面向自動駕駛運行風險的高風險關鍵道路辨識

中圖分類號：F570 文獻標志碼：ADOI： 10.13714/j.cnki.1002-3100.2025.09.018

Abstract： Autonomous driving technology has been deployed in some open road areas， exposing a series safety risks. These safety risks accidents frequently occur on high-risk critical roads within operational areas. To enhance safety management risk prevention for autonomous driving， it is essential to identify high-risk critical roads. This paper pro posesa method for identifying high-risk roads based on autonomous driving operational risks. Firstly，a structured risk scenario repository is constructed. networks are segmentedinto topological unitsvia feature-based division. Then， LLMs are employed to generate driving scenarios convert m into topological graphs. Finally， sub graph isomorphism matching is implemented between scenarios repository， with criticality ranking enabling accurate identification high-risk road sections. Compared with state---art methods， proposed approach demonstrates substantial improvements in both recognition accuracy computational efficiency.

Keywords： traffic engineering;high-risk critical roads identification; topological matching; autonomous driving; large language model

0引言

隨著自動駕駛技術的快速發展，安全問題仍然是制約其規模化和商業化的關鍵瓶頸。目前，自動駕駛在部分區域已實現開放運營，例如武漢城區已經實現商業化運營和上海洋山港的自動駕駛集卡。然而，這些區域在實際運行中也暴露出了一些安全隱患。視距突變、車流密集或高沖突道路顯著增加自動駕駛車輛的感知延遲與決策風險，極易成為事故多發區域。所以急需準確辨識自動駕駛運行區域的高風險關鍵道路，為后續交通安全管控和風險預防措施提供重要依據2。

自動駕駛運行區域的高風險關鍵道路辨識主要面臨3個挑戰與難題：

第一是運行區域關鍵道路有效識別難。當前學者對關鍵路段辨識的研究主要采用了兩種方法：（1）基于事故發生后的統計工作，利用模糊理論、深度學習、回歸分析等模型預測事故的發生率和發生次數；（2）通過分析道路特征、交通環境時空關系與交通安全之間的關聯性來評估道路的安全性。但是都側重于事故發生后的數據分析，缺乏事故發生前的場景分析，無法辨識導致道路事故發生的場景風險要素，故難以有效識別關鍵風險道路。

第二是運行區域中道路風險的準確評估難。自動駕駛運行區域由不同功能和位置的道路組成，每條道路所處的地理位置和道路特征各不相同，導致各道路的風險差異明顯。當前，道路風險量化方法主要通過復雜網絡理論對路網進行拓撲結構分析，借助節點之間的相互作用與路徑選擇評估道路的潛在風險[II2]，以及通過交通流量、道路重要性等特征對各路段的風險進行量化[3]。然而，這些方法主要面向傳統車輛，未能充分考慮自動駕駛車輛的特殊需求，因此無法準確衡量自動駕駛在特定道路上的風險。

第三是高風險關鍵道路的高效識別難。現有研究中，多采用等距離劃分、行政區域劃分或基于土地使用等因素的方法4，以及遍歷搜尋法[151]。然而，在大規模的運行區域中，這些方法由于未充分考慮道路特征，導致劃分出來的路段具有高度相似的特征，造成相似路段重復處理，產生冗余，從而進一步降低識別效率。

基于上述研究背景和需求，本文針對自動駕駛在其運行道路區域的風險預防需要，基于現有自動駕駛風險抽象場景庫與道路區域的匹配，提出一種適配特定運行道路區域的高風險關鍵道路辨識方法，創新之處在于：（1）可實現高風險關鍵道路的有效辨識；（2）可準確評估道路區域內的自動駕駛運行風險；（3）可提升高風險關鍵道路的辨識效率。

1問題描述

設 R 為自動駕駛的運行區域， ，其中 r_i 表示 R 內的第 i 個道路片段。本文的目標就是篩選出 R 中的高風險關鍵道路集合 H ， ，即篩選出關鍵度之和最大的集合 H

式中： h_j 為決策變量，表示 H 內第 j 個高風險關鍵道路片段； I（h_j） 表示片段 h_j 對整個運行道路區域的關鍵度；存在以下約束條件，所有被篩選道路片段必須是運行區域 R 的一部分，被選道路片段的數量 m 等于總片段數 n 的特定比例 α

高風險關鍵道路是指在一定條件下，具有較高事故發生概率或對整體運行道路區域具有重要影響的道路片段。對于每個道路片段 r ，定義 S（r） 為該片段出現的風險類型集合。關鍵度 可以表示為片段 r 出現的風險場景類型 的多樣性和嚴重性的函數，即：

I（r）=g（S（r））

式中： g 是將風險場景類型的集合映射到一個數值的函數。

2高風險關鍵道路辨識方法

為了解決上述問題，本文提出了一種面向自動駕駛運行風險的高風險關鍵道路辨識方法，通過構建道路風險場景庫、提取道路片段特征、匹配風險要素和評估道路關鍵度，旨在實現高精度、高效率的自動駕駛運行道路區域的高風險道路辨識，整體流程包括4個模塊，具體流程如圖1所示。

2.1道路風險場景庫構建

本文采用自然語言處理技術，從現有的抽象事故場景庫中提取實體關系等結構，以構建道路風險場景庫。設 s 為構建的風險場景庫， ，其中每個場景 s_i 由三部分組成，可表示為：

s_Ωi=（L_i，T_i，A_i）

式中： L_i 表示場景的可擴展性描述語言，用于描述場景中的環境特征，例如照明條件、天氣條件、環境條件和道路類型。可擴展性描述語言可以定義為集合 L_i ：

式中： l_j 表示場景中第 j 個環境特征； T_i 表示三元組集合，用于定義場景中的實體及其關系，可表示為：

式中： e_i1，e_i2∈E 為場景中的實體， r_j∈R 為實體間的關系； A_i 表示實體的屬性集合，用于描述每個實體的狀態和意圖：

式中： A（e_ij） 表示第 j 個場景中第 i 個實體的屬性：

式中： a_i1 表示第 χ_i 個實體的第1個屬性。

2.2運行區域道路片段提取

如圖2所示，整個運行區域道路片段提取過程由2個主要步驟組成。首先，從復雜的運行區域 R 中提取出道路片段 r_i ，這些片段可以是交叉路口、車道或特定的道路。接著，對提取出的每個片段進行標準化轉換，形成片段的拓撲結構表示。

（1）基于道路特征的片段提取

本文提出了一種基于道路特征的片段提取方法，以更高效地對運行區域的路網進行切片處理。 R 為整個運行區域，運行區域可以是港區、機場、物流園、開放道路示范區，目標是將復雜運行區域 R 進行分割為可以產生具體場景的道路片段 r_i

定義道路特征集合 F

式中：每個 f_i 表示具體的道路屬性。通過解析運行區域的路網文件（如VISSIM或OpenDRIVE文件），提取各道路片段的特征信息，并構造特征向量來描述片段 r_i 的特征：

式中： f_i1 為片段 r_i 的第一個特征。

（2）道路片段拓撲轉換

道路片段拓撲轉換是將提取出的道路片段集合 R 轉換為樹狀拓撲結構 G_R ，用以標準化表示這些片段的內部連接關系。拓撲結構表示為 G_R=（V，E^′） ，其中 V_i 表示節點集合，包含運行區域內各個道路片段的實體， E_i 表示邊集合，反映道路片段的內部連接關系。因此存在這樣一個映射關系 f RG_R ，具體的映射函數可以表示為：

節點 V_i 主要有四種基本的實體：車道（lane）、車道組（ Π_group） 、道路（road）和交叉路口（junction），均參照OpenDRIVE規范。

2.3自動駕駛場景生成（1）基于LLM的場景生成

以道路片段拓撲結構GR作為輸人，采用大語言模型（LLM）為每個道路片段生成與道路片段拓撲結構相對應的自動駕駛場景。為了有效地引導 LLM 生成準確的自動駕駛場景，對LLM 進行微調并采用了Prompt 技術。Prompt Engineer-ing涉及策略性地制定輸入查詢，以優化LLM的響應，使其更加精確、相關和有用[I8]。根據 OpenAI的Prompt 指南中的六個策略，提出了一個結構化的Prompt 如圖3所示。該Prompt由5個部分組成：（1）角色定義：設定LLM為自動駕駛場景生成專家；（2）輸人描述：道路拓撲結構作為場景構建基礎；（3）任務細節和響應格式：強制輸出結構化場景描述與分類標簽；（4）示例：嵌入典型場景模板提升生成一致性；（5）分析任務強化：再次強調了分析任務的重要性，確保LLM在生成場景框架時保持高度的精確度和一致性。

（2）自動駕駛場景拓撲轉換

本文根據生成的場景框架，將其轉換為結構化的拓撲圖。將場景 S=（s₁，s₂，…，s_n） 轉換為拓撲結構 ，也是存在一種

或映射關系 f . S?G_s ，具體表示為：

轉換過程中，節點 V_i 通過場景中的實體集合構建，而邊集合 E_i 由三元組集合 T_i 中的關系定義。

2.4關鍵道路遴選（1）場景風險要素提取

設 為風險場景庫第 i 個場景三元組集合，在識別道路片段的風險場景前會對風險場景庫中的場景進行風險要素提取，利用LLM的Prompt技術分析并提取出與風險場景直接相關的三元組 （實體-關系-實體）以及它們的實體屬性，對所有的三元組根據風險相關的強弱進行排序，得到的排序為 t_（1），t_（2），…，t_（m） ，排序靠前的將被賦予更高的權重，以突出它們在場景中的重要性。權重依次按 α_a 的冪次遞減，設總權重和為1，權重的計算如下：

式中： ω_i 表示第 i 個三元組的權重， m 表示總三元組個數。

（2）道路片段風險場景識別

本文采用子圖同構算法實現自動駕駛場景與風險場景庫的拓撲匹配。在圖論中，子圖問題可以表述為：給定兩個圖 G_i 和 ，就是要找到一個注入函數 （即一一映射） f G₂?G₁ ，使得對于 G₂ 中每個節點和邊在 G₁ 中都有對應的節點和邊。在本文的拓撲匹配中，節點集合和邊集合的匹配規則如下：

① 節點匹配：對于每個節點 v_i∈V₂ ，映射后的節點 f（v_i）∈V₁ 必須具有相同或者相似的屬性，具體表示為：

?v_i∈V₂，f（v_i）∈V₁

② 邊匹配：對于與節點 v_i 連接的每條邊 e_i∈E₂ ，必須存在對應的邊 f（e_i）∈E₁ ，并且這兩條邊的屬性也必須匹配：

?e_i∈E₂，f（e_i）∈E₁

在子圖匹配過程中，會進行相似度的打分，并且會通過不同的權重分配來反映不同元素的重要性。匹配得分由兩部分組成：一部分是場景的可擴展性描述語言的匹配得分 Score_i ，另一部分是場景拓撲結構的匹配得分 Score_t 。最終的總得分 Score_total 是這兩部分得分的加權和：

Score_total=λScore_i+μScore_t

式中： λ 和 μ 分別是兩部分得分的權重。

（3）關鍵風險道路片段遴選

計算每個道路片段的關鍵度 I（r_i） ，關鍵度 I（r_i） 是道路片段識別出的風險場景數量的函數，用以反映每個片段的潛在風險水平。

然后將所有道路片段按照關鍵度從高到低進行排序，設排序后的道路片段為 r_（1），r_（2），…，r_（n） ，其中 I（r_（1））?I（r_（2））?…?I （r_（n）） 。為遴選出高風險關鍵道路片段，定義一個閾值 α∈（0，1） ，即根據關鍵度的特定比例選擇出前 ?αn^? 個道路片段作為高風險關鍵道路集合。

最終，高風險關鍵道路片段集合 H 可以表示為：

3實驗驗證

3.1實驗設計

為了驗證本方法的有效性，本文實驗設計將專注于對比分析本文提出的高風險關鍵道路辨識方法與現有方法在以下3個方面的表現：（1）道路區域中高風險關鍵道路的高精度辨識能力；（2）高風險道路關鍵度評估的準確性；（3）高風險關鍵道路識別過程的效率。現有方法是不考慮風險要素辨識，并且是基于距離的道路片段提取。

本文的自動駕駛抽象場景庫采用了由美國國家公路交通安全管理局（NHTSA）發布的《Pre-Crash Scenario Typology for Crash Avoidance Research》中提出的37個預先碰撞場景[20]。并選用選擇下面幾個指標評估本文提出的辨識方法：

（1）高風險關鍵道路辨識的有效識別率（EffectiveIdentificationRate，EIR）有效識別率衡量的是識別正確片段的能力。

TP 是正確識別為高風險關鍵路段的數量， TN 是正確識別為非高風險關鍵路段的數量， n 是總數。

（2）高風險關鍵道路辨識的完備度（Completeness，CMP）

完備度是評估關鍵道路辨識有效性的指標，用于衡量系統是否能夠全面識別所有潛在的高風險關鍵道路段。

式中：FN是沒有被識別出來的高風險關鍵道路的數量。

（3）道路關鍵度評估的準確度（Accuracy，ACC）該指標用于評估道路片段關鍵度評估的準確性。

式中： 為道路片段 i 識別出的關鍵度， I_i 為道路片段 i 的真正的關鍵度。

（4）高風險關鍵道路的單位距離識別時間（TimeperUnitDistance，TUD）

辨識效率的評估可通過單位距離識別時間來體現，該指標衡量系統識別單位長度道路片段的風險所需的平均時間。

式中：Time是識別所需的總時間，Distance是被識別的道路總長度。

3.2 敏感度分析

敏感度分析考慮道路類型和關鍵道路閾值2個因素：（1）道路類型：考慮該方法的完備度，選擇兩種道路分別實驗：城市道路和高速公路；（2）關鍵道路閾值 α ：改變閾值 α 的取值，取值范圍為[0.2，0.8]。

3.3實驗結果分析

通過實驗結果分析，本文方法在高風險關鍵道路辨識上表現有較好的性能，相較于現有方法，如圖4和圖5所示，EIR 和CMP分別提升了 15.79% 至 33.33% ；如圖6所示， ACC 提升了 19.44% 至 16.25% ，并且在識別效率上，TUD最高降低了77.32% ，顯著在復雜交通環境中對高風險關鍵道路的辨識能力。

由圖4至圖7實驗結果可知，本方法在城市道路與高速環境中均顯著提升高風險道路辨識能力。閾值 α 對識別效果具有顯著影響：當 α=0.2 及0.8時，有效識別率與完備度同步達到峰值。低閾值 （αlt;0.5） 時系統聚焦高關鍵度片段，高閾值 （α?0.5 時則因敏感性增強擴展識別范圍。建議通過閾值調優實現精準風險識別。

4結論與建議

本文提出的基于抽象場景拓撲匹配的高風險道路辨識方法，具有以下三方面創新：（1）基于抽象場景拓撲匹配的高風險道路辨識框架，通過構建自動駕駛風險場景庫與拓

撲同構匹配機制，實現 15.79%～33.33% 的有效識別率提升；（2）集成大語言模型的風險要素匹配評估方法，基于風險要素權重分配策略使評估準確度提高 16.25%～19.44% ；（3）道路特征片段動態提取技術，通過拓撲特征分析消除冗余計算，達成77.32% 的識別效率優化。

盡管本文方法在多個評估指標上具有優勢，但仍存在局限性。其方法依賴于風險場景庫的質量，而匹配權重和閾值參數需根據不同區域動態調整。未來研究可著重于：（1）完善風險場景庫以提升泛化能力；（2）引入智能優化算法實現參數動態調整；（3）結合圖像識別技術提升識別精度與實時性。

參考文獻：

[1]胡笳，羅書源，賴金濤，等．自動駕駛對交通運輸系統規劃的影響綜述[J].交通運輸系統工程與信息，2021，21（5）：52-65，76.

[2]楊曉光，賴金濤，張振，等．車路協同環境下的軌跡級交通控制研究綜述[J]．中國公路學報，2023，36（9）：225-243.

[3]寇敏，張萌萌，趙軍學，等．道路交通安全風險辨識與分析方法綜述[J].交通信息與安全，2022，40（6）：22-32.

[4]DRISS M，SAINT-GERAND T，BENSAIDA，etal.Afuzylogic model foridentifyingspatialdegrees exposureto riskroadaccidents（Casestudy WilayaMascara，NorthwestAlgeria）[C]//InternationalConferenceonAdvanced Logistics Transport. IEEE， 2013：69-74.

[5]ALRAJHM，KAMELM.Adeep-learning modelforpredictingvisualizingriskroadtraffcacidentsinSaudi Arabia：AtutorialapproachJ].InterationalJoualAdvanedComputerScienceAplications，2019，10（1）：475483.

[6]KANG TS，UMJG.Risk Assessment roadcut slopesin Gyeoungnam basedonmultipleregressonanalysis[J].The Journal Geology，2007，17（3）：393-404.

[7]MOOSAVI S，SAMAVATIANMH，PARTHASARATHY S，et al.Accident risk predictionbasedonheterogeneous sparsedata：Newdataset insights[C]//Proceedings 27thACMSIGSPATIAL InternationalConferenceonAdvanesinGeographic Systems，2019：33-42.

[8]NOGAL M，O' CONNOR A，MARTINEZ-PASTORB，et al. Novel probabilisticresilienceasessment framewrk transportationnetworksagainstextremewearevents[J].ASCE-ASMEJournalRiskUncertaintyinEngineringSystems，Part A：Civil ，2017，3（3）：04017004.

[9]蘇飛，董宏輝，賈利民，等．基于時空相關性的城市交通路網關鍵路段識別[J].交通運輸系統工程與信息，2017，17（3）：213-221.

[10]PORTA S，CRUCITTIP，LATORA V.Thenetworkaalysis urbanstrets：Adualapproach[J].PhysicaA：StatisticalMechanics its Applications， 2006，369（2）：853-866.

[11] 王慶國．城市道路重要性評價方法的綜合分析[J].測繪通報，2018（8）：124-127.

[12] 趙妍，李華，王方．基于k-shell的城市路網關鍵路段識別方法[J].系統工程，2014，32（5）：105-110.

[13] 王立夫，鐘昊男，郭戈．基于擁堵系數的道路交通網絡關鍵路段辨識[J].控制與決策，2023，38（3）：843-849.

[14]LIY，DANGA，HUANGT.EvolutionadministrativedivisioninBeijinganalysisonitsspatialpattrnbasedonGIS [C]//2009 17th International Conference on Geoinformatics. IEEE，2009：1-6.

[15] 鄒文杰，翁劍成，榮建，等．基于空間相關性分析的路網評價區域劃分方法[J].北京工業大學學報，2012，38（4）：564-569.

[16] 譚飛剛，劉偉銘，黃玲，等．混合交通交叉路口跨攝像機自行車再識別研究[J].中國公路學報，2017，30（5）：132-138.

[17]AL-MOSLMIT，OCANAMG，OPDAHLAL，etal.Namedentityextractionforknowledgegraphs：Aliteratureoverview[J]. IEEE Access，2020（8）：32862-32881.

[18] GIRAYL.Prompt engineringwith ChatGPT：Aguideforacademicwriters[J].AnalsBiomedical，2023，51 （12）：2629-2633.

[19] MARVING，HELLENN，JINGOD，etal.Promptengineringinlarge languagemodels[C]//Internationalconferenceonda ta intelligence cognitive informatics. Singapore： Springer Nature Singapore， 2O23：387-402.

[20] NAJM W G，SMITHJD，YANAGISAWA M.Pre-crash scenario typologyfor crashavoidanceresearch[J].DotHs， 2007，767：25-28.