自動(dòng)駕駛路測(cè)融合度建模與分析

鹿 暢，劉 穎，趙麗影，涂輝招，汪大明，宋曉航

（1. 同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 201804；2. 交通運(yùn)輸部規(guī)劃研究院，北京 100028；3. 上研智聯(lián)智能出行科技（上海）有限公司檢測(cè)技術(shù)研究部，上海 201306）

世界各地大規(guī)模推進(jìn)自動(dòng)駕駛車開放道路測(cè)試（下文簡(jiǎn)稱自動(dòng)駕駛路測(cè)）［1］，旨在驗(yàn)證自動(dòng)駕駛車在不同道路場(chǎng)景中的可靠性、安全性和通行效率，促進(jìn)自動(dòng)駕駛技術(shù)的迭代成熟和規(guī)?；瘧?yīng)用。自動(dòng)駕駛路測(cè)融合度（即自動(dòng)駕駛車在開放道路測(cè)試過程中融入現(xiàn)有道路交通系統(tǒng)的程度）受到廣泛關(guān)注［2］，美國(guó)加州［3］、中國(guó)北京［4］和上海［5］已先后發(fā)布自動(dòng)駕駛路測(cè)報(bào)告。自動(dòng)駕駛路測(cè)融合度不僅直接影響現(xiàn)有道路交通系統(tǒng)，還間接影響公眾對(duì)自動(dòng)駕駛技術(shù)的接受程度［6-7］。

自動(dòng)駕駛路測(cè)融合度關(guān)鍵要素是路測(cè)車輛的安全性［2，8-9］。脫離率［10］是安全性的重要指標(biāo)，包括平均脫離里程間隔（MPD）［11］和每1 000 英里脫離率［12］。MPD 反映自動(dòng)駕駛車在無人工干預(yù)情況下平均每次脫離可連續(xù)行駛的里程。每1 000 英里脫離率反映自動(dòng)駕駛車每行駛1 000 英里人工干預(yù)次數(shù)。通常認(rèn)為脫離的頻率越低，自動(dòng)駕駛車的表現(xiàn)越好，與現(xiàn)有道路交通系統(tǒng)的融合度就越高。隨著自動(dòng)駕駛累計(jì)測(cè)試?yán)锍碳袄塾?jì)測(cè)試時(shí)長(zhǎng)的增加，脫離率表現(xiàn)會(huì)變好［7］。路測(cè)車輛的脫離與測(cè)試場(chǎng)景具有強(qiáng)相關(guān)性［12］。統(tǒng)計(jì)分析加州發(fā)布的自動(dòng)駕駛脫離數(shù)據(jù)后發(fā)現(xiàn)，相比于高速公路，自動(dòng)駕駛脫離更容易發(fā)生在城市道路［13］。造成自動(dòng)駕駛脫離的原因各異［14］，根據(jù)脫離的發(fā)起者不同可將脫離分為2 類，即被動(dòng)脫離和主動(dòng)脫離［11］。被動(dòng)脫離是指由場(chǎng)景限制及車輛功能限制造成的脫離，由自動(dòng)駕駛系統(tǒng)發(fā)起。主動(dòng)脫離是指當(dāng)安全員認(rèn)為自動(dòng)駕駛車無法應(yīng)對(duì)當(dāng)前測(cè)試場(chǎng)景時(shí)主動(dòng)發(fā)起的脫離。也有研究將脫離分為避險(xiǎn)脫離和非避險(xiǎn)脫離，認(rèn)為考慮非避險(xiǎn)脫離會(huì)低估自動(dòng)駕駛車的表現(xiàn)［15］。

路測(cè)車輛為了安全而采取過于保守的策略，會(huì)產(chǎn)生換道行為猶豫、通過交叉口速度過慢等現(xiàn)象，進(jìn)而引起交通擁堵、交通效率降低甚至路怒［16］?，F(xiàn)有研究中主要通過理論推導(dǎo)［17］和仿真［18-22］，分析不同車道設(shè)置［17］、不同自動(dòng)駕駛能力（跟馳距離［17］、反應(yīng)時(shí)間［19］等）、不同自動(dòng)駕駛滲透率［17-21］下自動(dòng)駕駛車對(duì)交通效率的影響。

自動(dòng)駕駛路測(cè)單一指標(biāo)難以全面且客觀地反映自動(dòng)駕駛路測(cè)水平。例如，過于保守的行駛策略在能保證測(cè)試安全的同時(shí)卻會(huì)影響道路的通行效率。路測(cè)的自動(dòng)駕駛車類型包括商用車、乘用車和專用作業(yè)車［23］等。路測(cè)道路環(huán)境包括城市道路、高速公路［23］等?？紤]到不同類型車輛的性能不同，在不同道路場(chǎng)景下的行駛特征也不同，對(duì)于自動(dòng)駕駛路測(cè)表現(xiàn)評(píng)價(jià)需要分場(chǎng)景、分車型。例如，在城市道路上測(cè)試的專用作業(yè)車行駛速度低且測(cè)試?yán)锍滔鄬?duì)短，而在高速公路上測(cè)試的商用車行駛速度高且測(cè)試?yán)锍涕L(zhǎng)。因此，提出了自動(dòng)駕駛路測(cè)融合度模型，綜合考慮不同路測(cè)車型和不同路測(cè)場(chǎng)景下路測(cè)安全性及路測(cè)對(duì)交通效率的影響。

1 自動(dòng)駕駛路測(cè)融合度模型構(gòu)建

1.1 名詞定義

（1）自動(dòng)駕駛路測(cè)融合度。自動(dòng)駕駛車在開放道路測(cè)試過程中融入現(xiàn)有道路交通系統(tǒng)的程度。

（2）避險(xiǎn)脫離。在實(shí)際路測(cè)過程中，自動(dòng)駕駛車受軟硬件失效、緊急情況等因素干擾而脫離，或盡管未檢測(cè)到異常，但由于存在碰撞風(fēng)險(xiǎn)，駕駛員（安全員）不得不進(jìn)行干預(yù)而保持安全，使車輛脫離［15］。

1.2 自動(dòng)駕駛路測(cè)融合度模型

對(duì)于自動(dòng)駕駛路測(cè)融合度模型，同時(shí)考慮了安全以及效率兩方面。以自動(dòng)駕駛累計(jì)測(cè)試?yán)锍?、自?dòng)駕駛累計(jì)測(cè)試時(shí)長(zhǎng)和避險(xiǎn)脫離率為指標(biāo)表征自動(dòng)駕駛路測(cè)融合度的安全性。以通行能力影響率和運(yùn)行速度差異率為指標(biāo)表征路測(cè)融合度的效率。k類場(chǎng)景下類型j車輛的自動(dòng)駕駛路測(cè)融合度的計(jì)算式如下所示：

式中：D為自動(dòng)駕駛路測(cè)融合度，D∈[0，100]；wijk為第i個(gè)指標(biāo)權(quán)重，且∑wijk=1；sijk為第i個(gè)評(píng)價(jià)指標(biāo)標(biāo)準(zhǔn)化后的屬性值，sijk∈[0，100]。自動(dòng)駕駛路測(cè)融合度值越大則代表自動(dòng)駕駛車與周圍交通流融合程度越高。

自動(dòng)駕駛路測(cè)融合度評(píng)價(jià)框架如圖1所示。首先，對(duì)路測(cè)車型及場(chǎng)景分類，明確評(píng)價(jià)的車型以及路測(cè)場(chǎng)景類型，選取合適的指標(biāo)構(gòu)建評(píng)價(jià)指標(biāo)體系；然后，確定各評(píng)價(jià)指標(biāo)的標(biāo)準(zhǔn)化函數(shù)并計(jì)算各指標(biāo)的權(quán)重，從而構(gòu)建自動(dòng)駕駛路測(cè)融合度模型；最后，根據(jù)實(shí)測(cè)數(shù)據(jù)和仿真數(shù)據(jù)計(jì)算路測(cè)融合度。

圖1 自動(dòng)駕駛路測(cè)融合度評(píng)價(jià)框架Fig.1 Evaluation framework for integration degree of autonomous vehicles in road testing

1.3 自動(dòng)駕駛路測(cè)融合度評(píng)價(jià)指標(biāo)

自動(dòng)駕駛路測(cè)融合度模型選取了能表征安全性和效率的5 個(gè)評(píng)價(jià)指標(biāo)。安全性方面，目前缺少路測(cè)階段事故率統(tǒng)計(jì)數(shù)據(jù)，因此選擇能表征安全性的避險(xiǎn)脫離率指標(biāo)。若累計(jì)測(cè)試?yán)锍袒蚶塾?jì)測(cè)試時(shí)長(zhǎng)過低時(shí)計(jì)算得到的避險(xiǎn)脫離率難以客觀反映自動(dòng)駕駛路測(cè)表現(xiàn)，則同時(shí)考慮累計(jì)測(cè)試?yán)锍毯屠塾?jì)測(cè)試時(shí)長(zhǎng)。隨著累計(jì)測(cè)試?yán)锍毯屠塾?jì)測(cè)試時(shí)長(zhǎng)的增加，自動(dòng)駕駛車的安全性也得到一定程度提升。因此，累計(jì)測(cè)試?yán)锍毯屠塾?jì)測(cè)試時(shí)長(zhǎng)也被選為自動(dòng)駕駛路測(cè)融合度安全性評(píng)價(jià)指標(biāo)。效率方面，選擇表征個(gè)體效率的運(yùn)行速度差異率和表征路段交通效率的通行能力影響率。

（1）自動(dòng)駕駛累計(jì)測(cè)試?yán)锍蹋╧m·（車·年）?1）指一年中同企業(yè)平均每輛自動(dòng)駕駛車在駕駛模式為自動(dòng)駕駛時(shí)行駛的總里程?；趯?shí)際自動(dòng)駕駛路測(cè)數(shù)據(jù)，統(tǒng)計(jì)同一企業(yè)平均每輛自動(dòng)駕駛車在一年中駕駛模式為自動(dòng)駕駛時(shí)的測(cè)試總里程。

（2）自動(dòng)駕駛累計(jì)測(cè)試時(shí)長(zhǎng)（h·（車·年）?1）指一年中同企業(yè)平均每輛自動(dòng)駕駛車在駕駛模式為自動(dòng)駕駛時(shí)行駛的總時(shí)長(zhǎng)?；趯?shí)際自動(dòng)駕駛路測(cè)數(shù)據(jù)，統(tǒng)計(jì)同一企業(yè)平均每輛自動(dòng)駕駛車在一年中駕駛模式為自動(dòng)駕駛時(shí)的測(cè)試總時(shí)長(zhǎng)。

（3）避險(xiǎn)脫離率（次·百公里?1）指一年中單位里程（百公里）同企業(yè)自動(dòng)駕駛車平均每車由于避險(xiǎn)而脫離自動(dòng)駕駛模式切換為人工駕駛模式的次數(shù)。根據(jù)自動(dòng)駕駛測(cè)試脫離前后駕駛特征變化識(shí)別是否為避險(xiǎn)脫離［15］。識(shí)別避險(xiǎn)脫離后統(tǒng)計(jì)同企業(yè)自動(dòng)駕駛車一年中每百公里的避險(xiǎn)脫離次數(shù)即為避險(xiǎn)脫離率。

（4）通行能力影響率（%）指自動(dòng)駕駛路測(cè)前后道路通行能力的變化率，計(jì)算式如下所示：

式中：Cˉat指自動(dòng)駕駛路測(cè)前的道路通行能力；Cˉbt指自動(dòng)駕駛路測(cè)后的道路通行能力。

當(dāng)通行能力影響率為負(fù)數(shù)值時(shí)說明自動(dòng)駕駛車加入后道路通行能力提高。通行能力影響率受限于數(shù)據(jù)可獲取性，由于通行能力影響率較難根據(jù)實(shí)測(cè)數(shù)據(jù)直接獲得，因此可將實(shí)測(cè)數(shù)據(jù)中提取到的自動(dòng)駕駛車和人工駕駛車的運(yùn)行參數(shù)（速度、加速度等）作為輸入，通過仿真結(jié)果計(jì)算得到。

（5）運(yùn)行速度差異率（%）指自動(dòng)駕駛車的平均運(yùn)行速度與人工駕駛車的平均運(yùn)行速度的差異率，計(jì)算式如下所示：

式中：vˉa是自動(dòng)駕駛路測(cè)時(shí)自動(dòng)駕駛車的平均運(yùn)行速度；vˉm是測(cè)試時(shí)周邊人工駕駛車的平均運(yùn)行速度。

當(dāng)運(yùn)行速度差異率為負(fù)數(shù)值時(shí)說明自動(dòng)駕駛車的平均運(yùn)行速度高于人工駕駛車的平均運(yùn)行速度。運(yùn)行速度差異率計(jì)算過程中所需的人工駕駛車的平均運(yùn)行速度可以根據(jù)與自動(dòng)駕駛車在同區(qū)域同時(shí)段運(yùn)行的網(wǎng)約車數(shù)據(jù)計(jì)算得出。

1.4 仿真推演

由于難以獲取自動(dòng)駕駛路測(cè)時(shí)周邊交通流數(shù)據(jù)，因此僅基于自動(dòng)駕駛實(shí)測(cè)數(shù)據(jù)無法直接估算自動(dòng)駕駛路測(cè)時(shí)的道路通行能力。以實(shí)測(cè)數(shù)據(jù)為驅(qū)動(dòng)，構(gòu)建仿真模型來推算道路通行能力。

（1）仿真模型搭建

基于路測(cè)時(shí)真實(shí)自動(dòng)駕駛車和人工駕駛車行駛的速度和加速度分布數(shù)據(jù)以及特征，搭建交通流仿真模型。仿真模型選用元胞自動(dòng)機(jī)［24］。

每輛車的狀態(tài)由其速度和位置表征，若單位時(shí)間為1，則t時(shí)刻下狀態(tài)按照如下演化規(guī)則更新：

式中：amax為安全舒適范圍內(nèi)自動(dòng)駕駛車的最大加速度；acom為安全舒適范圍內(nèi)自動(dòng)駕駛車的舒適減速度；v為當(dāng)前車速；vd為期望車速；dd為期望車間距離；d為當(dāng)前車間距離；d0和d1為與速度相關(guān)的安全距離參數(shù)；tra為自動(dòng)駕駛車反應(yīng)時(shí)間；vn?1為vn的前車車速。

（3）人工駕駛車控制模型

人工駕駛車的跟馳行為采用Newell 跟馳模型［26］，交通流中第n輛車的位置變化如下所示：

式中：trm為人工駕駛車反應(yīng)時(shí)間；xn(t+trm)為車輛n在（t+trm）時(shí)刻的位移；xn?1(t)為車輛(n?1)在t時(shí)刻的位移；dm為車輛間距差項(xiàng)。

換道模型采用Gipps模型［27］，將車輛換道因素歸為未來轉(zhuǎn)向需求、由上匝道匯入主路、超越前方慢車。不同車輛在不同換道因素下會(huì)產(chǎn)生不同的換道期望車輛間距和速度差。當(dāng)車輛與周圍車輛間距、速度差等滿足車輛預(yù)期的換道條件時(shí)，有換道需求的車輛才會(huì)進(jìn)行換道。

（4）通行能力影響率計(jì)算方法

通行能力是指在一定道路、交通、環(huán)境條件下，道路上某一斷面在單位時(shí)間內(nèi)能通過的最大車輛數(shù)（pcu·h?1）。對(duì)于無信號(hào)燈控制的路段，通行能力可由最大飽和流率近似。模擬交通流5 min 內(nèi)最大流量為q，則通行能力Cˉ計(jì)算式如下所示：

（5）仿真參數(shù)輸入

為了保證仿真交通流盡量還原真實(shí)道路表現(xiàn)，收集自動(dòng)駕駛車測(cè)試時(shí)的運(yùn)行特征和同時(shí)空的人工駕駛車交通流數(shù)據(jù)，用實(shí)際數(shù)據(jù)標(biāo)定路段流量、期望速度分布、期望加速度分布等參數(shù)，對(duì)于少量難以獲取的駕駛行為模型參數(shù)，通過參考既有文獻(xiàn)和對(duì)測(cè)試車企的訪談確定。

交通流仿真中，對(duì)于人工駕駛車跟馳模型，城市道路場(chǎng)景下車輛間距差項(xiàng)dm和反應(yīng)時(shí)間trm由文獻(xiàn)［28］中實(shí)測(cè)數(shù)據(jù)標(biāo)定，公路場(chǎng)景下由文獻(xiàn)［29］中實(shí)測(cè)數(shù)據(jù)標(biāo)定；對(duì)于安全舒適范圍內(nèi)自動(dòng)駕駛車的最大加速度amax、舒適減速度acom以及期望車間距離dd、自動(dòng)駕駛車反應(yīng)時(shí)間tra等參數(shù)，可根據(jù)文獻(xiàn)［30］中方法基于實(shí)際自動(dòng)駕駛路測(cè)數(shù)據(jù)標(biāo)定。

1.5 評(píng)價(jià)指標(biāo)標(biāo)準(zhǔn)化

自動(dòng)駕駛路測(cè)融合度評(píng)價(jià)指標(biāo)包括正向指標(biāo)和逆向指標(biāo)。路測(cè)融合度的值隨著正向指標(biāo)的值增大而增大；反之，路測(cè)融合度的值隨著逆向指標(biāo)的值增大而減小。自動(dòng)駕駛累計(jì)測(cè)試?yán)锍?、自?dòng)駕駛累計(jì)測(cè)試時(shí)長(zhǎng)為正向指標(biāo)，避險(xiǎn)脫離率、通行能力影響率及運(yùn)行速度差異率為逆向指標(biāo)。

假設(shè)：當(dāng)正向指標(biāo)值高于某一水平后，指標(biāo)值增加不再影響融合度值，當(dāng)正向指標(biāo)低于某一水平后，指標(biāo)值減少不再影響融合度值；當(dāng)逆向指標(biāo)值低于某一水平后，指標(biāo)值減少不再影響融合度值，當(dāng)逆向指標(biāo)高于某一水平后，指標(biāo)值增加不再影響融合度值。各評(píng)價(jià)指標(biāo)標(biāo)準(zhǔn)化后的最大值為100，最小值為0。評(píng)價(jià)指標(biāo)標(biāo)準(zhǔn)化后的值越大，融合度就越好。融合度指標(biāo)標(biāo)準(zhǔn)化的確定包括以下3個(gè)步驟：

（1）數(shù)據(jù)收集

設(shè)計(jì)五點(diǎn)式李克特量表，通過問卷收集獲取專家對(duì)評(píng)價(jià)指標(biāo)的看法，由專家對(duì)評(píng)價(jià)指標(biāo)進(jìn)行評(píng)分。將評(píng)價(jià)指標(biāo)按照體現(xiàn)路測(cè)融合度的高低分為5個(gè)等級(jí)，從體現(xiàn)路測(cè)融合度低到體現(xiàn)路測(cè)融合度高依次為非常差、差、一般、良好、優(yōu)秀。與常用的1～5分不同，為了后期更直觀地展示路測(cè)融合度，將5個(gè)等級(jí)（非常差、差、一般、良好、優(yōu)秀）對(duì)應(yīng)的分值分別設(shè)置為0、25、50、75、100。

（2）標(biāo)準(zhǔn)化函數(shù)選擇

本方法中標(biāo)準(zhǔn)化目標(biāo)為將各評(píng)價(jià)指標(biāo)標(biāo)準(zhǔn)化至［0，100］范圍內(nèi)。為了選擇合適的標(biāo)準(zhǔn)化函數(shù)，對(duì)比不同標(biāo)準(zhǔn)化函數(shù)擬合結(jié)果的均方誤差（αMSE），選擇均方誤差最小的函數(shù)形式作為標(biāo)準(zhǔn)化函數(shù)。正向指標(biāo)和逆向指標(biāo)的標(biāo)準(zhǔn)化函數(shù)可以不同。共選取線性函數(shù)、對(duì)數(shù)函數(shù)、皮爾生長(zhǎng)曲線函數(shù)和負(fù)指數(shù)函數(shù)4種標(biāo)準(zhǔn)化函數(shù)。其中，線性函數(shù)和對(duì)數(shù)函數(shù)同時(shí)適用于正向指標(biāo)和逆向指標(biāo)標(biāo)準(zhǔn)化，皮爾生長(zhǎng)曲線函數(shù)只適用于正向指標(biāo)標(biāo)準(zhǔn)化，負(fù)指數(shù)函數(shù)只適用于逆向指標(biāo)標(biāo)準(zhǔn)化?？紤]到標(biāo)準(zhǔn)化需求和函數(shù)取值連續(xù)性，為了使函數(shù)更好地?cái)M合定義域，對(duì)對(duì)數(shù)函數(shù)、皮爾生長(zhǎng)曲線函數(shù)和負(fù)指數(shù)函數(shù)的公式做了線性調(diào)整。各標(biāo)準(zhǔn)化函數(shù)的具體表達(dá)式如表1所示。

表1 標(biāo)準(zhǔn)化函數(shù)Tab.1 Standardized functions

（3）標(biāo)準(zhǔn)化函數(shù)參數(shù)擬合

選取評(píng)價(jià)指標(biāo)為自變量，每份問卷中各評(píng)價(jià)指標(biāo)對(duì)應(yīng)分?jǐn)?shù)的平均值為因變量（路測(cè)融合度真實(shí)值），作為參數(shù)擬合的數(shù)據(jù)集?；跀?shù)據(jù)集和標(biāo)準(zhǔn)化函數(shù)，采用高斯-牛頓迭代法進(jìn)行參數(shù)擬合，計(jì)算標(biāo)準(zhǔn)化函數(shù)的參數(shù)。使用αMSE來表征各標(biāo)準(zhǔn)化函數(shù)的擬合表現(xiàn)，針對(duì)正向指標(biāo)和逆向指標(biāo)分別選取αMSE最小的標(biāo)準(zhǔn)化函數(shù)。

1.6 評(píng)價(jià)指標(biāo)權(quán)重

采用層次分析法［31］確定各評(píng)價(jià)指標(biāo)權(quán)重，包括層次結(jié)構(gòu)模型建立、判斷矩陣構(gòu)造以及判斷矩陣求解和一致性檢驗(yàn)3個(gè)步驟。

（1）層次結(jié)構(gòu)模型建立

評(píng)價(jià)指標(biāo)權(quán)重計(jì)算僅考慮自動(dòng)駕駛路測(cè)融合度評(píng)價(jià)目標(biāo)層和包含5 個(gè)評(píng)價(jià)指標(biāo)的指標(biāo)層，具體層次結(jié)構(gòu)模型確定如圖2所示。

圖2 路測(cè)融合度評(píng)價(jià)層次模型Fig.2 Hierarchical model for integration degree evaluation in road testing

（2）判斷矩陣構(gòu)造

以建立的層次結(jié)構(gòu)模型為基礎(chǔ)，通過專家打分進(jìn)行評(píng)價(jià)指標(biāo)重要性比較，決定各評(píng)價(jià)指標(biāo)相對(duì)于目標(biāo)的權(quán)重。對(duì)于本研究中的重要度比較，采用1～9標(biāo)度方法構(gòu)造判斷矩陣A，如下所示：

式中：aij表示第i個(gè)評(píng)價(jià)指標(biāo)和第j個(gè)評(píng)價(jià)指標(biāo)之間的重要性比較關(guān)系，取值方法如表2所示。

表2 評(píng)價(jià)指標(biāo)重要性標(biāo)度Tab.2 Significance scales for evaluation indicators

基于矩陣A，計(jì)算各評(píng)價(jià)指標(biāo)的重要性，如下所示：

式中：wi為第i個(gè)評(píng)價(jià)指標(biāo)的權(quán)重。

（3）判斷矩陣求解及一致性檢驗(yàn)

由于判斷矩陣是由人為主觀確定的，不一定具有完全一致性，因此當(dāng)矩陣不具有完全一致性的時(shí)候，需重新調(diào)整矩陣中的相對(duì)比值，重新計(jì)算最大特征向量，直至判斷矩陣具有滿意的一致性。一致性指標(biāo)C計(jì)算式如下所示：

式中：λmax為判斷矩陣A的最大特征值；n為矩陣階數(shù)。

基于C計(jì)算一致性比例R，如下所示：

式中：I為隨機(jī)一致性指標(biāo)，可由表3獲得。

表3 I隨n的變化Tab.3 Variation of I with n

當(dāng)R≤0.10 時(shí)，通常認(rèn)為判斷矩陣的一致性是可以接受的，否則再次進(jìn)行專家打分，對(duì)判斷矩陣做適當(dāng)修正，直到通過一致性檢驗(yàn)，此時(shí)所求得的評(píng)價(jià)指標(biāo)權(quán)重可用。

2 案例分析與討論

2.1 場(chǎng)景概況

選取3 個(gè)典型車型+場(chǎng)景組合分別建立模型：①場(chǎng)景-Ⅰ，自動(dòng)駕駛乘用車、Ⅰ類低風(fēng)險(xiǎn)城市道路場(chǎng)景；②場(chǎng)景-Ⅱ，自動(dòng)駕駛乘用車、Ⅱ類一般風(fēng)險(xiǎn)城市道路場(chǎng)景；③場(chǎng)景-Ⅲ，自動(dòng)駕駛集卡、Ⅲ類較高風(fēng)險(xiǎn)高速公路場(chǎng)景。場(chǎng)景復(fù)雜度劃分參考上海市自動(dòng)駕駛開放測(cè)試道路的劃分方式［5］，其中Ⅰ類場(chǎng)景是指上海市嘉定區(qū)低風(fēng)險(xiǎn)測(cè)試區(qū)域，Ⅱ類場(chǎng)景是指上海市嘉定區(qū)一般風(fēng)險(xiǎn)測(cè)試區(qū)域，Ⅲ類場(chǎng)景是指較高風(fēng)險(xiǎn)測(cè)試區(qū)域（東海大橋）。

2.2 數(shù)據(jù)概況

（1）自動(dòng)駕駛數(shù)據(jù)

自動(dòng)駕駛數(shù)據(jù)來源于上海市自動(dòng)駕駛開放測(cè)試道路數(shù)據(jù)，自動(dòng)駕駛數(shù)據(jù)字段包括車輛編號(hào)、經(jīng)緯度、定位時(shí)間、車輛速度、車輛駕駛模式（自動(dòng)駕駛模式/人工駕駛模式）等，數(shù)據(jù)采集頻率為1 Hz。場(chǎng)景-Ⅰ共采集數(shù)據(jù)約291 萬條，場(chǎng)景-Ⅱ共采集數(shù)據(jù)約173 萬條，場(chǎng)景-Ⅲ共采集數(shù)據(jù)約726 萬條。數(shù)據(jù)來源于4 個(gè)不同的車企，其中車企-1 和車企-2 在城市道路場(chǎng)景下測(cè)試自動(dòng)駕駛乘用車，車企-3和車企-4在高速公路場(chǎng)景下測(cè)試自動(dòng)駕駛集卡。

（2）人工駕駛數(shù)據(jù)

人工駕駛數(shù)據(jù)源自與自動(dòng)駕駛車測(cè)試同區(qū)域同時(shí)段的上海市網(wǎng)約車數(shù)據(jù)及貨車數(shù)據(jù)。人工駕駛數(shù)據(jù)字段包括車輛號(hào)牌、經(jīng)緯度、定位時(shí)間、車輛速度等，數(shù)據(jù)采集頻率為1 Hz。場(chǎng)景-Ⅰ對(duì)應(yīng)的人工駕駛數(shù)據(jù)約23萬條，場(chǎng)景-Ⅱ?qū)?yīng)的人工駕駛數(shù)據(jù)約143萬條，場(chǎng)景-Ⅲ對(duì)應(yīng)的人工駕駛數(shù)據(jù)約23萬條。

2.3 調(diào)查問卷

通過問卷調(diào)查數(shù)據(jù)得到評(píng)價(jià)指標(biāo)標(biāo)準(zhǔn)化函數(shù)參數(shù)擬合及指標(biāo)權(quán)重確定所需數(shù)據(jù)。自動(dòng)駕駛是創(chuàng)新性突破技術(shù)，因此問卷調(diào)查對(duì)象需要有一定的針對(duì)性。調(diào)查對(duì)象均為熟悉上海市自動(dòng)駕駛開放道路測(cè)試情況的專家，主要包括自動(dòng)駕駛測(cè)試安全員、測(cè)試工程師、系統(tǒng)設(shè)計(jì)工程師、測(cè)試監(jiān)管人員以及自動(dòng)駕駛研究相關(guān)的專家學(xué)者等。共收集有效問卷38份。

2.4 指標(biāo)標(biāo)準(zhǔn)化結(jié)果

表4給出了不同標(biāo)準(zhǔn)化函數(shù)的擬合表現(xiàn)。對(duì)比各函數(shù)擬合后的αMSE，選取αMSE最小的函數(shù)作為評(píng)價(jià)指標(biāo)的標(biāo)準(zhǔn)化函數(shù)。最終，選定皮爾生長(zhǎng)曲線函數(shù)為累計(jì)測(cè)試?yán)锍毯屠塾?jì)測(cè)試時(shí)長(zhǎng)的標(biāo)準(zhǔn)化函數(shù)，選定負(fù)指數(shù)函數(shù)為避險(xiǎn)脫離率、運(yùn)行速度差異率和通行能力影響率的標(biāo)準(zhǔn)化函數(shù)。標(biāo)準(zhǔn)化函數(shù)參數(shù)標(biāo)定結(jié)果如表5 所示，各指標(biāo)標(biāo)準(zhǔn)化函數(shù)擬合結(jié)果如圖3～7所示。

圖3 累計(jì)測(cè)試?yán)锍虡?biāo)準(zhǔn)化函數(shù)擬合結(jié)果Fig.3 Fitting results of standardized function for cumulative testing mileage

表4 標(biāo)準(zhǔn)化函數(shù)擬合表現(xiàn)（αMSE）Tab.4 Fitting performance of standardized functions(αMSE)

表5 標(biāo)準(zhǔn)化函數(shù)參數(shù)Tab.5 Parameters of standardized functions

相比于城市道路場(chǎng)景，高速公路場(chǎng)景下自動(dòng)駕駛路測(cè)對(duì)累計(jì)測(cè)試?yán)锍毯屠塾?jì)測(cè)試時(shí)長(zhǎng)要求更高。如表5 所示，自動(dòng)駕駛路測(cè)融合度為100 時(shí)，城市道路場(chǎng)景-Ⅰ和場(chǎng)景-Ⅱ下，對(duì)累計(jì)測(cè)試?yán)锍痰囊蠓謩e為2 075 km·（車·年）?1和1 620 km·（車·年）?1，而場(chǎng)景-Ⅲ下對(duì)累計(jì)測(cè)試?yán)锍痰囊髣t為7 300 km·（車·年）?1。對(duì)于避險(xiǎn)脫離率指標(biāo)，場(chǎng)景-Ⅰ的要求最高（最低要求為10次·百公里?1），場(chǎng)景-Ⅱ和場(chǎng)景-Ⅲ的最低要求都為15次·百公里?1。相比于場(chǎng)景-Ⅰ（最低要求為10%），場(chǎng)景-Ⅱ（最低要求為15%）和場(chǎng)景-Ⅲ（最低要求為50%）的通行能力影響率的要求則有所放寬。3 個(gè)場(chǎng)景下的運(yùn)行速度差異率指標(biāo)要求也有相同的趨勢(shì)。

2.5 指標(biāo)權(quán)重結(jié)果

根據(jù)問卷結(jié)果發(fā)現(xiàn)，對(duì)于場(chǎng)景-Ⅰ和場(chǎng)景-Ⅱ2類復(fù)雜度不同的城市道路場(chǎng)景，不同評(píng)價(jià)指標(biāo)間的相對(duì)重要性結(jié)果相同。根據(jù)調(diào)查結(jié)果構(gòu)建如下判斷矩陣：

得到一致性檢驗(yàn)結(jié)果為0.005 9，小于0.10。

根據(jù)指標(biāo)權(quán)重確定方法計(jì)算各評(píng)價(jià)指標(biāo)權(quán)重，如表6所示。表6表明，避險(xiǎn)脫離率在5個(gè)指標(biāo)中權(quán)重最大，約占50%。城市道路場(chǎng)景下各指標(biāo)重要程度排序?yàn)楸茈U(xiǎn)脫離率、通行能力影響率、運(yùn)行速度差異率、累計(jì)測(cè)試?yán)锍毯屠塾?jì)測(cè)試時(shí)長(zhǎng)。高速公路場(chǎng)景下各指標(biāo)重要程度排序?yàn)楸茈U(xiǎn)脫離率、累計(jì)測(cè)試?yán)锍?、通行能力影響率、運(yùn)行速度差異率和累計(jì)測(cè)試時(shí)長(zhǎng)。

表6 城市道路場(chǎng)景和高速公路場(chǎng)景下各指標(biāo)權(quán)重Tab.6 Weight of each indicator under urban road scenarios and highway scenario

圖4 累計(jì)測(cè)試時(shí)長(zhǎng)標(biāo)準(zhǔn)化函數(shù)擬合結(jié)果Fig.4 Fitting results of standardized function for cumulative testing duration

圖5 避險(xiǎn)脫離率標(biāo)準(zhǔn)化函數(shù)擬合結(jié)果Fig.5 Fitting results of standardized function for risk-avoiding disengagement frequency

圖6 運(yùn)行速度差異率標(biāo)準(zhǔn)化函數(shù)擬合結(jié)果Fig.6 Fitting results of standardized function for operating speed difference rate

圖7 通行能力影響率標(biāo)準(zhǔn)化函數(shù)擬合結(jié)果Fig.7 Fitting results of standardized function for capacity difference rate

2.6 路測(cè)融合度分析

基于5個(gè)評(píng)價(jià)指標(biāo)，計(jì)算3個(gè)場(chǎng)景下不同車企的路測(cè)融合度評(píng)價(jià)指標(biāo)，結(jié)果如表7 所示。城市道路場(chǎng)景下的自動(dòng)駕駛乘用車避險(xiǎn)脫離率遠(yuǎn)高于高速公路場(chǎng)景下的自動(dòng)駕駛集卡。主要原因是自動(dòng)駕駛集卡的累計(jì)測(cè)試?yán)锍毯屠塾?jì)測(cè)試時(shí)長(zhǎng)遠(yuǎn)遠(yuǎn)大于自動(dòng)駕駛乘用車。同車企的自動(dòng)駕駛乘用車，在場(chǎng)景-Ⅱ（一般風(fēng)險(xiǎn)）下的避險(xiǎn)脫離率要明顯高于在場(chǎng)景-Ⅰ（低風(fēng)險(xiǎn)）下的避險(xiǎn)脫離率。

表7 3個(gè)場(chǎng)景下評(píng)價(jià)指標(biāo)計(jì)算結(jié)果Tab.7 Calculation results of evaluation indexes under three scenarios

結(jié)合評(píng)價(jià)指標(biāo)值和評(píng)價(jià)指標(biāo)權(quán)重計(jì)算得到路測(cè)融合度結(jié)果，如表8 所示。由表8 可以看出，高速公路場(chǎng)景下自動(dòng)駕駛集卡融合到現(xiàn)有交通系統(tǒng)的程度高，路測(cè)融合度高于85.0，而城市道路場(chǎng)景下自動(dòng)駕駛乘用車融合到現(xiàn)有交通系統(tǒng)的程度相對(duì)較低，路測(cè)融合度低于25.0。

表8 3個(gè)場(chǎng)景下各車企路測(cè)融合度計(jì)算結(jié)果Tab.8 Calculation results of integration degree under three scenarios for each car company

導(dǎo)致高速公路場(chǎng)景下與城市道路場(chǎng)景下路測(cè)融合度差異較大的原因在于：一方面，高速公路場(chǎng)景下自動(dòng)駕駛集卡車速快，其周邊交通參與者比較明確，行為相對(duì)規(guī)范，而在城市道路場(chǎng)景下自動(dòng)駕駛乘用車周邊交通參與者的行為更多樣，自動(dòng)駕駛乘用車更難融入；另一方面，高速公路場(chǎng)景下自動(dòng)駕駛集卡的累計(jì)測(cè)試?yán)锍桃约袄塾?jì)測(cè)試時(shí)長(zhǎng)顯著高于城市道路場(chǎng)景下自動(dòng)駕駛乘用車的累計(jì)測(cè)試?yán)锍碳袄塾?jì)測(cè)試時(shí)長(zhǎng)，系統(tǒng)可靠性也相應(yīng)更高。另外，對(duì)比車企-1和車企-2的自動(dòng)駕駛乘用車在不同場(chǎng)景下的路測(cè)融合度發(fā)現(xiàn)，同車企的車在場(chǎng)景-Ⅰ（低風(fēng)險(xiǎn)）的路測(cè)融合度明顯高于場(chǎng)景-Ⅱ（一般風(fēng)險(xiǎn)）的路測(cè)融合度，說明對(duì)于同一車企的自動(dòng)駕駛乘用車，測(cè)試場(chǎng)景的復(fù)雜度越高，融合度越低。因此，加大自動(dòng)駕駛測(cè)試?yán)锍?、測(cè)試時(shí)長(zhǎng)和測(cè)試場(chǎng)景復(fù)雜度，可以促進(jìn)自動(dòng)駕駛技術(shù)的成熟。

3 結(jié)論

（1）在提出自動(dòng)駕駛路測(cè)融合度評(píng)價(jià)框架的基礎(chǔ)上，選擇了考慮路測(cè)安全性與路測(cè)效率的5 個(gè)評(píng)價(jià)指標(biāo)，利用專家打分和層次分析法構(gòu)建了自動(dòng)駕駛路測(cè)融合度模型。

（2）對(duì)于路測(cè)融合度，基于專家調(diào)查結(jié)果分析不同評(píng)價(jià)指標(biāo)權(quán)重，結(jié)果表明避險(xiǎn)脫離率是表征自動(dòng)駕駛車融入現(xiàn)有道路交通系統(tǒng)程度的最重要指標(biāo)；另一個(gè)重要影響因素是通行能力影響率，表明自動(dòng)駕駛路測(cè)過程中應(yīng)充分關(guān)注自動(dòng)駕駛路測(cè)對(duì)周邊交通流通行效率的影響。

（3）上海市自動(dòng)駕駛路測(cè)實(shí)際數(shù)據(jù)和仿真數(shù)據(jù)表明，可采用路測(cè)融合度模型表征自動(dòng)駕駛車融入現(xiàn)有道路交通系統(tǒng)的程度，并驗(yàn)證了路測(cè)融合度模型的合理性和有效性。目前在城市道路場(chǎng)景下自動(dòng)駕駛乘用車的路測(cè)融合度相對(duì)較低，而在高速公路場(chǎng)景下自動(dòng)駕駛集卡的路測(cè)融合度相對(duì)較高，主要原因在于高速公路場(chǎng)景復(fù)雜度相對(duì)簡(jiǎn)單，而且路測(cè)里程和路測(cè)時(shí)長(zhǎng)都相對(duì)較高，說明加大自動(dòng)駕駛測(cè)試?yán)锍?、測(cè)試時(shí)長(zhǎng)和測(cè)試復(fù)雜度，可促進(jìn)自動(dòng)駕駛技術(shù)的成熟。

路測(cè)融合度模型的評(píng)價(jià)指標(biāo)選擇、評(píng)價(jià)指標(biāo)標(biāo)準(zhǔn)化和模型參數(shù)標(biāo)定方法在不同場(chǎng)景中具有很好的適應(yīng)性。在未來研究中，充實(shí)更多車型及更多測(cè)試場(chǎng)景數(shù)據(jù)，進(jìn)一步驗(yàn)證自動(dòng)駕駛路測(cè)融合度模型的科學(xué)性和適用性。

作者貢獻(xiàn)聲明：

鹿 暢：研究設(shè)計(jì)，數(shù)據(jù)分析，論文撰寫。

劉 穎：研究設(shè)計(jì)，論文修訂。

趙麗影：數(shù)據(jù)處理，仿真設(shè)計(jì)。

涂輝招：?jiǎn)柧碓O(shè)計(jì)，數(shù)據(jù)分析。

汪大明：數(shù)據(jù)采集。

宋曉航：數(shù)據(jù)采集。