袁朝春， 宋金行， 何友國(guó)， JIE Shen， 陳 龍， 翁爍豐

(1. 江蘇大學(xué) 汽車工程研究院， 江蘇 鎮(zhèn)江 212013； 2. 密歇根大學(xué)迪爾本分校 計(jì)算機(jī)科學(xué)與信息科學(xué)系， 密歇根州 迪爾本MI 48128)

隨著汽車保有量的增加，道路行人安全逐步成為關(guān)注的熱點(diǎn)話題.傳統(tǒng)行人安全保障主要通過(guò)車身吸能材料減輕碰撞傷害的被動(dòng)行人保護(hù)系統(tǒng)[1]來(lái)實(shí)現(xiàn)，然而單純的被動(dòng)行人保護(hù)系統(tǒng)不足以充分保障行人安全，因此，基于多傳感器檢測(cè)的主動(dòng)避撞系統(tǒng)[2]應(yīng)運(yùn)而生.安全距離模型主要有基于制動(dòng)過(guò)程和基于車頭時(shí)距的安全距離模型[3]，廣泛應(yīng)用于主動(dòng)避撞算法中.但是由于行人行走意圖的主觀能動(dòng)性，軌跡存在風(fēng)險(xiǎn)轉(zhuǎn)移的可能，具備潛伏性和突發(fā)性的交通事故風(fēng)險(xiǎn)，現(xiàn)有的安全距離模型對(duì)人車混雜環(huán)境下潛在交通事故的軌跡存在一定局限性.

目前，智能汽車領(lǐng)域?qū)＜抑饾u意識(shí)到行人軌跡預(yù)測(cè)對(duì)汽車安全行駛的影響.D. HELBING等[4]基于社會(huì)力模型對(duì)行人進(jìn)行建模，通過(guò)引力與斥力的相互作用規(guī)劃行人行走軌跡，模型簡(jiǎn)單直接，但對(duì)模型參數(shù)的設(shè)置要求較高，實(shí)際應(yīng)用能力較差.K. M. KITANI等[5]基于隱馬爾可夫模型對(duì)行人進(jìn)行建模，構(gòu)建了描述行人運(yùn)動(dòng)狀態(tài)轉(zhuǎn)換的隱馬爾可夫鏈，并使用反向強(qiáng)化學(xué)習(xí)的方式訓(xùn)練模型參數(shù)，但模型計(jì)算時(shí)間長(zhǎng)、時(shí)效性低.董文杰[6]通過(guò)8分類的SVM分類器對(duì)行人頭像角度進(jìn)行識(shí)別，再基于動(dòng)態(tài)多模的卡爾曼濾波算法進(jìn)行運(yùn)動(dòng)預(yù)測(cè)，但是該算法最佳距離為3～5 m.

筆者提出一種基于行人軌跡預(yù)測(cè)的行人主動(dòng)避撞算法.基于車載傳感器獲取道路行人圖像和位置信息，通過(guò)深度學(xué)習(xí)算法識(shí)別行人的動(dòng)作特征，挖掘軌跡潛在變化規(guī)律；結(jié)合改進(jìn)的卡爾曼濾波算法，預(yù)測(cè)貼合行人主觀意圖的行人軌跡；建立行人預(yù)估安全距離模型，對(duì)因行人軌跡變化造成的潛在交通事故風(fēng)險(xiǎn)進(jìn)行分析，設(shè)計(jì)行人主動(dòng)避撞算法，通過(guò)對(duì)道路行人軌跡的預(yù)測(cè)分析，控制車速處于合理區(qū)間，有效防止行人軌跡變化造成的潛在碰撞事故風(fēng)險(xiǎn).

1 基于行人動(dòng)作特征的行走意圖分析

行人過(guò)街時(shí)往往表現(xiàn)出不同的動(dòng)作特征，通過(guò)動(dòng)作特征的變化轉(zhuǎn)移可以分析出行人行走意圖.早期行人動(dòng)作識(shí)別算法大多通過(guò)對(duì)人體結(jié)構(gòu)的追蹤表示來(lái)分析行為動(dòng)作[7].近年來(lái)，深度學(xué)習(xí)理論在靜態(tài)圖像特征提取上取得了卓越成就，并逐步應(yīng)用到人體行為識(shí)別算法中[8].

1.1 基于卷積神經(jīng)網(wǎng)絡(luò)的行人動(dòng)作特征識(shí)別

卷積神經(jīng)網(wǎng)絡(luò)(convolution neural networks，CNN)是深度學(xué)習(xí)領(lǐng)域常用的模型之一，能夠從數(shù)據(jù)中自動(dòng)學(xué)習(xí)并提取特征，其泛化能力優(yōu)于傳統(tǒng)方法，已經(jīng)成功應(yīng)用于模式分類、物體檢測(cè)和識(shí)別等領(lǐng)域.

使用的卷積神經(jīng)網(wǎng)絡(luò)樣本數(shù)據(jù)集來(lái)源有2部分，即MIT庫(kù)行人圖片和人車混雜環(huán)境下實(shí)景拍攝的過(guò)街行人動(dòng)作特征圖片，樣本數(shù)共1.1萬(wàn)張，用于測(cè)試集的樣本數(shù)和用于訓(xùn)練集的樣本數(shù)比例為1 ∶10.

基于7層網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行行人動(dòng)作識(shí)別，其特征提取過(guò)程如圖1所示，卷積核大小為5×5像素.獲取樣本數(shù)據(jù)集后通過(guò)Matlab圖像處理函數(shù)將樣本處理成大小為64×128像素的圖片并進(jìn)行灰度處理.

圖1 CNN特征提取過(guò)程

根據(jù)行人的動(dòng)作特征將樣本圖像分為直行行人、側(cè)行行人、站立行人、扭頭行人和分神行人5類.為了保證網(wǎng)絡(luò)模型的收斂性，需對(duì)模型參數(shù)進(jìn)行調(diào)節(jié).根據(jù)試驗(yàn)結(jié)果可知：學(xué)習(xí)率為0.1，每次訓(xùn)練樣本數(shù)為10 個(gè)，迭代次數(shù)為300 次時(shí)，行人動(dòng)作特征識(shí)別效果最佳，識(shí)別準(zhǔn)確率達(dá)到86.7%.

1.2 人車交匯運(yùn)動(dòng)學(xué)特性分析

基于行人動(dòng)作特征的變化情況可以分析行人下一步行走意圖和軌跡.為分析道路行人的速度特性，以無(wú)人駕駛汽車行駛方向?yàn)閤方向，分析行人速度變化特性,以正常條件下行人步行速度vp為基準(zhǔn)速度.行人縱向速度vpx和橫向速度vpy分別為

(1)

式中：kp為行人不同行走特性下的修正比例；θ為偏離x軸方向的航偏角.

1.2.1人車軌跡平行

以初始時(shí)刻行人運(yùn)動(dòng)方向?yàn)橐罁?jù)，軌跡平行情況包括行人站立、直行時(shí)人車軌跡無(wú)交叉的情況，初始狀態(tài)下人車無(wú)碰撞可能性.

無(wú)人駕駛汽車沿道路行駛過(guò)程中，行人可能改變其動(dòng)作特征，其運(yùn)動(dòng)方程為

(2)

(3)

式中：vx0、vy0分別為行人初始狀態(tài)下的縱向、橫向速度；ts為行人動(dòng)作特征改變時(shí)刻.

1.2.2人車軌跡相交

軌跡相交場(chǎng)景主要表現(xiàn)為行人具備y軸方向的橫向速度.根據(jù)對(duì)行人過(guò)街潛在風(fēng)險(xiǎn)的研究及相關(guān)安全距離模型可知，人車相對(duì)運(yùn)動(dòng)關(guān)系對(duì)無(wú)人駕駛汽車行駛策略的影響較大.行人過(guò)街時(shí)的運(yùn)動(dòng)特征如式(1)所示.

1.2.3分神行人

分神行人由于自身注意力分散使得對(duì)道路環(huán)境信息的獲取存在一定遲滯，下一時(shí)刻的行為動(dòng)作跨度較大.當(dāng)分神行人突然闖入道路，緊急制動(dòng)條件下，容易因制動(dòng)距離不足導(dǎo)致碰撞事故的發(fā)生；若將分神行人動(dòng)作特征作為危險(xiǎn)信號(hào)指令，提前進(jìn)入預(yù)制動(dòng)狀態(tài)，避免行人突然闖入時(shí)因制動(dòng)距離不足導(dǎo)致碰撞事故的發(fā)生.

2 基于動(dòng)作特征分析的行人軌跡預(yù)測(cè)

傳統(tǒng)行人軌跡預(yù)測(cè)算法基于行人位置信息進(jìn)行軌跡預(yù)測(cè)，在行人有過(guò)街意圖，但實(shí)際軌跡并未改變的這段時(shí)間內(nèi)無(wú)法準(zhǔn)確估計(jì)行人意圖.在卡爾曼濾波(Kalman filtering, KF)算法中融入過(guò)街行人動(dòng)作特征分析，以提前對(duì)行人的期望運(yùn)動(dòng)軌跡進(jìn)行預(yù)測(cè).

2.1 卡爾曼濾波算法

卡爾曼濾波通過(guò)系統(tǒng)輸入輸出觀測(cè)數(shù)據(jù)對(duì)系統(tǒng)狀態(tài)進(jìn)行最優(yōu)估計(jì)，其核心思想是預(yù)測(cè)和測(cè)量反饋[9].卡爾曼濾波軌跡預(yù)測(cè)狀態(tài)方程和觀測(cè)方程為

(4)

式中：Xk為系統(tǒng)狀態(tài)向量；Fk為狀態(tài)轉(zhuǎn)移矩陣，描述前一時(shí)刻到當(dāng)前時(shí)刻的運(yùn)動(dòng)狀態(tài)轉(zhuǎn)移方式；Bk為干擾轉(zhuǎn)移矩陣；Uk為系統(tǒng)噪聲矩陣；Zk為k時(shí)刻的測(cè)量值；Hk為狀態(tài)變量到測(cè)量的轉(zhuǎn)換矩陣；Rk為測(cè)量噪聲矩陣.

設(shè)前一時(shí)刻行人狀態(tài)估計(jì)為xk-1，與其相關(guān)聯(lián)的誤差協(xié)方差矩陣為Pk，以Fk表示預(yù)測(cè)步驟，使其從原始預(yù)測(cè)中移動(dòng)到新的預(yù)測(cè)位置.由于系統(tǒng)存在噪聲和外部不確定性，需要將系統(tǒng)噪聲向量uk和協(xié)方差噪聲Qk作為預(yù)測(cè)系統(tǒng)的修正，則軌跡預(yù)測(cè)狀態(tài)方程為

(5)

由于傳感器精度因素獲取的觀測(cè)值往往有一定偏差，將這種傳感器噪聲的協(xié)方差設(shè)為Rk，則觀測(cè)方程為

zk=Hkxk+Rk，

(6)

式中：zk為k時(shí)刻的觀測(cè)值；Hk為傳感器讀數(shù)矩陣.

由式(5)、(6)可得卡爾曼增益為

(7)

(8)

將式(7)、(8)代入(5)、(6)中可得

(9)

圖2 卡爾曼濾波預(yù)測(cè)過(guò)程

2.2 融合行人動(dòng)作特征的卡爾曼濾波算法

行人運(yùn)動(dòng)方向的改變往往會(huì)伴隨一定程度的環(huán)境觀察階段.在利用卡爾曼濾波預(yù)測(cè)行人軌跡的基礎(chǔ)上，融合行人動(dòng)作特征進(jìn)行綜合評(píng)定，提前預(yù)測(cè)行人的軌跡信息.

行人動(dòng)作特征不發(fā)生變化，依靠卡爾曼濾波預(yù)測(cè)算法可有效預(yù)測(cè)行人位置信息；行人運(yùn)動(dòng)模式發(fā)生改變，動(dòng)作行為發(fā)生初期，傳感器觀測(cè)到的行人位置信息還未更新，仍然按照位置信息進(jìn)行預(yù)測(cè)，存在一定缺陷.

軌跡預(yù)測(cè)原理如圖3所示，P為行走意圖改變時(shí)刻點(diǎn)，trj1為原預(yù)測(cè)軌跡，trj2為改進(jìn)后預(yù)測(cè)軌跡.改進(jìn)算法優(yōu)勢(shì)在于當(dāng)預(yù)測(cè)過(guò)程中評(píng)定行人行走意圖改變后，根據(jù)行人意圖判定其規(guī)劃的行走方向，并將下一時(shí)刻的速度方向統(tǒng)一規(guī)劃到x或y方向上，此時(shí)預(yù)測(cè)狀態(tài)方程輸出的軌跡即行人行走意圖軌跡，結(jié)合觀測(cè)值進(jìn)行更新修正后得到一條全新的預(yù)測(cè)軌跡，因此在預(yù)測(cè)過(guò)程獲取的輸出相對(duì)僅依靠速度位移值獲取的輸出要提前.下一時(shí)刻行人位置為

(10)

式中：pxk、pyk、pxk-1、pyk-1為行人位置信息；vxk-1、vyk-1為行人速度信息；Δt為采樣周期.

圖3 軌跡預(yù)測(cè)原理圖

2.3 軌跡預(yù)測(cè)驗(yàn)證分析

2.3.1試驗(yàn)環(huán)境搭建

行人軌跡預(yù)測(cè)試驗(yàn)所需的移動(dòng)對(duì)象數(shù)據(jù)集利用大陸ARS408-21雷達(dá)進(jìn)行采集.由于毫米波雷達(dá)檢測(cè)行人的局限性，實(shí)際傳感器測(cè)試所得行人檢測(cè)距離為70 m，距離檢測(cè)精度為±0.5 m，速度檢測(cè)精度為±0.1 km·h-1.

2.3.2試驗(yàn)驗(yàn)證分析

為驗(yàn)證算法的有效性，與卡爾曼濾波軌跡預(yù)測(cè)算法進(jìn)行對(duì)比，對(duì)其預(yù)測(cè)結(jié)果的時(shí)效性和智能性進(jìn)行分析.假設(shè)行人沿道路直行，無(wú)橫向速度，平面坐標(biāo)中行人運(yùn)動(dòng)軌跡和預(yù)測(cè)軌跡如圖4所示，行人速度為1.2 m·s-1，在距離傳感器縱向距離約35 m處扭頭觀察道路情況，具備橫穿馬路行走意圖，由于道路車輛迫使行人扭頭觀察時(shí)仍保持直行狀態(tài)，并在距離傳感器縱向距離約40 m處實(shí)際改變行走軌跡.

根據(jù)圖4可知，行走意圖不變時(shí)，2種算法預(yù)測(cè)結(jié)果趨于一致.行人在35 m處行走意圖發(fā)生改變，此刻實(shí)際行走軌跡沒(méi)有發(fā)生變化，基于動(dòng)作特征分析的行人軌跡預(yù)測(cè)算法預(yù)測(cè)出新的軌跡路線，相較傳統(tǒng)卡爾曼濾波算法而言，軌跡變化的時(shí)間點(diǎn)提前約4 s，距離點(diǎn)提前約5 m.隨著測(cè)量值的更新，預(yù)測(cè)的軌跡逐步趨向于實(shí)際軌跡，對(duì)實(shí)際應(yīng)用而言，提前預(yù)測(cè)軌跡變化給予行人主動(dòng)避撞算法更多的反饋時(shí)間，更好地保護(hù)行人安全.

3 基于行人軌跡預(yù)測(cè)的主動(dòng)避撞算法

3.1 人車混雜環(huán)境下交通事故風(fēng)險(xiǎn)分析

人車混雜環(huán)境下，交通事故風(fēng)險(xiǎn)主要來(lái)源2個(gè)方面： ① 由于路面附著條件或反映遲滯時(shí)間使得安全距離判斷失誤造成的碰撞事故； ② 由于對(duì)行人運(yùn)動(dòng)軌跡缺乏準(zhǔn)確預(yù)估，行人突然闖入使得車輛在當(dāng)前速度條件下無(wú)法緊急避讓造成的碰撞事故.

基于傳統(tǒng)安全距離模型設(shè)計(jì)主動(dòng)避撞算法，需要采取緊急制動(dòng)措施釋放車輛動(dòng)能，車輛仍需行駛一段距離，在這段距離內(nèi)隨時(shí)都會(huì)發(fā)生碰撞危險(xiǎn)，且制動(dòng)過(guò)程中舒適性較差.因此，準(zhǔn)確預(yù)估行人軌跡，建立適用于無(wú)人駕駛汽車行人主動(dòng)避撞算法的安全距離模型，提前控制車速至關(guān)重要.

不考慮車輛橫向運(yùn)動(dòng)的情況，人車混雜環(huán)境下的交通事故示意圖如圖5所示.其中Dsafe為一定車速下無(wú)人駕駛汽車的最小安全距離；Sunsafe為制動(dòng)非安全區(qū)，縱向行駛條件下的范圍為最小安全距離與車寬的乘積；Sp0為道路行人可能的運(yùn)動(dòng)軌跡區(qū)域；Dv2p為檢測(cè)到行人時(shí)的人車距離.

無(wú)人駕駛汽車行駛過(guò)程中行人有橫穿馬路的可能，車輛在位置A2處時(shí)，制動(dòng)非安全區(qū)處于與行人運(yùn)動(dòng)軌跡發(fā)生沖突的臨界位置.假設(shè)車輛行駛到位置A3處行人闖入制動(dòng)非安全區(qū)，此時(shí)采取緊急制動(dòng)控制也無(wú)法規(guī)避人車碰撞事故的發(fā)生.可以看出，若能準(zhǔn)確預(yù)估行人可能的運(yùn)動(dòng)軌跡，在位置A1處以相對(duì)較小的減速度勻減速行駛，可有效避免車輛制動(dòng)非安全區(qū)和行人運(yùn)動(dòng)軌跡存在的交通沖突風(fēng)險(xiǎn)，提高行人和車輛的交通安全性.

圖5 人車混雜狀態(tài)下的交通事故示意圖

3.2 行人主動(dòng)避撞預(yù)估安全距離模型

綜合考慮行人軌跡、道路情況和車輛動(dòng)力學(xué)特性，減少緊急制動(dòng)情況的發(fā)生，建立預(yù)估安全距離模型，提前制動(dòng)減速，保障舒適性和安全性.

3.2.1軌跡平行

人車軌跡平行情況下，根據(jù)自車行駛速度確定所需制動(dòng)距離，實(shí)際環(huán)境下，由于行人存在縱向速度vpx，預(yù)估安全距離為

(11)

3.2.2軌跡相交

無(wú)人駕駛汽車預(yù)測(cè)人車軌跡相交情況下，檢測(cè)到行人橫向運(yùn)動(dòng)速度為vpy，則行人走過(guò)車輛行駛軌跡所需時(shí)間為

(12)

式中：Dv2py為行人橫向運(yùn)動(dòng)時(shí)的人車橫向距離；C為車寬.

人車軌跡相交情況下預(yù)估安全距離為

D2=vvτ+t2(vv+vpx)+d0.

(13)

3.3 行人主動(dòng)避撞控制算法

3.3.1軌跡相交行人主動(dòng)避撞算法

道路行人在沒(méi)有過(guò)街意圖時(shí)，橫向速度相對(duì)車輛行駛速度而言可以忽略不計(jì)；有過(guò)街意圖時(shí)，會(huì)以較大的橫向速度過(guò)街.因此，為消除上述誤差對(duì)軌跡判定產(chǎn)生的影響，引入速度誤差閾值ξ(一般取值為0.25 m·s-1)與行人橫向速度進(jìn)行比較，若vpy>ξ，判定行人有過(guò)街意圖.通過(guò)比較車輛行駛至行人軌跡處所需時(shí)間和行人走過(guò)車輛行駛范圍所需時(shí)間，決策是否需要采取主動(dòng)避撞措施.

軌跡相交場(chǎng)景下的人車碰撞分析示意圖如圖6所示，Sp1為行人軌跡；Sv1為無(wú)人駕駛汽車車頭中心行駛軌跡；Dp1為行人當(dāng)前位置與無(wú)人駕駛汽車行駛軌跡距離；Dv1為無(wú)人駕駛汽車車頭與行人軌跡距離；Srisk1為碰撞事故危險(xiǎn)區(qū)域.

圖6 軌跡相交場(chǎng)景下的人車碰撞分析示意圖

無(wú)人駕駛汽車行駛至行人軌跡處所需時(shí)間t3和行人走過(guò)無(wú)人駕駛汽車行駛范圍所需時(shí)間t4分別為

(14)

(15)

當(dāng)t3>t4時(shí)，行人走過(guò)碰撞事故危險(xiǎn)區(qū)Srisk時(shí)車輛還未到達(dá)行人軌跡處，無(wú)碰撞風(fēng)險(xiǎn)，車輛以當(dāng)前車速行駛；當(dāng)t3≤t4時(shí)，車輛行駛到行人軌跡處時(shí)行人尚未走過(guò)碰撞事故危險(xiǎn)區(qū)，為避免碰撞事故的發(fā)生以及禮讓行人的交通法規(guī)，基于預(yù)估安全距離規(guī)劃車輛減速行駛，待行人安全通過(guò)后加速駛離.

3.3.2軌跡平行行人主動(dòng)避撞算法

若vpy<ξ，判斷行人處于直行偏移狀態(tài)，橫向速度為誤差閾值，行人無(wú)過(guò)街意圖.

軌道平行場(chǎng)景下的人車碰撞分析示意圖如圖7所示，Sp2為行人軌跡；Sv2為無(wú)人駕駛汽車車頭中心行駛軌跡；vsafe為安全行駛車速，一般取20～30 km·h-1；Dv2為無(wú)人駕駛汽車車頭與行人位置的縱向距離；Dv3為減速至安全車速時(shí)人車縱向距離；Srisk2為碰撞事故危險(xiǎn)區(qū)域.

行人由P1行走到P2過(guò)程中行人軌跡保持直行狀態(tài).為有效避免因行人行走軌跡變化造成人車碰撞事故的發(fā)生，無(wú)人駕駛汽車基于預(yù)估安全距離模型以減速度a0制動(dòng)減速.減速過(guò)程中更新預(yù)測(cè)的行人軌跡，當(dāng)預(yù)測(cè)行人保持直行狀態(tài)不變，減速至安全車速vsafe后勻速行駛；若在車速vv≥vsafe時(shí)預(yù)測(cè)行人軌跡將入侵自車行駛路線，保持減速度a0減速直至停止；若在車速vv

(16)

式中：Dvn為預(yù)測(cè)行人軌跡變化時(shí)人車縱向距離；tpw為此環(huán)節(jié)下行人縱向行走時(shí)間.

圖7 軌跡平行場(chǎng)景下的人車碰撞分析示意圖

3.3.3分神行人主動(dòng)避撞算法

4 試驗(yàn)分析

為驗(yàn)證所提出的基于動(dòng)作特征分析的軌跡預(yù)測(cè)算法和主動(dòng)避撞算法的有效性，基于Carsim/Simulink進(jìn)行聯(lián)合仿真.

4.1 制動(dòng)安全距離與制動(dòng)減速度仿真分析

檢測(cè)環(huán)節(jié)與制動(dòng)協(xié)調(diào)時(shí)間為0.2 s，路面附著系數(shù)取0.7，對(duì)比4種模型在不同車速下的安全距離與制動(dòng)減速度，仿真結(jié)果如圖8所示.基于行人軌跡預(yù)測(cè)的預(yù)估制動(dòng)安全距離模型雖然比2個(gè)傳統(tǒng)安全距離模型的最小安全距離大，但減速過(guò)程中有效規(guī)避了緊急制動(dòng)情況的發(fā)生，制動(dòng)過(guò)程較為平緩.此安全距離模型將道路行人潛在軌跡變化情況作為計(jì)算依據(jù)，合理規(guī)劃智能汽車行駛速度，保障智能汽車車速處于安全可控的范圍，提高了主動(dòng)安全性能.

圖8 不同車速下安全距離與制動(dòng)減速度仿真結(jié)果

4.2 軌跡預(yù)測(cè)算法有效性分析

基于上述行人軌跡，假設(shè)路面附著系數(shù)為0.8，遲滯時(shí)間為0.2 s，后方車輛車速為50 km·h-1，檢測(cè)到行人時(shí)人車距離為70.0 m，行駛1.0 s后行人動(dòng)作特征發(fā)生改變，車輛緊急制動(dòng)時(shí)所需最小距離為16.8 m.車速控制及人車相對(duì)距離分別如圖9、10所示.

圖9 車速控制圖

圖10 人車相對(duì)距離圖

從圖9、10可以看出：基于KF軌跡預(yù)測(cè)進(jìn)行避撞控制，行人約在5.2 s改變軌跡，人車距離約4.4 m，遠(yuǎn)小于緊急制動(dòng)所需最小安全距離，無(wú)法有效避免縱向碰撞；基于行人動(dòng)作特征分析的軌跡預(yù)測(cè)算法進(jìn)行主動(dòng)避撞時(shí)，行駛1.0 s后識(shí)別行人行走意圖改變，即可采取制動(dòng)控制，此時(shí)人車距離約為57.0 m，可有效規(guī)避碰撞可能性.結(jié)果表明，所提行人軌跡預(yù)測(cè)算法實(shí)用性較強(qiáng).

4.3 人車軌跡平行主動(dòng)避撞算法仿真分析

4.3.1行人保持直行

假設(shè)道路環(huán)境中無(wú)障礙物遮擋，路面附著系數(shù)為0.8，以80 km·h-1的車速行駛.行人沿道路直行，初始時(shí)刻人車距離為200.0 m，時(shí)滯為0.2 s，無(wú)人駕駛汽車行駛的縱向速度及路程如圖11所示.

圖11 行人直行，無(wú)人駕駛汽車行駛速度、路程圖

從圖11可以看出：人車距離小于軌跡平行條件下的預(yù)估安全距離時(shí)，無(wú)人駕駛汽車以加速度為-3 m·s-2減速至30 km·h-1后勻速行駛，期間行人動(dòng)作特征不變，車輛駛過(guò)行人所在位置后加速行駛.由相對(duì)距離結(jié)果可知，該算法在保證安全行駛的同時(shí)具有較好的交通通過(guò)性.

4.3.2行人直行途中過(guò)街

假設(shè)道路環(huán)境中無(wú)障礙物遮擋，路面附著系數(shù)為0.8，無(wú)人駕駛汽車以80 km·h-1的車速行駛.行人沿道路直行,在某一時(shí)刻轉(zhuǎn)彎，初始時(shí)刻人車距離為200.0 m，時(shí)滯0.2 s，無(wú)人駕駛汽車行駛過(guò)程中的縱向速度及行駛路程如圖12所示.人車距離小于軌跡平行條件下的預(yù)估安全距離時(shí)，無(wú)人駕駛汽車以加速度為-3 m·s-2減速至30 km·h-1，勻速行駛一段時(shí)間后行人有過(guò)街意圖，根據(jù)當(dāng)前距離和車速規(guī)劃制動(dòng)減速度.此過(guò)程中無(wú)人駕駛汽車行駛距離為210.0 m，行人移動(dòng)距離約為14.0 m，停車后人車間距為4.0 m.結(jié)果表明防碰撞控制方法有效.

圖12 直行過(guò)街，無(wú)人駕駛汽車行駛速度、路程圖

4.4 人車軌跡相交主動(dòng)避撞算法仿真分析

假設(shè)道路環(huán)境中無(wú)障礙物遮擋，路面附著系數(shù)為0.8，無(wú)人駕駛汽車以80 km·h-1速度行駛，初始時(shí)刻人車距離為200.0 m.檢測(cè)到行人側(cè)向行走時(shí)的橫向距離為4.0 m，時(shí)滯為0.2 s，行駛過(guò)程中的縱向速度及行駛路程如圖13所示.

圖13 軌跡相交，無(wú)人駕駛汽車行駛速度、路程圖

從圖13可以看出：此工況下主動(dòng)避撞預(yù)估安全距離約為96.0 m，人車距離小于此安全距離時(shí)將規(guī)劃制動(dòng)減速度，直至行人走過(guò)無(wú)人駕駛汽車行駛軌跡，無(wú)人駕駛汽車加速行駛.結(jié)果表明防碰撞控制方法在保證安全行駛的同時(shí)具有較好的交通通過(guò)性.

4.5 分神行人主動(dòng)避撞算法仿真分析

假設(shè)道路環(huán)境中無(wú)障礙物遮擋，路面附著系數(shù)0.8，無(wú)人駕駛汽車以80 km·h-1速度行駛.分神行人站立在路邊，某一時(shí)刻突然闖入，初始時(shí)刻人車距離為200.0 m，時(shí)滯為0.2 s，無(wú)人駕駛汽車行駛過(guò)程中的縱向速度及行駛路程如圖14所示.

圖14 分神行人突然闖入，無(wú)人駕駛汽車行駛速度、路程圖

從圖14可以看出：人車距離小于軌跡平行條件下的主動(dòng)避撞預(yù)估安全距離時(shí)，無(wú)人駕駛汽車以加速度為-3 m·s-2減速至10 km·h-1，勻速行駛一段時(shí)間，道路分神行人突然闖入車輛行駛路徑，根據(jù)當(dāng)前道路情況和車速規(guī)劃所需制動(dòng)減速度.此過(guò)程中，無(wú)人駕駛汽車行駛距離為197.8 m，行人無(wú)縱向移動(dòng)距離，停車后人車間距為2.2 m.結(jié)果表明防碰撞控制方法是有效的.

5 結(jié) 論

1) 提出了人車混雜環(huán)境下行人軌跡變化造成的潛在碰撞事故的概念，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)道路行人動(dòng)作特征進(jìn)行識(shí)別，并將過(guò)街行人的身體動(dòng)作特征作為行走意圖判別依據(jù)，分析出影響車輛行駛的3類人車軌跡交匯情況，囊括了道路可能出現(xiàn)的大部分行人軌跡變化特性.

2) 基于卡爾曼濾波算法，綜合考慮融入道路行人的運(yùn)動(dòng)特征，提出基于動(dòng)作特征分析的行人軌跡預(yù)測(cè)算法.該算法在行人軌跡位置點(diǎn)連續(xù)預(yù)測(cè)的基礎(chǔ)上，結(jié)合行人行走意圖，預(yù)測(cè)出動(dòng)態(tài)系統(tǒng)的最優(yōu)狀態(tài)，獲得符合行人主觀意圖的最優(yōu)軌跡，為行人主動(dòng)避撞算法提供實(shí)時(shí)有效的行人軌跡信息.

3) 對(duì)人車混雜環(huán)境下交通事故風(fēng)險(xiǎn)進(jìn)行分析，依據(jù)人車軌跡交匯情況建立預(yù)估安全距離模型.試驗(yàn)結(jié)果表明：所提的行人主動(dòng)避撞算法能有效保障道路行人安全性的同時(shí)，可確保制動(dòng)減速過(guò)程的平緩性和交通流的通暢性.