CN114692713A

CN114692713A - 一种自动驾驶车辆的驾驶行为评价方法及装置

Info

Publication number: CN114692713A
Application number: CN202011592294.3A
Authority: CN
Inventors: 王传秋; 李亚军; 王绍助; 陈旭亮; 刘磊
Original assignee: Zhengzhou Yutong Bus Co Ltd
Current assignee: Zhengzhou Yutong Bus Co Ltd
Priority date: 2020-12-29
Filing date: 2020-12-29
Publication date: 2022-07-01

Abstract

本发明提供了一种自动驾驶车辆的驾驶行为评价方法及装置，属于自动驾驶车辆评价技术领域。该方法包括：获取待评价线路上自动驾驶车辆的驾驶行为信息，根据所述自动驾驶车辆的驾驶行为信息计算得到自动驾驶车辆的驾驶行为特征参数，将自动驾驶车辆的驾驶行为特征参数作为样本点，计算样本点到参考点的距离；根据样本点到参考点的距离、基准距离和基准距离对应的分数，计算得到自动驾驶车辆的驾驶行为得分；其中，样本点到参考点的距离越小，自动驾驶车辆的驾驶行为得分越高；参考点为参考类的聚类中心点，基准距离为其他驾驶行为类别的聚类中心点到参考点的距离中的某个值。本发明能够实现对自动驾驶车辆驾驶行为的定量评价。

Description

一种自动驾驶车辆的驾驶行为评价方法及装置

技术领域

本发明涉及一种自动驾驶车辆的驾驶行为评价方法及装置，属于自动驾驶车辆评价技术领域。

背景技术

驾驶行为是人类驾驶车辆和自动驾驶车辆都必须考虑的重要因素，交通事故大多都是驾驶操作不当导致的，不良的驾驶习惯是造成交通事故的主要原因。自动驾驶车辆有助于改善“人-车-环境”系统的智能性，从而提高交通通行效率和交通安全性。随着自动驾驶技术的发展，自动驾驶车辆逐渐在封闭场景推广，把人类驾驶员从驾驶操作中解放出来，但如何客观、准确地评价自动驾驶车辆的驾驶行为，使得自动驾驶车辆吸收人类驾驶员的正确驾驶方式，摒弃人类驾驶员的不良驾驶习惯，促使自动驾驶车辆的驾驶行为如同优秀驾驶员一样安全有效，仍没有一套可靠有效的评价方法。

虽然申请公布号为CN107153916A的中国发明专利申请文件中公开了一种基于FCM聚类和BP神经网络的驾驶行为评价方法，该方法通过对从驾驶行为信息中提取的驾驶行为特征参数进行聚类，将聚类结果作为训练样本训练得到BP神经网络模型，利用训练得到的BP神经网络模型对待评估的驾驶行为进行评估，但是该方法只能对驾驶行为做出定性评价，无法做出定量评价。

发明内容

本发明的目的在于提供一种自动驾驶车辆的驾驶行为评价方法及装置，用以对自动驾驶车辆的驾驶行为作出客观、准确的定量评价。

为实现上述目的，本发明提供了一种自动驾驶车辆的驾驶行为评价方法，该方法包括以下步骤：

(1)获取待评价线路上自动驾驶车辆的驾驶行为信息，所述驾驶行为信息包括：瞬时车速、加/减速度、方向盘转角、车辆运行总时长、车辆运行总里程、车辆累计能耗、车辆周边障碍物信息、车辆周边道路数据信息；所述车辆周边道路数据信息包括坡道、弯道、隧道、事故多发区、路段限速、红绿灯信息；

(2)根据所述自动驾驶车辆的驾驶行为信息计算得到自动驾驶车辆的驾驶行为特征参数，所述驾驶行为特征参数包括：超速时间占比、平均急加/急减速次数、平均变道次数、平均能耗、车辆未成功避障次数、车辆正确响应道路标志标线次数；

其中，所述超速时间占比为：待评价线路上车辆超速的持续时间累计值与车辆运行总时长的比值，当瞬时车速大于设定的车速上限值或大于路段限速值时判定车辆超速；所述平均急加/急减速次数为：待评价线路上车辆发生急加/急减速的次数累计值与车辆运行总里程的比值，当车辆加/减速度大于设定的加/减速度上限值时判定车辆发生急加/急减速；所述平均变道次数为：待评价线路上车辆发生变道行为的次数累计值与车辆运行总里程的比值，当方向盘转角大于设定的转角上限值时判定车辆发生变道行为；所述平均能耗为待评价线路上车辆累计能耗与车辆运行总里程的比值；结合车辆周边障碍物信息判断车辆遇到障碍物是否成功避障，进而得到待评价线路上的车辆未成功避障次数；结合车辆周边道路数据信息判断车辆是否正确响应道路标志线，进而得到待评价线路上的车辆正确响应道路标志标线次数；

(3)将自动驾驶车辆的驾驶行为特征参数作为样本点，计算样本点到参考点的距离；

(4)根据样本点到参考点的距离、基准距离和基准距离对应的分数，计算得到自动驾驶车辆的驾驶行为得分；其中，样本点到参考点的距离越小，自动驾驶车辆的驾驶行为得分越高；

所述参考点、所述基准距离通过以下步骤得到：

获取待评价线路上不同时段、不同驾驶员、不同车辆的人类驾驶员的驾驶行为信息作为样本数据集，并相应得到人类驾驶员的驾驶行为特征参数数据集；对所述驾驶行为特征参数数据集中的人类驾驶员的驾驶行为特征参数进行聚类分析，得到多个不同的驾驶行为类别以及各驾驶行为类别的聚类中心点；从所述多个不同的驾驶行为类别中选择超速时间占比最小、平均急加/急减速次数最少、平均变道次数最少、平均能耗最小、车辆未成功避障次数最少、车辆正确响应道路标志标线次数最多的类别作为参考类，所述参考点为参考类的聚类中心点，所述基准距离为其他驾驶行为类别的聚类中心点到参考点的距离中的某个值。

本发明还提供了一种自动驾驶车辆的驾驶行为评价装置，该装置包括处理器和存储器，所述处理器执行由所述存储器存储的计算机程序，以实现上述的自动驾驶车辆的驾驶行为评价方法。

本发明的有益效果是：本发明通过将自动驾驶车辆的驾驶行为特征参数作为样本点，根据样本点到参考点的距离、基准距离和基准距离对应的分数，计算得到自动驾驶车辆的驾驶行为得分，实现对自动驾驶车辆驾驶行为的定量评价。其中，通过对人类驾驶员的驾驶行为特征参数进行聚类分析得到参考点和基准距离，参考点为聚类分析得到的所有驾驶行为类别中驾驶行为最规范的类别(即超速时间占比最小、平均急加/急减速次数最少、平均变道次数最少、平均能耗最小、车辆未成功避障次数最少、车辆正确响应道路标志标线次数最多的驾驶行为类别)的聚类中心点，基准距离为其他驾驶行为类别的聚类中心点到参考点的距离中的某个值，因此，本发明对自动驾驶车辆的驾驶行为进行定量评价时，综合考虑了驾驶行为最规范的类别和其他驾驶行为类别对驾驶行为评价的影响，较为客观，评价结果较为准确。

进一步地，在上述方法和装置中，所述自动驾驶车辆的驾驶行为得分的计算公式为：

式中，S代表自动驾驶车辆的驾驶行为得分，M代表基准距离对应的分数，D代表基准距离，d代表样本点到参考点的距离。

进一步地，在上述方法和装置中，所述进行聚类分析的步骤包括：利用主成分分析法对人类驾驶员的驾驶行为特征参数进行降维；对驾驶行为特征参数数据集中降维后的人类驾驶员的驾驶行为特征参数进行聚类分析。

进一步地，在上述方法和装置中，该方法还包括对自动驾驶车辆的驾驶行为进行定性评价的步骤，该步骤包括：将自动驾驶车辆的驾驶行为特征参数输入到已训练好的驾驶行为分类模型中，得到自动驾驶车辆的驾驶行为对应的驾驶行为类别；所述已训练好的驾驶行为分类模型通过以下步骤得到：将所述驾驶行为特征参数数据集中的各人类驾驶员的驾驶行为特征参数及其对应的驾驶行为类别作为训练样本，利用所述训练样本对分类模型进行训练，得到已训练好的驾驶行为分类模型。

进一步地，在上述方法和装置中，所述分类模型为基于用户行为的协同过滤算法分类模型、k近邻算法分类模型、决策树分类模型或SVM分类模型。

附图说明

图1是本发明方法实施例中的自动驾驶车辆的驾驶行为评价方法流程图；

图2是本发明装置实施例中的自动驾驶车辆的驾驶行为评价装置结构示意图。

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。

方法实施例：

如图1所示，本实施例的自动驾驶车辆的驾驶行为评价方法(以下简称驾驶行为评价方法)包括以下步骤：

(1)获取待评价线路上自动驾驶车辆的驾驶行为信息；

其中，驾驶行为信息包括：瞬时车速、加/减速度、方向盘转角、车辆运行总时长、车辆运行总里程、车辆累计能耗、车辆周边障碍物信息、车辆周边道路数据信息；车辆周边道路数据信息包括坡道、弯道、隧道、事故多发区、路段限速、红绿灯信息。

驾驶行为信息的获取方式如下：

自动驾驶车辆上安装有监控终端，利用监控终端采集车辆的瞬时速度、加速度、减速度、方向盘转角、车辆运行总时长、车辆运行总里程、车辆能耗(包括瞬时能耗、累计能耗、平均能耗)、车辆周边障碍物信息、车辆遇到障碍物是否成功避障等信息，以及车辆周边道路数据信息(包括坡道、弯道、隧道、事故多发区、路段限速、红绿灯的位置等信息)等，还可通过GPS定位技术获取自车位置信息(包括经度、纬度、高程、方向、GPS速度)，作为其他实施方式，也可通过车速信号、惯性导航、差分定位等技术实现增强定位。

其中，方向盘转角可由方向盘转角传感器输出，方向盘转角是衡量驾驶员是否频繁转向、变道、是否有急打方向盘、驾驶是否平稳的关键指标，对评价驾驶员的驾驶风格来说必不可少。在实际应用中还可以利用左/右转向标志来判断车辆是否变道，但利用方向盘转向判断车辆是否变道更为准确。

车辆遇到障碍物是否成功避障具体体现在车辆是否发生碰撞，能够衡量自动驾驶车辆的安全性；具体地，可基于加速度传感器或碰撞传感器输出的数据判断车辆是否发生碰撞，或者基于车辆周边障碍物信息，判断自车与周边其他交通参与者或障碍物的距离是否小于预设的阈值来判断车辆是否发生碰撞。

车辆主要通过CAN总线和以太网采集车内各关键零部件的信息及车上安装的传感器检测到的实时信息(经度、纬度、高程、方向、GPS速度、车速传感器获取的车速、周边其他交通参与者的信息及状态、周边道路数据信息)等信息。

车辆周边道路数据信息：基于地图信息或传感器获得前方信号灯数据信息和实时状态信息，含局部区域的路口信息、路段信息(弯道、坡路、隧道等)、道路之间的连接关系、交通标志和标线(如事故多发区、路段限速标志、停车让行、车道线、人行横道)等。车辆周边道路数据信息主要用来判断自动驾驶车辆对不同道路以及道路标志、标线等的响应能力。其中，前方信号灯的实时状态：包含一个或多个路口信号灯的当前状态信息。结合地图信息和感知信息，为车辆提供实时的前方信号灯相位信息。

周边其他交通参与者的信息及状态：车辆根据自身拥有的相应感知系统，得到其周边交通参与者的实时状态信息(含周围车辆、非机动车、行人、障碍物等)，为人类驾驶员操作或自动驾驶车辆的决策提供支持。

自车位置信息作为辅助信息，可以结合周边道路数据信息，在后续运算中统计出在什么场景或什么位置发生某种不良驾驶行为的次数或概率。

(2)根据自动驾驶车辆的驾驶行为信息计算得到自动驾驶车辆的驾驶行为特征参数；

其中，驾驶行为特征参数包括：超速时间占比、平均急加/急减速次数、平均变道次数、平均能耗、车辆未成功避障次数、车辆正确响应道路标志标线次数。

驾驶行为特征参数的具体计算方法为：

当瞬时车速大于设定的车速上限值或大于路段限速值时，判定车辆超速，将待评价线路上车辆超速的持续时间累计值与车辆运行总时长的比值作为超速时间占比，单位为百分比；

当车辆加/减速度大于设定的加/减速度上限值时，判定车辆发生急加/急减速，将待评价线路上车辆发生急加/急减速的次数累计值与车辆运行总里程的比值作为平均急加/急减速次数，单位为次/100km；

当方向盘转角大于设定的转角上限值时，判定车辆发生变道行为，将待评价线路上车辆发生变道行为的次数累计值与车辆运行总里程的比值作为平均变道次数，单位为次/100km；

将待评价线路上车辆累计能耗与车辆运行总里程的比值作为平均能耗，单位为L/100km；

结合车辆周边障碍物信息判断车辆遇到障碍物是否成功避障，进而得到待评价线路上的车辆未成功避障次数；当自车与障碍物的距离小于预设的阈值时判定车辆未成功避障；

结合车辆周边道路数据信息判断车辆是否正确响应道路标志线，进而得到待评价线路上的车辆正确响应道路标志标线次数；例如，车辆在停止线前停车，车辆在限速区域低于限速值行驶，均属于正确响应标志标线。

(3)将自动驾驶车辆的驾驶行为特征参数作为样本点，计算样本点到参考点的距离；根据样本点到参考点的距离、基准距离和基准距离对应的分数，计算得到自动驾驶车辆的驾驶行为得分(样本点到参考点的距离越小，自动驾驶车辆的驾驶行为得分越高)，实现对自动驾驶车辆的驾驶行为的定量评价；

其中，参考点、基准距离通过以下步骤得到：

获取待评价线路上不同时段、不同驾驶员、不同车辆的人类驾驶员的驾驶行为信息作为样本数据集，并相应得到人类驾驶员的驾驶行为特征参数数据集；对驾驶行为特征参数数据集中的人类驾驶员的驾驶行为特征参数进行聚类分析，得到多个不同的驾驶行为类别以及各驾驶行为类别的聚类中心点；从得到的多个不同的驾驶行为类别中选择超速时间占比最小、平均急加/急减速次数最少、平均变道次数最少、平均能耗最小、车辆未成功避障次数最少、车辆正确响应道路标志标线次数最多的类别作为参考类；参考点为参考类的聚类中心点，基准距离为其他驾驶行为类别的聚类中心点到参考点的距离中的最大值。

经研究发现，优秀驾驶行为可直接影响能耗的降低，那么大多数情况下，只能说大部分驾驶员可达到相对较优，而达不到所有指标的最优，这是正常的，在这种情况下，我们可以先求不同驾驶员中所能达到的最优的并集，再排除其中相冲突的部分数据集，就可以得到各项参数的最优值作为参考类(假如我们采用一个指标为通过某段路程所需时间，数据集中用时最短的驾驶员在行程中发生超速，那我们就排除这个最优值，选择未发生违规驾驶行为同时时间最短的那个数据集作为参考类)，这个参考类可以是虚拟的，作为人类优秀驾驶员和自动驾驶车辆的目标。

本实施例中，自动驾驶车辆的驾驶行为得分的计算公式为：

由于本实施例中基准距离D为其他驾驶行为类别的聚类中心点到参考点的距离中的最大值(即基准距离D为离参考点最远的聚类中心点到参考点的距离)，由于距离参考点的距离越远，驾驶行为得分越小，因此，此时需将M的值设置为较低的分数值(具体可根据实际需要设置)，例如M＝60；作为其他实施方式，基准距离D还可以是其他驾驶行为类别的聚类中心点到参考点的距离中的最小值(即基准距离D为离参考点最近的聚类中心点到参考点的距离)，此时需将M的值设置为较高的分数值(具体可根据实际需要设置)，例如M＝90；当然，基准距离D还可以是其他驾驶行为类别的聚类中心点到参考点的距离中的任意一个值(即基准距离D为除参考类之外的任意一个驾驶行为类别的聚类中心点到参考点的距离)，此时只需根据该聚类中心点距离参考点的远近，按照距离参考点的距离越远驾驶行为得分越小的原则相应确定M的值。

其中，通过在聚类分析时设定聚类个数能够根据实际需要自行确定驾驶行为类别的个数，例如当设定聚类个数为3个时，对应的驾驶行为类别为3个，聚类分析的算法可以选择现有的聚类分析算法，例如K均值聚类或FCM聚类等；通过对每种驾驶行为类别下的驾驶行为特征参数进行分析，能够获得每种驾驶行为类别对应的驾驶风格，例如温和型、适中型、激进型。

(4)利用已训练好的驾驶行为分类模型对自动驾驶车辆的驾驶行为进行定性评价。

易知，通过对驾驶行为特征参数数据集中的人类驾驶员的驾驶行为特征参数进行聚类分析得到了多个不同的驾驶行为类别，也就是说，通过聚类分析使得每个人类驾驶员的驾驶行为特征参数都有了各自对应的驾驶行为类别，因此将人类驾驶员的驾驶行为特征参数数据集中的各人类驾驶员的驾驶行为特征参数及其对应的驾驶行为类别作为训练样本，利用训练样本对分类模型(基于用户行为的协同过滤算法分类模型、k近邻算法分类模型、决策树分类模型或SVM分类模型)进行训练，能够得到已训练好的驾驶行为分类模型，从而将自动驾驶车辆的驾驶行为特征参数输入已训练好的驾驶行为分类模型，能够得到自动驾驶车辆的驾驶行为特征参数对应的驾驶行为类别(即自动驾驶车辆的驾驶行为对应的驾驶行为类别)，得到自动驾驶车辆的驾驶行为对应的驾驶风格，从而实现对自动驾驶车辆的驾驶行为的定性评价。

作为其他实施方式，进行聚类分析时，还可以先利用主成分分析法对人类驾驶员的驾驶行为特征参数进行降维，仅保留人类驾驶员的驾驶行为特征参数中对驾驶行为类型的影响较大的几个变量，得到降维后的人类驾驶员的驾驶行为特征参数，然后对驾驶行为特征参数数据集中降维后的人类驾驶员的驾驶行为特征参数进行聚类分析；例如本实施例中驾驶行为特征参数为5维，若通过主成分分析法得到降维后的驾驶行为特征参数为3维，则将驾驶行为特征参数数据集中的驾驶行为特征参数全部替换成3维的驾驶行为特征参数，利用3维的驾驶行为特征参数进行聚类分析，相应地，在计算自动驾驶车辆的驾驶行为得分时，也用3维的自动驾驶车辆的驾驶行为特征参数进行计算。

另外，在聚类分析完成后还可以删除每个驾驶行为类别的离群点(离群点是指离每个驾驶行为类别的聚类中心点较远的点，离群点的数量较少，删除离群点能够避免其对后续驾驶行为分类模型的训练造成干扰)，对人类驾驶员的驾驶行为特征参数数据集进行更新，得到更新后的人类驾驶员的驾驶行为特征参数数据集(简称更新后的特征参数数据集)，从而将更新后的特征参数数据集中的各人类驾驶员的驾驶行为特征参数及其对应的驾驶行为类别作为训练样本，训练得到驾驶行为分类模型。

本实施例中的驾驶行为评价方法即能实现对自动驾驶车辆的驾驶行为的定量评价，又能实现对自动驾驶车辆的驾驶行为的定性评价；作为其他实施方式，当仅需要对自动驾驶车辆的驾驶行为进行定量评价时，还可以省略步骤(4)。

综上所述，本实施例的驾驶行为评价方法主要基于车联网平台收集的待评价线路上的人类驾驶员驾驶车辆的实时数据，构建人类驾驶员的驾驶行为样本数据集，通过对人类驾驶员的驾驶行为特征参数(如固定距离或固定时间间隔内平均变道次数、超速时间占比、平均急加/急减速次数、未避障成功次数、平均能耗、车辆正确响应道路标志标线次数等)进行聚类分析，进而得出不同驾驶风格的驾驶行为类别；然后结合自动驾驶车辆的实时数据，对自动驾驶车辆的智能驾驶行为进行评价。

装置实施例：

本实施例的自动驾驶车辆的驾驶行为评价装置，如图2所示，该装置包括处理器、存储器，存储器中存储有可在处理器上运行的计算机程序，所述处理器在执行所述计算机程序时实现上述方法实施例中的方法。

也就是说，以上方法实施例中的方法应理解为可由计算机程序指令实现自动驾驶车辆的驾驶行为评价方法的流程。可提供这些计算机程序指令到处理器，使得通过处理器执行这些指令产生用于实现上述方法流程所指定的功能。

本实施例所指的处理器是指微处理器MCU或可编程逻辑器件FPGA等的处理装置。

本实施例所指的存储器包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。例如：利用电能方式存储信息的各式存储器，RAM、ROM等；利用磁能方式存储信息的的各式存储器，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的各式存储器，CD或DVD。当然，还有其他方式的存储器，例如量子存储器、石墨烯存储器等等。

通过上述存储器、处理器以及计算机程序构成的装置，在计算机中由处理器执行相应的程序指令来实现，处理器可以搭载各种操作系统，如windows操作系统、linux系统、android、iOS、ROS系统等。

Claims

1.一种自动驾驶车辆的驾驶行为评价方法，其特征在于，该方法包括以下步骤：

所述参考点、所述基准距离通过以下步骤得到：

2.根据权利要求1所述的自动驾驶车辆的驾驶行为评价方法，其特征在于，所述自动驾驶车辆的驾驶行为得分的计算公式为：

3.根据权利要求1或2所述的自动驾驶车辆的驾驶行为评价方法，其特征在于，所述进行聚类分析的步骤包括：利用主成分分析法对人类驾驶员的驾驶行为特征参数进行降维；对驾驶行为特征参数数据集中降维后的人类驾驶员的驾驶行为特征参数进行聚类分析。

4.根据权利要求1或2所述的自动驾驶车辆的驾驶行为评价方法，其特征在于，该方法还包括对自动驾驶车辆的驾驶行为进行定性评价的步骤，该步骤包括：将自动驾驶车辆的驾驶行为特征参数输入到已训练好的驾驶行为分类模型中，得到自动驾驶车辆的驾驶行为对应的驾驶行为类别；所述已训练好的驾驶行为分类模型通过以下步骤得到：将所述驾驶行为特征参数数据集中的各人类驾驶员的驾驶行为特征参数及其对应的驾驶行为类别作为训练样本，利用所述训练样本对分类模型进行训练，得到已训练好的驾驶行为分类模型。

5.根据权利要求4所述的自动驾驶车辆的驾驶行为评价方法，其特征在于，所述分类模型为基于用户行为的协同过滤算法分类模型、k近邻算法分类模型、决策树分类模型或SVM分类模型。

6.一种自动驾驶车辆的驾驶行为评价装置，其特征在于，该装置包括处理器和存储器，所述处理器执行由所述存储器存储的计算机程序，以实现如权利要求1-5任一项所述的自动驾驶车辆的驾驶行为评价方法。