人机共驾条件下接管成功概率预测以及干预效果评估方法技术

本发明专利技术涉及自动驾驶领域，具体公开了一种人机共驾条件下接管成功概率预测以及干预效果评估方法。包括以下步骤：步骤1，建立接管成功样本：确定驾驶员的最佳接管预算时间和接管成功率累计曲线，并构建映射参数集合；步骤2，驾驶人接管适任度预测：优化参数并构造实时接管状态向量T，计算实时接管状态向量与完美接管状态向量D

【技术实现步骤摘要】
人机共驾条件下接管成功概率预测以及干预效果评估方法


[0001]本专利技术涉及自动驾驶领域，具体涉及一种人机共驾条件下接管成功概率预测以及干预效果评估方法。

技术介绍

[0002]对于具有L3或L4级自动驾驶功能的车辆而言，处于自动驾驶阶段时，由于自动驾驶系统的局限性或者出现故障需要人类驾驶员及时进行车辆控制权的接管，若驾驶员在一定的时间内手脚未正确放置在方向盘或制动踏板上或者未对周围环境进行观察，对车辆的运动状态和驾驶环境不够了解时就将车辆的接管控制权贸然转移给人类驾驶员，则驾驶员在接管控制权后容易因为判断、决策失误或者来不及避开前方障碍等原因发生车祸，所以在接管控制权转移前需要对驾驶员接管成功的概率进行预测，当接管成功的概率较低时自动驾驶车辆应及时采取风险缓解措施，从而避免因为接管失败而发生车祸，提高人工接管的安全性。
[0003]目前常用的判断方式如申请号为CN202111116691.8的专利：一种自动驾驶系统下的驾驶人接管能力预测方法中公开的一般，提前对驾驶员的不同接管能力下的驾驶能力、反应速度、情景意识、疲劳指数与情绪状态进行测试并录入数据库，并获取不同驾驶员每个驾驶特征指标的ROC曲线图，在预测时，根据驾驶员目前的状态，再结合数据库中的数据进行计算，最后确定驾驶员在实际驾驶能力、反应速度等方面的评分，并参考对应的评级标准，对评级较低的预测，则拒绝驾驶员接管。
[0004]上述预测方法虽然能够提前发现驾驶员的一部分危险接管行为，但是仅根据一次的评级即拒绝驾驶员接管，当驾驶员仍需要接管控制权时需要再次提出接管请求，导致接管效率和舒适性较低。

技术实现思路

[0005]本专利技术意在提供一种人机共驾条件下接管成功概率预测以及干预效果评估方法，以提高接管舒适性，并降低接管风险。
[0006]为达到上述目的，本专利技术采用如下技术方案：人机共驾条件下接管成功概率预测以及干预效果评估方法，包括以下步骤：
[0007]步骤1，建立接管成功样本：通过预测试确定驾驶员在任意一个接管场景下的最佳接管预算时间和接管成功率累计曲线，并构建在该接管场景下，针对不同接管行为且面向整个接管过程的映射参数集合；
[0008]步骤2，驾驶人接管适任度预测：动态采集驾驶人包括头眼运动、肢体位置、心理负荷、车辆运动参数以及驾驶环境状态参数，通过蜉蝣算法优化参数并构造实时接管状态向量T：
[0009][0010]采用公式(1)计算实时接管状态向量与完美接管状态向量之间的马氏距离D
M
(S)：
[0011][0012]采用公式(2)计算实时接管状态向量与溃败接管状态向量之间的马氏距离D
M
(F)：
[0013][0014]采用公式(3)计算完美接管的基本信任概率赋值m(s)和溃败接管的基本信任概率赋值m(f)：
[0015][0016]并设定信任度赋值的决策阈值为ε，在m(s)
‑
m(f)＞ε时预测驾驶员能够接管成功。
[0017]本方案的有益效果为：
[0018]本方案中的a表示该场景接管绩效映射参数的维度、R为表征参数、μ为实时状态向量的均值、P为对应的映射参数。本方案中先针对驾驶人建立接管样本，在试验时，通过驾驶人是否接管成功使得在预测时能够更准确的根据驾驶人的驾驶水平预测接管是否能够成功，有效提高预测的正确率。本方案在预测接管成功率时，设定了信任度赋值的决策阈值ε，在实际预测时，决策阈值ε能够根据若干驾驶人的接管试验确定，也能够在对驾驶人进行分类后，对驾驶水平不同的驾驶员设定不同的决策阈值ε，从而能够使本方案的预测方法能够适应不同的驾驶人，以进一步保证有较高的预测准确性，降低接管风险。
[0019]本方案中的最佳接管预算时间指接管信号发出后至驾驶人开始接管，接管成功率最高的时间；接管成功率累计曲线指自信息发布开始，驾驶人接管成功率与接管时间之间的曲线图。
[0020]进一步，步骤2在m(s)
‑
m(f)≤ε时，向驾驶人发送接管信号，并滑动到下一时间窗口重复步骤2的操作持续进行预测，并当m(s)
‑
m(f)＞ε时预测驾驶员能够接管成功。
[0021]本方案的有益效果为：当驾驶人提出接管需求后，本方案中，即使第一次预测接管失败，也能够在下一时间窗口再次进行预测，而不需要驾驶人重复提出接管需求，使得驾驶人的操作更为简便，提高接管效率，也避免因为驾驶人重复进行提出接管需求的操作而忽略周围路况，提高驾驶的安全性。而下一时间窗口指基于驾驶人的一次接管请求，相邻两次预测之间的时间间隔。
[0022]进一步，步骤1在试验时确定完成接管的极限接管时间；步骤2持续进行预测时，当滑动至极限接管时刻仍满足m(s)
‑
m(f)≤ε，则预测驾驶员接管失败。
[0023]本方案的有益效果为：极限接管时间指接管信号发出后至驾驶人即将无法完成接管的时间；达到极限接管时间则表示驾驶人将没有足够的时间进行接管，此时即使将驾驶权让渡至驾驶人，驾驶人也容易因为反应不及时而导致出现危险，此时本方案的预测方法
将其判定为接管失败，拒绝让渡驾驶权有效的规避了这种风险，提高驾驶的安全性。
[0024]进一步，将每次接管结果均纳入步骤1的接管样本。
[0025]本方案的有益效果为：将每次预测结果均纳入接管样本中后能够实时对驾驶人的驾驶水平进行更新，在驾驶人的水平提升后，保证更高的预测准确性。
[0026]进一步，还包括步骤3，接管绩效干预与调控，当步骤4中的m(s)
‑
m(f)≤ε时，从强化训练、监视接管、辅助信息和信号优化等中的至少一个维度进行校正，所述强化训练包括以反复练习的方式对驾驶人的视觉搜索、心理负荷、反应时间、动作稳定性和准确性等中的至少一项进行加强；所述监视接管包括在驾驶人提出让渡接管控制权的申请至正式让渡接管控制权的过程中，提醒驾驶人观察交通环境；所述辅助信息包括：通过屏幕对车辆周围的路况进行标示；所述信号优化包括：采用声音、灯光、振动中的至少一种方式对驾驶人进行提示。
[0027]本方案的有益效果为：通过对接管绩效的干预和调控能够针对性的对驾驶人的不足进行训练，以提高驾驶人的驾驶水平，最后提高接管的安全性。
[0028]进一步，还包括步骤4，场景复杂度确定，针对在步骤1的试验，对任意一个场景的操作模式划分为仅制动、仅转向、先制动后转向、先转向后制动和制动转向同时进行，建立训练样本集，并对指标复杂度进行归一化处理，得到各操作模式映射于0到1区间的难度表征系数，并根据难度表征系数确定该场景的权重系数d；
[0029]步骤5，驾驶人接管绩效评估，在步骤1的试验的基础上，采用公式(4)评估驾驶人某次具体接管行为对应的接管绩效E1：
[0030][0031]其中Q为驾驶人在该场景下各参数对应的特征值；并在至少完成一次步骤3的干预后，采用上述公式计算干预后的接管绩效E2。
[0032]本方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.人机共驾条件下接管成功概率预测以及干预效果评估方法，其特征在于：包括以下步骤：步骤1，建立接管成功样本：通过预测试确定驾驶员在任意一个接管场景下的最佳接管预算时间和接管成功率累计曲线，并构建在该接管场景下，针对不同接管行为且面向整个接管过程的映射参数集合；步骤2，驾驶人接管适任度预测：动态采集驾驶人包括头眼运动、肢体位置、心理负荷、车辆运动参数以及驾驶环境状态参数，通过蜉蝣算法优化参数并构造实时接管状态向量T：采用公式(1)计算实时接管状态向量与完美接管状态向量之间的马氏距离D
M
(S)：采用公式(2)计算实时接管状态向量与溃败接管状态向量之间的马氏距离D
M
(F)：采用公式(3)计算完美接管的基本信任概率赋值m(s)和溃败接管的基本信任概率赋值m(f)：并设定信任度赋值的决策阈值为ε，在m(s)
‑
m(f)＞ε时预测驾驶员能够接管成功。2.根据权利要求1所述的人机共驾条件下接管成功概率预测以及干预效果评估方法，其特征在于：步骤2在m(s)
‑
m(f)≤ε时，向驾驶人发送接管信号，并滑动到下一时间窗口重复步骤2的操作持续进行预测，并当m(s)
‑
m(f)＞ε时预测驾驶员能够接管成功。3.根据权利要求2所述的人机共驾条件下接管成功概率预测以及干预效果评估方法，其特征在于：步骤1在试验时确定完成接管的极限接管时间；步骤2持续进行预测时，当滑动至极限接管时刻仍满足m(s)
‑
m(f)≤ε，则预测驾驶员接管失败。4.根据权利要求3所述的人机共驾条件下接管成功概率预测以及干预效果评估方法，其特征在于：将每次接管结果均纳入步骤1的接管样本。5.根据权利要求1所述的人机共驾条件下接管成功概率预测以及干预效果评估方法，其特征在于：还包括步骤3，接管绩效干预与调控，当步骤2中的m(s)
‑
m(f)≤ε时，从强化训练、监视接管、辅助信息和信号优化等中的至少一个维度进行校正，所述强化训练包括以反复练习的方式对驾驶人的视觉搜索、心理负荷、反应时间、动作稳定性和准确性等中的至少一项进行加强；所述监视接管包括在驾驶人提出让渡接管控制权的申请至正式让渡接管控制权的过程中，提醒驾驶人观察交通环境；所述辅助信息包括：通过屏幕对车辆周围的路况进行标示；所述信...

【专利技术属性】
技术研发人员：彭金栓，张磊，徐进，徐磊，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：