Ⅲ 研究方法

在本文中，我們基于重要性采樣原理和 APF 方法開發(fā)了一個(gè)面向行人的關(guān)鍵測試場景生成框架 （Wang et al.， 2016）。通過比較實(shí)驗(yàn)驗(yàn)證了生成的關(guān)鍵情景的準(zhǔn)確性和有效性。圖 1 說明了本研究中提出的總體框架。

圖 1.研究的整體框架

從中國 4 個(gè)主要城市的 12 個(gè)信號燈交叉路口收集了微觀交通數(shù)據(jù)集，包括不同類型的行人過馬路行為，用于形成原始情景庫。隨后選擇決策變量作為特征描述符來描述車輛與行人交互場景。受 Feng et al. （Feng et al.， 2021， Feng et al.， 2021） 提出的新穎框架的啟發(fā)，該框架通過車車交互場景生成的重要性采樣整合了場景的暴露頻率和機(jī)動挑戰(zhàn)，我們將這一原理擴(kuò)展到本研究中的行人測試場景生成。本文對暴露頻率和風(fēng)險(xiǎn)等級的定義如下：

?曝光頻率：真實(shí)交通環(huán)境中場景的發(fā)生概率。

?車輛-行人交互風(fēng)險(xiǎn)：車輛與行人的碰撞概率。

曝光頻率是通過分析原始情景庫中決策變量的統(tǒng)計(jì)分布來確定的。情景風(fēng)險(xiǎn)最初使用三階段 AEB 模型作為替代模型 （SM） 進(jìn)行評估，該模型用 AV 對人行橫道的響應(yīng)取代了原始情景庫中的車輛行為。在此之后，采用基于 APF 的風(fēng)險(xiǎn)模型來評估集成 SM 的車輛與行人交互場景的風(fēng)險(xiǎn)水平。在定義了關(guān)鍵場景提取的指標(biāo)后，開發(fā)了輔助功能和優(yōu)化搜索算法，以提高從原始場景庫生成關(guān)鍵場景的效率。最終，使用所提出的方法生成的情景構(gòu)成了關(guān)鍵行人測試情景庫。

Ⅳ SIND數(shù)據(jù)集

4.1 數(shù)據(jù)記錄和統(tǒng)計(jì)

車輛和行人在信號燈交叉路口的行為由周期性的交通信號調(diào)節(jié)，以最大限度地減少沖突。然而，大量研究表明，由于車輛和行人違反交通規(guī)則，十字路口的交通事故仍然存在（Shaon 等人，2018 年）。中國人口稠密的大中型城市在信號燈交叉路口表現(xiàn)出復(fù)雜的行人行為，其特點(diǎn)是行人與車輛之間的頻繁互動。這種情況對 AV 在中國的部署提出了相當(dāng)大的挑戰(zhàn)。為了解決這個(gè)問題，對行人、車輛及其在真實(shí)十字路口的交互行為進(jìn)行統(tǒng)計(jì)分析、調(diào)查和研究以進(jìn)行測試以進(jìn)行 AV 測試至關(guān)重要。目前，中國沒有來自信號路口的開源、高質(zhì)量的微觀交通數(shù)據(jù)集來支持 AV 測試場景的研究。在本研究中，SIND （Signalized Intersection Dataset） 的軌跡數(shù)據(jù)是從中國 4 個(gè)城市的 12 個(gè)信號路口獨(dú)立收集的，提供了 VRU 的真實(shí)行為數(shù)據(jù)，以支持復(fù)雜車對萬物交互中的動態(tài)特征分析。

數(shù)據(jù)收集自中國 4 個(gè)城市（西安、天津、重慶和長春）的 12 個(gè)信號燈十字路口。出于本研究的目的，選擇了四個(gè)十字路口來生成關(guān)鍵的行人測試場景，如圖 2 所示。具體來說，1 號交叉口位于西安，2 號交叉口位于長春，3 號交叉口位于重慶，4 號交叉口位于天津。數(shù)據(jù)是使用配備 4 K（3840 × 2160）相機(jī)的 DJI Mavic 2 無人機(jī)錄制的，以 29.97 Hz 的頻率拍攝鏡頭。無人機(jī)在高空懸停，最大限度地減少了對 VRU 的影響，而其高清攝像頭捕捉自然行為（Zhan et al.， 2019）。此外，在每個(gè)路口的兩個(gè)相對角落放置手機(jī)，以記錄交通信號燈狀態(tài)并更清晰地捕捉行人過馬路細(xì)節(jié)。所有交叉路口均由兩相信號燈控制，左轉(zhuǎn)和直行車輛共享相同的綠燈相位。這種設(shè)置通常會導(dǎo)致行人和車輛之間頻繁的交互和沖突，從而促進(jìn)了眾多車輛-行人交互場景的提取。該數(shù)據(jù)集包括各種機(jī)動車輛，包括汽車、公共汽車和卡車，以及行人、騎自行車者和摩托車手等 VRU。數(shù)據(jù)是在工作日和節(jié)假日的高峰時(shí)段（早上、中午和晚上）收集的。在數(shù)據(jù)收集過程中還考慮了天氣狀況，包括晴天、多云和雨后。本研究通過檢測、校正、跟蹤和后處理等步驟構(gòu)建了 SIND 數(shù)據(jù)集 （Xu et al.， 2022）。表 1 顯示了所選站點(diǎn)的詳細(xì)信息。

圖 2.中國 4 個(gè)城市的選定信號路口

表 1 所選站點(diǎn)的詳細(xì)信息

在西安和重慶的數(shù)據(jù)中，行人在 VRU 中占比最大，而在長春，行人數(shù)量與摩托車相當(dāng)。在天津，行人排名第二，僅次于兩輪車。此外，該數(shù)據(jù)集還包括人行橫道的詳細(xì)特征，例如步行速度、軌跡、交通法規(guī)遵守情況、交通信號的觀察和判斷以及道路交叉期間的群體行為。多樣化的數(shù)據(jù)和行人畫像為行人導(dǎo)向的測試和相對研究提供了有價(jià)值的支持。

4.2 車行交互場景的數(shù)據(jù)處理

要從原始數(shù)據(jù)集中提取車輛與行人交互的危險(xiǎn)場景，首先需要識別車輛和行人之間的沖突區(qū)域。車行沖突通常發(fā)生在行人與車輛之間的距離減少到臨界閾值時(shí)，這可能導(dǎo)致碰撞或促使任何一方采取規(guī)避行動以防止事故發(fā)生（Yang et al.， 2022）。

基于 SIND 數(shù)據(jù)集，采用以下規(guī)則提取并形成原始的車行交互場景庫：

(1)行人和車輛之間存在潛在的沖突區(qū)域。

(2)從交互開始到一方退出潛在沖突區(qū)域，車輛和行人的時(shí)間戳都精確同步。

(3)在交互的最初時(shí)刻，行人和車輛都沒有在沖突區(qū)域內(nèi)或已經(jīng)離開沖突區(qū)域。

行人和車輛軌跡在同一時(shí)間范圍內(nèi)重疊的場景將從原始場景庫中提取為有效的交互場景。圖 3 顯示了十字路口車輛與行人交互沖突的幾種常見類型。它突出顯示了關(guān)鍵情況，例如當(dāng)行人與左轉(zhuǎn)或右轉(zhuǎn)的車輛穿過路徑時(shí)，或者當(dāng)行人和車輛在十字路口內(nèi)朝沖突的方向移動時(shí)。原始情景庫主要是通過從收集的數(shù)據(jù)集中提取圖 3 中描述的情景來構(gòu)建的。每種沖突類型都經(jīng)過仔細(xì)識別和分類，確保表示所有可能的行人-車輛交互場景。此外，特殊情況（例如行人或車輛的交通違規(guī)）也被考慮在內(nèi)（盡管頻率較低）。違規(guī)行為包括行人無視交通信號或車輛不給行人讓行的情況。盡管此類事件并不常見，但對于開發(fā)用于測試目的的綜合場景庫至關(guān)重要。最終，提取結(jié)果為長春 555 個(gè)有效情景，重慶 805 個(gè)有效情景，天津 846 個(gè)有效情景，西安 3,679 個(gè)有效情景。這些變化確保了行人與車輛交互場景的廣泛和多樣化表示。

圖 3.信號燈交叉路口車輛與行人互動的典型沖突

Ⅴ 關(guān)鍵行人測試場景生成

5.1 決策變量

在 AV 測試的背景下，場景是指被測車輛與環(huán)境之間的交互，代表隨時(shí)間推移的一系列事件（Cai et al.， 2022）。它將車輛的作和事件定義為測試目標(biāo)。場景包括交通參與者之間的動態(tài)交互和靜態(tài)交通狀況（Ulbrich et al.， 2015）。Bagschik 等人（Bagschik 等人，2018 年）提出了一個(gè)五層框架來描述情景元素，后來由 Sauerbier 等人（Sauerbier 等人，2019 年）擴(kuò)展為包括第六層數(shù)字信息?，F(xiàn)有的場景構(gòu)建研究表明，自動駕駛測試場景的要素一般可以分為兩類。第一類由固定元素組成，這些元素由 Operational Design Domain（ODD） 確定，例如道路類型、車道編號和其他靜態(tài)因素。這些元素定義了 AV 預(yù)期運(yùn)行的環(huán)境，并對測試場景的動態(tài)方面施加了約束。在本研究中，由 ODD 確定的參數(shù)表示為 。第二類涉及 ODD 無法通用定義的動態(tài)元素，因?yàn)樗鼈儠鶕?jù)具體情況而變化。這些因素包括車速、行人移動以及行人與車輛之間的相對距離等因素。由于這些元素是特定于場景的，因此需要有針對性的研究來精確描述它們。

在本文中，我們關(guān)注場景的動態(tài)元素，特別是那些在人行橫道期間出現(xiàn)的元素。我們定義了信號控制十字路口的人行橫道的 ODD，行人與從左側(cè)或右側(cè)接近的車輛互動。行人和車輛之間的動態(tài)交互以及其他環(huán)境因素構(gòu)成了行人-車輛交互場景的核心。這種互動可以分為三個(gè)階段：行人與車輛之間的初次相遇，行人在雙方車輛不斷接近時(shí)移動的過境階段，以及一方退出沖突區(qū)的最后階段。

當(dāng)前方有行人過馬路時(shí)，自動駕駛汽車的駕駛行為至關(guān)重要，不當(dāng)行為可能會導(dǎo)致潛在的碰撞風(fēng)險(xiǎn)（Lanzaro 等人，2023 年）。主要變量包括行人和車輛的移動特征，例如行人和車輛的過馬路速度以及坐標(biāo)。因此，車輛的縱向速度 、行人的過馬路速度 ，它們的相對經(jīng)距 、相對橫向距離  以及行人和車輛之間的速度差  被選為代表場景特征的決策變量，如方程（1）所示。行人與車輛交互場景中的決策變量如圖 4 所示。

圖 4.車輛-行人交互場景的決策變量

5.2 重要性函數(shù)

在生成場景的過程中，需要一種臨界度評估方法來確定每個(gè)場景的重要性，并從原始場景庫中篩選出關(guān)鍵場景。目前，大多數(shù)研究都集中在安全方面，使用替代安全措施（SSM） 等指標(biāo)。它們不考慮場景的發(fā)生概率，這意味著這些場景容易發(fā)生，并且在實(shí)際流量中很常見。根據(jù) ISO 26262 的汽車安全完整性等級 （ASIL），定義了三個(gè)決定性因素，例如嚴(yán)重性、暴露和可控性，以評估與汽車系統(tǒng)組件相關(guān)的風(fēng)險(xiǎn)。因此，本文測量了情景危急性  與暴露頻率和風(fēng)險(xiǎn)級別。場景曝光頻率  通過分析原始車行交互數(shù)據(jù)獲得，情景風(fēng)險(xiǎn)等級  由 SM 和具有一定閾值的風(fēng)險(xiǎn)模型進(jìn)行評估。重要性函數(shù)被定義為兩個(gè)因子的乘積，如方程（2） 所示。

5.2.1 曝光頻率

暴露頻率是指情景發(fā)生的概率，它由每個(gè)單元內(nèi)情景相對于總情景的比例決定。在計(jì)算中，速度差  行人與車輛之間初次相遇在所有場景下都在范圍內(nèi)(0,16)。橫向距離  的范圍是(0,30]和縱向距離  的范圍是(0,40]。所有參數(shù)范圍都從原始數(shù)據(jù)集中派生為離散單位，以步長為 1 進(jìn)行離散化。

5.2.2 車行交互場景的風(fēng)險(xiǎn)模型

該場景后續(xù)時(shí)間步長的風(fēng)險(xiǎn)是未知的，無法使用直觀的指標(biāo)迭代計(jì)算。因此，集成了新穎的 SM 和實(shí)時(shí)風(fēng)險(xiǎn)評估模型，以識別車輛和行人的潛在風(fēng)險(xiǎn)交互。

?代理模型(SM)

SM 的構(gòu)建是關(guān)鍵測試場景生成的關(guān)鍵步驟，可以代表 AV 的感知、決策和控制功能。三階段 AEB 系統(tǒng)已經(jīng)過測試和證明，具有更好的適應(yīng)性和駕駛舒適性，同時(shí)減少了誤報(bào)和碰撞嚴(yán)重程度（Zhou and Wang， 2022） （Ye et al.， 2024）。在本文中，我們使用三階段 AEB 模型作為 SM。

在三級 AEB 系統(tǒng)中，初始動作由前方碰撞警告 （FCW） 觸發(fā)，該警告根據(jù)隨 AV 速度變化的停止時(shí)間激活 。停止時(shí)間是指從最初施加制動開始的持續(xù)時(shí)間  完全停止，并持續(xù)與當(dāng)前碰撞時(shí)間 （TTC）進(jìn)行比較。人類駕駛車輛的制動過程一般分為三個(gè)階段：對應(yīng)于制動反應(yīng)時(shí)間的均勻運(yùn)動階段 ，一個(gè)變化的減速階段，在此期間減速度增加  和均勻的減速階段 ，如方程（3） 所示。

被測試的 AV 的制動反應(yīng)時(shí)間最短，可以忽略不計(jì)（Zhao et al.， 2019）。因此，本文只考慮了均勻減速階段的制動時(shí)間（Zhao et al.， 2023）。方程 （4） 表示 AV 的停止時(shí)間。

行人和車輛之間的潛在沖突區(qū)域是根據(jù)他們軌跡的重疊區(qū)域、車輛的長度和寬度來確定的，如圖 4 所示。當(dāng)行人首先通過沖突區(qū)域時(shí)，TTC 由方程 （5） 計(jì)算。

其中  表示車輛寬度，而  表示當(dāng)前時(shí)間。當(dāng)車輛首先通過沖突區(qū)域時(shí)，TTC 由方程 （6） 計(jì)算。