基于自然駕駛的智能網聯汽車典型場景采集及分析研究

摘" 要：為了進行大規模自然駕駛場景數據的采集，本文首先分析了駕駛場景數據采集需求，選定了數據采集設備方案。接著，基于所開發的數據采集系統，制定了數據采集實施方案，共招募了60余駕駛員，進行了覆蓋全國27個省份的自然駕駛數據采集工作，完成了50萬公里數據的采集。最終，基于所采集的數據，開展包括數據采集整體情況、行車域場景、泊車域場景等智能網聯汽車典型場景的數據統計分析。本文研究成果為后續的自動駕駛功能深入分析、對極端危險場景中駕駛員的行為分析奠定基礎。

關鍵詞：智能網聯汽車；自動駕駛；道路試驗；自然駕駛；場景數據采集

中圖分類號：U463.6" " 文獻標識碼：A" " " 文章編號：1005-2550（2023）05-0016-09

Research on Typical Scenarios Collection and Analysis of Intelligent Connected Vehicle Based on Natural Driving

XIE Ye-jun， QIN Jia-chun， LV Yue-hao， WANG Guo-quan， FU Guang

（ SAIC GM Wuling Automobile CO.， Ltd， Liuzhou 545007， China）

Abstract： In order to collect large-scale natural driving scenario data， firstly， this paper analyzes the requirements of driving scenario data collection， and selects the data collection equipment scheme. Then， based on the developed data collection system， the implementation plan of data collection is formulated， more than 60 drivers have been recruited to collect natural driving data covering 27 provinces nationwide， and 500，000 km of data have been collected. Finally， based on the collected data， data statistics and analysis of typical scenarios of ICV， including the overall situation of data collection， driving area scenario， parking area scenario， etc have been carried out. The research results of this paper lay the foundation for the further analysis of automatic driving function and the analysis of driver’s behavior in extreme dangerous scenarios.

Key Words： Intelligent Connected Vehicle （ICV）; Automatic Driving; Road Test; Natural Driving; Scenario Data Collection

近年來，自動駕駛汽車技術的研發成為全球科技熱點之一[1-2]。據美國IEEE預測，2040年全球75%的新款汽車都將是自動駕駛汽車。智能網聯汽車是我國產業戰略大方向，已列入國家戰略規劃。《中國制造2025》[3]指出到2020年要掌握智能輔助駕駛總體技術及各項關鍵技術，初步建立智能網聯汽車自主研發體系；2025年掌握自動駕駛總體技術及各項關鍵技術，建立較完善的智能網聯汽車自主研發體系。

發展自動駕駛汽車技術，無論是當前面臨的技術挑戰，還是駕駛模式的轉變，都需要建立一種高效且可行的自動駕駛場景測試評價方法[4]，用于解決功能定義、技術開發、測試驗證以及評價標準方面存在的問題，促進誕生更安全、更強大的自動駕駛產品。而場景是支撐自動駕駛汽車開發及測試評價技術的核心要素[5]，通過場景的解構與重構對自動駕駛汽車進行測試得到了廣泛認可。

在場景采集及分析領域，密歇根大學的Zhao等[6]將自然駕駛數據分為自由行駛、跟車行駛、變道、前車切入、前方通過人行橫道和側方通過自行車這6種不同的關鍵駕駛場景，并建立了TrafficeNet場景庫。朱西產等[7]研究了前車安全切入場景下，自車五種典型的制動工況。鄭彤等[8]提出了一套面向地下停車場的自動泊車功能數據采集與提取的技術方案和工具鏈，包括了硬件傳感器搭建、感知算法開發和場景數據處理分析。中國汽車技術研究中心的劉生[9]在多款車型上搭建了多傳感器融合的數據采集平臺，其上搭載了單目視覺、雙目視覺、激光雷達、毫米波雷達和高精度慣性導航系統等多種傳感設備。

綜上可知，暫無同時覆蓋自然駕駛行車、泊車等過程的場景數據采集相關的綜合研究，而場景具有無限豐富、極其復雜和不確定性的特征，是靜態特征（像道路、交通設施等）和動態特征（像交通流、氣象，包括天氣[10]、光照等這些因素）等方面多維融合[11]。正是由于場景對自動駕駛技術發展的重大意義，所以需要建立起一套自然駕駛[12]場景數據采集技術方案，以支撐自動駕駛場景數據庫的建設。

1" " 場景數據采集

1.1" "數據采集平臺方案

場景數據采集是指利用多種傳感器設備，采集并存儲汽車在自然駕駛、泊車等過程中車輛周圍的動態目標、靜態目標及周圍環境等場景信息[13]的過程。通過自動的方式實現行車、泊車過程中的視頻數據、車輛CAN信號、毫米波雷達信號等數據的同步采集和實時顯示。利用離線數據分析服務器對采集數據回放、參數標定以及多傳感器數據融合處理[14]，便于后續進行統計分析，獲取自動駕駛系統的典型場景。同時，平臺設備還可以實現對視頻數據和毫米波雷達數據的實時處理和融合，進而對障礙物和周圍環境進行識別，為后期的自動駕駛測試奠定了良好的基礎。

1.1.1 數據采集平臺技術要求

1.1.1.1 傳感器性能要求

按照自動駕駛汽車場景數據采集內容、傳感器探測視場、探測距離等需求，傳感器采集數據應覆蓋車體周圍360°，前方最遠探測距離不小于150m，后方最遠探測距離不小于80m，左右側向探測距離不小于20m。

（1）攝像頭

攝像頭用于采集車輛周圍環境有利于可見光識別的目標物、駕駛員的疲勞駕駛狀態信息等，分為普通攝像頭（相機）和多功能攝像頭兩種，而普通攝像頭又分為車輛外部攝像頭和車輛內部攝像頭兩種。

車輛外部攝像頭具有對行人、車輛、交通標志、車道線等目標較好的識別和記錄能力，根據車輛傳感器的配置不同，包括前視、后視和環視攝像頭。前視和后視攝像頭成像距離較遠，應配置高分辨面陣和窄視場長焦鏡頭；環視攝像頭成像距離較近，使用中分辨面陣和寬視場短焦鏡頭。

車輛內部的駕駛員信息采集包括兩個監控畫面，其一是與車輛、環境、背景相關的駕駛員眼睛、頭部運動；其二是駕駛員與車輛的相互作用，以及其他駕駛員動作（如踩踏板、換檔、打方向盤及移動電話使用等）。數據采集的內容包括事件的發生時刻、駕駛員危險駕駛（如分心、疲勞、不良情緒等）圖像、駕駛員視線方向圖像、對事件預先意識和發生事件后的反應圖像等。

多功能攝像頭采用的是Mobileye攝像頭，可標記出前方的車道線、目標物體及行人的距離、大小、類別、速度、加速度、道路指示牌、偏離預警信號、碰撞預警信號、速度信息等場景數據；其識別距離≥150m，縱向距離識別誤差小于10%。

（2）毫米波雷達

毫米波雷達用于采集車輛前方、后方和側向運動目標的位置和運動速度，以及毫米波易于識別的靜態目標。毫米波雷達通過向外發送無線電波探測目標，是一種可全天時工作的主動傳感器，毫米波雷達具有探測范圍廣、環境干擾小、成本低等特點。目前車載毫米波雷達主要有24 GHz和77GHz兩種產品，根據場景數據采集的不同要求，采集車輛前向、后向數據采用的是77GHz毫米波雷達，采集車輛側向數據采用的是24GHz毫米波雷達。

（3）定位系統

定位系統用于獲取汽車的實時位置和運動軌跡，通過定位系統可以計算得到不同傳感器采集目標的全局空間坐標或地圖坐標。目前通用的定位系統以GPS為主，與GLONASS形成組合導航定位系統。

1.1.1.2 上位機軟系統要求

上位機主要用于對車輛集成傳感器的集成控制、收發指令、數據采集和存儲等方面。上位機采用工控機，并與車輛的多傳感器集成應用，多傳感器集成對工控機的數據處理、傳輸與存儲有較高要求。上位機需要具備高可靠性的輔助駕駛、自動駕駛系統實車道路測試、評價系統；在道路試驗過程中，可幫助道路試驗工程師發現各類被測系統的適應性、穩定性和可靠性等問題。其可廣泛應用于車道偏離預警（LDW）、車道保持輔助（LKA）、盲區監測（BSD）、前向碰撞預警（FCW）、自動緊急制動（AEB）、自適應巡航控制（ACC）等先進駕駛輔助駕駛系統（ADAS）[15]以及自動駕駛系統的實車道路測試。圖1為上位機數據采集系統組成結構圖。

1.1.1.3 數據存儲要求

數據存儲應滿足以下要求：

1）1T固態硬盤，可插拔式；

2）同步保存連續數據（總線、音視頻、 GPS、模擬量/數字量、以太網、串口等）；

3）數據存儲格式：.asc（總線數據）、.txt（GPS、環境數據）、.wav（音頻）、.avi（視頻）；

4）記錄事件發生時刻的時間點，并在連續數據中標記時間戳。

1.1.2 數據采集平臺方案對比與選定

基于以上數據采集平臺設備技術要求，為保證場景數據采集的完整性，需進行車身周圍360°的環境信息的精確感知，最終選定如下的數據采集平臺方案：6攝像頭+6毫米波雷達+1 Mobileye融合方案。

本融合方案主要由6個攝像頭、6個毫米波雷達、1個Mobileye攝像頭組成，其中，前視、后視及左右兩側共布置有6個毫米波雷達，用于測量車輛后方及左右兩側的障礙物距離及速度。車輛共安裝有6個攝像頭，可識別車輛360°周圍環境中的不同的物體，包括車輛（乘用車、商用車、卡車、公交車、摩托車等）、行人、車道線、標識牌等，在物體高度與寬度測量精度、車道線識別、行人識別準確度方面有優勢。此外，車輛前視方向上安裝有一個Mobileye攝像頭，可用于標記車道線、目標物體距離、大小、角度信息。通過對毫米波雷達、Mobileye以及攝像頭的數據融合，可以精確識別車輛周邊環境中的目標物信息，可以為典型工況的數據提取、場景搭建以及自動駕駛研究奠定良好的基礎。本方案傳感器覆蓋范圍示意圖如下圖2所示：

1.2" "數據采集實施方案

1.2.1 數據采集任務規劃

根據預先設計或預期的采集場景的要素需求，規劃數據采集大體區域、各類型道路擬采集里程配比及數據采集車輛的具體行進路線，以從多個地方采集海量的場景數據[16]；同時擬定采集任務的周期、預算、任務分工，選定數據采集設備方案及車輛型號。

（1）任務規劃基本原則

數據采集任務規劃應遵循如下基本原則：

1）按照場景需求，確定數據采集的氣象條件（晴天、陰天、雨天等）是否符合要求；

2）按照場景需求，確定數據采集的季節（春、夏、秋、冬）是否符合要求；

3）按照場景需求，確定數據采集的時間周期（如早中晚、周末或工作日）是否符合要求；

4）確定數據采集時段路上的車輛、人流等（上下班、正常情況）是否符合場景要求；

5）按照場景分類，確定數據采集在高速道路、城市道路、園區道路等不同類型道路上采集的場景數據量。

（2）采集區域選擇

若場景數據需求方有指定的采集區域，則在指定區域采集；若場景數據需求方無指定的采集區域，則需利用地圖分布選擇擬采集場景數據的區域，對采集區域的地形、氣候、交通信號進行調研，并分析是否符合數據采集需求。

（3）重點路段選擇和標注

結合搜集的相關資料，如不同時段交通情況、交通信號、路面情況等，在選擇的場景數據采集區域標注重點采集路段和預期的采集場景，作為數據采集時的必經路段或重復采集路段。

（4）數據采集路線規劃

利用地圖查找到擬采集場景數據的區域后，結合地圖顯示的影像圖、線劃圖及交通信息，選擇場景數據采集區域進入點，規劃車輛的行進路線、行進速度、數據采集起點和數據采集終點，直到規劃完所有的數據采集路線，并估算數據采集的工作量，既數據采集累計時間。路線規劃示例（西南線）如下圖3所示：

（5）數據采集設備相關任務規劃

數據采集設備相關任務主要包括設備選型、安裝調試、日常監測維護、拆除及存管、車輛選型等。

1.2.2 數據采集資源籌備

根據數據采集任務規劃進行人員籌備、設備安裝、采集車輛籌備、存儲數據設備，確保資源的合理分配，保證數據采集工作的進行。同時，根據采集任務對數據采集作業人員數量、年齡、駕齡、性別、身體狀況、綜合條件等的要求，進行招聘、面試及實車路試。對通過面試的人員進行駕駛風格調查，由測試工程師帶領數據采集作業人員進行崗前培訓，包括數據采集任務要求、采集作業規范、設備維護及異常上報、作業過程中突發情況應急預案等。

1.2.3 數據采集實施

開展場景數據采集時，駕駛員和運營管理人員需要相互配合。駕駛員按照規劃線路駕駛車輛進行數據采集，并及時向運營管理人員反饋在采集過程中各類問題，并進行日常維護采集設備。運營管理人員解決并記錄采集過程問題，保證采集工作的開展，為后續采集工作的優化提供一定的基礎；記錄過程中產生的費用，做好成本把控，為數據采集工作預算提供參考。

1.2.4 數據回傳及質量核查

隨車測試人員在數據采集過程中按照在途回傳和收車回傳的原則將采集的原始數據進行回傳，運營管理人員及時將回傳的數據進行質量核查，及時解決采集過程中隱患問題，避免無效作業并保證設備的正常運行，提高數據采集效率。

1.2.5 數據存儲及管理

運營管理人員在將采集的原始數據進行質量核查之后，將合格的原始數據進行數據轉移，并將存儲原始數據的設備進行規范化的管理，保證原始數據的完整性。數據采集測試人員在完成周期性數據采集任務后，會收集大量的自然駕駛原始數據，運營管理人員在對自然駕駛原始數據存儲前，會對數據進行首次數據處理，數據處理及存儲的流程為：原始自然駕駛數據驗證；數據標記；數據離線處理；數據存儲。完成數據處理及存儲流程后的原始數據，才是符合標準、有效的原始數據。

2" " 數據采集結果概述

自項目開展以來，在全國范圍內累計使用30余輛采集車進行作業，涵蓋駕駛員60余人次，覆蓋了中國絕大部分地區和主要城市，并對高速道路和主要城市道路進行了重點采集，已經完成50萬公里自然駕駛數據采集。數據采集車輛每日作業不超過12小時，單人連續駕駛車輛時間不超過3小時，為確保數據采集作業的平穩運行，采取的駕駛員方案為每一輛數據采集車輛配置兩人，一人駕駛車輛而另一人休息并協助駕駛員觀察路況。為保證數據的多樣性，駕駛員每兩個月進行一次輪換。下面對數據采集整體情況、行車域場景、泊車域場景等的數據統計分析展開描述。

2.1" "場景數據采集結果分析

2.1.1 駕駛員組成統計分析

開始階段在進行駕駛員選擇時，優先選擇駕齡高的、駕駛經驗豐富的駕駛員，而在之后的自然駕駛原始數據采集規劃中，為增加駕駛員的代表性，充分采集普通駕駛員駕車的行為特征，雖然每一輛采集車輛仍是配置兩人，但是會考慮部分采用累計駕駛里程在3萬公里以內的新手司機，以及配置一定比例的女性司機，采集女性駕駛員駕車行為特征，豐富自然駕駛原始數據庫[17]。目前已累計有60余人次進行數據采集作業，其中，男性占比93.94%，女性占比6.06%。在各個年齡段分布方面，20～30歲之間駕駛員占比為30.30%，30～40歲之間駕駛員占比為40.91%，40～50歲之間駕駛員占比為22.73%，50～55歲之間駕駛員占比為6.06%。駕駛員性別和年齡組成的統計分析如下圖4所示：

2.1.2 采集區域統計分析

目前已完成50萬公里自然駕駛數據采集，其中，區域覆蓋中國東北地區、華北地區、華中地區、華南地區、西南地區、西北地區等，并對部分主要城市進行了重點采集。下圖5為已采集區域的分布和占比情況。

2.1.3 道路類型統計分析

在進行各類型道路比例規劃時，是根據2016年中國汽車工程學會發布的《中國智能網聯汽車技術路線圖》[18]，技術路線圖中計劃在2020年開始在高速道路工況下實現自動駕駛的3級駕駛自動化（有條件自動駕駛）[19]的推廣，所以目前采集重點為高速道路采集。所有采集數據中，高速占比36.5%，國/省道占比33.8%，城市道路占比27%，其他道路占比2.7%，其他道路主要包括鄉村道路、無明顯交通標識等道路。下圖6為已采集的道路類型占比情況。

2.1.4 道路交叉口統計分析

道路場景數據采集結果表明：在所有的道路交叉口中，十字交叉口的比例最高，占總數的64%；其次為T型交叉口，占總數的30%；此外，環形交叉口占總數的2%，多種組合形式的交叉口占1%，這兩種屬于低占比的特殊道路交叉口，實際道路駕駛中遇到的概率較低。建議在自動駕駛功能開發中，重點關注并提升十字交叉口和T型交叉口的駕乘體驗。下圖7為已采集的道路交叉口占比情況。

2.1.5 天氣狀況統計分析

在采集過程中的天氣狀況主要分為：晴天、霧天、雨天、陰天等，其中，晴天占比38%，雨天占比32%，陰天占比27%，霧天占比2%。下圖8為已采集的天氣狀況占比情況。

2.2" "行車域典型場景

2.2.1 主車速度分布統計分析

在采集的全部道路中，主車速度在基本集中分布在30～100km/h，其中，在30～45km/h、80～100km/h出現了兩次峰值區間，說明了在這兩個速度值下的行駛占比較大，這與高速道路、城市道路區域行駛的占比成正相關，這種現象的發生可能與行駛道路特征、交通環境特征及駕駛員特性相關。建議在做自動駕駛功能開發時，需要重點關注打造這兩個速度區間的駕乘體驗。下圖9為已采集的主車速度占比情況。

2.2.2車道情況統計分析

在進行場景數據采集的過程中，針對中國高速道路的車道情況作了重點采集，結果表明：在車道數分布方面，2車道占比超過50%，4車道次之，5車道及以上的幾乎沒有；在車道線異常情況分布方面，比例最高的為車道線模糊，車道線混疊和中斷也有較大的占比，還有一些道路存在無車道線的情況。車道線異常情況給自動駕駛功能的視覺算法開發、橫向控制功能開發等帶來了一定的難度，需要重點關注此類特殊場景。下圖10為已采集的中國高速道路車道占比情況。

2.2.3 限速情況統計分析

在進行場景數據采集的過程中，針對中國高速道路的限速情況作了重點采集，結果表明：在限速數值分布方面，限速100km/h占比最高，限速120km/h和80km/h次之，限速60km/h及以下的幾乎沒有；在限速標志類型分布方面，比例最高的為在右側路測，占比超過了四分之三，其他的情況還包括龍門架式、左側路測、區間測速等。建議在進行高速道路場景的超速報警和自動降速功能開發時，重點提高在右側路測的限速100km/h、120km/h、80km/h的識別能力，減少誤識別限速數值的情況。下圖11為已采集的中國高速道路限速占比情況。

2.2.4轉向燈使用情況統計分析

本文統計了鄰車切入本車道時使用轉向燈的情況，并與美國的相關統計結果[20] 進行了對比，如下圖12所示。結果表明：在大多數情況中，中國駕駛員不會使用轉向燈作為警示信息，以提示其他交通參與者自己的換道行為，且中國駕駛員轉向燈使用概率僅為18%，遠遠低于美國的概率。因此，自動駕駛系統不應將轉向燈作為唯一判斷或者高優先級判斷其他車輛運動狀態的依據。

2.2.5 制動時機統計分析

對于鄰車切入本車道的過程，目標車輛類型不同，主車駕駛員采取的制動時機也差別很大。當目標車輛為二輪/三輪車等非機動車時，在切入開始-越線時，主車駕駛員100%概率會踩下剎車，剎車時機會很早；當目標車輛為乘用車/商用車等機動車時，有60%以上概率是在切入開始-越線時踩下剎車，30%左右的概率是越線-切入結束時踩下剎車，剩下有小部分概率是切入結束后踩下剎車。下圖13為目標車輛類型與制動時機之間的占比情況。

2.3" "泊車域典型場景

2.3.1車位類型統計分析

經統計（泊車位樣本量超過5000個），采集過的區域的泊車位類型共有三種，分別是：垂直車位、平行車位、斜向車位，其中，接近九成的泊車位類型為垂直車位，平行車位次之，但占比也僅為10%。因此，在進行自動泊車功能開發時，可側重于解決垂直車位的識別和泊入性能，優先提高垂直車位的場景覆蓋度。下圖14為不同泊車位類型的占比情況。

2.3.2 車位地面材質統計分析

在泊車位地面材質方面，可以發現會各種各樣的地面材質，且各種材質之間的占比比較均衡。因此，在進行自動泊車功能開發時，應該盡量覆蓋到各種各樣的地面材質，使得自動泊車功能在不同的地面材質均可以達到同樣的性能表現。下圖15為不同泊車位地面材質的占比情況。

2.3.3 車位尺寸統計分析

本次泊車位數據采集結果顯示：中國泊車位的尺寸，包括長度和寬度，普遍不滿足法規要求（長度范圍為5.6～7.5m，寬度范圍為2.7～3.5m），泊車位的大小尺寸整體缺乏監管，自動泊車系統應該增強對中、小尺寸泊車位的適應能力，增加對真實場景中的泊車位形式的驗證過程。下圖16為泊車位長度和寬度的占比情況（注：圖中的黑色虛線框為法規要求尺寸）。

2.3.4 車位左側、后側隔離統計分析

中國泊車位左側、后側的隔離方式多種多樣，且容易出現車位標線不清晰的情況。泊車位左側隔離絕大多數為白色實線，占比達到了72.8%；其他的左側隔離還包括了各種顏色的實線和虛線、臺階、減速裝置等。泊車位后側隔離絕大多數為白色實線和減速裝置，其中，減速裝置包括常見的限位塊、限位器、低矮欄桿等，另外，后側存在臺階也有一定的占比。自動泊車系統的設計應該充分考慮泊車位隔離方式的實際情況，針對性進行功能適應性開發。下圖17為泊車位左側和后側隔離方式的占比情況。

3" " 結語

本文提出了一種基于自然駕駛的場景數據采集方案，其平臺設備、實施方案經過50萬公里的實車道路測試后得到了充分的驗證。結果表明：

（1）所提出的場景數據采集方案具備可行性，細節更加豐富，能更全面地采集行車域和泊車域的典型場景，為國內其他主機廠、研究機構等單位的場景數據采集工作落地提供參考；

（2）未來將進一步對自動駕駛功能無人化典型場景、極端危險駕駛場景展開數據采集；

（3）基于采集的場景，研究場景背后的駕駛員行為，構建面向智能網聯汽車的成熟駕駛模型，為自動駕駛功能體驗注入更多的擬人化元素；

（4）將采集的數據與感知融合技術、無線通訊技術相結合，進一步深度挖掘與研究。

參考文獻：

[1]PADEN B， CAP M， YONG S Z， et al. A Survey of Motion Planning and Control Techniques for Self-Driving Urban Vehicles[J]. IEEE Transactions on Intelligent Vehicles， 2016， 1（1）： 33-55.

[2]陳慧巖，熊光明，龔建偉，等.無人駕駛汽車概論[M].北京： 北京理工大學出版社，2014.

[3]國務院.國務院關于印發《中國制造2025》的通知[EB/OL].（2015-05-08）[2022-10-22].http：//www.gov.cn/zhengce/content/2015-05/19/content_9784.htm.

[4]范志翔，孫巍，潘漢中，等.自動駕駛汽車測試技術發展現狀與思考[J].中國標準化，2017（20）：47-48+55.

[5]陳韜，蔡博，回春.基于場景元素的智能網聯汽車場景構建研究[J].公路與汽運，2019（06）：9-12.

[6]ZHAO D，GUO Y，JIA Y J. Traffic Net： An Open Naturalistic Driving Scenario Library[C]// 2017 IEEE 20th International Conference on Intelligent Transportation Systems （ITSC）. IEEE，2017.

[7]朱西產，張家瑞，馬志雄.安全切入場景下的駕駛人初始制動時刻分析[J].中國公路學報，2019，32（6）：262-318.

[8]鄭彤，樊昌國，岳承翰，等.面向地下停車場的原始數據與場景數據采集與并行計算[J].現代計算機，2020（35）：43-48+69.

[9]劉生.智能網聯汽車駕駛場景數據采集的研究及應用[J].汽車縱橫，2018（8）： 74-75.

[10]ZANG S Z， DING M， SMITH D， et al. The impact of adverse weather conditions on autonomous vehicles： how rain， snow， fog， and hail affect the performance of a self-driving car[J].IEEE Vehicular Technology Magazine， 2019 .14（2）： 103-111.

[11]GROH K， KUEHBECK T， FLEISCHMANN B， et al. Towards a scenario-based assessment method for highly automated driving functions[J]. 2017.

[12]FITCH G M， HANOWSKI R J. Using Naturalistic Driving Research to Design， Test and Evaluate Driver Assistance Systems[M]. Springer London， 2012.

[13]GAO F，DUAN J L，HE Y D，et al. A Test Scenario Automatic Generation Strategy for Intelligent Driving Systems[J].Mathematical Problems in Engineering，2019，99 （1）： 1-10.

[14]REZAEI M，TERAUCHI M，KLETTE R. Robust vehicle detection and distance estimation under challenging lighting conditions. IEEE Transactions on Intelligent Transportation Systems，2015，16（5）：2723-2743.

[15]中華人民共和國工業和信息化部.GB/T 39263 —2020 道路車輛 先進駕駛輔助系統（ADAS）術語及定義[S].國家市場監督管理總局；國家標準化管理委員會，2020.

[16]葉楓，寶鶴鵬，袁悅，王磊.一種基于數據分析的中國典型切入場景重現方法[J].現代計算機，2021（10）：34-40.

[17]HEIKOOP D D，HAGENZIEKER M，MECACCI G，al. Human behaviour with automated driving systems： a quantitative framework for meaningful human control[J]. Theoretical Issues in Ergonomics Science，2019，20 （6）： 1-20.

[18]魏微.智能網聯汽車技術路線圖：分四步走2025年實現完全自動駕駛[EB/OL].（2016-10-27）[2022-10-22].https：//www.sohu.com/a/117 396848_180553.

[19]中華人民共和國工業和信息化部.GB/T 40429 —2021汽車駕駛自動化分級[S].國家市場監督管理總局; 國家標準化管理委員會，2021.

[20]PONZIANI R. Turn signal usage rate results： A comprehensive field study of 12，000 observed turning vehicles[R]. SAE Technical Paper， 2012.

專家推薦語

郭軍朝

東風汽車集團有限公司技術中心質量驗證中心" "高級工程師

本文研究內容是時下智能駕駛汽車領域研究的熱點，采集場景數據覆蓋了27個省份的自然駕駛數據，采集公里數是50萬公里，并運用數據統計方法分析數據整體情況、行車域與泊車域場景等典型的智能駕駛場景，甚至是危險場景，為駕駛員行為的標定奠定了堅實基礎。

本論文實踐性強，對智能駕駛汽車場景設計、駕駛算法標定有很高的工程指導意義。