摘 要：为了减少自动驾驶汽车在城市道路测试的开发成本和开发周期，并为城市道路交通规划提供参考，基于国家车辆事故深度调查体系(NAIS)数据库，筛选出了144起城市道路汽车与行人碰撞的工况样本，对筛选出的交通事故案例聚类分析，通过卡方检验提取危险场景的典型特征，最终得到4类符合中国城市道路汽车与行人碰撞的典型危险场景库，为构建城市智能交通方案提供参考。
关键词：自动驾驶;人车碰撞;危险场景;聚类分析;
作者简介：邹晋彬(2000—),男，四川内江人，本科，实验员，研究方向：交通事故、汽车主被动技术;
基金：国家级大学生创新创业训练项目(S202010650001);西华大学西华杯项目(2020143);
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[2,3,4]。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
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。
表1 参数类型及取值 导出到EXCEL
| 取值 | 数值表示 |
|
| 1 |
| 2 | |
|
| 1 |
| 2 | |
|
| 1 |
| 2 | |
|
| 1 |
| 2 | |
从车辆左侧 | [0.500] | |
| 从车辆右侧 | [00.50] |
沿道 | [000.5] |
采用欧氏距离法对样本之间的距离进行量化，公式如下
dij=(∑k=15(xik−xjk)2)12 (1)dij=(∑k=15(xik-xjk)2)12 (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
D2KL=1nLnK∑xi∈Gk,xj∈GLdij (2)DΚL2=1nLnΚ∑xi∈Gk,xj∈GLdij (2)
式中：GK为第K类，GL为第L类，nK为第K类的元素个数，nL为第L类的元素个数，D2KLΚL2为第K类与第L类之间的平方距离。
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 导出到EXCEL
|
| 总数 | |||||||
| 2 | 3 | 4 | 5 | 6 | ||||
| 个数 |
| 14 | 0 | 0 | 15 | 4 | 9 | 42 |
| 30 | 34 | 31 | 0 | 7 | 0 | 102 | ||
| 0.15 | 14 | 12.76 | 36.42 | 0.27 | 21.85 | |||
| 个数 |
| 44 | 21 | 31 | 15 | 0 | 9 | 120 |
| 0 | 13 | 0 | 0 | 11 | 0 | 24 | ||
| 8.8 | 11.38 | 6.2 | 3 | 55 | 1.8 | |||
| 个数 |
| 44 | 34 | 0 | 15 | 10 | 0 | 103 |
| 0 | 0 | 31 | 0 | 1 | 9 | 41 | ||
| 17.51 | 13.53 | 77.87 | 5.97 | 2.02 | 22.60 | |||
| 个数 |
| 0 | 34 | 22 | 15 | 1 | 6 | 78 |
| 44 | 0 | 9 | 0 | 10 | 3 | 66 | ||
| 52 | 28.76 | 3.57 | 12.69 | 9.00 | 0.56 | |||
| 个数 |
| 28 | 12 | 10 | 5 | 10 | 7 | 72 |
| 10 | 18 | 18 | 8 | 1 | 2 | 57 | ||
| 6 | 4 | 3 | 2 | 0 | 0 | 15 | ||
| 5.23 | 3.06 | 4.642 | 1.67 | 7.41 | 3.01 | |||
| 44 | 34 | 31 | 15 | 11 | 9 | 144 | ||
| 30.56 | 23.61 | 21.53 | 10.42 | 7.64 | 6.25 | |||
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 导出到EXCEL
|
| |||
| 2 | 3 | 4 | |
| 差 | 良好 | 良好 | 差 |
| 直道 | 直道 | 路口 | 直道 |
| 步行 | 奔跑 | 步行 | 步行 |
| 沿道 | 向右 | 向右 | 向右 |
| 高速 | 常速 | 常速 | 常速 |
| 30.56 | 23.61 | 21.53 | 10.42 |
(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。
参考文献[1] 李克强，戴一凡，李升波，等.智能网联汽车(ICV)技术的发展现状及趋势[J].汽车安全与节能学报，2017,8(01):1-14.
[2] 李霖，朱西产，刘颖，等.涉及骑车人的典型交通危险场景[J].同济大学学报(自然科学版),2014,42(07):1082-1087.
[3] 周华，张巧玉，母尧尧，等.十字路口乘用车与二轮车典型危险场景聚类及推演[J].中国安全科学学报，2020,30(04):100-107.
[4] 曹毅.基于NAIS的人车事故场景及AEB优化研究[D].成都：西华大学，2019.
[5] 谢中华.MATLAB统计分析与应用[M].北京：北京航空航天大学出版社，2010.
声明：我们尊重原创，也注重分享。有部分内容来自互联网，版权归原作者所有，仅供学习参考之用，禁止用于商业用途，如无意中侵犯了哪个媒体、公司、企业或个人等的知识产权，请联系删除（邮箱：glyhzx@126.com），另本头条号推送内容仅代表作者观点，与头条号运营方无关，内容真伪请读者自行鉴别，本头条号不承担任何责任。
