兩車交互場景中的車輛交通協(xié)調(diào)性評價方法＊

陳君毅 陳磊 蒙昊藍(lán) 熊璐

（同濟(jì)大學(xué)，上海 201804）

1 前言

隨著自動駕駛技術(shù)的發(fā)展，自動駕駛汽車在現(xiàn)實(shí)道路上的滲透率將逐步提高[1]。為促進(jìn)智能汽車技術(shù)的不斷進(jìn)步，Meng[2]提出了基于行駛自治性、學(xué)習(xí)進(jìn)化性和交通協(xié)調(diào)性的智能性評價框架，其中，交通協(xié)調(diào)性是指車輛對交互趨勢的預(yù)判能力以及對交互行為的實(shí)施能力，用來刻畫車輛社會合作能力。在智能系統(tǒng)社會行為方面，基于社會化行為的智能系統(tǒng)決策規(guī)劃算法也被廣泛地研究[3-5]。由此可見，車輛社會合作行為正在成為行業(yè)內(nèi)的研究熱點(diǎn)，影響著自動駕駛技術(shù)的社會接受度。因此，研究一種合適的評價方法來考察自動駕駛汽車交通協(xié)調(diào)性是非常重要的。

目前，國內(nèi)外針對自動駕駛汽車評價技術(shù)已開展了較多的研究。在評價空間尺度方面，現(xiàn)有研究多通過單車行駛行為評價車輛本身在一定外界條件下的某項(xiàng)或多項(xiàng)能力，如：Dong[6]針對自動駕駛U 型轉(zhuǎn)彎工況，考察自動駕駛汽車的智能性、合規(guī)性和感知能力；Sun等[7]針對避障和U 型轉(zhuǎn)彎等綜合行駛工況，考察車輛安全性、舒適性及軌跡平滑度。

在評價方法方面，現(xiàn)有研究多以主觀評價為主。王越超等[8]提出了蛛網(wǎng)模型，利用專家的知識、經(jīng)驗(yàn)評價車輛智能性；Zhang[9]提出了一種基于層次分析的評價方法，通過專家對指標(biāo)的權(quán)重評判和評分得到智能性的量化得分結(jié)果。也有學(xué)者采用基于層次分析的模糊綜合評價法，實(shí)現(xiàn)智能汽車綜合性能的量化評價[10-11]。為了降低主觀因素的影響，部分學(xué)者開始探索主、客觀映射評價方法。Du等[12]通過BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了自動泊車系統(tǒng)主觀評價得分與客觀行駛數(shù)據(jù)之間的映射關(guān)系模型。

綜上所述：在評價空間尺度方面，現(xiàn)有評價方法都只針對單車行駛行為，缺乏考慮自動駕駛汽車與其他交通參與者的交互情況；在評價方法方面，多以主觀評價為主，由于每次評價的評判標(biāo)準(zhǔn)無法保證統(tǒng)一，導(dǎo)致評價結(jié)果不穩(wěn)定，且無法支持自動化評價，評價效率較低。

本文針對匝道匯入的兩車交互場景，以主觀評價結(jié)果作為輸出，選取客觀表征指標(biāo)集作為輸入，并設(shè)計單一交互測試用例，進(jìn)行仿真采集數(shù)據(jù)，進(jìn)而對基于神經(jīng)網(wǎng)絡(luò)的映射評價模型進(jìn)行訓(xùn)練和驗(yàn)證。

2 映射評價模型構(gòu)建方法

2.1 模型輸入與輸出

BP 神經(jīng)網(wǎng)絡(luò)可以模擬人體大腦神經(jīng)系統(tǒng)的功能，從已知數(shù)據(jù)中自動地歸納規(guī)則，進(jìn)而獲得這些數(shù)據(jù)的內(nèi)在規(guī)律，具有很強(qiáng)的非線性映射能力[13-14]，能很好地應(yīng)用于分類和回歸等問題。因此，本文通過BP 神經(jīng)網(wǎng)絡(luò)來構(gòu)建映射關(guān)系模型。

為確定模型輸入，本文以研究團(tuán)隊的前序研究為基礎(chǔ)[15]，根據(jù)自動駕駛汽車交通協(xié)調(diào)性內(nèi)涵，即交互質(zhì)量、交互效率和對車內(nèi)人員舒適度的影響[2]，設(shè)計了與之對應(yīng)的智能性、高效性和舒適性3項(xiàng)評價準(zhǔn)則。在智能性方面，交互質(zhì)量是圖靈思想的重要體現(xiàn)，在自車乘員視角和對手車駕駛員視角分別表現(xiàn)為自動駕駛汽車行為合理度和擬人度[16]；在高效性方面，在自動駕駛汽車綜合性能評價研究中，其通常以任務(wù)完成效率來表示[6]；在舒適性方面，相關(guān)研究表明，其受自動駕駛汽車行為控制和外部行駛環(huán)境等綜合影響，可分為體感舒適度和觀感舒適度[17]。因此，本文提出了描述交通協(xié)調(diào)性的5類子準(zhǔn)則，如圖1所示。

根據(jù)交通協(xié)調(diào)性評價子準(zhǔn)則含義，選取相對應(yīng)的客觀表征指標(biāo)。擬人度是指自動駕駛汽車行駛行為與人類的接近程度，低擬人度會導(dǎo)致對手車因不適應(yīng)自車行為而受到影響，故以對手車速度變化δv反映自車行為擬人度。合理度通常用來度量自動駕駛汽車路徑規(guī)劃的質(zhì)量[6]，對于本文匝道匯入場景而言，以自車合并距離D來反映自車匯入路徑合理度。任務(wù)完成效率通常以任務(wù)完成度和完成時間來衡量，本文采用自車變道時間t和成功變道率φ表征匯入任務(wù)完成效率。車內(nèi)人員體感舒適度和觀感舒適度分別受自車運(yùn)動狀態(tài)和兩車相對運(yùn)動狀態(tài)的影響[18]，故以自車并線過程的最大縱向加速度ax、最大前輪轉(zhuǎn)角δ來反映縱向和側(cè)向體感舒適度，以自車并線過程的兩車最小車頭間距Dx、最小車頭時距tTHW和最小側(cè)向間距Dy、最大側(cè)向相對速度Δv反映縱向和側(cè)向上的觀感舒適度?；诖?，建立由上述指標(biāo)構(gòu)成的客觀表征指標(biāo)集。

圖1 交通協(xié)調(diào)性評價準(zhǔn)則

為確定模型輸出，考慮到單個視角對交互過程的觀察有限，無法僅通過自車視角來理解和評估自車行為對對手車的影響，故提出了對手車駕駛員、自車乘員以及全局俯視視角3類視角。其中，對手車駕駛員視角用于評估自車行為對對手車的影響，自車視角及全局俯視視角用于評估自車在混合交通中的交互質(zhì)量和對乘員舒適性的影響。由多個專家組成的評價組通過該3 類視角對智能汽車交通協(xié)調(diào)性表現(xiàn)進(jìn)行全方位評價，然后計算所有專家評價結(jié)果的平均值作為模型輸出。

2.2 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

BP 神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層3 個部分組成。輸入層的每個節(jié)點(diǎn)為每項(xiàng)客觀表征指標(biāo)集的實(shí)測數(shù)據(jù)；輸出層為對智能汽車交通協(xié)調(diào)性表現(xiàn)的主觀評價結(jié)果。

理論分析[19]證明，具有單隱含層的網(wǎng)絡(luò)可以映射所有的連續(xù)函數(shù)，而增加隱含層數(shù)量雖然可以在一定程度上降低網(wǎng)絡(luò)誤差、提高精度，但會使網(wǎng)絡(luò)復(fù)雜化，且易出現(xiàn)過擬合現(xiàn)象。所以一般優(yōu)先考慮3 層BP 神經(jīng)網(wǎng)絡(luò)（即含有1個隱含層），如圖2所示。

隱含層神經(jīng)元數(shù)量L的選擇對網(wǎng)絡(luò)模型的訓(xùn)練也非常重要，其與輸入和輸出的指標(biāo)數(shù)量均相關(guān)[12,20]，其大概范圍可由式（1）得到：

式中，m為輸入層神經(jīng)元數(shù)量；n為輸出層神經(jīng)元數(shù)量；α為0～10范圍內(nèi)的整數(shù)。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

3 試驗(yàn)樣本生成

交通協(xié)調(diào)性評價模型的構(gòu)建需要不同交互類型樣本數(shù)據(jù)的支撐?；诮换y試樣本生成的目的，為滿足交互測試的高效性、數(shù)據(jù)采集的方便性，本文選擇在仿真環(huán)境下開展研究。

3.1 測試環(huán)境設(shè)計

本文利用PreScan以G15沈海高速上海某段匝道匯入路口的車道尺寸數(shù)據(jù)為基礎(chǔ)，構(gòu)建兩車道高速公路匝道口匯入路段如圖3 所示，其中，A、B、C、D代表自車匯入行車道的大致位置，仿真環(huán)境如圖4 所示，匝道口匯入路段各部分的長度和功能如表1所示。

圖3 高速公路匝道口匯入場景示意

圖4 匝道匯入仿真環(huán)境

表1 高速公路匝道口匯入路段道路明細(xì)

3.2 試驗(yàn)樣本設(shè)計

為了獲取典型的匝道匯入單一交互測試用例，本文采用交互因素屬性組合的方式進(jìn)行用例設(shè)計。結(jié)合場景要素的研究基礎(chǔ)[21]，動態(tài)要素通常包括自車行為信息、對手車行為信息以及車間行為信息。故，本文設(shè)定6 種因素如表2 所示，然后對各因素的不同屬性進(jìn)行正交排列組合，同時考慮屬性之間的相關(guān)性并篩除不合理的組合情況，最終得到30組不同類型的交互測試用例，所有測試用例在測試開始時的車速均為60 km/h。

表2 交互組合因素屬性

3.3 駕乘人員在環(huán)仿真

為了在仿真環(huán)境中進(jìn)行單一交互測試用例仿真，并記錄自車和對手車的交互過程數(shù)據(jù)，本文搭建了駕乘人員在環(huán)仿真平臺，平臺框架如圖5所示。

圖5 駕乘人員在環(huán)仿真平臺

在仿真過程中，測試人員通過PreScan 實(shí)時輸出的視景信息獲得道路交通情況，進(jìn)而利用駕駛模擬器分別控制仿真環(huán)境中自車和對手車輛的油門、制動和轉(zhuǎn)向，模擬所設(shè)計的測試用例中不同駕駛風(fēng)格、決策、車輛動力學(xué)控制方式、匯入位置和匯入相對位置。然后，車輛控制信號通過MATLAB 中的車輛動力學(xué)模型輸出仿真車輛運(yùn)行狀態(tài)數(shù)據(jù)，同時在仿真環(huán)境中實(shí)時更新并展示給測試人員，最終完成不同類型的交互測試。

該仿真平臺可記錄測試過程中的車輛行駛狀態(tài)數(shù)據(jù)，并經(jīng)數(shù)據(jù)處理獲得最終的客觀表征指標(biāo)集的實(shí)測數(shù)據(jù)；同時，評價專家通過觀察對手車駕駛員視角、自車乘員視角及全局俯視視角視頻，采用差-、差、差+、較差-、較差、較差+、中-、中、中+、較好-、較好、較好+、好-、好和好+共15 個等級對每個測試用例中車輛交通協(xié)調(diào)性表現(xiàn)進(jìn)行主觀評價，且分別用數(shù)字1～15 來量化評價等級，獲得主觀評價結(jié)果，用S表示。

3.4 試驗(yàn)樣本數(shù)據(jù)及分析

30組試驗(yàn)樣本實(shí)測數(shù)據(jù)如表3所示。其中：自車合并距離D指自車匯入點(diǎn)位置與加速車道起始端的距離；對手車速度變化δv指自車開始并線到進(jìn)入目標(biāo)車道過程中對手車受自車行為影響的車速變化量；自車變道時間t基于自車與匝道口虛線的相對位置定義，指自車車頭開始壓線到自車車尾過線所用時間；自車成功變道率φ以自車從駛?cè)爰铀佘嚨赖匠晒R入目標(biāo)車道的過程中采取的變道行為次數(shù)的倒數(shù)表示；自車最大縱向加速度ax、自車最大前輪轉(zhuǎn)角δ和兩車最大側(cè)向相對速度Δv取從自車開始變道到進(jìn)入目標(biāo)車道的過程中側(cè)向相對速度的最大值；兩車最小側(cè)向間距Dy、兩車最小縱向間距Dx和兩車最小車頭時距tTHW取從自車開始變道到進(jìn)入目標(biāo)車道過程中指標(biāo)數(shù)據(jù)的最小值，其中tTHW是兩車縱向間距與后車車速的比值。

為了刻畫客觀表征指標(biāo)集中每個參數(shù)的范圍，本文針對測試樣本的客觀指標(biāo)實(shí)測數(shù)據(jù)進(jìn)行描述性統(tǒng)計，結(jié)果如表4所示。

表3 試驗(yàn)樣本實(shí)測數(shù)據(jù)

表4 客觀指標(biāo)數(shù)據(jù)描述性統(tǒng)計結(jié)果

為了分析客觀表征指標(biāo)集中各指標(biāo)與主觀評價結(jié)果的相關(guān)性，本文利用SPSS數(shù)據(jù)分析軟件對30組測試樣本數(shù)據(jù)進(jìn)行皮爾遜（Pearson）相關(guān)性分析，統(tǒng)計分析結(jié)果如表5所示。

表5 客觀指標(biāo)與主觀評價結(jié)果相關(guān)性分析

統(tǒng)計分析結(jié)果表明：自車合并距離和兩車最小車頭時距與主觀評價結(jié)果不存在顯著相關(guān)性（P＞0.05）；其他客觀指標(biāo)與主觀評價結(jié)果存在顯著相關(guān)性（P≤0.05）。因此，本文最終選取除自車合并距離和兩車最小車頭時距之外的其他8項(xiàng)客觀指標(biāo)作為客觀表征指標(biāo)集，進(jìn)而與主觀評價結(jié)果構(gòu)建映射關(guān)系模型。

4 模型訓(xùn)練及驗(yàn)證

在30 組樣本數(shù)據(jù)中，本文隨機(jī)選取了22 組作為訓(xùn)練樣本，分別將歸一化處理后的客觀表征指標(biāo)的實(shí)測數(shù)據(jù)和主觀評價結(jié)果作為映射模型的訓(xùn)練輸入和期望輸出，然后使用MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行訓(xùn)練，從而獲得映射評價模型。利用其余的8 組經(jīng)歸一化處理后的樣本數(shù)據(jù)對評價模型的有效性進(jìn)行驗(yàn)證。

4.1 數(shù)據(jù)歸一化處理方法

神經(jīng)網(wǎng)絡(luò)輸入、輸出數(shù)據(jù)的單位和數(shù)量級都不相同，數(shù)據(jù)數(shù)量級差別較大可能造成網(wǎng)絡(luò)預(yù)測誤差較大，并且對輸入和輸出數(shù)據(jù)進(jìn)行一定的預(yù)處理，可以加快網(wǎng)絡(luò)的訓(xùn)練速度。因此，對數(shù)據(jù)進(jìn)行歸一化預(yù)處理：

式中，Ni為第i個數(shù)據(jù)的歸一化處理結(jié)果；xi為第i個數(shù)據(jù)的原始值；xmax、xmin分別為數(shù)據(jù)的理論最大值和最小值。

4.2 模型訓(xùn)練參數(shù)

利用式（1）計算，并經(jīng)多次調(diào)試，最終選擇隱含層神經(jīng)元數(shù)量為6 個。神經(jīng)網(wǎng)絡(luò)模型性能優(yōu)劣除與選擇的隱含層數(shù)量、神經(jīng)元數(shù)量有關(guān)，還與傳遞函數(shù)、訓(xùn)練函數(shù)以及神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練參數(shù)有關(guān)。本文采用的訓(xùn)練函數(shù)為Trainlm，傳遞函數(shù)分別為Logsig、Tansig 和Purelin，訓(xùn)練參數(shù)如表6所示。

表6 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

4.3 訓(xùn)練及驗(yàn)證結(jié)果

模型訓(xùn)練的均方誤差如圖6所示，由圖6可知：隨著迭代次數(shù)的增加，均方誤差逐漸減小，最小為1.134×10-5，小于目標(biāo)均方誤差；模型的輸出值與期望輸出值的線性回歸系數(shù)R=0.999 82，說明該模型的性能較好，能很好地實(shí)現(xiàn)客觀指標(biāo)數(shù)據(jù)到主觀評價的映射。

圖6 訓(xùn)練均方誤差曲線

模型訓(xùn)練的擬合結(jié)果如圖7所示，映射模型歸一化評價得分與主觀評價得分很接近，平均誤差為0.002 3，最大誤差為0.009 2。

圖7 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練擬合結(jié)果

通過輸入8 個驗(yàn)證樣本的客觀指標(biāo)數(shù)據(jù)，獲得模型評價得分，并與主觀評價得分進(jìn)行比較，結(jié)果如表7所示。

表7 映射評價模型驗(yàn)證結(jié)果

本文采用各樣本數(shù)據(jù)評價精度的平均值作為模型精度，計算公式為：

式中，Ψ為映射評價模型精度；ri、pi分別為第i個驗(yàn)證樣本的模型評價和主觀評價歸一化得分。

根據(jù)表8的驗(yàn)證結(jié)果，計算可得映射評價模型的精度為92.8%，模型評價精度較高，能夠較為準(zhǔn)確地通過客觀表征指標(biāo)實(shí)測數(shù)據(jù)評價車輛交通協(xié)調(diào)性表現(xiàn)。

研究結(jié)果驗(yàn)證了基于BP神經(jīng)網(wǎng)絡(luò)的映射評價方法的可行性和準(zhǔn)確性，應(yīng)用該模型，只需計算客觀指標(biāo)數(shù)據(jù)即可得到符合專家主觀評價標(biāo)準(zhǔn)的得分，省去了繁瑣的專家主觀打分過程。由于用作評價模型輸入的所有數(shù)據(jù)的歸一化處理均由預(yù)先編寫的程序完成，評價模型可在較短時間內(nèi)獲得結(jié)果。該評價模型適用于自動化評價大批量交互樣本，評價效率較高。

5 結(jié)束語

本文以匝道匯入處的兩車交互場景為例，提出了基于BP 神經(jīng)網(wǎng)絡(luò)的交通協(xié)調(diào)性主、客觀映射評價方法。通過分析交通協(xié)調(diào)性評價準(zhǔn)則，構(gòu)建了描述兩車交互行為的客觀表征指標(biāo)集；設(shè)計了30組單一交互測試用例，并在駕乘人員在環(huán)仿真平臺上進(jìn)行仿真采集數(shù)據(jù)。評價模型訓(xùn)練和驗(yàn)證結(jié)果表明，模型的評價得分與專家主觀評價得分相近，模型精度達(dá)到92.8%。

未來將對復(fù)雜交通流環(huán)境下的交通協(xié)調(diào)性評價方法進(jìn)行研究。其一，由于復(fù)雜交通流將涉及多輛對手車，車輛之間的交互次數(shù)將增加；其二，多車之間的交互行為表現(xiàn)更為復(fù)雜和時變；其三，對多車形成的局部交通的觀察及評價的空間尺度將較兩車交互更大。因而需要針對這些特點(diǎn)，進(jìn)一步研究主、客觀映射評價方法。