CN116975671A - L3级自动驾驶车辆驾驶员信任度评估方法及系统 - Google Patents
L3级自动驾驶车辆驾驶员信任度评估方法及系统 Download PDFInfo
- Publication number
- CN116975671A CN116975671A CN202310954122.3A CN202310954122A CN116975671A CN 116975671 A CN116975671 A CN 116975671A CN 202310954122 A CN202310954122 A CN 202310954122A CN 116975671 A CN116975671 A CN 116975671A
- Authority
- CN
- China
- Prior art keywords
- driver
- trust
- level
- subjective
- confidence
- 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 30
- 238000000034 method Methods 0.000 claims abstract description 83
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000002474 experimental method Methods 0.000 claims abstract description 12
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004088 simulation Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 9
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/005—Handover processes
- B60W60/0053—Handover processes from vehicle to occupant
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/005—Handover processes
- B60W60/0059—Estimation of the risk associated with autonomous or manual driving, e.g. situation too complex, sensor failure or driver incapacity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0003—In analogue systems, e.g. continuous systems
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种L3级自动驾驶车辆驾驶员信任度评估方法,包括如下步骤:步骤一、通过引入主观信任量表,获取自动驾驶接管实验的驾驶员信任度,对主观信任度进行量化分析;步骤二、采用K‑means聚类方法对主观信任度进行分级;步骤三、对驾驶接管的关键帧进行提取;步骤四、对提取的驾驶员状态进行编码;步骤五、建立基于卡尔曼滤波算法的驾驶员信任度评估方法。本发明能够为紧急接管场景下驾驶员信任度客观实时评估提供参考,有利于提高自动驾驶车辆的安全性与可靠性。
Description
技术领域
本发明属于交通安全领域,具体涉及一种L3级自动驾驶车辆驾驶员信任度评估方法及系统。
背景技术
近年来,自动驾驶成为交通领域的研究热点。美国汽车工业学会将自动驾驶从0到5定义了6个等级,L3级代表有条件的自动驾驶。当处于自动驾驶状态的车辆面对超过其能力范畴的危险紧急路况或处于失效与故障状态时,驾驶员需要进行应急处理,对车辆进行紧急接管。在L3级驾驶条件下,驾驶员经常从事与驾驶无关的次任务,对交通环境的认知与反应会有不同程度的降低,以致自动驾驶状态下驾驶员的风险响应时间要比人工驾驶时更长,极易引发交通冲突或事故。
现有的自动驾驶车辆驾驶员信任度评估方法中,主观量表法由于简单易实施的特点,在研究中广泛采纳,并在本领域中大量应用。随着研究深入,主观信任量表法的局限性逐渐显现,很难随着时间的推移重复获得和实时更新信任评估结果。因此,急需一种L3级自动驾驶车辆驾驶员信任度评估方法及系统,为智慧交通环境下驾驶员信任度的客观实时评估提供参考。
发明内容
本发明为解决上述问题,提出一种L3级自动驾驶车辆驾驶员信任度评估方法及系统。
本发明涉及一种L3级自动驾驶车辆驾驶员信任度评估方法,包括如下步骤:
步骤一、通过引入主观信任量表,获取自动驾驶接管实验的驾驶员信任度,对主观信任度进行量化分析;
步骤二、采用K-means聚类方法对主观信任度进行分级;
步骤三、对驾驶接管的关键帧进行提取;
步骤四、对提取的驾驶员状态进行编码;
步骤五、建立基于卡尔曼滤波算法的驾驶员信任度评估方法;
进一步地,步骤一中,基于主观信任量表对实验后的信任进行量化,量化方法为每名被试者的主观信任量表选项的数字平均值。
进一步地,步骤二中,采用K-means聚类方法将主观信任度划分为高信任组、中信任组和低信任组。
进一步地,步骤三中,选取接管关键帧的对应的时刻分别为:接管提示前2.0s、接管提示前1.0s、接管提示时0.0s、接管提示后1.0s和接管提示后2.0s。
进一步地,步骤四中,分别对驾驶员手部及脚部位置分类并编码为H1、H2、H3、F1、F2、F3。
进一步地,步骤五中,卡尔曼滤波算法分为预测更新和测量更新两个模块,计算公式如下:
式中,——t时刻的系统状态;Ft——t时刻的系统转移矩阵;Kt——t时刻的卡尔曼增益;Zt——t时刻的实际观测值;Ht——观测矩阵;Pt——误差矩阵;Rt——测量噪声协方差矩阵;Bt——输入控制矩阵;ut——输入控制量;Qt——过程噪声协方差矩阵;
应用经典的基于卡尔曼滤波器的连续状态估计方法来评估信任度在于估计器的连续输出度量有助于构建考虑信任度的接管绩效预测模型,为应用控制器和决策算法的设计奠定基础;通过具有重复测量效能的卡尔曼滤波器弱化与驾驶员行为的随机性相关的潜在影响,实现对驾驶员信任度的实时准确评估;
为有效开展方法的建立,采用布尔值将接管事件t对应的预警类型进行转换,转换方式如下:
①正确预警
②错误预警
③未预警
卡尔曼滤波器的实现需要定义可以实时测量和处理的观测变量,这些观测变量必须与待评估的变量(即信任度)相关,因此将驾驶员手部位置为H1时的频率hi和脚部位置为F1时的频率fi定义为卡尔曼滤波中的观测变量,同时结合主观信任度和预警类型布尔值,采用LTI系统状态空间模型来表示实验过程中驾驶员的动态信任水平,公式为:
式中,To(t+1)——第t+1次接管后被试者的客观信任度;
To(t)——第t次接管后被试者的客观信任度;
Jt+1,Lt+1,Mt+1——第t+1次接管事件预警类型的布尔值;
ht+1——第t+1次接管事件中驾驶员手部位置为H1级的频率;
ft+1——第t+1次接管事件中驾驶员脚部位置为F1级的频率;
A,B,C——待定系数矩阵,其中A=[a11],B=[b11,b12,b13],C=[c11,c21]T;
u(t)——预测过程的噪声,
w(t)——观测噪声,w(t)~Ν(0,∑w);
基于状态空间方程采用卡尔曼滤波算法对信任度进行评估,算法流程如下:
(1)对信任度和协方差进行初始化
式中,——算法评估的驾驶员初始客观先验信任度,实际应用中可用信任量表评估;
C——待定系数矩阵,C=[c11,c21]T;
h1——第1次接管事件中驾驶员手部位置为H1级的频率;
f1——第1次接管事件中驾驶员脚部位置为F1级的频率;
——/>的协方差;
(2)计算卡尔曼增益
式中,K——卡尔曼增益;
——/>的协方差;
∑w——观测噪声的标准差;
(3)驾驶员状态更新
式中,——t+1次接管事件算法评估的驾驶员手部位置为H1级的频率;
——t+1次接管事件算法评估的驾驶员脚部位置为F1级的频率;
——t次接管事件后算法评估的驾驶员先验客观信任度;
式中,ht+1——第t+1次接管事件驾驶员手部位置为H1级的频率;
ft+1——第t+1次接管事件驾驶员脚部位置为F1级的频率;
(4)驾驶员信任度更新
式中,To(t)——第t次接管后算法评估的驾驶员后验客观信任度;
∑To(t)——To(t)的协方差;
式中,——第t+1次接管事件后算法评估的驾驶员先验客观信任度;
——/>的协方差;
σu——预测过程噪声的标准差。
本发明还涉及一种应用上述方法的L3级自动驾驶车辆驾驶员信任度评估系统,该系统包括主观信任度评估模块、驾驶员状态特征提取装置和驾驶员信任度评估模块。
主观信任度评估模块为驾驶员在驾驶前后填写的主观信任量表;通过计算出的Cronbach’s alpha系数得到主观信任量表的信度水平,进行辅助分析,得到L3级自动驾驶车辆驾驶员的主观信任度。
驾驶员状态特征提取装置包括:罗技G29方向盘、油门刹车踏板套件、音响、接管仿真环境显示器、视频采集设备;罗技G29方向盘、油门刹车踏板套件、音响、接管仿真环境显示器用于实现驾驶员的模拟驾驶操作,视频采集设备用于采集驾驶员的手部和脚部特征。
驾驶员信任度评估模块为用于评估驾驶员信任度的卡尔曼滤波器;基于驾驶员手部和脚部特征的状态空间方程输入卡尔曼滤波器后,得到基于驾驶员状态特征的L3级自动驾驶车辆驾驶员的客观信任度。
有益效果
本发明以L3级自动驾驶条件下接管仿真实验为基础,结合主观信任评估结果,建立了基于驾驶员手部和脚部状态的信任度实时评估方法,并对驾驶员的信任度进行量化分级。研究成果为紧急接管场景下驾驶员信任度客观实时评估提供参考,有利于提高自动驾驶车辆的安全性与可靠性。
附图说明
图1为本发明L3级自动驾驶车辆驾驶员信任度评估系统结构示意图。
具体实施方式
以下结合图1对本实施方式具体进行说明。
本发明的L3级自动驾驶车辆驾驶员信任度评估方法与系统,包括如下步骤:
步骤一:通过引入主观信任量表,获取自动驾驶接管实验的驾驶员信任度,对主观信任度进行量化分析。
为获取实车驾驶实验后的驾驶员信任度,使用了等开发的主观信任问卷来评估驾驶员的主观信任度。该问卷的结构分为5个子量表(可靠性、熟悉度、信任、理解度和开发者意图)和19个题目,量表采用5级李克特式评分表,可以实现从多个维度详细评估驾驶员的主观信任水平。
基于主观信任量表对实验后的信任进行量化,量化方法为每名被试者的主观信任量表选项的数字平均值(部分题目应进行选项转置)。
在实验过程中,系统存在错误预警和未预警的情况,以此调控被试者对系统的信任度。为采集被试者在实验过程中的信任度变化,每次完成接管操作后被试者将填写一个简单选择题,选项有{显著降低,略有降低,不变,略有增加,显著增加},以此采集实验过程中被试者的信任度的动态变化情况。为统一被试者实验后的信任度和实验过程中的动态信任,将被试者的主观信任度定义为:
式中,Ts(t)——第t次接管后被试者的主观信任度;
Tsp——被试者实验后的主观信任度;
ΔTs(t+1)——第t+1次接管后被试者的主观信任度变化水平,其取值为{-2,-1,0,1,2},分别对应于{显著降低,略有降低,不变,略有增加,显著增加}。
步骤二:采用K-means聚类方法对主观信任度进行分级。
采用K-means聚类方法将驾驶员对自动驾驶系统的主观信任度划分为不同的等级。K-means聚类算法是一种常用的无监督聚类方法,它可将n个信任度评估结果(T1,T2,…,Tn)以最小化簇内方差为标准划分k个簇,每个信任度评估结果都属于最近的聚类中心(每个聚类的平均值)。K-means算法步骤如下:(1)确定聚类簇数;(2)为各聚类选择一个初始聚类中心;(3)将数据集中的数据按照最小距离原则分配到最邻近聚类;(4)计算每个聚类的信任度均值,更新聚类中心;(5)重复分配类别并更新聚类中心,直到各样本所属类别不再发生变化;(6)输出最终的聚类中心和k个簇划分。
基于上述步骤及K-means算法原理对步骤二中的信任度量化结果进行分级,首先应确定算法k值,即分类数,常用的k值选择方法有肘部法和轮廓系数法。肘部法的原理为计算数据集中所有样本点到其簇中心的误差平方和,选取误差平方和突然变小时的值(曲线拐点)作为算法的k值。而轮廓系数法则通过计算轮廓系数选取k值,所有样本点的轮廓系数的平均值越大,聚类效果越好,每个样本点的轮廓系数计算公式如下:
式中,si——某一个簇中的样本点i的轮廓系数;
ai——样本点i到与其属于同一个簇的其他样本点的距离的平均值,ai越小,样本点i归属于此类别的可能性越大;
bi——样本点i到其他簇中的所有样本的平均距离的最小值。
肘部法曲线拐点坐标为3,表明研究的最佳聚类数量为3个,而轮廓系数法中轮廓系数的最大值点为7,表明最佳聚类数量为7,考虑到聚类数量过多或过少不利于分析信任度变化对接管绩效指标的影响以及对接管绩效的预测模型构建。因此,本研究取最佳聚类数为3,采用K-means算法将驾驶员主观信任度分为高信任度、中信任度和低信任度三个不同的信任组,样本数量为150(30*5)个。
由聚类计算结果可知,150个主观信任度评估样本中有56个样本被聚类为低信任组,其聚类中心的信任度为2.80;58个样本被聚类为中信任组,其聚类中心为3.99;36个样本被聚类为高信任组,其聚类中心为5.26。
进一步分析不同信任组之间的差异,首先对三个信任组的信任水平进行正态性检验,结果表明在0.05的显著性水平下,样本并非显著地来自正态分布总体。因此采用Firedman非参数检验法检验组间差异,该方法不需要满足正态分布的假设,检验结果如表1所示。
表1不同信任组组间统计检验结果
由表1可知,检验结果表明三个信任组之间存在显著性的差异,低信任组(2.80±0.06)与中信任组(3.99±0.06)、高信任组(5.26±0.08)之间差异显著(p<0.01),中信任组(3.99±0.06)与高信任组(5.26±0.08)之间差异显著(p<0.01)。
步骤三:对驾驶接管的关键帧进行提取。
选取接管关键帧的对应的时刻分别为:接管提示前2.0s、接管提示前1.0s、接管提示时0.0s、接管提示后1.0s和接管提示后2.0s。
步骤四:对提取的驾驶员状态进行编码。
对每个接管事件中五张接管关键帧中的手部位置进行编码,每只手的位置可分为放松状态、悬停状态和控制状态,其中放松状态表示被试者的手不在方向盘上且不准备对车辆进行控制和输入,悬停状态表示被试者的手不在方向盘上但准备对车辆进行控制和输入,控制状态表示被试者的手在方向盘上。
根据驾驶员在驾驶过程中的投入程度,将双手的位置组合分为以下三个不同的类别:H1(双手均处于放松状态)、H2(一只手处于悬停状态,另一只手处于悬停或放松状态)和H3(至少一只手处于控制状态)。对驾驶员脚部位置分类并编码为:F1(右脚处于放松状态)、F2(右脚处于悬停状态)、F3(右脚处于控制状态)。
步骤五:建立基于卡尔曼滤波算法的驾驶员信任度评估方法。
卡尔曼滤波(Kalman Filtering)是一种估计系统最优状态的算法,利用线性的系统状态方程,融合输入的观测数据和估计数据,并对系统中的噪声和干扰进行过滤,将误差闭环管理,使得算法能够在长时间序列的运算中保持相对较小的误差,最终输出最优的系统状态。
卡尔曼滤波算法主要分为预测更新和测量更新两个模块,计算公式如下:
式中,——t时刻的系统状态;Ft——t时刻的系统转移矩阵;Kt——t时刻的卡尔曼增益;Zt——t时刻的实际观测值;Ht——观测矩阵;Pt——误差矩阵;Rt——测量噪声协方差矩阵;Bt——输入控制矩阵;ut——输入控制量;Qt——过程噪声协方差矩阵;
应用经典的基于卡尔曼滤波器的连续状态估计方法来评估信任度在于估计器的连续输出度量有助于构建考虑信任度的接管绩效预测模型,同时为未来应用中控制器和决策算法的设计奠定基础。其次,通过具有重复测量效能的卡尔曼滤波器可以弱化与驾驶员行为的随机性相关的潜在影响,实现对驾驶员信任度的实时准确评估。
为有效开展方法的建立,首先采用布尔值将接管事件t对应的预警类型进行转换,转换方式如下:
①正确预警
②错误预警
③未预警
卡尔曼滤波器的实现需要定义可以实时测量和处理的观测变量,这些观测变量必须与待评估的变量(即信任度)相关,因此将驾驶员手部位置为H1时的频率hi和脚部位置为F1时的频率fi定义为卡尔曼滤波中的观测变量,同时结合主观信任度和预警类型布尔值,采用LTI系统状态空间模型来表示实验过程中驾驶员的动态信任水平,公式为:
式中,To(t+1)——第t+1次接管后被试者的客观信任度;
To(t)——第t次接管后被试者的客观信任度;
Jt+1,Lt+1,Mt+1——第t+1次接管事件预警类型的布尔值;
ht+1——第t+1次接管事件中驾驶员手部位置为H1级的频率;
ft+1——第t+1次接管事件中驾驶员脚部位置为F1级的频率;
A,B,C——待定系数矩阵,其中A=[a11],B=[b11,b12,b13],C=[c11,c21]T;
u(t)——预测过程的噪声,
w(t)——观测噪声,w(t)~Ν(0,∑w)。
随后,基于状态空间方程采用卡尔曼滤波算法对信任度进行评估,算法流程如下:
(1)对信任度和协方差进行初始化
式中,——算法评估的驾驶员初始客观先验信任度,实际应用中可用信任量表评估;
C——待定系数矩阵,C=[c11,c21]T;
h1——第1次接管事件中驾驶员手部位置为H1级的频率;
f1——第1次接管事件中驾驶员脚部位置为F1级的频率;
——/>的协方差。
(2)计算卡尔曼增益
式中,K——卡尔曼增益;
——/>的协方差;
∑w——观测噪声的标准差。
(3)驾驶员状态更新
式中,——t+1次接管事件算法评估的驾驶员手部位置为H1级的频率;
——t+1次接管事件算法评估的驾驶员脚部位置为F1级的频率;
——t次接管事件后算法评估的驾驶员先验客观信任度。
式中,ht+1——第t+1次接管事件驾驶员手部位置为H1级的频率;
ft+1——第t+1次接管事件驾驶员脚部位置为F1级的频率。
(4)驾驶员信任度更新
式中,To(t)——第t次接管后算法评估的驾驶员后验客观信任度。
∑To(t)——To(t)的协方差。
式中,——第t+1次接管事件后算法评估的驾驶员先验客观信任度;
——/>的协方差;
σu——预测过程噪声的标准差。
本发明应用上述方法设计了L3级自动驾驶车辆驾驶员信任度评估系统,该系统包括主观信任度评估模块、驾驶员状态特征提取装置和驾驶员信任度评估模块。
主观信任度评估模块为驾驶员在驾驶前后填写的主观信任量表;通过计算出的Cronbach’s alpha系数得到主观信任量表的信度水平,进行辅助分析,得到L3级自动驾驶车辆驾驶员的主观信任度。
驾驶员状态特征提取装置包括:罗技G29方向盘、油门刹车踏板套件、音响、接管仿真环境显示器、视频采集设备;罗技G29方向盘、油门刹车踏板套件、音响、接管仿真环境显示器用于实现驾驶员的模拟驾驶操作,视频采集设备用于采集驾驶员的手部和脚部特征。
驾驶员信任度评估模块为用于评估驾驶员信任度的卡尔曼滤波器;基于驾驶员手部和脚部特征的状态空间方程输入卡尔曼滤波器后,得到基于驾驶员状态特征的L3级自动驾驶车辆驾驶员的客观信任度。
实施例
本实施例采用SCANeR studio软件作为驾驶模拟仿真平台,构建仿真场景,控制主车辆和其他车辆参数,实现自动驾驶与手动驾驶的切换。在实验过程中,自车需接管时采用自动挡模式,驾驶员在手动驾驶时仅须操作油门刹车踏板和方向盘。在模拟驾驶过程中,软件可实时记录车辆数据,包括车辆速度、加速度、方向盘转角、制动踏板变化曲线、油门开合度等数据。
实验场景设计为长12km的高速公路直线路段,依据《公路工程技术标准》(JTGB01-2014)选取该路段设计参数如下:路段限速120km/h,自动驾驶时的车速设定为110km/h,车道设计为双向八车道,每条车道宽度为3.75m,交通流设置为稳定流(15pcu/km·ln),天气设置为晴天。正式实验共设置四个接管场景,场景的预警类型分别为正确预警、错误预警、正确预警、未预警,且预警类型的出现顺序与预实验不同,不同接管场景触发点之间的距离为2.5km。
为获取充分的实验数据开展驾驶员信任度评估研究,招募30名驾驶员作为被试者,被试者平均年龄为21.2岁,平均驾龄为0.42年,平均驾驶里程为240.67km。通过对比分析XGBoost与随机森林等机器学习算法的准确率、F1值和Recall值等指标,发现XGBoost算法具有较好的预测精度,其各项评价指标均大于其余算法,从而验证了基于XGBoost算法的有效性。
本实施例中,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L3级自动驾驶车辆驾驶员信任度评估方法,其特征在于,包括如下步骤:
步骤一、通过引入主观信任量表,获取自动驾驶接管实验的驾驶员信任度,对主观信任度进行量化分析;
步骤二、采用K-means聚类方法对主观信任度进行分级;
步骤三、对驾驶接管的关键帧进行提取;
步骤四、对提取的驾驶员状态进行编码;
步骤五、建立基于卡尔曼滤波算法的驾驶员信任度评估方法。
2.根据权利要求1所述的L3级自动驾驶车辆驾驶员信任度评估方法,其特征在于,步骤一中,基于主观信任量表对实验后的信任进行量化,量化方法为每名被试者的主观信任量表选项的数字平均值。
3.根据权利要求1所述的L3级自动驾驶车辆驾驶员信任度评估方法,其特征在于,步骤二中,采用K-means聚类方法将主观信任度划分为高信任组、中信任组和低信任组。
4.根据权利要求1所述的L3级自动驾驶车辆驾驶员信任度评估方法,其特征在于,步骤三中,选取接管关键帧的对应的时刻分别为:接管提示前2.0s、接管提示前1.0s、接管提示时0.0s、接管提示后1.0s和接管提示后2.0s。
5.根据权利要求1所述的L3级自动驾驶车辆驾驶员信任度评估方法,其特征在于,步骤四中,分别对驾驶员手部及脚部位置分类并编码为H1、H2、H3、F1、F2、F3。
6.根据权利要求1所述的L3级自动驾驶车辆驾驶员信任度评估方法,其特征在于,步骤五中,卡尔曼滤波算法分为预测更新和测量更新两个模块,计算公式如下:
式中,——t时刻的系统状态;Ft——t时刻的系统转移矩阵;Kt——t时刻的卡尔曼增益;Zt——t时刻的实际观测值;Ht——观测矩阵;Pt——误差矩阵;Rt——测量噪声协方差矩阵;Bt——输入控制矩阵;ut——输入控制量;Qt——过程噪声协方差矩阵;
应用经典的基于卡尔曼滤波器的连续状态估计方法来评估信任度在于估计器的连续输出度量有助于构建考虑信任度的接管绩效预测模型,为应用控制器和决策算法的设计奠定基础;通过具有重复测量效能的卡尔曼滤波器弱化与驾驶员行为的随机性相关的潜在影响,实现对驾驶员信任度的实时准确评估;
为有效开展方法的建立,采用布尔值将接管事件t对应的预警类型进行转换,转换方式如下:
①正确预警
②错误预警
③未预警
卡尔曼滤波器的实现需要定义可以实时测量和处理的观测变量,这些观测变量必须与待评估的变量相关,因此将驾驶员手部位置为H1时的频率hi和脚部位置为F1时的频率fi定义为卡尔曼滤波中的观测变量,同时结合主观信任度和预警类型布尔值,采用LTI系统状态空间模型来表示实验过程中驾驶员的动态信任水平,公式为:
式中,To(t+1)——第t+1次接管后被试者的客观信任度;
To(t)——第t次接管后被试者的客观信任度;
Jt+1,Lt+1,Mt+1——第t+1次接管事件预警类型的布尔值;
ht+1——第t+1次接管事件中驾驶员手部位置为H1级的频率;
ft+1——第t+1次接管事件中驾驶员脚部位置为F1级的频率;
A,B,C——待定系数矩阵,其中A=[a11],B=[b11,b12,b13],C=[c11,c21]T;
u(t)——预测过程的噪声,
w(t)——观测噪声,w(t)~Ν(0,∑w);
基于状态空间方程采用卡尔曼滤波算法对信任度进行评估,算法流程如下:
(1)对信任度和协方差进行初始化
式中,——算法评估的驾驶员初始客观先验信任度,实际应用中可用信任量表评估;
C——待定系数矩阵,C=[c11,c21]T;
h1——第1次接管事件中驾驶员手部位置为H1级的频率;
f1——第1次接管事件中驾驶员脚部位置为F1级的频率;
——/>的协方差;
(2)计算卡尔曼增益
式中,K——卡尔曼增益;
——/>的协方差;
∑w——观测噪声的标准差;
(3)驾驶员状态更新
式中,——t+1次接管事件算法评估的驾驶员手部位置为H1级的频率;
——t+1次接管事件算法评估的驾驶员脚部位置为F1级的频率;
——t次接管事件后算法评估的驾驶员先验客观信任度;
式中,ht+1——第t+1次接管事件驾驶员手部位置为H1级的频率;
ft+1——第t+1次接管事件驾驶员脚部位置为F1级的频率;
(4)驾驶员信任度更新
式中,To(t)——第t次接管后算法评估的驾驶员后验客观信任度;
∑To(t)——To(t)的协方差;
式中,——第t+1次接管事件后算法评估的驾驶员先验客观信任度;
——/>的协方差;
σu——预测过程噪声的标准差。
7.一种用于实施权利要求1至6任一项所述的L3级自动驾驶车辆驾驶员信任度评估方法的系统,其特征在于,所述系统包括主观信任度评估模块、驾驶员状态特征提取装置和驾驶员信任度评估模块。
8.根据权利要求7所述的L3级自动驾驶车辆驾驶员信任度评估方法的系统,其特征在于,所述主观信任度评估模块为驾驶员在驾驶前后填写的主观信任量表;通过计算出的Cronbach’s alpha系数得到主观信任量表的信度水平,进行辅助分析,得到L3级自动驾驶车辆驾驶员的主观信任度。
9.根据权利要求7所述的L3级自动驾驶车辆驾驶员信任度评估方法的系统,其特征在于,所述驾驶员状态特征提取装置包括:罗技G29方向盘、油门刹车踏板套件、音响、接管仿真环境显示器、视频采集设备;罗技G29方向盘、油门刹车踏板套件、音响、接管仿真环境显示器用于实现驾驶员的模拟驾驶操作,视频采集设备用于采集驾驶员的手部和脚部特征。
10.根据权利要求7所述的L3级自动驾驶车辆驾驶员信任度评估方法的系统,其特征在于,所述驾驶员信任度评估模块为用于评估驾驶员信任度的卡尔曼滤波器;基于驾驶员手部和脚部特征的状态空间方程输入卡尔曼滤波器后,得到基于驾驶员状态特征的L3级自动驾驶车辆驾驶员的客观信任度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310954122.3A CN116975671A (zh) | 2023-08-01 | 2023-08-01 | L3级自动驾驶车辆驾驶员信任度评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310954122.3A CN116975671A (zh) | 2023-08-01 | 2023-08-01 | L3级自动驾驶车辆驾驶员信任度评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116975671A true CN116975671A (zh) | 2023-10-31 |
Family
ID=88479237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310954122.3A Pending CN116975671A (zh) | 2023-08-01 | 2023-08-01 | L3级自动驾驶车辆驾驶员信任度评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116975671A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275655A (zh) * | 2023-11-15 | 2023-12-22 | 中国人民解放军总医院第六医学中心 | 一种基于人工智能的病案统计整理方法及系统 |
-
2023
- 2023-08-01 CN CN202310954122.3A patent/CN116975671A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275655A (zh) * | 2023-11-15 | 2023-12-22 | 中国人民解放军总医院第六医学中心 | 一种基于人工智能的病案统计整理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116975671A (zh) | L3级自动驾驶车辆驾驶员信任度评估方法及系统 | |
CN112668172B (zh) | 考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型 | |
CN112541632A (zh) | 一种基于多属性决策的驾驶行为安全性评估方法 | |
CN113516846B (zh) | 车辆换道行为预测模型构建、预测预警方法及系统 | |
CN113468670B (zh) | 一种自动驾驶车辆整车级别的性能评价方法 | |
Jin et al. | Study on the impact degrees of several driving behaviors when driving while performing secondary tasks | |
CN113487197A (zh) | 一种基于topsis评价模型的车联网信息筛选方法 | |
CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
CN113761715B (zh) | 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法 | |
CN112632705B (zh) | 一种基于gmm和高斯过程回归的路感模拟方法 | |
CN112749508B (zh) | 一种基于gmm和bp神经网络的路感模拟方法 | |
CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
CN112632706A (zh) | 一种基于gmm和cart回归树的路感模拟方法 | |
CN109784768B (zh) | 一种驾驶任务识别方法 | |
CN114162132B (zh) | 一种基于主客观评价的驾驶模式识别方法 | |
CN116703612A (zh) | 一种汽车保险风险等级评估方法 | |
CN114648114B (zh) | 基于受限玻尔兹曼机的驾驶员活跃程度识别方法及系统 | |
CN112319479B (zh) | 一种基于车辆信任度的车辆纵向行驶安全距离预估方法 | |
CN115795833A (zh) | 一种考虑驾驶员反应时间的交通流模型仿真方法 | |
CN112528568B (zh) | 一种基于K-Means和BP神经网络的路感模拟方法 | |
CN112937587A (zh) | 基于K-Medoids和分类回归树的路感模拟方法 | |
CN112651134A (zh) | 基于高斯过程回归的转向路感模拟方法 | |
Mechernene et al. | Lane change decision algorithm based on risk prediction and fuzzy logic method | |
CN114564110B (zh) | 基于脑电数据的驾驶学习能力检测方法及系统 | |
CN117370864A (zh) | 一种驾驶技能量化与分类方法 |
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 |