摘要：为了研究自动驾驶汽车交通协调性的主客观映射评价模型,以高速公路匝道汇入为研究场景,首先基于自然驾驶数据的交互样本数据,以自车平均行驶速度、并线时刻侧向速度、并线时刻车头TTC、并线时刻两车相对侧向速度和对手车减速程度等客观指标数据和交通协调性主观评价结果作为模型输入和输出,构建映射评价模型;然后设计2×2交叉对比实验,并分析数据预处理方法及神经网络类型对评价模型效果的影响。研究结果显示,基于线性函数归一化处理的BP神经网络模型和Dropout神经网络模型总精度分别为95.71%和80.00%,基于阶梯函数归一化处理的BP神经网络模型和Dropout神经网络模型总精度分别为94.60%和73.25%。由此可见,模型评价效果较好,所建立的客观表征指标集能够较好地表达专家对车辆交通协调性表现的评价。在建模方法方面,基于BP神经网络的映射评价模型的表现优于Dropout神经网络模型,能够根据客观数据更准确地得到符合专家评判标准的评价结果。在样本数据预处理方法方面,线性函数归一化处理方法能够在消除数据间数量级差异的同时保留客观表征指标集数据在不同样本之间的差异,能提高映射评价模型的评价精度。因此,在小样本数据量下,基于线性函数归一化和BP神经网络的映射评价模型构建方案的评价效果更优。

摘要：传统汽车乘员出于对驾驶员驾驶行为的不信任,会表现出紧张、焦虑的不适感,这些现象同样存在于自动驾驶汽车,是有别于平顺性的舒适性问题.获得可表征汽车乘员舒适性的生理指标,是研究该问题的关键.对此,设计了实车试验,记录了12名受访者在特定工况下的生理和眼动数据;基于数据的时域、频域分析和假设检验方法,研究了乘员在不舒适状态下的生理和行为特征变化情况.结果显示,受访者的不舒适感主要来自于视觉信息和极限动力学控制中的侧向加速度,不含平衡觉信息;平均心率、最大心率、心率变异性极低频功率、皮肤电导水平、瞳孔直径与不舒适状态呈现正相关,心率变异性RMSSD、眨眼频率呈现负相关,且其变化规律存在差异;但心率变异性频域指标中的低频功率、高频功率和总功率尚不足以被证明有统计学意义.据此,上述心电、皮肤电活动、眼部活动3类数据中存在显著统计学差异的7项指标,可被用于表征汽车乘员的舒适状态.

摘要：为评价自动驾驶汽车交通协调性,以匝道汇入处的两车交互场景为例,提出了基于BP神经网络的主、客观映射评价方法。首先,以主观评价为模型输出,以客观物理量为模型输入,构建了BP神经网络关系模型;其次,设计了30组交互测试用例,开发了驾乘人员在环仿真平台进行测试并采集样本数据;然后进行模型训练和验证。结果表明,评价模型输出结果与专家主观评价得分相近,模型精度为92.8%,证明了其可行性和准确性。同时,该模型支持自动化评价,评价效率进一步提高。