謝燕芳　張亮　程登　鄭陳亮　卓麗

【摘? 要】隨著汽車市場朝網(wǎng)聯(lián)化發(fā)展，主機(jī)廠可通過網(wǎng)聯(lián)終端采集到智能輔助駕駛的行車數(shù)據(jù)，主機(jī)廠通過車聯(lián)網(wǎng)大數(shù)據(jù)離線計算了解用戶使用智能輔助駕駛功能的情況，分析智能輔助駕駛在各類路況中的適用性。汽車主機(jī)廠在研發(fā)階段做了各路況的實車測試，但未有一套基于用戶實際使用情況的評估方法。為了了解智能輔助駕駛功能在各類路況中的適用度，需要一套基于用戶智能輔助駕駛數(shù)據(jù)的評估方法。本文基于車聯(lián)網(wǎng)采集的智能輔助駕駛功能的數(shù)據(jù)，使用機(jī)器學(xué)習(xí)的方法對汽車智能輔助駕駛的道路適用度進(jìn)行評估。

【關(guān)鍵詞】智能輔助行車；道路適用度；評估算法；路向聚類；數(shù)據(jù)網(wǎng)格化

中圖分類號：U463.6? ? 文獻(xiàn)標(biāo)志碼：A? ? 文章編號：1003-8639（ 2023 ）09-0016-03

Road Suitability Evaluation of Intelligent Assistant Driving Based on Machine Learning

XIE Yanfang，ZHANG Liang，CHENG Deng，ZHENG Chenliang，ZHUO Li

（SAIC GM Wuling Automobile Co.，Ltd.，Guangxi Laboratory of New Energy Automobile，

Guangxi Key Laboratory of Automobile Four New Features，Liuzhou 545007，China）

【Abstract】With the development of the automobile market towards networking，the OEMs can collect the driving data of intelligent auxiliary driving through the networking terminals. The OEMs can understand the user's use of intelligent auxiliary driving functions through the offline calculation of the big data of the Internet of Vehicles，and analyze the applicability of intelligent auxiliary driving in various road conditions. In the R&D stage，the automobile OEMs have conducted real vehicle tests on various road conditions，but there is no evaluation method based on the actual use of users. In order to understand the applicability of intelligent driving assistance in various road conditions，an evaluation method based on user's intelligent driving assistance data is required. Based on the data of intelligent assistant driving function collected by the Internet of Vehicles，this paper uses the method of machine learning to evaluate the road suitability of intelligent assistant driving.

【Key words】intelligent assisted driving；road suitability；evaluation algorithm；path clustering；data grid

作者簡介

謝燕芳（1986—），女，工程師，碩士，研究方向為汽車大數(shù)據(jù)應(yīng)用。

智能輔助駕駛是現(xiàn)今智能駕駛在車端應(yīng)用的重要功能之一，車道保持輔助系統(tǒng)通過借助攝像頭識別車輛行駛道路的標(biāo)志線，當(dāng)系統(tǒng)識別到車輛可能偏離車道時可提醒駕駛員或介入轉(zhuǎn)向系統(tǒng)及時調(diào)整行車路線。車輛上的車載設(shè)備通過無線通信技術(shù)，對信息網(wǎng)絡(luò)平臺中的所有車輛動態(tài)信息進(jìn)行有效利用，在車輛運(yùn)行中提供不同的功能服務(wù)。車聯(lián)網(wǎng)有效地把汽車連接起來組成網(wǎng)絡(luò)。汽車和汽車組成網(wǎng)，車網(wǎng)與互聯(lián)網(wǎng)相連，三者基于統(tǒng)一的協(xié)議，實現(xiàn)人、車、路、云之間的數(shù)據(jù)互通，并最終實現(xiàn)智能交通、智能汽車、智能駕駛等功能。通過車載終端可采集智能輔助駕駛功能車輛數(shù)據(jù)以及GPS的定位信息[1]，通過云采集、云計算、AI等技術(shù)可以將用戶使用智能輔助駕駛功能深度挖掘出來，用于主機(jī)廠的產(chǎn)品優(yōu)化和改進(jìn)，更好地為用戶提供服務(wù)。

1? 試驗和分析

1.1? 試驗數(shù)據(jù)

首先按照智能輔助駕駛行駛片段算法計算出智能輔助開始的時間，提取智能輔助駕駛開啟點經(jīng)緯度和結(jié)束點經(jīng)緯度（圖1），另外計算智能輔助駕駛每個片段的行駛里程。

本文選擇某市2021年9月1日至2022年4月30日約1000輛具有智能輔助駕駛的軌跡數(shù)據(jù)，包含60706個行駛軌跡，見表1。

1.2? 數(shù)據(jù)預(yù)處理

為了預(yù)測結(jié)果更精確，需要控制數(shù)據(jù)質(zhì)量，因而本文對收集的數(shù)據(jù)進(jìn)行了預(yù)處理，主要是對原始數(shù)據(jù)字段中的一些異常值、空值和跳變數(shù)據(jù)進(jìn)行處理，見表2。

1）去除“臟”數(shù)據(jù)，剔除智能輔助開啟經(jīng)緯度和智能輔助關(guān)閉經(jīng)緯度超出數(shù)據(jù)范圍的數(shù)據(jù)，其中經(jīng)度范圍為[0，180]，緯度范圍為[0，90]，并對其余的數(shù)據(jù)按照給定的范圍進(jìn)行數(shù)據(jù)篩選。

2）對智能輔助行駛里程為0km的數(shù)據(jù)進(jìn)行處理，行駛里程為0意味著智能輔助駕駛為0，無法評估智能輔助駕駛功能的道路適用度。

2? 特征與建模

2.1? 數(shù)據(jù)網(wǎng)格化[2]

由于某市面積較大，分布在郊區(qū)的開啟和結(jié)束點數(shù)據(jù)較少，所以本文主要選取某市市區(qū)內(nèi)的開啟和結(jié)束點數(shù)據(jù)進(jìn)行實驗分析。在開啟和結(jié)束點數(shù)據(jù)空間中劃分1000m×1000m大小的網(wǎng)格單元，約得到1500個網(wǎng)格單元（圖2），其中包含估計的點約700個。

2.2? 路向歸一化

由于智能輔助駕駛相對不同路向評估道路適用度不同，故需要將行駛的路向[3]計算出來，表3為路向歸一化示例數(shù)據(jù)。路向計算方法如下。

1）智能輔助駕駛緯度差值=智能輔助關(guān)閉緯度-智能輔助開啟緯度

2）智能輔助駕駛經(jīng)度差值=智能輔助關(guān)閉經(jīng)度-智能輔助開啟經(jīng)度

3）路向歸一化矢量X方向=[（1/（1+（智能輔助駕駛經(jīng)度差值/智能輔助駕駛緯度差值）2]0.5×智能輔助駕駛緯度差值的正負(fù)值

4）路向歸一化矢量Y方向=[1-路向歸一化矢量X方向2]0.5×智能輔助駕駛經(jīng)度差值的正負(fù)值

5）路向歸一化矢量=（路向歸一化矢量X方向，路向歸一化矢量Y方向）

2.3? 評估建模

2.3.1? 評估特征值計算

對網(wǎng)格歸一化路向使用DBSCAN進(jìn)行聚類，選取每個網(wǎng)格內(nèi)歸一化路向類別top2的數(shù)據(jù)，計算每個類別的智能輔助駕駛路段評分、開啟點和結(jié)束點個數(shù)，圖3為評估建模數(shù)據(jù)示意圖，算法如下。

每個類別評分=sum（每個類別開啟點對應(yīng)里程）-sum（每個類別結(jié)束點對應(yīng)里程）

每個類別起止點個數(shù)=sum（每個類別開啟點對應(yīng)里程）+sum（每個類別結(jié)束點對應(yīng)里程）

每個類別中心經(jīng)緯度=每個類別經(jīng)緯度使用Kmeans機(jī)器學(xué)習(xí)算法計算聚類中心點

2.3.2? 評估特征值提取

篩選網(wǎng)格起止點>100的網(wǎng)格，對每個類別路段評分進(jìn)行降序排列，表4為類別路段特征參數(shù)示例。

2.3.3? 評估路段地址解析

使用每個類別路段中心經(jīng)緯度，調(diào)用地圖API接口計算每個類別的中心點路段，得出每個路段的智能輔助駕駛適用度評分。表5為類別路段地址信息示例。

3? 建模結(jié)果

通過建模找出智能輔助駕駛公司在某市的好用路段，從結(jié)果看出，好用路段基本是在高架橋路段和路況較好的路段。通過實地驗證發(fā)現(xiàn)，算法計算結(jié)果基本符合功能設(shè)計結(jié)果。

4? 新技術(shù)帶來的收益和展望

通過汽車智能輔助駕駛的道路適用度，得出智能輔助駕駛的好用路段（圖4），用于用戶駕駛過程中智能輔助駕駛功能推薦，提高用戶駕駛的體驗感，提升公司的產(chǎn)品價值和提升品牌好感度。通過汽車智能輔助駕駛的道路適用度，得出智能輔助駕駛的不好用路段，用于智能輔助駕駛研發(fā)的產(chǎn)品優(yōu)化，提高智能輔助駕駛功能的用戶滿意度。

但是路向聚類方面特別是路向特別多的數(shù)據(jù)網(wǎng)格，聚類就無法完成，因此無法準(zhǔn)確計算出車輛行駛的方向，因此無法對數(shù)據(jù)網(wǎng)格內(nèi)的道路進(jìn)行評估，需要新增一些評估方法，如頻繁開啟智能輔助駕駛的道路適用性評估，如長時間開啟智能輔助駕駛功能的道路適用度評估等。另外，因為道路的千差萬別，模型的調(diào)整需要不斷改進(jìn)，需要加入更多的智能輔助駕駛功能特性數(shù)字[2]。因此，我們應(yīng)該在大量車輛驗證后，對模型進(jìn)行不斷優(yōu)化，在使用過程中不斷地調(diào)整模型，提高評估模型的準(zhǔn)確度，給用戶和主機(jī)廠提供更為準(zhǔn)確的智能輔助駕駛道路評估方法。

參考文獻(xiàn)：

[1] 周勃，秦昆，陳一祥，等. 基于數(shù)據(jù)場的出租車軌跡熱點區(qū)域探測方法[J]. 地理與地理信息科學(xué)，2016，32（6）：51-56.

[2] 王勁峰. 空間掃描統(tǒng)計量方法中候選聚集區(qū)域生成的快速算法[J]. 地球信息科學(xué)學(xué)報，2013，15（4）：505-511．

[3] 淦文燕，李德毅，王建民． 一種基于數(shù)據(jù)場的層次聚類方法[J]． 電子學(xué)報，2006，34（2）：258-262．

（編輯? 楊? 景）