為實(shí)現(xiàn)對(duì)不同自動(dòng)駕駛解決方案系統(tǒng)的量化分析，本實(shí)驗(yàn)基于自動(dòng)駕駛仿真模擬器Carla二次開發(fā)了交通仿真平臺(tái)，支持模擬使用不同感知與決策控制算法的駕駛行為，并基于不同評(píng)價(jià)標(biāo)準(zhǔn)，對(duì)系統(tǒng)結(jié)果進(jìn)行對(duì)比分析。

通過(guò)對(duì)百度實(shí)際測(cè)試數(shù)據(jù)與自動(dòng)駕駛領(lǐng)域公開數(shù)據(jù)集的分析與歸納，實(shí)驗(yàn)選取了行人鬼探頭、無(wú)保護(hù)左轉(zhuǎn)、異常障礙物與異常交通情況四個(gè)典型場(chǎng)景，作為自動(dòng)駕駛領(lǐng)域備受關(guān)注的安全問(wèn)題與邊緣場(chǎng)景的代表。真實(shí)數(shù)據(jù)被用于建模各場(chǎng)景的初始參數(shù)分布模型，以在仿真平臺(tái)上渲染構(gòu)建高保真的實(shí)驗(yàn)場(chǎng)景。

對(duì)每一個(gè)典型場(chǎng)景，均開展單車智能、車路協(xié)同感知、車路協(xié)同感知與決策控制三種對(duì)照實(shí)驗(yàn)各1000 次，并從安全和通過(guò)效率等評(píng)價(jià)維度，對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行統(tǒng)計(jì)分析，為自動(dòng)駕駛解決方案的量化分析與評(píng)價(jià)提供理論參考。

B.1 場(chǎng)景分布模型

通過(guò)對(duì)百度Apollo提供的近三萬(wàn)條真實(shí)交通流軌跡數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，采用最大似然估計(jì)等方法，擬合得到自由交通流狀態(tài)下的場(chǎng)景分布函數(shù)[1][2]。

其中，非路口環(huán)境下的車頭時(shí)距分布為負(fù)指數(shù)分布：

非路口環(huán)境下的車速分布滿足對(duì)數(shù)正態(tài)分布：

路口環(huán)境下的車速分布符合對(duì)數(shù)正態(tài)分布：

圖B.1 路口環(huán)境下的車速直方圖

在行人鬼探頭場(chǎng)景中，超參數(shù){θ }={v ,v ,d ,h }，其中v 為主車速度，v 為跟車速度，h 為車頭時(shí)距[3]，為主車與路端設(shè)備之間的距離，d2為后車與路端設(shè)備之間的距離并可以通過(guò)d2=d1+abs(v2-v1)h2計(jì)算。其中兩車速度v ，v 均滿足對(duì)數(shù)正態(tài)分布，行人速度假設(shè)為常值，h 的分布為負(fù)指數(shù)分布[4]，根據(jù)真實(shí)車輛數(shù)據(jù)狀態(tài)分布，推算d1的分布近似滿足均勻分布。

圖B.2 行人鬼探頭 圖B.3 無(wú)保護(hù)左轉(zhuǎn)

在無(wú)保護(hù)左轉(zhuǎn)場(chǎng)景中，超參數(shù){θ0  }={v1,v2,v3,v4,d1,d2,d3,h4}，其中v1為對(duì)向直行車1的速度，v2為遮擋車2的速度，v3為左轉(zhuǎn)車3的速度，v4為車4跟車速度，定義左轉(zhuǎn)車3與對(duì)向直行車1之間發(fā)生碰撞的點(diǎn)為沖突點(diǎn)[5]，突點(diǎn)所在平行直線的距離，h4為車3與車4間的車頭時(shí)距。根據(jù)真實(shí)車輛數(shù)據(jù)狀態(tài)分布，v1,v2,v3的分布均滿足對(duì)數(shù)正態(tài)分布，d1,d2,d3假設(shè)為均勻分布，h4的分布為負(fù)指數(shù)分布。

圖B.4 異常障礙物 圖B.5 異常交通情況

在異常障礙物場(chǎng)景中，超參數(shù){θ0}={v1,v2,d1,d2}，其中v1為左側(cè)車道的前車1的速度，v2為右側(cè)車道的后車2的速度，d ,d 分別為車1與車2距離路側(cè)設(shè)備之間的距離[6]。兩車速度v ,v 均滿足符合城市道路速度規(guī)范的均勻分布[7][8]，根據(jù)真實(shí)車輛數(shù)據(jù)狀態(tài)分布，推算d ,d 的分布近似滿足均勻分布。

在異常交通情況下，超參數(shù){θ0}={v1,v2,v3,v4,d3,d4}，其中v1,v2分別為異常情況發(fā)生前，駛過(guò)該區(qū)域的其他非自動(dòng)駕駛車輛車1與車2的速度，車5為停在修路路段前的靜止車輛，v3為需決策在車5后是否違反交通規(guī)則進(jìn)行“逆行”的車3的速度，v4為對(duì)向轉(zhuǎn)入車輛車4的速度。定義車3與對(duì)向車4之間發(fā)生碰撞的點(diǎn)為沖突點(diǎn)，d3為車3與沖突點(diǎn)的距離，d4為對(duì)向車4與沖突點(diǎn)的距離。根據(jù)真實(shí)車輛數(shù)據(jù)狀態(tài)分布，可推算出v ,v ,v ,v 的分布近似滿足對(duì)數(shù)正態(tài)分布，1/d ,1/d 近似滿足泊松分布[2][9][10]。

1. 感知模型

在本實(shí)驗(yàn)中，感知模型將RGB相機(jī)與深度相機(jī)采集的圖像作為輸入，基于語(yǔ)義分割模型對(duì)當(dāng)前車輛所處環(huán)境進(jìn)行理解，并將感知結(jié)果提供給后續(xù)的決策模型作為參考。一般情況下，感知結(jié)果以像素級(jí)的語(yǔ)義標(biāo)注和異常標(biāo)注作為輸出形式。

語(yǔ)義分割模型遇到訓(xùn)練集分布之外的異常輸入時(shí)無(wú)法準(zhǔn)確地進(jìn)行預(yù)測(cè)，使得語(yǔ)義分割模型難以被部署到對(duì)安全性要求極高的場(chǎng)景。為了能夠檢測(cè)到異常的物體，如道路上意料之外的障礙物，需要使用異常檢測(cè)算法。在訓(xùn)練異常檢測(cè)算法時(shí)，需要在異常檢測(cè)數(shù)據(jù)集上驗(yàn)證模型效果。

常用的異常檢測(cè)數(shù)據(jù)集包括Fishyscapes[11]，RoadAnomaly[12]，StreetHarzards[13]，Road Obstacles[14]，Lost  and  Found[15]等；圖片中的異常部分可能來(lái)自物體圖片數(shù)據(jù)集，也可能為場(chǎng)景中的真實(shí)異常物體。

現(xiàn)有的異常檢測(cè)算法中，以Synboost[16]為代表的方法融合了語(yǔ)義分割、圖像生成等多個(gè)模型的結(jié)果， 具有較好的效果但是運(yùn)行速度較慢；以SML[17]為代表的方法對(duì)現(xiàn)有語(yǔ)義分割模型的輸出結(jié)果進(jìn)行歸一化調(diào)整，從而得到異常分割的閾值，具有更高的實(shí)時(shí)性。本實(shí)驗(yàn)采用SML方法進(jìn)行異常分割任務(wù)。

SML方法[17]提出對(duì)語(yǔ)義分割模型的輸出分?jǐn)?shù)進(jìn)行標(biāo)準(zhǔn)化。分割算法將一個(gè)像素分類為一個(gè)物體類別時(shí)，像素確實(shí)屬于此類別的情況下模型的預(yù)測(cè)分?jǐn)?shù)會(huì)比像素屬于異常輸入時(shí)的分?jǐn)?shù)要高。但并不是所有像素屬于預(yù)測(cè)的類別的情況下，模型輸出的分?jǐn)?shù)都比像素屬于異常時(shí)高。因此，SML算法提出對(duì)輸出的分?jǐn)?shù)進(jìn)行標(biāo)準(zhǔn)化，從而使得這兩種情況下模型輸出的分?jǐn)?shù)差別更大、重疊更少、更容易區(qū)分。為了對(duì)輸出的分?jǐn)?shù)進(jìn)行標(biāo)準(zhǔn)化，算法在訓(xùn)練集中統(tǒng)計(jì)每個(gè)類別的模型輸出分?jǐn)?shù)的均值 μc

上式中i 表示第i 個(gè)訓(xùn)練樣本。

取得均值與方差后，模型在測(cè)試集上運(yùn)行時(shí)，對(duì)模型的輸出分?jǐn)?shù)進(jìn)行標(biāo)準(zhǔn)化。每個(gè)位置 h,w 的標(biāo)準(zhǔn)化最大分?jǐn)?shù)Sh,w 定義為：

在對(duì)分?jǐn)?shù)進(jìn)行標(biāo)準(zhǔn)化之后，模型的預(yù)測(cè)的邊緣仍然會(huì)錯(cuò)誤地含有一些假陽(yáng)和假陰。為了解決邊緣的錯(cuò)誤預(yù)測(cè)，該算法對(duì)邊緣的預(yù)測(cè)結(jié)果進(jìn)行迭代抑制。該算法逐漸將臨近的非邊緣區(qū)域的標(biāo)準(zhǔn)化最大分?jǐn)?shù)傳播到邊緣區(qū)域。具體來(lái)說(shuō)，該算法將邊緣的寬度定為一個(gè)特定的值并逐漸縮小這個(gè)值。給定一個(gè)在第i 次迭代時(shí)的邊緣寬度ri 和語(yǔ)義分割輸出，位于每個(gè) h,w 的像素非邊緣面具 為：

上式用于計(jì)算每一個(gè)滿足 。

接下來(lái)，算法使用邊緣自覺(jué)平均匯集。對(duì)于一個(gè)邊緣像素 b 和它的感受場(chǎng) R，邊緣自覺(jué)平均匯集(BAP) 定義為：

因?yàn)檫吘壱种浦荒芨逻吘壪袼?，在非邊緣區(qū)域的異常值無(wú)法被邊緣抑制解決。該算法使用擴(kuò)張平滑來(lái)解決非邊緣區(qū)域的異常值。因?yàn)楦咚购四軌蛉コ肼?，邊緣抑制使用高斯核。通過(guò)已知的標(biāo)準(zhǔn)差σ 和大小為k 的卷積過(guò)濾器，在 i,j 位置的核權(quán) 

 定義為：

車路協(xié)同場(chǎng)景下，車端與路端同時(shí)部署一個(gè)SML模型，首先根據(jù)路端相機(jī)的位姿以及深度信息將路端的像素級(jí)異常檢測(cè)結(jié)果先投影到世界坐標(biāo)系下，然后根據(jù)車端相機(jī)的位姿，將世界坐標(biāo)系下的異常點(diǎn)再投影到車端視角下；對(duì)車端自身和路端投影到車端的兩套語(yǔ)義分割結(jié)果，如果路端和車端一致認(rèn)為某一點(diǎn)是異常，或者路端和車端對(duì)某一點(diǎn)的語(yǔ)義分割結(jié)果不一致，兩種情況均將對(duì)應(yīng)點(diǎn)處理為異常。實(shí)驗(yàn)結(jié)果顯示，采用上述方式的車路協(xié)同下的感知模型性能優(yōu)于單車條件下的感知模型性能。

1. 決策控制模型

本實(shí)驗(yàn)的決策控制模型基于CARLA自有決策與控制方法改進(jìn)而得[3]。針對(duì)不同駕駛狀態(tài)，分別定義了對(duì)應(yīng)的決策規(guī)劃策略。狀態(tài)之間的轉(zhuǎn)換根據(jù)感知模塊提供的估計(jì)與全局規(guī)劃器提供的拓?fù)湫畔?zhí)行。自動(dòng)駕駛車輛的當(dāng)前位姿、速度和規(guī)劃的導(dǎo)航點(diǎn)被傳送給PID控制器，以執(zhí)行對(duì)轉(zhuǎn)向、油門和制動(dòng)器的控制。對(duì)仿真器中可能出現(xiàn)的慢響應(yīng)時(shí)間情況，PID控制器表現(xiàn)出了較好的魯棒性。5種不同駕駛狀態(tài)下的決策控制模型定義如下：

1. 沿道路行駛狀態(tài)下，局部規(guī)劃器基于語(yǔ)義分割算法計(jì)算的本車道掩碼，選擇與道路右邊緣保持固定距離的系列點(diǎn)作為后續(xù)導(dǎo)航點(diǎn)；

2. 路口左轉(zhuǎn)狀態(tài)下，由于車道線缺失、目標(biāo)車道較遠(yuǎn)且前視攝像頭視野有限，需要使用相對(duì)復(fù)雜的決策規(guī)劃策略：先以預(yù)定義的傾斜角計(jì)算駛向路口中心的導(dǎo)航點(diǎn)，以提升對(duì)目標(biāo)車道的識(shí)別；隨后，從路口中心向目標(biāo)車道規(guī)劃出平滑軌跡；

3. 右轉(zhuǎn)狀態(tài)下，使用與左轉(zhuǎn)類似的策略。但由于右轉(zhuǎn)的目標(biāo)車道更近，需規(guī)劃的導(dǎo)航點(diǎn)更少，且只需前向信息而無(wú)需附加補(bǔ)充信息；

4. 路口直行狀態(tài)下，決策控制策略與沿道路行駛狀態(tài)類似；

5. 急停狀態(tài)下：在檢測(cè)出動(dòng)態(tài)障礙物的累積概率高于預(yù)定義閾值，即具有潛在危險(xiǎn)時(shí)，系統(tǒng)將激活急停模式，向控制器請(qǐng)求緊急中斷連續(xù)控制。

1. 評(píng)價(jià)模型

評(píng)價(jià)模型由車輛安全評(píng)價(jià)模型、行人安全評(píng)價(jià)模型和通行效率評(píng)價(jià)模型三部分組成。

其中車輛安全評(píng)價(jià)模型是在車輛模型為單車智能、車路協(xié)同感知及車路云一體化的情況下，基于真實(shí)數(shù)據(jù)生成的場(chǎng)景初始參數(shù)模擬行車狀況，輸出特定場(chǎng)景大規(guī)模仿真結(jié)果中的行車碰撞率，并推算至絕對(duì)概率[18][19]?；诮y(tǒng)計(jì)的車輛碰撞概率為 

 ，其中 為車輛發(fā)生碰撞的試驗(yàn)次數(shù)，N為實(shí)驗(yàn)總次數(shù)    為場(chǎng)景出現(xiàn)概率。行人鬼探頭場(chǎng)景下的碰撞率推算自CIDAS數(shù)據(jù)庫(kù)，描述的是自動(dòng)駕駛車輛與行人和其他車輛的碰撞概率；其余場(chǎng)景的出現(xiàn)概率基于小規(guī)模真實(shí)數(shù)據(jù)采樣推算得出。

行人安全評(píng)價(jià)模型是基于真實(shí)的數(shù)據(jù)庫(kù)，通過(guò)風(fēng)險(xiǎn)因素分析，得出碰撞車速與行人重傷或死亡概率的關(guān)系模型[20][21][22]。此模型應(yīng)用于場(chǎng)景一對(duì)行人安全的評(píng)估。

其中邏輯回歸-風(fēng)險(xiǎn)曲線模型是一種通用的行人安全評(píng)價(jià)模型[23][24]。在Jacques Saadé[20]的研究中，用于邏輯回歸-風(fēng)險(xiǎn)曲線模型函數(shù)擬合的數(shù)據(jù)基于VOIESUR Accident Database的真實(shí)數(shù)據(jù)集，VOIESUR Accident Database數(shù)據(jù)來(lái)源于8500個(gè)交通事故致行人死亡或受傷的事件[20][25]，剔除車輛本身失控致行人受傷或死亡的案例，并以行人受傷或死亡是由于第一次車輛碰撞而非二次碰撞，以及車輛沒(méi)有從行人身上碾壓過(guò)的情況作為篩選條件，最終篩選出了5163個(gè)滿足條件的案例。其中有2483個(gè)案例有充足的信息，其它案例使用了修正系數(shù)來(lái)補(bǔ)償信息缺失，使數(shù)據(jù)可以最大化利用。

在風(fēng)險(xiǎn)因素分析方法方面，該邏輯回歸-風(fēng)險(xiǎn)曲線模型通過(guò)計(jì)算優(yōu)勢(shì)比的方法，分析了不同的撞擊速度、行人年齡、撞擊的身體部位、車輛生產(chǎn)年份、引擎蓋高度和行人行走方向的存在與否對(duì)死亡率產(chǎn)生的影響。其中，撞擊速度（V）和行人年齡（A）是最魯棒且顯著的影響因素[20]。此外Jacques Saadé

[20]在研究工作中設(shè)計(jì)了2*2實(shí)驗(yàn)，測(cè)試了兩種自變量關(guān)系（V+A,V2+A）和兩種回歸模型（Comprehensive-loglog, Logit）形成的四種組合在預(yù)測(cè)行人死亡率或重傷率的準(zhǔn)確性上的表現(xiàn)： 評(píng)價(jià)標(biāo)準(zhǔn)采用赤池信息量準(zhǔn)則（AIC）和誤差項(xiàng)。

表B.1 回歸誤差分析結(jié)果[20]

實(shí)驗(yàn)結(jié)果表明損失最小的組合為L(zhǎng)ogit(V2+A)。最終得出撞擊速度（V）與行人年齡（A）對(duì)行人死亡率 或重傷率影響的關(guān)系模型及其風(fēng)險(xiǎn)曲線：

圖B.6 行人安全風(fēng)險(xiǎn)曲線[20]

基于Jacques Saadé [20]的研究工作，在仿真實(shí)驗(yàn)條件下，我們引入碰撞發(fā)生概率（P ），由條件概率h

公式可得，行人安全性評(píng)價(jià)模型在仿真實(shí)驗(yàn)場(chǎng)景一中的函數(shù)公式為：

其中行人年齡（A）采用由真實(shí)數(shù)據(jù)統(tǒng)計(jì)得到的高頻出行事故人群年齡（40歲）[26]，由上述行人安全性評(píng)價(jià)模型函數(shù)公式可知，碰撞發(fā)生概率（Ph）與撞擊速度（V）越小，行人受傷或死亡的概率越小，證明用于測(cè)試的仿真實(shí)驗(yàn)?zāi)Ｐ偷陌踩栽礁摺?

通行效率評(píng)價(jià)模型評(píng)估了對(duì)象車輛在單車智能、車路協(xié)同感知及車路協(xié)同決策控制下行駛過(guò)四種場(chǎng)景的目標(biāo)通行區(qū)域所需時(shí)間（T）。在每個(gè)場(chǎng)景下，記錄對(duì)象車輛進(jìn)入劃分區(qū)域和離開劃分區(qū)域的時(shí)間戳以計(jì)算通行時(shí)間，具體的劃分區(qū)域定義如下：場(chǎng)景一中定義為包含左車道靜止車輛與整個(gè)十字路口的矩形區(qū)域；場(chǎng)景二中定義為十字路口及各方向距人行橫道2車身距離的區(qū)域；場(chǎng)景三中定義為主車最早可能產(chǎn)生變道行為位置到完全超越異常障礙物位置的矩形區(qū)域；場(chǎng)景四中定義為進(jìn)入單車道區(qū)域位置到完全駛離單車道位置的矩形區(qū)域。此評(píng)價(jià)模型主要量化不同決策控制方案對(duì)交通通行效率的影響。對(duì)于發(fā)生碰撞的單次實(shí)驗(yàn)計(jì)算交通事故的處理時(shí)間，與車碰撞情況下的通行時(shí)間取平均值33分鐘[27]， 與人碰撞情況下的通行時(shí)間取平均值35分鐘，該數(shù)據(jù)根據(jù)公開交通數(shù)據(jù)集計(jì)算[28]。

綜合安全與效率評(píng)價(jià)模型，可以更完備地考量單車智能、車路協(xié)同感知和車路協(xié)同決策控制在具體場(chǎng)景下的表現(xiàn)[29][30][31]。