摘要
自动驾驶技术是依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作自动地操作车辆。但目前自动驾驶技术尚不成熟，存在许多安全问题。人机共驾则可以通过由驾驶员接管车辆的驾驶权并完成相应的驾驶操作从而弥补相应的安全问题。本研究把自动驾驶系统发出接管请求至驾驶员完成车辆驾驶权控制的时间定义为接管时间，根据现有的研究表明接管时间能够在很大程度上反映车辆的安全情况。但目前大部分学者研究接管时间预测时考虑的是驾驶员和车辆自身的变量，未考虑到人机共驾车辆是在交通流环境中，即车辆的安全性很大程度上受到交通环境的影响，因此现有的接管时间预测模型不能很好的捕捉到混合交通流环境下的人机共驾车辆的时空特征。因此本文的主要研究内容如下： （1）人机共驾车辆对混合交通流环境的影响评估。为了分析有条件自动驾驶车辆对交通流的影响，本研究针对混有人工驾驶车辆、全自动驾驶车辆和有条件自动驾驶车辆的交通流，在不同接管时间的条件下，基于仿真建模发现不同的接管时间会显著影响交通流的稳定性和安全性，当接管时间适中时，驾驶员能够在充分观察周边交通状况的前提下迅速完成接管，有助于缓解有条件自动驾驶车辆接管对交通流带来的不利影响，改善交通流安全性。因此，对人机共驾车辆接管时间进行精准的预测将能够改善车辆和交通流的安全，降低交通风险。此外，本研究把适中的接管时间（7s）作为给定接管时间，通过构建混合交通流模型发现有条件自动驾驶车辆和自动驾驶车辆总渗透率和有条件自动驾驶车辆渗透率的提升均会增大交通流稳定域，并且当两者的值越大时，改善交通流稳定性效果越显著。 （2）混合交通流环境对人机共驾车辆的影响分析。驾驶员接管有条件自动驾驶车辆的接管时间往往受到众多因素的影响，特别是混合交通流环境。为了分析影响驾驶员接管时间的混合交通流环境因素，本研究基于江苏大学提供的有条件自动驾驶车辆和雷达视频一体机开展实车接管实验，并运用多种模型对接管时间进行初步预测，然后基于SHAP构建混合交通流环境对接管时间的影响分析模型。一方面，我们发现DeepGBM模型预测接管时间的精度优于其他三种算法，且DeepGBM模型对适中的接管时间预测效果相比较短和较长的接管时间预测更好。另一方面，当驾驶员在交叉口区域中接管时，驾驶员更加关注速度因素，而在非交叉口区域进行接管时则更关注与前方车辆的纵向距离差。进一步研究发现有条件自动驾驶车辆在交叉口区域中接管时会受到显著的侧向干扰，会对驾驶员的接管时间造成显著影响，从而对车辆安全造成重大影响。 （3）考虑混合交通流环境的接管时间预测。接管时间对混合交通流环境的影响评估的研究结果表明了进行人机共驾车辆接管时间预测的必要性，混合交通流环境对接管时间的影响分析的研究结果则表明进行人机共驾车辆接管时间预测必须考虑混合交通流环境的相关变量。因此，本研究的接管时间预测是考虑混合交通流环境，并基于多种模型对接管时间进行的预测，对比不同模型的预测结果，最终基于StemGNN算法构建了混合交通流环境下的人机共驾车辆接管时间预测模型。 综上所述，本研究所构建的接管时间预测模型能够有效的预测实车环境下的人机共驾车辆接管时间，为人机共驾车辆的早日商业化提供重要的理论研究支撑。
NETL