L3级自动驾驶车辆驾驶员信任度评估方法及系统技术方案

本发明专利技术涉及一种L3级自动驾驶车辆驾驶员信任度评估方法，包括如下步骤：步骤一、通过引入主观信任量表，获取自动驾驶接管实验的驾驶员信任度，对主观信任度进行量化分析；步骤二、采用K

【技术实现步骤摘要】
L3级自动驾驶车辆驾驶员信任度评估方法及系统


[0001]本专利技术属于交通安全领域，具体涉及一种L3级自动驾驶车辆驾驶员信任度评估方法及系统。

技术介绍

[0002]近年来，自动驾驶成为交通领域的研究热点。美国汽车工业学会将自动驾驶从0到5定义了6个等级，L3级代表有条件的自动驾驶。当处于自动驾驶状态的车辆面对超过其能力范畴的危险紧急路况或处于失效与故障状态时，驾驶员需要进行应急处理，对车辆进行紧急接管。在L3级驾驶条件下，驾驶员经常从事与驾驶无关的次任务，对交通环境的认知与反应会有不同程度的降低，以致自动驾驶状态下驾驶员的风险响应时间要比人工驾驶时更长，极易引发交通冲突或事故。
[0003]现有的自动驾驶车辆驾驶员信任度评估方法中，主观量表法由于简单易实施的特点，在研究中广泛采纳，并在本领域中大量应用。随着研究深入，主观信任量表法的局限性逐渐显现，很难随着时间的推移重复获得和实时更新信任评估结果。因此，急需一种L3级自动驾驶车辆驾驶员信任度评估方法及系统，为智慧交通环境下驾驶员信任度的客观实时评估提供参考。

技术实现思路

[0004]本专利技术为解决上述问题，提出一种L3级自动驾驶车辆驾驶员信任度评估方法及系统。
[0005]本专利技术涉及一种L3级自动驾驶车辆驾驶员信任度评估方法，包括如下步骤：
[0006]步骤一、通过引入主观信任量表，获取自动驾驶接管实验的驾驶员信任度，对主观信任度进行量化分析；
[0007]步骤二、采用K
‑
means聚类方法对主观信任度进行分级；
[0008]步骤三、对驾驶接管的关键帧进行提取；
[0009]步骤四、对提取的驾驶员状态进行编码；
[0010]步骤五、建立基于卡尔曼滤波算法的驾驶员信任度评估方法；
[0011]进一步地，步骤一中，基于主观信任量表对实验后的信任进行量化，量化方法为每名被试者的主观信任量表选项的数字平均值。
[0012]进一步地，步骤二中，采用K
‑
means聚类方法将主观信任度划分为高信任组、中信任组和低信任组。
[0013]进一步地，步骤三中，选取接管关键帧的对应的时刻分别为：接管提示前2.0s、接管提示前1.0s、接管提示时0.0s、接管提示后1.0s和接管提示后2.0s。
[0014]进一步地，步骤四中，分别对驾驶员手部及脚部位置分类并编码为H1、H2、H3、F1、F2、F3。
[0015]进一步地，步骤五中，卡尔曼滤波算法分为预测更新和测量更新两个模块，计算公
式如下：
[0016][0017]式中，——t时刻的系统状态；F
t
——t时刻的系统转移矩阵；K
t
——t时刻的卡尔曼增益；Z
t
——t时刻的实际观测值；H
t
——观测矩阵；P
t
——误差矩阵；R
t
——测量噪声协方差矩阵；B
t
——输入控制矩阵；u
t
——输入控制量；Q
t
——过程噪声协方差矩阵；
[0018]应用经典的基于卡尔曼滤波器的连续状态估计方法来评估信任度在于估计器的连续输出度量有助于构建考虑信任度的接管绩效预测模型，为应用控制器和决策算法的设计奠定基础；通过具有重复测量效能的卡尔曼滤波器弱化与驾驶员行为的随机性相关的潜在影响，实现对驾驶员信任度的实时准确评估；
[0019]为有效开展方法的建立，采用布尔值将接管事件t对应的预警类型进行转换，转换方式如下：
[0020]①
正确预警
[0021][0022]②
错误预警
[0023][0024]③
未预警
[0025][0026]卡尔曼滤波器的实现需要定义可以实时测量和处理的观测变量，这些观测变量必须与待评估的变量(即信任度)相关，因此将驾驶员手部位置为H1时的频率hi和脚部位置为F1时的频率fi定义为卡尔曼滤波中的观测变量，同时结合主观信任度和预警类型布尔值，采用LTI系统状态空间模型来表示实验过程中驾驶员的动态信任水平，公式为：
[0027][0028]式中，T
o
(t+1)——第t+1次接管后被试者的客观信任度；
[0029]T
o
(t)——第t次接管后被试者的客观信任度；
[0030]J
t+1
,L
t+1
,M
t+1
——第t+1次接管事件预警类型的布尔值；
[0031]h
t+1
——第t+1次接管事件中驾驶员手部位置为H1级的频率；
[0032]f
t+1
——第t+1次接管事件中驾驶员脚部位置为F1级的频率；
[0033]A,B,C——待定系数矩阵，其中A＝[a
11
]，B＝[b
11
,b
12
,b
13
]，C＝[c
11
,c
21
]T
；
[0034]u(t)——预测过程的噪声，
[0035]w(t)——观测噪声，w(t)～Ν(0,∑w)；
[0036]基于状态空间方程采用卡尔曼滤波算法对信任度进行评估，算法流程如下：
[0037](1)对信任度和协方差进行初始化
[0038][0039]式中，——算法评估的驾驶员初始客观先验信任度，实际应用中可用信任量表评估；
[0040]C——待定系数矩阵，C＝[c
11
,c
21
]T
；
[0041]h1——第1次接管事件中驾驶员手部位置为H1级的频率；
[0042]f1——第1次接管事件中驾驶员脚部位置为F1级的频率；
[0043]——的协方差；
[0044](2)计算卡尔曼增益
[0045][0046]式中，K——卡尔曼增益；
[0047]——的协方差；
[0048]∑w——观测噪声的标准差；
[0049](3)驾驶员状态更新
[0050][0051]式中，——t+1次接管事件算法评估的驾驶员手部位置为H1级的频率；
[0052]——t+1次接管事件算法评估的驾驶员脚部位置为F1级的频率；
[0053]——t次接管事件后算法评估的驾驶员先验客观信任度；
[0054][0055]式中，h
t+1
——第t+1次接管事件驾驶员手部位置为H1级的频率；
[0056]f
t+1
——第t+1次接管事件驾驶员脚部位置为F1级的频率；
[0057](4)驾驶员信任度更新
[0058][0059]式中，T
o
(t)——第t次接管后算法评估的驾驶员后验客观信任度；
[0060]∑T
o...

【技术保护点】

【技术特征摘要】
1.一种L3级自动驾驶车辆驾驶员信任度评估方法，其特征在于，包括如下步骤：步骤一、通过引入主观信任量表，获取自动驾驶接管实验的驾驶员信任度，对主观信任度进行量化分析；步骤二、采用K
‑
means聚类方法对主观信任度进行分级；步骤三、对驾驶接管的关键帧进行提取；步骤四、对提取的驾驶员状态进行编码；步骤五、建立基于卡尔曼滤波算法的驾驶员信任度评估方法。2.根据权利要求1所述的L3级自动驾驶车辆驾驶员信任度评估方法，其特征在于，步骤一中，基于主观信任量表对实验后的信任进行量化，量化方法为每名被试者的主观信任量表选项的数字平均值。3.根据权利要求1所述的L3级自动驾驶车辆驾驶员信任度评估方法，其特征在于，步骤二中，采用K
‑
means聚类方法将主观信任度划分为高信任组、中信任组和低信任组。4.根据权利要求1所述的L3级自动驾驶车辆驾驶员信任度评估方法，其特征在于，步骤三中，选取接管关键帧的对应的时刻分别为：接管提示前2.0s、接管提示前1.0s、接管提示时0.0s、接管提示后1.0s和接管提示后2.0s。5.根据权利要求1所述的L3级自动驾驶车辆驾驶员信任度评估方法，其特征在于，步骤四中，分别对驾驶员手部及脚部位置分类并编码为H1、H2、H3、F1、F2、F3。6.根据权利要求1所述的L3级自动驾驶车辆驾驶员信任度评估方法，其特征在于，步骤五中，卡尔曼滤波算法分为预测更新和测量更新两个模块，计算公式如下：式中，——t时刻的系统状态；F
t
——t时刻的系统转移矩阵；K
t
——t时刻的卡尔曼增益；Z
t
——t时刻的实际观测值；H
t
——观测矩阵；P
t
——误差矩阵；R
t
——测量噪声协方差矩阵；B
t
——输入控制矩阵；u
t
——输入控制量；Q
t
——过程噪声协方差矩阵；应用经典的基于卡尔曼滤波器的连续状态估计方法来评估信任度在于估计器的连续输出度量有助于构建考虑信任度的接管绩效预测模型，为应用控制器和决策算法的设计奠定基础；通过具有重复测量效能的卡尔曼滤波器弱化与驾驶员行为的随机性相关的潜在影响，实现对驾驶员信任度的实时准确评估；为有效开展方法的建立，采用布尔值将接管事件t对应的预警类型进行转换，转换方式如下：
①
正确预警
②
错误预警
③
未预警卡尔曼滤波器的实现需要定义可以实时测量和处理的观测变量，这些观测变量必须与待评估的变量相关，因此将驾驶员手部位置为H1时的频率h
i
和脚部位置为F1时的频率f
i
定义为卡尔曼滤波中的观测变量，同时结合主观信任度和预警类型布尔值，采用LTI系统状态空间模型来表示实验过程中驾驶员的动态信任水平，公式为：式中，T
o
(t+1)——第t+1次接管后被试者的客观信任度；T
o
(t)——第t次接管后被试者的客观信任度；J
t+1
,L
t+1
,M
t+1
...

【专利技术属性】
技术研发人员：马艳丽，董方琦，韩笑雪，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：