李文禮，肖凱文，石曉輝，梁鋒華，黎 平

（1.重慶理工大學(xué)，汽車零部件先進(jìn)制造技術(shù)教育部重點實驗室，重慶 400054；2.重慶長安汽車股份有限公司，重慶 400020）

前言

行人道路安全是全球共同關(guān)注的熱點問題，世界衛(wèi)生組織（WHO）指出，全世界每年約有130 萬人死于交通事故，其中超過50%是“弱勢道路使用者”，即行人、自行車或摩托車騎行者，這意味著行人道路安全問題仍不容樂觀。由于行人的內(nèi)在特性（情緒、習(xí)性、性別等）存在差異，使行人在過街時與車輛交互過程中的運動狀態(tài)具有多態(tài)性和突變性，在發(fā)生緊急交通沖突的前一時刻，僅依靠駕駛?cè)说呐袛嗪蜎Q策難以避免人車沖突甚至導(dǎo)致交通事故的發(fā)生。因此，深入剖析行人特性，研究人車交互問題，是提高道路安全和保護(hù)行人的必要措施。

研究人車交互的目的是為車輛路徑規(guī)劃提供參考，常用的路徑規(guī)劃方法有圖搜索法、基于采樣和離散優(yōu)化及人工勢場法，這幾種方法皆具優(yōu)劣，其中人工勢場法（artificial potential field）由于計算成本低、實時性高等優(yōu)點而得到了廣泛應(yīng)用。近年來，許多學(xué)者對勢場理論進(jìn)行的改進(jìn)和創(chuàng)新，對人-車或車-車交互研究的推進(jìn)起到了重要作用。Ni認(rèn)為駕駛?cè)丝偸茄刂缆凤L(fēng)險分布最低點附近行駛，較早地提出了基于駕駛?cè)酥饔^駕駛環(huán)境的場域理論（field theory）。王建強(qiáng)等在場域理論的基礎(chǔ)上進(jìn)一步考慮駕駛?cè)俗陨韮?nèi)在特性、車輛狀態(tài)和交通環(huán)境，提出了解釋人-車-路相互關(guān)系的“行車風(fēng)險場”理論，揭示了車輛在復(fù)雜交通場景下人-車-路綜合作用時的風(fēng)險變化趨勢，為行車安全和智能車的路徑規(guī)劃提供了新思路。在此基礎(chǔ)上，許多學(xué)者對風(fēng)險場理論進(jìn)行了改進(jìn)和創(chuàng)新。文獻(xiàn)［6］中將車輛加速度和轉(zhuǎn)向盤轉(zhuǎn)角轉(zhuǎn)化為駕駛風(fēng)格因子，以描述駕駛?cè)藵撛诘鸟{駛習(xí)慣，構(gòu)建出一種考慮駕駛風(fēng)格因子的綜合風(fēng)險場模型。文獻(xiàn)［7］中建立了考慮車輛加速度和轉(zhuǎn)向角度動態(tài)影響的駕駛風(fēng)險場模型，并開發(fā)出基于駕駛風(fēng)險場的車輛跟馳模型，分析了不同駕駛風(fēng)格與換道安全之間的關(guān)系。朱乃宣等基于人工勢場理論對交通環(huán)境中的動態(tài)和靜態(tài)障礙物實現(xiàn)了風(fēng)險場建模，以真實駕駛員駕駛數(shù)據(jù)樣本得出了個性化換道的觸發(fā)時刻，分析了駕駛員換道過程中的風(fēng)險變化。文獻(xiàn)［9］中提出了彎道超車工況下的彎道勢場，設(shè)計動態(tài)環(huán)境的增量搜索算法，生成具有參考意義的彎道超車路徑。近幾年逐漸有學(xué)者利用勢場理論對人車交互進(jìn)行研究，黃俊達(dá)等通過在鳥瞰二維坐標(biāo)下構(gòu)建行車風(fēng)險場來預(yù)測行人運動軌跡，將行人風(fēng)險系數(shù)量化為3 層風(fēng)險等級以判定行人是否具有碰撞危險。袁泉等提出了心理安全通行距離和心理安全制動距離，將心理安全距離融入行車安全場理論，構(gòu)建出行人風(fēng)險動態(tài)評價模型。楊彪等提出了一種多源信息融合識別網(wǎng)絡(luò)以識別行人過街意圖，通過感知周車環(huán)境中的行人過街意圖，更好地規(guī)劃無人車的運行軌跡，為行人防碰撞提供了決策依據(jù)。

現(xiàn)有的基于勢場理論的人車或車車交互模型，大多對車輛特性和駕駛?cè)颂匦钥紤]較為全面，而對行人特性研究較少。為提高人車交互中行人路徑規(guī)劃的準(zhǔn)確性，把行人特性作為人車交互的重要影響因子，本文中提出一種基于行人視野注意力場的人車微觀交互模型，具體工作包括：（1）提出一種基于行人視野注意力場的人車微觀交互模型，利用目標(biāo)捕捉算法來控制行人視野域?qū)δ繕?biāo)的捕捉，使人車交互仿真過程更加擬人化；（2）提取鳥瞰視角下的人車真實交互數(shù)據(jù)，將行人過街風(fēng)格類型進(jìn)行分類；（3）在Pygame 框架下搭建模型，將不同過街風(fēng)格類型的人車交互數(shù)據(jù)作為仿真輸入，驗證模型和算法的有效性。

1 基于行人視野注意力場的人車微觀交互模型

1.1 行人視野注意力場描述

如圖1 所示，當(dāng)行人過街時，根據(jù)行人的思維邏輯應(yīng)當(dāng)先觀察視野下的交通環(huán)境再決定是否穿越，而行人在過馬路時的視野范圍是有限的，通常需要配合頭部轉(zhuǎn)動來檢索、更新周圍信息。一般情況下，如果行人在穿行過程中沒有發(fā)現(xiàn)周圍有車輛對其穿越行為產(chǎn)生威脅，則行人視野注意力應(yīng)當(dāng)集中于目的地方向，即目的地周圍會持續(xù)產(chǎn)生一種虛擬勢場吸引行人視野；而在行人穿越時通常需要應(yīng)對來車對其產(chǎn)生的安全威脅，因此，行人在去往目的地的同時必須持續(xù)關(guān)注來車，判斷人車當(dāng)下運動狀態(tài)是否安全，可以認(rèn)為行人附近的車輛也會產(chǎn)生與目的地周圍類似的虛擬勢場，吸引行人的視野關(guān)注度。因此，本文把這種“虛擬勢場”稱為行人視野注意力場，利用這種場可描述行人如何搜索周圍視野需要關(guān)注的信息來規(guī)劃路徑。

圖1 人車交互場景概念圖

1.2 驅(qū)動行人視野域旋轉(zhuǎn)運動的視野注意力場建模

為模擬現(xiàn)實情況下行人的視野范圍，設(shè)行人視野域為

式中：為的極徑；為的極角；為平分的角平分線長度；為行人專注情況下的視野范圍角，根據(jù)文獻(xiàn)［13］設(shè)為120°；為與水平軸線的夾角，逆時針為正方向；視野域如圖2中扇形區(qū)域所示。

圖2 視野域轉(zhuǎn)動與人車運動的驅(qū)動力示意圖

考慮到現(xiàn)實交通環(huán)境中障礙物或目標(biāo)點對行人視野注意力的影響分布具有“近大遠(yuǎn)小”的特征，本文將車輛與目的地對行人視野域產(chǎn)生的影響力分布場以改進(jìn)的二維正態(tài)分布來刻畫每一時刻對行人視野域的影響。如圖2所示，點（，）是車輛幾何中心坐標(biāo)，（，）是行人目的地坐標(biāo)，（，）點和（，）點產(chǎn)生的視野注意力場對(，)處行人的視野域引力大小分別為

式中：(，)和(，)分別為車輛點位置和目的地位置對行人視野域在(，)處的引力大?。粸檐囕v瞬時速度；是與相關(guān)的常數(shù)；是與行人過街風(fēng)格相關(guān)的常數(shù)。

行人視野域所受視野注意力場的引力方向定義如下，在圖2 中，行人的左側(cè)來車，由于(，)的方向始終與矢量=(-，-)的方向同向，因此可以用的單位向量方向(-cos，sin) 作 為(，)的方向；同理，行人視野域在(，)處受點、目的地點產(chǎn)生的視野注意力場引力矢量和視野注意力合力矢量為

式中：和分別是(，)和(，)與軸的夾角，逆時針為正方向（若行人右側(cè)來車則順時針為正向）。

視野注意力合力矢量驅(qū)動視野域的過程如圖2 所示，假設(shè)初始時刻下，行人視野角平分線平行于軸，且與夾角為，受到在上的法向分力||·sin后，使頭部轉(zhuǎn)動角度，最終轉(zhuǎn)動到。視野域轉(zhuǎn)動的狀態(tài)轉(zhuǎn)移方程為

式中：Δ為單位采樣時間；為視野域轉(zhuǎn)動慣量，是與行人過街風(fēng)格有關(guān)的常數(shù)。

1.3 行人視野域A對目標(biāo)的捕捉

1.3.1 目標(biāo)捕捉算法

圖3 視野域A捕捉車輛目標(biāo)的過程

式中：為車輛點與行人之間的歐氏距離；是行人位置與車輛點所連直線對水平軸線的夾角，逆時針為正（若行人右側(cè)來車則順時針為正）；表示車輛點與行人的橫坐標(biāo)之差，為-，左側(cè)來車＜0，右側(cè)來車＞0。

1.3.2 目標(biāo)關(guān)注度

設(shè)第個采樣時刻為T∈（，，…，T），行人過街總時間為，在目標(biāo)捕捉算法中描述了還未捕捉到目標(biāo)、恰好捕捉到目標(biāo)和結(jié)束交互的整個過程，將3 個時刻分別記為T、T、T；行人對車輛關(guān)注度和對目的地關(guān)注度為

1.4 驅(qū)動人車運動的人工勢場建模

基于行人視野注意力場的人車微觀交互模型中改變行人和車輛運動狀態(tài)的力由人工勢場確定。人工勢場主要通過斥力勢場和引力勢場共同組成，引力勢場和斥力勢場為

式中：表示引力常量，與行人過街風(fēng)格有關(guān)，不同過街風(fēng)格的行人對目的地的關(guān)注度不同，故受到的引力大小不同；和分別是行人(，)和目的地(，)任意時刻位置；是用于限制引力“遠(yuǎn)極大”和“近極小”兩種特殊情況下的距離閾值；為斥力常量，與行人過街風(fēng)格有關(guān)，不同過街風(fēng)格的行人受到車輛的斥力不同；表示來車對行人的最大影響距離，該參數(shù)的定義借鑒了文獻(xiàn)［11］中提出的行人心理安全通行距離，將此距離用于控制來車產(chǎn)生的斥力場對行人的最大作用距離，如式（9）所示。

式中：是與行人過街風(fēng)格有關(guān)的正數(shù)；v為參考車速。

勢場力由勢場的負(fù)梯度定義，故引力和斥力為

行人受人工勢場合力’為目的地勢場的引力和多個車輛勢場產(chǎn)生的斥力之和。視野域在轉(zhuǎn)動過程中會持續(xù)搜索周圍車輛，若捕捉到車輛點，即∈時，所有滿足行人心理安全通行距離的車輛對行人有斥力作用，否則僅有目的地引力作用，故’為

求得行人所受人工勢場合力’后，設(shè)時刻行人坐標(biāo)為(x，y)，用’構(gòu)建行人的狀態(tài)轉(zhuǎn)移方程：

式中為’與水平軸線的夾角，逆時針為正向。

車輛也會受到行人的反作用力，方向由行人位置指向車輛位置，根據(jù)文獻(xiàn)［13］中力的反饋過程，設(shè)計行人對車輛的作用力為

式中：是車輛受到行人的反作用力；為舒適減速度；為駕駛員反應(yīng)時間。

2 人車交互數(shù)據(jù)采集與分析

通過無人機(jī)采集人車交互視頻，手動逐幀標(biāo)定鳥瞰視頻中的人車軌跡和行人頭部偏向，得到人車交互時的軌跡數(shù)據(jù)(，，，，，，)，再將人車歷史軌跡和行人頭部偏向角進(jìn)行數(shù)據(jù)分析，得到交互數(shù)據(jù)(，，，，，，)。隨后使用基于決策樹的集成學(xué)習(xí)算法（隨機(jī)森林、XGBoost）對交互數(shù)據(jù)進(jìn)行解釋變量的重要性分析，以得分較高的解釋變量為基準(zhǔn)作K均值聚類。整個數(shù)據(jù)采集和分析流程如圖4所示。

圖4 數(shù)據(jù)采集和分析流程

2.1 采集和標(biāo)定數(shù)據(jù)

本文的行人和車輛數(shù)據(jù)均為實景采集，為使數(shù)據(jù)符合現(xiàn)實情況，選擇了某高校附近的丁字路口，此路口人流密集，人車交互頻繁，采集場景如圖5所示。

圖5 數(shù)據(jù)采集場景

數(shù)據(jù)采集設(shè)備為DJI-MINI2 無人機(jī)，如圖6 所示。單次最長飛行時間為30 min，影像傳感器為CMOS，有效像素1 200萬；錄像分辨率為3840×2160，幀率為24 fps；飛行高度50 m。

圖6 采集設(shè)備

視頻數(shù)據(jù)包含17 段交互場景，共22 480 幀，每10 幀對人車軌跡和行人頭部偏角進(jìn)行一次手動標(biāo)定，相鄰標(biāo)定點之間的時間間隔為0.042 s。經(jīng)實地測量，確定拍攝區(qū)域為長30 m、寬25 m 的矩形區(qū)域，共整理出231條有效的行人軌跡和51條具有交互行為的車輛軌跡，多個行人可能與單輛車交互。每個行人的標(biāo)定軌跡數(shù)據(jù)格式如表1所示（這里以3號行人為例）。

表1 部分標(biāo)定數(shù)據(jù)

圖7為行人和車輛部分軌跡標(biāo)定結(jié)果，圖8為行人頭部偏向角標(biāo)定過程。得到人車軌跡數(shù)據(jù)后，利用標(biāo)定后的軌跡點求行人最大加速度和平均速度，以車輛點歷史軌跡確定來車與行人的初始橫向距離和車輛平均速度，以視頻幀數(shù)衡量行人等待時間，以視頻畫面確定該行人是否有同行人，根據(jù)目標(biāo)捕捉算法和人車歷史軌跡計算行人對來車的關(guān)注度。計算統(tǒng)計出每個行人的交互數(shù)據(jù)，如表2所示。

表2 人車交互數(shù)據(jù)

圖7 部分人車軌跡（行人為彩色實線，車輛為紅色虛線）

圖8 標(biāo)定行人頭部偏向角θ

2.2 解釋變量重要性分析

如表3 所示，根據(jù)視頻中行人過街表現(xiàn)出“讓出交互主導(dǎo)權(quán)，讓來車先行”、“謹(jǐn)慎交互，平穩(wěn)前行，不奔跑”、“積極爭奪交互主導(dǎo)權(quán)，侵略性強(qiáng)，奔跑”的行為表現(xiàn)作為被解釋變量，將包含車輛特性與行人特性的交互數(shù)據(jù)作為解釋變量；利用基于決策樹的集成學(xué)習(xí)算法，通過Random-Forest（隨機(jī)森林）和XGBOOST（極致梯度提升）算法分析解釋變量的重要性，篩選對被解釋變量（過街風(fēng)格）影響較大的解釋變量。

表3 解釋（被解釋）變量定義

在訓(xùn)練隨機(jī)森林模型過程中，確定最佳決策樹棵數(shù)為85 的模型表現(xiàn)最佳：模型效率（0.845 s）、袋外準(zhǔn)確率OOB=0.897、準(zhǔn)確率AUC=0.924；在訓(xùn)練XGBOOST 模型時，將行人數(shù)據(jù)集按4∶1 分為訓(xùn)練集（185 個）、測試集（46 個）。訓(xùn)練結(jié)果表明，當(dāng)決策樹為120 時，模型有最優(yōu)準(zhǔn)確率AUC=0.947。圖9 描述了兩種模型的ROC 曲線、AUC 得分和兩模型AUC的平均值，結(jié)果表明，兩種訓(xùn)練模型對解釋變量重要性的評估具有很高的可靠性。從圖10 可以看出行人在交互過程中對來車的關(guān)注度、行人最大加速度和行人平均速度對過街風(fēng)格分類影響更為顯著。

圖9 模型評估ROC曲線

圖10 解釋變量重要性排序

2.3 行人過街風(fēng)格聚類

從解釋變量重要性分析的實驗結(jié)果可以看出：行人在交互過程中，來車的關(guān)注度、行人最大加速度和行人平均速度對過街風(fēng)格影響更為顯著，故將以上3 種變量作為相關(guān)因素，經(jīng)數(shù)據(jù)歸一化后進(jìn)行K 均值聚類分析，設(shè)初始聚類質(zhì)心數(shù)量與被解釋變量數(shù)相同，目標(biāo)函數(shù)為最優(yōu)化歐氏距離誤差平方和，最終形成了3個簇，如圖11所示。根據(jù)各簇分布，將過街風(fēng)格分為“保守型”、“謹(jǐn)慎型”和“冒險型”，分別有42、112、77人。

圖11 過街風(fēng)格聚類

3 仿真分析

將各個行人、交互對象車輛、對應(yīng)目的地坐標(biāo)、車輛初始速度和行人過街風(fēng)格作為模型輸入，格式為(，，，，，，，)，運行模型得到仿真結(jié)果（行人對來車的關(guān)注度和交互軌跡）。整個仿真模型由圖12 所示，主要由觀測模塊和決策執(zhí)行模塊構(gòu)成，觀測模塊利用輸入數(shù)據(jù)構(gòu)建視野注意力場，由視野注意力場驅(qū)動視野域轉(zhuǎn)動；決策執(zhí)行模塊用輸入數(shù)據(jù)構(gòu)建人工勢場驅(qū)動人車運動；視野域轉(zhuǎn)動期間會持續(xù)調(diào)用目標(biāo)捕捉算法，使行人在視野域的引導(dǎo)下與交互對象車完成擬人化、高保真的交互。仿真平臺為Pygame，仿真用的計算機(jī)配置為2.90 GHz的CPU：Intel（R）Core（TM）i7-10700CPU 和Quadro RTX 5000顯卡。

圖12 模型結(jié)構(gòu)圖

3.1 基于典型過街風(fēng)格的勢場仿真分析

3.1.1 視野注意力場分析

行人周圍視野注意力場的分布與車輛速度大小和行人過街風(fēng)格有關(guān)。圖13 展示了不同車速和過街風(fēng)格下的視野注意力場。

場景1：保守行人周圍的視野注意力場

在圖13（a）中，車輛點位于（6，8）位置，行人目的地點位于（18，20）位置，來車車速=10 km/h，沿著軸的正方向移動。假設(shè)行人此刻位置在（16，0）附近，若行人欲去往點附近，行人視野域會先受到點視野注意力場的影響，使優(yōu)先捕捉車輛目標(biāo)?？紤]車速對車輛視野注意力場分布的影響，在圖13（b）中，點產(chǎn)生的視野注意力場由于車速的提升而擴(kuò)大了影響范圍，視野域此刻受到來自車輛視野注意力場的引力更大，行人在（16，0）處會更加關(guān)注來車。

場景2：謹(jǐn)慎行人周圍的視野注意力場

在圖13（c）中，處的目的地視野注意場峰值為30，而在圖13（a）中該值僅為8，這可以解釋為謹(jǐn)慎行人與來車交互時表現(xiàn)得比保守行人更加強(qiáng)勢，去往目的地的期望更強(qiáng)烈。

場景3：冒險行人周圍的視野注意力場

在圖13（d）中，假設(shè)該時刻下的行人為激進(jìn)的冒險型，在（6，8）附近的車輛視野注意力場的大小為9，在（16，20）附近的目的地視野注意力場的大小為58，假設(shè)行人在（16，0）附近，此刻的行人視野域受到來自目的地視野注意力場的引力更大。

圖13 不同車速和行人過街風(fēng)格的視野注意力場

3.1.2 人工勢場分析

人工勢場與車輛速度大小和行人過街風(fēng)格有關(guān)，圖14 對比分析了不同車速和不同過街風(fēng)格下的人工勢場分布。

場景1：保守行人周圍的人工勢場

圖14（a）展示了保守型行人過街時，目的地和車輛產(chǎn)生的人工勢場。可以看出，在該類行人的交互環(huán)境中，目的地產(chǎn)生的吸引勢場較小，而車輛產(chǎn)生的排斥勢場較大；圖14（b）當(dāng)車速提升，來車對行人的最大影響距離’增大。

場景2：謹(jǐn)慎行人周圍的人工勢場

圖14（c）是謹(jǐn)慎行人環(huán)境中的人工勢場，與圖14（a）中的保守行人相比，謹(jǐn)慎行人周圍的目的地吸引勢場更大。

場景3：冒險行人周圍的人工勢場

圖14（d）是冒險行人周圍的人工勢場，與圖14（a）和圖14（c）中的保守和謹(jǐn)慎行人相比，處的吸引勢場比前兩者更大，車輛排斥勢場比前兩者更小。

圖14 不同車速和行人過街風(fēng)格的人工勢場

為使模型輸出結(jié)果符合真實場景下的數(shù)據(jù)量綱，多次使用采集的真實數(shù)據(jù)對視野注意力場和人工勢場對比調(diào)參，得到的最優(yōu)參數(shù)如表4所示。

表4 視野注意力場和人工勢場的最優(yōu)參數(shù)

3.2 基于典型過街風(fēng)格的人車交互仿真結(jié)果分析

根據(jù)不同行人過街風(fēng)格劃分3 種仿真場景，將真實交互數(shù)據(jù)中行人坐標(biāo)(，)、目的地坐標(biāo)(，)、車輛坐標(biāo)(，)、車輛初始速度和行人過街類型作為輸入，驗證基于行人視野注意力場的人車微觀交互模型的有效性，比較各類型行人仿真輸出的時空軌跡與真實軌跡的差異。

該實驗根據(jù)不同行人過街風(fēng)格劃分為如下3 種仿真場景。

場景1 如圖15（a）～圖15（c）所示，為某個保守行人樣本的仿真過程，根據(jù)該樣本采集的真實軌跡，行人初始坐標(biāo)為（22，6），目的地坐標(biāo)為（27，23），交互對象車初始坐標(biāo)為（0，17），初始車速為10 km·h，視野轉(zhuǎn)動慣量為0.01。人車交互具體過程可描述為：在=2 s 時（圖15（a）），行人視野域開始捕捉到車輛，逆時針旋轉(zhuǎn)以持續(xù)關(guān)注來車，隨后行人開始減速；=4 s 時（圖15（b）），可以發(fā)現(xiàn)行人已放棄與來車爭奪路權(quán)，待車輛駛過以后再繼續(xù)前往目的地（圖15（c））。

場景2 如圖15（d）～圖15（f）所示，為某個謹(jǐn)慎行人樣本的仿真過程，行人初始坐標(biāo)為（23，8），目的地坐標(biāo)為（22，23），交互對象車初始坐標(biāo)為（0，28），初始車速為8 km·h，視野轉(zhuǎn)動慣量為0.1。=2 s時（圖15（d）），行人開始注意到來車，隨后在=4 s（圖15（e））時向左偏頭以持續(xù)觀察來車狀態(tài)，并將移動方向向右調(diào)整，嘗試與來車爭奪路權(quán)。最后，在=6 s（圖15（f））可以看到該行人成功取得路權(quán)，途中一直關(guān)注來車。

圖15 不同過街風(fēng)格下，行人與車輛交互仿真過程

場景3 如圖15（g）～圖15（i）所示，為某個冒險行人樣本的仿真過程，行人初始坐標(biāo)為（21，12），目的地坐標(biāo)為（27，25），車輛初始坐標(biāo)為（0，21），車速為15 km·h，視野轉(zhuǎn)動慣量為1。=2 s 時（圖15（g）），行人開始注意到來車，但直到=4 s（圖15（h）），行人還未停止，而是朝著目的地繼續(xù)前進(jìn)，直到=6 s（圖15（i））完成交互。

行人對來車關(guān)注度仿真值和真實值的全部樣本統(tǒng)計結(jié)果如圖16 所示，可以看出，當(dāng)發(fā)現(xiàn)來車后，保守、謹(jǐn)慎和冒險3 種行人對來車關(guān)注度隨時間推移上升的快慢是不相同的。保守行人最快關(guān)注到來車，冒險行人關(guān)注到來車的時刻最晚；而從來車關(guān)注度增長趨勢來看，保守行人關(guān)注度平均值隨時間上升的斜率（曲線中導(dǎo)數(shù)不為0處點集的一元線性回歸直線斜率）最大，來車對其注意力的影響迅速上升；反之，冒險行人的關(guān)注度隨時間上升的斜率最小，來車對其注意力的影響較小。

圖16 Pobs仿真值與真實值的全部樣本統(tǒng)計

圖17是3種行人仿真過程中的時空軌跡圖。真實軌跡為采集的原始軌跡，從圖17（a）～圖17（c）中可以看出：本文提出的模型輸出的時空軌跡與真實軌跡更相似，更符合真實情況。具體差異以軌跡之間的平均絕對百分比、平均絕對誤差、均方根誤差衡量。

圖17 不同過街類型行人的時空仿真軌跡對比

表5 中的結(jié)果表明：模型加入視野注意力場后的輸出軌跡與真實軌跡更接近，與常規(guī)的人工勢場相比，行人軌跡仿真準(zhǔn)確性提高了25.48%。

表5 所有樣本仿真的時空軌跡與真實時空軌跡偏差均值

4 結(jié)論

本文中針對人車交互環(huán)境下行人過街風(fēng)格差異和過街路徑規(guī)劃問題，在常規(guī)人工勢場的基礎(chǔ)上，提出了一種基于行人視野注意力場的人車微觀交互模型。該模型把行人視野域引入人工勢場，提出基于行人視野域的目標(biāo)捕捉算法，并考慮了行人不同過街風(fēng)格和交互對象車速對勢場分布的差異，提升了模型的普適性、準(zhǔn)確性和多態(tài)性。

根據(jù)實景采集的人車交互數(shù)據(jù)劃分行人過街風(fēng)格，得到了行人不同過街風(fēng)格下的視野注意力場和人工勢場分布，通過仿真軌跡與真實軌跡之間的相似度比較，驗證該模型在人車微觀交互過程的有效性。結(jié)果表明，提出的基于行人視野注意力場的人車微觀交互模型比常規(guī)人工勢場模型的準(zhǔn)確性高出25.48%，能有效地復(fù)現(xiàn)復(fù)雜場景下的人車微觀交互過程，對研究人車微觀交互問題具有參考意義。