S2O: 一种连接主观感受与客观评估的集成驾驶决策绩效评估方法

自动驾驶决策是智能交通系统的关键模块之一,如何进行全面精准的驾驶绩效评估是重要挑战。偏倚的评估会误导并阻碍决策修改与开发。当前的规划评估指标包括与真实驾驶轨迹的偏差和客观驾驶体验指标。前者类别并不一定反映良好的驾驶绩效,因为人类驾驶员也会出错,且在交互式闭环系统中被证明无效。另一方面,现有的客观驾驶体验模型仅考虑有限因素,缺乏全面性。且各种因素的集成机制依赖于直觉经验,缺乏精确性。在本研究中,我们提出S2O,一种新颖的集成决策评估方法,将主观人类感受与客观评估相连接。首先,我们建立了四类驾驶因素（安全、时间效率、舒适性和能源效率）的修改基本模型,以覆盖常见驾驶因素。随后基于人类评分分布规律性分析,设计了分段线性拟合模型结合互补SVM分段分类器,以客观驾驶因素术语表达人类的主观评分。在D2E数据集上进行实验,该数据集包含约1000个驾驶案例和40000个人类评分。结果表明,S2O在比例尺下对真实值的平均绝对误差为4.58。相较于基线方法,评估误差降低32.55%。在SUMO平台上的实现证明了在线评估的实时性,而对三种自动驾驶规划算法绩效评估的验证证明了其可行性。