近年来,自动驾驶车辆成为交通领域研究的热点,它能够实时感应外界环境,实现智能化决策,提前躲避障碍物从而降低交通事故的发生。但由于交通场景复杂多变,交通参与者行为难以预测,也可能出现恶劣天气和传感器故障等突发状况,使得自动驾驶汽车也会面临碰撞不可避免的道德困境。由于缺乏伦理道德定性定量分析的理论和方法,目前道德困境下的决策问题成为世界性难题。本文利用虚拟驾驶实验还原典型道德困境场景,分析场景内驾驶决策的影响因素,建立了涵盖道德因素、法律因素、情感强度等输入指标的改进PSO-LS-SVM驾驶决策模型,对道德困境下驾驶人决策进行预测并验证模型的有效性。本文主要的研究工作主要围绕以下几个方面展开:(1)本文结合我国现行交通法规和事故责任认定案例,挖掘道德法律指标,筛选并设计出12种典型“鬼探头”道德困境驾驶场景。具体而言,道德因素表现为碰撞目标的数量和类型,法律因素表现为通行权的限定。同时,利用驾驶模拟器进行实验,采集驾驶绩效参数和驾驶决策,记录具体决策并形成数据库;然后采用灰色关联熵模型对来自人—车—路—环境的驾驶决策影响因素进行了榨取和排序;最后,分析驾驶决策对各因素的敏感性,证明了道德、法律因素在驾驶道德决策中的重要作用,为驾驶决策模型的建立奠定了基础。(2)本文将典型道德困境作为恐惧情感诱导的实验范式,在驾驶模拟实验的过程中使用ErgoLAB人机环境同步平台记录了被试者在诱导情绪下的心率变异性信号(HRV)和呼吸信号(RESP);同时,改进了人工内分泌模型中激素调节模块和情感生成模块,加入与碰撞目标距离和刹车踏板值两个变量,使模型更符合道德困境下的恐惧强度特征的描述;最后将生理指标中的特征值代入内分泌模型中的激素浓度,从而计算驾驶模拟实验中驾驶员对前方目标的恐惧强度值,以此代表人类在道德困境中人类的本能反应,作为驾驶决策影响因素中的重要组成部分。(3)本文采用改进PSO算法对传统LS-SVM模型的参数进行优化,选取驾驶绩效指标、道德指标、法律指标、对前方目标的恐惧情感强度等七个指标作为输入,将刹车和左转+刹车两种决策作为输入,建立了道德困境场景下基于改进的PSO-LS-SVM的驾驶决策预测模型。将实验样本带入模型进行训练和验证,结果表明,本文提出的预测模型与传统模型相比具有更高的预测准确性,同时发现在决策模型中加入恐惧情感强度这一指标可以提高样本的适应度并使模型具有更快的迭代速度。