城市快速道路自动驾驶接管时间影响因素辨识及预测方法

技术领域

本发明涉及一种城市快速道路自动驾驶接管时间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。接管时间是评价管过程中驾驶人接管绩效最常用的指标之一，通常被定义为接管请求发出时刻与驾驶人首次采取干预措施时刻的时间差。对接管时间进行预测研究，理解驾驶人在面临接管请求时能多快地接管车辆，有助于自动驾驶系统及人机交互界面的优化设计，提高车辆控制权转换过程的安全水平。

目前针对不同因素对接管时间影响的研究，主要采用描述性统计分析、方差分析等方法，且研究中包含的因素较少，实际上影响接管时间的因素较多。此外，接管时间数据是持续时间类型的数据，考虑随机效应的生存分析预测模型更适于处理持续时间类型数据且能揭示数据中存在的异质性，因此，有必要综合考虑多种影响因素，辨识影响接管时间的显著因素，利用生存分析模型开展接管时间影响因素辨识及接管时间预测的研究，并揭示数据中存在的异质性。

发明内容

本发明所要解决的技术问题是：提供城市快速道路自动驾驶接管时间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，利用随机森林算法辨识影响接管时间的显著因素，建立生存分析模型对驾驶人的接管时间进行预测研究，研究结果可以为车内监控及预警系统与人机交互界面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：

城市快速道路自动驾驶接管时间影响因素辨识方法，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驾驶人的接管时间数据，统计驾驶人的基本信息；其中，所述的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，构建随机效应加速失效时间预测模型；

步骤4，利用随机森林算法对影响接管时间的因素进行辨识，提取影响接管时间的显著因素。

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，所采集的接管时间数据为驾驶人的接管时间T

T

其中T

进一步地，所述步骤3中，随机效应加速失效时间预测模型为生存分析模型，用于对接管时间进行预测分析，自变量包括年龄、驾驶经验、性别、次任务类型、接管事件类型、接管请求时间以及交通流量。

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接管时间的因素进行辨识，提取重要度大于设定阈值的自变量作为影响接管时间的显著因素。

高速公路自动驾驶接管时间的预测方法，基于如上所述的高速公路自动驾驶接管时间影响因素辨识结果，利用步骤2中采集的数据对步骤3中构建的随机效应加速失效时间预测模型的参数进行求解，进而利用得到的随机效应加速失效时间预测模型进行自动驾驶接管时间的预测。

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进行分析，利用随机森林算法辨识影响接管时间的显著因素，建立考虑随机效应的生存分析模型，弥补了现有研究的不足，实现了对接管时间的计算及预测，并揭示了数据中未观测到的异质性；

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)，建立接管时间预测模型。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，采集驾驶人的接管时间数据，结合驾驶人的属性因素，利用随机森林算法辨识影响接管时间的显著因素，建立考虑随机效应的生存分析模型，探究不同因素对接管时间的影响，揭示数据中存在的异质性，研究结果可以为自动驾驶系统的优化设计提供理论依据。

本发明公开一种城市快速道路自动驾驶接管时间影响因素辨识及预测方法，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。

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驾驶人的接管时间数据，并对驾驶人的基本信息进行统计。其中，所述的驾驶人的基本信息包括驾驶人的年龄、性别、驾驶经验。

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。

所采集的接管时间数据为驾驶人的接管时间T

T

其中T

3)构建可揭示数据中未观测到的异质性的随机效应加速失效时间预测模型，所述随机效应加速失效时间预测模型为生存分析模型，用于对接管时间进行预测分析，自变量包括年龄、驾驶经验、性别、次任务类型、接管事件类型、接管请求时间以及交通流量。

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，自动驾驶接管时间预测模型的表达式如下：

ln(t)＝α+β

其中：t为驾驶人的接管时间(生存时间)；α为模型系数；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接管时间的因素进行辨识，选择重要度大于0.1的变量作为影响接管时间的显著因素，用于后续的分析。

本实施例中，影响接管时间的显著因素为x

5)基于所选择影响接管时间的显著因素，将统计的数据带入步骤3所建立的接管时间模型，求解模型参数，显著变量的参数值见表2，确定接管时间预测模型的计算公式。

表2接管时间预测模型的系数值

本实施例中，按照辨识出的显著因素，接管时间预测模型的公式为：

ln(t)＝0.326+0.194x

模型中正的系数值表示对应变量值的增加会使接管时间增加，例如，变量“接管请求时间”的系数为0.024，表明接管时间会随着接管请求时间的增大而增大。负的系数值表示对应变量值的增加会降低接管时间，例如，变量“交通流量”的系数为-0.008，表明交通流量的增加会降低接管时间。

模型的伪R方为0.2936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接管时间数据，进行接管时间的预测分析，预测模型的伪R方为0.714，均方根误差为0.0365，表明所建立的接管时间预测模型具有良好的拟合优度与预测精度。

本发明方法虚拟现实技术所构建的自动驾驶接管实验平台，对接管场景下驾驶人的行为特性进行分析，建立的基于随机效应加速失效时间模型的接管时间预测模型，客服了传统描述性统计分析、方差分析等方法的不足，实现了对接管时间的预测研究。研究结果为自动驾驶系统及人机交互界面的优化设计提供了理论依据，具有很强的参考价值。

本发明方法基于驾驶模拟器，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进行分析，利用随机森林算法辨识影响接管时间的显著因素，，建立基于随机效应加速失效时间模型的接管时间预测模型，客服了传统描述性统计分析、方差分析等方法的不足，实现了对接管时间的预测研究。研究结果为自动驾驶系统及人机交互界面的优化设计提供了理论依据，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。