陳 浩，王 紅，李維漢，白先旭，陳 炯，李楚照，5，石 琴，孫 駿

（1.合肥工業(yè)大學(xué)，安徽省智慧交通車路協(xié)同工程研究中心，合肥 230009；2.合肥工業(yè)大學(xué)汽車與交通工程學(xué)院，車輛工程系自適應(yīng)結(jié)構(gòu)與智能系統(tǒng)實(shí)驗(yàn)室，合肥 230009；3.清華大學(xué)車輛與運(yùn)載學(xué)院，北京 100084；4.上海蔚來汽車有限公司，上海 201804；5.中國汽車工程研究院股份有限公司汽車噪聲振動和安全技術(shù)國家重點(diǎn)實(shí)驗(yàn)室，重慶 401122）

前言

自動駕駛技術(shù)給汽車安全提出了諸多挑戰(zhàn)，研發(fā)人員無法做到讓自動駕駛車輛在任何情況下都能保障自車及周圍行人的安全。2020年特斯拉公司的產(chǎn)品Model Y因傳感器未檢測到前方靜止的白色貨車而導(dǎo)致與其相撞［1］。這表明即使通過現(xiàn)有的測試標(biāo)準(zhǔn)，自動駕駛車輛在真實(shí)交通場景中的安全性也不如預(yù)期。

自動駕駛的技術(shù)發(fā)展與測試體系建立不同步，導(dǎo)致自動駕駛的實(shí)際應(yīng)用受到限制，全面推廣受到阻礙，因此行業(yè)須建立針對不同自動駕駛等級的測試標(biāo)準(zhǔn)與評價指標(biāo)。針對這樣的問題國際標(biāo)準(zhǔn)化組下設(shè)的功能安全工作組（ISO∕TC22∕SC32∕WG8）于2016年啟動了ISO 21448的制定工作，并于2019年發(fā) 布 了《ISO∕PAS 21448—2019：Road vehicles-Safety of the intended functionality》，旨在解決因預(yù)期功能不足或合理預(yù)見的人員誤操作而造成的車輛危害行為。

基于場景的方法可以應(yīng)用于ISO 26262標(biāo)準(zhǔn)中V型開發(fā)過程的眾多步驟。Menzel等［2］根據(jù)不同步驟的場景要求提出了場景的3個抽象層次，還給出了每個抽象層的定義。Weber等［3］提出了根據(jù)主車和障礙物之間潛在的碰撞區(qū)域定義與安全相關(guān)的場景框架。

雖然基于仿真場景的自動駕駛系統(tǒng)測試驗(yàn)證可以降低測試成本和縮短測試時間，但與現(xiàn)實(shí)中的安全效益關(guān)聯(lián)性不強(qiáng)。為解決此問題，Zhao等［4-6］提出了一個大規(guī)模、可拓展的自然駕駛場景庫TrafficNet和一種基于重要性采樣的加速評估測試方法，并以跟車和換道場景為例進(jìn)行了驗(yàn)證。Xu等［7］利用遺傳算法對重要性抽樣進(jìn)行改進(jìn)，提高了切入場景下的測試效率。Feng等［8-10］提出了一種新的高級自動駕駛系統(tǒng)的安全評估框架，該框架包含增強(qiáng)現(xiàn)實(shí)的測試平臺和自適應(yīng)的測試場景庫生成方法。他們還進(jìn)一步通過強(qiáng)化學(xué)習(xí)技術(shù)改進(jìn)了該方法，保證其在高維場景下測試評估的無偏性和高效性［11-12］。

如圖1所示，在ISO 21448中車輛的運(yùn)行場景被分為4個部分，分別是區(qū)域1已知安全場景、區(qū)域2已知不安全場景、區(qū)域3未知不安全場景和區(qū)域4未知 安 全 場 景［13］。預(yù) 期 功 能 安 全（safety of the intended functionality，SOTIF）的目標(biāo)就是最大可能地減少區(qū)域2和區(qū)域3的面積，提高車輛在不同場景下的安全性。要實(shí)現(xiàn)此目標(biāo)，不僅需要基于場景的測試方法，還需要應(yīng)用準(zhǔn)確的指標(biāo)評估場景風(fēng)險。

圖1 SOTIF中車輛運(yùn)行場景的分類

Li等［14］將智能車輛危險評估的關(guān)鍵指標(biāo)分為5組：基于時間的指標(biāo)、基于運(yùn)動學(xué)的指標(biāo)、基于統(tǒng)計(jì)學(xué)的指標(biāo)、基于勢場的指標(biāo)和基于非預(yù)期駕駛行為的指標(biāo)。其中基于碰撞時間的指標(biāo)（time-tocollision，TTC）在縱向場景下準(zhǔn)確而有效，常應(yīng)用于避撞產(chǎn)品的設(shè)計(jì)中，如預(yù)警系統(tǒng)［15］、碰撞緩解和制動系統(tǒng)［16-17］。但是TTC對移動障礙物的橫向碰撞風(fēng)險不敏感，在變道或切入場景中易發(fā)生誤報警［14］。

基于勢場的指標(biāo)在多目標(biāo)的風(fēng)險等級劃分方面優(yōu)勢明顯，這與日益復(fù)雜的交通場景相符合。Wang等［18］提出的行車安全場（driving safety field，DSF）模型是勢場理論應(yīng)用于車輛領(lǐng)域的最新成果，該模型定量地描述了各交通因素對行車安全的影響，為復(fù)雜環(huán)境下行車風(fēng)險評價和車輛主動安全技術(shù)提供了一種新的思路和方法。基于該理論，Wang等［19］還提出了針對多車場景的車輛碰撞預(yù)警算法，并通過24名駕駛員的實(shí)車實(shí)驗(yàn)驗(yàn)證了算法的有效性。但文獻(xiàn)［18］和文獻(xiàn)［19］中DSF模型的參數(shù)是假設(shè)的。Li等［20］進(jìn)一步建立了一個基于灰度關(guān)系度分析的優(yōu)化模型對DSF模型的風(fēng)險系數(shù)進(jìn)行校準(zhǔn)。Li等［21］對文獻(xiàn)［18］中的DSF模型進(jìn)行了改進(jìn)，通過縮放距離矢量將車輛的安全場結(jié)構(gòu)優(yōu)化為橢圓形，使模型解釋更加形象，但并未深入研究其他模型參數(shù)。Wu等［22］在DSF模型中加入了軌跡預(yù)測模塊，提出了一種用于無信號路段行人-車輛風(fēng)險評估的方法，該方法縮短了制動時間，提高了TTC，但適用場景存在局限性。除車輛主動安全技術(shù)以外，勢場理論還廣泛應(yīng)用于自動駕駛車輛的運(yùn)動規(guī)劃［23-24］和路徑規(guī)劃［25-26］中。

為解決SOTIF驗(yàn)證過程中測試場景的風(fēng)險評估問題，本文中提出通過DSF模型將不同層級的場景元素造成的行車風(fēng)險進(jìn)行集成，從而全面準(zhǔn)確地計(jì)算場景風(fēng)險的方法。從SOTIF場景架構(gòu)與DSF模型參數(shù)的關(guān)系層面，給出DSF模型滿足SOTIF場景風(fēng)險評估的要求。為完善并應(yīng)用所提的評估方法，利用交通事故數(shù)據(jù)對DSF模型中部分參數(shù)進(jìn)行標(biāo)定，并將該方法用于劃分SOTIF車輛運(yùn)行場景。采用場地測試和道路測試途徑，對標(biāo)定參數(shù)的有效性和所提方法的正確性進(jìn)行驗(yàn)證。本文的主要貢獻(xiàn)有：（1）提出基于DSF理論的SOTIF場景風(fēng)險評估方法，從SOTIF場景層級和DSF模型參數(shù)的角度闡述了評估方法的全面性和適用性；（2）利用中國道路交通安全數(shù)據(jù)集對DSF模型中虛擬質(zhì)量、道路條件影響因子和駕駛員風(fēng)險因子等參數(shù)進(jìn)行標(biāo)定，并通過場地測試驗(yàn)證標(biāo)定值的準(zhǔn)確性和DSF指標(biāo)的敏銳性；（3）將所提風(fēng)險評估方法進(jìn)行具體應(yīng)用，提出基于相對駕駛安全系數(shù)指標(biāo)（relative driving safety index，RDSI）的SOTIF場景劃分方法，并通過道路測試驗(yàn)證劃分的實(shí)用性。

1 SOTIF場景風(fēng)險評估模型

Ulbrich等［27］將場景定義為一系列圖片中部分圖片之間時間發(fā)展的描述，所以從一個場景到另一個場景的移動是通過事件的因果鏈進(jìn)行的，且風(fēng)險和軌跡的變化圖也是連續(xù)的。如果能夠完整地記錄行車過程中場景元素的量化值，同時合理準(zhǔn)確地計(jì)算場景的瞬時風(fēng)險，就可以實(shí)現(xiàn)SOTIF場景的風(fēng)險評估?；诖?，風(fēng)險評估的問題可以分為兩步，一是選擇完善的SOTIF場景架構(gòu)，二是準(zhǔn)確的風(fēng)險計(jì)算模型。

風(fēng)險的準(zhǔn)確表達(dá)需要以完善的場景架構(gòu)為基礎(chǔ)，因?yàn)樵谌找鎻?fù)雜的交通環(huán)境中自車受到的危險是來自多方面的。Wu等［28］提出的7層SOTIF場景架構(gòu)滿足完整性要求，具體的層級描述如表1所示，該場景架構(gòu)中元素眾多，因此須結(jié)合先進(jìn)的風(fēng)險模型，對各類元素造成的風(fēng)險進(jìn)行權(quán)衡和統(tǒng)籌。

表1 場景的層級描述

DSF模型綜合考慮了人-車-路3方面的風(fēng)險，實(shí)現(xiàn)了感知區(qū)域內(nèi)所有場景要素的風(fēng)險量化。文獻(xiàn)［18］中DSF由道路上靜止物體形成的勢能場、運(yùn)動物體形成的動能場和駕駛員形成的行為場勢組成，所以主車i的安全勢能（safety potential energy，SPE）的表達(dá)式為

式中：SPER，ai為主車i在第一類靜止物體a產(chǎn)生的勢能場中的安全勢能；R為道路條件影響因子；M為物體的虛擬質(zhì)量；DR為駕駛員風(fēng)險因子；rai為相對距離矢量；K和k1為風(fēng)險系數(shù)；SPER，ai，L為主車i在第二類靜止物體（車道線標(biāo)記L）產(chǎn)生的勢能場中的安全勢能，其中LTa表示車道類型，D表示線寬，k2表示風(fēng)險系數(shù)；SPEv，bi為主車i在運(yùn)動物體b產(chǎn)生的動能場中的安全勢能，其中vb是物體b的速度矢量，θb表示rbi與vb之間的夾角，k3表示風(fēng)險系數(shù)；SPED，ci為主車i在背景車內(nèi)的駕駛員c產(chǎn)生的行為場中的安全勢能。

雖然式（1）～式（4）的變量僅涉及場景架構(gòu)的層級1-5，但已經(jīng)能全面反映物理世界中的風(fēng)險，層級6和7與信息世界相關(guān)，不是本文的研究重點(diǎn)。由式（1）～式（4），可以推導(dǎo)出主車i在復(fù)雜場景下的SPEi、行車安全指數(shù)（driving safety index，DSIi）和RDSIi的表達(dá)式為

因?yàn)楫?dāng)式（3）中運(yùn)動物體b的速度vb為0時，式（3）與式（1）相等，所以式（5）將第一類靜止物體的勢能場和運(yùn)動物體的動能場合并。規(guī)定如果物體j不是由人類駕駛員控制時，DRi為0。式（6）表示DSI是行車風(fēng)險在空間和時間上的線性組合。式（7）中DSI*是特定場景中的標(biāo)準(zhǔn)行車安全指數(shù)。

SOTIF研究有兩個主要原則，一是所有的場景都可以按照已知和未知及安全和不安全正確地劃分，二是系統(tǒng)開發(fā)過程中進(jìn)行的改進(jìn)直接影響給定測試用例集中不安全場景的數(shù)量，因此利用精確的風(fēng)險評估指標(biāo)對場景進(jìn)行劃分是SOTIF開發(fā)和驗(yàn)證的前提。

如表2所示，本文中以RDSI指標(biāo)作為不同的SOTIF場景的劃分依據(jù)。在DSF理論中，車輛的運(yùn)行狀態(tài)可以按照RDSI的不同分為以下3類：

表2 基于DSF模型的SOTIF場景劃分

（1）當(dāng)RDSI＜RDSI1*時，車輛的駕駛狀態(tài)為安全；

（2）當(dāng)RDSI1*＜RDSI＜RDSI2*時，車輛的駕駛狀態(tài)為危險；

（3）當(dāng)RDSI＞RDSI2*時，車輛的駕駛狀態(tài)為極危險。

其中RDSI1*和RDSI2*的計(jì)算是基于現(xiàn)有的標(biāo)準(zhǔn)，跟車場景和切入場景下的閾值計(jì)算標(biāo)準(zhǔn)為1 s的車頭時距（THW）和4 s的TTC［19］，換道場景為動態(tài)最小安全距離［29］。認(rèn)為RDSI＜RDSI1*和RDSI＞RDSI2*的場景分別為已知安全和已知不安全。當(dāng)RDSI1*＜RDSI＜RDSI2*時，車輛存在發(fā)生事故的可能性，無法準(zhǔn)確地判斷出運(yùn)行狀態(tài)，認(rèn)為這樣的場景包括了未知不安全和未知安全。

RDSI1

*和RDSI2*既對應(yīng)已知安全（區(qū)域1）和已知不安全（區(qū)域2）的邊界，也代表特定場景中風(fēng)險的上、下界。為計(jì)算未知場景下自車的行車風(fēng)險，實(shí)現(xiàn)安全性能的全面可控，區(qū)別于傳統(tǒng)的技術(shù)路線（只研究未知不安全區(qū)域），本文將區(qū)域3和區(qū)域4合并，并以該區(qū)域RDSI對時間的積分值作為場景的風(fēng)險計(jì)算結(jié)果。

如圖2所示，未知場景下的駕駛風(fēng)險可以表示為圖中的黃色部分面積：

圖2 車輛不同駕駛狀態(tài)與RDSI的關(guān)系

式 中｛ti|RDSI=RDSI1*∪RDSI=RDSI2*，i=1，2，…，n｝。

2 DSF模型的參數(shù)標(biāo)定

雖然DSF模型可以全面反映場景風(fēng)險，但模型中的部分參數(shù)未經(jīng)標(biāo)定，且駕駛員風(fēng)險因子很難通過實(shí)驗(yàn)標(biāo)定，比如違章違法行為。為進(jìn)一步提升模型在復(fù)雜交通環(huán)境中評價車輛行車風(fēng)險的優(yōu)勢和有效性，拓展其應(yīng)用范圍，采用基于統(tǒng)計(jì)數(shù)據(jù)的參數(shù)標(biāo)定方法，參考附錄A。

DSF模型中虛擬質(zhì)量Mi、道路條件影響因子Ri和駕駛員風(fēng)險因子DRi的表達(dá)式為

式（9）～式（11）中的參數(shù)可以分為連續(xù)型（速度vi）和離散型（物體類型Ti），參數(shù)的意義和對應(yīng)的類型如表3所示。

表3 DSF模型中參數(shù)的意義與類型

為解決參數(shù)標(biāo)定問題，從2010-2016年中國道路交通安全數(shù)據(jù)集［30］中提取出與表3中參數(shù)相關(guān)的數(shù)據(jù)。連續(xù)型參數(shù)的標(biāo)定方法是采用曲線擬合求解出該參數(shù)和單位事故財(cái)產(chǎn)損失的關(guān)系函數(shù)，離散型參數(shù)的標(biāo)定方法是利用式（12）建立查找表：式中Pd|x=xi是離散型參數(shù)x為xi時引起的單位事故財(cái)產(chǎn)損失。

式（9）～式（11）可以分別改寫為

2.1 虛擬質(zhì)量的標(biāo)定

式（13）中g(shù)（vi）代表車速對行車風(fēng)險的影響，根據(jù)世衛(wèi)組織的報告，發(fā)展中國家的交通事故數(shù)量、相關(guān)傷害和死亡數(shù)分別與速度的二次方、三次方和四次方有關(guān)。表4列出2010-2016年中國5種主要類型的公路車速與事故數(shù)據(jù)。如圖3所示，利用多項(xiàng)式擬合求出平均速度與單位事故損失的關(guān)系g（vi）：

圖3 單位事故損失和道路平均車速的關(guān)系

表4 2010-2016年中國道路安全交通事故數(shù)據(jù)（道路等級）

如表5所示，目前車輛感知系統(tǒng)能夠準(zhǔn)確檢測出的交通參與者大致分為汽車、載貨車、摩托車、非機(jī)動車和行人。記這5類目標(biāo)的i為1-5，將各自的事故數(shù)據(jù)代入到式（12）中，得出物體類別的標(biāo)定結(jié)果。

表5 5種道路物體的單位事故損失與標(biāo)定值

2.2 道路條件影響因子的標(biāo)定

能見度、道路坡度和道路曲率無法準(zhǔn)確測量，所以采用離散型參數(shù)的標(biāo)定方法。如表6所示，能見度可分為4類，記i值為1-4，將各自的事故數(shù)據(jù)代入到式（12）中，得出能見度的標(biāo)定結(jié)果。所搜集的數(shù)據(jù)集中坡度和曲率是聯(lián)合在一起的，因此建立的是二維的查找表，如表7所示。表7中τ1～τ4分別表示平路、一般坡、陡坡和連續(xù)坡，ρ1～ρ3分別表示直路、一般彎和急彎。

表6 4種能見度的單位事故損失和標(biāo)定值

表7 不同道路線形的單位事故損失標(biāo)定值

如表8所示，本文用數(shù)據(jù)集中的路面狀態(tài)去估算路面附著系數(shù)。如圖4所示，利用多項(xiàng)式擬合求出路面附著系數(shù)與單位事故損失的關(guān)系φ（μi）為

圖4 單位事故損失和路面附著系數(shù)的關(guān)系

表8 2010-2016年中國道路安全交通事故數(shù)據(jù)（路面狀態(tài)）

2.3 駕駛員條件影響因子的標(biāo)定

表9～表12分別列出駕駛員身心狀態(tài)、認(rèn)知水平、技能水平和違法行為的標(biāo)定結(jié)果。由于人因參數(shù)難以準(zhǔn)確測量，以數(shù)據(jù)集中駕駛員的統(tǒng)計(jì)信息作為標(biāo)定依據(jù)。用駕駛員的年齡去衡量其生理、心理狀態(tài)，用駕駛員受教育程度去衡量其認(rèn)知水平，用駕駛員的駕齡去衡量其駕駛技能水平。

表9 不同年齡段駕駛員的風(fēng)險標(biāo)定值

表12 違法行為的標(biāo)定值

2.4 其他參數(shù)的取值

根據(jù)文獻(xiàn)［19］和文獻(xiàn)［20］，式（1）～式（3）中風(fēng)險系數(shù)的最優(yōu)解，分別是K=0.1、k1=1.5、k2=1和k3=160。參數(shù)α的取值為0.1，參數(shù)DSI*的計(jì)算以1 s的THW和4 s的TTC為標(biāo)準(zhǔn)。

表10 不同受教育水平駕駛員的風(fēng)險標(biāo)定值

表11 不同駕齡駕駛員的風(fēng)險標(biāo)定值

3 實(shí)驗(yàn)驗(yàn)證

3.1 封閉場地測試

為驗(yàn)證第2節(jié)參數(shù)標(biāo)定的準(zhǔn)確性，以AEB測試場景為例，進(jìn)行封閉場地測試。如圖5所示，實(shí)驗(yàn)在中國汽研大足區(qū)試驗(yàn)場進(jìn)行，實(shí)驗(yàn)設(shè)備包括實(shí)驗(yàn)車、定位與數(shù)采系統(tǒng)、操作控制系統(tǒng)和目標(biāo)物系統(tǒng)。實(shí)驗(yàn)車和目標(biāo)物上都裝有定位與數(shù)據(jù)采集系統(tǒng)（RTrange），以便在實(shí)驗(yàn)過程中記錄車輛和目標(biāo)物的位置、速度、航向角等信息。操作控制系統(tǒng)包括駕駛機(jī)器人和目標(biāo)物控制器，實(shí)現(xiàn)車輛和目標(biāo)物物理狀態(tài)的精確控制，滿足設(shè)定的場景。AEB測試場景中包含主車和目標(biāo)物，目標(biāo)物可以分為汽車、自行車和人，具體的場景示意圖和場景解釋如圖6和表13所示。

表13 AEB測試場景的場景解釋

圖5 封閉場地測試的實(shí)驗(yàn)設(shè)備

圖6 AEB測試場景示意圖

AEB系統(tǒng)中常用的安全指標(biāo)是碰撞剩余時間TTC，TTC的表達(dá)式為

但是當(dāng)自車和目標(biāo)物速度相同時，TTC趨近于無窮大。且TTC越大表示車輛越安全，這與相對駕駛安全系數(shù)RDSI相反。為使指標(biāo)的對比效果更明顯，以TTC的倒數(shù)作為參照指標(biāo)，記為

如圖7所示，在6種不同場景的測試過程中主車的RDSI與TTCi的變化趨勢基本一致，所以RDSI可以準(zhǔn)確表示主車的行車風(fēng)險和駕駛狀態(tài)，所標(biāo)定的DSF模型參數(shù)也是正確的。但因?yàn)镈SF模型考慮到的場景變量比TTCi多，所以在AEB系統(tǒng)執(zhí)行控制后主車的TTCi很快降為0，而RDSI仍存在波動。如圖7（c）～圖7（f）所示，由于TTCi指標(biāo)對橫向運(yùn)動物體的風(fēng)險表達(dá)不敏感，導(dǎo)致TTCi在行人橫穿、自行車橫穿和側(cè)方車切入的場景中變化延遲于RDSI，這表明RDSI指標(biāo)對橫向風(fēng)險的評估能力優(yōu)于TTCi。

圖7 6類AEB測試場景下RDSI和TTCi的對比

3.2 開放道路測試

如圖8所示，為驗(yàn)證所提出的場景劃分方法，須進(jìn)行真實(shí)道路測試以采集自然駕駛數(shù)據(jù)。實(shí)驗(yàn)在中國合肥市智能網(wǎng)聯(lián)汽車測試道路上進(jìn)行，主車車速設(shè)置為低速30 km∕h、中速45 km∕h和高速60 km∕h。與封閉場地測試不同，開放道路測試中目標(biāo)車由駕駛員控制，無法實(shí)現(xiàn)物理量的精確控制，所以不再設(shè)定具體場景。目標(biāo)車的隨機(jī)動作與場景的不確定性一方面可以更好地驗(yàn)證RDSI指標(biāo)，另一方面可以為SOTIF場景劃分提供場景基礎(chǔ)。

圖8 開放道路測試圖

如圖9（a）所示，根據(jù)所提的基于RDSI的場景劃分方法，在開放道路的實(shí)驗(yàn)中主車在109-110 s，117-118 s和169.0-169.5 s處于危險駕駛狀態(tài)，所以這3個時間段的駕駛場景屬于SOTIF的未知安全∕不安全場景，對應(yīng)的風(fēng)險值為0.12、0.13和0.04。其他時間段主車為安全駕駛狀態(tài)，所以駕駛場景為已知安全場景。主車在實(shí)驗(yàn)中執(zhí)行了跟車-換道-跟車操作，在換道過程中出現(xiàn)了兩次SOTIF不足的問題，在跟車過程中出現(xiàn)了一次SOTIF不足問題。如場景②所示，目標(biāo)車道有靜止車輛，但是主車仍進(jìn)行換道，所以導(dǎo)致停駛在車道線上的時間和整個換道時間過長。如場景③所示，由于跟車距離過近，主車的行車風(fēng)險也超出安全閾值。如圖9（b）所示，主車在77.0-77.5 s和148-149 s區(qū)間的RDSI比設(shè)定的安全閾值高，這表示出現(xiàn)了兩次預(yù)期不安全的場景，對應(yīng)的風(fēng)險值為0.01和0.05。在本次實(shí)驗(yàn)中，主車執(zhí)行了換道-跟車-換道-跟車操作。第一次跟車過程中，由于目標(biāo)車換道導(dǎo)致主車采集的目標(biāo)車數(shù)據(jù)波動大，造成了RDSI值的突變。如場景⑤所示，第二次換道完成前，前車也執(zhí)行了變道操作，因此主車在車道線上行駛且與前車的距離過近。

圖9 基于RDSI的SOTIF場景劃分

表14列出開放道路測試中部分場景的劃分結(jié)果和其中未知安全∕不安全場景②、③和⑤的文本解釋。場景①、④和⑥中主車為安全駕駛狀態(tài)，劃分為已知安全場景，在整個測試過程車輛未遇到已知不安全場景。

表14 開放道路實(shí)驗(yàn)的場景劃分

4 結(jié)論

為準(zhǔn)確劃分測試場景，從而完善基于場景的SOTIF測試驗(yàn)證體系，提出了一種基于DSF理論的SOTIF場景的風(fēng)險評估方法。所提方法綜合考慮了SOTIF場景架構(gòu)中不同層級的場景元素造成的行車風(fēng)險，并通過DSF模型實(shí)現(xiàn)了風(fēng)險的集成計(jì)算，從而可以全面準(zhǔn)確地評估不同場景下主車的安全性。

封閉場地測試結(jié)果表明，RDSI指標(biāo)能準(zhǔn)確評估主車的行車風(fēng)險，基于交通事故數(shù)據(jù)標(biāo)定的DSF模型參數(shù)是正確的。雖然低風(fēng)險區(qū)域的RDSI波動頻率高，但對橫向運(yùn)動物體的風(fēng)險評估能力比TTCi更敏銳。開放道路實(shí)驗(yàn)結(jié)果表明，RDSI能有效劃分未知安全∕不安全場景和已知安全場景，為SOTIF場景邊界的界定問題提供了新方法。此外，所提出的風(fēng)險評估方法可以導(dǎo)出預(yù)期功能不足的致因場景，為系統(tǒng)級和整車級的安全性能提升提供場景依據(jù)。

附錄A

第一類靜止物體a形成的勢能場場強(qiáng)ER，ai表達(dá)式為

第二類靜止物體形成的勢能場場強(qiáng)ER，ai，L表達(dá)式為

運(yùn)動物體b形成的動能場場強(qiáng)Ev，bi表達(dá)式為

駕駛員c形成的行為場場強(qiáng)ED，ci表達(dá)式為

位于行車安全場中的車輛會受到場力的作用，在物體j形成的行車安全場中，車輛i受到的場力矢量Fji為

安全勢能SPE是車輛由于在行車安全場中受到保守場力作用而具有的勢能標(biāo)量，規(guī)定距離場源無窮遠(yuǎn)處的車輛具有的安全勢能為0，那么車輛i由于物體j的作用而具備的安全勢能SPEj，i可以表示為

安全勢能隨時間的變化率為

由式（A1）～式（A7）可以計(jì)算出車輛i在第一類靜止物體a、第二類靜止物體、運(yùn)動物體b和駕駛員c形成的行車安全場中具有的安全勢能為

附錄B

如圖B1所示，基于交通事故數(shù)據(jù)的DSF模型參數(shù)標(biāo)定包含以下4個步驟：數(shù)據(jù)搜集、數(shù)據(jù)篩選、數(shù)據(jù)量化和參數(shù)標(biāo)定。

圖B1 DSF模型參數(shù)標(biāo)定流程圖

（1）數(shù)據(jù)搜集從交通專業(yè)知識服務(wù)系統(tǒng)中獲取道路安全數(shù)據(jù)集。本文選取了2010-2016年中國道路安全數(shù)據(jù)集，詳見https：∕∕transport.ckcest.cn∕CatsCategory∕load2？code=C。

（2）數(shù)據(jù)篩選根據(jù)DSF模型中待標(biāo)定的參數(shù)，從數(shù)據(jù)集中提取出關(guān)聯(lián)性較高的部分。例如：模型中道路曲率ρ和道路坡度τ與數(shù)據(jù)集中不同道路線性相關(guān)性最高，故將不同道路線性的事故數(shù)據(jù)篩選出來。

（3）數(shù)據(jù)量化由于數(shù)據(jù)集大部分都是以文本形式記錄的，所以在標(biāo)定前須進(jìn)行量化處理，根據(jù)特征的文本描述估算所對應(yīng)模型參數(shù)的區(qū)間。例如：數(shù)據(jù)集中不同的路面通行條件是以干燥、潮濕等形式記錄的，對應(yīng)的路面附著系數(shù)φ可估算為0.9、0.6等。

（4）參數(shù)標(biāo)定若模型參數(shù)為連續(xù)型變量，則利用多項(xiàng)式擬合出該參數(shù)和造成的單位事故財(cái)產(chǎn)損失的關(guān)系，從而完成標(biāo)定；若為離散型，則以最大單位事故財(cái)產(chǎn)損失為標(biāo)準(zhǔn)值，建立完整的查找表。