乘用車(chē)與兩輪車(chē)事故特征分析和目標(biāo)識(shí)別因素研究

張立存 苗強(qiáng) 耿冬冬

（沃爾沃汽車(chē)技術(shù)（上海）有限公司，上海 201800）

主題詞：兩輪車(chē)事故 中國(guó)交通事故深入研究 自動(dòng)緊急制動(dòng) 視場(chǎng)角

1 前言

根據(jù)中國(guó)交通事故深入研究（China In-Depth Acci?dent Study，CIDAS）的統(tǒng)計(jì)結(jié)果[1]，2011～2017 年，乘用車(chē)與兩輪車(chē)事故占所有交通事故數(shù)量的57.6%，成為我國(guó)數(shù)量最高的交通事故形態(tài)。自動(dòng)緊急制動(dòng)（Automatic Emergency Braking，AEB）系統(tǒng)可大幅降低汽車(chē)碰撞事故的發(fā)生概率[2]，而如何避免與兩輪車(chē)，尤其是電動(dòng)兩輪車(chē)的碰撞將成為下一代AEB系統(tǒng)開(kāi)發(fā)的重要內(nèi)容。

事故場(chǎng)景[3]是汽車(chē)功能安全開(kāi)發(fā)的前提和功能驗(yàn)證的基礎(chǔ)。國(guó)外針對(duì)乘用車(chē)與兩輪車(chē)事故開(kāi)展了諸多研究：FP7 AsPeCSS（Assessment methodologies for forward looking integrated Pedestrian and further extension to Cyclist Safety Systems）項(xiàng)目研究了英國(guó)乘用車(chē)與兩輪車(chē)事故特征，發(fā)現(xiàn)汽車(chē)與自行車(chē)同向及汽車(chē)轉(zhuǎn)向時(shí)事故較多[4]；CATS（Cyclist-AEB Testing System）項(xiàng)目以CARE（Community database on Accidents on the Roads in Europe）數(shù)據(jù)庫(kù)為基礎(chǔ)，提取出10 種典型事故場(chǎng)景[5]。由于各國(guó)交通狀況存在差異，我國(guó)研究人員也針對(duì)中國(guó)乘用車(chē)與兩輪車(chē)事故進(jìn)行了研究：陳強(qiáng)[6]等基于2011～2015 年的CIDAS 數(shù)據(jù)，對(duì)乘用車(chē)與兩輪車(chē)事故特征進(jìn)行了總結(jié)；江麗君[7]等基于2011～2014年的CIDAS數(shù)據(jù)，依據(jù)人員重傷比例確定了兩輪車(chē)典型場(chǎng)景分布；胡林[8]等基于邏輯回歸方法，得出質(zhì)量比、保險(xiǎn)杠高度、保險(xiǎn)杠寬度與乘員損傷程度的關(guān)系。

本文對(duì)CIDAS真實(shí)事故總體信息及相關(guān)要素進(jìn)行分析，并基于事故分類(lèi)方法，確定事故類(lèi)型的分布，提取出事故率最高的5種事故類(lèi)型，重點(diǎn)分析乘用車(chē)與兩輪車(chē)事故的速度分布特征，并建立碰撞時(shí)間（Time to Collision，TTC）為1 s時(shí)兩輪車(chē)與乘用車(chē)相對(duì)位置分布圖，研究該時(shí)刻視場(chǎng)角（Field-of-View，F(xiàn)OV）變化所能覆蓋的事故數(shù)量，為用于兩輪車(chē)事故防護(hù)的乘用車(chē)安全系統(tǒng)開(kāi)發(fā)提供參考，并為該類(lèi)安全系統(tǒng)功能測(cè)試提供測(cè)試場(chǎng)景。

2 研究方法

2.1 數(shù)據(jù)來(lái)源及數(shù)據(jù)處理方法

CIDAS 綜合考慮氣候、地理地貌、交通特點(diǎn)等因素，從2011年起，主要采集沈陽(yáng)、北京、威海、成都、廣州5 個(gè)城市的交通事故詳細(xì)信息，每年采集接近800 個(gè)事故數(shù)據(jù)樣本，為汽車(chē)安全領(lǐng)域研究人員提供了重要數(shù)據(jù)支持。

本 文基于2016 年4 月～2018 年9 月期間 的CIDAS數(shù)據(jù)進(jìn)行乘用車(chē)對(duì)兩輪車(chē)事故（本文簡(jiǎn)稱(chēng)兩輪車(chē)事故）篩選，篩選條件為：事故參與的乘用車(chē)為轎車(chē)（Sedan）、SUV 以及MPV；至少有1 人受傷；事故參與的兩輪車(chē)為普通自行車(chē)（完全由人力驅(qū)動(dòng)的兩輪車(chē)）、電動(dòng)自行車(chē)（由電動(dòng)機(jī)驅(qū)動(dòng)的兩輪車(chē)）、摩托車(chē)（通過(guò)內(nèi)燃機(jī)驅(qū)動(dòng)的兩輪車(chē)）。基于以上條件，本文從CIDAS 數(shù)據(jù)庫(kù)中共提取出745 起事故。同時(shí)，由于CIDAS 事故數(shù)據(jù)種類(lèi)繁多，不利于有效分析和總結(jié)，因此本文將CIDAS事故數(shù)據(jù)類(lèi)型通過(guò)自行開(kāi)發(fā)的程序轉(zhuǎn)換為約定的事故類(lèi)型描述[9]。

2.2 事故場(chǎng)景分類(lèi)

本文采用現(xiàn)有約定事故分類(lèi)方法，部分事故形態(tài)如表1 所示，設(shè)置左轉(zhuǎn)、右轉(zhuǎn)的類(lèi)型代號(hào)分別為L(zhǎng)T（Left Turn）、RT（Right Turn），騎行人與乘用車(chē)同向行駛、對(duì)向行駛的類(lèi)型代號(hào)分別為SD（Same Direction）、OD（Oppo?site Direction），騎行人從右側(cè)橫穿的類(lèi)型代號(hào)為SCPcr（Straight Crossing Path,cyclist from right）。

表1 部分事故類(lèi)型描述

3 兩輪車(chē)事故特征分析

3.1 兩輪車(chē)事故總體信息

提取的兩輪車(chē)事故中，電動(dòng)車(chē)事故、摩托車(chē)事故和普通自行車(chē)事故占比分別為53.76%、38.04%和8.20%。事故發(fā)生時(shí)間的總體分布如圖1所示，為統(tǒng)計(jì)方便，0時(shí)代表時(shí)間段0：00～1：00，其他時(shí)間段依次類(lèi)推。大多數(shù)兩輪車(chē)事故發(fā)生于白天，8：00～20：00時(shí)間段內(nèi)發(fā)生的事故占比為77.81%，其中，發(fā)生事故最多的時(shí)間段是5：00～7：00，其次是11：00～13：00，原因可能為此時(shí)間段道路車(chē)流量較大，因此事故發(fā)生率較高；22：00～6：00 時(shí)間段內(nèi)發(fā)生事故的比例僅占4.68%，符合出行規(guī)律。

圖1 事故發(fā)生時(shí)間的總體分布

3.2 兩輪車(chē)事故類(lèi)型分布及其速度特征

本文將745起事故按事故類(lèi)型分類(lèi)，如圖2所示，其中Oncoming為對(duì)面來(lái)車(chē)場(chǎng)景。由圖2可知，前9種事故類(lèi)型共597 起，占80.13%，其中騎行人從左側(cè)橫穿（Straight Crossing Path,cyclist from left，SCPcl）事故數(shù)量最多。

圖2 兩輪車(chē)事故的整體分布

3 種類(lèi)型的兩輪車(chē)構(gòu)成的事故場(chǎng)景分布情況如圖3 所示，由圖3 可知，普通自行車(chē)、電動(dòng)自行車(chē)、摩托車(chē)發(fā)生事故最多的類(lèi)型分別為SD、SCPcl 和LT/OD 類(lèi)型。從整體上看，3 種兩輪車(chē)發(fā)生頻率較高的事故類(lèi)型差別較小，且各車(chē)型在不同事故類(lèi)型中的分布趨勢(shì)類(lèi)似。

本文重點(diǎn)研究事故率最高的5 種事故類(lèi)型的速度特征。如圖4所示，自行車(chē)、電動(dòng)自行車(chē)、摩托車(chē)與乘用車(chē)碰撞前的平均速度分別為10～15 km/h、20～25 km/h和30～35 km/h。3種類(lèi)型兩輪車(chē)在碰撞時(shí)刻的速度與碰撞前的速度幾乎相同，可知兩輪車(chē)駕乘人在整個(gè)事故過(guò)程中幾乎未進(jìn)行制動(dòng)。

圖3 3種兩輪車(chē)事故的場(chǎng)景分布

圖4 兩輪車(chē)與車(chē)輛碰撞前后速度分布

而乘用車(chē)與自行車(chē)、電動(dòng)自行車(chē)、摩托車(chē)的碰撞前平均速度分別為35～40 km/h、30～35 km/h 和33～45 km/h。總體上僅有31%的乘用車(chē)存在減速情況，且電動(dòng)自行車(chē)較多是符合中國(guó)道路交通現(xiàn)狀的特征，而目前的AEB系統(tǒng)缺乏準(zhǔn)確識(shí)別電動(dòng)自行車(chē)的能力，所以有必要開(kāi)發(fā)一種除摩托車(chē)和普通自行車(chē)之外，還能識(shí)別電動(dòng)自行車(chē)的AEB 系統(tǒng)?；谏鲜龇治觯揂EB 系統(tǒng)的最小觸發(fā)速度為10 km/h，在20～40 km/h 范圍內(nèi)可發(fā)揮最大制動(dòng)性能，相對(duì)速度為30 km/h 以下可完全避免乘用車(chē)與兩輪車(chē)的碰撞。

4 兩輪車(chē)事故發(fā)生前1 s相對(duì)位置研究

高級(jí)駕駛輔助系統(tǒng)（Advanced Driver Assisted System，ADAS）[10]的環(huán)境感知配置和能力直接影響AEB系統(tǒng)的可靠性與準(zhǔn)確性。FOV 是AEB 系統(tǒng)的重要參數(shù)，以乘用車(chē)和兩輪車(chē)碰撞時(shí)間為1 s 時(shí)兩者相對(duì)位置為依據(jù)，本文研究不同F(xiàn)OV所覆蓋的碰撞事故數(shù)量，統(tǒng)計(jì)所有事故碰撞中兩輪車(chē)相對(duì)于乘用車(chē)的角度，當(dāng)FOV分別為60°、80°和100°時(shí)，AEB 系統(tǒng)能覆蓋的事故數(shù)量如圖5所示。因兩輪車(chē)碰撞前速度均較低，且與乘用車(chē)的縱向距離大多小于30 m，處于目前已量產(chǎn)的智能駕駛輔助系統(tǒng)所用的前向攝像頭或毫米波雷達(dá)的監(jiān)測(cè)范圍內(nèi)。因此，可不考慮本文所研究事故場(chǎng)景的縱向距離因素。

當(dāng)FOV 分別設(shè)為60°、80°和100°時(shí)，分別有55.84%、71.81%、75.97%的兩輪車(chē)處于傳感器視場(chǎng)角范圍內(nèi)。因此，增大FOV，尤其是前向監(jiān)測(cè)攝像頭角度，對(duì)于感知更多存在碰撞風(fēng)險(xiǎn)的兩輪車(chē)事故具有明顯的正向效果。另一方面，總會(huì)存在部分事故場(chǎng)景無(wú)法覆蓋，原因是較多事故發(fā)生于兩輪車(chē)與乘用車(chē)同向車(chē)道行駛，且乘用車(chē)右轉(zhuǎn)向時(shí)，即RT-SD場(chǎng)景，此時(shí)與乘用車(chē)同向行駛的兩輪車(chē)較難被檢測(cè)，該場(chǎng)景在總事故率中排第5位。未來(lái)，安裝于乘用車(chē)左前和右前的角雷達(dá)可彌補(bǔ)前向傳感器在乘用車(chē)側(cè)面的感知能力。

圖5 碰撞時(shí)間為1 s時(shí)兩輪車(chē)與乘用車(chē)位置分布

5 AEB系統(tǒng)對(duì)電動(dòng)自行車(chē)識(shí)別因素分析

對(duì)于主流ADAS中AEB的控制邏輯，不同目標(biāo)類(lèi)型會(huì)觸發(fā)不同的AEB 決策表現(xiàn)。目前市面上所有ADAS均不支持中國(guó)電動(dòng)自行車(chē)的分類(lèi)，基于此，本文從實(shí)際ADAS道路采集數(shù)據(jù)著手，深入分析電動(dòng)自行車(chē)在當(dāng)前成熟的ADAS系統(tǒng)中的分類(lèi)結(jié)果以及其影響因素。

本文分析的道路數(shù)據(jù)來(lái)源于2017 年河北省石家莊市附近一段晴朗白天記錄的視頻，數(shù)據(jù)中共有611幀包含電動(dòng)自行車(chē)，經(jīng)過(guò)人工配對(duì)和分析，其中分別有258 幀、158 幀、61 幀、4 幀被識(shí)別為摩托車(chē)、行人、自行車(chē)和乘用車(chē)，而剩余的則沒(méi)有被識(shí)別為任何類(lèi)型（漏檢）。為進(jìn)一步研究對(duì)兩輪電動(dòng)自行車(chē)的感知，本文深入分析導(dǎo)致不同識(shí)別結(jié)果的主要因素，包括乘用車(chē)行駛速度和兩輪車(chē)行駛方向。

本文主要探究?jī)奢嗆?chē)的3個(gè)行駛方向，即與乘用車(chē)同向、與乘用車(chē)反向、橫穿乘用車(chē)行駛路徑。對(duì)基于數(shù)據(jù)提取的特征進(jìn)行分類(lèi)分析，結(jié)果如圖6 所示，與乘用車(chē)同向的場(chǎng)景占據(jù)所有場(chǎng)景的50%，1/3 場(chǎng)景與乘用車(chē)反向，其余的為橫穿或類(lèi)似于橫穿情況。與乘用車(chē)同向場(chǎng)景總體分類(lèi)結(jié)果和與乘用車(chē)反向場(chǎng)景類(lèi)似，但在橫穿場(chǎng)景中，被誤識(shí)別為行人的場(chǎng)景最多，同樣有大量結(jié)果沒(méi)有被分類(lèi)。

因此，可認(rèn)為與乘用車(chē)同方向行駛或反方向行駛的電動(dòng)自行車(chē)更容易被識(shí)別為摩托車(chē)，而對(duì)于橫穿的場(chǎng)景，被識(shí)別為摩托車(chē)或者自行車(chē)的概率較小。

圖6 不同行駛方向識(shí)別結(jié)果

6 結(jié)束語(yǔ)

本文在中國(guó)交通事故深入研究數(shù)據(jù)庫(kù)中篩選乘用車(chē)與兩輪車(chē)事故，深入分析場(chǎng)景類(lèi)型、時(shí)間、速度等因素，建立了事故前1 s兩輪車(chē)與乘用車(chē)相對(duì)位置分布圖，研究了AEB系統(tǒng)視場(chǎng)角對(duì)兩輪車(chē)檢測(cè)效果的影響并分析了AEB系統(tǒng)對(duì)電動(dòng)自行車(chē)識(shí)別的影響因素?；谔赜械姆诸?lèi)方法分析得出事故率最高的5種類(lèi)型，提取了兩輪車(chē)事故中的典型速度特征，論證了引入一種可支持電動(dòng)自行車(chē)識(shí)別的AEB系統(tǒng)的重要性及功能定義需滿(mǎn)足的速度區(qū)間。分析得到影響電動(dòng)自行車(chē)識(shí)別結(jié)果的主要因素為電動(dòng)自行車(chē)相對(duì)于乘用車(chē)的行駛方向，同向和反向行駛的電動(dòng)自行車(chē)更容易被識(shí)別為摩托車(chē)，而橫穿行駛的電動(dòng)自行車(chē)容易漏檢或被分類(lèi)為行人。