有条件自动驾驶车辆接管时间预测: 考虑混合交通流环境

摘要

驾驶员接管有条件自动驾驶车辆(CADV)的时间长短往往受到诸多因素的影响，尤其是混合交通流环境。为了分析混合交通流环境下驾驶员接管时间的影响因素，利用江苏大学提供的 CADV 与雷达视频集成机进行了实车接管实验。基于实车试验数据，采用 DeepGBM 算法和 Shapley 加性解释(SHAP)对接管时间进行预测和分析。结果表明，与其他算法相比， DeepGBM 算法在预测接管时间方面具有更好的准确性。此外，DeepGBM 在平均接管时间场景下的预测效果优于较短和较长的场景。另一方面，在交叉区域接管 CADV 时，驾驶员更加关注车辆的速度。而在非路口区域，驾驶员则更关注与前方车辆的纵向距离差。本研究进一步发现，CADVs 在交叉口区域的接管过程受到显著的横向干扰，显著影响驾驶员的接管时间和车辆安全。本研究可为自动驾驶公司设计接管时间提供理论参考。 

1.研究背景与目的

1.1 背景

自动驾驶技术快速发展，但复杂道路场景下 CADV 需驾驶员在突发情况（前车变道、行人横穿）接管车辆，接管时间（从接管请求发出到驾驶员完全控车的时间，范围 2-10s ）直接影响行车安全。

1.2 现有研究不足

多数基于仿真数据，与实车场景存在差距；预测方法多为线性回归或传统机器学习，深度学习应用少；较少从混合交通流环境角度分析接管时间。

1.3 研究目的

通过实车实验，构建混合交通流数据集，提出高精度接管时间预测模型，明确不同交通场景下影响接管时间的关键变量。

2.数据集详情

3.研究方法

4.实验结果

4.1 模型性能对比

不同模型的评价结果统计如图 4 所示，不同接管时期 DeepGBM 接管时间预测性能对比如图 5 所示。虽然 Transformer 的 MAPE 略低于 DeepGBM，但其整体性能稍差。DeepGBM 对中等时长（5-8s） 接管时间的预测效果最优，短时长（0-4s）和长时长（8-12s）预测误差较大。

4.2 SHAP 解释结果

全局解释：呈现混合交通流变量对接管时间的影响。影响预测概率的前 10 个关键变量的 SHAP 值密度散点图如图 6 所示。

非交叉口（Area 1）：关键变量为 CADV 纵向位置（Y_cadv）、与前车纵向距离（Y_front）、左前方车辆纵向距离（Y_left_front），驾驶员更关注纵向距离差异以维持安全车距。交叉口（Area 2）：关键变量为 CADV 综合速度（V_cadv）、横向位置（X_cadv）、混合交通流速度（V），驾驶员更关注车速与横向位移以规避突发风险。

局部解释：为了解释使用局部解释 (SHAP) 的个别预测案例，在区域 1 和区域 2 各选择了一个案例绘制受力图，如图 7 所示。

为每个流量变量分配一个 SHAP 值，如颜色条的长度所示，以指示其对接管时间预测的贡献。色条越长，该交通流变量对预测概率的贡献就越显著。红色变量（如 a_cadv=2.7m/s²）正向提升接管时间，蓝色变量（如 V_cadv_y=24.0m/s）反向降低接管时间，所有变量共同作用形成最终预测值。

轨迹分析：非交叉口（Area 1）：接管过程轨迹更平滑，横向位移小，自动模式（红色轨迹）与手动模式（灰色轨迹）过渡平稳。交叉口（Area 2）：接管轨迹横向位移显著，尤其是穿越斑马线后，手动模式轨迹转向角大，因非机动车辆、行人突发横穿导致横向干扰强，接管风险更高。

5.研究结论与局限

在混合交通流环境下，DeepGBM 算法在 CADV 接管时间预测中表现最优，既能保证预测精度，又能高效处理各类特征。由于不同区域的关键影响变量存在显著差异，接管策略需针对性优化 —— 交叉口需重点控制车速与横向位移，非交叉口则应优先关注与前车的纵向距离，同时交叉口的横向干扰也是影响接管安全的重要因素。

本研究局限在于：实验路段为校园低车速场景（车速 5-15km/h），缺乏城市主干道、高速公路等更复杂场景的数据支撑，且接管方式采用遥控操作，与实际驾驶中的方向盘接管存在差异。基于这些局限，未来研究可进一步拓展不同城市道路场景，深入分析混合交通流因素对 CADV 接管时间的具体影响。