鄒晉彬，倪興瀧，但舒靈

(西華大學(xué)，四川 成都 610039)

隨著我國汽車保有量的不斷增加，行人的交通安全問題愈發(fā)受到重視，而具備和集成了高度智能化、大數(shù)據(jù)和車聯(lián)網(wǎng)技術(shù)的自動駕駛汽車將會有效降低交通事故[1]。自動駕駛汽車的測試場景是否完善是決定其應(yīng)用的關(guān)鍵因素，因此，對已有的交通事故案例研究，提取出典型的人車碰撞危險場景，可有效降低自動駕駛測試場景的開發(fā)成本和周期。目前，國外學(xué)者利用已有的交通數(shù)據(jù)庫并對其分類整理，利用事故場景參數(shù)聚類獲得危險場景，國內(nèi)學(xué)者也基于真實(shí)的交通數(shù)據(jù)庫，通過事故場景特征聚類得到危險場景[2-4]。但上述研究多集中于車與車相撞的危險場景，缺乏涉及行人的交通危險場景相關(guān)研究，因此，本文通過篩選出國家車輛事故深度調(diào)查體系NAIS(National Automobile Accident In-depth Investigation System)數(shù)據(jù)庫中典型城市道路人車碰撞事故案例，運(yùn)用聚類分析提取出典型人車碰撞危險場景，為自動駕駛汽車提供測試方案。

1 交通事故數(shù)據(jù)統(tǒng)計與變量選擇

對NAIS數(shù)據(jù)庫中的人車事故進(jìn)行篩選，最終得到144例信息完善的有效案例。從試驗(yàn)成本和效率出發(fā)，選取能夠主觀調(diào)控并且容易復(fù)現(xiàn)的參數(shù)。經(jīng)過仔細(xì)分析，最終選取3類共5個參數(shù)做進(jìn)一步分析。環(huán)境參數(shù)：光照條件、道路特征；車輛參數(shù)：車輛行駛速度；行人參數(shù)：行人運(yùn)動速度、行人運(yùn)動狀態(tài)，見表1。為便于統(tǒng)計及之后的聚類，將汽車的行駛車速高于50 km/h定義為高速行駛，低于50 km/h定義為正常速度行駛

表1 參數(shù)類型及取值

2 聚類分析及場景提取

本文采用系統(tǒng)聚類提取危險場景，系統(tǒng)聚類通過計算給定樣本間的距離，把相似度較高的樣本分到同一類，相似度較低的樣本分到不同類，使得同一類樣本間的相似性強(qiáng)于不同類樣本。

采用歐氏距離法對樣本之間的距離進(jìn)行量化，公式如下

(1)

式中:Xik為第i個樣本的第K個變量，Xjk為第j個樣本的第K個變量，dij為第i個樣本與第j個樣本間的直接距離。

得到各個樣本之間的距離后，采用類平均法計算類與類之間的距離，公式如下

(2)

通過MATLAB編程進(jìn)行系統(tǒng)聚類時，發(fā)現(xiàn)倒數(shù)第5次并類的不一致系數(shù)相較于第6次有大幅增加，根據(jù)聚類分析特性[5]，確定最終分類數(shù)為6類，得到聚類結(jié)果，并通過卡方檢驗(yàn)法對每一類特征檢驗(yàn)，見表2。

表2 聚類分析結(jié)果

3 典型場景提取及結(jié)果分析

根據(jù)表2，初步提取第一，二，三，四類工況作為城市道路人車碰撞的典型危險場景，得到表3。這四類典型危險工況涵蓋了全部樣本工況的86.11%，代表了絕大部分的危險工況。第一類場景表明在直道路段且光照差的環(huán)境下，行人沿道步行并與高速行駛的車輛發(fā)生碰撞；第二類場景表明在直道路段且光照良好的環(huán)境下，行人從車輛右側(cè)過來并與正常行駛的車輛發(fā)生碰撞；第三類場景表明在路口路段且光照良好的情況下，行人從車輛右側(cè)過來并與正常行駛的車輛發(fā)生碰撞；第四類場景表明在直道路段且光照差的環(huán)境下，行人從車輛右側(cè)步行過來并與正常行駛的車輛發(fā)生碰撞。

表3 危險場景

4 結(jié) 論

(1)通過自然駕駛獲取危險場景數(shù)據(jù)的過程復(fù)雜，并難以獲取有效的數(shù)據(jù)，而基于事故大數(shù)據(jù)提取具有代表性的典型危險場景，是更為有效的方法。

(2)提取得到的4類針對行人的典型危險場景中，行人從車輛右側(cè)橫穿直道公路的危險場景類別最多，占比最大，且伴隨照明不足、路段交通狀況復(fù)雜和車輛超速等危險特征?；谶@些危險特征衍生出的仿真測試場景適用于我國的自動駕駛測試。

(3)考慮上述危險場景及危險特征的城市交通規(guī)劃方案，可有效降低涉及行人的交通事故發(fā)生率，亦可為規(guī)劃城市智能設(shè)施位置提供參考。