汽車ACC系統(tǒng)主觀評價(jià)與客觀評價(jià)的 相關(guān)性分析

張瑞環(huán)，王 淞，杜永利，王星睿，王海濤，張?jiān)骑w

（北京汽車研究總院有限公司，北京 101300）

在汽車性能開發(fā)過程中，主客觀評價(jià)是驗(yàn)證汽車性能好壞的主要手段。主觀評價(jià)能夠反映駕乘人員的實(shí)際感受，對市場口碑有重要影響；客觀評價(jià)能夠通過量化數(shù)據(jù)體現(xiàn)汽車實(shí)際情況，并能夠通過設(shè)計(jì)方案進(jìn)行直接調(diào)節(jié)。二者相輔相成，缺一不可，它們的關(guān)系一直是汽車領(lǐng)域的研究重點(diǎn)之一。

目前，國內(nèi)外對于汽車主客觀評價(jià)相關(guān)性的研究大多集中于動(dòng)力性、駕駛性、操作穩(wěn)定性等傳統(tǒng)汽車性能。隨著智能網(wǎng)聯(lián)技術(shù)的不斷發(fā)展，以自適應(yīng)巡航控制（Adaptive Cruise Control, ACC）系統(tǒng)為代表的先進(jìn)駕駛輔助系統(tǒng)（Advanced Driving Assistance System, ADAS）在汽車上的搭載率不斷提升，對自適應(yīng)巡航控制系統(tǒng)的主客觀評價(jià)體系研究得到重視，并已有一定基礎(chǔ)，但對ACC系統(tǒng)主客觀評價(jià)指標(biāo)的相關(guān)性研究較少涉及。

本研究采用來自于不同廠商的5臺樣車分別進(jìn)行主客觀評價(jià)試驗(yàn)，試驗(yàn)分別在無目標(biāo)車行駛、跟車行駛和切入切出行駛?cè)蟮湫褪褂脠鼍跋抡归_?？紤]到樣本量以及客觀指標(biāo)之間的內(nèi)在聯(lián)系，采用偏最小二乘回歸方法（Partial Least Squares Regression, PLSR），對ACC系統(tǒng)主客觀評價(jià)指標(biāo)間的相關(guān)性進(jìn)行分析。

1 主觀評價(jià)試驗(yàn)

1.1 ACC主觀評價(jià)架構(gòu)

主觀評價(jià)架構(gòu)依據(jù)ACC功能的三大典型使用場景展開，分別是無目標(biāo)車行駛、跟車行駛和切入切出行駛。為評價(jià)汽車ACC功能的車速控制表現(xiàn)，主觀評價(jià)工程師分別對樣車在三大場景下的加速段和減速段的綜合表現(xiàn)進(jìn)行評價(jià)。主觀評價(jià)具體架構(gòu)和指標(biāo)權(quán)重如表1所示，主觀評價(jià)指標(biāo)權(quán)重依據(jù)模糊層次分析法（Fuzzy Analytic Hierarchy Process, FAHP）計(jì)算得出。本文參考美國SAE評分標(biāo)準(zhǔn)，主觀評價(jià)采用十分制評分法，評分最小間隔為0.25分。

表1 ACC系統(tǒng)主觀評價(jià)架構(gòu)與指標(biāo)權(quán)重

1.2 主觀評價(jià)一致性分析

為排除人為因素和偶發(fā)問題干擾，保證主觀評價(jià)結(jié)果的可信度，由四名經(jīng)驗(yàn)豐富的主觀評價(jià)工程師對試驗(yàn)車輛進(jìn)行評價(jià)，并采用斯皮爾曼等級相關(guān)系數(shù)對評價(jià)結(jié)果進(jìn)行一致性驗(yàn)證，剔除不一致主觀評價(jià)數(shù)據(jù)。斯皮爾曼等級相關(guān)系數(shù)是衡量兩個(gè)變量相關(guān)程度的非參數(shù)指標(biāo)，取值在-1到+1之間。對于樣本容量為的評價(jià)結(jié)果，首先對評分結(jié)果進(jìn)行排序，然后根據(jù)式（1）計(jì)算兩兩工程師的斯皮爾曼等級相關(guān)系數(shù)。

其中，、分別為兩名工程師給出的分?jǐn)?shù)排序，為評價(jià)樣車數(shù)量。

分別計(jì)算主觀評價(jià)三級指標(biāo)評分的斯皮爾曼等級相關(guān)系數(shù)后，對不一致的數(shù)據(jù)進(jìn)行剔除，取剩余評分?jǐn)?shù)據(jù)的算術(shù)平均值作為最終評價(jià)結(jié)果。以跟車加速指標(biāo)評價(jià)為例，主觀評價(jià)數(shù)據(jù)以及評分排名情況如表2所示。根據(jù)式（1）計(jì)算得到的斯皮爾曼等級相關(guān)系數(shù)矩陣見表3。結(jié)果表明，工程師C與其他三位工程師的斯皮爾曼等級相關(guān)系數(shù)明顯較低，數(shù)值均在0.6以下，表明工程師C的評價(jià)結(jié)果與其他三人評價(jià)結(jié)果差異較大，應(yīng)把工程師C的數(shù)據(jù)剔除。取剩余三名工程師的評價(jià)進(jìn)行算術(shù)平均，得到5臺樣車跟車加速指標(biāo)的評分分別為7.83、7.58、7.17、7.50、7.42。

表2 跟車加速指標(biāo)主觀評價(jià)結(jié)果

表3 斯皮爾曼等級相關(guān)系數(shù)矩陣

1.3 主觀評價(jià)結(jié)果

對5臺樣車進(jìn)行主觀評價(jià)，剔除不一致數(shù)據(jù)，根據(jù)指標(biāo)權(quán)重得到上級指標(biāo)評分，最終的主觀評 價(jià)結(jié)果如圖1所示。從整體來看，5臺車的表現(xiàn)呈階梯狀分布，其中樣車1#評分最高，超過7.75分。五臺樣車一級指標(biāo)平均分為7.43，樣車3#略高于平均分，樣車4#和樣車5#低于平均分，與其他三臺樣車差距較大。

圖1 ACC系統(tǒng)主觀評價(jià)結(jié)果

二級指標(biāo)方面，樣車1#在三項(xiàng)指標(biāo)均排名第一，其他車輛在三項(xiàng)的表現(xiàn)互有交叉。樣車5#表現(xiàn)較差，僅在跟車行駛的表現(xiàn)略好于樣車4#。

2 客觀評價(jià)試驗(yàn)

2.1 客觀試驗(yàn)條件

客觀測試工況和操作與主觀評價(jià)保持一致，分別在無目標(biāo)車行駛、跟車行駛、切入切出行駛?cè)髨鼍跋逻M(jìn)行測試，道路為長直道，不涉及彎道行駛。無目標(biāo)車行駛分為加速、勻速和減速工況；跟車行駛分為跟車加速、跟車勻速和跟車減速工況；切入切除行駛分為自車勻速、自車切出加速和他車切入減速工況。

測試車輛ACC系統(tǒng)速度最高設(shè)定為60 km/h，跟車距離設(shè)定為中檔。測試車輛的縱向速度變化全部由ACC系統(tǒng)控制完成，試驗(yàn)人員負(fù)責(zé)巡航速度設(shè)定和橫向控制。采用RT3000組合慣導(dǎo)、RT Range通信模塊等設(shè)備分別記錄測試車輛與目標(biāo)車速度、加速度、縱向距離、橫向距離等信號。為保證測量精度，每次試驗(yàn)重復(fù)進(jìn)行三次。

2.2 客觀試驗(yàn)指標(biāo)

根據(jù)主觀評價(jià)指標(biāo)，并參考ISO 22179等相關(guān)標(biāo)準(zhǔn)，共確定23項(xiàng)對應(yīng)的客觀評價(jià)指標(biāo)，如表4所示。采用Python語言編輯器PyCharm軟件，編寫相關(guān)程序，完成采集信號的后處理工作，并提取所需客觀評價(jià)指標(biāo)數(shù)值。

表4 ACC系統(tǒng)主觀評價(jià)指標(biāo)對應(yīng)的客觀評價(jià)指標(biāo)

3 主客觀評價(jià)指標(biāo)相關(guān)性分析

3.1 主客觀指標(biāo)回歸模型

PLSR方法將主成分分析、線性回歸和典型相關(guān)分析有機(jī)結(jié)合起來，在處理小樣本多重共線性數(shù)據(jù)方面有獨(dú)特優(yōu)勢。基于本研究的樣本量以及客觀指標(biāo)間的內(nèi)在關(guān)聯(lián)，采用PLSR方法建立主客觀對應(yīng)模型。根據(jù)表4的主客觀指標(biāo)對應(yīng)關(guān)系，分別建立無目標(biāo)車行駛、跟車行駛、切入切出行駛?cè)齻€(gè)場景下的回歸模型。變量投影重要性指標(biāo)（Variable Influence on Projection, VIP）值表示自 變量對因變量的解釋能力，可用其篩選影響主觀評價(jià)的關(guān)鍵客觀指標(biāo)。值可根據(jù)如下公式進(jìn)行計(jì)算。

其中，為自變量總數(shù)；為模型能解釋的總方差和；SSY為第個(gè)因子解釋因變量的方差和；為模型因子數(shù)；為PLSR方法中的權(quán)重向量。

3.2 結(jié)果與討論

表5給出了采用PLSR方法得到的三個(gè)回歸方程具體參數(shù)。三個(gè)回歸方程的主成分因子數(shù)在四個(gè)以內(nèi)，擬合決定系數(shù)均在0.9以上。跟車行駛場景下的最高，達(dá)到0.98，以上表明主客觀指標(biāo)間具有顯著的相關(guān)性。

表5 主觀指標(biāo)與客觀指標(biāo)的偏最小二乘回歸結(jié)果

從圖2中可以直觀看到，三大場景下的回歸方程相對誤差均在2%以內(nèi)，滿足了主觀評價(jià)分?jǐn)?shù)的預(yù)測精度要求。其中無目標(biāo)車行駛的總體相對誤差較大，最大相對誤差為1.98%，平均相對誤差為0.84%。

圖2 偏最小二乘回歸模型預(yù)測結(jié)果

計(jì)算得到的客觀指標(biāo)值如圖3所示，值大于1的指標(biāo)被認(rèn)定為關(guān)鍵客觀指標(biāo)。最終篩選出對主觀評價(jià)結(jié)果具有重要影響的關(guān)鍵指標(biāo)10項(xiàng)。

無目標(biāo)車行駛場景下值大于1的關(guān)鍵指標(biāo)為最大加速度、加速度變化率范圍和最大減速度，說明車內(nèi)人員在此場景下對車輛動(dòng)力性、制動(dòng)性，以及舒適性更為關(guān)注。跟車行駛時(shí)，關(guān)鍵客觀指標(biāo)為最大加速度、加速度變化率范圍、最小碰撞時(shí)間和減速度變化率范圍。切入切出行駛時(shí)，關(guān)鍵客觀指標(biāo)為加速度變化率范圍、減速時(shí)刻碰撞時(shí)間和減速度變化率范圍。碰撞時(shí)間表示主車與目標(biāo)車保持在當(dāng)前相對速度下，后車碰撞前車所需時(shí)間。通過對三大用車場景下的關(guān)鍵客觀指標(biāo)對比發(fā)現(xiàn)，在道路 上有目標(biāo)車介入的情況下，碰撞時(shí)間指標(biāo)對主觀感受的影響較大，說明車內(nèi)乘客對安全性的關(guān)注度上升。

圖3 ACC系統(tǒng)關(guān)鍵客觀指標(biāo)篩選結(jié)果

4 結(jié)論

采用PLSR方法，對汽車ACC系統(tǒng)的主客觀指標(biāo)對應(yīng)關(guān)系進(jìn)行了研究。對5輛車分別進(jìn)行主觀評價(jià)和客觀測試，得到主客觀指標(biāo)相關(guān)數(shù)據(jù)。建立了三大用車場景下的主客觀指標(biāo)回歸方程，并進(jìn)一步篩選出10項(xiàng)對主觀評價(jià)指標(biāo)影響較大的關(guān)鍵客觀指標(biāo)，結(jié)論如下：

（1）建立的回歸方程擬合決定系數(shù)均在0.9以上，且相對誤差在2%以內(nèi)，可用于主觀評價(jià)分?jǐn)?shù)預(yù)測，對于主機(jī)廠ACC系統(tǒng)開發(fā)參數(shù)設(shè)定具有指導(dǎo)意義。

（2）從篩選出的關(guān)鍵客觀指標(biāo)來看，無目標(biāo) 車情況下，車內(nèi)人員關(guān)注車輛的動(dòng)力性、制動(dòng)性以及過程中的舒適性；而在有目標(biāo)車出現(xiàn)時(shí)，關(guān)鍵客觀指標(biāo)中增加碰撞時(shí)間，表明對于安全性的關(guān)注明顯提升。分析結(jié)果可用于不同場景下，對ACC功能的針對性調(diào)校。

未來將進(jìn)一步積累樣本量，以不斷優(yōu)化更新模型，并嘗試采用非線性（支持向量機(jī)，神經(jīng)網(wǎng)絡(luò)等）建模方法探究主客觀指標(biāo)間的關(guān)系。