CN116108972A - 一种自动驾驶接管绩效预测方法及系统 - Google Patents
一种自动驾驶接管绩效预测方法及系统 Download PDFInfo
- Publication number
- CN116108972A CN116108972A CN202211647652.5A CN202211647652A CN116108972A CN 116108972 A CN116108972 A CN 116108972A CN 202211647652 A CN202211647652 A CN 202211647652A CN 116108972 A CN116108972 A CN 116108972A
- Authority
- CN
- China
- Prior art keywords
- takeover
- performance
- driver
- data
- sample
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及一种自动驾驶接管绩效预测方法,包括如下步骤:步骤一、使驾驶员在车辆在不同工况下接管车辆,获取多个实验样本数据,构建实验样本数据库;步骤二、根据接管后车辆行驶数据的统计特征,赋予实验样本数据分类标签;步骤三、构建随机森林接管绩效预测模型,利用样本数据集合确定模型最优参数组合,实时预测接管绩效水平。本发明在考虑驾驶员认知负荷的情况下,实时监测驾驶员状态,预测L3级自动驾驶车辆接管绩效水平,准确率达94.3%。
Description
技术领域
本发明属于智能交通技术领域,具体涉及一种考虑驾驶员认知负荷的自动驾驶接管绩效预测方法及系统。
背景技术
当车辆处于自动驾驶阶段时,驾驶员可参与非驾驶相关任务,这会使驾驶员产生次任务认知负荷,认知负荷过高时会削弱驾驶员的接管能力,影响驾驶接管绩效,给驾驶员接管车辆时的行车安全带来极大的隐患。因此,需要实时根据驾驶员状态评估驾驶员接管能力,预测接管绩效水平,以采取有效的安全管预警措施。
驾驶L3级自动化车辆时驾驶员不需要对车辆进行长时间的监控,可以参与各种非驾驶相关次任务,次任务认知负荷会影响驾驶员的接管能力。据GB/T 40429-2021规定,车辆3级驾驶自动化系统应动态识别驾驶员的接管能力,并在其接管能力即将不满足要求时,发出介入请求。
目前,驾驶员接管绩效预测一般基于接管后驾驶员状态和车辆行驶数据以及接管前驾驶员姿态等信息,而没有考虑在接管前驾驶员认知负荷对接管能力的影响。过高的认知负荷会削弱驾驶员的接管能力,影响接管绩效。因此,急需一种考虑驾驶员认知负荷的接管绩效预测方法,可以监测驾驶员认知负荷状态,进而预测自动驾驶车辆接管绩效。
发明内容
本发明为解决上述问题,进而提供了一种自动驾驶接管绩效预测方法及系统。
本发明涉及一种自动驾驶接管绩效预测方法,其特征在于,包括如下步骤:
步骤一、使驾驶员在车辆在不同工况下接管车辆,获取多个实验样本数据,构建实验样本数据库;
步骤二、根据接管后车辆行驶数据的统计特征,赋予实验样本数据分类标签;
步骤三、构建随机森林接管绩效预测模型,利用样本数据集合确定模型最优参数组合,实时预测接管绩效水平。
优选地,步骤一中,所述实验样本数据包括接管前驾驶员生理特征数据、驾驶员接管绩效数据,驾驶员生理特征数据包括eSense指标和脑波指标,驾驶员接管绩效数据由驾驶员接管特征数据和接管后车辆行驶数据组成。
优选地,驾驶员接管特征数据包括接管时间,车辆行驶数据包括驾驶员接管后车辆最大横向加速度、最大纵向减速度和最小TTC;接管时间计算公式为:
Δt=t2-t1 (1)
式中:t1——接管请求发出的时刻(s);t2——驾驶员开始操作方向盘或制动踏板的时刻(s)。
TTC计算公式为:
式中:Δl——本车与前车的纵向距离(m);v1——本车速度(m/s);v2——前车速度(m/s)。
优选地,对eSense指标和脑波指标数据进行Z-score标准化处理,Z-score标准化公式为:
式中:X*——标准化后的指标取值;X——原始实验数据中指标取值;μ——原始实验数据中指标平均值;σ——原始实验数据中指标标准差。
对eSense指标和脑波指标进行Friedman非参数检验,保留不同工况下有显著差异的t个指标,样本数据矩阵即为X=(xij)s*t,表示有s个样本,每个样本有t个指标。
优选地,步骤二中,将驾驶员接管绩效数据进行归一化之后,对每个接管绩效指标,绘制累积频率曲线图,以其30%和70%累积频率对应指标值为阈值,将驾驶员的接管绩效分为三类:优秀、良好、不佳。
赋予分类标签方法为:如有两个及两个以上的接管绩效指标均对应接管绩效不佳,则将此次接管绩效定义为低等级绩效;以上述方法赋予每次接管一个接管绩效水平标签,结合每次接管前的驾驶员生理特征样本数据,作为样本数据集合。
优选地,步骤三中,将驾驶员生理特征样本数据进行Z-score标准化,采用Bootstrap抽样方法,从样本数据集合中s个样本中随机的、有放回的抽取s’个样本,使用抽取的样本构建一棵决策树,其余s-s’个样本构成测试样本。
在训练决策树模型节点时,在节点上所有的样本特征中选择m(m<t)个样本特征,在这些随机选择的部分样本特征中选择一个最优的特征来做决策树的左右子树划分,最优特征及分割阈值由最小的Gini系数决定,Gini系数计算公式为:
式中:K——将某一节点处的样本分为K类;pk——样本在第k类的概率。
优选地,步骤三中,为减少模型训练时长,选择“一对其余”策略,将接管绩效三分类预测问题拆分成三个二分类问题,即绩效等级为“低”或“不低”,依此训练决策树模型,此时Gini系数计算公式为:
Gini(p)=2p(1-p) (5)
式中:p——接管绩效水平为低的概率。
重复上述步骤若干次,生成含有若干棵决策树的随机森林。
优选地,步骤三中,使用网格搜索算法遍历随机森林模型的决策树棵树和特征数参数组合,采用十折交叉验证方法依照参数组合反复训练随机森林模型,使用测试数据对模型进行验证,选择最优模型。
优选地,使用随机森林模型对样本x进行绩效预测:
式中:Hoob(x)——对样本x的绩效预测;T——决策树棵树;ht——单个决策树;y——预测结果;Y——预测结果集合;Dt——第t棵决策树的训练数据。
T棵决策树产生T个分类结果,最终预测结果为获得票数最高的类别。
本发明还涉及一种自动驾驶接管绩效预测系统,该系统包括上述权利要求任一项所述的自动驾驶接管绩效预测方法。
有益效果
本发明在考虑驾驶员认知负荷的情况下,实时监测驾驶员状态,预测L3级自动驾驶车辆接管绩效水平,准确率达94.3%,可为主动安全防控策略提供技术支撑,有利于提高自动驾驶系统智能化。
附图说明
图1为本发明中自动驾驶接管绩效预测系统的工作流程。
具体实施方式
以下结合图1对本实施方式进行具体说明。
本发明涉及一种接管绩效预测方法,包括如下步骤:
步骤一:使驾驶员在车辆处于不同工况下接管车辆,获取多个实验样本数据,构建实验样本数据库。
同工况指自动驾驶时驾驶员参与产生不同等级认知负荷的次任务,收到接管请求而接管车辆的情况。
实验样本数据包括接管前驾驶员生理特征数据、驾驶员接管绩效数据,驾驶员生理特征数据包括eSense指标和脑波指标,驾驶员接管绩效数据由驾驶员接管特征数据和接管后车辆行驶数据组成,驾驶员接管特征数据包括接管时间,车辆行驶数据包括驾驶员接管后车辆最大横向加速度、最大纵向减速度、最小碰撞时间。接管时间计算公式为:
Δt=t2-t1 (1)
式中:t1——接管请求发出的时刻(s);t2——驾驶员开始操作方向盘或制动踏板的时刻(s)。碰撞时间TTC计算公式为:
式中:Δl——本车与前车的纵向距离(m);v1——本车速度(m/s);v2——前车速度(m/s)。
对eSense和脑波指标数据进行Z-score标准化处理,Z-score标准化公式为:
式中:X*——标准化后的指标取值;X——原始实验数据中指标取值;μ——原始实验数据中指标平均值;σ——原始实验数据中指标标准差。
对eSense和脑波指标进行Friedman非参数检验,保留不同工况下有显著差异的t个指标,样本数据矩阵即为X=(xij)s*t,表示有s个样本,每个样本有t个指标。
步骤二:根据接管后车辆行驶数据统计特征赋予每个实验样本数据一个分类标签。
将驾驶员接管绩效数据进行归一化之后,对每个接管绩效指标,绘制累积频率曲线图,以其30%和70%累积频率对应指标值为阈值,将驾驶员的接管绩效分为三类:优秀、良好、不佳。
赋予分类标签方法为:如有两个及两个以上的接管绩效指标均对应接管绩效不佳,则将此次接管绩效定义为低等级绩效。以上述方法赋予每次接管一个接管绩效水平标签,结合每次接管前的驾驶员生理特征样本数据,二者结合作为样本数据集合。
步骤三:构建随机森林接管绩效预测模型,利用样本数据集合确定模型最优参数组合,实时预测接管绩效水平。
将驾驶员生理特征样本数据进行Z-score标准化,减少数据波动较大的变量对模型结果准确率的影响。
采用Bootstrap抽样方法,从样本数据集合中s个样本中随机的、有放回的抽取s’个样本,使用抽取的样本构建一棵决策树,其余s-s’个样本构成测试样本。
在训练决策树模型的节点的时候,在节点上所有的样本特征中选择m(m<t)个样本特征,在这些随机选择的部分样本特征中选择一个最优的特征来做决策树的左右子树划分,最优特征及分割阈值由最小的Gini系数决定,Gini系数计算公式为:
式中:K——将某一节点处的样本分为K类;pk——样本在第k类的概率。
为减少模型训练时长,选择一对其余的策略,将接管绩效三分类预测问题拆分成三个二分类问题,即绩效等级为“低”或“不低”,依此来训练决策树模型,此时Gini系数计算公式为:
Gini(p)=2p(1-p) (5)
式中:p——接管绩效水平为低的概率。重复上述步骤若干次,生成含有若干棵决策树的随机森林。
对随机森林模型中所需调整参数,按一定步长给定每个参数不同取值,采用网格搜索算法遍历参数的不同组合,形成高维参数空间,对每一种参数组合,采用十折交叉验证方法将实验样本数据平均划分为10份,分别取第1、2、…10份样本数据作为验证集,其余份作为训练集,得到10个验证分数,以平均分数作为每个参数组合最终验证分数,以此来训练模型,获得模型最优参数组合。
使用随机森林模型对样本x进行绩效预测:
式中:Hoob(x)——对样本x的绩效预测;T——决策树棵树;ht——单个决策树;y——预测结果;Y——预测结果集合;Dt——第t棵决策树的训练数据。
T棵决策树产生T个分类结果,即每棵决策树均将接管绩效预测为“低”或“不低”,若绩效水平为“低”获票数多,则最终接管绩效预测结果“低”,否则为“不低”。使用随机森林模型时,输入实时监测的9s时间窗内的驾驶员生理特征数据,可以实时获得预测接管绩效,当预测接管绩效为低等级时,系统可采取主动接管预警措施。
实施例
本实施例采用的驾驶员生理数据采集装置为脑电仪,可以以1HZ的频率输出α、β、γ、δ、θ等8组独立脑波原始数据以及脑电特征值eSense数值。对脑波和eSense指标进行Friedman非参数检验,Friedman非参数检验结果如表1所示:
表1Friedman非参数检验结果
注:“**”代表p<0.01;“*”代表p<0.05。
由表1可知,不同认知次任务下的δ波、θ波、高α波、低β波、低γ波以及三个eSense指标存在显著差异,p<0.05。
通过数据处理和分析提取脑波特征和eSense特征中的24个指标作为模型输入特征,采用Pearson相关系数矩阵去除强相关特征。降维后的模型输入特征一共12个,包括6种脑波特征、6种eSense特征,模型输入特征如表2所示:
表2模型输入特征
对每一个实验样本数据,采用累计频率曲线的方法确定绩效等级,将数据进行归一化之后,绘制累积频率曲线图,选取30%和70%的累积频率对所对应的指标值将驾驶员的接管绩效分为三类:优秀、良好、不佳。接管绩效分类情况和接管绩效指标累积频率分别如表3和表4所示。
表3接管绩效分类等级
表4接管绩效指标累积频率
当接管时间、最大横向加速度和最大纵向加速度的取值大于70%累积频率所对应的数值时,接管绩效归为不佳,当最小TTC的取值小于30%累积频率所对应的数值时,接管绩效归为不佳。对于同一接管片段,只要有两个及两个以上的接管绩效指标对应接管绩效不佳,就将此次接管绩效定义为低等级绩效。每次接管前9s时间窗内的生理特征数据及其标签形成样本数据集合。
使用样本数据集合训练随机森林模型并验证其有效性。使用模型时,输入实时监测的9s时间窗内的驾驶员生理特征数据,可以实时获得预测接管绩效。
上述内容仅为本发明的较佳实施例,并非用于限制本发明的实施方案,本领域普通技术人员根据本发明的主要构思和精神,可以十分方便地进行相应的变通或修改,故本发明的保护范围应以权利要求书所要求的保护范围为准。
Claims (10)
1.一种自动驾驶接管绩效预测方法,其特征在于,包括如下步骤:
步骤一、使驾驶员在车辆在不同工况下接管车辆,获取多个实验样本数据,构建实验样本数据库;
步骤二、根据接管后车辆行驶数据的统计特征,赋予实验样本数据分类标签;
步骤三、构建随机森林接管绩效预测模型,利用样本数据集合确定模型最优参数组合,实时预测接管绩效水平。
2.根据权利要求1所述的自动驾驶接管绩效预测方法,其特征在于,步骤一中,所述实验样本数据包括接管前驾驶员生理特征数据、驾驶员接管绩效数据,驾驶员生理特征数据包括eSense指标和脑波指标,驾驶员接管绩效数据由驾驶员接管特征数据和接管后车辆行驶数据组成。
5.根据权利要求1所述的自动驾驶接管绩效预测方法,其特征在于,步骤二中,将驾驶员接管绩效数据进行归一化之后,对每个接管绩效指标,绘制累积频率曲线图,以其30%和70%累积频率对应指标值为阈值,将驾驶员的接管绩效分为三类:优秀、良好、不佳;
赋予分类标签方法为:如有两个及两个以上的接管绩效指标均对应接管绩效不佳,则将此次接管绩效定义为低等级绩效;以上述方法赋予每次接管一个接管绩效水平标签,结合每次接管前的驾驶员生理特征样本数据,作为样本数据集合。
7.根据权利要求6所述的自动驾驶接管绩效预测方法,其特征在于,步骤三中,为减少模型训练时长,将接管绩效三分类预测问题拆分成三个二分类问题,即绩效等级为“低”或“不低”,依此训练决策树模型,此时Gini系数计算公式为:
Gini(p)=2p(1-p) (5)
式中:p——接管绩效水平为低的概率;重复上述步骤若干次,生成含有若干棵决策树的随机森林。
8.根据权利要求7所述的自动驾驶接管绩效预测方法,其特征在于,步骤三中,使用网格搜索算法遍历随机森林模型的决策树棵树和特征数参数组合,采用十折交叉验证方法依照参数组合反复训练随机森林模型,使用测试数据对模型进行验证,选择最优模型。
10.一种自动驾驶接管绩效预测系统,该系统应用权利要求1至9任一项所述的自动驾驶接管绩效预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211647652.5A CN116108972A (zh) | 2022-12-21 | 2022-12-21 | 一种自动驾驶接管绩效预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211647652.5A CN116108972A (zh) | 2022-12-21 | 2022-12-21 | 一种自动驾驶接管绩效预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116108972A true CN116108972A (zh) | 2023-05-12 |
Family
ID=86263022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211647652.5A Pending CN116108972A (zh) | 2022-12-21 | 2022-12-21 | 一种自动驾驶接管绩效预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116108972A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2022
- 2022-12-21 CN CN202211647652.5A patent/CN116108972A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Driving style recognition and comparisons among driving tasks based on driver behavior in the online car-hailing industry | |
CN109754110B (zh) | 一种牵引变流器故障的预警方法及系统 | |
CN111461185A (zh) | 一种基于改进K-means的驾驶行为分析方法 | |
CN109542081B (zh) | 一种基于线下车辆减速度曲线的线上行车危险估计方法 | |
Lyu et al. | Using naturalistic driving data to identify driving style based on longitudinal driving operation conditions | |
US20220383738A1 (en) | Method for short-term traffic risk prediction of road sections using roadside observation data | |
JP2014234113A (ja) | 車両用基準値生成装置 | |
CN110858312A (zh) | 基于模糊c均值聚类算法的驾驶员驾驶风格分类方法 | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及系统 | |
CN110562261B (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN116108972A (zh) | 一种自动驾驶接管绩效预测方法及系统 | |
CN109191828B (zh) | 基于集成学习的交通参与者事故风险预测方法 | |
Virojboonkiate et al. | Driver identification using histogram and neural network from acceleration data | |
Rovetta et al. | Detection of hazardous road events from audio streams: An ensemble outlier detection approach | |
Halim et al. | Deep neural network-based identification of driving risk utilizing driver dependent vehicle driving features: A scheme for critical infrastructure protection | |
CN115510990A (zh) | 一种模型训练方法和相关装置 | |
CN113673304B (zh) | 基于场景语义驱动的车载预期功能安全危害分析评估方法 | |
CN115762140B (zh) | 一种考虑变量异质性的高速公路交通事故风险预测方法 | |
CN116245365A (zh) | 一种车辆风险评估方法、装置、存储介质及电子设备 | |
CN111144772A (zh) | 一种基于数据挖掘的道路运输安全风险实时评估方法 | |
Feraud et al. | Are you a good driver? A data-driven approach to estimate driving style | |
CN115688003A (zh) | 驾驶员识别方法、装置、计算机设备及可读存储介质 | |
CN115527076A (zh) | 一种营运车辆异常驾驶行为识别模型的构建方法及系统 | |
Bhalerao et al. | Proposed design on driver behavioral analysis | |
Ding et al. | Finite mixture of the hidden Markov model for driving style analysis |
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 |