影响因素辨识及预测方法,如图4所示,包括以下步骤:
1)构建自动驾驶接管实验平台,如图1所示。所构建的自动驾驶接管实验平台包括硬件输入系统、实验数据采集系统、仿真环境立体显示系统与实验场景渲染平台。考虑多种实验因素的影响,设计并搭建自动驾驶接管仿真场景,接管事件类型如图2所示。
所述实验因素包括次任务类型、接管请求时间、交通流量与接管事件类型,其中次任务为非驾驶相关的其他任务;接管请求时间为接管请求语音发出时刻,模拟车辆与前方车辆间碰撞时间;交通流量为每小时车道上的交通量大小;接管事件为导致自动驾驶车辆发生接管的危险交通事件。
所述自动驾驶接管仿真场景基于正交实验设计原理设计并搭建。
2)依托自动驾驶接管实验平台,招募驾驶人进行接管仿真实验,驾驶人操控模拟车辆的运行状况,在所设计的接管场景中完成接管实验(如图3所示),采集不同接管场景下车辆运行状态数据、是否发生碰撞,并对驾驶人的基本信息进行统计。
所述被驾驶人操控的模拟车辆由驾驶模拟仿真软件生成,接管场景的触发条件是人为提前设定的;
所采集的车辆运行状态数据包括车辆速度、最大横向加速度、最大纵向减速度、最小碰撞时间;最小碰撞时间T
T
ΔV=|V
其中X
碰撞定义为:接管后驾驶人操控模拟车辆与其他车道车辆发生碰撞;所统计的驾驶人基本信息包括驾驶人的年龄、性别、驾驶经验等。
3)构建基于离散选择模型的自动驾驶接管碰撞风险预测模型。
本实施例中,用于分析的自变量的具体描述见表1。
表1自变量的定义及描述
本实施例中,自动驾驶接管碰撞风险预测模型的表达式如下:
其中,P为接管碰撞发生的概率;β
4)基于步骤2所统计的数据,选择70%的作为训练集,选择30%的数据作为预测集,利用随机森林算法对影响碰撞风险的因素进行辨识,选择重要度大于0.1的变量作为影响碰撞风险的显著因素,用于后续的分析。
本实施例中,影响碰撞风险的显著因素为x
5)基于所选择影响碰撞风险的显著因素,将统计的数据带入步骤3所建立的碰撞风险模型,求解模型参数,显著变量的参数值见表2,确定碰撞风险预测模型的计算公式。
表2碰撞风险预测模型的系数值
本实施例中,碰撞风险预测模型的计算公式为:
模型中正的系数值表示对应变量值的增加会使接管过程中的碰撞风险增加,例如,变量“交通流量”的系数为0.001,表明碰撞风险会随着交通流量的增大而增大。负的系数值表示对应变量值的增加会降低接管过程中的碰撞风险,例如,变量“接管请求时间”的系数为-0.50,表明增加接管请求时间可以降低接管过程中的碰撞风险。
模型的伪R方为0.3233表明模型具有良好的拟合优度。根据该模型利用仿真实验得到的碰撞数据,进行碰撞事件的预测,模型对碰撞事件的预测准确率为50.62%,对非碰撞时间的预测准确率为92.72%,模型的整体预测准确率为82.75%,表明所建立的碰撞风险预测模型具有良好的预测精度。
本发明方法驾驶模拟器,构建了自动驾驶接管实验平台,对接管场景下驾驶人的行为特性车辆运行状态特征进行分析,利用随机森林算法辨识影响碰撞风险的显著因素,建立了基于离散选择模型的碰撞风险预测模型,弥补了现有研究的不足,考虑多种因素的影响,提高了模型的预测精度。研究结果为自动驾驶接管控制策略的制定提供理论依据,具有很强的参考价值。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
机译: 质量影响因素分析方法,质量预测方法,质量控制方法,质量影响因素分析设备,质量预测设备,质量控制设备,质量影响因素分析系统,质量预测系统,质量控制和质量控制方法
机译: 质量影响因素分析方法,质量预测方法,质量控制方法,质量影响因素分析装置,质量预测装置,质量控制装置,质量影响因素分析系统,质量预测系统,质量控制系统和计算机程序
机译: 车辆的碰撞风险预测装置和车辆的碰撞风险预测系统