盧迪柯 周毅 何海燕

（同濟(jì)大學(xué)汽車學(xué)院，上海 201804）

縮略語

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、小鵬、理想等主機(jī)廠已經(jīng)開發(fā)了許多較為完善的高級自動(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。而在日常駕駛過程中，跟車行駛占據(jù)整個(gè)行車過程70%以上，目前對于智能跟車功能評價(jià)尚無統(tǒng)一的標(biāo)準(zhǔn)法規(guī)[1]，因此十分有必要開展智能跟車功能測試評價(jià)方法的研究，本文圍繞智能跟車功能（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功能（IVF）指具備該功能的車輛在本車道內(nèi)可跟隨前方目標(biāo)車輛自動(dòng)調(diào)節(jié)車輛速度，并根據(jù)不同工況與前方目標(biāo)車輛保持適當(dāng)距離。

（2）研究國內(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）、車道偏離預(yù)警（Lane Departure Warning，LDW）、盲區(qū)探測（Blind Spot Detection，BSD）與跟車功能相關(guān)的測試標(biāo)準(zhǔn)[2-3]，基于其評價(jià)參數(shù)，并結(jié)合跟車功能相關(guān)實(shí)際經(jīng)驗(yàn)，構(gòu)建智能跟車功能綜合評價(jià)體系。

（3）借助Delphi 專家咨詢法對評價(jià)參數(shù)與安全性和舒適性的相關(guān)性進(jìn)行評估。

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

1 評價(jià)指標(biāo)體系構(gòu)建

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

1.1 評價(jià)指標(biāo)體系框架

本文以智能跟車功能的測試評價(jià)為核心開展相關(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估的測試評價(jià)體系，結(jié)合消費(fèi)者實(shí)際使用，擬定該評價(jià)體系從安全性、舒適性2個(gè)維度開展相關(guān)研究，所選擇的基礎(chǔ)評價(jià)參數(shù)均來自智能汽車功能評測標(biāo)準(zhǔn)，綜合分析目標(biāo)層、準(zhǔn)則層和參數(shù)層，所建立的智能跟車功能綜合評價(jià)指標(biāo)體系如圖1所示。

圖1 智能跟車功能綜合評價(jià)指標(biāo)體系

1.2 評價(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)性能主要分析被測車輛在勻速跟車工況下跟車距離、車速的穩(wěn)定性。動(dòng)態(tài)性能主要統(tǒng)計(jì)、分析車輛在跟車工況下加（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定義為本車與前車之間的相對距離除以相對速度，為了確保智能車輛運(yùn)行安全可靠，要求TTC>0 s。

對于相對速度不變的情況，也就是說當(dāng)2 車都沒有加速或減速時(shí)，TTC為本車與前車發(fā)生碰撞的時(shí)間。TTC計(jì)算如下：

式中，XT為前車位置；XH為主車位置；LT為車身長度；vH為主車速度；vT為前車速度。

（2）車頭時(shí)距（Time Headway,THW）

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

式中，XT為前車位置；XH為主車位置；LT為車身長度；vH為主車速度。

2 評價(jià)參數(shù)的相關(guān)性評估

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

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

2.1 專家遴選

本次調(diào)查經(jīng)過兩輪專家咨詢，共計(jì)遴選了15位具有專業(yè)性和權(quán)威性的專家組成本研究的Delphi 法專家小組，其中5位來自同濟(jì)大學(xué)相關(guān)學(xué)科，7位來自汽車主機(jī)廠（智己汽車、泛亞汽車技術(shù)中心、上汽大眾），3 位來自智能駕駛相關(guān)零部件企業(yè)（舍弗勒、地平線、千顧汽車）。專家小組成員均多年從事智能駕駛技術(shù)開發(fā)或測試技術(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)評價(jià)指標(biāo)體系框架，編制專家咨詢表，內(nèi)容包括專家的基本情況、對指標(biāo)相關(guān)性的判斷依據(jù)、熟悉程度。專家采用背對背的形式填寫問卷，對初步評價(jià)指標(biāo)體系內(nèi)各評價(jià)參數(shù)對“安全性”和“舒適性”的相關(guān)性進(jìn)行打分，評分值用李克特量表（5-Likert scale）進(jìn)行評定[6]，具體評分見表1所示。

表1 李克特量表相關(guān)性

2.2 評價(jià)指標(biāo)相關(guān)性篩選

2.2.1 專家積極系數(shù)

該系數(shù)用于衡量專家對咨詢內(nèi)容的關(guān)心程度，以有效咨詢表的回收率來衡量，公式如下：

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

2.2.2 專家權(quán)威程度以專家權(quán)威系數(shù)Cr來衡量，公式如下：

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

表2 專家判斷依據(jù)及影響程度

表3 專家熟悉程度

經(jīng)過對專家自評結(jié)果分析，Ca=0.95，Cs=0.88。專家權(quán)威系數(shù)Cr=0.92，專家權(quán)威程度較高，可為本次相關(guān)性分析提供可靠的評判依據(jù)。

2.2.3 專家意見集中程度

滿分頻率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)性評價(jià)的專家數(shù)；表示其中打滿分的專家數(shù)。fj的取值范圍為[0,1]，可作為的補(bǔ)充指標(biāo)。

2.2.4 專家意見協(xié)調(diào)程度

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

通過2 輪Delphi 法的專家調(diào)研篩選，最終調(diào)研結(jié)果詳見表4和表5。

表4 “安全性”與指標(biāo)相關(guān)性專家咨詢結(jié)果

表5 “舒適性”與指標(biāo)相關(guān)性專家咨詢結(jié)果

以同時(shí)滿足重要性賦值均數(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)評價(jià)參數(shù)中，與安全性相關(guān)性比較高的參數(shù)包括車道中心線相對距離、速度波動(dòng)、最大加（減）速度、預(yù)計(jì)碰撞時(shí)間和車頭時(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、車頭時(shí)距和停車縱向距離。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)用評價(jià)指標(biāo)體系的若干個(gè)指標(biāo)參數(shù)對智能跟車功能進(jìn)行綜合評價(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不同指標(biāo)在評價(jià)過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功能綜合水平。

結(jié)合本文建立的智能跟車功能的評價(jià)指標(biāo)體系，借助Delphi 專家問卷調(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)，然后將基于專家意見并運(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評價(jià)指標(biāo)的選取和評價(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，針對智能跟車功能綜合評價(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級比例標(biāo)度，標(biāo)度值及含義詳見表6?；贒elphi 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)算問題。兩兩比較判斷矩陣的最大特征值對應(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)多位專家咨詢結(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)值詳見表10。

表10 隨機(jī)一致性指標(biāo)RI

針對以上表7、表8 和表9 中3 個(gè)判斷矩陣，分別計(jì)算其最大特征值對應(yīng)的特征向量，并對其進(jìn)行歸一化處理，可計(jì)算得出該判斷矩陣對應(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于智能跟車功能總目標(biāo)的相對權(quán)重。經(jīng)計(jì)算，各個(gè)指標(biāo)參量相對于智能跟車功能綜合指標(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 評價(jià)模型應(yīng)用

針對評價(jià)模型內(nèi)各項(xiàng)指標(biāo)，基于智能跟車功能要求，確定單項(xiàng)指標(biāo)評分標(biāo)準(zhǔn)及其單項(xiàng)滿分值。選定某車型作為被測車型，進(jìn)行測試并采集數(shù)據(jù)，借助該模型對其智能跟車功能進(jìn)行評分。

4.1 指標(biāo)評分標(biāo)準(zhǔn)

（1）THW

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

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

式中，v為車速。

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

（2）TTC

TTC直接決定車輛是否發(fā)生碰撞，所以在該評價(jià)模型中，該值作為“一票否決制”。當(dāng)|TTC|=0 時(shí)，該車跟車功能總評分為0 分。針對不同的車速，其TTC閾值不同，詳見表13。

（3）指標(biāo)評分標(biāo)準(zhǔn)

針對智能跟車功能相關(guān)的各項(xiàng)指標(biāo)，評分體系滿分采用100 分，各項(xiàng)指標(biāo)評分標(biāo)準(zhǔn)及相應(yīng)滿分分值如表14所示。

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

4.2 評價(jià)實(shí)施

針對跟車過程，前車的縱向運(yùn)動(dòng)形態(tài)分為3種：勻速、減速和加速。本次測試過程主要選取某車型作為主車，進(jìn)行了前車“加速—?jiǎng)蛩佟眻鼍皽y試，其主要參數(shù)如圖2所示。

圖2 被測車輛主要參數(shù)

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

表15 被測車輛評分結(jié)果

該車型總體得分為91分，該車型智能跟車功能表現(xiàn)良好。

5 結(jié)語

高級駕駛輔助功能測試評價(jià)是開展技術(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)評價(jià)子維度?；陬A(yù)計(jì)碰撞時(shí)間(TTC)、車頭時(shí)距（THW）、最大加（減）速度、速度波動(dòng)量、車道中心線相對距離和縱向停車距離作為評價(jià)指標(biāo)參數(shù)，利用層次分析法（AHP）和德爾菲法（Delphi），本文設(shè)計(jì)了一套綜合評價(jià)模型，主要?jiǎng)?chuàng)新點(diǎn)如下：

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

（2）評價(jià)指標(biāo)：以智能跟車功能相關(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)筑評價(jià)模型。

（3）賦權(quán)方法：通過德爾菲（Delphi）法調(diào)研多位業(yè)內(nèi)專家，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)行專家問卷調(diào)查時(shí)，所邀請的專家均為相關(guān)企業(yè)內(nèi)資深工程師，且與本文作者無任何利益關(guān)系。