基于真實事故案例的自動緊急制動系統兩輪車測試場景研究*

胡 林，易 平，黃 晶，張 新，雷正保

（1.長沙理工大學汽車與機械工程學院，長沙 410114；2.長沙理工大學，工程車輛安全性設計與可靠性技術湖南省重點實驗室，長沙 410114；3.湖南大學，汽車車身先進設計制造國家重點實驗室，長沙 410082）

前言

隨著汽車數量的不斷增長，交通事故也隨之增多。每年，全球約有120萬人死于交通事故。在我國道路交通中，每年發生的交通事故約50萬起，死亡人數超過10萬人，居世界第一［1］。據國家統計局統計，2016年我國共發生摩托車道路交通事故43 196起，造成52 528人受傷，11 235人死亡；發生非機動車道路交通事故17 747起，造成19 678人受傷，2 968人死亡；其中，發生自行車道路交通事故1 460起，造成1 337人受傷，341人死亡［2］。為此，提高汽車安全性能，減少交通事故或減輕交通事故，尤其是兩輪車道路交通事故所造成的傷害，成為全社會所關注的焦點。

自動緊急制動（AEB）系統作為一項重要的汽車主動安全技術［3］，必然會成為提高汽車安全性能的技術之一。AEB系統檢測并識別車輛前方的潛在危險情況，并在緊急情況下協助制動或自動緊急制動［4］。2014年，Euro NCAP正式將AEB系統納入新車評價規程［5-6］。2016年，中國新車評價規程 CNCAP完成了AEB系統測試評估方法的規程制定［7］，2018年，AEB系統測試正式納入新車評價規程，其中包括AEB針對追尾碰撞和行人保護兩方面的性能評價［8-11］。在AEB系統測試中，測試場景必須與實際道路交通事故場景相對應［12］。因此，采用真實的汽車與兩輪車交通事故場景用于AEB兩輪車系統測試的測試場景是必要的。

目前，各國對AEB系統測試場景的研究主要集中在車- 車工況和車- 人工況，對汽車與兩輪車工況鮮有研究［13-16］。劉穎等人以我國實際道路交通事故工況作為數據來源，通過聚類分析方法分析實際道路交通事故數據，得到5種典型的事故場景，并據此設計了適用于我國道路交通狀況的AEB行人系統測試場景［17］。朱西產和李霖等人對上海地區真實交通中的自然行駛工況進行視頻采集、篩選，通過聚類分析和卡方檢驗得到了7類典型的兩輪車交通事故危險場景［12］。江麗君和劉軍勇等人根據車輛運動和兩輪車相對車輛運動，將事故場景分為72類，并根據各類場景的事故數量和受重傷比例，確定了6類典型的事故場景［18］。詹姆斯·列納德等人利用聚類分析法分析了英國兩個大型數據庫中的案例，最終確定6類典型的事故場景，并選取其中最為常見的一類作為AEB行人系統測試的主要場景［19］。為進一步開發 Cyclist-AEB系統的測試系統，2014年，TNO啟動了 CATS（Cyclist-AEB testing system）項目［20］。該項目根據歐盟國家有關兩輪車事故場景測試結果的分析，提出了Cyclist-AEB系統的測試設置和測試協議［21］。2018年，Euro NCAP將Cyclist-AEB系統納入主動安全評估系統中［22］。

由于國內的駕駛環境和駕駛員的駕駛習慣與國外存在差異，國內關于AEB兩輪車系統的研究，還缺乏完善的、考慮具有中國特色的交通事故環境的測試場景［23-24］。因此，本文中對采集的實際交通事故數據進行篩選和分類，并利用聚類分析獲得汽車與兩輪車碰撞的典型事故場景，通過對兩輪車運動狀態、汽車車速和兩輪車車速3個參數進行事故傷亡程度分析，結合事故樣本數，確定每類事故場景的詳細參數特征，設計了 AEB兩輪車系統的測試場景。

1 汽車與兩輪車碰撞事故的數據來源與統計學分析

從2011年至2017年，本課題組已采集3 000多起我國道路交通事故，區域覆蓋威海、寧波、長春、北京、佛山和成都6個城市［25］。根據事故現場信息，利用奧地利PC-Crash交通事故重建軟件進行事故全過程的還原，得到包含事故中汽車車速和兩輪車車速等較為完備的事故信息。本文中從項目數據庫中調取了2012-2016年的事故案例，并對其中793起汽車與兩輪車碰撞的事故案例進行了事故重建［26-29］。由于AEB系統是在FCW（forward collision warning）系統工作的基礎上和制動系統緊密協作實現的，它只針對前方碰撞危險工況進行預警并輔助駕駛員制動；同時，考慮到我國實際交通環境，提出了以下案例選取的要求：

（1）兩輪車包含自行車、電動兩輪車和摩托車；

（2）汽車僅包含轎車、客車和SUV；

（3）碰撞類型為正面碰撞；

（4）排除車輛靜止或倒車案例；

（5）排除停車場案例。

通過篩選，最終選取了469起汽車與兩輪車碰撞事故作為研究對象，采集碰撞發生前的數據，從兩輪車、汽車、道路和環境等因素對事故進行分析。469起事故中，汽車直行占64%，汽車轉向占31%，其它特殊的汽車運動狀態占5%。本文中兩輪車運動狀態都是指兩輪車相對于汽車的運動狀態。兩輪車運動狀態中，從左至右行駛占26%，從右至左行駛占25%，對向有車占20%，同向有車占17%，逆行占6%，其它特殊的運動狀態占6%。由于汽車與兩輪車碰撞事故場景的多元化和復雜化，本文中排除其它特殊運動狀態的事故案例，對剩余的419起汽車與兩輪車碰撞事故案例進行統計分析，為建立適用于我國道路交通環境的AEB兩輪車系統測試場景提供參考依據。

2 汽車與兩輪車碰撞事故的典型場景提取

2.1 事故場景聚類分析

本文中采用層次聚類法［30］對汽車與兩輪車碰撞事故的典型場景進行提取，既可避免分析人員的主觀意識對場景分類結果的影響，且具有很強的可重復性［31］。

汽車- 兩輪車事故場景中參數較多，但本文的目的是分析事故發生前的場景，提取適用于AEB兩輪車系統測試的測試場景。為適用于AEB系統的測試，選取如表1所示的8個參數進行分析。

在層次聚類分析中，距離計算可分為變量間距離計算、樣本間距離計算和類之間的距離計算［32］，分述如下。

（1）變量之間距離的計算

變量類型有名義尺度變量和連續變量。為了便于后續的聚類分析，將8個參數設置為名義尺度變量。名義尺度變量是指沒有數值關系，但具有類別之分的變量。將每個變量都采用數值表示，最終得到這8個變量的取值，如表1所示。變量取值相同時，變量之間距離為0；變量取值不同時，變量之間距離為1。如兩輪車運動狀態中，“從左至右行駛”和“對向有車”兩參數特征取值分別為1和4，雖然數值差異為3，但是變量之間的距離為1。

表1 汽車- 兩輪車事故的場景參數與參數特征

（2）樣本之間距離的計算

本文中采用歐氏距離來計算樣本之間的距離。首先，將n個事故樣本看成n個類，每個類包含一個樣本，每個樣本有m個樣本變量。在下面的聚類過程中，將每個樣本用包含m個變量的向量來表示：

式中Xij為第i個樣本中第j個樣本變量的度量值。則第i個樣本與第p個樣本之間的距離為

（3）類之間距離的計算

在實際應用中，華德法的分類效果較好，應用也較廣泛，故本文中選用華德法進行類之間距離的計算［33］。具體做法：首先計算每個類的類內樣本離差平方和，然后每次縮小一類，每縮小一類，離差平方和就要增大，選擇使離差平方和增加最小的兩個類合并，直到聚類到所需要的類的數量為止。

設類GL中有nL個樣本，XiL為類GL中的第i個樣本，則類GL的類內樣本離差平方和為

如果類GL和類GR合并為新類GK，同上計算，類內樣本離差平方和分別為SL，SR，SK，它們反映了各自類內樣本的離散程度。如果類GL和類GR相距較近，則合并后所增加的離差平方和SK-SL-SR應較小；否則，應較大。于是定義類GL和類GR之間的平方距離為

2.2 典型汽車- 兩輪車事故場景提取

本文中利用SPSS軟件進行聚類分析，最終得到的結果如表2所示。可以看出，第5，7，12和14類場景中兩輪車運動狀態特征、兩輪車車速特征和汽車車速特征不明顯，無法提取特定的碰撞事故場景，因此，本文中不對這4類場景做進一步的分析。除這4類場景外，其它場景占總樣本的80.9%。從表2可知，大部分事故發生在照明好的情況下，約占總樣本的3／4；發生在路口的事故較為突出，約占總樣本的4／5；汽車直行事故約占總樣本的3／5；在大部分事故中，僅46起事故的駕駛員視野被遮擋，障礙物可能是汽車車身、其它車輛或道路旁的建筑。

通過分析聚類結果總結出各類場景的詳細參數特征，如表3所示。從表3可知，各類場景的兩輪車運動狀態特征、兩輪車車速特征和汽車車速特征覆蓋范圍廣，導致場景與場景之間的重疊率大。例如，除第2類場景外，其它場景的兩輪車運動狀態特征都包含2種或2種以上；各類場景的兩輪車車速特征和汽車車速特征涵蓋了約3個速度段。這樣的事故場景不具有典型性，且會給后續AEB兩輪車系統測試場景的設計帶來困難。為解決這些問題，本文中將對各類場景中兩輪車不同的運動狀態、不同汽車車速和不同兩輪車車速進行事故傷亡程度的分析，并結合各參數特征下的事故樣本數量，準確地選取每類場景中汽車車速、兩輪車車速和兩輪車運動狀態的參數特征。

3 汽車與兩輪車碰撞事故場景的參數分析

本文中根據事故傷亡程度對聚類分析得出的11類典型事故場景做進一步的分析。將事故傷亡程度劃分為 3個等級：輕微（AIS1-AIS2）、嚴重（AIS3-AIS5）和致命（AIS6）。本文中事故傷亡程度包括汽車駕駛員、乘員和騎車人的傷亡程度。

在兩輪車不同的運動狀態、不同汽車車速或不同兩輪車車速下，事故傷亡“嚴重”或“致命”的樣本越多，說明事故傷亡越嚴重；事故傷亡越嚴重，且事故樣本越多，說明該參數特征在此類場景中越典型。同時，在某類場景中，若某參數特征下的事故樣本數量大于該場景中事故傷亡嚴重的參數特征下的事故樣本數量，則該參數特征在此類場景中也較典型。因此，在兩輪車不同的運動狀態、不同汽車車速或不同兩輪車車速下，根據事故傷亡程度和事故樣本數量，選取事故傷亡程度“嚴重”和“致命”樣本較多的和事故總樣本大于事故傷亡嚴重的參數特征下的樣本數量的參數特征作為相應場景對應參數的參數特征。

各類場景中兩輪車不同的運動狀態、不同汽車車速或不同兩輪車車速下的事故傷亡程度分別如表4～表6所示。表格中加粗部分表示在某類場景中，事故傷亡程度為“嚴重”或“致命”樣本較多的占比。

（1）兩輪車運動狀態的確定

從表4可知，在第1類場景中，兩輪車“從右至左行駛”的事故樣本數量大于兩輪車“從左至右行駛”的事故樣本數量，但事故傷亡“嚴重”的樣本最多的卻是兩輪車“從左至右行駛”。因此，第1類場景中兩輪車運動狀態選取“從左至右行駛”和“從右至左行駛”。除第13類場景外，其它各類場景中的兩輪車運動狀態特征皆可根據上述標準提取。在第13類場景中，根據上述標準可選出“從右至左行駛”和“對向有車”作為該類場景的兩輪車運動狀態特征，但“對向有車”的事故樣本占比為8.1%，意味著在第13類場景下發生10起事故，其中“對向有車”事故不到1起，因此，“對向有車”不能作為該場景的典型兩輪車運動狀態特征。

表2 聚類分析樣本數量分布結果

表3 各類典型事故場景的參數特征

（2）兩輪車車速的確定

從表5可知，各類場景中的兩輪車車速特征皆可根據上述標準提取。例如，在第8類場景中，兩輪車車速在40-50km／h時，事故傷亡最為嚴重，“嚴重”的樣本占第8類場景總樣本的11.76%；兩輪車車速在30-40km／h時，事故樣本占該場景總樣本的47.06%，但該速度段的事故樣本數量并未大于“40-50km／h”速度段的事故樣本數量，因此，第8類場景選“40-50km／h”速度段作為兩輪車車速特征。同理，在第3類場景中，兩輪車車速在20-30km／h時，事故傷亡最為嚴重；兩輪車車速在10-20km／h時，事故樣本數量較多，但并未大于“20-30km／h”速度段的事故樣本數量，因此，選“20-30km／h”速度段作為第3類場景的兩輪車車速特征。

（3）汽車車速的確定

從表6可知，除第6，9和13類場景外，其它各類場景的汽車車速特征皆可根據上述標準提取。在第6類場景中，根據上述標準可選取出“20-30km／h”，“30-40km／h”和“＞60km／h”作為該類場景的汽車車速特征，但是，“30-40km／h”的事故樣本占比為6.66%，意味著在第6類場景下發生10起事故，其中“30-40km／h”事故不到 1起，因此，“30-40km／h”不能作為該場景的典型汽車車速特征。同理，第9類場景中的“40-50km／h”和第13類場景中的“50-60km／h”都不能作為該場景的典型汽車車速特征。

根據上述標準確定了各場景中典型的兩輪車運動狀態、兩輪車車速和汽車車速，最終得到各類場景中典型的參數特征，如表7所示。

4 AEB系統兩輪車測試場景的設計

本文中將最常見的事故場景用于定義AEB系統兩輪車測試的主要測試場景，而其它次要測試場景主要考慮某些與主要測試場景不同的參數特征。在次要測試場景中，部分參數特征與主要測試場景相似，不相似的參數特征在主要測試場景的基礎上進行變化。

主要測試場景設計為在照明良好的情況下，一輛汽車直行通過路口的場景。從表7可知，第1，8，11和15類事故場景皆為此類場景。在主要測試場景的基礎上，第1個變化是汽車直行改為轉向的第3類和第4類事故場景。第2個變化是基于第2類事故場景，照明變為不好時一輛轎車在路口轉向的場景。第3個變化是基于第9類事故場景，照明變為不好的情況。第4個變化是基于第6類事故場景，從汽車駕駛員的角度看兩輪車被遮擋的情況。第5個變化是基于發生在平直道路上的第10類和第13類事故場景，將道路特征由路口變為非路口。通過5種變化，得出如表8所示的5類次要測試場景。

表4 兩輪車在不同運動狀態下的事故傷亡程度

表5 兩輪車在不同車速下的事故傷亡程度

表6 汽車在不同車速下的事故傷亡程度

表7 進行事故傷亡程度分析后各類典型事故場景的參數特征

表8 AEB兩輪車系統的測試場景

從表7中觀察，各類事故場景的兩輪車的類型、運動狀態與車速和汽車車速差異較大。為給出測試場景中兩輪車類型、兩輪車運動狀態、兩輪車車速和汽車車速4類參數的特征，結合表7的事故場景，針對每類測試場景，設計出不同兩輪車的類型、運動狀態與車速和相對應的汽車車速。總結每類測試場景中汽車- 電動兩輪車碰撞、汽車 摩托車碰撞和汽車自行車碰撞的具體測試場景參數特征分別如表9～表11所示。

5 討論

AEB系統作為主動安全技術之一，必須通過真實道路交通事故數據的不斷積累，進一步提高系統測試的實際應用價值。本課題組的事故數據都是經過專業事故調查人員現場調查得到，事故調查組對事故現場進行測量，繪制事故現場草圖，采集事故環境和事故車輛的具體信息，并根據受害者的臨床報告收集受害人的損傷信息，可確保整體事故數據不受區域的影響，確保事故現場評估的準確性。事故場景通過聚類分析方法得出，場景參數特征的提取均有相應的篩選標準，確保了結果的客觀性。

汽車與兩輪車碰撞事故不同于汽車與汽車碰撞事故，也不同于汽車與行人碰撞事故，其場景參數更多元，兩輪車運動狀態更復雜。通過聚類分析獲得的事故場景中，每類場景的汽車車速和兩輪車的車速與運動狀態較復雜，不具有典型性。為使事故場景更典型，本文中對汽車車速、兩輪車車速和兩輪車運動狀態3個復雜參數進行了事故傷亡程度分析，結果選取了事故傷亡程度“嚴重”與“致命”樣本較多的和事故總樣本數大于事故傷亡嚴重的參數特征下的樣本數的參數特征作為相應場景對應參數的參數特征。例如，聚類結果分析后，第4類場景中，汽車車速、兩輪車車速和兩輪車運動狀態3個復雜參數的特征分別選取為“0-40km／h”，“10-30km／h”和“對向有車與同向有車”。通過事故傷亡程度分析，將汽車車速、兩輪車車速和兩輪車運動狀態3個復雜參數的特征分別選取為“20-40km／h”，“20-30km／h”和“對向有車”，使事故場景更加典型。

表9 汽車- 電動兩輪車碰撞的系統測試場景

表10 汽車 -摩托車碰撞的系統測試場景

表11 汽車- 自行車碰撞的系統測試場景

AEB兩輪車系統測試需要考慮的不僅僅是事故數據和事故場景，還有測試場景的設計。AEB兩輪車系統測試場景的設計過程不是機械的計算過程。首先，定義一個具有最大樣本量的事故場景作為主要測試場景，然后，通過變換場景參數特征考慮不常見的事故條件，這會比指定一套完整的新的測試條件更適合于AEB兩輪車系統測試。選取所有事故中最常見的事故場景作為主要測試場景的方案，恰好與這種方法兼容。設計測試場景的目的是說明一種與事故場景結合的方法，同時，產生一組合適的測試場景。從測試的角度看，變換場景參數特征的順序是以最簡便的測試順序為依據進行變化。下面詳細說明以此方法設計測試場景的原因。

在所有事故場景中，第1類相對較多，包含51例事故，占12.17%。主要測試場景的特征明確指出：照明情況、道路特征、汽車運動狀態和駕駛員視野。第1個問題是汽車直行或轉向。轉向事故143例，占34%。這個占比較大，不能忽視。第2個問題是照明條件，第2類和第9類事故場景恰好提供了照明不好的場景。天氣晴朗的白天照明情況好，而在雨、霧、雪等惡劣天氣條件下或在夜晚照明情況都不好。在AEB兩輪車系統測試中，難以實現諸如雨、霧和雪等惡劣天氣條件，是否可以夜晚作為測試條件完成所有照明不好的場景測試，這一問題值得商榷。第5類測試場景代表了汽車駕駛員視野被遮擋這一特殊的事故形態。第6類測試場景主要測試事故發生在非路口時AEB兩輪車系統的有效性。

不同兩輪車類型對事故傷亡程度有一定的影響，因此，在AEB兩輪車系統測試中，應該為電動兩輪車、摩托車和自行車分別設計不同的兩輪車模型，進行碰撞測試。在設計AEB兩輪車系統測試場景時，每類測試場景都分別列出不同兩輪車類型的測試。

6 結論

本文中對課題組數據庫中兩輪車事故案例進行篩選、分類，利用SPSS軟件進行聚類分析，獲得11類典型的汽車與兩輪車事故場景。在選取參數特征時，發現汽車車速和兩輪車的車速與運動狀態的參數特征較復雜，無法準確選取每類場景中的上述參數特征。因此，本文中根據事故傷亡程度和各類場景中兩輪車的不同運動狀態、不同汽車車速和不同兩輪車車速的事故樣本數，準確地選取每類場景中汽車車速、兩輪車車速和兩輪車運動狀態的參數特征，得出11類典型的汽車與兩輪車事故場景的詳細描述。最后，將最常見的事故場景用于定義AEB兩輪車系統測試的主要測試場景，其它次要測試場景在主要測試場景的基礎上進行變化。主要測試場景設計為：一輛汽車在照明良好的情況下直行通過路口，通過變換照明情況、道路特征、汽車運動狀態和駕駛員視野，得到5類次要測試場景，并在每類測試場景中都分別列出不同兩輪車類型的測試。

由于我國的兩輪車事故情況較國外更復雜、更多元化，因此，針對我國汽車與兩輪車碰撞事故案例典型事故場景的研究對開發我國特殊場景的主動安全系統測試具有重要的參考意義。本文中將最常見的事故用于定義主要測試場景，并以最簡便的測試順序為依據變換參數特征。這種既不是機械的算法計算，也不是多個場景單次測試的方法，兼顧了最小測試次數與最多事故場景之間的矛盾，使之達到一種平衡。本文中設計的測試場景客觀真實，為未來AEB系統兩輪車測試提供依據。