基于倾向性评分匹配的智驾控制参数-心理因果效应估计方法与流程

摘要: 本发明涉及智能驾驶,具体涉及基于倾向性评分匹配的智驾控制参数-心理因果效应估计方法。背景技术:1、随着智能驾驶系统的发展,车辆控制策略不断向自动化、智能化方向演...
基于倾向性评分匹配的智驾控制参数-心理因果效应估计方法与流程

本发明涉及智能驾驶,具体涉及基于倾向性评分匹配的智驾控制参数-心理因果效应估计方法。

背景技术:

1、随着智能驾驶系统的发展,车辆控制策略不断向自动化、智能化方向演进。在智能驾驶系统调优过程中,如何准确评价控制参数对驾驶员实际体验的影响,成为智能驾驶技术优化的重要问题。现有智能驾驶系统通常通过采集真实驾驶过程中的车辆运行数据以及驾驶员状态数据,对车辆控制参数与驾驶员心理状态之间的关系进行分析。然而,在真实驾驶环境中,车辆控制参数与驾驶员心理负荷之间往往存在复杂的关联关系,例如在一次急刹车事件中,驾驶员心理负荷升高可能来源于车辆减速度本身,也可能来源于突然出现的外部车辆、复杂道路环境或者驾驶员当时的注意力状态等因素,上述同时影响控制参数变化和心理状态变化的因素被称为混杂因子。因此,如何从大规模真实驾驶数据中有效剥离混杂因素的影响,准确估计智能驾驶控制参数对驾驶员心理状态产生的独立影响,即控制参数对心理体验的净因果效应,是实现智能驾驶系统科学优化的重要基础。

2、现有技术存在的不足:目前,与本发明相关的技术主要采用相关性分析方法以及封闭场地对照实验方法对智能驾驶参数与驾驶体验之间的关系进行分析。其中,相关性分析方法通常直接计算车辆控制参数(例如减速度)与驾驶员心理负荷之间的相关程度,通过参数变化与心理状态变化之间的统计关系判断两者是否存在联系;而对照实验方法则通过在封闭场地环境中设置少量固定参数水平,由专业试驾人员进行驾驶体验评价,以比较不同控制参数对驾驶感受的影响。但是,上述现有技术至少存在以下不足:首先,相关性分析只能反映变量之间的关联关系,无法有效排除混杂因素的影响,因此无法准确判断控制参数是否真正导致驾驶员心理负荷变化,例如大减速度与高心理负荷之间的关系可能实际来源于导致减速度变化的危险驾驶场景,而非减速度本身造成;其次,封闭场地对照实验存在测试成本高、测试场景覆盖范围有限的问题,无法覆盖真实道路环境中大量复杂变化的驾驶场景,同时专业试驾人员的评价结果难以完全代表普通用户的真实心理体验,并且评价结果通常具有主观性、离散性和滞后性,难以自动发现智能驾驶控制参数导致体验恶化的敏感边界值。因此,现有技术难以基于真实驾驶数据实现对智能驾驶控制参数与驾驶员心理状态之间因果关系的精准估计,也无法自动确定影响用户体验的关键参数边界。

3、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的是提供基于倾向性评分匹配的智驾控制参数-心理因果效应估计方法,以解决上述背景技术中的问题。

2、为了实现上述目的,本发明提供如下技术方案:基于倾向性评分匹配的智驾控制参数-心理因果效应估计方法,包括以下步骤:

3、获取标记为切入场景的驾驶事件数据,针对每个驾驶事件计算最大减速度作为待评估控制参数,计算场景内心理负荷峰值与场景前基线心理负荷之间的差值作为心理负荷变化量,并提取切入车辆相对速度、最近相对距离以及本车车速作为混杂协变量;

4、将获取的驾驶事件数据按照最大减速度划分为低减速度区间、中减速度区间以及高减速度区间,将高减速度区间定义为处理组,将低减速度区间定义为对照组,基于处理组与对照组的划分结果,以处理组标识作为因变量,以切入车辆相对速度、最近相对距离以及本车车速作为自变量进行倾向性评分计算,得到各驾驶事件属于处理组的预测概率;

5、根据各驾驶事件对应的预测概率,对处理组中的驾驶事件在对照组中进行最近邻匹配,获取与处理组驾驶事件预测概率差值最小的驾驶事件作为匹配样本,并对匹配后的处理组与对照组中的切入车辆相对速度、最近相对距离以及本车车速进行标准化偏差检验;

6、基于通过标准化偏差检验后的匹配样本,计算处理组与对照组对应的心理负荷变化量平均值之间的差值,得到高减速度对于低减速度对驾驶员心理负荷产生的净因果效应;

7、按照预设减速度步长调整最大减速度区间,重复执行倾向性评分计算、最近邻匹配以及净因果效应计算过程,获得不同减速度区间对应的心理负荷净增量,并根据心理负荷增量阈值确定减速度对应的敏感边界。

8、驾驶事件数据包括车辆运行状态数据、目标车辆交互状态数据以及驾驶员心理状态数据,其中,车辆运行状态数据用于获取本车车速以及最大减速度参数,目标车辆交互状态数据用于获取切入车辆相对速度和最近相对距离,驾驶员心理状态数据用于获取场景内心理负荷峰值以及场景前基线心理负荷;通过对同一切入场景事件中的多类型数据进行关联处理,形成包含控制参数、心理负荷变化量以及混杂协变量的驾驶事件样本数据。

9、心理负荷变化量通过计算每个驾驶事件对应的场景内心理负荷峰值与场景前基线心理负荷之间的差值得到,其中,场景前基线心理负荷用于表征切入场景发生前驾驶员的基础心理状态,场景内心理负荷峰值用于表征切入场景过程中驾驶员心理负荷达到的最大状态;通过采用差值计算方式降低不同驾驶员初始心理状态差异对分析结果的影响,使心理负荷变化量用于评价控制参数变化引起的心理状态变化。

10、最大减速度区间包括低减速度区间、中减速度区间以及高减速度区间,其中,低减速度区间对应最大减速度小于的驾驶事件,中减速度区间对应最大减速度处于至之间的驾驶事件,高减速度区间对应最大减速度大于的驾驶事件;通过不同减速度区间划分形成不同控制强度等级,用于分析不同智驾控制参数水平对驾驶员心理负荷的影响差异。

11、倾向性评分计算采用逻辑回归模型进行处理,以处理组标识作为逻辑回归模型的因变量,以切入车辆相对速度、最近相对距离以及本车车速作为逻辑回归模型的输入变量,通过训练逻辑回归模型计算每个驾驶事件属于高减速度处理组的预测概率,并将预测概率作为对应驾驶事件的倾向性评分。

12、最近邻匹配包括针对处理组中的每一个驾驶事件,根据对应的倾向性评分在对照组中搜索倾向性评分差异最小的驾驶事件,并将处理组驾驶事件与对应的对照组驾驶事件建立一一对应关系,以形成处理组与对照组之间的匹配样本;通过匹配后的样本降低不同驾驶事件之间混杂协变量差异造成的影响。

13、标准化偏差检验包括分别计算匹配后的处理组与对照组在切入车辆相对速度、最近相对距离以及本车车速上的标准化偏差,并判断各个混杂协变量对应的标准化偏差绝对值是否小于0.1;当各混杂协变量的标准化偏差绝对值均小于0.1时,确定处理组与对照组满足协变量平衡条件,并用于后续净因果效应计算。

14、净因果效应通过计算完成标准化偏差检验后的处理组平均心理负荷变化量与对照组平均心理负荷变化量之间的差值得到;其中,处理组对应高减速度区间的驾驶事件,对照组对应低减速度区间的驾驶事件,通过比较两个组别在相同或相近驾驶条件下的心理负荷变化差异,获得高减速度控制参数对于低减速度控制参数对驾驶员心理负荷产生的影响量。

15、预设减速度步长为,通过按照预设减速度步长调整最大减速度区间,并针对每个调整后的减速度区间重新执行倾向性评分计算、最近邻匹配以及净因果效应计算,获得不同减速度水平对应的心理负荷净增量数据;根据多个减速度区间对应的心理负荷净增量数据建立减速度与心理负荷变化之间的对应关系。

16、敏感边界通过设置心理负荷增量阈值确定,将不同减速度区间对应的心理负荷净增量与预设心理负荷增量阈值进行比较,当某一减速度区间对应的心理负荷净增量达到心理负荷增量阈值时,将该减速度值确定为对应切入场景下的控制参数敏感边界;其中,心理负荷增量阈值用于表征驾驶员心理体验不可接受状态对应的参数变化界限。

17、在上述技术方案中,本发明提供的技术效果和优点:

18、本发明通过将倾向性评分匹配方法引入智能驾驶控制参数与驾驶员心理状态分析过程,建立了一种基于真实驾驶观测数据的参数-体验因果效应估计方式。相较于传统相关性分析方法仅能够反映控制参数与心理负荷之间的关联关系,本发明通过识别并控制切入车辆相对速度、最近相对距离、本车车速等混杂因素的影响,对具有相似驾驶场景条件的不同控制参数样本进行匹配分析,从而获得控制参数变化对驾驶员心理负荷产生的独立影响结果。通过该方式,可以从海量真实驾驶数据中提取控制参数对应的净因果效应,使智能驾驶工程人员能够更加准确地判断调整某一控制参数后对驾驶员心理体验产生的具体影响,为智能驾驶控制策略优化提供更加可靠的数据依据。

19、本发明利用倾向性评分匹配方法对真实驾驶数据进行因果分析,通过计算样本进入不同控制参数状态的倾向概率,并基于相似场景条件进行样本匹配,实现了对随机对照试验思想的模拟应用。相比传统封闭场地对照实验需要人工设计驾驶场景、组织专业试驾人员进行测试的方式,本发明无需依赖大量人工实验过程,而是能够直接利用持续积累的真实驾驶数据进行自动化分析。在大量驾驶事件不断增加的情况下,本发明可以持续挖掘不同控制参数水平对应的心理影响规律,提高数据利用效率,降低参数优化过程中的实验成本,并为智能驾驶系统提供持续迭代的数据支撑。

20、本发明通过对控制参数进行细粒度区间划分,重复执行倾向性评分匹配以及因果效应计算,获得不同控制参数水平对应的心理负荷净增量,并进一步生成控制参数与心理体验变化之间的剂量-反应曲线。在该曲线基础上,根据预设的心理负荷不可接受阈值,自动确定对应的控制参数敏感边界,从而避免依靠人工经验设定参数范围的问题。例如,在减速度分析过程中,通过以为步长遍历不同减速度区间,并根据心理负荷增量阈值确定对应临界值,可以获得特定驾驶场景下影响用户体验的减速度边界。通过上述方式,本发明能够为智能驾驶控制参数设计提供基于真实用户心理体验的量化评价标准,提高控制参数调整的客观性和准确性。