CN112036746A - 一种智能车辆驾驶性评价指标体系创建方法、装置及介质 - Google Patents
一种智能车辆驾驶性评价指标体系创建方法、装置及介质 Download PDFInfo
- Publication number
- CN112036746A CN112036746A CN202010894327.3A CN202010894327A CN112036746A CN 112036746 A CN112036746 A CN 112036746A CN 202010894327 A CN202010894327 A CN 202010894327A CN 112036746 A CN112036746 A CN 112036746A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- working condition
- intelligent vehicle
- subjective
- drivability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013210 evaluation model Methods 0.000 claims abstract description 37
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 201000003152 motion sickness Diseases 0.000 claims description 11
- 230000004043 responsiveness Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 230000009193 crawling Effects 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 238000013278 delphi method Methods 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种智能车辆驾驶性评价指标体系创建方法、装置及介质,属于智能驾驶领域,其中,方法的实现包括:建立多层次驾驶性评价模型,识别智能车辆特定工况的驾驶性评价数据指标,筛选和优化主观评价工程师评估结果;分析智能车辆特定工况的驾驶性评价数据指标,并结合多层次驾驶性评价模型创建特定工况的评价指标体系;基于特定工况的评价指标体系及主观评价工程师评估结果,采用主客观组合赋权法计算多层次指标权重,获得智能车辆特定工况的驾驶性评价结果。通过本发明可准确、快速的评价智能车辆驾驶性,挖掘驾驶性主要影响指标,为优化智能驾驶规划决策算法和跟踪控制算法提供客观值参考。
Description
技术领域
本发明属于智能驾驶领域,更具体地,涉及一种智能车辆驾驶性评价指标体系创建方法、装置及介质。
背景技术
现代消费者对汽车的追求已不仅仅是简单的代步工具,而是汽车的品质和驾乘愉悦。汽车的舒适性、操控性、动力性、经济性及驾驶性等因素都直接影响消费者对车辆的选择,为提高智能车辆驾驶性需要创建一套行之有效的评价指标体系。
通过集成摄像头、毫米波雷达、激光雷达、GPS/INS组合导航传感器和先进的执行器与高效的控制器,智能车辆将朝向拟人化发展,并极大的减小驾驶员因疲劳驾驶而产生的交通事故。但因智能车辆在决策规划算法和跟踪控制算法均以车辆和行人的安全为主要约束,使得人们在驾乘智能车辆时,舒适度和乘坐体验不佳,甚至出现晕眩感。
因智能车辆相对于传统车辆具有多个环境传感器,可以精确测试障碍物与车辆的距离和相对速度,所以使用传统车辆的驾驶性评价指标体系和评估方法难以表征智能车辆驾驶性好坏。智能车辆决策规划算法和跟踪控制算法的优化需要提供客观值,合理的评价指标体系有利于显著性影响因素的提出,可保证智能车辆在满足安全性的同时具有较好的驾驶性,保证满意的驾乘体验。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种智能车辆驾驶性评价指标体系创建方法、装置及介质,可准确、快速的评价智能车辆驾驶性,挖掘驾驶性主要影响指标,为优化智能驾驶规划决策算法和跟踪控制算法提供客观值参考。
为实现上述目的,按照本发明的一个方面,提供了一种智能车辆驾驶性评价指标体系创建方法,包括:
建立多层次驾驶性评价模型,识别智能车辆特定工况的驾驶性评价数据指标,筛选和优化主观评价工程师评估结果;
分析所述智能车辆特定工况的驾驶性评价数据指标,并结合所述多层次驾驶性评价模型创建特定工况的评价指标体系;
基于所述特定工况的评价指标体系及所述主观评价工程师评估结果,采用主客观组合赋权法计算多层次指标权重,获得所述智能车辆特定工况的驾驶性评价结果。
在一些可选的实施方案中,所述建立多层次驾驶性评价模型,包括:
采用主成分分析法找到智能车辆拟人性、响应性、舒适性和晕动性主要性能指标驾驶性的相关分析的显著性影响因素,从所述显著性影响因素中剔除对驾驶性影响较小的部分因素,以降低指标体系的维度,构建智能车辆客观的多层次驾驶性评价模型。
在一些可选的实施方案中,所述建立多层次驾驶性评价模型,包括:根据专业驾驶员的主观评价实验和客观特征指标建立原始分析矩阵X,X中的每个行向量对应一个客观特征指标,每个行向量中的各数据表示客观特征指标对应的评价对象,对于第i个客观特征指标,将矩阵X的第i行中的每个元素减去第i行向量的均值,使得新行向量的均值为0,得到数据集矩阵A;
求所述数据集矩阵A的协方差矩阵B,并通过求解所述协方差矩阵B的特征值与特征向量E得到主成分矩阵;
采用所述特征值计算第k个主成分的方差占总方差的比例,得到方差贡献率和前k个主成分的方差累计贡献率;
取所述方差累计贡献率超过预设值的主成分作为影响智能车辆驾驶性分析的主成分,以剔除驾驶性影响较小的因素降低指标体系的维度,构建智能车辆客观的多层次驾驶性评价模型。
在一些可选的实施方案中,所述识别智能车辆特定工况的驾驶性评价数据指标,包括:
采用统一时间维度对车辆加速度、车速、发动机转速、发动机转矩、档位、加速踏板和制动信号进行多数据融合,结合智能车辆特定工况的客观信号特征,采用机器学习根据所述智能车辆特定工况的客观信号特征,识别智能车辆特定工况的驾驶性评价数据指标,其中,所述智能车辆特定工况包括Stop&Go工况、爬行工况、起步工况、Tip-in工况、匀速工况、Tip-out工况、滑行减速工况和制动减速工况。
在一些可选的实施方案中,所述筛选和优化主观评价工程师评估结果,包括:
使用德尔菲法检验主观测试工程师的评价能力,并对主观评价实验结果的可靠性进行检验,通过筛选和优化获得最优主观评价工程师评估结果。
在一些可选的实施方案中,所述筛选和优化主观评价工程师评估结果,包括:
确定评价对象为主观测试评价工程师对车辆驾驶性的评价能力;
实车测试,收集并汇总所有主观测试评价工程师对于单一工况的评价意见;
汇总所有参与的主观测试评价工程师对各所述评价意见修改后的目标评定结果;
求取所有主观测试评价工程师的目标评定结果的平均值作为主观评价的借鉴值,并分析各主观测试评价工程师第一次的评价意见与所述借鉴值的差别,筛选出满足要求的主观评价工程师的评价意见。
在一些可选的实施方案中,所述分析所述智能车辆特定工况的驾驶性评价数据指标,并结合所述多层次驾驶性评价模型创建特定工况的评价指标体系,包括:
将识别的所述智能车辆特定工况的驾驶性评价数据指标与所述主观评价工程师的评价意见的时序片段保持一致,并结合所述多层次驾驶性评价模型形成特定工况的评价指标体系。
在一些可选的实施方案中,所述基于所述特定工况的评价指标体系及所述主观评价工程师评估结果,采用主客观组合赋权法计算多层次指标权重,获得所述智能车辆特定工况的驾驶性评价结果,包括:
采用主客观组合赋权法计算多层次指标权重,获得所述智能车辆特定工况的驾驶性评价结果,其中,所述组合赋权法为层次分析法结合熵值法,所述层次分析法中的多层次包括指标层、目标层和特征层,所述指标层为拟人性、响应性、舒适性和晕动性4种智能车辆性能,所述目标层为Stop&Go工况、爬行工况、起步工况、Tip-in工况、匀速工况、Tip-out工况、滑行减速工况和制动减速工况8种工况,所述特征层为所述特定工况的指标体系。
按照本发明的另一方面,提供了一种智能车辆驾驶性评价指标体系创建装置,包括:
第一评估单元,用于建立多层次驾驶性评价模型,识别智能车辆特定工况的驾驶性评价数据指标,筛选和优化主观评价工程师评估结果;
第二评估单元,用于分析所述智能车辆特定工况的驾驶性评价数据指标,并结合所述多层次驾驶性评价模型创建特定工况的评价指标体系;
第三评估单元,用于基于所述特定工况的评价指标体系及所述主观评价工程师评估结果,采用主客观组合赋权法计算多层次指标权重,获得所述智能车辆特定工况的驾驶性评价结果。
按照本发明的另一方面,提供了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上述任一项所述方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
提出一种智能车辆驾驶性评价指标体系创建方法,依据智能车辆拟人性、响应性、舒适性和晕动性需求,运用主成分分析法建立包含目标层、指标层和特征层的驾驶性评价模型,根据专家知识融合多源数据,利用决策树C4.5算法识别智能车辆特定工况;采用德尔菲法筛选和优化主观评价工程师评估结果;分析智能车辆特定工况驾驶性评价数据指标,结合多层次驾驶性评价模型创建评价指标体系;采用主客观组合赋权法计算多层次指标权重,获得智能车辆特定工况驾驶性评价结果。
附图说明
图1是本发明实施例提供的一种智能车辆驾驶性评价指标体系创建方法的流程示意图;
图2是本发明实施例提供的一种智能车辆驾驶性评价指标体系创建方法的总体架构图;
图3是本发明实施例提供的一种智能车辆驾驶性评价特定工况自动化识别的C4.5算法示意图;
图4是本发明实施例提供的一种德尔菲法检验主观测试工程师评价能力和主观评价实验可靠性的流程示意图;
图5是本发明实施例提供的一种智能车辆驾驶性评价指标体系;
图6是本发明实施例提供的一种装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明实例中,“第一”、“第二”等是用于区别不同的对象,而不必用于描述特定的顺序或先后次序。
本发明提出一种智能车辆驾驶性评价指标体系创建方法、装置及介质,依据智能车辆拟人性、响应性、舒适性和晕动性需求,运用主成分分析法建立包含目标层、指标层和特征层的驾驶性评价模型,并通过决策树C4.5算法识别智能车辆特征工况,结合层次分析法和综合熵值法对主客观评价的指标进行权重分析,从而计算智能车辆驾驶性。
实施例一
如图1所示是本发明实施例提供的一种智能车辆驾驶性评价指标体系创建方法的流程示意图,在图1所示的方法中包括以下步骤:
S101:建立多层次驾驶性评价模型,识别智能车辆特定工况的驾驶性评价数据指标,筛选和优化主观评价工程师评估结果;
S102:分析智能车辆特定工况的驾驶性评价数据指标,并结合多层次驾驶性评价模型创建特定工况的评价指标体系;
S103:基于特定工况的评价指标体系及主观评价工程师评估结果,采用主客观组合赋权法计算多层次指标权重,获得智能车辆特定工况的驾驶性评价结果。
如图2所示,本发明实施例中的智能车辆驾驶性评价指标体系创建方法包括驾驶性评价模型建立、工况识别、主观评价分析、客观评价分析、分层权重分析五个步骤。
(1)驾驶性模型建立:依据智能车辆拟人性、响应性、舒适性和晕动性需求,运用主成分分析法建立智能车辆客观的多层次驾驶性评价模型;
在本发明实施例中,步骤(1)可以采用主成分分析法找到智能车辆拟人性、响应性、舒适性和晕动性主要性能指标驾驶性的相关分析的显著性影响因素,通过从显著性影响因素中剔除驾驶性影响较小的部分因素以降低指标体系的维度,构建智能车辆客观多层次驾驶性评价模型。
其中,对驾驶性影响较小因素的确定可以根据实际需要来定。
作为一种优选的实施方式,可以通过具有丰富经验的专业主观评价工程师获得性能的主观评分,由车辆信号采集装置获得车辆纵向加速度、车速、发动机转矩、发动机转速、油门踏板开度和制动踏板等5个客观参量,实现不同目标层与特征层的自动识别,并结合主客观一致性实现指标层的权重分析,运用主成分分析法建立多层次驾驶性评价模型。
其中,多层次驾驶性评价模型包括目标层、指标层和特征层。指标层为拟人性、响应性、舒适性和晕动性4种智能车辆性能;目标层为Stop&Go工况(即发动机启动和关闭工况)、爬行工况、起步工况、Tip-in工况(即急踩油门工况)、匀速工况、Tip-out工况(即急松油门工况)、滑行减速工况和制动减速工况8种工况;特征层依据特定工况的指标体系。
具体地,可以通过以下方式建立多层次驾驶性评价模型:
首先根据专业驾驶员的主观评价实验和客观特征指标建立原始分析矩阵X,若考虑第i个客观特征指标,i=1,2,…,n,并将矩阵X的第i行中的每个元素减去第i行向量的均值Xi,使得新行向量的均值为0,得到数据集矩阵A:
其中,m为评价对象的个数,n为客观特征指标个数;
然后求数据集矩阵A的协方差矩阵B,并通过求解协方差矩阵的特征值与特征向量E得到主成分矩阵:
E=(e1,e2,...,en)
其中,e1,e2,...,en为n个单位特征向量;
其中,Λ为协方差矩阵对角化后的矩阵,λ1,λ2,...,λn为协方差矩阵的特征值;
最后用特征值计算第k(k=1,2,…,n)个主成分的方差占总方差的比例,即方差贡献率η1和前k个主成分的方差累计贡献率η2:
取方差累计贡献率η2超过预设值(如85%)的主成分作为影响智能车辆驾驶性分析的主成分,通过剔除驾驶性影响较小的因素降低指标体系的维度,构建智能车辆客观多层次驾驶性评价模型。
(2)工况识别:根据专家知识融合多源数据,优选利用决策树C4.5算法识别智能车辆特定工况;
在本发明实施例中,可以通过以下方式识别智能车辆特定工况的驾驶性评价数据指标:
采用统一时间维度对车辆加速度、车速、发动机转速、发动机转矩、档位、加速踏板和制动信号等进行多数据融合,结合智能车辆特定工况的客观信号特征,采用机器学习C4.5算法根据智能车辆特定工况的客观信号特征,识别智能车辆特定工况的驾驶性评价数据指标。
图3为智能车辆驾驶性评价特定工况自动化识别的C4.5算法示意图。图3表明,采用机器学习决策树C4.5算法,首先根据客观车速信号判断工况类型,若车速为0km/h,则判定工况为Stop&Go工况;然后根据车速信号判断工况执行的类型,包括稳态工况和瞬态工况;在稳态工况中根据加速度信号和车速信号判断车辆运行的状态,包括加速工况、匀速工况和减速工况;在加速行驶时,根据油门踏板开度信号判断工况类型为爬行工况或起步工况;在减速运行时,根据制动踏板信号判断工况类型为滑行减速工况或制动减速工况;对于瞬态响应,则根据油门踏板开度信号判断工况为Tip-in工况或Tip-out工况。
(2.1)Stop&Go工况:车辆沿直线行驶,距离目标点一定距离(如100m)处,制动踏板响应,车速降为0Km/h,松开制动踏板一定时间(如1s)后,油门踏板开度大于0,车速达到一定速度(如40Km/h)。
(2.2)爬行工况:车辆沿直线运行,起始车速为0Km/h,加速踏板开度为0,制动踏板和手刹处于不工作状态,车速爬行至稳定车速(如12Km/h)。
(2.3)起步工况:车辆沿直线运行,起始车速为0Km/h,加速踏板开度大于0,加速踏板变化率小于一定值(如6%/s),制动踏板和手刹处于不工作状态,稳定加速踏板,整个过程持续一段时间(如10s)。
(2.4)Tip-in工况:①匀速Tip-in,车辆沿直线运行,车速大于0Km/h,且稳定一段时间(如1s),加速踏板大于0,加速踏板变化率大于一定值(如6%/s),制动踏板和手刹处于不工作状态,稳定加速踏板,整个过程持续一段时间(如10s);②加速Tip-in,车辆沿直线运行,车速大于0Km/h,处于加速状态,当加速到某一速度时,在一定时间(如0.1s)内瞬时踩下加速踏板,制动踏板和手刹处于不工作状态,稳定加速踏板,整个过程持续一段时间(如10s);③减速Tip-in,车辆沿直线运行,车速大于0Km/h,有制动信号,当车速降低到某一车速时,在一定时间(如0.1s)内瞬时踩下加速踏板,制动踏板和手刹处于不工作状态,稳定加速踏板,整个过程持续一段时间(如10s)。
(2.5)匀速工况:车辆沿直线运行,制动踏板和手刹处于不工作状态,车速稳定在目标车速内,整个过程持续一段时间(如10s)。
(2.6)Tip-out工况:①匀速Tip-out,车辆沿直线运行,车速大于0Km/h,且稳定一段时间(如1s),在一定时间(如0.1s)内瞬时松掉加速踏板,制动踏板和手刹处于不工作状态,整个过程持续一段时间(如10s);②加速Tip-out,车辆沿直线运行,车速大于0Km/h,处于加速状态,当加速到某一速度时,在一定时间(如0.1s)内瞬时松掉加速踏板,制动踏板和手刹处于不工作状态,整个过程持续一段时间(如10s)。
(2.7)滑行减速工况:车辆沿直线运行,车速大于爬行车速,松掉加速踏板,加速踏板变化率小于一定值(如6%/s),断开动力传递,制动踏板和手刹处于不工作状态,直到车辆处于停止状态。
(2.8)制动减速工况:车辆沿直线运行,车速大于爬行车速,松掉加速踏板,踩下制动踏板,使得车辆减速度依次为一定值(如0.1g、0.2g、0.3g、0.5g),直到车辆处于停止状态。
采用机器学习决策树C4.5算法,根据智能车辆特定工况的客观信号特征,实现智能车辆驾驶性的自动化识别功能,为指标提取和主客观一致性分析奠定分析基础。
(3)主观评价分析:采用德尔菲法检验主观测试工程师的评价能力,并对主观评价实验结果的可靠性进行检验,通过筛选和优化获得最优主观评价工程师评估结果。
图4为德尔菲法检验主观测试工程师评价能力和主观评价实验可靠性的操作步骤;图4表明,通过德尔菲法检验主观测试工程师评价能力和主观评价实验可靠性的操作步骤为:①确定评价对象为主观评价人员对车辆驾驶性的评价能力;②实车测试,收集并汇总所有主观测试评价工程师对于单一工况的评价意见;③将所有评价意见分发给所有参与的主观测试评价工程师,以便修改意见;④汇总修改后的评定结果,求取所有主观测试评价工程师修改后的评价结果的平均值作为主观评价的借鉴值,并分析各主观评价师第一次评分与借鉴值的差别,当差别较大时,说明该主观测试工程师与其它主观测试工程师打分一致性较差,并剔除差别较大的评价结果。
(4)客观评价分析:分析智能车辆特定工况驾驶性评价数据指标,结合多层次驾驶性评价模型创建评价指标体系;
智能车辆特定工况通过决策树C4.5算法识别后,需与主观评价工程师的评价意见的时序片段保持一致,形成特定工况的指标体系;图5为智能车辆驾驶性评价指标体系,特定工况的指标体系围绕步骤(1)中智能车辆拟人性、响应性、舒适性和晕动性性能指标,用以反应车辆的振动、冲击和舒适性,实现主客观一致性分析,拟定评价体系中0分为最低分,10分为最高分,10分对应着车辆驾驶性处于“完美”,8分和9分对应着车辆驾驶性处于“好”,5分、6分和7分对应着车辆驾驶性处于“一般”,2分、3分和4分对应着车辆驾驶性处于“较差”,0分和1分对应着车辆驾驶性处于“无法忍受”,并结合多层次驾驶性评价模型创建评价指标体系,特征层包括:加速度踏板操作偏差、实际加速度与期望加速度比值、0.1g响应时间、最大加速度、1s响应加速度、最大加速度响应时间、纵向加速度冲击、纵向加速度波动、最大加速度变化率、纵向加速度振荡、纵向加速度振动剂量值和低频加速度均方根值。
(5)分层权重分析:采用主客观组合赋权法计算多层次指标权重,获得智能车辆特定工况驾驶性评价结果。
其中,组合赋权法为层次分析法结合熵值法,多层次包括指标层、目标层和特征层;指标层为拟人性、响应性、舒适性和晕动性4种智能车辆性能;目标层为Stop&Go工况、爬行工况、起步工况、Tip-in工况、匀速工况、Tip-out工况、滑行减速工况和制动减速工况8种工况;特征层依据特定工况的指标体系。
实施例二
如图6所示是本发明实施例提供的一种装置结构示意图,包括:
第一评估单元601,用于建立多层次驾驶性评价模型,识别智能车辆特定工况的驾驶性评价数据指标,筛选和优化主观评价工程师评估结果;
第二评估单元602,用于分析智能车辆特定工况的驾驶性评价数据指标,并结合多层次驾驶性评价模型创建特定工况的评价指标体系;
第三评估单元603,用于基于特定工况的评价指标体系及主观评价工程师评估结果,采用主客观组合赋权法计算多层次指标权重,获得智能车辆特定工况的驾驶性评价结果。
在本发明实施例中,各单元的具体实施方式可以参考方法实施例一中的描述,本发明实施例将不再复述。
实施例三
本申请还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现方法实施例中的智能车辆驾驶性评价指标体系创建方法。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能车辆驾驶性评价指标体系创建方法,其特征在于,包括:
建立多层次驾驶性评价模型,识别智能车辆特定工况的驾驶性评价数据指标,筛选和优化主观评价工程师评估结果;
分析所述智能车辆特定工况的驾驶性评价数据指标,并结合所述多层次驾驶性评价模型创建特定工况的评价指标体系;
基于所述特定工况的评价指标体系及所述主观评价工程师评估结果,采用主客观组合赋权法计算多层次指标权重,获得所述智能车辆特定工况的驾驶性评价结果。
2.根据权利要求1所述的方法,其特征在于,所述建立多层次驾驶性评价模型,包括:
采用主成分分析法找到智能车辆拟人性、响应性、舒适性和晕动性主要性能指标驾驶性的相关分析的显著性影响因素,从所述显著性影响因素中剔除对驾驶性影响较小的部分因素,以降低指标体系的维度,构建智能车辆客观的多层次驾驶性评价模型。
3.根据权利要求1或2所述的方法,其特征在于,所述建立多层次驾驶性评价模型,包括:
根据专业驾驶员的主观评价实验和客观特征指标建立原始分析矩阵X,X中的每个行向量对应一个客观特征指标,每个行向量中的各数据表示客观特征指标对应的评价对象,对于第i个客观特征指标,将矩阵X的第i行中的每个元素减去第i行向量的均值,使得新行向量的均值为0,得到数据集矩阵A;
求所述数据集矩阵A的协方差矩阵B,并通过求解所述协方差矩阵B的特征值与特征向量E得到主成分矩阵;
采用所述特征值计算第k个主成分的方差占总方差的比例,得到方差贡献率和前k个主成分的方差累计贡献率;
取所述方差累计贡献率超过预设值的主成分作为影响智能车辆驾驶性分析的主成分,以剔除驾驶性影响较小的因素降低指标体系的维度,构建智能车辆客观的多层次驾驶性评价模型。
4.根据权利要求3所述的方法,其特征在于,所述识别智能车辆特定工况的驾驶性评价数据指标,包括:
采用统一时间维度对车辆加速度、车速、发动机转速、发动机转矩、档位、加速踏板和制动信号进行多数据融合,结合智能车辆特定工况的客观信号特征,采用机器学习根据所述智能车辆特定工况的客观信号特征,识别智能车辆特定工况的驾驶性评价数据指标,其中,所述智能车辆特定工况包括Stop&Go工况、爬行工况、起步工况、Tip-in工况、匀速工况、Tip-out工况、滑行减速工况和制动减速工况。
5.根据权利要求4所述的方法,其特征在于,所述筛选和优化主观评价工程师评估结果,包括:
使用德尔菲法检验主观测试工程师的评价能力,并对主观评价实验结果的可靠性进行检验,通过筛选和优化获得最优主观评价工程师评估结果。
6.根据权利要求5所述的方法,其特征在于,所述筛选和优化主观评价工程师评估结果,包括:
确定评价对象为主观测试评价工程师对车辆驾驶性的评价能力;
实车测试,收集并汇总所有主观测试评价工程师对于单一工况的评价意见;
汇总所有参与的主观测试评价工程师对各所述评价意见修改后的目标评定结果;
求取所有主观测试评价工程师的目标评定结果的平均值作为主观评价的借鉴值,并分析各主观测试评价工程师第一次的评价意见与所述借鉴值的差别,筛选出满足要求的主观评价工程师的评价意见。
7.根据权利要求6所述的方法,其特征在于,所述分析所述智能车辆特定工况的驾驶性评价数据指标,并结合所述多层次驾驶性评价模型创建特定工况的评价指标体系,包括:
将识别的所述智能车辆特定工况的驾驶性评价数据指标与所述主观评价工程师的评价意见的时序片段保持一致,并结合所述多层次驾驶性评价模型形成特定工况的评价指标体系。
8.根据权利要求7所述的方法,其特征在于,所述基于所述特定工况的评价指标体系及所述主观评价工程师评估结果,采用主客观组合赋权法计算多层次指标权重,获得所述智能车辆特定工况的驾驶性评价结果,包括:
采用主客观组合赋权法计算多层次指标权重,获得所述智能车辆特定工况的驾驶性评价结果,其中,所述组合赋权法为层次分析法结合熵值法,所述层次分析法中的多层次包括指标层、目标层和特征层,所述指标层为拟人性、响应性、舒适性和晕动性4种智能车辆性能,所述目标层为Stop&Go工况、爬行工况、起步工况、Tip-in工况、匀速工况、Tip-out工况、滑行减速工况和制动减速工况8种工况,所述特征层为所述特定工况的指标体系。
9.一种智能车辆驾驶性评价指标体系创建装置,其特征在于,包括:
第一评估单元,用于建立多层次驾驶性评价模型,识别智能车辆特定工况的驾驶性评价数据指标,筛选和优化主观评价工程师评估结果;
第二评估单元,用于分析所述智能车辆特定工况的驾驶性评价数据指标,并结合所述多层次驾驶性评价模型创建特定工况的评价指标体系;
第三评估单元,用于基于所述特定工况的评价指标体系及所述主观评价工程师评估结果,采用主客观组合赋权法计算多层次指标权重,获得所述智能车辆特定工况的驾驶性评价结果。
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1至8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894327.3A CN112036746A (zh) | 2020-08-31 | 2020-08-31 | 一种智能车辆驾驶性评价指标体系创建方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894327.3A CN112036746A (zh) | 2020-08-31 | 2020-08-31 | 一种智能车辆驾驶性评价指标体系创建方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036746A true CN112036746A (zh) | 2020-12-04 |
Family
ID=73586459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010894327.3A Pending CN112036746A (zh) | 2020-08-31 | 2020-08-31 | 一种智能车辆驾驶性评价指标体系创建方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036746A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667969A (zh) * | 2020-12-24 | 2021-04-16 | 一汽奔腾轿车有限公司 | 一种车辆商品性评分计算方法 |
CN112895917A (zh) * | 2021-03-24 | 2021-06-04 | 天津易鼎丰动力科技有限公司 | 电动汽车蠕行行驶的多阶梯段扭矩控制实现方法 |
CN113029593A (zh) * | 2021-03-26 | 2021-06-25 | 奇瑞新能源汽车股份有限公司 | 汽车驾驶性的评价方法及装置 |
CN113379333A (zh) * | 2021-07-22 | 2021-09-10 | 交通运输部公路科学研究所 | 一种辅助驾驶营运车辆智能化等级评价方法 |
CN113859392A (zh) * | 2021-10-20 | 2021-12-31 | 东风汽车集团股份有限公司 | 一种车辆减振器调校方法及系统 |
CN115406670A (zh) * | 2022-08-16 | 2022-11-29 | 中国第一汽车股份有限公司 | 车辆性能的测试方法、装置、电子设备以及一种车辆 |
CN115964810A (zh) * | 2023-03-16 | 2023-04-14 | 中国重汽集团济南动力有限公司 | 一种车辆座椅动态舒适度评价及选型方法 |
CN116350190A (zh) * | 2023-05-29 | 2023-06-30 | 中国第一汽车股份有限公司 | 一种驾驶能力确定方法、电子设备及存储介质 |
CN117056799A (zh) * | 2023-08-03 | 2023-11-14 | 广东省机场管理集团有限公司工程建设指挥部 | 一种车辆传感器数据的处理方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073935A (zh) * | 2010-12-29 | 2011-05-25 | 北京理工大学 | 一种通用综合评价系统及其评价指标体系的定制方法 |
CN108510172A (zh) * | 2018-03-23 | 2018-09-07 | 同济大学 | 一种针对整车驾驶性的评价指标体系 |
CN111428960A (zh) * | 2020-01-10 | 2020-07-17 | 武汉理工大学 | 一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法 |
-
2020
- 2020-08-31 CN CN202010894327.3A patent/CN112036746A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073935A (zh) * | 2010-12-29 | 2011-05-25 | 北京理工大学 | 一种通用综合评价系统及其评价指标体系的定制方法 |
CN108510172A (zh) * | 2018-03-23 | 2018-09-07 | 同济大学 | 一种针对整车驾驶性的评价指标体系 |
CN111428960A (zh) * | 2020-01-10 | 2020-07-17 | 武汉理工大学 | 一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112667969A (zh) * | 2020-12-24 | 2021-04-16 | 一汽奔腾轿车有限公司 | 一种车辆商品性评分计算方法 |
CN112895917A (zh) * | 2021-03-24 | 2021-06-04 | 天津易鼎丰动力科技有限公司 | 电动汽车蠕行行驶的多阶梯段扭矩控制实现方法 |
CN112895917B (zh) * | 2021-03-24 | 2022-07-12 | 天津易鼎丰动力科技有限公司 | 电动汽车蠕行行驶的多阶梯段扭矩控制实现方法 |
CN113029593A (zh) * | 2021-03-26 | 2021-06-25 | 奇瑞新能源汽车股份有限公司 | 汽车驾驶性的评价方法及装置 |
CN113379333A (zh) * | 2021-07-22 | 2021-09-10 | 交通运输部公路科学研究所 | 一种辅助驾驶营运车辆智能化等级评价方法 |
CN113859392A (zh) * | 2021-10-20 | 2021-12-31 | 东风汽车集团股份有限公司 | 一种车辆减振器调校方法及系统 |
CN115406670A (zh) * | 2022-08-16 | 2022-11-29 | 中国第一汽车股份有限公司 | 车辆性能的测试方法、装置、电子设备以及一种车辆 |
CN115964810A (zh) * | 2023-03-16 | 2023-04-14 | 中国重汽集团济南动力有限公司 | 一种车辆座椅动态舒适度评价及选型方法 |
CN116350190A (zh) * | 2023-05-29 | 2023-06-30 | 中国第一汽车股份有限公司 | 一种驾驶能力确定方法、电子设备及存储介质 |
CN116350190B (zh) * | 2023-05-29 | 2023-08-18 | 中国第一汽车股份有限公司 | 一种驾驶能力确定方法、电子设备及存储介质 |
CN117056799A (zh) * | 2023-08-03 | 2023-11-14 | 广东省机场管理集团有限公司工程建设指挥部 | 一种车辆传感器数据的处理方法、装置、设备及介质 |
CN117056799B (zh) * | 2023-08-03 | 2024-03-26 | 广东省机场管理集团有限公司工程建设指挥部 | 一种车辆传感器数据的处理方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036746A (zh) | 一种智能车辆驾驶性评价指标体系创建方法、装置及介质 | |
CN107169567B (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
JP6898101B2 (ja) | 車両のエネルギー効率を分析するためのシステムおよび方法 | |
CN106874597B (zh) | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 | |
JP7053147B2 (ja) | 自動車特に自動車の装置のエネルギー効率を分析するためのシステムおよび方法 | |
CN111428960B (zh) | 一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法 | |
CN109840612A (zh) | 用户驾驶行为分析方法及系统 | |
CN111275249A (zh) | 基于dqn神经网络和高精度定位的驾驶行为优化方法 | |
CN107364446B (zh) | 操作机动车辆的方法 | |
EP3725633B1 (de) | Verfahren zum ermitteln von fahrverläufen | |
CN110497914A (zh) | 自动驾驶的驾驶员行为模型开发方法、设备和存储介质 | |
CN114354219A (zh) | 自动驾驶车辆的测试方法及装置 | |
EP3726434B1 (de) | Verfahren zur reduzierung von abgasemissionen eines antriebssystems eines fahrzeugs mit verbrennungsmotor | |
EP3726436A1 (de) | Verfahren zum ermitteln von fahrverläufen | |
CN115077936B (zh) | 一种车辆自适应巡航系统驾乘性能测评方法 | |
US20080183449A1 (en) | Machine parameter tuning method and system | |
CN112466118A (zh) | 车辆驾驶行为识别方法、系统、电子设备及存储介质 | |
CN113954855A (zh) | 一种汽车驾驶模式自适应匹配方法 | |
CN115148028B (zh) | 依据历史数据构建车辆路测场景的方法、装置及一种车辆 | |
CN114162132B (zh) | 一种基于主客观评价的驾驶模式识别方法 | |
CN115447605A (zh) | 自动驾驶车辆及其控制方法及控制装置 | |
CN108839655A (zh) | 一种基于最小安全车距的协同式自适应控制方法 | |
CN116822671A (zh) | 一种油耗预测方法、装置、电子设备及存储介质 | |
CN114148349A (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 | |
Ma et al. | Lane change analysis and prediction using mean impact value method and logistic regression model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |
|
RJ01 | Rejection of invention patent application after publication |