李文亮，周 煒，宋 毅，張 祿，張金玲

(1.交通運輸部公路科學(xué)研究院 運輸車輛運行安全技術(shù)交通行業(yè)重點實驗室,北京 100088； 2.北京郵電大學(xué) 電子工程學(xué)院,北京 100876)

0 引言

智能汽車是汽車產(chǎn)業(yè)與人工智能、高性能計算、大數(shù)據(jù)、物聯(lián)網(wǎng)等新一代信息技術(shù)以及交通出行、城市管理等多領(lǐng)域深度融合的產(chǎn)物，是當(dāng)前全球汽車與交通出行領(lǐng)域發(fā)展及研究最為主要方向之一，已成為各國爭搶的戰(zhàn)略制高點[1-2]。

測試評價是智能車輛從開發(fā)到實際上路應(yīng)用的重要保障，包括確定智能化系統(tǒng)上車條件、車輛上路條件、車輛智能化等級水平等。我國北上廣深等10余個城市進行了智能汽車的測試驗證和試驗場地建設(shè)，依據(jù)專家經(jīng)驗和借鑒國外資料制定了測試規(guī)范，這些測試按照試驗場地的封閉程度分為封閉場地測試、有限開放道路測試和開放道路測試[3-6]，仿真測試作為輔助手段可以進一步提高效率[7-9]，各類測試之間的關(guān)聯(lián)關(guān)系需要進一步深入研究；測試場景的構(gòu)建主要從統(tǒng)計學(xué)的角度進行分析凝練[10-13]，缺少基礎(chǔ)理論依據(jù)。

測評科學(xué)性的本質(zhì)是與用戶實際使用工況的關(guān)聯(lián)性和測試評價的快速性。周煒[14-16]等研究了汽車試驗場可靠性試驗的關(guān)聯(lián)模型與加速系數(shù)，王建強等[17]提出了行車風(fēng)險場等模型，李文亮[18]等基于風(fēng)險場理論研究了智能汽車測試工況與用戶工況的關(guān)聯(lián)評價模型。本研究對基于行車風(fēng)險場的危險度模型進行改進，綜合考慮用戶工況和測試工況的復(fù)雜度與危險度覆蓋率、最大值及分布情況，構(gòu)建了基于危險度和復(fù)雜度的用戶與測試工況關(guān)聯(lián)評價模型，為智能汽車測評理論研究提供了借鑒。

1 理論研究

1.1 改進的危險度模型

行車風(fēng)險場用來描述道路環(huán)境中人、車、路各要素對行駛車輛安全性造成的風(fēng)險，動能場公式如式(1)所示[17]：

(1)

式中，EV_ij為物體i產(chǎn)生的動能場場強，方向與rij一致；rij為物體i和物體j的距離矢量；k1,k2,G均為大于零的待定常數(shù)；Ri為物體i處的道路條件因子；Mi為物體i的等效質(zhì)量；vi為物體i的速度；θi為物體i速度方向與rij的夾角。

如圖1所示，兩車橫向距離為h，wi和wj分別為車輛i和車輛j的寬度，則：

圖1 動能場Fig.1 Kinetic energy field

(2)

式中，定義兩車橫向安全距離為h0，當(dāng)h≥h0時，物體i在物體j處形成的動能場場強大小為0，此時，θi≥α0(θi≤π/2)或π-θi≥α0(θi>π/2)，則在公式(1)的基礎(chǔ)上改進后的動能場表達式為：

(3)

同時，勢能場就是動能場在物體i的速度vi為0時的形式[9]。將勢能場和動能場合并，無論靜止還是運動狀態(tài)，物體i在物體j處產(chǎn)生的場強都全部整合為動能場，即改進后的行車風(fēng)險場只由動能場和行為場組成。

改進后的行車風(fēng)險場統(tǒng)一模型可表示為：

(4)

式中Es_j為風(fēng)險場在物體j位置處的場強合矢量。

1.2 復(fù)雜度模型

復(fù)雜度用來描述車輛行駛環(huán)境的復(fù)雜程度，綜合考慮天氣、路面情況、光線和周邊行人車輛等各種要素的復(fù)雜程度。雨雪霧等越大越復(fù)雜，傳感器識別范圍內(nèi)的物體越多越復(fù)雜，物體體積越小越復(fù)雜，物體變化越多越不規(guī)律越復(fù)雜，相對應(yīng)的復(fù)雜度的值越大。

給定復(fù)雜度的最大值是100，最小值是0，各種交通環(huán)境要素的復(fù)雜度取值范圍為0～100，如表1所示。行車環(huán)境復(fù)雜度為各項要素復(fù)雜度之和。

表1 典型行車環(huán)境要素復(fù)雜度

1.3 匹配和評價模型

在危險度匹配和評價的基礎(chǔ)上，增加復(fù)雜度匹配和評價維度。復(fù)雜度與危險度匹配評價采取相同原則[18]。

等復(fù)雜度匹配模型如式(5)所示：

(5)

式中，Ai,Bj為用戶和測試工況復(fù)雜度，Ii,Jj為統(tǒng)計的工況次數(shù)。

(6)

(7)

綜合危險度和復(fù)雜度，計算有效性指數(shù)λi。

(8)

式中aj為7個評價指標(biāo)各自的權(quán)重。

2 實際算例分析

2.1 用戶實際工況數(shù)據(jù)

表2 用戶工況危險度分布

表3 用戶工況復(fù)雜度分布

將工況次數(shù)的危險度、復(fù)雜度分布區(qū)間用直方圖表示，如圖2、圖3所示。

圖2 用戶工況危險度分布Fig.2 Distribution of risk degrees of user’s operating conditions

圖3 用戶工況復(fù)雜度分布Fig.3 Distribution of complexity degrees of user’s operating conditions

2.2 試驗場工況數(shù)據(jù)

表4列出了3個測試規(guī)程工況次數(shù)的危險度分布。

表4 測試規(guī)程1～3工況的危險度分布

表5列出了3個測試規(guī)程的詳細(xì)復(fù)雜度及其對應(yīng)的工況次數(shù)。

表5 測試規(guī)程1～3工況次數(shù)的復(fù)雜度分布

圖4、圖5分別為用戶與測試規(guī)程的危險度-工況次數(shù)分布曲線、用戶與測試規(guī)程的復(fù)雜度-工況次數(shù)分布曲線。

圖4 危險度-工況次數(shù)分布曲線Fig.4 Distribution curves of risk degree vs. number of working conditions

圖5 復(fù)雜度-工況次數(shù)分布圖Fig.5 Distribution curves of complexity degree vs. number of working conditions

可以看出，測試規(guī)程與用戶數(shù)據(jù)相比，均減小了小危險度/復(fù)雜度的工況次數(shù)，增加了大危險度/復(fù)雜度的工況次數(shù)，從而達到加速試驗以及匹配模型的要求。下面根據(jù)式(8)來計算3個測試規(guī)程的有效性指數(shù)，從而評估3個測試規(guī)程的優(yōu)劣。

2.3 有效性評估

表5 各測試規(guī)程有效性指數(shù)對比

當(dāng)考慮復(fù)雜度指標(biāo)作為主要評價依據(jù)時，即當(dāng)有效性指數(shù)給復(fù)雜度方面的指標(biāo)更大權(quán)重時，比如a1=a2=a3=a4=0.1,a5=a6=a7=0.2，此時測試規(guī)程2的有效性指數(shù)最高，因為測試規(guī)程2在復(fù)雜度指標(biāo)方面優(yōu)于規(guī)程3，所以權(quán)重的分配會影響有效性指數(shù)的大小。

3 結(jié)論

論文對基于行車風(fēng)險場的危險度模型進行了改進，定義了行車環(huán)境各要素的復(fù)雜度模型，構(gòu)建了基于危險度和復(fù)雜度的用戶與測試工況關(guān)聯(lián)模型，提出了基于有效性指數(shù)的測試工況有效性評價模型。后續(xù)研究將進一步完善危險度模型、復(fù)雜度模型、匹配模型和評價模型，更加科學(xué)合理地揭示智能汽車測試工況與用戶工況的內(nèi)在關(guān)系，為智能汽車測試場的建設(shè)提供理論支撐。