危險駕駛工況場景的復雜度評估方法研究

董 漢，舒 偉，陳 超，孫 燦，尤 超

（1.清華大學蘇州汽車研究院，蘇州 215200； 2.蘇州清研精準汽車科技有限公司，蘇州 215200；3.北汽集團越野車有限公司，北京 101300）

前言

自20世紀90年代起，高級駕駛輔助系統（advanced driving assistance system，ADAS）作為智能網聯汽車的初期階段，逐漸向技術研發階段以至產業化車載應用階段發展。駕駛輔助系統應用不同傳感器，如攝像頭、毫米波雷達和激光雷達等，提出了技術路線各異的技術解決方案，涵蓋了如自適應巡航、前碰撞預警和車道偏離預警等多種功能［1-2］。

文獻［3］中指出，駕駛輔助系統和智能網聯汽車感知系統性能面臨的主要挑戰是在適應盡可能多的交通環境因素（如天氣、光照、道路線形、交通工況等）的同時，保證檢測性能，以及對誤檢率（false-positive，FP）和漏檢率（false-negative，FN）的折中平衡。為對上述系統進行測試、驗證和評價，廣泛采用開放道路測試、封閉場地測試和實驗室環境下的仿真測試等有效工具。對駕駛輔助系統和智能網聯汽車的測試與驗證，能在當前技術路線不同、產品形態各異的市場環境下區分不同產品的性能表現，逐步建立更加完善的市場標準與體系。

本文中提出通過數據采集車輛裝載的駕駛輔助系統終端，有效在線處理并采集緊急和危險駕駛工況場景數據，并根據對數據的分析建立了包含環境、交通流、車輛相關因素的指標體系。同時，應用層次分析法（analytic hierarchy process，AHP），并基于專家對不同影響因素指標的評分結果，建立了危險工況場景評價體系和模型，以達到能對某復雜危險場景進行定量評價的結果，最終能應用于智能汽車和自動駕駛的仿真測試與評價。

1 場景工況的數據采集與處理

1.1 自然駕駛工況數據采集

作為一個工作量巨大的環節，大型實車道路試驗（field operational test，FOT）［4］是駕駛輔助系統和智能網聯汽車測試必要的組成部分，這對高校、研究院等科研單位的技術研發以及整車和零部件企業的產品開發都具有重要意義。在大型實車道路試驗過程中，測試車輛對于自然駕駛工況數據的采集可用于交通工況與駕駛行為的分析，同時對智能網聯汽車技術研發、產品驗證和系統優化等也具有積極的作用。自然駕駛工況數據采集的過程中，通常情況下，必須滿足以下3個條件：（1）須在數據采集車上安裝高性能傳感器，以采集并記錄本車與交通工況的重要數據，如本車速度、前車速度、距離和加速度等；（2）測試車輛按照一般車輛的駕駛方式在隨機交通流中正常行駛；（3）在足夠長的一段時間周期內對自然駕駛場景數據進行采集，從而達到隨機性。

密西根大學交通研究中心（the university of Michigan transportation research institute）自本世紀初主導了智能巡航控制大型實車道路試驗（intelligent cruise control field operational test，ICCFOT）項目，從107名駕駛員的駕駛過程中采集自然駕駛場景數據，數據量超過 17.70萬 km（11萬 mile）［4］。美國國家高速交通安全管理局（national highway traffic safety administration，NHTSA）［5］和弗吉尼亞理工大學（Virginia polytechnic institute and state university）［6］也同樣組織了大型實車道路試驗，對100輛試驗車進行自然駕駛場景研究（natural driving study，NDS）。自2008年起，在歐洲多個國家，由多個汽車企業和主流研究機構共同參與歐洲大型實車路試（European field operational test，Euro-FOT），超過1 200名志愿者駕駛員歷時4年采集超過3 500萬自然駕駛工況數據［7］。我國于2014～2015年開展了具有我國交通工況特色的中國大型實車道路試驗（China field operational test，China FOT），32名駕駛員參與測試和數據采集，共采集18 125 km自然駕駛數據［8-9］。China FOT大型試驗中包含了先行試驗China-Pilot FOT，與Euro-FOT類似，通過統一在數據采集試驗車輛上安裝相應采集設備，包含4個攝像頭（前向、后向、駕駛員狀態、油門），在為期2個月的數據采集過程中獲得了不同駕駛員的160個駕駛片段，共5 600 min的自然駕駛數據。

1.2 自然駕駛工況數據處理

對采集的大量自然駕駛工況場景數據的處理具有很大挑戰性。目前所面臨的挑戰主要是“危險工況”場景較難定義［10］，因而不容易從大量連續的自然駕駛工況數據中把“危險工況”提取出來。當前，應用較為廣泛的方法是通過篩選采集車輛的動力學參數，如縱向和橫向加速度等，從而判斷車輛行駛遇到較為危險的工況［10］。朱西產等人將China-Pilot FOT試驗采集的大量數據進行統計與分析，針對駕駛員的制動輸入特性和轉向輸入特性做了研究，提出制動操作緊急程度和轉向操作緊急程度的劃分方法［9］。

1.3 危險駕駛工況數據采集

本文中提出了一種通過數據采集車輛裝載的駕駛輔助系統終端采集危險駕駛工況數據的方式。與大型實車道路試驗FOT中測試車輛連續不斷地采集自然駕駛工況場景數據不同的是，本文中的測試車輛裝載的駕駛輔助系統終端集成了前碰撞預警（forward collision warning，FCW）、車道偏離預警（lane departure warning，LDW）、駕駛員狀態監控（driver monitoring system，DMS）和行人檢測（pedestrian detection，PD）功能，在前碰撞預警、車道偏離預警、駕駛員疲勞、駕駛員注意力分散、檢測到行人和車輛急減速與急轉彎等終端報警情況下，將“危險工況”場景數據記錄下來并回傳至服務器進行存儲。

所有試驗車輛都統一裝載了用于采集危險工況數據的駕駛輔助系統終端，包含1個前向攝像頭和1個車內攝像頭，記錄駕駛員狀態信息和道路場景信息，如圖1所示。在為期2個月的數據采集中，獲得了來自55個駕駛員的797個危險工況場景。根據環境、交通流和車輛相關因素對危險工況場景進行了分析和統計，結果如圖2～圖4所示。

1.4 危險駕駛工況數據處理

圖1 危險駕駛工況數據的采集

圖2 環境因素場景統計

本試驗中裝載的駕駛輔助系統終端一共設置了10種報警功能，分別是：前向碰撞報警、車道偏離報警、行人檢測報警、急加速報警、急減速報警、急轉彎報警和駕駛員的打哈欠、注意力分散、吸煙與視線脫離報警。駕駛輔助系統終端在報警的情況下，將報警發生前后的數據以視頻的形式采集并上傳，并按照報警類別自動分為上述10類。對比FOT試驗中采集大量連續的自然駕駛場景，本試驗依托于駕駛輔助系統中的算法邏輯，將在駕駛過程中遇到的危險工況進行在線提取與處理，將其分割成不同的報警時刻前后片段，在線完成自然駕駛場景中對于場景處理的大量工作，并針對不同報警功能進行歸類。

采集的場景數據可分為車內數據和車外數據兩大類，不同的報警時刻片段場景中包含了不同的參數信息。車內數據主要指駕駛員狀態信息，如駕駛員狀態、駕駛員視線等。車外數據中靜態環境類型信息包括天氣類型、光照情況、道路類型和道路線形等；動態交通場景包括前方障礙物類型、交通信號與標志類型、交通流狀況、建筑物密集度、同向運動情況、異向運動情況和交叉路口沖突。車外交通工況參數如表1所示。

圖3 交通流因素場景統計

表1 駕駛工況場景因素參數表

圖4 車輛及交互因素場景統計

2 危險駕駛工況場景復雜度分析與評價

2.1 評價指標權重的確定

在對駕駛工況場景的分析與評價中，各種環境因素、交通流因素和車輛相關因素之間的關系錯綜復雜，是一個由多個指標和屬性組成的綜合性問題。層次分析法［11］能在對影響因素、內在關系和復雜決策的問題本質分析的基礎上，把少量的定性比較信息轉化為最底層相對于最高層的重要性權重的確定或相對優劣次序的排序問題［12］，為不同交通駕駛工況場景的復雜度分析提供了有效依據。

根據表1對交通工況以及駕駛員狀態參數影響因素條理化和層次化，構造出一個有序的、梯次遞進的結構模型，駕駛工況場景的復雜度因素、環境因素、交通流因素和車輛相關因素的層次結構分別如圖5～圖8所示。

圖5 駕駛工況場景復雜度影響因素層次結構

本研究中對于駕駛工況場景的分析采用專家咨詢法，請多位資深專家、具有豐富駕駛經驗的駕駛員進行評價打分。采用層次分析法［11］，通過1～9標度對同一層次的每兩個元素進行重要度比較，從而構建相應的判斷矩陣，以此得到不同場景中不同因素的復雜度權重。其中判斷矩陣各個元素和標度表示的含義如表2所示。

圖6 駕駛工況場景環境因素層次結構

圖7 駕駛工況場景交通流因素層次結構

不同場景中不同元素的復雜度權重是由所構建的判斷矩陣特征向量w經過歸一化處理而得。具體公式如下：

圖8 駕駛工況場景車輛相關因素層次結構

表2 9度標度法

式中 i，j＝1，2，…，n。為保證權重指標的合理性，須根據判斷矩陣求出最大特征值之后對判斷矩陣進行一致性檢驗，一致性的定義公式為

式中：RI為層次總排序平均隨機一致性指標的標準值，根據判斷矩陣結束不同取不同值；CI為層次總排序一致性指標。CI的定義及相關計算公式為

式中：λmax為判斷矩陣最大特征值；n為判斷矩陣的階數；A為矩陣。如果CR＜0.1，說明判斷矩陣的一致性良好，即可得到評價指標針對上一層次的權重。

2.2 算例分析

以道路類型為例，判斷矩陣B1如下：

通過計算得到，λmax＝4.017，CR＝0.006＜0.1，判斷矩陣一致性良好。在道路類型B1中，高速公路B11、快速道路B12、城市道路 B13和鄉村道路 B14復雜度權重比分別為5.2%、10.4%、31.2%和53.2%。

根據上述計算方法，其他層次和判斷矩陣的計算結果如表3所示。

根據上述計算結果，結合通過駕駛輔助系統采集的場景數據，可計算某一場景的綜合復雜度。以場景A（高速公路+直道+平坦路面+晴天+光照一般+有信號燈+雙車道+交通暢通+汽車參與+單車制動危險+本車速度較快+正常行駛+駕駛員視線無遮擋+駕駛員狀態正常）為例，其場景復雜度為

復雜度 A＝環境因素 B×（B1×B11+B2×B21+…）+交通流因素 C×（C1×C12+C2×C23+…）+車輛相關因素 D×（D1×D11+D2×D23+…）

表3 駕駛工況場景因素復雜度

3 結論

本文中通過對危險駕駛工況場景數據的采集和相關影響因素的分析，提出了一種對危險工況場景復雜度進行綜合評價的方法。與通常大型實車道路試驗中對自然駕駛數據采集不同的是，本試驗中利用駕駛輔助系統終端對其報警前后的駕駛工況數據進行采集，對緊急工況進行在線篩選和處理，大幅降低了人工處理成本。同時，根據不同的交通影響因素，對采集的場景數據進行分析和標簽化處理，構建了危險駕駛工況場景庫。應用層次分析法，基于多名專家的評分結果，提出了對不同駕駛工況場景進行復雜度評價的方法。此評價方法對應危險駕駛工況中的場景，能應用于智能汽車或自動駕駛系統的仿真測試與評價。