涂輝招， 遇澤洋， 朱曉暉， 崔 航， 李 浩

(1.同濟(jì)大學(xué)道路與交通工程教育部重點(diǎn)實驗室， 上海 201804; 2.中國太平洋財產(chǎn)保險股份有限公司創(chuàng)新發(fā)展中心， 上海 200080)

引 言

世界各國大力發(fā)展自動駕駛技術(shù)，大規(guī)模推進(jìn)測試復(fù)雜的多類交通場景，但安全風(fēng)險尚未完全得到有效的防控[1]。如2018年3月18日，亞利桑那州發(fā)生了全球首例自動駕駛汽車撞死行人的嚴(yán)重事故[1-2]。對比分析自動駕駛路測與人工駕駛事故致因影響，是明晰自動駕駛路測事故機(jī)理，進(jìn)而有效防控自動駕駛路測安全風(fēng)險的重要前提。

已有的道路交通事故致因影響程度分析研究，主要針對人工駕駛。在研究對象方面，主要考慮五大類因素：生理因素[3-8]、心理因素[3-4, 6-8]等交通參與者因素；車輛性能[4, 6-7]、載重[5, 7, 9]等車輛因素；道路線形[4-7, 10-11]、標(biāo)志標(biāo)線[4, 6-7, 11]、車道數(shù)[6-7, 11]等道路設(shè)施因素；天氣[3-7, 10-11]、光照[3, 6-7, 11]等氣候環(huán)境因素；流量[3-6, 8, 10]、車速[4-7, 9]等動態(tài)交通因素。交通事故是由多影響因素耦合作用下的結(jié)果，各影響因素間存在相關(guān)性，且表現(xiàn)出明顯的層次性[12]。在研究方法方面，道路交通事故致因影響程度分析的研究方法正逐漸從頻率分析[13-14]和χ2檢驗[15]等基于集計模型的描述性統(tǒng)計，到泊松回歸模型[16-17]、負(fù)二項回歸模型[18-19]和Logistic回歸模型[20]等基于非集計模型的多變量分析。然而非集計模型在分析過程中往往假設(shè)各影響因素之間是獨(dú)立的，因此需要分析各因素綜合作用下的事故致因影響程度。而相比于其他方法，貝葉斯網(wǎng)絡(luò)是人工智能領(lǐng)域表達(dá)系統(tǒng)不確定性分析和概率推理的有效方法之一[21]。它可以利用模型中基于局部條件的依賴關(guān)系進(jìn)行雙向不確定性探索，以進(jìn)行預(yù)測，分類和診斷分析。貝葉斯網(wǎng)絡(luò)能夠?qū)崿F(xiàn)先驗、后驗信息的融合，在后驗信息數(shù)據(jù)有限的情況下保證結(jié)果的穩(wěn)定性，系統(tǒng)全面地分析各影響因素的耦合作用對交通事故的影響[22]。

中國官方尚未有自動駕駛事故數(shù)據(jù)。美國加州機(jī)動車管理局(DMV)已經(jīng)建成了自動駕駛汽車運(yùn)行事故報告數(shù)據(jù)庫，記錄了美國加州2014年以來開放的所有事故報告[23]，包含制造商信息、事故信息、參與者信息、傷亡損失信息、事故細(xì)節(jié)信息和證明共六個部分。以此數(shù)據(jù)為基礎(chǔ)，研究人員采取了文本分析[24]、描述性統(tǒng)計[24-26]、決策樹[24]、logistic回歸[25]、貝葉斯方法[23,27]等，對美國自動駕駛路測事故的基本信息進(jìn)行了諸如生產(chǎn)廠商、嚴(yán)重程度、事故類型等頻率統(tǒng)計，并對事故的影響因素進(jìn)行了分析。

現(xiàn)有研究雖然探究了汽車碰撞前的行為、天氣、碰撞時間、碰撞位置等致因影響，但缺乏針對車道數(shù)、交叉口、隔離帶等道路固有屬性的分析，也未能開展自動駕駛路測和人工駕駛情況的對比分析。為此，針對自動駕駛事故致因的多因素耦合特征，以及事故樣本量少的局限性，本文通過構(gòu)建貝葉斯網(wǎng)絡(luò)，以道路設(shè)施、環(huán)境、交通這三大類在道路風(fēng)險評估中常用的因素作為分析對象，基于美國自動駕駛汽車運(yùn)行事故報告數(shù)據(jù)及關(guān)鍵道路設(shè)施信息，對自動駕駛路測事故進(jìn)行致因影響程度分析，并與人工駕駛進(jìn)行對比分析。

1 貝葉斯網(wǎng)絡(luò)事故致因影響程度對比分析方法

1.1 貝葉斯網(wǎng)絡(luò)基本概念

貝葉斯網(wǎng)絡(luò)是一種概率網(wǎng)絡(luò)，是基于概率推理的圖形化網(wǎng)絡(luò)[28]。貝葉斯定理是貝葉斯網(wǎng)絡(luò)的理論基礎(chǔ)，其核心是應(yīng)用證據(jù)信息(已知樣本)對有關(guān)概率分布的主觀判斷(先驗概率)進(jìn)行修正[6]。貝葉斯網(wǎng)絡(luò)既可以進(jìn)行因果推理，計算在給定原因下的后果概率，也可以進(jìn)行診斷推理，計算在給定結(jié)果的情況下，各原因出現(xiàn)的概率[28]。

貝葉斯網(wǎng)絡(luò)由節(jié)點(diǎn)、節(jié)點(diǎn)間的有向連線和條件概率表CPT(Conditional Probability Table, CPT)三個部分組成。其中節(jié)點(diǎn)表示隨機(jī)變量，有向連線表示隨機(jī)變量之間的因果關(guān)系，條件概率表表示變量之間的關(guān)聯(lián)強(qiáng)度或置信度[5]。貝葉斯網(wǎng)絡(luò)的建立，主要分為兩個步驟：①建立貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，確定節(jié)點(diǎn)、節(jié)點(diǎn)之間的有向連線；②學(xué)習(xí)網(wǎng)絡(luò)參數(shù)，確定CPT。

1.2 網(wǎng)絡(luò)結(jié)構(gòu)建立方法

1.2.1 網(wǎng)絡(luò)結(jié)構(gòu)建立方法總結(jié)

貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)確定有以下三種方法[12]：

①基于專家知識和先驗知識，確定貝葉斯網(wǎng)絡(luò)的變量節(jié)點(diǎn)，從而確定貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)。

②通過學(xué)習(xí)樣本數(shù)據(jù)，使用機(jī)器學(xué)習(xí)算法自動獲得貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)。

③基于專家知識和對數(shù)據(jù)的機(jī)器學(xué)習(xí)結(jié)果，使用數(shù)據(jù)融合方法獲得貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)。

自動駕駛路測可獲取的事故信息尚且較匱乏，沒有足夠的數(shù)據(jù)能夠用于貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)，故本文基于專家知識和先驗經(jīng)驗建立網(wǎng)絡(luò)結(jié)構(gòu)。

1.2.2 父節(jié)點(diǎn)分離方法

對子節(jié)點(diǎn)友好的父節(jié)點(diǎn)分離方法(Child friendly Parent Divorcing, CfPD)，是一種用于提升網(wǎng)絡(luò)結(jié)構(gòu)有效性的方法[29]。該方法通過引入一個新節(jié)點(diǎn)作為中間節(jié)點(diǎn)，將具有相似屬性的節(jié)點(diǎn)組合在一起，可以減少所選節(jié)點(diǎn)傳入邊的數(shù)量，從而顯著減小條件概率表(CPT)的大小，進(jìn)而提高網(wǎng)絡(luò)的效率，適用于較大的網(wǎng)絡(luò)[30]。圖1為父節(jié)點(diǎn)分離方法的示例，分析其網(wǎng)絡(luò)效率的提升[31]。左側(cè)的網(wǎng)絡(luò)，節(jié)點(diǎn)p的CPT行數(shù)為2m，插入節(jié)點(diǎn)x后，右圖中節(jié)點(diǎn)p的CPT行數(shù)為2k+1<2m。

圖1 父節(jié)點(diǎn)分離方法示例

交通事故受到眾多因素耦合影響，為了盡可能全面解析事故致因，網(wǎng)絡(luò)中包含節(jié)點(diǎn)的數(shù)量規(guī)模較為龐大，因此需要應(yīng)用父節(jié)點(diǎn)分離方法，減小條件概率表(CPT)的大小，提高網(wǎng)絡(luò)的效率。

1.2.3 分層分類的網(wǎng)絡(luò)結(jié)構(gòu)建立方法

確定貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)主要分為兩步：①確定網(wǎng)絡(luò)的節(jié)點(diǎn)集，即確定網(wǎng)絡(luò)中包含的變量及變量取值；②確定網(wǎng)絡(luò)中有向邊的集合，即確定變量間的相互依賴關(guān)系。

首先考慮網(wǎng)絡(luò)的節(jié)點(diǎn)集。節(jié)點(diǎn)集包括解釋變量集合和CfPD方法所引入的中間節(jié)點(diǎn)集合。因為CfPD方法需要聚合具有相似屬性的節(jié)點(diǎn)，故結(jié)合自動駕駛路測的特點(diǎn)，對自動駕駛路測事故的影響因素進(jìn)行梳理。從道路設(shè)施環(huán)境的角度考慮，主要的影響因素可分為道路設(shè)施因素、環(huán)境因素和交通因素三大類，可作為中間節(jié)點(diǎn)；具體共包括35個因素，可作為各中間節(jié)點(diǎn)的父節(jié)點(diǎn)，具體如表1所示。這些因素表征的是某一條具體路段具有的特征，分析這些因素對事故的影響程度，可以服務(wù)于測試路段風(fēng)險度的確定。

表1 自動駕駛路測事故影響因素

基于上述影響因素梳理結(jié)果，可將網(wǎng)絡(luò)分為三層，即事故特征層、因素類型層和具體因素層，并根據(jù)影響因素的種類分為設(shè)施、環(huán)境、交通三大類。在實際分析中根據(jù)可得數(shù)據(jù)的情況，篩選關(guān)鍵的因素類型，并在具體因素層篩選部分的關(guān)鍵影響因素作為節(jié)點(diǎn)。

其次考慮網(wǎng)絡(luò)中有向邊的集合。有向邊在層間由具體影響因素節(jié)點(diǎn)，傳入至影響因素類型的中間節(jié)點(diǎn)，最終傳入至表征事故特征的節(jié)點(diǎn)。此外，在具體影響因素層內(nèi)，還需補(bǔ)充各因素間的因果關(guān)系，在數(shù)據(jù)量不足的情況下，需要基于專家知識，根據(jù)可得數(shù)據(jù)中所包含的具體變量，進(jìn)行相應(yīng)的分析。

1.3 網(wǎng)絡(luò)參數(shù)學(xué)習(xí)方法

在貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)已確定的基礎(chǔ)上，對網(wǎng)絡(luò)的參數(shù)進(jìn)行學(xué)習(xí)。在道路事故信息的收集過程中，常會出現(xiàn)數(shù)據(jù)缺失的情況。大部分統(tǒng)計模型不能直接分析帶有缺失值的數(shù)據(jù)，為確保統(tǒng)計模型擬合的正確性，通常都是直接刪除帶有缺失值的數(shù)據(jù)。進(jìn)行多變量分析時，研究的變量較多，直接刪除帶有缺失值的數(shù)據(jù)就會消除更多的記錄，可能會導(dǎo)致信息丟失，降低測試的效果，并使研究結(jié)果出現(xiàn)一些偏差[31]。

自動駕駛路測事故的數(shù)量十分有限，需要盡可能地充分利用現(xiàn)有信息。對于小樣本下網(wǎng)絡(luò)參數(shù)，可以融合先驗信息[32]，并利用最大期望(Expectation-Maximization，EM)算法進(jìn)行確定。

EM算法，在數(shù)據(jù)有所缺失的情況下，針對未知參數(shù)的漸進(jìn)確定性估計方法，是一個訓(xùn)練學(xué)習(xí)算法[33]。該方法可以基于不完整的事故數(shù)據(jù)集，計算出事故發(fā)生的條件下，各致因的各屬性出現(xiàn)的概率值θ，從而確定CPT。EM算法主要包括兩個步驟：期望步驟(也稱E-Step，即Expectation Step)和最大化步驟(也稱M-Step，即Maximization Step)。本文EM算法的輸入為自動駕駛路測和人工駕駛的事故數(shù)據(jù)，輸出為網(wǎng)絡(luò)中各節(jié)點(diǎn)的條件概率表中的值。

算法的參數(shù)如表2所示。

表2 EM算法參數(shù)

算法的流程如下[34-35]：

(1)

(2)E-Step，計算事故數(shù)據(jù)集中缺失值e*的期望充分統(tǒng)計量

e*的概率分布為

(2)

其中：

(3)

e*的充分統(tǒng)計量為

(4)

在最大期望值算法中，以得到如下兩種估計值：

ML

(5)

MAP

(6)

式中αijk為狄利克雷參數(shù)，可以在E-Step和M-Step的迭代過程中得到。

E-Step用來計算事故數(shù)據(jù)中缺失值e*的最大期望統(tǒng)計量，M-Step根據(jù)上一步的計算結(jié)果，計算事故發(fā)生的條件下，各致因的各屬性出現(xiàn)的概率值的新估計量。

本文EM算法的實現(xiàn)借助Netica軟件來實現(xiàn)。Netica是貝葉斯網(wǎng)絡(luò)學(xué)習(xí)軟件，由于其強(qiáng)大的功能，友好的圖形界面，且內(nèi)置了參數(shù)學(xué)習(xí)的EM算法，已被廣泛應(yīng)用于不確定性管理領(lǐng)域，例如工程、醫(yī)學(xué)和生態(tài)學(xué)[36]。

自動駕駛路測的事故機(jī)理，相比于人工駕駛既有共性，也有其特殊性?？紤]到人工駕駛情況下事故數(shù)據(jù)較為充足，故本文采用人工駕駛情況下的網(wǎng)絡(luò)參數(shù)作為先驗知識，在此基礎(chǔ)上采用最大期望算法，對自動駕駛路測情況下的網(wǎng)絡(luò)參數(shù)進(jìn)行漸進(jìn)性估計，以突出自動駕駛路測的特點(diǎn)。

2 自動駕駛路測事故致因影響程度分析

2.1 數(shù)據(jù)來源

2.1.1 自動駕駛路測事故數(shù)據(jù)

截至2019年4月，美國加州機(jī)動車管理局(DMV)共收到并公布了148起自動駕駛汽車路測事故報告?；谠撌鹿蕡蟾嬲硭玫氖亲詣玉{駛路測事故數(shù)據(jù)，包括事故基本信息和事故地點(diǎn)設(shè)施特征兩部分。

事故基本信息直接從事故報告中提煉整理得到，包括事故日期、事故時間、事故地點(diǎn)、事故嚴(yán)重程度、駕駛模式、事故類型、天氣、光照等。

事故地點(diǎn)設(shè)施特征是根據(jù)事故基本信息中的事故地點(diǎn)進(jìn)行定位，獲取谷歌街景圖像進(jìn)行人工判斷得到，包括最大速度、是否為單行道、中央分隔帶類型、車道數(shù)、坡度、曲率、交叉口類型等。圖2以坡度、曲率為例，展示具體的判斷案例。

圖2 基于谷歌全景地圖的道路特征參數(shù)判斷案例(以曲率、坡度為例)

自動駕駛路測事故數(shù)據(jù)整理結(jié)果如表3所示。

表3 自動駕駛路測事故數(shù)據(jù)整理結(jié)果

2.1.2 人工駕駛事故數(shù)據(jù)

人工駕駛事故數(shù)據(jù)來源于美國國家公路交通安全管理局的事故報告采樣系統(tǒng)(CRSS , The Crash Report Sampling System) 。CRSS涉及幾乎所有的事故場景，從僅導(dǎo)致財產(chǎn)損失的輕微事故到導(dǎo)致死亡的嚴(yán)重事故均有覆蓋。

從CRSS中導(dǎo)出其中2017年的所有事故數(shù)據(jù)，共有54969條。原始數(shù)據(jù)已被編碼過，每一行對應(yīng)一起事故，包含事故基本信息、車輛信息、駕駛員信息、事故前信息和人員信息五個部分。因為Netica軟件處理數(shù)據(jù)量的限制，隨機(jī)選取其中1000條數(shù)據(jù)進(jìn)行處理。人工駕駛事故的致因影響程度分析結(jié)果是自動駕駛路測對比的基準(zhǔn)，故選取和表3相同的變量數(shù)據(jù)，且對數(shù)據(jù)的屬性進(jìn)行一定的轉(zhuǎn)換，以確保數(shù)據(jù)格式和自動駕駛路測事故數(shù)據(jù)相一致。

2.2 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)確定

網(wǎng)絡(luò)中所包含的變量及取值如表3所示。其中，設(shè)施因素包含交叉口類型、中央分隔帶類型、車道數(shù)、坡度、曲率；交通因素包含最大速度；環(huán)境因素包含光照條件、天氣；事故信息包括事故類型和嚴(yán)重程度。

根據(jù)前文所述的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)確定方法，結(jié)合專家知識，在具體影響因素層內(nèi)，補(bǔ)充各因素間的因果關(guān)系：交叉口類型、中央分隔帶類型和車道數(shù)，對最大速度有決定作用，事故類型對嚴(yán)重程度有決定作用。

最終確定網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，其中CPT均為初始默認(rèn)的等概率分布。

2.3 貝葉斯網(wǎng)絡(luò)參數(shù)確定

基于上述網(wǎng)絡(luò)結(jié)構(gòu)，在Netica中導(dǎo)入整理所得的事故信息表，利用Netica內(nèi)置的EM算法進(jìn)行參數(shù)學(xué)習(xí)。首先確定人工駕駛的網(wǎng)絡(luò)參數(shù)，然后將其作為先驗知識，在此基礎(chǔ)上確定自動駕駛路測的網(wǎng)絡(luò)參數(shù)。人工駕駛及自動駕駛路測的結(jié)果分別如圖4(a)和4 (b)所示。

圖3 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)

圖4 人工駕駛/自動駕駛路測事故致因影響程度分析模型

3 結(jié)果與分析

本文應(yīng)用貝葉斯網(wǎng)絡(luò)診斷推理的功能，分析在事故發(fā)生的條件下各解釋變量的各個屬性出現(xiàn)的概率，其概率值即為網(wǎng)絡(luò)中各節(jié)點(diǎn)的參數(shù)值。對兩種駕駛情況下事故發(fā)生在各影響因素的不同狀態(tài)的概率列表進(jìn)行對比，并將所得結(jié)論按照事故基本情況、道路幾何因素、環(huán)境因素和交通因素分類總結(jié)，如表4和表5所示。

表4 自動駕駛路測與人工駕駛事故基本情況對比分析表

表5 自動駕駛路測與人工駕駛事故致因影響程度對比分析

采用Mann-Whitney U檢驗方法，對兩種駕駛模式下各事故致因影響程度差異進(jìn)行顯著性檢驗，結(jié)果如表6所示。

表4給出了自動駕駛路測事故基本情況的分析結(jié)果。表5給出了自動駕駛路測和人工駕駛事故致因影響程度對比分析結(jié)果。表6給出了兩種駕駛模式下事故致因影響程度差異的顯著性分析結(jié)果，其中最大限速、坡度、中央分隔帶、交叉口類型、車道數(shù)(雙向)、天氣的影響均有顯著差異，曲率、光照的影響差異相對不顯著，約70%把握認(rèn)為有差異，但考慮這兩個致因會影響到自動駕駛的控制和感知系統(tǒng)，因此后文中仍保留相關(guān)分析。結(jié)果表明，自動駕駛路測事故致因影響程度，相對于人工駕駛的主要特點(diǎn)如下：

(1)事故基本情況

事故類型方面，自動駕駛路測更易發(fā)生追尾事故和側(cè)面刮擦事故，比例分別上升14.5%和3.2%；正面相撞事故、呈角度碰撞事故以及單車事故比例均有所下降，其中單機(jī)動車事故比例下降12.2%。

事故嚴(yán)重程度方面，自動駕駛路測事故嚴(yán)重程度整體較低。輕微事故比例上升30.2%，嚴(yán)重事故比例下降28.4%。

事故類型和嚴(yán)重程度的影響具有一定的關(guān)聯(lián)性：自動駕駛路測更易發(fā)生追尾和側(cè)面刮擦事故，一般較為輕微，導(dǎo)致該駕駛情況下事故嚴(yán)重程度整體有所下降。

(2)道路設(shè)施因素

事故發(fā)生在單車道、雙向三車道和雙向四車道路段的概率上升，發(fā)生在其他路段的概率下降。平均來說，事故發(fā)生在雙向四車道及以下路段的概率上升10.5%。這主要是因為車道數(shù)較少的路段一般等級較低，接入口相對較多，交通參與者沖突也多，因此道路環(huán)境也更加復(fù)雜，增加了自動駕駛風(fēng)險。

事故發(fā)生在非交叉口的概率上升27.2%，發(fā)生在十字交叉口的概率上升24.8%，發(fā)生在T形交叉口的概率上升2.3%。交叉口的交通環(huán)境對于自動駕駛系統(tǒng)來說更加復(fù)雜，結(jié)合關(guān)于車道數(shù)的對比結(jié)論，表明自動駕駛路測在復(fù)雜交通環(huán)境下的適應(yīng)性較差。

事故發(fā)生在高曲率和高坡度路段的概率分別上升2.7%和5.2%，說明不良橫縱線形設(shè)計對自動駕駛路測安全性的影響更大。

中央為物理隔離的路段可有效降低人工駕駛情況下的事故概率。對于自動駕駛路測而言，數(shù)據(jù)分析表明這種效果則不明顯。這和兩種駕駛情況下的事故類型差異有一定的關(guān)系，自動駕駛路測中比例最高的追尾事故和側(cè)面刮擦事故，與中央分隔帶的關(guān)系均不大。

表6 自動駕駛路測與人工駕駛事故致因影響程度差異的顯著性分析

(3)環(huán)境因素

事故發(fā)生在夜間的概率下降9.6%，發(fā)生在黃昏或黎明的概率上升5.8%，這和機(jī)器視覺的識別原理有關(guān)。光線的角度對機(jī)器視覺的性能有一定影響，逆光情況下其表現(xiàn)會有所下降，因此黃昏和黎明事故概率會上升。夜間機(jī)器視覺主要通過對比度來識別，表現(xiàn)優(yōu)于人類駕駛員，故該條件下事故概率要更低。

事故發(fā)生在陰天和雨天的概率分別下降9.4%和5.9%，發(fā)生在霧天的概率上升1.6%。環(huán)境因素對兩種駕駛情況的影響存在差異。

(4)交通因素

事故發(fā)生在限速60 km/h及以下路段的概率上升38.0%，其原因和車道數(shù)因素類似，低速路段等級較低，道路環(huán)境更加復(fù)雜。

4 結(jié) 論

本文通過對自動駕駛路測事故影響因素的梳理，結(jié)合父節(jié)點(diǎn)分離方法，確定了自動駕駛路測和人工駕駛事故致因影響程度分析的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，利用EM算法并融合先驗知識，完成了網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)，對比了人工駕駛和自動駕駛路測事故致因的影響程度。結(jié)果分析表明：自動駕駛路測與人工駕駛在事故致因影響程度的方面存在明顯的差異性。事故類型方面，自動駕駛路測更易發(fā)生追尾事故和側(cè)面刮擦事故；嚴(yán)重程度方面，輕微事故比例上升30.2%，嚴(yán)重事故比例下降28.4%，整體而言嚴(yán)重程度有所下降；道路設(shè)施環(huán)境和交通因素方面，事故發(fā)生在雙向四車道及以下路段的概率上升10.5%，發(fā)生在十字交叉口的概率上升24.8%，發(fā)生在非交叉口的概率下降27.2%，發(fā)生在限速60 km/h及以下路段的概率上升38.0%，說明自動駕駛路測在復(fù)雜交通環(huán)境下的適應(yīng)性較差；環(huán)境因素方面，事故發(fā)生在黃昏、黎明時分的概率上升5.8%，說明逆光下自動駕駛路測安全風(fēng)險隱患高。

后續(xù)研究將進(jìn)一步擴(kuò)大自動駕駛路測事故數(shù)據(jù)規(guī)模，并開展基于我國相關(guān)事故數(shù)據(jù)的模型驗證，同時利用專家知識與實際數(shù)據(jù)融合的方法確定和優(yōu)化貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)一步提升結(jié)論的合理性和適用性。