典型城市道路人車碰撞危險場景提取

鄒晉彬，倪興瀧，但舒靈

(西華大學，四川 成都 610039)

隨著我國汽車保有量的不斷增加，行人的交通安全問題愈發受到重視，而具備和集成了高度智能化、大數據和車聯網技術的自動駕駛汽車將會有效降低交通事故[1]。自動駕駛汽車的測試場景是否完善是決定其應用的關鍵因素，因此，對已有的交通事故案例研究，提取出典型的人車碰撞危險場景，可有效降低自動駕駛測試場景的開發成本和周期。目前，國外學者利用已有的交通數據庫并對其分類整理，利用事故場景參數聚類獲得危險場景，國內學者也基于真實的交通數據庫，通過事故場景特征聚類得到危險場景[2-4]。但上述研究多集中于車與車相撞的危險場景，缺乏涉及行人的交通危險場景相關研究，因此，本文通過篩選出國家車輛事故深度調查體系NAIS(National Automobile Accident In-depth Investigation System)數據庫中典型城市道路人車碰撞事故案例，運用聚類分析提取出典型人車碰撞危險場景，為自動駕駛汽車提供測試方案。

1 交通事故數據統計與變量選擇

對NAIS數據庫中的人車事故進行篩選，最終得到144例信息完善的有效案例。從試驗成本和效率出發，選取能夠主觀調控并且容易復現的參數。經過仔細分析，最終選取3類共5個參數做進一步分析。環境參數：光照條件、道路特征；車輛參數：車輛行駛速度；行人參數：行人運動速度、行人運動狀態，見表1。為便于統計及之后的聚類，將汽車的行駛車速高于50 km/h定義為高速行駛，低于50 km/h定義為正常速度行駛

表1 參數類型及取值

2 聚類分析及場景提取

本文采用系統聚類提取危險場景，系統聚類通過計算給定樣本間的距離，把相似度較高的樣本分到同一類，相似度較低的樣本分到不同類，使得同一類樣本間的相似性強于不同類樣本。

采用歐氏距離法對樣本之間的距離進行量化，公式如下

(1)

式中:Xik為第i個樣本的第K個變量，Xjk為第j個樣本的第K個變量，dij為第i個樣本與第j個樣本間的直接距離。

得到各個樣本之間的距離后，采用類平均法計算類與類之間的距離，公式如下

(2)

通過MATLAB編程進行系統聚類時，發現倒數第5次并類的不一致系數相較于第6次有大幅增加，根據聚類分析特性[5]，確定最終分類數為6類，得到聚類結果，并通過卡方檢驗法對每一類特征檢驗，見表2。

表2 聚類分析結果

3 典型場景提取及結果分析

根據表2，初步提取第一，二，三，四類工況作為城市道路人車碰撞的典型危險場景，得到表3。這四類典型危險工況涵蓋了全部樣本工況的86.11%，代表了絕大部分的危險工況。第一類場景表明在直道路段且光照差的環境下，行人沿道步行并與高速行駛的車輛發生碰撞；第二類場景表明在直道路段且光照良好的環境下，行人從車輛右側過來并與正常行駛的車輛發生碰撞；第三類場景表明在路口路段且光照良好的情況下，行人從車輛右側過來并與正常行駛的車輛發生碰撞；第四類場景表明在直道路段且光照差的環境下，行人從車輛右側步行過來并與正常行駛的車輛發生碰撞。

表3 危險場景

4 結 論

(1)通過自然駕駛獲取危險場景數據的過程復雜，并難以獲取有效的數據，而基于事故大數據提取具有代表性的典型危險場景，是更為有效的方法。

(2)提取得到的4類針對行人的典型危險場景中，行人從車輛右側橫穿直道公路的危險場景類別最多，占比最大，且伴隨照明不足、路段交通狀況復雜和車輛超速等危險特征?；谶@些危險特征衍生出的仿真測試場景適用于我國的自動駕駛測試。

(3)考慮上述危險場景及危險特征的城市交通規劃方案，可有效降低涉及行人的交通事故發生率，亦可為規劃城市智能設施位置提供參考。