[发明专利]一种自动驾驶系统下的驾驶人接管能力预测方法

权利要求书

1.自动驾驶系统下的驾驶人接管能力预测方法，其特征在于该驾驶人接管能力预测方法按照以下步骤实现：

步骤一、建立三阶段驾驶人接管能力预测系统；

该驾驶人接管能力预测系统包括驾驶能力、初始状态和实时状态，其中初始状态通过情景意识测试和驾驶前反应速度测试获得，实时状态包括疲劳指数和情绪状态，并对驾驶能力、初始状态和实时状态进行评分；

步骤二、接管绩效评价方法；

接管绩效包含警觉度、灵敏度和操作稳定度；其中，警觉度用首次注视时间t_e表征，首次注视时间是指接管请求发出到驾驶员首次注视道路的时间；灵敏度用接管时间t_h表征，接管时间是指接管请求发出到驾驶员将转向盘转动2°或踩下10％的刹车踏板所用时间；操作稳定度用接管后车辆速度标准差s_v、加速度标准差s_a、方向盘转角标准差s_θ、横向偏移标准差s_x、逆转率SSRs和转向熵s_e共同表征，通过对警觉度、灵敏度和操作稳定度评价，得到驾驶人接管绩效评分；

步骤三、构建驾驶人接管能力预测模型；

(1)特征指标判别阈值确定

驾驶人接管能力预测模型是以驾驶能力、驾驶前反应速度、情景意识、疲劳指数和情绪状态作为驾驶特征指标对驾驶人的接管能力进行预测，首先从数据库中选取不同接管能力下的驾驶能力、反应速度、情景意识、疲劳指数与情绪状态对分类预测模型进行训练，获取不同驾驶人接管能力等级k的每个驾驶特征指标的ROC曲线图，计算得到每个驾驶特征指标i在k等级下的判别阈值

(2)接管能力等级判定模型

①根据驾驶特征指标i在k等级下的判别阈值从而求得TP^k、TN^k、FP^k和FN^k，其中TP^k为k等级下的真正例数量，TN^k为k等级下的真反例数量，FP^k为k等级下的假正例数量，FN^k为k等级下的假反例数量；

通过公式(1)计算得到驾驶特征指标i在k等级下的准确率

②ROC曲线下面积是衡量特征指标对不同状态判别能力的重要评价指标，因此，驾驶人接管能力等级k的驾驶特征指标i的综合判别准确度表示为：

其中为驾驶特征指标i在k等级下的ROC曲线面积；

③根据驾驶人接管能力等级k的驾驶特征指标i的综合判别准确度对驾驶特征指标i的相对权重进行线性分配，公式如下：

其中为驾驶特征指标i在k等级下的重要度，为驾驶特征指标i在k等级下所占权重，为驾驶特征指标j在k等级下的重要度，为驾驶特征指标j在k等级下所占权重；

④根据驾驶特征指标i的实际测定值X_i和该组数据驾驶特征指标i所处等级的下限节点T_i计算在k等级下驾驶人接管能力综合判定值E^k，当E^k1时，则判定驾驶人接管能力等级为k级：

步骤四、接管能力等级修正模型

对接管能力等级判定模型进行优化修正，将接管能力判定等级和接管绩效对比，采用相似度差值区间R作为驾驶人个性特征信息筛选标准，相似度S计算公式如公式(5)所示，当相似度在R中，则该组数据归入分类预测模型的训练集对模型进行修正；

式中：D_Vr为接管能力r级与r+1级的分级节点，D_Vr+1为接管能力r+1级与r+2级的分级节点，T_i’为该组数据驾驶特征指标i所处等级的上限节点，T_Vr为驾驶人实际接管绩效得分。

2.根据权利要求1所述的自动驾驶系统下的驾驶人接管能力预测方法，其特征在于步骤一中所述的驾驶能力包含驾驶员的基本情况以及驾驶经验，其中驾驶员的基本情况包括年龄、性别、驾驶里程和月驾驶时间；驾驶经验包含驾驶行为、驾驶技能和危险感知。