乘用車與兩輪車事故特征分析和目標識別因素研究

張立存 苗強 耿冬冬

（沃爾沃汽車技術（上海）有限公司，上海 201800）

主題詞：兩輪車事故 中國交通事故深入研究 自動緊急制動 視場角

1 前言

根據(jù)中國交通事故深入研究（China In-Depth Acci?dent Study，CIDAS）的統(tǒng)計結果[1]，2011～2017 年，乘用車與兩輪車事故占所有交通事故數(shù)量的57.6%，成為我國數(shù)量最高的交通事故形態(tài)。自動緊急制動（Automatic Emergency Braking，AEB）系統(tǒng)可大幅降低汽車碰撞事故的發(fā)生概率[2]，而如何避免與兩輪車，尤其是電動兩輪車的碰撞將成為下一代AEB系統(tǒng)開發(fā)的重要內(nèi)容。

事故場景[3]是汽車功能安全開發(fā)的前提和功能驗證的基礎。國外針對乘用車與兩輪車事故開展了諸多研究：FP7 AsPeCSS（Assessment methodologies for forward looking integrated Pedestrian and further extension to Cyclist Safety Systems）項目研究了英國乘用車與兩輪車事故特征，發(fā)現(xiàn)汽車與自行車同向及汽車轉(zhuǎn)向時事故較多[4]；CATS（Cyclist-AEB Testing System）項目以CARE（Community database on Accidents on the Roads in Europe）數(shù)據(jù)庫為基礎，提取出10 種典型事故場景[5]。由于各國交通狀況存在差異，我國研究人員也針對中國乘用車與兩輪車事故進行了研究：陳強[6]等基于2011～2015 年的CIDAS 數(shù)據(jù)，對乘用車與兩輪車事故特征進行了總結；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典型場景分布；胡林[8]等基于邏輯回歸方法，得出質(zhì)量比、保險杠高度、保險杠寬度與乘員損傷程度的關系。

本文對CIDAS真實事故總體信息及相關要素進行分析，并基于事故分類方法，確定事故類型的分布，提取出事故率最高的5種事故類型，重點分析乘用車與兩輪車事故的速度分布特征，并建立碰撞時間（Time to Collision，TTC）為1 s時兩輪車與乘用車相對位置分布圖，研究該時刻視場角（Field-of-View，F(xiàn)OV）變化所能覆蓋的事故數(shù)量，為用于兩輪車事故防護的乘用車安全系統(tǒng)開發(fā)提供參考，并為該類安全系統(tǒng)功能測試提供測試場景。

2 研究方法

2.1 數(shù)據(jù)來源及數(shù)據(jù)處理方法

CIDAS 綜合考慮氣候、地理地貌、交通特點等因素，從2011年起，主要采集沈陽、北京、威海、成都、廣州5 個城市的交通事故詳細信息，每年采集接近800 個事故數(shù)據(jù)樣本，為汽車安全領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)進行乘用車對兩輪車事故（本文簡稱兩輪車事故）篩選，篩選條件為：事故參與的乘用車為轎車（Sedan）、SUV 以及MPV；至少有1 人受傷；事故參與的兩輪車為普通自行車（完全由人力驅(qū)動的兩輪車）、電動自行車（由電動機驅(qū)動的兩輪車）、摩托車（通過內(nèi)燃機驅(qū)動的兩輪車）。基于以上條件，本文從CIDAS 數(shù)據(jù)庫中共提取出745 起事故。同時，由于CIDAS 事故數(shù)據(jù)種類繁多，不利于有效分析和總結，因此本文將CIDAS事故數(shù)據(jù)類型通過自行開發(fā)的程序轉(zhuǎn)換為約定的事故類型描述[9]。

2.2 事故場景分類

本文采用現(xiàn)有約定事故分類方法，部分事故形態(tài)如表1 所示，設置左轉(zhuǎn)、右轉(zhuǎn)的類型代號分別為LT（Left Turn）、RT（Right Turn），騎行人與乘用車同向行駛、對向行駛的類型代號分別為SD（Same Direction）、OD（Oppo?site Direction），騎行人從右側(cè)橫穿的類型代號為SCPcr（Straight Crossing Path,cyclist from right）。

表1 部分事故類型描述

3 兩輪車事故特征分析

3.1 兩輪車事故總體信息

提取的兩輪車事故中，電動車事故、摩托車事故和普通自行車事故占比分別為53.76%、38.04%和8.20%。事故發(fā)生時間的總體分布如圖1所示，為統(tǒng)計方便，0時代表時間段0：00～1：00，其他時間段依次類推。大多數(shù)兩輪車事故發(fā)生于白天，8：00～20：00時間段內(nèi)發(fā)生的事故占比為77.81%，其中，發(fā)生事故最多的時間段是5：00～7：00，其次是11：00～13：00，原因可能為此時間段道路車流量較大，因此事故發(fā)生率較高；22：00～6：00 時間段內(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)生時間的總體分布

3.2 兩輪車事故類型分布及其速度特征

本文將745起事故按事故類型分類，如圖2所示，其中Oncoming為對面來車場景。由圖2可知，前9種事故類型共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 兩輪車事故的整體分布

3 種類型的兩輪車構成的事故場景分布情況如圖3 所示，由圖3 可知，普通自行車、電動自行車、摩托車發(fā)生事故最多的類型分別為SD、SCPcl 和LT/OD 類型。從整體上看，3 種兩輪車發(fā)生頻率較高的事故類型差別較小，且各車型在不同事故類型中的分布趨勢類似。

本文重點研究事故率最高的5 種事故類型的速度特征。如圖4所示，自行車、電動自行車、摩托車與乘用車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種類型兩輪車在碰撞時刻的速度與碰撞前的速度幾乎相同，可知兩輪車駕乘人在整個事故過程中幾乎未進行制動。

圖3 3種兩輪車事故的場景分布

圖4 兩輪車與車輛碰撞前后速度分布

而乘用車與自行車、電動自行車、摩托車的碰撞前平均速度分別為35～40 km/h、30～35 km/h 和33～45 km/h?？傮w上僅有31%的乘用車存在減速情況，且電動自行車較多是符合中國道路交通現(xiàn)狀的特征，而目前的AEB系統(tǒng)缺乏準確識別電動自行車的能力，所以有必要開發(fā)一種除摩托車和普通自行車之外，還能識別電動自行車的AEB 系統(tǒng)?；谏鲜龇治?，該AEB 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)揮最大制動性能，相對速度為30 km/h 以下可完全避免乘用車與兩輪車的碰撞。

4 兩輪車事故發(fā)生前1 s相對位置研究

高級駕駛輔助系統(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)的可靠性與準確性。FOV 是AEB 系統(tǒng)的重要參數(shù)，以乘用車和兩輪車碰撞時間為1 s 時兩者相對位置為依據(jù)，本文研究不同F(xiàn)OV所覆蓋的碰撞事故數(shù)量，統(tǒng)計所有事故碰撞中兩輪車相對于乘用車的角度，當FOV分別為60°、80°和100°時，AEB 系統(tǒng)能覆蓋的事故數(shù)量如圖5所示。因兩輪車碰撞前速度均較低，且與乘用車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的監(jiān)測范圍內(nèi)。因此，可不考慮本文所研究事故場景的縱向距離因素。

當FOV 分別設為60°、80°和100°時，分別有55.84%、71.81%、75.97%的兩輪車處于傳感器視場角范圍內(nèi)。因此，增大FOV，尤其是前向監(jiān)測攝像頭角度，對于感知更多存在碰撞風險的兩輪車事故具有明顯的正向效果。另一方面，總會存在部分事故場景無法覆蓋，原因是較多事故發(fā)生于兩輪車與乘用車同向車道行駛，且乘用車右轉(zhuǎn)向時，即RT-SD場景，此時與乘用車同向行駛的兩輪車較難被檢測，該場景在總事故率中排第5位。未來，安裝于乘用車左前和右前的角雷達可彌補前向傳感器在乘用車側(cè)面的感知能力。

圖5 碰撞時間為1 s時兩輪車與乘用車位置分布

5 AEB系統(tǒng)對電動自行車識別因素分析

對于主流ADAS中AEB的控制邏輯，不同目標類型會觸發(fā)不同的AEB 決策表現(xiàn)。目前市面上所有ADAS均不支持中國電動自行車的分類，基于此，本文從實際ADAS道路采集數(shù)據(jù)著手，深入分析電動自行車在當前成熟的ADAS系統(tǒng)中的分類結果以及其影響因素。

本文分析的道路數(shù)據(jù)來源于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幀包含電動自行車，經(jīng)過人工配對和分析，其中分別有258 幀、158 幀、61 幀、4 幀被識別為摩托車、行人、自行車和乘用車，而剩余的則沒有被識別為任何類型（漏檢）。為進一步研究對兩輪電動自行車的感知，本文深入分析導致不同識別結果的主要因素，包括乘用車行駛速度和兩輪車行駛方向。

本文主要探究兩輪車的3個行駛方向，即與乘用車同向、與乘用車反向、橫穿乘用車行駛路徑。對基于數(shù)據(jù)提取的特征進行分類分析，結果如圖6 所示，與乘用車同向的場景占據(jù)所有場景的50%，1/3 場景與乘用車反向，其余的為橫穿或類似于橫穿情況。與乘用車同向場景總體分類結果和與乘用車反向場景類似，但在橫穿場景中，被誤識別為行人的場景最多，同樣有大量結果沒有被分類。

因此，可認為與乘用車同方向行駛或反方向行駛的電動自行車更容易被識別為摩托車，而對于橫穿的場景，被識別為摩托車或者自行車的概率較小。

圖6 不同行駛方向識別結果

6 結束語

本文在中國交通事故深入研究數(shù)據(jù)庫中篩選乘用車與兩輪車事故，深入分析場景類型、時間、速度等因素，建立了事故前1 s兩輪車與乘用車相對位置分布圖，研究了AEB系統(tǒng)視場角對兩輪車檢測效果的影響并分析了AEB系統(tǒng)對電動自行車識別的影響因素?；谔赜械姆诸惙椒ǚ治龅贸鍪鹿事首罡叩?種類型，提取了兩輪車事故中的典型速度特征，論證了引入一種可支持電動自行車識別的AEB系統(tǒng)的重要性及功能定義需滿足的速度區(qū)間。分析得到影響電動自行車識別結果的主要因素為電動自行車相對于乘用車的行駛方向，同向和反向行駛的電動自行車更容易被識別為摩托車，而橫穿行駛的電動自行車容易漏檢或被分類為行人。