基于層次分析法的智能跟車(chē)功能評(píng)價(jià)模型研究

盧迪柯 周毅 何海燕

（同濟(jì)大學(xué)汽車(chē)學(xué)院，上海 201804）

縮略語(yǔ)

TTC Time To Collision

THW Time To Headway

AHP Analytic Hierarchy Process

HP Highway Pilot

TJP Traffic Jam Pilot

NOP Navigator On Pilot

IVF Intelligent Vehicle Following

ACC Adaptive Cruise Control

FCW Forward Collision Warning

AEB Autonomous Emergency Braking

LDW Lane Departure Warning

BSD Blind Spot Detection

0 引言

隨著智能駕駛技術(shù)的不斷發(fā)展，特斯拉、上汽集團(tuán)、蔚來(lái)、小鵬、理想等主機(jī)廠已經(jīng)開(kāi)發(fā)了許多較為完善的高級(jí)自動(dòng)駕駛輔助系統(tǒng)，如高速自動(dòng)輔助駕駛（Highway Pilot,HP）、擁堵駕駛輔助（Traffic Jam Pilot，TJP）、導(dǎo)航輔助駕駛（Navigator on Pilot,NOP）等。而在日常駕駛過(guò)程中，跟車(chē)行駛占據(jù)整個(gè)行車(chē)過(guò)程70%以上，目前對(duì)于智能跟車(chē)功能評(píng)價(jià)尚無(wú)統(tǒng)一的標(biāo)準(zhǔn)法規(guī)[1]，因此十分有必要開(kāi)展智能跟車(chē)功能測(cè)試評(píng)價(jià)方法的研究，本文圍繞智能跟車(chē)功能（Intelligent Vehicle Following,IVF）進(jìn)行深入分析和總結(jié)。

（1）本文研究的智能跟車(chē)功能（IVF）指具備該功能的車(chē)輛在本車(chē)道內(nèi)可跟隨前方目標(biāo)車(chē)輛自動(dòng)調(diào)節(jié)車(chē)輛速度，并根據(jù)不同工況與前方目標(biāo)車(chē)輛保持適當(dāng)距離。

（2）研究國(guó)內(nèi)外自適應(yīng)巡航（Adaptive Cruise Con?trol，ACC）、前端碰撞預(yù)警（Forward Collision Warning，F(xiàn)CW）、自動(dòng)緊急制動(dòng)（Autonomous Emergency Braking，AEB）、車(chē)道偏離預(yù)警（Lane Departure Warning，LDW）、盲區(qū)探測(cè)（Blind Spot Detection，BSD）與跟車(chē)功能相關(guān)的測(cè)試標(biāo)準(zhǔn)[2-3]，基于其評(píng)價(jià)參數(shù)，并結(jié)合跟車(chē)功能相關(guān)實(shí)際經(jīng)驗(yàn)，構(gòu)建智能跟車(chē)功能綜合評(píng)價(jià)體系。

（3）借助Delphi 專(zhuān)家咨詢(xún)法對(duì)評(píng)價(jià)參數(shù)與安全性和舒適性的相關(guān)性進(jìn)行評(píng)估。

（4）運(yùn)用層次分析法設(shè)計(jì)遞階層次結(jié)構(gòu)，并判斷各評(píng)價(jià)指標(biāo)的一致性，建立智能跟車(chē)綜合評(píng)價(jià)體系模型，并對(duì)智能跟車(chē)功能測(cè)試評(píng)價(jià)的進(jìn)一步發(fā)展提出研究展望。

1 評(píng)價(jià)指標(biāo)體系構(gòu)建

IVF系統(tǒng)評(píng)價(jià)一般是基于不同測(cè)試工況下的功能表現(xiàn)，即用客觀參數(shù)對(duì)系統(tǒng)進(jìn)行評(píng)分以量化其性能水平，但純粹的客觀參數(shù)分析法通常只針對(duì)單個(gè)參數(shù)進(jìn)行衡量，不能對(duì)系統(tǒng)功能的總體表現(xiàn)進(jìn)行有效評(píng)估，本文以主客觀相結(jié)合的方式對(duì)智能跟車(chē)功能進(jìn)行安全性與舒適性的研究。

1.1 評(píng)價(jià)指標(biāo)體系框架

本文以智能跟車(chē)功能的測(cè)試評(píng)價(jià)為核心開(kāi)展相關(guān)研究工作，一方面關(guān)注消費(fèi)者的主觀感受，另一方面也關(guān)注研發(fā)工程師更為在意的客觀數(shù)據(jù)。為了設(shè)計(jì)一套可用于主客觀評(píng)估的測(cè)試評(píng)價(jià)體系，結(jié)合消費(fèi)者實(shí)際使用，擬定該評(píng)價(jià)體系從安全性、舒適性2個(gè)維度開(kāi)展相關(guān)研究，所選擇的基礎(chǔ)評(píng)價(jià)參數(shù)均來(lái)自智能汽車(chē)功能評(píng)測(cè)標(biāo)準(zhǔn)，綜合分析目標(biāo)層、準(zhǔn)則層和參數(shù)層，所建立的智能跟車(chē)功能綜合評(píng)價(jià)指標(biāo)體系如圖1所示。

圖1 智能跟車(chē)功能綜合評(píng)價(jià)指標(biāo)體系

1.2 評(píng)價(jià)參數(shù)計(jì)算方法及內(nèi)涵

IVF 系統(tǒng)控制性能主要是分為2 方面：穩(wěn)態(tài)性能和動(dòng)態(tài)性能。其中，穩(wěn)態(tài)性能主要分析被測(cè)車(chē)輛在勻速跟車(chē)工況下跟車(chē)距離、車(chē)速的穩(wěn)定性。動(dòng)態(tài)性能主要統(tǒng)計(jì)、分析車(chē)輛在跟車(chē)工況下加（減）速度的相關(guān)特性以及相關(guān)參數(shù)的精度。

（1）預(yù)計(jì)碰撞時(shí)間（Time To Collision，TTC）

TTC定義為本車(chē)與前車(chē)之間的相對(duì)距離除以相對(duì)速度，為了確保智能車(chē)輛運(yùn)行安全可靠，要求TTC>0 s。

對(duì)于相對(duì)速度不變的情況，也就是說(shuō)當(dāng)2 車(chē)都沒(méi)有加速或減速時(shí)，TTC為本車(chē)與前車(chē)發(fā)生碰撞的時(shí)間。TTC計(jì)算如下：

式中，XT為前車(chē)位置；XH為主車(chē)位置；LT為車(chē)身長(zhǎng)度；vH為主車(chē)速度；vT為前車(chē)速度。

（2）車(chē)頭時(shí)距（Time Headway,THW）

為了更好地評(píng)估車(chē)輛行駛過(guò)程中的跟車(chē)距離，引入車(chē)頭時(shí)距作為本文評(píng)價(jià)模型的一個(gè)重要參數(shù)。THW是一個(gè)表征駕駛員跟車(chē)行為的重要參數(shù)，定義為前后2 車(chē)頭部通過(guò)道路某一斷面的時(shí)間間隔[4]。THW值越小，表明主車(chē)跟隨前車(chē)輛行駛過(guò)程中，當(dāng)遇到緊急突發(fā)狀況時(shí)，發(fā)生碰撞的概率越高，如跟車(chē)距離較小或主車(chē)速度較高的情況。THW計(jì)算如下：

式中，XT為前車(chē)位置；XH為主車(chē)位置；LT為車(chē)身長(zhǎng)度；vH為主車(chē)速度。

2 評(píng)價(jià)參數(shù)的相關(guān)性評(píng)估

Delphi 法又稱(chēng)專(zhuān)家調(diào)查法，其本質(zhì)是一種反饋匿名函詢(xún)法[5]。根據(jù)研究目標(biāo)，將需要專(zhuān)家進(jìn)行判斷的問(wèn)題制定成調(diào)查問(wèn)卷，本文通過(guò)線上匿名方式進(jìn)行專(zhuān)家意見(jiàn)征詢(xún)，充分確保參評(píng)專(zhuān)家自由發(fā)表意見(jiàn)，并盡可能保證其不受其他權(quán)威專(zhuān)家意見(jiàn)影響。

在完成首輪專(zhuān)家意見(jiàn)收集后，經(jīng)過(guò)數(shù)據(jù)匯總、整理和分析，將分歧較大的問(wèn)題進(jìn)行重新梳理，并再度征求意見(jiàn)，直至取得一致意見(jiàn)。經(jīng)過(guò)2輪征詢(xún)和意見(jiàn)收集后，最終結(jié)果較為客觀且可信。

2.1 專(zhuān)家遴選

本次調(diào)查經(jīng)過(guò)兩輪專(zhuān)家咨詢(xún)，共計(jì)遴選了15位具有專(zhuān)業(yè)性和權(quán)威性的專(zhuān)家組成本研究的Delphi 法專(zhuān)家小組，其中5位來(lái)自同濟(jì)大學(xué)相關(guān)學(xué)科，7位來(lái)自汽車(chē)主機(jī)廠（智己汽車(chē)、泛亞汽車(chē)技術(shù)中心、上汽大眾），3 位來(lái)自智能駕駛相關(guān)零部件企業(yè)（舍弗勒、地平線、千顧汽車(chē)）。專(zhuān)家小組成員均多年從事智能駕駛技術(shù)開(kāi)發(fā)或測(cè)試技術(shù)研究與實(shí)踐，工作單位涵蓋相關(guān)性較強(qiáng)的高校和企業(yè)，具有廣泛的代表性。

根據(jù)評(píng)價(jià)指標(biāo)體系框架，編制專(zhuān)家咨詢(xún)表，內(nèi)容包括專(zhuān)家的基本情況、對(duì)指標(biāo)相關(guān)性的判斷依據(jù)、熟悉程度。專(zhuān)家采用背對(duì)背的形式填寫(xiě)問(wèn)卷，對(duì)初步評(píng)價(jià)指標(biāo)體系內(nèi)各評(píng)價(jià)參數(shù)對(duì)“安全性”和“舒適性”的相關(guān)性進(jìn)行打分，評(píng)分值用李克特量表（5-Likert scale）進(jìn)行評(píng)定[6]，具體評(píng)分見(jiàn)表1所示。

表1 李克特量表相關(guān)性

2.2 評(píng)價(jià)指標(biāo)相關(guān)性篩選

2.2.1 專(zhuān)家積極系數(shù)

該系數(shù)用于衡量專(zhuān)家對(duì)咨詢(xún)內(nèi)容的關(guān)心程度，以有效咨詢(xún)表的回收率來(lái)衡量，公式如下：

本次調(diào)研共計(jì)發(fā)放咨詢(xún)表15 份，均在7 天內(nèi)收回，有效回收率為100%，表明所調(diào)查專(zhuān)家對(duì)該項(xiàng)目高度支持，積極性較高。

2.2.2 專(zhuān)家權(quán)威程度以專(zhuān)家權(quán)威系數(shù)Cr來(lái)衡量，公式如下：

式中，Ca為專(zhuān)家對(duì)指標(biāo)的判斷系數(shù)，專(zhuān)家基于表2 自評(píng)得出；Cs為專(zhuān)家對(duì)指標(biāo)的熟悉程度系數(shù)，專(zhuān)家基于表3自評(píng)得出。

表2 專(zhuān)家判斷依據(jù)及影響程度

表3 專(zhuān)家熟悉程度

經(jīng)過(guò)對(duì)專(zhuān)家自評(píng)結(jié)果分析，Ca=0.95，Cs=0.88。專(zhuān)家權(quán)威系數(shù)Cr=0.92，專(zhuān)家權(quán)威程度較高，可為本次相關(guān)性分析提供可靠的評(píng)判依據(jù)。

2.2.3 專(zhuān)家意見(jiàn)集中程度

滿(mǎn)分頻率fj的計(jì)算公式如下：

式中，Nj表示參加第j個(gè)指標(biāo)相關(guān)性評(píng)價(jià)的專(zhuān)家數(shù)；表示其中打滿(mǎn)分的專(zhuān)家數(shù)。fj的取值范圍為[0,1]，可作為的補(bǔ)充指標(biāo)。

2.2.4 專(zhuān)家意見(jiàn)協(xié)調(diào)程度

通常用變異系數(shù)CV來(lái)衡量，可表示專(zhuān)家對(duì)各項(xiàng)指標(biāo)的認(rèn)同程度。變異系數(shù)CV表示n個(gè)專(zhuān)家對(duì)第j個(gè)指標(biāo)的協(xié)調(diào)程度，計(jì)算公式如下：

通過(guò)2 輪Delphi 法的專(zhuān)家調(diào)研篩選，最終調(diào)研結(jié)果詳見(jiàn)表4和表5。

表4 “安全性”與指標(biāo)相關(guān)性專(zhuān)家咨詢(xún)結(jié)果

表5 “舒適性”與指標(biāo)相關(guān)性專(zhuān)家咨詢(xún)結(jié)果

以同時(shí)滿(mǎn)足重要性賦值均數(shù)≥3.5，且變異系數(shù)≤0.24 兩項(xiàng)條目作為篩選標(biāo)準(zhǔn)，在基礎(chǔ)評(píng)價(jià)參數(shù)中，與安全性相關(guān)性比較高的參數(shù)包括車(chē)道中心線相對(duì)距離、速度波動(dòng)、最大加（減）速度、預(yù)計(jì)碰撞時(shí)間和車(chē)頭時(shí)距；與舒適性相關(guān)性比較高的參數(shù)包括最大加（減）速度、車(chē)頭時(shí)距和停車(chē)縱向距離。根據(jù)安全性和舒適性相關(guān)參數(shù)指標(biāo)，利用層次分析法確定各指標(biāo)參數(shù)與總目標(biāo)的權(quán)重系數(shù)。

3 指標(biāo)權(quán)重的計(jì)算方法

運(yùn)用評(píng)價(jià)指標(biāo)體系的若干個(gè)指標(biāo)參數(shù)對(duì)智能跟車(chē)功能進(jìn)行綜合評(píng)價(jià)時(shí)，不同指標(biāo)的重要程度有所不同，為了能夠合理地描述各層級(jí)不同指標(biāo)在評(píng)價(jià)過(guò)程中的作用地位和重要程度，需要明確各指標(biāo)的權(quán)重系數(shù)，從而能夠得到智能跟車(chē)功能綜合水平。

結(jié)合本文建立的智能跟車(chē)功能的評(píng)價(jià)指標(biāo)體系，借助Delphi 專(zhuān)家問(wèn)卷調(diào)查法已經(jīng)完成安全性和舒適性相關(guān)可量化指標(biāo)參數(shù)，然后將基于專(zhuān)家意見(jiàn)并運(yùn)用層次分析法確定各指標(biāo)權(quán)重系數(shù)。

層次分析法（Analytic Hierarchy Process，AHP）是一種將定性分析和定量計(jì)算相結(jié)合的、具有層次結(jié)構(gòu)的多目標(biāo)決策方法[7]。利用層次分析法構(gòu)建的理論模型將為智能跟車(chē)評(píng)價(jià)指標(biāo)的選取和評(píng)價(jià)體系的建立提供完整的方案路線，并為多維度指標(biāo)的統(tǒng)一化表達(dá)提供理論依托，主要步驟包括建立決策問(wèn)題的遞階層次結(jié)構(gòu)、構(gòu)造兩兩判斷矩陣、層次單排序及其一致性檢驗(yàn)和層次總排序，針對(duì)智能跟車(chē)功能綜合評(píng)價(jià)指標(biāo)體系，獲取各指標(biāo)權(quán)重的計(jì)算方法，主要計(jì)算步驟如下。

3.1 構(gòu)造判斷矩陣

基于圖1 所建立的遞階層次結(jié)構(gòu)，上下相鄰層次間元素的隸屬關(guān)系即被確定，根據(jù)上層目標(biāo)，在確定下一層不同元素權(quán)重時(shí)，采用兩兩比較的方法，指在準(zhǔn)則Ck下，對(duì)它所支配的元素A1、A2……An中任意2 個(gè)元素Ai和Aj進(jìn)行比較，它們中哪一個(gè)更重要、重要性為多少。本文按照9級(jí)比例標(biāo)度，標(biāo)度值及含義詳見(jiàn)表6。基于Delphi 表3和表4的-xj、fj和CV值作為依據(jù)，安全性、舒適性及其相對(duì)于總目標(biāo)的判斷矩陣分別如下表7、表8和表9所示。

表6 “9級(jí)比例標(biāo)度”標(biāo)度值及含義

表7 基于標(biāo)度值的“安全性”判斷矩陣

表8 基于標(biāo)度值的“舒適性”判斷矩陣

3.2 層次單排序及其一致性檢驗(yàn)

層次單排序是指在目標(biāo)層或準(zhǔn)則層各元素Ck的支配下，n個(gè)元素排序權(quán)值的計(jì)算問(wèn)題。兩兩比較判斷矩陣的最大特征值對(duì)應(yīng)的特征向量就是該準(zhǔn)則支配下的各元素排序權(quán)值，設(shè)(ω1,ω2…ωn)Tt是判斷矩陣最大特征值對(duì)應(yīng)的特征向量，歸一化之后就是n個(gè)元素A1、A2……An的排序向量[8]。

由定理“n階正互反矩陣是一致性矩陣的充要條件，它的最大特征根是γmax=n”可知，當(dāng)判斷矩陣不一致時(shí)，γmax>n，誤差越大γmax-n的差值就越大。本文兩兩比較判斷矩陣，依據(jù)多位專(zhuān)家咨詢(xún)結(jié)果給定，但判斷的不一致性仍然可能存在，為了更好地避免不一致性問(wèn)題，引入一致性比例（Consistency Ratio,CR）值作為判斷矩陣是否具有一致性的檢驗(yàn)標(biāo)準(zhǔn)，其計(jì)算公示如下：

式中，RI為隨機(jī)一致性指標(biāo)，具體數(shù)值詳見(jiàn)表10。

表10 隨機(jī)一致性指標(biāo)RI

針對(duì)以上表7、表8 和表9 中3 個(gè)判斷矩陣，分別計(jì)算其最大特征值對(duì)應(yīng)的特征向量，并對(duì)其進(jìn)行歸一化處理，可計(jì)算得出該判斷矩陣對(duì)應(yīng)的單排序向量，如表7、表8和表9最后列ωi所示。當(dāng)計(jì)算得到CR值小于0.1 時(shí)，認(rèn)為判斷矩陣具有一致性，否則，應(yīng)當(dāng)對(duì)判斷矩陣中的數(shù)值進(jìn)行修正，再進(jìn)行一致性檢驗(yàn)，直到滿(mǎn)足CR<0.1的要求為止。經(jīng)檢驗(yàn)，以上3個(gè)判斷矩陣均滿(mǎn)足一致性檢驗(yàn)。

3.3 層次總排序

層次總排序是要得到遞階層次結(jié)構(gòu)中，最低層次中的所有元素對(duì)于智能跟車(chē)功能總目標(biāo)的相對(duì)權(quán)重。經(jīng)計(jì)算，各個(gè)指標(biāo)參量相對(duì)于智能跟車(chē)功能綜合指標(biāo)的權(quán)重系數(shù)如表11所示。

表11 指標(biāo)權(quán)重系數(shù)

4 評(píng)價(jià)模型應(yīng)用

針對(duì)評(píng)價(jià)模型內(nèi)各項(xiàng)指標(biāo)，基于智能跟車(chē)功能要求，確定單項(xiàng)指標(biāo)評(píng)分標(biāo)準(zhǔn)及其單項(xiàng)滿(mǎn)分值。選定某車(chē)型作為被測(cè)車(chē)型，進(jìn)行測(cè)試并采集數(shù)據(jù)，借助該模型對(duì)其智能跟車(chē)功能進(jìn)行評(píng)分。

4.1 指標(biāo)評(píng)分標(biāo)準(zhǔn)

（1）THW

行駛的期望安全距離與車(chē)速成正比，為了更好地獲取THW閾值，假定車(chē)輛遇到緊急情況時(shí)，其最大減速度為6 m/s2，分別計(jì)算系統(tǒng)在無(wú)需反應(yīng)時(shí)間及需要反應(yīng)時(shí)間2種情況下的跟車(chē)時(shí)距（表12）。

表12 最大減速度為6 m/s2時(shí)THW閾值

安全跟車(chē)距離S的計(jì)算公式如下：

式中S1為不含制動(dòng)系統(tǒng)反應(yīng)時(shí)間的制動(dòng)距離；S2為包含系統(tǒng)反應(yīng)時(shí)間的制動(dòng)距離。

安全跟車(chē)情況下（系統(tǒng)需要反應(yīng)時(shí)間）的跟車(chē)時(shí)距THW0計(jì)算公式如下：

式中，v為車(chē)速。

假定系統(tǒng)無(wú)需反應(yīng)情況下的跟車(chē)時(shí)距THW1的計(jì)算公式如下：

（2）TTC

TTC直接決定車(chē)輛是否發(fā)生碰撞，所以在該評(píng)價(jià)模型中，該值作為“一票否決制”。當(dāng)|TTC|=0 時(shí)，該車(chē)跟車(chē)功能總評(píng)分為0 分。針對(duì)不同的車(chē)速，其TTC閾值不同，詳見(jiàn)表13。

（3）指標(biāo)評(píng)分標(biāo)準(zhǔn)

針對(duì)智能跟車(chē)功能相關(guān)的各項(xiàng)指標(biāo)，評(píng)分體系滿(mǎn)分采用100 分，各項(xiàng)指標(biāo)評(píng)分標(biāo)準(zhǔn)及相應(yīng)滿(mǎn)分分值如表14所示。

表14 各項(xiàng)指標(biāo)評(píng)分標(biāo)準(zhǔn)及分值

4.2 評(píng)價(jià)實(shí)施

針對(duì)跟車(chē)過(guò)程，前車(chē)的縱向運(yùn)動(dòng)形態(tài)分為3種：勻速、減速和加速。本次測(cè)試過(guò)程主要選取某車(chē)型作為主車(chē)，進(jìn)行了前車(chē)“加速—?jiǎng)蛩佟眻?chǎng)景測(cè)試，其主要參數(shù)如圖2所示。

圖2 被測(cè)車(chē)輛主要參數(shù)

基于表14各項(xiàng)指標(biāo)評(píng)分標(biāo)準(zhǔn)及分值，并結(jié)合該車(chē)輛所有參數(shù)，其最終得分如表15所示。

表15 被測(cè)車(chē)輛評(píng)分結(jié)果

該車(chē)型總體得分為91分，該車(chē)型智能跟車(chē)功能表現(xiàn)良好。

5 結(jié)語(yǔ)

高級(jí)駕駛輔助功能測(cè)試評(píng)價(jià)是開(kāi)展技術(shù)研發(fā)和工程化應(yīng)用的重要環(huán)節(jié)，本研究從智能跟車(chē)功能的安全性和舒適性方面，并分別選取功能完整性、運(yùn)行可靠性、表現(xiàn)一致性、守法禮讓、操控穩(wěn)健性、風(fēng)格穩(wěn)定和氛圍舒適多個(gè)評(píng)價(jià)子維度?；陬A(yù)計(jì)碰撞時(shí)間(TTC)、車(chē)頭時(shí)距（THW）、最大加（減）速度、速度波動(dòng)量、車(chē)道中心線相對(duì)距離和縱向停車(chē)距離作為評(píng)價(jià)指標(biāo)參數(shù)，利用層次分析法（AHP）和德?tīng)柗品ǎ―elphi），本文設(shè)計(jì)了一套綜合評(píng)價(jià)模型，主要?jiǎng)?chuàng)新點(diǎn)如下：

（1）評(píng)價(jià)框架：設(shè)計(jì)了以智能跟車(chē)功能安全性和舒適性為評(píng)價(jià)準(zhǔn)則的遞階層次結(jié)構(gòu)，通過(guò)建立智能跟車(chē)綜合評(píng)價(jià)指標(biāo)模型，實(shí)現(xiàn)智能跟車(chē)功能評(píng)價(jià)體系的多維度解讀。

（2）評(píng)價(jià)指標(biāo)：以智能跟車(chē)功能相關(guān)的標(biāo)準(zhǔn)法規(guī)為依托，盡可能多地采用客觀參數(shù)，構(gòu)筑評(píng)價(jià)模型。

（3）賦權(quán)方法：通過(guò)德?tīng)柗疲―elphi）法調(diào)研多位業(yè)內(nèi)專(zhuān)家，有效降低了層次分析法在構(gòu)筑判斷矩陣時(shí)受人為因素干擾。

聲明：本文在進(jìn)行專(zhuān)家問(wèn)卷調(diào)查時(shí)，所邀請(qǐng)的專(zhuān)家均為相關(guān)企業(yè)內(nèi)資深工程師，且與本文作者無(wú)任何利益關(guān)系。