張俊友，任文浩，李思賢

(1.山東科技大學(xué) 交通學(xué)院， 山東 青島 266590；2.北京交通大學(xué) 交通運(yùn)輸學(xué)院， 北京 100044)

0 引言

近年來(lái)，自動(dòng)駕駛車輛成為交通領(lǐng)域研究的熱點(diǎn)，它能夠?qū)崟r(shí)感知外界環(huán)境，通過(guò)智能化決策來(lái)降低交通事故的發(fā)生[1-2]。針對(duì)今后一個(gè)時(shí)期傳統(tǒng)人工駕駛車輛與自動(dòng)駕駛車輛混行的狀態(tài)，為使車輛安全高效行駛，自動(dòng)駕駛車輛的決策機(jī)制需要與人類保持一致。在危險(xiǎn)工況下，人類的駕駛行為受到道德和法律的約束，會(huì)生成恐懼等情感[3]，本文嘗試把情感因素融入到自動(dòng)駕駛決策模型，使自動(dòng)駕駛車輛具備類人思維，進(jìn)行趨利避害。

情感信息的來(lái)源主要是語(yǔ)音信號(hào)、面部表情、運(yùn)動(dòng)姿態(tài)、生理信號(hào)等，其中生理信號(hào)通常是由情感的變化而觸發(fā)人體內(nèi)部器官產(chǎn)生的一系列生物電學(xué)特征變化的信號(hào)[4- 6]，很難因人的主觀意念而改變，故基于生理信號(hào)的情感識(shí)別具有客觀真實(shí)性。國(guó)內(nèi)外學(xué)者通過(guò)多年深入研究，證明生理信號(hào)可用來(lái)測(cè)量情感，PICARD等[7]采集肌電信號(hào)、皮膚電導(dǎo)信號(hào)等多種生理信號(hào)，利用K近鄰(k-nearest neighbor, KNN)分類算法識(shí)別恐懼等情感；KIM等[8]將情感的生理識(shí)別從單個(gè)向多個(gè)進(jìn)行擴(kuò)展，研發(fā)了一種情緒識(shí)別系統(tǒng)；MEHRABIAN等[9]提出PAD三維情感模型來(lái)描述人類不同的情感狀態(tài)。

在自動(dòng)駕駛車輛決策研究方面，以自動(dòng)駕駛車輛正常工況下的決策研究較多。ZHENG等[10]使用傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)模型(artifical neural network, ANN)替代決策樹算法，對(duì)車輛運(yùn)行狀況樣本數(shù)據(jù)進(jìn)行訓(xùn)練建立了ANN駕駛決策模型；張立增[11]通過(guò)分析駕駛員控制汽車行駛方向與速度的綜合決策行為的本質(zhì)，提出了一種基于機(jī)理與規(guī)則的智能汽車決策行為建模方法。也有學(xué)者針對(duì)危險(xiǎn)工況下的決策機(jī)制展開了研究，LI等[12]構(gòu)建了典型的道德困境場(chǎng)景，通過(guò)提取關(guān)鍵因素來(lái)表征不同情景下的駕駛決策，為自動(dòng)駕駛車輛的道德算法設(shè)計(jì)提供了依據(jù)。

以上駕駛決策機(jī)制大多針對(duì)正常駕駛工況，采用神經(jīng)網(wǎng)絡(luò)等算法需要較大的樣本量，危險(xiǎn)工況下的決策較少，決策模型中也沒(méi)考慮情感強(qiáng)度等因素。因此本文運(yùn)用泛化能力強(qiáng)的最小二乘支持向量機(jī)(least squares support vector machine，LSSVM)機(jī)器學(xué)習(xí)方法和粒子群智能優(yōu)化算法搭建駕駛決策模型，并借鑒人工內(nèi)分泌模型中的激素調(diào)節(jié)機(jī)制，以“場(chǎng)景設(shè)計(jì)—指標(biāo)數(shù)據(jù)采集—駕駛?cè)饲楦袕?qiáng)度計(jì)算—決策模型驗(yàn)證”為研究路線，將情感強(qiáng)度融入到駕駛決策中，設(shè)計(jì)了一典型危險(xiǎn)工況場(chǎng)景，采集相應(yīng)的駕駛員生理、行為等指標(biāo)數(shù)據(jù)，構(gòu)建危險(xiǎn)工況下的基于情感強(qiáng)度的駕駛決策模型，并對(duì)其進(jìn)行驗(yàn)證。

1 實(shí)驗(yàn)設(shè)計(jì)

1.1 場(chǎng)景設(shè)計(jì)

本文以現(xiàn)實(shí)生活中常見的“鬼探頭”場(chǎng)景為例，設(shè)計(jì)了如圖1所示的道路交叉口實(shí)驗(yàn)場(chǎng)景，情況如下：實(shí)驗(yàn)車為自動(dòng)駕駛車輛，位于中間車道，未行駛到停車線；最右側(cè)車道為大卡車(體型大)，停在停止線上；左側(cè)車道為停止的一小型乘用車，行人在人行道通行。下一時(shí)刻交通信號(hào)燈變?yōu)榫G色，實(shí)驗(yàn)車獲得了交叉口的通行權(quán)，即將駛?cè)虢徊婵?，但由于其視線被最右側(cè)車道的卡車擋住，存在視覺(jué)盲區(qū)，無(wú)法關(guān)注到在道路的右側(cè)突然出現(xiàn)的行人，使得正常行駛的實(shí)驗(yàn)車面臨危險(xiǎn)工況下的駕駛抉擇難題。

圖1 實(shí)驗(yàn)場(chǎng)景

1.2 實(shí)驗(yàn)過(guò)程

本實(shí)驗(yàn)共招募了60名具有豐富駕駛經(jīng)驗(yàn)的駕駛員，其中男性駕駛員42名，女性駕駛員18名。在進(jìn)行虛擬駕駛實(shí)驗(yàn)前，所有被試者都需要填寫調(diào)查問(wèn)卷，問(wèn)卷內(nèi)容主要包括個(gè)人駕駛習(xí)慣、駕駛經(jīng)驗(yàn)、交通事故經(jīng)歷、生理和心理狀況等。被試者的平均年齡是 37.7 歲(標(biāo)準(zhǔn)差為 3.91 歲)，年齡范圍是 28～53歲；均持有駕駛執(zhí)照及具有5 年以上的駕駛經(jīng)驗(yàn)；均沒(méi)有視覺(jué)和心理問(wèn)題。在60名被試者中，有2名參與者(1 名男性，1 名女性)在過(guò)去 5 年里發(fā)生過(guò)輕微車禍，其他參與者在過(guò)去5年里沒(méi)有發(fā)生過(guò)車禍。

實(shí)驗(yàn)設(shè)備如圖2所示，包括UC-win/Road 13.0.1仿真軟件、駕駛模擬器、Ergolab人機(jī)環(huán)境同步平臺(tái)(生理指標(biāo)數(shù)據(jù)收集、分析)等。實(shí)驗(yàn)過(guò)程主要包括以下3部分：

圖2 實(shí)驗(yàn)設(shè)備

① 實(shí)驗(yàn)準(zhǔn)備

工作人員對(duì)被試者進(jìn)行實(shí)驗(yàn)說(shuō)明，穿戴好傳感器和電極，等待實(shí)驗(yàn)。工作人員查看ErgoLAB平臺(tái)同步記錄軟件和HRV信號(hào)傳感器，在人機(jī)同步監(jiān)測(cè)畫面中，待駕駛?cè)薍RV信號(hào)穩(wěn)定后開始行駛。

② 駕駛適應(yīng)性訓(xùn)練

為了讓被試者能夠熟悉駕駛模擬器的各項(xiàng)操作，首先安排被試者進(jìn)行適應(yīng)性訓(xùn)練，在一條寬闊的高速公路上行駛以適應(yīng)車輛保持直線行駛等操作，然后被試者需要躲避三個(gè)障礙物以訓(xùn)練轉(zhuǎn)向和制動(dòng)等操作。

③ 典型危險(xiǎn)工況下的決策實(shí)驗(yàn)

在不被告知即將發(fā)生的突發(fā)狀況的前提下，讓被試者開始駕駛。當(dāng)駕駛員到達(dá)滿足觸發(fā)條件的位置時(shí)，路邊的行人開始穿越馬路。在碰撞不可避免的情況下，駕駛員會(huì)采取緊急制動(dòng)、轉(zhuǎn)向等措施選擇碰撞目標(biāo)。工作人員在ErgoLAB平臺(tái)標(biāo)記碰撞事件點(diǎn)，用于數(shù)據(jù)分析和對(duì)比。

1.3 實(shí)驗(yàn)數(shù)據(jù)采集

① 對(duì)實(shí)驗(yàn)的所有參與者進(jìn)行編號(hào)，并收集性別、年齡等人口統(tǒng)計(jì)信息。

② 采用UC-win/Road 13.0.1仿真軟件對(duì)典型場(chǎng)景進(jìn)行虛擬場(chǎng)景建模，將建立的虛擬場(chǎng)景接入FORUM 8.0駕駛模擬器進(jìn)行駕駛決策實(shí)驗(yàn), 該模擬器可以實(shí)時(shí)記錄目標(biāo)車輛和其他交通參與者(車輛、行人等)的位置、速度、加速度、油門和制動(dòng)踏板力等。

③ 主要采用ErgoLAB人機(jī)環(huán)境平臺(tái)中的心率變異性(heart rate variability, HRV)模塊和呼吸(respiration, RESP)模塊，經(jīng)濾波處理、圖像反卷積、奇異點(diǎn)糾正、時(shí)域分析、頻域分析等生成生理指標(biāo)，同步到該平臺(tái)。實(shí)驗(yàn)結(jié)束后將數(shù)據(jù)條從ErgoLAB平臺(tái)導(dǎo)出，按被試者進(jìn)行編號(hào)，轉(zhuǎn)錄入生理指標(biāo)數(shù)據(jù)庫(kù)。

2 基于人工內(nèi)分泌系統(tǒng)的情感強(qiáng)度計(jì)算模型

本文選擇人工內(nèi)分泌模型(artificial endocrine model, AEM)計(jì)算情感強(qiáng)度，激素濃度的變化會(huì)使得人體的生理指標(biāo)發(fā)生變化，因此可借用皮電、心電、肌電、腺體分泌等生理指標(biāo)的變化來(lái)間接表示人體激素濃度的變化，以建立情感強(qiáng)度和生理指標(biāo)強(qiáng)度的數(shù)學(xué)模型，解決情感強(qiáng)度指標(biāo)難以量化的難題。

2.1 激素調(diào)節(jié)模塊

本文選取駕駛員心率變異性指標(biāo)HRV和呼吸指標(biāo)RESP間接表征激素模塊的具體指標(biāo)。在人工內(nèi)分泌模型中，激素在t+1時(shí)刻的濃度為t時(shí)刻濃度消逝后的數(shù)值與t+1時(shí)刻新生成的激素濃度之和[13]，如式(1)所示：

Ch(t+1)=αCh(t)+ΔCh(t+1),

(1)

式中,Ch(t+1)為激素在t+1時(shí)刻的濃度；α為激素的消逝程度；Ch(t)為激素在t時(shí)刻的濃度；ΔCh(t+1)為t+1時(shí)刻新生成的激素的濃度。

結(jié)合駕駛員生理指標(biāo)的特征規(guī)律，ΔCh(t)的計(jì)算應(yīng)滿足以下條件：①目標(biāo)距離駕駛員越遠(yuǎn)，對(duì)新生成激素濃度的影響越??；②駕駛員剎車踏板值越高，則新生成的激素的濃度越高；③上一時(shí)刻產(chǎn)生的激素濃度越高，對(duì)新生成激素的濃度的促進(jìn)越大。因此，對(duì)人工內(nèi)分泌模型中ΔCh(t)的計(jì)算公式改進(jìn)如下：

(2)

式中,ΔCh(t)為t時(shí)刻新生成的激素的濃度；Lmax為駕駛員發(fā)現(xiàn)的障礙目標(biāo)的最遠(yuǎn)距離；L為t時(shí)刻駕駛車輛距離目標(biāo)障礙物的距離，取值范圍為1～Lmax；B為t時(shí)刻駕駛員的剎車踏板值；Bmax為整個(gè)實(shí)驗(yàn)過(guò)程中的最大剎車踏板值；Ch(t-1)為激素在t-1時(shí)刻的濃度；Hmax為整個(gè)實(shí)驗(yàn)過(guò)程中激素濃度的最大值；Cmax為實(shí)驗(yàn)過(guò)程中相鄰間隔內(nèi)激素濃度的最大改變量。

2.2 情感強(qiáng)度生成模塊

情感強(qiáng)度分為初級(jí)和高級(jí)情感強(qiáng)度。初級(jí)情感強(qiáng)度是指當(dāng)人體受到外界事物刺激時(shí)產(chǎn)生的本能情感，其受到前一時(shí)刻產(chǎn)生的高級(jí)情感強(qiáng)度的影響。具體到本文的危險(xiǎn)工況場(chǎng)景中，駕駛員生成的初級(jí)情感強(qiáng)度主要受駕駛員與障礙物之間的距離的影響，其公式如式(3)和(4)所示：

Pe(t+1)=β×Se(t)+ΔPe(t+1),

(3)

(4)

式中,β為情感強(qiáng)度的消逝程度；Pe(t+1)為t+1時(shí)刻初級(jí)情感強(qiáng)度；Se(t)為t時(shí)刻高級(jí)情感強(qiáng)度；ΔPe(t+1)為t+1時(shí)刻新生成的初級(jí)情感強(qiáng)度。

高級(jí)情感為初級(jí)情感經(jīng)過(guò)激素調(diào)節(jié)之后的產(chǎn)物，其公式如式(5)所示：

(5)

式中，χ為調(diào)整系數(shù)；Se(t)為t+1時(shí)刻的高級(jí)情感強(qiáng)度值。

2.3 情感強(qiáng)度的計(jì)算流程

① 確定數(shù)據(jù)計(jì)算的時(shí)間軸：在駕駛過(guò)程中，駕駛員會(huì)不斷過(guò)濾對(duì)自身沒(méi)有威脅的物體，情感強(qiáng)度值會(huì)根據(jù)周圍車輛等環(huán)境的變化有波動(dòng)。駕駛車輛與路側(cè)物體以及道路中其他交通參與者的距離是給駕駛員帶來(lái)恐懼緊張等情感強(qiáng)度變化的主要因素，當(dāng)前方突然闖入其他交通參與者(車輛、行人等)使得碰撞無(wú)法避免時(shí)，情感強(qiáng)度值會(huì)激增直到達(dá)到最大值。為了避免過(guò)多試驗(yàn)數(shù)據(jù)干擾，定義計(jì)算時(shí)間從碰撞發(fā)生前5 s開始，直到發(fā)生碰撞。

② 計(jì)算激素在各時(shí)刻的濃度：根據(jù)得到的生理指標(biāo)和駕駛績(jī)效指標(biāo)數(shù)據(jù)，按照公式(2)計(jì)算激素初始濃度和下一時(shí)刻新生成的激素濃度，并不斷向下更新各個(gè)時(shí)刻的激素濃度，直到發(fā)生碰撞。

③ 計(jì)算各時(shí)刻的情感強(qiáng)度值：利用上一時(shí)刻的高級(jí)情感強(qiáng)度值計(jì)算當(dāng)前時(shí)刻的初級(jí)情感強(qiáng)度值，并結(jié)合當(dāng)前時(shí)刻的激素濃度，推算得出當(dāng)前時(shí)刻的高級(jí)情感強(qiáng)度值。

④ 篩選出情感強(qiáng)度最大值：分別從HRV信號(hào)和RESP信號(hào)對(duì)應(yīng)的高級(jí)情感強(qiáng)度中篩選出最大值，取均值作為駕駛員對(duì)前方目標(biāo)的情感強(qiáng)度值。

情感強(qiáng)度計(jì)算流程如圖3所示。

圖3 情感強(qiáng)度計(jì)算流程

3 危險(xiǎn)工況下駕駛決策預(yù)測(cè)模型

3.1 數(shù)據(jù)選取與處理

針對(duì)本文的特定試驗(yàn)場(chǎng)景，選取的決策指標(biāo)包括駕駛績(jī)效指標(biāo)、法律指標(biāo)、道德指標(biāo)、生理指標(biāo)、決策指標(biāo)。其中駕駛績(jī)效指標(biāo)包括當(dāng)前車輛速度X1和當(dāng)前車輛與前方目標(biāo)的距離X2;道德指標(biāo)包括前方目標(biāo)類型X3、左側(cè)目標(biāo)類型X4、前方目標(biāo)數(shù)量X5;法律指標(biāo)為前方目標(biāo)通行權(quán)X6;生理指標(biāo)換算為情感強(qiáng)度X7;決策指標(biāo)Y分為左轉(zhuǎn)+剎車和剎車兩種。駕駛決策的重要指標(biāo)見表1。在進(jìn)行預(yù)測(cè)訓(xùn)練之前，對(duì)采集后的一些數(shù)據(jù)進(jìn)行篩選、過(guò)濾、無(wú)量綱歸一化等處理，駕駛決策各影響因素的部分?jǐn)?shù)據(jù)見表2。

表1 駕駛決策的重要指標(biāo)

表2 駕駛決策各影響因素的部分?jǐn)?shù)據(jù)

3.2 改進(jìn)的PSO-LSSVM駕駛決策模型

① PSO-LSSVM模型

最小二乘支持向量機(jī)(least squares support vector machine，LSSVM)是在傳統(tǒng)的支持向量機(jī)中引入最小二乘線性算法，在用等式約束代替不等式約束的同時(shí)，將二次方程規(guī)劃問(wèn)題轉(zhuǎn)化為線性方程組的解，進(jìn)而找到模型中輸入和輸出之間的函數(shù)關(guān)系。作為傳統(tǒng)的支持向量機(jī)的一種改進(jìn)模型，在有效保證識(shí)別精度同時(shí)，使得求解算法更為簡(jiǎn)單，模型求解速度更快，計(jì)算量更少[14]。LSSVM中的核函數(shù)的設(shè)計(jì)是關(guān)鍵，本文選擇局部強(qiáng)的徑向基(radial basis kernel，RBF)核函數(shù)，因此對(duì)LSSVM參數(shù)的優(yōu)化就是對(duì)懲罰系數(shù)C和RBF核函數(shù)中的寬度參數(shù)σ進(jìn)行優(yōu)化。

粒子群優(yōu)化算法(particle swarm optimization，PSO)是一種群智能優(yōu)化算法，其基本原理是模擬鳥類的捕食行為，通過(guò)群體內(nèi)的協(xié)作和信息交互來(lái)尋找最優(yōu)解。PSO算法中沒(méi)有過(guò)多參數(shù)的調(diào)節(jié)，操作簡(jiǎn)單，相較于傳統(tǒng)的遺傳算法具有更快的收斂速度，故本文選擇PSO算法確定LSSVM模型中的待定參數(shù)。PSO-LSSVM模型優(yōu)化流程如圖4所示。

圖4 PSO-LSSVM模型優(yōu)化流程圖

② PSO算法的改進(jìn)

PSO算法中假設(shè)N維空間中有m個(gè)粒子，定義粒子i的位置xi=[xi1,xi2,…,xin]，粒子i的飛行速度vi=[vi1,vi2,…,vin]。每個(gè)粒子均能記憶自身搜尋到的最佳位置，且可根據(jù)自身經(jīng)驗(yàn)和其他粒子的經(jīng)驗(yàn)調(diào)整速度。定義粒子i搜索到的個(gè)體最優(yōu)位置為pbest=[pi1,pi2,…,pin]，種群搜索到的全局最優(yōu)位置為Gbest=[Gi1,Gi2,…,Gin]。粒子i的第n維(1≤n≤N)速度更新公式如式(6)所示：

(6)

式中，ω為慣性因子;c1為粒子的個(gè)體學(xué)習(xí)因子;c2為粒子的社會(huì)學(xué)習(xí)因子，vmax為最大飛行速度，若vin超出界限則取界限值；i=[1,2,…,m]，n=[1,2,…,N]；rand()表示[0，1]之間的隨機(jī)數(shù)。

傳統(tǒng)PSO算法中的ω采用固定取值，慣性權(quán)重ω直接影響算法的性能，當(dāng)ω較大時(shí)，全局搜索能力較強(qiáng)，局部搜索能力下降；當(dāng)ω較小時(shí)則相反。因此，本文設(shè)置ω的變化如式(7)所示：

(7)

式中,ωmax和ωmin分別為慣性權(quán)重ω在整個(gè)迭代過(guò)程中的最大值和最小值；it為迭代次數(shù)；itmax為最大迭代次數(shù)。由式(7)可知，隨著迭代的進(jìn)行，慣性權(quán)重ω的取值呈現(xiàn)線性減小的趨勢(shì)。

3.3 結(jié)果分析

結(jié)果分為三部分，第一部分是驗(yàn)證改進(jìn)后PSO算法的優(yōu)越性，第二部分是驗(yàn)證改進(jìn)的PSO-LSSVM決策模型的優(yōu)越性，第三部分是驗(yàn)證情感強(qiáng)度在決策模型中的作用。

① PSO算法改進(jìn)前后對(duì)比

以往的研究大多采用K折交叉驗(yàn)證(K-CV，K-fold cross validation)的方法計(jì)算預(yù)測(cè)準(zhǔn)確度對(duì)LSSVM的性能進(jìn)行評(píng)價(jià)。具體到本文的PSO-LSSVM模型中，適應(yīng)度值即K-CV的預(yù)測(cè)準(zhǔn)確度。在本實(shí)驗(yàn)中選取75%的樣本(270個(gè))作為訓(xùn)練樣本，設(shè)置粒子群種群的大小m=20，慣性權(quán)重值ω=0.8，學(xué)習(xí)因子c1=c2=2，最大迭代次數(shù)為200，根據(jù)前人的研究成果[15]，設(shè)置ωmax的取值為0.9，ωmin的取值為0.4。同時(shí)用改進(jìn)的PSO算法進(jìn)行對(duì)比驗(yàn)證，得到PSO算法優(yōu)化前后對(duì)比曲線如圖5所示。

圖5 PSO算法優(yōu)化前后對(duì)比曲線

從圖5可以看出，本文改進(jìn)后的PSO算法具有更快的迭代速度和分類準(zhǔn)確率，其中，傳統(tǒng)PSO算法中，懲罰因子C=0.435 2，g=1.515 7，最佳適應(yīng)度(cross validation accuracy, CVA)=92.5%；改進(jìn)的PSO模型中，懲罰因子C=2.297 4，g=3.031 4，CVA=96.1%。

② 不同決策模型之間的對(duì)比

表3 不同模型的預(yù)測(cè)結(jié)果對(duì)比

分析表3中數(shù)據(jù)可知，本文提出的改進(jìn)的 PSO-LSSVM 模型相較于其他預(yù)測(cè)模型，預(yù)測(cè)準(zhǔn)確率更高。且PSO 算法與 GS 算法相比，可以對(duì) LSSVM 模型進(jìn)行更好地優(yōu)化，LSSVM 模型比SVM 模型相比，預(yù)測(cè)準(zhǔn)確率進(jìn)一步提高，而傳統(tǒng)的 BPNN 模型的預(yù)測(cè)結(jié)果相對(duì)較差。

③ 情感強(qiáng)度在決策模型中的作用

為了驗(yàn)證情感強(qiáng)度指標(biāo)在決策預(yù)測(cè)模型中的作用，將相同數(shù)量的樣本分成兩類。第一類樣本中包括X1-X77個(gè)輸入量，第二類樣本中包括不含情感強(qiáng)度指標(biāo)X7的6個(gè)輸入量。將其分別代入改進(jìn)后的PSO優(yōu)化算法中，其余參數(shù)和之前設(shè)置一致，得到第一類和第二類樣本的適應(yīng)度值分別如圖6和圖7所示。

圖6 第一類樣本的適應(yīng)度值

圖7 第二類樣本的適應(yīng)度值

第Ⅰ類樣本的最佳適應(yīng)度值(CVA1)=97.13%，高于第Ⅱ類樣本的最佳適應(yīng)度值(CVA2)=95.96%。從圖6和圖7可以粗略地看出，第一類樣本的平均適應(yīng)度在70%左右波動(dòng)，第二類樣本的平均適應(yīng)度在60%左右波動(dòng)，說(shuō)明加入輸入量情感強(qiáng)度指標(biāo)后，樣本的適應(yīng)性更強(qiáng)，表明情感強(qiáng)度因素對(duì)于提高模型的預(yù)測(cè)精度有一定作用。

4 結(jié)語(yǔ)

本文通過(guò)建立一典型的危險(xiǎn)工況場(chǎng)景，利用駕駛模擬器及生理傳感器等設(shè)備采集危險(xiǎn)工況下的駕駛行為數(shù)據(jù)，分析該危險(xiǎn)工況內(nèi)駕駛決策的影響因素，建立了包括情感強(qiáng)度等輸入指標(biāo)的改進(jìn)PSO-LSSVM駕駛決策模型，探究情感強(qiáng)度對(duì)駕駛決策的影響。

① 構(gòu)建了危險(xiǎn)工況下的目標(biāo)情感強(qiáng)度計(jì)算模型，通過(guò)分析人類在危險(xiǎn)工況中的本能反應(yīng)，對(duì)激素調(diào)節(jié)模塊和情感生成模塊進(jìn)行改進(jìn)，將模型中難以測(cè)量的激素濃度用生理指標(biāo)代替，進(jìn)而計(jì)算駕駛模擬實(shí)驗(yàn)中駕駛員對(duì)前方目標(biāo)的情感強(qiáng)度值，定量描述駕駛?cè)藢?duì)各目標(biāo)的情感強(qiáng)度。

② 把情感強(qiáng)度融入到駕駛決策中，與駕駛績(jī)效、道德、法律等指標(biāo)作為駕駛決策模型的輸入信息，采用改進(jìn)的PSO算法對(duì)LSSVM模型的參數(shù)進(jìn)行優(yōu)化，建立了危險(xiǎn)工況下的PSO-LSSVM駕駛決策模型，結(jié)果表明在預(yù)測(cè)模型中加入情感強(qiáng)度指標(biāo)可以增強(qiáng)樣本的適應(yīng)性。

需要指出的是，本文僅建立了單一典型危險(xiǎn)工況場(chǎng)景，后續(xù)會(huì)進(jìn)一步開展多種典型危險(xiǎn)工況下的決策研究，逐步豐富研究?jī)?nèi)容，本文的研究可為危險(xiǎn)工況下自動(dòng)駕駛車輛的擬人決策提供理論參考。