基于CIDAS事故場景的智能車輛視場配置*

蔡海, 林淼, 張新, 胡林

(1.長沙理工大學 汽車與機械工程學院, 湖南 長沙 410114;2.廣州汽車集團 汽車工程研究院,廣東 廣州 511434;3.中國汽車技術研究中心有限公司, 天津 300300)

近年來,車輛智能化程度加深導致車載感知需求繼續加大[1-3],各車輛制造企業對整車感知視場配置方案難以達成共識,視場配置方案存在系統繁雜、成本高、算例負荷大等缺點[4-5],缺乏對利用行車風險進行感知視場配置等關鍵技術的研究[6]。隨著車輛智能化水平的提高,感知元件類型和安裝數量愈加多樣和繁多,且隨著感知元件功能需求、類別的增多,僅依賴經驗選擇和傳統配置方法很難尋找到合理的感知元件組排[7-8],亟待建立選擇感知元件和配置安裝區域的快速求解方法。本文以交叉口典型乘用車事故場景通行下智能車輛最小感知區域作為研究基礎,使用基于車輛安全通行的感知元件選擇配置方法解決智能車輛在交叉口安全通行要求下的感知視場配置問題,配置在交叉口乘用車典型事故場景下安全通行的智能車輛感知視場。

1 乘用車交叉口事故場景構建

1.1 交叉口事故場景類型分析與劃分

選取中國交通事故深度調查(CIDAS)數據庫[9-10]中的交叉口案例數據,包括事故發生后事故形態、人員狀況、環境情況、道路狀態等的詳細描述,進行交叉口典型乘用車事故場景提取用于智能車輛視場配置。對數據庫中事故案例的提取標準如下:1) 事故發生地點為交叉口;2) 事故參與方中至少存在一方是乘用車;3) 去除數據記錄錯誤的事故案例;4) 去除事故數據缺失的事故案例。篩選事故案例后,最終得到1 630起交叉口交通事故。

基于主車在交叉口不同行駛意圖下的風險和事故形態,根據事故描述和事故類型編碼[11-12]對案例進行進一步分析,發現交叉口事故主要呈現12種主要類型(見圖1)。

圖1 乘用車交叉口事故類型示意圖

圖1中每種乘用車交叉口事故類型代表一種該行駛狀態下車輛行駛意圖和存在干涉方向的來車行駛意圖的組合,主車命名為A,來車命名為B,12種事故類型分別以A～L命名?；?2種事故類型,根據乘用車-兩輪車、乘用車-三輪車、乘用車-乘用車3種交通參與者類型進一步將1 630起交通事故案例劃分為圖2所示事故分布。

圖2 3種事故車輛類型下交叉口事故分布

1.2 交叉口乘用車典型事故場景獲取

根據事故場景研究和場景描述要求,選取可有效描述交通參與者運動狀態、事故形態的6個變量進行事故場景構建,分別為主車行駛方向、來車方向、來車類型、碰撞相對角度、主車速度、來車速度。圖1中的一種基礎場景代表主車行駛方向和來車行駛方向的一個參數值組合,采用k-means聚類方法提取交叉口事故場景(僅需要確定數值變量取值)。

k-means聚類算法使用歐氏距離作為簇間距離的度量指標,需要用戶先確定數據分組的數量。一種常用方法是根據簇內誤差平方和(SSE)和肘部法則確定最優聚類數[13-15],先將簇內誤差平方和關于聚類數k的曲線進行圖示化,選取簇內誤差平方和下降幅度最大的位置(呈現肘部形狀)對應的k值作為最佳聚類數。當簇內誤差平方和關于聚類數k的肘部不明顯時,結合輪廓分數(SS)[16]選擇最佳聚類數。根據簇內誤差平方和關于聚類數k的曲線預選出簇內誤差平方和-k曲線肘部附近的k系列值,選取肘部附近輪廓分數值最大處的k值作為最佳聚類數。

圖3～6為各種來車類型場景下聚類簇內誤差平方和值曲線和聚類輪廓分數曲線。通過分析各種來車類型下簇內誤差平方和-聚類數曲線、輪廓分數曲線,可獲取各基礎場景、不同來車類型下最佳聚類簇數,其中乘用車-二輪車的B、D、E、K場景,乘用車-三輪車的E、F場景,乘用車-乘用車的D、F場景的最佳簇數為3,其余場景的最佳簇數均為2。

在分布不均勻的數據集中,單個風險場景下事故案例數量較少,一部分簇可能由偶然性案例組成,鑒于測試場景應具備代表整個場景數據庫的能力,在劃分簇之后按案例占比選取最能代表該數據集合的典型簇 (簇中樣例數占總樣例數的比例最大),并以5作為分度值選取數值參數,得到不同來車類型下數值變量聚類結果(見表1)。

圖3 乘用車-二輪車場景的聚類簇內誤差平方和曲線

圖4 乘用車-二輪車場景的聚類輪廓分數曲線

圖5 乘用車-三輪車、乘用車-乘用車場景的聚類簇內誤差平方和曲線

圖6 乘用車-三輪車、乘用車-乘用車場景的聚類輪廓分數曲線

表1 3種來車類型場景的數值變量聚類結果

2 安全通行最小感知區域提取

2.1 車輛安全通行極限相對位置提取

為了構建基于交叉口事故場景安全通行需求的智能車輛感知視場配置,對交叉口事故場景下主車在各場景下實現安全避讓的最小感知范圍進行提取。圖7為事故場景模型化和感知區域提取流程。依托PreScan場景仿真測試軟件對乘用車典型交叉口事故場景進行建模與重構,進而提取各場景下實現車輛安全避讓的最小感知范圍。

搭建事故場景模型并提取智能車輛實現安全避讓的最小感知范圍的流程:1) 提取事故場景元素值的關鍵參數;2) 根據關鍵參數在PreScan軟件中構建場景模型;3) 建立交通參與者坐標實時采集程序及坐標關于時間的序列;4) 獲取車輛在該場景下實現避讓的最小距離;5) 根據極限相對位置分布圖,對智能車輛實現安全避讓的最小感知范圍進行描述。

車輛極限相對位置采集方法是提取車輛在各場景下實現安全避讓的最小感知范圍的基礎,考慮到弱勢道路使用者的道路通行級別,同時為縮小智能車輛感知視場范圍、減少感知運算負荷,定義車輛的極限相對位置為:當車輛與其他方向來車存在碰撞風險時,假設車輛以最大制動力進行制動并在T秒后于來車的道路邊界線前靜止,剛好允許其他車輛安全通行,則實現避讓操作前T秒時間的車輛相對位置就是該場景下實現避讓的極限相對位置(見圖7)?？刂葡到y發出制動指令到車輛停止包括控制系統作出決策、制動系統作出反應、制動器產生作用、持續制動作用的過程,則:

(1)

式中:Ta為制動系統作出反應的時間,取為0.03 s;Tb為制動器產生作用的時間,取為0.30 s[17-18];v為制動前車速;amax為最大制動減速度,取為6 m/s2[19-20]。

圖7 車輛極限相對位置提取流程

基于各場景類型下車輛的速度典型參數值與速度區間,可使用極限速度提取各場景下車輛極限相對位置,無須在速度邏輯區間內進行隨機搜索或大量劃分。20～30 km/h來車速度區間、20～35 km/h主車速度區間的極限相對位置提取方法見圖8、圖9。

圖8顯示了主車速度不變時,根據來車速度20 km/h或30 km/h實現避讓行為下兩車在T秒前的相對位置。速度為20 km/h的來車與速度為30 km/h的來車連線上的點即為速度20～30 km/h區間的來車在T秒前相對位置的可能取值,位置取值不超過速度為20 km/h的來車位置點與速度為30 km/h的來車位置點,速度為20 km/h的來車位置點與速度為30 km/h的來車位置點即為該場景(來車速度區間確定)下主車以某恒定速度行駛時來車的極限相對位置。

圖8 20～30 km/h來車速度區間的極限相對位置提取

圖9 20～35 km/h主車速度區間的極限相對位置提取

圖9顯示了來車速度不變時,速度為20 km/h或35 km/h的主車于避讓停止線前停止前T秒的相對位置。速度為20 km/h的主車與速度為30 km/h的主車連線上的點即為速度20～35 km/h區間內主車在實現避讓操作前T秒相對位置的可能取值,位置取值不超過速度為20 km/h的主車位置點與速度為35 km/h的主車位置點。將主車極限相對位置轉換為來車極限相對位置的方法:連接主車速度為20 km/h的主車位置點與來車位置點,則連線的來車側端點為恒定速度下來車與速度為20 km/h的主車的極限相對位置點,將該連線依據主車位置平移至速度為35 km/h的主車,則平移后的來車側位置點與主車速度為35 km/h下來車相對位置點即為該場景(主車速度區間確定)下來車以某恒定速度行駛時來車極限相對位置點。

2.2 安全通行最小感知區域轉化

相對角度與相對距離常用于表示障礙物的相對位置[21]。將22種典型交叉口測試場景在場景仿真測試軟件中進行復現,基于各場景的速度范圍運用場景下車輛安全通行極限相對位置提取方法得到88個來車極限位置點信息。

以20°為分度尺繪制圖10所示各場景下不同類型來車相對于主車的角度分布,以10 m為分度尺繪制圖11所示相對距離分布。由圖10、圖11可知:相對角度分布于(-68.6°,149.3°),相對距離分布于(3.4 m,83.5 m)。相對角度大多分布于30°～49.3°,占比達80.7%;相對距離大部分分布于40 m以內,占比達70.5%。

圖10 極限相對角度分布

圖11 極限相對距離分布

一般車輛視場的探測區間以車輛中軸線左右對稱的扇形區域表示,以車輛前進方向為y軸正方向、x軸為車輛右側,以60°區間對最小感知區域覆蓋半徑進行討論。為簡化車輛安全通行需求描述及感知視場配置,車輛在各場景下安全通行的感知區域以車輛中軸線左右對稱的扇形區間表示為:在30°～150°區間扇形半徑為83.5 m,在150°～210°、330°～30°區間扇形半徑為3.9 m,在210°～330°區間扇形半徑為9.1 m。圖12為以主車位置為坐標原點,將來車極限相對位置繪制為點的安全通行感知區域圖形描述。

圖12 安全通行感知區域圖形描述

3 基于安全通行的感知視場配置

3.1 基于事故場景安全通行的視場配置框架制定

先分析常用感知元件的探測參數和感知元件的安裝位置,得到備選感知元件參數和感知元件安裝位置參數;然后進行感知視場目標函數建模并引入感知視場配置方案經濟性評價指標,基于功能指標與經濟性指標設計目標函數進行多目標同步優化,構建兼顧安全性、經濟性的智能車輛感知視場配置方案(見圖13)。

圖13 基于事故場景安全通行的感知視場配置框架

備選元件選取傳統車載感知元件,將各感知元件簡化為以掃視角度與掃視距離特征定義的感知元件,忽略由感知元件類型和感知原理導致的檢測差異?；诟兄奶綔y性能數學表達式與目標感知區域的關聯設計感知視場配置目標函數,引入多個評價指標將感知視場優化配置問題轉換為多目標求解問題,實現兼顧經濟性和功能性的感知視場配置。

3.2 感知視場配置多目標優化問題的建立

將感知元件組合問題以多目標函數優化問題的形式表示,在對車輛感知元件進行功能建模后,建立感知視場配置多目標優化問題以描述感知視場配置方案的功能性與經濟性。感知視場配置方案的功能性指標通常是指當前感知元件組合方案下車輛可感知區域對最小感知區域的占比,車輛可感知區域落在安全感知區域中的部分屬于有效感知范圍,其他為無效感知范圍。為有效描述車輛的視場范圍并考慮與經濟性指標的統一,定義一個盲區占比函數Sp[見式(2)],優化目標為盲區占比函數Sp盡可能小。

(2)

式中:Sef表示當前感知視場配置下車輛可感知區域面積;St表示車輛安全通行最小感知區域面積。

為了實現對感知視場配置方案的經濟性評價,考慮到與功能函數的統一,定義一個成本函數Scost[其表達式見式(3)],優化目標為成本函數Scost盡可能小。

(3)

式中:Sc表示當前感知視場配置下感知視場配置總成本;k表示車輛上感知元件可安裝的位置數;Ci表示感知元件i的配置成本。

車載0、2、4、6位置有效感知覆蓋區域按式(4)計算,車載1、3、5、7位置有效感知覆蓋區域按式(5)計算。

Sefi=π·min(θ1,θ2)·min(R1,R2)2/360

(i=0,2,4,6)

(4)

(i=1,3,5,7)

(5)

式中:Sefi為i位置感知元件的有效覆蓋區域;θ1、θ2分別為感知元件的感知探測角度和安全通行最小感知區域角度;R1、R2分別為感知元件的感知探測距離和安全通行最小感知區域距離;L、α分別為兩個感知元件的相對距離和相對方向角;R12為感知元件的感知扇形與安全通行最小感知區域重疊區域的半徑,按式(6)計算。

R12=min(R1,R2)-

(6)

根據事故場景下車輛安全通行的最小感知區域,結合感知元件的感知功能參數,按式(4)～(6)可求得整車在各感知元件組合配置方案下的有效感知區域面積,進而可根據式(2)求得盲區占比,根據式(3)求得該感知視場配置方案下的經濟成本。由于主要注重于感知方案的功能完整性,盲區占比與經濟成本優化權重設置為4∶1?；诟兄晥雠渲媚繕撕瘮祵溥x感知元件進行優選配置,實現對安全通行下感知區域的最大覆蓋和整車感知視場配置成本最低。

3.3 感知視場配置備選參數確定

根據基于通行需求的感知視場配置問題的求解方法與步驟,以感知元件的覆蓋程度、經濟性作為優化目標建立多目標求解問題,根據事故場景下安全通行最小感知區域選取備選感知元件的主要參數(見表2)[6]。車輛寬度設置為1.8 m,車輛長度設置為4.8 m。

表2 備選感知元件的主要參數

由于車頂一般安裝激光雷達,不將車頂納入感知元件備選安裝位置。感知元件備選安裝位置選為車輛矩形輪廓4個頂點和車輛前后左右四端,整車可供安裝感知元件的位置共8個,分別編號為0～7(見圖14)。結合各場景下來車相對于主車的極限相對位置極坐標分布,將車輛前后左右四端感知元件垂直于相應車輛輪廓線安裝,前端側面感知元件安裝朝向與車輛行駛方向之間的相對角度設為45°,車輛后端側面感知元件安裝朝向與車輛行駛方向之間的相對角度設為125°。

圖14 感知元件備選安裝位置示意圖

3.4 感知視場配置目標問題求解

常見的目標優化算法有遺傳算法、粒子群優化算法,兩種算法均使用種群中搜索最優個體的方式求解問題,但求解方式不同?；谑鹿蕡鼍鞍踩ㄐ械闹悄苘囕v視場配置主要是對備選感知元件(解約束)在車輛可安裝位置(目標函數約束)上進行排列組合搜索,同一備選感知元件選型方案在不同安裝位置的目標函數值可能存在較大差異。因此,采用遺傳算法求解感知視場配置優化多目標問題。使用遺傳算法對智能車輛感知視場問題進行求解的流程見圖15。求解過程中對遺傳算法進行調整,一是增強種群在進化過程中的變異可能性;二是增大種群數量;三是在算法運算超過一定時間后重啟算法并記錄此次求解的目標函數最大值。

圖15 智能車輛感知視場問題求解流程

求解結果見圖16。目標函數值隨著種群的不斷迭代而上升,在第85代得到最優感知視場配置方案個體。由于在迭代過程中將每一代最優個體作為下一代初始個體,在第一代最優個體的適應度就達到最大值2直到結束,所獲得的最優個體基因型編碼為[6,5,4,2,1,2,4,5],該基因型編碼表示在智能車輛的0#安裝位置安裝6#感知元件,1#、7#安裝位置安裝5#感知元件,2#、6#安裝位置安裝4#感知元件,3#、5#安裝位置安裝2#感知元件,4#安裝位置安裝1#感知元件。

圖16 遺傳算法求解示意圖

在進行車輛感知視場配置時發現采用8#感知元件可實現360°及100 m范圍的目標感知,但配置8#感知元件需要71 000元,而配置遺傳算法求解的最優個體基因型感知元件方案,成本僅39 720元,成本縮減一半。

4 感知視場配置方案仿真驗證

采用感知區域覆蓋率、目標有效感知率指標對所獲得的感知視場配置方案進行評價,驗證其在各類場景下的感知有效性。

4.1 感知覆蓋率評價

覆蓋率評價是以感知視場配置方案所獲得的感知區域與安全通行下最小感知區域進行比較,根據感知元件的探測范圍面積與最小感知區域面積的比值進行感知元件方案評價。最小感知區域面積約7 403.9 m2,在感知視場配置方案下車輛檢測面積為8 151.3 m2,覆蓋面積比值大于1,證明感知元件方案可滿足智能車輛感知區域面積大于最小感知區域面積的要求。

如圖17所示,22種典型交叉口事故場景中智能車輛對障礙車輛實現避讓行為下的極限相對位置點完全被配備該感知元件組合的車輛感知視場范圍覆蓋,表明該感知視場配置方案滿足極限相對位置點覆蓋要求。

圖17 極限相對位置與車輛感知區域覆蓋示意圖

4.2 目標有效感知率評價

目標有效感知率評價運用車輛在極端場景通行時是否可及時感知到來車,從而安全通行作為衡量標準,實現對智能車輛視場有效感知率評價。

在事故場景測試軟件中構建多類交叉口典型事故場景并加載配置感知元件最優組合方案的智能車輛進行測試,智能車輛的制動控制采用緊急制動算法。在仿真環境中車輛的最大減速度設為6 m/s2,在障礙車輛遠離后要求智能車輛重新起動并安全通過交叉口。為增加場景危險性,12種極端場景中車輛速度與障礙車輛速度均設為最大值,智能車輛的速度曲線見圖18和圖19。從圖18和圖19可以看出:配置該感知元件組合方案的車輛在感知到障礙車輛出現后均以最大減速度制動,從而成功避讓障礙車輛。

圖18 極端事故場景A～F下配備感知元件最優組合方案車輛的速度曲線

圖19 極端事故場景G～L下配備感知元件最優組合方案車輛的速度曲線

圖20為12種極端場景下來車相對于主車的軌跡曲線。由圖20可知:各場景下來車均不與配置該感知元件組合方案的智能車輛發生碰撞,意味著配備該感知元件組合方案的智能車輛在所搭建的交叉口事故場景中行駛至極限相對位置點時能及時感知障礙車輛的出現并在避讓停止線前制動,避免事故發生并安全通過交叉口。

圖20 12種極端場景下來車相對于主車的軌跡曲線

5 結語及展望

虛擬場景測試技術已成為一種重要的智能車輛測試方法,事故數據作為構建事故場景的重要數據源之一,已被廣泛用于提取事故場景進行智能車輛測試。本文從CIDAS數據庫中提取22種典型交叉口乘用車事故場景,在基于工程經驗的智能車輛感知視場配置方法不滿足多樣化的感知元件擇選的背景下,提取各事故場景下安全通行的智能車輛最小感知區域,構建基于事故場景通行的智能車輛感知視場配置方法。

首先將分布不均衡的事故數據劃分為12種基礎事故場景并選擇描述場景的變量,運用數值聚類方法對數值變量進行場景變量值選取,最終獲得22種典型交叉口乘用車事故場景。在場景仿真軟件中搭建22種典型事故場景并從場景庫中選取測試參數區間作為測試對象和被測試對象的參數設置依據。依據速度邏輯極限取值使用極限位置提取方法提取來車極限位置點信息,基于極限相對位置點分布特點將來車極限位置點轉化為智能車輛在事故場景下安全通行的最小感知范圍。

提出基于事故場景安全通行需求的感知視場配置框架,建立基于事故場景安全通行需求的感知視場配置多目標優化問題,依次進行感知元件感知功能建模、感知視場配置多目標優化問題建立和求解,對基于事故場景安全通行的感知視場配置方法進行應用。最后對所獲得的感知元件組合方案運用感知區域覆蓋率、目標有效感知率進行評價,結果表明搭載該感知元件組合方案的智能車輛在所提取的典型事故場景中可滿足安全通行要求。

本文構建事故場景所選取的變量未考慮顯著影響車輛感知功能的能見度、光照強度等環境變量,在進行車輛感知視場配置時未考慮障礙物遮擋問題,進行感知元件組合方案驗證評價時僅進行了場景仿真驗證,缺乏實車測試驗證。在未來的研究中應在場景中增加干擾車輛感知、執行算法正常運行的場景元素,并加強對傳感器的精細化建模。