基于风险场的不同认知次任务下接管风险评估模型

doi:10.19562/j.chinasae.qcgc.2024.01.002

摘要/Abstract

摘要：

为有效评估不同认知次任务下L3级自动驾驶车辆接管时的风险，开展了驾驶接管风险评估模型研究。设计了城市快速路紧急接管场景并开展不同认知次任务下的驾驶模拟试验。考虑轨迹场、势能场和行为场因素，构建了接管风险评估模型。采用接管风险指数法，验证了所建模型的有效性。结合实测数据，量化不同认知次任务和回避操作类型对接管风险场场强的影响。结果表明：被试者进行接管操作后1~9 s内模型接管风险指数分布情况的M-W检验和K-S检验结果均为p<0.05，说明模型可以有效评估车辆在接管过程中的接管风险。此外，模型接管风险指数的均方根误差均值（0.062）小于碰撞时间倒数的均方根误差均值（0.098），说明模型在表征风险的准确性方面要优于碰撞时间倒数。研究结果可为接管过程中的车辆运行风险评估和避撞设计提供借鉴和参考。

关键词: 交通工程, 自动驾驶, 风险评估模型, 行车风险场, 驾驶接管

Abstract:

To effectively evaluate the takeover risks of L3 autonomous vehicles under different cognitive secondary tasks， a study on the risk assessment model for driving takeover is carried out. The urban expressway emergency takeover scenario is designed and driving simulation experiments under different cognitive secondary tasks are carried out. The takeover risk assessment model considering trajectory field， potential field and behavior field is established. The validity of the proposed model is verified by adopting the takeover risk index method. Combined with the measured data， the influence of different cognitive secondary tasks and avoidance operation types on the strength of takeover risk field is quantized. The results show that the M-W test and K-S test for the distribution of the takeover risk index between 1 and 9 s after the takeover operation by the participants are both with the result of p<0.05， indicating that the model can effectively assess the takeover risk of the vehicle during the takeover process. In addition， the root mean square error of the takeover risk index （0.062） is smaller than the root mean square error of the inverse time-to-collision （0.098）， indicating that the model is better than the inverse time-to-collision in accurately describing the risk. The research results can provide reference for vehicle operation risk assessment and collision avoidance design in takeover process.

Key words: traffic engineering, autonomous driving, risk assessment model, driving risk field, driving takeover

马艳丽, 秦钦, 董方琦, 娄艺苧. 基于风险场的不同认知次任务下接管风险评估模型[J]. 汽车工程, 2024, 46(1): 9-17.

Yanli Ma, Qin Qin, Fangqi Dong, Yining Lou. Takeover Risk Assessment Model Based on Risk Field Theory Under Different Cognitive Secondary Tasks[J]. Automotive Engineering, 2024, 46(1): 9-17.

图/表 10

图1

图2

图3

图4

表1

待定常系数标定结果"

待定常系数	标定结果	待定常系数	标定结果	待定常系数	标定结果
$Φ$	19.743	$τ$	0.520	$θ 0$	10.014
$κ$	2.013	$ψ 1$	0.756	$θ 1$	24.510
$α 1$	1.000	$ψ 2$	0.041	$θ 2$	10.370
$α 2$	1.000	$ψ 3$	0.032	$θ 3$	0.020

表1

图5

图6

图7

图8

图9

参考文献 19

1	马舒，章薇，史金磊，等. 基于认知机制的有条件自动驾驶接管中的人因问题［J］. 心理科学进展， 2020， 28（1）： 150-160.
	MA S， ZHANG W， SHI J L， et al. The human factors of the take-over process in conditional automated driving based on cognitive mechanism［J］. Advances in Psychological Science， 2020， 28（1）： 150-160.
2	马小翔，陈丰，张霖. 预期接管场景下接管绩效及接管风险研究［J］. 中国公路学报， 2022， 35（1）： 159-168.
	MA X X， CHEN F， ZHANG L. Takeover-performance and takeover-risk evaluation under non-critical transition scenarios［J］. China Journal of Highway and Transport， 2022， 35（1）： 159-168.
3	LIN C T， CHEN S A， CHIU T， et al. Spatial and temporal EEG dynamics of dual-task driving performance ［J］. Journal of Neuro Engineering and Rehabilitation， 2011， 8（1）： 1-13.
4	KÖRBER M， GOLD C， LECHNER D， et al. The influence of age on the take-over of vehicle control in highly automated driving［J］. Transportation Research Part F： Psychology and Behaviour， 2016， 39： 19-32.
5	林庆峰，王兆杰，鲁光泉. 城市道路环境下自动驾驶车辆接管绩效分析［J］. 中国公路学报， 2019， 32（6）： 240-247.
	LIN Q F， WANG Z J， LU G Q. Analysis of take-over performance for automated vehicles in urban road environments［J］. China Journal of Highway and Transport， 2019， 32（6）： 240-247.
6	鲁光泉，陈发城，李鹏辉，等. 驾驶员跟车风险接受水平对其接管绩效的影响［J］. 汽车工程， 2021， 43（6）： 808-814.
	LU G Q， CHEN F C， LI P H， et al. Effect of drivers' acceptance level of car-following risk on the takeover performance［J］. Automotive Engineering， 2021， 43（6）： 808-814.
7	XIONG X X， CHEN L， LIANG J， et al. Vehicle driving risk prediction based on markov chain model［J］. Discrete Dynamics in Nature and Society， 2018， 168： 1-12.
8	牛世峰，李贵强，张士伟. 卫星定位数据驱动的营运车辆驾驶员驾驶风险评估模型［J］. 中国公路学报， 2020， 33（6）： 202-211.
	NIU S F， LI G Q， ZHANG S W. Driving risk assessment model of commercial drivers based on satellite-positioning data［J］. China Journal of Highway and Transport， 2020， 33（6）： 202-211.
9	ZHU J Y， MA Y L， LOU Y N. Multi-vehicle interaction safety of connected automated vehicles in merging area： a real-time risk assessment approach［J］. Accident Analysis and Prevention， 2022， 166.
10	GOLD C， HAPPEE R， BENGLER K. Modeling take-over performance in level 3 conditionally automated vehicles［J］. Accident Analysis and Prevention， 2018， 116.
11	GRANE C. Assessment selection in human-automation interaction studies： the failure-GAM²E and review of assessment methods for highly automated driving［J］. Applied Ergonomics， 2018（66）： 182-192.
12	MA Y L， YIN B Q， CHEN K， et al. Multi-vehicle interactive lane-changing velocity change model based on potential energy field［J］. Transportation Research Record， 2022， 2676（11）： 306-323.
13	WANG J Q， WU J， ZHENG X J， et al. Driving safety field theory modeling and its application in pre-collision warning system［J］. Transportation Research Part C， 2016， 72（11）： 306-321.
14	何仁，赵晓聪，王建强. 人-车-路交互下的驾驶员风险响应度建模［J］. 中国公路学报， 2020， 33（9）： 236-250.
	HE R， ZHAO X C， WANG J Q. Modeling of driving risk response under human-vehicle-road interaction［J］. China Journal of Highway and Transport， 2020， 33（9）： 236-250.
15	李林恒，甘婧，曲栩，等. 智能网联环境下基于安全势场理论的车辆跟驰模型［J］. 中国公路学报， 2019， 32（12）： 76-87.
	LI L H， GAN J， QU X， et al. Car-following model based on safety potential field theory under connected and automated vehicle environment［J］. China Journal of Highway and Transport， 2019， 32（12）： 76-87.
16	赵小平，马有才，万平，等.情绪对新手驾驶员视觉特性的影响研究［J］. 中国安全科学学报， 2022， 32（1）： 34-40.
	ZHAO X P， MA Y C， WAN P， et al. Research on influence of emotion on novice drivers’ visual characteristics［J］. China Safety Science Journal， 2022， 32（1）： 34-40.
17	WANG J Q， WU J， LI Y. The driving safety field based on driver-vehicle-road interactions［J］. IEEE Transactions on Intelligent Transportation Systems， 2015， 16（4）： 2203-2214.
18	杨龙海，张春，仇晓赟，等. 冰雪条件下中国驾驶员跟驰行为及模型研究［J］. 交通运输系统工程与信息， 2020， 20（6）： 145-155.
	YANG L H， ZHANG C， QIU X Y， et al. Car-following behavior and model of Chinese drivers under snow and lce conditions［J］. Journal of Transportation Systems Engineering and Information Technology， 2020， 20（6）： 145-155.
19	马小龙，余强，刘建蓓，等. 基于无人机视频拍摄的高速公路小型车换道行为特性［J］. 中国公路学报， 2020， 33（6）： 95-105.
	MA X L， YU Q， LIU J B， et al. Analysis of lane change behavior of passenger cars on the freeway using UAVs［J］. China Journal of Highway and Transport， 2020， 33（6）： 95-105.

[1]	付新科,蔡英凤,陈龙,王海,刘擎超. 不确定性环境下的自动驾驶汽车行为决策方法[J]. 汽车工程, 2024, 46(2): 211-221.
[2]	赵晓聪,房世玉,李子睿,孙剑. 社会性驾驶交互关键效用析取与应用[J]. 汽车工程, 2024, 46(2): 230-240.
[3]	刘卫国,项志宇,刘伟平,齐道新,王子旭. 基于分布式强化学习的车辆控制算法研究[J]. 汽车工程, 2023, 45(9): 1637-1645.
[4]	王明,唐小林,杨凯,李国法,胡晓松. 考虑预测风险的自动驾驶车辆运动规划方法[J]. 汽车工程, 2023, 45(8): 1362-1372.
[5]	朱向雷,吴志新,张宇飞,赵帅,李克秋,孙博华. 基于场景降维及采样方法的场景库优化方法研究[J]. 汽车工程, 2023, 45(8): 1408-1416.
[6]	吴新政,邢星宇,刘力豪,沈勇,陈君毅. 基于错误注入的决策规划系统抗扰性测试与分析[J]. 汽车工程, 2023, 45(8): 1428-1437.
[7]	高锋,冯德福,胡秋霞. 面向NMPC运动规划系统的数值优化加速技术[J]. 汽车工程, 2023, 45(8): 1438-1447.
[8]	芦涛,金馨,廖毅霏,黄圣杰,杨依琳,谢国涛,秦晓辉. 基于雅克比域零空间边缘化的视觉SLAM[J]. 汽车工程, 2023, 45(8): 1457-1467.
[9]	伍文广,田双岳,张志勇,张斌. 非铺装道路凹凸不平特征语义分割方法研究[J]. 汽车工程, 2023, 45(8): 1468-1478.
[10]	林程, 汪博文, 吕沛原, 宫新乐, 于潇. 面向变曲率道路的自动驾驶汽车换道博弈运动规划与协同控制研究[J]. 汽车工程, 2023, 45(7): 1099-1111.
[11]	赵东宇, 赵树恩. 基于级联YOLOv7的自动驾驶三维目标检测[J]. 汽车工程, 2023, 45(7): 1112-1122.
[12]	李军, 周伟, 唐爽. 基于自适应拟合的智能车换道避障轨迹规划[J]. 汽车工程, 2023, 45(7): 1174-1183.
[13]	赵嘉豪,齐志权,齐智峰,王皓,何磊. 基于轮胎特征点的并行大型车辆朝向角计算[J]. 汽车工程, 2023, 45(6): 1031-1039.
[14]	金立生,韩广德,谢宪毅,郭柏苍,刘国峰,朱文涛. 基于强化学习的自动驾驶决策研究综述[J]. 汽车工程, 2023, 45(4): 527-540.
[15]	陈妍妍,王海,蔡英凤,陈龙,李祎承. 基于检测的高效自动驾驶实例分割方法[J]. 汽车工程, 2023, 45(4): 541-550.