文摘

接管的评估性能和接管安全性能提高接管性能至关重要的条件自动驾驶,而很少有研究试图接管安全性能进行了评价。本研究应用二进制逻辑模型构造一个接管安全性能评价模型。接管驾驶模拟器成立,接管进行了仿真实验。在实验中,数据收集来自15个参与者接管了车辆和执行应急机动规避在执行non-driving-related任务(NDRT)。校准异常轨迹,采用卡尔曼滤波器过滤干扰车辆定位数据和基于规则的信念(马上回来)方法提出警告不规则驾驶行为。结果显示,男性参与者的事故发生率高于女性参与者的三频接管实验,和女性参与者的整体驾驶性能高于男性参与者。同时,中等和高接管频率有显著影响的预防车辆碰撞。接管安全性能评价模型,最小时间碰撞(TTC) 2.3 s作为危险组和安全组之间的边界,和模型的预测准确率为87.7%。总之,本研究丰富了现有的安全绩效评估研究有条件地自动驾驶接管,为驾驶模拟器的设计提供重要的意义和人机性能和安全性评价的接管。

1。介绍

近年来,随着强劲的促进通信技术,计算机技术,汽车传感器的发展,和车辆定位系统,自动驾驶技术的研究和发展不断提升。有全面发展无论是对知觉的研究,决策,控制自动驾驶的车辆,或真正的实施以企业为核心的汽车测试。2020年2月,“智能汽车创新发展战略”颁发的国家发展和改革委员会会同11个部门(1)指出,到2025年,技术创新、基础设施、法规和标准、产品监督和网络安全系统的标准应该形成智能汽车,和大规模生产的条件自动车辆进行实现高度自动化车辆相关的应用场景。然而,在当前阶段,仍有许多问题需要解决在自动驾驶技术的司机接受和行车安全。

验收的自动车辆在澳大利亚研究表明,尽管大多数受访者同意自动汽车的潜在好处,他们仍有相当大的担忧自动化车辆(2]。袁et al。3)使用感知价值和信任的创新扩散理论建立理论模型,识别潜在因素和测试他们的相互关系,使用结构方程模型分析从问卷调查获得的数据。研究结果指出,创新扩散属性的影响公众接受完全是由公众的感知价值的自动车辆,以及感知价值的影响在一定程度上对公众接受监管的公众信任的自动化工具。通过扩展技术接受模型(TAM)与社会和个人因素,Zhang et al。4)提出了自动驾驶接受模型,旨在研究社会和个人因素的作用自动接受的车辆。结果表明,感知因素对用户的意图产生重大影响的初始阶段自主驾驶商业化,和社会影响和初始信任产生最大的影响在用户验收。Haghzare et al。5]显示,年长的老人,接受越低,但老年人的整体验收自动驾驶是非常高的。

关于自动车辆的行车安全,发布的一份研究报告公路安全保险学会(IIHS)在2020年指出,在5000年的原因分析主要在美国发生的车祸,每年自动车辆只能减少1/3的事故。然而,特斯拉的安全报告显示,2021年第一季度,自动驾驶仪使汽车安全近9倍。自动打开后,事故发生时每674万公里,这是低于全国车辆统计的8.66倍。王等人。69)的安全性和有效性评估通过分析常见的和重要的自动驾驶技术和测试这些技术在6个国家进行全面、定量的评估自动驾驶技术的安全性和有效性。结果表明,如果所有的技术实现了在这六个国家,平均340万可以减少交通事故,其中印度最大的减少(54.24%)。肖et al。7]美国情况下基于荟萃分析研究,据估计,智能和连接车辆会减少致命事故的数量在2025年和2035年的5%和13%,分别。

目前,自动化车辆在L2和L3过渡阶段。收购的主要影响因素的性能L3自动化车辆收购请求(TOR),司机年龄,NDRT。Yoon et al。8]设计7类型的自动车辆收购提示与视觉,听觉,触觉,和混合的感觉。实验结果表明,司机的接管效果差时只有视觉提示,和混合听觉提示方法允许司机更好的接管。楚et al。9)指出,在各种可能的方法提醒司机TOR, vibrotactile预警提供了一个重要的优势。

的司机年龄对接收性能的影响,研究的发现李et al。10)表明,与年轻人相比,老年人接管车辆更慢和不稳定。吴et al。11)将实验分成三组根据他们的年龄和接管non-driving任务执行实验,和老司机的接管性能低于年轻司机。然而,老年人和年轻人都有显示积极意见L3自动化,和老年人比年轻人更活跃。

在研究NDRT接管性能的影响,Klingegrd et al。12)设计了一个人机交互平台,研究驾驶员的能力来执行NDRT在L4驾驶自动化车辆在现实交通环境。NDRT设计是视觉和认知需求,和手动交互是必需的。结果表明,司机可以参与NDRT很大程度上。Rauffet et al。13)进行了收购的驾驶模拟器实验non-driving任务是玩视频游戏。的比例在游戏和浏览时间之间的时间游戏会话被用作游戏参与的指标。调查结果显示,参与者高度参与NDRT接管时间平均超过如果他们不是从事NDRT。Ou et al。14)设计实验允许司机都沉浸在NDRT检测TOR和快速制动。研究结果表明,先进的预测接口,提供方向性的信息可以显著改善接收性能。

研究人机codriving的接管测试时,需要使用仿真平台构建相关的驾驶场景。张,朱15)使用驾驶模拟器上的纵向研究设计基于统一研究变化的完整的出租车司机在多个会话状态和行为的自动车辆操作。Calvi et al。16)使用STISIM驾驶场景模拟,再加上驾驶控制器(车轮,踏板和齿轮)连接到工作站的控制系统将它转换成一个驾驶模拟器。实验研究的行为进行司机粗心的司机后,参与二级任务期间高度自动驾驶。Yoon和霁的17]驾驶模拟器是基于城市汽车软件模拟场景,配备了一个真正的汽车座椅,罗技赛车力反馈轮和踏板,55寸三星智能电视。此外,一个重度眼动跟踪被用来收集参与者的眼动数据。

在研究自动驾驶的接管表现,周et al。18提议使用眼球追踪和自我报告的数据预测情况感知的过渡期间有条件地自动驾驶。tree-integrated机器学习模型光梯度提升机(LightGBM)是用来预测情况感知。然后,夏普利添加剂解释个人(世鹏科技电子)值计算模型预测变量。研究自动驾驶接管性能主要是基于客观数据和选择相关的评价指标。研究魏德曼et al。19),驱动程序的性能评估分为两个部分:横向控制和纵向控制。水平控制指数选择车辆侧向位移和方向盘的角度,和纵向控制指数选择车辆速度。杜et al。20.]预测接管前司机TOR的性能通过分析驾驶员的心率等生理数据索引,皮肤电反应指数和眼动跟踪指数,和外部环境数据,如场景类型、交通密度,TOR的交货时间。研究发现,随机森林分类器可以更好地预测司机的收购行为,利用3 s作为预测收购业绩的最佳时间窗,准确率84.3%。

人机实验codriving接管,接管安全评价分析的重要性是不容忽视的。林等。21)使用二进制逻辑回归建立接管安全评价模型评价L3自动车辆的安全。研究结果表明,条件下,TOR时间7年代,接管的影响安全的主要因素是接管响应时间和第二个任务。建立了接管安全评价模型的预测精度为85.5%。随着国内自动驾驶是处于不成熟的阶段,有收购的安全性评价的研究相对较少。

通过以上研究,发现司机在人机codriving行为指标的选择主要是司机的视觉特征和行为特征。同时,驾驶模拟实验平台可以有效地降低成本,确保实验的安全。因此,本文使用驾驶模拟器设计基于卡拉驾驶仿真平台和罗技G29力反馈方向盘踏板设置为研究驾驶员的接管性能及其影响因素当司机的L3下执行接管操作自动驾驶(有条件地自动驾驶)。比较相同non-driving-related任务和不同的条件接收频率,司机的接管性能的评估完成后通过分析等因素的平均时间完成任务,最低温度记录,距离障碍,最大制动加速度。结合性别、年龄、气质类型、驾驶风格,司机和其他条件,本研究研究的共性和特性自动驾驶接管性能不同的群体。最后,二进制逻辑模型应用于评估的安全测试,找出影响安全的因素的接管。

2。方法

2.1。数据预处理方法

2.1.1。卡尔曼滤波方法

卡尔曼滤波是一种有效的自回归滤波器,它可以预测系统的动态的一系列完整和噪声测量值。卡尔曼滤波器可以估计未知的测量值在不同的时间对他们的联合分布,所以结果比预测更准确的方法只基于一个测量值。卡尔曼滤波是基于状态矩阵,滤波器的定位数据输入,输出,系统状态预测数据和预测方程和测量方程用于建立输入和输出之间的关系,这是一个方法,计算的值与输入和输出系统状态。卡尔曼滤波器是由三部分组成:状态预测方程,状态观测方程和递归方程。从来时刻,计算过程如下。

状态预测方程如下: 在哪里是系统的状态向量 , 是状态转移矩阵,是输入增益矩阵,是均值为0,是协方差矩阵,方程服从正态分布的噪声过程。

状态观测方程如下: 在哪里代表系统的观测向量 , 是测量矩阵,是均值为0,是协方差矩阵,方程服从正态分布的测量噪声。

卡尔曼滤波器有三个共同的运动学模型:恒定速度(CV)模型,不断把速度和加速度模型(CTRA)和恒定加速度(CA)模型。与CA模型相比,略微有些CTRA模型的计算精度,但计算量显著增加。全面考虑到计算效率和准确性,CA模型被选中作为卡尔曼滤波器的运动模型。结合状态预测方程,可以表示如下: ,在哪里 代表了位置,速度和加速度的系统x方向在时间 ,和 代表的位置、速度和加速度y方向。

递归方程如下:

线性系统的估计时间预计使用状态值的时间吗 :

新的预测的误差方差协方差和系统噪音在最后一刻如下:

国家调整过程如下:

更新状态协方差估计: 在哪里卡尔曼滤波估计的值,预测价值,是卡尔曼估计误差协方差矩阵,是预测误差协方差矩阵,卡尔曼增益。

2.1.2。基于规则的信念(马上回来)方法

马上回来的一般表现形式方法如下:如果 ,然后 与规则的体重和属性权重 , ,在哪里 代表的前提属性马上回来, 代表评价水平的评价结果, 是一个评价等级相对于前提属性 。 的置信水平下的结果规则评估水平 ,和前提属性下的总数吗规则。如果 ,然后马上回来被认为是完整的,否则是不完整的。在这种情况下,建立马上回来,离散评价水平高、中、低需要为每个定义的前提属性和结果。马上回来系统结构的几种类型的参数,如自信,规则权重,权重和属性可以通过训练获得收集到的样本数据(速度和加速度)。示例数据如表所示1。马上回来训练系统现在可以用来预测目标的真实性。

(1)输入转换马上回来。输入转换的前提属性值是指将该值转换成不同的信心水平和分配这些信心水平不同的引用属性值的前提。这相当于将一个输入值转换为一个置信分布对应的前提属性的参考价值。特别是,前提属性的输入值(设置为的信心水平 )可以将以下置信分布: 在哪里代表的分布估计置信度分配给的前提属性的输入值,(值)是 - - - - - -输入的前提属性的参考价值 ,和 置信水平对应的参考价值 。其中, ,在哪里量的参考价值。

在这项研究中,选择目标点的速度和加速度,马上回来的前提属性框架。他们可以获得输入值的雷达数据模拟器,并输入值的隶属度转换成相应的前提属性参考价值。引用的值对应于速度和加速度是速度(快速、正常、低)和加速度(高、中,低)。在这一点上,这些语言值(水平)评价可以分配给的信心水平通过专家评估,然后分布在不同的参考的前提属性值(高(H)、中(M)和低(L)的信心水平 。上面的输入转换过程可以用公式来解释。

输入转换之前,参考点属性需要设置的价值前提。假设参考价值分布的两个前提属性如下:速度={(快,41.7),(正常,27.8),(16.7低,)};加速度={(高,8),(中、5),(低,3)}。然后,公式(9)相结合来完成计算的置信水平 。例如,样本与速度= 36.34 m / s和加速度= 4.73 m / s²被选中,然后速度的程度属于(快,41.7),(正常,27.8),(16.7低,)(0.614,0.386,0)。也就是说,中等=(41.7 - -36.34)/(41.7 - -27.8)= 0.386,= 1 - 0.386 = 0.614,高和低= 0。同样的,加速的程度(高,8),(中、5),(低,3)是(0、0.865、0.135)。

(2)计算激活重量。一般来说,马上回来,连接符号””通常用于表示逻辑关系的前提属性。这意味着只有当所有的前提在规则被激活在此时获得的结果可信。根据上面的计算置信分布,激活的重量下th规则可以通过公式计算:

其中, 是输入的信心水平th前提属性,代表个人的匹配程度和评估的参考价值下规则。是联合匹配程度,它反映了输入值之间的匹配程度对整个前提属性下的参考价值规则。(或 )代表了属性权重。值得注意的是,如果 ,然后 ,这意味着零重要性的前提属性不会有任何影响激活重量;如果 ,然后 ,这意味着大多数的前提属性激活重量产生重大影响。激活权重的计算完成,估计输出为一个特定的输入向量可以使用ER理论推断。

(3)ER推理输出。ER理论应用于收集所有前提下属性数据组l规则,获得每个参考价值在结果的置信度属性通过给定的前提属性输入值。本研究采用分析ER算法,其输出结果由结果的参考价值属性,如以下公式所示: 在哪里对应的置信水平的参考价值 。的计算通过分析公式(12)的ER算法。

最后合并ER推理得到的结果或输出表达式 ,在哪里是最后的信心水平,属于th的参考价值在结果属性。输出分布选择在这个研究是真正的目标和假目标,分别。根据表中的示例数据1结合公式(12),最后马上回来训练后如表所示2。

马上回来的表2描述了速度和加速度之间的因果关系和真正的目标位置。例如,规则3代表值的速度是快的值范围和加速度是中等水平在目前的时刻。的信心水平真正的目标定位和假目标定位是93.65%和6.35%,和这条规则是1的信心。因此,获得的结果在这种规则可以完全相信。其余的规则可以以同样的方式来解释。因此,它有一定程度的可靠性结合速度和加速度测试目标车辆的轨迹。

2.2。二元逻辑回归模型

在1889年出版的自然遗产,弗朗西斯·高尔顿,著名英国生物学家、统计学家,首次提出“逻辑回归模型推导概率对数曲线的回归,属于广义线性回归。“逻辑函数的曲线是单调递增函数无断点,但良好的连续性。水平坐标范围(示例输入范围)的曲线(−∞,+∞),和垂直坐标范围(0,1)。函数分布趋势正是许多概率问题的需要。派生的逻辑回归函数,也称为生长函数,通常使用一个二元因变量。变量之间的关系是用来做分类判断的预测结果。

最大似然的方法通常是采用逻辑回归参数的估计。该方法的基本思想是建立似然函数和对数似然函数,然后解决相对应的参数值最大的对数似然函数。获得的估计价值的称为最大似然估计参数。从公式可以看出(13)物流模式建立了事件发生的概率和解释变量之间的关系。 在哪里事件的概率, 模型的截距项, 是参数估计的, 是解释变量, 误差项。

3所示。数据收集和分析

3.1。试验设计和程序

3.1.1。装置

驾驶模拟器使用卡拉驾驶仿真平台,3 ds Max,和虚幻4建模软件建立虚拟驾驶场景,外部罗技G29力反馈方向盘踏板包,DXRacer汽车座椅,两个40英寸屏幕2 k显示器,和一套音响,如图1。罗技G29力反馈方向盘踏板包包括一个方向盘,手动齿轮,和赛车踏板离合器。方向盘有900度的转向,从而最大程度的模拟真实的驾驶行为。它还提供了可编程键和方向键控制键。两个大屏幕高清显示器作为视觉反馈设备显示虚拟驾驶场景。音响作为听觉反馈设备和考虑多普勒效应来模拟真实的驾驶和环境的声音。

3.1.2。参与者

共有15个参与者与一个有效的驾照驾驶模拟器实验招募。九个受试者男性,和六个参与者女性。参与者的平均年龄为22.07岁(SD = 1.69年)。他们平均2.27年的驾驶经验(SD = 1.34年)。之前的实验中,参与者被要求告诉他们的健康状况,如疾病、疲劳、和药物滥用。实验结束后,货币薪酬(100元人民币)是提供为他们的参与。

参与者被要求接管1次,5次,9次,每个实验的间隔3分钟。实验的NDRT将观看一个视频,这是玩平板电脑的控制平台。TOR时间指的是TTC self-vehicle和车辆在前方的道路或障碍,代表接管的紧迫性。在这个实验中,TTC 5 s,为参与者留下足够的时间作出反应。

3.1.3。场景设计

模拟测试道路是相同的双向四车道的城市道路总长度约5公里。道路速度限制是30公里/小时,自动驾驶速度大约是20 - 24公里/小时。测试包括三个不同的接收频率(接管频率低、中接管的频率,和高接管频率)。时间是13分钟,16分钟,分别和18分钟。本文主要研究危险的情况下,参与者自动驾驶模式切换到手动驾驶模式,接管车,绕过障碍物或刹车。在这项研究中,一个简化的“鬼探头”驾驶场景是在模拟器上设计的。驾驶车辆时一定位置自动驾驶模式,一个行人过马路突然出现在路的前方的路边。在这个时候,车辆接管系统将发出TOR。参与者需要休息和车辆;否则,前面的车辆与行人相撞的汽车,导致交通事故,如图2。

是横向位置行人出现,车辆的横向位置,车辆在一个恒定的速度移动。上限和下限的车辆速度是设置为和 ,分别是纵向的行人和车辆之间的距离,然后呢是车辆的宽度。行人过马路的垂直速度 ,汽车与行人碰撞而不刹车,参数应满足:

行人速度在这项研究中设置2米/秒,上和更低的速度的限制是60公里/小时,20公里/小时,车辆的宽度是2 m,行人和车辆的纵向距离吗是1米。结合公式(14),综合考虑到参与者接管和操作所需的时间,最后决定,车辆和行人之间的横向距离是16米。

这个研究也帮助建设的动态和复杂交通场景通过逻辑推理和车辆运动学模型的使用。例如,当一辆车停在斑马线前,挡住了视线的车辆后,以下车辆变更车道和超越前面的车辆与行人碰撞走在斑马线上,如图3。

3.1.4。过程

之前的实验中,参与者被要求签署一份知情同意书并填写一个问卷调查。然后,测试人员需要引入测试等内容的切换操作自动驾驶系统,紧急接管的场景和non-driving-related任务的参与者。此外,大约10分钟的练习时间应该留给参与者。实践内容包括熟悉的敏感性方向盘,油门,刹车踏板,熟悉实验的道路环境,练习切换的自动驾驶模式。

在实验过程中,汽车开车沿着校准线自动驾驶状态。参与者总是NDRT执行,望着平板电脑,双手放松身体的两侧,和他们的右脚放松而不是放置在刹车或油门踏板。当遇到紧急的情况下接管时,自动驾驶系统接管发布提示“请接管”和蜂鸣器的声音和人类的声音设置TOR。此时,参与者按下方向盘上的开关按钮切换到手动驾驶模式,绕过了分解车辆或障碍。之后,参与者把车辆尽快回到中间车道和切换到自动驾驶模式。

3.1.5。数据收集

本文使用的数据收集的预警援助系统支持卡拉驾驶仿真平台。收集到的参数包括车道偏离、车辆速度,加速度,航向角、螺旋角和倾角。的左派和右派数据方向盘,刹车数据,前轮角数据,油门深度,手闸状态和驾驶模拟器的齿轮状态如表所示3。

油门和刹车深度都代表0或1。齿轮的各种状态是1、2、3,反向(R)。拉手闸状态有两种状态:“是的(Y)”和“不”(N)。

3.2。数据预处理

在图4(一),黑线代表实际的位移轨迹绘制根据车辆的位置信息和蓝线表示目标轨迹的GPS传感器获得的位置信息。红色线表示GPS目标轨迹由卡尔曼滤波器过滤。X方向的位置是指车辆横向摆动的距离,和y方向的位置意味着垂直摆动的距离在自动驾驶车辆。从图可以看出,由于噪声的干扰,GPS获得的一些位置测量值比实际值相对较大的部分抵消,但卡尔曼滤波器有效地过滤噪声的干扰,使过滤目标轨迹变得流畅,更符合实际的位移轨迹。每一个测量的位置偏差和实际点过滤的卡尔曼滤波器如图4 (b)和偏差清廉米范围内波动。

使用马上回来方法的结果来验证车辆的速度和加速度图所示5。可以看出,总体自信水平维持在相对较高的水平在11日之前第二但11秒后显示出明显的下行趋势。这是因为车辆运动模型的仿真采用恒定加速度模型。仿真开始时,车辆速度逐渐超过设置范围后开了一个短的时间。法官马上回来方法,模拟车辆的行为是不一致的与传统车辆行为和提示车辆异常行为在12秒,所以信心水平继续下降。总体而言,这是令人满意的目标轨迹实际上是通过简单的运动学模型的验证与卡尔曼滤波器相结合,根据车辆速度和加速度马上回来的方法。

3.3。绩效评估

低接管频率实验,车辆由参与者1号,2号,七号,八号,九号,11号,14,驾驶模拟器与障碍物相撞,产生相应的收购失败。因此,在数据的描述性统计6- - - - - -9,低频接管项目没有上面的数据编号。

3.3.1。绩效评估基于实验参数

图6是一个平均时间的统计直方图完成收购任务的参与者在三个实验。可以看出,随着并购的频率增加,大多数参与者完成任务的平均时间减少。在高频接管任务,执行子任务的参与者更专注于完成驾驶任务,这是更有效的比低频和中频并购。然而,有一小部分参与者成为谨慎并购的频率增加,导致减少完成任务的效率。例如,3号和5号参与者更放松下低收入和中频接收强度,和任务的完成效率较高。

最低温度记录反映了参与者的风险接受水平在减速。志愿者在坠毁在低频实验比较高频数据与中频数据,和其他参与者比较高频与低频数据。从图可以看出7所有参与者的最低温度记录平均值增加不同程度随着并购的频率增加,这意味着参与者的风险意识增加的情况下增加收购的频率。

由于实验中不包括参与者的最低温度记录数据在低接管频率测试相撞,一些参与者的变化范围从低到中等接管频率为0。不难看到,除了参与者相撞的接管频率低,大多数参与者的最低TTC变化范围从低到中等接管频率明显高于中等到高接管频率的变化。这表明,适度增加接管频率可以显著提高收购的影响参与者,这有利于参与者的浓度。同时,接管高频率没有显著提高参与者的接管性能与媒介接收频率。

统计结果的平均距离障碍的三个实验中所有的参与者在图所示8。每个参与者的驾驶风格不同,个体间存在差异,但随着接管频率的增加,所有参与者的平均距离障碍不同程度的增加。其中,8号和14号显著增加,这可能与障碍物碰撞低频实验让他们更关注在高频实验接管任务。这表明高频率的增加是更重要的比低频率。接管后可以得出结论,因此,频率从低到中等,增加参与者的最小TTC显著增加,但如果接管频率不断增加,范围的变化是不明显的。此外,有高频数据。2、9、15有相同的性能。因此,碰撞的解释性因素不能被用作所有参与者的高频实验中的数据就越高。

从图可以看出9平均最大制动加速度定期在接管过程中并没有改变,这表明,接管的增加频率没有影响参与者的接管过程中制动行为。

3.3.2。根据实验参数区分绩效评估

在看视频的任务下,5 s收购请求时间可以确保安全的接管,但收购低频率条件下,7 15参与者碰撞事件,6是男性,1是女性。碰撞事件9男性的比例是66.67%,而6雌性的比例仅为16.67%,而总碰撞事件率是46.67%。这表明的情况下接管频率低,即使二级任务被执行的参与者和收购的收购请求时间可以保证安全,碰撞事件的概率仍然是非常高的,和参与者处于危险驾驶状态。男性参与者的碰撞概率显著高于女性参与者在接管频率低,表明女性比男性有更好的风险意识在执行接管任务。它可以确保参与者的安全的收购条件下中等和高频率接管。

平均最低温度记录和平均距离障碍,男性和女性参与者在三种不同的频率(不包括碰撞数据)如图10。可以看出,这两个参数的变化趋势非常相似。在低频接管实验中,女性参与者的两个参数值低于整体平均水平,但男性高于平均水平。这表明男性接管频率较低的性能严重两极分化,并接管性能,可以完成接管任务更好,而其他的男性参与者有一个碰撞。接收频率的增加,男性和女性增加了的两个参数。其中,男性的变化相对温和,这大约是一个缓坡线性形状。当女性接管的频率增加从低到中等,参数的增加更大,超过了平均水平。当女性接管的频率增加从中等到高,增加很小,平均水平略高于男性。考虑到有更多的碰撞在男性中低频,女性比男性平均速度在整个任务。

男性和女性的平均速度任务如图11。任务的平均速度是参与者的平均速度从接管期间再次切换到自动驾驶的终结。可以看出,中低频率的条件下,平均行驶速度的女性高于男性,和的平均速度都明显提高,当从低到中等频率的变化。从中级到高级的频率变化时,男性的平均速度仍然显著增加,而女性略有减少。这意味着当接管频率在一定范围内增加,男性和女性的平均速度在一定程度上增加。当超过这个范围时,女性通常变得非常谨慎,导致任务的平均速度降低,但男性继续增加,总体趋势。

完成任务的时间和最大制动加速度的参与者在三种不同的频率如图12。从(a)可以看到,在日益频繁的收购,雄性和雌性的时间完成接管任务已经减少,和并购从低到中等频率的变化更显著,但女性的时间完成接管任务通常高于男性,这表明女性执行接管任务时非常谨慎。最大制动加速度(b)而言,男性价值中接管最高频率而雌性在低频率最高的价值。雄性和雌性的价值在中频是相同的。可以看出女性的接管表现不如男性接管频率较低,和其他两个接管频率是相似的雄性和雌性之间。

3.4。二进制逻辑接管安全评价模型

二进制逻辑回归方法用于构造一个接管安全评价模型。这项研究在22)指出,最低TTC低于1 s可以作为一种有效的方法来评估碰撞。最低温度记录被选中作为因变量,和1 s的最小TTC应该用作危险组和安全组之间的边界。然而,测试驾驶场景在引用主要是城市道路场景,和车辆速度是50公里/小时。由于模拟地图,限制车辆速度是20 - 24公里/小时,平均值是22公里/小时。在同样的安全距离,应被视为最低TTC部门限制 年代。因此,本研究选择最低TTC小于或等于2.3作为危险组和超过2.3年代的正常组。输入变量选择的时间从报警到制动反应时间、最大制动加速度接管,参与者的性别,距离障碍,和一个接管的持续时间。选择变量的方法是“向后逐步回归:偏似然估计最大似然比(LR)测试,”这意味着所有的独立变量是首先进入方程,然后被LR测试。中断概率值设置为0.5。预测概率值大于0.5时,解释变量的分类预测价值被认为是1(危险组),当它小于0.5,分类预测的值被认为是0(安全组)。

模型拟合的检验结果如表所示4和5。表4显示了模型系数的综合测试,“模型”行输出的似然比检验结果是否逻辑回归模型中所有参数都是0。一个重要的P< 0.05,表明拟合模型中包含的变量。其中,或至少有一个变量的值是显著,和整体模型是有意义的。

表5Hosmer Lemeshow,显示了测试结果表明模型的拟合优度结果测试。当P值不小于检验级别(例如,P> 0.05),认为当前数据中的信息已经完全提取和模型有一个高度的拟合优度。

可能性的价值观和意义变化当模型删除变量如表所示6。如果重大的改变,当删除一个变量小于0.05,这意味着项目显著相关模型并不能被删除。在步骤1和步骤2,反应时间和制动加速度显著变化大于0.05删除。在步骤3中,重大的改变,当所有的独立变量被删除都小于0.05,所以他们再也不能被删除。

模型中的变量系数回归过程及其影响模型如表所示7。可以看出,在最终的模型中,性别和距离障碍产生更大的影响模型。P(性别)=P(距离障碍),但细胞膜(性别)>细胞膜(距离障碍)和Exp (B)(性别)> Exp (B)(距离障碍),所以距离障碍是最大的变量对模型的影响。仿真后的二进制逻辑模型,结果表明,距离障碍是最大的变量对参与者的接收性能的影响。在所有选定的变量中,距离障碍是变量,可以最直接的反映了参与者的接管效应,这与事实一致,说明模型拟合的结果符合正常的逻辑判断。

在这个模型中,雌性设置为0,男性设置为1时,和性别是第二个最具影响力的独立变量。其回归系数B是负的,说明女性的接管性能很差。这是由于碰撞数据用于模型数据。3.3.2扣除,统计结果表明,女性碰撞的数量明显低于男性。然而,在这个模型中,以最低TTC为接管的标准性能,它只能得出结论,女性参与者所需的反应时间和操作时间都高于男性参与者没有碰撞,这并不意味着男性参与者明显比女性参与者更好的接收性能。

最终的逻辑回归方程所示方程(15),模型的预测准确率为87.7%,和物流分类表如表所示8。 在哪里是性别,是距离的障碍,是一个收购所花费的时间。

考虑性别的影响,反应时间、制动加速度,距离障碍,和接管时间,二进制逻辑模型应用于评估接管L3自动车辆的安全。模型建立与最低温度记录作为因变量,综合测试和Hosmer Lemeshow测试执行模型系数来验证模型的有效性和高。模型的拟合结果符合正常的逻辑,和模型的预测准确率为87.7%,这是高度可靠。根据模型的分析,变量,对参与者的接管性能影响最大的是距离的障碍,这也是最直接反映了参与者的接管的变量的影响在所有选定的变量。此外,性别,作为第二个最有影响力的变量预测的模型,也占据了很大一部分的性能分析和安全评价。反应时间、制动加速度,收购和接管的时间也显著相关性能通过模型验证。因此,这些因素也不可缺少的在评估收购的性能和在一定程度上反映了收购的影响。上述因素的影响机制是复杂和多维。

根据获得的结果的模型,观察距离障碍的参与者在图的数据10 (b)以低接管,接管效应的男性频率远远高于女性,但在中等和高接管接管频率频率是大致相同的。基于接收性能的评价在3.3中,雄性和雌性都有更好的表现在并购的频率,它提供了一个参考的研究有条件地自动驾驶的安全性。

4所示。讨论

本研究研究对接管接管操作性能的影响当参与者执行NDRT L3自动驾驶和评估实验的接管安全。为此,通过对驾驶模拟器仿真实验,收集相关的驾驶数据,使用处理过的数据来评估参与者的接管效果。最后,接管的安全评估是基于二进制逻辑模型。的深化研究,结果表明,各种因素影响收购的性能,和合理的控制模式之间切换自动驾驶系统和驱动程序需要进一步探讨。本研究促进数据预处理方法的研究,探讨了研究接管在L3自动驾驶性能,并丰富了研究接管安全。

基于卡尔曼滤波和数据预处理方法提出了马上回来的方法。目标轨迹过滤通过卡尔曼滤波平滑,更适合实际的位移轨迹。马上回来方法与车辆速度和加速度数据作为轨迹跟踪方法检查目标位置与高可靠性和能有效地调整车辆的异常行为。卡尔曼滤波器的使用符合当前消除干扰的方法在文献[23),但越来越多的文献[24)结合卡尔曼滤波器和其他方法来跟踪轨迹或使用其他方法来实现目标跟踪(25]。

描述性和微分分析等数据的平均时间完成任务,最低温度记录,距离障碍,最大平均制动加速度表明雌性接管频率较低的接收效果弱于男性。然而,接管介质的性能和高频率大概是等价的。由于男性太多碰撞接管频率较低,整体收购绩效的女性优于男性。目前,大多数文档(26)是基于数据统计分析,但也有文件(27),评估收购的性能通过构建一个结构方程模型,为绩效评估提供新思路。

当评估收购的安全,一个二进制逻辑模型应用于发现的变量产生更大的影响被试的接管性能和进一步评估收购的安全性基于这些变量。大部分的接管L3自动化工具的研究是基于测试数据为描述性和微分分析评估收购的性能。在take-over-related研究中,收购绩效评估主要是基于数据(28]。目前,有相对较少的文件,确定更重要的预测变量。

5。结论

本研究设计一个城市道路接管场景在一个危险的情况下基于驾驶模拟器,利用卡尔曼滤波的数据预处理方法和马上回来的方法,分析了影响NDRT接管性能在L3自动驾驶,和建立一个接管安全评价模型,具体结论如下。

卡尔曼滤波的数据预处理方法和BRB方法有小的偏差,更接近真实的轨迹,有一定的可靠性,并能有效地调整车辆的异常行为。

参与者的整体驾驶性能改善随着并购的频率增加。在接管低频率条件下,可能需要采取适当措施,防止参与者从关注二级任务很长一段时间,如间歇地提醒参与者注意前方路况,限制参与者的时间执行次要任务,等。整个驾驶性能的女性高于男性。

二进制逻辑模型使用的最小TTC为因变量,分析影响最大的变量接收性能的参与者是距离的障碍,和性别是第二最有影响力的变量。模型的预测精度为87.7%,具有高度的可信性和有效性。

数据可用性

本研究的数据集用于支持这些发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关这项研究的出版物。

确认

支持这项研究NationalNature科学基金(52162049,52162049,52162049,52062015),江西省自然科学基金(20202 babl212009)。这项研究还共同支持江西省科技重大Project-5G研究项目(批准号20212 abc03a07)。