基于事故數(shù)據(jù)的智能汽車安全測試場景研究

黃妙華，王思楚

（1.武漢理工大學(xué)現(xiàn)代汽車零部件技術(shù)湖北省重點實驗室，湖北 武漢 430070；2.汽車零部件技術(shù)湖北省協(xié)同創(chuàng)新中心，湖北 武漢 430070；3.武漢理工大學(xué)汽車工程學(xué)院，湖北 武漢 430070）

1 引言

隨著計算機(jī)技術(shù)的發(fā)展，智能汽車自動駕駛技術(shù)成為近年汽車廠家研究的重點。由于交通事故給人們造成了許多生命和財產(chǎn)損失，安全問題是無人駕駛技術(shù)發(fā)展的要點之一。為了評價自動駕駛系統(tǒng)的功能，各國政府和汽車企業(yè)正在加緊研究和開發(fā)智能汽車場地測試方法[1]。歐盟和我國的汽車檢測機(jī)構(gòu)都發(fā)布過關(guān)于汽車自動緊急制動系統(tǒng)的車輛追尾和行人碰撞測試條例，我國智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)創(chuàng)新聯(lián)盟也于2018年發(fā)布了智能網(wǎng)聯(lián)汽車自動駕駛功能測試規(guī)程[2]。目前大多數(shù)測試條例和規(guī)程對測試道路的要求為平坦、干燥的瀝青或混凝土路面，對自然環(huán)境的要求為無降雨、降雪、冰雹等惡劣天氣，但包含路面狀況、天氣在內(nèi)的道路條件和自然環(huán)境條件已經(jīng)成為影響汽車安全的重要因素。文獻(xiàn)[3]分析了希臘59316起事故進(jìn)行分析，發(fā)現(xiàn)良好的天氣條件和夜間事故會增加事故的嚴(yán)重性。

文獻(xiàn)[4]研究了道路條件對車輛事故嚴(yán)重性的影響，發(fā)現(xiàn)在當(dāng)?shù)缆窏l件不清、結(jié)冰和下雪天氣條件下，車禍的嚴(yán)重性顯著增加。現(xiàn)階段大多數(shù)測試標(biāo)準(zhǔn)僅考慮車輛與行人的速度與位置，缺乏對測試場景環(huán)境的針對性規(guī)定，缺乏對容易引起事故的交通條件和環(huán)境因素的考慮。要考慮測試標(biāo)準(zhǔn)中的交通條件和環(huán)境因素的常用方法是從真實事故數(shù)據(jù)中發(fā)現(xiàn)規(guī)律。文獻(xiàn)[5]收集了國內(nèi)六個城市車與兩輪車相撞的事故數(shù)據(jù)，設(shè)計了考慮到照明情況、道路特征、汽車運動狀態(tài)和視野的自動緊急制動系統(tǒng)兩輪車測試場景；文獻(xiàn)[1]考慮到了照明條件、道路特征、汽車運動狀態(tài)和視野的，通過聚類方法建立了危險場景庫；文獻(xiàn)[6]針對與行人相關(guān)的交通事故，建立了考慮到光線條件、行人身高、行人狀態(tài)、視野和天氣的自動緊急制動系統(tǒng)測試場景。目前國內(nèi)外研究主要集中在自動緊急制動系統(tǒng)，缺少對完整自動駕駛功能的測試場景研究，并且測試場景的設(shè)計較為簡單，缺少對路面條件，天氣條件以及各種位于道路中間的障礙物的考慮。

這里利用汽車事故數(shù)據(jù)，分析交通環(huán)境和自然環(huán)境中與交通事故嚴(yán)重性關(guān)系密切的因素，并提取其中典型條件，結(jié)合我國現(xiàn)有的汽車自動駕駛功能測試規(guī)程，建立考慮到環(huán)境對車輛事故嚴(yán)重性影響的汽車自動駕駛功能測試場景，為智能網(wǎng)聯(lián)汽車自動駕駛功能的檢測提供參考。

2 數(shù)據(jù)來源

這里所使用得數(shù)據(jù)為英國交通部所記錄并公開的2017年英國交通事故情況、涉及的車輛類型和相應(yīng)傷亡情況的詳細(xì)數(shù)據(jù)。數(shù)據(jù)只包含了發(fā)生在公共道路上的人身傷害事故，事故發(fā)生后由警方進(jìn)行記錄并匯總。數(shù)據(jù)不包括沒有人員傷亡或發(fā)生在私人道路和私人停車場的事故。

該數(shù)據(jù)數(shù)據(jù)項較多，事故現(xiàn)場交通條件和自然環(huán)境的記錄較為詳細(xì)和完整，對我國汽車主動安全系統(tǒng)測試場景的設(shè)計具有參考借鑒意義。從中選取一部分與交通條件和自然環(huán)境有關(guān)的數(shù)據(jù)，包含項目名稱，如表1所示。

表1 事故記錄項目Tab.1 Accident Recording Items

記錄中的事故共129982起，其中轎車事故共97654起。轎車事故中致命的事故為1084起，占事故總數(shù)的1.11%，嚴(yán)重的事故為15253 起，占比15.62%，輕微的事故為81317 起，占比83.27%。

3 交通事故關(guān)聯(lián)規(guī)則的提取

3.1 關(guān)聯(lián)規(guī)則挖掘算法的改進(jìn)

3.1.1 Apriori算法介紹

Apriori是常見的用于挖掘數(shù)據(jù)關(guān)聯(lián)規(guī)則的算法，用于找出數(shù)據(jù)值中頻繁出現(xiàn)的數(shù)據(jù)集合，從這些找出的數(shù)據(jù)集合中我們能直觀地獲取有用的信息[7]。該算法中涉及到頻繁項集，支持度（support），置信度（confidence），提升度（lift）4個概念。

（1）頻繁項集：指經(jīng)常同時出現(xiàn)的數(shù)據(jù)項的集合，包含K個項的頻繁項集合就稱為頻繁K項集。

（2）支持度：指事件發(fā)生的概率，公式如下：

式中：P（XY）—XY同時發(fā)生的概率；count（X，Y）—X和Y同時出現(xiàn)的次數(shù)；count（All）—所有事件的總數(shù)。

（3）置信度：指在滿足一個事件發(fā)生的前提下另一個事件發(fā)生的概率，公式如下：

（4）提升度：指在發(fā)生一件事的條件下，同時發(fā)生另一件事的概率，與另一件事發(fā)生的概率之比。當(dāng)提升仍度大于1的時候，兩件事的關(guān)聯(lián)規(guī)則是正相關(guān)，當(dāng)提升度小于1時，兩件事的關(guān)聯(lián)規(guī)則為負(fù)相關(guān)，公式如下：

Apriori算法的步驟如下[8]：

（1）掃描數(shù)據(jù)庫，對每個數(shù)據(jù)項進(jìn)行計數(shù)，得出1候選項集，這時K=1。

（2）由定義的最小支持度從K候選項集中篩選得出頻繁K項集。

（3）由K頻繁項集進(jìn)行連接，得出K+1 候選項集，掃描數(shù)據(jù)庫，根據(jù)設(shè)定的最小支持度由K+1 候選項集進(jìn)行剪枝得出頻繁K+1項集。

（4）重復(fù)（2）（3）步驟直到K+1頻繁項集為空時算法結(jié)束。

3.1.2 Apriori算法的改進(jìn)

使用Apriori算法提取轎車交通事故的關(guān)聯(lián)規(guī)則存在不足之處。在實際行車中，大部分時間的天氣都是晴天，路面大部分時間處于干燥狀態(tài)，所以在這類常見條件下發(fā)生的事故數(shù)量也較多，由“晴天無大風(fēng)”、“路面干燥”等項組合成的頻繁項集支持度也就較大，表示這類常見條件的項也就較容易被關(guān)聯(lián)算法提取，從而在頻繁項集中反復(fù)出現(xiàn)，而另一些表示較不頻繁條件的項則難以在頻繁項集中出現(xiàn)。因此僅使用Apriori算法進(jìn)行關(guān)聯(lián)規(guī)則挖掘容易得出錯誤的結(jié)論，例如由關(guān)聯(lián)規(guī)則挖掘容易得到白色汽車更容易發(fā)生事故的結(jié)論[9]，與以往的科學(xué)研究結(jié)論[10]相反。

現(xiàn)階段針對這一問題的研究較少，文獻(xiàn)[11]提出采用獨立性檢驗的方法，分析項之間的獨立性從而判斷事務(wù)之間是否存在關(guān)聯(lián)，然后去除不存在關(guān)聯(lián)的事務(wù)從而一定程度上排除了這種誤導(dǎo)性的關(guān)聯(lián)規(guī)則。但是該方法沒有解決常見條件的項在關(guān)聯(lián)規(guī)則中反復(fù)出現(xiàn)這一問題。

針對上述問題提出改進(jìn)的Apriori算法。由于事故的嚴(yán)重性被分為三個程度：致命的、嚴(yán)重的以及輕微的，針對車輛事故場景提出對嚴(yán)重交通事故發(fā)生的提升度這一指標(biāo)。關(guān)聯(lián)規(guī)則對致命和嚴(yán)重交通事故發(fā)生的提升度即在該關(guān)聯(lián)規(guī)則在事務(wù)集中出現(xiàn)的前提下，嚴(yán)重或致命的事故出現(xiàn)的概率與沒有這個前提下嚴(yán)重或致命事故出現(xiàn)的概率的比值。將事故的嚴(yán)重程度這一屬性加入到事務(wù)集的事務(wù)中，對事故數(shù)據(jù)進(jìn)行頻繁項集的挖掘，在結(jié)果中選取包含事故嚴(yán)重程度為致命或嚴(yán)重的頻繁項集。然后計算除表示嚴(yán)重程度以外的其它項組成的項集對該嚴(yán)重程度的交通事故發(fā)生的提升度。然后按以下規(guī)則對具有包含關(guān)系的頻繁項集進(jìn)行比較，去掉對致命和嚴(yán)重交通事故影響較小的項。設(shè){a，b}項集對嚴(yán)重程度為致命和嚴(yán)重的事故的提升度為lift1而{a，b，c}項集對嚴(yán)重程度為致命和嚴(yán)重的事故的提升度為lift2，若{a，b}?{a，b，c}且lift1大于lift2，則視c為與嚴(yán)重程度關(guān)系不大的項，將{a，b，c}關(guān)聯(lián)規(guī)則從頻繁項集中刪去，只保留{a，b}關(guān)聯(lián)規(guī)則。該方法能對關(guān)聯(lián)規(guī)則進(jìn)行篩除，去掉對致命和嚴(yán)重交通事故影響較小的項。改進(jìn)后算法的主要步驟如下：

（1）選取合適的支持度，使用Apriori 算法產(chǎn)生頻繁項集。

（2）計算頻繁項集中每一項對嚴(yán)重交通事故發(fā)生的提升度，選取合適的提升度閾值，去除提升度在閾值以下的關(guān)聯(lián)規(guī)則。

（3）對具有包含關(guān)系的頻繁項集進(jìn)行比較，去掉對致命和嚴(yán)重交通事故影響較小的項。

（4）輸出最后得出的頻繁項集。

3.2 關(guān)聯(lián)規(guī)則的提取

容易引起不同類型車輛事故的因素不相同，因此典型事故場景也需要根據(jù)不同車型來分別構(gòu)建，這里只對轎車事故數(shù)據(jù)進(jìn)行研究。首先從中篩選出轎車的事故數(shù)據(jù)，然后將篩選后的車輛事故分為三類，第一類為車與車相撞的事故，第二類為車與其它物體相撞的事故，第三類為車僅與行人相撞的事故。

這三類事故的發(fā)生原因和影響因素各不相同，因此需要分開三類分別分析。對每一類事故分別使用改進(jìn)后的Apriori算法進(jìn)行關(guān)聯(lián)規(guī)則挖掘。

經(jīng)過調(diào)試，分別取支持度為0.001，0.01，0.003，使用Apriori算法對頻繁項集進(jìn)行挖掘。經(jīng)過挖掘后的第一類事故關(guān)聯(lián)規(guī)則，如表2所示。第二類事故關(guān)聯(lián)規(guī)則，如表3所示。第三類事故關(guān)聯(lián)規(guī)則，如表4所示。

表2 第一類事故部分關(guān)聯(lián)規(guī)則Tab.2 Part of Association Rules for Class I Accidents

表3 第二類事故部分關(guān)聯(lián)規(guī)則Tab.3 Part of Association Rules for Class II Accidents

表4 第三類事故部分關(guān)聯(lián)規(guī)則Tab.4 Part of Association Rules for Class III Accidents

4 測試場景的構(gòu)建

有相關(guān)規(guī)程將智能汽車安全測試分為14項[2]，其中與道路條件有關(guān)的有11項，包括交通信號燈識別及響應(yīng)、前方車輛行駛狀態(tài)識別及響應(yīng)、障礙物識別及響應(yīng)、行人和非機(jī)動車識別及避讓、跟車行駛、靠路邊停車、超車、并道、交叉路口通行、環(huán)形路口通行。測試場景中的場景一般包括道路環(huán)境要素、其他交通參與者、車輛駕駛?cè)蝿?wù)等因素[12]。構(gòu)建測試場景時，在原規(guī)程標(biāo)準(zhǔn)上將測試項目與關(guān)聯(lián)規(guī)則結(jié)合。

在表2～表4中，出現(xiàn)了許多較少見的元素，說明挖掘關(guān)聯(lián)規(guī)則時兼顧到了常見的項和較不常見但對事故影響較大的項。從中可以看出：（1）不好的光線條件對車輛事故嚴(yán)重程度的影響較大，在容易發(fā)生車與車碰撞的測試時需要考慮無燈的夜晚，而在容易發(fā)生車行人碰撞的測試時應(yīng)考慮有燈的夜晚；（2）車在路面潮濕的條件下進(jìn)行超車容易發(fā)生追尾類型的嚴(yán)重交通事故，車在沒有指揮的路口轉(zhuǎn)彎容易發(fā)生側(cè)面碰撞的事故，且與惡劣天氣關(guān)系不大，而變道或超車時發(fā)生的車輛相撞的嚴(yán)重事故在雨天更容易發(fā)生，因此與追尾事故相關(guān)的測試需要設(shè)置路面潮濕的場景，而超車和變道的測試需要設(shè)置下雨天氣以及路面潮濕的場景；（3）沒有路燈的夜晚、下雨的天氣和潮濕的地面是發(fā)生車輛與路面其他物體碰撞的主要原因，且它們之間關(guān)聯(lián)較大，常在關(guān)聯(lián)規(guī)則中一同出現(xiàn)，因此在障礙物識別響應(yīng)測試時需要考慮這些因素；（4）容易與車輛相撞的物體包括樹，路邊的石頭，柵欄等，車輛撞到樹較容易發(fā)生嚴(yán)重的交通事故，并且主要發(fā)生在遠(yuǎn)離路口的路段，在障礙物識別響應(yīng)測試時需要設(shè)置常見的行道樹作為障礙物；（5）導(dǎo)致人與車輛相撞的嚴(yán)重事故的主要原因是行人在非人行橫道處穿過馬路，且從遠(yuǎn)離駕駛員的道路一側(cè)穿到靠近駕駛員的道路一側(cè)，以及在夜晚有燈的光線條件，人與車輛相撞的嚴(yán)重事故與惡劣天氣和潮濕路面的關(guān)系不大，因此與行人有關(guān)的測試場景需要考慮夜晚有燈的光線條件，而為降低成本不需要設(shè)置有雨天氣和潮濕路面的場景條件。

結(jié)合測試項目與以上分析，構(gòu)建測試場景，如表5所示。

表5 智能汽車安全測試場景Tab.5 Intelligent Vehicle Safety Test Scenario

表5 智能汽車安全測試場景（續(xù)表）Tab.5 Intelligent Vehicle Safety Test Scenario

其中部分測試場景示意圖，如圖1所示。

圖1 部分智能汽車安全測試場景示意圖Fig.1 Intelligent Vehicle Safety Test Scenario

5 結(jié)論

這里對交通事故數(shù)據(jù)進(jìn)行統(tǒng)計學(xué)分析、篩選、分類，將事故分為車與車相撞的事故，車與其它物體相撞的事故，車僅與行人相撞的事故利用改進(jìn)Apriori算法進(jìn)行關(guān)聯(lián)規(guī)則的提取，在提取過程中不僅考慮了常見事件，還考慮了不常見但對交通事故有較大影響的事件，提出了以嚴(yán)重事故發(fā)生為目標(biāo)的提升度來提取關(guān)聯(lián)規(guī)則。最后根據(jù)提取出的關(guān)聯(lián)規(guī)則結(jié)合已有的標(biāo)準(zhǔn)建立了新的智能汽車安全測試場景，對于開發(fā)和完善我國智能汽車的場景測試方法具有重要意義。在未來的研究中可考慮更詳細(xì)的交通條件和環(huán)境因素，并針對不同類型車輛的事故分別分析，完善測試場景的構(gòu)建，為智能汽車設(shè)計和測試提供參考。