羅瑞琪，熊 帥，何 佳，牛 凱

（中國(guó)市政工程華北設(shè)計(jì)研究總院有限公司，天津市 300074）

0 引言

隨著自動(dòng)駕駛技術(shù)的發(fā)展，未來(lái)自動(dòng)駕駛汽車將遍布在城市交通系統(tǒng)中，它們的加入勢(shì)必導(dǎo)致交通流交互行為特征發(fā)生顯著變化。自動(dòng)駕駛汽車面對(duì)行人時(shí)采取的決策行為與人類駕駛員明顯不同，行人面對(duì)自動(dòng)駕駛汽車和人工駕駛汽車時(shí)所承受的心理風(fēng)險(xiǎn)壓力也有很大區(qū)別，由此引發(fā)行人行為的隨機(jī)性和不確定性也隨之增加。

對(duì)人-車交互行為的建模研究一直是交通領(lǐng)域的研究重點(diǎn)和熱點(diǎn)[1]，通過(guò)對(duì)個(gè)體駕駛?cè)撕托腥诵袨榈慕＃梢远炕枋鲕囕v和行人在車流中的運(yùn)動(dòng)狀態(tài)，同時(shí)也可模擬宏觀車流的運(yùn)行態(tài)勢(shì)，是實(shí)現(xiàn)交通管理方案效果驗(yàn)證的經(jīng)濟(jì)、有效的方法[2]。自動(dòng)駕駛技術(shù)雖然得到了長(zhǎng)足的發(fā)展，但是以Google 和Tesla 為代表的無(wú)人駕駛汽車在真實(shí)交通環(huán)境（特別是城市復(fù)雜路況）測(cè)試中由于其行駛特性與真實(shí)駕駛?cè)酥g存在較大差異，自動(dòng)駕駛汽車無(wú)法準(zhǔn)確判斷行人的真實(shí)過(guò)街意圖，帶來(lái)大量的安全風(fēng)險(xiǎn)（相關(guān)交通事故的報(bào)道已見(jiàn)諸報(bào)端）[3-4]。作為決定自動(dòng)駕駛汽車能否廣泛應(yīng)用的瓶頸技術(shù)，自動(dòng)駕駛汽車與行人的交互行為決策技術(shù)成為新的熱門研究方向，該技術(shù)能夠使自動(dòng)駕駛汽車具備人類駕駛員與行人間的通行權(quán)溝通能力，使自動(dòng)駕駛汽車控制系統(tǒng)更加智能且接近人類的判斷能力[5-6]。

本文根據(jù)視頻調(diào)查法獲取行人過(guò)街及車輛通行的相關(guān)數(shù)據(jù)，分析行人過(guò)街影響因素，基于決策樹(shù)理論，利用二元Logit模型建立面向自動(dòng)駕駛車輛的路段人車沖突判別模型，對(duì)行人和自動(dòng)駕駛車輛之間可能發(fā)生沖突概率進(jìn)行計(jì)算。

2 數(shù)據(jù)采集分析

路段人車沖突模型建模方法見(jiàn)圖1。首先，采集行人位置、車輛位置以及行人和車輛的運(yùn)動(dòng)狀態(tài)；接下來(lái)建立決策樹(shù)，分析路段人車沖突過(guò)程，建立模型；最后利用調(diào)查數(shù)據(jù)，對(duì)模型參數(shù)進(jìn)行標(biāo)定。

圖1 路段人車沖突建模方法流程

選擇武漢市6 處無(wú)信號(hào)控制路段人行橫道作為調(diào)查對(duì)象，見(jiàn)表1，選擇天氣狀況較好的工作日，為了避免人流和車流量過(guò)大，本次調(diào)查沒(méi)有選擇在周一或周五。

表1 交通調(diào)查地點(diǎn)

調(diào)查時(shí)本文使用三臺(tái)同步攝像機(jī)以及兩把雷達(dá)槍來(lái)記錄數(shù)據(jù)，具體的設(shè)備布局見(jiàn)圖2，同步攝像機(jī)#1 被架設(shè)高樓，以保證攝像機(jī)完整能拍攝到調(diào)查地點(diǎn)中行人和車輛的交通狀況。同步攝像機(jī)#2 和#3被架設(shè)在道路兩側(cè)，用來(lái)記錄行人的過(guò)街行為。

圖2 調(diào)查設(shè)施布局圖

以雙向6 車道為例，最終數(shù)據(jù)調(diào)查獲取的數(shù)據(jù)主要包括：行人過(guò)街行為（是否接受間隙通過(guò)）、車輛與行人是否發(fā)生沖突（判別方法在2.3 節(jié)中具體介紹）、車輛所在車道（1、2、3……）、車輛速度、行人速度、行人與車輛之間的距離、行人通過(guò)潛在沖突區(qū)的距離，車輛所在車道延長(zhǎng)線與人行橫道重疊區(qū)域?yàn)闆_突區(qū)，見(jiàn)圖3。

圖3 車輛及行人距離位置示意圖

3 路段人車沖突判別模型

3.1 決策樹(shù)分析方法

車輛在準(zhǔn)備通過(guò)人行橫道時(shí)首先應(yīng)對(duì)行人運(yùn)動(dòng)狀態(tài)進(jìn)行觀察，判斷行人過(guò)街意圖，確定行人即將過(guò)街再進(jìn)行沖突決策，若確定為沖突，則產(chǎn)生減速或停車的讓行行為，否則，不判定為沖突，車輛正常通過(guò)，據(jù)此建立決策樹(shù)見(jiàn)圖4。

圖4 沖突決策樹(shù)示意圖

將行人過(guò)街決策判定定義為Dn，若確定過(guò)街則Dn=1，否則Dn=0；沖突決策定義為Cn，確定沖突則Cn=1，否則Cn=0，確定沖突概率值如式（1）所示：

不同決策行為的產(chǎn)生是不同狀態(tài)效用值Uin的離散選擇問(wèn)題，效用函數(shù)Uin（t）=Vin（t）+εin（t）=Xin（t）×α+εin（t），其中：Vin（t）為自動(dòng)駕駛車輛n 在時(shí)間t 狀態(tài)i 下的系統(tǒng)效用值；Xin（t）為自動(dòng)駕駛車輛n 在時(shí)間t 狀態(tài)i 下的解釋變量；α 為不同解釋變量Xin（t）參數(shù)，其中解釋變量與車輛位置、速度、行人速度、位置等因素有關(guān)；εin（t）為誤差項(xiàng)。

決策樹(shù)的每一層用二元Logit模型表示，X1n為自動(dòng)駕駛車輛n 判斷行人即將過(guò)街（i=1）的解釋變量，α 為變量參數(shù)；Z1n為自動(dòng)駕駛車輛n 進(jìn)行沖突決策（i=1）的解釋變量；β 為變量參數(shù)。因此，自動(dòng)駕駛車輛判定為沖突，做出讓行行為的概率見(jiàn)式（2）：

3.2 模型建立

對(duì)沖突決策的可能影響因素和因素對(duì)應(yīng)的系數(shù)進(jìn)行匯總，匯總結(jié)果見(jiàn)表2。

表2 變量定義表

為得到各個(gè)影響參數(shù)的系數(shù)值，首先將沖突決策概率寫(xiě)為N 個(gè)獨(dú)立事件（c1，c2……，cN）的聯(lián)合概率，接下來(lái)，對(duì)等式兩邊取對(duì)數(shù)：

3.3 模型參數(shù)標(biāo)定

如式（4）所示：

當(dāng)Δt=3 s時(shí)，自動(dòng)駕駛車輛會(huì)與行人發(fā)生沖突[7]。因此，以調(diào)查數(shù)據(jù)為基礎(chǔ)，統(tǒng)計(jì)發(fā)生沖突的事件，作為模型因變量的數(shù)據(jù)基礎(chǔ)。本文采用深度學(xué)習(xí)算法實(shí)現(xiàn)多元線性回歸進(jìn)行模型參數(shù)的標(biāo)定，工作機(jī)制為：機(jī)器被放在一個(gè)能讓它通過(guò)反復(fù)試錯(cuò)來(lái)訓(xùn)練自己的環(huán)境中，從過(guò)去的經(jīng)驗(yàn)中進(jìn)行學(xué)習(xí)，最后做出精確的判斷，選擇最優(yōu)估計(jì)值確定最終概率模型。深度學(xué)習(xí)具體步驟如下：

（1）輸入數(shù)據(jù)，生成訓(xùn)練樣本集、測(cè)試樣本集、驗(yàn)證樣本集；

（2）定義訓(xùn)練批次、驗(yàn)證批次、測(cè)試批次；

（3）輸入、輸出向量定義，分類器定義，驗(yàn)證模型定義；

（4）梯度計(jì)算，更新參數(shù)值；

（5）訓(xùn)練模型定義；

（6）訓(xùn)練模型。

因此，通過(guò)計(jì)算面向自動(dòng)駕駛車輛的路段人車沖突判別模型如下所示，用發(fā)生沖突的概率值P（Cn=1）來(lái)表示。

4 仿真設(shè)計(jì)

為使仿真過(guò)程更加穩(wěn)定，需做以下假設(shè)：

（1）仿真場(chǎng)景為無(wú)信號(hào)控制路段，自動(dòng)駕駛汽車直線行駛，無(wú)換道。

（2）自動(dòng)駕駛汽車以相同順序進(jìn)出仿真場(chǎng)景，無(wú)超車。

（3）只考慮自動(dòng)駕駛汽車與單個(gè)行人的相互作用，暫不考慮人群和其他道路參與者。

SUMO 是目前廣泛使用的開(kāi)源交通仿真軟件，通過(guò)其TraCI 接口，Python 能夠獲取SUMO 中車輛和行人的速度和位置，且可以修改和控制它們的速度和位置。利用Python 設(shè)計(jì)和實(shí)現(xiàn)該沖突判別算法，將沖突概率值作為輸出數(shù)據(jù)。聯(lián)合SUMO 進(jìn)行仿真輸出，仿真步長(zhǎng)為1 s，每次仿真持續(xù)1 h（3 600 s）。

圖5 為SUMO 中的仿真場(chǎng)景，人行橫道寬6 m，總長(zhǎng)1 km，單車道寬3.5 m。自動(dòng)駕駛汽車與行人在人行橫道（沖突區(qū)）相遇，人行橫道兩端設(shè)有行人等待區(qū)，等待區(qū)長(zhǎng)1.5 m，寬6 m。場(chǎng)景中自動(dòng)駕駛汽車生成率為泊松分布，每小時(shí)生成1 200 輛車（600 輛/車道/h），仿真中以不同頻率生成行人流，每30 s 生成一個(gè)行人，仿真時(shí)間4 h。

圖5 自動(dòng)駕駛汽車和行人仿真場(chǎng)景

統(tǒng)計(jì)的沖突事件作為模型效果對(duì)比數(shù)據(jù)，統(tǒng)計(jì)事件為實(shí)際發(fā)生沖突事件，共統(tǒng)計(jì)得到324 起。以仿真得到的沖突概率值為基礎(chǔ)，當(dāng)概率值大于85% 的事件作為可能發(fā)生沖突事件，共得到296 起，因此預(yù)測(cè)值與實(shí)際值相對(duì)誤差為8.6% 。

綜上所述，利用本文所建立面向自動(dòng)駕駛車輛的人車沖突判別模型可以有效預(yù)測(cè)人車發(fā)生沖突的概率值，對(duì)于智能車輛理解行人的過(guò)街意圖并判別車輛與行人是否發(fā)生沖突具有重要意義。

4 結(jié)論

本文主要提出了面向自動(dòng)駕駛車輛的路段人車沖突判別模型。利用決策樹(shù)理論，通過(guò)建立二元Logit模型，利用機(jī)器學(xué)習(xí)，建立了面向自動(dòng)駕駛車輛的人車沖突判別模型。本文所建立的路段人車沖突判別方法對(duì)于智能車輛理解行人的過(guò)街意圖并判別車輛與行人是否發(fā)生沖突是十分重要的。