交通流环境对智能汽车人机切换过渡时间的影响机理与动态预测

Transition time is an important guarantee for human-machine transition in intelligent vehicles. Breaking through the disadvantage that it is difficult to accurately describe the impact of traffic flow on transition time under multi-factor interference, this project proposes to study the mechanism and prediction of the impact of traffic flow on the time of human-machine transition in intelligent vehicle. Based on factorization machine, the temporal and spatial evolution characteristics and association rules of traffic flow and transition time are excavated by extracting the token variables of transition time; the manifold characteristics of different traffic states are reconstructed, the pattern and internal mechanism of traffic flow evolution on the transition time are clarified, and the dynamic estimation model and quantification method of the transition time based on manifold learning are established; the risk assessment criteria of transition time are summarized, and the relationship between traffic state, vehicle trajectory and takeover risk are described; a dynamic prediction method of transition time based on deep learning network is designed. The comprehensive performance of dynamic prediction of transition time is evaluated by real vehicle and simulation experiments. The aim of the project is to explore the mechanism of traffic flow on transition time, and to provide new ideas and methods for dynamic prediction of transition time.

接管过渡时间是智能汽车人机安全切换的重要保障。突破多因素干扰下难以准确描述交通流对接管过渡时间影响的弊端，研究机驾切换到人驾过程中交通流对接管过渡时间的影响机理及其预测方法。基于因子分解机析取接管过渡时间表征变量，挖掘交通流与接管过渡时间的时空演变特征及关联规则；重构不同交通流状态蕴含的流形特征，阐明交通流演变对智能汽车接管过渡时间的作用模式及其内在机理，建立基于流形学习的智能汽车接管过渡时间动态估计模型及量化方法；归纳接管过渡时间风险评价准则，描述交通流状态-车辆轨迹-接管风险之间的关联关系，设计基于深度学习网络的接管过渡时间动态预测方法；采用实车与仿真实验评估接管过渡时间动态预测的综合性能。项目旨在探明交通流对接管过渡时间的影响机理，为接管过渡时间动态预测提供新的思路与方法。

围绕“智能汽车人机切换时间影响因素分析”、“智能汽车人机切换时间作用机理与预测”，开展了交通流环境对智能汽车人机切换时间影响机理及动态预测的核心关键技术研究，同时结合理论方法与关键技术创新，在典型交通环境下针对智能汽车人机切换以及接管时间等功能进行了试验验证，实现了智能汽车人机切换时间与行驶风险关联预测与决策。发表期刊论文10篇和会议论文2篇，其中SCI/SSCI检索论文4篇，EI检索论文5篇，中国卓越期刊2篇，在审第一标注期刊论文8篇。另外，申请国家发明专利15件，授权7件。培养硕士研究生9名，本科生4名。主要成果包括(1)创新提出基于LightGBM的智能汽车接管时间作用机理分析框架，使用可解释模型SHAP分析各因素对接管时间的影响，并通过SHAP值排序图、变量数值-SHAP概要图、单次变量作用图可视化周边车流各因素对接管时间的影响。(2)本项目将时间因素作为模型的输入之一，在时间融合转换器的算法上融入单变量特征选择算法对接管时间做出预测，提出TFT-F算法预测接管时间。将其与传统时间融合转换器算法及其他机器学习算法作比较。结果表明改进的TFT-F算法能准确的预测接管时间，在三类人机切换数据下，预测结果的平均绝对百分误差小于8%。(3)针对人机切换数据特性，分析了各路段影响事故发生的主要因素，提出基于CatBoost的实时事故风险预测方法。在环形交叉口区域，道路速度对事故的影响重要度占比在47%以上，交叉口区域入口道事故率最高，且入口左侧车道事故率较右侧车道平均高出8.63%左右，道路的线型对事故的影响小于5%。高速公路瓶颈路段，接管前车对事故发生的影响最高，其在瓶颈前段、中段及后段的影响占比分别为36.14%、44.70%及56.41%。支路直线路段，左后方交通对象的行驶速度、与前方交通对象距离、接管车辆行驶速度是影响事故发生的最主要因素，其中左后方交通对象的行驶速度对事故的影响占比为15.70%。本项目设计和研发的智能汽车接管时间预测算法，能够支持智能网联环境下自动驾驶汽车安全、稳定、高效运行，助力智能驾驶终端渗透率提升和场景应用加速落地。同时，项目面向自动驾驶场景下人机切换技术研究，对自动驾驶市场培育、智能汽车效率提升等具有很强的社会效益。