鹿 暢，劉 穎，趙麗影，涂輝招，汪大明，宋曉航

（1. 同濟大學道路與交通工程教育部重點實驗室，上海 201804；2. 交通運輸部規(guī)劃研究院，北京 100028；3. 上研智聯(lián)智能出行科技（上海）有限公司檢測技術(shù)研究部，上海 201306）

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

自動駕駛路測融合度關(guān)鍵要素是路測車輛的安全性［2，8-9］。脫離率［10］是安全性的重要指標，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駕駛車每行駛1 000 英里人工干預(yù)次數(shù)。通常認為脫離的頻率越低，自動駕駛車的表現(xiàn)越好，與現(xiàn)有道路交通系統(tǒng)的融合度就越高。隨著自動駕駛累計測試里程及累計測試時長的增加，脫離率表現(xiàn)會變好［7］。路測車輛的脫離與測試場景具有強相關(guān)性［12］。統(tǒng)計分析加州發(fā)布的自動駕駛脫離數(shù)據(jù)后發(fā)現(xiàn)，相比于高速公路，自動駕駛脫離更容易發(fā)生在城市道路［13］。造成自動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，即被動脫離和主動脫離［11］。被動脫離是指由場景限制及車輛功能限制造成的脫離，由自動駕駛系統(tǒng)發(fā)起。主動脫離是指當安全員認為自動駕駛車無法應(yīng)對當前測試場景時主動發(fā)起的脫離。也有研究將脫離分為避險脫離和非避險脫離，認為考慮非避險脫離會低估自動駕駛車的表現(xiàn)［15］。

路測車輛為了安全而采取過于保守的策略，會產(chǎn)生換道行為猶豫、通過交叉口速度過慢等現(xiàn)象，進而引起交通擁堵、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［17］和仿真［18-22］，分析不同車道設(shè)置［17］、不同自動駕駛能力（跟馳距離［17］、反應(yīng)時間［19］等）、不同自動駕駛滲透率［17-21］下自動駕駛車對交通效率的影響。

自動駕駛路測單一指標難以全面且客觀地反映自動駕駛路測水平。例如，過于保守的行駛策略在能保證測試安全的同時卻會影響道路的通行效率。路測的自動駕駛車類型包括商用車、乘用車和專用作業(yè)車［23］等。路測道路環(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，在不同道路場景下的行駛特征也不同，對于自動駕駛路測表現(xiàn)評價需要分場景、分車型。例如，在城市道路上測試的專用作業(yè)車行駛速度低且測試里程相對短，而在高速公路上測試的商用車行駛速度高且測試里程長。因此，提出了自動駕駛路測融合度模型，綜合考慮不同路測車型和不同路測場景下路測安全性及路測對交通效率的影響。

1 自動駕駛路測融合度模型構(gòu)建

1.1 名詞定義

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

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

1.2 自動駕駛路測融合度模型

對于自動駕駛路測融合度模型，同時考慮了安全以及效率兩方面。以自動駕駛累計測試里程、自動駕駛累計測試時長和避險脫離率為指標表征自動駕駛路測融合度的安全性。以通行能力影響率和運行速度差異率為指標表征路測融合度的效率。k類場景下類型j車輛的自動駕駛路測融合度的計算式如下所示：

式中：D為自動駕駛路測融合度，D∈[0，100]；wijk為第i個指標權(quán)重，且∑wijk=1；sijk為第i個評價指標標準化后的屬性值，sijk∈[0，100]。自動駕駛路測融合度值越大則代表自動駕駛車與周圍交通流融合程度越高。

自動駕駛路測融合度評價框架如圖1所示。首先，對路測車型及場景分類，明確評價的車型以及路測場景類型，選取合適的指標構(gòu)建評價指標體系；然后，確定各評價指標的標準化函數(shù)并計算各指標的權(quán)重，從而構(gòu)建自動駕駛路測融合度模型；最后，根據(jù)實測數(shù)據(jù)和仿真數(shù)據(jù)計算路測融合度。

圖1 自動駕駛路測融合度評價框架Fig.1 Evaluation framework for integration degree of autonomous vehicles in road testing

1.3 自動駕駛路測融合度評價指標

自動駕駛路測融合度模型選取了能表征安全性和效率的5 個評價指標。安全性方面，目前缺少路測階段事故率統(tǒng)計數(shù)據(jù)，因此選擇能表征安全性的避險脫離率指標。若累計測試里程或累計測試時長過低時計算得到的避險脫離率難以客觀反映自動駕駛路測表現(xiàn)，則同時考慮累計測試里程和累計測試時長。隨著累計測試里程和累計測試時長的增加，自動駕駛車的安全性也得到一定程度提升。因此，累計測試里程和累計測試時長也被選為自動駕駛路測融合度安全性評價指標。效率方面，選擇表征個體效率的運行速度差異率和表征路段交通效率的通行能力影響率。

（1）自動駕駛累計測試里程（km·（車·年）?1）指一年中同企業(yè)平均每輛自動駕駛車在駕駛模式為自動駕駛時行駛的總里程。基于實際自動駕駛路測數(shù)據(jù)，統(tǒng)計同一企業(yè)平均每輛自動駕駛車在一年中駕駛模式為自動駕駛時的測試總里程。

（2）自動駕駛累計測試時長（h·（車·年）?1）指一年中同企業(yè)平均每輛自動駕駛車在駕駛模式為自動駕駛時行駛的總時長。基于實際自動駕駛路測數(shù)據(jù)，統(tǒng)計同一企業(yè)平均每輛自動駕駛車在一年中駕駛模式為自動駕駛時的測試總時長。

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

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

式中：Cˉat指自動駕駛路測前的道路通行能力；Cˉbt指自動駕駛路測后的道路通行能力。

當通行能力影響率為負數(shù)值時說明自動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)實測數(shù)據(jù)直接獲得，因此可將實測數(shù)據(jù)中提取到的自動駕駛車和人工駕駛車的運行參數(shù)（速度、加速度等）作為輸入，通過仿真結(jié)果計算得到。

（5）運行速度差異率（%）指自動駕駛車的平均運行速度與人工駕駛車的平均運行速度的差異率，計算式如下所示：

式中：vˉa是自動駕駛路測時自動駕駛車的平均運行速度；vˉm是測試時周邊人工駕駛車的平均運行速度。

當運行速度差異率為負數(shù)值時說明自動駕駛車的平均運行速度高于人工駕駛車的平均運行速度。運行速度差異率計算過程中所需的人工駕駛車的平均運行速度可以根據(jù)與自動駕駛車在同區(qū)域同時段運行的網(wǎng)約車數(shù)據(jù)計算得出。

1.4 仿真推演

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

（1）仿真模型搭建

基于路測時真實自動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機［24］。

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

式中：amax為安全舒適范圍內(nèi)自動駕駛車的最大加速度；acom為安全舒適范圍內(nèi)自動駕駛車的舒適減速度；v為當前車速；vd為期望車速；dd為期望車間距離；d為當前車間距離；d0和d1為與速度相關(guān)的安全距離參數(shù)；tra為自動駕駛車反應(yīng)時間；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)時間；xn(t+trm)為車輛n在（t+trm）時刻的位移；xn?1(t)為車輛(n?1)在t時刻的位移；dm為車輛間距差項。

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產(chǎn)生不同的換道期望車輛間距和速度差。當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，有換道需求的車輛才會進行換道。

（4）通行能力影響率計算方法

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間內(nèi)能通過的最大車輛數(shù)（pcu·h?1）。對于無信號燈控制的路段，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道路表現(xiàn)，收集自動駕駛車測試時的運行特征和同時空的人工駕駛車交通流數(shù)據(jù)，用實際數(shù)據(jù)標定路段流量、期望速度分布、期望加速度分布等參數(shù)，對于少量難以獲取的駕駛行為模型參數(shù)，通過參考既有文獻和對測試車企的訪談確定。

交通流仿真中，對于人工駕駛車跟馳模型，城市道路場景下車輛間距差項dm和反應(yīng)時間trm由文獻［28］中實測數(shù)據(jù)標定，公路場景下由文獻［29］中實測數(shù)據(jù)標定；對于安全舒適范圍內(nèi)自動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、自動駕駛車反應(yīng)時間tra等參數(shù)，可根據(jù)文獻［30］中方法基于實際自動駕駛路測數(shù)據(jù)標定。

1.5 評價指標標準化

自動駕駛路測融合度評價指標包括正向指標和逆向指標。路測融合度的值隨著正向指標的值增大而增大；反之，路測融合度的值隨著逆向指標的值增大而減小。自動駕駛累計測試里程、自動駕駛累計測試時長為正向指標，避險脫離率、通行能力影響率及運行速度差異率為逆向指標。

假設(shè)：當正向指標值高于某一水平后，指標值增加不再影響融合度值，當正向指標低于某一水平后，指標值減少不再影響融合度值；當逆向指標值低于某一水平后，指標值減少不再影響融合度值，當逆向指標高于某一水平后，指標值增加不再影響融合度值。各評價指標標準化后的最大值為100，最小值為0。評價指標標準化后的值越大，融合度就越好。融合度指標標準化的確定包括以下3個步驟：

（1）數(shù)據(jù)收集

設(shè)計五點式李克特量表，通過問卷收集獲取專家對評價指標的看法，由專家對評價指標進行評分。將評價指標按照體現(xiàn)路測融合度的高低分為5個等級，從體現(xiàn)路測融合度低到體現(xiàn)路測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融合度，將5個等級（非常差、差、一般、良好、優(yōu)秀）對應(yīng)的分值分別設(shè)置為0、25、50、75、100。

（2）標準化函數(shù)選擇

本方法中標準化目標為將各評價指標標準化至［0，100］范圍內(nèi)。為了選擇合適的標準化函數(shù)，對比不同標準化函數(shù)擬合結(jié)果的均方誤差（αMSE），選擇均方誤差最小的函數(shù)形式作為標準化函數(shù)。正向指標和逆向指標的標準化函數(shù)可以不同。共選取線性函數(shù)、對數(shù)函數(shù)、皮爾生長曲線函數(shù)和負指數(shù)函數(shù)4種標準化函數(shù)。其中，線性函數(shù)和對數(shù)函數(shù)同時適用于正向指標和逆向指標標準化，皮爾生長曲線函數(shù)只適用于正向指標標準化，負指數(shù)函數(shù)只適用于逆向指標標準化。考慮到標準化需求和函數(shù)取值連續(xù)性，為了使函數(shù)更好地擬合定義域，對對數(shù)函數(shù)、皮爾生長曲線函數(shù)和負指數(shù)函數(shù)的公式做了線性調(diào)整。各標準化函數(shù)的具體表達式如表1所示。

表1 標準化函數(shù)Tab.1 Standardized functions

（3）標準化函數(shù)參數(shù)擬合

選取評價指標為自變量，每份問卷中各評價指標對應(yīng)分數(shù)的平均值為因變量（路測融合度真實值），作為參數(shù)擬合的數(shù)據(jù)集?；跀?shù)據(jù)集和標準化函數(shù)，采用高斯-牛頓迭代法進行參數(shù)擬合，計算標準化函數(shù)的參數(shù)。使用αMSE來表征各標準化函數(shù)的擬合表現(xiàn)，針對正向指標和逆向指標分別選取αMSE最小的標準化函數(shù)。

1.6 評價指標權(quán)重

采用層次分析法［31］確定各評價指標權(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3個步驟。

（1）層次結(jié)構(gòu)模型建立

評價指標權(quán)重計算僅考慮自動駕駛路測融合度評價目標層和包含5 個評價指標的指標層，具體層次結(jié)構(gòu)模型確定如圖2所示。

圖2 路測融合度評價層次模型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)，通過專家打分進行評價指標重要性比較，決定各評價指標相對于目標的權(quán)重。對于本研究中的重要度比較，采用1～9標度方法構(gòu)造判斷矩陣A，如下所示：

式中：aij表示第i個評價指標和第j個評價指標之間的重要性比較關(guān)系，取值方法如表2所示。

表2 評價指標重要性標度Tab.2 Significance scales for evaluation indicators

基于矩陣A，計算各評價指標的重要性，如下所示：

式中：wi為第i個評價指標的權(quán)重。

（3）判斷矩陣求解及一致性檢驗

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，因此當矩陣不具有完全一致性的時候，需重新調(diào)整矩陣中的相對比值，重新計算最大特征向量，直至判斷矩陣具有滿意的一致性。一致性指標C計算式如下所示：

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計算一致性比例R，如下所示：

式中：I為隨機一致性指標，可由表3獲得。

表3 I隨n的變化Tab.3 Variation of I with n

當R≤0.10 時，通常認為判斷矩陣的一致性是可以接受的，否則再次進行專家打分，對判斷矩陣做適當修正，直到通過一致性檢驗，此時所求得的評價指標權(quán)重可用。

2 案例分析與討論

2.1 場景概況

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

2.2 數(shù)據(jù)概況

（1）自動駕駛數(shù)據(jù)

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

（2）人工駕駛數(shù)據(jù)

人工駕駛數(shù)據(jù)源自與自動駕駛車測試同區(qū)域同時段的上海市網(wǎng)約車數(shù)據(jù)及貨車數(shù)據(jù)。人工駕駛數(shù)據(jù)字段包括車輛號牌、經(jīng)緯度、定位時間、車輛速度等，數(shù)據(jù)采集頻率為1 Hz。場景-Ⅰ對應(yīng)的人工駕駛數(shù)據(jù)約23萬條，場景-Ⅱ?qū)?yīng)的人工駕駛數(shù)據(jù)約143萬條，場景-Ⅲ對應(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)得到評價指標標準化函數(shù)參數(shù)擬合及指標權(quán)重確定所需數(shù)據(jù)。自動駕駛是創(chuàng)新性突破技術(shù)，因此問卷調(diào)查對象需要有一定的針對性。調(diào)查對象均為熟悉上海市自動駕駛開放道路測試情況的專家，主要包括自動駕駛測試安全員、測試工程師、系統(tǒng)設(shè)計工程師、測試監(jiān)管人員以及自動駕駛研究相關(guān)的專家學者等。共收集有效問卷38份。

2.4 指標標準化結(jié)果

表4給出了不同標準化函數(shù)的擬合表現(xiàn)。對比各函數(shù)擬合后的αMSE，選取αMSE最小的函數(shù)作為評價指標的標準化函數(shù)。最終，選定皮爾生長曲線函數(shù)為累計測試里程和累計測試時長的標準化函數(shù)，選定負指數(shù)函數(shù)為避險脫離率、運行速度差異率和通行能力影響率的標準化函數(shù)。標準化函數(shù)參數(shù)標定結(jié)果如表5 所示，各指標標準化函數(shù)擬合結(jié)果如圖3～7所示。

圖3 累計測試里程標準化函數(shù)擬合結(jié)果Fig.3 Fitting results of standardized function for cumulative testing mileage

表4 標準化函數(shù)擬合表現(xiàn)（αMSE）Tab.4 Fitting performance of standardized functions(αMSE)

表5 標準化函數(shù)參數(shù)Tab.5 Parameters of standardized functions

相比于城市道路場景，高速公路場景下自動駕駛路測對累計測試里程和累計測試時長要求更高。如表5 所示，自動駕駛路測融合度為100 時，城市道路場景-Ⅰ和場景-Ⅱ下，對累計測試里程的要求分別為2 075 km·（車·年）?1和1 620 km·（車·年）?1，而場景-Ⅲ下對累計測試里程的要求則為7 300 km·（車·年）?1。對于避險脫離率指標，場景-Ⅰ的要求最高（最低要求為10次·百公里?1），場景-Ⅱ和場景-Ⅲ的最低要求都為15次·百公里?1。相比于場景-Ⅰ（最低要求為10%），場景-Ⅱ（最低要求為15%）和場景-Ⅲ（最低要求為50%）的通行能力影響率的要求則有所放寬。3 個場景下的運行速度差異率指標要求也有相同的趨勢。

2.5 指標權(quán)重結(jié)果

根據(jù)問卷結(jié)果發(fā)現(xiàn)，對于場景-Ⅰ和場景-Ⅱ2類復雜度不同的城市道路場景，不同評價指標間的相對重要性結(jié)果相同。根據(jù)調(diào)查結(jié)果構(gòu)建如下判斷矩陣：

得到一致性檢驗結(jié)果為0.005 9，小于0.10。

根據(jù)指標權(quán)重確定方法計算各評價指標權(quán)重，如表6所示。表6表明，避險脫離率在5個指標中權(quán)重最大，約占50%。城市道路場景下各指標重要程度排序為避險脫離率、通行能力影響率、運行速度差異率、累計測試里程和累計測試時長。高速公路場景下各指標重要程度排序為避險脫離率、累計測試里程、通行能力影響率、運行速度差異率和累計測試時長。

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

圖4 累計測試時長標準化函數(shù)擬合結(jié)果Fig.4 Fitting results of standardized function for cumulative testing duration

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

圖6 運行速度差異率標準化函數(shù)擬合結(jié)果Fig.6 Fitting results of standardized function for operating speed difference rate

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

2.6 路測融合度分析

基于5個評價指標，計算3個場景下不同車企的路測融合度評價指標，結(jié)果如表7 所示。城市道路場景下的自動駕駛乘用車避險脫離率遠高于高速公路場景下的自動駕駛集卡。主要原因是自動駕駛集卡的累計測試里程和累計測試時長遠遠大于自動駕駛乘用車。同車企的自動駕駛乘用車，在場景-Ⅱ（一般風險）下的避險脫離率要明顯高于在場景-Ⅰ（低風險）下的避險脫離率。

表7 3個場景下評價指標計算結(jié)果Tab.7 Calculation results of evaluation indexes under three scenarios

結(jié)合評價指標值和評價指標權(quán)重計算得到路測融合度結(jié)果，如表8 所示。由表8 可以看出，高速公路場景下自動駕駛集卡融合到現(xiàn)有交通系統(tǒng)的程度高，路測融合度高于85.0，而城市道路場景下自動駕駛乘用車融合到現(xiàn)有交通系統(tǒng)的程度相對較低，路測融合度低于25.0。

表8 3個場景下各車企路測融合度計算結(jié)果Tab.8 Calculation results of integration degree under three scenarios for each car company

導致高速公路場景下與城市道路場景下路測融合度差異較大的原因在于：一方面，高速公路場景下自動駕駛集卡車速快，其周邊交通參與者比較明確，行為相對規(guī)范，而在城市道路場景下自動駕駛乘用車周邊交通參與者的行為更多樣，自動駕駛乘用車更難融入；另一方面，高速公路場景下自動駕駛集卡的累計測試里程以及累計測試時長顯著高于城市道路場景下自動駕駛乘用車的累計測試里程及累計測試時長，系統(tǒng)可靠性也相應(yīng)更高。另外，對比車企-1和車企-2的自動駕駛乘用車在不同場景下的路測融合度發(fā)現(xiàn)，同車企的車在場景-Ⅰ（低風險）的路測融合度明顯高于場景-Ⅱ（一般風險）的路測融合度，說明對于同一車企的自動駕駛乘用車，測試場景的復雜度越高，融合度越低。因此，加大自動駕駛測試里程、測試時長和測試場景復雜度，可以促進自動駕駛技術(shù)的成熟。

3 結(jié)論

（1）在提出自動駕駛路測融合度評價框架的基礎(chǔ)上，選擇了考慮路測安全性與路測效率的5 個評價指標，利用專家打分和層次分析法構(gòu)建了自動駕駛路測融合度模型。

（2）對于路測融合度，基于專家調(diào)查結(jié)果分析不同評價指標權(quán)重，結(jié)果表明避險脫離率是表征自動駕駛車融入現(xiàn)有道路交通系統(tǒng)程度的最重要指標；另一個重要影響因素是通行能力影響率，表明自動駕駛路測過程中應(yīng)充分關(guān)注自動駕駛路測對周邊交通流通行效率的影響。

（3）上海市自動駕駛路測實際數(shù)據(jù)和仿真數(shù)據(jù)表明，可采用路測融合度模型表征自動駕駛車融入現(xiàn)有道路交通系統(tǒng)的程度，并驗證了路測融合度模型的合理性和有效性。目前在城市道路場景下自動駕駛乘用車的路測融合度相對較低，而在高速公路場景下自動駕駛集卡的路測融合度相對較高，主要原因在于高速公路場景復雜度相對簡單，而且路測里程和路測時長都相對較高，說明加大自動駕駛測試里程、測試時長和測試復雜度，可促進自動駕駛技術(shù)的成熟。

路測融合度模型的評價指標選擇、評價指標標準化和模型參數(shù)標定方法在不同場景中具有很好的適應(yīng)性。在未來研究中，充實更多車型及更多測試場景數(shù)據(jù)，進一步驗證自動駕駛路測融合度模型的科學性和適用性。

作者貢獻聲明：

鹿 暢：研究設(shè)計，數(shù)據(jù)分析，論文撰寫。

劉 穎：研究設(shè)計，論文修訂。

趙麗影：數(shù)據(jù)處理，仿真設(shè)計。

涂輝招：問卷設(shè)計，數(shù)據(jù)分析。

汪大明：數(shù)據(jù)采集。

宋曉航：數(shù)據(jù)采集。