面向自動駕駛車輛的路段人車沖突判別模型

羅瑞琪，熊 帥，何 佳，牛 凱

（中國市政工程華北設計研究總院有限公司，天津市 300074）

0 引言

隨著自動駕駛技術的發展，未來自動駕駛汽車將遍布在城市交通系統中，它們的加入勢必導致交通流交互行為特征發生顯著變化。自動駕駛汽車面對行人時采取的決策行為與人類駕駛員明顯不同，行人面對自動駕駛汽車和人工駕駛汽車時所承受的心理風險壓力也有很大區別，由此引發行人行為的隨機性和不確定性也隨之增加。

對人-車交互行為的建模研究一直是交通領域的研究重點和熱點[1]，通過對個體駕駛人和行人行為的建模，可以定量化描述車輛和行人在車流中的運動狀態，同時也可模擬宏觀車流的運行態勢，是實現交通管理方案效果驗證的經濟、有效的方法[2]。自動駕駛技術雖然得到了長足的發展，但是以Google 和Tesla 為代表的無人駕駛汽車在真實交通環境（特別是城市復雜路況）測試中由于其行駛特性與真實駕駛人之間存在較大差異，自動駕駛汽車無法準確判斷行人的真實過街意圖，帶來大量的安全風險（相關交通事故的報道已見諸報端）[3-4]。作為決定自動駕駛汽車能否廣泛應用的瓶頸技術，自動駕駛汽車與行人的交互行為決策技術成為新的熱門研究方向，該技術能夠使自動駕駛汽車具備人類駕駛員與行人間的通行權溝通能力，使自動駕駛汽車控制系統更加智能且接近人類的判斷能力[5-6]。

本文根據視頻調查法獲取行人過街及車輛通行的相關數據，分析行人過街影響因素，基于決策樹理論，利用二元Logit模型建立面向自動駕駛車輛的路段人車沖突判別模型，對行人和自動駕駛車輛之間可能發生沖突概率進行計算。

2 數據采集分析

路段人車沖突模型建模方法見圖1。首先，采集行人位置、車輛位置以及行人和車輛的運動狀態；接下來建立決策樹，分析路段人車沖突過程，建立模型；最后利用調查數據，對模型參數進行標定。

圖1 路段人車沖突建模方法流程

選擇武漢市6 處無信號控制路段人行橫道作為調查對象，見表1，選擇天氣狀況較好的工作日，為了避免人流和車流量過大，本次調查沒有選擇在周一或周五。

表1 交通調查地點

調查時本文使用三臺同步攝像機以及兩把雷達槍來記錄數據，具體的設備布局見圖2，同步攝像機#1 被架設高樓，以保證攝像機完整能拍攝到調查地點中行人和車輛的交通狀況。同步攝像機#2 和#3被架設在道路兩側，用來記錄行人的過街行為。

圖2 調查設施布局圖

以雙向6 車道為例，最終數據調查獲取的數據主要包括：行人過街行為（是否接受間隙通過）、車輛與行人是否發生沖突（判別方法在2.3 節中具體介紹）、車輛所在車道（1、2、3……）、車輛速度、行人速度、行人與車輛之間的距離、行人通過潛在沖突區的距離，車輛所在車道延長線與人行橫道重疊區域為沖突區，見圖3。

圖3 車輛及行人距離位置示意圖

3 路段人車沖突判別模型

3.1 決策樹分析方法

車輛在準備通過人行橫道時首先應對行人運動狀態進行觀察，判斷行人過街意圖，確定行人即將過街再進行沖突決策，若確定為沖突，則產生減速或停車的讓行行為，否則，不判定為沖突，車輛正常通過，據此建立決策樹見圖4。

圖4 沖突決策樹示意圖

將行人過街決策判定定義為Dn，若確定過街則Dn=1，否則Dn=0；沖突決策定義為Cn，確定沖突則Cn=1，否則Cn=0，確定沖突概率值如式（1）所示：

不同決策行為的產生是不同狀態效用值Uin的離散選擇問題，效用函數Uin（t）=Vin（t）+εin（t）=Xin（t）×α+εin（t），其中：Vin（t）為自動駕駛車輛n 在時間t 狀態i 下的系統效用值；Xin（t）為自動駕駛車輛n 在時間t 狀態i 下的解釋變量；α 為不同解釋變量Xin（t）參數，其中解釋變量與車輛位置、速度、行人速度、位置等因素有關；εin（t）為誤差項。

決策樹的每一層用二元Logit模型表示，X1n為自動駕駛車輛n 判斷行人即將過街（i=1）的解釋變量，α 為變量參數；Z1n為自動駕駛車輛n 進行沖突決策（i=1）的解釋變量；β 為變量參數。因此，自動駕駛車輛判定為沖突，做出讓行行為的概率見式（2）：

3.2 模型建立

對沖突決策的可能影響因素和因素對應的系數進行匯總，匯總結果見表2。

表2 變量定義表

為得到各個影響參數的系數值，首先將沖突決策概率寫為N 個獨立事件（c1，c2……，cN）的聯合概率，接下來，對等式兩邊取對數：

3.3 模型參數標定

如式（4）所示：

當Δt=3 s時，自動駕駛車輛會與行人發生沖突[7]。因此，以調查數據為基礎，統計發生沖突的事件，作為模型因變量的數據基礎。本文采用深度學習算法實現多元線性回歸進行模型參數的標定，工作機制為：機器被放在一個能讓它通過反復試錯來訓練自己的環境中，從過去的經驗中進行學習，最后做出精確的判斷，選擇最優估計值確定最終概率模型。深度學習具體步驟如下：

（1）輸入數據，生成訓練樣本集、測試樣本集、驗證樣本集；

（2）定義訓練批次、驗證批次、測試批次；

（3）輸入、輸出向量定義，分類器定義，驗證模型定義；

（4）梯度計算，更新參數值；

（5）訓練模型定義；

（6）訓練模型。

因此，通過計算面向自動駕駛車輛的路段人車沖突判別模型如下所示，用發生沖突的概率值P（Cn=1）來表示。

4 仿真設計

為使仿真過程更加穩定，需做以下假設：

（1）仿真場景為無信號控制路段，自動駕駛汽車直線行駛，無換道。

（2）自動駕駛汽車以相同順序進出仿真場景，無超車。

（3）只考慮自動駕駛汽車與單個行人的相互作用，暫不考慮人群和其他道路參與者。

SUMO 是目前廣泛使用的開源交通仿真軟件，通過其TraCI 接口，Python 能夠獲取SUMO 中車輛和行人的速度和位置，且可以修改和控制它們的速度和位置。利用Python 設計和實現該沖突判別算法，將沖突概率值作為輸出數據。聯合SUMO 進行仿真輸出，仿真步長為1 s，每次仿真持續1 h（3 600 s）。

圖5 為SUMO 中的仿真場景，人行橫道寬6 m，總長1 km，單車道寬3.5 m。自動駕駛汽車與行人在人行橫道（沖突區）相遇，人行橫道兩端設有行人等待區，等待區長1.5 m，寬6 m。場景中自動駕駛汽車生成率為泊松分布，每小時生成1 200 輛車（600 輛/車道/h），仿真中以不同頻率生成行人流，每30 s 生成一個行人，仿真時間4 h。

圖5 自動駕駛汽車和行人仿真場景

統計的沖突事件作為模型效果對比數據，統計事件為實際發生沖突事件，共統計得到324 起。以仿真得到的沖突概率值為基礎，當概率值大于85% 的事件作為可能發生沖突事件，共得到296 起，因此預測值與實際值相對誤差為8.6% 。

綜上所述，利用本文所建立面向自動駕駛車輛的人車沖突判別模型可以有效預測人車發生沖突的概率值，對于智能車輛理解行人的過街意圖并判別車輛與行人是否發生沖突具有重要意義。

4 結論

本文主要提出了面向自動駕駛車輛的路段人車沖突判別模型。利用決策樹理論，通過建立二元Logit模型，利用機器學習，建立了面向自動駕駛車輛的人車沖突判別模型。本文所建立的路段人車沖突判別方法對于智能車輛理解行人的過街意圖并判別車輛與行人是否發生沖突是十分重要的。