張瑞環(huán)，王 淞，杜永利，王星睿，王海濤，張云飛

（北京汽車研究總院有限公司，北京 101300）

在汽車性能開發(fā)過程中，主客觀評價是驗證汽車性能好壞的主要手段。主觀評價能夠反映駕乘人員的實際感受，對市場口碑有重要影響；客觀評價能夠通過量化數(shù)據(jù)體現(xiàn)汽車實際情況，并能夠通過設計方案進行直接調節(jié)。二者相輔相成，缺一不可，它們的關系一直是汽車領域的研究重點之一。

目前，國內外對于汽車主客觀評價相關性的研究大多集中于動力性、駕駛性、操作穩(wěn)定性等傳統(tǒng)汽車性能。隨著智能網(wǎng)聯(lián)技術的不斷發(fā)展，以自適應巡航控制（Adaptive Cruise Control, ACC）系統(tǒng)為代表的先進駕駛輔助系統(tǒng)（Advanced Driving Assistance System, ADAS）在汽車上的搭載率不斷提升，對自適應巡航控制系統(tǒng)的主客觀評價體系研究得到重視，并已有一定基礎，但對ACC系統(tǒng)主客觀評價指標的相關性研究較少涉及。

本研究采用來自于不同廠商的5臺樣車分別進行主客觀評價試驗，試驗分別在無目標車行駛、跟車行駛和切入切出行駛三大典型使用場景下展開。考慮到樣本量以及客觀指標之間的內在聯(lián)系，采用偏最小二乘回歸方法（Partial Least Squares Regression, PLSR），對ACC系統(tǒng)主客觀評價指標間的相關性進行分析。

1 主觀評價試驗

1.1 ACC主觀評價架構

主觀評價架構依據(jù)ACC功能的三大典型使用場景展開，分別是無目標車行駛、跟車行駛和切入切出行駛。為評價汽車ACC功能的車速控制表現(xiàn)，主觀評價工程師分別對樣車在三大場景下的加速段和減速段的綜合表現(xiàn)進行評價。主觀評價具體架構和指標權重如表1所示，主觀評價指標權重依據(jù)模糊層次分析法（Fuzzy Analytic Hierarchy Process, FAHP）計算得出。本文參考美國SAE評分標準，主觀評價采用十分制評分法，評分最小間隔為0.25分。

表1 ACC系統(tǒng)主觀評價架構與指標權重

1.2 主觀評價一致性分析

為排除人為因素和偶發(fā)問題干擾，保證主觀評價結果的可信度，由四名經(jīng)驗豐富的主觀評價工程師對試驗車輛進行評價，并采用斯皮爾曼等級相關系數(shù)對評價結果進行一致性驗證，剔除不一致主觀評價數(shù)據(jù)。斯皮爾曼等級相關系數(shù)是衡量兩個變量相關程度的非參數(shù)指標，取值在-1到+1之間。對于樣本容量為的評價結果，首先對評分結果進行排序，然后根據(jù)式（1）計算兩兩工程師的斯皮爾曼等級相關系數(shù)。

其中，、分別為兩名工程師給出的分數(shù)排序，為評價樣車數(shù)量。

分別計算主觀評價三級指標評分的斯皮爾曼等級相關系數(shù)后，對不一致的數(shù)據(jù)進行剔除，取剩余評分數(shù)據(jù)的算術平均值作為最終評價結果。以跟車加速指標評價為例，主觀評價數(shù)據(jù)以及評分排名情況如表2所示。根據(jù)式（1）計算得到的斯皮爾曼等級相關系數(shù)矩陣見表3。結果表明，工程師C與其他三位工程師的斯皮爾曼等級相關系數(shù)明顯較低，數(shù)值均在0.6以下，表明工程師C的評價結果與其他三人評價結果差異較大，應把工程師C的數(shù)據(jù)剔除。取剩余三名工程師的評價進行算術平均，得到5臺樣車跟車加速指標的評分分別為7.83、7.58、7.17、7.50、7.42。

表2 跟車加速指標主觀評價結果

表3 斯皮爾曼等級相關系數(shù)矩陣

1.3 主觀評價結果

對5臺樣車進行主觀評價，剔除不一致數(shù)據(jù)，根據(jù)指標權重得到上級指標評分，最終的主觀評 價結果如圖1所示。從整體來看，5臺車的表現(xiàn)呈階梯狀分布，其中樣車1#評分最高，超過7.75分。五臺樣車一級指標平均分為7.43，樣車3#略高于平均分，樣車4#和樣車5#低于平均分，與其他三臺樣車差距較大。

圖1 ACC系統(tǒng)主觀評價結果

二級指標方面，樣車1#在三項指標均排名第一，其他車輛在三項的表現(xiàn)互有交叉。樣車5#表現(xiàn)較差，僅在跟車行駛的表現(xiàn)略好于樣車4#。

2 客觀評價試驗

2.1 客觀試驗條件

客觀測試工況和操作與主觀評價保持一致，分別在無目標車行駛、跟車行駛、切入切出行駛三大場景下進行測試，道路為長直道，不涉及彎道行駛。無目標車行駛分為加速、勻速和減速工況；跟車行駛分為跟車加速、跟車勻速和跟車減速工況；切入切除行駛分為自車勻速、自車切出加速和他車切入減速工況。

測試車輛ACC系統(tǒng)速度最高設定為60 km/h，跟車距離設定為中檔。測試車輛的縱向速度變化全部由ACC系統(tǒng)控制完成，試驗人員負責巡航速度設定和橫向控制。采用RT3000組合慣導、RT Range通信模塊等設備分別記錄測試車輛與目標車速度、加速度、縱向距離、橫向距離等信號。為保證測量精度，每次試驗重復進行三次。

2.2 客觀試驗指標

根據(jù)主觀評價指標，并參考ISO 22179等相關標準，共確定23項對應的客觀評價指標，如表4所示。采用Python語言編輯器PyCharm軟件，編寫相關程序，完成采集信號的后處理工作，并提取所需客觀評價指標數(shù)值。

表4 ACC系統(tǒng)主觀評價指標對應的客觀評價指標

3 主客觀評價指標相關性分析

3.1 主客觀指標回歸模型

PLSR方法將主成分分析、線性回歸和典型相關分析有機結合起來，在處理小樣本多重共線性數(shù)據(jù)方面有獨特優(yōu)勢?；诒狙芯康臉颖玖恳约翱陀^指標間的內在關聯(lián)，采用PLSR方法建立主客觀對應模型。根據(jù)表4的主客觀指標對應關系，分別建立無目標車行駛、跟車行駛、切入切出行駛三個場景下的回歸模型。變量投影重要性指標（Variable Influence on Projection, VIP）值表示自 變量對因變量的解釋能力，可用其篩選影響主觀評價的關鍵客觀指標。值可根據(jù)如下公式進行計算。

其中，為自變量總數(shù)；為模型能解釋的總方差和；SSY為第個因子解釋因變量的方差和；為模型因子數(shù)；為PLSR方法中的權重向量。

3.2 結果與討論

表5給出了采用PLSR方法得到的三個回歸方程具體參數(shù)。三個回歸方程的主成分因子數(shù)在四個以內，擬合決定系數(shù)均在0.9以上。跟車行駛場景下的最高，達到0.98，以上表明主客觀指標間具有顯著的相關性。

表5 主觀指標與客觀指標的偏最小二乘回歸結果

從圖2中可以直觀看到，三大場景下的回歸方程相對誤差均在2%以內，滿足了主觀評價分數(shù)的預測精度要求。其中無目標車行駛的總體相對誤差較大，最大相對誤差為1.98%，平均相對誤差為0.84%。

圖2 偏最小二乘回歸模型預測結果

計算得到的客觀指標值如圖3所示，值大于1的指標被認定為關鍵客觀指標。最終篩選出對主觀評價結果具有重要影響的關鍵指標10項。

無目標車行駛場景下值大于1的關鍵指標為最大加速度、加速度變化率范圍和最大減速度，說明車內人員在此場景下對車輛動力性、制動性，以及舒適性更為關注。跟車行駛時，關鍵客觀指標為最大加速度、加速度變化率范圍、最小碰撞時間和減速度變化率范圍。切入切出行駛時，關鍵客觀指標為加速度變化率范圍、減速時刻碰撞時間和減速度變化率范圍。碰撞時間表示主車與目標車保持在當前相對速度下，后車碰撞前車所需時間。通過對三大用車場景下的關鍵客觀指標對比發(fā)現(xiàn)，在道路 上有目標車介入的情況下，碰撞時間指標對主觀感受的影響較大，說明車內乘客對安全性的關注度上升。

圖3 ACC系統(tǒng)關鍵客觀指標篩選結果

4 結論

采用PLSR方法，對汽車ACC系統(tǒng)的主客觀指標對應關系進行了研究。對5輛車分別進行主觀評價和客觀測試，得到主客觀指標相關數(shù)據(jù)。建立了三大用車場景下的主客觀指標回歸方程，并進一步篩選出10項對主觀評價指標影響較大的關鍵客觀指標，結論如下：

（1）建立的回歸方程擬合決定系數(shù)均在0.9以上，且相對誤差在2%以內，可用于主觀評價分數(shù)預測，對于主機廠ACC系統(tǒng)開發(fā)參數(shù)設定具有指導意義。

（2）從篩選出的關鍵客觀指標來看，無目標 車情況下，車內人員關注車輛的動力性、制動性以及過程中的舒適性；而在有目標車出現(xiàn)時，關鍵客觀指標中增加碰撞時間，表明對于安全性的關注明顯提升。分析結果可用于不同場景下，對ACC功能的針對性調校。

未來將進一步積累樣本量，以不斷優(yōu)化更新模型，并嘗試采用非線性（支持向量機，神經(jīng)網(wǎng)絡等）建模方法探究主客觀指標間的關系。