朱向雷，吳志新，張宇飛，趙 帥，李克秋，孫博華

（1.天津大學(xué)智能與計(jì)算學(xué)部，天津 300000；2.中國汽車技術(shù)研究中心有限公司，天津 300000；3.吉林大學(xué)，汽車仿真與控制國家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)春 130000）

前言

目前，自動(dòng)駕駛已成為主流汽車技術(shù)發(fā)展方向之一，自動(dòng)駕駛汽車是未來的發(fā)展趨勢(shì)。自動(dòng)駕駛汽車能夠上路的前提是其行駛安全性得到充分驗(yàn)證，因此，須依次對(duì)自動(dòng)駕駛汽車進(jìn)行仿真測(cè)試、場(chǎng)地測(cè)試與道路測(cè)試。雖然這3 種測(cè)試方法所屬的階段、測(cè)試的流程及實(shí)施方式各不相同，但都需要測(cè)試場(chǎng)景庫實(shí)施測(cè)試過程。

自動(dòng)駕駛測(cè)試場(chǎng)景庫是可用于自動(dòng)駕駛汽車測(cè)試的場(chǎng)景的集合，由于場(chǎng)景庫中場(chǎng)景的體量一般較大、測(cè)試場(chǎng)景的提取相對(duì)較為復(fù)雜，想要提高自動(dòng)駕駛汽車的測(cè)試效率，或針對(duì)某種特定的性能進(jìn)行測(cè)試，須根據(jù)場(chǎng)景庫的特點(diǎn)，對(duì)場(chǎng)景庫優(yōu)化問題進(jìn)行研究。

基于場(chǎng)景庫復(fù)雜度與場(chǎng)景庫邊界求解的優(yōu)化是場(chǎng)景庫優(yōu)化的一個(gè)重要方面?；趫?chǎng)景庫復(fù)雜度求解的場(chǎng)景庫優(yōu)化方法，其原理為通過研究場(chǎng)景庫中場(chǎng)景的復(fù)雜度判斷該場(chǎng)景庫對(duì)于自動(dòng)駕駛測(cè)試的可信度。董漢等［1］提出了一種對(duì)危險(xiǎn)工況場(chǎng)景復(fù)雜度進(jìn)行綜合評(píng)價(jià)的方法，Gao等［2］提出了一種新的組合測(cè)試算法。上述文獻(xiàn)均未進(jìn)一步利用復(fù)雜度評(píng)價(jià)結(jié)果探索場(chǎng)景庫優(yōu)化問題?；趫?chǎng)景庫邊界求解的場(chǎng)景庫優(yōu)化主要集中在對(duì)場(chǎng)景庫安全邊界的求解。武彪等［3］建立了路口場(chǎng)景安全邊界條件模型，該模型可有效避免碰撞或減輕碰撞損傷。郭景華等［4］從自然駕駛數(shù)據(jù)中提取具有中國特色的典型場(chǎng)景，利用聚類分析法獲得3 類典型危險(xiǎn)場(chǎng)景。朱冰等［5］建立了一種面向多維度邏輯場(chǎng)景的自動(dòng)駕駛安全性聚類評(píng)價(jià)方法對(duì)場(chǎng)景庫進(jìn)行了優(yōu)化。上述文獻(xiàn)對(duì)場(chǎng)景庫安全域與危險(xiǎn)域的邊界進(jìn)行了研究，但無法將危險(xiǎn)域中不同危險(xiǎn)度的場(chǎng)景進(jìn)一步區(qū)分。

解決小概率高風(fēng)險(xiǎn)邊緣測(cè)試場(chǎng)景問題是場(chǎng)景庫優(yōu)化的另一個(gè)重要方面，李江坤等［6］提出了一種基于場(chǎng)景動(dòng)力學(xué)和強(qiáng)化學(xué)習(xí)的邊緣場(chǎng)景生成方法，該方法能有效地提升邊緣場(chǎng)景的動(dòng)態(tài)博弈行為模擬、場(chǎng)景覆蓋率和可重復(fù)測(cè)試能力。嚴(yán)慈磊等［7］建立了交通事故數(shù)據(jù)篩選標(biāo)準(zhǔn)，并通過聚類分析建立了幾種典型的自動(dòng)駕駛測(cè)試場(chǎng)景模型。Park 等［8］提出了一種基于深度學(xué)習(xí)的場(chǎng)景自動(dòng)生成方法，使用深度學(xué)習(xí)的方法在虛擬模擬器中生成多個(gè)小概率高風(fēng)險(xiǎn)事件。馬凱［9］對(duì)以往的交通事故分類進(jìn)行總結(jié)與分析，提出了按道路對(duì)危險(xiǎn)情景進(jìn)行分類的場(chǎng)景分類方法。盛彬［10］采用支持向量機(jī)模型和隨機(jī)森林模型構(gòu)建基于心電和腦電的危險(xiǎn)場(chǎng)景識(shí)別模型，實(shí)現(xiàn)了較好的識(shí)別效果。曾宇凡等［11］基于對(duì)China-FOT數(shù)據(jù)庫的分析統(tǒng)計(jì)，提取出追尾危險(xiǎn)場(chǎng)景，并對(duì)其進(jìn)行了誘導(dǎo)因素分析。上述對(duì)小概率高風(fēng)險(xiǎn)邊緣場(chǎng)景的研究未能考慮場(chǎng)景在真實(shí)道路上的發(fā)生概率。

此外，還可以基于自然駕駛數(shù)據(jù)庫優(yōu)化場(chǎng)景庫。Zhao等［12］使用重要抽樣理論對(duì)自然駕駛數(shù)據(jù)庫中的場(chǎng)景進(jìn)行采樣，進(jìn)而得到測(cè)試場(chǎng)景庫，實(shí)現(xiàn)了自動(dòng)駕駛汽車安全性的加速測(cè)試。Koren 等［13］提出一種面向自動(dòng)駕駛汽車決策系統(tǒng)的場(chǎng)景庫優(yōu)化方法，通過對(duì)自然駕駛數(shù)據(jù)庫中的場(chǎng)景優(yōu)化實(shí)現(xiàn)對(duì)整體場(chǎng)景庫的優(yōu)化。侯彥巧等［14］通過對(duì)真實(shí)汽車-二輪車事故數(shù)據(jù)的研究，對(duì)汽車-二輪車場(chǎng)景庫進(jìn)行了優(yōu)化?；谧匀获{駛數(shù)據(jù)庫的場(chǎng)景庫優(yōu)化依賴于數(shù)據(jù)的體量、質(zhì)量以及數(shù)據(jù)處理的方法，當(dāng)采集到的自然駕駛數(shù)據(jù)體量太小、精度不高，或數(shù)據(jù)處理的方式不當(dāng)時(shí)，都無法實(shí)現(xiàn)場(chǎng)景庫的優(yōu)化。

還有一部分研究從優(yōu)化場(chǎng)景構(gòu)建與生成的角度來優(yōu)化場(chǎng)景庫。黃璐［15］采用基于本體論的方法對(duì)駕駛場(chǎng)景進(jìn)行建模以優(yōu)化最后所得到的場(chǎng)景庫。賈程棟［16］基于城市智能自動(dòng)駕駛汽車數(shù)據(jù)，設(shè)計(jì)了一套建筑物與道路批量生成的系統(tǒng)。Klischat 等［17］提出利用遺傳進(jìn)化算法優(yōu)化關(guān)鍵場(chǎng)景，通過制定場(chǎng)景參數(shù)化和確定相關(guān)參數(shù)區(qū)間，解決高度非線性優(yōu)化問題。上述基于模型的場(chǎng)景庫優(yōu)化方法未能考慮真實(shí)道路的駕駛情況。

綜上，上述場(chǎng)景庫優(yōu)化方法均有不足，本文采用場(chǎng)景降維及采樣的方法對(duì)場(chǎng)景庫進(jìn)行優(yōu)化，首先對(duì)場(chǎng)景元素分類，通過層次分析法與影響傳遞模型求解場(chǎng)景元素的重要性權(quán)重，根據(jù)重要性權(quán)重值進(jìn)行場(chǎng)景元素離散化以構(gòu)建測(cè)試場(chǎng)景空間，解決了傳統(tǒng)場(chǎng)景庫優(yōu)化中原始場(chǎng)景庫場(chǎng)景維數(shù)過多、數(shù)量過大的維度災(zāi)難問題；然后制定了基于發(fā)生概率與危險(xiǎn)度的場(chǎng)景篩選原則，同時(shí)為加快搜索效率，采用多起點(diǎn)優(yōu)化算法與泛洪填充算法對(duì)關(guān)鍵場(chǎng)景進(jìn)行采樣搜索，解決了傳統(tǒng)場(chǎng)景庫優(yōu)化中未能考慮場(chǎng)景在真實(shí)道路上發(fā)生概率以及搜索效率過低的問題；最后提出場(chǎng)景風(fēng)險(xiǎn)評(píng)估理論，以驗(yàn)證場(chǎng)景庫優(yōu)化后所得的關(guān)鍵場(chǎng)景的有效性。

1 測(cè)試場(chǎng)景空間構(gòu)建理論

1.1 場(chǎng)景元素分類

場(chǎng)景是自動(dòng)駕駛汽車與其周圍環(huán)境的有機(jī)組合［18］。本文從場(chǎng)景元素的基本屬性出發(fā)，對(duì)場(chǎng)景元素進(jìn)行分類，如圖1所示。

圖1 場(chǎng)景元素分類圖

1.2 場(chǎng)景元素的重要性權(quán)重

為測(cè)試自動(dòng)駕駛汽車的某項(xiàng)性能指標(biāo)，須為其設(shè)計(jì)可滿足測(cè)試要求的目標(biāo)場(chǎng)景。目標(biāo)場(chǎng)景的場(chǎng)景空間由場(chǎng)景元素離散化得到，場(chǎng)景元素的取值范圍和離散步長(zhǎng)除應(yīng)滿足現(xiàn)實(shí)道路條件約束之外，還應(yīng)考慮該場(chǎng)景元素對(duì)自動(dòng)駕駛系統(tǒng)的影響大小。場(chǎng)景元素對(duì)自動(dòng)駕駛系統(tǒng)的影響大小用重要性權(quán)重定量描述，權(quán)重較高的場(chǎng)景元素的取值范圍應(yīng)盡可能覆蓋所有情形，并設(shè)定較小的離散步長(zhǎng)；權(quán)重較低的場(chǎng)景元素可不參與場(chǎng)景空間的構(gòu)建或設(shè)置較大的離散步長(zhǎng)。

場(chǎng)景元素重要性權(quán)重的確定采用層次分析法［19］。層次分法計(jì)算步驟如下：首先分析場(chǎng)景元素之間的影響關(guān)系建立層次結(jié)構(gòu)模型，然后根據(jù)專家經(jīng)驗(yàn)或其他原則構(gòu)造判斷矩陣，最后層析排序確定場(chǎng)景元素的影響權(quán)重。

層級(jí)結(jié)構(gòu)模型可根據(jù)目標(biāo)場(chǎng)景的類型，在保持場(chǎng)景元素分類圖元素層級(jí)結(jié)構(gòu)的基礎(chǔ)上，刪減無關(guān)場(chǎng)景元素得到。為實(shí)現(xiàn)同一層級(jí)的場(chǎng)景元素的重要性比較，可通過1～9標(biāo)度法進(jìn)行量化，如表1所示。

表1 1～9標(biāo)度法各個(gè)標(biāo)度表示的含義

場(chǎng)景元素的相對(duì)比值由影響傳遞模型確定，如圖2 所示。影響傳遞模型用來描述場(chǎng)景元素對(duì)自動(dòng)駕駛系統(tǒng)影響程度的大小，關(guān)于影響傳遞模型有以下3個(gè)假設(shè)條件：

圖2 影響傳遞模型圖

（1）場(chǎng)景元素對(duì)自動(dòng)駕駛系統(tǒng)的影響將隨自動(dòng)駕駛系統(tǒng)的層級(jí)逐級(jí)傳遞；

（2）不同類型的場(chǎng)景元素對(duì)自動(dòng)駕駛系統(tǒng)的影響作用相同；

（3）場(chǎng)景元素對(duì)自動(dòng)駕駛系統(tǒng)影響作用的大小可以由場(chǎng)景元素在自動(dòng)駕駛系統(tǒng)層級(jí)間的影響傳遞次數(shù)來表示，傳遞次數(shù)越多，該場(chǎng)景元素的影響作用就越大，且影響作用與傳遞次數(shù)呈線性關(guān)系。

影響傳遞模型中的場(chǎng)景元素在自動(dòng)駕駛系統(tǒng)各層級(jí)中的影響傳遞次數(shù)的計(jì)算公式［20］如下：

式中：P（n）代表某一場(chǎng)景元素在自動(dòng)駕駛系統(tǒng)各層級(jí)中的影響傳遞次數(shù)；n代表該場(chǎng)景元素的元素屬性個(gè)數(shù)；Ei代表該場(chǎng)景元素第i個(gè)元素屬性在自動(dòng)駕駛系統(tǒng)各層級(jí)的影響傳遞次數(shù)。

將影響傳遞次數(shù)差值轉(zhuǎn)化為相對(duì)比值后，可建立同一層級(jí)場(chǎng)景元素的判斷矩陣，求解判斷矩陣的最大特征值及其對(duì)應(yīng)的特征向量，將特征向量歸一化即為同一層級(jí)場(chǎng)景元素的重要性權(quán)重值。

2 關(guān)鍵場(chǎng)景篩選

2.1 關(guān)鍵場(chǎng)景篩選準(zhǔn)則

關(guān)鍵場(chǎng)景的篩選準(zhǔn)則取決于自動(dòng)駕駛汽車的待測(cè)性能指標(biāo)，目前大多數(shù)研究將場(chǎng)景的危險(xiǎn)度作為關(guān)鍵場(chǎng)景的唯一篩選準(zhǔn)則，忽略了場(chǎng)景在真實(shí)道路上發(fā)生的概率。為使自動(dòng)駕駛測(cè)試具有更強(qiáng)的現(xiàn)實(shí)意義，本文選取場(chǎng)景危險(xiǎn)度與場(chǎng)景發(fā)生概率共同作為關(guān)鍵場(chǎng)景的篩選準(zhǔn)則。

2.1.1 場(chǎng)景危險(xiǎn)度評(píng)價(jià)

場(chǎng)景危險(xiǎn)度的評(píng)價(jià)指標(biāo)有兩車相對(duì)速度、車頭時(shí)距（time headway，THW）、碰撞時(shí)間（time to collision，TTC），最常用的為THW和TTC。

THW 表示在本車維持當(dāng)前運(yùn)動(dòng)狀態(tài)不變的前提下，本車車頭到目標(biāo)車車頭位置所用的時(shí)間，其計(jì)算公式為

式中：R表示主車與目標(biāo)車相對(duì)縱向距離；v主表示主車的速度。

TTC 表示在主車與目標(biāo)車保持當(dāng)前運(yùn)動(dòng)狀態(tài)不變的情況下，直至兩車發(fā)生碰撞所需要的時(shí)間，其計(jì)算公式為

式中 ?v表示主車與目標(biāo)車的相對(duì)速度。

2.1.2 場(chǎng)景發(fā)生概率求解

場(chǎng)景空間的場(chǎng)景發(fā)生概率須依托自然駕駛數(shù)據(jù)庫求解，采用凸組合法［21］，將自然駕駛數(shù)據(jù)庫中的真實(shí)場(chǎng)景轉(zhuǎn)化為人為構(gòu)建的場(chǎng)景空間中的場(chǎng)景，得到場(chǎng)景空間中場(chǎng)景的發(fā)生概率。

以二維場(chǎng)景空間為例，對(duì)場(chǎng)景發(fā)生概率進(jìn)行求解。當(dāng)選擇相對(duì)距離與相對(duì)速度作為關(guān)鍵變量構(gòu)造場(chǎng)景空間時(shí)，以一個(gè)離散步長(zhǎng)內(nèi)的場(chǎng)景空間為例，如圖3 所示，A1（RA1，?vA1）、A2（RA2，?vA2）、A3（RA3，?vA3）、A4（RA4，?vA4）是二維場(chǎng)景空間中4 個(gè)均勻離散場(chǎng)景，B（RB，?vB）是自然駕駛數(shù)據(jù)庫中的某個(gè)真實(shí)場(chǎng)景，且B在A1、A2、A3、A4構(gòu)成的矩形內(nèi)部。L11是B到A2、A4所在直線的歐氏距離，L12是B到A1、A3所在直線的歐氏距離，L21是B到A3、A4所在直線的歐氏距離，L22為B到A1、A4所在直線的歐氏距離。則場(chǎng)景B可通過凸組合法轉(zhuǎn)化為二維場(chǎng)景空間中的場(chǎng)景A1、A2、A3、A4：

圖3 二維場(chǎng)景空間凸組合法示意圖

式中ω1、ω2、ω3、ω4分別為A1、A2、A3、A4分配到的權(quán)重系數(shù)，其計(jì)算公式為

按照上述方法可將自然駕駛數(shù)據(jù)庫中的所有場(chǎng)景轉(zhuǎn)化為場(chǎng)景空間中的場(chǎng)景，結(jié)合權(quán)重系數(shù)統(tǒng)計(jì)場(chǎng)景空間中場(chǎng)景，即可得二維場(chǎng)景空間中場(chǎng)景的發(fā)生概率。

2.1.3 重要性函數(shù)

根據(jù)關(guān)鍵場(chǎng)景篩選準(zhǔn)則，設(shè)計(jì)重要性函數(shù)表征場(chǎng)景的重要程度。由于場(chǎng)景發(fā)生概率與場(chǎng)景危險(xiǎn)度的乘積可表征自動(dòng)駕駛汽車發(fā)生事故的概率，因此，設(shè)計(jì)重要性函數(shù)I（x）：

式中：Po（x）為場(chǎng)景的發(fā)生概率；Vd（x）為場(chǎng)景的危險(xiǎn)度。

2.2 關(guān)鍵場(chǎng)景搜索方法

首先采用多起點(diǎn)優(yōu)化算法搜索局部關(guān)鍵場(chǎng)景。多起點(diǎn)優(yōu)化算法將在場(chǎng)景空間中隨機(jī)選取若干場(chǎng)景作為起始點(diǎn)，通過局部求解器找出目標(biāo)函數(shù)的極值，滿足重要性函數(shù)閾值的極值所對(duì)應(yīng)的場(chǎng)景即為局部關(guān)鍵場(chǎng)景。

然后采用泛洪填充算法搜索所有滿足重要性閾值的關(guān)鍵場(chǎng)景。將局部關(guān)鍵場(chǎng)景作為起始點(diǎn)，檢測(cè)其鄰域場(chǎng)景的重要性函數(shù)值是否滿足閾值，將滿足閾值的場(chǎng)景作為新的起始點(diǎn)，繼續(xù)搜索其鄰域，不斷迭代，直至鄰域場(chǎng)景的重要性函數(shù)值均不滿足閾值即結(jié)束。本文采用四鄰域像素填充的泛洪填充算法，如圖4所示。

圖4 四鄰域泛洪填充算法示意圖

3 場(chǎng)景風(fēng)險(xiǎn)評(píng)估方法

在交通場(chǎng)景中，車輛之間的潛在危險(xiǎn)通常采用場(chǎng)景風(fēng)險(xiǎn)來量化。

3.1 單一場(chǎng)景風(fēng)險(xiǎn)評(píng)估指標(biāo)

考慮到在一般場(chǎng)景下，主車與目標(biāo)車可能會(huì)分屬兩個(gè)不同的車道，本文提出了改進(jìn)的碰撞時(shí)間（modified time to collision，MTTC）與改進(jìn)的車頭時(shí)距（modified time headway，MTHW）來評(píng)估場(chǎng)景風(fēng)險(xiǎn)。MTTC 定義為主車與目標(biāo)車剩余距離與二者相對(duì)速度之比的絕對(duì)值，可表示為

式中：dHC是主車與潛在沖突區(qū)域之間的距離；dCV是目標(biāo)車在保持當(dāng)前車速的情況下與潛在沖突區(qū)域之間的距離，潛在沖突區(qū)域是指目標(biāo)車保持當(dāng)前車速勻速行駛，主車保持當(dāng)前運(yùn)動(dòng)狀態(tài)行駛，二者可能會(huì)造成碰撞的區(qū)域；vHV為主車的速度；vCV為目標(biāo)車的速度。

MTHW可表示為

引入Sigmoid 歸一化函數(shù)將兩個(gè)單一場(chǎng)景風(fēng)險(xiǎn)指標(biāo)綜合考慮，MTTC 與MTHW 可通過以下方式標(biāo)準(zhǔn)化：

式中：α為尖銳因子，其決定了標(biāo)準(zhǔn)化場(chǎng)景風(fēng)險(xiǎn)函數(shù)的變化率，α越大表示函數(shù)曲線越陡；β為函數(shù)值為0.5時(shí)對(duì)應(yīng)的自變量的值。α和β可通過下式求解：

式中（T1，R1）和（T2，R2）是標(biāo)準(zhǔn)化場(chǎng)景風(fēng)險(xiǎn)函數(shù)中的兩點(diǎn)，表示期望標(biāo)準(zhǔn)化場(chǎng)景風(fēng)險(xiǎn)值與相應(yīng)的標(biāo)準(zhǔn)化場(chǎng)景風(fēng)險(xiǎn)之間的關(guān)系。

3.2 綜合場(chǎng)景風(fēng)險(xiǎn)評(píng)估指標(biāo)

為更加全面地評(píng)價(jià)場(chǎng)景風(fēng)險(xiǎn)，可通過組合單一場(chǎng)景風(fēng)險(xiǎn)指標(biāo)的形式得到綜合場(chǎng)景風(fēng)險(xiǎn)指標(biāo)。因此，引入Softmax函數(shù)，其定義為

綜合場(chǎng)景風(fēng)險(xiǎn)指標(biāo)（CRI）可通過下式計(jì)算：

CRI指標(biāo)圖如圖5所示。由圖可知：當(dāng)其中一個(gè)單一標(biāo)準(zhǔn)化場(chǎng)景風(fēng)險(xiǎn)指標(biāo)值足夠小時(shí)，其所對(duì)應(yīng)的綜合場(chǎng)景風(fēng)險(xiǎn)指標(biāo)值并不高；而當(dāng)兩種單一標(biāo)準(zhǔn)化場(chǎng)景風(fēng)險(xiǎn)指標(biāo)值都很大時(shí)，綜合場(chǎng)景風(fēng)險(xiǎn)指標(biāo)值較高，意味著會(huì)產(chǎn)生很大的場(chǎng)景風(fēng)險(xiǎn)。因此，綜合場(chǎng)景風(fēng)險(xiǎn)指標(biāo)可以彌補(bǔ)單一標(biāo)準(zhǔn)化場(chǎng)景風(fēng)險(xiǎn)指標(biāo)出現(xiàn)的誤判和缺陷。

圖5 CRI指標(biāo)圖

4 場(chǎng)景庫優(yōu)化理論仿真結(jié)果與分析

為驗(yàn)證測(cè)試場(chǎng)景空間構(gòu)建理論、關(guān)鍵場(chǎng)景篩選方法以及危險(xiǎn)場(chǎng)景邊界評(píng)估方法的有效性，本文以切入場(chǎng)景與切出場(chǎng)景為例開展研究，切入場(chǎng)景與切出場(chǎng)景是真實(shí)道路上非常常見且具有代表性的兩類典型場(chǎng)景，研究這兩種場(chǎng)景對(duì)提高自動(dòng)駕駛汽車的安全性有重要意義。

設(shè)計(jì)切入場(chǎng)景的ODD 如下：主車前方且位于主車所在車道以外的目標(biāo)車跨越主車所在車道的車道線進(jìn)入主車所在車道，并保持在該車道行駛的過程。按照目標(biāo)車切入的方向，切入場(chǎng)景又可分為目標(biāo)車自右側(cè)切入的切入場(chǎng)景（右切入場(chǎng)景）和目標(biāo)車自左側(cè)切入的切入場(chǎng)景（左切入場(chǎng)景），如圖6 所示，其中黑色車為主車，紅色車為目標(biāo)車。設(shè)計(jì)切出場(chǎng)景的ODD如圖7所示。

圖6 右切入場(chǎng)景（左）及左切入場(chǎng)景（右）示意圖

圖7 右切出場(chǎng)景（左）及左切出場(chǎng)景（右）示意圖

4.1 動(dòng)態(tài)場(chǎng)景元素重要性權(quán)重結(jié)果與分析

由于切入場(chǎng)景與切出場(chǎng)景的ODD 已確定，故構(gòu)建測(cè)試場(chǎng)景時(shí)無須再對(duì)靜態(tài)場(chǎng)景元素以及部分已確定的動(dòng)態(tài)場(chǎng)景元素進(jìn)行離散化，確定剩余動(dòng)態(tài)場(chǎng)景元素如初始位置、初始速度、偏移距、觸發(fā)模式以及行駛狀態(tài)的重要性權(quán)重值即可。上述動(dòng)態(tài)場(chǎng)景元素組成的判斷矩陣為

求解該判斷矩陣的最大特征值及其對(duì)應(yīng)的特征向量，最大特征值λmax=5.0871，將特征向量標(biāo)準(zhǔn)化，得各動(dòng)態(tài)場(chǎng)景元素對(duì)應(yīng)的重要性權(quán)重，如表2所示。

表2 動(dòng)態(tài)場(chǎng)景元素重要性權(quán)重值

對(duì)重要性權(quán)重值進(jìn)行一致性檢驗(yàn)，可得CI=0.0777，RI=1.12，CR=0.0693。由于CR遠(yuǎn)小于0.1，所以說明結(jié)果符合一致性要求且效果較好。

由表2 可知，行駛狀態(tài)的重要性權(quán)重值遠(yuǎn)大于其它場(chǎng)景元素，故在構(gòu)建切入場(chǎng)景與切出場(chǎng)景的場(chǎng)景空間時(shí)，應(yīng)優(yōu)先選擇行駛狀態(tài)作為關(guān)鍵變量，離散化生成場(chǎng)景空間。

4.2 關(guān)鍵場(chǎng)景篩選結(jié)果與分析

為避免場(chǎng)景空間的“維度災(zāi)難”，選取換道車中心與車道線重合的時(shí)刻作為切入、切出場(chǎng)景的關(guān)鍵時(shí)刻，選取行駛狀態(tài)R與?v作為關(guān)鍵變量x建立二維場(chǎng)景空間。

式中：R的范圍為（0，90］m，離散步長(zhǎng)為2 m；?v的范圍為［-20，10］m/s，離散步長(zhǎng)為0.4 m/s；場(chǎng)景空間的場(chǎng)景個(gè)數(shù)為45×76=3420。

選取行駛狀態(tài)R、?v與?a作為關(guān)鍵變量x建立三維場(chǎng)景空間。

式中：R的范圍為（0，90］m，離散步長(zhǎng)為2 m；?v的范圍為［-20，10］m/s，離散步長(zhǎng)為0.4 m/s；?a表示主車與目標(biāo)車的相對(duì)加速度，取值范圍為［-8，4］m/s2，離散步長(zhǎng)為0.5 m/s2；場(chǎng)景空間的場(chǎng)景個(gè)數(shù)為45×76×61=208620。

4.2.1 場(chǎng)景危險(xiǎn)度計(jì)算結(jié)果與分析

二維場(chǎng)景空間選擇TTC作為評(píng)價(jià)指標(biāo)評(píng)估場(chǎng)景的危險(xiǎn)度，三維場(chǎng)景空間選擇增強(qiáng)的碰撞時(shí)間（enhanced time to collision，ETTC）作為場(chǎng)景危險(xiǎn)度評(píng)價(jià)指標(biāo)，其計(jì)算公式為

基于TTC 與ETTC 的場(chǎng)景危險(xiǎn)等級(jí)劃分方法如表3 所示，二維場(chǎng)景空間場(chǎng)景危險(xiǎn)度等級(jí)圖如圖8（a）所示，三維場(chǎng)景空間場(chǎng)景危險(xiǎn)度等級(jí)圖如圖8（b）所示。

表3 基于TTC與ETTC的場(chǎng)景危險(xiǎn)度等級(jí)表

圖8 場(chǎng)景空間場(chǎng)景危險(xiǎn)度等級(jí)圖

4.2.2 場(chǎng)景發(fā)生概率計(jì)算結(jié)果與分析

采用中國汽車技術(shù)研究中心提供的自然駕駛數(shù)據(jù)庫開展場(chǎng)景發(fā)生概率求解研究。

經(jīng)過篩選，在自然駕駛數(shù)據(jù)庫中提取出6 364例左切入場(chǎng)景，通過凸組合法計(jì)算二維場(chǎng)景空間中場(chǎng)景的發(fā)生概率，計(jì)算結(jié)果如圖9（a）所示。由圖可知：在左切入場(chǎng)景中，相對(duì)速度分布較為集中，主要分布在［-4，8］m/s 區(qū)間段；相對(duì)距離分布較為分散，在［2，70］m 區(qū)間范圍內(nèi)均有分布。場(chǎng)景發(fā)生概率最高的區(qū)域集中在相對(duì)速度區(qū)間為［-1，5］m/s、相對(duì)距離區(qū)間為［2，16］m的范圍內(nèi)。

圖9 左切入場(chǎng)景場(chǎng)景發(fā)生概率分布圖

三維場(chǎng)景空間中場(chǎng)景的發(fā)生概率計(jì)算結(jié)果如圖9（b）所示。由圖可知，加入相對(duì)加速度之后，左切入場(chǎng)景的場(chǎng)景發(fā)生概率仍然集中在比較小的一個(gè)區(qū)域內(nèi)。相對(duì)速度與相對(duì)距離的高概率分布區(qū)間與二維場(chǎng)景空間下的高概率分布區(qū)間相同，相對(duì)加速度集中分布在［-1，1］m/s2之間，高發(fā)生概率場(chǎng)景的相對(duì)加速度區(qū)間為［-1/2，1/2］m/s2。

經(jīng)過篩選，在自然駕駛數(shù)據(jù)庫中提取出9 679例右切入場(chǎng)景，通過凸組合法計(jì)算二維場(chǎng)景空間中場(chǎng)景的發(fā)生概率，計(jì)算結(jié)果如圖10（a）所示。由圖可知：在右切入場(chǎng)景中，相對(duì)速度分布較為集中，主要分布在［-5，8］m/s 區(qū)間段；相對(duì)距離分布較為分散，在［2，72］m 區(qū)間范圍內(nèi)均有分布。場(chǎng)景發(fā)生概率最高的區(qū)域集中在相對(duì)速度區(qū)間為［2，5］m/s、相對(duì)距離區(qū)間為［4，12］m的范圍內(nèi)。

三維場(chǎng)景空間中場(chǎng)景的發(fā)生概率計(jì)算結(jié)果如圖10（b）所示。由圖可知，加入相對(duì)加速度之后，右切入場(chǎng)景的場(chǎng)景發(fā)生概率仍然集中在比較小的一個(gè)區(qū)域內(nèi)。相對(duì)速度與相對(duì)距離的高概率分布區(qū)間與二維場(chǎng)景空間下的高概率分布區(qū)間相同，相對(duì)加速度集中分布在［-1/2，3/2］m/s2之間，高發(fā)生概率場(chǎng)景的相對(duì)加速度區(qū)間為［0，1］m/s2。

經(jīng)過篩選，在自然駕駛數(shù)據(jù)庫中提取出3 128例左切出場(chǎng)景，通過凸組合法計(jì)算二維場(chǎng)景空間中場(chǎng)景的發(fā)生概率，計(jì)算結(jié)果如圖11（a）所示。由圖可知：在左切出場(chǎng)景中，相對(duì)速度在［-20，10］m/s 區(qū)間內(nèi)均有分布，在［-4，7］m/s 區(qū)間范圍內(nèi)分布較為集中；相對(duì)距離在（0，90］m 區(qū)間內(nèi)均有分布，在（0，70］m 區(qū)間范圍內(nèi)分布較為集中。場(chǎng)景發(fā)生概率最高的區(qū)域主要集中在相對(duì)速度區(qū)間為［-1，3］m/s、相對(duì)距離區(qū)間為［8，16］m 的范圍內(nèi)，除此之外，在幾個(gè)小區(qū)間段內(nèi)也有零散分布。

圖11 左切出場(chǎng)景場(chǎng)景發(fā)生概率分布圖

三維場(chǎng)景空間中場(chǎng)景的發(fā)生概率計(jì)算結(jié)果如圖11（b）所示。由圖可知，加入相對(duì)加速度之后，左切出場(chǎng)景的場(chǎng)景發(fā)生概率變得更加集中。相對(duì)速度與相對(duì)距離的高概率分布區(qū)間與二維場(chǎng)景空間下的高概率分布區(qū)間相同，相對(duì)加速度集中分布在［-1/2，3/2］m/s2之間。

經(jīng)過篩選，在自然駕駛數(shù)據(jù)庫中提取出3356 例右切出場(chǎng)景，通過凸組合法計(jì)算二維場(chǎng)景空間中場(chǎng)景的發(fā)生概率，計(jì)算結(jié)果如圖12（a）所示。由圖可知：在右切出場(chǎng)景中，相對(duì)速度在［-20，10］m/s 區(qū)間內(nèi)均有分布，在［-3，6］m/s 區(qū)間范圍內(nèi)分布較為集中；相對(duì)距離在（0，80］m 區(qū)間內(nèi)均有分布，在（0，70］m 區(qū)間范圍內(nèi)分布較為集中。場(chǎng)景發(fā)生概率最高的區(qū)域主要集中在相對(duì)速度區(qū)間為［-1，4］m/s、相對(duì)距離區(qū)間為［2，14］m 的范圍內(nèi)，除此之外，在幾個(gè)小區(qū)間段內(nèi)也有零散分布。

圖12 右切出場(chǎng)景場(chǎng)景發(fā)生概率分布圖

三維場(chǎng)景空間中場(chǎng)景的發(fā)生概率計(jì)算結(jié)果如圖12（b）所示。由圖可知，加入相對(duì)加速度之后，右切出場(chǎng)景的場(chǎng)景發(fā)生概率變得更加集中。相對(duì)速度與相對(duì)距離的高概率分布區(qū)間與二維場(chǎng)景空間下的高概率分布區(qū)間相同，相對(duì)加速度集中分布在［-1，1］m/s2之間。

綜上，對(duì)比切入場(chǎng)景與切出場(chǎng)景的場(chǎng)景發(fā)生概率分布可知，在同種場(chǎng)景類型下，切入或切出方向的不同會(huì)造成場(chǎng)景發(fā)生概率的集中區(qū)域與高發(fā)生概率區(qū)域的輕微變動(dòng)，這可能是由于駕駛員位置造成了駕駛視角以及駕駛習(xí)慣的差異，但場(chǎng)景發(fā)生概率的集中區(qū)域與高發(fā)生概率區(qū)域大致吻合；對(duì)比切入場(chǎng)景與切出場(chǎng)景可發(fā)現(xiàn)，二者無論是在二維場(chǎng)景空間還是三維場(chǎng)景空間的場(chǎng)景發(fā)生概率分布都有明顯的區(qū)別，這是由于切入場(chǎng)景與切出場(chǎng)景屬于兩種截然不同的場(chǎng)景類型，場(chǎng)景結(jié)構(gòu)與場(chǎng)景特點(diǎn)不同導(dǎo)致的。

4.2.3 關(guān)鍵場(chǎng)景篩選結(jié)果與分析

由場(chǎng)景危險(xiǎn)度與場(chǎng)景發(fā)生概率的計(jì)算結(jié)果計(jì)算場(chǎng)景的重要性函數(shù)值，采用多起點(diǎn)優(yōu)化算法與泛洪填充算法搜索關(guān)鍵場(chǎng)景，將所有滿足重要性函數(shù)閾值的場(chǎng)景篩選出來，篩選結(jié)果如表4所示。

表4 關(guān)鍵場(chǎng)景篩選結(jié)果

由篩選結(jié)果可知，在二維與三維場(chǎng)景空間中，切入場(chǎng)景與切出場(chǎng)景的關(guān)鍵場(chǎng)景在場(chǎng)景總數(shù)中的占比較小，均小于5%，且隨著場(chǎng)景空間維度升高，場(chǎng)景總數(shù)呈指數(shù)級(jí)增長(zhǎng)，關(guān)鍵場(chǎng)景增長(zhǎng)的數(shù)量很少。

4.2.4 關(guān)鍵場(chǎng)景的場(chǎng)景風(fēng)險(xiǎn)驗(yàn)證結(jié)果與分析

通過場(chǎng)景風(fēng)險(xiǎn)評(píng)估方法，對(duì)關(guān)鍵場(chǎng)景的場(chǎng)景風(fēng)險(xiǎn)進(jìn)行驗(yàn)證。

采用隨機(jī)采樣的方式從切入場(chǎng)景與切出場(chǎng)景的二維關(guān)鍵場(chǎng)景庫與原始場(chǎng)景庫中分別選取50 個(gè)關(guān)鍵場(chǎng)景，計(jì)算綜合場(chǎng)景風(fēng)險(xiǎn)指標(biāo)；采用隨機(jī)采樣的方式從切入場(chǎng)景與切出場(chǎng)景的三維關(guān)鍵場(chǎng)景庫與原始場(chǎng)景庫中分別選取150 個(gè)關(guān)鍵場(chǎng)景，計(jì)算綜合場(chǎng)景風(fēng)險(xiǎn)指標(biāo)。計(jì)算結(jié)果如表5所示。

表5 綜合場(chǎng)景風(fēng)險(xiǎn)指標(biāo)（CRI）計(jì)算結(jié)果

由表可知，在二維與三維場(chǎng)景空間下，切入場(chǎng)景與切出場(chǎng)景的關(guān)鍵場(chǎng)景庫的綜合場(chǎng)景風(fēng)險(xiǎn)指標(biāo)均值均大于原始場(chǎng)景庫的綜合場(chǎng)景風(fēng)險(xiǎn)指標(biāo)均值，說明通過關(guān)鍵場(chǎng)景篩選理論得到的關(guān)鍵場(chǎng)景確實(shí)是風(fēng)險(xiǎn)較高的場(chǎng)景，證明了關(guān)鍵場(chǎng)景篩選理論的有效性。

5 結(jié)論

本文首先將場(chǎng)景元素進(jìn)行分類，通過層次分析法與影響傳遞模型求解場(chǎng)景元素的重要性權(quán)重值，構(gòu)建場(chǎng)景空間；然后，制定了基于發(fā)生概率與危險(xiǎn)度的場(chǎng)景篩選原則，構(gòu)造重要性函數(shù)，采用多起點(diǎn)優(yōu)化算法與泛洪填充算法對(duì)關(guān)鍵場(chǎng)景進(jìn)行加速搜索；最后，提出了場(chǎng)景風(fēng)險(xiǎn)評(píng)估方法驗(yàn)證關(guān)鍵場(chǎng)景的有效性。在實(shí)驗(yàn)驗(yàn)證部分，以切入場(chǎng)景與切出場(chǎng)景為例進(jìn)行研究，關(guān)鍵場(chǎng)景篩選結(jié)果表明，切入場(chǎng)景與切出場(chǎng)景二維場(chǎng)景空間的關(guān)鍵場(chǎng)景占比在3%～5%之間，三維場(chǎng)景空間的關(guān)鍵場(chǎng)景占比在0.3%以內(nèi)；關(guān)鍵場(chǎng)景的場(chǎng)景風(fēng)險(xiǎn)驗(yàn)證結(jié)果表明，切入場(chǎng)景與切出場(chǎng)景的關(guān)鍵場(chǎng)景庫CRI 均值均在0.6 以上，原始場(chǎng)景庫CRI 均值均在0.35 以下，證明了關(guān)鍵場(chǎng)景篩選理論的有效性。