具体实施方式

本发明的第一个实施方式为自动驾驶人工接管请求时机调节方法，其整体流程如图1所示。该方法包括以下步骤。

步骤S1：构建驾驶员大数据云端数据库步骤

通过驾驶模拟器实验和基于接管场景的实车实验构建驾驶员大数据云端数据库，该数据库储存的参数包括P₀、α、β、T₀、R₀，各参数满足公式：P₀＝αT₀+βR₀。

其中P₀是基于实验大数据的目标接管质量，为能保证驾驶员安全接管的接管质量，基于实验数据和不同接管场景，可取6秒至12秒；α是通过驾驶模拟实验获得的接管请求发出提前时间对驾驶员的接管质量的作用系数，β是通过驾驶模拟实验获得的驾驶员的接管准备就绪程度对接管质量的作用系数，α和β均是通过对驾驶模拟实验所得数据对进行多元线性回归分析所得；T₀是初始的接管请求发出提前时间，即基于驾驶模拟大数据统计的能够安全接管的最低接管请求提前时间，即在驾驶员完全专注观察交通环境时需要的接管提前时间；R₀是驾驶员完全专注观察交通环境时的接管准备就绪程度，其值为100％。

步骤S2：构建个体驾驶员数据库步骤

通过被驾驶车辆(以下简称“本车”)的实车接管数据构建个体驾驶员数据库，显然不同车辆的个体驾驶员数据库不同，将驾驶员完成一次接管记为一个接管事件，该数据库储存的参数包括α′、β′、Tⁱ、T₀和各次接管事件所对应的数据组{P′₀，ΔT，T_p，P，R}。

α′是本车的接管请求发出提前时间对驾驶员的接管质量的作用系数，其初始值取α，β′是本车的驾驶员的接管准备就绪程度对接管质量的作用系数，其初始值取β；Tⁱ是个体驾驶员的接管时间调节项，为保证安全，其初始值选取5s～10s。各次接管事件所对应的数据组{P′₀，ΔT，T_p，P，R}中，P′₀是目标接管质量，初始值取驾驶员大数据云端数据库中的P₀，ΔT是接管提示时间误差，T_p是后验接管提前时间，R是驾驶员的接管准备就绪程度，P是实际接管质量，单位为秒。

步骤S3：判断自动驾驶系统的性能边界步骤

判断本次自动驾驶是否存在自动驾驶系统的性能边界(即L3、L4级别的自动驾驶系统处于自动驾驶模式时无法处理的工况)。若存在，则进入步骤4。若不存在，退出本方法。

步骤S4：驾驶员状态采集步骤

按照检测手段的不同，驾驶员的状态主要分为两类，一类是通过接触式设备测量的生物电信号，如心电、脑电等，另一类是通过非接触式设备测量的信息，如驾驶员的面部信息、语音信息等。

本发明通过非接触式测量，选取驾驶员面部俯仰角度和横摆角度作为驾驶员的状态，面部朝向检测设备以设定的频率同时采集驾驶员的面部横摆角度pitch与俯仰角度yaw，将同时采集的pitch和yaw作为一个面部数据点，并采用驾驶员手动驾驶时的面部横摆角度与俯仰角度为基准。

步骤S5：接管请求提示步骤

首先计算驾驶员的接管准备就绪程度R。通过过标准化函数S_d对实际采集的面部数据点进行标准化，若驾驶员面部朝向在手动驾驶操作范围内时，认为驾驶员不分心，否则认为驾驶员分心，标准化函数S_d的表达式如下：

考虑到驾驶员分心程度的时效性，即过早的分心并不会对当前的驾驶行为产生影响，则通过时间窗加权函数W_t对接管准备就绪程度R进行加权，接管准备就绪程度R和W_t的表达式如下：

式中，f_t为面部朝向检测频率，即面部朝向检测设备采集数据的频率；T_W为时间窗长度，根据不同的接管场景设定，接管场景越复杂，时间窗长度T_W越长，优选T_W在8s-15s；T_c为当前时刻，t为当前驾驶过程中采集的各面部数据点所对应的时刻，∑S_d表示对时间窗长度内采集的所有面部数据点所对应的标准化函数S_d进行求和。

接着据驾驶员的当前接管准备就绪程度R计算当前接管请求提前时间T，计算公式如下：

根据车速和距驾驶系统边界的距离计算距离边界时间TTB(步骤S5A)。

根据本车行驶至自动驾驶系统的性能边界(即L3、L4级别的自动驾驶系统处于自动驾驶模式时无法处理的工况)所需时间TTB和上述当前接管请求提前时间T，判定是否向驾驶员发送接管请求(步骤S5B)。

比较T和TTB，若T≥TTB时，则向驾驶员发送接管请求，执行步骤S6；若T<TTB，则继续等待，直至T≥TTB，向驾驶员发送接管请求，执行步骤S6。

步骤S6：接管质量评估步骤

驾驶员根据当前接管请求完成当前接管(步骤S6A)。之后根据驾驶员的当前接管操作数据，计算当前实际接管质量P(步骤S6B)。接管质量的指标的选取有多种，如驾驶员方向盘的输入数据的统计值，驾驶员加速踏板的输入数据的统计值，驾驶员减速踏板的输入数据的统计值和驾驶员的反应时间等。采用较为通用的接管时自车与自动驾驶系统边界的时距TTBT与驾驶员的反应时间TOT和之差为接管质量，即:

P＝TTBT-TOT

特别地，当接管失败，即发生碰撞等情况时，P取0。同时，由下式计算后验接管提前时间T_p：

即T_p是根据实际接管质量计算的接管提前时间。

步骤S7：记录接管时间数据组步骤

当前接管事件发生后，计算当前接管事件所对应的接管提示时间误差ΔT，ΔT＝T_p-T，即接管提示时间误差ΔT为后验接管提前时间与接管请求提前时间之差。由于为保证安全，Tⁱ的初始值选取5s到10s。记录当前接管事件所对应的数据{P′₀，ΔT，T_p，P，R}。

另外，记录在个体驾驶员数据库中的数据会被上传至驾驶员大数据云端数据库，并定期根据这些上传数据来更新所述驾驶员大数据云端数据库中储存的、作为个体驾驶员数据库中参数P′₀、α′、β′、Tⁱ、T₀的初始值的参数P₀、α、β、T₀、R₀。

步骤S8：个体驾驶员数据库更新步骤

判断当前个体驾驶员数据库内{P′₀，ΔT，T_p，P，R}的总组数n是否达到N1的整数倍(步骤S8A)。若是，则更新当前个体驾驶员数据库内的Tⁱ，Tⁱ取当前个体驾驶员数据库内所有ΔT的统计值，如ΔT的均值或中位数等，然后进入下述步骤8B；否则不更新当前个体驾驶员数据库内的Tⁱ，直接返回步骤S2。

N1的值若取太大，则会导致数据更新不及时，进而导致驾驶员过度信任(因为为保证安全，一般ΔT的值为负)；若N1取值过小，则会导致数据波动较大、不稳定，故基于实验所得数据，N1应取8-12范围内的数值，优选取10。

9)判断当前个体驾驶员数据库内{P′₀，ΔT，T_p，P，R}的总组数n是否达到N2的整数倍(步骤S8B)。若是，则采用多元线性回归的方法并通过以下公式更新当前个体驾驶员数据库内的α′和β′：P＝α′(T+Tⁱ)+β′R，然后返回步骤S2。否则，不更新当前个体驾驶员数据库内的α′和β′，直接返回步骤S2。

应注意N2的值若取太大，则会导致数据更新不及时，进而导致过度信任(因为为保证安全，一般ΔT的值为负)；若N2取值过小，则会导致数据波动较大、不稳定，故基于实验所得数据，N2应取450-550范围内的数值，优选取500。

进一步地，在步骤S8A中，若当前个体驾驶员数据库内{P′₀，ΔT，T_p，P，R}的总组数n达到N1的整数倍时，先对步骤S6计算得到的ΔT进行判断，剔除其中ΔT不满足正态分布的三倍标准差范围内所对应的数据组{P′₀，ΔT，T_p，P，R}，然后更新当前个体驾驶员数据库内的Tⁱ，Tⁱ取当前个体驾驶员数据库内所有ΔT的统计值，如ΔT的均值、标准差、中位数等，并返回步骤S2。

根据以上实施方式，可以得到以下的有益效果。

(1)在上述自动驾驶人工接管请求时机调节方法及系统中，在计算每次接管事件的接管准备就绪程度R和发出接管请求的提前时间T时加入与接管质量P相关的作用系数α′和与接管准备就绪程度R相关的作用系数β′，并构建个体驾驶员数据库存个体驾驶员的历史驾驶数据、即每一个接管事件的接管质量P以及驾驶员的接管准备就绪程度R，并根据这些历史数据对作用系数α′、β′进行更新。通过这样的步骤，可以通过学习个体驾驶员的历史驾驶数据将反应个体驾驶员的操作习惯的作用系数α′、β′及时更新，从而在计算发出接管请求的提前时间T时可以得到符合每个驾驶员驾驶习惯的值。所以可以实现高的用户体验和接管质量。

(2)由于记录在个体驾驶员数据库中的数据会被上传至驾驶员大数据云端数据库，并定期根据这些上传数据来更新所述驾驶员大数据云端数据库中储存的、作为个体驾驶员数据库中参数P′₀、α′、β′、Tⁱ、T₀的初始值的参数P₀、α、β、T₀、R₀，这样可以基于更多驾驶员进行的更多的接管数据更新云端数据库的初始值，为后来出产的车提供更好的初值。

(3)在上述接管请求提示步骤中，由于根据驾驶接管场景设定时间窗长度T_W，并根据在当前时刻Tc的时间窗长度内采集到的驾驶员状态数据来计算接管准备就绪程度R，与仅根据当前时刻的驾驶状态数据计算接管准备就绪程度R的情况相比，可以根据接管事件之前一段时间的数据，更全面、准确地判断驾驶员的驾驶状态，从而实现高的用户体验和接管质量。另外，通过适当设置时间窗长度T_W，可以排除本次接管事件之前过早的驾驶员状态数据，这样可以在计算接管准备就绪程度R时减少与本次接管事件关联性低的数据产生的干扰。所以可以进一步提高用户体验和接管质量。

(4)在所述个体驾驶员数据库更新步骤中，采用多元线性回归的方法并通过公式更新所述作用系数α′、β′，P＝α′(T+Tⁱ)+β′R，可以简单地得到能准确反映个体驾驶员的驾驶习惯和状态的数据，从而计算出合适的接管准备就绪程度R以及发出接管请求的提前时间T。另外，在更新公式里边导入个体驾驶员的接管时间调节项Tⁱ，通过根据驾驶员调整该参数，可以进一步保证接管的安全。

(5)在个体驾驶员数据库更新步骤中对接管时间调节项Tⁱ进行更新，具体来讲对所述接管时间调节项Tⁱ取当前个体驾驶员数据库内所有ΔT的平均值。这样可以有效地利用该驾驶员的驾驶历史数据对接管时间调节项Tⁱ进行及时的更新，从而更好地将该驾驶员的驾驶习惯反映到接管准备就绪程度R以及发出接管请求的提前时间T的计算中。

(6)在数据组的总组数n达到N1或N2的整数倍的时候分别更新接管时间调节项Tⁱ和作用系数α′、β′，并将N1、N2分别设为8-12范围内的数值和450-550范围内的数值，这样可以保证及时更新数据的同时，防止数据出现波动较大、不稳定。

(7)通过采集驾驶员的面部俯仰角度yaw和横摆角度pitch作为驾驶员的状态数据，可以准确地检测到驾驶员的分心程度，从而更加合理地计算出准备就绪程度R。

其他变形方式

在以上实施方式中，采用多元线性回归的方法并通过公式P＝α′(T+Tⁱ)+β′R更新作用系数α′，β′，但只要能够反映驾驶员的驾驶历史，也可以用其他公式更新所述作用系数α′，β′。

在以上的实施方式中，个体驾驶员数据库中还储存有驾驶员的接管时间调节项Tⁱ，但在可以保证接管安全的前提下，也可以不存储接管时间调节项Tⁱ。

在上述实施方式中，定期更新所述驾驶员大数据云端数据库中储存的、作为个体驾驶员数据库中参数P′₀、α′、β′、Tⁱ、T₀的初始值的参数P₀、α、β、T₀、R₀，但如果仅利用个体驾驶员数据库就可以准确的将驾驶员的驾驶历史反映到作用系数α′、β′的更新中，也可以不用大大数据云端数据库而用其他方法设定各个参数的初始值。

在上述实施方式中，通过采集驾驶员的面部俯仰角度yaw和横摆角度pitch作为驾驶员的状态数据，但也可以将驾驶员的其他参数作为状态数据，如驾驶员的手、脚的位置，驾驶姿势等。

本发明的第二个实施方式为自动驾驶系统。该系统主要由储存模块，监测模块，计算与调节模块，接管请求提示模块，接管质量评估模块和系统参数在线学习模块六个模块组成，如图2所示。

1)储存模块：包括驾驶员大数据云端数据库和个体驾驶员数据库，两个数据库存储的数据如上述控制方法中所述，在此不再赘述。

2)监测模块：由摄像头采集驾驶员的驾驶员面部俯仰角度和横摆角度，并且进行处理和计算后实时输出驾驶员的接管准备就绪程度(R)。主要包括人脸识别、面部朝向识别、驾驶员的接管准备就绪程度(R)计算的功能，如图3所示。

3)计算与调节模块：包括接管请求提前时间(T)计算、到达系统边界时间(TTB)计算、接管请求决策功能，如图4所示。其计算所用公式如前述，在此不再赘述。

4)接管请求提示模块：根据计算与调节模块的接管请求决策，用提示音、抬头显示/仪表板图形提示等方式向驾驶员发出接管请求，直到驾驶员接管完成，如图5所示。

5)接管质量评估模块：从接管提示发出时刻到接管完成时刻，根据车载传感器信息，加速度、角速度、转向盘角度、踏板行程等原始信息计算接管质量，如图6所示。

6)系统参数在线学习模块：通过所得接管质量结果与接管准备就绪程度的结果，依据前述的规则，更新储存模块中的个体驾驶员数据库的系统参数值。

本实施方式能得到与第一实施方式相对应的有益效果。

以下结合实施例对本发明的有效性进行验证：

1)接管场景

选取目前L3级别自动驾驶系统的典型边界之一——高速公路施工区域作为接管的边界。接管的交通场景设定为三车道高速公路，晴天白天，高速公路因施工封闭两车道仅留一条车道可通行(最左车道或最右车道)。驾驶员需要在接到接管提示后进行换道操作，而在接到接管请求前，车辆处于自动驾驶模式，自动保持100千米每小时的速度在中间车道行驶。自动驾驶时有随机车流出现，而换道时目标车道有车流且两车分别位于自车的前后，且每次接管时左右换道随机以避免学习效应，如图7所示。

2)驾驶员接管准备就绪程度主观评价

驾驶员在每次接管完成后需要对此次驾驶的分心程度进行打分(0-10的整数)，0分为最不分心，10分为最分心。并且在对每一位驾驶员的数据进行标准化，即先求得某位驾驶员多次接管实验的打分均值，再用原始数据减去均值得到最终使用的驾驶员分心程度打分。

3)实验设计

选择驾驶模拟器作为测试平台，测试了16名中国驾驶员的数据，接管提示时刻分为三种：边界前6秒、边界前8秒和边界前10秒。每位驾驶员进行3组共18次的接管实验。并通过播放视频的方式令驾驶员视觉分心，驾驶员自行决定观看视频或周围环境。

通过车内的单目摄像头采集驾驶员的面部朝向的横摆角度与俯仰角度(20Hz的频率)，并采用驾驶员手动驾驶时的横摆角度与俯仰角度为基准对实际采集的横摆角度pitch与俯仰角度yaw进行标准化，即若驾驶员面部朝向在手动驾驶时的范围内，认为不分心，否则认为分心，并通过标准化函数S_d进行标准化：

考虑到驾驶员分心程度的时效性，再通过时间窗加权函数W_t进行加权，时间窗长度W_t取为12秒：

即驾驶员原始的面部朝向的横摆角度与俯仰角度经过标准化函数(S_d)和时间窗加权函数(W_t)加权后得到驾驶员接管准备就绪程度，如图8所示。其中，接管程度R的计算公式如下：

接管时间发生的判定条件为：方向盘转角绝对值大于2度，加速踏板行程大于5％，减速踏板行程大于5％。达到任何一个判定条件，系统即判定接管事件发生。

4)实验结果与分析

对原始数据进行处理后，计算得到了驾驶员的接管质量P，驾驶员接管准备就绪程度R和驾驶员分心程度主观打分。

4.1驾驶员接管准备就绪程度与驾驶员主观分心打分

如图9所示，驾驶员接管程度与驾驶员主观分心打分为负相关，显著性水平p<0.001,判定系数r²＝0.436，说明以本发明所提出的基于视觉分心评价驾驶员接管准备就绪程度的方法是合理的并且有效的。

4.2驾驶员接管准备就绪程度与驾驶员接管质量(证明R对P有影响)

基于实验数据，将驾驶员的接管准备就绪程度与驾驶员接管质量P相关性分析，得到结果为显著性水平p<0.001，判定系数r²＝0.309，如图8所示，其中，

P＝TTBT-TOT

结果说明驾驶员的接管准备就绪程度与驾驶员接管质量相关的。

4.3接管请求提前时间与驾驶员接管质量(证明T对P有影响)

基于实验数据，接管请求提前时间(T)与驾驶员接管质量(P)进行方差分析。在实验结果中选出同一接管准备就绪水平下的数据，并考察不同的接管请求发出提前时间下的接管质量，结果为显著性水平p<0.001，F值＝41.535，如图10所示。说明了接管请求发出提前时间对接管质量的调节作用是有效的。在接管场景确定的情况下，驾驶员的接管质量与驾驶员的接管准备就绪程度和接管请求发出提前时间有关，接管提示越提前，越有利于高质量的完成接管。

结合前文所述，在驾驶员接管准备就绪程度较低时，可以通过增加接管请求提前时间的方式提升接管质量。进一步地，可以根据驾驶员接管准备就绪程度，提供不同的接管请求提前时间，进而能在任何驾驶员接管准备就绪程度的情况下，通过调节接管请求提前时间达到相似或者相同的目标接管质量。