基于車-車事故的道路測試場景風險評價方法

李平飛，王咪楊，車瑤櫟，張 友，譚正平，牟小軍

(1.西華大學汽車與交通學院，成都 610039；2.四川西華交通司法鑒定中心，成都 610039；3.成都智行安全科技有限公司，成都 611730)

0 引言

自動駕駛汽車為解決交通事故、交通擁堵、環(huán)境污染、能源短缺等問題提供了新的途徑[1]，在其發(fā)展過程中必須進行大量安全測試.德國PEGASUS項目[2]提出的一種基于場景的虛擬仿真測試標準化流程，已成為自動駕駛汽車測試評價的重要環(huán)節(jié).測試的本質是讓自動駕駛車輛適應環(huán)境變化，這個“環(huán)境”即是所理解的場景庫，PEGASUS項目提出了功能場景、邏輯場景和具體場景概念[3].美國國家公路交通安全管理局(National Highway Traffic Safety Administration，NHTSA)發(fā)布了關于自動駕駛的37類測試場景及相關實例的基本架構體系報告，歐洲新車評估組織[4](Euro New Car Assessment Programme Test Euro，NCAP)中對自動駕駛測試場景的描述更加具體化，并將場景細化處理后對自動駕駛功能進行測試.國內汽車檢測機構和研究院所(如中國汽車工程研究院股份有限公司、中國汽車技術研究中心有限公司)在進行場景庫的建立工作，但測試場景的定量研究還不夠完善.

場景分類方面，James[5]對事故數(shù)據(jù)聚類得到22個聚類場景，Philippe等[6]聚類得到T形和十字路口分別有13、6個類別，并描述了共同的碰撞特征.Sui等[7]聚類得到6種典型的汽車—二輪車碰撞場景；場景評價分析方面，馮屹[8]構建出自動駕駛場景的復雜程度評價體系；孟瑾[9]和秦利[10]利用神經網(wǎng)絡建立了風險評估模型，張朋[11]利用人工勢場法建立了交通環(huán)境中復雜度的量化模型.王榮等[12]提出基于場景復雜度模型的自動駕駛車輛道路測試評價方法；吳斌等[13]對中國自然駕駛數(shù)據(jù)中的直行追尾危險工況場景的誘導因素進行分析并構建了誘導因素邏輯圖.

已有學者對事故嚴重程度和場景定量評價做了研究，然而還未有涉及結合事故致?lián)p和場景復雜度來評價測試場景，鑒于此，本文提出了基于車-車事故的自動駕駛道路測試場景風險評價方法.通過整理國家車輛事故深度調查體系(National Automobile Accident In-Depth Investigation System，NAIS)中的車-車事故數(shù)據(jù)，構建出事故致?lián)p和場景復雜程度模型，根據(jù)模型計算出測試場景綜合風險指數(shù)，以解決現(xiàn)有技術無法評估測試場景的風險系數(shù)以及無法選擇合理的自動駕駛典型測試場景的問題.

1 場景數(shù)據(jù)來源

本文的研究數(shù)據(jù)來源于NAIS數(shù)據(jù)庫，是由國家市場監(jiān)督管理總局缺陷產品管理中心于2011年與8家高校、事故鑒定機構及科研單位合作建立，事故采集區(qū)域覆蓋我國東北、華南、西南、華北、華東等地區(qū).以下將NAIS數(shù)據(jù)庫中的事故時段、天氣、道路類型、路段與公安部統(tǒng)計年報數(shù)據(jù)進行對比(2017年)[14]，得到統(tǒng)計結果如圖1所示.從圖中可看出，NAIS數(shù)據(jù)的事故發(fā)生時段、天氣等數(shù)據(jù)分布趨勢與公安部統(tǒng)計年報基本一致.因此NAIS采集事故案例整體具備一定的代表性.

圖1 NAIS數(shù)據(jù)庫與公安部統(tǒng)計年報對比

基于NAIS事故數(shù)據(jù)庫展開相應的研究工作，構建事故場景風險綜合評價模型，為自動駕駛測試場景風險評價提供參考.由于場景是對車輛行駛環(huán)境的一種數(shù)學映射描述，映射過程能刻畫和模擬場景的不同要素對自動駕駛汽車的影響與作用[15]，考慮到車-車事故采集數(shù)據(jù)完整性和影響場景復雜度的要素設置，設定如下案例選取原則：

1)機動車類型包括乘用車、客/貨車；

2)事故參與方數(shù)目為2；

3)造成人員傷亡或車輛損失.

根據(jù)所需要素在數(shù)據(jù)庫中完整性進行數(shù)據(jù)整合與篩選，最終選擇出670個滿足要求的完整事故樣本.

2 車- 車事故典型場景聚類

2.1 事故場景聚類參數(shù)選擇

670例數(shù)據(jù)中場景構成因素較多，初步篩選出包括駕駛員信息、車輛信息、道路信息和環(huán)境信息在內的總共15個初始變量.

經統(tǒng)計一部分指標的參數(shù)如圖2所示，這些指標不適用于聚類分析，如運動狀態(tài)、視野、天氣及路燈等5個指標中的直行、無遮擋、晴天和無路燈占樣本65%以上，差異性不明顯，為了挑選出合理的特征指標變量，不遺漏關鍵信息，也不增加冗余信息，以上5個變量不用于聚類分析.

圖2 未采用參數(shù)的變量分布

此外，相似或細化的參數(shù)只為場景的設計提供借鑒，不作為主要參數(shù)用于聚類分析，如道路類型、受力方向與目標車輛相對主車行駛方向存在關聯(lián)性.且自動駕駛車輛有行駛在各種行政等級道路上的可能，因此路段行政等級不選作測試參數(shù).

最終選擇的評價指標分別為：目標車輛相對主車位置，主車及其他車輛類型，主車及目標車輛碰撞速度、時段和是否有信號燈.

2.2 聚類分析

從NAIS數(shù)據(jù)庫中提取車-車事故670例，因事先無法得到聚類數(shù)量，故選用無需提前制定聚類數(shù)量的自下而上的合并層次聚類方法.

整個聚類過程中距離的計算包括3個層級[16]：變量間距離、樣本間距離、類與類之間距離：

1)計算變量間距離.在聚類分析之前需要對變量取值歸一化處理，對于間隔尺度變量用歸一化公式轉化后進行距離計算；對于名義尺度變量需要對變量取值進行處理滿足每2個取值之間的距離為1，有序尺度變量只需將變量取值設為0、1即可.

2)計算樣本間距離.采用絕對值距離法，設X1,X2,…X670為取自7元總體的樣本，第i個樣本Xi=(xi1,xi2,…,xi7)(i=1,2,…,7)，第i個和第j個樣本之間的距離計算式如式(1)所示：

(1)

3)計算類與類之間的距離.采用類平均法計算類GK和類GL之間的距離公式為：

(2)

對數(shù)據(jù)進行聚類分析，對于名義尺度變量得到聚類分析樣本數(shù)量的分布如表1所示.表中將有顯著特征的變量取值對應的卡方值位置標記為加粗，且用加粗標記出具體取值.

表1 聚類分析樣本數(shù)量分布

類別6中時段變量不符合顯著性，因晨昏事故損失程度大于其余時段，故選擇晨昏作為特征變量.此外類別7～12占比小，故不考慮在內.最終得到典型危險場景如表2所示，圖示中1為主車，2為其他車輛.

表2 車-車碰撞致?lián)p典型場景

3 車- 車事故致?lián)p等級評價

目前國內對交通事故嚴重程度分類考慮事故造成的死亡人數(shù)和財產損失，NAIS數(shù)據(jù)庫按照事故嚴重程度分為輕微、一般、重大和特大事故4類，僅機械地計算總損失財產之和，未能合理地考慮人員勞動力和通貨膨脹，所以本文將人員傷亡和車輛損失用經濟折合方式綜合構建致?lián)p模型，得到670例車-車事故致?lián)p指數(shù)分布.

3.1 人員傷亡模型

NAIS數(shù)據(jù)庫中對事故嚴重程度做了分類記錄，還收集了乘員損傷的評價標準，將車內乘員受傷程度分為5個等級，即未受傷、輕傷、急診、住院、死亡.未受傷的情況本文不納入人員傷亡的計算，將輕傷、急診、住院歸為受傷類別；死亡單獨歸為一類，將交通事故死亡的損失總和記為E2，為每個等級的損傷建立以下?lián)p失模型.

E=E1+E2

(3)

式中，E1、E2為交通事故中造成人員不同傷情的經濟損失總和及死亡損失總和.

3.2 車輛損失模型

結合NAIS數(shù)據(jù)，將車輛受損程度劃分為報廢、大面積嚴重變形、局部明顯變形、輕微變形和輕微刮擦5類.在交通事故發(fā)生后，車輛損失為事故發(fā)生前車輛評估價值與事故發(fā)生后車輛評估價值之差.由于車輛報廢損失后車輛無法繼續(xù)使用，損失較大，因此，以車輛報廢為臨界點，分別計算報廢損失和車輛受損損失：

V=V1+V2

(4)

式中，V1、V2為交通事故中車輛受損損失的總和及報廢損失總和.

3.3 致?lián)p指數(shù)分布

為了對交通事故中人員和車輛致?lián)p評程度進行指標化處理，需要減少人員損失和車輛損失在量綱上的差異，本文將人員損傷與車輛損傷的加權總和取自然對數(shù)，即可得事故整體致?lián)p模型Z：

Z=ln[(σ1E1+σ2E2)+(σ3V1+σ4V2)]

(5)

式中，σ1、σ2、σ3、σ4分別為E1、E2與V1、V2的權重系數(shù).

在交通事故中，人傷和車損在交通事故中的權重不同，參照中國交通事故分類方法中的等級劃分標準，采用等價折算的方法對評價指標權重系數(shù)進行估算，可得各權重系數(shù)取值為σ1=0.18，σ2=0.26，σ3=σ4=0.28[17].

按照以上致?lián)p指數(shù)評定模型，計算出單個案例中的所有事故參與人員和車輛致?lián)p指數(shù)，670例事故案例致?lián)p指數(shù)分布如圖3所示.

圖3 事故致?lián)p指數(shù)分布圖

4 結合環(huán)境要素的場景復雜度評價

人類駕駛員在執(zhí)行駕駛任務時會觀察行駛場景中的道路，而交通狀況中影響復雜度的因素分為靜態(tài)和動態(tài)2類，本節(jié)自動駕駛汽車道路測試場景復雜度將通過這兩類復雜度綜合計算得到.

4.1 靜態(tài)場景復雜度模型

對于自動駕駛車輛來說，行駛環(huán)境的識別和檢測功能大多是由激光和雷達等傳感器設備實現(xiàn)的，因此選取影響車-車測試場景的靜態(tài)復雜度要素如圖4所示.

圖4 交通靜態(tài)環(huán)境要素構成圖

通過查閱文獻總結出靜態(tài)場景復雜度模型如式(6)所示[18]：

(6)

式中，θ1為靜態(tài)環(huán)境復雜度系數(shù)；X1,X2,…,Xn為待求靜態(tài)環(huán)境要素的第1類、第2類…第n類的分值，由專家打分法給定；α1,α2,…,αn分別是環(huán)境要素類別X1,X2,…,Xn相應的權重.

熵是復雜度的度量，靜態(tài)環(huán)境復雜度系數(shù)則是根據(jù)一階信息熵的物理意義計算得到，其計算公式為：

(7)

式中，h為分成的組數(shù)，pi為每種環(huán)境構成中出現(xiàn)要素的概率，即復雜度構建的圖形結構中組內節(jié)點數(shù)與節(jié)點總數(shù)的比值.

4.2 動態(tài)場景復雜度模型

動態(tài)影響因素的分類都是以主車作為參考，其他車輛類型、速度、運動狀態(tài)和相對位置均為參照主車的相對量.動態(tài)環(huán)境要素結構如圖5所示.

圖5 交通動態(tài)環(huán)境要素構成圖

參考靜態(tài)場景復雜度模型，同理可計算交通動態(tài)環(huán)境復雜度，如式(8)所示：

(8)

式中，θ2為動態(tài)環(huán)境復雜度系數(shù)；Y1,Y2,…,Yn為待求動態(tài)環(huán)境要素的第1類、第2類…第n類的分值，由專家打分法給定；β1,β2,…,βn,分別是環(huán)境要素類別Y1,Y2,…,Yn相應的權重.

動態(tài)環(huán)境復雜度系數(shù)θ2對于行駛環(huán)境中的行車安全有緊密聯(lián)系，同理根據(jù)一階熵物理意義的定義，計算公式為：

(9)

假設交通場景復雜度為C，則由靜態(tài)場景復雜度C1和動態(tài)場景復雜度C2組成，公式如下：

C=σ1C1+σ2C2

(10)

式中，σ1，σ2分別為靜態(tài)、動態(tài)場景復雜度權重.

將670例NAIS數(shù)據(jù)代入式(6)～(10)計算得到每個場景的綜合復雜度指數(shù)，計算出的場景復雜度指數(shù)分布如圖6所示.

圖6 場景復雜程度分布

5 場景風險評價

5.1 典型場景的致?lián)p及復雜度指數(shù)分析

6類典型場景的致?lián)p和復雜度指數(shù)分布如圖7所示，第1、2、3、6類場景的致?lián)p指數(shù)中位數(shù)相比4、5類更大，這4類場景有一個共同特征是參與方為重型或輕型客貨車且某一參與方的速度都大于39 km/h.第3、6類致?lián)p指數(shù)覆蓋范圍更大，是因為這兩類場景參與方速度范圍大.第4類相比第5類致?lián)p指數(shù)更低，是由于第4類場景既有直行又有轉彎交通信號燈；

圖7 典型場景致?lián)p、復雜度及風險指數(shù)箱線圖

就復雜度而言，第2類復雜度指數(shù)中位數(shù)最高，場景最復雜，第1類復雜度指數(shù)中位數(shù)略高于第3類，同時第3類場景復雜度大于第5類.第4類場景復雜度指數(shù)最低，第6類場景復雜度高于第4類場景.

5.2 典型場景風險評價

開展基于車-車事故場景風險評價研究要從事故致?lián)p程度和場景復雜度兩方面考慮.本文基于事故場景致?lián)p模型和復雜度模型進行風險評估，則場景綜合風險P如下：

P=C·log10(Z)

(11)

式中，Z為事故致?lián)p指數(shù)；C為道路場景的復雜度指數(shù).

6類典型場景綜合風險分布如圖7所示，第4類的風險指數(shù)值大多小于12.1，第5、6類的風險指數(shù)值大多小于14.1，第1、2類風險指數(shù)都大于14.1.因此，第1、2類屬于高風險場景，第3類次之；第5、6類是中風險場景；第4類為低風險場景.

如圖10所示，案例風險指數(shù)分布并不均勻，是由于NAIS案例采集需滿足一定的損傷要求，故本文采用的案例有一定局限性.若將風險指數(shù)等量分割，無法確定數(shù)據(jù)間的緊密程度，對閾值的界定沒有明確依據(jù)，會使風險等級分布很不合理.因此，采用K-means聚類對其分類，將樣本間距離最緊密的數(shù)據(jù)劃分為1個數(shù)據(jù)集，使數(shù)據(jù)間形成明顯的閾值界限.

最終將案例風險指數(shù)分為4個簇，從小到大依次為：一級、二級、三級、四級，如表3所示.

每類場景風險指數(shù)存在差異且取值范圍有所不同，為此取中位數(shù)和平均值來表征每類場景的風險指數(shù)，結合表3得到其典型場景風險等級如表4所示.

表3 場景風險等級劃分表

表4 典型場景風險等級及描述

場景1、2的風險程度最高但事故率低，因其造成的后果嚴重，對此類事故應引起重視；場景4風險程度最低但占比最高，同樣不容忽視.其余類型場景風險程度和事故率有一定差異也需持續(xù)關注.

6 結束語

1)分析并篩選事故場景要素，在此基礎之上對NAIS數(shù)據(jù)庫中車-車事故場景進行聚類分析，得到6類典型事故場景.

2)根據(jù)事故造成的后果構建了乘員傷亡模型和車輛損失模型，將乘員傷亡和車輛損失加權得到事故致?lián)p指數(shù).

3)基于信息熵理論，結合靜態(tài)復雜度和動態(tài)復雜度要素建立場景綜合復雜度評價模型.

4)構建事故場景風險綜合評價模型，將風險指數(shù)進行等級劃分，風險等級由低到高分別為一級、二級、三級、四級.