智能汽車測試工況與用戶工況關聯評價模型

李文亮，周 煒，宋 毅，張 祿，張金玲

(1. 交通運輸部公路科學研究院 運輸車輛運行安全技術交通行業重點實驗室，北京 100088； 2.北京郵電大學，北京 100876)

0 引言

智能汽車是當前全球汽車與交通領域發展及研究的前沿熱點，是各國爭搶的戰略制高點[1-2]。為了保障智能汽車安全上路，需要在試驗場內開展大量測試來驗證智能汽車功能和性能。盡管在國內外已經開展了相關標準和體系的研究和制定[3-5]，但缺少對試驗場測試工況與用戶工況關聯評價模型開展研究。

周煒[6-7]等開展了汽車試驗場可靠性道路試驗仿真與搓板路強化系數研究，為汽車可靠性強化道路試驗規范的制定、驗證和優化提供依據。祝安定[8-10]等基于雨流計數研究汽車試驗場路面強化關系。于海波[11-13]研究了針對傳統汽車試驗場可靠性試驗技術規范存在的問題，提出了一種與用戶用途關聯的汽車可靠性試驗方法。Elgharbawy M[14-15]等介紹了智能汽車自適應功能測試的基本原理，包括常用的驗證和驗證過程。

本研究基于人-車-路協同的行車風險場的概念[16]，建立智能汽車測試工況與用戶工況關聯評價模型，結合算例對所建立的關聯模型進行分析。

1 理論研究

1.1 危險度模型

危險度模型如下所示[9]。

(1)

Fj=Es_jMjRjexp[-k2vjcosθj](1+Drj)，

(2)

式中，Es_j為物體j位置處的場強合矢量；ER_j、EV_j、ED_j分別為勢能場、動能場、行為場在物體j位置處的場強合矢量；Fj為車輛j當前行車狀態的危險程度；Mj為物體j的等效質量；Rj為(xj,yj)處的道路條件影響因子；k2為大于零的待定常數；vj為物體j的速度；θj為物體j速度方向與Ej方向的夾角；Drj為車輛j中駕駛人的駕駛風險因子。

1.2 匹配模型

以危險度進行匹配，用戶危險度求和量與試驗場求和量一致，如式(3)所示。

∑[Xi][Hi]=∑[Yj][Lj],

(3)

式中，Xi，Yj分別為用戶和試驗場的不同危險度；Hi，Lj分別為Xi,Yj所對應的工況次數。

匹配模型提出3個原則：

(1)盡量涵蓋最大危險度；

(2)減少小危險度的次數，增加大危險度的次數，實現加速；

(3)危險度-工況次數分布曲線盡量接近。

1.3 評價模型

評價原則采取以下4個影響因素：(1)危險度分布相似性，相似性越大越好；(2)加速系數，加速系數越大越好；(3)最大危險度，越接近用戶極限值越好；(4)樣本危險度覆蓋率，危險度覆蓋率越大越好。

工況危險度分布相似性定義為兩條曲線距離均方根的倒數，表示為r：

(4)

式中，R為用戶和試驗場工況次數-危險度曲線的距離均方根;y，y′分別為用戶和試驗場曲線中，相同橫坐標下的縱坐標。

樣本危險度覆蓋率ε表示為：用戶數據中各個危險度區間內工況次數所占總工況次數的百分比與其對應系數φi的乘積再求和：

(5)

式中，βi為用戶數據中各個危險度區間內工況次數所占總工況次數的百分比，對應系數為φi為0或1，當測試規程在危險度區間i中存在工況，則φi為1，否則為0。

加速系數η表示為用戶工況次數總和與試驗場工況次數總和之比：

(6)

最后采取有效性指數作為綜合評價模型，按照有效性指數對不同測試規程的優劣性進行排序。有效性指數=加速系數/加速系數的和+危險度覆蓋率/危險度覆蓋率的和+最大危險度/最大危險度的和+危險度分布相似性/危險度分布相似性的和，再將4個影響因素分別乘以各自所分配的權重，即：

(7)

式中，λi為有效性指數；ci,ki,fi,si分別為加速系數、危險度覆蓋率、最大危險度、危險度分布相似性；ac,ak,af,as分別為4個影響因子的權重系數。

2 實際算例分析

2.1 模型應用

圖1為兩車沿道路中心線同向行駛的工況[9]。

圖1 兩車沿道路中心線同向行駛工況Fig.1 Working condition of 2 vehicles drive in same direction along road centerline

用戶實際工況采用某企業提供的某城市2012 年全年的交通事故數據中部分追尾事故工況數據[3]。危險度計算結果，兩車速度以及對應的工況次數在表1中詳細給出。

2.2 用戶實際工況數據

表1 用戶工況次數分布Tab.1 Frequency distribution of user’s working conditions

將工況次數的危險度分布用直方圖區間來表示，如圖2所示。

圖2 用戶危險度區間-工況次數直方圖Fig.2 Histogram of user’s risk degree interval vs. frequency of working conditions

2.3 試驗場工況數據

參考JT/T 1242—2019、GB/T 33577—2017、ISO 22839標準[4,17-18]，給出表2～表4這3個測試規程。

表2 測試規程1工況次數分布Tab.2 Frequency distribution of working conditions in test procedures 1

表3 測試規程2工況次數分布Tab.3 Frequency distribution of working conditions in test procedures 2

表4 測試規程3工況次數分布Tab.4 Frequency distribution of working conditions in test procedures 3

圖3為用戶與3個測試規程的危險度-工況次數分布曲線對比。

圖3 危險度-工況次數分布圖Fig.3 Curves of risk degree vs. frequency distribution of working conditions

可以看出，測試規程與用戶數據相比，均減小了小危險度的工況次數，增加了大危險度的工況次數，從而達到加速試驗以及危險度匹配的要求。下面從加速系數、樣本危險度覆蓋率、最大危險度、危險度分布相似性4個方面來計算3個測試規程的有效性指數，從而評估3個測試規程的優劣。

2.4 有效性評估

有效性指數可以根據式(6)求得。其中加速系數的計算由式(5)給出，加速系數的值為用戶工況次數總和與試驗場工況次數總和之比，用戶工況次數由表1給出，總數為76次；各個測試規程的工況次數在表2～表4中已經給出，分別求和即可得到。

危險度覆蓋率的計算由式(4) 給出，先求出用戶數據中各個危險度區間內工況次數所占總工況次數的百分比，再對照每個測試規程涵蓋的危險度落到了哪些區間，將這些危險度區間所對應的百分比疊加即可得到危險度覆蓋率。

最大危險度的值取每個測試規程中危險度最大的數值。危險度分布相似性的計算由式(3)給出，先求出用戶和試驗場兩條曲線垂直方向上的距離均方根，再取倒數即可得到。各測試規程的4個評價指標以及有效性指數的計算結果如表5所示。

表5 各測試規程有效性指數對比Tab.5 Comparison of effectiveness indicators in different test procedures

當4個影響因素的評價指標權重分配相等時，即當ac=ak=af=as=0.25時，測試規程3的有效性最高，規程2次之，規程1有效性最低?？梢钥闯鰷y試規程3的4個評價指標均高于測試規程1和2，尤其是危險度覆蓋率和最大危險度兩個指標上明顯大于前兩個規程。

測試規程中如果需要更多考慮到更大的加速系數以及更大的樣本危險度覆蓋率，可以將權重重新分配，即當ac=0.4,ak=0.4,af=0.1,as=0.1時，測試規程3的有效性最高，規程1次之，規程2有效性最低?？梢钥闯龈淖兞藱嘀胤峙渲?，測試規程1和2的大小關系發生了變化。在加速系數和危險度覆蓋率權重較高時，測試規程1的有效性優于測試規程2。

權重的分配會在一定程度上影響最后的評價結果，如果在測試過程中有不同的需求，可以根據需求來調整4個評價指標的權重。

3 結論

(1)首次建立了智能汽車測試工況與用戶工況的關聯模型，通過“危險度”建立了測試工況與用戶工況內在的理論關聯關系。通過計算分析可以得出，3個測試工況的危險度求和均接近實際用戶危險度求和，均達到匹配模型的要求。

(2)首次建立了智能汽車測試工況有效性評價模型，評價模型定義了加速系數、危險度覆蓋率、最大危險度、危險度分布相似性4個要素，綜合提出了有效性指數，對測試工況的有效性進行科學定量評價。

(3)本研究建立的關聯模型和有效性評價模型，為智能汽車測試工況的制定和評價奠定了理論基礎，文中對模型驗證數據較少、場景單一，后續研究將進一步豐富驗證數據，完善“危險度”模型，更加科學合理的揭示智能汽車測試工況與用戶工況的內在關系，實現用戶工況到測試工況的快速科學映射。