智能车辆行为决策建模及安全性评估

7.4.2.1　节点变量选取

驾驶安全性主要是由行驶过程中驾驶人的感知水平、判断水平和决策动作三方面因素决定的。其中，感知水平主要是通过驾驶人对存在风险源的注视特性进行评价的，包括注视点分配和注视时效性两个观测指标。判断水平是由驾驶人经验水平决定的，其评价指标包括驾龄和驾驶里程。决策动作则主要是通过横向操作和纵向操作两方面来体现，可用踏板和转向盘的变化来评估[121]。各指标的具体含义如表7-2 所示。

表7-2　节点变量标识

续表

表7-2 所设计的10 个变量将全部用于驾驶安全性评估的建模研究中。根据前人研究结果和数据调查，对所设计的变量的状态等级进行了划分。其中“注视点分配”“注视时效性”“驾龄”“驾驶里程”“制动踏板深度”“转向盘变化率”可根据其数据特征进行划分。其他变量的状态等级根据逻辑关系进行划分。

7.4.2.2　网络结构分析

本研究以Hugin 作为建模软件平台。驾驶安全性评估贝叶斯网络模型利用得出的10 个变量作为网络节点，以“驾驶安全性”为输出子节点，综合考虑专家经验和历史文献数据进行贝叶斯网络模型的构建，如图7-11 所示。其中驾驶安全性评估贝叶斯网络模型节点之间的逻辑关系如表7-3 所示。

图7-11　驾驶安全性评估贝叶斯网络模型结构

表7-3　贝叶斯网络模型节点间逻辑关系

1. 感知水平

由于研究中采用的多为模拟驾驶实验，感知水平主要通过视觉感知来体现，所以本研究中将“注视点分配”和“注视时效性”这两个节点作为“感知水平”的父节点，在图7-11 中箭头直接指向“感知水平”。

2. 判断水平

由于判断水平受感知水平和驾驶经验的影响，本研究根据专家意见将“驾龄”“驾驶里程”和“感知水平”三个节点作为“判断水平”的父节点，在图7-11 中箭头直接指向“判断水平”。

3. 决策动作

由于驾驶操作结果一般是由制动和转向两方面特性直接决定的，而驾驶人或者机器根据当前交通环境进行正确决策也一定程度上会对操作结果产生影响，所以本研究将“判断水平”“制动踏板深度”和“转向盘变化率”这三个节点作为“决策动作”的父节点，在图7-11 中箭头直接指向“决策动作”。

4. 驾驶安全性

根据图7-6 所示的驾驶安全性关联模型可知，“感知水平”“判断水平”和“决策动作”会对驾驶安全性产生重大影响，所以本研究将这三个节点作为“驾驶安全性”的父节点，在图7-11 中箭头直接指向“驾驶安全性”。(www.xing528.com)

7.4.2.3　条件概率计算

驾驶安全性评估贝叶斯网络模型中，节点概率主要是结合实际采集的汽车驾驶模拟实验数据和专家意见整理分析获得。其中，“注视点分配”“注视时效性”“驾龄”“驾驶里程”“制动踏板深度”和“转向盘变化率”属于贝叶斯网络模型的根节点，不存在条件概率，根据实验数据，可近似得到其边缘概率，如表7-4 所示。

表7-4　贝叶斯网络模型中根节点先验概率

根据第7.4.1 小节中介绍的网络节点条件概率计算方法，可得出节点“感知水平”“判断水平”和“决策动作”的条件概率，如表7-5～表7-7 所示。

表7-5　贝叶斯网络模型中“感知水平”条件概率

表7-6　贝叶斯网络模型中“判断水平”条件概率

表7-7　贝叶斯网络模型中“决策动作”条件概率

根据表7-4～表7-7 中边缘概率分布和条件概率，采用第7.4.1 小节中介绍的贝叶斯推理公式，能够实现对驾驶安全性的评估。图7-12 所示为当模型中“驾驶安全性”状态为危险时，其他节点的概率分布情况。

图7-12　当“驾驶安全性”为危险状态时的节点概率分布

7.4.2.4　敏感性分析结果

根据第7.4.1.3 小节所描述的贝叶斯网络敏感性分析方法，分析驾驶安全性评价模型中各状态变量对输出变量“驾驶安全性”的影响。根据式（7-9）～式（7-11），计算得出它们之间的敏感性关系如图7-13 所示，并计算得出“危险驾驶状态”关联变量的敏感性指数的平均绝对值，如表7-8 所示。

图7-13　驾驶安全性评价模型变量间敏感性分析

表7-8　“驾驶安全性”关联变量敏感性指数的平均绝对值

由图7-13 和表7-8 可知，注视时效性、注视点分配、感知水平和驾驶里程对驾驶安全性有着重要的影响，这与前人研究中得出的结论相匹配。在驾驶过程中尤其是模拟驾驶实验过程中，能够实时地观察到存在的危险源对驾驶安全性有着巨大的影响，同时，驾驶人经验的不同也是导致最终是否发生危险驾驶的一个重要因素，而考虑到我国的实际国情，采用驾驶里程和驾龄结合对驾驶经验进行定义也是非常有必要的。