典型城市道路人车碰撞危险场景提取

邹晋彬，倪兴泷，但舒灵

(西华大学，四川 成都 610039)

随着我国汽车保有量的不断增加，行人的交通安全问题愈发受到重视，而具备和集成了高度智能化、大数据和车联网技术的自动驾驶汽车将会有效降低交通事故[1]。自动驾驶汽车的测试场景是否完善是决定其应用的关键因素，因此，对已有的交通事故案例研究，提取出典型的人车碰撞危险场景，可有效降低自动驾驶测试场景的开发成本和周期。目前，国外学者利用已有的交通数据库并对其分类整理，利用事故场景参数聚类获得危险场景，国内学者也基于真实的交通数据库，通过事故场景特征聚类得到危险场景[2-4]。但上述研究多集中于车与车相撞的危险场景，缺乏涉及行人的交通危险场景相关研究，因此，本文通过筛选出国家车辆事故深度调查体系NAIS(National Automobile Accident In-depth Investigation System)数据库中典型城市道路人车碰撞事故案例，运用聚类分析提取出典型人车碰撞危险场景，为自动驾驶汽车提供测试方案。

1 交通事故数据统计与变量选择

对NAIS数据库中的人车事故进行筛选，最终得到144例信息完善的有效案例。从试验成本和效率出发，选取能够主观调控并且容易复现的参数。经过仔细分析，最终选取3类共5个参数做进一步分析。环境参数：光照条件、道路特征；车辆参数：车辆行驶速度；行人参数：行人运动速度、行人运动状态，见表1。为便于统计及之后的聚类，将汽车的行驶车速高于50 km/h定义为高速行驶，低于50 km/h定义为正常速度行驶

表1 参数类型及取值

2 聚类分析及场景提取

本文采用系统聚类提取危险场景，系统聚类通过计算给定样本间的距离，把相似度较高的样本分到同一类，相似度较低的样本分到不同类，使得同一类样本间的相似性强于不同类样本。

采用欧氏距离法对样本之间的距离进行量化，公式如下

(1)

式中:Xik为第i个样本的第K个变量，Xjk为第j个样本的第K个变量，dij为第i个样本与第j个样本间的直接距离。

得到各个样本之间的距离后，采用类平均法计算类与类之间的距离，公式如下

(2)

通过MATLAB编程进行系统聚类时，发现倒数第5次并类的不一致系数相较于第6次有大幅增加，根据聚类分析特性[5]，确定最终分类数为6类，得到聚类结果，并通过卡方检验法对每一类特征检验，见表2。

表2 聚类分析结果

3 典型场景提取及结果分析

根据表2，初步提取第一，二，三，四类工况作为城市道路人车碰撞的典型危险场景，得到表3。这四类典型危险工况涵盖了全部样本工况的86.11%，代表了绝大部分的危险工况。第一类场景表明在直道路段且光照差的环境下，行人沿道步行并与高速行驶的车辆发生碰撞；第二类场景表明在直道路段且光照良好的环境下，行人从车辆右侧过来并与正常行驶的车辆发生碰撞；第三类场景表明在路口路段且光照良好的情况下，行人从车辆右侧过来并与正常行驶的车辆发生碰撞；第四类场景表明在直道路段且光照差的环境下，行人从车辆右侧步行过来并与正常行驶的车辆发生碰撞。

表3 危险场景

4 结 论

(1)通过自然驾驶获取危险场景数据的过程复杂，并难以获取有效的数据，而基于事故大数据提取具有代表性的典型危险场景，是更为有效的方法。

(2)提取得到的4类针对行人的典型危险场景中，行人从车辆右侧横穿直道公路的危险场景类别最多，占比最大，且伴随照明不足、路段交通状况复杂和车辆超速等危险特征。基于这些危险特征衍生出的仿真测试场景适用于我国的自动驾驶测试。

(3)考虑上述危险场景及危险特征的城市交通规划方案，可有效降低涉及行人的交通事故发生率，亦可为规划城市智能设施位置提供参考。