文献类型：期刊文章

作　　者：任立海[1,2] 夏环[2] 蒋成约[2] 范体强[1] 赵清江[1]

REN Li-hai;XIA Huan;JIANG Cheng-yue;FAN Ti-qiang;ZHAO Qing-jiang(China Automotive Engineering Research Institute Co.,Ltd.,Chongqing 401122,China;Key Laboratory of Advanced Manufacturing Technology for Automobile Parts,Ministry of Education,Chongqing University of Technology,Chongqing 400054,China)

机构地区：[1]中国汽车工程研究院股份有限公司博士后工作站,重庆401122 [2]重庆理工大学车辆工程学院汽车零部件先进制造技术教育部重点实验室,重庆400054

出　　处：《科学技术与工程》

基　　金：重庆市技术创新与应用发展专项面上项目(cstc2019jscx-msxmX0412);重庆市教委科学技术研究计划项目(KJQN201801107)。

年　　份：2022

卷　　号：22

期　　号：24

起止页码：10737-10747

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为了探究面向汽车主动安全技术功能验证的测试场景的科学构建方法,构建符合真实交通状况的高保真测试场景。以自动紧急制动(autonomous emergency braking, AEB)系统为研究对象,以美国高速公路安全管理局事故数据库中筛选出的AEB系统功能适用的6 639起道路交通事故为研究样本,通过机器学习方法实现了由事故数据到测试场景的科学转换。针对传统聚类算法的缺陷,提出了基于层次聚类和K-means聚类相结合的融合聚类算法,并引入聚类曲线以开展事故数据样本的聚类分析。根据聚类获取的12类典型事故场景,构建了面向AEB系统功能验证的14种测试场景。结果表明:相比于传统的K-means聚类算法,融合聚类算法平均减少了8次迭代次数;聚类结果平均减少3%的波动;实现事故数据样本的科学准确聚类且提升数据聚类效率。所提出的测试场景在实现对现有AEB测试场景有效覆盖的同时,为标准测试场景的进一步扩充提供了有力支撑。

关 键 词：事故数据 自动紧急制动(AEB)  测试场景  聚类分析 K-MEANS聚类

分 类 号：U467.5]