基于自動駕駛中人類意圖識別的場景設計

賀元，曾娟

（武漢理工大學汽車工程學院，湖北 武漢 430000）

1 引言

當前，智能汽車產業規?？焖贁U大，產業鏈日趨完善，已成為中國汽車產業轉型升級的重要突破口。伴隨著高級駕駛輔助系統（ADAS）和高等級自動駕駛系統（SAE標準L3～L5）的開發，國內L3自動駕駛在逐步進入規?；逃玫碾A段中，遇到了很多困難。諸如缺乏自動駕駛汽車合法上市的法律法規，出現事故后責任主體劃分不明確，雷達+攝像頭進行環境感知易受惡劣天氣干擾，高精地圖的覆蓋率不全面等?，F有的測試以檢測ADAS的功能為基礎，通過搭建各類使系統功能激活的駕駛場景，在保證試驗一致性的條件下，對系統的預警時間、避撞情況等進行性能表現的評價，但不符合L4級別測試的需要。因為L3本質上是機器輔助人類在做決策，而L4是機器代替人類做決策。所以設計檢測L4級別的場景具有重要意義。

2 基于相關政策引導的測試場景設計現狀

2.1 國外測試現狀

2020-01，美國交通部正式發布新版自動駕駛汽車指導文件《確保美國在自動駕駛設計領域的領先地位：自動駕駛汽車4.0》。在法律政策允許下，截至2020-03，美國80多家自動駕駛企業在36個州進行公開道路測試。

在基于場景的測試的應用方面，最典型的是美國國防高級研究計劃局（DARPA）舉辦的無人車城市挑戰賽。評判核心是車輛在模擬城市環境中的自主行駛能力以及與其他車輛的交互能力。比賽在全長96 km的城市真實道路舉行，車輛需要遵守所有的交通規則，同時與其他交通工具和障礙物進行協同和交互，避免發生碰撞，此外還必須在有雨有霧的情況下行駛，力求達到最真實的駕駛環境。場景設計存在的不足在于賽道全程沒有人參與，缺少了沖突，系統只需要識別靜態障礙物進行規避處理。德國近幾年開展的PEGASUS項目為解決基于場景的測試方法的測試輸入問題，建立功能場景—邏輯場景—具體場景三層體系。功能場景可以描述為“自車（被測車）在當前車道運行，在自車前方有前車加速運行，自車跟隨前車行駛”。邏輯場景則提煉出關鍵場景參數，并賦予場景參數特定的取值范圍，如以上描述的場景可提取自車車速、前車車速及加速度、自車與前車距離等參數，每個參數都有一定的取值范圍和分布特性，參數之間可能還存在相關性。具體場景則需要選取特定的場景參數值，組成場景參數向量，并通過具體的場景語言表示。以此形成場景測試的初始條件，作為自動駕駛車輛的起始工況。

2.2 國內場景設計現狀

2018-04，交通運輸部發布《智能網聯汽車道路測試管理規范（試行）》，首次從國家層面就規范自動駕駛道路測試作出規定。各地區依照《管理規范》制定了實施細則。

2018-02《上海市智能網聯汽車道路測試管理辦法》中指出“測試主體到指定封閉測試區進行實車檢查及試驗，審查測試主體提供的測試車輛及相關功能與申請材料描述內容的一致性，并出具封閉測試區實車檢查及試驗報告（如表1所示）”，無人車在封閉園區內，由固定的行駛軌跡完成對應的檢測項目。由此可以得出目前測試場景的主要特點，具有固定封閉性。

2020-11，《北京市自動駕駛車輛道路測試管理實施細則（試行）》中提出了各種測試場景，如高速公路模擬場景、城市測試環境、無標線道路、特定道路場景等，在模擬高速公路情境下，無人車完成行車、制動、減速通過收費站等具體項目。在模擬特定道路場景如潮汐車道上，無人車在左行車道上行駛，前面有大貨車阻礙視線，系統默認從左邊超車，若超車道不具備超車條件，而右行車道滿足時，人類司機會盡快變道至右道完成超越，而無人車則大概率會一直跟隨大車直至滿足超車條件，無疑增加了車禍風險。從以上分析體現出場景測試的另外兩個特點：單一要素性和測試項目的規律性。

對比國內外場景設計的現狀，國內廠商設計的不足在于沒有形成系統的體系，只限定了在部分場景下的功能場景，缺少后續的邏輯場景和具體場景。

2.3 需推進高級別自動駕駛系統測試標準的建立

通過研究國內外自動駕駛汽車相關的技術標準，大多是針對汽車互聯網通信技術、ADAS部件的性能測試等方面，沒有特別針對高級別的自動駕駛汽車的相關標準。因此需要分析城市道路、城際公路和鄉村路上其他道路參與者的運行特點，提出相對應的高等級自動駕駛系統測試方案，目的是實現自動駕駛汽車能夠很好地與真實環境的融合。其中，匹配于L4級別的駕駛場景最需要的是能夠檢測機器的學習能力，學習人類大腦工作的思維模式，權衡利弊，做出最有利的決策。而決策在很大程度上取決于理解和匹配道路上其他人類駕駛員的預期想法，也就是意圖識別。

3 從交通事故成因分析駕駛過程中人類意圖識別因素

3.1 交通事故成因

分析交通事故的成因，是由于人—車—路組成的道路交通系統平衡被破壞的結果。有關資料統計顯示，人為因素導致的交通事故占據80%～85%。結合事故形態，絕大多數交通事故是由于駕駛員之間意圖判斷失誤導致的碰撞。

碰撞分為正面碰撞、側面碰撞和尾隨碰撞。正面碰撞常見于超車過程中與對向來車發生碰撞。被超車和對向車的駕駛員均認為超車行為與自己無關，自己在道路上行駛擁有路權。在沒有及時降速的情況下導致超車失敗，發生碰撞事故。側面碰撞分為對向側面和同向側面，同向側面碰撞通常發生在車輛換道過程中。車輛因躲避前方障礙物侵占他人車道。雙方都想先人一步通過，意圖出現沖突，距離發生事故也就不遠了。

對向側面常見于兩車在道路狹窄地段會車的情形下，兩車在窄橋上相遇，雙方駕駛員出于對自己的安全考慮，過分向中間靠攏以避免碰撞橋邊護欄，對對方的意圖判斷失誤，認為會給自己讓路，碰撞則不可避免地發生了。

尾隨碰撞常發生于高速公路，前車因突發狀況減速，后車司機對距離和速度把握不準導致追尾碰撞。

結合行為心理學，人們觀察他人的微小信號，例如聲音、肢體語言甚至僅僅看別人的眼睛，預測對方的行為和目的。這種介入在避免交通事故發生十分及時且有效。駕駛員之間，行人與司機開始交換一些明顯的線索，如鳴笛、減速、變換燈光用以判斷能否安全通過，一些信息通過相當微小的信號，如眼神、表情、手勢進行交換，使對方能夠明白自己的意圖，從而避免事故的發生。

3.2 自動駕駛汽車的事故分析

分析近年來自動駕駛事故（如表2所示）可以發現，發生事故的原因主要是駕駛系統不能理解人類的意圖。我們選擇典型事故來進一步說明。

表2 自動駕駛汽車交通事故總表

2018-03-10T22：00，一輛Uber的自動駕駛汽車在亞利桑那州坦佩市的公共道路上以一定速度行駛。當時汽車處于自動駕駛模式，道路右側出現一個推著自行車準備過馬路的行人。

汽車在撞擊前6 s，自動駕駛系統通過激光雷達發現了前方的事物。此時系統并沒有認出這是一個人，先把她判斷成了未知物體，然后判斷成了車輛，最后判斷出這是一輛自行車。問題就源于此，人類可以輕而易舉地根據自行車車頭的方向判斷出行人過馬路的意圖，但對于駕駛系統來說，無從判斷方向，自然不具備識別意圖的能力，不會執行減速操作。

2018-01-10，Argo AI公司的自動駕駛汽車在綠燈的引導下通過路口，檢測到一輛闖紅燈的貨車，但在機器的基于深度學習的車輛檢測算法中缺少對駕駛員意圖的識別及預測這一因素的考慮，系統在面臨多重障礙時的決策出現失誤，事故就這樣不可避免地發生了。

上述案例反映了這樣一個事實：現階段的自動駕駛大多依靠雷達，相當于人類的眼睛，對目標實行避讓減速。但大腦的思考過程——意圖識別的問題并沒有被解決。

4 人類意圖識別在駕駛過程中的作用機制

結合自動駕駛的暗物質問題，自動駕駛系統缺少意圖識別會出現一些新型交通事故（如圖1所示），即人類司機開車途中輕松解決的問題，交由自動駕駛系統卻不能很好地處理，甚至于引起事故。如果能夠實現系統對人類的意圖進行識別或預測，在車道保持場景和交叉路口場景下行駛的自動駕駛汽車發生事故的概率將大大降低。

圖1 汽車駕駛場景總圖

基于人工智能意圖識別的駕駛決策機制具體如下。

基于車輛與基礎設施通訊（Vehicle-to-infrastructure，V2I）技術，智能車輛可以獲知其他車輛的位置、速度、加速度等車輛狀態信息。根據該信息、本車狀態信息以及路口的幾何信息，將智能車輛交叉口行為決策問題分解為兩階段決策過程，分別是其他車輛駕駛員類型判斷階段與智能車輛行為決策階段。智能車輛能夠通過基于隱馬爾科夫模型或者隨機森林的識別方法有效判斷其他車輛橫向駕駛意圖和縱向駕駛意圖（左轉、右轉、直行、停車），并以此判斷兩車行駛路線是否存在潛在的沖突，進而可以測試兩車沖突時智能車輛的決策機制。

當存在潛在沖突時智能車輛行為決策流程如圖2所示，首先計算其他車輛與智能車輛到達沖突區域的時間，若時間差小于安全閾值，則進一步計算其他車輛和智能車的方向盤轉角差值。若該值大于判定值，則根據行為決策規則表選取當前決策方案，進一步進行智能車輛的速度控制，最終安全通過交叉口。若兩者方向盤轉角程度基本相同，則通過調整智能車輛自身的轉角和速度，使轉角差值大于判定值，再決策規則表得到適當決策結果，進而控制智能車輛通過交叉口。

圖2 智能車輛行為決策流程

5 基于意圖識別的人—車協作交互的場景構建

交通場景的演化，實際上是各種參與對象之間協同交互的過程，每輛車的駕駛行為都受到其他車輛或行人的影響[1]。智能車輛的運動會影響道路中其他車輛的駕駛行為和行人的運動方式，進而這些行為也將反施加于智能車輛，影響智能車輛的決策結果。

因為人類的思維具有極大的不確定性，在同一識別周期內的不同時刻，其他車輛的駕駛行為和行人的運動方式都是有可能發生變化的，綜合考慮橫縱向駕駛行為的不確定性計算量十分巨大。鑒于此，假定在同一預測周期內，其他車輛和行人的橫向運動在執行結束之前保持不變。例如，假設智能車輛判斷當前時刻其他車輛的橫向駕駛行為為換道，則在識別過程中，換道結束轉為車道保持前，系統都將其他車輛橫向駕駛行為判斷為換道。同理，智能車輛判斷行人當前橫向運動為橫穿馬路，在行人到達馬路對岸之前，系統均將行人的橫向運動視為過馬路。而縱向駕駛行為是具有不確定性的，在同一識別周期中的每個時刻，都將進行更新，識別每個時刻的縱向讓行意圖，進而執行下一時刻的縱向駕駛行為。

5.1 基于人類駕駛的雙車道行駛場景車—車交互分析

同向兩車道交互場景如圖3所示，IV車輛為智能車輛，其他車為人類駕駛車輛，按位置分別記為本車道后車（CR）、本車道前車（CF）、旁車道側后車（NR）和旁車道側前車（NF）。智能車輛在同向兩車道環境下的行駛過程，即為與圖中4個方位的車輛交互的過程。

圖3 同向兩車道交互場景

在滿足換道條件時，智能車輛將開啟轉向燈。假定轉向燈信號均能被其他車輛觀察到，可認為其他車輛此刻的駕駛行為，是在發現轉向燈信號之后的行為。如果此時智能車輛換道，其他車輛將維持現有的運動狀態，即此時智能車輛的決策可以看做一個預測-執行機制。此外，在車道保持狀態時，周圍車輛無法獲知智能車輛的換道意圖，所以此時的預測模型，需要建立智能車輛未來的運動狀態與其他車輛運動狀態之間的協作關系?？紤]到人類的思維意圖，采用基于經驗性假設的行為預測機制來解決該問題。智能車輛與其他車輛之間的交互方式各有不同。

IV與CF：在正常行車過程中，前車的行為不受智能車輛的影響，由于智能車輛感知范圍的限制，假設前車維持現有運動狀態勻速行駛。

IV與CR：IV的運動會影響到后車CR，本文假定后車CR跟隨IV進行車道保持行為，在正常行駛過程中，后車的行駛方式主要由其自身決定，因此當智能車輛在車道保持行駛時，不考慮車輛CR對于智能車輛IV運動的影響。而當智能車輛的橫向決策轉為換道時，在換道行為完成之后，NR車如果速度過快會發生追尾問題。

IV與NF：IV與NF的交互由NF占主導，NF匯入IV車道的行為會對IV的車道保持與換道行為產生影響，而IV縱向速度的變化也將影響NF換道匯入車流的行為。

IV與NR：IV的換道行為需要與NR交互，NR的讓行與否將影響IV能否順利換道以及換道的難易程度。

5.2 基于人類駕駛的雙車道行駛場景車—人交互分析

同樣選擇同向兩車道典型交通場景，假設智能車輛IV前方、側前方、后方、側后方均有行人在馬路邊上行走，且行人不會對IV的運動軌跡造成干擾。按位置分別記前方行人FP、后方行人BP、旁車道側前方行人FL、旁車道側后方行人LR。在符合常識性的前提下，逐一對每種行人的運動方式進行分析。

IV與FP：在正常行駛下，行人有兩種運動方式，一種是維持原速原方向不變，勻速前進。此時兩者互不影響。另一種是行人有過馬路的意圖，在行為動作上表現為頭部的扭轉，目光注視后方車輛，縱向速度降低或者駐足停留。智能車輛需要精準捕捉行人的動作行為特征，做好對速度、距離的把控，從而精準識別行人意圖。

IV與BP：在通常情況下，智能車的速度要遠大于行人的速度，基于常識性假設的判斷，后方行人的行為基本不影響智能車的決策系統。

IV與FL：FL如果保持勻速前進的狀態，IV的換道行為通常不會對二者的運動狀態產生影響；FL若有過馬路的意圖，在IV的車道保持階段，FL若觀察到轉向燈，有兩種處理方法。一種是暫時放棄過馬路，站在原地或遠離馬路，等待智能車輛換道行為結束。行人與車之間距離變化，經過傳感器反映給決策系統，車輛在符合安全的條件下，執行換道行為。另一種行人認為車與自己的距離較遠，且在對向車道，自己加速趕到道路中央，視車輛的行動做下一步決定。距離傳感器檢測到車輛與行人橫向距離的減小，反映到決策系統，做出相應延緩變道的決策，遵循預測-反應機制，從而避免碰撞事故的發生。

IV與LR：與本車道后方行人類似，在正常情況下，側后方行人不會影響智能車輛的換道行為，通常保持在識別周期內，兩者之間的縱向距離在閾值范圍內，IV即可正常進行換道行為操作。

根據前文所述，將智能車輛劃分為車道保持、換道準備、換道三個橫向運動狀態，在每個狀態中，都需要對各個時刻換道與車道保持兩種行為開展預測，所以主要有6類預測場景：①參考橫向決策為車道保持，且智能車輛處于車道保持狀態下的場景預測；②參考橫向決策為車道保持，且智能車輛處于換道準備狀態下的場景預測；③參考橫向決策為車道保持，且智能車輛處于換道狀態下的場景預測；④參考橫向決策為換道，且智能車輛處于車道保持下的場景預測；⑤參考橫向決策為換道，且智能車輛處于換道準備狀態下的場景預測；⑥參考橫向決策為換道，且智能車輛處于換道狀態下的場景預測。

6 結論

本文通過對自動駕駛產業現狀分析，提出智能車輛對人類意圖識別的問題是目前亟待解決的問題。針對問題設計了不同的駕駛場景，為后續對自動駕駛汽車的測試提供了思路。